Metode Numerik

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 :

Pertama, berusaha mencari bentuk kurva yang mewakili rangkaian data

diskrit tersebut.

Kedua, berusaha meng-estimasi/memperkirakan nilai data pada titik2 di

antara nilai2 yang diketahui.

Keduanya dikenal sebagai teknik Pencocokan Kurva (curve fitting).

Metode Numerik

M. Sitepu

Pendekatan2 yang lazim digunakan untuk melakukan Pencocokan Kurva antara lain adalah :

Regresi Kuadrat Terkecil (least-square regresion)

Metode ini digunakan apabila data (yang tersaji) memiliki tingkat kesalahan berarti. Anda hanya perlu membuat sebuah kurva yang dapat merepresentasikan tren umum dari data-data tersebut. Kurva ini harus dapat menyatakan kecenderungan umum dari data yang tersaji.
f(x) f(x)

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) :

Deviasi Standar () atau penyebaran nilai data adalah :

Atau dapat pula dinyatakan dalam bentuk Varians ( 2 ) :

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

5. Tingkat kesalahan fungsi g(x) diukur melalui rumus berikut :

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

Karena turunan pertama thd parameter a dan b masing-masing adalah nol:

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

contoh : tentukan persamaan garis yang mewakili data berikut : x 1 2 3 4 5 6 7 8 9 10 y 4 6 8 10 14 16 20 22 24 28

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

Nilai rerata untuk x dan y adalah :

x = x / n = 55/10 = 5,5 y = y / n = 152/10 = 15,2 Jika persamaan umum garis dinyatakan sebagai : y = a + bx, dan, n x i yi - x i y i 10 . 1058 55 . 152 2220 b = = = n xi2 ( xi)2 10 . 385 (55)2 825 a = y bx = 15,2 - 2,690909 . 5,5 = 0.4 Jadi persamaan garis yang mendekati rangkaian data tersebut adalah :

= 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 :

log y = b log x + log a

persamaan di atas berbentuk garis lurus dengan kemiringan b dan memotong sumbu log y di log a.

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;

Maka persamaan log di atas dapat ditulis menjadi lebih sederhana : p = A + Bq No

1 2 3

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

Dari tabel tersebut dapat y = yi / n = 19,7 / 5 = q = log xi / n = 2,0791 p = log yi / n = 2,1411

diperoleh beberapa parameter penting, seperti : 3,94 / 5 = 0,4158 / 5 = 0,42822

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

Maka persamaan log di atas dapat ditulis menjadi lebih sederhana : p = A + Bq No

1 2 3 4 5

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

yi 0,5 1,7 3,4 5,7 8,4 19,7

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

40,132 0,00238 = 40,132

r =

= 0,99997

Sedangkan untuk transformasi ln : Dt2 D2 Dt2

40,132 5,60746 = 40,132

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

D2 = (yi a0 a1xi a2xi2 - - arxir)2

i=1
Metode Numerik

(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

(a0 - a1x - a2x2 - - arxr)

= - 2 xi (a0 - a1x - a2x2 - - arxr)

i=1 n

= - 2 xi2 (a0 - a1x - a2x2 - - arxr)

i=1

Bisa anda lihat, bentuk persamaan2 di samping menyerupai sistem persamaan, bukan?!...

= - 2 xir (a0 - a1x - a2x2 - - arxr)

i=1

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

xi2 xi3 xi4

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

a0 = 2,4786 a1 = 2,3593 a2 = 1,8607

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