Analisis Numerik

Tanggal Uraian

16-08-2019 1 Pendahuluan (pengertian dan manfaat Analisa Numerik, kesalahan/galat/error, Deret Taylor)

23-08-2019 2 Akar-akar persamaan (Metode Pengurung dan Metode Terbuka)

30-08-2019 3 Studi Kasus akar-akar persamaan dan matriks

06-09-2019 4 Sistem Persamaan Linier (Metode Eliminasi Gauss, Pembalikan Matrik dan Gauss-Siedel)

13-09-2019 5 Sistem Persamaan Linier (Metode Iteratif, Dekomposisi LU dan Metode Jacobi)

20-09-2019 6 Studi Kasus Sistem Persamaan Linier

27-09-2019 7 Pencocokan Kurva (Analisis Regresi)

04-10-2019 8 UJIAN TENGAH SEMESTER

11-10-2019 9 Pencocokan Kurva (Interpolasi)

18-10-2019 10 Studi kasus Pencocokan Kurva

25-10-2019 11 Integrasi Numerik (Metode Trapesium dan Metode Simpson)

01-11-2019 12 Persamaan Diffrensial Biasa (Metode Satu Langkah)

08-11-2019 13 Persamaan Diffrensial Biasa (Metode Runge-Kutta)

15-11-2019 14 Persamaan differensial Parsiil (Persamaan Parabola)

22-11-2019 15 Persamaan differensial Parsiil (Persamaan Ellips dan Hiperbola)

29-11-2019 16 Studi kasus persamaan diferensial

 ANALISIS KURVA

 ANALISIS REGRESI

 PENCOCOKAN KURVA

 INTERPOLASI
 Prinsip-prinsip Dasar Statistika

 Parameter Statistik
 Pengumpulan Data
 Dalam suatu percobaan skala penuh, dari uji lentur suatu balok
beton bertulang diperoleh hasil pengamatan berupa hubungan
antara besar gaya (P) dengan lendutan maksimum di tengah
bentang, sebagai berikut:
 Analisis Kurva Pengamatan
 Jika hasil pengukuran tersebut ingin ditampilkan dalam suatu
grafik, dengan sumbu x menyatakan lendutan, sedangkan
sumbu y menyatakan beban, maka persamaannya :
y  a.e bx

 Dimana persamaan tersebut merupakan suatu fungsi yang

dapat menyatakan hubungan antara x dan y. Sedangkan
konstanta a dan b dapat dicari melalui analisis kurva.
 Cara-cara analisis kurva banyak digunakan dalam berbagai
macam disiplin ilmu, termasuk dalam ilmu Teknik Sipil.
Analisis Kurva Pengamatan
Y

X
 Analisis Kurva Pengamatan
 Analisi kurva dilakukan dengan meminimumkan
simpangan ini sering juga disebut dengan Analisis
Regresi. Jika kurva hampiran merupakan suatu
fungsi linear maka prosesnya disebut Regresi Linear,
dengan kurva fungsi berupa persamaan:

y  ao  a1.x  e
 Dengan a0 & a1 adalah koefisien fungsi, e adalah
simpangan
 Analisis Kurva Pengamatan
 Jika kurva hampiran dinyatakan dalam suatu polinom
derajat n, maka fungsi kurva tersebut dinyatakan
dalam bentuk : n
Pn( x)  ao  a1.x  a 2.x 2  a3.x3  ...  an.xn   aj.x j

j 0

 Dan simpangan kesalahan yang terjadi antara tiap

titik data dengan nilai fungsi adalah :
eo  Pn( xi )  yi  a1.x  e
dimana :
i = 0, 1, 2, 3, ………., m
 REGRESI LINEAR
 Jika kurva hampiran dinyatakan sebagai garis
lurus, maka regresi tersebut adalah regresi
linear. Dengan koefisien polinomial dari m
buah data adalah berupa persamaan linear
dalam bentuk :
 Regresi Linear
 Jika persamaan di atas dipecahkan untuk a0
dan a1, maka diperoleh :
 Regresi Linear
 Koefisien a0, secara sederhana dapat
diperoleh dengan :

Dengan :
m adalah jumlah data, (xi,yi) adalah pasangan
data, ( x , y ) adalah rerata x dan y
 Contoh: Regresi Linear

