PENERAPAN CURVE FITTING DAN LEAST SQUARES REGRESSION DALAM PEMODELAN KONSUMSI ENERGI SISTEM HVAC
ABSTRAK
Tulisan ini membahas bagaimana metode Curve Fitting dan Least Squares Regression bisa diterapkan untuk memodelkan hubungan antara suhu udara di luar ruangan dengan pemakaian listrik sistem HVAC. Masalah yang sering muncul di lapangan adalah data hasil pengukuran sensor cenderung acak dan tidak rapi, sehingga tidak bisa langsung dijadikan dasar pengambilan keputusan teknis. Oleh karena itulah dibutuhkan sebuah pendekatan matematis yang bisa menangkap pola umum dari data tersebut meski kondisinya tidak ideal.Dalam kajian ini dibandingkan dua jenis pendekatan regresi: regresi linear biasa (orde 1) dan regresi polinomial (orde 2). Untuk hubungan suhu-energi yang cenderung naik secara proporsional, regresi linear menghasilkan persamaan Energy = 0,25T – 5 yang sudah cukup bisa dipakai untuk estimasi awal. Akan tetapi, ketika variabelnya menunjukkan hubungan yang melengkung seperti pada COP kompresor terhadap beban pendinginan, regresi linear jelas tidak memadai dan regresi polinomial terbukti jauh lebih akurat.Proses komputasinya sendiri dikerjakan dengan MATLAB (fungsi polyfit) dan Python (NumPy), serta untuk kasus polinomial orde tinggi digunakan metode matriks lewat eliminasi Gauss. Kualitas model dievaluasi menggunakan nilai Rยฒ, dan hasilnya menunjukkan kesesuaian yang cukup baik antara model dengan data aslinya. Temuan ini menegaskan bahwa Curve Fitting berbasis Least Squares bukan sekadar alat akademis, melainkan benar-benar berguna untuk keperluan prediksi energi, optimasi HVAC, hingga pengembangan Digital Twin.
Kata Kunci : Curve Fitting, Least Squares Regression, HVAC, Konsumsi Energi, Regresi Linear, Regresi Polinomial, COPI.
PENDAHULUAN
1.1 Latar Belakang Masalah
Siapa pun yang pernah masuk ke kapal ikan atau gedung bertingkat di hari panas terik pasti akan langsung merasakan betapa pentingnya sistem pendingin udara. Sistem HVAC โ singkatan dari Heating, Ventilation, and Air Conditioning โ adalah yang bertanggung jawab atas kenyamanan termal itu. Tapi di balik udara sejuk yang kita nikmati, ada konsumsi listrik yang tidak kecil. Pada gedung komersial, sistem ini bisa menyedot 40 hingga 60 persen dari total kebutuhan listrik. Angka itu bukan main-main, terutama kalau kita bicara soal efisiensi energi jangka panjang. Persoalannya adalah data operasional sistem HVAC itu jarang sekali rapi. Suhu luar berubah-ubah setiap jam, beban pendinginan naik turun tergantung jumlah orang dalam ruangan, dan sensor pun kadang punya noise yang mengganggu. Akibatnya, kalau insinyur langsung menggunakan data mentah untuk perencanaan, hasilnya sering tidak akurat. Mereka butuh sesuatu yang bisa merangkum tren dari semua data itu ke dalam satu persamaan yang bisa dipegang dan dipakai untuk prediksi ke depannya.Di sinilah Curve Fitting hadir sebagai solusi. Dengan pendekatan Least Squares Regression, data yang berantakan tadi bisa diubah menjadi model matematis yang terstruktur. Yang menarik, metode ini tidak kaku โ ia bisa diterapkan untuk hubungan sederhana yang linear, maupun untuk hubungan yang lebih rumit dan melengkung menggunakan bentuk polinomial. Ditambah lagi, sekarang ada MATLAB dan Python yang membuat semua perhitungannya jadi jauh lebih mudah dan cepat dibanding harus menghitung manual satu per satu.
