Bahan Matrikulasi
Bab 4
ANALISIS REGRESI dan INTERPOLASI
4.1. Pendahuluan
Pada kuliah ini akan dipelajari beberapa metode untuk memprediksi dan
mengestimasi data diskret. Dari suatu penelitian sering dilakukan pengolahan
data untuk mengetahui pola data atau bentuk kurva yang dianggap dapat
mewakili data diskret yang ada.
Metode yang biasa dilakukan untuk melakukan pendekatan tersebut adalah
sebagai berikut,
f (x)
+
+
+
+
+
+
+
range
Ahmad Zakaria
Analisa Numerik
Bahan Matrikulasi
B. Metode Iterpolasi
Dengan
menggunakan
metode
Iterpolasi,
kurva
yang
terbentuk
f (x)
+
+
+
+
+
range
x
A.1 Linierisasi untuk kurva tidak linier
Bentuk yang paling sederhana dari regresi kuadrat terkecil adalah kurva
linier atau kurva yang berbentuk garis lurus. Persamaan garis linier
dapat ditulis sebagai berikut,
f ( x ) = b.x + a
(4.1)
y = a.e b. x
(4.2)
Ahmad Zakaria
Analisa Numerik
Bahan Matrikulasi
ln y = ln a + b.x. ln e
(4.3)
(4.4)
Persamaan (4.4) serupa dengan persamaan (4.1), dan ini juga merupakan
persamaan garis lurus atau kurva linier.
Untuk persamaan fungsi berpangkat dapat dicontohkan seperti
persamaan berikut,
y = a.x b
(4.5)
(4.6)
(4.7)
Ahmad Zakaria
Analisa Numerik
Bahan Matrikulasi
y = a o + a1 .x + a 2 .x 2 + a3 .x 3 + ... + a n 1 .x n 1 + a n .x n
(4.8)
Bila y merupakan data hasil pengukuran dan y merupakan model persamaan polinomialnya maka kesalahan antara data dan model dapat
digambarkan sebagai jumlah kuadrat dari selisih antara y dan y untuk
setiap variabel x. Jumlah kuadrat dari kesalahan tersebut dapat ditulis
seperti persamaan berikut,
i =n
E 2 = ( y i y i )
(4.9)
i =1
i =n
n 1
a n .xi
n 2
(4.10)
E 2 E 2 E 2 E 2
E 2
E 2
=
=
= ... =
=
=0
a o
a1 a 2
a3
a n 1 a n
(4.11)
i =n
E 2
n 1
n
2
3
= 2. yi a o a1 .xi a 2 .xi a3 .xi ... a n1 .xi a n .xi
ao
i =1
i =n
E 2
n 1
n
2
3
= 2. xi . yi ao a1 .xi a 2 .xi a3 .xi ... a n 1 .xi a n .xi
a1
i =1
(4.12)
(4.13)
Ahmad Zakaria
Analisa Numerik
Bahan Matrikulasi
(4.14)
(4.15)
(4.16)
(4.17)
i =n
E 2
n 1
n
2
2
3
= 2. xi . y i ao a1 .xi a 2 .xi a3 .xi ... a n 1 .xi a n .xi
a 2
i =1
i =n
E 2
n 1
n
3
2
3
= 2. xi . yi a o a1 .xi a 2 .xi a3 .xi ... a n 1 .xi a n .xi
a3
i =1
i =n
E 2
n 1
n 1
n
2
3
= 2. xi . yi ao a1 .xi a2 .xi a3 .xi ... an1 .xi an .xi
an1
i =1
i =n
E 2
n
n 1
n
2
3
= 2. xi . y i ao a1 .xi a 2 .xi a3 .xi ... a n 1 .xi a n .xi
a n
i =1
xi
x 2
i
3
xi
...
n1
xi
xn
i
x
x
x
x
x
x
x
x
i
2
i
3
i
4
i
...
...
...
i
n+1
x
x
x
x
...
x
x
...
x
x
x
x
...
...
...
...
...
n+1
n+2
n+2
n+3
x
x
x
x
n1
i
n+1
n+2
...
x
x
n+n2
i
n+n1
a0 yi
i
a1 xi .yi
n+2
a2 xi 2 .yi
i
3
n+3
. a3 = xi .yi
i
... ... ...
n1
xi n+n1 an1 xi n .yi
xi n+n an xi .yi
x
x
x
x
n
i
n+1
(4.18)
i=n
D 2 = ( yi y )
D2 E 2
D2
(4.19)
(4.20)
i =1
Ahmad Zakaria
Analisa Numerik
Bahan Matrikulasi
i =n
E 2 = ( y i y i )
(4.21)
i =1
f (x )
f ( x1 )
f (x )
f ( x ) f ( x0 )
f ( x0 )
x0
f (x1 ) f (x0 )
x1
x x0
x1 x0
BD CE
=
AB AC
f ( x ) f ( x0 ) f ( x1 ) f ( x0 )
=
( x x0 )
(x1 x0 )
f ( x ) = f ( x0 ) +
f ( x1 ) f ( x0 )
( x x0 )
(x1 x0 )
(4.22)
Ahmad Zakaria
Analisa Numerik
Bahan Matrikulasi
(4.23)
b0 = f ( x0 )
(4.24)
b1 = f [x1 , x0 ]
(4.25)
b2 = f [x2 , x1 , x0 ]
(4.26)
b3 = f [x3 , x2 , x1 , x0 ]
(4.27)
...
(4.28)
b1 = f x j , xi =
f (x j ) f (xi )
] [
f x k , x j f x j , xi
b2 = f xk , x j , xi =
(4.29)
x j xi
(4.30)
x k xi
b3 = f xl , xk , x j , xi =
] [
f xl , x k , x j f x k , x j , xi
xl xi
(4.31)
Ahmad Zakaria
Analisa Numerik
bn = f [xn , xn1,...,x3 , x2 , x1, x0 ] =
Bahan Matrikulasi
f [xn , xn1,...,x3 , x2 , x1 ] f [xn1,...,x3 , x2 , x1, x0 ]
xn x0
(4.32)
(4.33)
Ahmad Zakaria