01 G Bab5 Anum
01 G Bab5 Anum
Curve Fitting
Oleh : Moch. Agus Choiron, ST., MT.
1. Curve Linear
y
y = f(x)
Persamaan
pendekatan
untuk regressi Linear dapat
dirumuskan :
f(x) = a + bx
1
a
y2
y1
x
Metode kuadrat terkecil
Ei =
i =1
2
{yi f(xi )}
i =1
{y i a bxi }
i =1
D 2
=0
a
-2
{y i a bx i }2 = 0
i =1
{yi a bxi } = 0
i =1
y I - a - b xi = 0
y I - n a - b xi = 0
n a = yI - b xi
D
=0
b
a=
yi
xi
-b
= y b x
n
n
{y i a bx i }2 = 0
i =1
-2
.. (1)
{yi a bxi } x = 0
i
i =1
xi y i - a xi - b xi2 = 0
a x i + b xi2 = xi y i
y i
xi
2
-b
xi + b xi = xi y i
n
n
xi y i - b { x i }2 + n b xi2 = n xi y i
Program Semi QUE IV Jurusan Teknik Mesin Unibraw
23
b { n xi2 - { x i }2 } = n xi yI - xi y i
n x i y i xi y i
b=
n x i ( x i )
2
(2)
Untuk melihat derajat kesesuaian dari curve fitting dengan cara melihat
harga (Koefisien Korerlasi).
=
Dt D2
Dt
(berharga 0 s/d 1)
dengan Dt2 =
{y i y}
n
i =1
2. Curve Non-Linear
a. y = a ebx
Proses Linearisasi
ln y = ln a + b x ln e
= ln a + b x
Y = A +bx
Y = A + bx
y=ae
bx
ln y
b
1
x
xi
x1
x2
.
.
xn
xi
b=
yi
y1
y2
.
.
yn
y i
Yi = ln y i
ln y 1
ln y 2
.
.
ln y n
yi
xi Yi
x1 y 1
x2 y 2
.
.
xn y n
xi yi
xi2
x1 2
x2 2
.
.
xn 2
xi 2
n x iYi x i Yi
n xi ( x i )
Yi
xi
A=
-b
= Yb x
n
n
2
A = ln a
a = eA
24
b. y = a xb
Proses Linearisasi
Y = A + bX
y=ax
log y
b
1
x
xi
x1
x2
.
.
xn
xi
yi
y1
y2
.
.
yn
y i
b=
A=
X i = log xi
log x1
log x2
.
.
log xn
X i
Yi = log y i
log y 1
log y 2
.
.
log y n
YI
X i Yi
X 1 Y1
X 2 Y2
.
.
X n Yn
X i Yi
X i2
X 12
X 22
.
.
X n2
xi 2
n X i Yi X i Yi
n Xi ( Xi )
2
Yi
Xi
-b
= Yb X
n
n
A = log a a = log-1 A
c. Polinomial y = a 0 + a 1 x + a 2 x2+ .. + a r xr
Jumlah kuadrat dari kesalahan adalah :
D2 =
{yi a0 a1x i a2 xi
n
i =1
D 2
= 0 -2
a 0
D 2
= 0 -2
a1
.... a r xi
konstanta
i =1
n
dapat
dicari
dengan
.... ar x i = 0
r 2
.... ar x i = 0
25
2
M D = 0 -2
a 2
.
.
D 2
= 0 -2
ar
xi
i =1
{y a
i
a1x i a 2 xi .... a r x i
x i {yi a0 a1x i a2 xi
n
i =1
.... a r x i
}= 0
}= 0
xi
x 2
i
.
.
x ir
xi
2
xi
xi
3
xi
. .
. .
xi
.
xi
.
. .
. .
.
xi
.
r +1
xi
. .
r +2
. .
r
xi a0
r +1
xi a1
r+ 2
x i a2
=
. .
. .
r +n
x i ar
yi
xi y i
xi 2 y i
.
.
r
xi y i
y = variabel terikat
D2 =
D2 =
{Observed
i =1
n
i =1
26
x 1i
x 2 i
x 3 i
.
.
x ki
x1i
x 2i
x 3i
...
x1i
x 1i x 2 i
x 1i x 3 i
...
x 1i x 2 i
x 2i
x 2 i x 3 i ...
x 1i x 3 i
.
x 2i x 3 i
.
x3i
.
.
x 1i x ki
.
x 2 i x ki
.
x 3 i x ki
...
.
.
...
x ki
x1i x ki
x 2 i x ki
x 3 i x ki
.
2
x ki
b 0
b1
b 2
b 4 =
.
.
bk
yi
x 1i y i
x 2 i y i
x 3 i y i
.
.
x ki y i
Contoh :
Selesaikan curve fitting dengan model y = c x1b1 x 2b2 dari data variabel y,
x1 dan x2 di tabel berikut ini.
Model non -linear dilinierisasi menjadi model linear.
x1
x2
Y = Log y
X1 = Log x 1
X2 = Log x 2
X1
X2
X1 X2
X1Y
X2Y
83.768
0.5
0.05
1.923
-0.301
-1.301
0.091
1.693
0.392
-0.579
-2.502
82.542
0.5
0.05
1.917
-0.301
-1.301
0.091
1.693
0.392
-0.577
-2.494
16.402
0.1
0.05
1.215
-1.000
-1.301
1.000
1.693
1.301
-1.215
-1.581
18.968
0.1
0.05
1.278
-1.00 0
-1.301
1.000
1.693
1.301
-1.278
-1.663
151.598
0.05
2.181
0.000
-1.301
0.000
1.693
0.000
0.000
-2.837
124.435
0.05
2.095
0.000
-1.301
0.000
1.693
0.000
0.000
-2.726
202.295
0.5
0.16
2.306
-0.301
-0.796
0.091
0.633
0.240
-0.694
-1.835
192.469
0.5
0.16
2.284
-0.301
-0.796
0.091
0.633
0.240
-0.688
-1.818
60.704
0.1
0.16
1.783
-1.000
-0.796
1.000
0.633
0.769
-1.783
-1.419
10
110.964
0.1
0.16
2.045
-1.000
-0.796
1.000
0.633
0.769
-2.045
-1.628
11
380.966
0.16
2.581
0.000
-0.796
0.000
0.633
0.000
0.000
-2.054
12
370.195
0.16
2.568
0.000
-0.796
0.000
0.633
0.000
0.000
-2.044
13
215.205
0.5
0.2
2.333
-0.301
-0.699
0.091
0.489
0.21 0
-0.702
-1.631
14
239.084
0.5
0.2
2.379
-0.301
-0.699
0.091
0.489
0.210
-0.716
-1.663
15
85.404
0.1
0.2
1.931
-1.000
-0.699
1.000
0.489
0.699
-1.931
-1.350
16
83.14
0.1
0.2
1.920
-1.000
-0.699
1.000
0.489
0.699
-1.920
-1.342
17
270.679
0.2
2.432
0.000
-0.699
0.000
0.489
0.000
0.000
-1.700
18
444.666
0.2
2.648
0.000
-0.699
0.000
0.489
0.000
0.000
-1.851
37.820
-7.806
-16.775
6.544
16.888
7.275
-14.129
-34.136
27
28