Professional Documents
Culture Documents
Curve Fitting Dan Interpolasi Doc Dy
Curve Fitting Dan Interpolasi Doc Dy
Materi Kuliah:
Pengantar; Regresi Linier; Regresi Polinomial; Regresi Linier Berganda
Interpolasi Linier; Interpolasi Kuadrat; Interpolasi Polinomial Newton & Lagrange
PENGANTAR
Data-data yang bersifat diskrit dapat dibuat continuum melalui proses curve-fitting. Curve-fitting
merupakan proses data-smoothing, yakni proses pendekatan terhadap kecenderungan data-data dalam
bentuk persamaan model matematika. Proses ini juga dapat digunakan untuk keperluan interpolasi
data.
Misalkan tersedia data-data y pada berbagai x (sejumlah n pasang), maka dapat dicari suatu
persamaan y = f(x) yang memberikan hubungan y dengan x yang mendekati data. Proses ini disebut
curve fitting.
Diplotkan
pada grafik
x-y
y y
y = f (x)
Curve-fitting
x x
Langkah-langkah yang dapat ditempuh untuk menentukan persamaan empirik adalah sebagai berikut:
1. Membuat grafik y versus x berdasarkan data yang tersedia
2. Meramalkan bentuk persamaan yang kira-kira sesuai (mengandung tetapan-tetapan yang
belum diketahui), berdasarkan grafik
Misal: Persamaan linier: y = a x ; y = a0 + a1 x
Persamaan kuadrat: y = a0 + a1 x + a2 x2
Persamaan polinomial berorde-m: y = a0 + a1 x + a2 x2 + ... + am-1 xm-1 + am xm
Persamaan eksponensial: y = a ebx
3. Mengevaluasi nilai tetapan-tetapan tersebut berdasarkan data yang ada regresi
Secara garis besar, metode regresi ada 2 macam: (a) regresi linier dan (b) regresi non-linier
4. Mengevaluasi kesesuaian persamaan empirik terhadap data.
Cara mengevaluasi nilai-nilai tetapan dalam persamaan empirik: visual inspection, method of
average, dan metode kuadrat terkecil (least squares). Metode kuadrat terkecil merupakan metode
yang paling banyak digunakan. Pada metode ini, nilai-nilai tetapan terbaik adalah yang memberikan
jumlah kuadrat kesalahan/penyimpangan (sum of squares of errors, SSE) yang terkecil (minimum).
n
SSE = ∑ ( yterhitung − ydata ) 2 MINIMUM
i =1
Untuk bentuk-bentuk persamaan tertentu, metode kudrat terkecil dapat dilakukan secara analitik,
tetapi untuk bentuk-bentuk yang lain harus dilakukan secara numerik. Prinsipnya adalah minimasi
SSE terhadap variabel nilai-nilai tetapan dalam persamaan empirik.
Secara statistik, kesesuaian antara bentuk kurva dengan data dapat dinyatakan dalam term koefisien
korelasi (r) atau koefisien determinasi (r2). Besarnya koefisien korelasi (r) adalah:
n ∑ xi yi − ∑ xi ∑y
r= i
2 2
n ∑ xi − ⎛⎜ ∑ xi ⎞⎟ n ∑ yi − ⎛⎜ ∑ yi ⎞⎟
2 2
⎝ ⎠ ⎝ ⎠
dengan n menyatakan banyaknya data. Hubungan antara r dengan SSE dapat dinyatakan sbb.:
2
⎛ y ⎞
dengan: St = ∑ ⎜ yi − ∑ i ⎟
S − SSE
r2 = t
St ⎜ n ⎟
⎝ ⎠
Kesesuaian yang sempurna ditunjukkan oleh besarnya: SSE = 0 dan r = r2 = 1.
