MODUL KE-4
CURVE FITTING DAN OPTIMALISASI
Oleh :
Hana Naomi A. Situmorang 122120069
Asisten :
Sarah Manurung 120120019
Magdalena Marpaung 120120058
Jeremia Hotma Denata Pasaribu 121120037
Probo Pangestu Haryadi 121120054
Muhammad Exel Putra 121120059
Dea Febiana 121120088
Amelia Kartika 121120107
Ganefran Siregar 121120148
𝑓 (𝑥 ) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 + 𝑎3 𝑥 + ⋯ + 𝑎𝑗 𝑥 = 𝑎0 + ∑ 𝑎𝑘 𝑥 𝑘
2 3 𝑗
𝑘=1
III. LANGKAH PENGERJAAN
a. Script
#METODE REGRESI LINIER
x = []
for i in range(n):
X = float(input('Masukan data kedalaman ke-%d : ' %i))
x.append(X)
y=[]
for i in range(n):
Y = float(input('Masukan data temceratur ke-%d: ' %i))
y.append(Y)
xsum = 0
ysum = 0
x2sum = 0
xy = 0
for i in range(n):
xsum += x[i]
ysum += y[i]
x2sum += x[i] ** 2
xy += x[i] * y[i]
y_fit = np.zeros(n)
for i in range(n):
y_fit[i] = a * x[i] + b
print('The linear fitting is:', y_fit)
print('The linear function is: T =', a, 'Z +', b)
#input Data X
x=[]
for i in range(n):
data_x = float(input('Masukkan Nilai Dari Axis-X ke-%d: '
%i))
x.append(data_x)
#input data Y
y = []
for i in range(n):
data_y = float(input('Masukkan Nilai dari Axis-Y ke%d: '
%i))
y.append(data_y)
plt.plot(x,y,'o',x_pol,y_pol)
plt.title('Kurva Fitting Regresi Polinom (069_Hana)')
plt.xlabel('Data Kedalaman Axis-X')
plt.ylabel('Data Temperatur Axis-Y')
plt.show()
b. Langkah kerja
Regresi Linier
Regresi Polinomial
c. Diagram Alir
1. Regresi Linier
2. Regresi Polinomial
IV. HASIL DAN PEMBAHASAN
4.1 Hasil
1. Regresi Linier
a) Data temperatur bawah permukaan terhadap kedalaman
Gambar 4.1. 1 Hasil Regresi Linear data temperatur bawah permukaan terhadap kedalaman
Gambar 4.1. 2 Kurva Regresi Linear data temperatur bawah permukaan terhadap kedalaman
b) Data variasi offset dan travel time
Gambar 4.1. 3 Hasil Regresi Linear Data variasi offset dan travel time
Gambar 4.1. 4 Kurva Regresi Linear Data variasi offset dan travel time
2. Regresi Polinom
a) Data temperatur bawah permukaan terhadap kedalaman
4.2 pembahasan
Pada praktikum modul 4 ini digunakan dua regresi yaitu Regresi Linier
dan Regresi Polinomial. Dalam geofisika kedua regresi ini digunakan untuk
menentukan nilai parameter-parameter model yang ada dalam geofisika
seperti kedalaman, suhu, resistivitas dan lain sebagainya, yang kemudian
dengan diplotkan dengan regresi curve fitting untuk menentukan seberapa
‘fits’ sebuah data. Semakin minimum jarak antara parameter model yang
dicari dengan garis regresi maka mengestimasikan semakin baik regresi itu
bekerja dalam menggambarkan struktur bawah permukaan bumi. Regresi
linier digunakan dalam geofisika untuk memprediksi nilai suatu variabel
berdasarkan nilai variabel lain. Misalnya, regresi linier dapat digunakan
untuk memprediksi nilai suhu dari kedalaman tanah.
Sama halnya dengan variasi yang pertama. Pada data variasi offset dan
travel time digunakan regresi linier. Regresi linier dapat menggunakan
metode "kuadrat terkecil" untuk menemukan garis yang paling cocok untuk
menghitung nilai X (variabel dependen) dari Y (variabel independen).
Variabel dependen adalah variabel yang ingin diprediksi, sedangkan
variabel independen adalah variabel yang digunakan untuk memprediksi
nilai variabel dependen. Pada regresi linear tersebut pada sumbu x
menggambarkan offset dan pada sumbu y menggambarkan travel time,
dilihat dari grafik tersebut dapat disimpulkan bahwa semakin jauh nilai
offset maka nilai travel time akan semakin bertambah besar. Dilihat dari
pencocokan data atau curve fitting, pada regresi linear data yang dihasilkan
kurang fit dikarenakan titik biru (data observasi) tidak menyatu dengan garis
berwarna oren (garis kalkulasi atau pengukuran).
