Akhmad Safrin Sadad Khan (191810101104)

Irfaniahlocyta Salsabila (191810101105)

Aljabar Linier II A

Resume 1.9 d dan 6.6

1.9 Interpolasi Polinomial

Interpolasi merupakan suatu pendekatan numerik yang perlu dilakukan,

bila kita memerlukan nilai suatu fungsi y=f (x ) yang tidak diketahui
perumusannya secara tepat. Pada nilai argumen xtertentu, bila nilainya pada
argumen lain di sekitar argumen yang diinginkan diketahui Sebagai contohnya,
misal kita melakukan percobaan atau pengamatan, dan dari upaya tersebut,
diperoleh sekumpulan data ( x , y ) hubungan y=f (x ) tidak kita ketahui secara
jelas (eksplisit). dan Interpolasi polinomial merupakan teknik interpolasi dengan
mengasumsikan pola data yang kita miliki mengikuti pola polinomial baik
berderajat satu (linier) maupun berderajat tinggi. Interpolasi dengan metode ini
dilakukan dengan membentuk persamaan polinomial terlebih dahulu. Persamaan
polinomial yang terbentuk selanjutnya digunakan untuk melakukan interpolasi
dari nilai yang diketahui atau ekstrapolasi (prediksi) dari nilai diluar rentang data
yang diketahui.

Mengevaluasi Polinomial

Pada Chapter ini pembaca akan mempelajari teknik untuk melakukan

substitusi nilai x pada persamaan polinomial untuk memperoleh nilai  y. Terdapat
berbagai pendekatan dalam melakukan proses tersebut, mulai dari metode naive
maupun metode Horner. Kedua metode akan menghasilkan hasil yang sama
namun dengan proses komputasi yang berbeda. Metode naive cenderung lambat
dalam proses komputasi karena jumlah proses yang dilakukan dalam sekali proses
lebih banyak dari pada metode Horner.

Untuk memahami metode-metode evaluasi polinomial yang telah disebutkan

tersebut, secara umum persamaan polinomial disajikan pada Persamaan (1.1).

f ( x )=an x n +a n−1 x n−1+ …+a 1 x+ a0 (1.1)

dimana a merupakan koefisien polinomial, x merupakan variabel, dan n 
merupakan indeks dan pangkat polinomial.

Oleh karena itu, koordinat titik harus memenuhi

a 0+ a1 x 1 +a2 x 21+ ⋯+a n−1 x n−1

1 = y1

a 0+ a1 x 2 +a2 x 22+ ⋯+a n−1 x n−1

2 = y2

⋮ ⋮⋮ ⋮⋮

a 0+ a1 x n +a 2 x 2n +⋯+ an−1 x n−1

n = yn

Dalam persamaan ini, nilai x dan y diasumsikan diketahui, jadi kita dapat
melihatnya sebagai sistem linier pada variabel yang tidak diketahui a 0 , a1 , … , an−1.
Dari sudut pandang ini, matriks yang diperbesar untuk sistem adalah

1 x 1 x21 ⋯ x n−1
1

1 x 2 x22 ⋯ x n−1
2 y1 ¿ y2 ¿ ⋮ ¿
⋮ ⋮ ⋮ ¿⋯ ⋮ yn
1 x n x 2n xnn−1

dan karenanya polinomial interpolasi dapat ditemukan dengan mereduksi matriks

ini menjadi bentuk eselon baris tereduksi (eliminasi Gauss – Jordan).

Contoh Interpolasi Polinomial oleh Eliminasi Gauss – Jordan

Temukan polinomial kubik yang grafiknya melalui titik-titik

(1,3), (2,−2), (3 ,−5) , (4,0) ,

Solusi Karena ada empat poin, akan digunakan polinomial interpolasi derajat n=3
. Mendenotasikan ini jumlahnya banyak oleh

p ( x ) =a0 +a 1 x +a2 x 2+ a3 x 3

dan tunjukkan koordinat x dan y dari titik-titik yang diberikan dengan

x 1=1 x 2=2 x3 =3 x 4 =4 dan y 1=3 y 2=−2 y 3=−5 y 4=0

Jadi, dari (1.2) diketahui bahwa matriks yang diperbesar untuk sistem linier di
a 0 , a1 , a2 , dan a3 yang tidak diketahui adalah
 1 x 1 x12 x 31 y1

[ ][
1 1 1 1 3
1
1
1
x 2 x 22
x 3 x23
x 4 x 24
x 32
x 33
x 34
y2
y3
y4
= 1 2 4 8 −2
1 3 9 27 −5
1 4 16 64 0
]
konfirmasi bahwa bentuk eselon baris tereduksi dari matriks ini adalah

1 0 0 0 4

[ 0
0
0
1
0
0
0
1
0
0 3
0 −5
1 1
]
dari sini maka a 0=4 , a1=3 , a2=−5 , dan a3=1. Jadi, polinomial interpolasi adalah

p ( x ) =4 +3 x−5 x2 + x 3

Grafik polinomial ini dan titik-titik yang diberikan ditunjukkan pada Gambar 1.1.

Gambar 1.1

Contoh Integrasi perkiraan

Tidak ada cara untuk mengevaluasi integral

1
π x2
∫ sin
0
( )
2
dx

Langsung saja karena tidak ada cara untuk menyatakan antiturunan dari integran
dalam hal fungsi dasar. Integral ini dapat didekati dengan aturan Simpson atau
beberapa metode yang sebanding, tetapi pendekatan alternatif adalah dengan
mendekati integran dengan polinomial interpolasi dan mengintegrasikan
polinomial aproksimasi. Misalnya, mari kita perhatikan lima poin
 x 0=0 , x1 =0.25 , x 2=0.5 , x3 =0.75 , x 4 =1

yang membagi interval [0 ,1]menjadi empat sub-interval dengan jarak yang sama
(Gambar 1.2).

Gambar 1.2

Nilai
2
πx
f ( x )=sin ⁡( )
2

pada titik-titik ini kira-kira

f (0)=0 , f (0.25)=0.098017 , f (0.5)=0.382683 , f (0.75)=0.77301 , f (1)=1

Interpolasi polinomial adalah

p ( x ) =0.098796 x+ 0.762356 x 2 +2.14429 x3 −2.00544 x 4

dan
1

∫ p ( x ) dx ≈ 0.438501
0

Seperti yang ditunjukkan pada Gambar 1.2, grafik f dan p sangat cocok selama
interval [0 ,1], sehingga aproksimasi cukup baik.

Pada metode naive kita melakukan evaluasi polinomial sama dengan cara kita
melakukan evaluasi polinomial saat kita SMA. Nilai x akan disubstitusikan pada
masing-masing elemen persamaan polinomial. Masing-masing elemen polinomial
selanjutnya dijumkahkan untuk menghitung  y.
Metode lain yang lebih efisien dalam melakukan evaluasi polinomial adalah
metode Horner. Metode ini oleh William Horner pada abad ke-18. Dalam metode
Horner, bentuk polinomial pada Persamaan (1.1) akan ditransformasi menjadi
Persamaan (1.3).

f ( x )=an x n +a n−1 x n−1+ …+a 1 x+ a0¿ a0 + a1 x +…+ an−1 x n−1 +an x n

¿ a0 + x ( a 1+ …+an−2 x n−2+ an−1 x n−1 )¿ a0 + x (a1+ …+ x ( an−1 + x ( an ) ) …)

Berdasarkan Persamaan (1.3), jika kita melakukan perhitungan pada persamaan

polinomial berderajat 10, kita dapat mereduksi perhitungan menjadi 10 perkalian
dan 10 penjumlahan. Jumlah tersebut sangat kecil dibandingkan metode
sebelumnya dan dapat d ikatakan lebih efisien dibandingkan metode lainnya.

6.6 DERET FOURIER

Permasalahan aproksimasi : Diberikan fungsi f yang kontinu pada interval
[a , b], untuk menemukan "perkiraan terbaik" ke f hanya menggunakan fungsi
dari yang ditentukan subruang W dari C [a , b].

