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.
y y
y = f (x)
Curve-fitting
x x
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.
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 ix
nx i 2 iy
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.
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:
ek t , dengan CA0 menyatakan konsentrasi reaktan mula-mula. Atau, dapat juga
C A C A0
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)
Berdasarkan metode regresi linier terhadap data-data di atas, diperoleh nilai tetapan (yakni
tetapan kecepatan reaksi) k sebesar 0,0002 detik-1.
sehingga: (SSE)
a xi yi ) .1 0
2(a
n
a
0 1
0 i 1
n a0 a1 x i
... (11)
yi
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
yax - 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 axb x a b
axb 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
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
n a a1
0 x i 2
x i2 i ... (18)
a y
(nSSE )
2
(a
a x
a
x2y).x0
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 x2y).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
m2
x y
2
4
i 1
x
a 3 i 2 i a m i i i
.......................................................................................................
.......................................................................................................
a0 x m
x m1
⋯
x
mm
x
m
y
i 1 m2
x a
a a
i 2
i m i i i
⋯ ⋯ ⋯ ⋯ ⋯
⋯
⋯
x m m a
x y
m m2 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
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
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 am x
m y
x1 x2
xm
A x = b
Dengan demikian, harga-harga a0, a1, a2,......am dapat ditentukan secara simultan.
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 expE n 2
RT CA r
0
(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
61 61
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
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
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...)
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 ,
m1 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 , xm1 ,, x1 f xm1 , xm2 ,,
... (39)
x0
m m1 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
64
f x3 , x2
1,6094379 1,791759
56
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
54
Third finite-divided difference:
f x ,3 x 2, x 1, x 0 0,020410950 (0,051873116)
5 1
0,0078655415 b3
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 merupakan perumusan ulang dari polinomial Newton yang tidak
menggunakan metode finite-divided difference. Secara umum, untuk sebuah polinomial berorde m:
m
x j 0 i
j j i
menunjukkan “hasil kali dari” (product of). Misal, untuk polinomial berorde satu (linier):
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: 24 2 1
f (2) (0) (1,386294) 0,4620981
14 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 abx
(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
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 Tk 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
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