Pencocokan Kurva-1 PDF

Pendahuluan
Regresi
Interpolasi/Ekstrapolasi
PAM 252 Metode Numerik

Bab 4 Pencocokan Kurva
Mahdhivan Syafwan
Jurusan Matematika FMIPA Universitas Andalas
Semester Genap 2016/2017
1 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Pendahuluan
Permasalahan dan Penyelesainnya
Regresi
Dua Macam Teknik Pencocokan Kurva
Permasalahan dan penyelesainnya

Diberikan n buah titik dalam bidang
(x1 , y1 ), (x2 , y2 ), ..., (xn , yn )
yang berasal dari sebuah fungsi atau data hasil pengamatan.
Permasalahan: ingin diketahui nilai dari fungsi/data tersebut
di suatu titik x yang tidak berada dalam data tersebut.
Penyelesaian: pencocokan kurva, yaitu mengkonstruksi
sebuah kurva yang menghampiri titik tersebut.
Istilah menghampiri di sini artinya kurva yang dibangun
diformulasikan sedemikian sehingga galat yang diperoleh
seminimal mungkin.
Selain itu, pencocokan kurva juga digunakan untuk
mengaproksimasi fungsi yang rumit dengan fungsi yang
sederhana, contoh: fungsi e x tanh(x) sin(ln(x)) dapat dihampiri
misalnya dengan fungsi polinom.
Pendahuluan
Regresi
Dua macam teknik pencocokan kurva
1 Regresi
digunakan apabila sumber data yang digunakan mempunyai
ketelitian yang cukup rendah.
kurva yang dibangun tidak perlu melalui semua titik data
tersebut, tetapi cukup mengikuti kecendrungannya saja.
2 Interpolasi/Ekstrapolasi
digunakan apabila sumber data yang digunakan mempunyai
ketelitian yang sangat tinggi.
kurva yang dibangun harus melalui semua titik data yang
digunakan.

Pendahuluan
Regresi
Ilustrasi

Pendahuluan Regresi Linier
Regresi Penerapan Regresi Linier pada Model Nonlinier
Interpolasi/Ekstrapolasi Regresi Polinom
Regresi linier: bentuk umum

Titik-titik data dihampiri oleh sebuah garis lurus (disebut
garis/kurva regresi) yang dinyatakan sebagai
y ≡ f (x) = a0 + a1 x.
Pertanyaan: berapa nilai a0 dan a1 agar garis regresi tersebut

sedekat mungkin dengan titik-titik data yang diberikan
(meminimumkan galat)?
Regresi linier: galat
Galat dari garis regresi untuk setiap datum diberikan oleh
ei = f (xi ) − yi , i = 1, 2, ..., n.
Tiga jenis galat dari garis regresi untuk keseluruhan data

(i) Galat maksimum: E∞ (f ) = max {|f (xi ) − yi |}
1≤i ≤n
1 Pn
(ii) Galat rata-rata: E1 (f ) = n i =1 |f (xi ) − yi |
q P
n
(iii) Galat akar kuadrat rata-rata: E2 (f ) = n1 i =1 |f (xi ) − yi |2
Di antara ketiga galat di atas, galat akar kuadrat rata-rata
paling mudah untuk dihitung nilai minimumnya. [mengapa?]

Regresi linier: galat regresi kuadrat terkecil

Pada regresi kuadrat terkecil, galat yang dipakai adalah galat
akar kuadrat rata-rata, yaitu
v
u n
u1 X
E =t (yi − (a0 + a1 xi ))2 . (1)
n
i =1
Perhatikan bahwa nilai E di atas sama saja dengan E2 (f ).

