x = Kedalaman (ft)
( 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
100
80
C
60
Kurva I
y rata-rata = 47.75
40
20
0
0
10
15
20
25
30
35
x = Kedalaman (ft)
y i = bo + b1 xi + b2 xi 2 + b3 x i 3 + b4 xi 4 ...............bn xi n
11.2.1.
(11-1)
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)
(11-7)
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.
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
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)
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)
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.
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)
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
(11-33)
(11-34)
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
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.
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
y i =
cos
2 nx i
n =1
+ n sin
2 nxi
(11-35)
C n = cos
S n = sin
2 nx i
(11-36)
2 nxi
y i =
( C
n
+ n Sn )
(11-37)
n =o
(11-38)
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)
C o = cos
2 nxi
= cos
2( 0 )xi
=1
2 nxi
2( 0 )xi
S o = sin
= sin
=0
(11-42)
(11-43)
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).
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
(11-47)
0 = 25569.10
1 = -25451.77
1 = 2263.51
(11-48)
(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
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
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)
XI-13
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS