MT Regresi Dan Interpolasi PDF

http://istiarto.staff.ugm.ac.
id
REGRESI DAN INTERPOLASI

Curve Fitting
Curve Fitting
2 http://istiarto.staff.ugm.ac.id
¨  Acuan
¤  Chapra, S.C., Canale R.P., 1990, Numerical Methods for Engineers,
2nd Ed., McGraw-Hill Book Co., New York.
n  Chapter 11 dan 12, pp. 319-398.
Curve Fitting
¨  Mencari garis/kurva yang mewakili serangkaian titik data

¨  Ada dua cara untuk melakukannya, yaitu
¤  Regresi
¤  Interpolasi
¨  Aplikasi di bidang enjiniring
¤  Pola perilaku data (trend analysis)
¤  Uji hipotesis (hypothesis testing)
Curve Fitting
¨  Pemakaian regresi

¤  Apabila data menunjukkan tingkat kesalahan yang cukup signifikan
atau menunjukkan adanya noise
¤  Untuk mencari satu kurva tunggal yang mewakili pola umum perilaku
data
¤  Kurva yang dicari tidak perlu melewati setiap titik data
Curve Fitting
¨  Interpolasi
¤  Diketahui bahwa data sangat akurat
¤  Untuk mencari satu atau serangkaian kurva yang melewati setiap titik
data
¤  Untuk memperkirakan nilai-nilai di antara titik-titik data
¨  Extrapolasi
¤  Mirip dengan interpolasi, tetapi untuk memperkirakan nilai-nilai di luar
range titik-titik data
Curve Fitting terhadap Data Pengukuran
¨  Analisis pola perilaku data

¤  Pemanfaatan pola data (pengukuran, experimen) untuk melakukan
perkiraan
¤  Apabila data persis (akurat): interpolasi
¤  Apabila data tak persis (tak akurat): regresi
¨  Uji hipotesis
¤  Pembandingan antara hasil teori atau hasil hitungan dengan hasil
pengukuran
Beberapa Parameter Statistik
1
merepresentasikan sebaran data
¨  Rata-rata aritmatik, mean y= ∑ yi

n
¨  Simpangan baku, standard St 2
sy = St = ∑ (y i − y )
deviation, deviasi standar n −1
2 St
¨  Varian (‘ragam’), variance sy =
n −1
sy
¨  Coefficient of variation c.v. = 100%
y
Distribusi Probabilitas
frek
Distribusi Normal
salah satu distribusi/sebaran
data yang sering dijumpai
adalah distribusi normal
X
9 Regresi
Regresi linear
Regresi non-linear
Regresi: Metode Kuadrat Terkecil
¨  Mencari suatu kurva atau suatu fungsi (pendekatan) yang

sesuai dengan pola umum yang ditunjukkan oleh data
¤  Datanya menunjukkan kesalahan yang cukup signifikan
¤  Kurva tidak perlu memotong setiap titik data
¨  Regresi linear
¨  Regresi persamaan-persamaan tak-linear yang dilinearkan
¨  Regresi tak-linear
Regresi: Metode Kuadrat Terkecil
¨  Bagaimana caranya?

¤  Program komputer
¤  Spreadsheet (Microsoft Excel)
¤  SciLab
Regresi Linear
¨  Mencari suatu kurva lurus yang cocok menggambarkan pola serangkaian
titik data: (x1,y1), (x2,y2) … (xn,yn)
y = a0 + a1x + e
a0 : intercept
a1 : slope
e : error
¨  Microsoft Excel

¤  INTERCEPT(y1:yn;x1:xn)
¤  SLOPE(y1:yn;x1:xn)
Regresi Linear
¨  Kesalahan atau residu (e) adalah perbedaan antara nilai y

sesungguhnya dan y nilai pendekatan menurut persamaan
linear a0 + a1x.
e = y − a0 − a1x
¨  Minimumkan jumlah kuadrat residu tersebut

min [ Sr ] = min [ ∑ e ] = min [ ∑ (y − a
i
2
i
2
0 − a1xi ) ]
Regresi Linear
¨  Bagaimana cara mencari

