METODE NUMERIK

NAMA :
NIM :

Rangkuman tentang Interpolasi dan Regresi 

1. Pengertian Interpolasi Dan Regresi
adalah dua teknik analisis yang digunakan untuk memodelkan dan memprediksi data
berdasarkan hubungan antara variabel.

Interpolasi adalah teknik yang digunakan untuk memperkirakan nilai-nilai di antara titik
data yang diketahui. Tujuannya adalah untuk mengisi kekosongan antara titik-titik data tersebut.
Interpolasi dapat dilakukan dengan menggunakan berbagai metode, seperti interpolasi linier,
kuadratik, dan kubik. Metode interpolasi mencoba untuk menemukan pola atau fungsi yang
paling sesuai dengan data yang ada.

Regresi, di sisi lain, adalah teknik yang digunakan untuk mempelajari hubungan antara dua
atau lebih variabel dan memprediksi nilai variabel dependen berdasarkan variabel independen.
Regresi bertujuan untuk memahami hubungan sebab-akibat antara variabel-variabel tersebut dan
membangun model matematis yang menggambarkan hubungan tersebut. Regresi linier adalah
salah satu metode regresi yang paling umum, di mana hubungan antara variabel dijelaskan oleh
persamaan linear.

Baik interpolasi maupun regresi dapat digunakan dalam berbagai bidang, termasuk
matematika, statistik, ilmu komputer, dan ilmu sosial. Mereka membantu dalam memperoleh
pemahaman lebih dalam tentang data yang ada, melakukan prediksi, mengisi kekosongan data,
dan membuat model matematis yang dapat digunakan untuk analisis dan pengambilan keputusan.

2. Interpolasi lanjar (linear interpolation)

adalah metode interpolasi yang digunakan untuk memperkirakan nilai di antara dua titik data
yang diketahui dengan menggunakan garis lurus sebagai pendekatan. Metode ini berguna ketika
hubungan antara variabel dapat diasumsikan sebagai linier antara titik-titik tersebut.

Untuk melakukan interpolasi lanjar, langkah-langkahnya adalah sebagai berikut:

 Memiliki dua titik data yang diketahui, yaitu (x₁, y₁) dan (x₂, y₂), di mana x₁ < x₂.
 Mencari selisih antara nilai x yang ingin diinterpolasi (x) dengan nilai x terdekat yang diketahui
(x₁). Misalnya, selisihnya adalah Δx = x - x₁.
 Menghitung nilai interpolasi (y) menggunakan rumus interpolasi lanjar: y = y₁ + (Δx / (x₂ - x ₁))
* (y₂ - y₁)
 Dalam rumus di atas, (Δx / (x₂ - x₁)) merupakan faktor pengali yang menggambarkan
perbandingan jarak Δx dengan selisih antara x₂ dan x₁. Kemudian faktor ini dikalikan dengan
selisih nilai y antara y₂ dan y₁ untuk memberikan perkiraan nilai y di antara dua titik data.

Interpolasi lanjar sederhana dan cepat untuk digunakan dalam situasi di mana hubungan linier
antara variabel memadai untuk memperkirakan nilai di antara titik-titik data yang diketahui.
Namun, metode ini memiliki batasan ketika hubungan antara variabel tidak linier, dan metode
interpolasi yang lebih kompleks, seperti interpolasi kuadratik atau kubik, mungkin diperlukan
untuk mendapatkan hasil yang lebih akurat.

3. Interpolasi Kuadratik
Interpolasi kuadratik (quadratic interpolation) adalah metode interpolasi yang digunakan untuk
memperkirakan nilai di antara tiga titik data yang diketahui dengan menggunakan fungsi
kuadratik sebagai pendekatan. Metode ini memberikan aproksimasi yang lebih baik daripada
interpolasi lanjar karena menggambarkan hubungan antara variabel dengan bentuk kuadratik.

Untuk melakukan interpolasi kuadratik, langkah-langkahnya adalah sebagai berikut:

 Memiliki tiga titik data yang diketahui, yaitu (x₁, y₁), (x₂, y₂), dan (x₃, y₃), di mana x₁ < x ₂ <
x₃.
 Menggunakan titik data untuk membentuk tiga persamaan kuadratik:
a₁x₁² + b₁x₁ + c₁ = y₁ a₂x₂² + b₂x₂ + c₂ = y₂ a₃x₃² + b₃x₃ + c₃ = y₃
 Menyelesaikan sistem persamaan kuadratik untuk mencari koefisien a, b, dan c.
 Setelah mendapatkan nilai koefisien, dapat digunakan fungsi kuadratik umum: y = ax² + bx + c
 Menggunakan fungsi kuadratik tersebut, kita dapat memperkirakan nilai y di antara titik-titik
data yang diketahui dengan memasukkan nilai x yang diinginkan ke dalam persamaan.

Interpolasi kuadratik memberikan pendekatan yang lebih akurat karena menggambarkan bentuk
kuadratik yang lebih fleksibel dalam mengikuti pola data. Namun, perlu diingat bahwa
interpolasi kuadratik dapat memberikan hasil yang kurang akurat atau tidak stabil jika terjadi
perubahan yang signifikan dalam pola data di luar titik-titik yang diketahui. Dalam kasus
tersebut, metode interpolasi yang lebih kompleks, seperti interpolasi kubik, dapat memberikan
hasil yang lebih baik.

4. Interpolasi Kubik
Interpolasi kubik (cubic interpolation) adalah metode interpolasi yang digunakan untuk
memperkirakan nilai di antara empat titik data yang diketahui dengan menggunakan fungsi
polinomial kubik sebagai pendekatan. Metode ini memberikan aproksimasi yang lebih akurat
daripada interpolasi kuadratik karena menggambarkan hubungan antara variabel dengan bentuk
kubik.
 Untuk melakukan interpolasi kubik, langkah-langkahnya adalah sebagai berikut:

 Memiliki empat titik data yang diketahui, yaitu (x₁, y₁), (x₂, y₂), (x₃, y₃), dan (x ₄, y ₄), di mana
x₁ < x₂ < x₃ < x₄.
 Menggunakan titik data untuk membentuk empat persamaan kubik:
a₁x₁³ + b₁x₁² + c₁x₁ + d₁ = y₁ a₂x₂³ + b₂x₂² + c₂x₂ + d₂ = y₂ a₃x₃³ + b₃x₃² + c₃x₃ + d₃ = y ₃
a₄x₄³ + b₄x₄² + c₄x₄ + d₄ = y₄
 Menyelesaikan sistem persamaan kubik untuk mencari koefisien a, b, c, dan d.
 Setelah mendapatkan nilai koefisien, dapat digunakan fungsi polinomial kubik umum: y = ax³ +
bx² + cx + d
 Menggunakan fungsi polinomial kubik tersebut, kita dapat memperkirakan nilai y di antara titik-
titik data yang diketahui dengan memasukkan nilai x yang diinginkan ke dalam persamaan.

Interpolasi kubik memberikan pendekatan yang lebih akurat daripada interpolasi kuadratik
karena dapat menggambarkan bentuk kubik yang lebih fleksibel dalam mengikuti pola data.
Dengan menggunakan empat titik data, metode ini mampu menghasilkan kurva yang lebih dekat
dengan data sebenarnya. Namun, perlu diingat bahwa interpolasi kubik juga dapat memberikan
hasil yang kurang akurat jika terjadi perubahan yang signifikan dalam pola data di luar titik-titik
yang diketahui. Dalam kasus tersebut, metode interpolasi yang lebih kompleks, seperti metode
splin kubik, dapat memberikan hasil yang lebih baik.

5. Polinom Lagrange

Polinom Lagrange adalah metode interpolasi yang digunakan untuk memperkirakan nilai di
antara titik-titik data yang diketahui dengan menggunakan polinom derajat rendah sebagai
pendekatan. Metode ini didasarkan pada ide bahwa setiap titik data dapat didekati dengan
polinom derajat rendah yang melalui titik tersebut.

Untuk menggunakan polinom Lagrange, langkah-langkahnya adalah sebagai berikut:

 Memiliki n+1 titik data yang diketahui, yaitu (x₀, y₀), (x₁, y₁), ..., (xₙ, yₙ), di mana x₀, x₁, ..., xₙ
adalah nilai x yang berbeda-beda.
 Menentukan polinom Lagrange Lᵢ(x) untuk setiap titik data ke-i, di mana i = 0, 1, ..., n. Polinom
Lagrange Lᵢ(x) didefinisikan sebagai berikut:
Lᵢ(x) = Π[(x - xⱼ) / (xᵢ - xⱼ)] for j ≠ i, j = 0, 1, ..., n
Dalam rumus di atas, Π merupakan simbol produk yang menggabungkan semua faktor dengan j
≠ i.
 Bentukkan polinom interpolasi Lagrange P(x) dengan menjumlahkan semua polinom Lagrange
Lᵢ(x) yang dikalikan dengan nilai yₖ pada setiap titik data:
P(x) = Σ[yₖ * Lₖ(x)] for k = 0, 1, ..., n
Dalam rumus di atas, Σ merupakan simbol penjumlahan yang menggabungkan semua suku pada
polinom.
 Menggunakan polinom interpolasi Lagrange P(x), kita dapat memperkirakan nilai y di antara
titik-titik data yang diketahui dengan memasukkan nilai x yang diinginkan ke dalam persamaan.
 Polinom Lagrange memberikan pendekatan yang akurat karena melalui setiap titik data yang
diketahui dan mempertimbangkan bobot relatif berdasarkan jarak antara titik-titik tersebut.
Namun, polinom Lagrange dapat menjadi rumit ketika jumlah titik data meningkat, dan
perhitungan koefisiennya memerlukan waktu yang lebih lama. Dalam beberapa kasus, metode
interpolasi lainnya, seperti polinom Newton atau splin, mungkin lebih efisien atau lebih tepat.

6. Polinom Newton
Polinom Newton adalah metode interpolasi yang digunakan untuk memperkirakan nilai di antara
titik-titik data yang diketahui dengan menggunakan polinom derajat rendah sebagai pendekatan.
Metode ini didasarkan pada konsep diferensiasi berurutan dan memungkinkan penambahan titik
data baru tanpa mengubah seluruh polinom.

Untuk menggunakan polinom Newton, langkah-langkahnya adalah sebagai berikut:

 Memiliki n+1 titik data yang diketahui, yaitu (x₀, y₀), (x₁, y₁), ..., (xₙ, yₙ), di mana x₀, x₁, ..., xₙ
adalah nilai x yang berbeda-beda.
 Mengurutkan titik-titik data tersebut berdasarkan nilai x dalam urutan naik.
 Menghitung beda hingga pertama (forward difference) y₀, y₁, ..., yₙ-₁ dengan rumus:
Δyᵢ = yᵢ₊₁ - yᵢ for i = 0, 1, ..., n-1
 Menghitung beda hingga kedua (forward difference) Δ²y₀, Δ²y₁, ..., Δ²yₙ-₂ dengan rumus yang
sama:
Δ²yᵢ = Δyᵢ₊₁ - Δyᵢ for i = 0, 1, ..., n-2
Proses ini dapat diulangi untuk mendapatkan beda hingga berikutnya jika diperlukan.
 Menggunakan tabel beda hingga yang diperoleh, kita dapat membentuk polinom Newton dengan
menggunakan rumus:
P(x) = y₀ + Δy₀(x - x₀) + Δ²y₀(x - x₀)(x - x₁) + ...
Dalam rumus di atas, setiap suku menambahkan kontribusi beda hingga berikutnya dalam
polinom.
 Menggunakan polinom Newton P(x), kita dapat memperkirakan nilai y di antara titik-titik data
yang diketahui dengan memasukkan nilai x yang diinginkan ke dalam persamaan.

Polinom Newton memberikan pendekatan yang akurat dan fleksibel untuk interpolasi. Salah satu
keuntungannya adalah kemampuannya untuk menambahkan titik data baru dengan
menyesuaikan polinom secara inkremental, tanpa harus menghitung ulang seluruh polinom.
Namun, perlu diperhatikan bahwa penambahan titik data yang terlalu jauh dari rentang titik data
awal dapat mengurangi akurasi interpolasi. Dalam beberapa kasus, metode interpolasi lainnya,
seperti splin, mungkin lebih tepat atau lebih efisien.

7. Polinom Newton-Gregory

adalah metode interpolasi yang menggabungkan konsep polinom Newton dengan konsep tabel
beda hingga Gregory untuk memperkirakan nilai di antara titik-titik data yang diketahui. Metode
ini memungkinkan interpolasi dengan derajat polinom yang lebih tinggi daripada metode
polinom Newton standar.
 Berikut adalah langkah-langkah dalam polinom Newton-Gregory:

 Memiliki n+1 titik data yang diketahui, yaitu (x₀, y₀), (x₁, y₁), ..., (xₙ, yₙ), di mana x₀, x₁, ..., xₙ
adalah nilai x yang berbeda-beda.
 Mengurutkan titik-titik data tersebut berdasarkan nilai x dalam urutan naik.
 Membuat tabel beda hingga Gregory, di mana setiap kolom berisi beda hingga berurutan,
dimulai dari beda hingga pertama.
 Menghitung beda hingga pertama (forward difference) y₀, y₁, ..., yₙ-₁ dengan rumus:
Δyᵢ = yᵢ₊₁ - yᵢ for i = 0, 1, ..., n-1
 Mengisi kolom kedua tabel dengan beda hingga pertama yang dihitung.
 Menghitung beda hingga kedua (forward difference) Δ²y₀, Δ²y₁, ..., Δ²yₙ-₂ dengan rumus:
Δ²yᵢ = Δyᵢ₊₁ - Δyᵢ for i = 0, 1, ..., n-2
Proses ini dapat diulangi untuk mendapatkan beda hingga berikutnya jika diperlukan.
 Mengisi kolom-kolom berikutnya pada tabel dengan beda hingga yang dihitung.
 Memilih suku-suku yang relevan dari tabel beda hingga untuk membentuk polinom Newton-
Gregory.
 Membentuk polinom Newton-Gregory dengan menggunakan rumus:
P(x) = y₀ + Δy₀(x - x₀) + Δ²y₀(x - x₀)(x - x₁) + ...
Dalam rumus di atas, setiap suku menambahkan kontribusi beda hingga berikutnya dalam
polinom.
 Menggunakan polinom Newton-Gregory P(x), kita dapat memperkirakan nilai y di antara titik-
titik data yang diketahui dengan memasukkan nilai x yang diinginkan ke dalam persamaan.

Polinom Newton-Gregory memberikan pendekatan interpolasi yang lebih akurat dengan

menggabungkan kontribusi dari tabel beda hingga Gregory. Metode ini memungkinkan derajat
polinom yang lebih tinggi dan dapat memberikan hasil yang lebih akurat dibandingkan dengan
polinom Newton standar. Namun, perlu diingat bahwa penambahan titik data yang terlalu jauh
dari rentang titik data awal atau adanya perubahan yang signifikan dalam pola data dapat
mempengaruhi akurasi interpolasi.

8. Regresi Lanjar
Regresi linier adalah metode statistik yang digunakan untuk memodelkan hubungan linier antara
variabel independen (x) dan variabel dependen (y). Metode ini memungkinkan kita untuk
memperkirakan nilai variabel dependen berdasarkan nilai variabel independen yang diketahui.

Langkah-langkah dalam regresi linier:

 Memiliki data yang terdiri dari pasangan observasi (x, y) yang diketahui.
 Menggunakan metode regresi linier, kita mencari persamaan garis regresi yang terbaik
memodelkan hubungan antara x dan y. Persamaan garis regresi linier umumnya dinyatakan
sebagai:
y = a + bx
di mana a adalah intercept (nilai y ketika x = 0) dan b adalah kemiringan (perubahan dalam y
yang terkait dengan perubahan dalam x).
 Menentukan koefisien a dan b dengan menggunakan metode estimasi seperti metode kuadrat
terkecil (OLS - Ordinary Least Squares) yang mengoptimalkan jarak antara nilai y yang diamati
dan nilai y yang diprediksi oleh persamaan garis regresi.
 Setelah mendapatkan persamaan garis regresi, kita dapat memperkirakan nilai y berdasarkan
nilai x yang tidak diketahui dengan memasukkan nilai x ke dalam persamaan.

Regresi linier digunakan untuk analisis dan prediksi dalam berbagai bidang, seperti ekonomi,
ilmu sosial, ilmu alam, dan bisnis. Metode ini membantu kita memahami dan memodelkan
hubungan linier antara dua variabel, serta memperkirakan nilai variabel dependen berdasarkan
variabel independen yang diberikan. Namun, perlu diingat bahwa regresi linier hanya cocok
untuk memodelkan hubungan linier dan mungkin tidak memberikan hasil yang akurat jika
hubungan antara variabel tidak linier. Dalam kasus tersebut, metode regresi non-linier atau
metode lain seperti regresi polinomial dapat digunakan.

9. Pelanjaran
Pelanjaran (atau pembelajaran) adalah proses di mana individu memperoleh pengetahuan,
keterampilan, sikap, atau pemahaman baru melalui pengalaman atau instruksi. Hal ini dapat
terjadi melalui berbagai cara, termasuk melalui pendidikan formal di sekolah, kursus, pelatihan,
atau pengalaman sehari-hari di lingkungan sekitar.

Pelanjaran melibatkan proses mental dan fisik yang kompleks, di mana individu berinteraksi
dengan informasi baru, mengaitkannya dengan pengetahuan atau pengalaman yang sudah ada,
dan mengubah perilaku atau pola pikir mereka sebagai hasil dari pelajaran tersebut.

Beberapa prinsip dan elemen yang terlibat dalam pelanjaran meliputi:

 Motivasi: Dorongan atau keinginan individu untuk belajar dan mencapai tujuan pembelajaran.
 Pengetahuan: Memperoleh informasi baru atau memperluas pemahaman tentang suatu topik atau
keterampilan.
 Praktek: Mengaplikasikan pengetahuan atau keterampilan yang dipelajari dalam situasi praktis
untuk memperkuat pemahaman dan kemampuan.
 Umpan balik: Menerima informasi atau penilaian tentang kemajuan atau kinerja dari guru,
instruktur, atau lingkungan sekitar untuk membantu perbaikan dan peningkatan.
 Keterlibatan aktif: Aktif terlibat dalam proses belajar dengan bertanya, berdiskusi, mengerjakan
tugas, atau mengikuti kegiatan praktis.
 Refleksi: Merefleksikan pengalaman belajar dan mengevaluasi pemahaman, keberhasilan, dan
kegagalan untuk meningkatkan pembelajaran di masa depan.

Pelanjaran dapat terjadi dalam berbagai konteks, baik secara individu maupun dalam kelompok,
dan dapat melibatkan berbagai metode, seperti pembelajaran visual, auditori, kinestetik, atau
menggunakan teknologi pendidikan modern.
Pelanjaran adalah proses yang berkelanjutan sepanjang hidup, di mana individu terus
mengembangkan dan memperoleh pengetahuan baru serta keterampilan yang dibutuhkan untuk
menghadapi tantangan dan memenuhi tujuan pribadi dan profesional mereka.