Lakukan regresi linear terhadap pasangan data berikut :

Besaran-besaran berikut dapat dihitung:

m=7  x i , y i  119 . 5   140
x i
2
x i  28
28 24
 y i  28 x
7
4 x
7
 3.428571429
 Contoh: Regresi Linear

Koefisien-koefisien a0 dan a1 dihitung dari

persamaan (a1 dan a0) adalah :

7 (119 .5)  ( 28 ( 24 )
a1   0 .839285714
7 (140 )  ( 28 ) 2

a 0  3.428571429  0.839285714 .( 4)  0.07142857

 Contoh: Regresi Linear

 Pasangan Tititk Data dan Regresi Linear

 Regresi Polinom
 Persamaan regresi polinom didapat dari
persamaan :
 Regresi Polinom
 Sebagai contoh, untuk polinom derajat dua, maka koefisien-
koefisien regresi polinom diperoleh dari sistem persamaan
linear sebagai berikut:
 Regresi Polinom
 Contoh:
Lakukan regresi polinom derajat dua terhadap pasangan
titik data berikut ini:
 Regresi Polinom
 Maka dari persamaan di bawah ini dapat disusun suatu sistem
persamaan linear:

 6 15 55   a 0  152 . 6 
15   a 1    585 . 6 
 55 225    
 55 225 979   a 2   2488 . 8 
 Regresi Polinom
didapat:
a0 = 2.47857 a1 = 2.35929 a2 = 1.86071

Sehingga persamaan polinom orde duanya adalah:

y  2 . 47857  2 . 35929 . x  1 . 86071 . x 2

 Regresi linear dengan dua peubah

Bentuk umum persamaan linear dengan dua peubah bebas

adalah:
z  f ( x , y )  c 0  c 1.x  c 2. y
Simpangan kesalahan fungsi dengan data dinyatakan sebagai:
c ij  ( c 0  c 1 . x i  c 2 . y i )  f ( x i , y i )
Jika ditetapkan fungsi simpangan s sebagai kuadrat
simpangan:
S  ( c 0  c 1 . x i  c 2 . y i  z 1) 2  ( c 0  c 1 . x i  c 2 . y i  z 1) 2
 ...  ( c 0  c 1 . x m  c 2 . y m  z m ) 2
 Regresi linear dengan dua peubah

 Simpangan akan minimum jika turunan fungsi S terhadap

koefisien persamaan = 0. Maka dengan proses yang serupa
seperti regresi polinomial satu perubah, koefisien persamaan
dicari dari solusi persamaan simultan sebagai berikut :
Regresi bidang linear
 Contoh: Regresi bidang linear
 Data – data berikut dihitung dari persamaan: z = 5 + 4x-3y
 Contoh: Regresi bidang linear

Gunakan regresi linear untuk mendapatkan

persamaan bidang hampiran tersebut:
 Contoh: Regresi bidang linear

 Dari persamaan di bawah ini dapat disusun:

6 16 . 5 14   c 0   54 
16 . 5     
 76 . 25 48   c 1    243 . 5 
14 48 54   c 2  100 
 Contoh: Regresi bidang linear

didapat:
c0 = 5 c1 = 4 c2 = -3
Sehingga persamaan polinom orde duanya
adalah:
z = 5 + 4x – 3y
 Terapan Analisis Regresi Dalam
Bidang Teknik Sipil

 Bidang Rekayasa Struktur

Batang sepanjang 4 m, yang terbuat dari unsur
bahan baru, digunakan untuk memikul beban aksial
sebesar 8000kg. Luas penampang batang A = 1.25
cm². Hubungan antara tegangan – regangan unsur
hasil percobaan di laboratorium diberikan dalam
tabel berikut :
 Bidang Rekayasa Struktur

Dari hasil percobaan tersebut, perkirakan besarnya regangan

dan pertambahan panjang batang.
Akibat beban aksial sebesar 8000kg, timbul tegangan:
8000
   6400 kg / cm 2

1.25
 Bidang Rekayasa Struktur

Mencari hubungan tegangan-regangan menggunakan

regresi linear :
 Bidang Rekayasa Struktur
m6
ii  243.25
  377000000
i
2

  7333.33
  0.004416
6( 243 .25 )  44000 (0.0265 )
a1   9 . 003067 X 10
2

6(377000000 )  ( 44000 ) 2
a 0  0.004416  (9.003067 x10 7 * 7333 .33)  0.002186
Persamaan regresi
  0.002186  9.003067 x10 7 * 
 Bidang Rekayasa Struktur
Untuk σ = 6400 kg/cm², regangan yang timbul
adalah sebesar:
  0.002186  9.003067 x10 7 (6400 )  3.576 x10 3
untuk σ = 6400 kg/cm², timbul
regangan awal = -0.002186

Hal ini sangat tidak mungkin. Untuk menyelesaikan

hal ini maka harus dilakukan regresi dengan
transformasi sebagai berikut:
ln( )  a 0  a1. ln( )
 Bidang Rekayasa Struktur
 Dengan memisalkan:

 Diperoleh a0 = -17.8468 dan a1 = 1.3835

 Bidang Rekayasa Struktur

Persamaan regresi :
ln( )  a 0  a1. ln( )
ln(  )   17 .8468  1 .3835 . ln( )
atau
  1 .7751 x10 8 x ( )1.3835
untuk
  6400 kg / cm 2 ,
regangan  1 .7751 x10 8 x ( 6400 )1.3835
 0 .003274
Bidang Rekayasa Struktur
 Bidang Rekayasa Sumber Daya Air
Debit suatu aliran fluida dalam pipa bergantung pada diameter
pipa dan kemiringannya. Data percobaan di laboratorium untuk
mengukur aliran fluida dalam pipa bulat dengan kemiringan
tertentu diberikan dalam tabel berikut :
 Bidang Rekayasa Sumber Daya Air

Persamaan menghitung debit aliran dinyatakan sebagai:

Q  a . D b .S c
dengan,
Q adalah debit aliran (m³/s), D adalah diameter pipa (m),
S adalah kemiringan pipa, (a,b,c) adalah konstanta
 Contoh soal:
Tentukan besarnya a,b,c dengan menggunakan
regresi linear. Gunakan hasil yang diperoleh
untuk menghitung debit aliran melalui pipa
berdiameter 0.75 m dengan kemiringan 0.025.
Dengan menggunakan transformasi in,
persamaan diatas diubah menjadi seperti
berikut:
ln(Q)=ln a + b ln(D) + c ln(S)
 Bidang Rekayasa Sumber Daya Air
Dan dengan memisalkan:
ln(Q) = z ln a = c0
ln(D) = x b = c1
ln(S) = y c = c2
Maka persamaan tersebut menjadi :
z = c0 + c1.x + c2.y
Yang merupakan persamaan regresi dengan dua
peubah. Hitungan regresi ditabelkan sebagai berikut:
 Bidang Rekayasa Sumber Daya Air

Selanjutnya disusun SPL untuk mencari co, c1 dan c2:

9 5 . 46048  31 . 7899   c 0    5 . 13543 
  5 . 46048    
 5 . 164783 19 . 28756   c 1    7 . 943282 
  31 . 7899 19 . 28756 127 . 0454   c 2   27 . 85812 

 Bidang Rekayasa Sumber Daya Air
Yang dapat memberikan:
c0 = 3.337369 c = 2.606933
1 c = 0.658594
2

Dan selanjutnya a, b dan c adalah :

Ln a = c0 a  e 3 . 337369  28 . 145
b = c1 = 2.606933
c = c2 = 0.658594
Sehingga persamaan debit aliran dapat dituliskan sebagai :
Q  28 . 145 xD 2 . 606933
xS 0 . 658594

Untuk D = 0.75 m dan S = 0.025

Q  28 . 145 x ( 0 , 75 ) 2 . 606933 x ( 0 . 025 ) 0 . 658594
Q  1 . 171 m 3 / s
 ANALISIS REGRESI

 Metode Kuadrat Terkecil

 Metode Kuadrat Terkecil Untuk Kurva Linier

 Metode Kuadrat Terkecil Untuk Kurva Tidak Linier

 Regresi Polinomial
 Metode Kuadrat Terkecil

Secara prinsip perlu diperhatikan:

 Data berasal dari hasil pengukuran
 Data dengan ketelitian rendah
 Fungsi kuadrat terkecil tidak perlu melalui setiap titik
data
 Kurva fungsinya dirancang mengikuti pola titik-titik
sebagai suatu kelompok
 Data tidak harus berurut
Metode Kuadrat Terkecil
 Metode Kuadrat Terkecil

 Gambar tersebut adalah titik-titik hasil pengukuran, akan dicari suatu kurva
g(x) yang dapat mewakili titik-titik tersebut dengan meminimumkan
pebedaan (selisih) antara titik-titik data dan kurva → dikenal dengan regresi
kuadrat terkecil.
 Dipilih suatu fungsi g(x) yang dapat mewakili f(x) yang mempunyai bentuk
umum G(x) = a0 + a1x + a2x2 +……+ arxr
 Fungsi g(x) mempunyai kesalahan E1 terkecil. Dalam metode ini jumlah
kuadrat dari kesalahan terkecil yaitu:
n n 2

D   Ei   y i  g ( xi )
2 2

i 1 i 1
 Metode Kuadrat Terkecil

 Dicari parameter a0, a1,…..an sedemikian sehingga D2 adalah

minimum
 D2 adalah minimum apabila turunan pertamanya terhadap
a0, a1,…..ar adalah nol.

D 2 D 2 D 2
0 0 ……………. 0
a 0 a1 a r
 Metode Kuadrat Terkecil untuk Kurva Linier
 Kurva yang mewakili titik-titik percobaan merupakan garis lurus,
sehingga persamaannya:
G(x) = a + bx, dalam hal ini a0 = a dan a1 = b
Jumlah kuadrat dari kesalahan dihitung dengan
n n 2

D   Ei   y i  g ( xi )
2 2

i 1 i 1

 Supaya nilai D2 minimum, maka persamaan di atas diturunkan

pertama terhadap parameter a dan b, kemudian disama
dengankan nol. Turunan pertama terhadap parameter a
D 2  n n

a
 
a i 1
( y i  a  bxi )  2 ( yi  a  bxi )  0
2

i 1

 y1   a   bx1  0 (1)
 Metode Kuadrat Terkecil untuk Kurva Linier

 Turunan pertama terhadap parameter

D 2  n n
  ( y i  a  bxi )  2 ( y i  a  bxi ) x1   0
2

a a i 1 i 1

 yi xi   axi   bxi  0
2

 xi a   xi b   xi yi
2
(2)

 Persamaan (1) dapat ditulis dalam bentuk

na  yi   xi b dengan  a  na
1
a ( y i   xi b) (3)
n
1 1
a
n
 y i 
n
 xi b atau a  y  bx (4)
 Metode Kuadrat Terkecil untuk Kurva Linier

 Substitusi persamaan (3) ke persamaan (2)

 x  y   x  b  n x
1
(  y i   x i b)   x i   x i y i b  n xi y i
2
a
2 2
 i i i i
n
 
b n xi   xi   n xi y i   xi  yi
2 2

n x i y i   xi  y i
Atau b (5)
n xi 2   xi 
2

 Dengan menggunakan persamaan (4) dan (5) menghitung koefisien a

dan b, maka fungsi g (x) dapat dicari
 Untuk mengetahui derajat kesesuaian dari persamaan yang didapat,
dihitung nilai koefisien korelasi yang berbentuk
n 2
Dt  D D   y i  (a  bxi )
2 2
2
r dengan
Dt 2 i 1

 r mendekati 1 berarti perkiraan kurva mendekati sempurna, dan bila r

mendekati nol berarti kurva mendekati suatu fungsi sangat jelek.
 Metode Kuadrat Terkecil untuk Kurva Linier

