SMOOTHING OF DATA AND THE METHOD OF

LEAST SQUARES
NUMERICAL ANALYSIS
WEDNESDAY, 27 FEBRUARY 2019
1/62
 ANGGOTA KELOMPOK 4

Sindy Meyverly Grifin Egeten Rafika Husnia Nurul Maqfirah Rauf

G 54150023 G 551180111 G 551180261 G 551180101

2/62
PENDAHULUAN
Data:

T : Suhu
S : Tegangan pada suatu permukaan

3/62
PENDAHULUAN
Gambar:
Menggunakan
Software
Octave

4/62
PENDAHULUAN
Data:

Dari data di atas, dapat dilakukan aproximasi (pendekatan)

menggunakan fungsi linear, fungsi nonlinear,
fungsi nonpolinom, dll.

5/62
PENDAHULUAN
Data:

Misalnya fungsi linear:

S = aT + b
Bagaimana mencari nilai parameter a dan b?
Apa keuntungan jika parameter a dan b diketahui?

6/62
METODE PENYELESAIAN

Metode
Nilai parameter
Least Squares

7/62
 OUTLINE
Section 1 Method of Least Squares
Orthogonal System and Chebyshev
Section 2
Polynomials
Section 3
Other Examples of the Least
Squares Principle
Section 4 Studi Kasus dan Contoh Soal

8/62
Section 1

Method of Least Squares

Oleh:
Sindy Meyverly

9/62
 Method of Least Square
Linear Least Square

Misalkan terdapat 𝑚 + 1 pasang data,

akan dibuat persamaan regresi linear 𝑦 = 𝑎𝑥 + 𝑏.

Parameter 𝑎 dan 𝑏 dapat diduga dengan menggunakan metode

least square, yaitu dengan meminimilisasi jumlah error titik data
terhadap garis lurus (persamaan regresi linear).

10/62
 Method of Least Square
Untuk data ke-k berada tepat di dalam garis 𝑦 = 𝑎𝑥 + 𝑏 maka:
𝑦 − 𝑦𝑘 = 0, artinya galat untuk data ke-k adalah 0.

Apabila data tidak berada tepat dalam garis, maka galat untuk data
pengamatan ke-k adalah 𝑒𝑘 = |𝑦 − 𝑦𝑘 |.

Sehingga total galat dari 𝑚 + 1 data pengamatan adalah:

𝑚 𝑚

𝑒𝑡𝑜𝑡𝑎𝑙 = 𝑒𝑘 = 𝑎𝑥𝑘 + 𝑏 − 𝑦𝑘 ,
𝑘=0 𝑘=0
dan total kuadrat galat adalah:
𝑚

𝑒𝑘 2
𝑘=0
11/62
Method of Least Square
Langkah-langkah menghitung persamaan 𝑎 dan 𝑏
1. Bentuk total kuadrat galat sebagai fungsi dalam 𝑎 dan 𝑏
𝑚 𝑚
2
𝜑 𝑎, 𝑏 = 𝑒𝑘 = 𝑎𝑥𝑘 + 𝑏 − 𝑦𝑘 .
𝑘=0 𝑘=0
2. Mencari nilai 𝑎 dan 𝑏 yang membuat fungsi di atas minimum, yaitu
dengan
𝜕𝜑 𝜕𝜑
=0, =0
𝜕𝑎 𝜕𝑏
𝜕𝜑
• 𝜕𝑎 = 𝑚 𝑘=0 2 𝑎𝑥𝑘 + 𝑏 − 𝑦𝑘 𝑥𝑘 = 0
𝑎 𝑚 2 𝑚 𝑚
𝑘=0 𝑥𝑘 + 𝑏 𝑘=0 𝑥𝑘 = 𝑘=0 𝑦𝑘 𝑥𝑘
𝜕𝜑 𝑚
• 𝜕𝑏
= 𝑘=0 2 𝑎𝑥𝑘 + 𝑏 − 𝑦𝑘 (1) = 0
𝑚
𝑎 𝑘=0 𝑥𝑘 + 𝑏(𝑚 + 1) = 𝑚 𝑘=0 𝑦𝑘
12/62
 Method of Least Square
3. Sehingga diperoleh persamaan normal sebagai berikut:
𝑚 𝑚 𝑚

𝑎 𝑥𝑘 2 + 𝑏 𝑥𝑘 = 𝑦𝑘 𝑥𝑘
𝑘=0 𝑘=0 𝑘=0

𝑚 𝑚

𝑎 𝑥𝑘 + 𝑏(𝑚 + 1) = 𝑦𝑘
𝑘=0 𝑘=0
4. Susun persamaan di atas ke dalam matriks

𝑠 𝑝 𝑎 𝑟
𝑝 𝑚+1 𝑏 = 𝑞
dengan:
𝑚 𝑚 𝑚 𝑚 𝑚

𝑠= 𝑥𝑘 2 , 𝑝 = 𝑥𝑘 , 𝑟 = 𝑦𝑘 𝑥𝑘 , 𝑞 = 𝑦𝑘 , 𝑠 = 𝑥𝑘 2
𝑘=0 𝑘=0 𝑘=0 𝑘=0 𝑘=0 13/62
Method of Least Square
5. Tentukan nilai 𝑎 dan 𝑏 dengan aturan Cramer, yaitu:

𝑠 𝑝 2
𝑑= 𝑝 𝑚+1 = 𝑚 + 1 𝑠 − 𝑝

𝑟 𝑝
𝑞 𝑚+1 𝑚 + 1 𝑟 − 𝑝𝑞
𝑎= 𝑠 𝑝 =
𝑑
𝑝 𝑚+1
𝑠 𝑟
𝑝 𝑞 𝑠𝑞 − 𝑝𝑟
𝑏= 𝑠 𝑝 =
𝑑
𝑝 𝑚+1

14/62
Method of Least Square
Bentuk lainnya:
𝑚 𝑚 𝑚
1
𝑎= 𝑚+1 𝑦𝑘 𝑥𝑘 − 𝑥𝑘 𝑦𝑘
𝑑
𝑘=0 𝑘=0 𝑘=0
𝑚 𝑚 𝑚 𝑚
1
𝑎= 𝑥𝑘 2 𝑦𝑘 − 𝑥𝑘 𝑦𝑘 𝑥𝑘
𝑑
𝑘=0 𝑘=0 𝑘=0 𝑘=0

dengan
𝑚 𝑚 2

𝑑 = (𝑚 + 1) 𝑥𝑘 2 − 𝑥𝑘
𝑘=0 𝑘=0

15/62
Method of Least Square
Contoh: Carilah persamaan regresi linear dari data berikut:
x 4 7 11 13 17
y 2 0 2 6 7
𝑎 = 0.4864, 𝑏 = −1.6589
𝜑 𝑎, 𝑏 = 10.781
𝑦 = 0.4864𝑥 − 1.6589

16/62
 Method of Least Square
Nonpolinomial
Misalkan kita ingin memasangkan nilai 𝑥𝑘 , 𝑦𝑘 dengan fungsi berbentuk
𝑦 = 𝑎 ln 𝑥 + 𝑏 cos 𝑥 + 𝑐𝑒 𝑥 , maka yang perlu dicari adalah nilai 𝑎, 𝑏, dan
𝑐 dengan menggunakan metode Least Square.
Langkah-langkah:
1. Bentuk total kuadrat galat sebagai fungsi 𝑎, 𝑏, dan 𝑐

2. Diferensialkan fungsi di atas terhadap 𝑎, 𝑏, dan 𝑐 , sehingga untuk

meminimumkan fungsi di atas,

𝜕𝜑 𝜕𝜑 𝜕𝜑
=0, = 0, =0
𝜕𝑎 𝜕𝑏 𝜕𝑐
17/62
Method of Least Square
3. Sehingga diperoleh persamaan normal sebagai berikut:

18/62
 Method of Least Square
Contoh:
Cocokkan fungsi dengan bentuk 𝑦 = 𝑎 ln 𝑥 + 𝑏 cos 𝑥 + 𝑐𝑒 𝑥 berdasarkan tabel
berikut:

𝑎 = −1.04103, 𝑏 = −1.26123, 𝑐 = 0.00307

𝜑 𝑎, 𝑏 = 0.92557
𝑦 = −1.04103 ln 𝑥 − 1.26123 cos 𝑥 + 0.00307𝑒 𝑥

19/62
 Method of Least Square
Basis Fungsi
Misalkan sejumlah 𝑛 + 1 data dianggap sesuai dengan persamaan

Dengan fungsi 𝑔0 , 𝑔1 , … , 𝑔𝑛 disebut basis fungsi yang diketahui koefisien

-koefisien 𝑐0 , 𝑐1 ,…,𝑐𝑛 ditentukan berdasarkan prinsip least square.

Maka didefinisikan fungsi

Kemudian pilih nilai 𝑐0 , 𝑐1 ,…,𝑐𝑛 untuk membuat nilai fungsi 𝜑 𝑐0 , 𝑐1 , … , 𝑐𝑛

seminimum mungkin.
20/62
 Method of Least Square
Ekspresi 𝜑 𝑐0 , 𝑐1 , … , 𝑐𝑛 yang menyatakan jumlah kuadrat dari galat yang
dihubungkan dengan setiap 𝑥𝑘 , 𝑦𝑘 dengan syarat:

Turunan parsial dari fungsi 𝜑 𝑐0 , 𝑐1 , … , 𝑐𝑛 adalah:

Persamaan tersebut disamakan dengan 0, maka

Merupakan persamaan normal untuk menentukan nilai 𝑐0 , 𝑐1 ,…,𝑐𝑛

menggunakan Eliminasi Gauss.
21/62
Section 2

Orthogonal System and

Chebyshev Polynomials
Oleh:
Grifin R. Egeten

22/62
Fungsi Basis Ortogonal
Pada bagian sebelumnya:

Kumpulan fungsi – fungsi tersebut (𝑔0 , 𝑔1 , … , 𝑔𝑛 ) dapat

dinyatakan sebagai kombinasi linear, atau :
𝑛

𝒢 = 𝑔: 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑐0 , 𝑐1 , … , 𝑐𝑛 𝑠𝑒ℎ𝑖𝑛𝑔𝑔𝑎 𝑔 𝑥 = 𝑐𝑗 𝑔𝑗 (𝑥)

𝑗=0

Dengan kata lain (𝑔0 , 𝑔1 , … , 𝑔𝑛 ) merupakan basis untuk 𝒢.

23/62
Fungsi Basis Ortogonal
Dengan menggunakan prinsip Least Squares, maka akan
diperoleh persamaan matriks sebagai berikut:

Matrik di atas bergantung pada (𝑔0 , 𝑔1 , … , 𝑔𝑛 ), untuk memperoleh

koefisien (𝑐0 , 𝑐1 , … , 𝑐𝑛 ).
Persamaan matriks di atas dapat diselesaikan dengan mudah jika
basis (𝑔0 , 𝑔1 , … , 𝑔𝑛 ) merupakan basis ortonormal.

24/62
Fungsi Basis Ortogonal
Salah satu sifat basis ortonormal ialah :

sifat ini akan membuat matriks di atas menjadi matriks identitas.

Sehingga persamaan matriksnya menjadi :

parameter (𝑐0 , 𝑐1 , … , 𝑐𝑛 ) lebih mudah diperoleh (eksplisit).

25/62
Chebyshev Polinomial
Tujuan kita menyelesaikan persamaan matriks berikut dengan
mudah.

Kesulitan akan diperoleh apabila isi dari 𝒢 adalah fungsi polinomial

berderajat ≤ 𝑛.

26/62
Chebyshev Polinomial

27/62
Chebyshev Polinomial
Dengan persamaan polinom 𝑔 𝑥 = 𝑗=0 𝑐𝑗 𝑥 ,
𝑛 𝑗
kita akan sulit
menentukan koefisien (𝑐0 , 𝑐1 , … , 𝑐𝑛 ), karena fungsi – fungsinya mirip
bahkan sangat mirip untuk derajat yang besar.

Berbeda dengan chebyshev polinomial, walaupun derajatnya sama,

tetapi fungsi – fungsi berbeda. Perhatikan rumus chebyshev polinom
berikut:

untuk 𝑘 = 1,2.
34/65
28/62
Chebyshev Polinomial
Dari bentuk umum di atas akan diperoleh fungsi polinomial:

Menyelesaikan chebyshev polinomial lebih mudah dibandingkan deng

an polinom biasa. Kombinasi linear dari chebyshev polinomial sebagai
berikut:

Kemudian terapkan metode least squares untuk mencari koefisiennya.

29/62
Chebyshev Polinomial
Perbandingan polinom biasa
dengan chebyshev polinomial:

30/62
 Smoothing Data : Polynomial
Regression
Dalam konteks ini, smoothing digunakan untuk mengurangi error
(penghalusan). Kemudian polinomial regresi digunakan untuk
menentukan fungsi polinom yang cocok dari sekumpulan data
untuk digunakan dalam pencarian parameter.
Misalnya diketahui data sebagai berikut:

31/62
 Smoothing Data : Polynomial
Regression
Dari data tersebut, akan diperoleh persamaan yang bergantung
pada suatu fungsi polinom sebagai berikut:

dengan:

𝜀𝑖 adalah error

32/62
 Smoothing Data : Polynomial
Regression
Dari persamaan tersebut setelah diterapkan metode least square
dan metode determinan akan diperoleh :

Persamaan di atas disebut hasil kali dalam (inner product) dari

fungsi 𝑓 dan 𝑔, dimana fungsi 𝑓 dan 𝑔 adalah fungsi dengan
daerah asal 𝑥0 , 𝑥1 , … , 𝑥𝑚 .

33/62
 Smoothing Data : Polynomial
Regression
Sifat – sifat dari hasil kali dalam (inner product):
1. 𝑓, 𝑔 = 𝑔, 𝑓
2. 𝑓, 𝑓 > 0, 𝑘𝑒𝑐𝑢𝑎𝑙𝑖 𝑓 𝑥𝑖 = 0, ∀𝑖
3. 𝑎𝑓, 𝑔 = 𝑎 𝑓, 𝑔 𝑑𝑖𝑚𝑎𝑛𝑎 𝑎 ∈ ℝ
4. 𝑓, 𝑔 + ℎ = 𝑓, 𝑔 + 𝑓, ℎ

34/62
 Smoothing Data : Polynomial
Regression
Polinomial berderajat n:

dengan:

35/62
sehingga fungsi polinom dapat ditentukan.
Section 3

Other Examples of the Least

Squares Principle
Oleh:
Rafika Husnia

36/62
SPL TAK-KONSISTEN
• Misal diberikan SPL sebagai berikut:
𝑛

𝑎𝑘𝑗 𝑥𝑗 = 𝑏𝑘 (0 ≤ 𝑘 ≤ 𝑚, 𝑚 > 𝑛)
𝑗=0
• Dengan menggunakan Metode Least-Square akan diperoleh
2
𝑚 𝑛

𝜑 𝑥0 , 𝑥1 , … , 𝑥𝑛 = 𝑎𝑘𝑗 𝑥𝑗 − 𝑏𝑘
𝑘=0 𝑗=0

dimana 𝜑 𝑥𝑖 merupakan fungsi error.

37/62
SPL TAK-KONSISTEN
𝑚 𝑛
𝜕𝜑
=0= 2 𝑎𝑘𝑗 𝑥𝑗 − 𝑏𝑘 𝑎𝑘𝑖 (0 ≤ 𝑖 ≤ 𝑛)
𝜕𝑥𝑖
𝑘=0 𝑗=0
𝑛 𝑚 𝑚

𝑎𝑘𝑗 𝑎𝑘𝑖 𝑥𝑗 = 𝑏𝑘 𝑎𝑘𝑖 (0 ≤ 𝑖 ≤ 𝑛)

𝑗=0 𝑘=0 𝑘=0

• Karena telah diperoleh sistem persamaan yang konsisten,

maka solusi 𝑥𝑗 dapat diperoleh dengan Metode Eliminasi
Gauss.
38/62
FUNGSI BOBOT 𝑤(𝑥)
• Metode Least Square juga dapat digunakan untuk
mendekati sebarang fungsi 𝑓 pada interval a, b
oleh aproksimasi fungsi 𝑔
𝑛

𝑔 𝑥 = 𝑐𝑗 𝑔𝑗 (𝑥)
𝑗=0
• Fungsi minimasinya yaitu
𝑏
2
𝜑 𝑐0 , 𝑐1 , … , 𝑐𝑛 = 𝑔 𝑥 −𝑓 𝑥 𝑑𝑥
𝑎
dimana 𝜑 𝑐𝑖 merupakan fungsi error.
39/62
FUNGSI BOBOT 𝑤(𝑥)
• Pilih fungsi bobot yang positif agar fungsi minimasinya tidak
berubah, misal 𝑤 𝑥 ≡ 1
𝑏
2
𝜑 𝑐0 , 𝑐1 , … , 𝑐𝑛 = 𝑔 𝑥 −𝑓 𝑥 𝑤 𝑥 𝑑𝑥
𝑎
• Dengan menggunakan Metode Least-Square akan diperoleh
𝑛 𝑏 𝑏
𝑔𝑖 𝑥 𝑔𝑗 𝑥 𝑤 𝑥 𝑑𝑥 𝑐𝑗 = 𝑓 𝑥 𝑔𝑖 𝑥 𝑤 𝑥 𝑑𝑥
𝑗=0 𝑎 𝑎
(0 ≤ 𝑖 ≤ 𝑛)
• Solusi 𝑐𝑗 dapat diperoleh dengan Metode Eliminasi Gauss.
40/62
5/64
KASUS NONLINEAR
• Misal diberikan pasangan titik data (𝑥𝑘 , 𝑦𝑘 ) yang akan
dihampiri dengan fungsi
𝑦 = 𝑒 𝑐𝑥
• Fungsi minimasinya yaitu
𝑚

𝜑 𝑐 = 𝑒 𝑐𝑥𝑘 − 𝑦𝑘 2

𝑘=0
𝑚
𝜕𝜑
=0=2 𝑒 𝑐𝑥𝑘 − 𝑦𝑘 𝑥𝑘 𝑒 𝑐𝑥𝑘  stuck, modif!
𝜕𝑐
𝑘=0

41/62
KASUS NONLINEAR
• Karena 𝑦 = 𝑒 𝑐𝑥 , misal ln 𝑦 = 𝑧 maka 𝑧 = 𝑐𝑥
𝑚

𝜑 𝑐 = 𝑐𝑥𝑘 − 𝑧𝑘 2

𝑘=0
𝑚
𝜕𝜑
=0=2 𝑐𝑥𝑘 − 𝑧𝑘 𝑥𝑘
𝜕𝑐
𝑘=0

𝒎
𝒌=𝟎 𝒛𝒌 𝒙𝒌
𝒄= 𝒎 𝟐
𝒌=𝟎 𝒙𝒌

42/62
KASUS LINEAR DAN
NONLINEAR
• Misal diberikan pasangan titik data (𝑥𝑘 , 𝑦𝑘 ) sebanyak
𝑚 + 1 entri dan didefinisikan suatu relasi fungsional
𝑦 = 𝑎 sin 𝑏𝑥
• Fungsi minimasinya yaitu
𝑚

𝜑 𝑎, 𝑏 = 𝑎 sin 𝑏𝑥𝑘 − 𝑦𝑘 2

𝑘=0
dimana 𝜑 𝑎, 𝑏 merupakan fungsi error.

43/62
KASUS LINEAR DAN
NONLINEAR
• Meminimumkan jumlah kuadrat galat menjadi
𝑚

2 𝑎 sin 𝑏𝑥𝑘 − 𝑦𝑘 sin 𝑏𝑥𝑘 = 0

𝑘=0
𝑚

2 𝑎 sin 𝑏𝑥𝑘 − 𝑦𝑘 𝑎𝑥𝑘 cos 𝑏𝑥𝑘 = 0

𝑘=0
• Sehingga diperoleh solusi persamaan:
𝒎 𝒎
𝒌=𝟎 𝒚𝒌 𝒔𝒊𝒏 𝒃𝒙𝒌 𝒌=𝟎 𝒙𝒌 𝒚𝒌 𝐜𝐨𝒔 𝒃𝒙𝒌
𝒎 𝟐
= 𝒎
𝒌=𝟎 𝒔𝒊𝒏 𝒃𝒙𝒌 𝒌=𝟎 𝒔𝒊𝒏 𝒃𝒙𝒌 𝒙𝒌 𝐜𝐨𝒔 𝒃𝒙𝒌
44/62
SINGULAR VALUE
DECOMPOSITION (SVD)
• Misalkan diberikan matriks 𝐴 berordo 𝑚 𝑥 𝑛 dengan elemen
bilangan real, faktorisasinya sebagai berikut:
𝑨 = 𝑼𝑫𝑽𝑻
• Dimana
 𝑼 = [𝒖𝟏 , 𝒖𝟐 , … , 𝒖𝒎 ] adalah matriks uniter yang dibentuk
oleh vektor eigen normal matriks 𝑨𝑨𝑻
 𝑫 adalah matriks diagonal yang entri-entrinya nilai
singular matriks 𝑨
 𝑽 = [𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 ] adalah matriks uniter yang dibentuk
oleh vektor eigen normal matriks 𝑨𝑻 𝑨
45/62
LANGKAH-LANGKAH SVD
• Misalkan 𝐴 ∈ ℝ𝑚 𝑥 𝑛 dengan 𝑟𝑎𝑛𝑘 𝐴 = 𝑟
1. Dibentuk matriks 𝐴𝑇 𝐴 dan tentukan nilai eigen dan vektor
eigen ortonormalnya.
2. Bentuk matriks uniter 𝑉 dari vektor eigen ortonormalnya.
3. Tentukan nilai singular tak nol 𝜎𝑖 dan matriks diagonal 𝐷.
4. Tentukan vektor eigen ortonormal 𝐴𝐴𝑇 atau dengan
𝑢𝑖 = 𝜎𝑖−1 𝐴𝑣𝑖
5. Bentuk matriks uniter 𝑈 dari vektor eigen ortonormalnya.

46/62
TEOREMA SVD LEAST
SQUARE
Misal 𝑨 matriks 𝑚 𝑥 𝑛 dengan 𝑟𝑎𝑛𝑘 𝐴 = 𝑟. Misal faktorisasi
SVD 𝑨 = 𝑼𝑫𝑽𝑻 . Solusi sistem 𝑨𝒙 = 𝒃 dengan Metode Least
Square adalah 𝒙𝐿𝑆 = 𝑛𝑖=1(𝜎𝑖−1 𝑐𝑖 )𝑣𝑖 dimana 𝑐𝑖 = 𝑢𝑖𝑇 𝑏. Jika
terdapat banyak solusi yang diberikan ke sistem, maka salah
satu dari 2 norm terkecil adalah 𝑥.

47/62
CONTOH KASUS SVD LEAST
SQUARE
• Tentukan solusi masalah Least-Square berikut dari sistem
takpersegi berikut dengan SVD
1 1 𝑥 1
0 1 𝑦 = −1
1 0 𝑧 1
1 1
6 0 3 1 1
3 3
1 1 1 1 1 3 0 2 2
0 1 = 2 2
6 2 − 3 0 1 1 1
1 0 6 2 3
1 1 1 0 0 2 − 2
2 2
6 2 − 3
6 2 3
48/62
CONTOH KASUS SVD LEAST
SQUARE
• 𝑅𝑎𝑛𝑘 𝐴 = 2, nilai singular 𝜎1 = 3 dan 𝜎2 = 1
1 1 1 1 1
𝑇
𝑐1 = 𝑢1 𝑏 = 6 6 6 −1 = 6
3 6 6 3
1
1 1 1
𝑐2 = 𝑢2𝑇 𝑏 = 0 2 − 2 −1 = 2
2 2 1
1 4
𝑥𝐿𝑆 = 𝜎1−1 𝑐1 𝑣1 + 𝜎2−1 𝑐2 𝑣2 = 3 + 1 = 3
1 1 − 2
3 3

49/62
Section 4

Studi Kasus dan Contoh Soal

Oleh:
Nurul Maqfirah Rauf

50/62
Penerapan Metode Least Square
Bidang Rancang Bangun Aplikasi Peramalan
Teknologi Laba dengan Metode Kuadrat Terkecil

Penerapan Metode Kuadrat Terkecil untuk

Bidang analisis data kepekaan harga dalam riset
Ekonomi pemasaran

Identifikasi Tingkat Kesehatan Karang

Least Bidang Berdasarkan Coral Health Chart
Square Kesehatan Menggunakan Pengolahan Citra Digital
Dan Metode Kuadrat Terkecil
Bidang Metode Kuadrat Terkecil untuk merama
Pendidikan lkan perkembangan banyaknya siswa

Metode Least Square untuk menganalisis

Bidang pendapatan retribusi uji kendaraan
Industri bermotor 51/62
METODE LEAST SQUARE UNTUK MENGANALISIS
PENDAPATAN RETRIBUSI UJI KENDARAAN
BERMOTOR

Menerapkan metode data mining menggunakan metode least square untuk

mempermudah penghitungan prediksi pendapatan uji kendaraan bermotor
dan menentukan keakuratan jumlah prediksi pendapatan uji kendaraan ber-
motor Dishubinfokom Kabupaten Grobogan selama enam bulan ke depan.

52/62
Metode Kuadrat Terkecil (Least Square
Method)

Ŷ = Variabel yang dicari trendnya.

x = Variabel waktu.
Ŷ = a + bx
a = konstanta

b = parameter

53/62
Data Uji Kendaraan
Data Uji Kendaraan Bermotor Angkutan Data Uji kendaraan Bermotor
Barang Angkutan orang

54/62
Perhitungan Least Square

Persamaan garis linier :

Ŷ= 211.6667+1.9773x.

55/62
Grafik Perbandingan Prediksi dan Data Actual
Perhitungan Least Square

56/62
 Perhitungan Error dengan metode MAPE
MAPE Error dengan metode MAPE
Jenis Kendaraan
Least Square
0-4000 (Y) 8.744075722
4001-7000 (Y) 8.551036186
7001-9000 (Y) 9.411307406
>9000 12.79945278

MAPE Error dengan metode MAPE

Jenis Kendaraan
Least Square
Kecil (Y) 15.96572103
Sedang (Y) 18.65546118
Besar (Y) 17.90371097
57/62
 Kesimpulan
Dihasilkan penghitungan prediksi enam bulan ke depan dengan metode least square
sebagai berikut

58/62
 SOAL
1. Tentukan fungsi real Cheb (n, x) untuk mengevaluasi Tn(x). Gunakan

rumus rekursif dari polinomial Chebyshev. Gunakan data sebagai

berikut: n = 2, dan x = 0, 1, 2.

2. Bentuk polinomial regresi pangkat 2 dari data berikut:

X -2 -1 0 1 2
Y 3 2 2 0 1

59/62
3. Temukan sebuah fungsi dari 𝑦 =𝑒 𝑐𝑥 , yang paling sesuai
dengan tabel sebagai berikut:
X 0 1
Y 1/2 1
4. Temukan fungsi terbaik (kuadrat terkecil) yang sesuai dengan
titik data berikut dan dalam bentuk 𝑓 𝑥 = 𝑎 sin 𝜋𝑥 + 𝑏 cos 𝜋𝑥

1 24
5. Carilah solusi kuadrat terkecil dari SPL berikut: 3 32
6 67

60/62
DAFTAR PUSTAKA
• Cheney, W. dan Kincaid, D. 2008. Numerical Mathematics
and Computing 6𝑡ℎ . Ed. Belmont (US): Thomson
Higher Education.

61/62
 Saya tidak dapat memastikan bahwa
perubahan akan memperbaiki sesuatu,
tetapi saya dapat memastikan bahwa
untuk menjadi lebih baik sesuatu harus
berubah 62/62
(George C. Lichtenberg)