BAB 5

REGRESI DAN INTERPOLASI

5.1. Permasalahan Fungsi Pendekatan
Permasalahan yang banyak berhubungan dengan pola suatu data adalah fungsi yang
melibatkan data. Sebagai contoh bila diketahui data-data penjualan suatu produk, akan muncul
pertanyaan adakah fungsi yang menyatakan bahwa penjualan merupakan fungsi dari waktu.
Beberapa kenyataan menunjukkan bahwa penjualan dipengaruhi oleh waktu seperti contoh
berikut ini :
a. Penjualan es campur disiang hari akan lebih baik dari pada penjualan di malam hari.
b. Penjualan baju akan meningkat pada hari-hari tertentu seperti hari Sabtu dan Minggu, harihari sebelum tahun baru, dsb.
c. Penjualan peralatan sekolah akan meningkat pada setiap tahun ajaran baru.
Dari kenyataan-kenyataan di atas dapat dikatakan bahwa penjualan merupakan fungsi dari waktu.
Persoalannya adalah bagaimana menyajikan fungsi tersebut. Ini adalah persoalan yang sangat tidak
mudah dipecahkan, karena betapa idealnya bila diketahui suatu fungsi yang bisa menyatakan penjualan
adalah fungsi waktu atau dituliskan dengan J = F(t).

Pada persoalan yang lain, keuntungan yang dihasilkan pada sebuah perusahaan dagang atau
industry merupakan fungsi dari jumlah produk yang diperdagangkan. Semakin besar jumlah produk
yang dijual maka semakin besar hasil penjualan atau penerimaan yang diperoleh. Tetapi semakin besar
produk yang dijual berarti semakin besar produk yang dibeli atau diproduksi, maka semakin besar juga
biaya yang dibutuhkan.
Bila penerimaan dapat disajikan secara eksplisit sebagai fungsi dari jumlah produk yang
dituliskan dengan P = F1(x) dan biaya juga dapat disajikan secara eksplisit sebagai fungsi dari jumlah
produk yang dituliskan dengan B = F2(x), maka dengan mudah ditentukan jumlah keuntungan yang
diperoleh bila produk yang dijual adalah x dengan K = P B atau K = F1(x) - F2(x). Lebih jauh lagi
-1-

dapat dengan mudah ditentukan BEP (Break Event Point) dengan menyatakan BEP adalah x dimana
F1(x) = F2(x).

Untuk dapat menyajikan fungsi, yang dapat dilakukan adalah menggunakan fungsi pendekatan,
yaitu fungsi yang paling sesuai untuk menyatakan suatu data berdasarkan model fungsi tertentu seperti
model fungsi linier, fungsi eksponensial, dan fungsi polynomial.
Cara pendekatan semacam ini dinamakan dengan Regresi. Jenis regresi sangat ditentukan oleh
model fungsi yang ditentukan, sehingga jenis regresi yang banyak dikenal adalah :
1. Regresi Linier, suatu cara pendekatan menggunakan fungsi linier.
Data x dan y dianggap erhubungan seara linier.
y = ax + b
2. Regresi Polinomial, suatu cara pendekatan menggunakan fungsi polinomial.
Data x dan y dianggap berhubungan secara polinomial.
y = anxn + an-1xn-1 + .+ a2x2 + a1x + a0
3. Regresi Eksponensial, suatu cara pendekatan menggunakan fungsi eksponensial.
Data x dan y dianggap berhubungan secara eksponensial.
y = eax+b

Cara pendekatan yang lain bukan untuk menyatakan fungsi tetapi untuk mencari nilai-nilai antara
titik-titik yang diketahui sehingga pola fungsinya semakin jelas terlihat atau membentuk suatu kurva.
Cara pendekatan ini dinamakan dengan interpolasi. Interpolasi digunakan untuk menentukan titik-titik
yang lain berdasarkan fungsi pendekatan yang ditentukan sebelumnya. Berdasarkan fungsi pendekatan
yang digunakan, interpolasi ada dua macam yaitu :
1. Interpolasi linier, suatu bentuk interpolasi dengan fungsi pendekatan linier.
2. Interpolasi lagrange, suatu bentuk interpolasi dengan fungsi pendekatan polinomial.

