BABIV INTERPOLASI DAN PENCOCOKAN KURVA Tekanan (4P3) 2S OS TT ‘Seorang pakar matematika terbesar sepanjang zaman Carl Friedrich GauB, lahir 30 April 1777 di Braunschweig, meninggal 23 Februari 1855 di Gottingen, (Gellert et al, 1969) 4.1 Pendahuluan Dalam komputasi rekayasa selalu dijumpai sejumlah data diskrit ataupun tabel yang berbentuk seperti berikut aT % (_¥ vi yn Ys Yn | Sumber data boleh saja dari hasil pengukuran eksperimen atau juga dari komputa- si mumerik, Ada perbedaan antara interpolasi dan pencocokan kurva. Dalam interpolasi kita membentuk kurva yang melalui n titik data tersebut, Sedangkan pencocokan kurva dilakukan kepada data yang memuat sebaran, yang biasanya diakibatkan oleh kesalahan pengukuran, Dalam hal ini kita akan mencari suatu kurva mulus yang dapat menghampiri data tersebut dalam suatu pengertian tertentu, Oleh karenanya, kurva yang dihasilkan tidak harus melalui titik-titik yang diberikan. Kasus ini banyak dijumpai dalam penaksiran nilai dengan suatu pendekatan hasil. Dalam Bab ini dibicarakan metode untuk menaksir nilai di antara nilai-nilai data yang diketahui dengan cara interpolasi. Metode tersebut dilakukan dengan dua cara, yaitu meng- Prof. Dr. Tulus, M.Si, ~ Metede Numerik Persamaan Taklinier 47gunakan polinomial yang melalui keseluruhan titik data, Ada dua metode yang akan di- gunakan dalam membangun polinomial tersebut. Antaranya apa yang disebut polinomial Lagrange dan polinomial Newton. Sementara metode untuk interpolasi yang lain akan di- Jakukan dengan apa yang disebut Spline kubik, yang menggunakan polinomial-polinomial kubik di setiap sub interval dari interval utama yang dibangun oleh nilai x Misalkan diberikan sejumlah N +1 titik (x, yo), (ti, 90) °+> » Cavs ¥w), dan ingin dicari koefisien dari polinomial berderajat-N yang melalui titik-titik tersebut, yaitu: Py(X) = dg + ayx+ ax? +++ bay a) Koefisien-koefisien tersebut dapat diperoleh dengan menyelesaikan sistem persamaan line ar berikut, ay + Nya + xBay +--+ May = Yo ay + ma, tata, + tay = 91 (4.2) ay + aya, +a, to ay = yw Menggunakan cara ini, ketika jumlah titik data menaik, maka jumlah variabel yang tak diketahui dan persamaan, konsekuensinya hal ini mungkin tidak mudah menyelesaikannya 4.2 Apa itu interpolasi? Interpolasi dapat dipandang sebagai sebuah proses dalam memperkirakan nilai dari suatu fungsi y = f(x) yang sesuai dengan nilai dari x yang berada di antara dua titik yang diketahui, Proses ini juga dapat dinyatakans sebagai pembuatan titik data baru di dalam suatu daerah dari sejumlah diskrit titik data yang diketahui, Dalam hal ini kita juga dapat ‘menyatakan nilai suatu fungsi untuk sejumlah terbatas nilai dari variabel tak bebas y. Sejal- an dengan istilah interpolasi, tentu juga biasa dibicarakan istilah ekstrapolasi, yaitu proses penghitungan nilai yang tak diketahui di antara titik-titik data yang diberikan, Aplikasi dari teknik interpolasi digunakan untuk mencari fungsi analitik f(x0) yang ‘melalui sehimpunan titik yang diberikan dan menggunakan fungsi tersebut untuk menevalu- asi nilai x yang diinginkan, Teknik ini merupakan batu landasan dari banyak aplikasi yang digunakan di dalam bidang saains, ckonomi dan rekayasa. Kebanyakan ukuran di jaman moderen merupakan diskrit di alam dan kita tidak mempunyai fungsi analitik untuk me- nyatakan himpunan ukuran ini. Di dalam kasus ini, interpolasi dan ekstrapolasi digunakan untuk