1.2 Rumusan Masalah
Dari latar belakang sebelumnya, ada tiga pertanyaan utama yang ingin dijawab oleh tulisan ini. Yang pertama adalah: sejauh mana metode Curve Fitting berbasis Least Squares mampu memodelkan hubungan antara suhu udara luar (dalam ยฐC) dan konsumsi energi HVAC (dalam kW) dengan tingkat akurasi yang layak untuk dipakai sebagai alat prediksi? Ini menjadi inti dari seluruh analisis yang dilakukan.Pertanyaan kedua menyangkut perbandingan performa antara regresi linear dan regresi polinomial. Tidak semua data HVAC bersifat linear โ ada variabel seperti COP kompresor yang grafiknya melengkung dan tidak bisa ditangkap hanya dengan garis lurus. Karena itu perlu dikaji, kapan kita harus memilih pendekatan linear dan kapan kita harus beralih ke polinomial agar hasilnya tidak menyesatkan.Pertanyaan ketiga lebih ke sisi teknis pelaksanaannya: bagaimana sebenarnya cara mengimplementasikan metode ini di MATLAB maupun Python? Termasuk juga, bagaimana sistem persamaan matriks yang muncul pada regresi polinomial orde tinggi diselesaikan secara komputasional menggunakan eliminasi Gauss atau inversi matriks? Ini penting sebagai panduan konkret bagi mahasiswa atau praktisi yang ingin langsung mencoba.
1.3 Tujuan Penelitian
Tujuan utama tulisan ini adalah membangun model matematis yang bisa merepresentasikan hubungan antara suhu luar dan konsumsi energi HVAC secara cukup akurat. Model seperti ini nantinya bisa dipakai oleh operator atau teknisi untuk memperkirakan berapa listrik yang dibutuhkan sistem pada hari-hari tertentu, sebelum mereka benar-benar menyalakannya. Ini akan sangat membantu dalam perencanaan kapasitas genset atau pengaturan jadwal operasi mesin pendingin. Tujuan kedua adalah membandingkan secara objektif antara model linear dan polinomial untuk berbagai skenario yang umum dijumpai di lapangan. Bukan hanya dilihat dari nilai Rยฒ-nya saja, tapi juga dari kemudahan interpretasi dan kestabilan model ketika dipakai untuk memprediksi nilai di luar rentang data yang ada. Hasil perbandingan ini diharapkan bisa jadi rujukan praktis, terutama bagi mahasiswa yang baru belajar analisis data teknik. Tujuan ketiga adalah mendokumentasikan implementasi komputasionalnya secara cukup lengkap supaya bisa langsung dipraktikkan. Dengan menyertakan contoh kode MATLAB dan Python beserta penjelasan langkah-langkahnya, tulisan ini diharapkan tidak hanya bermanfaat sebagai bacaan teori, tetapi juga sebagai referensi kerja yang bisa dibuka ulang saat menghadapi masalah serupa di lapangan atau dalam tugas kuliah.
1.4 Manfaat Penelitian
Dari sisi akademis, tulisan ini diharapkan bisa menambah referensi terkait penerapan metode numerik dalam sistem termal, khususnya HVAC. Topik ini sebenarnya sudah lama ada, tapi tidak banyak yang membahasnya dalam konteks sistem mesin kapal atau gedung di iklim tropis seperti Indonesia. Padahal kondisi iklim kita yang panas dan lembab sepanjang tahun justru membuat pemodelan energi HVAC ini sangat relevan dan mendesak.Secara praktis, model yang dihasilkan bisa langsung dipakai oleh teknisi atau insinyur lapangan. Misalnya, teknisi kapal ikan bisa memperkirakan berapa bahan bakar ekstra yang dibutuhkan untuk menjalankan HVAC ruang muat ketika kapal melewati perairan dengan suhu tinggi. Dengan angka yang lebih akurat, mereka tidak perlu bawa cadangan bahan bakar berlebih, yang artinya ada penghematan biaya operasional yang nyata.Untuk jangka panjang, model Curve Fitting ini bisa jadi fondasi awal bagi pengembangan Digital Twin sistem HVAC. Ini memang terdengar futuristik, tapi arahnya sudah jelas: sistem yang bisa mensimulasikan perilaku HVAC secara real-time, mendeteksi kalau ada yang tidak beres sebelum alat benar-benar rusak, dan bahkan mengatur setpoint secara otomatis tanpa perlu disentuh manusia. Semuanya dimulai dari model sederhana seperti yang dibahas di sini.
