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.
x x1 X2 x3 ... ... xn-1 xn
y y1 Y2 y3 ... ... yn-1 yn
Diplotkan
pada grafik
x-y
y
y = f (x)
Curve-fitting
Secara sederhana, persamaan empirik dianggap sesuai jika error-nya kecil dan bentuk kurva
berdasarkan persamaan empirik ini mirip dengan bentuk kurva berdasarkan data. Jika
persamaan empirik tidak sesuai, maka harus dicoba bentuk persamaan yang lain.
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
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:
r=
n xi yi xi
2
n xi xi
2
n yi yi
dengan n menyatakan banyaknya data. Hubungan antara r dengan SSE dapat dinyatakan sbb.:
2
y
dengan: St = yi i
S SSE
r2 = t
St
(2) y = a0 + a1 x
... (1)
... (2)
SSE = (a xi yi ) 2 = f (a)
... (3)
i =1
Harga a terbaik adalah yang memberikan SSE minimum. Harga SSE akan minimum jika:
d ( SSE )
=0
... (4)
da
sehingga:
d ( SSE ) n
= 2 (a xi yi ) . xi = 0
da
i =1
a ( xi ) 2 ( xi yi ) = 0
atau: a =
(x y )
(x )
i
i
2
... (5)
CONTOH 1#:
Nitrous anhydride (N2O5) dapat terurai secara homogen menjadi dinitrogen tetraoksida (N2O4)
r
dan oksigen melalui reaksi: N 2O5 ( g )
N 2O4 ( g ) + 1 2 O2 ( g )
Berikut adalah data-data konsentrasi N2O5 (CA) vs waktu untuk reaksi ini pada suhu 313,1 K:
dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 2 dari 16
0,1000 0,0892
0
500
CA (gmol/liter)
Waktu (detik)
0,0776 0,0705
1000
1500
0,0603 0,0542
2000
2500
0,0471
3000
CA
C A0
y
0
500
1000
1500
2000
2500
3000
0
-0,1143
-0,2536
-0,3496
-0,5058
-0,6125
-0,7529
0
-0.1 0
ln (CA/CA0)
-0.2
-0.3
-0.4
-0.5
-0.6
Slope = -k = -0,0002
-0.7
ln
x2
-0.8
t (detik)
a=
xy
0
250000
1000000
2250000
4000000
6250000
9000000
22750000
2
0
-57,1446
-253,603
-524,336
-1011,68
-1531,22
-2258,69
-5636,67
x y
x y = 5636,67 = 0,0002 = k
x 22750000
2
Berdasarkan metode regresi linier terhadap data-data di atas, diperoleh nilai tetapan (yakni
tetapan kecepatan reaksi) k sebesar 0,0002 detik-1.
... (6)
ingin dicari harga a0 dan a1 (a0 biasa disebut sebagai intercept dan a1 sebagai slope)
Dengan cara yang sama, untuk pasangan data xi, yi, maka error-nya adalah:
Ri = a0 + a1 xi yi
(= yterhitung ydata )
... (7)
... (8)
i =1
( SSE )
( SSE )
= 0 dan
=0
a0
a1
( SSE ) n
= 2 (a0 + a1 xi yi ) . 1 = 0
a0
i =1
n a0 + a1 xi = yi
dan
... (11)
n
( SSE )
= 2 (a0 + a1 xi yi ) . xi = 0
a1
i =1
a0
x + a x
1
= xi yi
... (12)
Berdasarkan persamaan (11) dan (12), maka harga a0 dan a1 dapat ditentukan. Misal, dengan
menggunakan Cramers rule, diperoleh:
n
xi
x a = y
x a x y
i
2
x =
maka:
y x
x y x
i
a0 = 1 =
i
2
x
x
a1 =
2
=
yi
y
x y
i
2
xi
y
x x x
=
n x x
xi
x
x
n xi yi yi
n xi xi
i
2
Nilai-nilai tetapan pada persamaan non-linier dapat ditentukan melalui proses linierisasi. Berikut
ini adalah contoh beberapa bentuk persamaan dan hasil linierisasinya:
Bentuk Persamaan
Awal
y =a x+b
y=ae
x
y=
a x+b
a
y = +b
x
bx
y = a xb
Bentuk Persamaan
Hasil Linierisasi
ln y = ln a + b x
x
x
Slope yang
dihasilkan
a
b
Intercept yang
dihasilkan
b
ln a
ln a
log a
Ordinat
Absis
x
=a x+b
y
y
ln y
x
y
ln y = ln a + b ln x
log y = log a + b log x
ln y
log y
1
x
ln x
log x
CONTOH 2#:
tentukan harga-harga a dan b, jika trend data mengikuti model bentuk pangkat: y = a x b
PENYELESAIAN:
y
0,5
1,7
3,4
5,7
8,4
log x
0
0,3010
0,4771
0,6021
0,6990
2,0792
log y
-0,3010
0,2304
0,5315
0,7559
0,9243
2,1411
(log x) 2
0
0,0906
0,2276
0,3625
0,4886
1,1693
log x . log y
0
0,0694
0,2536
0,4551
0,6460
1,4241
log x
atau:
log x
(log x)
log a
log y
=
2
b (log x. log y )
5
2,0792 log a 2,1411
log a =
5
2,0792
2,0792 1,1693
5
2,1411
2,0792 1,4241
b=
5
2,0792
2,0792 1,1693
0,4574
= 0,3002 ; sehingga: a = 10-0,3002 = 0,5009
1,5235
2,6688
= 1,7517
1,5235
0.8
0.6
log y
1.0
y = 0,5009x1,7517
R2 = 1
4
3
2
0.4
0.2
0.0
-0.2
0
0
-0.4
0.1
0.2 0.3
0.7 0.8
log x
REGRESI POLINOMIAL
Untuk persamaan kuadrat dengan bentuk: y = a0 + a1 x + a2 x2
... (13)
Dengan cara yang sama, untuk pasangan data xi, yi, maka nilai sum of squares of errors-nya:
n
... (14)
i =1
( SSE )
( SSE )
( SSE )
= 0,
= 0 , dan
= 0 ... (15, 16, 17)
a0
a1
a2
n
( SSE )
2
= 2 (a0 + a1 xi + a2 xi yi ) . 1 = 0
a0
i =1
n a0 + a1 xi + a2
= yi
... (18)
( SSE ) n
2
= 2 (a0 + a1 xi + a2 xi yi ) . xi = 0
a1
i =1
a0
x +a x
i
+ a2
= xi yi
... (19)
n
( SSE )
2
2
= 2 (a0 + a1 xi + a2 xi yi ) . xi = 0
a2
i =1
a0
+ a1 xi + a2
3
= xi yi
2
... (20)
Persamaan (18), (19), dan (20) selanjutnya dapat disusun dalam bentuk perkalian matriks, sbb.:
2
n
xi2 xi 3 a0 yi
xi xi xi a1 = xi yi
2
3
4
2
xi xi xi a2 xi yi
A
x =
b
dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 5 dari 16
Dengan demikian, harga a0, a1, dan a2 dapat ditentukan secara simultan.
Dengan cara yang sama, secara umum, untuk persamaan polinomial berorde-m dengan bentuk:
y = a0 + a1 x + a2 x2 + ... + am-1 xm-1 + am xm
... (21)
a0
a0
n a0 + a1 xi
+ a2
x
x
+ a2
i
2
+ a1 xi
+ a1 xi
+ a2
x
x
x
i
3
i
4
+ am
+ am
+ am
x
x
x
= yi
m +1
= xi yi
m+2
= xi yi
i
i
.......................................................................................................
.......................................................................................................
a0
+ a1 xi
m +1
+ a2
m+2
+ am
m+m
= xi yi
m
m +1
2
3
xi
xi
xi
xi a1 xi yi
m+2
2
3
4
xi xi
xi a2 = xi yi
xi
m
m
m +1
m+2
m+m
xi xi
xi am xi yi
xi
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):
400
475
520
580
660
750
850
T
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
2
2
3
4
5
=
T T T T a2 T Cp
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
4235
2713025
2713025
1830387875
1830387875
1,29E+12
1,29E+12
9,44E+14
Matriks A
1830387875
1,29E+12
9,44E+14
7,11E+17
367,27
230246,9
152405037,5
1.06E+11
Vektor b
7,11E+17
1,29E+12
9,44E+14
1830387875
1,06E+11
230246.9
152405037,5
367,27
1,29E+12
2713025
1830387875
4235
9,44E+14
1830387875
1,29E+12
2713025
1,29E+12
-273862,8
-83071679,8
-702,0
9,44E+14
-354501579,5
-1,09E+11
-898362,5
7,11E+17
-3,55E+11
-1,10E+14
-889484632,8
1,06E+11
-14506,8
-4389064,1
-37,3
1,29E+12
-83071679,8
-273862,8
-702,0
9,44E+14
-1,09E+11
-354501579,5
-898362,5
7,11E+17
-1,10E+14
-3,55E+11
-889484632,8
1,06E+11
-4389064,1
-14506,8
-37,3
1,29E+12
-83071679,8
0
0
9,44E+14
-1,09E+11
3968550,1
20519,8
7,11E+17
-1,10E+14
7516954861
38682348,6
1,06E+11
-4389064,1
-37,4
-0,2
1,29E+12
-83071679,8
0
0
9,44E+14
-1,09E+11
3968550,1
0
7,11E+17
-1,10E+14
7516954861
-184914,7
1,06E+11
-4389064,1
-37,4
0,0019
Value
19.015164
0.0533499
9.923E-06
-1.021E-08
95% confidence
0.5282182
0.0026952
4.448E-06
2.376E-09
General
Order of polynomial = 3
Regression including free parameter
Number of observations = 7
Statistics
R^2
R^2adj
Rmsd
Variance
=
=
=
=
0.9999998
0.9999997
0.0011711
2.24E-05
Dengan menggunakan metode kuadrat terkecil, melalui penurunan yang sama dengan kasus-kasus
sebelumnya, maka dihasilkan persamaan-persamaan berikut ini:
n a0 + a1 x1 + a2
a0
a0
x
x + a x + a x x
x + a x x + a x
2
+ am
+ am
+ am
x = y
x x = x y
x x = x y
m
.......................................................................................................
a0
+ a1 xm x1 + a2
x2 +
+ am
xm = xm y
x1
x
2
xm
x
x
x x x
x x x
1
2
1
1 m
2 m
xm xm
x
x x
x x
x1
x2
a y
0
a1 x1 y
a = x y
2 2
am xm y
x =
b
Dengan demikian, harga-harga a0, a1, a2, .... am dapat ditentukan secara simultan.
Catatan: Persamaan dalam bentuk perkalian berpangkat:
a
y = k x1 x2 x3
xm
... (23)
+ m ln m
... (24)
P
1,00 0,923 1,15 0,87 1,05 0,75 0,55 0,65
CA (gmol/liter)
373
395
365
400
405
388
410
380
Suhu (K)
Kecepatan reaksi (gmol/liter.detik) 1,508 2,936 1,293 3,242 4,566 1,899 2,780 1,255
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
x1 x2
x12
x22
x1 y
x2 y
1
2
3
4
5
6
7
8
0,002681
0,002532
0,002740
0,002500
0,002469
0,002577
0,002439
0,002632
0,020569
0
-0,080126
0,139762
-0,139262
0,048790
-0,287682
-0,597837
-0,430783
-1,347138
0,410784
1,077048
0,256965
1,176190
1,518638
0,641327
1,022451
0,227136
6,330539
0
-0,000203
0,000383
-0,000348
0,000120
-0,000741
-0,001458
-0,001134
-0,003381
7,1876E-06
6,4092E-06
7,5061E-06
6,2500E-06
6,0966E-06
6,6426E-06
5,9488E-06
6,9252E-06
5,2966E-05
0
0,006420
0,019533
0,019394
0,002380
0,082761
0,357409
0,185574
0,673472
0,001101
0,002727
0,000704
0,002940
0,003750
0,001653
0,002494
0,000598
0,015967
0
-0,086300
0,035914
-0,163799
0,074095
-0,184498
-0,611259
-0,097846
-1,033693
x1
x
2
x
x a y
x x x a = x y
x x x a x y
1
2
1
8
0,020569
5
0,020569 5,2966.10
1,347138 0,003381
1,347138
0,003381
0,673472
a 6,330539
0
a1 = 0,015967
a 1,033693
2
x =
b
0,020569
7,8654E-08
8,2873E-05
-1,347138
8,2873E-05
0,446624
6,330539
-0,000310
0,032320
6,330539
0,032320
-0,000310
0,020569
8,2873E-05
0
-1,347138
0,446624
-0,000341
6,330539
0,032320
-0,000341
E
R
a1 = -4998,5294
a0 = 13,8118
= ln k0
k exp E C n r
A
0
RT
(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:
f ( x) = f ( x1 ) + ( x x1 ) f ' ( x1 ) +
( x x1 ) 2
f ' ' ( x1 ) + ...
2
... (25)
ln 2 = ln 1 +
ln 6 ln 1
1,791759 0
(2 1) = 0 +
(1) = 0,3583519
6 1
6 1
0,3583519 0,6931472
.100% = 48,3% )
0,6931472
ln 2 = ln 1 +
ln 4 ln 1
1,386294 0
(2 1) = 0 +
(1) = 0,4620981
4 1
4 1
0,4620981 0,6931472
.100% = 33,3% )
0,6931472
2
f (x) = ln x
1.8
1.6
1.4
Nilai
sebenarnya
1.2
1
0.8
0.6
0.4
Hasil
interpolasi
linier
0.2
0
0
x
2
INTERPOLASI KUADRAT
Interpolasi kuadrat (quadratic interpolation) atau interpolasi orde-kedua menggunakan tiga titik
data. Strategi ini menggunakan pendekatan polinomial orde dua. Jika tersedia tiga titik data, yakni:
(x0, f (x0)), (x1, f (x1)), dan (x2, f (x2)), maka:
f ( x) = b0 + b1 ( x x0 ) + b2 ( x x0 ) ( x x1 )
... (28)
Persamaan (28) merupakan cara lain penyajian persamaan polinomial orde dua, karena:
f ( x) = b0 + b1 ( x x0 ) + b2 ( x x0 ) ( x x1 )
f ( x) = b0 + b1 x b1 x0 + b2 x 2 + b2 x0 x1 b2 x x0 b2 x x1
atau: f ( x) = a0 + a1 x + a2 x 2
dengan: a0 = b0 b1 x0 + b2 x0 x1
a1 = b1 b2 x0 b2 x1
a2 = b2
Prosedur sederhana untuk menentukan koefisien-koefisien b0, b1, dan b2 dalam persamaan (28)
dikembangkan berdasarkan 3 titik data tersebut. Jika x = x0 disubstitusikan ke (28), maka:
b0 = f ( x0 )
... (29)
b1 =
f ( x1 ) f ( x0 )
x1 x0
... (30)
Selanjutnya (29) dan (30) disubstitusikan ke (28), serta dievaluasi pada x = x2, sehingga:
f ( x2 ) = f ( x0 ) +
atau:
f ( x1 ) f ( x0 )
( x2 x0 ) + b2 ( x2 x0 ) ( x2 x1 )
x1 x0
f ( x2 ) f ( x1 ) f ( x1 ) f ( x0 )
x2 x1
x1 x0
b2 =
x2 x0
... (31)
CONTOH 7#:
Perkirakanlah harga ln 2 dengan interpolasi kuadrat! Gunakan 3 titik data berikut:
x0 = 1
f (x0) = 0
f (x1) = 1,386294
x1 = 4
f (x2) = 1,791759
x2 = 6
PENYELESAIAN:
Dengan menerapkan persamaan (29): b0 = 0
1,386294 0
Dengan persamaan (30): b1 =
= 0,4620981
4 1
1,791759 1,386294
0,462091
6
4
Dengan persamaan (31): b2 =
= 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
(Error terhadap nilai sebenarnya, t =
0,5658444 0,6931472
.100% = 18,4% )
0,6931472
2
1.8
f (x) = ln x
1.6
1.4
Nilai
sebenarnya
1.2
1
0.8
0.6
0.4
0.2
0
0
(Bandingkan hasil ini dengan hasil yang diperoleh dengan interpolasi linier, pada contoh
sebelumnya, contoh #6...)
+ bm ( x x0 ) ( x x1 )
( x xm 1 )
... (32)
Untuk polinomial berorde m, diperlukan sejumlah (m+1) titik data, yakni: x0, x1, x2, ..., xm. Dengan
menggunakan titik-titik data ini, persamaan-persamaan berikut dapat digunakan untuk menghitung
koefisien-koefisien b0, b1, ..., bm:
b0 = f ( x0 )
... (33)
b1 = f x1 , x0
... (34)
[ ]
b = f [x , x , x ]
2
... (35)
bm = f xm , xm1 ,, 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 , x j =
f ( xi ) f ( x j )
xi x j
... (37)
Second finite divided-difference, yang menggambarkan perbedaan dua first finite-divided difference,
secara umum dinyatakan sbb.:
f xi , x j , xk =
f xi , x j f x j , xk
xi xk
... (38)
] f [x , x
f xm , xm1 ,, x1 , x0 =
m1
] [
,, x1 f xm1 , xm2 ,, x0
xm x0
... (39)
Persamaan (37) (39) memperlihatkan perhitungan yang bersifat rekursif, yang berarti bahwa finitedivided difference yang lebih tinggi disusun dari finite-divided difference yang lebih rendah, seperti
tersaji dalam contoh skema berikut ini:
dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 12 dari 16
xi
f (xi)
0
1
2
3
x0
x1
x2
x3
f (x0)
f (x1)
f (x2)
f (x3)
Pertama
f x1 , x0
f x2 , x1
f x3 , x2
[ ]
[ ]
[ ]
Finite divided-difference
Kedua
f x2 , x1 , x0
f x3 , x2 , x1
[
[
]
]
Ketiga
f x3 , x2 , x1 , x0
Keterangan: x0, x1, x2, ..., xm tidak perlu dalam urutan naik
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 )
[ ]
[ ]
[ ]
[
[
]
]
0,62876869 0,6931472
.100% = 9,3% )
0,6931472
2
1.8
f (x) = ln x
1.6
1.4
Nilai
sebenarnya
1.2
1
0.8
0.6
Hasil interpolasi
kubik
0.4
0.2
0
x
0
(Bandingkan hasil ini dengan hasil yang diperoleh dengan interpolasi linier maupun interpolasi
kuadrat pada 2 contoh sebelumnya, contoh 6# dan 7#)
f ( x) = Li ( x) . f ( xi )
i =0
m
dengan: Li ( x) =
j =0
j i
x xj
xi x j
... (40)
... (41)
menunjukkan hasil kali dari (product of). Misal, untuk polinomial berorde satu (linier):
f ( x) =
x x1
x x0
f ( x0 ) +
f ( x1 )
x0 x1
x1 x0
... (42)
( x x1 ) ( x x2 )
( x x0 ) ( x x2 )
( x x0 ) ( x x1 )
f ( x0 ) +
f ( x1 ) +
f ( x2 )
( x0 x1 ) ( x0 x2 )
( x1 x0 ) ( x1 x2 )
( x2 x0 ) ( x2 x1 )
... (43)
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
f (x1) = 1,386294
x1 = 4
f (x2) = 1,791759
x2 = 6
PENYELESAIAN:
f (2) =
24
2 1
(0) +
(1,386294) = 0,4620981
1 4
4 1
( x x1 ) ( x x2 )
( x x0 ) ( x x2 )
( x x0 ) ( x x1 )
f ( x0 ) +
f ( x1 ) +
f ( x2 )
( x0 x1 ) ( x0 x2 )
( x1 x0 ) ( x1 x2 )
( x2 x0 ) ( x2 x1 )
Pada x = 2:
f (2) =
(2 4) (2 6)
(2 1) (2 6)
(0) +
(1,386294)
(1 4) (1 6)
(4 1) (4 6)
+
(2 1) (2 4)
(1,791759) = 0,56584437
(6 1) (6 4)
(Perhatikanlah bahwa kedua hasil ini sangat dekat dengan hasil yang dihitung dengan
menggunakan metode interpolasi polinomial Newton, pada contoh 6# dan 7#).
LATIHAN SOAL:
1. Jika Anda mempunyai pasangan data-data x dan y, bagaimana cara Anda melinierisasikan bentukbentuk persamaan empirik berikut ini untuk memperoleh harga-harga parameter a dan b?
x
1
= exp
(a)
y
a+b x
x
(b) ln y = a x e + b x
(c) y x b = 4 a x 1 2
( )
b
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:
1
2
5
10
20
30
40
P (atm)
T (oC) -183,1 -176,0 -169,5 -153,2 -140,0 -130,7 -124,1
(a)
(b)
(c)
Hitunglah f (3,5) dengan interpolasi polinomial Newton orde 1 sampai 3. Pilihlah sendiri
urutan titik-titik data yang digunakan, supaya menghasilkan ketelitian yang baik.
Ulangi bagian (a), tetapi menggunakan interpolasi polinomial Lagrange orde 1 sampai 3.
Bandingkan hasil-hasilnya.
8. Berikut adalah data tekanan uap murni benzena pada berbagai suhu:
-1,6 7,6 15,4 26,1 42,2 60,6
Suhu (oC)
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.
10
15
20
25
30
35
Persen sukrosa
1,3479 1,3557 1,3639 1,3723 1,3811 1,3902
Indeks bias
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
KA, dan KR.
1 0,9
PA
0 0,1
PR
5
r x 10 3,4 3,6
Selamat Belajar...