-2-

Gambar Perbedaan antara regresi (a) dan interpolasi (b, c)

5.2. Interpolasi
A. Interpolasi Linier
Interpolasi linier adalah suatu bentuk interpolasi untuk menentukan titik-titik antara dari titik-titik
yang diketahui menggunakan fungsi pendekatan yang berupa fungsi linier. Dengan interpolasi linier,
akan diperoleh sejumlah titik antara dua titik A(x1,y1) dan B(x2,y2).
Bila diketahui dua titik A(x1,y1) dan B(x2,y2), maka titik antara dua titik A dan B tersebut
menggunakan pendekatan garis lurus, dapat dihitung :

B(x2,y2)
C(xk,yk)

A(x1,y1)
X
Gambar. Interpolasi Linier

-3-

Berdasarkan persamaan garis yang melewati dua titik :

y y1

x x1

y2 y1

x2 x1
y2 y1

y y1

x2 x1

x x1

Bila x diketahui berada diantara x1 dan x2, maka nilai y dapat dihitung dengan :

y1

y2 y1
x2 x1

x x1

Contoh :
Diketahui dua titik A(1,2) dan B(5,8). Maka titik-titik pada x=2, x=3, dan x=4 dapat dihitung
menggunakan interpolasi linier sebagai berikut :
x1=1, y1=2, x2=5, y2=8
Untuk x=2
2

8 2
5 1

( 2 1)

2 1.5

3.5

Untuk x=3
2

8 2
5 1

( 3 1)

2 3

Untuk x=4
y

8 2
( 4 1)
5 1

2 4.5

6.5

B. Interpolasi Lagrange
Interpolasi lagrange adalah suatu bentuk interpolasi dengan fungsi pendekatan berupa fungsi
polinomial lagrange. Pada transformasi lagrange, fungsi polinomial pangkat n memerlukan n+1 titik.
Bila jumlah titiknya 2 buah, maka interpolasi lagrange akan menjadi interpolasi linier. Untuk
mencari titik (x,y) pada nilai x yang ditentukan dengan diketahui n buah titik yaitu (x1,y1), (x2,y2),
, (xn,yn) menggunakan interpolasi lagrange dapat dihitung dengan :

i 1

yi

1 j n i j

x xj

xi xj

-4-

Contoh :
Diketahui dua titik A(1,2) dan B(5,8), maka titik-titik pada x=2, x=3 dan x=4 dapat dihitung
menggunakan interpolasi lagrange sebagai berikut :
x1=1, y1=2, x2=5, y2=8
2

yi

y1

1 j n i j

i 1

x xj

xi xj

x x2
x1 x2

y2

x x1
x2 x1

Untuk x = 2
( 2)

2 5
1 5

( 8)

2 1

( 2)

5 1

1
3
( 8)
4
4

1.5 2

3.5

Untuk x = 3
3 5

( 2)

1 5

3 1

( 8)

( 2)

5 1

2
2
( 8)
4
4

1 4

Untuk x = 4
( 2)

4 5
1 5

( 8)

4 1

( 2)

5 1

1
4

( 8)

3
4

0.5 6

6.5

Hasil ini terlihat sama seperti interpolasi linier, hal ini menunjukkan bahwa interpolasi lagrange
dengan 2 titik menghasilkan fungsi pendekatan polinomial pangkat satu atau fungsi linier sehingga
hasilnya sama dengan interpolasi linier.

Contoh :
Diketahui 3 titik (1,3), (3,0), dan (6,8). Dengan interpolasi lagrange dapat dihitung titik pada x=2,
x=4, dan x=5 sebagai berikut :
x1=1, y1=3
x2=3, y2=0
x3=6, y3=8
3

i 1

y1

yi

1j 3 i j

x xj

xi xj

x x2x x3
x1 x2x1 x3

y2

x x1x x3
x2 x1x2 x3
-5-

y3

x x1x x2
x3 x1x3 x2

Untuk x = 2

( 2 3) ( 2 6)

( 1) ( 4)
( 1) ( 1)
08
( 2) ( 5)
( 5) ( 3)

4
1
8
10
15

( 1 3) ( 1 6)

( 2 1) ( 2 6)

( 3 1) ( 3 6)

12 8

10 15

36 16
30

( 2 1) ( 2 3)
( 6 1) ( 6 3)

20
30

2
3

Untuk x = 4

(4 3)(4 6)

( 1) ( 2)
( 3) ( 1)
08
( 2) ( 5)
( 5) ( 3)

2
3
8
10
15

(1 3)(1 6)

(4 1)(4 6)

(3 1)(3 6)

6 24

10 15

18 48
30

(4 1)(4 3)
(6 1)(6 3)

30
30

Untuk x = 5

( 5 3) ( 5 6)
( 5 1) ( 5 6)
( 5 1) ( 5 3)
0
8
( 1 3) ( 1 6)
( 3 1) ( 3 6)
( 6 1) ( 6 3)

(2)(1)
(4)(2)
08
(2)(5)
(5)(3)

2
8
8
10
15

6 64

10 15

18 128
30

110
30

11
3

Bila titik-titik ini digambarkan secara lengkap diperoleh 3 titik asal (1,3), (3,0), (6,8) dan 3 titik hasil
(1, 0.67), (4, 1) dan (5, 3.67), akan diperoleh gambar sebagai berikut :

-6-

Gambar. Sebelum dan sesudah interpolasi lagrange

Perhatikan kedua gambar di atas yang menunjukkan gambar sebelum dilakukan interpolasi lagrange
dan sesudah dilakukan interpolasi lagrange. Terlihat bahwa interpolasi akan membuat pola kurva
menjadi semakin baik.
Latihan :
1. Diketahui titik-titik (1,0) dan (6,8). Dapatkan titik-titik pada x=2, x=3, x=4, dan x=5 menggunakan
interpolasi linier.
2. Diketahui 4 titik (1,4), (3,0), (6,4) dan (9,10). Dapatkan titik-titik pada x=2, x=4, x=5, x=7, dan x=8
menggunakan interpolasi lagrange.

5.3. Regresi
A. Regresi Linier
Regresi linier adalah suatu teknik untuk mendapatkan fungsi secara umum yang dapat mewakili atau
menyatakan pola data. Karena fungsi yang diperoleh adalah fungsi pendekatan, maka regresi bisa
dikatakan suatu teknik untuk memperoleh fungsi pendekatan yang jaraknya paling kecil pada semua
data. Bila terdapat data (xi,yi) maka regresi akan menghasilkan fungsi pendekatan y = f(x).

-7-

Gambar Regresi Linier

Jarak antar titik data dan fungsi pendekatan terlihat seperti pada gambar di atas, dengan diambil
pada x yang sama. Jarak antara fungsi pendekatan dengan data untuk x yang sama adalah
n

S=

(y

y i ) 2 ,

i 1

S ini adalah jarak kuadrat antara titik data dan fungsi pendekatan. Untuk memperoleh jarak terkecil
digunakan teknik differensial yang menyatakan jarak terkecil atau minimum terjadi bila :

S
0
a k
Dengan ak adalah parameter dari fungsi pendekatan.
Teknik inilah yang dinamakan dengan Metode Least Square yang sangat baik untuk mendapatkan
fungsi pendekatan polinomial.
Regresi linier adalah suatu teknik regresi dengan fungsi pendekatan linier. Dengan kata lain dengan
regresi linier akan diperoleh fungsi linier y = ax + b yang paling dekat dengan data. Gambar di
bawah ini menunjukkan regresi linier, dimana garis lurus yang diperoleh adalah hasil regresi.

Gambar Hasil Regresi Linier

-8-

Berdasarkan Metode Least Sequare di atas, dengan jarak

n

(y

S=

ax i b) 2 , maka

i 1

S
S
0 dan
0 karena pada fungsi linier parameternya adalah a dan b
a
b

Dari

S
0 diperoleh :
a

S n
( ( yi axi b) 2 ) 0
a i 1
n

2 ( yi axi b) 0
i 1

xi yi a x i2 b x i 0
i 1
n

i 1

i 1

a x i2 b x i xi yi
i 1

Dari

i 1

i 1

S
0 diperoleh :
b

S n
( ( yi axi b) 2 ) 0
b i 1
n

2 ( yi axi b) 0
i 1

yi a x i b 0
i 1

i 1

i 1

a x i nb yi
i 1

i 1

Diperoleh dua persamaan yang dapat disajikan sebagai berikut :

n

a x i2 b x i xi yi
i 1
n

i 1

i 1

a x i nb yi
i 1

i 1

-9-

Secara matrik, bisa dituliskan sebagai :

n 2
x i
in1
x
i

i 1

xi y i
x

a
i 1
i 1n

n
yi

i 1
n

Untuk mendapatkan fungsi secara umum, yang harus diperoleh adalah nilai a dan b. Ini dapat
dilakukan dengan aturan Crammer, sehingga diperoleh :

n
xi y i
i 1n

yi

i 1
a n

2
x i
in1
x
i

i 1
n 2
x i
in1
x
i

i 1
b n

2
x i
i n1
x
i

i 1

x
i

i 1

n
n
n
n n xi y i x i y i

i 1
i 1
i 1 n
n
n

n x i2 ( x i ) 2
xi

i 1
i 1
i 1

x y
i

i 1
n

i 1

xi

i 1

n
2
i

x y x y x
i

i 1

i 1
n

i 1
n

i 1

n x i2 ( x i ) 2
i 1

i 1

Contoh :
Diketahui data-data sebagai berikut :
X

10

10

Dari data-data tersebut di atas, dihitung sebagai berikut :

Jumlah data n=10.
10

1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 = 55

i 1

-10-

10

0 + 2 + 1 + 4 + 5 + 4 + 6 + 8 + 8 + 10 = 48

2
i

1 + 4 + 9 + 16 + 25 + 36 + 49 + 64 + 81 + 100 = 385

i 1
10

x
i 1
10

x y
i

0 + 4 + 3 + 16 + 25 + 24 + 42 + 64 + 72 + 100 = 350

i 1

Maka a dan b dapat dihitung dengan :

n

n xi y i xi yi
i 1

i 1
n

i 1

maka a

n x i2 ( x i ) 2
i 1

i 1

x i2 y i xi yi xi
b

i 1

(10)(350) (55)(48)
1.042
(10)(385) (55) 2

i 1
n

i 1
n

i 1

maka b

n x i2 ( x i ) 2
i 1

(385)(48) (350)(55)
0.933
(10)(385) (55) 2

i 1

Persamaan linier yang diperoleh adalah : y = 1.042x 0.933

Diperoleh :
X

10

10

Yd

0.109

1.152

2.194

3.236

4.279

5.321

6.364

7.406

8.448

9.491

Dengan Yd adalah hasil regresi, bila digambarkan :

Gambar Hasil Regresi

-11-

B. Regresi Polinomial
Regresi polynomial adalah suatu bentuk regresi dengan fungsi pendekatan yang berupa fungsi
polinomial sebagai berikut :
f(x) = anxn + an-1xn-1 + .+ a2x2 + a1x + a0
Berdasarkan metode Least Sequare, dengan jarak fungsi pendekatan dan data diperoleh model
regresi dalam bentuk matrik sebagai berikut :

n 2m
xi
ni 1
x 2 m1
i

i 1
...
n
xim 2
i 1
n m1
xi
i 1n

xim

i 1

2 m 1
i

...

i 1
n

...

i 1

...

m 1
i

...

i 1
n

...

i 1
n

...
n

4
i

3
i

2
i

...

i 1

i 1

3
i

2
i

i 1
n

i 1
n

m 1
i

m
i

i 1

i 1
n

m
i

m 1
i 1

...
n

m 1
i

x
i 1
n

i 1

...

m 2
i

i 1
n

2 m2
i

i 1
n

x
i 1

n m

xi y i
i 1

ni 1

n
a

m 1
m
x m1 y
x

i
i
i
a m1

i 1
i 1

...
...
n
... n

2
2

x
x
y

i i
i
a
2 i 1
i 1
n
a1 n

xi y i
xi

a
i 1
0 i 1n

n
yi

i 1

m
i

Bila m = 1 maka diperoleh fungsi pendekatan f(x) = a1x + a0 yang merupakan bentuk fungsi kuadrat
sehingga regresi ini akan menjadi regresi linier dengan model matrik :

