NAMA : MUTIA ANANDA

NIM : 2330105040006
MATA KULIAH : METODE NUMERIK
DOSEN PENGAMPU : PRIHANIKA, S.T., M.T

RANGKUMAN METODE NUMERIK

1. Pemodelan Data 1 Dimensi dengan Polinomial

➢ Pengertian
Pemodelan data 1 dimensi dengan polinomial adalah proses pengembangkan data yang hanya
memiliki satu variabel independen menjadi model yang lebih kompleks dengan menggunakan fungsi
polinomial. Dalam konteks analisis data, pemodelan data 1 dimensi dengan polinomial digunakan untuk
memprediksi nilai variabel dependen berdasarkan nilai variabel independen. Polinomial digunakan
sebagai fungsi yang menghubungkan antara variabel independen dan variabel dependen, sehingga
memungkinkan analisis lebih lanjut dan prediksi yang lebih akurat.
➢ Pengaplikasian
Pemodelan data 1 dimensi dengan polinomial digunakan dalam berbagai pengaplikasian, seperti
analisis geolistrik resistivitas, pemodelan dan simulasi operasional matematika, analisis data yang
memerlukan prediksi nilai variabel dependen berdasarkan nilai variabel independen, penghitungan
matematika, serta Regresi dan Interpolasi. Dalam beberapa kasus, pemodelan data 1 dimensi dengan
polinomial digunakan untuk mengatasi kekurangan data yang terbatas dan memprediksi nilai variabel
dependen dengan lebih akurat.
➢ Rumus
Rumus umum untuk pemodelan data satu dimensi dengan polinomial adalah sebagai berikut:
• Fungsi polinomial linear : 𝑦 = 𝑎 + 𝑏𝑥
• Fungsi polinomial kuadrat : 𝑦 = 𝑎 + 𝑏𝑥 + 𝑐𝑥^2
• Fungsi polinomial kubik : 𝑦 = 𝑎 + 𝑏𝑥 + 𝑥^2 + 𝑑𝑥^3

➢ Contoh Soal dan Jawaban

1. Tentukan polinomial kuadrat yang jumlah dan hasil kali angka nolnya berturut-turut
adalah 21/8 dan 5/16. Juga, temukan angka nol dari polinomial dengan faktorisasi.
Jawaban :
Diberikan,
Jumlah angka nol = 21/8
Hasil kali nol = 5/16
Polinomial kuadrat dengan jumlah dan hasil kali nol diberikan oleh:
p(x) = x 2 – (jumlah nol) x + (hasil kali akar-akar)
 = x 2 – (21/8)x + (5/16)
Pertimbangkan p(x) = 0 untuk mencari angka nol.
⇒ x 2 – (21/8)x + (5/16) = 0
⇒ 16x 2 – 42x + 5 = 0
⇒ 16x 2 – 40x – 2x + 5 = 0
⇒ 8x(2x – 5) – 1(2x – 5) = 0
⇒ (2x – 5) (8x – 1) = 0
⇒ (2x – 5) = 0, (8x – 1) = 0
⇒ 2x = 5, 8x = 1
⇒ x = 5/2, x = 1/8
Oleh karena itu, dua angka nol pada polinomial tersebut adalah 5/2 dan 1/8.

2. Pemodelan Data 1 Dimensi dengan Fourie

➢ Pengertian
Pemodelan data 1 dimensi dengan deret Fourier adalah proses mengembangkan data yang hanya
memiliki satu variabel independen menjadi model yang lebih kompleks dengan menggunakan deret
Fourier. Deret Fourier adalah suatu deret yang mengandung suku-suku sinus dan cosinus yang digunakan
untuk merepresentasikan fungsi-fungsi periodik secara umum. Dalam konteks analisis data, pemodelan
data satu dimensi dengan deret Fourier digunakan untuk memprediksi nilai variabel dependen berdasarkan
nilai variabel independen. Deret Fourier digunakan sebagai fungsi yang menghubungkan antara variabel
independen dan variabel dependen, sehingga memungkinkan analisis lebih lanjut dan prediksi yang lebih
akurat.
➢ Pengaplikasian
Dalam beberapa kasus, pemodelan data 1 dimensi dengan deret Fourier digunakan untuk mengatasi
kekurangan data yang terbatas dan memprediksi nilai variabel dependen dengan lebih akurat. Contoh
aplikasi pemodelan data satu dimensi dengan deret Fourier termasuk analisis geolistrik resistivitas,
pemodelan dan simulasi operasional matematika, serta analisis data yang memerlukan prediksi nilai
variabel dependen berdasarkan nilai variabel independen.
➢ Rumus
Rumus pemodelan data 1 dimensi dengan deret Fourier adalah sebagai berikut:
• Deret Fourier untuk fungsi periodik :
𝑎0 ∞
𝑓(𝑥) = 2
+𝛴𝑛=1 αn cos (n𝑥) + bn sin (n𝑥)

• Deret Fourier untuk fungsi non periodik :

 𝑎0 ∞
𝑓(𝑥) = 2
+𝛴𝑛=1 αn cos (n𝑥) + bn sin (n𝑥) + cn cos (n𝑥) + dn sin (n𝑥)

Dalam rumus di atas, α0, α n, 𝑏n, 𝐶 n, 𝑑n adalah koefisien Fourier yang dapat dihitung menggunakan
rumus berikut:
1 𝜋
• Koefisien Fourier untuk fungsi periodik : α n = 𝜋 ∫−𝜋 𝑓(𝑥) 𝑐𝑜𝑠(𝑛𝑥) 𝑑𝑥
1 𝜋
• Koefisien Fourier untuk fungsi non-periodik : α n = ∫−𝜋 𝑓(𝑥) 𝑐𝑜𝑠(𝑛𝑥) 𝑑𝑥
𝜋
1 𝜋
• Koefisien Fourier untuk fungsi non-periodik : 𝑏n = ∫−𝜋 𝑓(𝑥) 𝑠𝑖𝑛(𝑛𝑥) 𝑑𝑥
𝜋

➢ Contoh Soal dan Jawaban

3. Metode Estimasi Konvensional
Metode estimasi konvensional dengan grid teratur dan tanpa grid teratur mengacu pada pendekatan
yang berbeda dalam memperkirakan nilai di berbagai bidang, khususnya di bidang geologi dan teknik.

a) Dengan Grid Konvensional Teratur

➢ Pengertian
Dalam konteks geologi, khususnya dalam estimasi sebaran spasial parameter geologi,
metode konvensional dengan grid melibatkan penggunaan sistem grid untuk mengatur dan
menganalisis data. Pendekatan ini sering digunakan dalam geostatistik, yang tujuannya adalah
memperkirakan nilai suatu parameter di lokasi tertentu berdasarkan nilai yang diamati di lokasi
terdekat. Sistem grid membantu mengatur data ke dalam format terstruktur, membuatnya lebih
mudah untuk menganalisis dan memodelkan hubungan antar nilai. Metode konvensional dengan
grid biasanya melibatkan langkah-langkah Pengumpulan Data, Pembuatan Grid , Analisis Data,
Pemodelan dan Estimasi.
➢ Pengaplikasian
Pendekatan ini umumnya digunakan dalam hidrogeologi, pertambangan, dan pemantauan
lingkungan, yang tujuannya adalah untuk memahami distribusi spasial sifat atau kontaminan
bawah permukaan.

➢ Rumus
A. Metode Rata-rata Tetangga (Nearest Neighbor Mean) :
Z^(u)=1n∑i=1nZiZ^(u)=n1 ∑i=1nZi di mana Z^(u)Z^(u) adalah estimasi nilai di
titik uu, ZiZi adalah nilai pada titik tetangga ii, dan nn adalah jumlah tetangga.
B. Metode Jarak Terdekat (Nearest Distance Method): Z^(u)=ZiZ^(u)=Zi di
mana ZiZi adalah nilai pada titik terdekat dengan titik uu.
C. Metode K-nearest Neighbors (KNN): Z^(u)=1k∑i=1kZiZ^(u)=k1∑i=1kZi di
mana kk adalah jumlah tetangga terdekat yang dipertimbangkan.

b) Tanpa Grid Konvensional Teratur

➢ Pengertian
Dalam konteks teknik, khususnya analisis struktur, metode konvensional tanpa grid
mengacu pada penggunaan metode analitis untuk memperkirakan perilaku struktur pada
 berbagai beban. Pendekatan ini tidak bergantung pada sistem grid melainkan pada model dan
rumus matematika untuk menghitung tegangan, regangan, dan deformasi struktur.
Metode konvensional tanpa grid biasanya melibatkan langkah-langkah Definisi Masalah,
Pemodelan Matematika , Solusi dan Estimasi.
➢ Pengaplikasian
Pendekatan ini biasa digunakan dalam bidang teknik sipil, teknik mesin, dan teknik
pertambangan, dimana tujuannya adalah untuk merancang dan menganalisis struktur yang
dapat menahan berbagai beban dan tekanan.
➢ Rumus
a. Kriging: Z^(u)=∑i=1nλiZiZ^(u)=∑i=1nλiZi di mana λiλi adalah bobot yang
diberikan untuk setiap titik data ZiZi, dan bobot ini ditentukan berdasarkan fungsi
kovarians antara titik titik data.
b. Metode Jarak Terdekat Terbobot (Weighted Nearest Neighbor Method):
Z^(u)=∑i=1nwiZi∑i=1nwiZ^(u)=∑i=1nwi∑i=1nwiZi di mana wiwi adalah bobot
yang diberikan untuk setiap titik data ZiZi, biasanya berdasarkan invers jarak.
c. Regresi Spasial: Z^(u)=β0+β1x1+β2x2+...+βkxkZ^(u)=β0+β1x1+β2x2+...+βkxk
di mana β0,β1,...,βkβ0,β1,...,βk adalah koefisien regresi yang diperoleh melalui
analisis regresi.

➢ Contoh Soal dan Jawaban

Selanjutnya kita gunakan langkah-langkah algoritma KNN untuk menentukan Class dari data terakhir.
1) Menentukan nilai K
Penentuan nilai K ini tidak ada rumus pastinya. Namun satu tips yang dapat dipertimbangkan, yakni jika
kelas berjumlah genap maka sebaiknya nilai K-nya ganjil, sebaliknya jika kelas berjumlah ganjil maka
sebaiknya nilai K-nya genap.
2) Hitung jarak antara data baru dan masing-masing data lainnya

3). Ambil sejumlah K data dengan jarak terdekat, kemudian tentukan kelas dari data baru tersebut
Nilai dari K yaitu 3, sehingga kita perlu mengambil 3 data dengan jarak terdekat dengan data baru. Jarak
yang terdekat yaitu data ke-6, data ke-5, dan data ke-1.

Dari ketiga data terdekat tersebut terdapat dua kelas B dan satu kelas A. Sehingga dapat disimpulkan bahwa
kelas dari data baru adalah B.