M. Sitepu
Pencocokan Kurva Regresi Kuadrat Terkecil (RKT) - RKT untuk Kurva Linier - RKT untuk Kurva Non-Linier Regresi Polynomial Least Square Fit
Tugas VI
Metode Numerik
M. Sitepu
Seringkali data tersajikan dalam bentuk serangkaian nilai diskrit (deretan angka2 dalam urutan yang kontinu).
Jika kita tidak mengetahui bentuk fungsi yang menghasilkan data-data tersebut, maka pendekatan terbaik yang dapat kita lakukan adalah dengan men-generate fungsi2 sederhana untuk mengaproksimasi fungsi yang tak diketahui tersebut.
Mengapa bentuk fungsi begitu penting bagi kita?... Selain untuk memenuhi kebutuhan proses numeris, seperti integrasi atau mendapatkan solusi pendekatan dari persamaan differensial, seringkali kita harus menganalisa tren atau melakukan pengujian hipotesis terhadap nilai-nilai diskrit yang dihasilkan oleh fungsi tsb.
Metode Numerik
M. Sitepu
Atas keberadaan serangkaian data diskrit yang tidak diketahui fungsi penghasilnya, ada 2 hal yang dapat anda lakukan :
Metode Numerik
M. Sitepu
Pendekatan2 yang lazim digunakan untuk melakukan Pencocokan Kurva antara lain adalah :
Metode Numerik
M. Sitepu
Interpolasi
Jika tingkat ketelitian data yang disajikan lebih baik, maka metode Interpolasi ini dapat dipakai. Anda dapat menggunakan segmen2 garis lurus untuk menghubungkan titik2 data (interpolasi linier). Atau, cara kedua dengan menggunakan kurva untuk menghubungkan titik2 data.
f(x) f(x)
Analisis regresi menggunakan sedikit notasi dan perhitungan statistik. Ini artinya, ada sedikit yang perlu anda ingat kembali
Metode Numerik M. Sitepu 6
Tahun 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
Debit Air = yi (m3/det) 8,52 3,33 7,85 7,65 10,91 4,17 3,40 8,00 13,4 5,40 8,87 4,73
Rerata/rata-rata data (y) adalah jumlah nilai data (y) dibagi jumlah data (n) :
2003
2004 2005
7,40
6,88 5,00
Metode Numerik
M. Sitepu
Jika anda tahu bahwa data yang tersaji memiliki tingkat kesalahan yang cukup siginifikan, maka penggunaan interpolasi polynomial rasanya bukanlah pilihan yang bijaksana. Karena (kemungkinan besar) hasil pendekatannya akan kurang memuaskan. Ada cara yang lebih mudah, yaitu dengan membuat kurva yang kuranglebih dapat mewakili titik2 data tersebut. Katakan kurva ini adalah kurva dari fungsi g(x) yang mirip dengan fungsi aslinya. Tetapi jika penyebarannya titik2 datanya sangat besar? Rasanya koq sulit cara di atas bisa berhasil, ya?! Kecuali jika, kita membuat kurva g(x) yang sekaligus mampu meminimalkan perbedaan (selisih) antara titik2 data dengan kurva g(x) sendiri. Teknik ini yang disebut dengan metode Regresi Kuadrat Terkecil.
Metode Numerik M. Sitepu 8
Secara umum prosedur untuk mengaplikasikan metode Regresi Kuadrat Terkecil (RKT) ini adalah sbb :
1. Titik2 data diplot ke dalam koordinat cartesian. Dari pola datanya bisa dilihat, apakah kurva pendekatan yang akan kita buat berbentuk garis lurus atau garis lengkung; 2. Tentukanlah sebuah fungsi g(x) yang kira2 bisa mewakili fungsi titik2 data f(x) : g(x) = a0 + a1x + a2x2 + + arxr 3. Jika a0, a1, , ar adalah parameter fungsi g(x), maka tentukan nilai parameter2 tsb sdmk hingga garis g(x) akan mendekati titik2 data; 4. Jika koordinat titik2 data adalah M(xi, yi), maka selisihnya dengan fungsi g(x) adalah : Ei = MiGi = yi g(xi; a0, a1, , ar) = yi (a0 + a1xi + a2xi2 + a3xi3 + + arxir)
Metode Numerik
M. Sitepu
6. Cari nilai parameter a0, a1, , ar sdmk hingga D2 dapat seminimum mungkin. D2 bernilai minimum jika turunan pertamanya terhadap a0, a1, , ar = 0.
7. Persamaan no 6 di atas akan memberikan nilai parameter a0, a1, , ar. Sehingga persamaan kurva terbaik yang mewakili titik2 data dapat diperoleh.
Metode Numerik
M. Sitepu
10
Permasalahan kit a akan menjadi sederhana apabila kurva (yang diwakili oleh titik2 data) berbentuk garis lurus. Seperti anda ketahui, bahwa persamaan umum sebuah garis lurus adalah : g(x) = a + bx Dan jumlah-kuadrat-kesalahan dapat dihitung melalui persamaan :
Agar nilai D2 dapat seminimal mungkin, maka persamaan jumlahkuadrat-kesalahan di atas harus diturunkan terhadap parameter a dan b (untuk kemudian disamadengankan 0).
Metode Numerik
M. Sitepu
11
maka diperoleh:
Kedua persamaan ini dapat dimanfaatkan untuk mendapatkan koefisien a dan b, sehingga fungsi g(x) dapat diperoleh.
Metode Numerik
M. Sitepu
12
Sedangkan untuk mengetahui derajat kesesuaian dari persamaan yang dicari, dapat dihitung melalui koefisien korelasi yang berbentuk : Dt2 D2 Dt2 r = koefisien korelasi
n n
r2 = dengan,
Dt2 = ( yi y )2
i=1
D2 = ( yi a - bxi )2
i=1
Jika r = 1, maka fungsi g(x) memiliki tingkat kesesuaian yang tinggi dengan persamaan aslinya (f(x)). Atau r = 0 jika sebaliknya.
Metode Numerik
M. Sitepu
13
30 25 20 15 10 5 0
No
1 2 3 4 5 6 7
X
xi
1 2 3 4 5 6 7 8 9 10 55
yi
4 6 8 10 14 16 20 22 24 28 152
xi . yi
4 12 24 40 70 96 140 176 216 280 1058
xi2
1 4 9 16 25 36 49 64 81 100 385
8 9 10
10
12
Metode Numerik
M. Sitepu
14
= 2,690909
y = 0.4 + 2,69x
Metode Numerik
M. Sitepu
15
Di dalam praktek akan sering kita jumpai kasus dimana plotting titik2 data memiliki tren berupa kurva lengkung. Sehingga persamaan yang sudah dikenalkan pada subbab sebelumnya tidak dapat (langsung) digunakan. Oleh karenanya perlu dilakukan sedikit transformasi koordinat agar plotting data2 tersebut dapat dipresentasikan dalam kurva linier.
Tetapi bisa dilihat bahwa kurva lengkung yang didekati dengan garis lurus akan menimbulkan kesalahan yang berarti.
Metode Numerik
M. Sitepu
16
Kecuali untuk beberapa bentuk fungsi yang memang dapat didekati dengan metode Linierisasi Kurva Non-Linier. Fungsi2 tersebut antara lain : 1. Fungsi Eksponensial
y = a ebx dengan a1 dan b1 adalah konstanta
persamaan di atas dapat dilinierkan dengan logaritma-natural spt berikut : ln y = ln a + b x ln e jika ln e = 1, maka ln y = ln a + b x
persamaan di atas berbentuk garis lurus dengan kemiringan b, dan memotong sumbu ln y di ln a.
Metode Numerik
M. Sitepu
17
2. Fungsi Berpangkat
fungsi berpangkat adalah contoh lain fungsi (dengan kurvanya yang) nonlinier. y = a xb dengan a dan b adalah konstanta pe-linier-an fungsi di atas juga dapat dilakukan menggunakan persamaan logaritmik spt berikut :
Metode Numerik
M. Sitepu
18
Contoh : Tentukan persamaan kurva lengkung yang diwakili serangkaian data berikut :
x y 1 0,5 2 1,7 3 3,4 4 5,7 5 8,4
Penyelesaian masalah di atas dilakukan melalui 2 fashion, transformasi log dan ln.