II. KERANGKA TEORI
2.1 Konsep Dasar Curve Fitting
Curve Fitting secara sederhana bisa dijelaskan begini: kita punya sekumpulan titik data dari eksperimen, dan kita ingin menemukan satu persamaan matematika yang paling mewakili pola dari titik-titik itu. Perlu ditekankan bahwa tujuannya bukan untuk melewati setiap titik data secara persis โ itu namanya interpolasi, bukan fitting. Dalam Curve Fitting, kita justru mencari garis atau kurva yang berada sedekat mungkin dengan semua titik secara keseluruhan, meski tidak ada satu pun yang benar-benar tepat dilalui.Analogi yang paling mudah dipahami: bayangkan kita menyebar 20 kacang di lantai secara acak, lalu kita tarik seutas tali yang mencoba melewati tengah-tengah kelompok kacang itu. Tali itulah model Curve Fitting-nya. Ia tidak menyentuh semua kacang, tapi ia berada di posisi yang paling ‘adil’ di antara semua kacang tersebut. Dari garis tali itulah kita bisa memprediksi di mana kira-kira kacang berikutnya akan jatuh kalau kita terus melempar.Dalam praktiknya, Curve Fitting berguna untuk tiga hal utama. Pertama, membangun model matematis dari fenomena fisik yang tidak bisa dijelaskan oleh persamaan teoritis yang sudah ada. Kedua, memprediksi nilai di luar rentang data yang pernah diukur. Ketiga, memahami seberapa kuat hubungan antara dua variabel. Ketiga fungsi ini sangat relevan dalam dunia teknik mesin, dan secara khusus sangat dibutuhkan dalam pengelolaan sistem HVAC yang data operasionalnya terus mengalir setiap detik.
2.2 Least Squares Regression
Least Squares Regression adalah teknik untuk menentukan parameter-parameter model (seperti kemiringan dan titik potong pada regresi linear) sedemikian rupa sehingga total kesalahan antara prediksi model dan data asli sekecil mungkin. ‘Kesalahan’ di sini dihitung sebagai selisih antara nilai aktual yแตข dengan nilai yang diprediksi model y_model, lalu dikuadratkan, kemudian dijumlahkan semuanya: S = ฮฃ(yแตข – y_model)ยฒ. Nilai S inilah yang ingin diminimalkan.Kenapa harus dikuadratkan? Ada dua alasan utama. Pertama, pengkuadratan membuat semua selisih menjadi positif sehingga kesalahan yang arahnya berlawanan tidak saling meniadakan. Kalau kita pakai nilai mutlak, masalahnya fungsi itu tidak bisa diturunkan di semua titik, dan itu menyulitkan proses optimasinya. Kedua, pengkuadratan secara otomatis memberikan ‘hukuman’ yang lebih berat pada kesalahan yang besar โ kesalahan 10 dihitung sebagai 100, bukan sekadar 10. Ini membuat model lebih sensitif terhadap outlier besar.Untuk regresi linear y = a + bx, solusi analitiknya sudah diketahui: b = (nฮฃxy – ฮฃxฮฃy) / (nฮฃxยฒ – (ฮฃx)ยฒ) dan a = (ฮฃy – bฮฃx) / n. Dari sisi teori statistik, pendekatan ini memiliki sifat yang sangat baik โ bisa dibuktikan lewat Teorema Gauss-Markov bahwa di antara semua kemungkinan estimator linear yang tidak bias, Least Squares menghasilkan estimasi dengan variansi paling kecil. Dengan kata lain, ini bukan sekadar cara yang ‘lumayan’, tapi memang cara yang paling optimal secara matematis.
