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)
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.
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
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.
(1-1)
dimana dan merupakan konstanta-konstanta sembarang.
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
(1-2)
Dengan M merupakan jumlah total titik-titik data. Simpangan harga antara
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
(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)
(1-12)
(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)
(1-15)
10
(1-16)
Selanjutnya, koefisien a dapat diperoleh kembali dengan mengambil
antilogaritma dari parameter c yang sudah kita ketahui harganya, yaitu
(1-17)
(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)
(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)
(1-32)
Total kuadrat simpangan (1-18) didefinisikan sebagai
(1-33)
(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)
15
2. Gunakan nilai yang diketahui di soal untuk menentukan nilai konstanta C
3. Tulis persamaan kurva dengan sempurna.
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
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
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
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
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 .
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
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
p(x) =0,56584436
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
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
b.
s(x)¿ {2 x−1¿¿¿ 0≤x≤1
1≤x≤2
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
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
Simpangan setiap titik data terhadap grafik hasil regresi linier dapat dilihat pada
tabel berikut ini:
i Simpangan
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
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
36
Dengan mensubstitusi harga-harga dari tabel diatas yang sesuai pada
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
20.9023 21.2324
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
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
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
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
Fungsi Koefisien
n
1 0.0023
2 1.2162
3 -0.0012
Tabel 6.11
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
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