mencari fungsi tersebut.Interpolasi dan ekstrapolasi bereran penting untuk mencari suatu fungsi umum atau suatu nilai pendekatan yang disyaratkan untuk keadaan perantara, seperti misalnya pusat data cuaca yang mengukur suhu untuk sediap jam dari suatu hari merupakan interpolasi ‘Tetapi perkiraan suhu untuk hari berikutnya merupakan ekstrapolasi 4.3 Interpolasi Polinomial dengan Metode Lagrange Metode Lagrange (mengikut dari nama Joseph Louis Lagrange) pertama kali dite- mukan oleh Edward Waring (1779) dan kemudian ditemukan kembali oleh Leonhard Euler (1783). Dengan memperhatikan bahwa untuk sembarang himpunan titik data yang diberik- an, hanya ada satu polinomial (dengan derajat terkecil yang mungkin) yang menginterpolasi titik-titik tersebut. Dengan demikian, lebih sesuai menyebut bentuk Lagrange dari polino- ‘mial interpolasi, daripada menyebut polinomial interpolasi Lagrange. Misalkan diberikan sejumlah N + 1 titik (x0, yo), (x1, YDs°*+ » Quy, Yu), dengan xj # 2x, untuk i # j. Polinomial interpolasi dalam bentuk Lagrange merupakan kombinasi linear Lay = Dy) 43) a dari polinomial-polinomial basis Lagrange 1) = (44) MM HAL AW Sebagai contoh, jika n = 2, maka polinomial interpolasi merupakan garis lurus P,(x) yolo(x) + yifi(x), dengan fo(x) = 2% dan f(x) = , maka interpolasinya adalah parabola P2(x) = fox) = ES dan f(x) Jikan = oC) + yrli(a) + yola(2), dengan Dari contoh-contoh di atas terlihat bahwa, setiap polinomial basis berderajat N, jika data yang diberikan sebanyak N + 1, sehingga polinomial interpolasi merupakan polinomial derajat V, Contoh 4.2.1 Misalkan diberikan empat titik data seperti berikut x{ of 2] 3] 5]Tabel 4.3.1: Contoh Polinomial Lagrange Untuk menginterpolasi nilai-nilai y ketika nilai x di antara interval (0, 5) dilakukan seperti berikut. Jumlah titik data yang diketahui ada empat, sehingga polinomial yang dicari adalah berde- rajat tiga P3(x) = Yolo + WhO) + y2h) + yh) dengan 10x? + 31x -30 by) = = &=Oe= He Bx? 4 15x ho = Spay as) hoy = EAM DU= = 7x + 10x 2 = B-OG-DG—5) 6 h(@) (x- 0) - 2)(x - 3) Sx +6x BO = BOG 2HS—3) 30 Dengan menggunakan nilai y dari persoalan dan nilai setiap (x) yang baru diperoleh dalam (4.5) di atas, kita perolch polinomial derajat tiga, Pax) Yolo(x) + Yili) + Yala) + ysl) 28-107 + 31x-30 x 8x4 Se Tx + 10 a ee ee ee ed 2 _ 48 561) ~ 3°66 2)" 3,1 = tae txt? (4.6) Visual dari grafik polinomial p(x) beserta plot pasangan titik yang diketahui di atas diperlihatkan pada Gambar (4.1 ).3/10) + 15x? +0.2x +2 —pe Gambar 4.1. Titik-ttik (x,y) yang diketahui dan polinomial yang diperoleh Dengan bantuan perangkat lunak MATLAB, visualisasi dari polinomial P;(x) dan pa- sangan titik-titik (x, y) dapat juga dilakukan sebagai berikut: >> x= [0235]; y= [2683]; >> xx = 0:0.1:55 >> p3 = (-3/10)*xx. “341. S*xx.7240.2*xK+2; >> hold on >> grid on; >> plot (xx,p3,'b’, x,y,"0") Gambar 4.2. = Titik-titik (x,y) yang diketahui dan polinomial menggunakan MATLABGambar (4.2) menunjukkan plot dalam bentuk bulatan dari empat titik yang dibe- rikan, Plot polinomial yang diperoleh menggunakan metode Lagrange merambat melalui setiap titik yang diketahui tersebut. Rambatan dari setiap titik-titik polinomial tersebut me- rupakan hasil interpolasi. ‘Untuk persoalan dengan sejumlah besar titik yang diketahui, cara di atas tidaklah mu- dah dilakukan secara manual, Hal ini dikarenakan dalam setiap bentuk Lagrange terdapat sejumlah N faktor, apabila diketahui N +1 titik yang diketahui, Untuk memudahkan peng- hitungan, sebaiknya dibangun program dan dilakukan dengan bantuan komputer. Bagian berikut akan ditunjukkan bagaimana membangun program untuk menentukan polinomial Lagrange. 4.3.1 Pemrograman untuk menentukan polinomial Lagrange ‘Membangun program dari metode Lagrange dapat berbentuk fungsi dengan argumen input array dari x dan y dengan ukuran sama panjang. Dari input yang diberikan, perlu diketahui panjang arraynya, Dengan Matlab dapat digunakan perintah length(x). Dalam pemrogram- an perlu dibangun dua loop, yaitu loop untuk penjumlahan yang terdapat dalam (4.3) dan Joop untuk perkalian yang terdapat dalam persamaan (4.4). Perkalian dalam (4.4) dapat dilakukan dengan perintah convolusi, conv(u,v), yang sama artinya dengan perkalian poli- nomial yang koefisiennya merupakan komponen dari vektor u dan v. function [1,L] Input : x = [x0 x1... xNJ, y = [yO yl... yN] lagrangep(x,y) Output: 1 = Koefisien polinomial Lagrange berderajat N % % % L = Polinomial koefieisn Lagrange N = length(x)-1; %derajat dari polinomial 1 for 3 end La@m,:) = 1 = 1+ y(m)*P; % polinomial Lagrange (4.3) ; % Polinomial koefisien Lagrange end Apabila program di atas digunakan untuk menyelesaikan persoalan seperti dalam contoh, maka dapat dilakukan seperti berikut.>> x= [0235]; y= [2 6 8 3]; >> 1 = lagrangep(x,y) >> xx = 0:0. >> yy = polyval(1,xx); >> hold on >> grid on; >> plot(xx,yy,"b’, x,y,'0") Dari penggunaan program metode Lagrange diperoleh hasil seperti berikut: >> 1 = lagranp(x,y) l= -0. 3000 1.5000 2000 2.9090 Terlihat bahwa koefisien-koefisien yang diperoleh dari program sama dengan koefisien yang diperoleh dari penghitungan secara manual, yaitu dalam persamaan (4.6), P3(x) = —3x + $+ bx +2. Kemudian, gambar grafik yang ditampilkan adalah sama seperti dalam Gambar (4.1), 4.4 Interpolasi Polinomial dengan Metode Newton Penurunan rumus menggunakan metode Lagrange mudah untuk diingat, yaitu dengan memperhatikan kombinasi linear dari bentuk-bentuk Lagrange di dalam polinomial yang akan digunakan sebagai interpolasi nilai, Namun, untuk jumlah data titik yang relatif besar, pengerjaan secara manual akan menjadi sulit. Selain itu, dengan jumlah data titik yang cukup banyak, walaupun dikerjakan dengan bantuan akan membuat pengerjaan komputer cukup berat, karena jumlah operasi yang dilakukan menjadi sangat banyak. Salah satu interpolasi yang digunakan sebagai alternatif mengurangi kesulitan penghitungan manual adalah metode Newton. Untuk menurunkan metode Newton, kita misalkan sekali lagi diketahui sejumlah N+ 1 titik (xo, ¥0), G1, 91),""* ,Qiy, yn), dan ingin dicari koefisien dari polinomial berderajat-V yang melalui titik-titik tersebut, yaitu: Pr) dg + ay(X— X9) + aa(x — Xo)(X— x1) 4 + ay (X= XX 4) (e~ xy) Py-i(a) + ay(x = x0) = x4) eV = 1) 42)Dalam metode ini harus dicari koefisien polinomial py(x) seperti dalam persamaan (42), yaitu a), (7 = 0,1,-++ ,.N), yang melalui semua titik (x,y), @ = 0, 1,--+ ,.M), yang. diketahui, Dalam persamaan (4.7) terlihat bahwa bentuk polinomial py(x) tersebut dapat dinyatakan sebagai bentuk rekursif, dengan p(x) = dp yang diperolch ketika py(x) dike- nakan pada xp, yaitu py(%o) = do Dengan menggunakan polinomial dalam (4.7), dapat dicari semua koefisien a, yang dimulai dari p,(x) = ap. Koefisien a, dicari dari bentuk polinomial p;(x), yaitu Pula) = polx) + a(x — Xp) = ag + ay(x — x9) (4.8) Karena pi(x) harus melalui (xo, yo) dan (x1, 1), maka diperoleh persamaan berikut, Pil) = ao + a1(X0 — Xo) = do = Yo (4.9a) dan [resume] Pur) = ao + ay(x1 = %0) = yo + aC ~ 0) = (4.10) Dari persamaan (4.9a) diketahui bahwa a) =o (4.11a) Dan dari persamaan (4.9) diperoleh bahwa yp + a(x; ~ x9) = yi, atau dengan mengubah susunannya diperoleh [resume] (4.12a) Dari persamaan (4.10a) dan (4.10b) telah dapat diketahui dua koefisien yaitu ay dan ay Koefisien a; dan seterusnya dapat dilakukan dengan cara yang serupa yang dilakukan secara rekursif. Koefisien a, dicari dengan melakukan dengan menggunakan persamaan seperti berikut Pr(X) = Pil) + a(x XX =X) = ag + aX — Xo) + a(x = XK m1) (4.13) Koefisien ap dan a, adalah sama dengan koefisien yang diperoleh sebelumnya, Karena po- Tinomial p;(x) dalam persamaan (4.11) juga melalui titik (xp, yo) dan (x,y). Kemudian, dengan memperhatikan bahwa polinomial p(x) juga melalui (x, y2, dapat ditentukan koe-fisien a; dengan mengenakan p(x) pada x, seperti berikut: Pr(%2) = ao + ay (2 — Xp) + a2 — Xo)(X2 — 1) =! Ya (4.14) Secara sama, dengan mengubah susunannya pada persamaan (4.12) diperoleh a Dfo G2—%) Ga = 0) =: D*fy (4.15) Dengan membentuk secara umum rumusan dari persamaan (4,12) dan (4.13) dapat ditu- liskan rumus beda (difference) ke-i, dimana (j = 2,--- ,N), untuk menentukan a), dimana G=2, D" fy =: D'fo, @= 2,--- ND (4.16) Penggunaan dari rumusan ini untuk praktis secara manual dapat dilakukan menggunakan tabel, yang biasanya disebut tabel beda, seperti Tabel 4.4.2 x vy Df Df, DNS, xo | x | Ph = x v1 Df x | yo Dh yet XN Tabel 4.4.2: Tabel Diferensi Contoh 4.3.1 Misalkan diberikan empat titik data yang sama seperti dalam contoh 4.2.1 berikut:x] 0, 2] 3] 5] yf 2, sf 8[ 3] ‘Untuk menginterpolasi nilai-nilai y ketika nilai x di antara interval (0, 5) dilakukan penghi- tungan beda ke-i dalam tabel 4,2. x] yi Di. Df, 0 Dfy = 2 =2 2 Df a{_8 [DA 3] 3 Dari penghitungan dalam tabel di atas diperoleh bahwa Koefisien untuk polinomial derajat tiga adalah dy = 2,0) = 2,a, = 0, danas = -3/10 ain Oleh karena polinomialnya adalah 3 ps2) = 2+ 2a ~ 0) + OK — OVX 2) ~ Tha Ox 2VlK—3) = 2e2x-3 py Be_ By 3p y3ey! = 2+dx- Ge + gr tgetget2 (4.18) Dari persamaan (4.16) terlihat bahwa polinomial yang diperoleh dari metode Newton ada- Jah sama dengan yang diperoleh dari metode Lagrange, Apabila kita membandingkan penurunan kedua rumusan dari metode Lagrange dan metode Newton diketahui bahwa penurunan metode Newton relatif lebih rumit. Namun demikian, penghitungan yang dilakukan setelah diperoleh rumusannya, metode Newton relatif lebih efisien dibanding metode Lagrange. 4.4.1 Pemrograman untuk menentukan polinomial Newton Program dari metode Newton dibangun berdasar proses yang dilakukan untuk menentukan kolom-kolom dari tabel beda terbagi. Pertama ditetapkan kolom pertama dan kedua yang terdiri dari N + 1 komponen-komponen array x dan array y. Selanjutnya dihitung beda terbagi pertama untuk kolom ketiga seperti dalam tabel beda terbagi yang berjumlah NV. Pe- ngerjaan serupa dilakukan untuk menentukan beda terbagi untuk order lebih tinggi, sampai didapatkan beda terbagi order N. Dengan demikian proses yang dilakukan adalah sebanyak N+(N-14- +12 NW 41/2. function [p,DD] = newtonp(x,y) Input : x = [x0 x1 xN] % y= (yo yt yw] Xoutput: p = Koefisien polinomial Newton berderajat NN = length(x)-1; DD = zeros(N + 1,N + 1); DDC1:N + 1,1) = y; for k = Nad :N+2-k &Tabel Beda Terbagi DDGm,k) = (DD(m + 1,k - 1) - DDGm,k - 1))/GcGm + k - 1)- xGm)); end for m= end a = DDC1,:) Pp = a(Nt1); for k = N:-1:1 p = [p ack)] - [8 p*xCk)]; end Apabila program di atas digunakan untuk menyelesaikan persoalan seperti dalam conto, maka dapat dilakukan seperti berikut. >> x= [0235]; y= [268 3]; >> p = newtonp(x,y) >> xx = 0:0.1:5; >> yy = polyval (p,xx); >> hold on >> grid on; >> plot(xx,yy,"b", x,y,’0") Dari penggunaan program metode Newton diperoleh hasil seperti berikut: >> p = newtonp(x,y) a= 2.0999 2.9000 8 p= -0.3000 1.5000 0.2000 2.9000 Hasil a di atas sesuai dengan persamaan (4.15) dan p sesuai dengan persamaan (4.16) Dengan demikian, polinomial yang diperoleh adalah sama dengan polinomial dari metode Lagrange. 4.5 Kekurangan Interpolasi menggunakan pendekatan polinomialInterpolasi menggunakan pendekatan dengan membangun polinomial yang melalui seluruh titik pasangan (x,y) yang diberikan mempunyai beberapa keterbatasan. Apabi- Ja data yang diberikan cukup banyak, maka diperoleh polinomial berderajat yang tinggi. Akibatnya turunan pertama yang merupakan kemiringan pada setiap titik cenderung mem- punyai derajat yang tinggi. Dengan demikian galat nilai yang dihasilkan pada nilai-nilai interpolasi dari polinomial akan menjadi besar. Untuk menjelaskan galat yang diakibatkan dari polinomial interpolan kita berikan contoh berikut. Andaikan kita diberikan sejumlah data dari titik-titik hubungan antara (x, y) dari suatu fungsi 1 Vin Grafik fungsi tersebut beserta 13 titik yang dilaluinya ditunjukkan seperti dalam Gambar 42. y= fy= WR 6 » fo-tn(%) yang masing-masing bentuk kubik dengan koefisien-koefisien yang tidak sama, : fal) rae ME wal ota B, Be x . Gambar 4.6: Spline kubik di setiap sub interval Kita perhatikan polinomial kubik berikut: Saws) = a8 + Bx? + eux + dy Karena polinomial ini melalui titik (x,y) dan titik (xj41, ¥éa.), maka kedua persamaan beri- ut adalah berlaku: fui) = axe + bux? + cx) + dy dan Piss inn) = akin? + Bixicn? + cixien + dh = Yin Kemudian, karena i berjalan dari 1 sampai n—, maka kita mempunyai sebanyak 2(n — 1) persamaan dengan 4(n — 1) yang nilai koefisien yang tak diketahui, Kita masih memer- lukan 2(n — 1) persamaan lagi untuk bisa mencari seluruh koefisien tersebut. Persamaan berikutnya ditentukan dari persyaratan, bahwa kemiringan satu polinom kubik adalah sama dengan kemiringan polinom di sebelahnya pada titik pertemuan intervalnya, Kemiringan polinomial pada suatu titik ditentukan oleh turunan pertamanya, yaitu Sli ) = Bap? + 2bjx +e,Dari sini kita mempunyai satu persamaan, yaitu: Shaws Gina) = 3aixdyy + 2bixigs + 6; = Baigrata + Wiyr ier + Chat = Ler gealnn) atau Baxiyy + 2bixias + 6 — SaisiX yy — Wiss xiss — cist =O Selain kemiringan, syarat kelengkungan satu polinom kubik adalah sama dengan keleng- kuungan polinom di sebelahnya pada titik pertemuan intervalnya diperlukan, Oleh karena- nya, secara sama kita mempunyai persamaan: 6a;x;.1 + 2b; = Gaiden + Di fia Gin Sisuain) atau 64,xj41 + 2B) — 6aje1%i-1 — 2g = 0 Karena jumlah titik tengah ada n — 2, maka sekarang kita mempunyai tambahan 2(n - 2) = 2n — 4. Dengan demikian, keseluruhannya kita mempunyai 2(n — 1) + 2n — 4 = 4n-6 = 4(n—1) ~ 2, Jadi sampai saat ini kita kekurangan 2 persamaan lagi. Dua persamaan terakhir ditentukan dengan menentukan bahwa kelengkungan di titik paling