TUGAS

MODEL TERAIN DIGITAL

Ringkasan Literatur Fungsi Spline

Oleh:
Retno Agus Pratiwi
12/333239/TK/39671

JURUSAN TEKNIK GEODESI DAN GEOMATIKA

FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
2015
Fungsi Spline

Ringkasan Fungsi Spline

Penjelasan
Fungsi spline merupakan fungsi yang digunakan untuk membentuk kurva melalui
potongan-potongan polinomial derajat n. Bagian-bagian yang dihubungkan oleh fungsi ini
tiap belokannya dinamai knots dan melengkapi kondisi yang kontinyu untuk fungsi itu sendiri
dan fungsi derivatif n-1. Sehingga fungsi spline dari derajat n adalah sebuah fungsi kontinyu
dengan derivatif n-1 yang kontinyu.
Fungsi spline didefinisikan sebagai potongan-potongan polinomial; polinomial
(semua derajat n) bergabung dalam knots ( j ; j= 1, 2, ... , m) mengikuti kondisi kontinyuitas
untuk fungsinya sendiri dan derivatif n-1 yang pertama darinya. Umumnya, n sama dengan
tiga; sebuah fungsi spline kubik di definisikan sebagai :
y=S ( x )=P j ( x )=a j +b j x +c j x 2 +d j x 3
j1 x j ;( 0= ; m +1= )
k

(1)

P j ( j )=P j+1 ( i ) ; k=0,1, 2 ; j=1, 2, , m

k
( Pi

menunjukkan derivatif ke-k dari bagian polinomial ke-j). Sehingga, parameter yang

dapat diselesaikan adalah :

a. Derajat dari fungsi spline , n .
b. Banyaknya knot, m.
c. Posisi knot,

j ; j=1, 2, , m.

d. Koefisien bebas dari fungsi spline,

koefisien

m+ n+1.

(Setiap bagian polinomial memiliki

n+1 , dan kondisi kontinyuitas menghasilkan n band per knot,

menyisakan koefisien bebas ( m+ 1 )( n+1 )=mn=m+n+1 .

Batasan yang lain dapat diberikan pada fungsi spline, misalnya bahwa derivatif kedua
selalu positif atau bahwa fungsi harus melalui titik tertentu. Batasan/syarat tambahan tersebut

Page 1

Ringkasan Fungsi Spline

membuat fungsi spline yang menyesuaikan data menjadi masalah nonlinear dan selanjutnya
tidak dapat diatasi (Amos and Slater, 1969).
Definisi dari fungsi spline dalam konteks polinomial (persamaan 1) sesuai apabila
koefisien polinomial diketahui. Bagaimanapun, dalam proses perhitungan dari penyesuaian
kurva hitung kuadrat terkecil, mudah untuk mendefinisikan spline dalam konteks B-Splines
(Schoenberg 1969, Greville 1969, Powell 1967). Untuk spline kubik :

Gambar 1. Fungsi spline kubik (kurva solid) dengan 2 knot, menyesuaikan titik-titik data (memotong).

B-Splines ditentukan oleh hasil dari selisih pembagian

dimana knot tambahan ditentukan oleh

x min

dan

+
(x k )

x max

adalah berturut-turut nilai x terkecil dan terbesar dari data. Notasi

biasanya berasal dari

( x k )

dimana x lebih besar daripada

atau jika

tidak maka sama dengan nol. Berdasarkan definisi mereka (persamaan 2 sampai 4) B-splines
memenuhi

Page 2

Ringkasan Fungsi Spline

Persamaan 2 sampai 4 memiliki makna bahwa jumlah dari parameter yang tidak
diketahui sama dengan jumlah dari parameter bebas dalam fungsi spline. Sehingga,
penyesuaian fungsi spline dengan menggunakan persamaan (2) adalah problem linear,
dimana posisi dari knot tertentu. Selain itu, persamaan (5) membuat moment matrix (X'X)
dalam hitung kuadrat terkecil menyesuaikan heptadiagonal (matriks identitas 7x7) yang mana
menguntungkan ketika jumlah knot sangatlah besar (Powell, 1967).
Perhitungan koefisien polinomial dalam persamaan (1) dari koefisien B-Spline dalam
persamaan (2) dapat dibuat dengan mudah melalui identifikasi fungsi dan nilai derivatif dari
knot, misalnya. Sistem persamaan berikut dapat diselesaikan dengan berulang untuk
dj,cj,bj