9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 X Y
Metode Numerik
M. Sitepu
19
Transformasi log
Misal persamaan yang dicari adalah : y = axb Persamaan tersebut dapat dilinierisasi melalui fungsi logaritmik sbb : log y = log axb atau dapat pula dinyatakan sebagai : log y = log a + b log x Atau jika p = log y; A = log a; B = b; q = log x;
xi
1 2 3
yi
0,5 1,7 3,4
qi (= log xi)
0 0,3010 0,4771
pi (= log yi)
- 0,301 0,2304 0,5315
qi pi
0 0,0693 0,2536
qi2
0 0,0906 0,2276
4
5
4
5
5,7
8,4 19,7
0,6020
0,6990 2,0791
0,7559
0,9243 2,1411
0,4550
0,6461 1,4240
0,3624
0,4886 1,1692
Metode Numerik
M. Sitepu
20
Sedangkan koefisien A dan B dihitung melalui persamaan (4) dan (6) : n qi pi - qi pi 5 (1,4240) 2,0791 (2,1411) 2,6684 B = = = n qi2 ( qi)2 5 (1,1692) 2,0791 (2,0791) 1,5233 A = p B q = 0,42822 1,75172 . 0,4158 = - 0,30015 Karena A = log a maka a = 10A = 0,5010 Karena B = b maka b = 1,75172 Dengan demikian fungsi yang dicari adalah : y = 0,5010 x1,75172
= 1,75172
Metode Numerik
M. Sitepu
21
Transformasi ln
Misal persamaan yang dicari adalah : y = a ebx
Persamaan tersebut dapat dilinierisasi melalui fungsi logaritmik sbb : ln y = ln aebx atau dapat pula dinyatakan sebagai : ln y = ln a + ln ebx Atau jika p = ln y; A = ln a; B = b; q = x; atau ln y = ln a + bx
xi = qi
1 2 3 4 5 15
yi
0,5 1,7 3,4 5,7 8,4 19,7
qi2 (= xi2)
1 4 9 16 25 55
pi (= ln yi)
- 0,6931 0,5306 1,2238 1,7405 2,1282 4,93
qi pi
- 0,6931 1,0612 3,6714 6,962 10,641 21,6425
Metode Numerik
M. Sitepu
22
Dari tabel y = yi / q = qi / p = pi /
tersebut dapat diperoleh beberapa parameter penting, seperti : n = 19,7 / 5 = 3,94 n = 15 / 5 = 3.0 n = 4,93 / 5 = 0,986
Sedangkan koefisien A dan B dihitung melalui persamaan (4) dan (6) : n qi pi - qi pi 5 (21,6425) 15 (4,93) 34,2625 B = = = n qi2 ( qi)2 5 (55) (15)2 50 A = p B q = 0,986 0,6852 . 3,0 = - 1,0696 Karena A = ln a maka a = eA = 0,3431 Karena B = b maka b = 0,6852 Dengan demikian fungsi yang dicari adalah : y = 0,3431 e0,6852x
= 0,6852
Metode Numerik
M. Sitepu
23
Sekarang waktunya memilih. Mana di antara 2 pendekatan yang memberikan akurasi lebih bagus. Caranya adalah dengan menghitungnya melalui nilai koefisien korelasi (7) : Dt2 D2 Dt2
n n n
r2 =
dengan
Dt2 = (yi y)2
i=1
D2 = (yi axb)2
i=1
D2 = (yi aebx)2
i=1
No 1 2 3 4 5
xi 1 2 3 4 5 15
Transformasi log g(xi) 0,4984 1,6848 3,4354 5,6953 8,4296 D 0,000003 0,000231 0,00125 0,000022 0,000876 0,00238 Dt 11,8336 5,0176 0,2916 3,0976 19,8916 40,132 g(xi)
Transformasi ln D 0,03367 0,11813 0,50240 0,12953 4,82373 5,60746 Dt 11,8336 5,0176 0,2916 3,0976 19,8916 40,132 0,6835 1,3563 2,6912 5,3401 10,5963
Metode Numerik
M. Sitepu
24
Dari tabel tersebut dapat dicari nilai r untuk transformasi log : Dt2 D2 Dt2
r =
= 0,99997
r =
= 0,92751
Dapat dilihat bahwa koefisien korelasi r untuk transformasi log lebih besar dibanding transformasi ln. Sehingga bisa disimpulkan bahwa persamaan yang didapat dari transformasi log memberikan pendekatan yang lebih baik.
Metode Numerik
M. Sitepu
25
Persamaan sebuah garis lurus dapat didekati melalui Metode Kuadrat Terkecil. Sementara untuk kurva lengkung, pendekatan yang cukup logis adalah melalui transformasi data aslinya ke bentuk lain yang sesuai. Atau, untuk kurva lengkung dapat pula didekati dengan Regresi Polynomial. Persamaan polynomial orde-r mempunyai bentuk : y = a0 + a1x + a2x2 + + arxr Jumlah kuadrat dari kesalahan adalah :
n
(9)
M. Sitepu
26
Jika didiferensialkan terhadap setiap koefisiennya, maka persamaan (9) akan menjadi : D2 a0 D2 a1 D2 a2 . . . D2 ar
.
= - 2
i=1 n
Bisa anda lihat, bentuk persamaan2 di samping menyerupai sistem persamaan, bukan?!...
Metode Numerik
M. Sitepu
27
n
xi xi2 . . . xir
xi
xi2 xi3 . . . xir+1
xi2
xi3 xi4 . . . xir+2
xir
xir+1 xir+2 . . . xir+r
a0
a1 a2 . . . ar =
yi
xiyi xi2yi . . . xiryi
Berarti anda bisa menyatakan himpunan persamaan turunan tersebut menjadi AX = B. Dan selanjutnya kita dapat menggunakan metode untuk mencari himpunan solusi pada sistem persamaan (eliminasi Gauss, GaussJordan, dll) untuk menentukan nilai a0, a1, , ar.
Metode Numerik
M. Sitepu
28
contoh : carilah persamaan kurva polynomial orde-2 yang mewakili data berikut : x 0 1 2 3 4 5 y 2,1 7,7 13,6 27,2 40,9 61,1
Persamaan polynomial orde-2 memiliki bentuk : g(x) = a0 + a1x + a2x2 Ei = yi g(x) Ei2 = (yi a0 a1x a2x2)2 D2 = Ei2
Diferensialisasi D2 terhadap setiap koefisiennya akan menghasilkan bentuk : n xi xi2 xi xi2 xi3 xi2 xi3 xi4 a0 a1 a2 = yi xiyi xi2yi
Metode Numerik
M. Sitepu
29
No
1 2 3 4
xi
0 1 2 3
yi
2,1 7,7 13,6 27,2
xi2
0 1 4 9
xi3
0 1 8 27
xi4
0 1 16 81
xiyi
0 7,7 27,2 81,6
xi2yi
0 7,7 54,4 244,8
5
6
4
5 15
40,9
61,1 152,6
16
25 55
64
125 225
256
625 979
163,6
305,5 585,6
654,4
1527,5 2488,8
n xi xi2
xi xi2 xi3
a0 a1 a2 =
yi xiyi xi2yi
6
15 55
15
55 225
55
225 979
a0
a1 a2 =
152,6
585,6 2488,8
Metode Numerik M. Sitepu 30
Dengan menggunakan data tabel, maka diperoleh : 6a0 + 15a1 + 55a2 = 152,6 15a0 + 55a2 + 225a3 = 585,6 55a0 + 225a2 + 979a3 = 2488,8 Jadi persamaan kurva yang dicari adalah : y = 2,4786 + 2,3593 x + 1,8607 x2
Metode Numerik
M. Sitepu
31
Metode Numerik
M. Sitepu
32
Metode Numerik
M. Sitepu
33
Metode Numerik
M. Sitepu
34
Metode Numerik
M. Sitepu
35
Metode Numerik
M. Sitepu
36
Metode Numerik
M. Sitepu
37
Metode Numerik
M. Sitepu
38
Metode Numerik
M. Sitepu
39
Metode Numerik
M. Sitepu
40
Metode Numerik
M. Sitepu
41
Metode Numerik
M. Sitepu
42
1.
Tentukan: (a) rerata; (b) deviasi standar; dan (c) varian; dari data-data berikut 0,95 1,42 1,54 1,55 1,63 1,32 1,15 1,47 1,95 1,25 1,46 1,47 1,92 1,35 1,05 1,85 1,74 1,65 1,78 1,71 2,39 1,82 2,06 2,14 2,27 Gunakan regresi kuadrat terkecil untuk menaksi fungsi garis lurus dari data berikut : x 1 3 5 7 10 12 13 16 18 20 y 3 2 6 5 8 7 10 9 12 10 Gunakan regresi kuadrat terkecil untuk menaksi fungsi garis lurus dari data berikut : x 4 6 8 10 14 16 20 22 24 28 28 34 36 38 y 30 18 22 28 14 22 16 8 20 8 14 14 0 8 Gunakan regresi kuadrat terkecil untuk menaksi fungsi kurva dari data berikut : x 1 2 2,5 4 6 8 8,5 y 0,4 0,7 0,8 1,0 1,2 1,3 1,4
2.
3.
4.
Metode Numerik
M. Sitepu
43
5.
Gunakan regresi kuadrat terkecil untuk menaksi fungsi kurva dari data berikut : x 2,5 3,5 5 6 7,5 10 12,5 15 17,5 20 y 5 3,4 2 1,6 1,2 0,8 0,6 0,4 0,3 0,3 Gunakan regresi polynomial untuk menaksi fungsi kurva dari data berikut : x 0,05 0,4 0,8 1,2 1,6 2,0 2,4 y 550 750 1.000 1.400 2.000 2.700 3.750 Gunakan regresi polynomial untuk menaksi fungsi kurva dari data berikut : x 0 2 4 6 9 11 13 15 17 19 23 25 28 y 1,2 0,6 0,4 -0,2 0 -0,6 -0,4 -0,2 -0,4 0,2 0,4 1,2 1,8
6.
7.
Metode Numerik
M. Sitepu
44