Regresi BANGUNAN
Regresi BANGUNAN
U N T U K
K A L I B R A S I
BANGUNAN UKUR DEBIT
oleh
Ir. Djoko Luknanto, M.Sc., Ph.D.
Oktober 1992
PRAKATA
hal. ii
Ir. Djoko Luknanto, M.Sc., Ph.D.
DAFTAR ISI
halaman
1.
1.8.2.
Kurva Pangkat.........................................................................10
1.8.3.
1.8.4.
2.
1.9.1.
1.9.2.
1.9.3.
hal. iii
Ir. Djoko Luknanto, M.Sc., Ph.D.
DAFTAR GAMBAR
halaman
Gambar 1.1. Kurva regresi y = f(x) beserta data yang diwakilinya ...............2
Gambar 1.2. Visualisasi konsep koefisien korelasi.........................................12
Gambar 2.1. Bendung dengan aliran bebas .....................................................15
Gambar 2.2. Bendung dengan aliran menyelam ............................................16
hal. iv
Ir. Djoko Luknanto, M.Sc., Ph.D.
1.1. PENDAHULUAN
Dalam kalibrasi suatu bangunan ukur debit akan dilakukan
pengukuran elevasi muka air dan debit yang melewati bangunan tersebut
sebagai data primer. Dari data primer yang terkumpul akan dilakukan
suatu analisis korelasi antara debit dengan elevasi muka air. Secara
matematis terdapat banyak metoda untuk mendapatkan korelasi tersebut,
misalnya metoda beda terbagi, polinomial interpolasi, polinomial
minimum, dan polinomial kuadrat terkecil.
Di dalam suatu pekerjaan di lapangan, seperti kalibrasi bangunan
ukur, pemakaian analisis korelasi seharusnya tidak murni dilakukan
secara matematis. Analisis korelasi suatu kejadian dilapangan haruslah
memperhatikan hukum-hukum fisika yang berlaku pada kejadian itu
sendiri. Pada kasus bangunan ukur debit ambang lebar, secara fisika,
hubungan antara debit dengan elevasi muka air mempunyai bentuk
korelasi yang sudah tertentu. Analisis korelasi yang akan dilakukan
haruslah mengacu pada bentuk tersebut.
Di bawah ini akan dijelaskan secara rinci cara analisis korelasi
bangunan ukur debit ambang lebar dengan menggunakan polinomial
kuadrat terkecil yang sesuai dengan hukum fisika yang mengaturnya.
Selanjutnya istilah metoda korelasi menggunakan polinomial kuadrat terkecil
akan diganti istilah regresi kuadrat terkecil.
hal. 1
Ir. Djoko Luknanto, M.Sc., Ph.D.
dN
x3,y3
d3
d2
x2,y2
d1
x1,y1
y=f(x)
dN-1
xN-1,yN-1
Jarak: di = f(xi)- yi
x
Gambar 1.1. Kurva regresi y = f(x) beserta data yang diwakilinya
Definisi: Dari semua kurva pendekatan terhadap satu set data, kurva yang
2
2
2
mempunyai sifat bahwa nilai d1 d 2 ... d N adalah minimum,
disebut dengan kurva terbaik yang mewakili data.
Kurva yang mempunyai sifat itu disebut dengan kurva kuadrat
terkecil. Kurva itu sendiri secara teoretis dapat berupa garis lurus
parabola, atau polinomial berderajad tinggi maupun kurva-kurva jenis
yang lain. Jadi analisis regresi tidak memberikan petunjuk kurva jenis
yang mana yang harus dipakai, tetapi analisis ini memberikan, untuk satu
jenis kurva (misalnya garis lurus), yang terbaik mewakili data.
hal. 2
Ir. Djoko Luknanto, M.Sc., Ph.D.
(1.1)
(1.2)
Dalam Pers.(1.2) harus diingat bahwa (xi, yi) telah diketahui dari data
pengukuran. Jika disyaratkan agar d1 d 2 ... d N harus minimum,
2
a j a j
di 2
0
i 1 a j
di 2 0
i 1
N
N
di 2
d
d
0 2d i i 0 d i i 0
a j
a j
i 1 a j
i 1
i 1
f (a , x ) y
N
i 1
f (a j , xi ) yi
a j
f (a j , xi ) yi
0
a j
a j
f (a , x ) y
N
i 1
f (a , x ) y
N
i 1
atau
y
i 1
f ( a j , xi )
a j
f (a j , xi )
a j
f ( a j , xi )
i 1
a j
f ( a j , xi )
(1.3)
hal. 3
Ir. Djoko Luknanto, M.Sc., Ph.D.
