6.

Pencocokan Kurva
Regresi & Interpolasi
Pendahuluan

Data yang berasal dari hasil pengamatan

lapangan, pengukuran atau tabel yang diambil
dari buku-buku acuan.
Nilai antara, turunan, integral mudah dicari
untuk fungsi polinom
Fungsi sulit perlu disederhanakan menjadi fungsi
polinom f ( x) pn ( x)

pn ( x) a0 a1 x a2 x 2 ... an x n
Pendahuluan (Cont.)
Bantuan beberapa titik dicocokan dalam kurva pn(x).
Metode pencocokan titik dengan sebuah kurva ada 2
macam :
Y Y

X X

Regresi Interpolasi
Regresi

Untuk data dengan berketelitian rendah

Kurva tidak perlu melewati semua titik yang tersedia
Kurva yang dibentuk merupakan kecenderungan dari
sekelompok data
Dipilih kurva yang memiliki selisih antara titik data
dengan kurva hampiran sekecil mungkin
Ketidaktelitian disebabkan oleh : kesalahan
mengukur, ketidaktelitian alat ukur atau kelakuan
sistem yang diukur.
Regresi (Cont.)

Prinsip penting yang harus diketahui dalam

pencocokan kurva untuk data hasil pengukuran :
Fungsi mengandung sesedikit mungkin parameter bebas
Deviasi fungsi dengan titik data dibuat minimum
Manfaat Pencocokan Kurva untuk data hasil
pengukuran :
Bagi ahli sains/rekayasa : mengembangkan formula empirik
untuk sistem yang diteliti
Bagi ahli ekonomi : menentukan kurva kecenderungan
ekonomi untuk meramalkan kecenderungan yang akan
datang
Regresi Linier

Persamaan kurva : f(x) = a + bx dari titik-titik

(xi,yi).
Karena (xi,yi) merupakan hasil pengukuran
yang mengandung galat, maka dapat ditulis :
g(xi) =yi + ei, i = 1,2,,n
Deviasi persamaan kurva dengan nilai data :
ri = yi f(xi) = yi (a + bxi)
Regresi Linier (Cont.)

Total kuadrat deviasinya :

n
R ri 2 yi a bxi
2

i 1
Agar R minimum, maka haruslah :
R 2 y a bx 0 dan R 2 xi yi a bxi 0
a i i b
Kedua persamaan dibagi -2, menjadi :
n n n n

y
i 1
i a bxi 0 yi a bxi 0
i 1 i 1 i 1
n n n

x y i i a bxi 0 xi yi axi bxi 0

i 1 i 1 i 1
Regresi Linier (Cont.)

Selanjutnya :
n n
na b xi yi
n n n

a bx y
i 1 i 1
i
i 1
i atau i 1 i 1
n n n n n n

ax bx xi yi a xi b xi xi yi
2 2
i i
i 1 i 1 i 1 i 1 i 1 i 1

Dalam bentuk persamaan matrik : n n n

n xi yi xi yi
n
n

xi yi b i 1 i 1 i 1
n a 2
i 1 Solusinya :
n
n
n i 1
n xi xi
2

2
n n
x i 1
xi b xi yi

i 1

i 1
i
i 1
i 1 a y bx
Regresi Kuadratik

Persamaan kurva : f(x) = a + bx +cx2 dari

titik-titik (xi,yi).
Karena (xi,yi) merupakan hasil pengukuran
yang mengandung galat, maka dapat ditulis :
g(xi) =yi + ei, i = 1,2,,n
Deviasi persamaan kurva dengan nilai data :
ri = yi f(xi) = yi (a + bxi+cxi2)
Regresi Kuadratik (Cont.)

Total kuadrat deviasinya :

n
R ri ( yi a bxi cxi2 ) 2
2

i 1
Agar R minimum, maka haruslah :
R 2 ( yi a bxi cxi2 ) 0
a
R 2 xi ( yi a bxi cxi2 ) 0
b
R 2 x 2 ( y a bx cx 2 ) 0
c i i i i
Regresi Kuadratik (Cont.)