koefisien a0 dan a1?
¤  Diferensialkan persamaan ∂Sr
tersebut dua kali, masing- = −2∑ (y i − a0 − a1xi ) = 0
∂a0
masing terhadap a0 dan a1.
∂Sr
¤  Samakan kedua persamaan = −2∑ (y i − a0 − a1xi )xi = 0
hasil diferensiasi tersebut ∂a1
dengan nol.
Regresi Linear
¤  Selesaikan persamaan yang didapat untuk mencari

a0 dan a1
n∑ xi yi − ∑ xi ∑ yi
a1 = 2
n∑ xi − (∑ xi )
2
a0 = y − a1x
¤  dalam hal ini, y dan x masing-masing adalah nilai y rata-rata x rata-
rata
Contoh Regresi Linear
Tabel data Grafik/kurva data

i xi yi = f(xi) 8
0 1 0.5 6
1 2 2.5
y = f(x)
2 3 2 4
3 4 4 2
4 5 3.5
0
5 6 6
0 1 2 3 4 5 6 7
6 7 5.5 X
Hitungan regresi linear
i xi yi xi y i xi2 yreg (yi−yreg)2 (yi−ymean)2

0 1 0.5 0.5 1 0.910714 0.168686 8.576531
1 2 2.5 5 4 1.75 0.5625 0.862245
2 3 2.0 6 9 2.589286 0.347258 2.040816
3 4 4.0 16 16 3.428571 0.326531 0.326531
4 5 3.5 17.5 25 4.267857 0.589605 0.005102
5 6 6.0 36 36 5.107143 0.797194 6.612245
6 7 5.5 38.5 49 5.946429 0.199298 4.290816
∑= 28 24.0 119.5 140 ∑= 2.991071 22.71429

n∑ xi yi − ∑ xi ∑ yi 7(119.5) − 28(24)
a1 = 2
= 2
= 0.839286
n∑ xi − (∑ xi ) 7(140) − (28)
2
24
y= = 3.4
7
28
x= =4
7
a0 = 3.4 − 0.839286(4) = 0.071429
7
6
5
4
Y
3 data
2 regresi
1
0
0 1 2 3 4 5 6 7 8
X
Regresi Linear
¨  Kuantifikasi kesalahan

¤  Kesalahan standar
Sr 2
sy x = Sr = ∑ (yi − a0 − a1xi )
n −2
¤  Perhatikan kemiripannya dengan simpangan baku (standard deviation)
St 2
sy = St = ∑ (y i − y )
n −1
Regresi Linear
¨  Beda antara kedua kesalahan tersebut menunjukkan

perbaikan atau pengurangan kesalahan
St − Sr koefisien determinasi
r2 =
St (coefficient of determination)
n∑ xi y i − (∑ xi )(∑ y i ) koefisien korelasi

r= (correlation coefficient)
2 2
n∑ xi − (∑ xi ) n∑ y i − (∑ y i )
2 2
2
Sr = ∑ (y i − a0 − a1xi ) = 2.991071
2
St = ∑ (y i − y ) = 22.71429
St − Sr 22.71429 − 2.991071
r2 = = = 0.868318
St 22.71429
r = 0.931836
Regresi Linear
¨  Linearisasi persamaan-persamaan tak-linear

¤  Logaritmik menjadi linear
¤  Eksponensial menjadi linear
¤  Pangkat (polinomial tingkat n > 1) menjadi linear (polinomial tingkat 1)
¤  Dll.
Linearisasi persamaan non-linear (1)
y ln y
ln y = ln a1 + b1 x
y = a1 eb1x b1
1
ln a1
x x
y log y log y = log a2 + b2 log x
y = a2 xb2 b2
1
x log x
logb2
1 b3 + x 1 b3 1
y 1/y = = +
y a3 x a3 a3 x
x b3 a3
y = a3
b3 + x 1 a3 1
x 1/x
27 Interpolasi
Metode Newton
Metode Lagrange
Interpolasi
linear kuadratik kubik

Interpolasi
¨  Penyelesaian persamaan polinomial tingkat n membutuhkan

sejumlah n + 1 titik data
¨  Metode untuk mencari polinomial tingkat n yang merupakan
interpolasi sejumlah n + 1 titik data:
¤  Metode Newton
¤  Metode Lagrange
Interpolasi Linear: Metode Newton
f(x)
f(x1)
f1(x ) − f (x0 ) f (x1) − f (x0 )
=
f1(x) x − x0 x1 − x0
f(x0) f (x1) − f (x0 )
f1(x ) = f (x0 ) + (x − x0 )
x1 − x0
x
x0 x x1
Interpolasi Kuadratik: Metode Newton
f2 (x ) = b0 + b1(x − x0 ) + b2 (x − x0 )(x − x1)

