You are on page 1of 12

BAB 4

CURVE-FITTING DAN FUNGSI APROKSIMASI

Dalam bab ini akan dibahas mengenai pembentukan curve fitting terhadap

sekumpulan data yang diperoleh dari hasil eksperimen. Aproksimasi least-square banyak

digunakan dalam menentukan curve-fitting dengan menggunakan persamaan polynomial.

4.1. Aproksimasi Least-Squares

Anggaplah sekumpulan data diperoleh dari hasil percobaan laboratorium fisika

ditampilkan pada Tabel 4.1.

Tabel 4.1. Hasil Pengukuran Tahanan

Temperature, oC Tahanan, Ohms


20.5 765
32.7 826
51.0 873
73.2 942
95.7 1032

Plot tahanan, R versus Temperatur, T diperlihatkan pada Gambar 4.1.


Gambar 4.1. Tahanan versus temperatur

Hubungan linear antara R dan T dapat ditentukan dengan persamaan :

R = a T +b
(4.1)

dimana a dan b merupakan konstanta.

Metode Least-Squares digunakan untuk menentukan konstanta a dan b melalui

minimisasi jumlah kesalahan kwadrat antara nilai percobaan dan nilai yang dihitung.

Misalkan yei adalah nilai dari percobaan dan y i adalah nilai yang diperoleh dari persamaan

regresi:

y i = a xi + b
(4.2)

dimana xi merupakan variabel bebas yang diukur. Misalkan kesalahan,

ei = yei - yi, jumlah kewadrat kesalahan, S, dihitung dengan persamaan :


S = e12 + e22 + ..... + e2N
(4.3)

N
S= e
i=1
2
i

(4.4)

N
S =  (yei - axi - b )2
i=1
(4.5)

N adalah jumlah pasangan data x dan ye. Untuk mendapatkan konstanta a dan b, turunan

parsil S terhadap a dan b dijadikan sama dengan nol atau harga S diminimalkan sesuai

dengan kriteria metoda Least-Squares:

S N
=  2(yei - a xi - b)(- xi )  0
a i=1
(4.6)
S N
=  2(yei - a xi - b)(-1)  0
b i=1
(4.7)

Persamaan (4.6) dan (4.7) dapat disusun menjadi:

N N N
a  xi2 + b  xi =  xi yei
i=1 i=1 i=1
(4.8)

N N
a  xi + bN =  y ei
i=1 i=1
(7.9)

Persamaan ini dapat diselesaikan secara simultan untuk mendapatkan nilai slope a dan

intercept b. Data percobaan R versus T yang diberikan diatas dapat disusun kedalam Tabel

4.2:

Tabel 4.2. Tahanan versus Temperatur

No. Ti Ri Ti2 TiRi


1 20,5 765 420,25 15682,5
2 32,7 826 1069,29 27010,2
3 51,0 873 2601 44523
4 73,2 942 5358,24 68954,4
5 95,7 1032 9158,49 98762,4
N=5 ΣTi = 273,1 ΣRi = 4438 ΣTi2 = 18607.27 ΣTiRi =
254932,5

Dengan memasukkan nilai jumlah kedalam persamaan (4.8) dan (4.9) didapat:

18,607a + 273.1b = 254,932.5,


(4.10)

273.1a + 5 b = 4438 .
(4.11)

Dari penyelesaian simultan diperoleh a = 3.395, dan b = 702.2, sehingga persamaan linear

adalah

R = 3.395T + 702.2
(4.12)

4.2. Fitting Kurva Nonlinear dengan Least-Squares

Jika data percobaan tidak memberikan hubungan linear, dapat digunakan fungsi lain

dalam bentuk eksponensial seperti :

y = a xb
(4.13)
y = a ebx
(4.14)

Persamaan (4.13) dan (4.14) dapat dilinearisasi dengan operasi logaritma sehingga dapat

digunakan metoda Least-Squares.


ln y = ln a + b ln x
(4.15)
ln y = ln a + bx .
(4.16)