Berikut adalah contoh masalah tersebut:

a) Temukan aproksimasi terbaik untuk e x pada [0, 1] dengan polinomial

berbentuk a 0+ a1 x +a 2 x 2.
b) Temukan aproksimasi terbaik untuk sin πx pada [−1, 1] dengan fungsi dari
bentuk a 0+ a1 x +a 2 x 2.
c) Temukan aproksimasi terbaik untuk x terhadap [0, 2π] dengan fungsi bentuk
a 0+ a1 sin x +a 2 sin 2 x+b 1 cos x +b 2 cos 2 x .

Pada contoh pertama, W adalah subruang dari C [0 ,1] yang direntang oleh
1 , x , dan x2 ; Pada contoh 2, W adalah subruang dari C [−1, 1] yang direntang oleh
1, e x , e 2 x , dan e 3 x ; dan untuk contoh ketiga, W adalah subruang dari C [0 ,2 π ]
direntang oleh 1 , sin x , sin 2 x , cos x , dan cos 2 x .
Untuk menyelesaikan masalah aproksimasi dari tipe sebelumnya, pertama
kita perlu membuat frasa "aproksimasi terbaik pada [a, b]" tepat secara matematis.
Untuk melakukan ini kita akan membutuhkan beberapa cara mengkuantifikasi
error yang dihasilkan ketika satu fungsi kontinu didekati oleh yang lain selama
selang [a , b]. Jika kita aproksimasi f (x) dengan g( x ), dan jika kita hanya peduli
dengan error dalam melakukan aproksimasi itu terletak pada satu titik x 0, maka
kita bisa mendefinisikan kesalahan menjadi
error =¿ f ( x 0 )−g ( x 0 ) ∨¿

Kadang-kadang disebut deviasi antara f dan g pada x 0 (Gambar 6.6.1).

Namun, kita tidak hanya memperhatikan error pengukuran pada satu titik tetapi
lebih pada pengukuran itu selama seluruh interval [a , b]. Kesulitannya adalah
aproksimasi mungkin memiliki deviasi yang kecil di satu bagian interval dan
deviasi besar di bagian lain. Salah satu cara perhitungan yang mungkin untuk ini
adalah untuk mengintegrasikan deviasi ¿ f ( x)−g ( x)∨¿ saat selang [a , b] dan
tentukan error saat interval menjadi
b
error =∫ ¿ f ( x 0 )−g ( x 0 )∨¿ dx ¿ ...(1)
a

Secara geometris, persamaan (1) adalah luas antara grafik f (x) dang( x )
pada selang [a , b] (Gambar 6.6.2). Semakin besar area, semakin besar error
keseluruhan. Meskipun persamaan (1) alami dan menarik secara geometris,
sebagian besar matematikawan dan ilmuwan umumnya menyukai ukuran
kesalahan alternatif berikut, yang disebut kuadrat rata-rata
error:
b
2
Kuadrat rata-rata error = ∫ [f ( x )−g ( x ) ] dx
a

Kuadrat rata-rata error menekankan efek kesalahan yang lebih besar

karena kuadrat dan memiliki keuntungan tambahan yang memungkinkan kita
untuk membawa teori produk dalam ruang. Untuk melihatnya, kita misalkan f
adalah fungsi kontinu pada [a , b] yang ingin kita aproksimasi dengan suatu fungsi
g dari subruang W dari C [a , b], dan misalkan C [a , b] merupakan produk dalam
b
⟨ f . g ⟩=∫ f ( x ) g ( x ) dx
a

Berikut ini
b
2
‖f −g‖ = ⟨ f −g , f −g ⟩=∫ [f ( x )−g ( x ) ] 2 dx=¿ Kuadrat rata-rata error
a

Jadi untuk meminimalkan kuadrat rata-rata error sama dengan

meminimalkan ‖f −g‖2. Jadi, masalah aproksimasi yang diajukan secara informal
di awal bagian ini dapat disajikan kembali lebih tepatnya sebagai berikut.
Masalah Aproksimasi Kuadrat Terkecil Misalkanf adalah fungsi yang kontinu
pada suatu interval [a , b], misalkan C [a , b] memiliki hasil kali dalam
b
⟨ f . g ⟩=∫ f ( x ) g ( x ) dx
a

dan misalkan W adalah subruang berdimensi-hingga dari C [a , b]. Temukan

fungsi g di W yang meminimalkan
b
2
‖f −g‖2=¿ ∫ [f ( x )−g ( x ) ] dx
a

Selama ‖f −g‖2 dan ‖f −g‖ diminimalkan oleh fungsi g yang sama,

masalah ini ekuivalen dengan mencari fungsi g di W yang paling dekat denganf .
Tapi kita tahu dari Teorema 6.4.1 bahwa g = projW f adalah fungsi tersebut
(Gambar 6.6.3). Dengan demikian, kami memiliki hasil berikut.
TEOREMA 6.6.1 Jika f adalah fungsi kontinu pada [a , b], danW adalah dimensi
berhingga dari subruang C [a , b], maka fungsi g di W yang meminimalkan
kesalahan kuadrat rata-rata
b

∫ [f ( x )−g ( x ) ]2 dx
a

adalah g = projW f, di mana proyeksi ortogonal relatif terhadap produk dalam

b
⟨ f . g ⟩=∫ f ( x ) g ( x ) dx
a

Fungsi g = projW f disebut aproksimasi kuadrat terkecil ke f dari W .

Deret fourier: Fungsi dari bentuk

T ( x )=c0 + c1 cos x +c 2 cos 2 x +…+ cn cos nx +d 1 sin x+ d 2 sin 2 x +…+ d n sin nx

... (2)
disebut polinomial trigonometri; jika c n dan d n keduanya bukan nol, maka
T ( x) dikatakan memiliki orde n. Sebagai contoh,
T ( x)=2+ cos x−3 cos 2 x+7 sin 4 x
adalah polinomial trigonometri orde 4 dengan :
c 0 = 2, c 1 = 1, c 2 = 3, c 3 = 0, c 4 = 0, d 1 = 0, d 2 = 0, d 3 = 0, d 4 = 7
Terbukti dari persamaan (2) bahwa polinomial trigonometri dengan orde n
atau kurang adalah berbagai kemungkinan kombinasi linier dari
1 , cos x , cos 2 x , … , cos nx , sin x ,sin 2 x , … , sin nx ...(3)
Dapat ditunjukkan bahwa fungsi 2 n+1 ini bebas linier dan dengan demikian
membentuk sebuah basis untuk subruang dimensi (2 n+1) dari C [a , b].
Sekarang kita pertimbangkan masalah menemukan pendekatan kuadrat terkecil
dari fungsi kontinu f (x) pada interval [0 ,2 π ] oleh polinomial trigonometri orde n
atau kurang. Seperti disebutkan di atas, pendekatan kuadrat terkecil ke f dari W
adalah proyeksi ortogonal f pada W . Untuk menemukan proyeksi ortogonal ini,
kita harus mencari basis ortonormal g0 , g 1 , … , g2 n untuk W , setelah itu kita dapat
menghitung proyeksi ortogonal pada W dari rumus
projW f ¿ ⟨ f , g0 ⟩ g 0+ ⟨ f , g 1 ⟩ g1+ …+ ⟨ f , g2 n ⟩ g2 n ...(4)
Basis orthonormal untuk W dapat diperoleh dengan menerapkan proses
Gram-Schmidt ke vektor basis dalam persamaan (3) menggunankan :
2x
⟨ f , g ⟩ =∫ f ( x ) g ( x ) dx
0