(1.4)
di = a + bxi yi
(1.5)
Dalam Pers.(1.5) harus diingat bahwa (xi, yi) telah diketahui dari data
pengukuran. Jika disyaratkan agar d1 d 2 ... d N harus minimum,
maka syarat itu mempunyai makna bahwa
2
2
2
2
d1 d 2 ... d N 0
a a
2d1 d 2 ... d N 0
N
2 a bxi y i 0
i 1
atau
i 1
i 1
aN b xi yi
(1.6)
hal. 4
Ir. Djoko Luknanto, M.Sc., Ph.D.
2
2
2
d1 d 2 ... d N 0
b b
2d1 x1 d 2 x 2 ... d N x N 0
N
2 axi bxi xi y i 0
i 1
atau
i 1
i 1
a xi b xi xi y i
2
(1.7)
i 1
Dalam bentuk matrik Pers.(1.6) dan (1.7) dapat ditulis sebagai berikut
N
N
x
i
i 1
yi
x
i 1
Ni 1
N
2 b
x
y
x
i i
i
i 1
i 1
N
(1.8)
N N 2 N N
y i xi xi xi y i
i 1
i 1
i 1 i 1
a
2
N 2 N
N xi xi
i 1
i 1
N
N N
N xi y i xi y i
i 1 i 1
b i 1
2
N
N
2
N xi xi
i 1
i 1
(1.9)
hal. 5
Ir. Djoko Luknanto, M.Sc., Ph.D.
y a bx 1
(1.10)
i 1
N
i 1
i 1
y i aN b xi
dan
N
y a bx x
(1.11)
i 1
N
i 1
i 1
i 1
xi y i a xi b xi
Pers.(1.10)-(1.11)
tidak
lain
adalah
Pers(1.6)-(1.8).
Walaupun
pendekatannya tidak ilmiah, agar lebih mudah mengingat, maka cara
untuk mendapatkan Pers.(1.10)-(1.11) lebih dianjurkan dibanding dengan
cara untuk menjabarkan Pers.(1.6)-(1.8). Untuk memahami prinsip regresi
kuadrat terkecil penjabaran Pers.(1.6)-(1.8) harus dimengerti secara rinci,
karena mempunyai dasar ilmiah.
(1.12)
hal. 6
Ir. Djoko Luknanto, M.Sc., Ph.D.
i 1
aN b xi c xi
i 1
x y
i 1
N
i 1
i 1
i 1
a x i b x i c xi
i 1
xi y i a x i b x i c x i
2
i 1
i 1
(1.13)
i 1
i 1
( Sx 2)( D 4) ( Sy )( D 2) ( N )( D5)
D7
( Sy )( D1) ( Sx )( D 4) ( N )( D 6)
D7
(1.14)
dengan
D1 ( Sx 2) 2 ( Sx)( Sx3)
D 2 ( Sx 2)( Sx3) ( Sx )( Sx 4)
D3 ( Sx3) 2 ( Sx 2)( Sx 4)
D 4 ( Sx 2)( Sxy ) ( Sx )( Sx 2 y )
D5 ( Sx 2 y )( Sx3) ( Sx 4)( Sxy )
(1.15)
sedangkan
N
i 1
i 1
i 1
i 1
i 1
i 1
(1.16)
Sxy xi y i dan Sx 2 y xi y i
2
hal. 7
Ir. Djoko Luknanto, M.Sc., Ph.D.
N
1
Ni 1
x
i
i 1
N
x i 2
i 1
xi
i 1
N
i 1
N
i 1
2
x
i
yi
i 1
a Ni 1
3
xi b xi y i
i 1
i 1
N
c N 2
4
xi
xi y i
i 1
i 1
(1.17)
(1.18)
a0 N a1 xi a m xi y i
i 1
i 1
i 1
i 1
a 0 xi a1 xi a m xi
D:\My Stuffs\Publikasi\Regresi Untuk Kalibrasi\Regresi Untuk Kalibrasi Baru.docx (167 Kb)
i 1
m 1
i 1
xi y i
(1.19)
i 1
a 0 xi a1 xi
m
i 1
i 1
m 1
a m xi
2m
i 1
xi y i
m
i 1
N
1
Ni 1
xi
i 1
N m 1
x i
i 1
N m
xi
i 1
x
i 1
N
x
i 1
2
i
x
i 1
N
m
i
m 1
i 1
x
i 1
N
m 1
i
x
i 1
x
i 1
N
x
i 1
m
i
2m
i
2 m 1
yi
i 1
a 0 Ni 1
N
m 1
a
xi
xi y i
i 1
i 1
N m 1
2 m 1 a
m 1 xi y i
xi
a i 1
i 1
m
N
N
2m
m
xi
xi y i
i 1
i 1
(1.20)
hal. 8
Ir. Djoko Luknanto, M.Sc., Ph.D.
(1.21)
dengan a0, a1, dan a2 adalah konstanta yang dicari. Konstanta ini dapat
dihitung seperti metoda yang sebelumnya dipakai di atas; yaitu dengan
menyelesaikan sistem tiga persamaan linier dibawah ini.