ujung nol, yaitu fiz) = 6ayx1 + 2b = 0 dan Fog (%n) = 605-1%p + 2p Penyelesaian dari 4(n— 1) persamaan dengan 4(n ~ 1) variabel yang belum diketahui dapat ditentukan menggunakan metode dari sistem persamaan linear. Contoh 4.4.1 Misalkan diberikan empat titik data seperti pada Contoh 4.2.1 x, oT 27 3] 5] yy 2] 6] 8] 3] ‘Untuk menginterpolasi nilai-nilai y ketika nilai x di antara interval (0, 5) dilakukan seperti berikut. Dari kasus ini, kita perlu mencari tiga buah polinom kubik, sebutlah f,2(x) ax + bye + ext dh, feaX) = a2 + by? + eax+ dy, dan fr4(x) = ax +d3x? + eyx+ dy Dengan demikian, jumlah persamaan yang diperlukan adalah 12. Syarat 1: Polinomial kubik setiap sub interval harus cocok dengan titik data yang diberikan, yait Si2(0) = 44.09 + by 0 + 4.04 dy =2 a Sia(2) = a) 2 + by. 2? + 01.24 d) = 6 @ frs(2) = 2.29 + by.2* + 62.2 + dr = 6 @) fia(3) = 2.39 + by.3* + 09.3 +d = 8 4)Sra) = 05.39 + bs 3? + 05.3 + ds = 8 © fra(S) = 03.5 + by S? + 05.5 + dy = 3 © ‘Syarat 2: Turunan pertama polinomial bertetangga adalah sama pada titik pertemuan, yaitu’ 3ay2? + 2b,2 + ¢; — 342" — 2b2 — a 3az3? + 2br3 + er —3ay3*— 2633-8 =0 (8) Syarat 3: Turunan kedua polinomial bertetangga adalah sama pada titik pertemuan, yaitu: 6a,2 + 2b, — 6a,2 — 2b, = 0 (9) 64:3 + 2bs — 6a33 ~ 2b = 0 (10) Syarat 4: Turunan kedua polinomial pertama pada titik pertama sama dengan nol, dan turunan kedua polinomial terakhir pada titik terakhir juga sama dengan nol yaitu: 6a,.0 + 2b, = 0 aly 6a35 + 2b; = 0 (12) Sistem persamaan linear ini dapat diselesaikan menggunakan metode eliminasi Gauss, atau dengan cara lain dari persoalan sistem persamaan linear, Ax = b yang secara notasi matriks seperti berikut. 0001 00 0 0 0 oOlfa 2 8421 00 0 0 0 OOs/h& 6 0000 42 1 0 0 00Jfe 6 000027 9 3 1 0 0 0 O};a 8 0000 0 00 0 27 9 31]fa 8 0000 0 0 0 0 125 25 5 by 3 2410-12 -4-1 0 0 oooljal fo 0000 27 6 10 -27 -6 -1 0 dy 0 12200 -12 -2 0 0 0 0 0 0]/a 0 0000 18 0 0 -18 -20 0]| a 0 0200 0 0 0 0 0 0 O}fe 0 0000 0 0 0 30 20044 0Dengan menyelesaikan sistem persamaan ini diperoleh nilai masing-masing koefisien se- bagai berikut fia) = 0.06432? + 0x? + 1.7429 +2 fis) = 0.9 +5.7857x* - 9.8286x + 9.7143 fra) = 0.385720 — 5.785727 + 24.8857x - 25 Gambar 4.6 menunjukkan ketiga grafik polinomial kubik yang digambarkan potong demi potong, dan hasilnya dibandingkan dengan grafing polinom yang diperoleh dari metode sebelumnya, yaitu metode Lagrange ataupun metode Newton, Hasil dari metode spline dan polinom sama-sama melewati titik-titik yang diberikan, Namun hasil interpolasinya menunjukkan hasil yang berbeda. 4 A Gambar 4.7: Hasil spline kubik dan perbandingan terhadap hasil polinom Dari persyaratan kelengkungan spline yang akan dibentuk, yaitu kelengkungan kurva kubik pada dua sub interval harus sama pada titik pertemuannya. Sebutlah sub interval [x;_1, x1] dengan [x;, xj] bertemu pada x,. Dengan demikian kelengkungan yang merupakan turun- an kedua dari kurva dari keduanya adalah sama di titik x). Ini beratti, jika kelengkungan tersebut adalah k, maka Firs) = fii Qa) = ki dengani = 2,3,---n— 1 (4.20) ‘Sementara pada kedua titik-titik ujung interval, kelengkungan diasumsikan adalah nol, ya-itu fix) =k = n(n) = 42) Karena kurva-kurva fi;.:(x) adalah kubik, maka ,,, merupakan kurva linear yang melalui titik (x;,y;) dan (2-1, yis1) dengan i = 1,2,--» ,2~ 1. Dengan demikian interpolasi Lagrange dapat digunakan