PRAKTIKUM SENSOR TRANSDUSER PERCOBAAN 3 PEM-FITTING-AN DATA ( SIMULASI )

Disusun oleh : Agung Purnomo 11306141026

JURUSAN PENDIDIKAN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA 2013

A. Tujuan 1. Memfitting data dengan program MATLAB. 2. Merepresentasikan data tak linier menjadi bentuk linier. 3. Membiasakan dengan pem-fitting-an data secara linier.

B. Dasar Teori Beberapa metode yang digunakan untuk analisis time series adala metode garis linier secara bebas (free hand method), metode setengah rata-rata (semi average method), metode rata-rata bergerak (moving average method) dan metode kuadrat terkecil (least square method). Secara matematis, metode linear kuadrat terkecil adalah pemecahan sistem overdetermined persamaan linear , di mana pendekatan yang terbaik didefinisikan sebagai yang meminimalkan jumlah kuadrat perbedaan antara nilai data dan nilai-nilai dimodelkan sesuai mereka . Pendekatan ini disebut " linear " kuadrat terkecil. Metode linier kuadrat terkecil memiliki solusi bentuk tertutup yang unik , asalkan jumlah titik data yang digunakan untuk pemasangan sama atau melebihi jumlah parameter yang tidak diketahui , kecuali dalam situasi khusus merosot . Sebaliknya , masalah nonlinear kuadrat terkecil biasanya harus diselesaikan dengan prosedur iterasi, dan masalah dapat menjadi noncembung dengan beberapa optima untuk fungsi tujuan .

Dalam hal ini akan lebih dikhususkan untuk membahas analisis time series dengan metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis linier dari analisis time series adalah : Y = a + b X. Keterangan : Y : variabel yang dicari trendnya dan X adalah variabel waktu (tahun).

Sedangkan untuk mencari nilai konstanta (a) dan parameter (b) adalah : a = Y / N Dan b =(Yx)/X2

Metode least square (kuadrat terkecil) paling sering digunakan untuk meramalkan y, karena perhitungannya lebih teliti. Rumus mencari persamaan garis trend Y = +bx, = ()/n b =(x)/ x^2 Untuk melakukan perhitungan diperlukan nilai variabel waktu (x), jumlah nilai variable waktu adalah nol atau x=0. 1. Untuk n ganjil maka n= 2k+1 X k+1=0 Jarak antara 2 waktu diberi nilai satu satuan Diatas 0 diberi tanda negatif ( - ) Dibawahnya diberi tanda positif ( + ) 2. Untuk n genap maka n =2k X1/2 [k+(k+1)]=0 Jarak antara 2 waktu diberi nilai dua satuan Diatas 0 diberi tanda negatif ( - ) Dibawahnya diberi tanda positif ( + ) "Kotak Least " berarti bahwa solusi keseluruhan meminimalkan jumlah kuadrat dari kesalahan yang dibuat dalam hasil setiap persamaan tunggal. Aplikasi yang paling penting adalah dalam fitting data . Paling cocok dalam arti kuadrat- meminimalkan jumlah kuadrat residu , residu menjadi perbedaan antara nilai yang diamati dan nilai dilengkapi disediakan oleh model. Ketika data memiliki ketidakpastian substansial dalam variabel independen ( variabel 'x' ), maka regresi sederhana dan metode kuadrat terkecil memiliki masalah, metodologi yang diperlukan untuk pemasangan kesalahan in - variabel model dapat dianggap bukan bahwa untuk kuadrat terkecil. Masalah kuadrat terkecil jatuh ke dalam dua kategori : linear atau kuadrat terkecil biasa dan nonlinear kuadrat terkecil , tergantung pada ada atau tidak residual adalah linear dalam semua tidak diketahui . Dalam melinierkan persamaan kuadrat pada analisis statistik regresi, menghasilkan solusi bentuk tertutup. Sebuah solusi bentuk tertutup adalah setiap formula yang dapat dievaluasi dalam jumlah terbatas operasi standar. Masalah nonlinear tidak memiliki solusi bentuk tertutup dan biasanya diselesaikan dengan perbaikan iteratif. Pada setiap iterasi sistem didekati dengan satu linear sehingga perhitungan inti sama dalam kedua kasus .Ketika observasi berasal dari persamaan eksponensial yang kecil, nilai perkiraan kuadrat dan estimasi kemungkinan maksimum adalah identik. Metode kuadrat terkecil juga dapat diturunkan sebagai metode saat estimator. Saat menerapkan pendekatan iteratif kuadrat lokal untuk kemungkinan ( melalui informasi Fisher ) , metode kuadratterkecil dapat digunakan untuk model linier umum . Metode kuadrat dikreditkan oleh Carl Friedrich Gauss ( 1795 ), tapi pertama kali diterbitkan oleh Adrien - Marie Legendre. Dalam statistik dan matematika , linear