2.3 Regresi Linear vs Regresi Polinomial
Regresi linear adalah yang paling simpel : hubungan antara x dan y diasumsikan berbentuk garis lurus, y = a + bx. Dua parameter yang perlu dicari, perhitungannya cepat, dan hasilnya mudah dijelaskan ke orang lain. Kalau ada insinyur yang mengatakan ‘setiap naik 1ยฐC suhu luar, listrik HVAC naik 0,25 kW’, itu berasal dari nilai slope b = 0,25 pada model linearnya. Semua orang langsung paham tanpa perlu penjelasan tambahan.Regresi polinomial adalah versi yang lebih fleksibel. Dengan menambahkan suku cxยฒ (untuk orde 2), dxยณ (untuk orde 3), dan seterusnya, model bisa mengikuti pola data yang melengkung. Kurva parabola pada polinomial orde 2 sangat berguna untuk memodelkan hubungan yang memiliki nilai puncak atau lembah โ misalnya, nilai COP kompresor yang mencapai titik tertinggi pada beban tertentu lalu menurun lagi. Garis lurus tidak mungkin bisa menangkap karakteristik seperti itu.Yang perlu diperhatikan adalah, menambah orde polinomial tidak selalu lebih baik. Ada bahayanya sendiri yang disebut overfitting: model terlalu ‘patuh’ pada data training, sampai-sampai menghafal noise-nya juga, dan akibatnya malah tidak bisa generalisasi dengan baik ke data baru. Panduan umumnya sederhana: pakai orde paling rendah yang sudah memberikan Rยฒ yang memuaskan. Kalau regresi linear sudah cukup, tidak perlu repot-repot pakai polinomial orde 4 yang hasilnya mungkin tidak jauh berbeda.
III. METODE PENELITIAN
3.1 Jenis dan Pendekatan Penelitian
Penelitian ini bersifat kuantitatif dengan pendekatan analisis matematis dan komputasional. Data yang dipakai berasal dari modul perkuliahan DIN Pro Medium Mesin & HVAC, berupa data eksperimen pengukuran konsumsi energi sistem HVAC pada berbagai kondisi suhu luar. Karakternya bersifat deskriptif-analitik: pertama mendeskripsikan pola data, kemudian membangun model matematis yang bisa menjelaskan pola tersebut, dan terakhir mengevaluasi seberapa baik model itu bekerja.Alur penelitiannya cukup sistematis. Dimulai dari pengumpulan data eksperimen, lalu dilakukan pengamatan visual lewat scatter plot untuk menentukan jenis regresi yang paling sesuai. Setelah itu, parameter model dihitung menggunakan Normal Equations baik secara manual maupun lewat komputasi. Hasil model kemudian dievaluasi menggunakan Rยฒ dan analisis residual. Dua platform yang dipakai adalah MATLAB dengan fungsi polyfit() dan Python dengan NumPy, sehingga hasil dari keduanya bisa saling dikonfirmasi.Perlu disebutkan juga batasannya agar tidak salah paham. Data yang digunakan mencakup rentang suhu 28ยฐC sampai 37ยฐC dan konsumsi energi 1,2 kW sampai 3,0 kW. Model yang dibangun diasumsikan bekerja pada kondisi steady-state, artinya tidak memperhitungkan perubahan beban yang terjadi secara tiba-tiba atau efek lembab udara. Kalau ingin model yang lebih lengkap dengan banyak variabel sekaligus, itu bisa jadi topik penelitian lanjutan yang menarik.
3.2 Prosedur Perhitungan Manual (Contoh Regresi Linear)
Langkah pertama adalah menyusun tabel data dengan kolom x, y, xยฒ, dan xy. Setiap baris diisi satu data poin, lalu nilainya dikalikan dan dikuadratkan sesuai kolom. Di bagian bawah, semua kolom dijumlahkan untuk mendapat ฮฃx, ฮฃy, ฮฃxยฒ, dan ฮฃxy. Contoh dari materi kuliah: dengan n = 5 data, di mana x = {1, 2, 3, 4, 5} dan y = {2, 3, 5, 4, 6}, maka diperoleh ฮฃx = 15, ฮฃy = 20, ฮฃxยฒ = 55, dan ฮฃxy = 69.Setelah itu, nilai slope dihitung dulu: b = (5 ร 69 – 15 ร 20) / (5 ร 55 – 15ยฒ) = (345 – 300) / (275 – 225) = 45 / 50 = 0,9. Kemudian intercept: a = (20 – 0,9 ร 15) / 5 = (20 – 13,5) / 5 = 6,5 / 5 = 1,3. Jadi persamaan regresinya adalah y = 1,3 + 0,9x. Artinya adalah untuk setiap penambahan satu satuan x, y naik sekitar 0,9 satuan, dengan nilai awal 1,3 ketika x dimulai dari nol.Untuk polinomial orde 2, cara manualnya jauh lebih panjang karena ada tiga koefisien yang harus dicari sekaligus (a, b, dan c). Normal Equations-nya menghasilkan sistem tiga persamaan linear yang ditulis dalam bentuk matriks, dan diselesaikan lewat eliminasi Gauss atau inversi matriks. Ini yang membuat pengerjaan manual sangat rawan kesalahan aritmatika, sehingga lebih aman dan lebih efisien diselesaikan lewat komputer menggunakan MATLAB atau Python.
3.3 Evaluasi Model : Goodness of Fit
Setelah model terbentuk, langkah berikutnya adalah menilai seberapa baik model itu cocok dengan data asli. Metrik pertama yang digunakan adalah error individual, yaitu eแตข = yแตข – y_model. Kalau error-error ini tersebar secara acak di atas dan di bawah nol, itu tanda bagus โ artinya model sudah menangkap tren utama dengan benar. Sebaliknya, kalau ada pola sistematis dalam residual (misalnya semuanya positif di bagian tengah), itu sinyal bahwa model perlu diperbaiki atau orde polinomialnya ditingkatkan.Metrik utama yang dipakai adalah Koefisien Determinasi, atau yang biasa ditulis Rยฒ. Nilainya antara 0 sampai 1, dan semakin mendekati 1 semakin bagus. Secara matematis, Rยฒ = 1 – (SS_res / SS_tot), di mana SS_res adalah jumlah kuadrat residual dan SS_tot adalah jumlah kuadrat total dari simpangan data terhadap rata-ratanya. Dalam praktik teknik, Rยฒ di atas 0,95 biasanya sudah dianggap cukup untuk model prediksi. Kalau masih di bawah itu, perlu dicek apakah jenis fungsinya sudah tepat.Satu hal yang sering luput diperhatikan: nilai Rยฒ selalu naik kalau orde polinomial ditambah, karena model punya lebih banyak ‘kebebasan’ untuk mengikuti data. Jadi jangan langsung terpukau kalau Rยฒ regresi polinomial orde 5 lebih tinggi dari orde 2, karena bisa jadi kenaikannya tidak berarti secara praktis. Untuk menilai apakah peningkatan Rยฒ itu signifikan atau tidak, bisa dilengkapi dengan MSE (Mean Squared Error) dan analisis residual plot.
IV. PEMBAHASAN
4.1 Pemodelan Linear: Energi HVAC vs Suhu Luar
Ketika kita plot data eksperimen โ suhu luar di sumbu x dan konsumsi energi di sumbu y โ polanya langsung terlihat: semakin panas, semakin boros listrik. Ini masuk akal dari sisi fisika: ketika suhu luar tinggi, mesin kompresor harus bekerja lebih keras untuk memompa kalor dari dalam ruangan ke luar, dan putaran kompresor yang lebih tinggi itu berbanding lurus dengan konsumsi daya. Jadi kecenderungan linearnya memang sudah bisa diduga bahkan sebelum perhitungan dilakukan.Setelah Least Squares diterapkan, hasilnya adalah persamaan Energy = 0,25T – 5. Nilai slope 0,25 berarti setiap suhu naik 1ยฐC, pemakaian listrik naik 0,25 kW โ cukup intuitif dan mudah dipakai langsung. Nilai intercept -5 memang tidak punya makna fisis (tidak mungkin konsumsi energi negatif), tapi itu wajar karena model hanya valid di rentang suhu data yang dipakai, yaitu sekitar 28 sampai 37ยฐC. Di luar rentang itu, persamaan ini tidak boleh digunakan sembarangan.Implikasi praktisnya cukup signifikan. Seorang operator kapal yang tahu rute pelayarannya melewati perairan bersuhu rata-rata 34ยฐC bisa langsung menghitung: Energy = 0,25 ร 34 – 5 = 3,5 kW. Dari angka ini ia bisa memperkirakan kebutuhan bahan bakar untuk genset selama pelayaran. Kalaupun hasilnya tidak 100% tepat, setidaknya lebih baik dari perkiraan ‘kira-kira’ yang selama ini mungkin dipakai. Itulah nilai praktis dari model sederhana ini.
