MAKALAH

Pencocokan Kurva (Curve Fitting), Interpolasi Dan Ekstrapolasi

Makalah ini dibuat dan diajukan untuk memenuhi tugas kelompok pada mata kuliah
“Fisika Komputasi”

Dosen Pengampu:
Ibu Winda Setya, M.Sc.

Disusun oleh :
Kelompok 5
Rahma Anne A (1212070085)
Sofi Liza Zahara (1212070102)
Zahira Ula Azkia (1212070114)

Pendidikan Fisika Semester 6 Kelas C

PROGRAM STUDI PENDIDIKAN FISIKA

JURUSAN PENDIDIKAN MIPA
FAKULTAS TARBIYAH DAN KEGURUAN
UNIVERSITAS ISLAM NEGERI SUNAN GUNUNG DJATI
BANDUNG
2024
 KATA PENGANTAR

Puji dan syukur atas kehadirat Allah SWT Tuhan Yang Maha Esa, atas rahmat dan
karunia-Nya, sehingga kami dapat menyelesaikan makalah ini dengan baik dan tepat waktu.
Makalah ini berjudul “Pencocokan kurva (curve fitting), interpolasi dan ekstrapolasi”.
Makalah ini dibuat dalam rangka memenuhi tugas mata kuliah Fisika Komputasi. Makalah
ini membahas tentang Pencocokan kurva, Metode pencocokan kurva, Persamaan kurva orde
tinggi,serta membahas Interpolasi dan ekstrapolasi

Penulis menyadari bahwa makalah ini masih jauh dari sempurna dan masih banyak
kekurangan. Oleh karena itu, penulis sangat terbuka untuk menerima kritik dan saran dari
pembaca untuk perbaikan di masa yang akan datang. Akhir kata, penulis mengucapkan terima
kasih kepada semua pihak yang telah membantu dalam penyelesaian makalah ini, terutama
kepada dosen pengampu mata kuliah Fisika Kuantum yakni Ibu Winda Setya M.Sc. yang
telah memberikan bimbingan dan arahan yang sangat berharga. Semoga makalah ini dapat
bermanfaat bagi pembaca dan dapat memberikan kontribusi yang positif dalam ilmu
pengetahuan.

Bandung, 20 Maret 2023

Penulis

i
 DAFTAR ISI
KATA PENGANTAR................................................................................................................i
BAB I.........................................................................................................................................1
A. Latar Belakang.............................................................................................................1
B. Rumusan Masalah.......................................................................................................3
C. Tujuan..........................................................................................................................3
BAB II........................................................................................................................................5
A. Pencocokan kurva........................................................................................................5
B. Metode Pencocockan Kurva........................................................................................6
C. Persamaan Kurva Orde Tinggi..................................................................................15
D. Interpolasi dan Ekstrapolasi......................................................................................16
BAB III.....................................................................................................................................23
A. Kesimpulan...................................................................................................................43
DAFTAR PUSTAKA..............................................................................................................45

ii
 BAB I
PENDAHULUAN
A. Latar Belakang
Pencocokan kurva, metode pencocokan kurva, persamaan kurva orde tinggi,
interpolasi, dan ekstrapolasi merupakan topik yang penting dalam analisis numerik
dan pengolahan data. Pencocokan kurva adalah proses matematis yang digunakan
untuk menemukan model matematika yang paling cocok dengan serangkaian data
eksperimental atau pengamatan. Metode pencocokan kurva mencakup berbagai
teknik, seperti regresi linier, regresi non-linier, dan interpolasi.
Pencocokan kurva merupakan suatu teknik yang penting dan sangat
diperlukan untuk menghandle data hasil pengukuran suatu variabel, sehingga
diperoleh gambaran yang jelas mengenai sifat-sifat atau perilaku variabel yang kita
ukur. Ada dua alasan mengapa kebutuhan mencocokkan ke kurva dari data hasil
pengukuran ini penting. Pertama, dengan cara fitting ini bisa memberikan gambaran
secara matematis mengenai hubungan antara dua variabel yang diukur. Kedua, dari
persamaan kurva yang dipeoleh dapat digunakan untuk memprediksikan harga
variabel tak bebas di suatu titik dengan cara menginterpolasi diantara harga-harga
terukur.
Dalam hubungannya dengan sains dan teknik, misalnya kita mengukur suatu
besaran fisis tertentu, sering ditemukan data hasil pengukuran yang tidak rapi atau
berfluktuasi tidak karuan. Dengan cara mecocokkan data ke kurva tertentu akan dapat
ditunjukkan adanya kecenderungan membentuk pola tertentu. Fluktuasi hasil
pengukuran dapat berupa kesalahan random sistem pengukuran atau perilaku
stokastik intrinsic sistem yang diukur. Apapun alasannya, kebutuhan mencocokkan
hasil pengukuran tersebut kepada suatu fungsi sangat diperlukan. Jelasnya, untuk
mendapatkan gambaran yang komprehensif tentang perilaku besaran fisis yang telah
diukur, kita perlu melakukan fitting data . Sebagai contoh, seorang fisikawan hendak
menemukan suatu hubunagn antara hambatan terpasang dengan besarnya arus yang
mengalir dalam suatu rangkaian tertutup, atau seorang ahli ekonomi ingin
mendapatkan gambaran tentang trend ekonomipada masa yang akan datang. Untuk
keperluan tersebut, seorang ekonom akan menggunakan perangkat data yang
diperoleh dari data beberapa tahun sebelumnya. Selanjutnya, dia akan melakukan
fitting data variabel ekonomi tersebut kepada kurva tertentu.

1
 Metode yang paling sederhana untuk mencocokkan data kepada suatu kurva
tertentu adalah dengan mengeplot titik-titik data tersebut dan menarik garis yang
bersesuaian dengan data tersebut. Kalau hal ini yang dilakukan, maka masalah yang
timbul kemudian adalah cara menginterpretasikan data hasil pengukuran tersebut
Dalam hal ini jelas akan bergantung kepada subyektivitas dari peneliti itu sendiri.
Dalam prakteknya, persamaan kurva orde tinggi digunakan untuk memodelkan
hubungan yang kompleks antara variabel bebas dan variabel terikat.
Di dalam pengertian matematika dasar, interpolasi adalah perkiraan suatu nilai
tengah dari suatu set nilai yang diketahui. Interpolasi dengan pengertian yang lebih
luas merupakan upaya mendefinisikan suatu fungsi dekatan suatu fungsi analitik yang
tidak diketahui atau pengganti fungsi rumit yang tak mungkin diperoleh persamaan
analitiknya. Masalah umum interpolasi adalah menjabarkan data untuk fungsi
dekatan, dan salah satu metode penyelesaiannya dinamakan Metoda prinsip
Substitusi. Dalam mata kuliah metode numerik ada materi Interpolasi linear dan
kuadratik. Materi ini dapat diaplikasikan dalam kehidupan sehari-hari.
Apabila y=f (x ) adalah suatu fungsi dengan nilai-nilai :
y 0 untuk x 0
y 1 untuk x1
y 2 untuk x 2
..
..
..
y n untuk x n
Y

y0 y1 y2 y3 y4 yn
x0 x1 x2 x3 x4 xn

Dan jika Φ ( x ) adalah fungsi sederhana sembarang sedemikian rupa sehingga

untuk variable x 0 , x i , … … , x n memberikan nilai yang hampir sama dengan f (x), maka

2
 bila f (x) digantikan oleh Φ (x) pada interval yang diketahui, hal ini disebut proses
interpolasi dan fungsi Φ ( x) adalah rumus interpolasi untuk fungsi.
Fungsi Φ (x) dapat dinyatakan dalam berbagai bentuk persamaan. Apabila
Φ ( x) dinyatakan sebagai fungsi polinomial P(x ), proses disebut interpolasi
polinomial atau parabolik, sedangkan bila Φ (x) dinyatakan dalam persamaan fungsi
trigonometri, proses disebut interpolasi trigonometri. Bila Φ ( x) dinyatakan dalam
fungsi eksponensial, polynomial Legendre atau fungsi Bessel atau bentuk fungsi
spesifik lainnya, maka pemilihan bentuk fungsi tersebut didasarkan pada anggapan
atau perilaku data yang dianggap cenderung mempunyai pola fungsi-fungsi tersebut.
Topik-topik ini memiliki aplikasi luas dalam berbagai disiplin ilmu, termasuk
ilmu pengetahuan, teknik, ekonomi, dan sosial. Mereka digunakan dalam analisis data
eksperimental, peramalan, pembuatan model matematika, dan pengembangan sistem
prediktif.