Contoh

Tentukan persamaan garis yang mewakili data berikut :

x 1 2 3 4 5 6 7

y 0,5 2,5 2,0 4,0 3,5 6,0 5,5

y
Metode Kuadrat Terkecil untuk Kurva Linier

 Penyelesaian
No xi yi xiyi Xi2 (yi – )2 (yi-a-bxi)2

1 1 0,50 0,50 1 8,5765 0,1687

2 2 2,50 5,00 4 0,8622 0,5625

3 3 2,00 6

4 4 4,00 16

5 5 3,50 17,5

6 6 6,00 36

7 7 5,50 38,5

∑ 28 24,00 119,5 140

 Nilai rerata dari x dan y:

x
 x i

28
4 dan y
 y i

24
 3,42857
n 7 n 7
 Metode Kuadrat Terkecil untuk Kurva Linier

 Sehingga

n xi y i   x i  y i 9(119,5)  28(24)
b   0,8392857
n xi   xi  7(140)  (28)
2 2 2

a  y  bx  3,42857  0,8392857 ( 4)  0,0717286

 Linierisasi Kurva Tidak Linier

 Dalam praktek sering dijumpai bahwa plot titik-titik mempunyai trend

yang berupa kurva lengkung, sehingga persamaan garis lurus tidak bisa
langsung digunakan.
 Sehingga perlu dilakukan transformasi koordinat sehingga ploting data
bisa dipresentasikan dalam kurva linier.

Beberapa fungsi pendekatan dari data yang bisa digunakan yaitu:

1. Fungsi eksponensial
Diberikan data dalam bentuk : y = a1eb1x dengan a1 dan bi adalah
konstan. Persamaan tersebut dapat dilinierkan dengan menggunakan
logaritma natural sehingga menjadi:
 Metode Kuadrat Terkecil untuk Kurva Tak Linier

Gambar di atas menunjukkan transformasi dari fungsi asli menjadi

fungsi logaritma
 Metode Kuadrat Terkecil untuk Kurva Tak Linier

2. Persamaan Berpangkat
Diberikan dalam bentuk : y = a2xb2 dengan a2 dan b2 adalah koefisien
konstan. Persamaan tersebut dapat dilinierkan dengan menggunakan
fungsi logaritma sehingga menjadi:

Log y = b2 log x + log a2

 Metode Kuadrat Terkecil untuk Kurva Tak Linier

Contoh

a. Transformasi Log
Bentuk Persamaan kurva yang dicari
Y = axb ditransformasi dengan bentuk : log y = log a + b log x

Dengan: p = log y B=b

A = log a q = log x

Sehingga persamaan di atas dapat ditulis: p = A + Bq

 Metode Kuadrat Terkecil untuk Kurva Tak Linier

 Hitungan dilakukan dengan menggunakan tabel

No xi yi qi = log x pi = log y q ip i q i2
1 1 0,5 0,00000 -0,30103 0,00000 0,00000
2 2 1,7 0,30103 0,23045 0,06937 0,09062
3 3 3,4 0,47712 0,53148 0,25358 0,22764
4 4 5,7 0,60206 0,75587 0,45508 0,36248
5 5 8,4 0,69897 0,92428 0,64604 0,48856
2,07918 2,14105 1,42408 1,16930
 Dari hitungan dalam tabel di atas didapat:

q
 log x 1

2,07918
 0,4158 dan p
 log y 1

2,14105
 0,42822
n 5 n 5
 Metode Kuadrat Terkecil untuk Kurva Tak Linier

Koefisien A dan B dihitung dengan persamaan

n qi pi   q i  pi 5(1,42408)  2,07918(2,14105) 2,6684
B    1,7572
n qi 2   qi  5(1,16930)  (2,07918)
2 2
1,5233

A = 0,42822 – 1,7572 (0,4158) = -0,3024

Sehingga persamaan transformasi: p = -0,3214 + 1,7572

Karena:
A = log a -0,3024=log a a = 0,4984
B=b b = 1,7572
Maka persamaan yang dicari:
Y = 0,4984x1,7572
 Metode Kuadrat Terkecil untuk Kurva Tak Linier

Contoh

b. Transformasi ln
Bentuk persamaan kurva yang dicari
Y = aebx ditransformasi dengan bentuk: ln y = ln a + bx

Dengan: p = ln y B=b
A = ln a q=x
Sehingga persamaan di atas dapat ditulis: p = A + Bq
x 1 2 3 4 5

y 0,5 1,7 3,4 5,7 8,4

 Metode Kuadrat Terkecil untuk Kurva Tak Linier

Hitungan dilakukan dengan menggunakan tabel

No xi = qi yi pi = ln y qi pi Qi2 = xi2
1 1 0,5 -0,69315 -0,69315 1
2 2 1,7 0,53063 1,06126 4
3 3 3,4 1,22378 3,67133 9
4 4 5,7 1,74047 6,96187 16
5 5 8,4 2,12823 10,64116 25
∑ 15 19,7 4,92995 21,64246 55
 Metode Kuadrat Terkecil untuk Kurva Tak Linier