4.2 Keterbatasan Regresi Linear dan Perlunya Pendekatan Polinomial
Walaupun regresi linear cukup bagus untuk kasus suhu-energi yang datanya memang cenderung naik lurus, ada situasi dalam sistem HVAC di mana pendekatan itu jelas tidak cukup. Yang paling gamblang adalah hubungan antara beban pendinginan dan nilai COP (Coefficient of Performance) kompresor. COP ini adalah rasio antara kapasitas pendinginan yang dihasilkan dibanding daya listrik yang dikonsumsi โ semakin tinggi COP, semakin efisien mesinnya.Yang menarik, grafik COP versus beban tidak berbentuk garis lurus sama sekali. Pada beban ringan, COP masih kecil karena kompresor belum bekerja di titik efisiensinya. COP akan naik seiring beban meningkat, mencapai puncak di sekitar 70-80% kapasitas, lalu turun lagi kalau bebannya terlalu berat. Pola ini berbentuk parabola terbalik โ persis seperti yang bisa ditangkap oleh regresi polinomial orde 2 dengan koefisien c yang negatif. Kalau dipaksa pakai regresi linear, modelnya akan ‘memotong diagonal’ kurva itu dan hasilnya bisa sangat menyesatkan.Hal serupa berlaku untuk hubungan suhu-energi pada rentang yang lebih lebar, misalnya dari 15ยฐC sampai 45ยฐC. Pada rentang itu, peningkatan energi tidak lagi proporsional โ di suhu yang sangat tinggi, penambahan setiap 1ยฐC membebani sistem lebih besar dari sebelumnya karena efisiensi termodinamika memang menurun seiring gradient suhu yang semakin besar. Model Energy = a + bT + cTยฒ bisa menangkap ‘akselerasi’ ini, sedangkan garis lurus tidak bisa. Ini yang membuat nilai Rยฒ-nya secara konsisten lebih tinggi dibanding regresi linear pada dataset yang polanya melengkung.
4.3 Implementasi di MATLAB, Python, dan Hubungannya dengan Digital Twin
Di MATLAB, caranya sangat praktis: cukup tulis p = polyfit(x, y, 1) untuk regresi linear, atau polyfit(x, y, 2) untuk polinomial orde 2. Fungsi ini secara internal menyelesaikan Normal Equations menggunakan dekomposisi QR yang stabil secara numerik. Untuk menghitung nilai prediksi pada titik baru, tinggal pakai polyval(p, x_baru). Kode yang sama bisa langsung dimasukkan ke sistem kontrol berbasis MATLAB/Simulink untuk keperluan model predictive control pada instalasi HVAC nyata.Di Python, pendekatannya hampir identik lewat np.polyfit(x, y, deg) dari library NumPy. Bedanya, Python menawarkan ekosistem yang lebih luas: hasilnya bisa langsung divisualisasikan pakai Matplotlib, disimpan ke database pakai Pandas, atau bahkan dijadikan layer awal dari model Machine Learning di Scikit-learn. Untuk kasus polinomial orde tinggi yang perlu menyelesaikan sistem matriks, tersedia np.linalg.solve() dan np.linalg.inv(). Keduanya menggunakan implementasi LAPACK yang sangat efisien dan jarang gagal secara numerik.Yang paling menarik dari semua ini adalah potensi penggunaannya dalam Digital Twin. Konsep Digital Twin adalah membuat ‘kembarannya’ sebuah sistem fisik dalam bentuk simulasi digital yang berjalan secara real-time. Model matematis Energy = f(T) hasil Curve Fitting menjadi inti dari kembar digital itu โ sistem bisa terus membandingkan konsumsi aktual dari sensor dengan prediksi model, dan kalau ada penyimpangan yang terlalu besar, itu bisa jadi tanda awal ada komponen yang mulai aus atau tidak efisien. Tidak perlu menunggu alat benar-benar rusak untuk tahu ada yang tidak beres.