dan

aj

Ada 3 kriteria yang harus diperhatikan dalam membentuk spline dengan basis fungsi
B-spline yaitu menentukan order untuk model, banyaknya knot, dan lokasi penempatan knot.
Order untuk model dapat ditentukan berdasarkan pola umum yang terjadi pada data,
sedangkan banyaknya knot dan lokasi knot ditentukan berdasarkan perubahan pola di daerah
tertentu pada kurva (Adi, 2005). Knot merupakan titik perpaduan bersama dimana terdapat
perubahan perilaku pola pada interval yang berlainan (Andrianto, 2009). Untuk memperoleh
model B-spline yang optimal (terbaik) maka perlu dipilih lokasi knot yang optimal pula. Ada
beberapa kriteria yang dapat digunakan dalam pemilihan knot yang optimal yaitu fungsi
resiko prediksi (P), Cross Validation (CV), dan Generalized Cross Validation (GCV).
Interpolasi Spline menghendaki kurva yang diperoleh mempunyai pola seperti interpolasi
linear dan kurva tersebut mulus. Untuk itu disyaratkan :
1. Derivatif ke satu dan derivatif ke dua dari fungsi interpolasi tersebut kontinyu.
2. Harga derivatif ke satu tidak jauh berbeda antar titik interpolasi (Harga derivatif ke
dua sekecil mungkin)
Page 3

Ringkasan Fungsi Spline

Macam-macam fungsi spline untuk interpolasi :

Spline Linear
S ( xi ) =( yi )
Untuk mencari suatu fungsi spline linear S ( x ) sedemikian sehingga
untuk 0 i n . Diambil

S0 ( x ) ; x [x 1 , x 2 ]
Sx = S1 ( x ) ; x [ x1 , x2 ]

Sn1 ( x ) ; x [x n1 , x n ]

Dengan setiap S i ( x ) adalah linier

Diperhatikan fungsi linear S i ( x ) . Garis ini melalui titik (x i , y i ) dan ( x i+1 , y i +1) , sehingga kemiringan dari S i ( x ) yaitu
mi=

y i+1 y i
x i+1x i

Kita dapat juga mengatakan bahwa garis tersebut melalui titik (x i , y i ) dan
untuk sembarang
mi=

x [ x i , x +1i ]

x ,(S ( x ) )

, sehingga

S i ( x ) y i
xx i

yang memberikan
S i ( x )= y i+ mi ( xx i )

y i+

y i +1 y i
( xx i )
x i +1x i

Spline Kuadratik
Tidak seperti spline linear, spline kuadratik tidak didefinisikan sepenuhnya oleh nilainilai di

xi

. Berikut ini kita perhatikan alasannya. Spline kuadratik didefnisikan oleh

S i (x)=ai x2 +b i x +c i

Page 4

Ringkasan Fungsi Spline

Jadi terdapat 3 n parameter untuk mendefinisikan S ( x) .

Diperhatikan titik-titik data:
x0

x1

x2

xn

yy

y1

y2

yn

Syarat-syarat untuk menentukan 3 n parameter dijelaskan seperti berikut ini.

1. Setiap subinterval

[ x i , x i+1 ] untuk i=0,1,2, ,n1

memberikan dua persmaan

berkaitan dengan S i ( x) , yaitu :

S i ( xi ) = y i dan Si ( x i+1 ) = y i+1
jadi, disini didapatkan 2 n persamaan
'
2. Syarat pada kontinuitas dari S (x) memberikan suatu persamaan tunggal untuk

setiap titik dalam

x i , i=0,1,2, , n1

yaitu:

S ' i1 ( x i )=S' i (x i)
Jadi dari sini dipunyai n1 persamaan. Sekarang totalnya terdapat 3 n1
persamaan, tetapi karena terdapat 3 n parameter yang tidak diketahui maka sistem
mempunyai kekurangan ketentuan.
3. Pilihan-pilihan yang mungkin untuk melengkapi kekurangan ketentuan yaitu
S ' ( x 0 ) =0 atau S ( {x} rsub {0} )=0
Sekarang dimisalkan