Dari hitungan dalam table di atas didapat:

q
 x i

15
3
n 5

p
 ln y i

4,92995
 0,98599
n 5
Koefisien A dan B dihitung dengan persamaan
n q i p i   qi  p i 5(21,64246)  15(4,92995 34,2625
B    0,68525
n qi   qi  5(55)  (15)
2 2 2
50

A = 0,98599 – 0,68525 (3) = -1,06575

 Metode Kuadrat Terkecil untuk Kurva tak Linier

 Sehingga persamaan transformasi: p = -1,06575 + 0,68525x

Karena: A = ln a -1,06575 = ln a a = 0,34447
B=b b = 0,68525
Maka persamaan nyang dicari:
y = 0,34447e0,68525x
 Untuk mencari nilai koefisien korelasi, dilakukan dgn persamaan
Dt 2  D 2
 
n
D   y i  (axi )
2
r dengan 2 b
untuk transformasi log
Dt 2 i 1

 
n
D   y i  (ae )
2 bxi 2
untuk transformasi ln
i 1
n
D 2   ( yi  y) 2
i 1
 Metode Kuadrat Terkecil untuk Kurva Tak Linier

Hitungan dilakukan dengan tabel di bawah ini

Transformasi log Transformasi ln

No xi yi g(x)=aeb
g(x)=axib D2 Dt2 D2 Dt2
xi

1 1 0,5 0,49840 0,000003 11,83360 0,68352 0,03368 11,83360

2 2 1,7 1,68480 0,000231 5,01760 1,35629 0,11814 5,01760

3 3 3,4 3,43539 0,001252 0,29160 2,69124 0,50234 0,29160

4 4 5,7 5,69532 0,000022 3,09760 5,34014 0,12950 3,09760

5 5 8,4 8,42962 0,000877 19,89160 10,59627 4,82359 19,89160

0,002385 40,13200 5,60725 40,13200

∑
 Metode Kuadrat Terkecil untuk Kurva Tak Linier

Nilai r untuk transformasi log:

Dt 2  D 2 40,132  0,002385
r 2
  0,99997
Dt 40,132

Nilai r untuk transformasi ln:

Dt 2  D 2 40,132  5,60725
r 2
  0,92751
Dt 40,132

Dari kedua nilai tersebut di atas, terlihat bahwa koefisien korelasi

untuk transformasi log lebih mendekati nilai 1, sehingga dapat
disimpulkan bahwa transformasi log lebih baik untuk data-data
yang ada.
 Regresi Polinomial
 Penurunan persamaan untuk regresi polinomial dilakukan
dengan menggunakan metode kuadrat terkecil.

 Persamaan polinomial orde r mempunyai bentuk:

Y = a0 + a1x + a2x2 + ……. + arxr

 Jumlah kuadrat dari kesalahan adalah:

 
n
D  2 y i  (a 0  a1 x  a 2 x  .........  a r x )
2 2 r 2

i 1
 Regresi Polinomial
 Dengan cara seperti regresi linier, persamaan di atas
diturunkan terhadap tiap koefisien dari polinomial
D 2 n
  2  ( y i  a 0  a 1 x i  a 2 x i  .........  a r x i )  0
2 r

a 0 i 1

D 2 n
  2  ( y i  a 0  a 1 x i  a 2 x i  .........  a r x i )  0
2 r

a1 i 1

D 2 n
  2  ( y i  a 0  a 1 x i  a 2 x i  .........  a r x i )  0
2 r

a 2 i 1

    ..
.
.
D 2 n
  2  ( y i  a 0  a 1 x i  a 2 x i  .........  a r x i )  0
2 r

a r i 1
 Regresi Polinomial
 Persamaan di atas dapat ditulis dalam bentuk:
 n  xi  xi
2
.......  xi
r
 a0    yi 
 r 1  a   
  xi  xi  xi .......  xi   i i 
2 3
 1 x y
 r 2 
a 2   xi 2 y i 
 i  xi  xi .......  xi 
2 3 4
x
   
 ....... ....... ....... .......   ...  =  ..... 
   ...   ..... 
 ....... ....... ....... ....... 
 