N
a 0 N a1 xi a 2 y i z i
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
a 0 xi a1 xi a 2 xi y i xi z i
2
(1.22)
a 0 y i a1 xi y i a 2 y i y i z i
2
i 1
N
1
Ni 1
x
i
i 1
N
y i
i 1
i 1
N
x
i 1
N
2
i
x y
i 1
i
zi
i 1
a 0 Ni 1
N
xi y i a1 xi z i
i 1
i 1
N
a 2 N
2
yi
y i z i
i 1
i 1
N
xi
(1.23)
hal. 9
Ir. Djoko Luknanto, M.Sc., Ph.D.
(1.24)
(1.25)
(1.26)
hal. 10
Ir. Djoko Luknanto, M.Sc., Ph.D.
(1.27)
f
i 1
N
y
i 1
, dengan y
y
i 1
(1.28)
dengan fi adalah nilai kurva regresi pada titik i, yi adalah nilai data pada
titik i.
hal. 11
Ir. Djoko Luknanto, M.Sc., Ph.D.
xN,yN
yN y
x3,y3
fN y
y=f(xi)
x2,y2
xN-1,yN-1
y
x1,y1
x
Gambar 1.2. Visualisasi konsep koefisien korelasi
N
N N
N ( xi y i ) xi y i
i 1
i 1 i 1
2
N xi xi
i 1
i 1
N
2
N yi yi
i 1
i 1
N
(1.29)
A B D
( Sy ) 2 ( N )( Sy 2)
A ( Sx)(b) ( Sx 2)(c)
B ( N )(b)( Sx 2)(b) ( Sx3)(c)
2
(1.30)
hal. 12
Ir. Djoko Luknanto, M.Sc., Ph.D.
Untuk kurva polinomial berderajad tiga keatas serta kurva multivariabel koefisien korelasi, r, lebih mudah kalau dihitung langsung
dengan Pers.(1.28).
hal. 13
Ir. Djoko Luknanto, M.Sc., Ph.D.
(1.31)
(1.32)
dengan Q adalah debit aliran, hu adalah tinggi muka air disebelah hulu
mercu bangunan ukur (diukur dari mercu bangunan), dan Cr, n adalah
konstanta regresi yang dicari.
hal. 14
Ir. Djoko Luknanto, M.Sc., Ph.D.
muka air
hu
muka air
bendung
(1.33)
Y = a + bX
(1.34)
atau
2
Yi X i X i X i Yi
i 1
i 1
i 1 i 1
a
2
N
N
2
N X i X i
i 1
i 1
N
N
N
N X i Yi X i Yi
i 1 i 1
b i 1
2
N
N
2
N X i X i
i 1
i 1
(1.9)
dengan nilai xi diganti dengan ln(hu) dan nilai yi diganti dengan ln(Qi).
Setelah nilai a dan b dihitung dari Pers. (1.9), maka nilai n dan Cr dihitung
sebagai berikut:
n = b dan Cr = Exp(a)
Regresi Kuadrat Terkecil Untuk Kalibrasi Bangunan Ukur Debit
(1.35)
hal. 15
Ir. Djoko Luknanto, M.Sc., Ph.D.
(1.36)
(1.37)
dengan Q adalah debit aliran, hu adalah tinggi muka air di sebelah hulu
mercu bangunan ukur (diukur dari mercu bangunan), hi adalah tinggi
muka air di sebelah hilir mercu bangunan ukur (diukur dari mercu
bangunan), h adalah selisih muka air di hulu dan di hilir mercu
bangunan (= huhi), dan Cr, n adalah konstanta regresi yang dicari.
muka air
h
hu
hi
bendung
(1.38)
Z=a+X+bY
(1.39)
atau
hal. 16
Ir. Djoko Luknanto, M.Sc., Ph.D.
dengan a dan b adalah konstanta yang harus dicari dengan analisis regresi
sebagai berikut:
N
i 1
i 1
aN xi b y i z i
i 1
i 1
i 1
i 1
(1.40)
a y i xi y i b y i y i z i
2
i 1
atau
N
i 1
i 1
i 1
aN b y i z i xi
N
i 1
i 1
i 1
i 1
(1.41)
a y i b y i y i z i xi y i
2
(1.42)
p1 r2 r1 p 2
q p p1 q 2
dan b 1 2
q1 r2 r1 q 2
q1 r2 r1 q 2
(1.43)
dengan
N
p1 ( z i xi ), q i N , r1 q 2 y i
i 1
i 1
i 1
i 1
p 2 y i ( z i xi ), r2 y i
(1.44)
(1.45)
hal. 17
Ir. Djoko Luknanto, M.Sc., Ph.D.
DAFTAR PUSTAKA
hal. 18
Ir. Djoko Luknanto, M.Sc., Ph.D.