kuadrat terkecil adalah pendekatan model matematis atau statistik untuk nilai ideal yang disediakan oleh model untuk setiap titik data yang dinyatakan linear. Model yang dipasang dapat digunakan untuk meringkas data , untuk memprediksi nilai-nilai teramati dari sistem yang sama dan untuk memahami mekanisme yang mungkin mendasari sistem.
, ,

Persamaan linear yang rumit, seperti di sebut di atas, bisa ditulis dengan menggunakan hukum aljabar agar menjadi bentuk yang lebih sederhana. Seperti contoh, huruf besar di persamaan merupakan konstanta, dan x dan y adalah variabelnya.

dimana konstanta A dan B bila dijumlahkan, hasilnya bukan angka nol. Konstanta dituliskan sebagai A 0, seperti yang telah disepakati ahli matematika bahwa konstanta tidak boleh sama dengan nol. Grafik persamaan ini bila digambarkan, akan menghasilkan sebuah garis lurus dan setiap garis dituliskan dalam sebuah persamaan seperti yang tertera diatas. Bila A 0, dan x sebagai titik potong, maka titik koordinat-xadalah ketika garis bersilangan dengan sumbu-x (y = 0) yang digambarkan dengan rumus -c/a. Bila B 0, dan y sebagai titik potong, maka titik koordinat- y adalah ketika garis bersilangan dengan sumbu-y (x = 0), yang digambarkan dengan rumus -c/b.

di mana, a dan b jika dijumlahkan, tidak menghasilkan angka nol dan a bukanlah angka negatif. Bentuk standar ini dapat diubah ke bentuk umum, tapi tidak bisa diubah ke semua bentuk, apabila a dan b adalah nol.

dimana m merupakan gradien dari garis persamaan, dan titik koordinat y adalah persilangan dari sumbu-y. Ini dapat digambarkan dengan x = 0, yang memberikan nilai y = b. Persamaan ini digunakan untuk mencari sumbu-y, dimana telah diketahui nilai dari x. Y dalam rumus tersebut merupakan koordinat y yang anda taruh di grafik. Sedangkan X merupakan koordinat x yang anda taruh di grafik.

Dalam pengeplotan menjadi linier, data yang diplot tidak harus berwujud linier. Dengan bantuan komputer setiap data masukan seperti apapun dapat dipaksa menjadi linier. Dalam hal ini beberapa yang akan diplot linier adalah grafik eksponensial, hiperbolik, berpangkat dan logaritmis. Dalam fungsi dengan

pangkat variabel adalah konstan, sehingga fungsi ini termasuk ke dalam salah satu contoh fungsi aljabar. Sedangkan pada contoh yang kedua, yaitu variabelnya muncul sebagai pangkat atau eksponen. Fungsi ,

