Analisa Numerik Bahan Matrikulasi

Bab 4
ANALISIS REGRESI dan INTERPOLASI

4.1. Pendahuluan
Pada kuliah ini akan dipelajari beberapa metode untuk memprediksi dan
mengestimasi data diskret. Dari suatu penelitian sering dilakukan pengolahan
data untuk mengetahui pola data atau bentuk kurva yang dianggap dapat
mewakili data diskret yang ada.
Metode yang biasa dilakukan untuk melakukan pendekatan tersebut adalah
sebagai berikut,

A. Metode Regresi Kuadrat Terkecil

Dengan menggunakan metode regresi kuadrat terkecil, kurva yang terbentuk
dianggap mewakili titik data yang diplot, dan tidak harus melalui titik-titik
data. Persamaan kurva tersebut dapat dipergunakan untuk memprediksi
variabel terikat f(x) untuk nilai variabel bebas x diluar range. Contohnya
adalah seperti gambar berikut,

f (x) +
+
+
+ +
+
+
+
range

Analisis Regresi dan Interpolasi Ahmad Zakaria

1
Analisa Numerik Bahan Matrikulasi

B. Metode Iterpolasi
Dengan menggunakan metode Iterpolasi, kurva yang terbentuk
menghubungkan titik-titik data yang diplot. Persamaan kurva tersebut hanya
dapat dipergunakan untuk mengestimasi variabel terikat f(x) untuk nilai
variabel bebas x didalam range. Contohnya adalah seperti gambar berikut,

f (x)
+
+
+
+ +
+
+
+
+

range

A.1 Linierisasi untuk kurva tidak linier

Bentuk yang paling sederhana dari regresi kuadrat terkecil adalah kurva
linier atau kurva yang berbentuk garis lurus. Persamaan garis linier
dapat ditulis sebagai berikut,

f ( x ) = b.x + a (4.1)

Fungsi Exponensial dan persamaan berpangkat pun dapat dianggap

sebagai kurva linier atau garis lurus.
Untuk fungsi exponensial lihat persamaan berikut,

y = a.e b. x (4.2)

Persamaan (4.2) dapat ditulis menjadi,

Analisis Regresi dan Interpolasi Ahmad Zakaria

2
Analisa Numerik Bahan Matrikulasi

ln y = ln a + b.x. ln e (4.3)

Selanjutnya persamaan (4.3) dapat ditulis sebagai berikut,

y ′ = b.x + a ′ (4.4)

Persamaan (4.4) serupa dengan persamaan (4.1), dan ini juga merupakan
persamaan garis lurus atau kurva linier.
Untuk persamaan fungsi berpangkat dapat dicontohkan seperti
persamaan berikut,
y = a.x b (4.5)

Persamaan (4.5) dapat ditulis seperti persamaan,

log y = b. log x + log a (4.6)

Selanjutnya persamaan (4.6) dapat ditulis menjadi,

y ′ = b.x ′ + a ′ (4.7)

Persamaan (4.7) pun sebenarnya serupa dengan persamaan (4.1), yang

merupakan persamaan garis lurus.

Analisis Regresi dan Interpolasi Ahmad Zakaria

3
Analisa Numerik Bahan Matrikulasi

A.2. Analisis Regresi Polinomial

Persamaan Polinomial dengan orde atau derajat n dapat ditulis sebagai
berikut,

yˆ = a o + a1 .x + a 2 .x 2 + a3 .x 3 + ... + a n −1 .x n −1 + a n .x n (4.8)

Bila y merupakan data hasil pengukuran dan ŷ merupakan model per-

samaan polinomialnya maka kesalahan antara data dan model dapat

digambarkan sebagai jumlah kuadrat dari selisih antara y dan ŷ untuk
setiap variabel x. Jumlah kuadrat dari kesalahan tersebut dapat ditulis
seperti persamaan berikut,

i =n
E 2 = ∑ ( y i − yˆ i ) (4.9)
2

i =1

( )
i =n
E 2 = ∑ y i − ao − a1 .xi − a 2 .xi − a3 .xi − ... − a n −1 .xi
n −1 n 2
− a n .xi (4.10)
2 3

i =1

Jumlah Kuadrat kesalahan atau E2 akan minimum hanya bila dipenuhi

persamaan sebagai berikut,

∂E 2 ∂E 2 ∂E 2 ∂E 2 ∂E 2 ∂E 2
= = = ... = = =0 (4.11)
∂a o ∂a1 ∂a 2 ∂a3 ∂a n −1 ∂a n

Dimana turunan E2 terhadap masing-masing konstanta dapat dilihat

seperti berikut,

∂E 2
( )
i =n
= −2.∑ yi − a o − a1 .xi − a 2 .xi − a3 .xi − ... − a n−1 .xi − a n .xi
n −1
(4.12)
2 3 n

∂ao i =1

∂E 2
( )
i =n
= −2.∑ xi . yi − ao − a1 .xi − a 2 .xi − a3 .xi − ... − a n −1 .xi − a n .xi
n −1
(4.13)
2 3 n

∂a1 i =1

Analisis Regresi dan Interpolasi Ahmad Zakaria

4
Analisa Numerik Bahan Matrikulasi

∂E 2
( )
i =n
= −2.∑ xi . y i − ao − a1 .xi − a 2 .xi − a3 .xi − ... − a n −1 .xi − a n .xi
n −1
(4.14)
2 2 3 n

∂a 2 i =1

∂E 2
( )
i =n
= −2.∑ xi . yi − a o − a1 .xi − a 2 .xi − a3 .xi − ... − a n −1 .xi − a n .xi
n −1
(4.15)
3 2 3 n

∂a3 i =1

∂E 2
( )
i =n
= −2.∑ xi . yi − ao − a1 .xi − a2 .xi − a3 .xi − ... − an−1 .xi − an .xi
n −1 n −1
(4.16)
2 3 n

∂an−1 i =1

∂E 2
( )
i =n
= −2.∑ xi . y i − ao − a1 .xi − a 2 .xi − a3 .xi − ... − a n −1 .xi − a n .xi
n −1
(4.17)
n 2 3 n

∂a n i =1

Bila persamaan di atas disusun, maka didapat satu sistem persaman

sebagai berikut,

⎡ n ∑x ∑x 2
∑x 3
... ∑x n−1
∑x n
⎤ ⎡ a0 ⎤ ⎡ ∑yi ⎤
⎢ ⎥⎢ ⎥ ⎢
i i i i i
⎥
⎢ ∑xi ∑x ∑x ∑x ∑x ∑x ⎥ ⎢ a1 ⎥ ⎢ ∑xi .yi ⎥
2 3 4 n n+1
i i i ... i i
⎢ ∑x 2 ∑x 3
∑x 4
∑x 5
... ∑x n+1
∑x n+2 ⎥
⎢ a2 ⎥ ⎢ ∑xi 2 .yi ⎥
⎢ i i i i i i
n+3 ⎥ ⎢ ⎥ ⎢ ⎥ (4.18)
⎢ ∑xi ∑x ∑x ∑x ∑x ∑x ⎥.⎢ a3 ⎥ = ⎢ ∑xi .yi ⎥
3 4 5 6 n+2 3
i i i ... i i
⎢ ... ... ... ... ... ... ... ⎥ ⎢ ... ⎥ ⎢ ... ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢∑xi ∑x ∑x ∑x ∑x ∑xi n+n−1 ⎥ ⎢an−1 ⎥ ⎢∑xi n .yi ⎥
n−1 n n+1 n+2 n+n−2 n−1
i i i ... i
⎢ xn
⎣∑ i ∑x i
n+1
∑x i
n+2
∑xi
n+3
... ∑x i
n+n−1
∑xi n+n ⎥⎦ ⎢⎣ an ⎥⎦ ⎢⎣ ∑xi .yi ⎥⎦

Untuk mendapatkan koefisien a0 , a1 , a2 , a3 ,..., an−1 , dan a n persamaan di

atas dapat diselesaikan dengan menggunakan metode yang biasa

dipergunakan dalam menyelesaikan sistem persamaan linier.
Untuk mengetahui derajat kedekatan antara data dengan model dari
persamaan polinomial, dapat dihitung dengan menghitung koefisien
korelasi berikut,

D2 − E 2
Koefisien Korelasi = R = (4.19)
D2
i=n
Dimana: D 2 = ∑ ( yi − y ) (4.20)
2

i =1

Analisis Regresi dan Interpolasi Ahmad Zakaria

5
Analisa Numerik Bahan Matrikulasi

i =n
E 2 = ∑ ( y i − yˆ i ) (4.21)
2

i =1

B.1. Interpolasi Linier

Bentuk paling sederhana dari interpolasi adalah menghubungkan dua
buah titik data seperti gambar berikut,

f (x )

f ( x1 )
E
f (x ) f (x1 ) − f (x0 )
f ( x ) − f ( x0 )
D
f ( x0 )
A B C

x0 x x1 x
x − x0
x1 − x0

Karena segitiga ABD dan ACE adalah sebangun maka didapat,

BD CE
=
AB AC
f ( x ) − f ( x0 ) f ( x1 ) − f ( x0 )
=
( x − x0 ) (x1 − x0 )
f ( x1 ) − f ( x0 )
f ( x ) = f ( x0 ) + ( x − x0 ) (4.22)
(x1 − x0 )

Persamaan (4.22) merupakan persamaan interpolasi linier.

Analisis Regresi dan Interpolasi Ahmad Zakaria

6
Analisa Numerik Bahan Matrikulasi

B.2. Interpolasi Polinomial

Bentuk umum persamaan polinomial derajat n adalah sebagai berikut,

f n (x) = b0 + b1.(x − x0 ) + b2 .(x − x0 )(x − x1 ) + ... + bn .(x − x0 )(x − x1 )...(x − xn−1 ) (4.23)

Dengan memasukkan nilai x0 , x1 , x2 , x3 , ..., xn −1 dan mensubstitusikan

untuk setiap persamaan maka didapat konstanta b0 , b1 , b2 , b3 , ..., bn .

Untuk mendapatkan persamaan polinomial orde n dibutuhkan n+1 titik

data,
sehingga solusi dari konstanta ini dapat disusun seperti,

b0 = f ( x0 ) (4.24)

b1 = f [x1 , x0 ] (4.25)

b2 = f [x2 , x1 , x0 ] (4.26)

b3 = f [x3 , x2 , x1 , x0 ] (4.27)

...

bn = f [xn , xn−1 ,..., x3 , x2 , x1 , x0 ] (4.28)

Cara yang paling mudah untuk mendapatkan konstanta tersebut di atas

adalah dengan menggunakan metode beda hingga seperti berikut,

f (x j ) − f (xi )
[
b1 = f x j , xi = ] x j − xi
(4.29)

[
b2 = f xk , x j , xi = ] [ ] [
f x k , x j − f x j , xi ] (4.30)
x k − xi

[
b3 = f xl , xk , x j , xi = ] [ ] [
f xl , x k , x j − f x k , x j , xi ] (4.31)
xl − xi

Analisis Regresi dan Interpolasi Ahmad Zakaria

7
Analisa Numerik Bahan Matrikulasi

f [xn , xn−1,...,x3 , x2 , x1 ] − f [xn−1,...,x3 , x2 , x1, x0 ]

bn = f [xn , xn−1,...,x3 , x2 , x1, x0 ] = (4.32)
xn − x0

Bila persamaan (4.23) disusun kembali maka akan didapat persamaan

sebagai berikut,

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

(4.33)
+ f [xn , xn−1 ,..., x3 , x2 , x1 , x0 ].(x − x0 )(x − x1 )...(x − xn−1 )

Persamaan (4.33) merupakan persamaan interpolasi poliomial orde n.

Analisis Regresi dan Interpolasi Ahmad Zakaria

8