V. KESIMPULAN
Dari keseluruhan pembahasan di atas, ada beberapa hal yang bisa ditarik sebagai kesimpulan. Pertama, metode Curve Fitting berbasis Least Squares memang terbukti bisa mengubah data pengukuran yang acak dan penuh noise menjadi model matematis yang bisa dipakai. Untuk data konsumsi energi HVAC terhadap suhu luar yang polanya cenderung linear, model y = a + bx sudah memberikan hasil yang cukup baik dan langsung bisa digunakan untuk estimasi cepat di lapangan. Proses perhitungannya pun tidak serumit yang dibayangkan, terutama kalau sudah menggunakan MATLAB atau Python.Kedua, pemilihan antara regresi linear dan polinomial harus disesuaikan dengan pola datanya, bukan sekadar kebiasaan. Regresi linear cocok untuk hubungan yang memang proporsional dan monoton, sedangkan polinomial lebih tepat untuk hubungan yang melengkung seperti COP vs beban. Menggunakan model yang salah bukan hanya hasilnya kurang akurat, tapi bisa benar-benar menyesatkan dalam pengambilan keputusan teknis โ misalnya salah menentukan setpoint yang ‘optimal’ padahal model yang dipakai tidak tepat. Nilai Rยฒ dan analisis residual adalah alat bantu yang tidak boleh dilewatkan saat mengevaluasi kualitas model.Ketiga, kemampuan ini bukan sekadar materi akademis yang habis begitu ujian selesai. Ke depannya, model Curve Fitting ini adalah fondasi dari teknologi-teknologi yang lebih canggih: Digital Twin, model predictive control, bahkan pelatihan awal jaringan saraf tiruan. Semakin kita terbiasa membangun dan mengevaluasi model dari data nyata, semakin siap kita menghadapi tantangan teknik di era yang semakin berbasis data. Mulai dari yang sederhana dulu โ seperti regresi linear pada data HVAC โ adalah langkah yang paling masuk akal untuk memulai perjalanan itu.
DAFTAR PUSTAKA
Chapra, S. C., & Canale, R. P. (2021). Numerical Methods for Engineers (8th ed.). McGraw-Hill Education. Buku teks numerik yang paling banyak dipakai di program teknik, mencakup Least Squares Regression, interpolasi, dan integrasi numerik dengan contoh aplikasi yang sangat praktis.ASHRAE. (2021).
ASHRAE Handbook: Fundamentals. American Society of Heating, Refrigerating and Air-Conditioning Engineers. Referensi standar industri HVAC secara global, memuat prinsip termodinamika, psikrometrik, dan metode perhitungan beban termal.Stoecker, W. F., & Jones, J. W. (2019).
Industrial Refrigeration Handbook (2nd ed.). McGraw-Hill. Sumber rujukan untuk karakteristik performa kompresor refrigerasi industri, termasuk kurva COP terhadap beban pendinginan.MathWorks. (2024).
MATLAB Documentation: polyfit โ Polynomial Curve Fitting. The MathWorks Inc. Dokumentasi resmi yang memuat sintaks, algoritma di balik layar, dan contoh penggunaan polyfit() dalam konteks rekayasa. Diakses dari https://www.mathworks.com/help/matlab/ref/polyfit.htmlHarris, C. R., et al. (2020).
Array Programming with NumPy. Nature, 585(7825), 357โ362. Paper yang menjelaskan arsitektur dan kapabilitas komputasi NumPy, termasuk implementasi np.polyfit() untuk regresi polinomial.Grieves, M., & Vickers, J. (2017).
Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems.
Transdisciplinary Perspectives on Complex Systems, Springer, Cham. Referensi awal yang mendefinisikan konsep Digital Twin dan relevansinya dalam sistem rekayasa kompleks.Katipamula, S., & Brambley, M. R. (2005).
Methods for Fault Detection, Diagnostics, and Prognostics for Building Systems: A Review, Part I. HVAC&R Research, 11(1), 3โ25. Kajian mendalam tentang metode deteksi anomali pada sistem gedung berbasis model matematis.Draper, N. R., & Smith, H. (2014).
Applied Regression Analysis (3rd ed.). John Wiley & Sons. Buku referensi statistik yang komprehensif terkait teori dan praktik analisis regresi, termasuk diagnosis model dan pemilihan variabel.Modul Perkuliahan DIN Pro Medium Mesin & HVAC. (2026).
Curve Fitting & Least Squares Regression: Week 4 HVAC Curve Fitting. Materi perkuliahan yang menjadi sumber data eksperimen dan kerangka konseptual utama dalam penulisan karya ilmiah ini.
