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-
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-
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-
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-
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.
-8-
(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
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-
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
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
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
10
10
Yd
0.109
1.152
2.194
3.236
4.279
5.321
6.364
7.406
8.448
9.491
-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
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
385 55 a 1 350
55 10 a 48
Contoh :
2
Dapatkan persamaan kuadrat y = a2x + a1x + a0 yang paling sesuai dengan data berikut ini :
X
10
-13-
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
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
204
36
8 a 0 30
Dengan menggunakan eliminasi Gauss Jordan diperoleh :
8772
1296
204
1296
204
36
204
36
8
1181
173
30
0.148
12.525
5.860
0.023
5.860
3.256
0.135
-1.484
2.535
0
1
0
-0.046
0.468
0.514
0.152
-0.119
3.229
-14-
0
0
0
0
0.44
-3.06
6.286
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-