<![CDATA[Abstract. Blast furnace generates slag as a major by-product in the steel industry, affecting operational efficiency, flux consumption, energy requirements, and waste management. Variations in slag chemical composition contribute to fluctuations in slag formation, requiring a data-driven predictive approach to support process control. This study aims to develop a blast furnace slag formation prediction model using multiple linear regression based on key chemical composition parameters, including CaO, SiO₂, Fe, and Al₂O₃. The research data were obtained from blast furnace process observations during April 2026, consisting of 17 operational datasets. The analysis involved regression model development, significance testing, coefficient of determination evaluation, and comparison between actual and Predicted slag values. The results indicate that the developed regression model achieved an R² value of 0.9244, an adjusted R² value of 0.8969, and a Significance F value of 4.1296 × 10⁻⁶. The model successfully explains most variations in slag formation and demonstrates high agreement between actual and Predicted values. Multiple linear regression provides a potential predictive modeling approach for improving blast furnace operation control and supporting sustainable steel industry development. Abstrak. Blast furnace menghasilkan slag sebagai produk samping utama dalam industri baja yang berpengaruh terhadap efisiensi operasi, konsumsi flux, kebutuhan energi, dan pengelolaan limbah. Variasi komposisi kimia slag menyebabkan perubahan jumlah slag yang terbentuk sehingga diperlukan pendekatan prediktif berbasis data untuk mendukung pengendalian proses. Penelitian ini bertujuan mengembangkan model prediksi pembentukan blast furnace slag menggunakan regresi linear berganda berdasarkan parameter komposisi kimia CaO, SiO₂, Fe, dan Al₂O₃. Data penelitian diperoleh dari pengamatan proses blast furnace selama April 2026 dengan 17 data pengamatan. Analisis dilakukan melalui pembentukan model regresi, pengujian signifikansi, evaluasi koefisien determinasi, serta perbandingan nilai aktual dan prediksi. Hasil penelitian menunjukkan model regresi menghasilkan nilai R² sebesar 0,9244, adjusted R² sebesar 0,8969, dan Significance F sebesar 4,1296 × 10⁻⁶. Model mampu menjelaskan sebagian besar variasi pembentukan slag serta menunjukkan kedekatan tinggi antara nilai aktual dan prediksi. Pendekatan regresi linear berganda berpotensi diterapkan sebagai predictive modeling untuk mendukung optimasi operasi blast furnace dan pengembangan industri baja berkelanjutan.]]>
