BAB VIII

LEAST-SQUARES FITTING

Deskripsi:
Pada bab ini akan dibahas mengenai analisis statistik dari beberapa hasil pengukuran pada
satu kuantitas tunggal dengan menggunakan grafik kurva y vs x. Hal tersebut menjadi pokok
bahasan yang paling menarik dalam statistik, tetapi karena pokok bahasan ini sederhana maka
harus dipahami dengan baik sebelum membahas hal yang lebih umum selanjutnya.

Manfaat:
Memberikan metode least-squares fitting yang benar saat melakukan beberapa pengukuran.

Relevansi:
Metode least-squares fitting merupakan salah satu metode yang digunakan untuk
menganalisis data hasil pengukuran dalam suatu grafik.

Learning Outcome:
Mahasiswa memahami dan mampu mengimplementasikan least-squares fitting pada suatu
data hasil pengukuran dengan benar.

MATERI:
Sepanjang bab ini, kita memiliki N pasang hasil pengukuran (𝑥1 , 𝑦1 ), … , (𝑥𝑁 , 𝑦𝑁 ) dari dua
variabel x dan y. Masalah yang dihadapi yaitu bagaimana menemukan nilai-nilai terbaik dari
parameter dari kurva bahwa grafik y vs x agar sesuai dengan yang diharapkan. Kami
berasumsi bahwa hanya pengukuran y mengalami ketidakpastian yang cukup, sedangkan
untuk x diabaikan. [ Untuk kasus di mana kedua x dan y memiliki ketidakpastian yang
signifikan, lihat pembahasan berikut Persamaan ( 8.17 ) . ] Berbagai kemungkinan kurva
dapat dianalisis, dan ada dua asumsi yang berbeda tentang ketidakpastian dalam y. Beberapa
kasus yang lebih penting adalah sebagai berikut :

8.1 Kurva Garis Lurus, 𝒚 = 𝑨 + 𝑩𝒙

Jika y yang diharapkan menyimpang pada garis lurus y = A + Bx, dan jika pengukuran y
memiliki ketidakpastian yang sama, maka estimasi terbaik untuk konstanta A dan B adalah:

∑𝑥 2 ∑𝑦 − ∑𝑥 ∑𝑥𝑦
𝐴=
∆

dan

47
 𝑁∑𝑥𝑦 − ∑𝑥 ∑𝑦
𝐵=
∆

di mana penyebut ∆, adalah

∆= 𝑁∑𝑥 2 − (∑𝑥)2

Berdasarkan poin-poin yang diamati, estimasi terbaik untuk ketidakpastian dalam pengukuran
y adalah

𝑁
1
𝛿𝑦 = �� � �(𝑦𝑖 − 𝐴 − 𝐵𝑥𝑖 )2
𝑁−2
𝑖=1

Ketidakpastian pada A dan B adalah :

∑𝑥 2
𝜎𝐴 = 𝜎𝑦 �
∆

Dan

𝑁
𝜎𝐵 = 𝜎𝑦 �
∆

8.2 Kurva Garis Lurus, 𝒚 = 𝑩𝒙

Jika y yang diharapkan menyimpang pada garis lurus melewati titik pusat kurva (0,0) , y = Bx
, dan jika pengukuran y memiliki ketidakpastian yang sama, maka estimasi terbaik untuk
konstanta B adalah :

∑𝑥𝑦
𝐵=
∑𝑥 2

Berdasarkan poin diukur, estimasi terbaik untuk ketidakpastian dalam pengukuran y adalah :

1
𝜎𝑦 = � ∑(𝑦𝑖 − 𝐵𝑥𝑖 )2
𝑁−1

dan ketidakpastian dalam B adalah :

𝜎𝑦
𝜎𝐵 =
�∑𝑥 2

48
8.3 WEIGHT FIT UNTUK KURVA GARIS LURUS , 𝒚 = 𝑨 + 𝑩𝒙
Jika y diperkirakan akan terletak pada garis y = A + Bx, dan jika nilai 𝑦𝑖 yang diukur, telah
1
berbeda, dengan diketahui ketidakpastian 𝜎𝑖 , maka kami memperkenalkan 𝑤𝑖 = 𝜎2 , dan
𝑖

estimasi terbaik untuk konstanta A dan B adalah:

∑𝑤𝑥 2 ∑𝑤𝑦 − ∑𝑤𝑥 ∑𝑤𝑥𝑦

𝐴=
∆

dan

∑𝑤 ∑𝑤𝑥𝑦 − ∑𝑤𝑥 ∑𝑤𝑦

𝐵=
∆
dimana

∆= ∑𝑤 ∑𝑤𝑥 2 − (∑𝑤𝑥)2

Ketidakpastian di A dan B adalah :

∑𝑤𝑥 2
𝜎𝐴 = �
∆

Dan

∑𝑤
𝜎𝐵 = �
∆

8.4 Grafik Kurva Lainnya

Jika y diharapkan berada pada polinomial dalam x, yaitu,

𝑦 = 𝐴 + 𝐵𝑥 + . . . + 𝐻𝑥 𝑛 ,

maka metode least-squares fit dapat digunakan, meskipun persamaan yang cukup rumit jika n
besar. Curves bentuk

𝑦 = 𝐴𝑓(𝑥) + 𝐵𝑔(𝑥) + . . . + 𝐻𝑘(𝑥) ,

dimana 𝑓(𝑥) , . . . , 𝑘(𝑥) adalah fungsi diketahui, juga dapat ditangani dengan cara yang sama.

Jika y diharapkan akan diberikan oleh fungsi eksponensial

𝑦 = 𝐴𝑒 𝐵𝑥 ,

maka kita bisa " melinierkan " masalah dengan menggunakan variabel 𝑧 = 𝑙𝑛 ( 𝑦 ) , yang
harus memenuhi hubungan linear
49
 𝑧 = 𝑙𝑛(𝑦) = 𝑙𝑛(𝐴) + 𝐵𝑥 ,

Kita kemudian dapat menerapkan linear least-square fit untuk z sebagai fungsi dari x.
Catatan, bagaimanapun, bahwa jika ketidakpastian dalam nilai yang terukur dari y semua
sama, dan kesamaannya pasti tidak benar dari nilai-nilai z . Kemudian, tegasnya, metode
least-square tertimbang harus digunakan.

Contoh:
Panjang vs Massa untuk Keseimbangan Pegas

Seorang siswa membuat skala untuk mengukur massa dengan pegas. Dia menempel ujung
atasnya pada dudukan yang kuat, tergantung sebuah panci dibawahnya, dan menempatkan 1
meter tongkat dibelakangnya untuk pengaturan pembacaan panjang pegas. Sebelum dia bisa
menggunakan skala, dia harus mengkalibrasi, yaitu, dia harus menemukan hubungan antara
massa dalam panci dan panjang pegas . Untuk melakukan kalibrasi ini, dia mendapat lima
massa 2 kg yang akurat, kemudian menambahkannya ke dalam pan satu per satu, merekam
panjang yang sesuai l , seperti yang ditunjukkan pada tiga kolom pertama dari Tabel 8.1.
Dengan asumsi pegas mematuhi hukum Hooke, ia mengantisipasi bahwa panjang l harus
menjadi fungsi linear dari m,

1 = 𝐴 + 𝐵𝑚
𝑔
( Di sini , konstanta A adalah panjang diturunkan dari pegas, dan B adalah 𝑙
, di mana k

adalah konstanta pegas biasa. ) Persamaan kalibrasi di atas akan membiarkan dia menemukan
massa m diketahui dari panjang l yang sesuai, setelah itu dia harus mencari nilai konstanta A
dan B. Untuk menemukan konstanta ini , dia menggunakan metode least-square. Apa
jawaban dia untuk A dan B? Plot data kalibrasi pada suatu gafik . Jika dia menempatkan
massa m diketahui dalam panci dan mengamati panjang pegas menjadi 1 = 53,2 cm , apakah
itu m ?

50
 Tabel 8.1 . Missa 𝑚𝑖 (dalam kg ) dan panjang 𝑙 ( dalam cm ) untuk pegas .

Seperti yang sering terjadi dalam masalah seperti itu, kedua variabel tersebut tidak disebut x
dan y , dan satu harus berhati-hati untuk mengidentifikasi yang mana. Membandingkan
dengan bentuk standar, y = A + Bx , kita melihat bahwa panjang 1 memainkan peran variabel
y, sedangkan massa m memainkan peran variabel x. Konstanta A dan B diberikan oleh
dengan penggantian

𝑥𝑖 ⟷ 𝑚𝑖 𝑑𝑎𝑛 𝑦𝑖 ⟷ 𝑙𝑖

( Korespondensi ini ditunjukkan dengan judul "x " dan " y " dalam Tabel 8.1 . ) Untuk
menemukan A dan B , kita perlu menemukan jumlah ∑𝑚𝑖 , ∑𝑙𝑖 , ∑(𝑚𝑖 )2 , ∑𝑚𝑖 𝑙𝑖 , sehingga dua
kolom terakhir Tabel 8.1 menunjukkan jumlah mil dan Milt , dan jumlah yang sesuai akan
ditampilkan di bagian bawah setiap kolom.

Menghitung konstanta A dan B sekarang mudah. Penyebut ∆ adalah

∆= 𝑁∑𝑚2 − (∑𝑚)2
= 5 × 220 × −302 = 200

Selanjutnya, dari kita menemukan intercept ( panjang teregang )

∑𝑚2 ∑𝑙 − ∑𝑚 ∑𝑚𝑙
𝐴=
∆
220 × 256,6 − 30 × 1622
= = 39 𝑐𝑚
∆

Akhirnya , dari kita menemukan kemiringan

𝑁 ∑𝑚𝑙 − ∑𝑚 ∑𝑙 5 × 1622 − 30 × 256,6

𝐵= = = 2,06 𝑐𝑚/𝑘𝑔
∆ ∆

51
 Gambar 8.2 . Sebuah plot data dari Tabel 8.1 dan garis kecocokan kalibrasi

Sebuah plot data dan garis kurva kalibrasi menggunakan nilai A dan B ditunjukkan pada
Gambar 8.2 . Jika massa m menarik pegas menjadi 53,2 cm, maka menurut persamaan
kalibrasi massa adalah

𝑙 − 𝐴 (53,2 − 39,0)𝑐𝑚
𝑚= = = 6,9 𝑘𝑔
𝐵 2,06 𝑐𝑚/𝑘𝑔

Latihan Soal:
1) Gunakan metode least-square fit untuk menemukan garis 𝑦 = 𝐴 + 𝐵𝑥 sesuai dengan
tiga poin ( 1 , 6 ) , ( 3 , 5 ) , dan ( 5 , 1 ). Dengan menggunakan kertas grafik, plot tiga
poin tersebut ke dalam kurva y. Kalkulator Anda mungkin memiliki fungsi built-in untuk
menghitung A dan B, jika Anda tidak tahu bagaimana menggunakannya , luangkan waktu
untuk belajar dan kemudian memeriksa jawaban Anda sendiri untuk masalah ini .
2) Kerjakan soal nomor 8.7 pada teks buku wajib halaman 200.

52