yaitu Ses 2) = Kil) + Risilis De 4.22) dengan ti) = Satay = A dan = 1,26 n= pare aa Jadi, Soa Aoshi Sut (4.23) Pengintegralan dua kali bentuk (4.21) terhadap x akan memberikan bentuk f,;.1(x) yaitu Cake — 4) — Cokie D,-Dy fun) # Cb = CHET Ph 424) Ta Untuk penyedethanaan, bentuk (4.22) dapat ditulis sebagai wn) h(t) fios(x) = REP BE BD Ace 5) BO ad (425) O(%41 - ¥), Konstanta A dan B dapat dicari dengan mengenakan bentuk (4.23) pada x, dan xis1, seperti berikut als) = HRD _ Bey, — 50) = (4268) OO Soa dan [resume] Kirin = xi)” fain) = BAAD Agsas 4) = 3 G21) Dari (4.24a) dan (4.24b) masing-masing diperoleh pe Binsin) vy _KGA=3 ag 6 Gian)” Gin) 6dan [resume] Kis Qin = 4) x ee (4.29a) Dengan mensubstitusi A dan B dari (4.25a) dan (4.25b) ke (4.23) akan diperoleh fui) = Ki inn = 5) + Qin — x) ~ 6 Je *» Yi _ Kilts =x) lea-0 6 [SO atau fas) = A (e098 = Ger 094) it Tena (7 Gn ) > 2 moe (= it? = Gi — 9° - x) (4.30) bier = 4) = Ce Si) Gin =) Kelengkungan k; dari spline di dalam sub interval dapat diperoleh dari syarat kekontinu- an kemiringan, yaitu fi,,(x) = fijyj(%), dengan i = 2,3,-+-,n — 1. Dengan demikian diperoleh , kn , fin) = 4 a (3 = x? = (it = x’) oe (3 = 2141)? = Gi — 29?) 43) “Gua Schingga , kin k doa Foal) = ~~ a) ~F Qlsin — aD) + Kin Ki Jen ie -( +2) ~)* GeaD Gon) dan [resume] fated = Bea x Dh fi Yay (Fe ene BS 4289)Sehingga reuse) Hh + Bhd n= = of 4299) Ga + nahin $2000 alt 4.7 Pencocokan dengan Kuadrat Terkecil Dalam suatu sistem linier yang umum, masing-masing dari n persamaan bisa memuat semua n yang tidak diketahui dalam suatu kombinasi linier. MetoseBABY REGRESI DAN PENCOCOKAN KURVA, Tekanan (4P3) Wasa ns) ‘Seorang pakar matematika terbesar sepanjang zaman Carl Friedrich GauB, lahir 30 April 1777 di Braunschweig, meninggal 23 Februari 1855 i Gottingen (Gellert et al. 1969) Introduction of Regression, Regression vs Interpolation, Least squares method, Linear Regression, Non linear Regression by fitting Exponential and Polynomial 5.1 Pendahuluan Analisis regresi merupakan satu bagian dari matematika ataupun statistika yang ba- nyak digunakan di dalam perkembangan sains data. Masa sekarang ini perkembangan du- nia kecerdasan buatan (A/) banyak menggunakan teori regresi di dalam machine learning atau ML. Pada bagian ini akan dibahas dasar-dasar dari teori regresi yang digunakan untuk mewakili sekumpulan data, baik data yang dikumpulkan dari sampel ataupun yang telah tersimpan di dalam data besar. Tentunya data yang kita perhatikan bisa terdiri dari banyak variabel yang biasanya akan dicari hubungan di antara mereka Analisis regresi merupakan suatu bentuk teknik di dalam memodelkan prediksi yang memeriksa hubungan antara suatu variabel tak bebas dan variabel bebas. Variabel tak be- bas disebut juga variabel target dan variabel bebas biasa juga disebut prediktor. Hal ini merupakan alat penting untuk pemodelan dan penganalisaan data, Gambar (5.1. ) dan (5.4 ) memperlihatkan model perkiraan kurva, baik linier maupun tak linier yang mewakili se- Prof. Dr. Tulus, Mi, ~ Metode Numerik Regresi 67kumpulan data. 6 Linier 6 mn Linier 3 x Gambar 5.1 : Grafik regresi linier70 Tak Linier Gambar 5.2: Grafik regresi tak linier 5.2 Perbedaan Regresi dan Interpolasi Istilah interpolasi dan regresi memang berbeda pengertiannya, walaupun mereka sama- sama menggunakan sejumlah titik. Di dalam interpolasi disediakan sejumlah titik data, dan akan dicari kurva