Metoda Least-Squares dapat digunakan untuk mencari konstanta-konstanta persamaan

polynomial dengan derajat yang lebih tinggi, misalnya untuk hubungan :

y = a0 + a1 x + a 2 x 2 + ... + a n x n
(4.17)

dengan kesalahan yang didefinisikan sebagai:

2 n
ei = yei - yi = yei - a0 - a1 xi - a2 xi - ..... - an xi
(4.18)

Jumlah kuadrat kesalahan didefinisikan sebagai

N N
S =  ei2 =  (yei - a0 - a1 xi - a2 xi2 - ..... - an xin )2
i=1 i=1
(4.19)

Nilai S diminimalkan terhadap a0, a1, ........, an ....... sehingga diperoleh persamaan:

S N
 0 =  2(yei - a0 - a1 xi - ..... - an xin) (1)
a0 i=1
(4.20)

S N
 0 =  2(yei - a0 - a1 xi - ..... - an xin) ( xi )
a1 i=1
(4.21)
...........

S N
 0 =  2(yei - a0 - a1 xi - ..... - an xin) ( xin )
an i=1
(4.22)

Persamaan (4.20) sampai dengan (4.22) disusun ke dalam persamaan :

a0 N  a1 x i  a2  xi2  ...  an  xin   yei


(4.23)

a0  xi  a1 x 2
i  a2  xi3  ...  an  xin1   xi yei (4.24)
a0  x  a1
2
i x 3
i  a2  x  4
i ...  an  x n 2
i   x yei
2
1 (4.25)

a0  xin  a1 x n 1
i  a2  xin 2  ...  an  xi2 n   x1n yei (4.26)

Persamaan (4.23) sampai (4.26) dapat diselesaikan secara simultan dengan menggunakan

metoda eliminasi Gauss atau metoda lain.

Contoh :

Carilah persamaan kuadratik menggunakan metoda least-square dari data sebagai berikut :

x 0,05 0,11 0,15 0,31 0,46 0,52 0,70 0,74 0,82 0,98 1,17
y 0,95 0,89 0,83 0,71 0,57 0,53 0,37 0,37 0,30 0,24 0,104

6 0 2 7 1 9 8 0 6 2

Dari data yang diberikan diperoleh :

x i  6,01 N  11
x 2
i  4,6545  y  5,905
ei

x 3
i  4,1150  x y  2,1839
i ei

x 4
i  3,9161  x y  1,3357
2
i ei

System persamaan yang diberikan diperoleh :


11a0  6,01a1  4,6545a2  5,905
6,01a0  4,65451a1  4,1150 a2  2,1839
4,6545a0  4,1150 a1  3,916a2  1,3357

Penyelesaian system persamaan menghasilkan a0 = 0,998, a1 = -1,018, a2 = 0,225 sehingga

diperoleh persamaan : y = 0,998 – 1,018x + 0,225x2.

Penggunaan polynomial dengan derajat yang lebih tinggi lebih berarti jika variansi 2

mengalami penurunan. Variansi 2 dihitung dengan persamaan :

 2

e 2
i

N  n 1

(4.27)

Perhitungan nilai variansi untuk berbagai polynomial ditampilkan pada 4.3 untuk contoh di

atas.

Tabel 4.3. Nilai variansi untuk berbagai polynomial

Tingkat Persamaan 2 e2
(n)
1 y = 0,952 – 0.76 x 0.00010 0.0092
2 y = 0,998 – 1,018x + 0,225 x2 0.0002 0.001
3 y = 1,004 – 1,079x + 0,351x2– 0,069 x3 8

4.3. Soal-Soal

1. Data kelarutan n-butana dalam asam hidroflorat anhidrus pada tekanan tinggi

diberikan pada Tabel berikut:

Temperatur (0F) Kelarutan (% berat)


77 2,4
100 3,4
185 7,0
239 11,1
285 19,6

Jika korelasi yang diharapkan adalah y = a ebx, tentukan konstanta a dan b dengan

menggunakan metoda least-square.