Ini dapat menghasilkan basis orthonormal

1 1 1
g0= , g 1= cos x , … . , g n= cos nx ,
√2 π √π √π
1 1
gn +1= sin x , … , g2 n = sin nx ...(5)
√π √π
Jika kita terapkan notasi
2 1 1
a 0= ⟨ f , g0 ⟩ , a1= ⟨ f , g1 ⟩ , … , an= ⟨ f , g n ⟩
√2 π √π √π
1 1
b 1= ⟨ f , gn +1 ⟩ , … , bn= ⟨ f , g2 n ⟩ ...(6)
√π √π
Substitusi persamaan (5) ke persamaan (4), diperoleh
a0
projw f = + [ a1 cos x+ …+an cos nx ] + [ b 1 sin x+ …+b n sin x ] ...(7)
2
Dimana
2π 2π
2 2 1 1
a 0= ⟨ f , g0 ⟩ = ∫ f (x ) dx= ∫ f ( x ) dx
√2 π √2 π 0 √2 π π 0
2π 2π
1 1 1 1
a 1= ⟨ f , g1 ⟩ = ∫ f (x) cos x dx= ∫ f ( x ) cos x dx
√π √π 0 √π π 0
⋮
2π 2π
1 1 1 1
a n= ⟨ f , gn ⟩= ∫ f (x) cos nx dx= ∫ f ( x ) cos nx dx
√π √π 0 √π π 0

2π 2π
1 1 1 1
b 1= ⟨ f , gn +1 ⟩ = ∫ f ( x ) sin x dx= ∫ f ( x ) sin x dx
√π √π 0 √π π 0
⋮
2π 2π
1 1 1 1
b n= ⟨ f , g2 n ⟩ = ∫ f ( x) sin nx dx = ∫ f ( x ) sin nx dx
√π √π 0 √π π 0
Dalam bentuk yang lebih pendek,
2π 2π
1 1
a k = ∫ f (x )cos kx dx , bk = ∫ f (x )sin kx dx ...(8)
π 0 π 0
Bilangan a 0 , a1 , … , an , b1 , … ,b n disebut dengan koefisien fourier dari f.

Contoh 1 (Aproksimasi Kuadrat Terkecil)

Temukan pendekatan kuadrat terkecil dari f ( x ) x pada [ 0 , 2 π ] dengan
a. Polinomial trigonometri orde 2 atau kurang
b. Polinomial trigonometri orde n atau kurang
Solusi (a):
2π 2π
1 1
a 0= ∫ f ( x ) dx= ∫ x dx=2 π ...(9a)
π 0 π 0
Untuk k =1,2 , … ,integrasi dengan hasil bagian (verifikasi)
2π 2π
1
a k= ∫ f (x )cos kx dx ¿ 1π ∫ x cos kx dx ¿ 0
π 0
...(9b)
0

2π 2π
1 1 2
b k= ∫ f (x )sin kx dx ¿ ∫ x sin kx dx ¿− ...(9c)
π 0 π 0 k
Dengan demikian, pendekatan kuadrat terakhir ke x pada [ 0,2 π ] oleh polinomial
trigonometri orde 2 atau kurang adalah
a0
x≈ +a cos x +a2 cos 2 x+ b1 sin x +b 2 sin 2 x
2 1
Atau dari (9a),(9b), dan (9c),
x ≈ π −2sin x−sin 2 x
Solusi (b) : pendekatan kuadrat terakhir ke x pada [ 0,2 π ]oleh polinomial
trigonometri orde n atau kurang adalah
a0
x≈ + [ a1 cos x +…+ an cos nx ] + [ b1 sin x +b n sin nx ]
2
Atau dari (9a),(9b), dan (9c),
 2x 3x nx
(
x ≈ π −2 sin x+ sin
2
+sin
3
+…+sin
n )
Grafik y=x dan beberapa pendekatan ini ditunjukkan pada gambar berikut :

Ini wajar untuk mengatakan bahwa kesalahan kuadrat rata-rata akan berkurang
karena jumlah suku dalam perkiraan kuadrat terakhir
a0 n
f (x)≈ +∑ ¿ ¿
2 1
meningkat. Dapat dibuktikan bahwa fungsi f dalam C [ 0,2 π ] , kesalahan kuadrat
rata-rata mendekati nol karena n →+∞ ; ini dilambangkan dengan menuliskan
a0 n
f ( x )= + ∑ ¿ ¿
2 1
Ruas kanan persamaan ini disebut dengan deret fourier untuk f dengan interval
[ 0,2 π ]. Deret Forier sangat penting dalam teknik,sains, dan matematika.