Q: mengapa (yi − (a0 + a1 xi )) perlu dikuadratkan?
Akan ditentukan nilai a0 dan a1 yang meminimumkan nilai
galat E . Perhatikan bahwa E mencapai minimum jika
∂E ∂E
= 0 dan = 0. (2)
∂a0 ∂a1
Untuk memudahkan perhitungan, masalah di atas diselesaikan
dengan meminimumkan E 2 , bukan E . [mengapa?]
Regresi linier: penentuan nilai koefisien a0 dan a1

Misalkan D = nE 2 . Maka
n
(yi − (a0 + a1 xi ))2 ,
X
D=
i =1
∂D
= ... = 0, (3)
∂a0
∂D
= ... = 0. (4)
∂a1
Pers. (3)-(4) dapat ditulis (disebut persamaan normal):
Pn Pn
na0 + a1 P i =1 xi = P i =1 yi ,
a0 ni=1 xi + a1 ni=1 xi2 = n
P
i =1 xi yi .
Solusi dari SPL di atas untuk a1 dan a0 adalah

Pn Pn Pn Pn Pn
n i =1 xi yi − i =1 xi i =1 yi i =1 yi − a1 i =1 xi
a1 = Pn n 2 dan a0 = .
n i =1 xi2 − n
P
i =1 xi

Regresi linier: contoh
1 Tentukan garis regresi dari data berikut, lalu taksirlah nilai

y (2) dan y (2, 5).
xi 1 2 3 4 5 6 7
yi 0,5 2,5 2 4 3,5 6 5,5
2 Tentukan galat dari garis regresi tersebut.

Regresi linier: algoritma

Model nonlinier
Dalam masalah nyata, seringkali dijumpai data dengan

kecendrungan berbentuk fungsi nonlinier (bukan garis lurus),
seperti fungsi eksponensial, fungsi pangkat, fungsi laju
pertumbuhan jenuh, fungsi polinomial, dan lain-lain.
Kurva regresi untuk model-model nonlinier tersebut dapat

diselesaikan dengan bantuan regresi linier, asalkan kurva
regresinya dapat ditransformasi ke bentuk regresi linier.

Regresi eksponensial
Bentuk umum:
y = pe qx .
Transformasi pelinieran:
ln(y ) = ln(p) + qx. [tunjukkan!]
Notasikan variabel baru sebagai berikut:
ỹ = ln(y ), a0 = ln(p), a1 = q.
Dengan demikian diperoleh bentuk regresi linier:
ỹ = a0 + a1 x.

Regresi persamaan pangkat
Bentuk umum:
y = px q .
ln(y ) = ln(p) + q ln(x). [tunjukkan!]
ỹ = ln(y ), x̃ = ln(x), a0 = ln(p), a1 = q.
ỹ = a0 + a1 x̃.

Regresi model laju pertumbuhan jenuh
Bentuk umum:
px
y= .
q+x
1 1 q1
= + . [tunjukkan!]
y p px
1 1 1 q
ỹ = , x̃ = , a0 = , a1 = .
y x p p
ỹ = a0 + a1 x̃.

Transformasi pelinieran dari beberapa model nonlinier

Koefisien determinasi
Seberapa baik suatu regresi menghampiri data? Apa ukurannya?
Untuk mengukurnya secara kuantitatif, dapat digunakan koefisien
determinasi, R 2 , yang didefinisikan dengan
Sres
R2 = 1 − ,
Stot
dimana
n n
2
X X
Sres = [yi − (a0 + a1 xi )] dan Stot = (yi − ȳ )2 ,
i =1 i =1
dengan
n
1X
ȳ = yi .
n
i =1
Nilai R 2 berkisar dari 0 sampai 1. Jika R 2 mendekati nilai 1, maka

kurva regresi tersebut dikatakan semakin baik dalam menghampiri
data, dan sebaliknya.
Regresi polinom: pendahuluan
Bagaimana jika kecendrungan pola data tidak dapat

ditentukan atau sulit dicari transformasi pelinierannya?
Langkah yang biasanya diambil adalah dengan menggunakan

regresi berbentuk polinom.
Alasan pemilihan regresi polinom adalah karena setiap fungsi

kontinu selalu dapat dihampiri dengan fungsi polinom
(dibuktikan pada kuliah Analisis Riil).

Regresi polinom: konstruksi (1)

Perhatikan kembali n buah titik data
(x1 , y1 ), (x2 , y2 ), ..., (xn , yn ).
Prosedur kuadrat terkecil pada regresi linier akan diperluas

untuk membangun kurva regresi polinom berderajat m yang
dinyatakan dengan
y = a0 + a1 x + a2 x 2 + · · · + am x m .
Catatan: nilai m dan n tidak ada hubungan tertentu.

Terapkan rumus galat sebagai berikut:
v
u n
u1 X 2
E =t yi − (a0 + a1 xi + a2 xi2 + · · · + am xim ) .
n
i =1

Regresi polinom: konstruksi (2)

Akan ditentukan nilai a0 , a1 , ..., am yang meminimumkan nilai
D = nE 2 . Hal ini tercapai ketika
∂D ∂D ∂D
= 0, = 0, · · · , = 0.
∂a0 ∂a1 ∂am
Langkah di atas menghasilkan persamaan normal berupa SPL dalam
a0 , a1 , ..., am sebagai berikut:
X
n X
n
2
X
n
m
X
n
na0 + xi a1 + xi a2 + ··· + xi am = yi
i =1 i =1 i =1 i =1
X
n X
n
2
X
n
3
X
n
m+1
X
n
xi a0 + xi a1 + xi a2 + ··· + xi am = xi yi
i =1 i =1 i =1 i =1 i =1
X
n
2
X
n
3
X
n
4
X
n
m+2
X
n
2
i =1 i =1 i =1 i =1 i =1
. . . . .
. . . . .
. . . . .
X
n
m
X
n
m+1
X
n
m+2
X
n
m+m
X
n
m
i =1 i =1 i =1 i =1 i =1
SPL di atas diselesaikan dengan salah satu teknik penyelesaian SPL

yang sudah dibahas sebelumnya.
Regresi polinom: algoritma

Pendahuluan Pendahuluan
Regresi Polinom Interpolasi Lagrange
Interpolasi/Ekstrapolasi Polinom Interpolasi (Beda Terbagi) Newton
Pendahuluan
Interpolasi/ekstrapolasi bertujuan untuk membangun suatu

kurva yang melalui semua titik data.
Pada kuliah ini hanya dibahas tentang interpolasi/ekstrapolasi
berbentuk polinom.
Interpolasi kurva yang dibangun dipakai untuk menaksir
nilai f (x) dengan x berada di dalam interval titik-titik data
yang diberikan.
Ekstrapolasi kurva yang dibangun dipakai untuk menaksir
nilai f (x) dengan x berada di luar interval titik-titik data
yang diberikan.

Konstruksi awal
Diberikan n + 1 titik data
(x0 , f (x0 )), (x1 , f (x1 )), ..., (xn , f (xn )),
dengan xi 6= xj untuk i 6= j. Urutan nilai xi tidak diperlukan.
Akan dikonstruksi sebuah polinom yang melalui semua titik data
tersebut. Misalkan polinom tersebut berderajat m:
y ≡ pm (x) = a0 + a1 x + a2 x 2 + · · · + am x m .
Pertanyaan: Bagaimana hubungan antara m dan n agar diperoleh
solusi tunggal untuk koefisien a0 , a1 , ..., am ?
Sifat
Diberikan n + 1 titik data dengan nilai absis yang berbeda. Maka
terdapat secara tunggal polinom derajat m ≤ n yang melalui semua titik
data tersebut.
Bukti? −→ TUGAS BONUS!

Ilustrasi
Misalkan untuk n + 1 titik data digunakan polinom dengan derajat

maksimum n. Maka diperoleh SPL berikut:
a0 + a1 x0 + a2 x02 + · · · + an x0n = f (x0 )

a0 + a1 x1 + a2 x12 + · · · + an x1n = f (x1 )
.. .. .. .. ..
. . . . .
a0 + a1 xn + a2 xn2 + · · · + an xnn = f (xn )
Nilai-nilai koefisien a0 , a1 , ..., an dapat dicari dengan salah satu

metode penyelesaian SPL.
Contoh:
Tentukan polinom derajat ≤ 3 yang melalui empat buah titik data
berikut: (1, 1), (2, 4), (3, 9), (5, 25).

Tetapi ...
Matriks koefisien (disebut matriks Vandermonde) bisa saja

singular.
Secara analitik, semakin tinggi derajat polinom yang

digunakan, semakin akurat hasil yang diperoleh. Namun hal
ini harus dibayar dengan beban komputasi yang semakin
berat, mengingat ukuran SPL-nya semakin besar.
Semakin tinggi derajat polinom yang digunakan, semakin

banyak perhitungan komputasi yang harus dilakukan.
Akibatnya galat pembulatan akan secara signifikan
mempengaruhi hasilnya.
Solusinya?

Polinom interpolasi Lagrange - linier

Diberikan dua buah titik data (x0 , f (x0 )), (x1 , f (x1 )). Polinom
interpolasi yang melalui kedua titik tersebut adalah
f (x1 ) − f (x0 )
y ≡ p1 (x) = f (x0 ) + (x − x0 ). [mengapa?]
x1 − x0
Joseph Louis Lagrange menyusun polinom interpolasi tersebut
dengan cara lain:
x − x1 x − x0
y ≡ p1 (x) = f (x0 ) + f (x1 ) . [justifikasi!]
x0 − x1 x1 − x0
Contoh:
Diberikan dua buah titik (1, ln(1)) dan (6, ln(6)). Gunakan
polinom interpolasi Lagrange derajat satu untuk menaksir
nilai ln(2). [Catatan: nilai f (2) yang lebih akurat adalah
0,6931471806].
Polinom interpolasi Lagrange - kuadratik

Diberikan tiga buah titik data (x0 , f (x0 )), (x1 , f (x1 )), dan
(x2 , f (x2 )). Polinom interpolasi Lagrange berderajat ≤ 2 yang
melalui ketiga titik tersebut mempunyai bentuk:
(x − x1 )(x − x2 ) (x − x0 )(x − x2 )
p2 (x) = a0 + a1
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 )
(x − x0 )(x − x1 )
+a2 .
(x2 − x0 )(x2 − x1 )
Dapat dibuktikan bahwa a0 = f (x0 ), a1 = f (x1 ), dan
a2 = f (x2 ). [buktikan!]
Contoh:
Diberikan tiga buah titik (1, ln(1)), (4, ln(4)), dan (6, ln(6)).
Gunakan polinom interpolasi Lagrange derajat dua untuk
menaksir nilai ln(2). [Catatan: nilai f (2) yang lebih akurat
adalah 0,6931471806].
Polinom interpolasi Lagrange - kasus umum

Bentuk umum polinom Lagrange derajat ≤ n yang
menginterpolasi titik-titik (x0 , f (x0 )), (x1 , f (x1 )), ..., (xn , f (xn ))
adalah
(x − x1 )(x − x2 ) · · · (x − xn )
pn (x) = a0 +
(x0 − x1 )(x0 − x2 ) · · · (x0 − xn )
(x − x0 )(x − x2 ) · · · (x − xn )
a1 +
(x1 − x0 )(x1 − x2 ) · · · (x1 − xn )
..
.
(x − x0 )(x − x1 ) · · · (x − xn−1 )
an
(xn − x0 )(xn − x1 ) · · · (xn − xn−1 )
Dapat ditunjukkan bahwa
a0 = f (x0 ), a1 = f (x1 ), ..., an = f (xn ).

Polinom interpolasi Lagrange - notasi bentuk umum
Bentuk umum dari polinom interpolasi Lagrange diberikan oleh

n
X
pn (x) = fi Li (x),
i =0
dimana
n
Y x − xj
fi = f (xi ) dan Li (x) = .
xi − xj
j=0,j6=i

Polinom interpolasi Lagrange - algoritma

Pendahuluan
Seringkali kita memerlukan hampiran polinom yang derajatnya

dibangun secara bertahap, yaitu p1 (x), p2 (x), ..., pn (x).
Pada metode polinom interpolasi Lagrange, perhitungan
seperti ini tidak bisa dilakukan karena tidak ada hubungan
antara pi −1 (x) dengan pi (x).
Hal ini mengakibatkan proses komputasinya menjadi sangat
besar.
Sebagai contoh, gunakan polinom Lagrange untuk
menginterpolasi empat titik data (1, 1), (2, 2), (3, 3), (4, 4).
Solusinya?
Metode polinom interpolasi (beda terbagi) Newton.

Polinom interpolasi Newton: konstruksi
Polinom interpolasi Newton dibangun sebagai berikut:
p1 (x) = a0 + a1 (x − x0 ),
p2 (x) = a0 + a1 (x − x0 ) + a2 (x − x0 )(x − x1 ),
..
.
pn (x) = a0 + a1 (x − x0 ) + a2 (x − x0 )(x − x1 ) +
· · · + an (x − x0 )(x − x1 ) · · · (x − xn−1 ).
Dari hubungan di atas terlihat hubungan rekursif:
pi (x) = pi −1 (x) + ai (x − x0 )(x − x1 ) · · · (x − xi −1 ).
Permasalahan: Bagaimana menentukan koefisien a0 , a1 , ..., an ?

Polinom interpolasi Newton: penentuan koefisien (1)
Bentuk polinom interpolasi Newton derajat ≤ 1 yang melalui

dua titik data (x0 , f (x0 )) dan (x1 , f (x1 )) adalah
p1 (x) = a0 + a1 (x − x0 ),
f (x1 ) − f (x0 )
dimana a0 = f (x0 ) dan a1 = . [tunjukkan!]
x1 − x0
Bentuk polinom interpolasi Newton derajat ≤ 2 yang melalui
tiga titik data (x0 , f (x0 )), (x1 , f (x1 )), dan (x2 , f (x2 )) adalah
p2 (x) = p1 (x) + a2 (x − x0 )(x − x1 ),

f (x2 )−f (x1 ) f (x1 )−f (x0 )
x2 −x1 − x1 −x0
dimana a2 = . [tunjukkan!]
x2 − x0

Polinom interpolasi Newton: penentuan koefisien (2)

Rumusan koefisien polinom Newton melibatkan ekspresi:
f (xi ) − f (xi −1 )
,
xi − xi −1
yang dikenal dengan beda terbagi orde pertama antara xi −1 dan xi .
Untuk perhitungan koefisien polinom Newton, secara umum
diperlukan konsep beda terbagi orde ke-nol, pertama, kedua, sampai
ke-j sebagai berikut:
f [xk ] = f (xk ),
f [xk+1 ] − f [xk ]
f [xk , xk+1 ] = ,
xk+1 − xk
..
.
f [xk+1 , ..., xk+j ] − f [xk , ..., xk+j−1 ]
f [xk , xk+1 , xk+2 , ..., xk+j ] = .
xk+j − xk

Polinom interpolasi Newton: bentuk umum
Bentuk umum polinom Newton derajat ≤ n yang melalui titik-titik

data (xi , f (xi )), i = 0, 1, 2, ..., n adalah sebagai berikut:
pn (x) = f [x0 ] +
f [x0 , x1 ](x − x0 ) +
f [x0 , x1 , x2 ](x − x0 )(x − x1 ) +
..
.
f [x0 , x1 , x2 , ..., xi ](x − x0 )(x − x1 ) · · · (x − xi −1 ) +
..
.
f [x0 , x1 , x2 , ..., xn ](x − x0 )(x − x1 ) · · · (x − xn−1 ).

Polinom interpolasi Newton: contoh dan diskusi
1 Gunakan polinom Newton untuk menginterpolasi empat titik

data (1, 1), (2, 2), (3, 3), (4, 4). Bandingkan dengan
perhitungan polinom Lagrange. Apa kesimpulan Anda?
2 Aproksimasi nilai ln(2) dengan menggunakan polinom
interpolasi Newton pada dua titik (1, ln(1)) dan (6, ln(6)) .
Lakukan hal yang sama namun sekarang dengan
menginterpolasi titik (1, ln(1)) dan (4, ln(4)). Bandingkan
hasil yang Anda peroleh dengan nilai ’eksak’ dari ln(2). Apa
kesimpulan Anda?
3 Lakukan hal yang sama dengan soal no.2, namun dengan
menginterpolasi ketiga titik (1, ln(1)), (4, ln(4)), dan
(6, ln(6)). Bandingkan dengan hasil pada soal no.2. Apa
kesimpulan Anda?

Polinom interpolasi Newton: catatan
Secara analitik, hasil hampiran semakin baik jika polinom

yang dibangun derajatnya semakin tinggi.
Namun secara numerik, konstruksi polinom derajat tinggi
akan semakin sensitif terhadap galat pembulatan.
Untuk mendapatkan hasil hampiran yang optimal, polinom
interpolasi Newton mengkonstruksi hampiran secara bertahap
yaitu p0 (x) = f (x0 ), p1 (x), p2 (x), ....
Bila pada tahap ke-(k + 1) sudah memenuhi
|pk+1 (x) − pk (x)| < ǫ,
dimana ǫ galat yang ditetapkan, maka perhitungan dihentikan

dan polinom hampirannya adalah pk+1 (x).

Polinom interpolasi Newton: algoritma
Tugas:
Diberikan data (xi , f (xi )), i = 1, 2, ..., n. Tuliskan algoritma
polinom interpolasi Newton untuk menghampiri nilai f (z) dengan
galat ǫ.

Pencocokan Kurva-1 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pencocokan Kurva-1 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Pendahuluan

PAM 252 Metode Numerik

Jurusan Matematika FMIPA Universitas Andalas

Semester Genap 2016/2017

1 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Permasalahan dan penyelesainnya

Dua macam teknik pencocokan kurva

3 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

4 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Regresi linier: bentuk umum

Pertanyaan: berapa nilai a0 dan a1 agar garis regresi tersebut

Regresi linier: galat

Galat dari garis regresi untuk setiap datum diberikan oleh

Tiga jenis galat dari garis regresi untuk keseluruhan data

6 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Regresi linier: galat regresi kuadrat terkecil

Perhatikan bahwa nilai E di atas sama saja dengan E2 (f ).

Regresi linier: penentuan nilai koefisien a0 dan a1

Solusi dari SPL di atas untuk a1 dan a0 adalah

8 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Regresi linier: contoh

1 Tentukan garis regresi dari data berikut, lalu taksirlah nilai

2 Tentukan galat dari garis regresi tersebut.

9 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Regresi linier: algoritma

10 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Dalam masalah nyata, seringkali dijumpai data dengan

Kurva regresi untuk model-model nonlinier tersebut dapat

11 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

ln(y ) = ln(p) + qx. [tunjukkan!]

Notasikan variabel baru sebagai berikut:

Dengan demikian diperoleh bentuk regresi linier:

12 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Regresi persamaan pangkat

ln(y ) = ln(p) + q ln(x). [tunjukkan!]

Notasikan variabel baru sebagai berikut:

ỹ = ln(y ), x̃ = ln(x), a0 = ln(p), a1 = q.

Dengan demikian diperoleh bentuk regresi linier:

13 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Regresi model laju pertumbuhan jenuh

14 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Transformasi pelinieran dari beberapa model nonlinier

15 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Nilai R 2 berkisar dari 0 sampai 1. Jika R 2 mendekati nilai 1, maka

Regresi polinom: pendahuluan

Bagaimana jika kecendrungan pola data tidak dapat

Langkah yang biasanya diambil adalah dengan menggunakan

Alasan pemilihan regresi polinom adalah karena setiap fungsi

17 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Regresi polinom: konstruksi (1)

(x1 , y1 ), (x2 , y2 ), ..., (xn , yn ).

Prosedur kuadrat terkecil pada regresi linier akan diperluas

Catatan: nilai m dan n tidak ada hubungan tertentu.

18 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Regresi polinom: konstruksi (2)

SPL di atas diselesaikan dengan salah satu teknik penyelesaian SPL

Regresi polinom: algoritma

20 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Interpolasi/ekstrapolasi bertujuan untuk membangun suatu

21 Mahdhivan Syafwan Metode Numerik: Pencocokan Kurva

Bukti? −→ TUGAS BONUS!

Misalkan untuk n + 1 titik data digunakan polinom dengan derajat

a0 + a1 x0 + a2 x02 + · · · + an x0n = f (x0 )