a ∑ ( xi ) 2 − ∑ ( xi yi ) = 0
atau: a = ∑ (x y ) i i
... (5)
∑ (x ) i
2
CONTOH 1#:
Nitrous anhydride (N2O5) dapat terurai secara homogen menjadi dinitrogen tetraoksida (N2O4)
dan oksigen melalui reaksi: N 2O5 ( g ) ⎯
⎯→
r
N 2O4 ( g ) + 1 2 O2 ( g )
Berikut adalah data-data konsentrasi N2O5 (CA) vs waktu untuk reaksi ini pada suhu 313,1 K:
CA
0 t ln
C A0
-0.1 0 500 1000 1500 2000 2500 3000
x y x2 xy
-0.2 0 0 0 0
-0.3 500 -0,1143 250000 -57,1446
ln (CA/CA0)
Berdasarkan metode regresi linier terhadap data-data di atas, diperoleh nilai tetapan (yakni
tetapan kecepatan reaksi) k sebesar 0,0002 detik-1.
∂ ( SSE ) ∂ ( SSE )
Harga SSE akan minimum jika: = 0 dan =0 ... (9, 10)
∂ a0 ∂ a1
∂ ( SSE ) n
sehingga: = ∑ 2 (a0 + a1 xi − yi ) . 1 = 0
∂ a0 i =1
n a0 + a1 ∑ xi = ∑ yi ... (11)
∂ ( SSE ) n
dan = ∑ 2 (a0 + a1 xi − yi ) . xi = 0
∂ a1 i =1
∑x + a ∑x = ∑ xi yi
2
a0 i 1 i ... (12)
Berdasarkan persamaan (11) dan (12), maka harga a0 dan a1 dapat ditentukan. Misal, dengan
menggunakan Cramer’s rule, diperoleh:
⎡ n
⎢ ∑ x ⎤⎥ ⎡⎢a ⎤⎥ = ⎡⎢ ∑ y ⎤⎥
i 0 i
⎢∑ xi ∑ x ⎥⎦ ⎢⎣ a ⎥⎦ ⎢⎣∑ x y ⎥⎦
2
⎣ i 1 i i
A x = b
∑x y ∑x 2
=∑ ∑
x −∑x ∑x
2
Δ i i i y yi
a0 = 1 = i i i i
Δ 2
n ∑x i n ∑ x − ⎛⎜ ∑ x ⎞⎟
⎝ i
⎠
2
i
∑ xi ∑x
2
i
n ∑y i
Δ2 ∑ xi ∑x y
i i n ∑ xi yi − ∑ yi ∑x
a1 = = = i
Δ 2
n ∑x i n ∑ xi − ⎛⎜ ∑ xi ⎞⎟
2
⎝ ⎠
∑x ∑x
2
i i
Nilai-nilai tetapan pada persamaan non-linier dapat ditentukan melalui proses linierisasi. Berikut
ini adalah contoh beberapa bentuk persamaan dan hasil linierisasinya:
Bentuk Persamaan Bentuk Persamaan Slope yang Intercept yang
Ordinat Absis
Awal Hasil Linierisasi dihasilkan dihasilkan
y =a x+b - y x a b
y=ae bx
ln y = ln a + b x ln y x b ln a
x x x
y= =a x+b x a b
a x+b y y
a 1
y = +b - y a b
x x
ln y = ln a + b ln x ln y ln x ln a
y = a xb b
log y = log a + b log x log y log x log a
CONTOH 2#:
Berdasarkan data-data x-y berikut ini:
x 1 2 3 4 5
y 0,5 1,7 3,4 5,7 8,4
tentukan harga-harga a dan b, jika trend data mengikuti model bentuk pangkat: y = a x b
PENYELESAIAN:
Bentuk: y = a x b dapat dilinierisasi menjadi bentuk: log y = log a + b log x
x y log x log y (log x) 2 log x . log y
