http://istiarto.staff.ugm.ac.

id

REGRESI DAN INTERPOLASI

Curve Fitting
 Curve Fitting
2 http://istiarto.staff.ugm.ac.id

Acuan
Chapra, S.C., Canale R.P., 1990, Numerical Methods for Engineers,
2nd Ed., McGraw-Hill Book Co., New York.
n Chapter 11 dan 12, pp. 319-398.
 Curve Fitting
3 http://istiarto.staff.ugm.ac.id

Mencari garis/kurva yang mewakili serangkaian titik data

Ada dua cara untuk melakukannya, yaitu
Regresi
Interpolasi
Aplikasi di bidang enjiniring
Pola perilaku data (trend analysis)
Uji hipotesis (hypothesis testing)
 Curve Fitting
4 http://istiarto.staff.ugm.ac.id

Pemakaian regresi
Apabila data menunjukkan tingkat kesalahan yang cukup signifikan
atau menunjukkan adanya noise
Untuk mencari satu kurva tunggal yang mewakili pola umum perilaku
data
Kurva yang dicari tidak perlu melewati setiap titik data
 Curve Fitting
5 http://istiarto.staff.ugm.ac.id

Interpolasi
Diketahui bahwa data sangat akurat
Untuk mencari satu atau serangkaian kurva yang melewati setiap titik
data
Untuk memperkirakan nilai-nilai di antara titik-titik data
Extrapolasi
Mirip dengan interpolasi, tetapi untuk memperkirakan nilai-nilai di luar
range titik-titik data
 Curve Fitting terhadap Data Pengukuran
6 http://istiarto.staff.ugm.ac.id

Analisis pola perilaku data

Pemanfaatan pola data (pengukuran, experimen) untuk melakukan
perkiraan
Apabila data persis (akurat): interpolasi
Apabila data tak persis (tak akurat): regresi
Uji hipotesis
Pembandingan antara hasil teori atau hasil hitungan dengan hasil
pengukuran
 Beberapa Parameter Statistik
7 http://istiarto.staff.ugm.ac.id

1
merepresentasikan sebaran data

Rata-rata aritmatik, mean y= yi

n
Simpangan baku, standard St 2
sy = St = (y i y )
deviation, deviasi standar n 1

2 St
Varian (ragam), variance sy =
n 1
sy
Coefficient of variation c.v. = 100%
y
 Distribusi Probabilitas
8 http://istiarto.staff.ugm.ac.id

frek
Distribusi Normal
salah satu distribusi/sebaran
data yang sering dijumpai
adalah distribusi normal

X
9 Regresi
Regresi linear
Regresi non-linear
 Regresi: Metode Kuadrat Terkecil
10 http://istiarto.staff.ugm.ac.id

Mencari suatu kurva atau suatu fungsi (pendekatan) yang

sesuai dengan pola umum yang ditunjukkan oleh data
Datanya menunjukkan kesalahan yang cukup signifikan
Kurva tidak perlu memotong setiap titik data
Regresi linear
Regresi persamaan-persamaan tak-linear yang dilinearkan
Regresi tak-linear
 Regresi: Metode Kuadrat Terkecil
11 http://istiarto.staff.ugm.ac.id

Bagaimana caranya?
Program komputer
Spreadsheet (Microsoft Excel)
SciLab
 Regresi Linear
12 http://istiarto.staff.ugm.ac.id

Mencari suatu kurva lurus yang cocok menggambarkan pola serangkaian

titik data: (x1,y1), (x2,y2) (xn,yn)
y = a0 + a1x + e
a0 : intercept
a1 : slope
e : error

Microsoft Excel
INTERCEPT(y1:yn;x1:xn)
SLOPE(y1:yn;x1:xn)
 Regresi Linear
13 http://istiarto.staff.ugm.ac.id

Kesalahan atau residu (e) adalah perbedaan antara nilai y

sesungguhnya dan y nilai pendekatan menurut persamaan
linear a0 + a1x.
e = y a0 a1x

Minimumkan jumlah kuadrat residu tersebut

min [ Sr ] = min [ e ] = min [ (y a
i
2
i
2
0 a1xi ) ]
 Regresi Linear
14 http://istiarto.staff.ugm.ac.id

Bagaimana cara mencari

koefisien a0 dan a1?
Diferensialkan persamaan Sr
tersebut dua kali, masing- = 2 (y i a0 a1xi ) = 0
a0
masing terhadap a0 dan a1.
Sr
Samakan kedua persamaan = 2 (y i a0 a1xi )xi = 0
hasil diferensiasi tersebut a1
dengan nol.
 Regresi Linear
15 http://istiarto.staff.ugm.ac.id

Selesaikan persamaan yang didapat untuk mencari

a0 dan a1

n xi yi xi yi
a1 = 2
n xi ( xi )
2

a0 = y a1x

dalam hal ini, y dan x masing-masing adalah nilai y rata-rata x rata-

rata
 Contoh Regresi Linear
16 http://istiarto.staff.ugm.ac.id

Tabel data Grafik/kurva data

i xi yi = f(xi) 8
0 1 0.5 6
1 2 2.5

y = f(x)
2 3 2 4
3 4 4 2
4 5 3.5
0
5 6 6
0 1 2 3 4 5 6 7
6 7 5.5 X
 Hitungan regresi linear
17 http://istiarto.staff.ugm.ac.id

i xi yi xi y i xi2 yreg (yiyreg)2 (yiymean)2

0 1 0.5 0.5 1 0.910714 0.168686 8.576531

1 2 2.5 5 4 1.75 0.5625 0.862245

2 3 2.0 6 9 2.589286 0.347258 2.040816

3 4 4.0 16 16 3.428571 0.326531 0.326531

4 5 3.5 17.5 25 4.267857 0.589605 0.005102

5 6 6.0 36 36 5.107143 0.797194 6.612245

6 7 5.5 38.5 49 5.946429 0.199298 4.290816

= 28 24.0 119.5 140 = 2.991071 22.71429

 Hitungan regresi linear
18 http://istiarto.staff.ugm.ac.id

n xi yi xi yi 7(119.5) 28(24)
a1 = 2
= 2
= 0.839286
n xi ( xi ) 7(140) (28)
2

24
y= = 3.4
7
28
x= =4
7
a0 = 3.4 0.839286(4) = 0.071429
 Hitungan regresi linear
19 http://istiarto.staff.ugm.ac.id

7
6
5
4
Y

3 data
2 regresi
1
0
0 1 2 3 4 5 6 7 8
X
 Regresi Linear
20 http://istiarto.staff.ugm.ac.id

Kuantifikasi kesalahan
Kesalahan standar

Sr 2
sy x = Sr = (yi a0 a1xi )
n 2

Perhatikan kemiripannya dengan simpangan baku (standard deviation)

St 2
sy = St = (y i y )
n 1
 Regresi Linear
21 http://istiarto.staff.ugm.ac.id

Beda antara kedua kesalahan tersebut menunjukkan

perbaikan atau pengurangan kesalahan

St Sr koefisien determinasi
r2 =
St (coefficient of determination)

n xi y i ( xi )( y i ) koefisien korelasi
r= (correlation coefficient)
2 2
n xi ( xi ) n y i ( y i )
2 2
 Hitungan regresi linear
22 http://istiarto.staff.ugm.ac.id

2
Sr = (y i a0 a1xi ) = 2.991071
2
St = (y i y ) = 22.71429

St Sr 22.71429 2.991071
r2 = = = 0.868318
St 22.71429
r = 0.931836
 Regresi Linear
23 http://istiarto.staff.ugm.ac.id

Linearisasi persamaan-persamaan tak-linear

Logaritmik menjadi linear
Eksponensial menjadi linear
Pangkat (polinomial tingkat n > 1) menjadi linear (polinomial tingkat 1)
Dll.
 Linearisasi persamaan non-linear (1)
24 http://istiarto.staff.ugm.ac.id

y ln y
ln y = ln a1 + b1 x

y = a1 eb1x b1
1

ln a1
x x
 Linearisasi persamaan non-linear (2)
25 http://istiarto.staff.ugm.ac.id

y log y log y = log a2 + b2 log x

y = a2 xb2 b2
1

x log x
logb2
 Linearisasi persamaan non-linear (3)
26 http://istiarto.staff.ugm.ac.id

1 b3 + x 1 b3 1
y 1/y = = +
y a3 x a3 a3 x

x b3 a3
y = a3
b3 + x 1 a3 1

x 1/x
27 Interpolasi
Metode Newton
Metode Lagrange
 Interpolasi
28 http://istiarto.staff.ugm.ac.id

linear kuadratik kubik

 Interpolasi
29 http://istiarto.staff.ugm.ac.id

Penyelesaian persamaan polinomial tingkat n membutuhkan

sejumlah n + 1 titik data
Metode untuk mencari polinomial tingkat n yang merupakan
interpolasi sejumlah n + 1 titik data:
Metode Newton
Metode Lagrange
 Interpolasi Linear: Metode Newton
30 http://istiarto.staff.ugm.ac.id

f(x)

f(x1)
f1(x ) f (x0 ) f (x1) f (x0 )
=
f1(x) x x0 x1 x0
f(x0) f (x1) f (x0 )
f1(x ) = f (x0 ) + (x x0 )
x1 x0
x
x0 x x1
 Interpolasi Kuadratik: Metode Newton
31 http://istiarto.staff.ugm.ac.id

f2 (x ) = b0 + b1(x x0 ) + b2 (x x0 )(x x1)

= b0 + b1x b1x0 + b2 x2 + b2 x0 x1 b2 xx0 b2 xx1
b2 ) x2
= (b0 b1x0 + b2 x0 x1) + (b1 b2 x0 b2 x1) x + (!
%"" "$""" # %""$""#
a0 a1 a2

a0 = b0 b1x0 + b2 x0 x1

f2 (x ) = a0 + a1x + a2 x2 a1 = b1 b2 x0 b2 x1
a = b
2 2
 Interpolasi Kuadratik: Metode Newton
32 http://istiarto.staff.ugm.ac.id

b0 = f (x0 )

f ( x1) f ( x0 )
b1 = = f x1, x0
x1 x0

f ( x2 ) f ( x1) f ( x1) f ( x0 )

x2 x1 x1 x0 f x , x f x , x
b2 = = f x2 , x1, x0 = 2 1 1 0
x2 x1 x2 x1
 Interpolasi Polinomial: Metode Newton
33 http://istiarto.staff.ugm.ac.id

fn (x) = b0 + b1(x x0 ) + ... + bn (x x0 )(x x1)...(x xn 1)

b0 = f (x0 )
b1 = f [x1, x0 ]
b2 = f [x2 , x1, x0 ]
.
.
.
bn = f [xn , xn 1,..., x1, x0 ]
 Interpolasi Polinomial: Metode Newton
34 http://istiarto.staff.ugm.ac.id

f xi , xj =
( )
f ( xi ) f xj
xi xj
f xi , xj f xj , xk
f xi , xj , xk =
xi xk
f xn , xn1, ..., x1 f xn1, nn2 , ..., x0
f xn , xn1, ..., x1, x0 =
xn x0
 Interpolasi Polinomial: Metode Newton
35 http://istiarto.staff.ugm.ac.id

fn (x ) = f (x0 ) + (x x0 ) f[x1, x0 ] + (x x0 )(x x1) f[x2 , x1, x0 ] + ... +

(x x0 )(x x1)...(x xn 1) f[xn , xn 1,..., x0 ]
 Interpolasi Polinomial: Metode Newton
36 http://istiarto.staff.ugm.ac.id

langkah hitungan
i xi f(xi)
ke-1 ke-2 ke-3

0 x0 f(x0) f[x1,x0] f[x2,x1,x0] f[x3,x2,x1,x0]

1 x1 f(x1) f[x2,x1] f[x3,x2,x1]

2 x2 f(x2) f[x3,x2]

3 x3 f(x3)
 Interpolasi Polinomial: Metode Lagrange
37 http://istiarto.staff.ugm.ac.id

n
fn (x ) = Li (x ) f (xi )
i =0

x xj
n
Li (x ) =
j = 0 xi x j
j i
 Contoh interpolasi
38 http://istiarto.staff.ugm.ac.id

7
i xi f(xi) 6
5
0 1 1.5
4

f(x)
1 4 3.1 3
2 5 6 2
3 6 2.1 1
0
0 1 2 3 4 5 6 7
X
39 Spline
Linear
Kuadratik
Kubik

http://istiarto.staff.ugm.ac.id
 Interpolasi: Spline
40 http://istiarto.staff.ugm.ac.id

Jumlah titik data n + 1 interpolasi polinomial tingkat n

Tingkat besar, n >>, mengalami kesulitan apabila titik-titik data
menunjukkan adanya perubahan tiba-tiba di suatu titik tertentu
(perubahan gradien secara tiba-tiba).
Dalam situasi tsb, polinomial bertingkat kecil, n , dapat lebih
representatif untuk mewakili pola data.
Spline
n Cubic splines (n = 3)
n Quadratic splines
n Linear splines
 Interpolasi Polinomial vs Spline
41 http://istiarto.staff.ugm.ac.id

polinomial tingkat n

n n=1
n=1 n
 Linear Splines
42 http://istiarto.staff.ugm.ac.id

First-order spline : garis lurus

Data urut : x0, x1, x2, , xn
f (x ) = f (x0 ) + m0 (x x0 ) x0 x x1
f (x ) = f (x1) + m1(x x1) x1 x x2
.
.
.
f (x ) = f (xn 1) + mn 1(x xn 1) xn 1 x xn
 Linear Splines
43 http://istiarto.staff.ugm.ac.id

Slope/gradien/kemiringan garis lurus, mi:

f (xi +1) f (xj )
mi =
xi +1 xj

Linear spline, dengan demikian, adalah sama dengan interpolasi linear.

Kekurangan linear spline adalah ketidak-mulusan kurva interpolasi.
Terdapat perubahan slope yang sangat tajam di titik-titik data atau di
titik-titik pertemuan kurva spline (knot).
 Linear Splines
44 http://istiarto.staff.ugm.ac.id

Dengan kata lain, terdapat diskontinuiti/ketidak-mulusan diferensial

pertama (kemiringan) fungsi spline di titik-titik knot.
Perlu dicari suatu fungsi spline (bertingkat n lebih tinggi) dengan
menyamakan diferensial pertamanya (kemiringannya) di titik-titik knot.
 Quadratic Splines
45 http://istiarto.staff.ugm.ac.id

Untuk mendapatkan kurva yang memiliki diferensial/laju-perubahan ke-m

kontinu di titik knot, maka diperlukan kurva spline yang bertingkat paling
kecil m + 1.
Yang paling banyak dipakai adalah spline tingkat 3 (cubic spline):
diferensial pertama dan kedua kontinu di titik-titik knot.
Ketidak-mulusan diferensial ketiga, keempat, dst. umumnya tidak begitu
tampak secara visual.
Sebelum membahas cubic spline, berikut dipaparkan quadratic spline
terlebih dulu.
 Quadratic Splines
46 http://istiarto.staff.ugm.ac.id

Tujuan: mencari polinomial tingkat 2 untuk setiap interval titik-titik data.

Polinomial tingkat 2 tsb harus memiliki diferensial pertama (laju
perubahan) yang kontinu di titik-titik data.
Polinomial tingkat 2:

f (x ) = ai x2 + bi x + ci

Untuk (n+1) titik data (i = 0, 1, 2, , n), terdapat n interval, sehingga

terdapat 3n koefisien yang harus dicari (ai, bi, ci), i = 1, 2, ..., n.
Perlu persamaan sejumlah 3n.
 Quadratic Splines
47 http://istiarto.staff.ugm.ac.id

Ke-3n persamaan tsb adalah sbb.

Kurva spline memotong titik-titik data (knot): interval i 1 dan i bertemu
di titik data {xi1, f(xi 1)}.
2
ai 1xi 1 + bi 1xi 1 + ci 1 = f (xi 1) i = 2, 3, , n
2
ai xi 1 + bi xi 1 + ci = f (xi 1) 2(n 1) pers.
 Quadratic Splines
48 http://istiarto.staff.ugm.ac.id

Kurva spline di selang (interval) pertama memotong titik data pertama

(i = 1) dan kurva spline di interval terakhir memotong titik data terakhir
(i = n).
2
a1x0 + b1x0 + c1 = f (x0 )
2
2 pers.
an xn + bn xn + cn = f (xn )
 Quadratic Splines
49 http://istiarto.staff.ugm.ac.id

Diferensial (gradien) kurva spline di dua interval berurutan adalah

sama di titik data yang bersangkutan.
Gradien:

f(x) = 2ax + b

2ai 1xi 1 + bi 1 = 2ai xi 1 + bi i = 2, 3, , n

(n 1) pers.
 Quadratic Splines
50 http://istiarto.staff.ugm.ac.id

Diferensial kedua (laju perubahan gradien) kurva spline di titik data

pertama sama dengan nol.
ai = 0 1 pers.

Konsekuensi: 2 titik data pertama (i = 0 dan i = 1) dihubungkan dengan

garis lurus.
 Quadratic Splines
51 http://istiarto.staff.ugm.ac.id

Dengan demikian, jumlah persamaan seluruhnya adalah:

2(n 1) + 2 + (n 1) + 1 = 3n
 Cubic Splines
52 http://istiarto.staff.ugm.ac.id

Tujuan: mencari polinomial tingkat 3 untuk setiap interval titik-titik data.

Polinomial tingkat 3 tsb harus memiliki diferensial pertama (gradien) dan
diferensial kedua (laju perubahan gradien) yang kontinu di titik-titik data.
Polinomial tingkat 3:
fi (x) = ai x3 + bi x2 + ci x + di

Untuk (n+1) titik data (i = 0, 1, 2, , n), terdapat n interval, shg. terdapat

4n koefisien yang harus dicari (ai,bi,ci,di), i = 1, 2, ..., n.
Perlu persamaan sejumlah 4n.
 Cubic Splines
53 http://istiarto.staff.ugm.ac.id

Ke-4n persamaan tsb adalah sbb.

Kurva spline memotong titik-titik data (knot): interval i 1 dan i bertemu
di titik data {xi 1, f(xi 1)} (2n 2) pers.
Kurva spline di interval pertama memotong titik data pertama dan
kurva spline terakhir memotong titik data terakhir 2 pers.
Diferensial pertama kurva spline di dua interval berurutan adalah sama
di titik data ybs. (n 1) pers.
 Cubic Splines
54 http://istiarto.staff.ugm.ac.id

Diferensial kedua kurva spline di dua interval berurutan adalah sama

di titik data ybs. (n 1) pers.
Diferensial kedua kurva spline di titik data pertama dan terakhir sama
dengan nol 2 pers.

Konsekuensi: kurva spline berupa garis lurus di titik data pertama

dan di titik data terakhir.

Alternatif: diferensial kedua kurva spline di 2 titik data tsb

diketahui.
 Cubic Splines
55 http://istiarto.staff.ugm.ac.id

Diperoleh 4n persamaan yang harus diselesaikan untuk mencari 4n

koefisien, ai, bi, ci, di.
Dimungkinkan untuk melakukan manipulasi matematis shg diperoleh suatu
teknik cubic splines yang hanya memerlukan
n 1 penyelesaian (lihat uraian di buku acuan):
Chapra, S.P., Canale, R.P., 1985, Numerical Methods for Engineers, McGraw-Hill
Book Co., New York, hlm. 395-396).
 Cubic Splines
56 http://istiarto.staff.ugm.ac.id

f (xi 1)
(xi x )3 + f (xi 1) (x xi 1)3

fi (x ) =
2 unknowns di setiap interval: 6(xi xi 1) 6(xi xi 1)
f(xi 1) dan f(xi ) f (xi 1) f (xi 1)(xi xi 1)
+ (xi x )
(xi xi 1) 6
f (xi ) f (xi 1)(xi xi 1)
+
(x x )

6 (x xi 1)
i i 1

(xi xi 1) f(xi 1) + 2(xi +1 xi 1) f(xi ) + (xi +1 xi ) f(xi +1) = n interval

6 f(x0 ) = 0 (n 1) persamaan
[f (xi +1) f (xi )] + 6 [f (xi 1) f (xi )]
(xi +1 xi ) (xi xi 1) f(xn ) = 0
57 http://istiarto.staff.ugm.ac.id