LAPORAN PRAKTIKUM METODE NUMERIK

“Pencocokan Kurva”

Nama : Hana Glorya Stefany

NIM : 24060119120029

PROGRAM STUDI S-1 INFORMATIKA

FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2020
 BAB I

PENDAHULUAN

A. Tujuan :

1.Dapat menentukan penyelesaian model regresi secara Numerik

2.Mencari besarnya kesalahan dari suatu perhitungan solusi model regresi secara numeric

B. Permasalahan

C. Dasar Teori

1. Metode Kuadrat Terkecil

Metode kuadrat terkecil, yang lebih dikenal dengan nama Least-Squares Method,
adalah salah satu metode ‘pendekatan’ yang paling penting dalam dunia
keteknikan untuk: (a). regresi ataupun pembentukan persamaan dari titik-titik data
diskretnya (dalam pemodelan), dan (b). analisis sesatan pengukuran (dalam validasi
model).Metode kuadrat terkecil termasuk dalam keluarga metode-metode
pendekatan sesatan terdistribusi (“distributed error” approximation methods),
berdasarkan karakterisik kerjanya yang melakukan pengurangan sesatan menyeluruh
(global error) yang terukur berdasarkan interval pendekatan keseluruhan
(whole approximation interval) sesuai dengan order pendekatan yang meningkat.
Metode ini berbeda dengan metode-metode asimptotis, khususnya yang dikembangkan
melalui pendekatan melalui deret ‘Taylor’, karena metode asimptotis memiliki
karakteristik kerja yang memperkecil sesatan pada beberapa titik tertentu, sesuai
dengan order pendekatan yang meningkat.Metode kuadrat terkecil ini juga memainkan
peranan penting dalam teori statistik, karena metode ini seringkali digunakan dalam
penyelesaian problem-problem yang melibatkan kumpulan data yang tersusun
secara acak, seperti dalam sesatan-sesatan percobaan.
Sistem dapat diekspresikan dalam notasi matriks :
2. Metode Eliminasi Gauss
Dalam mencari penyelesaian suatu sistem persamaan linear dengan metode eleminasi
dan substitusi , langkah-langkah yang dilakukan dapat dibedakan menjadi 3 macam,
yaitu
1.menukar letak dua persamaan;
2.mengalikan suatu persamaan dengan skalar tak nol;
3.menambah suatu persamaan dengan kelipatan persamaan yang lain.
Langkah-langkah tersebut berpengaruh pada matriks yang diperluas yang selanjutnya
dikenal dengan sebutan operasi baris elementer yang dibagi menjadi 3, yaitu :

a. menukar letak dua baris;

b. mengalikan suatu baris dengan skalar tak nol;
c. menambah suatu baris dengan kelipatan baris yang lain.

Operasi-operasi baris elementer tersebut mempunyai tujuan membawa matriks yang

diperluas menjadi matriks dengan bentuk lebih sederhana, atau lebih tepatnya dibawa ke
bentuk eselon baris .
Proses menghasilkan bentuk eselon baris ini disebut eliminasi Gauss. Jika matriks yang
dihasilkan merupakan matriks bentuk eselon baris tereduksi, prosesnya disebut eliminasi
Gauss-Jordan.
 BAB II
Pembahasan

A. Source Code
1. Source Code Metode Gauss yang sudah diketahui matriksnya pada perhitungan exel
def pprint(A) :
n = len(A)
for i in range(0,n) :
line = ""
for j in range(0,n+1) :
line += '%.4f' %A[i][j] + "\t\t"
if j == n-1 :
line += "| "
print(line)
print("")
def gauss(A,n) :
for i in range(0,n) :
print('Perulangan ke-' + str(i))

# Mencari nilai maksimum dari kolom saat ini

maxEl = abs(A[i][i])
maxRow = i
for k in range(i+1,n) :
if abs(A[k][i]) > maxEl :
maxEl = abs(A[k][i])
maxRow = k

# Mencari baris maksimum dengan baris saat ini, kolom demi kolom
for k in range(i,n+1) :
tmp = A[maxRow][k]
A[maxRow][k] = A[i][k]
A[i][k] = tmp
print('Mencetak baris setelah ditukar')
pprint(A)

# Membuat semua baris dibawah baris ini dan pada kolom ini menjadi 0
for k in range(i+1,n) :
c = -A[k][i]/A[i][i]
for j in range(i,n+1) :
if i == j :
A[k][j] = 0
else :
A[k][j] += c * A[i][j]
print('Mencetak matriks setelah diubah nilainnya')
pprint(A)
 # Back Subsitution
x = [0 for i in range(n)]
for i in range(n-1,-1,-1) :
x[i] = A[i][n]/A[i][i]
for k in range(i-1,-1,-1) :
A[k][n] -= A[k][i] * x[i]

return x
# Memasukkan Data Pada Orde 2
A =
[[6,3.35,2.7679,3.147],[3.35,2.7679,2.596817,1.07246],[2.7679,2.596817,2.61139
6,0.6752736]]

# Jumlah data
n = len(A)

# Cetak Matriks awal

print('Jumlah data : %d' %n)
pprint(A)

# Menghitung Solusi
x = gauss(A,n)

# Cetak Hasil
print("Maka, Hasil dari x1, x2, dan x3 adalah")
for i in range(0,n) :
str(x[i])

# Tabel
from texttable import Texttable
l = [["x1", "x2", "x3"]]
m = [[x[i-2],x[i-1],x[i]]]

table = Texttable()
table.set_cols_width([20,20,20])
table.add_rows(l)
print(table.draw())
table.add_rows(m)
print(table.draw())
Input : Langsung memasukkan data pada program, yaitu nilai x dan nilai y
Output: x1, x2, x3
Source code gauss diatas dijalankan sesuai dengan fungsi gauss , yaitu dengan algoritma:

Pada program gaus diatas digunakan untuk mencari pencocokan kurva dengan metode gauss.
Untuk matriksnya sendiri diinput manual melalui variabel A dan disesuaikan dinnput dara orde 2,
nilai pada matriks yang diinput pada variabel A terlebih dahulu dicari menggunakan excel ( excel
akan dijelaskan dibawah).
Untuk programnya sendiri yaitu, pertama membuat prosedur untuk mencetak matriks ke layar.
Dilanjutkan dengan fungsi gauss, langkah pertama mencari nilai maksimum dari kolom saat ini,
lalu mencari baris mkasimum dengan baris saat ini kolom demi kolom, setelah itu menukar baris
maksimum dengan baris saat ini dan ditampilkan, lalu selanjutnya membuat semua baris dibawah
baris ini dan kolom ini menjadi 0. Selanjutnya mencetak matriks setelah ditubah nilainya, dan
dilakukan iterasi mencetak matriks baru sampai secukupnya dan akan mereturn nilai X.

Penyelesaian X :
X1 = 0.9983036412874231
X2= -1.053896374438875
X3= 0.24846671001325643
B. Screenshot hasil program
C. Excel
 BAB III

PENUTUP

A. Kesimpulan

Metode Kuadrat Terkecil (Least Square Method) linier adalah suatu metode yang
digunakan untuk menentukan hubungan linier dari suatu data agar dapat diprediksi nilai-nilainya
yang mana nilai tersebut tidak terdapat pada data-data yang kita miliki; terkadang proses yang
melibatkan metode kuadrat terkecil untuk menentukan hubungan dua variabel data berupa fungsi
linier disebut sebagai regresi linier. Penyelesaian dari masalah ini dikerjakan dengan cara mengcari
nilai matriks terlebih dahulu menggunakan excel, lalu melanjutkan perhitungan menggunakan
program Gauss pada coding bahasa python.
Hasil Penyelesaian X :
X1 = 0.9983036412874231
X2= -1.053896374438875
X3= 0.24846671001325643
 DAFTAR PUSTAKA

Aljabarliinear.mipa.ugm.ac.id(2019, 7 September).Mencari Penyelesaian SIstem Persamaan

Linear Dengan Metode Eleminasi Gauss.DIakses pada 21 November 2020, dari
https://aljabarlinear.mipa.ugm.ac.id/matriks/sistem-persmaan-linear/eleminasi-gauss/

Fisikaveritas.blogspot.com.(2013, 24 Juni).Penurunan Rmus Metode Kuadrat Terkecil.Diakses

pada 21 November 2020, dari https://fisikaveritas.blogspot.com/2013/06/penurunan-
rumus-metode-kuadrat-terkecil.html.

Priyo Sidik. 2014. Modul Praktikum Metode Numerik. Semarang: Jurusan Ilmu Komputer/
Informatika, Fakultas Sains dan Matematika, Universitas Diponegoro.

ResearchGate (2015, September),Pemodelan Teknik Kimia Lanjut- S2(MAteri Kuliah#04) :

Tambahan Modul Regresi Linear – Dengan Pemrograman dalam MS-Excel(Ctrl-
Shift+Enter).DIakses pada 21 November 2020, dari
https://www.researchgate.net/profile/Setijo_Bismo/publication/282133160_Pemodelan_T
eknik_Kimia_Lanjut_-_S2_Materi_Kuliah04_Tambahan_Modul_Regresi_Linier_-
_Dengan_Pemrograman_dalam_MS-EXCEL_Ctrl-
Shift_ENTER/links/5604267b08aea25fce30b919/Pemodelan-Teknik-Kimia-Lanjut-S2-
Materi-Kuliah04-Tambahan-Modul-Regresi-Linier-Dengan-Pemrograman-dalam-MS-
EXCEL-Ctrl-Shift-ENTER.pdf