1 0,5 0 -0,3010 0 0
2 1,7 0,3010 0,2304 0,0906 0,0694
3 3,4 0,4771 0,5315 0,2276 0,2536
4 5,7 0,6021 0,7559 0,3625 0,4551
5 8,4 0,6990 0,9243 0,4886 0,6460
Σ 2,0792 2,1411 1,1693 1,4241
Persamaan (11) dan (12) diterapkan untuk kasus ini, menjadi:
⎡ n ⎤ ⎡log a ⎤ ⎡
⎢ ∑ log x ⎥ ⎢ ⎥ = ⎢ ∑ log y ⎤⎥
⎢∑ log x ∑ (log x) 2
⎥ ⎢ b ⎥ ⎢∑ (log x. log y )⎥
⎣ ⎦⎣ ⎦ ⎣ ⎦
⎡ 5 2,0792⎤ ⎡log a ⎤ ⎡2,1411⎤
atau: ⎢ ⎥⎢ ⎥=⎢ ⎥
⎢⎣2,0792 1,1693 ⎥⎦ ⎢⎣ b ⎥⎦ ⎢⎣1,4241⎥⎦
5 2,1411
2,0792 1,4241 2,6688
b= = = 1,7517
5 2,0792 1,5235
2,0792 1,1693
Jadi: a = 0,5009 dan b = 1,7517
Atau, jika secara langsung memanfaatkan fasilitas TRENDLINE dalam EXCEL, diperoleh:
9
1.0 log y = 1,7517 log x - 0,3002
8 y = 0,5009x1,7517
R2 = 1
7 R2 = 1 0.8
6 0.6
5
0.4
y
log y
4
3 0.2
2
0.0
1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
0 -0.2
0 1 2 3 4 5 6 -0.4
x log x
REGRESI POLINOMIAL
n a0 + a1 ∑ xi + a2 ∑x = ∑ yi
2
i ... (18)
∂ ( SSE ) n
= ∑ 2 (a0 + a1 xi + a2 xi − yi ) . xi = 0
2
∂ a1 i =1
∑x +a ∑x ∑x = ∑ xi yi
2 3
a0 i 1 i + a2 i ... (19)
∂ ( SSE ) n
= ∑ 2 (a0 + a1 xi + a2 xi − yi ) . xi = 0
2 2
∂ a2 i =1
∑x + a1 ∑ xi + a2 ∑x = ∑ xi yi
2 3 4 2
a0 i i ... (20)
Persamaan (18), (19), dan (20) selanjutnya dapat disusun dalam bentuk perkalian matriks, sbb.:
⎡ n
∑ xi2 ∑ xi 3 ⎤⎥ ⎡⎢a0 ⎤⎥ ⎡⎢ ∑ yi ⎤⎥
2
⎢
⎢ ∑ xi ∑ xi ∑ xi ⎥ ⎢ a1 ⎥ = ⎢ ∑ xi yi ⎥
⎢ 4⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣∑ xi ∑ xi ∑ xi ⎥⎦ ⎣⎢a2 ⎦⎥ ⎢⎣∑ xi yi ⎥⎦
2 3 2
A x = b
∑x + a1 ∑ xi ∑x ∑x = ∑ xi yi
2 3 m +1
a0 i + a2 i + + am i
∑x + a1 ∑ xi ∑x ∑x = ∑ xi yi
2 3 4 m+2 2
a0 i + a2 i + + am i
.......................................................................................................
.......................................................................................................
∑x + a1 ∑ xi ∑x ∑x = ∑ xi yi
m m +1 m+2 m+m m
a0 i + a2 i + + am i
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ m+m ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣∑ xi ∑ xi ∑ xi ∑ xi ⎥⎦ ⎣⎢am ⎦⎥ ⎢⎣∑ xi yi ⎥⎦
m m +1 m+2 m
A x = b
Dengan demikian, harga-harga a0, a1, a2, .... am dapat ditentukan secara simultan.