, merupakan

contoh sebuah fungsi yang bukan fungsi aljabar melainkan fungsi transenden, yaitu sebuah contoh fungsi eksponen. Suatu fungsi yang memuat variabel sebagai pangkat atau eksponen kita namakan fungsi eksponen. Fungsi eksponen adalah fungsi yang mempunyai bentuk umum f(x) = kax dengan k dan a adalah konstanta, a > 0, dan a 1. Secara simbolik, fungsi eksponen dapat ditulis dalam bentuk seperti berikut ini . Fungsi eksponen ini adalah salah satu fungsi yang cukup penting dalam matematika. Fungsi eksponen banyak sekali penerapannya, dan tidak hanya dalam matematika saja tetapi banyak pula berkaitan dengan pertumbuhan dan peluruhan. Selain itu nanti kita akan melihat, bahwa fungsi ini erat sekali hubungannya dengan fungsi logaritma. Contoh 1.3 (a). y = f(x) = 2x (fungsi eksponen) (b). y = f(x) = 1,5x (fungsi eksponen) (c). y = f(x) = xx (bukan fungsi eksponen) (d). y = f(x) = ex (fungsi eksponen) (e). y = f(x) = 1x (fungsi eksponen)

Sebagaimana telah disebut dalam membahas fungsi eksponen bahwa fungsi eksponen mempunyai kaitan yang erat dengan fungsi logaritma. Karena itulah pembahasan kedua fungsi transenden ini, disatukan dalam buku materi pokok ini. Sekarng kita perhatikan kembali fungsi eksponen . Setiap nilai x dari daerah

asalnya (domainnya) akan mempunyai satu peta (satu bayangan) y yang tertentu. Demikian pula untuk setiap satu peta y > 0, berasal dari satu prapeta x. Jadi, jelaslah bahwa fungsi eksponen itu adalah fungsi satu-satu. Karena fungsi eksponen adalah fugsi satu-satu, maka ia

akan mempunyai invers (balikan). Jika diberikan suatu fungsi f dan fungsi inversnya adalah fungsi , maka daerah asal f menjadi daerah hasil fungsi invers , dan

daerah hasil fungsi f menjadi daerah asal fungsi invers f -1. Hal ini berarti jika fungsi eksponensial, maka

adalah invers fungsi eksponen. Notasi fungsi logaritma. Jadi, logaritma. Jika a > 0 dan a 1, maka fungsi g(x) = fungsi logaritma. Fungsi logaritma g(x) = balikan (invers) dari fungsi eksponen dapat dinyatakan dalam bentuk yang disebut } adalah fungsi dengan x > 0 dinamakan dengan a > 0 dan , adalah

. Teorema ini dapat kita buktikan dan

dengan bantuan teorema-teorema atau sifat-sifat bahwa untuk x

, serta berdasarkan definisi fungsi invers dan (g o f)(x) = x. Sekarang (g o ) = . Jadi fungsi logaritma merupakan invers

f)(x) = f(g(x)) = f(

(balikan) dari fungsi eksponen. Dengan demikian menurut teorema ini grafik fungsi y = dapat kita peroleh melalui pencerminan grafik fungsi y = telah diketahui. terhadap garis

lurus y = x bila fungsi y =

C. Alat dan Bahan Laptop yang dilengkapi dengan program aplikasi MATLAB

D. Langkah Kerja: 1. Men-fitting data dalam bentuk least square. 2. Data dimasukkan dari tombol kunci (key board). 3. Berikut ini adalah contoh program MATLAB :

clear all; close all; clc; disp ('Program Least Square Data Fitting'); disp ('Masukkan data sekitar garis lurus'); ntitik = input ('Masukkan titik data [x,y]: '); for ii = 1:ntitik wadah = input ('Masukkan pasangan [x,y]: '); x(ii) = wadah (1); y(ii) = wadah (2); end sumx = 0; sumy = 0; sumx2 = 0; sumxy = 0; for ii = 1:ntitik sumx = sumx + x(ii); sumy = sumy + y(ii); sumx2 = sumx2 + x(ii)^2; sumxy = sumxy + x(ii)*y(ii); end xrerata = sumx/ntitik; yrerata = sumy/ntitik; miring = (sumxy - sumx*yrerata)/... (sumx2 - sumx*xrerata); ypotong = yrerata - miring*xrerata; disp ('Koefisien regresi garis least square : '); fprintf ('Kemiringan (m) = %8.3f\n', miring); fprintf ('Perpotongan (b) = %8.3f\n', ypotong); fprintf ('Nomor Titik = %8d\n', ntitik); plot hold xmin xmax ymin ymax plot hold (x,y,'bo'); on; = min (x); = max (x); = miring*xmin + ypotong; = miring*xmax + ypotong; ([xmin xmax], [ymin ymax], 'r-','linewidth',2); off;