'
'
z i=S i ( x i ) . karena S i ( xi ) = y i , S i ( x i )=z i , dan

S ' i ( x i+1 ) =z i+1 , maka kita dapat mendefinisikan :

S i ( x )=

z i+1z i
2 ( x i+1x i )

2
( xx i ) + z i ( xxi ) + y i

Selanjutnya, dengan pengambilan

x=x i+1

Page 5

diperoleh

Ringkasan Fungsi Spline

y i+1=S i ( x )=

y i+1 yi =

zi +1z i
2
( xx i ) + z i ( xx i ) + y i
2 ( x i +1x i)

z i+1 zi
( xx i) + zi ( xx i )
2

Jadi, kita dapat menentukan

z i+1=2

y i+1 yi =

z i+1 dari z i

z i+1 zi
( xx i)
2

y i +1 y i
z i
xi +1x i

Spline kubik
Diketahui suatu fungsi
sejumlah titik data

f (x)

yang dibatasi oleh interval a dan b, dan memiliki

a=x 0< x 1 << x n =b

. Interpolasi spline kubik

S (x)

adalah suatu

potongan fungsi polinomial berderajat tiga (kubik) yang menghubungkan dua titik yang
bersebelahan, dengan ketentuan, untuk i=0,1,2, , n1
(S0) Potongan fungsi pada subinterval
3

[ x i , x i+1 ] ,i=0,1,2, , n1

S i ( x )=ai ( xx i) + bi ( xxi ) + ci ( xx i ) +d i
(S1) Pada setiap titik data

x=x i , i=0,1, , n

S ( xi ) =f ( xi )
(S2) Nilai-nilai fungsi harus sama pada titik-titik dalam:
S i ( xi +1 )=Si +1 ( x i+1 ) , i=0,1,2, , n2
(S3) Turunan-turunan pertama pada titik dalam harus sama:
S ' i ( xi +1 )=S ' i +1 ( x i+1 ) , i=0,1,2, , n2
(S4) Turunan-turunan kedua pada titik dalam harus sama:
S } rsub {i} left ({x} rsub {i+1} right ) = {Si +1 ( x i+1 ) , i=0,1,2, , n2
(S5) Salah satu syarat batas di antara dua syarat batas

x0

dan

xn

berikut ini harus

dipenuhi:
S ( x 0 )=S left ({x} rsub {n} right ) =0

(disebut batas alamiah/ natural boundary)

S ' ( x 0 ) =f ' ( x 0 ) dan S ' ( x n ) =f ' (x n ) (disebut batas apitan/ clamped boundary)

d i= y i , c i =

d i+1d i hi
1
( 2 bi +b i ) , ai=
( b b ) C .3 .1
hi
3
3 hi i+1 i

Page 6

Ringkasan Fungsi Spline

Kelebihan dan kelemahan fungsi spline

Spline mempunyai kelemahan yaitu pada saat order spline tinggi, knot yang banyak
dan knot yang terlalu dekat akan membentuk matrik dalam perhitungan yang hampir singular,
sehingga persamaan normal tidak dapat diselesaikan. Basis lain yang dapat mengatasi
kelemahan ini adalah basis B-spline. Namun kesulitan dengan B-spline yaitu karena basis ini
hanya dapat didefinisikan secara rekursif dan karenanya tidak dapat dievaluasi secara
langsung (Eubank, 1999). Untuk mengestimasi basis fungsi Spline dapat digunakan metode
least-squares spline.
Kelebihan spline adalah dapat digunakan untuk pengalusan model kurva. Disamping
itu, kelebihan spline yang lain adalah cenderung mencari sendiri estimasi data kemanapun
pola data tersebut bergerak.

Daftar Pustaka

Page 7

Ringkasan Fungsi Spline

De Boor, C. (1976). Splines as linear combinations of B-splines. A survey.

Greville, T. N. E. (1964). Interpolation by generalized spline functions (No. MRC-TSR-476).
Wisconsin Univ Madison Mathematics Research Center.
Reinsch, C. H. (1967). Smoothing by spline functions. Numerische mathematik,10(3), 177183.
Sempena, S. (2011). Interpolansi Spline Kubik pada Trajektori Manusia.
Wold, S. (1974). Spline functions in data analysis. Technometrics, 16(1), 1-11.
Wahba, G. 1990. Spline Models For Observational Data. Pennsylvania: SIAM.

Page 8