CURVE-FITTING dan INTERPOLASI

Materi Kuliah:
Pengantar; Regresi Linier; Regresi Polinomial; Regresi Linier Berganda
Interpolasi Linier; Interpolasi Kuadrat; Interpolasi Polinomial Newton & Lagrange

PENGANTAR
Data-data yang bersifat diskrit dapat dibuat continuum melalui proses curve-fitting. Curve-fitting
merupakan proses data-smoothing, yakni proses pendekatan terhadap kecenderungan data-data dalam
bentuk persamaan model matematika. Proses ini juga dapat digunakan untuk keperluan interpolasi
data.
Misalkan tersedia data-data y pada berbagai x (sejumlah n pasang), maka dapat dicari suatu
persamaan y = f(x) yang memberikan hubungan y dengan x yang mendekati data. Proses ini disebut
curve fitting.

x x1 X2 x3 ... ... xn-1 xn

y y1 Y2 y3 ... ... yn-1 yn

Diplotkan pada grafik x-y

y y

y = f (x)

Curve-fitting

x x

Secara garis besar, ada 2 kategori persamaan model matematika, yakni:

1. Persamaan analitik, yang berbasiskan teori dan fenomena fisik sistem yang teramati
2. Persamaan empirik, yang (lebih) berbasiskan hubungan antara input dan output sistem yang
ditinjau

Langkah-langkah yang dapat ditempuh untuk menentukan persamaan empirik adalah sebagai berikut:
1. Membuat grafik y versus x berdasarkan data yang tersedia
2. Meramalkan bentuk persamaan yang kira-kira sesuai (mengandung tetapan-tetapan yang
belum diketahui), berdasarkan grafik
Misal: Persamaan linier: y = a x ; y = a0 + a1 x
Persamaan kuadrat: y = a0 + a1 x + a2 x2
Persamaan polinomial berorde-m: y = a0 + a1 x + a2 x2 + ... + am-1 xm-1 + am xm
Persamaan eksponensial: y = a ebx
3. Mengevaluasi nilai tetapan-tetapan tersebut berdasarkan data yang ada  regresi
Secara garis besar, metode regresi ada 2 macam: (a) regresi linier dan (b) regresi non-linier
4. Mengevaluasi kesesuaian persamaan empirik terhadap data.

dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 1 dari 16

 Secara sederhana, persamaan empirik dianggap sesuai jika error-nya kecil dan bentuk kurva
berdasarkan persamaan empirik ini mirip dengan bentuk kurva berdasarkan data. Jika
persamaan empirik tidak sesuai, maka harus dicoba bentuk persamaan yang lain.

Cara mengevaluasi nilai-nilai tetapan dalam persamaan empirik: visual inspection, method of
average, dan metode kuadrat terkecil (least squares). Metode kuadrat terkecil merupakan metode
yang paling banyak digunakan. Pada metode ini, nilai-nilai tetapan terbaik adalah yang memberikan
jumlah kuadrat kesalahan/penyimpangan (sum of squares of errors, SSE) yang terkecil (minimum).
n

SSE   ( y y
terhitungdata
)2  MINIMUM
i 1

Untuk bentuk-bentuk persamaan tertentu, metode kudrat terkecil dapat dilakukan secara analitik,
tetapi untuk bentuk-bentuk yang lain harus dilakukan secara numerik. Prinsipnya adalah minimasi
SSE terhadap variabel nilai-nilai tetapan dalam persamaan empirik.
Secara statistik, kesesuaian antara bentuk kurva dengan data dapat dinyatakan dalam term koefisien
korelasi (r) atau koefisien determinasi (r2). Besarnya koefisien korelasi (r) adalah:

n yi   xi y i
r
2 2
xi
2 ix
nx  i   2 iy
ny  i  

dengan n menyatakan banyaknya data. Hubungan antara r dengan SSE dapat dinyatakan sbb.:

2 St  
dengan: S  
2
rSSE  i 
y
S  i yn  t
t
 
Kesesuaian yang sempurna ditunjukkan oleh besarnya: SSE = 0 dan r = r2 = 1.

REGRESI LINIER DENGAN METODE KUADRAT TERKECIL

Bentuk persamaan linier: (1) y = a x dan (2) y = a0 + a1 x

(1) Bentuk Persamaan: y = a x ... (1)

 ingin dicari harga a (a biasa disebut sebagai slope)
Untuk pasangan data xi, yi, maka error-nya adalah:
Ri  a xi  ( yterhitung  ydata ) ... (2)
yi
sehingga nilai sum of squares of errors-nya:
SSE   (a xi  y ) 2  f (a)
n

i ... (3)
i 1
Harga a terbaik adalah yang memberikan SSE minimum. Harga SSE akan minimum jika:
d (SSE) ... (4)
d a 0
sehingga: d (nSSE ) 2 (a x  y ) . x  0


da i 1
i i i

a  (x )   (x y )  0
2
i i i

atau:
a
 (x y ) i i ... (5)
 (x ) i
2

CONTOH 1#:
Nitrous anhydride (N2O5) dapat terurai secara homogen menjadi dinitrogen tetraoksida (N2O4)
dan oksigen melalui reaksi: N O (g) r  N O (g)  1 (g)
O
2 5 2 4 2 2

Berikut adalah data-data konsentrasi N2O5 (CA) vs waktu untuk reaksi ini pada suhu 313,1 K:
 CA (gmol/liter) 0,1000 0,0892 0,0776 0,0705 0,0603 0,0542 0,0471
Waktu (detik) 0 500 1000 1500 2000 2500 3000
Dengan menganggap bahwa reaksi ini berorde-pertama terhadap konsentrasi reaktannya:
r  k CA , maka profil konsentrasi reaktan yang terhadap waktu dapat dinyatakan sebagai:
ek t , dengan CA0 menyatakan konsentrasi reaktan mula-mula. Atau, dapat juga
C A  C A0

dinyatakan dalam bentuk: CA

ln  k t ... (*)
CA0
Persamaan (*) merupakan bentuk persamaan linier (berorde satu, garis lurus) yang mempunyai
bentuk umum: y = a x, dan dapat diplotkan sbb:

CA
0 t ln
CA0
-0.1 0 500 1000 1500 2000 2500 3000
x y x2 xy
-0.2 0 0 0 0
-0.3 500 -0,1143 250000 -57,1446
ln (CA/CA0)

1000 -0,2536 1000000 -253,603

-0.4 1500 -0,3496 2250000 -524,336
-0.5 2000 -0,5058 4000000 -1011,68
2500 -0,6125 6250000 -1531,22
-0.6 Slope = -k = -0,0002 3000 -0,7529 9000000 -2258,69
-0.7 22750000 -5636,67
-0.8
x
2 xy
t (detik) a
 xy

 5636,67
 0,0002  k
x 2
22750000

Berdasarkan metode regresi linier terhadap data-data di atas, diperoleh nilai tetapan (yakni
tetapan kecepatan reaksi) k sebesar 0,0002 detik-1.

(2) Bentuk Persamaan: y = a0 + a1 x ... (6)

 ingin dicari harga a0 dan a1 (a0 biasa disebut sebagai intercept dan a1 sebagai slope)
Dengan cara yang sama, untuk pasangan data xi, yi, maka error-nya adalah:
Ri  a0  a1 xi 
( yterhitung  ydata ) ... (7)
yi
sehingga nilai sum of squares of errors-nya:
n
SSE   (a  a x  y )2  f (a , a ) ... (8)
0 1 i i 0 1
i 1

Harga SSE akan minimum  (SSE)  (SSE)

0 dan ... (9, 10)
 a0   a1 
jika: 0

sehingga:  (SSE)
a xi  yi ) .1  0

 2(a 
n
a
0 1
0 i 1

n a0  a1  x  i
... (11)
yi

dan  (nSSE ) 2  a  y).x0

 (a
 x
0 1 i i i
 a1 i 1
 a0 x x
i 1
2
 x ... (12)
a y i i i

Berdasarkan persamaan (11) dan (12), maka harga a0 dan a1 dapat ditentukan. Misal, dengan
menggunakan Cramer’s rule, diperoleh:
 n
 xi  a0 

 yi 
 2
     
 xi    a1  xi yi 
   
xi 
A x = b
maka:

 y x i i
 y x 2
 x y

a0  1 
x y x
2
x
i i i

i i
 2
n xi    xi
i i i 2

n   
xi

2 n y n yi   yi x
a1   i i


 xi x i xi 2  2
yi n  xi    xi 
 
n 
xi
(n menyatakan banyaknya data)

Nilai-nilai tetapan pada persamaan non-linier dapat ditentukan melalui proses linierisasi. Berikut
ini adalah contoh beberapa bentuk persamaan dan hasil linierisasinya:
Bentuk Persamaan Bentuk Persamaan Slope yang Intercept yang
Ordinat Absis
Awal Hasil Linierisasi dihasilkan dihasilkan
yax - y x a b
b
y  a eb x ln y  ln a  b x ln y x b ln a
x x x
y axb x a b
axb y y
a 1
y b - y a b
x x
ln y  ln a  b ln x ln y ln x ln a
y  a xb b
log y  log a  b log x log y log x log a

CONTOH 2#:
Berdasarkan data-data x-y berikut ini:
x 1 2 3 4 5
y 0,5 1,7 3,4 5,7 8,4
tentukan harga-harga a dan b, jika trend data mengikuti model bentuk pangkat: y  a xb
PENYELESAIAN:
Bentuk: y  a xb dapat dilinierisasi menjadi bentuk:
log y  log a  b log x
x y log x log y (log x) 2 log x . log y
1 0,5 0 -0,3010 0 0
2 1,7 0,3010 0,2304 0,0906 0,0694
3 3,4 0,4771 0,5315 0,2276 0,2536
4 5,7 0,6021 0,7559 0,3625 0,4551
5 8,4 0,6990 0,9243 0,4886 0,6460
 2,0792 2,1411 1,1693 1,4241
Persamaan (11) dan (12) diterapkan untuk kasus ini, menjadi:
 n log x  log a  log y 
    
log x (log x)2   b  (log x.log y)
 
   
 5  
2,0792 log a   2,1411 
atau:    
 2,0792 1,1693   b   1,4241 
     
 Dengan menggunakan aturan Cramer, maka:
2,14112,0792
1,42411,1693
log a  52,0792  0,4574
2,07921,1693   0,3002 ; sehingga: a = 10-0,3002 = 0,5009
1,5235

52,1411
2,07921,4241
52,0792 2,6688
b  1,7517
2,07921,1693 1,5235


Jadi: a = 0,5009 dan b = 1,7517

Atau, jika secara langsung memanfaatkan fasilitas TRENDLINE dalam EXCEL, diperoleh:
9
8 y = 0,5009x1,7517 R2 = 1 1.0 log y = 1,7517 log x - 0,3002
R2 = 1
7
0.8
6
0.6
5
y

4 0.4
log y

3
0.2
2
1 0.0
00.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
0 -0.2
0 1 2 3
4 5 6 -0.4
x
log x

REGRESI POLINOMIAL

Untuk persamaan kuadrat dengan bentuk: y = a0 + a1 x + a2 x2 ... (13)

Dengan cara yang sama, untuk pasangan data xi, yi, maka nilai sum of squares of errors-nya:
n
SSE   (a  a x  a x 2  y )2  f (a , a , a ... (14)
)
0 1 i 2 i 0 1 2
i
i 1

Harga SSE akan minimum  (SSE)  (SSE)  (SSE)

0 0, 0 ... (15, 16, 17)
jika: , dan  a2 
 a0  a1
sehingga:
 (nSSE ) 2  a x  x 2  y ) .1  0
 (a
 a
0 1 i 2 i i
 a0 i 1

n a  a1
0 x i  2
x i2  i ... (18)
a y

 (nSSE )

 2
(a
 a x 
a
x2y).x0
0 1 i 2 i i i
 a1 i 1

a0 x x i 1
2
 2 x i
3
  xi i ... (19)
a a y
 i

 ( SSE )
n  2  a x  x2y).x2 0
(a a
 a 2 i 1
0 1 i 2 i i i

a0 x i
2
 1 x 3
 x 4
 x2 ... (20)
a a i 2
y i i i

Persamaan (18), (19), dan (20) selanjutnya dapat disusun dalam bentuk perkalian matriks, sbb.:

x
n   x  a
2

y 

 i 
  x  x 2  x 3   a     x y 
i 0 i

i i i 1 i i
 4   
 x  x y
2
3 x
2
 x  a


i i 2  i i 

i 

A x = b
Dengan demikian, harga a0, a1, dan a2 dapat ditentukan secara simultan.
Dengan cara yang sama, secara umum, untuk persamaan polinomial berorde-m dengan bentuk:
y = a0 + a1 x + a2 x2 + ... + am-1 xm-1 + am xm ... (21)
dapat dihasilkan persamaan-persamaan berikut ini:
n a0
   i ⋯ i
  yi
a1 x
i
a2  x am  x
2 m

a0  xi  ⋯ 
   xi yi
  x
m
a1 x a2 x am
2 i 3 i 1

a0 x 2
 a x  ⋯
 x
m2
 x y
2

 4
i 1
x 
a 3 i 2 i a m i i i

.......................................................................................................
.......................................................................................................
a0 x m
 x m1
 ⋯
x
mm
 x
m
y

i 1 m2
x a
a a
i 2
 i m i i i

 dalam bentuk perkalian

atau, dapat disusun matriks, sbb.:
nx x2 x m   a 
 y 
⋯
 x  x2 i  xi 3  mi 1   0    x iy 
x a
⋯
 i  i3  i4  i  a1    xi 2 iy 
 x2 x x 2 m 
x 
⋯
 i i i  i   2 i i


 ⋯ ⋯ ⋯  ⋯  ⋯ 
⋯
⋯ 
 x m  m a  
x y
m m2 m
1 m
x x x
⋯
  i  i   i  m  i i

i  
A x = b
Dengan demikian, harga-harga a0, a1, a2,......am dapat ditentukan secara simultan.

CONTOH 3#:
Berikut adalah data-data kapasitas panas gas, Cp (kal/gmol.K), pada berbagai suhu, T (K):
T 400 475 520 580 660 750 850
Cp 41,29 45,50 48,00 51,31 55,61 60,30 65,26
Jika Cp = f (T) didekati dengan persamaan polinomial berorde 3:
Cp  a0  a T  a2 T 2  a3 T 3
1

tentukanlah harga-harga a0, a1, a2, dan a3!

PENYELESAIAN:
Dengan menggunakan metode kuadrat terkecil, dapat dihasilkan persamaan-persamaan berikut, yang
disajikan dalam bentuk perkalian matriks dan vektor:
 n
T T 2 T 3   a 
 
Cp    0  
 T   a  T Cp 
T 4
T
2 T
3 
1
   

 T 5 a2 T 2 Cp
T
3
T
4   
T
2

 
 T T T 6  T 3 Cp
T
3
4 5  a3 
 
   i 
A x = b
Elemen-elemen matriks A dan vektor b dapat dihitung dengan mudah, dan diperoleh hasil sbb.:
7 4235 2713025 1830387875 367,27
4235 2713025 1830387875 1,29E+12 230246,9
2713025 1830387875 1,29E+12 9,44E+14 152405037,5
1830387875 1,29E+12 9,44E+14 7,11E+17 1.06E+11
Matriks A Vektor b
Dicoba diselesaikan dengan metode eliminasi Gauss.
Pertukarkan baris ke-1 dan ke-4 (maximum column
pivoting):
1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11
4235 2713025 1830387875 1,29E+12 230246.9
2713025 1830387875 1,29E+12 9,44E+14 152405037,5
7 4235 2713025 1830387875 367,27
 Hasil eliminasi pertama:
1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11
0 -273862,8 -354501579,5 -3,55E+11 -14506,8
0 -83071679,8 -1,09E+11 -1,10E+14 -4389064,1
0 -702,0 -898362,5 -889484632,8 -37,3
Pertukarkan baris ke-2 dan ke-3 (maximum column pivoting):
1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11
0 -83071679,8 -1,09E+11 -1,10E+14 -4389064,1
0 -273862,8 -354501579,5 -3,55E+11 -14506,8
0 -702,0 -898362,5 -889484632,8 -37,3
Hasil eliminasi kedua:
1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11
0 -83071679,8 -1,09E+11 -1,10E+14 -4389064,1
0 0 3968550,1 7516954861 -37,4
0 0 20519,8 38682348,6 -0,2
Hasil eliminasi ketiga:
1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11
0 -83071679,8 -1,09E+11 -1,10E+14 -4389064,1
0 0 3968550,1 7516954861 -37,4
0 0 0 -184914,7 0,0019
Dengan substitusi balik, maka diperoleh hasil sbb.:
a3 = -1,0214 E-08 a2 = 9,9231E-06 a1 = 0,0533499 a0 = 19,015164

Sebagai alternatif, jika menggunakan POLYMATH 5.1, diperoleh hasil sbb.:

POLYMATH Results
11-19-2006
Polynomial Regression Report
Model: Cp = a0 + a1*T + a2*T^2 + a3*T^3

Variable Value 95% confidence

a0 19.015164 0.5282182
a1 0.0533499 0.0026952
a2 9.923E-06 4.448E-06
a3 -1.021E-08 2.376E-09
General Statistics
Order of polynomial = 3 R^2 = 0.9999998
Regression including free parameter R^2adj = 0.9999997
Number of observations = 7 Rmsd = 0.0011711
Variance = 2.24E-05

REGRESI LINIER BERGANDA (MULTIPLE LINEAR REGRESSION)

Regresi linier berganda diterapkan terhadap persamaan linier multivariabel (dengan banyaknya
variabel sejumlah m) yang mempunyai bentuk umum:
y = a0 + a1 x1 + a2 x2 + ... + am-1 xm-1 + am xm ... (22)
Dengan menggunakan metode kuadrat terkecil, melalui penurunan yang sama dengan kasus-kasus
sebelumnya, maka dihasilkan persamaan-persamaan berikut ini:
n a0
 a1   a2   ⋯  am   y
x1 x2 xm
1

a0  x1  a  a2 x  ⋯   x1   x1 y
x
1
1
x2 am xm
2

a0  x2  a x  a2  ⋯   x2   x2 y

2
1 x am
x1 2
xm
 2

.......................................................................................................
a0  xm a1  xm
  a2 x m  ⋯  am    xm y
x1 x2 xm xm
atau, dapat disusun dalam bentuk perkalian matriks, sbb.:
 n
 
x1 x
⋯
xm
  
y 
 2

 0
 a   
  x1  2
x 1 ⋯  x1 xm   a1    x1 y 
x1 x2
   
  x ⋯ x x a  x y
 x x x
2

 2 2 1 2 2 m   2  2 
 ⋯ ⋯ ⋯   ⋯
⋯ ⋯  
⋯ 
 

 x m x m x m ⋯  xm  am x
m y
x1 x2   
xm 
 
A x = b
Dengan demikian, harga-harga a0, a1, a2,......am dapat ditentukan secara simultan.

Catatan: Persamaan dalam bentuk perkalian berpangkat:

ym  k x a x b x c ⋯x ... (23)
1 2 3 m

dapat dimanipulasi menjadi:

ln y  ln k  a ln x1  b ln x2  c ln x3 ⋯ m ln m ... (24)
sehingga menjadi persamaan linier multivariabel seperti bentuk di atas.

CONTOH 4#:
Berikut adalah data-data percobaan kinetika sebuah reaksi homogen A r  P
ireversibel:
CA (gmol/liter) 1,00 0,923 1,15 0,87 1,05 0,75 0,55 0,65
Suhu (K) 373 395 365 400 405 388 410 380
Kecepatan reaksi (gmol/liter.detik) 1,508 2,936 1,293 3,242 4,566 1,899 2,780 1,255

Jika kecepatan reaksi dianggap mempunyai r  exp  E  n ... (**)
bentuk: k C
0
 R T  A
dan R = 1,987 kal/gmol.K, perkirakan harga-harga k0, E, dan n berdasarkan data yang tersedia.
(k0 ≡ faktor preeksponensial reaksi, E ≡ energi aktivasi reaksi, dan n ≡ orde reaksi)

PENYELESAIAN:
Bentuk persamaan non-linier (**) dapat dilinierisasi menjadi: ln r  ln E1
  n ln C
k
0 A
RT
Dengan menggunakan metode kuadrat terkecil, hasil-hasil perhitungannya disajikan sbb.:
Data x1 x2 y x1 x2 x12 x22 x1 y x2 y
1 0,002681 0 0,410784 0 7,1876E-06 0 0,001101 0
2 0,002532 -0,080126 1,077048 -0,000203 6,4092E-06 0,006420 0,002727 -0,086300
3 0,002740 0,139762 0,256965 0,000383 7,5061E-06 0,019533 0,000704 0,035914
4 0,002500 -0,139262 1,176190 -0,000348 6,2500E-06 0,019394 0,002940 -0,163799
5 0,002469 0,048790 1,518638 0,000120 6,0966E-06 0,002380 0,003750 0,074095
6 0,002577 -0,287682 0,641327 -0,000741 6,6426E-06 0,082761 0,001653 -0,184498
7 0,002439 -0,597837 1,022451 -0,001458 5,9488E-06 0,357409 0,002494 -0,611259
8 0,002632 -0,430783 0,227136 -0,001134 6,9252E-06 0,185574 0,000598 -0,097846
 0,020569 -1,347138 6,330539 -0,003381 5,2966E-05 0,673472 0,015967 -1,033693
Dalam hal ini: y = ln r ; x1 = 1/T ; dan x2 = ln CA
Dalam bentuk perkalian matriks:
 n
x 1
 
x
 
a0

 y 
2
2
  
 x1   x1 x2  a1    x1 y 
x1

x 
 x    
x x
2
a x y
2  

2
2 2 1 2 


 8 0,020569 1,347138 a0   6,330539 
 5
   
 0,020569 5,2966.10  0,003381 a    0,015967 
1,347138  0,003381 0,673472  a1  1,033693
   2   
A x = b
 Dengan menggunakan metode eliminasi Gauss, augmented matrix-nya:
8 0,020569 -1,347138 6,330539
0,020569 5,2966E-05 -0,003381 0,015967
-1,347138 -0,003381 0,673472 -1,033693
Hasil eliminasi pertama:
8 0,020569 -1,347138 6,330539
0 7,8654E-08 8,2873E-05 -0,000310
0 8,2873E-05 0,446624 0,032320
Pertukarkan baris ke-2 dan ke-3 (maximum column pivoting):
8 0,020569 -1,347138 6,330539
0 8,2873E-05 0,446624 0,032320
0 7,8654E-08 8,2873E-05 -0,000310
Hasil eliminasi kedua:
8 0,020569 -1,347138 6,330539
0 8,2873E-05 0,446624 0,032320
0 0 -0,000341 -0,000341
Dengan substitusi balik, diperoleh:
a2 = 0,9999 =n
E
a = -4998,5294 = 
1
R
a0 = 13,8118 = ln k0
Jadi: k0 = 9,9627.105 detik-1; E = 9932,1 kal/gmol; dan n = 0,9999  1

Sebagai alternatif, jika menggunakan program EXCEL SOLVER, diperoleh hasil sbb:

k expE  n 2
 RT CA r 
 0   
 

Hampir sama dengan hasil di atas

(error r)^2

INTERPOLASI LINIER
Interpolasi linier, yang merupakan bentuk interpolasi paling sederhana, menggunakan dua titik
data (data points) untuk mengembangkan pendekatan linier terhadap fungsi yang ditinjau. Tinjaulah
2 titik data (x1, f(x1)) dan (x2, f(x2)). Ekspansi deret Taylor untuk f(x) di sekitar x1:
(x  x )2
f (x)  f (x1)  (x  x1) f '(x1 )  1
f ''(x1)  ... ... (25)
2
Dengan mengabaikan suku-suku setelah linear-term, dan menggunakan pendekatan forward
difference untuk f’(x1), yakni: f '(x )  f (x )  f (x )
2 1 ... (26)
1
x2  x1
Substitusi (26) ke (25) f (x)  f (x )  f (x2 )  f (x1 ) (x  x ... (27)
menghasilkan: 1 )
1
x2  x1
Persamaan (27) merupakan formula interpolasi linier untuk mencari harga f(x), dengan x yang berada
di antara x1 dan x2.

CONTOH 5#:
Berikut adalah data-data yang diambil dari tabel saturated steam:
Suhu (oF) Entalpi saturated steam (BTU/lb)
240 1160,6
260 1167,4
Dengan interpolasi linier, perkirakan besarnya entalpi saturated steam pada 252oF!

PENYELESAIAN:
Dengan menerapkan persamaan (27) ke dalam kasus ini, maka:
1167,4  1160,6
H (T )  1160,6  (T  240)
260  240
Pada T = 252oF: H (T )  1160,6  1167,4  1160,6 (252  240)  1164,7 BTU/lb
260  240

CONTOH 6#:
Perkirakanlah harga ln 2 dengan interpolasi linier! Gunakan 2 titik data: ln 1 = 0 dan ln 6 =
1,791759. Ulangi perhitungan, tetapi lakukan dalam rentang ln 1 = 0 dan ln 4 = 1,386294.

PENYELESAIAN:
Sebagai catatan, nilai yang sebenarnya: ln 2 = 0,6931472
Interpolasi pertama (pada rentang x = 1 dan x = 6):
ln 6  ln 1 1,791759  0
ln 2  ln 1  (2  1)  0  (1)  0,3583519
61 61

(Error terhadap nilai sebenarnya, t  0,3583519  0,6931472 .100%  48,3% )

0,6931472
Interpolasi kedua (pada rentang x = 1 dan x = 4):
ln 4  ln 1 1,386294  0
ln 2  ln 1  (2  1)  0  (1)  0,4620981
41 41

(Error terhadap nilai sebenarnya, 0,4620981  0,6931472

 0,6931472 .100%  33,3% )
t
y 2
1.8 f (x) = ln x 
Perhatikanlah bahwa interpolasi
kedua menghasilkan nilai yang 1.6

lebih dekat kepada nilai 1.4 

sebenarnya. Dengan demikian 1.2 Nilai sebenarnya
dapat disimpulkan bahwa interval 1
yang lebih sempit menghasilkan 0.8
pendekatan yang lebih baik. Hal  Hasil interpolasi linier
0.6
ini dapat dipertegas dari visualisasi 
0.4
grafik di samping: 
0.2

0  x
0 1 2 3 4 5 6 7
 INTERPOLASI KUADRAT
Interpolasi kuadrat (quadratic interpolation) atau interpolasi orde-kedua menggunakan tiga titik
data. Strategi ini menggunakan pendekatan polinomial orde dua. Jika tersedia tiga titik data, yakni:
(x0, f (x0)), (x1, f (x1)), dan (x2, f (x2)), maka:
f (x)  b0  b1 (x  x0 )  b2 (x  x0 ) (x  x1 ... (28)
)
Persamaan (28) merupakan cara lain penyajian persamaan polinomial orde dua, karena:
f (x)  b0  b1 (x  x0 )  b2 (x  x0 ) (x  x1 )
f (x)   b x x0  x2  x0 x1  b x x0  b x x1
b0 1 b
1 b2 2 b 2 2
2
atau: f (x)  a0  a x  a2 x (bentuk umum persamaan kuadrat)
1

dengan: a0  b0  b1 x0  b2 x0 x1
a1  b1  b2 x0  b2 x1
a2  b2
Prosedur sederhana untuk menentukan koefisien-koefisien b0, b1, dan b2 dalam persamaan (28)
dikembangkan berdasarkan 3 titik data tersebut. Jika x = x0 disubstitusikan ke (28), maka:
b0  f (x ) ... (29)
0

Substitusikan (29) ke (28) dan dievaluasi pada x = x1 menghasilkan:

f (x1 )  f (x0 )  b1 (x1  x0 )

atau: f (x1 )  f (x0 ... (30)

)b 
1
x1  x0
Selanjutnya (29) dan (30) disubstitusikan ke (28), serta dievaluasi pada x = x2, sehingga:
f (x ) 
f (x )  f(x(x1 )  f (x0 ) x )b x ) x)
2 0 (x (x
2 0 2 2 0 2 1
x1  x0
f (x2 )  f (x1 ) f (x1)  f (x0 )
atau:  x1  x0 ... (31)
x2  x1
b2 
x2  x0

CONTOH 7#:
Perkirakanlah harga ln 2 dengan interpolasi kuadrat! Gunakan 3 titik data berikut:
x0 = 1 f (x0) = 0
x1 = 4 f (x1) = 1,386294
x2 = 6 f (x2) = 1,791759
PENYELESAIAN:
Dengan menerapkan persamaan (29): b  0
0

Dengan persamaan (30): b  1,386294  0  0,4620981

1
4 1
1,791759 1,386294
Dengan persamaan (31): b  64  0,462091 0,0518731
2
6 1
Substitusikan nilai-nilai b0, b1, dan b2 ke (28) menghasilkan:
f (x)  0  0,4620981 (x 1)  0,0518731 (x 1) (x  4)
Pada x = 2:
 f (2)  0  0,4620981 (2 1)  0,0518731 (2 1) (2  4)  0,5658444
Jadi, dengan interpolasi kuadrat, diperoleh: ln 2 = 0,5658444

(Error terhadap nilai sebenarnya, t 

0,5658444  0,6931472
0,6931472 .100%  18,4% )
y 2

1.8

1.6 f (x) = ln x
1.4
Nilai
1.2 sebenarnya
1

0.8
Hasil interpolasi kuadrat

0.6 
0.4

Hasil interpolasi linier
0.2

0 x
0 1 2 3 4 5 6 7

(Bandingkan hasil ini dengan hasil yang diperoleh dengan interpolasi linier, pada contoh
sebelumnya, contoh #6...)

INTERPOLASI POLINOMIAL NEWTON

Berdasarkan penurunan untuk interpolasi kuadrat di atas, pendekatan yang sama dapat dikembangkan
untuk interpolasi polinomial berorde m. Polinomial berorde m dapat dituliskan sbb.:
f (x)  b0  b1 (x  x0 )  ⋯  bm (x  x0 ) (x  x1 ) ⋯
... (32)
(x  xm 1 )

Untuk polinomial berorde m, diperlukan sejumlah (m+1) titik data, yakni: x0, x1, x2, ..., xm. Dengan
menggunakan titik-titik data ini, persamaan-persamaan berikut dapat digunakan untuk menghitung
koefisien-koefisien b0, b1, ..., bm:
b0 
f (x0 ) ... (33)

b1  f x , x ... (34)

1 0
b2  f x , x , x ... (35)
2 1 0


m
bm  f x , x ,, x ,
m1 1 ... (36)
x0
Perhitungan di dalam kurung siku pada persamaan-persamaan (33), (34), (35), dan (36) menggunakan
beda-terbagi hingga (finite divided-differences). Secara umum, first finite-divided difference
dinyatakan sbb.:
f x , x 
 f (xi )  f (x j ) ... (37)
 i j  xi  x j
Second finite divided-difference, yang menggambarkan perbedaan dua first finite-divided difference,
secara umum dinyatakan sbb.:
f x , x   f x , x 

f x,x ,x 
... (38)
  i j   j k

  i j k  xi  xk
Dan seterusnya, finite divided-difference ke-m dapat dinyatakan sbb.:


f x , x ,, x , x
  
f xm , xm1 ,, x1  f xm1 , xm2 ,,
 ... (39)

x0 
m m1 1 0
xm  x0
Persamaan (37) – (39) memperlihatkan perhitungan yang bersifat rekursif, yang berarti bahwa finite-
divided difference yang lebih tinggi disusun dari finite-divided difference yang lebih rendah, seperti
tersaji dalam contoh skema berikut ini:
i xi f (xi)
Pertama Finite divided-difference
Kedua Ketiga

   
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 ,
2
3
x2
x3
f (x2)
f (x3)  
x2
f x3 , 
x1

Keterangan: x0, x1, x2, ..., xm tidak perlu dalam urutan naik

CONTOH 8#:
Ulangi contoh sebelumnya, perkirakanlah harga ln 2 dengan interpolasi polinomial Newton
berorde-tiga (interpolasi kubik)! Gunakan 1 titik data tambahan berikut:
x3 = 5; f (x3) = 1,6094379

PENYELESAIAN:
Polinomial berorde-tiga (persamaan kubik) dapat dituliskan sebagai:
f (x)  b0  b1 (x  x0 )  b2 (x  x0 ) (x  x1 )  b3 (x  x0 ) (x  x1 ) (x  x2 )
First finite-divided difference untuk kasus ini:
 
f x,x 
1 0
1,386294  0
 0,46209813  b
1

 
4  1  1,386294
1,791759
f x ,x   0,20273255
2 1
64


f x3 , x2  
1,6094379  1,791759
56
 0,18232160
Second finite-divided difference:

f x ,x,x 
2 1 0

0,20273255  0,46209813
6 1
 0,051873116  b
2


f x ,x ,x 
3 2 1
 
0,18232160 0,20273255
 0,020410950
54
Third finite-divided difference:


f x ,3 x 2, x 1, x 0    0,020410950  (0,051873116)
5 1
 0,0078655415  b3

Harga-harga b0 (= f (x0)), b1, b2, dan b3 selanjutnya disubstitusikan ke persamaan polinomial

berorde-tiga di atas, menghasilkan:
f (x)  0  0,46209813 (x 1)  0,051873116 (x 1) (x  4)
 0,0078655415 (x 1) (x  4) (x  6)
Jika dievaluasi pada x = 2:
f (2)  0  0,46209813 (2 1)  0,051873116 (2 1) (2  4)
 0,0078655415 (2 1) (2  4) (2  6)  0,62876869
 Jadi, dengan interpolasi polinomial Newton berorde-tiga, diperoleh: ln 2 = 0,62876869

(Error terhadap nilai sebenarnya, t 

0,62876869  0,6931472
0,6931472 .100%  9,3% )
y 2

1.8

1.6 f (x) = ln x
1.4

1.2Nilai sebenarnya
1

0.8

0.6 
Hasil interpolasi kubik
0.4

0.2

0
x
0 1 2 3 4 5 6 7

(Bandingkan hasil ini dengan hasil yang diperoleh dengan interpolasi linier maupun
interpolasi kuadrat pada 2 contoh sebelumnya, contoh 6# dan 7#)

INTERPOLASI POLINOMIAL LAGRANGE

Interpolasi polinomial Lagrange merupakan perumusan ulang dari polinomial Newton yang tidak
menggunakan metode finite-divided difference. Secara umum, untuk sebuah polinomial berorde m:
m

f (x)   Li (x) . f (xi ... (40)

)
i 0
m
xxj
dengan: L (x) 
i  x 
... (41)

x j 0 i

j j i

 menunjukkan “hasil kali dari” (product of). Misal, untuk polinomial berorde satu (linier):

f (x)  x  f (x )  x  f (x ) ... (42)

x1 0 x0 1

x0  x1 x1  x0
Untuk polinomial berorde dua (kuadrat):
f (x)  (x  x1) (x  x2 ) f (x )  (x  x0 ) (x  x2 f (x )  (x  x0 ) (x  x1) f (x ) ... (43)
)
(x  x ) (x  x ) 0
(x  x ) (x  x ) 1
(x  x ) (x  x ) 2
0 1 0 2 1 0 1 2 2 0 2 1

Demikian seterusnya. Pada metode ini, untuk polinomial berorde m, juga diperlukan sejumlah
(m+1) titik data.

CONTOH 9#:
Gunakan interpolasi polinomial Lagrange orde pertama dan orde kedua untuk menghitung
harga ln 2, berdasarkan 3 titik data berikut ini (sama dengan contoh sebelumnya):
 x0 = 1 f (x0) = 0
x1 = 4 f (x1) = 1,386294
x2 = 6 f (x2) = 1,791759
PENYELESAIAN:
Formula interpolasi polinomial Lagrange orde pertama:
f (x) 
x f (x )  x  f (x1 )
x1 x0
0
x0  x1 x1  x0
Pada x = 2: 24 2 1
f (2)  (0)  (1,386294)  0,4620981
14 4 1
 Formula interpolasi polinomial Lagrange orde kedua:
f (x)  (x  x1) (x  x2 ) f (x )  (x  x0 ) (x  x2 f (x )  (x  x0 ) (x  x1) f (x )
)
(x  x ) (x  x ) 0
(x  x ) (x  x ) 1
(x  x ) (x  x ) 2
0 1 0 2 1 0 1 2 2 0 2 1

Pada x = 2: (2  4) (2  6) (2  1) (2  6)
f (2)  (0)  (1,386294)
(1  4) (1  6) (4  1) (4  6)
(2 1) (2  4)
 (1,791759)  0,56584437
(6 1) (6  4)
(Perhatikanlah bahwa kedua hasil ini sangat dekat dengan hasil yang dihitung dengan
menggunakan metode interpolasi polinomial Newton, pada contoh 6# dan 7#).

LATIHAN SOAL:
1. Jika Anda mempunyai pasangan data-data x dan y, bagaimana cara Anda melinierisasikan bentuk-
bentuk persamaan empirik berikut ini untuk memperoleh harga-harga parameter a dan b?
1  x 
(a)  exp  
y abx
 
(b) ln y  a x e  b x
x

 
(c) y  x  b  4 a x 1 2
2. Jika tersedia sekumpulan data-data (x, y) berikut dan diasumsikan bahwa: y = a0 + a1 x
x 0,9 2,3 3,3 4,5 5,7 6,7
y 1,1 1,6 2,6 3,2 4,0 5,0
tentukan besarnya a0 dan a1.

3. Lakukan curve-fitting untuk menentukan bentuk korelasi yang terbaik dari data-data berikut ini:
x 0 0,43 1,25 1,40 2,60 2,90 4,30
y 9,4 7,1 5,35 4,20 2,60 1,95 1,15

4. Dengan mengasumsikan bahwa: y  a eb x

Berapakah nilai-nilai a dan b, dengan linear regression, berdasarkan data-data di bawah ini?
x 1,0 1,5 2,0 2,5 3,0 3,5 4,0
y 3,3 3,5 3,7 3,9 4,0 4,3 4,5

5. Viskositas () air, dalam centi-Poise, yang diukur pada berbagai suhu T, dalam oC, disajikan
dalam tabel berikut ini:
T (oC) 10 20 30 40 50 60 70
 (cP) 1,308 1,005 0,801 0,656 0,549 0,469 0,406
Dengan menggunakan multiple linear regression, tentukan tetapan-tetapan yang bersesuaian
dengan persamaan model: 1
k k Tk T2
1 2 3

b
6. Persamaan Antoine dapat dituliskan log Po  a 
sebagai: T
c
o
dengan P [=] atm, T [=] Kelvin, serta a, b, dan c menyatakan tetapan-tetapan Antoine. Tentukan
tetapan-tetapan Antoine untuk oksigen dari data-data berikut ini:
P (atm) 1 2 5 10 20 30 40
T (oC) -183,1 -176,0 -169,5 -153,2 -140,0 -130,7 -124,1

7. Jika diberikan data-data sbb.:

x 1 2 3 5 6
f (x) 4,75 4 5,25 19,75 36
 (a) Hitunglah f (3,5) dengan interpolasi polinomial Newton orde 1 sampai 3. Pilihlah sendiri
urutan titik-titik data yang digunakan, supaya menghasilkan ketelitian yang baik.
(b) Ulangi bagian (a), tetapi menggunakan interpolasi polinomial Lagrange orde 1 sampai 3.
(c) Bandingkan hasil-hasilnya.

8. Berikut adalah data tekanan uap murni benzena pada berbagai suhu:
Suhu (oC) -1,6 7,6 15,4 26,1 42,2 60,6
Tekanan uap (mm Hg) 20 40 60 100 200 400
Perkirakan besarnya tekanan uap murni benzena pada 25oC menggunakan:
(a) Interpolasi linier
(b) Interpolasi kuadrat
(c) Interpolasi kubik

9. Data berikut ini menunjukkan profil indeks bias larutan sukrosa pada berbagai konsentrasi yang
diukur pada suhu 20oC.
Persen sukrosa 10 15 20 25 30 35
Indeks bias 1,3479 1,3557 1,3639 1,3723 1,3811 1,3902
Perkirakan konsentrasi larutan sukrosa yang mempunyai indeks bias sebesar 1,3606 dengan
menggunakan:
(a) Interpolasi linier
(b) Interpolasi kuadrat
(c) Interpolasi kubik

10. Sebuah reaksi heterogen mempunyai persamaan kecepatan reaksi yang mengikuti model kinetika
Langmuir-Hinshelwood:
k1 PA
r 2
(1  KA PA  PR )
KR
Gunakan data-data berikut ini, yang diukur pada suhu 400 K, untuk memperkirakan besarnya k1,
KA, dan KR.
PA 1 0,9 0,8 0,7 0,6 0,5 0,4
PR 0 0,1 0,2 0,3 0,4 0,5 0,6
r x 105 3,4 3,6 3,7 3,9 4,0 4,1 4,2

 Selamat Belajar... 