title ('\bfLeast Square Fitting'); xlabel ('\bf\itx'); ylabel ('\bf\ity'); legend ('Data Masukan','Garis Fitting'); grid on

4. Merepresentasikan dalam bentuk linier dan fitting-lahdengan cara seperti di atas untuk data yang fungsi responnya berbentuk hiperbolik, eksponensial, bilangan berpangkat dan logaritmis. 5. Menulis dasar teori yang mendukung pem-fittingan data, khususnya untuk lest square data fitting 6. Memaknai masing-masing grafik.

E. Data Percobaan 1. Plot Linier a. Gambar

b. Hasil Perhitungan Program Least Square Data Fitting Masukkan Data Sekitar Garis Lurus Masukkan titik data [x,y]: 5 Masukkan pasangan [x,y]: [1.1 5.3] Masukkan pasangan [x,y]: [2.2 10.7] Masukkan pasangan [x,y]: [3.3 14.8] Masukkan pasangan [x,y]: [4.4 21.0] Masukkan pasangan [x,y]: [5.5 24.7] Koefisien regresi garis least square : Kemiringan (m) = 4.464 Perpotongan (b) = 0.570 Nomor Titik = >> 5

2. Plot Hiperbolik a. Gambar

b. Hasil Perhitungan Program Least Square Data Fitting Masukkan data sekitar garis lurus Masukkan titik data [x,y]: 10 Masukkan pasangan [x,y]: [1.1 0.4525] Masukkan pasangan [x,y]: [2.2 0.1712] Masukkan pasangan [x,y]: [3.3 0.0841] Masukkan pasangan [x,y]: [4.4 0.0491] Masukkan pasangan [x,y]: [5.5 0.0320] Masukkan pasangan [x,y]: [6.6 0.0224] Masukkan pasangan [x,y]: [7.7 0.0166] Masukkan pasangan [x,y]: [8.8 0.0127] Masukkan pasangan [x,y]: [9.9 0.0101] Masukkan pasangan [x,y]: [10.10 0.0097] Koefisien regresi garis least square : Kemiringan (m) = -0.033 Perpotongan (b) = 0.281 Nomor Titik = >> 10

3. Plot Eksponensial

c. Hasil Perhitungan Program Least Square Data Fitting Masukkan data sekitar garis lurus Masukkan titik data [x,y]: 10 Masukkan pasangan [x,y]: [1.1 3.0042] Masukkan pasangan [x,y]: [2.2 9.0250] Masukkan pasangan [x,y]: [3.3 27.1126] Masukkan pasangan [x,y]: [4.4 81.4509] Masukkan pasangan [x,y]: [5.5 244.6919] Masukkan pasangan [x,y]: [6.6 735.0952] Masukkan pasangan [x,y]: [7.7 2208.3480] Masukkan pasangan [x,y]: [8.8 6634.2440] Masukkan pasangan [x,y]: [9.9 19930.3704] Masukkan pasangan [x,y]: [10.1 24343.0094] Koefisien regresi garis least square : Kemiringan (m) = 2205.269 Perpotongan (b) = -7721.769 Nomor Titik = >> 10

4. Plot Logaritmis a. Gambar

b. Hasil Perhitungan Program Least Square Data Fitting Masukkan data sekitar garis lurus Masukkan titik data [x,y]: 10 Masukkan pasangan [x,y]: [1.1 0.0414] Masukkan pasangan [x,y]: [2.2 0.3424] Masukkan pasangan [x,y]: [3.3 0.5185] Masukkan pasangan [x,y]: [4.4 0.6435] Masukkan pasangan [x,y]: [5.5 0.7404] Masukkan pasangan [x,y]: [6.6 0.8195] Masukkan pasangan [x,y]: [7.7 0.8865] Masukkan pasangan [x,y]: [8.8 0.9445] Masukkan pasangan [x,y]: [9.9 0.9956] Masukkan pasangan [x,y]: [10.1 1.0043] Koefisien regresi garis least square : Kemiringan (m) = 0.094 Perpotongan (b) = 0.133 Nomor Titik = >> 10

5. Plot Bilangan Berpangkat a. Gambar

b. Hasil Perhitungan Program Least Square Data Fitting Masukkan data sekitar garis lurus Masukkan titik data [x,y]: 10 Masukkan pasangan [x,y]: [1.1 3.3484] Masukkan pasangan [x,y]: [2.2 11.2116] Masukkan pasangan [x,y]: [3.3 37.5405] Masukkan pasangan [x,y]: [4.4 125.6995] Masukkan pasangan [x,y]: [5.5 420.8883] Masukkan pasangan [x,y]: [6.6 1409.2897] Masukkan pasangan [x,y]: [7.7 4718.8227] Masukkan pasangan [x,y]: [8.8 15800.3622] Masukkan pasangan [x,y]: [9.9 52905.4511] Masukkan pasangan [x,y]: [10.1 65905.9573] Koefisien regresi garis least square : Kemiringan (m) = 5834.925 Perpotongan (b) = -20642.297 Nomor Titik = >> 10

6. Plot Bilangan Berpangkat Kuadrat a. Gambar

b. Hasil Perhitungan Program Least Square Data Fitting Masukkan data sekitar garis lurus Masukkan titik data [x,y]: 10 Masukkan pasangan [x,y]: [1.1 1.2100] Masukkan pasangan [x,y]: [2.2 4.8400] Masukkan pasangan [x,y]: [3.3 10.8900] Masukkan pasangan [x,y]: [4.4 19.3600] Masukkan pasangan [x,y]: [5.5 30.2500] Masukkan pasangan [x,y]: [6.6 43.5600] Masukkan pasangan [x,y]: [7.7 59.2900] Masukkan pasangan [x,y]: [8.8 77.4400] Masukkan pasangan [x,y]: [9.9 98.0100] Masukkan pasangan [x,y]: [10.1 102.0100] Koefisien regresi garis least square : Kemiringan (m) = 11.591 Perpotongan (b) = -24.399 Nomor Titik = >> 10

F. Pembahasan Pada percobaan tiga ini, praktikan membuat plot sejumlah enam buah data grafik. Meskipun dari petunjuk praktikum sendiri hanya lima. Hal ini disebabkan bahwa contoh fungsi dari grafik eksponensial dan bilangan berpangkat sangat mirip, dan dari dasar teori yang ditemukan oleh praktikan sendiri, fungsi bilangan berpangkat yang tercantum di petunjuk praktikum termasuk juga dalam kelompok fungsi eksponensial. Dengan beberapa percobaan praktikan juga menyertakan fungsi bilangan berpangkat kudrat, dengan nilai bilangan yang dipangkatkan berubah dan didapatkan grafik baru yang berberda dari kelima grafik sebelumnya. Pada grafik pertama, grafik dengan data yang cukup linier mudah untuk dipecahkan. Dengan membuat garis lurus sebisa mungkin mewakili semua data percobaan akan didapatkan sebuah garis yang kemudian bisa ditentukan besarnya m dan b nya. Dari kedua variabel tersebut dapat membentuk sebuah fungsi dengan susunan y = mx + b yang mewakili garis buatan tersebut. G. Kesimpulan