INTERPOLASI

Sering terjadi anda harus menaksir harga-harga tengahan di antara titik-titik data yang telah tepat. Metode yang
paling sering digunakan untuk maksud ini adalah interpolasi polinomial.
Ingatlah bahwa formula umum untuk sebuah polinomial orde ke-n adalah :
[11.1]
Untuk n + 1 titik-titik data, terdapat satu dan hanya satu polinomial orde ke-n atau kurang yang melewati semua
titik. Misalnya, hanya terdapat satu garis lurus (yakni polinomial orde pertama) yang menghubungkan kedua titik
(Gambar 11.1a). Dengan cara yang sama, hanya satu parabola yang menghubungkan kumpulan dari tiga buah
titik (Gambar 11.1b). Interpolasi polinomial ini kemudian memberikan sebuah formula untuk menghitung
nilai-nilai antara.
GAMBAR 11.1 Contoh polinomial-polinomial interpolasi : (a) orde pertama (linear) yang menghubungkan dua
titik; (b) orde kedua (kuadratik atau parabola) yang menghubungkan tiga titik; dan (c) orde ketiga (kunbik) yang
menghubungkan empat titik.
Walaupun terdapat satu dan hanya satu polinomial orde ke-n yang mencocokkan n + 1 titik, ada pelbagai format
matematika di mana polinomial ini dapat dinyatakan. Dalam bab sekarang, kita akan menjelaskan dua alternatif
yang cocok untuk dilaksanakan pada komputer pribadi. Kedua alternatif itu adalah polinomial Newton dan
polinomial Lagrange.
POLINOMIAL INTERPOLASI DIFERENSI TERBAGI NEWTON
Seperti telah diuraikan di atas, terdapat pelbagai bentuk alternatif untuk menyatakan sebuah polinomial
interpolasi. Polinomial interpolasi diferensi terbagi Newton adalah di antara bentuk yang paling populer dan
berguna. Sebelum menyajikan persamaan umum, kita akan memperkenalkan versi orde pertama dan kedua,
karena interpretasi visualnya lebih mudah.

Interpolasi Linear
Bentuk yang termudah dari interpolasi ini adalah menghubungkan dua titik data dengan sebuah garis lurus.
Teknik ini disebut interpolasi linear, dan dilukiskan secara grafis pada Gambar 11.2. Dengan menggunakan
segitiga sebangun :
yang diatur kembali supaya memenuhi :
[11.2]
adalah sebuah formula interpolasi linear. Notasi f1(x) menandakan ia adalah sebuah polinomial interpolasi orde
pertama. Perhatikan bahwa di samping menyatakan slope dari garis yang menghubungkan titik-titik, suku[f(x1) -
f(x0)]/(x1 x0) adalah sebuah aproksimasi diferensi terbagi hingga dari turunan pertama [ingat Persamaan (3.24)].
Umumnya, semakin kecil interval di antara titik-titik data, aporksimasinya semakin baik. Karakteristik ini
ditunjukkan dalam contah yang berikut.
GAMBAR 11.2 Penjelasan grafik dari interpolasi linear. Luas yang diarsir menunjukkan segitiga-segitiga
sebangun yang digunakan untuk menurunkan formula interpolasi linear [Persamaan (11.2)].

CONTOH 11.1
Interpolasi
Pernyataan Masalah : Taksirlah logaritma asli dari 2 (In 2) dengan menggunakan interpolasi linear. Pertama,
lakukan komputasi dengan interpolasi antara ln(1) = 0 dan ln(6) = 1,7917595. Kemudian prosedur itu diulangi,
tetapi menggunakan sebuah interval yang lebih kecil dari ln(1) sampai dengan ln(4)=(1,3862944). Perlu dicatat
bahwa harga ln(2) sebenarnya adalah 0,69314718.

Solusi : Dengan menggunakan Persamaan (11.2), sebuah interpolasi linear dari x1 = 1 sampai x1 =. 6 memberikan :
yang menunjukkan suatu persen kesalahan t = 48,3%. Dengan menggunakan interval yang lebih kecil dari x0 = 1
sampai xl = 4, dipenuhi :
Jadi, memakai interval yang lebih pendek, mengurangi kesalahan relatif persen menjadi t = 33,3%. Kedua
interpolasi beserta fungsi yang sesungguhnya terlihat pada Gambar 11.3.
GAMBAR 11.3 Dua interpolasi linear untuk menaksir ln 2. Catat bagaimana interval yang semakin kecil
memberikan suatu taksiran yang lebih baik.

Interpolasi Kuadratik
Kesalahan pada Contoh 11.1 disebabkan oleh kenyataan bahwa kita telah mendekati sebuah kurva dengan sebuah
garis lurus.Konsekuensinya, sebuah strategi untuk memperbaiki taksiran adalah dengan memperkenalkan
beberapa lengkungan ke dalam garis yang menghubungkan titik-titik. Jika tiga titik data telah tersedia, ini dapat
dilakukan dengan sebuah polinomial orde kedua (disebut juga sebuah polinomial kuadratik atau sebuah
parabola). Suatu bentuk yang terutama sangat baik untuk tujuan ini adalah :
[11.3]
Catat bahwa walaupun Persamaan (11.3) kelihatannya berbeda dari polinomial umum [Persaniaan 11.1], kedua
persamaan tersebut adalah ekuivalen. Ini dapat dilihat dengan mengalikan suku-suku dalam Persamaan (11.3),
sehingga :
atau dengan mengumpulkan suku-suku :
di mana
Jadi, Persamaan (11.1) dan (11.3) adalah alternatif formulasi ekuivalen lainnya dari polinomial orde kedua yang
unik menghubungkan tiga titik.
Suatu prosedur sederhana dapat dipakai untuk menentukan harga-harga koefisien. Untuk b0, Persamaan (11.3)
dengan x = x0 dapat digunakan untuk menghitung :
[11.4]
Persamaan (11.4) dapat disubstitusikan ke dalam Persamaan (11.3) dan dapat dievaluasikan pada x = xl untuk :
[11.5]
Akhirnya, Persamaan (11.4) dan (11.5) dapat disubstitusikan ke dalam Persamaan (11.3) dan dapat dievaluasikan
pada x = x2 serta diselesaikan (setelah beberapa manipulasi aljabar) untuk :
[11.6]
Perhatikan jika kasusnya dengan interpolasi linear, bl masih menyatakan slope garis yang menghubungkan titik x0
dan xl. Jadi, dua suku pertama dari Persamaan (11.3) adalah ekuivalen terhadap interpolasi linear x0 ke xl, seperti
dispesifikasikan sebelumnya dalam Persamaan (11.2). Suhu terakhir, b2(x x0)(x x1) memberikan lengkungan
orde kedua ke dalam formula.
Sebelum mengilustrasikan bagaimana menggunakan Persamaan (11.3), kita akan memeriksa bentuk koefisien b2.
la sangat mirip dengan aproksimasi terbagi hingga dari turunan kedua yang telah diperkenalkan sebelumnya
dalam Persamaan (3.31). Jadi, Persamaan (11.3) adalah titik tolak untuk memanifestasikan suatu struktur yang
sangat mirip dengan perluasan Deret Taylor. Pengamatan ini akan dikaji lebih lanjut jika kita menghubungkan
polinomial interpolasi Newton terhadap Deret Taylor dalam Pasal 11.1.4. Tetapi, pertama-tama, kita
memperlihatkan bagaimana Persamaan (11.3) dipakai untuk menginterpolasikan tiga buah titik.

CONTOH 11.2
Interpolasi Kuadratik
Pernyataan Masalah : Cocokkan polimonial orde kedua terhadap tiga titik yang digunakan dalam Contoh 11.1 :
Gunakan polinomial untuk mengevaluasikan In 2.
Solusi : Dengan menggunakan Persamaan (11.4); maka :
b0 = 0
Persamaan (11.5) membuat :
dan Persamaan (11.6) memberikan :
Dengan memasukkan harga-harga ini ke dalam Persamaan (11.3), maka formula kuadratik :
yang dapat dievaluasikan pada x = 2 untuk :
menunjukkan sebuah kesalahan relatif persen dari t, = 18,4%. Jadi, kelengkungan yang dihasilkan oleh formula
kuadratik (Gambar 11.4) memperbaiki interpolasi, dibandingkan dengan hasil yang diperoleh dengan
menggunakan garis lurus pada Contoh 11.1 dan Gambar 11.3.

GAMBAR 11.4 Pengunaan Interpolasi kuadratik untuk menaksir In 2. interpolasi linear dar x = 1 hingga 4
dimasukkan untuk perbandingan.
Bentuk Umum Polinomial Interpolasi Newton
Analisis sebelumnya dapat dibuat untuk mencocokkan polinomial orde ke-n untuk n + 1 titik data. Polinomial
orde ke-n adalah :
Seperti telah dilakukan sebelumnya dengan interpolasi linear dan kuadratik, titik-titik data dapat digunakan uniuk
mengevaluasikan koefisien-kofisien b0, b1, , bn. Untuk suatu polinomial orde ke-n, diperlukan n + 1 titik data :
x0, xl, x2, , xn. Dengan menggunakan titik data ini, persamaan berikut dipakai untuk mengevaluasikan
koefisien-koefisien :
[11.8]
[11.9]
[11.10]
[11.11]
di mana evaluasi dari fungsi yang berakolade adalah diferensi terbagi hingga. Misalnya, diferensi terbagi hingga
pertama dinyatakan sebagai :
[11.12]
Diferensi terbagi hingga kedua, yang menyatakan perbedaan dari dua diferensi terbagi hingga pertama umumnya
dinyatakan sebagai :
[11.13]
Dengan cara yang serupa, diferensi terbagi hingga yang ke-n adalah :
[11.14] Diferensi-diferensi ini dapat digunakan untuk mengevaluasikan dalam Persamaan (11.8) sampai (11. 11)
yang kemudian dimasukkan ke dalam Persamaan (I1.7) Untuk memenuhi interpolasi polinomial :
[11.15]
yang dinamakan polinomial interpolasi diferensi terbagi Newton. Perlu dicatat bahwa tidak perlu titik-titik data
yang digunakan dalam Persamaan (11.15) berspasi sama atau harga-harga absis harus dalam urutan menaik,
sebagaimana diilustrasikan dalam contoh berikut. Juga perhatikan bagaimana Persamaan (11.12) sampai (11. 14)
adalah rekursif - artinya. Diferensi orde yang lebih tinggi adalah gabungan dari diferensi orde yang lebih rendah
(Gambar 11.5). Perilaku ini akan dikaji, jika kita mengembangkan suatu program komputer yang efisien dalam
Pasal 11.1.5 dalam melaksanakan metode tersebut.

GAMBAR 11.5 Penjelasan grafik tentang keadaan rekursif dari diferensi terbagi hingga.
CONTOH 11.3
Polinomial Interpolasi Diferensi Terbagi Newton
Pernyataan Masalah : Dalam Contoh 11.2, titik-titik data pada x0 = 1, xl = 4, dan x2 = 6 dipakai untuk menaksir ln
1 dengan sebuah parabola. Sekarang, dengan menambahkan titik keempat [x3 = 5; f(x3) = 1,6094379], taksirlah In
2 dengan suatu polinomial interpolasi terbagi hingga Newton orde ketiga.
Solusi : Polinomial orde ketiga, Persamaan (11.3) dengan n = 3 adalah :
Diferensi terbagi pertama untuk masalah itu adalah [Persamaan (11.12)] :
Diferensi terbagi kedua adalah [Persamaan (11.13)] :
Diferensi ketiga adalah [Persamaan (11.14)] dengan n = 3] :

GAMBAR 11.6 Penggunaan interpolasi kubik untuk menaksir ln 2.

Hasil-hasil untuk f[x1, x0], f[x2, x1, x0], dan f[x3, x2, x1, x0] menunjukkan koefisien bl, b2, dan b3 Persamaan (11.7).
Bersama dengan b0 = f(x0) = 0,0 Persamaan (11.7) adalah :
yang dapat digunakan untuk mengevaluasikan :
yang menunjukkan suatu kesalahan relatif persen dari t = 9,3%. Polimomial kubik selengkapnya terlihat dalam
Gambar 11.6.

Kesalahan Polinomial Interpolasi Newton

Perhatikan bahwa struktur Persamaan (11.15) adalah mempunyai perluasan Derel Taylor dalam arti bahwa
suku-suku tersebut ditambahkan secara teratur supaya mengandung perilaku fungsi yang diamati. Suku-suku ini
adalah diferensi terbagi hingga, jadi, menyatakan aproksimasi turunan yang lebih tinggi. Konsekuensinya, seperti
Deret Taylor, bila fungsi sesungguhnya yang digarisbawahi adalah sebuah polinomial orde ke-n, polinomial
interpolasi orde ke-n didasarkan kepada n + 1 titik data, yang memenuhi hasil-hasil eksak.
Seperti halnya Deret Taylor, suatu formulasi untuk kesalahan pemotongan dapat diperoleh. Kita ingat kembali
dari Persamaan (3.13) bahwa kesalahan pemotongan untuk Deret Taylor dapat dinyatakan secara umum sebagai :
di mana terletak di sembarang tempat dalam interval xi sampai xi+1. Untuk polinomial interpolasi orde ke-n,
suatu hubungan analog untuk kesalahan adalah :
[11.16]
di mana terletak di sembarang tempat di dalam interval yang mengandung harga tidak dikenal dan data. Bila
formula ini akan dipakai fungsi yang ditanyakan harus diketahui dan dapat didiferetisiasikan. Kasus ini tidak
selalu demikian. Untunglah, suatu alternatif tersedia dan tidak perlu mengetahui fungsi tersebut sebelumnya.
Agaknya digunakan suatu diferensi terbagi hingga untuk mengaprokmasikan turunan ke (n + l) :
[11.17]
dimana f[x, xn, xn-1, , x0] adalah diferensi terbagi hingga yang ke (n +1). Karena Persamaan (11. 17)
mengandung f(x) yang tidak dikenal, kesalahannya tidak dapat diselesaikan. Tetapi kalau tersedia tambahan,
sebuah titik data tambahan f(xn+1), maka Persamaan (11.17) dapat pakai untuk menaksir kesalahan, seperti :
[11.18]
CONTOH 11.4
Taksiran Kesalahan untuk Polinomial Newton
Pernyataan Masalah :Gunakan Persamaan (11.18) untuk menaksir kesalahan interpolasi polinomial orde kedua
dari Contoh 11.2. Gunakan titik data tambahan f(x3) = f(5) = 1,6094379 untuk mendapatkan hasil-hasilnya.
Solusi : Ingatlah bahwa dalam Contoh 11.2, polinomial interpolasi orde kedua memberikan suatu taksiran f(2) =
0,565844346, yang menunjukkan sebuah kesalahan 0,69314718 -- 0,565844346 = 0,127302835. Jika kita tidak
mengetahui harga yang sebenarnya seperti pada kebanyakan kasus, maka Persamaan (11.18) bersama harga
tambahan pada x3 dapat digunakan untuk menaksir kesalahan, seperti dalam :
di mana harga untuk diferensi terbagi hingga orde ketiga dihitung seperti sebelumnya dalam Contoh 11.3.
Hubungan ini dapat dievaluasikan pada x = 2 untuk :
yang besar ordenya sama dengan kesalahan sebenarnya.

Program Komputer untuk Polinomial Interpolasi Newton

Tiga perilaku untuk membuat polinomial interpolasi Newton sangat menarik untuk aplikasi-aplikasi komputer.
1. Seperti dalam Persamaan (11.7), versi orde yang lebih tinggi dapat dikembangkan secara berurutan
dengan menambahkan sebuah suku tunggal terhadap persamaan berorde lebih rendah berikutnya. Ini
memberikan evaluasi beberapa versi yang berlainan dalam program yang sama. Kemampuan demikian
terutama berharga jika orde polinomial tidak diketahui sebelumnya. Dengan menambahkan suku-suku
baru secara berurutan, kita dapat menentukan kapan suatu titik balik pengurangan dicapai, artinya bila
penambahan suku-suku lebih tinggi tidak terlalu berarti dalam memperbaiki taksiran, atau dalam situasi
tertentu sebenarnya berkurang darinya. Persamaan kesalahan yang dibahas di bawah ini, dalam (3)
berguna untuk menurunkan suatu kriteria objektif dalam menentukan suku-suku titik balik pengurangan
ini.
2. Diferensi terbagi hingga yang menyusun koefisien-koefisien polinomial [Persamaan (11.8) sampai (11. 1)]
dapat dihitung dengan menggunakan suatu hubungan rekurensi. Artinya, seperti dalam Persamaan (11.14)
dan Gambar 11.5, diferensi orde lebih rendah dipakai untuk menghitung diferensi orde lebih tinggi.
Dengan memanfaatkan informasi yang telah ditentukan sebelumnya, koefisien-koefisien tersebut dapat
 dihitung secara efisien. Program pada Gambar 11.7 mengandung suatu skema perencanaan yang
demikian.
3. Persamaan kesalahan [Persamaan (11.18)] dinyatakan dalam suku-suku diferensi terbagi hingga yang
telah dihitung untuk menentukan koefisien-koefisien polinomial. Karenanya, bila informisi ini dijaga,
taksiran kesalahan dapat dicari tanpa menghitung lagi besaran-besaran ini.

GAMBAR 11.7 Program komputer untuk polinomial interpolasi Newton.

Semua ciri di atas dapat dikaji dan diikutsertakan dalam suatu program komputer umum untuk melaksanakan
polinomial Newton (Gambar 11.7). Sebagaimana program lain dalam buku ini, versi ini tidak
didokumentasikan. Tambahan pula, ia tidak mencakup taksiran kesalahan yang disebutkan dalam (3) di atas.
Salah satu tugas anda dalam membuat program ini supaya lebih akrab pemakai (lihat Soal 11.11) adalah dengan
mengikut sertakan persamaan kesalahan. Manfaat persamaan ini ditunjukkan dalam contoh yang berikut.
CONTOH 11.5
Penggunaan Taksiran Kesalahan untuk Menentukan Orde Interpolasi yang Layak
Pernyataan Masalah : Setelah mengikutsertakan kesalahan menurut Persamaan (11.18), manfaatkan program
komputer yang diberikan dalam Gambar 11.7 dan informasi yang berikut untuk mengevaluasikan f(x) = ln x pada
x = 2.

x f(x) = ln x
1 0
4 1,3862944
6 1,7917595
5 1,6094379
3 1,0986123
1,5 0.40546511
2,5 0,91629073
3,5 1,2527630

Solusi : Hasil-hasil pelaksanaan program dalam Gambar 11.7 untuk mendapatkan solusi terlihat pada Gambar
11.8. Taksiran kesalahan bersama dengan kesalahan sebenarnya (berdasar fakta bahwa ln 2 = 0,69314718)
dilukiskan pada Gambar 11.9. Dicatat bahwa kesalahan.

GAMBAR 11.8 Keluaran program BASIC untuk mengevaluasikan ln 2.

Taksiran dan kesalahan sebenarnya adalah sama serta titik temunya kian dekat, jika orde kian bertambah. Dari
plot ini dapat disimpulkan bahwa versi orde kelima mengandung suatu taksiran yang baik dan bahwa suku dengan
orde yang lebih tinggi tidak lagi akan memperbaiki secara berarti.
GAMBAR 11.9 Kesalahan relatif persen untuk prediksi dari ln 2 sebagai fungsi dari polinomial interpolasi.

Ini juga memperlihatkan pentingnya penempatan dan pengordean titik-titik. Misalnya, sampai taksiran orde
ketiga, laju perbaikan adalah perlahan karena titik-titik yang ditambahkan (pada x = 4,6 dan 5) jauh dan terletak
pada salah satu sisi dari titik yang ditanyakan pada x = 2. Taksiran orde keempat memperlihatkan suatu-perbaikan
yang lebih besar karena titik baru pada x = 3 lebih mendekati titik yang tidak diketahui. Tetapi penurunan
kesalahan yang paling dramatis sesuai dengan pemasukan suku orde kelima dengan memakai titik data pada x =
1,5. Titik ini tidak hanya lebih dekat pada tidak diketahui, tetapi ia juga ditempatkan pada sisi yang bertentangan
dari kebanyakan titik lainnya. Sebagai konsekuensinya, kesalahan direduksi hampir satu orde yang cukup besar.
Makna penempatan dan urutan data dapat juga digambarkan dengan menggunakan data yang sama untuk
mendapatkan taksiran 2, tetapi dengan anggapan titik-titik pada suatu urutan yang berlainan. Gambar 11.9
memperlihatkan hasil-hasil untuk kasus pembalikan de dari data semula, yakni x0 = 3,5; x1 = 2,5; x3 = 1,5 dan
seterusnya. Karena titik awal dalam hal ini lebih dekat pada dan dipisahkan di kedua sisi ln 2, kesalahan itu
menurun lebih cepat daripada situasi semula. Dengan suku orde kedua, kesalahan telah direduksi sampai tingkat
kesalahan relatif persen yang kecil dari t = 2%. Kombinasi-kombinasi lainnya dapat dilakukan untuk
memperoleh laju konvergensi yang berbeda.
Contoh terdahulu memperlihatkan pentingnya pemilihan titik-titik basis. Seperti yang seharusnya jelas secara
intuitif, titik-titik itu harus dipusatkan di sekitar dan sedekat mungkin terhadap titik yang tidak diketahui.
Pengamatan ini didukung juga oleh pemeriksaan langsung persamaan kesalahan [Persamaan (11. 17)]. Dengan
menganggap bahwa diferensi terbagi hingga ternyata tidak berubah sepanjang bentangan data, kesalahan tersebut
sebanding dengan hasil kali : (x x0) (x x1) (x - xn). Tentunya semakin dekat titik-titik basis terhadap x,
semakin besar hasil kalinya.

POLINOMIAL INTERPOLASI LAGRANGE

Polinomial interpolasi Lagrange secara mudahnya adalah formulasi kembali dari polinomial Newton yang
mencegah komputasi diferensi terbagi. Secara jelas dapat dinyatakan, sebagai :
[11.19]
di mana :
[11.20]
tanda II menyatakan hasil kali dari. Sebagai contoh versi linear (n = 1) adalah :
[11.21]
dan versi orde kedua adalah :
[11.22]
Seperti halnya metode Newton, versi lagrange mempunyai kesalahan taksiran [Persamaan (11.17)] :
Persamaan (11. 19) dapat diturunkan dari polinomial Newton secara langsung (Kotak 11.1). Tetapi formulasi
Lagrange ini secara rasional dapat dipegang dengan menyadari bahwa setiap suku Li(x) menjadi 1 pada x = xi dan
0 semua titik lainnya. Jadi, setiap hasil kali Li(x)f(xi) mengambil harga f(xi) pada titik sampel xi. Konsep
penjumlahan (sumasi) dari semua produksi yang dinyatakan Persamaan (11.19) adalah polinomial orde ke-n yang
unik dan tetap melewati semua n + 1 titik data.

KOTAK 11.1 Penurunan Bentuk Lagrange Secara Langsung dari Polinomial Interpolasi Newton
Polinomial interpolasi Lagrange dapat diturunkan secara langsung dari formulasi Newton. Kita akan melakukan
hal ini untuk kasus orde pertama :
Untuk menurunkan bentuk Lagrange, kita menformulasikan kembali diferensi terbagi. Misalnya, diferensi terbagi
pertama :
dapat diformulasikan lagi sebagai :
(K11.1.2)
yang dipacu sebagai suatu bentuk simetris. Dengan mensubstitusikan Persamaan (K11.1.2) ke dalam Persamaan
(K11.1.1). maka :
Akhirnya, dengan mengelompokkan suku-suku yang serupa dan menyederhanakannya akan menghasilkan bentuk
Lagrange :

CONTOH 11.6
Polinomial Interpolasi Lagrange
Pernyataan Masalah: Gunakan suatu polinomial interpolasi Lagrange orde pertama dan kedua, untuk
mengevaluasikan ln 2 berdasarkan data yang diberikan dalam Contoh 11.2 :
Solusi : Polinomial orde pertama [Persamaan (11.21)] adalah :
karenanya taksiran pada x = 2 adalah :
Dengan cara yang sama, polinomial orde kedua dikerjakan sebagai [Persamaan (11.22)] :
Sebagaimana diharapkan, kedua hasil ini lebih dekat ke hasil yang didapat sebelumnya dengan menggunakan
Polinomial Interpolasi Newton.
Ringkasnya, untuk kasus-kasus di mana orde polinomial tidak diketahui, metode Newton mempunyai
keuntungan, karena pengertiannya memberikan perilaku formula orde yang berlainan. Tambahan lagi, taksiran
kesalahan yang dinyatakan oleh Persamaan (11.18) biasanya dapat diintegrasikan ke dalam komputasi Newton,
karena taksiran itu memakai suatu diferensi hingga (Contoh 11.5). Jadi untuk komputasi tunggal, metode
Newton seringkali disukai.
Jika hanya dilakukan satu interpolasi, formula-formula Lagrange dan Newton memerlukan upaya komputasi yang
berbanding. Tetapi versi Langrange lebih mudah untuk diprogramkan. Juga terdapat kasus-kasus dimana bentuk
Newton lebih mudah terkena kesalahan pembulatan (Ruckdeschel, 1981). Karena hal ini dan karena tidak
memerlukan komputasi dan penyimpanan diferensi terbagi, bentuk Lagrange seringkali dipakai jika orde
polinomial tidak diketahui sebelumnya.

CONTOH 11.7
Interpolasi Langrange Menggunakan Komputer
Pernyataan Masalah : Sebuah program komputer yang akrab-pemakai akan melaksanakan interpolasi Lagrange
terdapat dalam piranti lunak NUMERICOMP yang menyertai buku ini. Kita dapat memakai piranti lunak ini
untuk mempelajari suatu masalah analisis kecenderungan (trend) bersama-sama dengan masalah penerjun jatuh.
Anggaplah bahwa kita telah membuat alat untuk mengukur kecepatan penerjun. Data diukur yang diperoleh
untuk kasus uji ini adalah :
Waktu Kecepatan diukur
detik v, cm/detik
1 800
3 2.310
5 3.090
7 3.940
13 4.755

Masalah kita ialah menaksir kecepatan penerjun pada t = 10 detik untuk mengisi harga antara pada jarak
pengukuran yang lebar, yakni t = 7 detik dan t = 13 detik. Kita hendaklah waspada bahwa perilaku polinomial
interpolasi dapat menjadi tidak diharapkan. Karenanya, kita akan membuat polinomial orde 4, 3, 2 dan 1 serta
membandingkan hasil-hasilnya.
Solusi : Program NUMERICOMP dapat digunakan untuk membuat polinomial interpolasi orde ketiga, kedua dan
pertama. Hasil-hasil itu adalah :
KOEFISIEN
 Orde Orde ke -4 Orde ke -3 Orde ke -2 Orde ke -1 Orde ke -0Harga
Polinomial taksiran v
pada t =
10 detik
4 -1,76302 44.87501 -392,87 1.813,625 -663,867 5.430.195
3 -4,498586 76,09375 1,239258 1.742,656 4.874,838
2 -36,14584 858,75 -300,1035 4.672,812
1 135,8333 2.989,167 4.347,5
Polinomial orde ke-4 serta data masukan dapat dilukiskan seperti terlihat pada Gambar 11.10a. Jelas dari plot ini
bahwa harga taksiran y pada x = 10 lebih tinggi dari kecenderungan data secara menyeluruh.
Gambar 11.10b sampai d memperlihatkan grafik hasil-hasil komputasi untuk polinomial interpolasi orde ke-3,
ke-2, dan pertama. Perlu dicatat bahwa semakin rendah orde polinomial interpolasi, semakin rendah harga
taksiran kecepatan pada t = 10 detik. Grafik dari polinomial interpolasi menunjukkan bahwa polinomial orde yang
lebih tinggi cenderung mencuatkan (overshoot) kecenderungan data. Hal ini menyarankan bahwa polinomial orde
pertama dan kedua adalah yang paling layak untuk menganalisis trend semacam ini. Tetapi patut diingat bahwa
karena kita menangani data yang tidak tertentu, sesungguhnya regresi akan lebih baik.
GAMBAR 11.10 Grafik yang dibuat oleh komputer (a) orde ke-4, (b) orde ke-3, (c) orde ke-2, dan (d) orde
pertama.

KOMENTAR TAMBAHAN
Sebelum kita melanjutkan ke pasal berikutnya. kita harus menyebutkan dua topik tambahan : interpolasi dengan
data berspasi sama dan ekstrapolasi.
Karena kedua interpolasi Newton dan Lagrange cocok untuk data yang terpisah secara bebas, mungkin anda
heran mengapa kita menunjukkan kasus tertentu untuk data yang berspasi sama (Kotak 11,2). Sebelum kemajuan
komputer digital, teknik ini mempunyai manfaat yang besar untuk interpolasi tabel-tabel dengan
argumen-argumen yang berspasi sama. Kenyataannya, suatu kerangka kerja komputasi yang dikenal sebagai
suatu tabel diferensi terbagi telah dikembangkan untuk melayani pelaksanaan teknik ini. (Gambar 11.5 adalah
sebuah contoh tabel demikian).
Tetapi karena formula-formula tersebut adalah subkumpulan rancangan Newton dan Lagrange yang cocok
dikomputerkan, serta karena banyaknya fungsi tabulasi tersedia sebagai pustaka subrutin, kebutuhan untuk versi
berspasi sama akan menyusut. Meskipun demikian, sampai saat ini kita telah memasukkannya karena ada
kaitannya dengan bagian terakhir dari buku ini. Teristimewa ia dapat dipakai untuk menurunkan formula integrasi
numerik yang akan menggunakan data berspasi sama (Bab 13). Karena formula integrasi numerik mempunyai
kaitan dengan solusi persamaan diferensial biasa, maka materi dalam Kotak 11.2 juga mempunyai arti terhadap
Bab 17.

KOTAK 11.2 Interpolasi dengan Data Berspasi Sama

Jika data berspasi sama dan dalam urutan menaik, maka variabel independen menganggap harga-harga dari :

di mana h adalah interval, atau ukuran langkah (step) di antara data. Berdasarkan ini, diferensi terbagi hingga
dapat dinyatakan dalam bentuk singkat. Misalnya, diferensi terbagi ke depan yang kedua adalah :

yang dapat dinyatakan sebagai :

karena x0 x1 = xl - x2 = (x0 - x2)/2 = h. Sekarang dengan mengingat bahwa diferensi ke depan yang kedua 2f(x0)
adalah sesuai dengan [pembilang dari Persamaan (3.31)] :
Karenanya, Persamaan (K11.2.1) dapat dinyatakan sebagai :
atau pada umumnya :
(K11.2.3) :
Dengan memakai Persamaan (Kt L2.2), polinomial interpolasi Newton [Persamaan (11.15)] dapat dinyatakan
untuk kasus data yang berspasi sama seperti :
(K11.2.3)
di mana sisanya adalah sama dengan Persamaan (11.16). Persamaan ini dikenal sebagai formula Newton atau
formula ke depan Newton-Gregory. Selanjutnya dapat dimudahkan dengan mendefinisikan suatu besaran baru,
:
Definisi ini dapat digunakan untuk mengembangkan pernyataan yang dipermudah untuk suku-suku dalam
Persamaan (K11.2.3) :
yang dapat dimasukkan ke dalam Persamaan (K11.2.3) agar memberikan :
notasi singkat ini mempunyai manfaat dalam penurunan dan analisis kesalahan dari formula integrasi pada Bab
13.
Sebagai tambahan, formula ke depan, ke belakang dan Newton-Gregory terpusat juga tersedia. Carnahan, Luther
dan Wilkes (1969) dapat dikonsultasikan buat informasi lebih lanjut mengenai interpolasi untuk data yang
berspasi sama.
Ekstrapolasi adalah proses menaksir suatu harga f(x) yang terletak di luar bentangan titik-titik basis yang dikenal,
x0, x1, . . . , xn (Gambar 11. 11). Pada pasal sebelumnya, kita telah menyebutkan babwa interpolasi yang paling
akurat biasanya diperoleh jika harga-harga yang tidak diketahui terletak di dekat pusat titik-titik basis. Tentu saja
ini berlaku jika titik yang tidak diketahui terletak di luar-bentangan, dan konsekuensinya, kesalahan ekstrapolasi
dapat sangat besar. Seperti terlihat pada Gambar 11.11, keadaan ujung terbuka ekstrapolasi memberikan suatu
langkah menuju titik yang tidak diketahui, karena proses tersebut memperluas kurva di luar daerah yang
diketahui. Dengan demikian, kurva sebenarnya dapat dengan mudah divergen dari yang diprediksikan. Karena itu,
perhatian yang sungguh-sungguh dilakukan bilamana muncul sebuah kasus di mana seseorang harus
mengekstrapolasikan. Studi Kasus 12.1 dalam bab yang berikutnya memberikan suatu contoh dari kecenderungan
yang dicakup pada pemroyeksian di luar batas-batas data.

GAMBAR 11.11 Ilustrasi divergensi yang mungkin dari prediksi yang diekstrapolasikan. Ekstrapolasi didasarkan
pada pencocokan sebuah parabola melalui tiga titik pertama.

INTERPOLASI SPLINE
Pada pasal sebelumnya, polinomial orde ke-n telah digunakan untuk interpolasi di antara n + 1 titik data.
Misalnya, untuk delapan titik kita dapat menurunkan suatu polinomial orde ketujuh yang sempurna. Kurva ini
akan melalui semua lengkungan (sekurang-kurangnya hingga dan termasuk turunan ketujuh) yang diminta oleh
titik-titik data. Tetapi terdapat kasus di mana fungsi-fungsi ini dapat membawa hasil-hasil yang keliru. Suatu
pendekatan alternatif adalah menerapkan polinomial orde lebih rendah terhadap subkumpulan titik data.
Polinomial penyambungan demikian disebut fungsi spline.
Misalnya, kurva orde ketiga dilaksanakan untuk menyambungkan setiap pasang titik-titik data yang dinamakan
spline kubik. Fungsi-fungsi ini mempunyai perilaku tambahan yang menghubungkan antara persamaan-persamaan
secara visual tanpa halangan. Sepintas lalu kelihatannya aproksimasi spline orde ketiga lebih rendah mutunya
dibandingkan dengan orde ketujuh. Anda barangkali heran mengapa suatu spline akan selalu disukai.
Gambar 11.12 memperlihatkan suatu keadaan di mana suatu spline lebih baik dari suatu polinomial orde lebih
tinggi. Ini adalah kasus di mana sebuah fungsi yang pada umumnya licin tetapi terjadi suatu perubahan mendadak
di mana sepanjang daerah yang diamati. Kenaikan langkah yang diperlihatkan pada Gambar 11.12 adalah suatu
contoh yang ekstrem dari perubahan demikian dan menggambarkan titik tersebut.
Gambar 11.12a sampai c mengilustrasikan bagaimana polinomial orde lebih tinggi cenderung berayun dengan
osilasi yang tidak terkendali di sekitar tempat terjadinya perubahan mendadak. Sebaliknya, spline juga
menghubungkan titik-titik, tetapi karena ia dibatasi terhadap perubahan orde ketiga, osilasi dijaga terhadap suatu
minimal. Dengan demikian, spline biasanya memberikan suatu aproksimasi yang unggul dari perilaku fungsi yang
mempunyai perubahan setempat yang mendadak.
Konsep spline berasal dari teknik menggambar dengan menggunakan lempengan yang fleksibel dan tipis
(dinamakan spline) untuk menggambarkan kurva yang licin melalui sekumpulan titik. Proses tersebut dilukiskan
pada Gambar 11.13 untuk sederetan lima penjepit (titik data). Dalam teknik ini, penggambar menaruh kertas di
atas sebuah papan kayu, lalu memukulkan paku atau penjepit di atas kertas (dan papan) pada lokasi titik-titik
data. Sebuah kurva kubik yang halus dihasilkan di antara titik-titik penjepit. Jadi, nama spline kubik telah
diberikan untuk jenis polinomial yang demikian.
GAMBAR 11.12 Suatu gambaran visual dari keadaan di mana spline lebih unggul terhadap polinomial
interpolasi lebih tinggi. Fungsi yang akan dicocokkan melakukan suatu kenaikan mendadak pada x = 0. Bagian
(a) sampai (c) menunjukkan bahwa perubahan mendadak mempengaruhi osilasi dalam polinomial interpolasi.
Sebaliknya, karena ia dibatasi terhadap kurva orde ketiga dengan transisi yang licin, spline kubik (d) memberikan
aproksimasi yang lebih dapat diterima.

GAMBAR 11.13 Teknik menggambar dengan menggunakan sebuah spline untuk menggambarkan titik-titik.
Perhatikan bagaimana pada ujungnya, spline melurus ke luar. Ini dinamakan spline alamiah (natural spline).
Dalam pasal yang sekarang, fungsi linear sederhana pertama-tama akan digunakan untuk memperkenalkan
beberapa konsep dasar dan masalah sehubungan dengan interpplasi spline. Jadi kita menurunkan suatu algoritma
guna mencocokkan spline kuadratik terhadap data. Akhirnya, kami menyajikan, versi spline kubik yang paling
lazim dan berguna dalam praktik teknik.
Spline Linear
Sambungan yang paling mudah di antara dua titik adalah sebuah garis lurus. Spline orde pertama untuk
sekelompok susunan titik data dapat didefinisikan sebagai sekumpulan fungsi linear yang menghubungkan
titik-titik:
di mana mi adalah slope garis lurus yang menghubungkan titik-titik:
[11.23]
Persamaan ini dapat dipakai untuk mengevaluasikan fungsi tersebut pada sembarang titik di antara x0 dan xn,
pertama-tama dengan menaruh interval di dalam mana titik itu terletak. Kemudian persamaan yang cocok dipakai
untuk menentukan harga fungsi dalam interval tersebut. Metode ini tentu saja identik dengan interpolasi linear.
CONTOH 11.8
Spline Orde Pertama
Pernyataan Masalah : Cocokkan data pada Tabel 11.1 dengan spline orde pertama. Evaluasikan fungsi tersebut
pada x = 5.
TABEL 11.1 Data yang akan dicocokkan dengan fungsi spline

x F(x)
3,0 2,5
-4,5 1,0
 7,0 2,5
9,0 0,5

Solusi : Data tersebut dapat digunakan menentukan slope di antara titik-titik. Misalnya, untuk interval dart x =
4,5 hingga x = 7 slope dapat dihitung dengan menggunakan Persamaan (11.23) :
Slope untuk interval lainnya dapat dihitung, dan hasil spline orde pertama itu dilukiskan pada Gambar 11.14a.
Harga pada x = 5 adalah 1,3.
Pemeriksaan Gambar 11.14a secara visual menunjukkan bahwa kerugian spline orde pertama yang utama adalah
bahwa ia tidak licin (halus). Pokoknya, pada titik-titik data di mana, dua spline bertemu (dinamakan sebuah
sampul), slope berubah secara mendadak. Dalam istilah yang formal, turunan fungsi pertama fungsi menjadi
diskontinu pada titik-titik ini. Kelemahan ini diatasi dengan menggunakan spline polinomial orde, yang lebih
tinggi, sehingga menyakinkan kehalusan pada simpul-simpul tersebut dengan menyamakan turunan pada titik-titik
seperti yang akan dibahas pada pasal berikutnya.

GAMBAR 11.14 Spline mencocokkan kumpulan empat titik (a) Spline linear, (b) kuadratik, dan (c) spline
kubik, dengan plot dari suatu polinomial interpolasi kubik.

Spline Kuadratik
Untuk meyakinkan bahwa turunan ke-m adalah kontinu pada setiap simpul, sebuah spline, sekurang-kurangnya
orde ke-(m + 1) harus digunakan. Polinomial orde ketiga atau spline kubik yang meyakinkan turunan pertam
adan kedua adalah yang paling sering dipakai dalam praktik. Walaupun turunan ketiga serta yang lebih tinggi bisa
diskontinu kalau menggunakan spline kubik, biasanya mereka tidak dapat dideteksi secara visual, dan dengan
sendirinya diabaikan.
Karena turunan dari spline kubik sedikit mengambil bagian, kita memilih untuk memasukkannya ke dalam pasal
yang berikut. Kita telah memutuskan pertama-tama untuk menggambarkan konsep interpolasi spline dengan
menggunakan polinomial orde kedua. Spline kuadratik ini mempunyai turunan pertama yang kontinu pada
simpul-simpul. Walaupun spline kuadratik tidak menjamin turunan kedua yang sama pada simpul-simpul, secara
baik ia telah menunjukkan prosedur umum untuk pengembangan spline orde yang lebih tinggi.
Tujuan spline kuadratik, ialah untuk menurunkan sebuah polinomial orde kedua untuk setiap interval di antara
titik-titik data. Polonomial untuk setiap interval secara umum dapat dinyatakan sebagai:
[11.24]

GAMBAR 11.15 Notasi yang dipakai untuk menurunkan spline kuadratik. Perhatikan bahwa terdapat n + 1 titik
data. Contoh yang terlihat adalah untuk n = 3
Gambar 11.15 telah dimasukkan untuk membantu menjelaskan notasi untuk n + 1 titik data (i = 0, 1, 2, , n),
terdapat n interval konsekwensinya, 3n konstanta yang tidak diketahui (setiap a, b, dan c) siap dievaluasikan.
Karenanya 3n persamaan atau kondisi dibutuhkan untuk mengevaluasikan harga yang tidak diketahui. Harga ini
adalah :
1. Harga- harga fungsi harus sama pada simpul- simpul terdalam. Kondisi ini dapat dinyatakan sebagai :
[11.25] [11.26] untuk i = 2 hingga n. Karena yang dipakai hanya simpul-simpul terdalam, Persamaan
(11.25) dan (11.26) masing-masing memberikan n - 1 untuk keseluruhannya (2n - 2) kondisi.
2. Fungsi-fungsi pertama dan terakhir harus melalui titik- titik ujung. Ini akan menambahkan dua
persamaan tambahan : [11.27] [11.28] untuk keseluruhannya 2n - 2 + 2 = 2n kondisi.
3. Turunan pertama pada simpul terdalam harus sama.Turunan pertama dari Persamaan (11.22) adalah :
Karenanya, kondisi dapat dinyatakan secara umum sebagai : [11.29] untuk i = 2 hingga n. Ini memberikan
n - 1 kondisi lainnya untuk keseluruhannya total 2n + n - 1 = 3n - 1. Karena kita mempunyai 3n yang
tidak diketahui, kita kekurangan satu kondisi. Jika kita tidak mempunyai beberapa informasi tambahan
mengenai fungsi-fungsi atau turunannya, kita harus membuat suatu pilihan bebas supaya dapat berhasil
mencari konstanta-konstanta. Walaupun ada sejumlah pilihan yang berlainan dapat dilakukan, kita memilih
yang berikut :
4. Anggap bahwa turunan kedua adalah nol pada titik pertama. Karena turunan kedua dari Persamaan
(11.24) adalah 2a, kondisi ini dapat dinyatakan secara matematis sebagai : [11.30] Interpolasi visual dari
kondisi ini ialah bahwa kedua titik pertama akan dihubungkan oleh sebuah garis lurus.

CONTOH 11.9
Spline Kuadratik
Pernyataan Masalah : Cocokkan spline kuadratik terhadap data serupa yang dipakai dalam Contoh 11.8 (Tabel
11.1). Gunakan hasil-hasil itu untuk mengestimasikan harga pada x = 5.
Solusi : Untuk masalah yang dihadapi, kita mempunyai empat titik data dan n = 3 interval. Karenanya, 3(3) = 9
yang tidak diketahui harus ditentukan. Persamaan (11.25) dan (11.26) mengandung 2(3) 2 = 4 kondisi :
Dengan menggunakan fungsi pertama dan terakhir pada harga-harga awal dan akhir akan menambahkan 2
persamaan lagi [Persamaan (11.27)], yakni :
dan [Persamaan (11.28)] :
Kontinuitas turunan membuat tambahan 3 1 = 2 [Persamaan (11.29)] :
Akhirnya, Persamaan (11.30) menjadikan a1 = 0. Karena persamaan ini menspesifikasikan a1 secara tepat,
masalahnya berkurang untuk penyelesaian delapan persamaan simultan. Kondisi ini dapat dinyatakan bentuk
matriks sebagai :
Persamaan-persamaan ini dapat diselesaikan dengan menggunakan teknik dari Bagian III dengan memberikan
hasil :
yang dapat dimasukkan ke dalam persamaan kuadratik semula untuk membangun hubungan yang berikut di
setiap interval :
Prediksi untuk x = 5, karenanya :
Pencocokan spline total dijelaskan pada Gambar 11.14b. Perhatikan bahwa terdapat dua kelemahan yang
mengurangi kecocokan: (1) garis lurus yang, menghubungkan dua titik pertama', dan (2) spline untuk interval
terakhir terlihat berayun sangat tinggi. Spline kubik pada pasal yang berikut tidak memperhatikan kelemahan ini,
dan sebagai konsekuensinya adalah metode-metode biasanya lebih baik untuk interpolasi spline.
Spline Kubik
Tujuan spline kubik ialah menurunkan suatu polinomial orde ketiga untuk setiap interval di antara simpul,
seperti dalam :
[11.31]
Jadi, untuk n + 1 titik data (i = 0, 1, 2, , n), terdapat n interval dan konsekwerisinya, diperlukan 4n
konstanta yang tidak diketahui untuk dievaluasikan. Seperti spline kuadratik, 4n kondisi diperlukan untuk
mengevaluasikan yang tidak diketahui. Ini adalah :
1. Harga-harga fungsi harus sama pada simpul-simpul terdalam (2n - 2 kondisi).
2. Fungsi-fungsi pertama dan terakhir harus melaluitlitik-titik ujung (2 kondisi).
3. Turunan pertama pada simpul-simpul terdalam harus sama (n - 1 kondisi).
4. Turunan kedua pada simpul-simpul terdalam harus sama (n - 1 kondisi).
5. Turunan kedua pada ujung simpul-simpul adalah nol (2 kondisi).
Interpretasi visual dari kondisi 5 adalah bahwa fungsi itu menjadi sebuah garis lurus pada ujung
simpul-simpul. Spesifikasi kondisi pada ujung-ujung demikian membawa kepada apa yang disebut sebagai
suatu spline alamiah (natural spline). Nama ini diberikan karena spline penggambar secara alamiah memiliki
bentuk menyerupai bentuk ini (Gambar 11.13). Jika harga turunan kedua pada ujung simpul-simpul bukan nol
(terdapat beberapa lengkungan), informasi ini dapat digunakan secara alternatif untuk mensuplai kedua
kondisi yang diperlukan.
Kelima jenis kondisi di atas seluruhnya memberikan 4n persamaan yang diperlukan untuk menyelesaikan 4n
koefisien. Di samping tentunya memungkinkan untuk membuat spline kubik dalam bentuk ini, kita akan
memberikan sebuah teknik alternatif yang hanya memerlukan solusi dari n - 1 persamaan. Walaupun
penurunan dari metode ini (Kotak 11.3) kurang gamblang dibandingkan spline kuadratik, penambahan pada
efisiensi merupakan upaya yang bijaksana.
KOTAK 11.3 Penurunan Spline Kubik

Langkah pertama dari penurunan itu (Cheney dan Kincaid, 1980) berdasarkan pengamatan bahwa karena
setiap pasangan simpul disambungkan oleh sebuah kubik, turunan kedua dalam setiap interval adalah sebuah
garis lurus. Persamaan (11.31) dapat didiferensiasikan dua kali untuk mengubah pengamatan ini.
Berdasarkan ini, penurunan kedua dapat dinyatakan oleh sebuah polinomial interpolasi Lagrange orde
pertama [Persamaan (11.21)] :
[K11.3.1]
di mana adalah harga turunan kedua pada sembarang titik x dalam interval ke-1. jadi persamaan ini adalah
garis lurus yang menghubungkan turunan kedua pada simpul pertama . Dengan turunan pada simpul kedua

Selanjutnya, Persamaan (K11.3.1) dapat diintegrasikan dua kali agar mengandung sebuah pernyataan untuk
Tetapi pernyataan ini mengandung dua konstanta integrasi yang tidak diketahui. Konstanta-konstanta ini
dapat dievaluasikan dengan menerapkan kondisi ekualitas-fungsi harus sama dengan pada dan
harus sama dengan pada . Dengan melakukan evaluasi ini, persamaan kubik berikut menghasilkan.
[K11.3.1]
Sekarang diakui bahwa hubungan ini adalah suatu pernyataan yang lebih rumit untuk spline kubik interval
ke-1 daripada, katakanlah, Persamaan (l1.31). Tetapi perhatikan bahwa ia hanya mengandung dua koefisien
yang tidak diketahui, turunan kedua pada awal dan akhir iviterval dan .Jadi, jika kita dapat menentukan
turunan kedua yang baik pada setiap simpul Persamaan (K11.3.2) adalah sebuah polinomial orde ketiga yang
dapat digunakan untuk interpolasi dalam interval itu. Turunan kedua dapat dievaluasikan dengan
memanggil kondisi itu, sehingga turunan pertama pada simpul harus kontinu :
(KI1.3.3)
Persamaan (K11.3.2) dapat didiferensiasikan untuk memberikan sebuah pernyataan bagi turunan pertama.
Jika ini dilakukan untuk kedua interval ke dan ke-i dan kedua hasil disamakan sesuai dengan Persamaan
(K11. 3.3), hubungan berikut menghasilkan :
(K11.3.4)
Jika persamaan (K11.3.4) ditrulis untuk semua simpul terdalam, n 1 persamaan simultan menghasilkan n + 1
turunan kedua yang tidak diketahui. Tetapi karena ini adalah suatu spline kubik alamiah, turunan kedua pada
ujung simpul adalah nol dan permasalahan direduksi menjadi n 1 persamaan dengan n - 1 yang tidak
diketahui. Tambahan pula, sistem persamaan akan tridiagonal. Jadi, kita tidak hanya telah mereduksi jumlah
persamaan, tetapi juga menyusunnya menjadi bentuk yang amat mudah diselesaikan (ingat Kotak 7.2).
Penurunan dari Kotak 11.3 menghasilkan persamaan kubik yang berikut untuk setiap interval :
[11.32]
Persamaan ini hanya mengandung dua yang tidak diketahui-turunan-turunan kedua pada ujung setiap interval.
Yang tidak ini dapat dievaluasikan dengan menggunakan persamaan berikut :
[11.33]
Jika persamaan ini ditulis untuk semua simpul terdalam, n persamaan simultan menghasilkan n - 1 yang tidak
diketahui. (Ingatlah turunan kedua ujung simpul adalah nol). Aplikasi dari persamaan-persamaan ini
digambarkan pada contoh berikut.