Bab 11

Pemodelan Data Satu Dimensi

11.1. Pendahuluan
Pemodelan data dapat disamakan dengan interpolasi dan ekstrapolasi dalam Bab 1,
tetapi dengan tingkat akurasi yang jauh lebih baik, karena didasarkan pada kriteria
penyimpangan minimal dengan pengujian-pengujian statistik.
Dalam bab ini, yang dimaksudkan dengan pemodelan data 1-D adalah menyatakan atau
merepresentasikan data yang mempunyai 1 peubah bebas dan 1 peubah tak bebas
dalam bentuk fungsi 1-D dengan 1 peubah bebas dan 1 peubah tak bebas.
Sebagai ilustrasi diberikan data nilai kadar air dari perconto yang diambil dari kedalaman
tertentu. Dalam hal ini kedalaman merupakan peubah bebas (x) dan kadar air (y)
merupakan peubah tak bebas.

Tabel 11.1: Kadar Air Perconto Lumpur Resen di Lusiana

(Sumber: Davis, 1973)

x = Kedalaman (ft)

y = Kadar Air (%)

( y y )2

1
2
3
4
5
6
7
8

0
5
10
15
20
25
30
35

124
78
54
35
30
21
22
18

5814
915
39
163
315
716
663
885

y = 47.75

(y y)

9509.50

XI-1
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

140

Kurva II

120

y = Kadar Air (%)

100

80

C
60

Kurva I

y rata-rata = 47.75

40

20

0
0

10

15

20

25

30

35

x = Kedalaman (ft)

Gambar 11.1: Plot Kadar Air (y) terhadap Kedalaman (x)

11.2. Pemodelan Data 1-D dengan Polinomial

Secara umum polinomial derajat tinggi dapat dinyatakan sebagai berikut:

y i = bo + b1 xi + b2 xi 2 + b3 x i 3 + b4 xi 4 ...............bn xi n

11.2.1.

(11-1)

Model Polinomial Orde Nol (Model Konstan)

Pemodelan data 1-D yang paling sederhana berdasar persamaan (11-1) adalah model
polinomial orde nol atau model konstan yang dinyatakan sebagai berikut:
y i = bo

(11-2)

Dalam kasus data kadar air di atas, model data konstan dinyatakan dengan data kadar
rata-rata yang diekspresikan sebagai berikut:
y i = y = 47.75

(11-3)

XI-2
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Model konstan pada Gambar 1 digambarkan sebagai garis lurus (Kurva I) dengan
persamaan (11-3). Berikut ini diberikan beberapa parameter statistik untuk mengukur
tingkat akurasi model. Sum of squares to deviation (SSD) atau jumlah deviasi kuadrat
dinyatakan sebagai berikut:
i =n

SS D =

(y

y i ) =8948.44
2

(11-4)

i =1

SSD menggambarkan jumlah total simpangan atau deviasi kuadrat antara data model
dan data aktual. SSD merupakan salah satu ukuran akurasi model. Total sum squares
(SST), adalah jumlah total simpangan atau deviasi kuadrat antara data aktual dan data
rata-rata. SST dapat dinyatakan dan mempunyai harga sebagai berikut:
i=n

SS T =

y
i =1

2
i

1

n

i =n

i =1

yi =

i=n

(y

y ) = 9509.5

(11-5)

i =1

Harga varians data aktual kadar air dinyatakan dan berharga sebagai berikut ini:
i =n

n
SS
s aktual = T =
n 1
2

i =1

i =n
yi
yi

i =1 = 1358.5
n( n 1 )
2

(11-6)

Sum of square to regression (SSR) dihitung sebgai berikut:

SS R = SS T SS D = 9509 .50 8948 .44 = 561.06

(11-7)

Goodness of fit menyatakan kecocokan model dalam merepresentasikan data aktual

yang dinyatakan dan mempunyai harga sebagai berikut:

R2 =

SS R
= 0.06
SS T

(11-8)

Semakin dekat harga goodness of fit dengan satu, maka model semakin baik
merepresentasikan data aktual. Multiple correlation coefficient dapat dinyatakan dan
mempunyai harga sebagai berikut:

R=

SS R
= 0.24
SS T

(11-9)

Harga ini sama dengan correlation coefficient atau koefisien korelasi yang dinyatakan
berikut ini:
SS xy
r=
= 0.24
(11-10)
SS x .SS y

XI-3
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

11.2.2.

Model Polinomial Orde Satu (Model Linier)

Pemodelan data 1-D linier berdasar persamaan (11-1) adalah model linier data 1-D yang
direpresentasikan dengan persamaan linier sebagai berikut:
y i = bo + b1 x i

(11-11)

Dalam Gambar 1, persamaan (11-11) digambarkan sebagai garis lurus (Kurva II).
Permasalahannya adalah, garis lurus manakah yang dapat memodelkan data kadar air
terbaik. Garis lurus terbaik adalah garis lurus dengan jumlah deviasi kuadrat terkecil
(least square).
Deviasi, yaitu perbedaan antara data model dan data aktual, dapat ditentukan dengan
tiga cara, yaitu: deviasi dalam arah sumbu x (garis A), tegak lurus Kurva II (garis B)
serta dalam arah sumbu y (garis C). Dalam hal ini yang paling logis adalah garis C. Hal
ini berarti untuk peubah bebas tertentu, terdapat simpangan antara data model dan data
aktual. Agar diperoleh garis lurus terbaik, maka harga sum of squares to deviation (SSD)
atau jumlah deviasi kuadrat harus minimum atau terkecil dan dapat dinyatakan sebagai
berikut:
i =n

SS D =

(y

y i ) = min imum
2

(11-12)

i =1

Permasalahan nilai minimum dan maksimum melibatkan analisis kalkulus terhadap

persamaan (11-11) dan (11-12) yang cukup rumit. Pada kesempatan ini hanya diberikan
hasil akhirnya saja berupa persamaan normal yang dinyatakan sebagai berikut:
i =n

i =n

y i = bo n + b1

i =1

(11-13)

i =1

i =n

x y
i

i=n

= bo

i =1

i=n

+ b1

i =1

(11-14)

i =1

Dengan manipulasi selanjutnya pada persamaan (11-13) dan (11-14) akan diperoleh
persamaan berikut:
i =n

b1 =

xi y i

i =1

i =n

i =1

bo =

1
n

x i2

i =1

i =n

yi

i =n

y
xi

i =1

1

n

i=n

1
n

b1
n

i=n

i =1

i =1

xi

SPxy
SS x

(11-15)

i=n

= y b1 x

(11-16)

i =1

XI-4
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Persamaan (11-13) dan (11-14) merupakan persamaan simultan linier dengan bo dan b1
sebagai nilai yang tidak diketahui. Penulisan dalam bentuk matrik dinyatakan sebagai
berikut:

x b = y
x b xy

(11-17)

Tabel 11.2: Pengolahan Data Kadar Air Perconto

untuk Model Linier
n

x2

y2

xy

( y y )2

( y y )2

1
2
3
4
5
6
7
8

0
5
10
15
20
25
30
35

124
78
54
35
30
21
22
18

0
25
100
225
400
625
900
1225

15376
6084
2916
1225
900
441
484
324

0
390
540
525
600
525
660
630

5814
915
39
163
315
716
663
885

94.67
81.27
67.87
54.47
41.07
27.67
14.27
0.87

5814
915
39
163
315
716
663
885

x =

x2 =

y2

xy =

(y y)

( y y )

140

3500

27750

3870

9509.50

7541.52

Dengan mensubstitusi hasil perhitungan yang dikerjakan pada Tabel 11.2 ke dalam
persamaan (11-17), maka akan diperoleh persamaan matrik berikut ini.