yang cocok terhadap hubungan input dan output secara persis. Di dalam interpolasi tidak dimungkinkan ada simpangan karena kurvanya memang dibentuk dari se- jumlah titik yang dilaluinya, Sementara, di dalam regresi, kita akan mencari suatu fungsi yang galatnya paling kecil. Fungsi yang digunakan biasanya yang paling sederhana yang, dapat mewakili sejumlah data tersebut, misalnya fungsi garis, fungi kuadratik, atau poli- nimial derajat n yang tidak (erlalu tinggi derajatnya. Tentang interpolasi telah dibahas di bagian sebelumnya, di bahagian ini hanya akan dibahas tentang regresi Misalkan kita diberikan sejumlah data yang hasil respons pengukuran variabel ¥ ter- hhadap variabel X seperti Tabel (4.3.1) berikut x oO 2 3 5 yf 2[ 6[ 8] 38 03,8) 6 (2.6) Gambar 5.3. : Titik-titik yang menggambarkan data, Dari contoh di bab sebelumnya, telah diperoleh polinomial yang sesuai dengan data ini adalah P3(x) = x? + $x? + dx + 2. Apabila grafik dari polinomial ini digabungkan kepada grafik data sebelumnya, maka diperoleh, 10 Gambar 5.4 : Penghampiran Regresi berbanding Interpolasi 5.2.1 Metode Perkiraan Parameter Metode perkiraan parameter merupakan proses yang memperkirakan nilai dari para- ‘meter model yang didasarkan pada pasangan-pasangan hasil observasi nilai dan memini-malkan fungsi objektif tertentu, Metode yang paling sering digunakan terhadap perkiraan parameter adalah seperti berikut. Minimumkan jumlah kuadrat galat (regtesi kuadrat terke- cil), yaitu: min)? = Yor fa), f= Lm 5.3 Metode Kuadrat Terkecil Metode kuadrat terkecil adalah suatu bentuk regresi matematis untuk suatu himpunan data, yang menyediakan suatu demonstrasi visual terhadap hubungan antara titik data. Di dalam metode inikita perlu meminimumkan fungsi tujuan atau fungsi galat berikut. De= Lo: SOY, §= 12,0 0. 5.3.1 Aplikasi Metode ini merupakan prosedur statistik untuk mencari kecocokan terbaik untuk suatu himpunan titik data dengan meminimumkan jumlah dari residu dari titik-titik dari kurva yang diplot. Metode ini digunakan untuk meprediksi tingkah laku variabel tak bebas. 5.4 Regresi Linier pencocokan suatu garis lurus adalah pendekatananalisis regresi yang paling sederha- na yang disebut regresi linier. Suatu garis lurus dapat dinyatakan dengan menggunakan persamaan matematika y = f(x) = a = bx, dimana a dan b adalah koefisien regresi yang ditentukan, Misalkan jumlah kuadrat dari galat individu dapat dinyatakan sebagai E=é rear =, Kita harus mencari Koefisien regresi a dan b demikian sehingga E minimum. Syarat x fi bx? perlu untuk E minimum adalah: Dari persamaan di atas, kita akan memperoleh: Thi a= bx)? a danKita bisa menyederhanakan persamaan di atas. dan dan 5.2) Persamaan (5.1) dan (5.2) dapat diselesaikan dengan pertama mengeliminasi a untuk men- dapatkan nilai b terlebih dahulu. Setelahnya ditentukan nilai a. Dengan cara trsebut akan. diperoleh nilai a dan b seperti berikut. iat Xi Di n Dotan YiXi © ia =n Lat dan a dihitung dengan taksiran garisnya Diy n Dengan demikian paatbe dapat dipilih sebagai garis regresi yang mewakili keseluruhan data dalam bentuk (x;,y,) Gambar (5.5) menggambarkan garis regresi yang berdasar penghitungan di atas.Gambar 5.5: Penghampiran Regresi berbanding Interpolasi 5.4.1 Algoritma Regresi Linier 1. Mulai 2, Baca jumlah titik, misalkan n. . Baca titik data yang diberikan, misalkan x, dan y,. 4. Cari jumlahan dari x, y, xy dan x7 seperti berikut: