21/09/2011

6. Pencocokan Kurva
Regresi & Interpolasi

Pendahuluan
Data yang berasal dari hasil pengamatan lapangan, pengukuran atau tabel yang diambil dari buku-buku acuan. Nilai antara, turunan, integral mudah dicari untuk fungsi polinom Fungsi sulit perlu disederhanakan menjadi fungsi polinom f ( x ) pn ( x )

pn ( x) = a0 + a1 x + a2 x 2 + ... + an x n

21/09/2011

Pendahuluan (Cont.)
Bantuan beberapa titik dicocokan dalam kurva pn(x). Metode pencocokan titik dengan sebuah kurva ada 2 macam :
Y Y

Regresi

Interpolasi

Regresi
Untuk data dengan berketelitian rendah Kurva tidak perlu melewati semua titik yang tersedia Kurva yang dibentuk merupakan kecenderungan dari sekelompok data Dipilih kurva yang memiliki selisih antara titik data dengan k d kurva h hampiran sekecil mungkin i k il ki Ketidaktelitian disebabkan oleh : kesalahan mengukur, ketidaktelitian alat ukur atau kelakuan sistem yang diukur.

21/09/2011

Regresi (Cont.)
Prinsip penting yang harus diketahui dalam pencocokan kurva untuk data hasil pengukuran :

Fungsi mengandung sesedikit mungkin parameter bebas Deviasi fungsi dengan titik data dibuat minimum

Manfaat Pencocokan Kurva untuk data hasil pengukuran :

Bagi hli i / k B i ahli sains/rekayasa : mengembangkan f b k formula empirik l i ik untuk sistem yang diteliti Bagi ahli ekonomi : menentukan kurva kecenderungan ekonomi untuk meramalkan kecenderungan yang akan datang

Regresi Linier
Persamaan kurva : f(x) = a + bx dari titik-titik (xi,yi). Karena (xi,yi) merupakan hasil pengukuran yang mengandung galat, maka dapat ditulis : g(xi) =yi + ei, i = 1 2 y 1,2,,n n Deviasi persamaan kurva dengan nilai data : ri = yi f(xi) = yi (a + bxi)

21/09/2011

Regresi Linier (Cont.)

Total kuadrat deviasinya :

R = ri 2 = ( yi a bxi )
i =1

Agar R minimum, maka haruslah : R = 2 ( y a bx ) = 0 dan R = 2 xi ( yi a bxi ) = 0 i i b a Kedua persamaan dibagi -2, menjadi : 2

( yi a bxi ) = 0 yi a bxi = 0
i =1 i =1 i =1 i =1

x (y
i

a bxi ) = 0 xi yi axi bxi = 0

i =1 i =1 i =1

Regresi Linier (Cont.)

Selanjutnya :
n n n

a + bx = y
i =1 n i =1 i i =1 n 2 n i =1 i =1

atau

na + b xi = yi
i =1 i =1 2

axi + bxi = xi yi
i =1

a xi + b xi = xi yi
i =1 i =1 i =1

Dalam b t k persamaan matrik : D l bentuk t ik

n n x i i =1 n yi i =1 = ni =1 Solusinya : n 2 xi b xi yi i =1 i =1

x a
i

b=

n xi yi xi yi
i =1 i =1 i =1

n n x xi i =1 i =1
n 2 i

a = y bx

21/09/2011

Regresi Kuadratik
Persamaan kurva : f(x) = a + bx +cx2 dari titik-titik (xi,yi). Karena (xi,yi) merupakan hasil pengukuran yang mengandung galat, maka dapat ditulis : g(xi) =yi + ei, i = 1 2 y 1,2,,n n Deviasi persamaan kurva dengan nilai data : ri = yi f(xi) = yi (a + bxi+cxi2)

Regresi Kuadratik (Cont.)

Total kuadrat deviasinya :
R = ri 2 = ( yi a bxi cxi2 ) 2
i =1 n

Agar R minimum, maka haruslah :

R a = 2 ( yi a bxi cxi2 ) = 0

= 2 xi ( yi a bxi cxi2 ) = 0 b R = 2 x 2 ( y a bx cx 2 ) = 0 i i i i c

21/09/2011

Regresi Kuadratik (Cont.)

Kedua persamaan dibagi -2, menjadi : (y a bx cx ) y a bx cx x ( y a bx cx ) x y ax bx cx x ( y a bx cx ) x y ax bx cx
i i 2 i i i 2 i i i i 2 i i i i 2 i 3 i 2 i i i 2 i 2 i i 2 i 3 i 4 i

a + bx + cx = y ax + bx + cx = x y ax + bx + cx = x y
i 2 i i i 2 i 3 i i i 2 i 3 i 4 i 2 i

n xi xi2

x x x x x x
i 2 i 3 i

2 i 3 i 4 i

a yi b = xi yi 2 c xi yi

Linearisasi
Regresi linier hanya cocok untuk data yang memiliki hubungan linier antara variabel bebas dengan variabel terikatnya. Penggambaran grafik dan pemeriksaan data secara visual untuk memastikan apakah p berlaku suatu model linier

21/09/2011

Linearisasi Pangkat Sederhana

Mencocokkan data dengan fungsi y = Cxb
y = Cx b
Sistem persamaan linier :

ln( y ) = ln(C ) + b ln( x)

1.2447 a 12.7139 7 1.2447 6.2522 b = 1.0659

Solusinya adalah : a = 1.8515, b = 0.1981

Y = a + bX

C = e a = e1.8515 = 6.369366
Jadi kurva yang dipakai :

y = 6.369366 x 0.1981

Linearisasi Fungsi Eksponensial

Mencocokkan data dengan fungsi y = Cebx
y = Ce bx ln( y ) = ln(C ) + bx ln(e) ln( y ) = ln(C ) + bx
Sistem persamaan linier :
8.26 a 12.7139 7 8.26 14.416 b = 16.007

Solusinya adalah : a = .., b =..

Y = a + bX b

C = e a = e a = .......
Jadi kurva yang dipakai :

y = Ce bx

21/09/2011

Interpolasi
(n+1) buah titik berbeda (x0,y0),(x1,y1),,(xn,yn). Menentukan polinom pn(x) yang menginterpolasi semua titiktitik tersebut sedemikian rupa sehingga : yi = pn(xi) untuk i=0,1,2,..,n Selanjutnya p(x) dapat digunakan untuk menghitung hampiran y(x). Jika x0<xk<xn, maka p(xk) disebut nilai interpolasi. Jika xk<x0 atau xk>xn, maka p(xk) disebut nilai ekstrapolasi. Interpolasi bermanfaat untuk mencari nilai hampiran sebagai pengisi kaitan data yang hilang.

Interpolasi Linier
Interpolasi dua buah titik dengan sebuah garis lurus. Misal (x0,y0) dan (x1,y1). Persamaan garis lurus yang terbentuk : p1(x) = a0 + a1x a0 dan a1 dicari dengan cara berikut b ik t :
a1 = a0 = y1 y0 x1 x0 x1 y0 x0 y1 x1 x0

y0 = a0 + a1 x0 y1 = a0 + a1 x1
Dengan proses eliminasi dan subtitusi didapatkan :

Setelah disubtitusi dalam persamaan dan dilakukan sedikit otak-atik aljabar didapatkan : (y y ) p1 ( x) = y0 + 1 0 ( x x0 ) ( x1 x0 )
Y
(x1,y1)

(x0,y0)

21/09/2011

Interpolasi Kuadratik
Interpolasi tiga buah titik dengan sebuah persamaan polinom kuadrat. Misal (x0,y0), (x1,y1) dan (x2,y2). Persamaan polinom kuadrat yang terbentuk : p2(x) = a0 + a1x + a2x2 Persamaan dari 3 titik dengan a0, a1 dan a2 adalah sebagai berikut :
2 a0 + a1 x 0 + a2 x0 = y0

a0 + a1 x1 + a2 x12 = y1
2 a0 + a1 x2 + a2 x2 = y2

Dengan metode eliminasi Gauss, didapatkan nilai a0,a1 dan a2.

Y
(x1,y1)

(x2,y2) (x0,y0)

Interpolasi Kubik
Interpolasi empat buah titik dengan sebuah persamaan polinom kubik. Misal (x0,y0), (x1,y1), (x2,y2), dan (x3,y3). Persamaan polinom kuadrat yang terbentuk : p3(x) = a0 + a1x + a2x2 + a3x3 Persamaan dari 4 titik dengan a0, a1, a2 dan a3 adalah sebagai berikut : 2 3 a0 + a1 x 0 + a2 x0 + a3 x0 = y0

a0 + a1 x1 + a2 x12 + a3 x13 = y1
2 3 a0 + a1 x2 + a2 x2 + a3 x2 = y2 2 3 a0 + a1 x2 + a2 x3 + a3 x3 = y3 Dengan metode eliminasi Gauss, didapatkan nilai a0,a1 dan a2.