140 bo 382
8
140 3500 b = 3870

(11-18)

Dari persamaan (11-18) dihasilkan bo = 94.67 dan b1 = -2.68, sehingga persamaan garis
lurus terbaik didapatkan dengan mensubstitusikan harga bo dan b1 tersebut ke dalam
persamaan (11-11), sehingga diperoleh persamaan model linier (Kurva II) berikut ini.
y i = 94.67 2.68 x i

(11-19)

Dengan memperhatikan Tabel 11.2, maka SST model linier dapat dinyatakan dan
mempunyai harga sebagai berikut:
i=n

SS T =

y
i =1

2
i

1

n

i =n

i =1

yi =

i=n

(y

y ) = 9509.5

(11-20)

i =1

XI-5
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Harga varians data aktual berdasar model linier dinyatakan dan mempunyai harga
sebagai berikut ini.
i =n

n
SS
s aktual = T =
n 1

i =1

i =n
yi
yi

i =1 = 1358.5
n( n 1 )

(11-21)

Dengan memperhatikan Tabel 11.2 harga, SSR model linier dapat dinyatakan dan
mempunyai harga sebagai berikut:

i =n

SS R =

y i 2

i =1

i =n

y i

i =1
=

i =n

(yi yi )

= 7541.52

(11-22)

i =1

Mengacu pada persamaan (11-21), maka varians data model linier mempunyai harga:
i =n

n
SS R
s mod el =
=
n 1

i =1

i =n
y i
y i

i =1 = 1077.36
n( n 1 )

(11-23)

Dengan memperhatikan Tabel 11.2 harga, SSD model linier dapat dinyatakan dan
mempunyai harga sebagai berikut:
SS D = SS T SS R = 1967 .98

(11-24)

Persamaan (11-24) dapat juga dinyatakan sebagai berikut:

i =n

SS D =

(y

y i ) = 1967.98
2

(11-25)

i =1

Goodness of fit model linier dinyatakan dan mempunyai harga sebagai berikut:

R2 =

SS R
= 0.79
SS T

(11-26)

Multiple correlation coefficient model linier dapat dinyatakan dan mempunyai harga
sebagai berikut:

R=

SS R
=r=
SS T

SS xy

= 0.89

(11-27)

SS x .SS y

XI-6
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

11.2.3.

Model Polinomial Orde Dua (Model Nonlinier)

Mengacu pada persamaan (11-1), persamaan model polinomial orde 2 dinyatakan

sebagai berikut:

y i = bo + b1 xi + b2 x i 2

(11-28)

Dengan kriteria yang sama, yaitu deviasi kuadrat terkecil atau minimum seperti yang
diberikan pada persamaan (11-12) serta analisis kalkulus, maka akan diperoleh
persamaan normal seperti pada persamaan (11-13) dan (11-14), untuk model nonlinier
polinomial orde dua dengan 3 buah persamaan normal yang dinyatakan sebagai berikut:
i =n

i=n

= bo n + b1

i =1

+ b2

i =n

x i y i = bo

i =1

i =1

i=n

x i2 + b2

i =1

(11-29)

i =1

i=n

x i2 y i = bo

2
i

i =n

x i + b1

i =1

i =n

i =1

i =n

i =n

i =1

(11-30)

i =1

i =n

xi2 + b1

3
i

i =n

xi3 + b2

i =1

4
i

(11-31)

i =1

Persamaan (11-29), (11-30) dan (11-31) merupakan persamaan linier simultan yang
dapat dinyatakan dalam bentuk matriks sebagai berikut:

x x
x x
x x

x
x

bo

3
b1 =

4 b
2
2

y
xy
x y

(11-32)

Tabel 11.3: Pengolahan Data Kadar Air Perconto

untuk Model Polinomial Orde Dua
n

x2

x3

x4

xy

x2y

( y y )2

1
2
3
4
5
6
7
8

0
5
10
15
20
25
30
35

124
78
54
35
30
21
22
18

0
25
100
225
400
625
900
1225

0
125
1000
3375
8000
15625
27000
42875

0
625
10000
50625
160000
390625
810000
1500625

0
390
540
525
600
525
660
630

0
1950
5400
7875
12000
13125
19800
22050

117.33
84.53
58.23
38.43
25.13
18.33
18.03
24.23

4841
1353
110
87
512
866
883
553

x =

y =

x2 =

x3 =

x4 =

xy =

x2y =

( y y )

140

382

3500

98000

2922500

3870

82200

9204.51

XI-7
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Dengan hasil-hasil seperti yang diberikan dalam Tabel 11.3, maka persamaan (11-32)
akan menjadi sebagai berikut:

140
3500 bo 382
8
140
3500
98000 b1 = 3870

3500 98000 2922500 b2 82200

(11-33)

Persamaan (11-33) akan menghasilkan bo = 117.33, b1 = -7.21 dan b2 = 0.13. Jika

harga-harga koefisien ini disubstitusikan ke dalam persamaan (11-28), maka akan
diperoleh model data kadar air dengan polinomial orde 2 yang diekspresikan sebagai
berikut:
y i = 117.33 7.21x i + 0.13 x i 2

(11-34)

Tabel 11.4: Perbandingan Karakter Model Polinomial 1-D

SST

SSR

SSD

R2

9509.50
9509.50
9509.50

561.06
7541.52
9204.51

8948.44
1967.98
305.00

0.06
0.79
0.97

0.24
0.89
0.98

Orde Model

Model konstan (0)

Model linier (1)
Model nonlinier (2)

Dari Tabel 11.4 dapat diketahui, bahwa model dengan orde semakin tinggi akan
semakin akurat, ditinjau dari koefisien korelasi (R) yang semakin mendekati satu.

11.2.4.

Model Polinomial Orde Tinggi (Model Nonlinier)

Jika orde polinomial yang digunakan sama dengan jumlah data aktual (n), maka secara
teoritis SSD akan berharga nol, sehingga nilai R akan berharga satu, dengan demikian
garis kurva akan melalui semua titik data aktual. Koefisien-koefisien polinomial dalam
persamaan (11-1) secara skematis akan mempunyai bentuk sebagai berikut:

n
x0

x2

x3

.
.

xn

x x x
2

. . .

. . .

. . .

.
.

.
.

.
.

. . .
. . .

.
.

.
.

.
.

. . .
. . .

. . .

n 1

b
o

. b1

. b2

. b3
=

. .

. .

. .

x 2 n bn

y
xy
x y
x y
2
3

.
.

x n y

(11-34)

XI-8
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

11.3. Pemodelan Data 1-D dengan Deret Fourier

Pemodelan data 1-D dengan deret Fourier merupakan pemodelan menggunakan
penambahan fungsi trigoniometri yang berulang (cyclic) dalam periode (cycle) tertentu
dan dinyatakan secara matematis sebagai berikut:
n =

y i =

cos

2 nx i

n =1

+ n sin

2 nxi

(11-35)

n , n , n , masing-masing adalah jumlah iterasi, koefisien Fourier cosinus, koefisien

Fourier sinus dan perioda. Jika suku cosinus dan sinus disederhanakan menjadi sebagai
berikut:

C n = cos
S n = sin

2 nx i

(11-36)

2 nxi

maka persamaan (11-35) dapat dimodifikasi menjadi sebagai berikut:

n =

y i =

( C
n

+ n Sn )

(11-37)

n =o

Persamaan (11-37) dapat dikembangkan misalnya dengan dua cycle dengan n = 0, 1

yang dapat dinyatakan sebagai berikut:
y i = o C o + o S o + 1 C 1 + 1 S 1

(11-38)

Koefisien-koefisien Fourier dapat ditentukan dari persamaan matrik berikut ini:

n C o2

S o Co

C1C o

S 1C o

C S C C C S
S S C S S
C S C C S
S S S C S
o

2
o

2
1

1 1

2
1

o
=

1

1

yC
yS
yC
yS
o

(11-39)

Untuk tingkat akurasi yang lebih tinggi persamaan (11-37) dapat dikembangkan secara
teoritis sampai dengan cycle yang sangat besar mendekati tak terhingga. Misalnya jika
persamaan (11-37) dikembangkan sampai dengan cycle k dengan n = 0,1,2,3, k,
maka persamaan (11-38) akan menjadi sebagai berikut:
y i = o C o + o S o + 1 C 1 + 1 S 1 + 2 C 2 + 2 S 2 + ........ + k C k + k S k

(11-40)

Dengan demikian persamaan matrik koefisien Fourier akan mempunyai bentuk sebagai
berikut:

XI-9
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

C C S C C
.
S C S
.
C C
C

2
o

2
o

C C C S

. . .

2
1

. . .

.
.

.
.

. . .
. . .

. . .

.
.

.
.

. . .
. . .

.
C k2

.
.

.
Ck Co

S C S S
k

S C

. . .

S k2

o
o

1
1
=
.
.

k

k

yC
yS
yC
yS
o

.
yC k

yS k

(11-41)

Persamaan matrik (11-39) dapat disederhanakan dengan mengintrodusir prinsip

ortogonalitas, yaitu pada saat n = 0, dan disubstitusi kedalam persamaan (11-36)
sehingga menghasilkan persamaan berikut ini:

C o = cos

2 nxi

= cos

2( 0 )xi

=1

2 nxi
2( 0 )xi
S o = sin
= sin
=0

(11-42)

Jika persamaan (11-42) disubstitusi ke dalam persamaan (11-38) akan menghasilkan

persamaan model deret Fourier dua cycle sebagai berikut:
y i = o + 1C 1 + 1 S 1

(11-43)

Koefisien Fourier dapat ditentukan dengan cara mensubstitusi persamaan (11-42) ke

dalam persamaan (11-39), sehingga akan menghasilkan persamaan matrik berikut ini:

C
S

C S
C C S
S C S
1

2
1

1 1

2
1

1 =

1

y
yC
yS
1

(11-44)

Prinsip yang sama dapat diterapkan pada persamaan (11-40) dan (11-41), sehingga
dapat disimpulkan bahwa, koefisien Fourier yang dicari berjumlah n + 1.
Jika spasi peubah bebas berharga tetap, misalnya sebesar x, maka koefisien Fourier
dapat dihitung secara lebih sederhana berdasar rumus berikut:

1
o =
ndata

n =
n =

1
ndata
1
ndata

i = ndata

i =1

i = ndata

y cos
i

i =1

i = ndata

y
i =1

sin

2 nxi

(11-45)

2 nxi

XI-10
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Menurut prinsip ortogonalitas harga o = 0 , jadi tidak perlu dihitung. Harga dalam
koefsien Fourier disebut dengan perioda data atau panjang gelombang. Perioda data
seringkali tidak dapat diketahui, sehingga tidak diketahui besarnya. Untuk itu, maka
harga diasumsikan berharga satu atau dinyatakan sebagai berikut:

=1

(11-46)

Untuk memberi ilustrusi pemakaian deret Fourier dalam pemodelan data 1-D, maka data
kadar air pada Tabel 11.1 digunakan sebagai contoh. Model data kadar air dapat
didasarkan pada persamaan (11-43).