Regresi polinomial adalah salah satu teknik regresi yang digunakan
untuk memodelkan hubungan antara variabel independen (x) dan variabel
dependen (y) dengan menggunakan fungsi polinomial. Fungsi polinomial
adalah fungsi matematika yang terdiri dari satu atau lebih istilah dengan
pangkat berbeda dari variabelnya. Dalam regresi polinomial, model regresi
dibangun dengan menggunakan persamaan polinomial untuk menemukan
polinomial yang paling sesuai dengan data yang diberikan. Dalam
praktiknya, regresi polinomial digunakan ketika hubungan antara variabel
independen dan variabel dependen tidak linear, dan model linear tidak dapat
memberikan hasil yang memuaskan. Namun, perlu diingat bahwa
penggunaan model regresi polinomial dengan orde yang tinggi dapat
menghasilkan overfitting dan membuat model menjadi kurang umum,
sehingga perlu dilakukan evaluasi kembali terhadap model yang dibangun
dengan mempertimbangkan aspek statistik.
Hasil dari derajat polinom pada percobaan ini yang pertama regresi
polinomial dengan memasukkan 8 jumlah data dan pengukuran kedalaman
dan temperatur yang sudah divariasikan dengan dilakukan percobaan 3 kali
dengan menggunakan besar derajat yang berbeda-beda mulai dari angka
5,10, dan 15. Pada variasi derajat = 5 maka diperoleh hasil pengukuran yang
menunjukkan garis melengkung dengan arah seperti menanjak pada kurva
pengukuran warna jingga. Namun kurva pengukuran masih belum fit
terhadap data observasi. Pada variasi derajat = 10, dapat dilihat bahwa kurva
pengukuran menunjukkan garis yang akurat terhadap data observasi,
sehingga semua titik data observasi dapat fit secara sempurna. Pada variasi
derajat = 15 maka kurva pengukuran sudah fit sebagaian dengan titik-titik
data observasi, namun belum bisa dikatakan fit sempurna dikarenakan data-
data observasi belum berada tepat di arah trend garis kurva pengukuran.
Hasil dari derajat polinom pada percobaan ini yang pertama regresi
polinomial dengan memasukkan 8 jumlah data dan pengukuran ketinggian
dan waktu planet X yang sudah divariasikan dengan dilakukan percobaan 3
kali dengan menggunakan besar derajat yang berbeda-beda mulai dari angka
1,2, dan 20. Pada variasi derajat = 1 maka diperoleh hasil pengukuran yang
menunjukkan garis melengkung dengan arah seperti menurun dan
berbentuk U terbalik pada kurva pengukuran warna jingga. Namun kurva
pengukuran masih belum fit terhadap data observasi. Pada variasi derajat =
2, dapat dilihat bahwa kurva pengukuran menunjukkan garis yang akurat
terhadap data observasi, sehingga semua titik data observasi dapat fit secara
sempurna. Pada variasi derajat = 20 maka kurva pengukuran sudah fit
sebagaian dengan titik-titik data observasi, namun belum bisa dikatakan fit
sempurna dikarenakan data-data observasi belum berada tepat di arah trend
garis kurva pengukuran.
V. KESIMPULAN
Dalam Curve Fitting terdapat dua metode regresi yang digunakan untuk
mempelajari hubungan antara dua variabel atau lebih. Regresi ini terbagi
menjadi regresi linier dan polinomial.
1. Regresi polinomial dapat menyatakan hubungan antara dua variabel
atau lebih yang memiliki persamaan kompleks (tidak linear). Pada
regresi polinomial juga nilai error lebih kecil jika dibandingkan dengan
regresi linier. Semakin besar orde pada regresi polinomial, maka model
regresi akan semakin kompleks. Namun, peningkatan orde pada regresi
polinomial juga dapat menyebabkan overfitting yang dapat
menghasilkan prediksi yang buruk pada data baru dan mengurangi
kemampuan model untuk digunakan dalam memprediksi. Jumlah data
observasi dan derajat polinom yang digunakan mempengaruhi hasil
fitting regresi polinomial yang dihasilkan. Jumlah data input yang lebih
banyak akan memberikan hasil fitting yang lebih akurat dan presisi.
DAFTAR PUSTAKA
ADLANA, L. O. (2021). Regresi Linier Dan Formulasi Inversi Linier Dalam
Pemodelan Geofisika. 6-9.
Grandis, D. H. (2019). Pengantar Pemodelan Inversi Geofisika. Bandung: CV.
Bhumi Printing.
Rusman, I. A. (2016). Aplikasi Pencocokan Kurva (Curve Fitting) Dalam
Menganalisis Pengaruh SOI (Southern Oscillation Index) Terhadap Curah
Hujan di Indonesia. 1.
Saragih, I. J. (2020). PREDIKSI CURAH HUJAN BULANAN DI DELI
SERDANG MENGGUNAKAN PERSAMAAN REGRESI DENGAN
PREDIKTOR DATA SUHU DAN KELEMBAPAN UDARA. Jurnal
Meteorologi Klimatologi dan Geofisika .
Yuniarko, T. (2019). PENCOCOKAN KURVA DENGAN FUNGSI LINIER
BAGIAN DEMI BAGIAN. Jurnal Incomtech, 1-2.
LAMPIRAN