APROKSIMASI FUNGSI EMPIRIS

Di dalam praktek, sering dijumpai data diberikan
dalam nilai diskret atau tabel. Ada dua hal yang
diharapkan dari data tersebut, yaitu :
 mencari bentuk kurva yang dapat mewakili data
diskret tersebut.
 Mengestimasi nilai data pada titik-titik diantara nilai
yang diketahui.

Untuk mengharapkan hasil yang demikian, ada
tiga metode dasar yang bisa dilakukan, yaitu :
Metode Seleksi titik
Metode rata-rata
Metode least quare

Ketiga metode tersebut berdasarkan “teknik linearisasi”
fungsi-fungsi yang akan terbentuk pada saat dilaksanakan
analisa data.

Contoh :

.

xi vs f(xi) . dengan perhitungan koefisien linearisasi yang diperoleh dari plot .Metode Seleksi Titik Pada dasarnya metode adalah merupakan metode grafis.

.

Plot xi vs f(xi) 2. Ambil 2 titik sembaran yang melewati garis . Tarik garis lurusnya 3. i xi f(xi) 0 x0 f(x0) 1 x1 f(x1) 2 x2 f(x2) 3 x3 f(x3) 4 x4 f(x4) n xn f(xn) Prosedur Metode seleksi titik : 1.

Tentukan a0 dan a1 6.4. Pn( x) = a0 + a1 x f ( x) ≈ a0 + a1 x ≈ y ( x) a0 + a1 x1 = y1 a0 + a1 x2 = y2 1 x1  a0   y1  1 x  a  =  y   2  1   2 5. Buat persamaan y(x) = a0 + a1x .

Contoh No. x y 1 5 3 2 6 4 3 7 4 4 8 6 5 9 6 6 10 7 7 11 8 8 12 9 9 14 10 .

12 10 8 6 Y 4 2 0 0 2 4 6 8 10 12 14 16 X .

753 + 0.779 a0 = -0.8 a  = 10   1    1 6.7   a1   6  a1 = 0.779x .1 a0  4  1 13.753 y(x) = -0. 1 6.1   a 0   4  0    =   7.

Metode Rata-rata Metode rata-rata mempunyai anggapan bahwa setengah jumlah data mempunyai kecenderungan fungsi yang sama dengan setengah jumlah data yang lainnya .2.

.

Contoh N0. x y 1 5 3 2 6 4 3 7 4 4 8 6 5 9 6 35 23 6 10 7 7 11 8 8 12 9 9 14 10 47 34 .

5 35  a0  23 4 47 a  = 34   1     5 35   a 0   23   0 19   a  = 15 .147 + 0.821 a0 = -1. 6    1    a1 = 0.147 y(x) = -1.821x .

Metode Least Quare Ide dari metode ini adalah membuat : n ∑i =1 f ( x1) − y i ( x ) min .3.

.

Contoh : N0. x y x^2 xy 1 5 3 25 15 2 6 4 36 24 3 7 4 49 28 4 8 6 64 48 5 9 6 81 54 6 10 7 100 70 7 11 8 121 88 8 12 9 144 108 9 14 10 196 140 82 57 816 575 .

7965x . 9 82  a0  57  82 817 a  = 575   1     9 82   a 0   57   0 69. 667    1    a1 = 0.924 y(x) = -0.7965 ao = -0.924 + 0.889   a  =  55 .

.

Penanganan aproksimasi fungsi untuk jenis data yang cenderung membuat trend hiperbolik atau parabolik : .

.

.

.

9 6 7 9.2 5 6 10.7 7 8 7.6 4 5 12.3 10 13 4. X Y 1 2 25.Contoh kurva parabolik No.8 8 9 7.9 .6 9 11 6.5 3 4 15.4 2 3.2 18.

30 25 20 15 Y 10 5 0 0 2 4 6 8 10 12 14 X .

7 0.6 0.3 1.50515 1.60206 1.2 0.113943 0.892095 8 9 7.041393 0.9 0.404834 2 3.267172 3 4 15.037426 6 7 9.193125 4 5 12.8 0.880814 9 11 6.2 18.69897 1.5 0.690196 .4 0. X Y log (x) Log (y) 1 2 25.986772 7 8 7.799341 10 13 4.845098 0.9 1.6 0.08636 5 6 10.No.90309 0.30103 1.778151 1.954243 0.

2 0.2 X .6 0.8 Y 0.4 1.4 0.6 1. 1.4 0.2 1 0.2 0 0 0.6 0.8 1 1.

34  1 1.2 x-0.4 log a  1.2 y(x) = 48.35  0    =   0.6   b   − 0 . 1 0.0  b  = 0.4   log a  1.833 .683 a = 48.833 Log a = 1.5  b = .85      1 0.0.

.

3 1.2 18.249217 .90309 0.6 0.892095 8 9 7.880814 9 11 6.885361 5.69897 1.857767 4.113943 0.No.50515 1.4 0.778151 1.404834 2 3.30103 1.7 0.08636 5 6 10.954243 0. X Y log (x) Log (y) 1 2 25.986772 7 8 7.988916 6 7 9.6 0.267172 3 4 15.60206 1.799341 10 13 4.845098 0.8 0.2 0.037426 2.5 0.193125 4 5 12.690196 4.9 1.041393 0.9 0.

885  log a  5. 74      b = .9x-0.9 y(x) = 50.4   log a  1.707 a = 50.587  b  = 4.97   b  =  − 1.882 .35  0 1. 5 2.249      1 0.989  5 4.0.882 Log a= 1.

.

99 0.09 0.6 0.80 1.77 7.74 10.9 0.83 10 13 4.8 0.76 5 6 10.43 .5 0.89 0.09 0.7 0.83 7 8 7.69 1.30 1.6 0.42 2 3.57 7.40 0.4 0.19 0.04 0.91 0.71 0.27 0.24 0.70 1.95 0.24 6.61 0.51 1.08 0. X Y log (x) Log (y) (log(x))^2 log(x)log(y) 1 2 25.78 1.9 1.81 6 7 9.88 0.04 0.49 0.36 0.72 4 5 12.2 18.11 0.64 3 4 15.60 1.82 0.81 8 9 7.85 0.3 1.2 0.26 0.No.84 9 11 6.90 0.

686 a = 48. 24  0    =   0.74  log a  10.855 .855 Log a = 1.43     10 7.74   log a  10 .24 7.52 y(x) = 48. 5  b = .10 7.52x-0.58   b   − 0 .57 b  7.74 =  6.0.

30 25 y = 49.8703 20 Series1 Y 15 Power (Series1) 10 5 0 0 5 10 15 X .857x -0.

7. Kurva Eksponensial .3.

.

Selesai .

Related Interests