BAB VIII

LEAST-SQUARES FITTING
Deskripsi:
Pada bab ini akan dibahas mengenai analisis statistik dari beberapa hasil pengukuran pada
satu kuantitas tunggal dengan menggunakan grafik kurva y vs x. Hal tersebut menjadi pokok
bahasan yang paling menarik dalam statistik, tetapi karena pokok bahasan ini sederhana maka
harus dipahami dengan baik sebelum membahas hal yang lebih umum selanjutnya.
Manfaat:
Memberikan metode least-squares fitting yang benar saat melakukan beberapa pengukuran.
Relevansi:
Metode least-squares fitting merupakan salah satu metode yang digunakan untuk
menganalisis data hasil pengukuran dalam suatu grafik.
Learning Outcome:
Mahasiswa memahami dan mampu mengimplementasikan least-squares fitting pada suatu
data hasil pengukuran dengan benar.
MATERI:
Sepanjang bab ini, kita memiliki N pasang hasil pengukuran (1 , 1 ), , ( , ) dari dua
variabel x dan y. Masalah yang dihadapi yaitu bagaimana menemukan nilai-nilai terbaik dari

parameter dari kurva bahwa grafik y vs x agar sesuai dengan yang diharapkan. Kami
berasumsi bahwa hanya pengukuran y mengalami ketidakpastian yang cukup, sedangkan
untuk x diabaikan. [ Untuk kasus di mana kedua x dan y memiliki ketidakpastian yang
signifikan, lihat pembahasan berikut Persamaan ( 8.17 ) . ] Berbagai kemungkinan kurva
dapat dianalisis, dan ada dua asumsi yang berbeda tentang ketidakpastian dalam y. Beberapa
kasus yang lebih penting adalah sebagai berikut :
8.1 Kurva Garis Lurus, = +

Jika y yang diharapkan menyimpang pada garis lurus y = A + Bx, dan jika pengukuran y
memiliki ketidakpastian yang sama, maka estimasi terbaik untuk konstanta A dan B adalah:

dan

47

di mana penyebut , adalah

= 2 ()2

Berdasarkan poin-poin yang diamati, estimasi terbaik untuk ketidakpastian dalam pengukuran
y adalah

1
( )2
=
2
=1

Ketidakpastian pada A dan B adalah :

2
=

Dan

8.2 Kurva Garis Lurus, =

Jika y yang diharapkan menyimpang pada garis lurus melewati titik pusat kurva (0,0) , y = Bx
, dan jika pengukuran y memiliki ketidakpastian yang sama, maka estimasi terbaik untuk
konstanta B adalah :
=

Berdasarkan poin diukur, estimasi terbaik untuk ketidakpastian dalam pengukuran y adalah :
=
dan ketidakpastian dalam B adalah :

1
( )2
1
=

48

8.3 WEIGHT FIT UNTUK KURVA GARIS LURUS , = +

Jika y diperkirakan akan terletak pada garis y = A + Bx, dan jika nilai yang diukur, telah
1

berbeda, dengan diketahui ketidakpastian , maka kami memperkenalkan = 2 , dan

estimasi terbaik untuk konstanta A dan B adalah:

=

dan

dimana

= 2 ()2

Ketidakpastian di A dan B adalah :

=
Dan

8.4 Grafik Kurva Lainnya

Jika y diharapkan berada pada polinomial dalam x, yaitu,

= + + . . . + ,

maka metode least-squares fit dapat digunakan, meskipun persamaan yang cukup rumit jika n
besar. Curves bentuk
= () + () + . . . + () ,

dimana () , . . . , () adalah fungsi diketahui, juga dapat ditangani dengan cara yang sama.
Jika y diharapkan akan diberikan oleh fungsi eksponensial
= ,

maka kita bisa " melinierkan " masalah dengan menggunakan variabel = ( ) , yang

harus memenuhi hubungan linear

49

 = () = () + ,

Kita kemudian dapat menerapkan linear least-square fit untuk z sebagai fungsi dari x.
Catatan, bagaimanapun, bahwa jika ketidakpastian dalam nilai yang terukur dari y semua
sama, dan kesamaannya pasti tidak benar dari nilai-nilai z . Kemudian, tegasnya, metode
least-square tertimbang harus digunakan.
Contoh:
Panjang vs Massa untuk Keseimbangan Pegas
Seorang siswa membuat skala untuk mengukur massa dengan pegas. Dia menempel ujung
atasnya pada dudukan yang kuat, tergantung sebuah panci dibawahnya, dan menempatkan 1
meter tongkat dibelakangnya untuk pengaturan pembacaan panjang pegas. Sebelum dia bisa
menggunakan skala, dia harus mengkalibrasi, yaitu, dia harus menemukan hubungan antara
massa dalam panci dan panjang pegas . Untuk melakukan kalibrasi ini, dia mendapat lima
massa 2 kg yang akurat, kemudian menambahkannya ke dalam pan satu per satu, merekam
panjang yang sesuai l , seperti yang ditunjukkan pada tiga kolom pertama dari Tabel 8.1.
Dengan asumsi pegas mematuhi hukum Hooke, ia mengantisipasi bahwa panjang l harus
menjadi fungsi linear dari m,
1 = +

( Di sini , konstanta A adalah panjang diturunkan dari pegas, dan B adalah

, di mana k

adalah konstanta pegas biasa. ) Persamaan kalibrasi di atas akan membiarkan dia menemukan
massa m diketahui dari panjang l yang sesuai, setelah itu dia harus mencari nilai konstanta A
dan B. Untuk menemukan konstanta ini , dia menggunakan metode least-square. Apa
jawaban dia untuk A dan B? Plot data kalibrasi pada suatu gafik . Jika dia menempatkan
massa m diketahui dalam panci dan mengamati panjang pegas menjadi 1 = 53,2 cm , apakah
itu m ?

50

Tabel 8.1 . Missa (dalam kg ) dan panjang ( dalam cm ) untuk pegas .

Seperti yang sering terjadi dalam masalah seperti itu, kedua variabel tersebut tidak disebut x
dan y , dan satu harus berhati-hati untuk mengidentifikasi yang mana. Membandingkan
dengan bentuk standar, y = A + Bx , kita melihat bahwa panjang 1 memainkan peran variabel
y, sedangkan massa m memainkan peran variabel x. Konstanta A dan B diberikan oleh
dengan penggantian

( Korespondensi ini ditunjukkan dengan judul "x " dan " y " dalam Tabel 8.1 . ) Untuk
menemukan A dan B , kita perlu menemukan jumlah , , ( )2 , , sehingga dua

kolom terakhir Tabel 8.1 menunjukkan jumlah mil dan Milt , dan jumlah yang sesuai akan
ditampilkan di bagian bawah setiap kolom.
Menghitung konstanta A dan B sekarang mudah. Penyebut adalah
= 2 ()2

= 5 220 302 = 200

Selanjutnya, dari kita menemukan intercept ( panjang teregang )

2

220 256,6 30 1622

=
= 39

Akhirnya , dari kita menemukan kemiringan

=

5 1622 30 256,6
=
= 2,06 /

51

Gambar 8.2 . Sebuah plot data dari Tabel 8.1 dan garis kecocokan kalibrasi
Sebuah plot data dan garis kurva kalibrasi menggunakan nilai A dan B ditunjukkan pada
Gambar 8.2 . Jika massa m menarik pegas menjadi 53,2 cm, maka menurut persamaan
kalibrasi massa adalah

Latihan Soal:

(53,2 39,0)
=
= 6,9

2,06 /

1) Gunakan metode least-square fit untuk menemukan garis = + sesuai dengan

tiga poin ( 1 , 6 ) , ( 3 , 5 ) , dan ( 5 , 1 ). Dengan menggunakan kertas grafik, plot tiga

poin tersebut ke dalam kurva y. Kalkulator Anda mungkin memiliki fungsi built-in untuk
menghitung A dan B, jika Anda tidak tahu bagaimana menggunakannya , luangkan waktu
untuk belajar dan kemudian memeriksa jawaban Anda sendiri untuk masalah ini .
2) Kerjakan soal nomor 8.7 pada teks buku wajib halaman 200.

52