B. Rumusan Masalah
1. Bagaimana keterbatasan metode pencocokan kurva dalam menghadapi data yang
bersifat kompleks atau tidak linear?
2. Seberapa akurat metode pencocokan kurva dalam merepresentasikan pola dan tren
yang terdapat dalam data empiris?
3. Bagaimana cara menentukan tingkat optimal dari persamaan kurva orde tinggi
agar dapat meminimalkan kesalahan dalam interpolasi dan ekstrapolasi?
4. Sejauh mana metode interpolasi dan ekstrapolasi dapat diandalkan dalam
memprediksi nilai di luar rentang data yang ada?
5. Bagaimana cara meningkatkan efisiensi komputasi dalam proses pencocokan
kurva, terutama pada data yang besar dan kompleks?

C. Tujuan
1. Menelaah berbagai metode pencocokan kurva yang tersedia, termasuk kelebihan,
keterbatasan, dan aplikasi praktisnya.
2. Memahami konsep dan penggunaan persamaan kurva orde tinggi dalam
merepresentasikan pola data dengan akurat.
3. Mengkaji kemampuan interpolasi dan ekstrapolasi dalam menghasilkan prediksi
yang akurat, serta mengidentifikasi batasan-batasan yang mungkin terjadi.

3
4. Menawarkan solusi atau pendekatan untuk mengatasi tantangan yang terkait
dengan pencocokan kurva, interpolasi, dan ekstrapolasi.
5. Mendorong pengembangan teknik-teknik yang lebih efisien dan akurat dalam
pencocokan kurva serta penerapan yang lebih luas dalam berbagai bidang aplikasi,
seperti ilmu pengetahuan, teknik, dan ekonomi.

4
 BAB II
PEMBAHASAN
A. Pencocokan kurva
Pencocokan Kurva (Curve Fitting) adalah metode penting dalam analisis data
yang bertujuan untuk mengestimasi kurva atau garis yang mewakili serangkaian titik
data (Al-Rusman et al., 2016) Pencocokan kurva ini suatu teknik yang penting dan
sangat diperlukan untuk menghandle data hasil pengukuran suatu variabel, sehingga
diperoleh gambaran yang jelas mengenai sifat-sifat atau perilaku variabel yang kita
ukur. Ada dua alasan utama mengapa pencocokan kurva dari data hasil pengukuran
sangat penting. Pertama, ini memberikan gambaran sistematis tentang hubungan
antara dua variabel yang diukur. Kedua, dari persamaan kurva yang dipeoleh dapat
digunakan untuk memprediksikan harga variabel tak bebas di suatu titik dengan cara
menginterpolasi diantara harga-harga terukur (Rendi, 2014).

Dalam hubungannya dengan sains dan teknik, misalnya kita mengukur suatu
besaran fisis tertentu, sering ditemukan data hasil pengukuran yang tidak rapi atau
berfluktuasi tidak karuan. Dengan cara mecocokkan data ke kurva tertentu akan dapat
ditunjukkan adanya kecenderungan membentuk pola tertentu. Fluktuasi hasil
pengukuran dapat berupa kesalahan random sistem pengukuran atau perilaku
stokastik intrinsic sistem yang diukur. Apapun alasannya, kebutuhan mencocokkan
hasil pengukuran tersebut kepada suatu fungsi sangat diperlukan. Jelasnya, untuk
mendapatkan gambaran yang komprehensif tentang perilaku besaran fisis yang telah
diukur, kita perlu melakukan fitting data . Sebagai contoh, seorang fisikawan hendak
menemukan suatu hubunagn antara hambatan terpasang dengan besarnya arus yang
mengalir dalam suatu rangkaian tertutup, atau seorang ahli ekonomi ingin
mendapatkan gambaran tentang trend ekonomipada masa yang akan datang. Untuk
keperluan tersebut, seorang ekonom akan menggunakan perangkat data yang
diperoleh dari data beberapa tahun sebelumnya. Selanjutnya, dia akan melakukan
fitting data variabel ekonomi tersebut kepada kurva tertentu.

Terdapat dua metode dalam curve fitting (pencocokan kurva) yaitu regresi dan
interpolasi. Perbedaan antara keduanya terletak pada error. Regresi adalah metode
atau cara menentukan persamaan yang melewati kumpulan titik, namun tidak semua

5
 titik dapat dengan tepat dilewati fungsi/persamaan regresi. Sedangkan interpolasi
secara sederhana diartikan sebagai metode yang digunakan untuk menentukan fungsi
yang sesuai dari titik-titik yang berikan.

Interpolasi/ekstrapolasi bertujuan untuk membangun suatu kurva yang melalui

semua titik data. Interpolasi kurva yang dibangun dipakai untuk
menaksir f(x) nilai dengan x berada di dalam interval titik-titik data yang diberikan.
Sedangkan ekstrapolasi merupakan kurva yang dibangun dipakai untuk menaksir
nilai f(x) dengan x berada di luar interval titik-titik data yang diberikan.

B. Metode Pencocockan Kurva

Metode yang paling sederhana untuk mencocokkan data kepada suatu kurva
tertentu adalah dengan mengeplot titik-titik data tersebut dan menarik garis yang
bersesuaian dengan data tersebut. Kalau hal ini yang dilakukan, maka masalah yang
timbul kemudian adalah cara menginterpretasikan data hasil pengukuran tersebut
Dalam hal ini jelas akan bergantung kepada subyektivitas dari peneliti itu sendiri.
Sebagai contoh, pada gambar 1.1 ditampilkan empat hasil pencocokan data kepada
kurva yang dilakukan oleh empat peneliti.

Gambar 1.1. Empat eksperimen yang dilakukan oleh empat

peneliti menghasilkan enam data. Pencocokan data kepada suatu
6
kurva dilakukan menurut subyektivitas peneliti sendiri.
1. Regrasi Liniar
Regresi linier adalah sebuah metode pencarian persamaan linier berdasarkan
pada seperangkat titik data hasil pengukuran. Untuk lebih jelasnya, kita akan
mengambil sebuah contoh data pengukuran suhu dalam sepuluh menit seperti
terlihat pada tabel 1.1. Dengan data yang kita miliki tersebut, kita dapat menarik
garis semau kita yang sama-sama dekat dengan titik data, meskipun tidak ada
satupun garis melewati tepat pada titik-titik data tersebut (lihat gambar 1.2).
Pertanyaan selanjutnya adalah, bagaimanakah caranya untuk memperoleh
persamaan garis yang cocok dengan data pengukuran itu sehingga diperoleh
simpangan minimal. Untuk tujuan ini, dimisalkan fungsi pendekatan linier ini
dinyatakan oleh

(1-1)
dimana dan merupakan konstanta-konstanta sembarang.

Gambar 1.2 Plot data pengukuran dari tabel 1.1

Table 1.1
No. Waktu (menit) Suhu
(Celcius)

7
 1 0,0 1,1
2 1,0 2,8
3 2,0 2,9
4 3,0 4,9
5 4,0 4,8
6 5,0 6,3
7 6,0 6,1
8 7,0 8,2
9 8,0 7,9
10 9,0 8,5
11 10,0 9,6

Penyimpangan setiap titik data dengan fungsi dinyatakan oleh

(1-2)
Dengan M merupakan jumlah total titik-titik data. Simpangan harga antara

besaran yang teramati (observed value) yang dinyatakan oleh

y i dengan harga

prediksi (predicted value) yang dinyatakan oleh y ( xi ) juga sering disebut residu.
Dalam contoh tersebut kita memiliki sebelas titik data, dengan dan
merupakan konstanta-konstanta yang akan ditentukan kemudian. Selanjutnya, kita
dapat menyatakan total kuadrat simpangan data (residu) diberikan oleh

(1-3)
Oleh karena dan merupakan parameter-parameter sembarang, maka
untuk menentukan harga dari dua parameter tersebut harus dilakukan dengan cara
meminimisasi D. Minimisasi terhadap total kuadrat simpangan dinyatakan dengan
menurunkan satu kali D terhadap parameter a dan b, atau jika dituliskan secara
matematis bentuknya adalah

(1-4)
Penjumlahan suku-suku pada ungkapan (6-4) dimulai dari sampai
dengan . Pada keadaan minimum, turunan D terhadap a dan b sama dengan nol.
Oleh sebab itu, ungkapan (6-4) dapat dinyatakan kembali sebagai

(1-5)

8
 Dari syarat (6-4) kita dapat mendefinisikan bentuk-bentuk jumlahan (sum)
sebagai berikut

(1-6)
Dalam persamaan tersebut indeks i bergerak dari 1 sampai M.
Dengan definisi (1-5) tersebut, maka kita memiliki dua persamaan linier
simultan sebagai berikut

(1-7)

Atau jika disajikan dalam bentuk matriks, maka persamaan linier (1-7) dapat
dituliskan kembali menjadi

(1-8)

Penyelesaian dua persamaan linier simultan dengan dua variabel tak diketaui
dapat dinyatakan sebagai

(1-9)

dimana

2. Pencocokan Data dengan Fungsi Eksponensial

Metode regresi linier dapat pula digunakan untuk mencocokkan data terhadap
fungsi-fungsi eksponensial dalam beberapa kasus. Kita ingat kembali, secara
umum fungsi eksponensial dapat dinyatakan sebagai berikut:

(1-10)

9
 Dalam hal ini, fungsi eksponensial memerikan banyak fenomena yang
berbeda-beda di dalam ilmu teknik. Parameter a dan b dapat kita tentukan dengan
sedikit manipulasi matematis dasar. Misalnya sekarang kita ambil logaritma
alamiah untuk kedua ruas persamaan (1-10), maka kita peroleh ungkapan

(1-11)

Dengan menggunakan definisi

(1-12)

maka ungkapan (1-8) menjadi

(1-13)

yang merupakan persamaan garis lurus (tetapi perlu diingat bahwa bentuk ini
tidak sama dengan persamaan garis lurus yang kita kenalkan sebelumya). Jadi kita
dapat mencocokkan seperangkat data dengan suatu fungsi eksponensial dengan
cara seperti yang kita lakukan pada garis lurus. Dengan mensubstitusi u atau

untuk variabel tak bebas, parameter b untuk lereng (slope) dan c untuk
perpotongan pada sumbu u, maka kita memperoleh satu garis lurus, yaitu

(1-14)

Jika ditampilkan dalam bentuk matriks, maka persamaan (1-14)

menjadi

(1-15)

Dari ungkapan matriks (1-15), maka koefisien b dan c dapat ditentukan

masing-masing adalah

10
 (1-16)
Selanjutnya, koefisien a dapat diperoleh kembali dengan mengambil
antilogaritma dari parameter c yang sudah kita ketahui harganya, yaitu

(1-17)

3. Pencocokan Data Menggunakan Fungsi Berperangkat

Fungsi berpangkat merupakan fungsi matematis yang memiliki bentuk umum

(1-18)
dengan a dan b merupakan konstanta-konstanta persamaan linier yang akan
ditentukan melalui teknik regresi linier. Untuk menerapkan metode kuadrat
terkecil pada persamaan (1-18) tersebut, maka kita harus mengambil logaritma
alamiahnya pada kedua ruas persamaan sehingga diperoleh ungkapan

(1-19)
Dengan menggunakan definisi

(1-20)
maka persamaan (6-19) dapat kita tuliskan kembali menjadi
(1-21)
yang merupakan persamaan untuk garis lurus. Untuk menerapkan metode
kuadrat terkecil pada masalah ini, maka dapat dilakukan langkah-langkah analogi
pada ungkapan (1-4) sampai dengan (1-8) sehingga diperoleh ungkapan

(1-22)
Sehingga harga-harga untuk konstanta a dan b dapat ditentukan melalui
hubungan

11
 (1-23)
Setelah ditemukan harga untuk parameter b dan c, maka harga a dapat
ditemukan kembali melalui hubungan

(1-24)

4. Regerasi Polinomial
Pada pasal terdahulu kita telah membicarakan tentang regresi linier yang
bekerja pada data hasil pengukuran yang bersifat linier intrinsik. Tetapi, kita
terpaksa harus menelan rasa kecewa pada metode ini, yakni ketika data yang kita
peroleh tidak memiliki sifat linier. Mengapa? Karena penggunaan metode regresi
linier seperti dipaksakan hanya untuk mengikuti ambisi kita bahwa grafik hasil
pengukuran harus linier. Nah, untuk mengobati rasa kecewa tersebut pada pasal
ini kita akan membahas regresi polinomial yang mana untuk beberapa kasus
metode ini akan memberikan hasil yang lebih cocok dengan kenyataan.
Prinsip dari metode kuadrat terkecil dapat diperluas lagi untuk
pencocokan data hasil pengukuran kepada sebuah polinomial orde tertentu . secara
umum, polinomial berorde ke N dapat dituliskan sebagai

(1-25)
Simpangan kurva terhadap tiap-tiap titik data dapat dinyatakan sebagai

(1-26)
dimana M adalah jumlah titik data. Selanjutnya, total kuadrat simpangannya
dinyatakan oleh

(1-27)
Untuk memperoleh harga-harga koefisien polinomial, maka kita harus
menurunkan secara parsial persamaan (1-27) terhadap koefisien-koefisien

12
 tersebut. Pada keadaan dimana total simpangannya berada pada titik ekstrim,
maka turunannya sama dengan nol.

(1-28)
Persamaan-persamaan pada (1-28) selanjutnya akan kita susun kembali untuk
memperoleh bentuk yang lebih manis, sehingga lebih mudah untuk ditangani.

(1-29)

Pernyataan (1-29) dapat kita nyatakan dalam bentuk matriks yaitu,

(1-30)
Harga koefisien-koefisien polinomial di atas dapat ditentukan dengan cara
menyelesaikan persamaan linier simultan (1-30) misalnya dengan metode
eliminasi Gauss atau Gauss-Jordan.
5. Pencocokan Data Kepada Kurva Kombinasi Linier Fungsi-Fungsi
Ide dasar dari pencocokan kurva dengan kombinasi linier fungsi-fungsi ini
sebenarnya berasal regresi polinomial. Lalu apa bedanya? Bedanya adalah, jika
pada regresi polinomial kita menggunakan kombinasi linier fungsi dengan
argumen sejenis dan orde yang berbeda atau kita biasa menyebutnya dengan

13
polinomial, sedangkan pencocokan kurva yang akan kita bahas ini menggunakan
kombinasi linier dari fungsi-fungsi yang tidak sejenis.
Secara umum, polinomial sebagai kombinasi dari fungsi-fungsi tidak sejenis
dapat dinyatakan sebagai

(1-31)

dengan merupakan fungsi-fungsi yang telah diketahui, dan

adalah koefisien-koefisien yang akan ditentukan kemudian dan

adalah jumlah total fungsi yang kita kombinasikan secara linier.
Seperti halnya dengan beberapa metode yang telah dibahas di depan, maka
simpangan dari tiap-tiap titik data terhadap fungsi kurva yang digunakan untuk
pencocokan didefinisikan oleh

(1-32)
Total kuadrat simpangan (1-18) didefinisikan sebagai

(1-33)

Untuk memperoleh harga koefisien-koefisien , maka kita perlu

melakukan pengambilan derivatif parsial D terhadap koefisien-koefisien tersebut
dengan nol, sehingga kita bertemu lagi dengan pernyataan

(1-34)
Jika persamaan (1-34) diperlihatkan secara eksplisit berbentuk

(1-35)

14
 Penampilan dalam bentuk matriks pernyataan (1-35) menjadi lebih sederhana
yaitu,

(1-36)

Persamaan (1-36) memiliki buah persamaan dengan koefisien tak

diketahui. Penyelesaian dari persamaan linier simultan ini dapat dilakukan dengan
menggunakan metode eliminasi Gauss atau Gauss-Jordan.

C. Persamaan Kurva Orde Tinggi

Dalam menentukan persamaan kurva, kita bisa menggunakan salah satu
contoh aplikasi integral. Lebih lanjut ini digunakan pada berbagai ilmu terapan
seperti matematika, ekonomi dan lainnya. Misalkan dalam menentukan persamaan
kurva keseimbangan permintaan dan penawaran. Dari jejak garis, akan terlihat
gradien garis dan bisa dicari persamaan kurva yang dilaluinya.
Pembahasan di sini kita batasi sekedar bagaimana menentukan persamaan
kurva dari sebuah fungsi/gradien garis yang diketahui dengan menggunakan
integral. Sebagai pengantar awal, kita harus ingat kembali pengertian dan defenisi
integral. Integral adalah bentuk anti-turunan dari sebuah fungsi, dimana:
Seperti halnya dengan beberapa metode yang telah dibahas di depan, maka
simpangan dari tiap-tiap titik data terhadap fungsi kurva yang digunakan untuk
pencocokan didefinisikan oleh

∫ f ( x ) dx=F ( x )+ c ⟺ ∫ F ( x ) dx=F ( x ) + c (1-37)

Berdasarkan definisi integral dan turunan di atas, artinya jika diketahui
turunan maka untuk mencari F(x) cukup diintegralkan. Secara umum langkah
menentukan persamaan kurva atau grafik dengan integral sebagai berikut,
1. Integralkan Fungsi. Perlu diperhatikan apakah yang diberikan turunan
pertama, turunan kedua atau turunan ke berapa.

15
 2. Gunakan nilai yang diketahui di soal untuk menentukan nilai konstanta C
3. Tulis persamaan kurva dengan sempurna.