n 2
xi
i n1
x
i

i 1

x
xi y i

a
i 1
1 i 1n

a0

n
yi

i 1
2

Bila m = 2 maka diperoleh fungsi pendekatan f(x) = a2x2 + a1x + a0 yang merupakan bentuk fungsi
kuadrat sehingga regresi ini akan menjadi regresi kuadratik dengan model matrik :

n 4
xi
i n1
x3
i

i 1
n
xi2
i 1

3
i

n 2

xi y i
i 1
a

2
i n1

xy
x
a

i 1
i i

i 1
i 1
a 0 n

yi
n

i 1

x x
i 1
n

2
i

i 1
n

x
i 1

2
i

Contoh :
Menggunakan regresi polinomial dengan m=1 (fungsi linier) dapatkan fungsi pendekatan dari datadata sebagai berikut :
-12-

10

10

n 2
xi
i n1
x
i

i 1

xi y i

i 1
1 i 1n

a
n 0 yi

i 1

x a

Jumlah data n=10

10

1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 = 55

i 1
10

0 + 2 + 1 + 4 + 5 + 4 + 6 + 8 + 8 + 10 = 48

2
i

1 + 4 + 9 + 16 + 25 + 36 + 49 + 64 + 81 + 100 = 385

i 1
10

x
i 1
10

x y
i

0 + 4 + 3 + 16 + 25 + 24 + 42 + 64 + 72 + 100 = 350

i 1

Sehingga diperoleh model matrik sebagai berikut :

385 55 a 1 350
55 10 a 48

Dengan menggunakan eliminasi Gauss-Jordan diperoleh :

a1=1.042 dan a2= 0.933
Persamaan linier yang diperoleh : y = 1.042x 0.933
Perhatikan bahwa hasilnya sama dengan contoh pada regresi linier. Hal ini merupakan cara lain
untuk menghitung Regresi Linier, bedanya hanya dengan menggunakan model regresi polinomial.

Contoh :
2

Dapatkan persamaan kuadrat y = a2x + a1x + a0 yang paling sesuai dengan data berikut ini :
X

10

-13-

Model Regresi untuk fungsi kuadrat (m=2) adalah :

n 4
xi
i n1
x3
i

i 1
n
xi2
i 1

n 2
2
x

i
xi y i
i 1
a

2
i n1

x i a 1 xi y i

i 1

i 1
a 0 n

yi
n

i 1

xi3
i 1
n

2
i

i 1
n

i 1

Buatlah table sebagai berikut :

Jumlah

36

10

30

x^2

16

25

36

49

64

204

x^3

27

64

125

216

343

512

1296

x^4

16

81

256

625

1296

2401

4096

8772

xy

15

24

42

80

173

x^2.y

16

75

144

294

640

1181

Sehingga model matrik bisa dituliskan dengan :

8772 1296 204 a 2 1181

1296 204 36 a 173

204
36
8 a 0 30
Dengan menggunakan eliminasi Gauss Jordan diperoleh :

8772
1296
204

1296
204
36

204
36
8

1181
173
30

B1 B1/8772 ; B2 B2-1296*B1 ; B3 B3-204*B1

1
0
0

0.148
12.525
5.860

0.023
5.860
3.256

0.135
-1.484
2.535

B2 B2/12.525 ; B1 B1-0.148*B2 ; B3 B3-56.60*B2

1
0
0

0
1
0

-0.046
0.468
0.514

0.152
-0.119
3.229
-14-

B3 B3/0.514 ; B1 B1+0.046*B3 ; B2 B2-0.468*B3

0
0

0
0

0.44
-3.06
6.286

Maka diperoleh a2 = 0.44, a1 = -3.06 dan a0 = 6.286

2

Persamaan kuadrat yang diperoleh adalah : y = 0.44 x 3.06 x + 6.286

Bila digambarkan hasilnya :

Gambar Hasil Regresi

Latihan
1. Dapatkah fungsi persamaan linier menggunakan Regresi linier dari data-data berikut :

23

30

32

36

40

45

48

52

2. Dapatkah fungsi persamaan kuadrat menggunakan Regresi polinomial dari data-data berikut :

0.2

0.4

1,6

3.2

10

16

3. Dapatkah fungsi persamaan kuadrat menggunakan Regresi polinomial dari data-data berikut :

-15-

23

30

32

36

40

45

48

52

- Thank -

-16-