 .......  
....... ....... .......   ...   ..... 
 r r 
a 
 i  xi  xi  xi 
r 1 r 2
 x ry 
 i i 
r
x  r

Dengan metode penyelesaian sistem persamaan linier,

persamaan di atas dapat diselesaikan sehingga didapat
parameter a0, a1, a2,……., ar
 Regresi Polinomial
Contoh :
Tentukan persamaan polynomial orde dua yang mewakili data
berikut :
x 0 1 2 3 4 5
y 2,1 7,7 13,6 27,2 40,9 61,1

Penyelesaian:
Persamaan polinomial orde dua mempunyai bentuk:
g(x) = a0 + a1x + a2x2
dan jumlah kuadrat dari kesalahan:
2

 
n
D 2   y i  (a 0  a1 x  a 2 x 2
i 1
 Regresi Polinomial

Diferensial dari D2 terhadap tiap koefisien dari polynomial

menghasilkan:

 n x x  2
a 0    yi 
 i i
3 a  =  x y 
  xi x x  i i 
2
i 

i
4
 1
 xi x x a 2    
2 3 2
i i 
  x i y i 
 Regresi Polinomial
Hitungan dilakukan dengan tabel berikut:
N xi yi xi2 xi3 xi4 xiyi xi2yi
o
1 0 2,1 0 0 0 0 0
2 1 7,7 1 1 1 7,7 7,7
3 2 13,6 4 8 16 27,2 54,4
4 3 27,2 9 27 81 81,6 244,8
5 4 40,9 16 64 256 163,6 654,4
6 5 61,1 25 125 625 305,5 1527,5
∑ 15 152,6 55 225 979 585,6 2488,8
 Regresi Polinomial
 Dengan demikian sistem persamaan menjadi:
6a0 +15a1 + 55a2 = 152,6
15a0 + 55a1 +225a2 = 585,6
55a0 + 225a1 + 979a2 = 2488,8

 Sistem persamaan dapat diselesaikan dengan metode-

metode yang ada sehingga didapat:
a0 = 2,47857
a1 = 2,35929
a2 = 1,86071

 Sehingga persamaan kurva polinomial orde dua adalah:

y = 2,47857 + 2,35929x + 1,86072x2
 Tugas : ANALISIS REGRESI

 Uraikan secara fundamental perbedaan antara regresi dan interpolasi!

 Jelaskan maksud pernyataan bahwa misalnya penurunan rumus pasang surut menggunakan metode regresi
kuadrat terkecil dapat mencapai reliabilitas pencocokan dengan menggunakan grafik dan pencapaian secara
kuantitatif!
 Sebutkan dan uraikan metode-metode melinearisasikan data dengan transformasi!
 Kapan polinomial dan regresi berganda bisa dianggap relevan/layak untuk digunakan?
 Jelaskan pengertian bahwa terdapat satu dan hanya satu polinomial berderajat n atau kurang yang melintasi titik
n+1 secara tepat!
 Apa yang dimaksud dengan polinomial interpolasi Newton dan bagaimana menurunkan polinomial interpolasi
Newton orde pertama?
 Jelaskan hubungan analogi antara polinomial Newton dan perluasan beret Taylor serta bagaimana hubungannya
terhadap kesalahan pemotongan!
 Sebutkan keuntungan dan kerugian masing-masing persamaan Newton dan Lagrange serta hubungan formulasi
keduanya ketika interpolasi polinomial yang sama!
 Apakah titik-titik data harus mempunyai spasi yang sama atau sembarang orde tertentu adalah untuk polinomial
Newton ataukah Lagrange, jelaskan!
 Apakah manfaat formula interpolasi berspasi sama, mengapa?
 Pada studi ini, apa yang dimaksud dengan ekstrapolasi, sebutkan kekurangan dan risiko berkenaan dengan
ekstrapolasi!.
 Mengapa fungsi spline mempunyai manfaat untuk data pada daerah lokal yang berubah secara mendadak?