Soal :

1. Jelaskan apa yang diketahui tentang sistem operasi linear ? (minmal 5

lembar)
2. Sebut dan jelaskan metode-metode yang digunakan dalam sistem operasi
linear disertai contohnya ? (minimal 10 lembar)
3. Jelakan apa yang anda ketahui tentang interpolasi dan kurva fiting ?
(minimal 5 lembar)
4. Sebut dan jelaskan metode-metode yang digunakan dalam interpolasi dan
kurva fiting dan sertakan pula contohnya ? (minimal 10 lembar)

Jawab :

1. Jelaskan apa yang diketahui tentang sistem operasi linear ? (minmal 5

lembar)
Jawab :
Matriks Vandermonde (Vander) dikenalkan oleh matematikawan Prancis
bernama Alexandre-Théophile Vandermonde pada tahun 1700. Ia merupakan salah
satu orang yang pertama menulis tentang sifat dasar dari determinan.
Dimisalkan Vd merupakan matriks Vandermonde m×n yang ditunjukkan sebagai
berikut ;

beberapa penulis kadang-kadang mendefinisikan matriks Vandermonde sebagai

transpos dari persamaan di atas. Matriks ini sering digunakan untuk
membuktikan beberapa pembuktian yang berkaitan dengan determina n matriks
(Anton,1994).
Sistem persamaan linear ditemukan hampir di semua cabang ilmu
pengetahuan. Di bidang ilmu ukur, diperlukan untuk mencari titik potong dua
garis dalam satu bidang. Di bidang ekonomi atau model regresi statistik
sering ditemukan sistem persamaan dengan banyaknya persamaan sama dengan
banyaknya variabel dalam hal memperoleh jawaban tunggal bagi variabel.
Apabila variabel lebih banyak dari persamaan, seperti dalam perancangan
linear, umumnya diperoleh jawaban yang tak hingga banyaknya. Namun dalam
teknik listrik sering ditemukan variabel lebih sedikit dari persamaan.
Karena beberapa dari persamaan mempunyai sifat ketergantungan maka jawaban
masih mungkin untuk diperoleh. Dalam bab ini, akan dibahas sistem persamaan
linear bukan hanya yang mempunyai jawaban tunggal, tetapi juga yang
mempunyai jawaban banyak. Untuk membantu penyelesaian masalah dipergunakan
konsep matriks.Dan dengan mempelajari tentang Sistem persamaan Linear ini
mempunyai tujuan agar mahasiswa/i dapat menjelaskan pengertian sistem
persamaan linear serta dapat menentukan penyelesaian sistem persamaan
linear.

Aljabar linear adalah bidang studi matematika yang mempelajari sistem

persamaan linear dan solusinya, vektor, serta transformasi linear. Matriks
dan operasinya juga merupakan hal yang berkaitan erat dengan bidang aljabar
linear. Persamaan linear dapat dinyatakan sebagai matriks. Penyelesaian
persamaan linier dalam bentuk matriks dapat dilakukan melalui beberapa cara,
yaitu dengan eliminasi Gauss atau dapat juga dengan cara eliminasi Gauss-
Jordan. Namun, suatu sistem persamaan linier dapat diselesaikan dengan
eliminasi Gauss untuk mengubah bentuk matriks teraugmentasi ke dalam bentuk
eselon-baris tanpa menyederhanakannya (Thomas,1984:93-94).
Sistem persamaan linear adalah Suatu sistem yang merupakan gabungan
dari beberapa persamaan linier dengan variabel tertentu. Dalam menyelesaikan
persamaan linear dalam bentuk matriks ada beberapa cara eliminasi yang dapat
dilakukan,menngunakan eliminasi eliminasi Gauss atau dapat juga dengan cara
eliminasi Gauss-Jordan. Namun, suatu sistem persamaan linier dapat
diselesaikan dengan eliminasi Gauss untuk mengubah bentuk matriks
teraugmentasi ke dalam bentuk eselon-baris tanpa menyederhanakannya. Cara
ini disebut dengan substitusi balik.Jenis-jenis matriks terdiri dari ;
Macam-macam persamaan linear;
 SPL (Sistem Persamaan Linear) dengan banyaknya persamaan sama
dengan banyaknya variabel (m = n)
 SPL (Sistem Persamaan Linear) dengan banyaknya persamaan tidak
sama dengan banyaknya variabel (m ≠ n)
 SPL(Sistem Persamaan Linear) Homogen
Pengoperasian sistem persamaan linear harus diubah terlebih dahulu
dalam bentuk matriks, sehingga dapat dihitung nilai x dan determinan matrik
tersebut dengan menggunakan metode eliminasi Gaus.
Persamaan linear adalah persaman yang tidak mengandung atau melibatkan
hasil kali atau akar variabel, semua variabel mempunyai pangkat satu dan
tidak sebagai variabel bebas dari fungsi trigonometri, logaritma atau
eksponen.Contoh Beberapa persamaan linear, yaitu :
- 2x + 3y = 6 Pers. (1)
- 4×1 + 3×2 + 2×3 = 12 Pers.(2)
- a1x1 + a2x2 + a3x3 + ¢ ¢ ¢ + anxn = b Pers.(3)

Persamaan (1) yaitu persamaan linear dengan variabel x dan y, dengan

koefisien 2 dan 3 yang merupakan persamaan garis. Persamaan (2) yaitu
persamaan linear dengan variabel x1 ; x2 dan x3, dengan koefisien 4; 3 dan 2
yang merupakan persamaan bidang. Sedangkan Persamaan (3) yaitu persamaan
linear dengan variabel xi dan koefisien ai dan b dengan i = 1; 2; 3; ¢ ¢ ¢ ;
n.Persamaan linear yang lebih dari satu (terhingga) dan variabelnya saling
terkait, himpunan persamaan tersebut dinam1. akan sistem persamaan linear
atau sistem linear.

Sistem linear yang terdiri dari dua persamaan dengan tiga variabel,

4x- 2y + 3z = -1

3x + y + 9z = -4

Salah satu penyelesaian dari sistem linear tersebut adalah x = 1, y = 2

dan z =–1, karena nilai tersebut memenuhi kedua persamaan, sedangkan
penyelesaian yang lain, x = 2, y =–1 dan z = –1 bukan penyelesaian dari
sistem tersebut, sebab nilai tersebut memenuhi persamaan yang kedua, tetapi
tidak memenuhi persamaan pertama. Sistem linear tersebut tidak konsisten,
karena jika persamaan pertama dikalikan dengan tiga, kedua persamaan
tersebut tidak konsisten, sehingga sistem linear tersebut tidak mempunyai
penyelesaian.

Sistem Linear Homogen

Suatu sistem dikatakan linear homogen, jika matriks b diganti dengan matriks
0, atau sistem

tersebut mempunyai bentuk

a11x1 + a12x2 + a13x3 + … + a1nxn = 0

a21x1 + a22x2 + a23x3 + …. + a2nxn = 0

a31x1 + a32x2 + a33x3 + ….+a3nxn = 0

am1x1 + amx2 + am3x3 + ….. + amnxn = 0

Sistem ini mempunyai penyelesaian trivial jika x1 = x2 = x3 = ….. = xn = 0

dan mempunyai penyelesaian tak trivial jika sistem mempunyai penyelesaian
selain itu. Beberapa cara penyelesaian tersebut diantaranya :

a. Penyelesaian SPL

Untuk mencari penyelesaian umum atau himpunan penyelesaian dari suatu

sistem persamaan linear, ada beberapa cara yang sederhana adalah substitusi
(seperti di SMU). Sebelum mencari penyelesaian dari sistem persamaan linear,
perhatikan terlebih dahulu metode dasar atau elementer yang mirip dengan
metode substitusi yaitu operasi baris elementer yang lebih dikenal dengan
sebutan OBE.Pada metode substitusi, langkah untuk menghilangkan sebuah
variabel dapat dilakukan dengan tiga langkah, yaitu

1. Mengalikan persamaan dengan sebuah konstanta tak-nol

2. Tukarkan dua persamaan
3. T ambahkan perkalian dari persamaan ke persamaan yang lain

Sedangkan pada metode operasi baris elementer, langkah untuk menghilangkan

sebuah konstanta pada kolom tertentu dapat dilakukan dengan tiga langkah,
yaitu

1. Mengalikan baris dengan sebuah konstanta tak-nol

2. Tukarkan dua baris
3. T ambahkan perkalian dari baris ke baris yang lain
CONTOH:
Pandang sistem persamaan linear berikut ini,
x + 2y = 5 (1.10)

2x + 5y = 12 (1.11)

Untuk menyelesaikan dengan metode substitusi, lakukan langkah pertama,

yaitu: kalikan Persamaan 1.10 dengan 2, sehingga menjadi

2x + 4y = 10

2x + 5y = 12, kemudian kurangkan Persamaan 1.11 dengan Persamaan 1.10, maka

Persamaan 1.11 menjadi

y = 2 dan x + 2:2 = 5; maka x = 1

b. Baris Eselon T ereduksi

Telah dipelajari langkah-langkah OBE, seperti pada Contoh 1.2.1. Pada

bagian ini akan ditunjukkan bentuk dari suatu matriks yang mempunyai sifat
baris eselon dan baris eselon tereduksi adalah sebagai berikut:

1. Jika suatu baris tidak seluruhnya terdiri dari nol, maka angka tak-nol
pertama dalam baris tersebut adalah satu yang disebut dengan utama-1
2. Jika ada baris terdiri dari nol semua, maka pindahkan ke bagian bawah
matrik
3. Jika ada dua baris yang beurutan yang tidak seluruhnya nol, utama-1
pada baris yanglebih bawah terletak disebelah kanan utama-1 dari baris
atasnya
4. Setiap kolom yang berisi utama-1 mempunyai nol di baris yang lainnya
 Jika suatu matriks mempunyai sifat 1, 2 dan 3, maka matriks tersebut
disebut matriksbentuk baris eselon, sedangkan matriks yang mempunyai ke-
empat sifat tersebut dinamakanmatriks bentuk baris eselon tereduksi.

2. Sebut dan jelaskan metode-metode yang digunakan dalam sistem operasi

linear disertai contohnya ? (minimal 10 lembar)

Jawab :

Metode yang digunakan dalam sistem persamaan linear :

A. Metode Eliminasi Gauss-Jordan

Eliminasi Gauss adalah suatu cara mengoperasikan nilai-nilai di

dalammatriks sehingga menjadi matriks yang lebih sederhana (ditemukan oleh
Carl Friedrich Gauss). Caranya adalah dengan melakukan operasi baris
sehingga matriks tersebut menjadi matriks yang Eselon-baris. Ini dapat
digunakan sebagai salah satu metode penyelesaian persamaan linear dengan
menggunakan matriks. Caranya dengan mengubah persamaan linear tersebut ke
dalam matriks teraugmentasi dan mengoperasikannya. Setelah menjadi matriks
Eselon-baris, lakukan substitusi balik untuk mendapatkan nilai dari
variabel-variabel tersebut (Jaan Kiusalaa,48-50).
Eliminasi Gauss adalah suatu cara mengoperasikan nilai-nilai di dalam
matriks sehingga menjadi matriks yang lebih sederhana. Caranya adalah dengan
melakukan operasi baris sehingga matriks tersebut menjadi matriks yang
eselon-baris. Ini dapat digunakan sebagai salah satu metode penyelesaian
persamaan linear dengan menggunakan matriks. Caranya dengan mengubah
persamaan linear tersebut ke dalam matriks teraugmentasi dan
mengoperasikannya. Setelah menjadi matriks Eselon-baris, lakukan substitusi
balik untuk mendapatkan nilai dari variabel-variabel tersebut.
Metode ini berangkat dari kenyataan bahwa bila matriks A berbentuk
segitiga atas (menggunakan Operasi Baris Elementer) seperti system persamaan
berikut ini:

Maka solusinya dapat dihitung dengan teknik penyulingan mundur (backward

substitution):
Kondisi sangat penting. Sebab bila , persamaan diatas
menjerjakan pembagian dengan nol. Apabila kondisi tersebut tidak dipenuhi,
maka SPL tidak mempunyai jawaban.

Contoh:
x + y + 2z = 9
2x + 4y - 3z = 1
3x + 6y - 5z = 0

Solusi system diperoleh dengan teknik penyulihan mundur sebagai berikut:

Dalam aljabar linear, eliminasi Gauss-Jordan adalah versi dari

eliminasi Gauss. Pada metode eliminasi Gauss-Jordan kita membuat nol elemen-
elemen di bawah maupun di atas diagonal utama suatu matriks. Hasilnya adalah
matriks tereduksi yang berupa matriks diagonal satuan (semua elemen pada
diagonal utama bernilai 1, elemen-elemen lainnya nol).
Dalam bentuk matriks, eliminasi Gauss-Jordan ditulis sebagai berikut:

Solusinya:

Seperti pada metode eliminasi gauss naïf, metode eliminasi Gauss-Jordan naïf
tidak menerapkan tata-ancang pivoting dalam proses eliminasinya.
Langkah-langkah operasi baris yang dikemukakan oleh Gauss dan
disempurnakan oleh Jordan sehingga dikenal dengan Eliminasi Gauss-Jordan,
sebagai berikut:
a. Jika suatu baris tidak seluruhnya dari nol, maka bilangan tak nol
pertama pada baris itu adalah 1. Bilangan ini disebut 1 utama (leading
1).Jika terdapat baris yang seluruhnya terdiri dari nol, maka baris-
baris ini akan dikelompokkan bersama pada bagian paling bawah dari
matriks.
b. Jika terdapat dua baris berurutan yang tidak seluruhnya dari nol, maka
1 utama pada baris yang lebih rendah terdapat pada kolom yang lebih
kanan dari 1 utama pada baris yang lebih tinggi. Setiap kolom memiliki
1 utama memiliki nol pada tempat lain.
Contoh:
x + y + 2z = 9
2x + 4y - 3z = 1
3x + 6y - 5z = 0
Diperoleh penyelesaian x = 1, y = 2, z = 3.

B. Metode eliminasi
Metode ini bekerja dengan care mengeliminasi (menghilangkan) variabel-
variabel di dalam sistem persamaan hingga hanya satu variabel yang
tertinggal.
Pertama-tama, lihat persamaan-persamaan yang ada dan coba cari dua persamaan
yang mempunyai koefisien yang sama (baik positif maupun negatif) untuk
variabel yang sama. Misalnya, lihat persamaan (1) dan (3). Koefisien
untuk y adalah 1 dan -1 untuk masing-masing persamaan. Kita dapat menjumlah
kedua persamaan ini untuk menghilangkan y dan kita mendapatkan persamaan
(4).

X + Y − z = 1 (1)

−4x − Y + 3z = 1 (3)

------------------------- +

−3x + 2z = 2 (4)

Perhatikan bahwa persamaan (4) terdiri atas variabel x dan z. Sekarang

kita perlu persamaan lain yang terdiri atas variabel yang sama dengan
persamaan (4). Untuk mendapatkan persamaan ini, kita akan
menghilangkan y dari persamaan (1) dan (2). Dalam persamaan (1) dan (2),
koefisien untuk yadalah 1 dan 3 masing-masing. Untuk menghilangkan y, kita
kalikan persamaan (1) dengan 3 lalu mengurangkan persamaan (2) dari
persamaan (1).

x +Y −z =1 (1) × 3 3x + 3y − 3z = 3 (1)

8x + 3y − 6z = 1 (2) 8x + 3y − 6z = 1 (2)
 ------------------------- -

−5x + 3z = 2 (5)

Dengan persamaan (4) dan (5), mari kita coba untuk menghilangkan z.

−3x + 2z = 2 (4) × 3 −9x + 6z = 6 (4)

−5x + 3z = 2 (5) × 2 −10x + 6z = 4 (5)

------------------------- −

x = 2 (6)

Dari persamaan (6) kita dapatkan x = 2. Sekarang kita bisa subtitusikan

(masukkan) nilai dari x ke persamaan (4) untuk mendapatkan nilai z.

−3(2) + 2z = 2 (4)

−6 + 2z =2

2z =8

Z =8 ÷ 2

Z =4

Akhirnya, kita substitusikan (masukkan) nilai dari z ke persamaan (1) untuk

mendapatkan y.

2 + y − 4=1 (1)

Y =1 − 2 + 4

Y =3

Jadi solusi sistem persamaan linier di atas adalah x = 2, y = 3, z = 4.

C. Metode substitusi

Pertama-tama, marilah kita atur persamaan (1) supaya hanya ada 1

variabel di sebelah kiri.
x = 1 − y + z (1)
Sekarang kita substitusi x ke persamaan (2).

8(1 − y + z) + 3y − 6z = 1 (2)

8 − 8y + 8z + 3y − 6z = 1

−5y + 2z =1 − 8

−5y + 2z = −7 (4)

Dengan cara yang sama seperti di atas, substitusi x ke persamaan (3).

−4(1 − y + z) − y+ 3z = 1 (3)

−4 + 4y − 4z − y+ 3z = 1

3y – z =1 + 4

3y – z =5 (5)
Sekarang kita atur persamaan (5) supaya hanya ada 1 variabel di sebelah
kiri.
z = 3y − 5 (6)
Kemudian, substitusi nilai dari z ke persamaan (4).

−5y + 2(3y − 5) = −7 (4)

−5y + 6y − 10 = −7

Y = −7 + 10

Y =3

Sekarang kita sudah tahu nilai dari y, kita dapat masukkan nilai ini ke
persamaan (6) untuk mencari z.

z = 3(3) – 5 (6)

z=9 – 5

z=4

Akhirnya, kita substitusikan nilai dari y dan z ke persamaan (1) untuk

mendapatkan nilai x.

x=1 − 3 + 4 (1)

x=2

Jadi, kita telah menemukan solusi untuk sistem persamaan linier di atas: x =
2, y = 3, z = 4.

D. Metode Matriks Invers

Sistem persamaan linier yang terdiri atas persamaan-persamaan (1), (2),

dan (3) di atas dapat juga ditulis dengan bentuk notasi
matriks AB = C seperti berikut

1 1 -1 X 1

8 3 -6 Y = 1

-4 -1 3 Z 1

Solusinya adalah matriks B. Agar kita dapat mengisolasi B sendirian di

salah satu sisi dari persamaan di atas, kita kalikan kedua sisi dari
persamaan di atas dengan invers dari matriks A.

A−1AB = A−1C

B = A−1C
 Sekarang, untuk mencari B kita perlu mencari A−1. Silakan melihat
halaman tentang matriks untuk belajar bagaimana mencari invers dari sebuah
matriks.

-3 2 3

A−1 = 0 1 2

-4 3 5

-3 2 3 1

B = 0 12 1

-4 3 5 1

B = 3

Jadi solusinya adalah x = 2, y = 3, z = 4. Metode ini dapat digunakan

untuk menyelesaikan sistem persamaan linier dengan n variabel. Kalkulator di
atas juga menggunakan metode ini untuk menyelesaikan sistem persamaan
linier.

3. Jelakan apa yang anda ketahui tentang interpolasi dan kurva fiting?
(minimal 5 lembar)

Jawab :

Interpolasi adalah suatu cara untuk mencari nilai di antara beberapa

titik data yang telah diketahui. Di dunia nyata, interpolasi dapat digunakan

untuk memperkirakan suatu fungsi, yang mana fungsi tersebut tidak

terdefinisi dengan suatu formula, tetapi didefinisikan hany dengan data-data

atau tabel, misalnya tabel dari hasil percobaan. Interpolasi dapat juga

diaplikasikan untuk pengolahan citra digital, membuat kontur-kontur, dan

berguna dalam proses recovery. Ada berbagai macam interpolasi berdasarkan

fungsinya, di antaranya adalah interpolasi linier, interpolasi kuadrat, dan

interpolasi polinomial. Adapun berbagai metode dalam interpolasi antara lain

metode Lagrange dan metode Newton. Kedua metode tersebut menggunakan fungsi

polinomial untuk menginterpolasi f(x) pada titik-titik yang diberikan. Di

sini akan diberikan alternatif lain dalam interpolasi, yaitu dengan

menggunakan fungsi rasional yang kemudian disebut dengan interpolasi

rasional. Interpolasi rasional seringkali memberikan pendekatan yang lebih

baik daripada interpolasi polinomial, khususnya jika titik-titik yang

diberikan banyak, tetapi sulit untuk mengontrol keberadaan kutub. Salah satu

metode yang pertama kali yang digunakan dalam interpolasi rasional adalah

dengan menggunakan algoritma Neville. Namun, metode ini memiliki beberapa

kelemahan, diantaranya adalah tentang keberadaan kutub yang sulit untuk

dikontrol. Untuk mengatasi masalah tersebut akan digunakan

formula Barycentric, yang mana formula ini dapat menghasilkan fungsi

rasional tanpa kutub. Formula Barycentric ditemukan pada tahun 1945 oleh

W.Taylor Formula Barycentric adalah formula yang merupakan modifikasi dari

formula Lagrange yang praktis dan stabil Formula Barycentric ini memiliki

bobot (w) tertentu, yang akan menghasilkan fungsi rasional yang memenuhi:

r(xi)=yi,Ѵi=0,1

adalah titik-titik interpolasi dan nilai-nilai interpolasi. Permasalahan

akan muncul karena fungsi rasional yang dihasi lkan tidak selalu bebas dari

kutub.

Alasan menghindari kutub adalah sebagai berikut.

1. Jika fungsi rasional yang digunakan untuk menginterpolasi mengandung

kutub maka pada titik-titik x sebagai kutub, fungsi tersebut menjadi tidak

terdefinisi nilainya.

2. Jika fungsi rasional yang digunakan untuk menginterpolasi mengandung

kutub maka pada daerah persekitaran kutub, nilainya akan berubah dengan

cepat, bahkan mendekati tak hingga.

Sebuah permasalahan berbeda yang berhubungan dekat dengan interpolasi

adalah pendekatan/aproksimasi suatu fungsi kompleks melalui suatu fungsi

sederhana. Seandainya formula untuk suatu fungsi tertentu diketahui namun

terlalu rumit untuk dinilai secara efisien, maka beberapa titik data yang
diketahui dari fungsi asli tersebut dapat digunakan untuk menghasilkan suatu

interpolasi berdasarkan suatu fungsi yang lebih sederhana. Tentu saja,

ketika suatu fungsi yang lebih sederhana digunakan untuk memperkirakan titik

data dari fungsi asli, biasanya muncul kesalahan interpolasi; namun

tergantung pada domain masalahnya dan pada metode interpolasi yang

digunakannya, keuntungan dari kesederhanaan/kemudahannya lebih menguntungkan

daripada hasil berkurangnya keakuratan.ataupun interpolasi dapat diartikan

juga sebagai proses pencarian dan perhitungan nilai suatu fungsi yang

grafiknya melewati sekumpulan titik yang diberikan. Tit ik-titik tersebut

mungkin merupakan hasil eksperimen dalam sebuah per-cobaan, atau diperoleh

dari sebuah fungsi yang diketahui. ungsi in-terpolasi biasanya dipilih dari

sekelompok fungsi tertentu, salah satunya adalah fungsi polinomial yang

paling banyak dipakai.Pada bab ini kita membahas beberapa metode numerik

untuk men-dapatkan fungsi polinomial sebagai hampiran suatu fungsi.Tujuan

utama

Mendapatkan polinomial hampiran ini adalah untuk menggantikan suatu

fungsi yang rumit dengan fungsi yang lebih sederhana bentuknya dan mudah

dimanipulasi. Di antara fungsi-fungsi yang dapat digunakan se-Polinomial

banyak dipakai sebagai hampiran fungsi, karena sifatnya yang mudah dihitun

nilainya, diturunkan, diintegralkan, dan perilakunya baik – semua turunannya

ada dan kontinyu. bagai fungsi hampiran adalah fungsi polinomial, fungsi

trigonometrik, dan fungsi rasional. Kita hanya akan membahas cara-cara

mendapatkan fungsi polinomial hampiran. Fungsi-fungsi polinomial banyak

dipakai dalam praktek, karena fungsi-fungsi tersebut mudah dihitung

nilainya,diturunkan, diintegralkan, dan perilakunya baik – semua turunannya

ada dan kontinyu.

Secara umum kita akan membahas masalah penyusunan sebuah polinomial hampiran

untuk satu himpunan data titik-titik diskrit. Titik- titik ini, yang

biasanya disajikan dalam bentuk tabel, mungkin merupakan hasil eksperimen

fisik. Metod tertentu yang dapat digunakan untuk menyusun suatu polinomial
hampiran dapat dipilih berdasarkan konteks dari mana data diperoleh.

Interpolasi digunakan untuk menyelesaikan berbagai masalah dalam bidang

teori hampiran yang lebih umum. Untuk memberikan beberapa wawasan bagi Anda,

berikut disajikan beberapa masalahhampiran (aproksimasi) dan kemungkinan

pemakaian interpolasi untuk menyele- saikannya. (1) Diberikan sebuah tabel

nilai-nilai suatu fungsi, misalnya interpolasi dapat digunakan untuk

mencari nilai-nilai untuk nilai-nilai yang tidak terdapat di dalam tabel.

Kurva fitting Sering terjadi bahwa kita ingin mendapatkan hubungan

fungsional dari sekelompok data yang dimiliki. Hubungan fungsional ini

umumnya berbentuk persamaan matematik atau kurva yang menghubungkan bentuk

data tersebut. Dalam kurva fitting kita ingin mencari bentuk/persamaan yang

mewakili data tersebut. Kurva ini tidak harus tepat melalui semua titik data

karena :

a. Data yang kita miliki tidalk bebas dri error. Data yang menggambarkan

fenomena alam sering diperkirakan bersifat smooth (licin) karena

perubahan besaran alam (misalnya suhu,tekanan,gravitasi,dan sebagainya)

jarang yang berubah mendadak. Data yang menunjukkan perubahan mendadak

(berbeda sekali dari sekitarnya) sering dicurigai sebagai error.

b. Kurva biasanya menyatakan kecenderungan umum bukan tepat menyatakan titik

demi titik. Hal ini sering terjadi pada data masalah social.

c. Dalam beberapa cabang ilmu seperti fisika,suatu fenomena mempunyai hokum

tersendiri sehingga hubungan data (bentuk kurva) secara teoritis telah

diperoleh. Disini kita gunakan kurva teoritis. Data yang kita miliki kita

gunakan untuk menduga parameter yang terlibat dalam kurva tersebut.

Pencocokan kurva atau curve fitting dilakukan apabila kita ingin

mengaproksimasi suat kelompok data dengan suatu fungsi. Masalah kurva

fitting adalah bagaimana cara mendapatkan Terdapat juga suatu jenis

interpolasi yang sangat berbeda dalam matematika, yaitu "interpolasi

operator". Hasil klasik seputar interpolasi operator adalah Teorema Riesz-

Thorin dan Teorema Marcinkiewicz. Terdapat juga banyak hasil lainnya. kurva
terbaik berdasarkan data yang kita miliki. Kata terbaik perlu diwaspadai

karena ia memerlukan criteria tertentu agar kurva tersebut adalah terbaik.

Untuk mengaproksimasi suatu kelompok data dengan pendekatan suatu fungsi

dapat dilakukan dengan menggunakan METODE LEAST SQUARE

3. Interpolasi Linier

Dengan menghubungkan dua buah titik data dengan garis lurus. Diketahui

nilai fungsi di titik x0 , yaitu f(x0) dan dititik x1 , yaitu f(x1), akan

dicari nilai fungsi dititik x, yaitu f1(x). Dalam hal ini indeks 1 pada f1(x)

menunjukan interpolasi polinomial order 1.

f(x)

f(x1) E

f1(x) C
f(x0) D
A x B

x
x0 x x1

Dari gambar : BC

DE maka : f1 ( x)  f ( x0 )  f ( x1 )  f ( x0 ) ( x  x0 )
AB AD x x0 x1  x0

f ( x1 )  f ( x0 )
Jadi : f1 ( x)  f ( x0 )  ( x  x0 )
x1  x0

dimana : f ( x1 )  f ( x0 ) : Kemiringan garis

x1  x0

Contoh :

Akan dicari nilai ln 2 (dengan nilai exact ln 2 = 0.69314718), jika

diketahui data :

Ln 1 = 0

Ln 6 = 1.7917595
dimana x0 = 1 dan x1 = 6 , maka untuk ln 2 :

f ( x1 )  f ( x0 )
f1 (2)  f ( x0 )  ( x  x0 )
x1  x0

1.7917595  0
f1 (2)  0  (2  1)  0.35835190
6 1

0.69314718  0.35835190
besar kesalahan : Et = x100%  48.3%
0.69314718

Apabila ingin lebih teliti dapat didekati dengan interpolasi yang lebih

kecil, dimana

x0 = 1 dan x1 = 4 , dimana ln 1 = 0 dan ln 4 = 1,3862944, maka untuk ln 2

1,3862944  0
f1 (2)  0  (2  1)  0.46209813
4 1

0.69314718  0.46209813
besar kesalahan : Et = x100%  33.3%
0.69314718

Kesimpulan : Semakin kecil interval antara titik data, hasil perkiraan

interpolasi akan semakin baik.

Sekumpulan data berupa titik-titik (koordinat), tentukan sebuah fungsi

mulus yang tidak naik-turun (osilatif) dan cocok dengan data tersebut baik
secara eksak maupun hampiran. Kasus kecocokan eksak mengarah ke studi
fungsi-fungsi interpolasi spline, dan kasus hampiran ke-cocokan data
dikerjakan dengan metode kuadrat terkecil. (3) Diberikan sebuah fungsi
misalkan dan diperlukan suatu cara untuk menghitung nilai-nilai fungsi
tersebut menggunakan komputer. Dalam masalah ini.Data-data yang bersifat
diskrit dapat dibuat continuum melalui proses curve-fitting. Curve-fitting
merupakan proses data-smoothing, yakni proses pendekatan terhadap
kecenderungan data-data dalam bentuk persamaan model matematika. Proses ini
juga dapat digunakan untuk keperluan interpolasi data.
 Misalkan tersedia data-data y pada berbagai x (sejumlah n pasang),
maka dapat dicari suatu persamaan y = f(x) yang memberikan hubungan y dengan
x yang mendekati data. Proses inidisebut curve fitting.

X x1 X2 x3 .. .. xn- xn
Y y1 Y2 y3 ..
. ..
. y
1n- yn
. . 1
Secara garis besar, ada 2 kategori persamaan model
matematika, yakni:

1. Persamaan analitik, yang berbasiskan teori dan fenomena fisik sistemyang

teramati

2. Persamaan empirik, yang (lebih) berbasiskan hubungan antara input dan

output system yang ditinjau.

Langkah-langkah yang dapat ditempuh untuk menentukan persamaan empirik adalah

sebagai berikut:

1. Membuat grafiky versus x berdasarkan data yang tersedia

2. Meramalkan bentuk persamaan yang kira-kira sesuai (mengandung tetapan-

tetapan yang belum diketahui), berdasarkan grafik

Misal : Persamaan linier: y = a x ; y = a0+ a1x

Persamaan kuadrat: y = a0+ a1x +

a2x2

Persamaan polinomial berorde-m: y

= a0+ a1x + a2x2+ ... + am-1xm-1+

amxm

Persamaan eksponensial: y = a ebx

3. Mengevaluasi nilai tetapan-tetapan tersebut berdasarkan data yang ada Æ

regresi, secara garis besar, metode regresi ada 2 macam: (a) regresi
linier dan (b) regresi non-linier

4. Mengevaluasi kesesuaian persamaan empirik terhadap data.

Secara sederhana, persamaan empirik dianggap sesuai jika error-nya

kecil dan bentuk kurva berdasarkan persamaan empirik ini mirip dengan bentuk
kurva berdasarkan data. Jika persamaan empirik tidak sesuai, maka harus
dicoba bentuk persamaan yang lain.
 Cara mengevaluasi nilai-nilai tetapan dalam persamaan empirik: visual
inspection, method of average,dan metode kuadrat terkecil
(leastsquares).Metode kuadrat terkecil merupakan metode yang paling banyak
digunakan. Pada metode ini, nilai-nilai tetapan terbaik adalah yang
memberikan jumlah kuadrat kesalahan/penyimpangan (sum of squares of errors,
SSE)yang terkecil (minimum).

4. Sebut dan jelaskan metode-metode yang digunakan dalam interpolasi dan

kurva fiting dan sertakan pula contohnya ? (minimal 10 lembar)

Jawab :

Interpolasi Kuadrat

Contoh : Akan dicari nilai ln 2 (dengan nilai exact ln 2 = 0.69314718), jika

diketahui data :x0 =1 , f ( x0 )  0

:x1 =4 , f ( x1 )  1.3862944

:x2 =6 , f ( x2 )  1.7917595

maka : f 2 ( x2 )  b0  b1 ( x0  x0 )  b2 ( x0  x0 )( x0  x1 )

b0  f ( x0 )  0

1.3862944  0
b1   0.46209813
4 1

1.7917595  1.3862944
 0.46209813
b2  6  4   0.051873116
6 1

f 2 (2)  0  0.46209813( x1  1)  0.051873116( x  1)( x  4)  0.56584436

0.69314718  0.56584436
dengan, Et = x100% 18.4%
0.69314718
c. Metode substitusi

Metode substitusi merupakan suatu metode yang digunakan untuk

menentukan himpunan penyelesaian suatu sistem persamaan linear dua variabel

dengan cara mengganti (mensubstitusi) salah satu variabelnya. Jika

variabelnya x dan y, untuk menentukan variabel x kita harus mensubstitusi

variabel y terlebih dahulu, atau sebaliknya, bila ingin mencari variabel y

maka kita harus mengganti variabel x terlebih dahulu. Misalnya kita akan

mencari himpunan penyelesaian sistem persamaan linear dua variabel berikut

3x + y = 4 dan –x + 2y = 1 dengan menggunakan metode substitusi.

Kita harus mengubah terlebih dahulu salah satu persamaan tersebut menjadi

persamaan yang ekuivalen dengan persamaan sebelumnya. Misalnya kita akan

mengubah persamaan yang pertama 3x + y = 4. Persamaan 3x + y = 4 ekuivalen

dengan y = 4 3x,kemudian substitusikan persamaan y = 4 – 3x ke persamaan

yang kedua –x + 2y = 1, maka:

=> –x + 2y = 1

=> –x + 2(4 – 3x) = 1

=> –x + 8 – 6x = 1

=> –x – 6x = 1 – 8

=> –7x = –7

=> x = –7/–7

=> x = 1

Selanjutnya untuk memperoleh nilai y, substitusikan nilai x ke persamaan y =

4 – 3x, sehingga diperoleh:

=> y = 4 – 3x

=> y = 4 – 3.1

=> y = 4 – 3

=> y = 1

Jadi, himpunan penyelesaian dari sistem persamaan 3x + y = 4 dan –x + 2y = 1

adalah {(1, 1)}.

Contoh Soal
Tentukan himpunan penyelesaian dari sistem persamaan berikut dengan metode

substitusi jika x, y variabel pada himpunan bilangan real.

1. x + 5y = –5 dan x + y + 5 = 0

Penyelesaian:

1 . x + 5y = –5 dan x + y + 5 = 0

Ubah salah satu variabel menjadi persamaan yang ekuivalen, yakni:

x + 5y = –5 => x = –5 – 5y

Substitusikan ke persamaan yang lainnya, maka:

=> x + y + 5 = 0

=> (–5 – 5y) + y + 5 = 0

=> – 4y = 0

=> y = 0

Substitusi y = 0 ke persamaan x = –5 – 5y, maka:

=> x = –5 – 5y

=> x = –5 – 5.0

=> x = –5

Jadi, himpunan penyelesaiannya adalah {(– 5, 0)}.

3.Interpolasi adalah suatu cara untuk mencari nilai di antara beberapa titik

data yang telah diketahui. Di dunia nyata, interpolasi dapat digunakan untuk

memperkirakan suatu fungsi, yang mana fungsi tersebut tidak terdefinisi

dengan suatu formula, tetapi didefinisikan hany dengan data-data atau tabel,

misalnya tabel dari hasil percobaan. Interpolasi dapat juga diaplikasikan

untuk pengolahan citra digital, membuat kontur-kontur, dan berguna dalam

proses recovery. Ada berbagai macam interpolasi berdasarkan fungsinya, di

antaranya adalah interpolasi linier, interpolasi kuadrat, dan interpolasi

polinomial. Adapun berbagai metode dalam interpolasi antara lain metode

Lagrange dan metode Newton. Kedua metode tersebut menggunakan fungsi

polinomial untuk menginterpolasi f(x) pada titik-titik yang diberikan. Di

sini akan diberikan alternatif lain dalam interpolasi, yaitu dengan

menggunakan fungsi rasional yang kemudian disebut dengan interpolasi

rasional. Interpolasi rasional seringkali memberikan pendekatan yang lebih

baik daripada interpolasi polinomial, khususnya jika titik-titik yang

diberikan banyak, tetapi sulit untuk mengontrol keberadaan kutub. Salah satu

2 metode yang pertama kali yang digunakan dalam interpolasi rasional adalah

dengan menggunakan algoritma Neville. Namun, metode ini memiliki beberapa

kelemahan, diantaranya adalah tentang keberadaan kutub yang sulit untuk

dikontrol. Untuk mengatasi masalah tersebut akan digunakan

formula Barycentric, yang mana formula ini dapat menghasilkan fungsi

rasional tanpa kutub. Formula Barycentric ditemukan pada tahun 1945 oleh

W.Taylor Formula Barycentric adalah formula yang merupakan modifikasi dari

formula Lagrange yang praktis dan stabil Formula Barycentric ini memiliki

bobot (w) tertentu, yang akan menghasilkan fungsi rasional yang memenuhi:

r(xi)=yi,Ѵi=0,1

adalah titik-titik interpolasi dan nilai-nilai interpolasi. Permasalahan

akan muncul karena fungsi rasional yang dihasi lkan tidak selalu bebas dari

kutub.

Alasan menghindari kutub adalah sebagai berikut.

1. Jika fungsi rasional yang digunakan untuk menginterpolasi mengandung

kutub maka pada titik-titik x sebagai kutub, fungsi tersebut menjadi tidak

terdefinisi nilainya.

2. Jika fungsi rasional yang digunakan untuk menginterpolasi mengandung

kutub maka pada daerah persekitaran kutub, nilainya akan berubah dengan

cepat, bahkan mendekati tak hingga.

Sebuah permasalahan berbeda yang berhubungan dekat dengan interpolasi

adalah pendekatan/aproksimasi suatu fungsi kompleks melalui suatu fungsi

sederhana. Seandainya formula untuk suatu fungsi tertentu diketahui namun

terlalu rumit untuk dinilai secara efisien, maka beberapa titik data yang

diketahui dari fungsi asli tersebut dapat digunakan untuk menghasilkan suatu

interpolasi berdasarkan suatu fungsi yang lebih sederhana. Tentu saja,

ketika suatu fungsi yang lebih sederhana digunakan untuk memperkirakan titik

data dari fungsi asli, biasanya muncul kesalahan interpolasi; namun

tergantung pada domain masalahnya dan pada metode interpolasi yang

digunakannya, keuntungan dari kesederhanaan/kemudahannya lebih menguntungkan

daripada hasil berkurangnya keakuratan.ataupun interpolasi dapat diartikan

juga sebagai proses pencarian dan perhitungan nilai suatu fungsi yang

grafiknya melewati sekumpulan titik yang diberikan. Tit ik-titik tersebut

mungkin merupakan hasil eksperimen dalam sebuah per-cobaan, atau diperoleh

dari sebuah fungsi yang diketahui. ungsi in-terpolasi biasanya dipilih dari

sekelompok fungsi tertentu, salah satunya adalah fungsi polinomial yang

paling banyak dipakai.Pada bab ini kita membahas beberapa metode numerik

untuk men-dapatkan fungsi polinomial sebagai hampiran suatu fungsi.Tujuan

utama

Mendapatkan polinomial hampiran ini adalah untuk menggantikan suatu

fungsi yang rumit dengan fungsi yang lebih sederhana bentuknya dan mudah

dimanipulasi. Di antara fungsi-fungsi yang dapat digunakan se-Polinomial

banyak dipakai sebagai hampiran fungsi, karena sifatnya yang mudah dihitun

nilainya, diturunkan, diintegralkan, dan perilakunya baik – semua turunannya

ada dan kontinyu. bagai fungsi hampiran adalah fungsi polinomial, fungsi

trigonometrik, dan fungsi rasional. Kita hanya akan membahas cara-cara

mendapatkan fungsi polinomial hampiran. Fungsi-fungsi polinomial banyak

dipakai dalam praktek, karena fungsi-fungsi tersebut mudah dihitung

nilainya,diturunkan, diintegralkan, dan perilakunya baik – semua turunannya

ada dan kontinyu.

Secara umum kita akan membahas masalah penyusunan sebuah polinomial hampiran

untuk satu himpunan data titik-titik diskrit. Titik- titik ini, yang

biasanya disajikan dalam bentuk tabel, mungkin merupakan hasil eksperimen

fisik. Metod tertentu yang dapat digunakan untuk menyusun suatu polinomial

hampiran dapat dipilih berdasarkan konteks dari mana data diperoleh.

Interpolasi digunakan untuk menyelesaikan berbagai masalah dalam bidang

teori hampiran yang lebih umum. Untuk memberikan beberapa wawasan bagi Anda,

berikut disajikan beberapa masalahhampiran (aproksimasi) dan kemungkinan

pemakaian interpolasi untuk menyele- saikannya. (1) Diberikan sebuah tabel

nilai-nilai suatu fungsi, misalnya interpolasi dapat digunakan untuk

mencari nilai-nilai untuk nilai-nilai yang tidak terdapat di dalam tabel.

sekumpulan data berupa titik-titik (koordinat), tentukan sebuah fungsi

mulus yang tidak naik-turun (osilatif) dan cocok dengan data tersebut baik

secara eksak maupun hampiran. Kasus kecocokan eksak mengarah ke studi

fungsi-fungsi interpolasi spline, dan kasus hampiran ke-cocokan data

dikerjakan dengan metode kuadrat terkecil. (3) Diberikan sebuah fungsi

misalkan dan diperlukan suatu cara untuk menghitung nilai-nilai fungsi

tersebut menggunakan komputer. Dalam masalah ini.

Regresi Polinomial

Pada pasal terdahulu kita telah membicarakan tentang regresi linier

yang bekerja pada data hasil pengukuran yang bersifat linier intrinsik.

Tetapi, kita terpaksa harus menelan rasa kecewa pada metode ini, yakni

ketika data yang kita peroleh tidak memiliki sifat linier. Mengapa ? Karena

penggunaan metode regresi linier seperti dipaksakan hanya untuk mengikuti

ambisi kita bahwa grafik hasil pengukuran harus linier. Nah, untuk mengobati

rasa kecewa tersebut pada pasal ini kita akan membahas regresi polinomial

yang mana untuk beberapa kasus metode ini akan memberikan hasil yang lebih

cocok dengan kenyataan.

Prinsip dari metode kuadrat terkecil dapat diperluas lagi untuk

pencocokan data hasil pengukuran kepada sebuah polinomial orde tertentu .

secara umum, polinomial berorde ke N dapat dituliskan sebagai

f  x   a0  a1x  a2 x2  ...an x N (6-25)

Simpangan kurva terhadap tiap-tiap titik data dapat dinyatakan sebagai

di  yi  a0  a1 xi  a2 xi2  ...  aN xiN (6-26)

dimana M adalah jumlah titik data. Selanjutnya, total kuadrat simpangannya

dinyatakan oleh

M
D    di 
2
(6-27)
i 1

Untuk memperoleh harga-harga koefisien polinomial, maka kita harus

menurunkan secara parsial persamaan (6-27) terhadap koefisien-koefisien

tersebut. Pada keadaan dimana total simpangannya berada pada titik ekstrim,

maka turunannya sama dengan nol.

D
0
a0

 2 yi  a0  a1 xi  a2 xi2  ...  aN xiN 
D
0
a1

 2 xi yi  a0  a1 xi  a2 xi2  ...  a N xiN 
D
0
a2

 2 xi2 yi  a0  a1 xi  a2 xi2  ...  aN xiN  (6-28)

D
0
aN

 2 xiN yi  a0  a1 xi  a2 xi2  ...  aN xiN 

Persamaan-persamaan pada (6-28) selanjutnya akan kita susun kembali untuk

memperoleh bentuk yang lebih manis, sehingga lebih mudah untuk ditangani.

a0 N  a1  xi  a2  xi2  ...  aN  xiN   yi

a0  xi  a1  xi2  a2  xi3 ...  aN  xiN 1   xi yi (6-29)
a0  xi2  a1  xi3  a2  xi4 ...  aN  xiN  2   xi2 yi

a0  xiN  a1  xiN 1  a2  xiN  2 ...  aN  xi2 N   xiN yi

Pernyataan (6-29) dapat kita nyatakan dalam bentuk matriks yaitu,

  N x i x 2
i x i
N
  a0    yi 
    
  xi x x x   a1    xi yi 
2 3 N 1
i i i
  xi2 x 3
x 4
x N 2   a2     xi2 yi  (6-30)
    
i i i

    
 xN  a   x N y 
 i x x x   N   i i 
N 1 N 2 2N
i i i

Harga koefisien-koefisien polinomial di atas dapat ditentukan dengan cara

menyelesaikan persamaan linier simultan (6-30) misalnya dengan metode

eliminasi Gauss atau Gauss-Jordan.

Contoh

Lakukan pencocokan data hasil pengukuran seperti terlihat pada tabel 6.6

kepada polynomial kuadratik.

Penyelesaian

Persamaan simultan untuk menemukan harga koefisien-koefisien kuadratik

dalam masalah ini secara umum mengambil bentuk

 N

x x i
2
i
  a0    yi 
   
  xi x x   a1     xi yi 
2 3
i i
  xi2 x x 3 4   a2   xi2 yi 
 i i   

Untuk masing-masing elemen matriks persamaan simultan di atas dapat dilihat

pada tabel 6.8.

Tabel 6.8

i xi xi2 xi3 xi4 yi xi yi xi2 yi

1. 0.1400 0.0196 0.0027 0.000 4.0964 0.5735 0.0803

2. 0.4300 0.1849 0.0795 0.034 4.7284 2.0332 0.8743

3. 0.5800 0.3364 0.1951 0.113 5.2231 3.0294 1.7571

4. 0.9100 0.8281 0.7536 0.685 5.9984 5.4585 4.9673

5. 1.3000 1.6900 2.1970 2.900 6.8989 8.9686 11.6591

 6. 2.0000 4.0000 8.0000 16.400 7.2307 14.4614 28.9228

7. 2.2000 4.8400 10.6480 23.400 7.3306 16.1273 35.4801

8. 2.5000 6.2500 15.6250 39.100 7.8756 19.6890 49.2225

9. 2.7000 7.2900 19.6830 53.100 7.9908 21.5752 58.2529

10. 3.2000 10.2400 32.7680 104.900 8.1303 26.0170 83.2543

11. 3.5000 12.2500 42.8750 150.100 8.4302 29.5057 103.2699

12. 4.1000 16.8100 68.9210 282.600 8.5444 35.0320 143.6314

13. 4.4000 19.3600 85.1840 374.800 8.8931 39.1296 172.1704

14. 4.9000 24.0100 117.6490 576.500 9.0432 44.3117 217.1272

15. 6.3000 39.6900 250.0470 1575.300 9.3240 58.7412 370.0696

Jmlh 39.1600 147.7990 654.6279 3199.000 109.7381 324.6533 1280.007

Secara eksplisit, persamaan linier simultan untuk menemukan a0 , a1 , a2

selanjutnya dapat ditampilkan dalam bentuk matriks yaitu

 15.0000 39.1600 147.7990   a0  109.7381

 39.1600 147.7990 654.6279  a   324.6533
  1  
147.7990 654.6279 3199.000   a2  1280.007 

Dengan menyelesaikannya menggunakan metode eliminasi Gauss atau Gauss-

Jordan, maka diperoleh harga-harga

a0  4.1952
a1  1.8301
a2  -0.1682

Polinomial kuadratik hasil pencocokan selanjutnya dapat dinyatakan

sebagai

y  -0.1682 x 2 +1.8301 x  4.1952

seperti diperlihatkan pada gambar 6.6.

Tabel 6.9
i xi yi Polinomial Simpangan

1. 0.1400 4.0964 4.4754 -0.3790

2. 0.4300 4.7284 4.9697 -0.2413

3. 0.5800 5.2231 5.2146 0.0085

4. 0.9100 5.9984 5.7277 0.2707

5. 1.3000 6.8989 6.2884 0.6105

6. 2.0000 7.2307 7.1706 0.0601

7. 2.2000 7.3306 7.3934 -0.0628

8. 2.5000 7.8756 7.7032

0.1724

9. 2.7000 7.9908 7.8934 0.0974

10. 3.2000 8.1303 8.3121 -0.1818

11. 3.5000 8.4302 8.5242 -0.0940

12. 4.1000 8.5444 8.8607 -0.3163

13. 4.4000 8.8931 8.9850 -0.0919

14. 4.9000 9.0432 9.1271 -0.0839

15. 6.3000 9.3240 9.0923 0.2317

Pencocokan Data kepada Kurva Kombinasi Linier Fungsi-Fungsi

Ide dasar dari pencocokan kurva dengan kombinasi linier fungsi-fungsi

ini sebenarnya berasal regresi polinomial. Lalu apa bedanya? Bedanya adalah,

jika pada regresi polinomial kita menggunakan kombinasi linier fungsi dengan

argumen sejenis dan orde yang berbeda atau kita biasa menyebutnya dengan

polinomial, sedangkan pencocokan kurva yang akan kita bahas ini menggunakan

kombinasi linier dari fungsi-fungsi yang tidak sejenis.

Secara umum, polinomial sebagai kombinasi dari fungsi-fungsi tidak

sejenis dapat dinyatakan sebagai

y  x   a1 y1  x   a2 y2  x   a3 y3  x   ...  aN y N  x 
N (6-31)
  an yn  x 
n 1

dengan y1 , y2 , y2 ,... merupakan fungsi-fungsi yang telah diketahui, dan a1 , a2 , a3 ...

adalah koefisien-koefisien yang akan ditentukan kemudian dan N adalah

jumlah total fungsi yang kita kombinasikan secara linier.

Seperti halnya dengan beberapa metode yang telah dibahas di depan, maka

simpangan dari tiap-tiap titik data terhadap fungsi kurva yang digunakan

untuk pencocokan didefinisikan oleh

N
di  yi   an yn  xi  , i  1, 2,..., N (6-32)
n 1

Total kuadrat simpangan (6-18) didefinisikan sebagai

2

M N

D    yi   an yn  xi  (6-33)
i 1  n 1 

Untuk memperoleh harga koefisien-koefisien a1 , a2 , a3 ... , maka kita perlu

melakukan pengambilan derivatif parsial D terhadap koefisien-koefisien

tersebut dengan nol, sehingga kita bertemu lagi dengan pernyataan

D
 0, n  1, 2,..., N (6-34)
an
Jika persamaan (6-34) diperlihatkan secara eksplisit berbentuk

D
0  2 y1  xi   yi  a1 y1  xi   a2 y2  xi   a3 y3  xi   ...  aN y N  xi  
a1
D
0  2 y2  xi   yi  a1 y1  xi   a2 y2  xi   a3 y3  xi   ...  a N y N  xi  
a2
D
0  2 y3  xi   yi  a1 y1  xi   a2 y2  xi   a3 y3  xi   ...  a N y N  xi   (6-35)
a3

D
0  2 y N  xi   yi  a1 y1  xi   a2 y2  xi   a3 y3  xi   ...  a N y N  xi  
aN

Penampilan dalam bentuk matriks pernyataan (6-35) menjadi lebih

sederhana yaitu,

y
 1 x  y x 
i 1 i  y2  xi  y1  xi   yN  xi  y1  xi    a1    y1  xi  yi 
 
 y
 1 x  y x 
i 2 i  y2  xi  y2  xi   yN  xi  y2  xi    a2    y2  xi  yi 
    
  y1 x  y x 
i 3 i  y2  xi  y3  xi   y  xi  y  xi  a3   y  xi  yi (6-36)
N 3    3 
    
    
 y
 1x  y x 
i N i  y2  xi  yN  xi   yN  xi  yN  xi   a 
  N 
 y
 N x 
i yi 


Persamaan (6-36) memiliki N buah persamaan dengan N koefisien tak

diketahui. Penyelesaian dari persamaan linier simultan ini dapat dilakukan

dengan menggunakan metode eliminasi Gauss atau Gauss-Jordan.

Contoh

Lakukan pencocokan kurva menggunakan fungsi kombinasi linier terhadap data

yang diperoleh dari pengukuran suatu besaran fisika seperti terlihat pada

tabel 6.10. Fungsi kombinasi linier diberikan

y  x   a1  a2 x2  a3 sin  x 

Tabel 6.10

X Y
 0.1 0.01

0.2 0.06

0.3 0.1

0.5 0.33

0.7 0.56

0.9 1.00

Penyelesaian

Dengan menggunakan prosedur seperti yang diberikan pada persamaan

simultan linier dalam bentuk matriks (6-36), maka diperoleh bentuk persamaan

matriks sebagai berikut,

1, 0000 1, 6900 2,5010   a1  2, 0600 

1, 6900 0,9685 1,1056   a    1,1784 
  2  
 2,5010 1,1056 1,3952   a3  1,3448 

Penyelesaian menggunakan metode eliminasi Gauss terhadap persamaan

matriks di atas diperoleh harga koefisien-koefisien fungsi hasil kombinasi

linier sebagai berikut

Fungsi Koefisien

N an

1 0.0023

2 1.2162

3 -0.0012

Evaluasi terhadap kesalahan diberikan pada tabel 6.11 dan grafik pencocokan

data diberikan pada gambar 6.7.

Tabel 6.11
 i x i  y i  Kurva Simpangan

yang

dicocokka

1 0.1 0.0 0.0143 -0.0043

2 0.2 0.0 0.0507 0.0093

3 0.3 0.1 0.1114 -0.0114

4 0.5 0.3 0.3058 0.0242

5 0.7 0.5 0.5975 -0.0375

6 0.9 1.0 0.9865 0.0135

d. Bentuk Umum Interpolasi Polinomial

Gambar 6.7.
Interpolasi Polinomial Grafik hasil pencocokan data pada tabel 6.8
Lagrange

Penurunan dari polinomial Newton

f1 ( x)  f ( x0 )  ( x  x0 ). f [ x1 , x0 ]
 f ( x1 )  f ( x0 ) f ( x1 ) f ( x0 )
dimana : f [ x1 , x0 ]   
x1  x0 x1  x0 x0  x1

maka :

x  x0 x  x0
f1 ( x)  f ( x0 )  f ( x1 )  f ( x0 )
x1  x0 x0  x1

x x x  x0 x  x0
f1 ( x)  { 0 1  } f ( x0 )  f ( x1 )
x0  x1 x0  x1 x1  x0

jadi :

x  x1 x  x0
f1 ( x)  f ( x0 )  f ( x1 ) (interpolasi polinomial Lagrange order satu)
x0  x1 x1  x0

Analog dengan cara diatas :

Interpolasi polinomial Lagrange order dua

x  x1 x  x2 x  x0 x  x 2 x  x0 x  x1
f 2 ( x)  . f ( x0 )  . f ( x1 )  . f ( x2 )
x0  x1 x0  x2 x1  x0 x1  x2 x2  x0 x2  x1

Interpolasi polinomial Lagrange order n

n
f n ( x)   Li ( x). f ( xi )
i 0

n x xj
dimana : Li ( x)   , simbol   perkalian
i  0 j  i xi  x j

Contoh : Interpolasi polinomial Lagrange order 3

3
f 3 ( x)   Li ( x). f ( xi ) = L0 ( x). f ( x0 )  L1 ( x). f ( x1 )  L2 ( x). f ( x2 )  L3 ( x). f ( x3 )
i 0

dimana :

x  x1 x  x2 x  x3
L0 ( x)  . .
x0  x1 x0  x2 x0  x3
 x  x0 x  x2 x  x3
L1 ( x)  . .
x1  x0 x1  x2 x1  x3

x  x0 x  x1 x  x3
L2 ( x)  . .
x2  x0 x2  x1 x2  x3

x  x0 x  x1 x  x2
L3 ( x)  . .
x3  x0 x3  x1 x3  x2

Contoh :

Diketahui :

:x0 =1 , f ( x0 )  0

:x1 =4 , f ( x1 )  1.3862944

:x2 =6 , f ( x2 )  1.7917595

Hitung ln 2 dengan Intpolasi Polinomial Lagrange order 1 dan order 2

Jawab :

a. Order Satu

x  x1 x  x0
f1 ( x )  . f ( x0 )  . f ( x1 )
x0  x1 x1  x0

maka ln 2 , berarti x = 2

24 2 1
f1 (2)  .0  .1.3862944  0.4620981
1 4 4 1

b. Order dua

x  x1 x  x 2 x  x0 x  x 2 x  x0 x  x1
f 2 ( x)  . f ( x0 )  . f ( x1 )  . f ( x2 )
x0  x1 x0  x 2 x1  x0 x1  x 2 x 2  x0 x 2  x1

maka ln 2 , berarti x = 2

24 26 2 1 2  6 2 1 2  4
f 2 (2)  . .0  . 1.3862944  . .1.7917595  0.56584437
1 4 1 6 4 1 4  6 6 1 6  4

b. Order Tiga , dimana data : x3 = 5 , f ( x3 )  1.6094379

 3
f 3 ( x)   Li ( x). f ( xi ) = L0 ( x). f ( x0 )  L1 ( x). f ( x1 )  L2 ( x). f ( x2 )  L3 ( x). f ( x3 )
i 0

x  x1 x  x2 x  x3 24 26 25

L0 ( x)  . . = L0 (2)  . . dst.
x0  x1 x0  x2 x0  x3 1 4 1 6 1 5

x  x0 x  x2 x  x3
L1 ( x)  . .
x1  x0 x1  x2 x1  x3

x  x0 x  x1 x  x3
L2 ( x)  . .
x2  x0 x2  x1 x2  x3

x  x0 x  x1 x  x2
L3 ( x)  . .
x3  x0 x3  x1 x3  x2

f n ( x)  b0  b1 ( x  x0 )  ..........  bn ( x  x0 )( x  x1 )...( x  xn 1 )

Dimana :
Tanda { […….] } adalah
pembagian beda hingga (b-h)
b0  f ( x0 )

b1  f [ x1 , x0 ]

b2  f [ x2 , x1 , x0 ]

bn  f [ xn , xn 1 , ..........., x1 , x0 ]

f ( xi )  f ( x j )
b-h pertama : f [ xi , x j ] 
xi  x j

f [ xi , x j ]  f [ x j , x k ]
b-h kedua : f [ xi , x j , x k ] 
xi  x k

f [ xn , xn 1 ,......, x1 ]  f [ xn 1 , xn  2 ,......, x0 ]
b-h ke-n : f [ xn , xn 1 ,......, x1 , x0 ] 
x k  x0

Contoh : Akan dicari nilai ln 2 (dengan nilai exact ln 2 = 0.69314718), jika

diketahui data :x0 =1 , f ( x0 )  0

:x1 = 4 , f ( x1 )  1.3862944

:x2 = 6 , f ( x2 )  1.7917595

:x3 = 5 , f ( x3 )  1.6094379 (sebagai tambahan )

Jawaban : disini diambil sampai n = 3

Maka : f n ( x)  b0  b1 ( x  x0 )  ..........  bn ( x  x0 )( x  x1 )...( x  xn 1 )

f 3 ( x)  b0  b1 ( x  x0 )  b2 ( x  x0 )( x  x1 )  b3 ( x  x0 )( x  x1 )( x  x2 )

dihitung :

b-h pertama :

1.3862944  0
b1 = f [ x1 , x0 ]   0.46209813
4 1

untuk f [ x2 , x1 ]  1.7917595  1.3862944  0.20273255

64

untuk f [ x3 , x 2 ]  1.6054379  1.7917595  0.18232160

56

dihitung :

b-h kedua :

b2 = f [ x2 , x1 , x0 ]  0.20273255  0.46209813  0.051873116

6 1

0.18232160  0.20273255
untuk f [ x3 , x 2 , x1 ]   0.020410950
54

dihitung :

b-h ketiga :

b3 = f [ x3 , x2 , x1 , x0 ]   0.020410950  (0.051873116)  0.0078655415

5 1

Jadi :
f 3 ( x)  0  0.46209813( x  1)  0.051873116( x  1)( x  4)  0.0078655415( x  1)( x  4)( x  6)

maka untuk ln 2 , dimana x = 2

f3 (2)  0.62876869

apabila dihitung Et = 9.3 % (kesalahan relatihnya makin kecil lagi, untuk

mendekati nilai exact dapat dilakukan untuk tingkat n = 4 atau lebih besar

lagi)

Regresi Linier

Regresi linier adalah sebuah metode pencarian persamaan linier

berdasarkan pada seperangkat titik data hasil pengukuran. Untuk lebih

jelasnya, kita akan mengambil sebuah contoh data pengukuran suhu dalam

sepuluh menit seperti terlihat pada tabel 6.1. Dengan data yang kita miliki

tersebut, kita dapat menarik garis semau kita yang sama-sama dekat dengan

titik data, meskipun tidak ada satupun garis melewati tepat pada titik-titik

data tersebut (lihat gambar 6.1). Pertanyaan selanjutnya adalah,

bagaimanakah caranya untuk memperoleh persamaan garis yang cocok dengan data

pengukuran itu sehingga diperoleh simpangan minimal. Untuk tujuan ini,

dimisalkan fungsi pendekatan linier ini dinyatakan oleh

y  x   a  bx (6-1)

dimana a dan b merupakan konstanta-konstanta sembarang.

Table 6.1

No. Waktu Suhu

(menit) (Celcius)

1 0,0 1,1

2 1,0 2,8

3 2,0 2,9

4 3,0 4,9

5 4,0 4,8

6 5,0 6,3

7 6,0 6,1

8 7,0 8,2

9 8,0 7,9

10 9,0 8,5

11 10,0 9,6

Penyimpangan setiap titik data dengan fungsi dinyatakan oleh

di  yi  y  xi   yi   a  bxi  , i  1, 2,3,..., M (6-2) dengan M

merupakan jumlah total titik-titik data. Simpangan harga antara besaran yang

teramati (observed value) yang dinyatakan oleh yi dengan harga prediksi

(predicted value) yang dinyatakan oleh yxi juga sering disebut residu.

Dalam contoh tersebut kita memiliki sebelas titik data, dengan a dan b

merupakan konstanta-konstanta yang akan ditentukan kemudian. Selanjutnya,

kita dapat menyatakan total kuadrat simpangan data (residu) diberikan oleh

L L
D    di     yi  a  bxi 
2 2
(6-3)
i 1 i 1

Oleh karena a dan b merupakan parameter-parameter sembarang, maka

untuk menentukan harga dari dua parameter tersebut harus dilakukan dengan
cara meminimisasi D. Minimisasi terhadap total kuadrat simpangan dinyatakan

dengan menurunkan satu kali D terhadap parameter a dan b, atau jika

dituliskan secara matematis bentuknya adalah

D M
 2  yi  a  bxi 
a i 1
(6-4)
D M
 2 xi  yi  a  bxi 
b i 1

Penjumlahan suku-suku pada ungkapan (6-4) dimulai dari i 1 sampai

dengan n . Pada keadaan minimum, turunan D terhadap a dan b sama dengan nol.

Oleh sebab itu, ungkapan (6-4) dapat dinyatakan kembali sebagai

0   yi   a   bxi
(6-5)
0   xi yi   axi   bxi2

Dari syarat (6-4) kita dapat mendefinisikan bentuk-bentuk jumlahan

(sum) sebagai berikut

S  1 M
S x   xi
S y   yi (6-6)
S xx    xi 
2

S xy   xi yi

Dalam persamaan tersebut indeks i bergerak dari 1 sampai M.

Dengan definisi (6-5) tersebut, maka kita memiliki dua persamaan linier

simultan sebagai berikut

aS  bS x  S y
(6-7) Atau jika
aS x  bS xx  S xy

disajikan dalam bentuk matriks, maka persamaan linier (6-7) dapat dituliskan

kembali menjadi

S Sx  a   S y 
S   (6-8)
 x S xx  b   S xy 
 Penyelesaian dua persamaan linier simultan dengan dua variabel tak

diketaui dapat dinyatakan sebagai

S xx S y  S x S xy
a
d (6-9)
S x S xy  S x S y
b
d

dimana

d  SS xx  S x S x

Pencocokan Data dengan Fungsi Eksponensial

Metode regresi linier dapat pula digunakan untuk mencocokkan data

terhadap fungsi-fungsi eksponensial dalam beberapa kasus. Kita ingat

kembali, secara umum fungsi eksponensial dapat dinyatakan sebgai

y  aebx (6-10)

Dalam hal ini, fungsi eksponensial memerikan banyak fenomena yang berbeda-

beda di dalam ilmu teknik. Parameter a dan b dapat kita tentukan dengan

sedikit manipulasi matematis dasar. Misalnya sekarang kita ambil logaritma

alamiah untuk kedua ruas persamaan (6-10), maka kita peroleh ungkapan

ln y  ln a  bx (6-11)

Dengan menggunakan definisi

u  ln  y  , c  ln  a  (6-12)

maka ungkapan (6-8) menjadi

u  bx  c (6-13)

yang merupakan persamaan garis lurus (tetapi perlu diingat bahwa bentuk ini

tidak sama dengan persamaan garis lurus yang kita kenalkan sebelumya). Jadi

kita dapat mencocokkan seperangkat data dengan suatu fungsi eksponensial

dengan cara seperti yang kita lakukan pada garis lurus. Dengan mensubstitusi
u atau ln  y  untuk variabel tak bebas, parameter b untuk lereng (slope) dan c

untuk perpotongan pada sumbu u, maka kita memperoleh satu garis lurus, yaitu

M M
b xi  cM   ln yi
i 1 i 1
M M M
(6-14)
b x  c  xi   xi ln yi
2
i
i 1 i 1 i 1

Jika ditampilkan dalam bentuk matriks, maka persamaan (6-14) menjadi

M    M 
  xi M  b    ln yi 
 i 1      i 1  (6-15)
M 2 M
   M 
  xi  xi  c    xi ln yi 
 i 1 i 1     i 1 

Dari ungkapan matriks (6-15), maka koefisien b dan c dapat ditentukan

masing-masing adalah

M M M

 x  ln y  M  x ln y
i i i i
b i 1 i 1
2
i 1

M  M

 ln xi  M  xi2
 i 1  i 1
M M M
(6-16)
M  xi ln yi   x 2
i  ln y i
c i 1
2
i 1 i 1

M  M

 ln xi  M  xi2
 i 1  i 1

Selanjutnya, koefisien a dapat diperoleh kembali dengan mengambil

antilogaritma dari parameter c yang sudah kita ketahui harganya, yaitu

a  ec (6-17)

Contoh

Penampilan sifat transien dari sebuah kapasitor dapat dikaji dengan

menempatkan sebuah resistor paralel dengan kapasitor tersebut. Apabila mula-

mula tegangan pada kapasitor adalah 10 volt, maka secara berangsur-angsur

tegangan pada kapasitor tersebut berkurang. Data hasil pengukuran tegangan

sebagai fungsi waktu tersebut terlihat pada tabel 6.4.

Tabel 6.4

Waktu Tegangan

(detik) (volt)

0 10

1 6,1

2 3,7

3 2,2

4 1,4

5 0,8

6 0,5

7 0,3

8 0,2

9 0,1

10 0,07

11 0,03

Dengan komponen elektrik semacam ini, maka tegangannya akan berubah

terhadap waktu seperti terlihat pada gambar 6.4. Selanjutnya, kita akan

melakukan pencocokan kurva terhadap kelompok data tersebut dengan

menggunakan metode kuadrat terkecil sehingga diperoleh grafik linier seperti

yang kita harapkan.

Gambar 6.4 Perubahan tegangan kapasitor

terhadap waktu.
 Untuk menerapkan metode kuadrat terkecil pada kelompok data hasil

pengukuran yang kita miliki, pertama kita mewakilkan x sebagai variabel

bebas, dalam hal ini adalah sumbu waktu. Kedua, variabel tak bebas, yaitu

sumbu tegangan diwakili oleh y. Hasil selengkapnya dapat dilihat pada tabel

6.5 dan grafik hasil regresi linier dapat dilihat pada gambar 6.5.

Tabel 6.5

i xi xi2 yi ln yi xi ln yi

1 0 0 10 2.302 0

2 1 1 6.1 1.808 1.808

3 2 4 3.7 1.308 2.616

4 3 9 2.2 0.788 2.365

5 4 16 1.4 0.336 1.345

6 5 25 0.8 -0.223 -1.115

7 6 36 0.5 -0.693 -4.158

8 7 49 0.3 -1.203 -8.427

9 8 64 0.2 -1.609 -12.875

10 9 81 0.1 -2.302 -20.723

11 10 100 0.07 -2.659 -26.592

12 11 121 0.03 -3.506 -42.078

Jumla x i  66 x 2
i  506  ln y i   x ln y
i i 

h
-7.236 -121.399

Gambar 6.5 Grafik hasil regresi linier

tabel 6.5
 Dengan mensubstitusi harga-harga dari tabel 6.5 yang sesuai pada

persamaan (6.14), maka kita akan mendapatkan dua persamaan linier dengan dua

variabel semabarang a dan b yaitu

66 b  12 c  7, 236
506 b  66 c  121,399

Penyelesaian dua persamaan simultan linier diatas dapat dilakukan

dengan mengingat kembali persamaan (6-16), yaitu b = -0.5706 dan c =

2.5355. Oleh sebab itu, harga a dapat diperoleh dengan mengingat kembali

ungkapan (6-17) yaitu

a  e2.5355  12.6227

sehingga fungsi eksponensial (6-10) dapat dinyatakan secara eksplisi yaitu

y  12.6227 e-0.5706 x

Pencocokan Dta Menggunakan Fungsi Berpangkat

Fungsi berpangkat merupakan fungsi matematis yang memiliki bentuk umum
y  axb (6-18)
dengan a dan b merupakan konstanta-konstanta persamaan linier yang akan
ditentukan melalui teknik regresi linier. Untuk menerapkan metode kuadrat
terkecil pada persamaan (6-18) tersebut, maka kita harus mengambil logaritma
alamiahnya pada kedua ruas persamaan sehingga diperoleh ungkapan
ln y  ln a  b ln x (6-19)
Dengan menggunakan definisi
v  ln y c  ln a u  ln x (6-20)
maka persamaan (6-19) dapat kita tuliskan kembali menjadi
v  bu  c (6-21)
yang merupakan persamaan untuk garis lurus. Untuk menerapkan metode kuadrat
terkecil pada masalah ini, maka dapat dilakukan langkah-langkah analogi pada
ungkapan (6-4) sampai dengan (6-8) sehingga diperoleh ungkapan
M M
b ln xi  cM   ln yi
i 1 i 1
M M M
(6-22)
b  ln xi   c  ln xi    ln xi  ln yi 
2

i 1 i 1 i 1
Sehingga harga-harga untuk konstanta a dan b dapat ditentukan melalui
M M M

 ln xi  ln yi  M   ln xi  ln yi 
b i 1 i 1
2
i 1

 M
 M

   ln xi 
2
ln xi  M
 i 1  i 1
hubungan M M M
(6-23)
M   ln xi  ln yi    ln xi   ln y
2
i
c i 1
2
i 1 i 1

M  M

   ln xi 
2
ln xi  M
 i 1  i 1

Setelah ditemukan harga untuk parameter b dan c, maka harga a dapat

ditemukan kembali melalui hubungan
a  ec (6-24)
Pencocokan Dta Menggunakan Fungsi Berpangkat
Fungsi berpangkat merupakan fungsi matematis yang memiliki bentuk umum
y  axb (6-18)
dengan a dan b merupakan konstanta-konstanta persamaan linier yang akan
ditentukan melalui teknik regresi linier. Untuk menerapkan metode kuadrat
terkecil pada persamaan (6-18) tersebut, maka kita harus mengambil logaritma
alamiahnya pada kedua ruas persamaan sehingga diperoleh ungkapan
ln y  ln a  b ln x (6-19)
Dengan menggunakan definisi
v  ln y c  ln a u  ln x (6-20)
maka persamaan (6-19) dapat kita tuliskan kembali menjadi
v  bu  c (6-21)
yang merupakan persamaan untuk garis lurus. Untuk menerapkan metode kuadrat
terkecil pada masalah ini, maka dapat dilakukan langkah-langkah analogi pada
ungkapan (6-4) sampai dengan (6-8) sehingga diperoleh ungkapan
M M
b ln xi  cM   ln yi
i 1 i 1
M M M
(6-22)
b  ln xi   c  ln xi    ln xi  ln yi 
2

i 1 i 1 i 1

Sehingga harga-harga untuk konstanta a dan b dapat ditentukan melalui

M M M

 ln xi  ln yi  M   ln xi  ln yi 
b i 1 i 1
2
i 1

 M
 M

   ln xi 
2
ln xi  M
 i 1  i 1
hubungan M M M
(6-23)
M   ln xi  ln yi    ln xi   ln y
2
i
c i 1
2
i 1 i 1

M  M

   ln xi 
2
ln xi  M
 i 1  i 1

Setelah ditemukan harga untuk parameter b dan c, maka harga a dapat

ditemukan kembali melalui hubungan
a  ec (6-24)