2. Laju alir dari fire hose diperkirakan sebagai fungsi tekanan pada suatu nozzle. Carilah

korelasi yang tepat dengan menggunakan metoda least-square jika diberikan data:

Aliran (gallon per menit) Tekanan (psi)


94 10
118 16
147 25
180 40
230 60

3. Carilah persamaan dengan menggunakan metoda least-square untuk data berikut

dengan asumsi nilai x bebas kesalahan untuk tingkat 1, 2 dan 3 dan hitung variansi

dan jumlah error kuadrat

x y
1 2,04
2 4,12
3 5,64
4 7,18
5 9,20
6 12,04

.
4. Carilah parameter a, b, dan c dalam persamaan normal :

z = ax + by + c

Jika diberikan data:

x 0 1,2 2,1 3,4 4,0 4,2 5,6 5,8 6,9


y 0 0,5 6,0 0,5 5,1 3,2 1,3 7,4 10,2
z 1,2 3,4 4,6 9,9 2,4 7,2 14,3 3,5 1,3
5. Fungsi linear diharapkan dari data ekspansi panjang logam terhadap temperatur:

L = a T + b. Carilah fungsi linear tersebut dengan metoda least-square, variansi

dan error

T (K) 150 175 200 225 250 275 300 325 350
L (mm) 79,956 92,505 105,230 117,493 129,987 142,498 155,103 162,497 180,025

6. Data konversi versus temperatur reaksi : A + B  C + D adalah sebagai berikut

T (oC) 25 30 35 40 45 50 55 60
X 0,551 0,612 0,643 0,705 0,752 0,798 0,853 0,892

Carilah fungsi linear X = a T + b dengan metoda least-square, variansi dan Error.

7. Fungsi kuadratik diharapkan untuk data berikut :

x 1 2 3 4 5
y 1,9 9,3 21,5 42,0 115,7

Dapatkan fungsi kuadratik dengan metoda least-square.

8. Excess Gibbs Energy fungsi dari air + trietylamine dinyatakan sebagai berikut :

G ex
y 
RT x (1  x)

Data berikut dapat digunakan untuk memperoleh polynomial kuadratik:

x y
0,05 10,2847
0,25 9,5148
0,45 9,3282
0,65 9,7665
0,85 11,3528
0,95 13,4083
9. Studi mengenai dekomposisi termal dari isopropyl isocyanate dilakukan pada

differential packed-bed reactor. Tentukan parameter persamaan laju reaksi dengan

data berikut:

Run Laju reaksi Konsentrasi Temperatur


(mol/det.dm3) (mol/dm3) (K)
1 4,9 x 10-4 0,2 700
2 1,1 x 10-4 0,02 750
3 2,4 x 10-3 0,05 800
4 2,2 x 10-3 0,08 850
5 1,18 x 10-1 0,1 900
6 1,82 x 10-2 0,06 950

10. Fitting polymial terhadap data tekanan uap benzene :

No Temperature, T (0C) TK (K) Pressure, P (mmg


Hg)
1 -36,7 236,45 1
2 -19,6 253,55 5
3 -11,5 261,65 10
4 -2,6 270,55 20
5 7,6 280,75 40
6 15,4 288,55 60
7 26,1 299,35 100
8 42,2 315,35 200
9 60,6 333,75 400
10 80,1 353,25 760
Polynomial:
P(calc) = ao + a1TK + a2TK2 + a3TK3 + a4TK4

N = 10 (jumlah data)

n = 4 (degree of polynomials)

Fungsi objektif yang diminimalkan

N
F= 

(P
1
(exp) P( calc ) ) 2

untuk menentukan ao, a1, a2, a3, dan a4

Program Hookes – jeeves digunakan untuk fungsi objektif yang diminimalkan.

Variance digunakan untuk menentukan degree polynomial yang memberikan

kecocokan terbaik terhadap data.

N (P(obj)  P(calc) )2
r2  
 1 N  (n  1)

Prosedur :

1) Read TK(1),……….,TK(10)

2) Read P(1),…………,P(10)

3) Set harga ao, a1, a2, a3, dan a4

4) Hitung PC(1),………,PC(10)

N
5) Minimalkan  ( P(i)  PC (i))
i 1
2