D. Interpolasi dan Ekstrapolasi

A. Interpolasi
Interpolasi adalah proses pencarian dan perhitungan nilai suatu fungsi yang
grafiknya melewati sekumpulan titik yang diberikan. Titik-titik tersebut mungkin
merupakan hasil eksperimen dalam sebuah per- cobaan, atau diperoleh dari
sebuah fungsi yang diketahui. Fungsi in- terpolasi biasanya dipilih dari
sekelompok fungsi tertentu, salah satunya adalah fungsi polinomial yang paling
banyak dipakai.
Interpolasi digunakan untuk menyelesaikan berbagai masalah dalam bidang
teori hampiran yang lebih umum. Untuk memberikan bebe- rapa wawasan bagi
Anda, berikut disajikan beberapa masalah hampiran (aproksimasi) dan
kemungkinan pemakaian interpolasi untuk menyelesaikannya.
1) Diberikan sebuah tabel nilai-nilai suatu fungsi, misalnya f (x)=cos(x ),
interpolasi dapat digunakan untuk mencari nilai-nilai f(x) untuk nilai-nilai
yang tidak terdapat di dalam tabel.
2) Diberikan sekumpulan data berupa titik-titik (koordinat), tentukan sebuah
fungsi mulus f(x) yang tidak naik-turun (osilatif) dan cocok dengan data
terse- but baik secara eksak maupun hampiran. Kasus kecocokan eksak
meng- arah ke studi fungsi-fungsi interpolasi spline, dan kasus hampiran
ke- cocokan data dikerjakan dengan metode kuadrat terkecil.
3) Diberikan sebuah fungsi f(x), misalkan f (x)=log (x ) , dan diperlukan
suatu cara untuk menghitung nilai-nilai fungsi tersebut menggunakan
komputer. Dalam masalah ini, interpolasi digunakan sebagai alat untuk
mendapat- kan suatu hampiran yang dapat dihitung.
4) Untuk mengintegralkan atau menurunkan suatu fungsi secara numerik, kita
sering mengganti fungsi yang bersangkutan dengan ekspresi hampiran
yang lebih sederhana, yang biasanya diperoleh dengan menggunakan
interpolasi. Juga, beberapa metode numerik untuk menyelesaikan
persamaan diferensial yang dipakai secara luas diperoleh dari hampiran
interpolasi.
1. Interpolasi Numerik
Misalkan kita mempunyai data yang disajikan dalam tabel seperti di bawah
ini:
x x1 x2 x3 … xn
y y1 y2 y3 … yn
Dengan x 1< x2 < …< x n. Kita ingin mencari sebuah polinomial P ( x )
sehingga
P ( x i )= y i untuk 1 ≤i ≤ n.
Polinomial ini dikatakan menginterpolasi nilai-nilai dalam tabel. Kita
dapay menggunakan polinomial ini untuk menghitung nilai y yang berkaitan
dengan suatu x , yang tidak terdapat di dalam tabel tetapi terletak di antara
nilai-nilai
16
 x pada tabel tersebut. Dengan kata lain, kita dapat menghitung nilai P(x )
untuk setiap nilai x untuk x 1 ≤ x ≤ x n Inilah tujuan interpolasi. Titik-titik x i
disebut simpul. Polinomial interpolasi bergantung pada nilai-nilai dan
banyaknya nilai x dan y yang diberikan.
Jika nilai y adalah nilai fungsi f (x) untuk nilai x yang bersesuain, maka
polinomial P(x ) merupakan hampiran fungsi f (x) pada interval [ x 1 , x n ].
Dalam hal ini fungsi E ( x )=f ( x ) −P (x) disebut fungsi galat, yang biasanya
melibatlan turunan tingkat tinggi fungsi.
2. Interpolasi Polinomial
Beberapa interpolasi polinomial yang akan dibahas adalah interpolasi
linier,interpolasi kuadratik, interpolasi beda terbagi Newton, dan interpolasi
Lagrange.
a. Interpolasi Linier
Interpolasi linear adalah interpolasi yang diperoleh dengan cara
menghubungkan duatitik yang mengapit daerah yang akan dicari
interpolasinya. Interpolasi lanjar adalah interpolasi dua buah titik dengan
sebuah garis lurus. Misal diberikan dua buah titik, (x ¿ ¿ 0 , y 0)¿ dan
(x ¿ ¿ 1 , y 1 )¿ . Polinom yang menginterpolasi kedua titik itu adalah persamaan
garis lurus yang berbentuk:
P1 ( x ) =a0 + a1 x
Gambar dibawah memperlihatan garis lurus yang menginterpolasi titik-
titik (x ¿ ¿ 0 , y 0)¿ dan (x ¿ ¿ 1 , y 1 )¿ .

Koefisien a 0 dan a 1 dicari dengan proses substitusi dan eliminasi.

Mensubstitusikan (x ¿ ¿ 0 , y 0) ¿ dan (x ¿ ¿ 1 , y 1 )¿ ke dalam persamaan
P1 ( x ) =a0 + a1 x diperoleh dua persamaan linier:
y 0=a0 +a 1 x 0 … … . (1)

y 1=a0 +a1 x 1 … … . (2)

Dari dua persamaan diatas, dengan eliminasi diperoleh
y 0− y 1=( a 0+ a1 x 0 ) −(a0 +a1 x 1)
y 0− y 1=a1 x 0−a1 x 1 ⟺ y 0− y1 =a1 (x 0−x 1 )

17
 y 0− y 1
a 1=
x 0−x 1
Substitusikan nilai a 1 ke dalam persamaan (1), diperoleh:

x 0 y 0−x 0 y 1
y 0=a0 +
x 0−x 1
x 0 y 0−x 0 y 1
a 0= y 0−
x 0−x 1
y 0 ( x 0 −x1 ) −x 0 y 0 + x 0 y 1
a 0=
x 0−x 1
x0 y 0−x 1 y 0−x 0 y 0+ x0 y 1
a 0=
x 0−x 1
x1 y 0−x 0 y 1
a 0=
x 0−x 1
Dengan melakukan manipulasi aljabar untuk menentukan f 1 ( x) dapat
dilakukan sebagai berikut:
f 1 (x)=a0 +a 1 x
x 1 y 0−x 0 y 1 y 1− y 0
f 1 ( x )= +
x 0 −x1 x 1−x 0
x 1 y 0−x 0 y 1 + y 1− y 0
f 1 ( x )=
x0 −x 1
x y −x y + x y 1−xy 0+(x 0 y 0−x 0 y 0 )
f 1 ( x )= 1 0 0 1
x 0−x 1
x 1 y 0−x 0 y 0−x 0 y 1+ xy 1−x y 0 + x 0 y 0
f 1 ( x )=
x 0 −x1
y 0 ( x 1−x 0 )+ y 1 (x− y 0 )− y 0 ( x−x 0 )
f 1 ( x )=
x 0−x 1
( y ¿ ¿ 1− y 0 )(x−x 0)
f 1 ( x )= y 0 ( x 1−x 0 ) + ¿
x0 −x 1
( y ¿ ¿ 1− y 0 )(x−x 0)
f 1 ( x )= y 0 … … .(3)¿
x 0 −x1
Persaaman (3) adalah persamaan garis lurus yang melalui dua buah titik,
( x 0 y 0 ) dan ( x 1 , y 1 ). Kurva polinom P1 ( x ) ini adalah berupa garis lurus.
Impelementasi dengan Matlab pada interpolasi polinomial menggunakan
algoritma interpolasi linier yaitu sebagai berikut:
1) Tentukan dua titik f 1dan f 2 dengan koordiatnya masing-masing ( x 1 , y 1 )
dan ( x 2 , y 2 )
2) Tentukan nilai x dari titik yang akan di cari
( y ¿ ¿ 1− y 0 )(x−x 0)
3) Hitung nilai y dengan f 1 ( x )= y 0 ¿
x 0 −x1
4) Tampilkan nilai titik yang baru f ( x , y )

18
 Langkah-langkah dalam menjalkan program Matlab dengan menggunakan
interpolasi linier sebagai berikut:
1) Buka aplikasi matlab dengan menekan double clik pada destop
Matlab
2) Lalu akan muncul tampilan seperti gambar dibawah ini

3) Kemudian klik kanan meni File-New-M-File

4) Selanjutnya masukkan coding yang telah disediakan ke dalam file

seperti gambar berikut ini:

19
20
5) Setalah coding dibuat, selanjutnya menyimpan pada work Matlab
dengan syarat tidak boleh menggunakan spasi. Kemudian mengklik
Debug-Run, seperti dibawah ini:

21
 6) Setelah me-run, maka akan diperoleh data sebagai berikut:
a. Picture 1

b. Picture 2

b. Interpolasi Kuadratik
Misal diberi tiga buah titik data, ( x 0 y 0 ), ( x 1 y1 ) dan ( x 2 , y 2 ) . Polinom
yang menginterpolasi ketiga buah titik itu adalah polinom kuadrat yang
terbentuk:
2
P2 ( x ) =a0 + a1 x i +a2 x i
Bila digambar, kurva polinom kuadrat berbentuk parabola, seperti yang
ditunjukan dalam gambar 2.1 dan gambar 2.2

22
 Gambar 2.1. Interpolasi Kuadratik

Selain yang ditunjukkan pada gambar 2.5 terdapat berbentuk parabola

yang lain, namun harus diperhatikan bahwa untuk setiap nilai x i akan
diperoleh hanya sebuah nilai y i. Sehingga tidak mungkin kondisi grafiknya
seperti gambar pada 2.2 di bawah ini:

Gambar 2.2. Interpolasi Kuadratik

Untuk menentukan sebuah polinom P2 ( x ) dengan cara di bawah ini:

1) Subsitusikan ( x i y i) ke dalam persamaan P2 ( x ) =a0 + a1 x i +a2 x i2
dengan i=0 , 1 , 2. Diperoleh tiga persamaan dengan tiga buah
parameter yang tidak diketahui yaitu a 0 , a 1 , dan a 2:
2
a 0+ a1 x0 + a2 x 0 = y 0
2
a 0+ a1 x1 +a 2 x 1 = y 1
2
a 0+ a1 x2 +a 2 x 2 = y 2
2) Hitung a 0 , a 1 , dan a 2 dari sistem persamaan tersebut dengan metode
eliminasi Gauss, menentukan a 0 , a 1 , dan a 2 dapat ditentukan
dengan cara sebagai berikut:

23
 y i +1− y i y i+ 2− y i+1 F 12−F 01
a) Hitung F 01= , F12= , dan F 012=
x i +1−x i y i+2 − y i+2 x i+2−x i
b) Hitung P= y 1+ ( x −xi ) F 01+(x−x i)(x−x i ) F 012
+1

Impelementasi dengan Matlab pada interpolasi kuadratik menggunakan

algoritma interpolasi linier yaitu sebagai berikut:
1) Tentukan 3 titik input P1 ( x1 , y 1 ), P2=( x 2 , y 2) dan P3=( x 3 , y 3 )
2) Tentukan nilai x dari titik yang akan di cari
3) Hitung nilai f dari titik yang dicari menggunakan rumus dari interpolasi
kuadratik: P= y 1+ ( x −xi ) F 01+(x−x i)(x−x i ) F 012
+1

Langkah-langkah dalam menjalankan progam matlab dengan

menggunakaninterpolasi kuadratik sebagai berikut :
1) Ikuti langkah 1-3 pada langkah-langkah menjalankan program MatLab
denganmenggunakan interpolasi linier.
2) Selanjutnya masukkan coding yang telah disediakan ke dalam file yang
baru di bukaseperti pada gambar berikut:

3) Setelah cooding dibuat, langkah selanjutnya yaitu menyimpan pada

work Matlabdengan syarat tidak boleh menggunaan spasi. Kemudian
mengklik Debug-Run,seperti langkah di bawah.

24
4) Setalah me-run, maka lakukan masukkam matriks yang dingin dicari.
Testing I
Diberikan titik ln ( 8.0 )=2.0794 , ln ( 9.0 )=2.1972 , danln ( 9.5 )=2.2513.
tentukan nilai ln ( 9.5 )dengan interpolasi kuadratik.
Penyelesian
Diket. x 0=8.0 , y 0=2.0794
x 1=9.0 , y 1=2.1972
x 2=9.5 , y 2=2.2513
Ditanyakan tentukan nilai ln ( 9.5 )
Jawab
Sistem persamaan yang terbentuk adalah
a 0+ a1 8.0+a 2 64.00=2.0794
a 0+ a1 9.0+a 2 81.00=2.1972
a 0+ a1 9.5+a 2 90.35=2.2513
Untuk perhitungan secara manual, sistem persamaan diselesaikan
dengan metodeeliminasi Gauss dengan langkah sebagai berikut:
Matriks yang terbentuk dari persamaan
a 0+ 8.0 a1 +64.00 a2 =2.0794

a 0+ 9.0 a1 +81.00 a 2=2.1972

a 0+ 9.5 a1 +90.25 a 2=2.2513

25
 ( ) ( )
1 8 64 2.0794 1 8 64 2.0794
R 21(−1)
adalah: 1 9 81 2.1972 0 1 17 0.1178
1 9.5 90.25 2.2513 R 31(−1) 0 1.5 26.25 0.1719

( ) ( ) ( )
1 0 −72 1.137 1 0 −72 1.137 1 0 0 0.6762
R 12(−8) 1 R 13(72)
0 1 17 0.1178 R 31( ) 0 1 17 0.1178 0 1 0 0.2266
R 32(−1.5) 0 0 0.75 −0.0048 0.75 R 23(−17)
0 0 1 −0.0064 0 0 1 −0.0064
Menggunakan metode Eliminasi gauss menghasilkan
a 0=0.6762 , a1=0.2266 , a2=−0.0064 .

Polinom kuadratnya adalah: p2 ( x ) =a0 + a1 x +a 2 x 2

2
f 2 ( 9.2 )=0.6762+0.2266 . ( 9.2 ) +−0.0064 .(9.2)

f 2 ( 9.2 )=2.2192

Testing II
Cocokkan polinom orde kedua terhadap tiga titik yang dipakai dalam
contoh persamaan interpolasi linear:
x 0=1 P( x 0)=0

x 1=4 P( x 1)=1,3862944

x 2=6 P( x 2) =1,7917595

Pakailah polinom tersebut untuk menghitung ln 2

Penyelesaian:

b 0 =0

26
 1,3862944−0
b 1= =0,46209813
4−1

1,7917595−1,3862944
– 0,46209813
b2 = 6−4
6−1

= -0,051873116

Dengan mensubstitusikan nilai-nilai ini ke (P,12.3) dihasilkan rumus kuadrat

p(x) =0+0,46209813(x-1)-0,051873116(x-1)(x-4) yang dapat dihitung pada x=2

untuk

p(x) =0,56584436

c. Interpolasi Polinom Lagrange

Tinjau kembali persamaan berikut :
( y ¿ ¿ 1− y 0 )(x−x 0 )
p1 ( x ) = y 0 + ¿
x 1−x 0
Persamaan ini dapat diatur kembali sedemikian rupa sehingga menjadi
(x −x1 ) (x−x 0 )
p1 ( x ) = y 0 + y1
x 0−x 1 x1−x 0
atau dapat dinyatakan dalam bentuk
p ( x )=a 0 L0 ( x )+ a1 L1 (x )
yang dalam hal ini
( x−x 1)
a 0 ¿ y 0 , L0 ( x ) =
x 0−x 1
dan
(x−x 0 )
a 1 ¿ y 1 , L1 ( x ) =
x 1−x 0

27
 Persamaan f 1 ( x )=a0 L 0( x)+a1 L1 (x) dinamakan polinom Lagrange
derajat 1. Nama polinom ini diambil dari nama penemunya, yaitu Joseph
Louis Lagrange yang berkebangsaan
Perancis.
Bentuk umum polinom Lagrange derajat £ n untuk (n + 1) titik berbeda
adalah
n
pn ( x )=∑ a i Li ( x ) =¿ a0 L0 ( x ) +a 1 L1 ( x ) +…+ an Ln ( x ) ¿
i=0
yang dalam hal ini
ai = yi , i = 0, 1, 2, …, n
dan,
n
(x−x j ) ( x−x 0 )(x−x 1)…(x−x i−1)(x −xi +1) ⋯ (x−x n)
Li ( x ) = ∏ =
j=0 (x i−x j) (x i−x )( xi −xi ) ⋯ ( x i−x i−1 )( xi −xi +1) ⋯ (x i−x n)
j ≠i
Mudah dibuktikan, bahwa
Li ( x j )= {10,i=
i≠ j
j

dan polinom interpolasi fn(x) melalui setiap titik data.

Langkah-langkah dalam menjalankan progam matlab dengan
menggunakan polinom Lagrange sebagai berikut :
1. Ikuti langkah 1 – 3 pada langkah-langkah menjalankan program
MatLab dengan menggunakan interpolasi linier
2. Selanjutnya masukkan coding yang telah disediakan ke dalam file yang
baru di buka seperti pada gambar berikut.

3. Setelah cooding dibuat, langkah selanjutnya yaitu menyimpan pada

work Matlab dengan syarat tidak boleh menggunaan spasi. Kemudian
mengklik Debug-Run, seperti langkah di bawah.

28
4. Setelah me-run, maka lakukan masukkan matriks yang dingin dicari.
Testing I
Carilah f(9.2) dengan interpolasi lagrange dengan n = 3 dan
f(9.0)=2.19722, f(9.5)=2.25129, f(10.0)=2.30259, f(11.0)=2.39790
Penyelesaian :
l0 ( x ) l1 ( x ) l2 ( x ) l3 ( x )
L3 ( x ) = f 0+ f 1+ f 2+ f
l0 ( x 0 ) l1 ( x 1) l2 ( x 2 ) l3 ( x 3 ) 3
l 0 ( x 0 )=( x 0−x 1 )( x 0 −x2 )( x 0 −x 3 )
= -1.00000
l 0 ( x ) =( x−x 1 )( x−x 2 )( x− x3 )
= -0.43200
l 1 ( x 1 ) =( x 1 −x 0 )( x 1 −x 2 )( x 1 −x 3 )
= 0.37500
l 1 ( x ) =( x−x 0 )( x−x 2 )( x− x3 )
= 0.28800
l 2 ( x 2 ) =( x 2 −x 0 )( x2 −x 1 )( x 2 −x 3 )
= -0.50000
l 2 ( x ) =( x−x 0 )( x−x 1 )( x− x3 )
= 0.10800
l 3 ( x 3 )=( x3 −x 0 )( x 3 −x1 )( x 3 −x2 )
= 3.00000
l 3 ( x ) =( x−x 0 )( x−x 1 )( x −x 2 )
= 0.04800
−0 . 43200 0. 28800 0 .10800
L3 (9. 2 ) = 2 . 19722+ 2 .25129+ 2 . 30259
−1 . 00000 0. 37500 −0 .50000
0 .04800
+ 2 . 39700
3. 00000
= 2.21920 (eksak sampai 5 angka decimal)

29
d. Interpolasai Polinom Newton
Polinom Lagrange kurang disukai dalam praktek karena alasan
berikut :
1. Jumlah komputasi yang dibutuhkan untuk satu kali interpolasi adalah
besar. Interpolasi untuk nilai x yang lain memerlukan jumlah
komputasi yang sama karena tidak ada bagian komputasi sebelumnya
yang dapat digunakan.
2. Bila jumlah titik data meningkat atau menurun, hasil komputasi
sebelumnya tidak dapat digunakan. Hal ini disebakan oleh tidak adanya
hubungan antara fn-1(x) dan fn(x) pada polinom Lagrange.
Polinom Newton dibuat untuk mengatasi kelemahan ini.
Dengan polinom Newton, polinom yang dibentuk sebelumnya dapat
dipakai untuk membuat polinom derajat yang makin tinggi.
Tinjau kembali polinom lanjar pada persamaan
( y ¿ ¿ 1− y 0 )(x−x 0 )
p1 ( x ) = y 0 + ¿
x 1−x 0
Bentuk persamaan ini dapat ditulis sebagai
p1 ( x ) =a0 + a0 ( x−x 0 )
yang dalam hal ini
a 0= y 0=f ¿
dan
y 1 − y 0 f ( x ¿¿ 1)−f (x 0 )
a 1= = ¿
x1 −x0 x 1−x 0
Persamaan ini merupakan bentuk selisih-terbagi (divided-
difference) dan dapat disingkat penulisannya menjadi
a 1=f [ x 1 , x 0 ]

30
 Setelah polinom lanjar, polinom kuadratik dapat dinyatakan dalam
bentuk
p ( x )=a 0+ a1 ( x−x 0 ) +a2 ( x−x 0 ) ( x−x 1 )
atau
p2 ( x ) =p ( x ) +a 2 ( x−x 0 ) ( x−x 1 )
Persamaan f 2 ( x )=f 1 ( x ) + a2 ( x−x 0 ) ( x−x 1 ) memperlihatkan bahwa p2(x)
dapat dibentuk dari polinom sebelumnya, p1(x). Ini mengarahkan kita
pada pembentukan polinom Newton untuk derajat yang lebih tinggi. Nilai
a2 dapat ditemukan dengan menyulihkan x = x2 untuk memperoleh
f (x ¿¿ 2)−a 0−a1 (x 1−x 0 )
a 2= ¿
(x 2−x 0 )(x ¿ ¿ 2−x 1)¿
Nilai a0 dan nilai a1 pada persamaan a 0= y 0=f ¿dan
y − y 0 f (x ¿¿ 1)−f (x 0 )
a 1= 1 = ¿ dimasukkan ke dalam ke dalam persamaan
x1 −x0 x 1−x 0
f (x ¿¿ 2)−a 0−a1 (x 1−x 0 )
a 2= ¿untuk memberikan
(x 2−x 0 )(x ¿ ¿ 2−x 1)¿
f ( x ¿¿ 1)−f (x 0)
f (x ¿¿ 2)−f (x 0) x 1−x 0
a 2= − ¿¿
x 2−x 0 x 2−x 0
Demikianlah seterusnya, kita dapat membentuk polinom Newton
secara bertahap: polinom derajat n dibentuk dari polinom derajat (n-1).
Polinom Newton dinyatakan dalam hubungan rekursif sebagai berikut:
i. rekurens: pn ( x )= pn−1 ( x ) +a n ( x −x0 ) ( x−x 1 ) … ( x−x n−1 )
ii. basis : p0 ( x )=a 0
Jadi, tahapan pembentukan polinom Newton adalah sebagai berikut:
p1 ( x ) =p 0 ( x ) +a 1 ( x + x 0 )=a0 +a 1 ( x + x 0 )
p2 ( x ) =p 1 ( x ) +a 2 ( x + x 0 )=a0 +a1 ( x + x 0 ) +a2 ( x+ x 0 )( x + x 1 )
p3 ( x )=p 2 ( x ) +a 3 ( x + x 0 )=a0 +a 1 ( x + x 0 ) +a2 ( x + x 0 )( x+ x 1 ) +a 3 ( x + x 0 ) ( x+ x1 ) ( x + x 2 )
pn ( x )= pn−1 ( x ) +a n ( x + x 0 ) ⋯ ( x + x n−1 )=a0 +a1 ( x + x 0 )+ a2 ( x+ x 0) ( x + x 1 ) +a3 ( x + x 0 ) ( x+ x 1 ) ( x
Nilai konstanta a0, a1, a2, ..., an merupakan nilai selisih-terbagi,
dengan nilai masing-masing:
e. Interpolasi dengan Fungsi Spline
Smoothness bisa didapatkan dengan interpolasi polinomial secara lokal
menggunakan fungsi-fungsi spline. Polinomial-polinomial berderajat
rendah (yang berbeda derajatnya) digunakan untuk tiap interval [Xi, Xi+1]
Definisi fungsi spline
Misalkan 0 1 x < x < .. .. .< x
n adalah serangkaian titik. Fungsi s
merupakan spline berderajat k jika:
a. s adalah polinomial berderajat tidak lebih dari k pada tiap subinterval
[Xi, Xi+1].
(k−1)
b. s,s ',.....,s semuanya kontinyu pada interval [X0, XN]
31
 Contoh-contoh fungsi spline

s( x)=¿{x ¿ {x −x+1 ¿¿¿¿

2 0≤x≤1
1≤x≤3
a. 3≤x≤4

Merupakan fungsi spline derajat 2. Derajat masing-masing fungsi

paling tinggi adalah 2. Bukan merupakan spline kubik (derajat 3)
karena derivatif titik 2 tidak kontinyu, yaitu 0, 2, 0, untuk masing-
masing interval.

b.
s(x)¿ {2 x−1¿¿¿ 0≤x≤1
1≤x≤2

Merupakan spline linier.

f. Ektrapolasi
Ekstrapolasi merupakan suatu metode untuk menentukan atau
memperkirakan suatu nilai yang berada diluar interval atau dua titik yang
segaris. rumus ekstrapolasi hampir sama dengan persamaan garis yang
diketahui dua buah titik yang segaris yaitu (y - y1)/(y2 - y1) =(x - x1) / (x2
- x1).
Jika diketahui jika 1 liter bensin bisa berkendara sejauh 45 km dan 2
liter bensin bisa berkendara sejauh 90 km maka berapa jarak yang bisa
ditempuh jika tersedia 5 liter bensin atau jika diketahui jarak yang harus
ditempuh adalah 150 km berapa liter bensin yang diperlukan.
Dimana x1 = 45 km dan y1 = 1 liter; x2 = 90 km dan y2 = 2 liter
masukkan ke rumus diatas didapat
(y - y1)/(y2 - y1) =(x - x1) / (x2 - x1).
(y - 1)/(2 - 1) =(x - 45) / (90- 45).
Berapa jarak yang bisa ditempuh jika tersedia 5 liter bensin
Y = jumlah liter bensin
x = Jarak tempuh
(5 - 1)/(2 - 1) = (x - 45)/(90 - 45)
x = (45)(4)/(1) + 45
= 225 km
Jika diketahui jarak yang harus ditempuh adalah 150 km berapa liter
bensin yang diperlukan.
Y = jumlah liter bensin
x = Jarak tempuh
(y - 1)/(2 - 1) = (150 - 45)/(90 - 45)
y = (1)(105))/(45) +1 = 10/3 liter bensin
Catatan:
Interpolasi dan ekstrapolasi merupakan prosedur untuk memperkirakan
nilai atau data yang tidak diketahui berdasar kombinasi beberapa nilai atau
harga yang diketahui. Metode atau cara yang dipergunakan untuk itu
banyak sekali. Beberapa metode yang diberikan dalam bab ini hanya

32
 sebagian diantaranya. Dalam makalah ini hanya diberikan contoh fungsi
interpolasi berupa polinomial. Pembaca dapat mencari sendiri beberapa
metode lainnya.
.Dari beberapa fungsi interpolasi yang diberikan dapat disimpulkan,
bahwa masalah utama dalam penyusunan fungsi interpolasi adalah
penentuan koefisien fungsi interpolasi. Dalam hal ini besarnya koefisien
tersebut tidak ditentukan misalnya tergantung dari jarak antara titik
interpolasi dan titik-titik lainnya.

E. Contoh Saoal
1. Regrasi Linier
Gunakan cara regresi linier untuk memperoleh fungsi linier paling cocok
dngan data hasil pengukuran suhu setiap waktu seperti terlihat pada table 6.1
Penyelesaian
Untuk menyelesaikan masalah ini, pertama kali yang perlu dilakukan adalah

menentukan koefisien-koefisien persamaan

dan hasilnya terlihat pada Berikut ini:

1 0,0 1,1 0,0 0,0

2 1,0 2,8 1,0 2,8
3 2,0 2,9 4,0 5,8
4 3,0 4,9 9,0 14,7
5 4,0 4,8 16,0 19,2
6 5,0 6,3 25,0 31,5
7 6,0 6,1 36,0 36,6
8 7,0 8,2 49,0 57,4
9 8,0 7,9 64,0 63,2
10 9,0 8,5 81,0 76,5
11 10,0 9,6 100,0 96,0

Dari table diatas kita memperoleh data perhitungan untuk elemen-elemen matriks
sebagai berikut

atau

33
Dengan menggunakan pernyataan maka kita dapat
memperoleh harga parameter dan sebagai berikut

Setelah koefisien persamaan linier kita temukan, maka persamaan garis dari hasil
regresi linier adalah

Gambar Grafik hasil regresi linier

Simpangan setiap titik data terhadap grafik hasil regresi linier dapat dilihat pada
tabel berikut ini:

i Simpangan

1 0,0 1,1 1,7273 -0.6273

2 1,0 2,8 2,5291 0.2709
3 2,0 2,9 3,3309 -0.4309
4 3,0 4,9 4,1327 0.7673
5 4,0 4,8 4,9345 -0.1345
6 5,0 6,3 5,7364 0.5636
7 6,0 6,1 6,5382 -0.4382
8 7,0 8,2 7,3400 0.8600
9 8,0 7,9 8,1418 -0.2418
10 9,0 8,5 8.9436 -0.4436
11 10,0 9,6 9,7455 -0.1455

34
2. Pencocokan Data dengan Fungsi Eksponensial
Penampilan sifat transien dari sebuah kapasitor dapat dikaji dengan
menempatkan sebuah resistor paralel dengan kapasitor tersebut. Apabila mula-
mula tegangan pada kapasitor adalah 10 volt, maka secara berangsur-angsur
tegangan pada kapasitor tersebut berkurang. Data hasil pengukuran tegangan
sebagai fungsi waktu tersebut terlihat pada tabel dibawah ini
Waktu Tegangan
(detik) (volt)
0 10
1 6,1
2 3,7
3 2,2
4 1,4
5 0,8
6 0,5
7 0,3
8 0,2
9 0,1
10 0,07
11 0,03

Dengan komponen elektrik semacam ini, maka tegangannya akan berubah

terhadap waktu seperti terlihat pada gambar dibawah ini Selanjutnya, kita akan
melakukan pencocokan kurva terhadap kelompok data tersebut dengan
menggunakan metode kuadrat terkecil sehingga diperoleh grafik linier seperti
yang kita harapkan.

Gambar Perubahan tegangan35

kapasitor terhadap waktu.
 Untuk menerapkan metode kuadrat terkecil pada kelompok data hasil
pengukuran yang kita miliki, pertama kita mewakilkan x sebagai variabel bebas,
dalam hal ini adalah sumbu waktu. Kedua, variabel tak bebas, yaitu sumbu
tegangan diwakili oleh y. Hasil selengkapnya dapat dilihat pada tabel dibawah ini
dan grafik hasil regresi linier dapat dilihat pada gambar dibawah ini.
i

1 0 0 10 2.302 0
2 1 1 6.1 1.808 1.808
3 2 4 3.7 1.308 2.616
4 3 9 2.2 0.788 2.365
5 4 16 1.4 0.336 1.345
6 5 25 0.8 -0.223 -1.115
7 6 36 0.5 -0.693 -4.158
8 7 49 0.3 -1.203 -8.427
9 8 64 0.2 -1.609 -12.875
10 9 81 0.1 -2.302 -20.723
11 10 100 0.07 -2.659 -26.592
12 11 121 0.03 -3.506 -42.078
Jumla
h

Gambar Grafik hasil regresi linier tabel diatas

36
 Dengan mensubstitusi harga-harga dari tabel diatas yang sesuai pada

persamaan , maka kita akan mendapatkan dua

persamaan linier dengan dua variabel semabarang a dan b yaitu

Penyelesaian dua persamaan simultan linier diatas dapat dilakukan dengan

mengingat kembali persamaan ,yaitu b = -0.5706

dan c = 2.5355. Oleh sebab itu, harga a dapat diperoleh dengan mengingat
kembali ungkapan yaitu

sehingga fungsi eksponensial dapat dinyatakan secara eksplisi yaitu

3. Pencocokan Data Menggunakan Fungsi Berperangkat

Pengukuran terhadap suatu besaran fisika menghasilkan sejumlah data seperti

ditunjukkan pada tabel dibawah ini. Lakukan pencocokan kurva pada

sekelompok data tersebut.

1. 0.1400 4.0964
2. 0.4300 4.7284
3. 0.5800 5.2231
4. 0.9100 5.9984
5. 1.3000 6.8989
6. 2.0000 7.2307
7. 2.2000 7.3306
8. 2.5000 7.8756

37
 9. 2.7000 7.9908
10. 3.2000 8.1303
11. 3.5000 8.4302
12. 4.1000 8.5444
13. 4.4000 8.8931
14. 4.9000 9.0432
15. 6.3000 9.3240

Penyelesaian

Untuk menyelesaikan masalah ini, langkah pertama adalah menyatakan data

hasil pengukuran tersebut dalam dan seperti terlihat pada table

dibawah ini:

1. -1.9661 3.8656 1.4101 -2.7724

2. -0.8440 0.7123 1.5536 -1.3112
3. -0.5447 0.2967 1.6531 -0.9005
4. -0.0943 0.0089 1.7915 -0.1690
5. 0.2624 0.0688 1.9314 0.5067
6. 0.6931 0.4805 1.9783 1.3713
7. 0.7885 0.6217 1.9921 1.5707
8. 0.9163 0.8396 2.0638 1.8910
9. 0.9933 0.9865 2.0783 2.0643
10. 1.1632 1.3529 2.0956 2.4375
11. 1.2528 1.5694 2.1318 2.6707
12. 1.4110 1.9909 2.1453 3.0270
13. 1.4816 2.1952 2.1853 3.2377
14. 1.5892 2.5257 2.2020 3.4995
15. 1.8405 3.3876 2.2326 4.1092

20.9023 21.2324

Gambar Plot data

38hasil pengukuran pada tabel 6.6
dalam sekala linier
 Dengan menggunakan metode regresi linier, maka pencocokan data kepada
kurva linier yang berperilaku logaritmik menghasilkan persamaan garis yang

dinyatakan oleh atau

Selanjutnya, fungsi berpangkat sebagai hasil dari pencocokan data tersebut

dalam koordinat kartesan menjadi

Gambar 6.5 Grafik hasil regresi linier tabel

6.7

4. Regresi Polinomial
Lakukan pencocokan data hasil pengukuran seperti terlihat pada tabel 6.6
kepada polynomial kuadratik.
Penyelesaian
Persamaan simultan untuk menemukan harga koefisien-koefisien kuadratik dalam
masalah ini secara umum mengambil bentuk

Untuk masing-masing elemen matriks persamaan simultan di atas dapat dilihat

pada tabel dibawah ini

39
 1. 0.1400 0.0196 0.0027 0.000 4.0964 0.5735 0.0803
2. 0.4300 0.1849 0.0795 0.034 4.7284 2.0332 0.8743
3. 0.5800 0.3364 0.1951 0.113 5.2231 3.0294 1.7571
4. 0.9100 0.8281 0.7536 0.685 5.9984 5.4585 4.9673
5. 1.3000 1.6900 2.1970 2.900 6.8989 8.9686 11.6591
6. 2.0000 4.0000 8.0000 16.400 7.2307 14.4614 28.9228
7. 2.2000 4.8400 10.6480 23.400 7.3306 16.1273 35.4801
8. 2.5000 6.2500 15.6250 39.100 7.8756 19.6890 49.2225
9. 2.7000 7.2900 19.6830 53.100 7.9908 21.5752 58.2529
10. 3.2000 10.2400 32.7680 104.900 8.1303 26.0170 83.2543
11. 3.5000 12.2500 42.8750 150.100 8.4302 29.5057 103.269
9
12. 4.1000 16.8100 68.9210 282.600 8.5444 35.0320 143.631
4
13. 4.4000 19.3600 85.1840 374.800 8.8931 39.1296 172.170
4
14. 4.9000 24.0100 117.6490 576.500 9.0432 44.3117 217.127
2
15. 6.3000 39.6900 250.0470 1575.30 9.3240 58.7412 370.0696
0
Jml 39.1600 147.799 654.627 3199.00 109.7381 324.653 1280.00
h 0 9 0 3 7

Secara eksplisit, persamaan linier simultan untuk menemukan

selanjutnya dapat ditampilkan dalam bentuk matriks yaitu

Dengan menyelesaikannya menggunakan metode eliminasi Gauss atau Gauss-

Jordan, maka diperoleh harga-harga

Polinomial kuadratik hasil pencocokan selanjutnya dapat dinyatakan sebagai

seperti diperlihatkan pada gambar dibawah ini

Polinomial Simpangan
1. 0.1400 4.0964 4.4754 -0.3790

40
 2. 0.4300 4.7284 4.9697 -0.2413
3. 0.5800 5.2231 5.2146 0.0085
4. 0.9100 5.9984 5.7277 0.2707
5. 1.3000 6.8989 6.2884 0.6105
6. 2.0000 7.2307 7.1706 0.0601
7. 2.2000 7.3306 7.3934 -0.0628
8. 2.5000 7.8756 7.7032 0.1724
9. 2.7000 7.9908 7.8934 0.0974
10. 3.2000 8.1303 8.3121 -0.1818
11. 3.5000 8.4302 8.5242 -0.0940
12. 4.1000 8.5444 8.8607 -0.3163
13. 4.4000 8.8931 8.9850 -0.0919
14. 4.9000 9.0432 9.1271 -0.0839
15. 6.3000 9.3240 9.0923 0.2317

Gambar Grafik hasil pencocokan data yang ditunjukkan pada

tabel
diatas kepada polinomial.

5. Pencocokan Data Kepada Kurva Kombinasi Linier Fungsi-Fungsi

Lakukan pencocokan kurva menggunakan fungsi kombinasi linier terhadap
data yang diperoleh dari pengukuran suatu besaran fisika seperti terlihat pada
tabel dibawah ini Fungsi kombinasi linier diberikan

41
 X Y
0.1 0.01
0.2 0.06
0.3 0.1
0.5 0.33
0.7 0.56
0.9 1.00

Penyelesaian

Dengan menggunakan prosedur seperti yang diberikan pada persamaan

simultan linier dalam bentuk matriks (6-36), maka diperoleh bentuk persamaan
matriks sebagai berikut,

Penyelesaian menggunakan metode eliminasi Gauss terhadap persamaan

matriks di atas diperoleh harga koefisien-koefisien fungsi hasil kombinasi linier
sebagai berikut:

Fungsi Koefisien
n
1 0.0023
2 1.2162
3 -0.0012

Evaluasi terhadap kesalahan diberikan pada tabel:

Tabel 6.11

Kurva yang Simpangan

dicocokkan
1 0.1 0.01 0.0143 -0.0043
2 0.2 0.06 0.0507 0.0093
3 0.3 0.1 0.1114 -0.0114

42
 4 0.5 0.33 0.3058 0.0242
5 0.7 0.56 0.5975 -0.0375
6 0.9 1.00 0.9865 0.0135

dan grafik pencocokan data diberikan pada gambar

Gambar 6.7. Grafik hasil pencocokan data pada tabel 6.8

43
 BAB III
PENUTUP

A. Kesimpulan
Pencocokan kurva (Curve Fitting) adalah teknik penting dalam analisis data
yang bertujuan untuk mengestimasi kurva atau garis yang mewakili serangkaian titik
data. Hal ini membantu dalam memahami hubungan antara variabel yang diukur dan
memprediksi nilai di luar data yang diamati. Pentingnya pencocokan kurva terletak
pada kemampuannya untuk memberikan gambaran yang sistematis tentang perilaku
variabel yang diukur dan memperkirakan nilai di suatu titik dengan cara
menginterpolasi di antara harga-harga terukur. Dalam konteks sains dan teknik,
pencocokan kurva membantu dalam menganalisis dan memodelkan berbagai
fenomena, mulai dari perilaku fisika hingga tren ekonomi.
Ada dua metode utama dalam pencocokan kurva, yaitu regresi dan interpolasi.
Regresi digunakan untuk menentukan persamaan yang sesuai dengan kumpulan titik
data dengan memperhitungkan kesalahan, sedangkan interpolasi digunakan untuk
membangun kurva yang melalui semua titik data. Interpolasi dan ekstrapolasi
digunakan untuk menaksir nilai di dalam dan di luar interval titik-titik data yang
diberikan.
Dalam penggunaannya, pencocokan kurva membantu para ilmuwan dan
insinyur dalam memahami dan menganalisis data eksperimental yang tidak rapi atau
berfluktuasi tidak karuan. Dengan memodelkan data ke dalam kurva yang sesuai,
mereka dapat mengidentifikasi pola dan tren yang tersembunyi dalam data tersebut.
Kesimpulannya, pencocokan kurva merupakan alat yang sangat berharga dalam
penelitian ilmiah dan pengembangan teknologi modern.
Metode pencocokan kurva adalah salah satu pendekatan yang penting dalam
analisis data untuk mengestimasi hubungan matematis antara variabel. Salah satu
metode yang umum digunakan dalam pencocokan kurva adalah regresi linier. Regresi
linier adalah proses untuk menemukan persamaan garis terbaik yang mewakili
hubungan antara dua variabel dengan menggunakan metode kuadrat terkecil.

44
 Dalam regresi linier, tujuan utama adalah untuk menemukan parameter-
parameter (koefisien) dalam persamaan garis yang meminimalkan jumlah kuadrat dari
deviasi antara titik data yang diamati dan nilai yang diprediksi oleh model. Metode ini
dapat diterapkan dalam berbagai bidang, mulai dari ilmu alam hingga ilmu sosial,
untuk menganalisis dan memahami hubungan antara variabel-variabel yang diamati.
Untuk menyelesaikan regresi linier, digunakan teknik aljabar linier seperti
meminimalkan jumlah kuadrat simpangan (residual sum of squares) dan mencari
nilai-nilai parameter yang memenuhi syarat-syarat minimum. Pendekatan matriks
sering digunakan untuk menyelesaikan persamaan linier simultan yang muncul dalam
regresi linier.
Dengan menggunakan regresi linier, peneliti dapat memperoleh persamaan
matematis yang mewakili hubungan antara variabel-variabel tertentu, sehingga
memungkinkan untuk memprediksi nilai variabel dependen berdasarkan nilai variabel
independen. Hal ini membantu dalam pemahaman dan analisis data secara lebih
sistematis dan objektif.

45
DAFTAR PUSTAKA
Al-Rusman, I., Rohaeni, O., & Kurniati, E. (2016). Aplikasi Pencocokan Kurva (Curve
Fitting) Dalam Menganalisis Pengaruh SOI (Southern Oscillation Index) Terhadap
Curah Hujan Di Wilayah Indonesia. Jurnal Matematika UNISBA, 15(1), 1–8.
http://ejournal.unisba.ac.id
Burden, R. L., & Faires, J. D. (2016). Numerical Analysis. Cengage Learning.
Dennis, J.E., Jr. and Schnabel, R.B., 1996, Numerical Methods for Unconstrained
Optimization and Nonlinear Equation, Third Edition, Society for Industrial and Applied
Mathematics, USA.
Djojodihardjo, Harjono. 2004. Motoda Numerik. Jakarta : Gramedia Pustaka Utama.
Handayani, Rini, Model Regresi, STIE ATMA BHAKTI, Surakarta
Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2004). Applied Linear Statistical
Models. McGraw-Hill
Rendi, R. (2014). Pencocokan Kurva. Universitas Negeri Yogyakarta.
Supriyanto. 2006. Interpolasi Lagrange. Lab. Komputer, Departemen Fisika Universitas
Indonesia (Online), (supri@fisika.ui.ac.id atau supri92@gmail.com, diakses 13
Desember 2006).

46