(x1,y1) (x3,y3)

(x0,y0)

(x2,y2)

21/09/2011

Resume
Interpolasi linier, kuadratik, kubik dan seterusnya relatif kurang disukai disebabkan persamaan yang diperoleh (terutama yang berderajat tinggi) akan berkondisi buruk.

Interpolasi Lagrange
Nama diambil dari penemunya Joseph Louis Lagrange (Perancis) Bentuk umum derajat <n untuk (n+1) titik berbeda :
pn ( x) = yi Li ( x) = y0 L0 ( x) + y1 L1 ( x) + ... + yn Ln ( x)
i =0 n n

Li ( x) =

(x x j ) ( xi x j )

j =0 j i

( x x0 )( x x1 )...( x xi 1 )( x xi +1 )...( x xn ) ( xi x0 )( xi x1 )...( xi xi 1 )( xi xi +1 )...( xi xn )

Contoh Kasus : Diberikan fungsi y = f(x) dengan 3 buah titik data dalam tabel berikut :
X Y 1 1.5709 4 1.5727 6 1.5751

tentukan nilai f(3.5)!

10

21/09/2011

Interpolasi Lagrange
function Lagrange (x:real; n: integer): real; var i, j : integer; pi, L : real; begin L = 0; for i:=0 to n do begin pi :=1; for j:=0 to n do if i<>j then pi:=pi*(x-x(j))/(x(i)-x(j)); endfor L:=L+y(i)*pi; endfor; Lagrange :=L; end.

Kurang disukai karena :

Jumlah komputasi yang dibutuhkan untuk satu kali interpolasi besar. Hasil komputasi pada derajat yang lebih rendah tidak bisa digunakan untuk menghitung derajat yang lebih tinggi.

Interpolasi Newton
Bentuk umum :
(i) (ii)

Rekurens :
pn(x) = pn-1(x)+an(x-x0)(x-x1)(x-xn-1)

Basis :
p0(x) = f(x0) = y0
a0 = f ( x0 ) a1 = f [ x1 , x0 ] a2 = f [ x2 , x1 , x0 ] ... an = f [ xn , xn 1 ,..., x1 , x0 ]
f [ xi , x j ] = f ( xi ) f ( x j ) xi x j f [ xi , x j ] f [ x j xk ] xi xk f [ xn , xn 1 ,..., x1 ) f [ xn 1 , xn 2 ,..., x0 ) xn x0

f [ xi , x j , xk ] = ...

f [ xn , xn 1 ,..., x1 , x0 ] =

Bentuk umum juga dapat ditulis :

pn ( x) = f ( x0 ) + ( x x0 ) f [ x1 , x0 ] + ( x x0 )( x x1 ) f [ x2 , x1 , x0 ] + ... + ( x x0 )( x x1 )...( x xn 1 ) f [ xn , xn 1 ,..., x1 , x0 ]

11

21/09/2011

Tabel Selisih Terbagi Newton

i 0 1 2 3 xi yi=f(xi) x0 f(x0) x1 f(x1) x2 f(x2) x3 f(x3) ST-1 f[x1,x0] f[x2,x1] f[x3,x2] ST-2 f[x2,x1,x0] f[x3,x2,x1] ST-3 f[x3,x2,x1,x0]

ST : Selisih Terbagi Contoh Kasus : Diberikan data pada tabel dibawah ini, taksirlah nilai fungsi di x = 2.5! Dengan polinom newton orde 3.
xi 0.0 1.0 2.0 3.0 4.0 f(xi) 1.0000 0.5403 -0.4161 -0.9900 -0.6536

Interpolasi Spline
Tidak semua kasus semakin tinggi derajat kurva akan semakin bagus. Misal untuk kasus dimana terdapat perubahan kecekungan yang sangat mendadak fungsi tangga. Solusi : dibuat polinom per-potong yang berderajat rendah.
(xk,yk) (x1,y1) (x3,y3) (x2,y2) (x0,y0) (xk+1,yk+1) (xn,yn)

y = Sk(x) dan y = Sk+1(x) masing-masing terletak

12

21/09/2011

Spline Linier
Setiap pasang titik

13