= b0 + b1x − b1x0 + b2 x2 + b2 x0 x1 − b2 xx0 − b2 xx1
b2 ) x2
= (b0 − b1x0 + b2 x0 x1) + (b1 − b2 x0 − b2 x1) x + (!
%"" "$""" # %""$""#
a0 a1 a2
⎧a0 = b0 − b1x0 + b2 x0 x1
⎪
f2 (x ) = a0 + a1x + a2 x2 ⎨ a1 = b1 − b2 x0 − b2 x1
⎪a = b
⎩ 2 2
Interpolasi Kuadratik: Metode Newton
b0 = f (x0 )
f ( x1) − f ( x0 )
b1 = = f ⎡⎣ x1, x0 ⎤⎦
x1 − x0
f ( x2 ) − f ( x1) f ( x1) − f ( x0 )
−
x2 − x1 x1 − x0 f ⎡x , x ⎤ − f ⎡x , x ⎤
b2 = = f ⎡⎣ x2 , x1, x0 ⎤⎦ = ⎣ 2 1 ⎦ ⎣ 1 0 ⎦
x2 − x1 x2 − x1
Interpolasi Polinomial: Metode Newton
fn (x) = b0 + b1(x − x0 ) + ... + bn (x − x0 )(x − x1)...(x − xn −1)

b0 = f (x0 )
b1 = f [x1, x0 ]
b2 = f [x2 , x1, x0 ]
.
.
.
bn = f [xn , xn −1,..., x1, x0 ]
f ⎡⎣ xi , xj ⎤⎦ =
( )
f ( xi ) − f xj
xi − xj
f ⎡⎣ xi , xj ⎤⎦ − f ⎡⎣ xj , xk ⎤⎦
f ⎡⎣ xi , xj , xk ⎤⎦ =
xi − xk
f ⎡⎣ xn , xn−1, ..., x1 ⎤⎦ − f ⎡⎣ xn−1, nn−2 , ..., x0 ⎤⎦
f ⎡⎣ xn , xn−1, ..., x1, x0 ⎤⎦ =
xn − x0
fn (x ) = f (x0 ) + (x − x0 ) f[x1, x0 ] + (x − x0 )(x − x1) f[x2 , x1, x0 ] + ... +

(x − x0 )(x − x1)...(x − xn −1) f[xn , xn −1,..., x0 ]
langkah hitungan
i xi f(xi)
ke-1 ke-2 ke-3
0 x0 f(x0) f[x1,x0] f[x2,x1,x0] f[x3,x2,x1,x0]
1 x1 f(x1) f[x2,x1] f[x3,x2,x1]
2 x2 f(x2) f[x3,x2]
3 x3 f(x3)
Interpolasi Polinomial: Metode Lagrange
n
fn (x ) = ∑ Li (x ) f (xi )
i =0
x − xj
n
Li (x ) = ∏
j = 0 xi − x j
j ≠i
Contoh interpolasi
7
i xi f(xi) 6
5
0 1 1.5
4
f(x)
1 4 3.1 3
2 5 6 2
3 6 2.1 1
0
0 1 2 3 4 5 6 7
X
39 Spline
Linear
Kuadratik
Kubik
http://istiarto.staff.ugm.ac.id
Interpolasi: Spline
¨  Jumlah titik data n + 1 à interpolasi polinomial tingkat n

¤  Tingkat besar, n >>, mengalami kesulitan apabila titik-titik data
menunjukkan adanya perubahan tiba-tiba di suatu titik tertentu
(perubahan gradien secara tiba-tiba).
¤  Dalam situasi tsb, polinomial bertingkat kecil, n «, dapat lebih
representatif untuk mewakili pola data.
¤  Spline
n  Cubic splines (n = 3)
n  Quadratic splines
n  Linear splines
Interpolasi Polinomial vs Spline
§  polinomial tingkat n
n» n=1
n=1 n»
Linear Splines
¨  First-order spline : garis lurus

¨  Data urut : x0, x1, x2, …, xn
f (x ) = f (x0 ) + m0 (x − x0 ) x0 ≤ x ≤ x1
f (x ) = f (x1) + m1(x − x1) x1 ≤ x ≤ x2
.
.
.
f (x ) = f (xn −1) + mn −1(x − xn −1) xn −1 ≤ x ≤ xn
Linear Splines
¨  Slope/gradien/kemiringan garis lurus, mi:

f (xi +1) − f (xj )
mi =
xi +1 − xj
¨  Linear spline, dengan demikian, adalah sama dengan interpolasi linear.
¨  Kekurangan linear spline adalah ketidak-mulusan kurva interpolasi.
¨  Terdapat perubahan slope yang sangat tajam di titik-titik data atau di
titik-titik pertemuan kurva spline (knot).
Linear Splines
¨  Dengan kata lain, terdapat diskontinuiti/ketidak-mulusan diferensial

pertama (kemiringan) fungsi spline di titik-titik knot.
¨  Perlu dicari suatu fungsi spline (bertingkat n lebih tinggi) dengan
menyamakan diferensial pertamanya (kemiringannya) di titik-titik knot.
Quadratic Splines
¨  Untuk mendapatkan kurva yang memiliki diferensial/laju-perubahan ke-m

kontinu di titik knot, maka diperlukan kurva spline yang bertingkat paling
kecil m + 1.
¨  Yang paling banyak dipakai adalah spline tingkat 3 (cubic spline):
diferensial pertama dan kedua kontinu di titik-titik knot.
¨  Ketidak-mulusan diferensial ketiga, keempat, dst. umumnya tidak begitu
tampak secara visual.
¨  Sebelum membahas cubic spline, berikut dipaparkan quadratic spline
terlebih dulu.
Quadratic Splines
¨  Tujuan: mencari polinomial tingkat 2 untuk setiap interval titik-titik data.
¨  Polinomial tingkat 2 tsb harus memiliki diferensial pertama (laju
perubahan) yang kontinu di titik-titik data.
¨  Polinomial tingkat 2:
f (x ) = ai x2 + bi x + ci
¨  Untuk (n+1) titik data (i = 0, 1, 2, …, n), terdapat n interval, sehingga

terdapat 3n koefisien yang harus dicari (ai, bi, ci), i = 1, 2, ..., n.
¨  Perlu persamaan sejumlah 3n.
Quadratic Splines
¨  Ke-3n persamaan tsb adalah sbb.

¤  Kurva spline memotong titik-titik data (knot): interval i − 1 dan i bertemu
di titik data {xi−1, f(xi −1)}.
2
ai −1xi −1 + bi −1xi −1 + ci −1 = f (xi −1) i = 2, 3, …, n
2
ai xi −1 + bi xi −1 + ci = f (xi −1) 2(n − 1) pers.
Quadratic Splines
¤  Kurva spline di selang (interval) pertama memotong titik data pertama
(i = 1) dan kurva spline di interval terakhir memotong titik data terakhir
(i = n).
2
a1x0 + b1x0 + c1 = f (x0 )
2
2 pers.
an xn + bn xn + cn = f (xn )
Quadratic Splines
¤  Diferensial (gradien) kurva spline di dua interval berurutan adalah

sama di titik data yang bersangkutan.
Gradien:
fʹ′(x) = 2ax + b
2ai −1xi −1 + bi −1 = 2ai xi −1 + bi i = 2, 3, …, n

(n − 1) pers.
Quadratic Splines
¤  Diferensial kedua (laju perubahan gradien) kurva spline di titik data
pertama sama dengan nol.
ai = 0 1 pers.
¤  Konsekuensi: 2 titik data pertama (i = 0 dan i = 1) dihubungkan dengan

garis lurus.
Quadratic Splines
¨  Dengan demikian, jumlah persamaan seluruhnya adalah:

2(n – 1) + 2 + (n – 1) + 1 = 3n
Cubic Splines
¨  Tujuan: mencari polinomial tingkat 3 untuk setiap interval titik-titik data.
¨  Polinomial tingkat 3 tsb harus memiliki diferensial pertama (gradien) dan
diferensial kedua (laju perubahan gradien) yang kontinu di titik-titik data.
¨  Polinomial tingkat 3:
fi (x) = ai x3 + bi x2 + ci x + di
¨  Untuk (n+1) titik data (i = 0, 1, 2, …, n), terdapat n interval, shg. terdapat
4n koefisien yang harus dicari (ai,bi,ci,di), i = 1, 2, ..., n.
¨  Perlu persamaan sejumlah 4n.
Cubic Splines
¨  Ke-4n persamaan tsb adalah sbb.

¤  Kurva spline memotong titik-titik data (knot): interval i − 1 dan i bertemu
di titik data {xi − 1, f(xi − 1)} à (2n − 2) pers.
¤  Kurva spline di interval pertama memotong titik data pertama dan
kurva spline terakhir memotong titik data terakhir à 2 pers.
¤  Diferensial pertama kurva spline di dua interval berurutan adalah sama
di titik data ybs. à (n − 1) pers.
Cubic Splines
¤  Diferensial kedua kurva spline di dua interval berurutan adalah sama
di titik data ybs. à (n − 1) pers.
¤  Diferensial kedua kurva spline di titik data pertama dan terakhir sama
dengan nol à 2 pers.
Konsekuensi: kurva spline berupa garis lurus di titik data pertama

dan di titik data terakhir.
Alternatif: diferensial kedua kurva spline di 2 titik data tsb

diketahui.
Cubic Splines
¨  Diperoleh 4n persamaan yang harus diselesaikan untuk mencari 4n

koefisien, ai, bi, ci, di.
¨  Dimungkinkan untuk melakukan manipulasi matematis shg diperoleh suatu
teknik cubic splines yang hanya memerlukan
n – 1 penyelesaian (lihat uraian di buku acuan):
¤  Chapra, S.P., Canale, R.P., 1985, Numerical Methods for Engineers, McGraw-Hill
Book Co., New York, hlm. 395-396).
Cubic Splines
f ʹ′ʹ′(xi −1)
(xi − x )3 + f (xi −1) (x − xi −1)3
ʹ′ʹ′
fi (x ) =
2 unknowns di setiap interval: 6(xi − xi −1) 6(xi − xi −1)
fʹ′ʹ′(xi −1) dan fʹ′ʹ′(xi ) ⎡ f (xi −1) f ʹ′ʹ′(xi −1)(xi − xi −1)⎤
+ ⎢ − ⎥ (xi − x )
⎣ (xi − xi −1) 6 ⎦
⎡ f (xi ) f ʹ′ʹ′(xi −1)(xi − xi −1)⎤
+ ⎢
(x − x )
−
6 ⎥ (x − xi −1)
⎣ i i −1 ⎦
(xi − xi −1) fʹ′ʹ′(xi −1) + 2(xi +1 − xi −1) fʹ′ʹ′(xi ) + (xi +1 − xi ) fʹ′ʹ′(xi +1) = n interval ⎫
⎪
6 fʹ′ʹ′(x0 ) = 0⎬ ⇒ (n − 1) persamaan
[f (xi +1) − f (xi )] + 6 [f (xi −1) − f (xi )]
(xi +1 − xi ) (xi − xi −1) fʹ′ʹ′(xn ) = 0 ⎪⎭

MT Regresi Dan Interpolasi 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

MT Regresi Dan Interpolasi PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

http://istiarto.staff.ugm.ac.

REGRESI DAN INTERPOLASI

¨ Mencari garis/kurva yang mewakili serangkaian titik data

¨ Pemakaian regresi

¨ Analisis pola perilaku data

¨ Rata-rata aritmatik, mean y= ∑ yi

¨ Mencari suatu kurva atau suatu fungsi (pendekatan) yang

¨ Bagaimana caranya?

¨ Microsoft Excel

¨ Kesalahan atau residu (e) adalah perbedaan antara nilai y

¨ Minimumkan jumlah kuadrat residu tersebut

¨ Bagaimana cara mencari

¤ Selesaikan persamaan yang didapat untuk mencari

Tabel data Grafik/kurva data

i xi yi xi y i xi2 yreg (yi−yreg)2 (yi−ymean)2

1 2 2.5 5 4 1.75 0.5625 0.862245

2 3 2.0 6 9 2.589286 0.347258 2.040816

3 4 4.0 16 16 3.428571 0.326531 0.326531

4 5 3.5 17.5 25 4.267857 0.589605 0.005102

5 6 6.0 36 36 5.107143 0.797194 6.612245

6 7 5.5 38.5 49 5.946429 0.199298 4.290816

∑= 28 24.0 119.5 140 ∑= 2.991071 22.71429

¨ Kuantifikasi kesalahan

¤ Perhatikan kemiripannya dengan simpangan baku (standard deviation)

