KOMPUTASI GEOFISIKA
TG2204
MODUL KE – 04
CURVE FITTING DAN OPTIMALISASI
Oleh:
Dwinda Aldatri - 12117013
Asisten :
2019
I. TUJUAN
Adapun tujuan dari praktikum adalah, sebagai berikut;
1) Mahasiswa mengerti dan mampu menggunakan regresi linear dan regresi
data geofisika dan geologi menggunakan bahasa python.
II. Dasar Teori
a) Curve Fitting
Curve fitting adalah proses membangun sebuah kurva , atau fungsi matematika ,
yang paling cocok untuk serangkaian data yang poin, mungkin tunduk pada
kendala pas kurva dapat melibatkan baik interpolasi , dimana sesuai tepat untuk
data yang diperlukan, atau smoothing , di mana "halus" fungsi dibangun bahwa
sekitar cocok dengan data. Sebuah topik yang terkait adalah analisis regresi, yang
lebih memfokuskan pada pertanyaan inferensi statistik seperti berapa banyak
ketidakpastian hadir dalam kurva yang sesuai dengan data yang diamati dengan
kesalahan acak.
Dalam metode curve fitting dapat dilakukan dengan metode regresi. Regresi
adalah suatu metode analisis statistik yang digunakan untuk melihat pengaruh
antara dua atau lebih variabel. Dalam metode regresi terdapat 2 metode yaitu
regresi linear dan regresi no linear.
a. Regresi Linear
Mencari suatu kurva lurus yang cocok menggambarkan pola serangkaian titik
data: (x1,y1), (x2,y2) … (xn,yn).
Contoh grafik yang dihasilkan dari regresi linear:
b. Regresi non linear
adalah suatu metode untuk mendapatkan model non linier yang menyatakan
veriabel dependen dan independen. Apabila hubungan fungsi antara variabel
bebas X dan variabel tidak bebas Y bersifat non linier, tansformasi
bentuknonlinier ke bentuk linier.
6) Lalu run program dengan mengklik kanan lalu pilih run atau bisa juga dengan
mengklik ctrl + shift + f10 pada keyboard.
7) Lalu hasilnya akan segera ditampilkan.
IV. Hasil
A. Linear n = 10
B. Linear n = 6
C. Linear n = 5
D. Polinom n = 10
E. Kurva Polinom n = 10
F. Polinom n = 6
G. Kurva n = 6
H. Polinom n = 5
I. Kurva n = 5
V. Analisis
Pada praktikum komputasi kali ini yaitu mengenai curve fitting dan
optimalisasi. Curve fitting adalah proses membangun sebuah kurva, atau fungsi
matematika, yang paling cocok untuk serangkaian data yang poin, mungkin
tunduk pada kendala pas kurva dapat melibatkan baik interpolasi, dimana sesuai
tepat untuk data yang diperlukan, atau smoothing, di mana "halus" fungsi
dibangun bahwa sekitar cocok dengan data. Dimana terdapat 2 model regresi yang
digunakan yaitu regresi linier dan regresi polinom.
Berdasarkan data yang telah dibuat pada lembar kerja, bahwa jumlah data
yang dibuat berpengaruh terhadap hasil dari model regresi linier maupun regresi
polinom. Berdasarkan hasil grafik yang dihasilkan dapat dilihat bahwa semakin
tinggi jumlah data yang dimasukkan (n) maka semakin kurang teliti hasil yang
didapat, tetapi sebaliknya jika jumlah data yang dimasukkan lebih sedikit maka
akan semakin lebih teliti hasilnya dan grafik yang dibuat akan lebih mendekati
karena saat jumlah data yang dimasukkan semakin sedikit maka akan lebih
mendekati garis dan tidak menjauhi garis fungsinya.