CONTOH 3#:
Berikut adalah data-data kapasitas panas gas, Cp (kal/gmol.K), pada berbagai suhu, T (K):
T 400 475 520 580 660 750 850
Cp 41,29 45,50 48,00 51,31 55,61 60,30 65,26
Jika Cp = f (T) didekati dengan persamaan polinomial berorde 3:
Cp = a0 + a1 T + a2 T 2 + a3 T 3
tentukanlah harga-harga a0, a1, a2, dan a3!
PENYELESAIAN:
Dengan menggunakan metode kuadrat terkecil, dapat dihasilkan persamaan-persamaan berikut, yang
disajikan dalam bentuk perkalian matriks dan vektor:
⎡ n
⎢ ∑ T ∑T 2 ∑T 3 ⎤⎥ ⎡⎢a0 ⎤⎥ ⎡⎢ ∑ Cp ⎤⎥
⎢ ∑ T ∑ T 2 ∑ T 3 ∑ T 4 ⎥ ⎢ a1 ⎥ ⎢ ∑ T Cp ⎥
⎢ 5⎥ ⎢ ⎥=⎢ ⎥
⎢∑ T ∑ T ∑ T ∑ T ⎥ ⎢a2 ⎥ ⎢∑ T Cp ⎥
2 3 4 2
⎢∑ T 3 ∑ T 4 ∑ T 5 ∑ T 6 ⎥ ⎢ a3 ⎥ ⎢ ∑ T 3 Cp ⎥
⎣ ⎦⎣ ⎦ ⎣ ⎦
A x = b
Elemen-elemen matriks A dan vektor b dapat dihitung dengan mudah, dan diperoleh hasil sbb.:
7 4235 2713025 1830387875 367,27
4235 2713025 1830387875 1,29E+12 230246,9
2713025 1830387875 1,29E+12 9,44E+14 152405037,5
1830387875 1,29E+12 9,44E+14 7,11E+17 1.06E+11
Matriks A Vektor b
Dicoba diselesaikan dengan metode eliminasi Gauss.
Pertukarkan baris ke-1 dan ke-4 (maximum column pivoting):
1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11
4235 2713025 1830387875 1,29E+12 230246.9
2713025 1830387875 1,29E+12 9,44E+14 152405037,5
7 4235 2713025 1830387875 367,27
Regresi linier berganda diterapkan terhadap persamaan linier multivariabel (dengan banyaknya
variabel sejumlah m) yang mempunyai bentuk umum:
y = a0 + a1 x1 + a2 x2 + ... + am-1 xm-1 + am xm ... (22)
Dengan menggunakan metode kuadrat terkecil, melalui penurunan yang sama dengan kasus-kasus
sebelumnya, maka dihasilkan persamaan-persamaan berikut ini:
n a0 + a1 ∑ x1 + a2
∑x 2 + + am ∑x = ∑y
m
∑x + a ∑x + a ∑x x ∑x x = ∑x y
2
a0 1 1 1 2 1 2 + + am 1 m 1
∑x + a ∑x x + a ∑x ∑x x = ∑x y
2
a0 2 1 2 1 2 2 + + am 2 m 2
.......................................................................................................
a0 ∑x m + a1 ∑ xm x1 + a2 ∑x m x2 + + am ∑x m xm = ∑ xm y
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣∑ xm ∑x m x1 ∑x m x2 ∑ xm xm ⎥⎦ ⎢⎣am ⎥⎦ ⎢⎣∑ xm y ⎥⎦
A x = b
Dengan demikian, harga-harga a0, a1, a2, .... am dapat ditentukan secara simultan.
CONTOH 4#:
Berikut adalah data-data percobaan kinetika sebuah reaksi homogen ireversibel: A ⎯ ⎯→
r
P
CA (gmol/liter) 1,00 0,923 1,15 0,87 1,05 0,75 0,55 0,65
Suhu (K) 373 395 365 400 405 388 410 380
Kecepatan reaksi (gmol/liter.detik) 1,508 2,936 1,293 3,242 4,566 1,899 2,780 1,255
⎛ ⎞
Jika kecepatan reaksi dianggap mempunyai bentuk: r = k0 exp ⎜ − E ⎟ C A n ... (**)
⎜ RT ⎟
⎝ ⎠
dan R = 1,987 kal/gmol.K, perkirakan harga-harga k0, E, dan n berdasarkan data yang tersedia.
(k0 ≡ faktor preeksponensial reaksi, E ≡ energi aktivasi reaksi, dan n ≡ orde reaksi)
PENYELESAIAN:
Bentuk persamaan non-linier (**) dapat dilinierisasi menjadi: ln r = ln k0 − E 1 + n ln C A
RT
Dengan menggunakan metode kuadrat terkecil, hasil-hasil perhitungannya disajikan sbb.:
Data x1 x2 y x1 x2 x12 x22 x1 y x2 y
1 0,002681 0 0,410784 0 7,1876E-06 0 0,001101 0
2 0,002532 -0,080126 1,077048 -0,000203 6,4092E-06 0,006420 0,002727 -0,086300
3 0,002740 0,139762 0,256965 0,000383 7,5061E-06 0,019533 0,000704 0,035914
4 0,002500 -0,139262 1,176190 -0,000348 6,2500E-06 0,019394 0,002940 -0,163799
5 0,002469 0,048790 1,518638 0,000120 6,0966E-06 0,002380 0,003750 0,074095
6 0,002577 -0,287682 0,641327 -0,000741 6,6426E-06 0,082761 0,001653 -0,184498
7 0,002439 -0,597837 1,022451 -0,001458 5,9488E-06 0,357409 0,002494 -0,611259
8 0,002632 -0,430783 0,227136 -0,001134 6,9252E-06 0,185574 0,000598 -0,097846
Σ 0,020569 -1,347138 6,330539 -0,003381 5,2966E-05 0,673472 0,015967 -1,033693
Dalam hal ini: y = ln r ; x1 = 1/T ; dan x2 = ln CA
Dalam bentuk perkalian matriks:
⎡ n
⎢ ∑x ∑ x ⎤⎥ ⎡⎢a ⎤⎥ ⎡⎢ ∑ y ⎤⎥
1 2 0
⎢ ∑ x1 ∑ x ∑ x x ⎥ ⎢a ⎥ = ⎢∑ x y ⎥
2
1 1 2 1 1
⎢ x
⎢⎣∑ 2 ∑ x x ∑ x ⎥⎥⎦ ⎢⎢⎣a ⎥⎥⎦ ⎢⎢⎣∑ x y ⎥⎥⎦
2
2 1 2 2 2
Sebagai alternatif, jika menggunakan program EXCEL SOLVER, diperoleh hasil sbb:
2
⎛ ⎞
⎜ k exp⎛⎜ − E ⎞⎟ C n − r ⎟
⎜ ⎝ RT⎠ ⎟
0 A
⎝ ⎠
∑ (error r )^2
INTERPOLASI LINIER
Interpolasi linier, yang merupakan bentuk interpolasi paling sederhana, menggunakan dua titik
data (data points) untuk mengembangkan pendekatan linier terhadap fungsi yang ditinjau. Tinjaulah
2 titik data (x1, f(x1)) dan (x2, f(x2)). Ekspansi deret Taylor untuk f(x) di sekitar x1:
( x − x1 ) 2
f ( x) = f ( x1 ) + ( x − x1 ) f ' ( x1 ) + f ' ' ( x1 ) + ... ... (25)
2
CONTOH 5#:
Berikut adalah data-data yang diambil dari tabel saturated steam:
Suhu (oF) Entalpi saturated steam (BTU/lb)
240 1160,6
260 1167,4
Dengan interpolasi linier, perkirakan besarnya entalpi saturated steam pada 252oF!
PENYELESAIAN:
Dengan menerapkan persamaan (27) ke dalam kasus ini, maka:
1167,4 − 1160,6
H (T ) = 1160,6 + (T − 240)
260 − 240
1167,4 − 1160,6
Pada T = 252oF: H (T ) = 1160,6 + (252 − 240) = 1164,7 BTU/lb
260 − 240
CONTOH 6#:
Perkirakanlah harga ln 2 dengan interpolasi linier! Gunakan 2 titik data: ln 1 = 0 dan ln 6 =
1,791759. Ulangi perhitungan, tetapi lakukan dalam rentang ln 1 = 0 dan ln 4 = 1,386294.
PENYELESAIAN:
Sebagai catatan, nilai yang sebenarnya: ln 2 = 0,6931472
Interpolasi pertama (pada rentang x = 1 dan x = 6):
ln 6 − ln 1 1,791759 − 0
ln 2 = ln 1 + (2 − 1) = 0 + (1) = 0,3583519
6 −1 6 −1
0,3583519 − 0,6931472
(Error terhadap nilai sebenarnya, ε t = .100% = 48,3% )
0,6931472
Interpolasi kedua (pada rentang x = 1 dan x = 4):
ln 4 − ln 1 1,386294 − 0
ln 2 = ln 1 + (2 − 1) = 0 + (1) = 0,4620981
4 −1 4 −1
0,4620981 − 0,6931472
(Error terhadap nilai sebenarnya, ε t = .100% = 33,3% )
0,6931472
CONTOH 7#:
Perkirakanlah harga ln 2 dengan interpolasi kuadrat! Gunakan 3 titik data berikut:
x0 = 1 f (x0) = 0
x1 = 4 f (x1) = 1,386294
x2 = 6 f (x2) = 1,791759
PENYELESAIAN:
Dengan menerapkan persamaan (29): b0 = 0
1,386294 − 0
Dengan persamaan (30): b1 = = 0,4620981
4 −1
1,791759 − 1,386294
− 0,462091
Dengan persamaan (31): b2 = 6 − 4 = −0,0518731
6 −1
Substitusikan nilai-nilai b0, b1, dan b2 ke (28) menghasilkan:
f ( x) = 0 + 0,4620981 ( x − 1) − 0,0518731 ( x − 1) ( x − 4)
Pada x = 2:
f (2) = 0 + 0,4620981 (2 − 1) − 0,0518731 (2 − 1) (2 − 4) = 0,5658444
Jadi, dengan interpolasi kuadrat, diperoleh: ln 2 = 0,5658444
0,5658444 − 0,6931472
(Error terhadap nilai sebenarnya, ε t = .100% = 18,4% )
0,6931472
1.6
f (x) = ln x
1.4
Nilai
1.2 sebenarnya
1
0.8
Hasil interpolasi kuadrat
•
0.6 •
0.4
•
Hasil interpolasi linier
0.2
0 x
0 1 2 3 4 5 6 7
(Bandingkan hasil ini dengan hasil yang diperoleh dengan interpolasi linier, pada contoh
sebelumnya, contoh #6...)
[
bm = f xm , xm−1 ,……, x1 , x0 ] ... (36)
Perhitungan di dalam kurung siku pada persamaan-persamaan (33), (34), (35), dan (36) menggunakan
beda-terbagi hingga (finite divided-differences). Secara umum, first finite-divided difference
dinyatakan sbb.:
f ( xi ) − f ( x j )
f ⎡ xi , x j ⎤ = ... (37)
⎢⎣ ⎥⎦ xi − x j
Second finite divided-difference, yang menggambarkan perbedaan dua first finite-divided difference,
secara umum dinyatakan sbb.:
f ⎡ xi , x j ⎤ − f ⎡ x j , xk ⎤
⎢⎣ ⎥⎦ ⎢⎣ ⎥⎦
f ⎡ xi , x j , xk ⎤ = ... (38)
⎢⎣ ⎥⎦ xi − xk
Dan seterusnya, finite divided-difference ke-m dapat dinyatakan sbb.:
[
f xm , xm−1 ,…, x1 , x0 = ] f [x , x
m m−1 ] [
,…, x1 − f xm−1 , xm−2 ,…, x0
xm − x0
] ... (39)
Persamaan (37) – (39) memperlihatkan perhitungan yang bersifat rekursif, yang berarti bahwa finite-
divided difference yang lebih tinggi disusun dari finite-divided difference yang lebih rendah, seperti
tersaji dalam contoh skema berikut ini:
CONTOH 8#:
Ulangi contoh sebelumnya, perkirakanlah harga ln 2 dengan interpolasi polinomial Newton
berorde-tiga (interpolasi kubik)! Gunakan 1 titik data tambahan berikut:
x3 = 5; f (x3) = 1,6094379
PENYELESAIAN:
Polinomial berorde-tiga (persamaan kubik) dapat dituliskan sebagai:
f ( x) = b0 + b1 ( x − x0 ) + b2 ( x − x0 ) ( x − x1 ) + b3 ( x − x0 ) ( x − x1 ) ( x − x2 )
First finite-divided difference untuk kasus ini:
[ ]
f x1 , x0 =
1,386294 − 0
4 −1
= 0,46209813 = b1
[ ]
f x2 , x1 =
1,791759 − 1,386294
6−4
= 0,20273255
[ ]
f x3 , x2 =
1,6094379 − 1,791759
5−6
= 0,18232160
Second finite-divided difference:
[ ]
f x2 , x1 , x0 =
0,20273255 − 0,46209813
6 −1
= −0,051873116 = b2
[ ]
f x3 , x2 , x1 =
0,18232160 − 0,20273255
5−4
= −0,020410950
[ ]
f x3 , x2 , x1 , x0 =
− 0,020410950 − (−0,051873116)
5 −1
= 0,0078655415 = b3
0,62876869 − 0,6931472
(Error terhadap nilai sebenarnya, ε t = .100% = 9,3% )
0,6931472
1.8
1.6 f (x) = ln x
1.4
1.2
Nilai
sebenarnya
1
0.8
••
0.6
Hasil interpolasi
0.4 kubik
0.2
0 x
0 1 2 3 4 5 6 7
(Bandingkan hasil ini dengan hasil yang diperoleh dengan interpolasi linier maupun interpolasi
kuadrat pada 2 contoh sebelumnya, contoh 6# dan 7#)
Interpolasi polinomial Lagrange merupakan perumusan ulang dari polinomial Newton yang tidak
menggunakan metode finite-divided difference. Secara umum, untuk sebuah polinomial berorde m:
m
f ( x) = ∑ Li ( x) . f ( xi ) ... (40)
i =0
m
x − xj
dengan: Li ( x) = ∏ ... (41)
j =0 xi − x j
j ≠i
∏ menunjukkan “hasil kali dari” (product of). Misal, untuk polinomial berorde satu (linier):
x − x1 x − x0
f ( x) = f ( x0 ) + f ( x1 ) ... (42)
x0 − x1 x1 − x0
Untuk polinomial berorde dua (kuadrat):
( x − x1 ) ( x − x2 ) ( x − x0 ) ( x − x2 ) ( x − x0 ) ( x − x1 )
f ( x) = f ( x0 ) + f ( x1 ) + f ( x2 ) ... (43)
( x0 − x1 ) ( x0 − x2 ) ( x1 − x0 ) ( x1 − x2 ) ( x2 − x0 ) ( x2 − x1 )
Demikian seterusnya. Pada metode ini, untuk polinomial berorde m, juga diperlukan sejumlah
(m+1) titik data.
CONTOH 9#:
Gunakan interpolasi polinomial Lagrange orde pertama dan orde kedua untuk menghitung
harga ln 2, berdasarkan 3 titik data berikut ini (sama dengan contoh sebelumnya):
x0 = 1 f (x0) = 0
x1 = 4 f (x1) = 1,386294
x2 = 6 f (x2) = 1,791759
PENYELESAIAN:
Formula interpolasi polinomial Lagrange orde pertama:
x − x1 x − x0
f ( x) = f ( x0 ) + f ( x1 )
x0 − x1 x1 − x0
2−4 2 −1
Pada x = 2: f (2) = (0) + (1,386294) = 0,4620981
1− 4 4 −1
LATIHAN SOAL:
1. Jika Anda mempunyai pasangan data-data x dan y, bagaimana cara Anda melinierisasikan bentuk-
bentuk persamaan empirik berikut ini untuk memperoleh harga-harga parameter a dan b?
1 ⎛ x ⎞
(a) = exp ⎜ ⎟
y ⎜ a+b x⎟
⎝ ⎠
(b) ln y = a x e + b x
x
( )
(c) y − x − b = 4 a x 1 2
2. Jika tersedia sekumpulan data-data (x, y) berikut dan diasumsikan bahwa: y = a0 + a1 x
x 0,9 2,3 3,3 4,5 5,7 6,7
y 1,1 1,6 2,6 3,2 4,0 5,0
tentukan besarnya a0 dan a1.
3. Lakukan curve-fitting untuk menentukan bentuk korelasi yang terbaik dari data-data berikut ini:
x 0 0,43 1,25 1,40 2,60 2,90 4,30
y 9,4 7,1 5,35 4,20 2,60 1,95 1,15
5. Viskositas (μ) air, dalam centi-Poise, yang diukur pada berbagai suhu T, dalam oC, disajikan
dalam tabel berikut ini:
T (oC) 10 20 30 40 50 60 70
μ (cP) 1,308 1,005 0,801 0,656 0,549 0,469 0,406
Dengan menggunakan multiple linear regression, tentukan tetapan-tetapan yang bersesuaian
1
dengan persamaan model: = k1 + k 2 T + k3 T 2
μ
b
6. Persamaan Antoine dapat dituliskan sebagai: log P o = a +
T +c
o
dengan P [=] atm, T [=] Kelvin, serta a, b, dan c menyatakan tetapan-tetapan Antoine. Tentukan
tetapan-tetapan Antoine untuk oksigen dari data-data berikut ini:
P (atm) 1 2 5 10 20 30 40
T (oC) -183,1 -176,0 -169,5 -153,2 -140,0 -130,7 -124,1
8. Berikut adalah data tekanan uap murni benzena pada berbagai suhu:
Suhu (oC) -1,6 7,6 15,4 26,1 42,2 60,6
Tekanan uap (mm Hg) 20 40 60 100 200 400
Perkirakan besarnya tekanan uap murni benzena pada 25oC menggunakan:
(a) Interpolasi linier
(b) Interpolasi kuadrat
(c) Interpolasi kubik
9. Data berikut ini menunjukkan profil indeks bias larutan sukrosa pada berbagai konsentrasi yang
diukur pada suhu 20oC.
Persen sukrosa 10 15 20 25 30 35
Indeks bias 1,3479 1,3557 1,3639 1,3723 1,3811 1,3902
Perkirakan konsentrasi larutan sukrosa yang mempunyai indeks bias sebesar 1,3606 dengan
menggunakan:
(a) Interpolasi linier
(b) Interpolasi kuadrat
(c) Interpolasi kubik
10. Sebuah reaksi heterogen mempunyai persamaan kecepatan reaksi yang mengikuti model kinetika
Langmuir-Hinshelwood:
k1 PA
r=
(1 + K A PA + K R PR ) 2
Gunakan data-data berikut ini, yang diukur pada suhu 400 K, untuk memperkirakan besarnya k1,
KA, dan KR.
PA 1 0,9 0,8 0,7 0,6 0,5 0,4
PR 0 0,1 0,2 0,3 0,4 0,5 0,6
5
r x 10 3,4 3,6 3,7 3,9 4,0 4,1 4,2