¨ Beda antara kedua kesalahan tersebut menunjukkan

n∑ xi y i − (∑ xi )(∑ y i ) koefisien korelasi

¨ Linearisasi persamaan-persamaan tak-linear

y log y log y = log a2 + b2 log x

linear kuadratik kubik

¨ Penyelesaian persamaan polinomial tingkat n membutuhkan

f2 (x ) = b0 + b1(x − x0 ) + b2 (x − x0 )(x − x1)

fn (x) = b0 + b1(x − x0 ) + ... + bn (x − x0 )(x − x1)...(x − xn −1)

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

0 x0 f(x0) f[x1,x0] f[x2,x1,x0] f[x3,x2,x1,x0]

1 x1 f(x1) f[x2,x1] f[x3,x2,x1]

¨ Jumlah titik data n + 1 à interpolasi polinomial tingkat n

§ polinomial tingkat n

¨ First-order spline : garis lurus

¨ Slope/gradien/kemiringan garis lurus, mi:

¨ Dengan kata lain, terdapat diskontinuiti/ketidak-mulusan diferensial

¨ Untuk mendapatkan kurva yang memiliki diferensial/laju-perubahan ke-m

¨ Untuk (n+1) titik data (i = 0, 1, 2, …, n), terdapat n interval, sehingga

¨ Ke-3n persamaan tsb adalah sbb.

¤ Diferensial (gradien) kurva spline di dua interval berurutan adalah

2ai −1xi −1 + bi −1 = 2ai xi −1 + bi i = 2, 3, …, n

¤ Konsekuensi: 2 titik data pertama (i = 0 dan i = 1) dihubungkan dengan

¨ Dengan demikian, jumlah persamaan seluruhnya adalah:

¨ Ke-4n persamaan tsb adalah sbb.

Konsekuensi: kurva spline berupa garis lurus di titik data pertama

Alternatif: diferensial kedua kurva spline di 2 titik data tsb

¨ Diperoleh 4n persamaan yang harus diselesaikan untuk mencari 4n

Anda mungkin juga menyukai

¨  Mencari garis/kurva yang mewakili serangkaian titik data

¨  Pemakaian regresi

¨  Analisis pola perilaku data

¨  Rata-rata aritmatik, mean y= ∑ yi

¨  Mencari suatu kurva atau suatu fungsi (pendekatan) yang

¨  Bagaimana caranya?

¨  Microsoft Excel

¨  Kesalahan atau residu (e) adalah perbedaan antara nilai y

¨  Minimumkan jumlah kuadrat residu tersebut

¨  Bagaimana cara mencari

¤  Selesaikan persamaan yang didapat untuk mencari

¨  Kuantifikasi kesalahan

¤  Perhatikan kemiripannya dengan simpangan baku (standard deviation)

¨  Beda antara kedua kesalahan tersebut menunjukkan

¨  Linearisasi persamaan-persamaan tak-linear

¨  Penyelesaian persamaan polinomial tingkat n membutuhkan

¨  Jumlah titik data n + 1 à interpolasi polinomial tingkat n

§  polinomial tingkat n

¨  First-order spline : garis lurus

¨  Slope/gradien/kemiringan garis lurus, mi:

¨  Dengan kata lain, terdapat diskontinuiti/ketidak-mulusan diferensial

¨  Untuk mendapatkan kurva yang memiliki diferensial/laju-perubahan ke-m

¨  Untuk (n+1) titik data (i = 0, 1, 2, …, n), terdapat n interval, sehingga

¨  Ke-3n persamaan tsb adalah sbb.

¤  Diferensial (gradien) kurva spline di dua interval berurutan adalah

¤  Konsekuensi: 2 titik data pertama (i = 0 dan i = 1) dihubungkan dengan

¨  Dengan demikian, jumlah persamaan seluruhnya adalah:

¨  Ke-4n persamaan tsb adalah sbb.

¨  Diperoleh 4n persamaan yang harus diselesaikan untuk mencari 4n