Tabel 11.5: Pengolahan Data Kadar Air Perconto

untuk Model deret Fourier Dua Cycle
n

C1

C12

S1

S12

C1 S1

C1y

S1y

( y y )2

1
2
3
4
5
6
7
8

0
5
10
15
20
25
30
35

124
78
54
35
30
21
22
18

1.00
1.00
1.00
1.00
1.00
1.00
1.00
0.99

1.00
1.00
1.00
1.00
1.00
0.99
0.99
0.99

0.00
-0.02
-0.03
-0.05
-0.06
-0.08
-0.10
-0.11

0.00
0.00
0.00
0.00
0.00
0.01
0.01
0.01

0.00
-0.02
-0.03
-0.05
-0.06
-0.08
-0.09
-0.11

124.00
77.99
53.97
34.96
29.94
20.93
21.90
17.89

0.00
-1.24
-1.72
-1.67
-1.91
-1.67
-2.10
-2.00

117.33
84.50
58.15
38.26
24.85
17.92
17.47
23.51

4840.73
1350.93
108.13
90.00
524.24
889.62
916.62
587.76

C1

C12

S1

S12

C1S1

C1y

S1y

( y y )

140

382

7.98

7.96

-0.44

0.03

-0.44

381.58

-12.31

9308.02

Hasil-hasil dalam Tabel 11.5 selanjutnya disubstitusi ke dalam persamaan (11-44),

sehingga dihasilkan persamaan linier simultan dalam matrik berikut ini:

7.98 0.44 o 382

8
7.98
7.96 0.44 1 = 381.58

0.44 0.44 0.03 1 12.31

(11-47)

Penyelesaian persamaan (11-47) menghasilkan koefisien Fourier sebagai berikut:

0 = 25569.10
1 = -25451.77
1 = 2263.51

(11-48)

Persamaan (11-48) disubstitusi ke dalam persamaan (11-43), sehingga dihasilkan

model data kadar air berdasar deret Fourier dua cycle yang dinyatakan sebagai berikut:
y i = 25569 .10 25451 .77 C 1 + 2263 .51S 1

(11-49)

XI-11
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Berikut ini diberikan perbandingan antara data aktual kadar air dan data model berdasar
beberapa model serta beberapa parameter statistik yang mengukur tingkat akurasinya.

Tabel 11.6: Data Aktual dan Data Model Berdasar Beberapa Model

Pol. Orde
0

Pol. Orde
1

Pol. Orde
2

Fourier Cycle
2

1
2
3
4
5
6
7
8

0
5
10
15
20
25
30
35

124
78
54
35
30
21
22
18

47.75
47.75
47.75
47.75
47.75
47.75
47.75
47.75

94.67
81.27
67.87
54.47
41.07
27.67
14.27
0.87

117.33
84.53
58.23
38.43
25.13
18.33
18.03
24.23

117.33
84.50
58.15
38.26
24.85
17.92
17.47
23.51

Tabel 11.7: Perbandingan Karakter Beberapa Model

Orde Model

Model konstan (0)

Model linier (1)
Model nonlinier (2)
Model Fourier (2)

SST

SSR

SSD

R2

9509.50
9509.50
9509.50
9509.50

561.06
7541.52
9204.51
9308.02

8948.44
1967.98
305.00
201.48

0.06
0.79
0.97
0.98

0.24
0.89
0.98
0.99

Berdasar hasil-hasil yang diberikan dalam Tabel 11.7 dapat disimpulkan bahwa model
Fourier dua cycle mempunyai akurasi yang sangat baik dalam merepresentasikan data
aktual kadar air. Berikut ini data aktual kadar air akan ditampilkan bersama dengan data
model berdasar beberapa model yang telah dijelaskan sebelumnya.

XI-12
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

140

120

Kadar Air (%)

100
Data Aktual
Data Model Polinomial Orde Nol
Data Model Polinomial Orde Satu
Data Model Polinomial Orde Dua
Data Model Fourier Dua Cycle

80

60

40

20

0
0

10

15

20

25

30

35

Kedalaman (ft)

Gambar 11.2: Plot Data Air (y) terhadap Kedalaman (x)

Berdasar Beberapa Model

XI-13
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS