Metode Numerik
Regresi Linier
13
Teknik Teknik Sipil W111700062 MAsnia, M.Pd
Abstract Kompetensi
Tabel 13.1
y (meter) 10 20 30 40 50 60 70 80 90 100
t (detik) 1.45 2.0 2.4 2.85 3.0 3.5 3.75 4.0 `4.2 4.52
Masalah yang sering dijumpai terhadap data tersebut adalah menentukan suatu nilai di
antara titik-titik tersebut tanpa melakukan pengukuran lagi. Misalkan kita ingin mengetahui
berapa jarak tempuh benda ketika waktu tempuhnya 12,5 detik?. Pertanyaan ini tidak langsung
dapat terjawab, karena fungsi yang menghubungkan variabel t dan y tidak diketahui. Salah satu
solusinya adalah dengan mencari fungsi yang mencocokkan (fit ) titik-titik dalam table tersebut.
Pendekatan semacam ini disebut pecocokan kurva ( curve fitting ) dan fungsi yang diperoleh
dengan pendekatan ini merupakan fungsi hampiran dan tentu saja nilai fungsi yang diperoleh
juga merupakan nilai hampiran ( hasilnya tidak setepat nilai eksaknya ), tetapi cara pendekatan
ini dalam praktek sudah mencukupi, karena rumus yang menghubungkan dua variabel atau dua
besaran fisika sulit ditemukan.
Disamping untuk menghitung nilai fungsi, pencocokan kurva juga dapat digunakan untuk
mempermudah perhitungan numerik yang lain, misalnya menghitung turunan (derevatif) suatu
fungsi dan atau menghitung nilai integral. Sebagai contoh kita dihadapkan dengan fungsi yang
mempunyai bentuk cukup rumit, seperti
1
ln( 2 x 2
− 4 x 2 )5
f ( x) = …………………………(13.1)
1 + 2 x5
Menghitung turunan fungsi seperti pada pers.(13.1) untuk x=a adalah merupakan perkerjaan
yang tidak mudah, apalagi untuk menghitung turunan yang lebih tinggi ordenya tentu makin
sulit. Di sini solusi yang bersifat pendekatan atau solusi hampiran diperlukan.
1
− 4x 2 )5
1 2
ln( 2 x
0 1 + 2x5
dx …………………………..(13.2)
Penyelesaikan pers.(13.2) merupakan pekerjaan yang tidak mudah, bahkan secara analitik
belum tentu dapat dilakukan, karena bentuk integrand- nya tidak dijumpai dalam rumusan
integral yang umum. Dengan demikian untuk menyelesaikan pers.(13.2) harus dilakukan
dengan penyederhanaan fungsi f (x) menjadi polinom p n (x ) yang mempunyai derajat n,
Menghitung turunan atau mengintegralkan suku-suku polinom menjadi lebih mudah, karena
rumus untuk menghitung turunan atau mengintegralkan polinom menjadi sangat sederhana,
yaitu ,
a
ax dx = x n +1 + C
n
(ii)
(n + 1)
Untuk membentuk polinom ini, kita memerlukan beberapa titik diskrit, yang umumnya berjarak
sama dari fungsi f dan titik-titik tersebut direpresentasikan dalam bentuk table, yang
selanjutnya titik-titik data ini dicocokkan untuk menentukan polinom, p n (x ) untuk menghampiri
y y
x x
Gambar 13.1 Pencocokkan kurva dengan metode (a) regresi, dan (b) interpolasi
Pencocokan kurva adalah sebuah metode yang mencocokkan titik data dengan sebuah kurva (
curve fitting ) fungsi. Bentuk-bentuk regresi/curva fitting:
1. Linier : y = a + bx
2. Non Linier : y = a ebx , y = a xb
Regresi Linier
Metode yang digunakan dalam regresi linier adalah Metode Kwadrat Terkecil.
Tujuan dari metode ini adalah untuk membuat kesalahan yang terjadi sekecil mungkin, seperti
terlihat dalam gambar 13.1. Caranya adalah dengan mengkuadratkan kesalahan (D2), dimana;
D2 = (y1- f(x1))2 + (y2- f(x2))2 + …. + (yn- f(xn))2
Dari bentuk regresi
Dimana
Contoh:
Tentukan persamaan garis yang mewakili data berikut ini:
Contoh 2
Tentukan persamaan garis yang mewakili data berikut ini:
i xi yi = f(xi)
0 1 0.5
1 2 2.5
2 3 2
3 4 4
4 5 3.5
5 6 6
6 7 5.5
Kesalahan standar
Contoh 3
Seorang engineer ingin mempelajari hubungan antara suhu ruangan dengan jumlah cacat
yang diakibatkannya, sehingga dapat memprediksi atau meramalkan jumlah cacat produksi
jika suhu ruangan tersebut tidak terkendali. Engineer tersebut kemudian mengambil data
selama 30 hari terhadap rata-rata (mean) suhu ruangan dan jumlah cacat produksi.
PENYELESAIAN
Tujuan : Memprediksi jumlah cacat produksi jika suhu ruangan tidak terkendali
Varibel Faktor Penyebab (X) : Suhu Ruangan
Variabel Akibat (Y) : Jumlah Cacat Produksi
Berikut ini adalah data yang berhasil dikumpulkan selama 30 hari (berbentuk tabel) :
Tanggal Rata-rata suhu ruangan Jumlah Cacat
1 24 10
2 22 5
3 21 6
4 20 3
5 22 6
6 19 4
7 20 5
8 23 9
9 24 11
10 25 13
11 21 7
12 20 4
13 20 6
14 19 3
15 25 12
16 27 13
17 28 16
18 25 12
( y )( x ) − ( x )( xy )
2
a=
n( x ) − ( x )2 2
(4665821) − (4812615)
a=
494610 − 488601
− 146794
a=
6009
a = −24.43
Menghitung koefisien regresi b
n( xy ) − ( x )( y )
b=
( )
n x 2 − ( x )
2
b=
(30)(6885) − (699 )(283)
30(16487 ) − (699 )
2
b=
(206550 ) − (197817 )
(494610 ) − (488601)
8733
b=
6009
b = 1.4533
Model persamaan Regresi
Y = a + bX
Y = -24,38 + 1,45X
Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau Variabel Akibat
I. Prediksikan jumlah cacat produksi jika suhu dalam keadaan tinggi (Variabel X), contohnya
30°C
4 = -24,43 + 1,45X
1,45X = 4 + 24,43
X = 28,43 : 1,45
X = 19,61
Jadi, prediksi suhu ruangan yang paling sesuai untuk mencapai target cacat produksi adalah
sekitar 19,07°C.
Latihan soal
1. Tentukan persmaan garis lurus yang mencocokan data pada table di bawah ini,
kemudian perkirakan nilai untuk x = 1.0
i xi yi
1 0.1 0.61
2 0.4 0.92
3 0.5 0.99
4 0.7 1.52
5 0.7 1.47
6 0.9 2.03