Kedua persamaan dibagi -2, menjadi :

(y a bx cx ) y a bx cx
i i
2
i i i
2
i

x ( y a bx cx ) x y ax bx cx
i i i
2
i i i i
2
i
3
i

x ( y a bx cx ) x y ax bx cx
2
i i i
2
i
2
i i
2
i
3
i
4
i

a bx cx y
i
2
i i

ax bx cx x y
i
2
i
3
i i i

ax bx cx x y
2
i
3
i
4
i
2
i i

n

x x i
2
i
a yi

xi x x
2 3
i i b
xi yi
xi2 x x3 4 c xi2 yi
i i
Linearisasi

Regresi linier hanya cocok untuk data yang

memiliki hubungan linier antara variabel
bebas dengan variabel terikatnya.
Penggambaran grafik dan pemeriksaan data
secara visual untuk memastikan apakah
berlaku suatu model linier
Linearisasi Pangkat Sederhana

Mencocokkan data dengan fungsi y = Cxb

y Cx b Sistem persamaan linier :

ln( y ) ln(C ) b ln( x) 7 1.2447 a 12.7139

1.2447 6.2522 b 1.0659

Y a bX Solusinya adalah : a = 1.8515, b = 0.1981

C e a e1.8515 6.369366
Jadi kurva yang dipakai :

y 6.369366 x 0.1981
Linearisasi Fungsi Eksponensial

Mencocokkan data dengan fungsi y = Cebx

Sistem persamaan linier :
y Ce bx
ln( y ) ln(C ) bx ln(e) 7 8.26 a 12.7139
8.26 14.416 b 16.007
ln( y ) ln(C ) bx

Solusinya adalah : a = .., b =..

Y a bX C e a e a .......
Jadi kurva yang dipakai :

y Ce bx
Interpolasi

(n+1) buah titik berbeda (x0,y0),(x1,y1),,(xn,yn).

Menentukan polinom pn(x) yang menginterpolasi semua titik-
titik tersebut sedemikian rupa sehingga :
yi = pn(xi) untuk i=0,1,2,..,n
Selanjutnya p(x) dapat digunakan untuk menghitung hampiran
y(x).
Jika x0<xk<xn, maka p(xk) disebut nilai interpolasi.
Jika xk<x0 atau xk>xn, maka p(xk) disebut nilai ekstrapolasi.
Interpolasi bermanfaat untuk mencari nilai hampiran sebagai
pengisi kaitan data yang hilang.
Interpolasi Linier
Interpolasi dua buah titik y1 y0
a1
dengan sebuah garis lurus. x1 x0
Misal (x0,y0) dan (x1,y1). x1 y0 x0 y1
a0
Persamaan garis lurus yang x1 x0
terbentuk : Setelah disubtitusi dalam
p1(x) = a0 + a1x persamaan dan dilakukan sedikit
a0 dan a1 dicari dengan cara otak-atik aljabar didapatkan :
berikut : (y y )
p1 ( x) y0 1 0 ( x x0 )
y0 a0 a1 x0 ( x1 x0 )
y1 a0 a1 x1 Y

(x1,y1)
Dengan proses eliminasi dan
subtitusi didapatkan :
(x0,y0)
X
Interpolasi Kuadratik
Interpolasi tiga buah titik dengan sebuah persamaan polinom kuadrat.
Misal (x0,y0), (x1,y1) dan (x2,y2).
Persamaan polinom kuadrat yang terbentuk :
p2(x) = a0 + a1x + a2x2
Persamaan dari 3 titik dengan a0, a1 dan a2 adalah sebagai berikut :
a0 a1 x 0 a2 x02 y0
a0 a1 x1 a2 x12 y1
a0 a1 x2 a2 x22 y2
Dengan metode eliminasi Gauss, didapatkan nilai a0,a1 dan a2.
Y (x1,y1)

(x2,y2)
(x0,y0)

X
Interpolasi Kubik
Interpolasi empat buah titik dengan sebuah persamaan polinom kubik.
Misal (x0,y0), (x1,y1), (x2,y2), dan (x3,y3).
Persamaan polinom kuadrat yang terbentuk :
p3(x) = a0 + a1x + a2x2 + a3x3
Persamaan dari 4 titik 2dengan a0, a1, a2 dan a3 adalah sebagai berikut :
a0 a1 x 0 a2 x0 a3 x03 y0
a0 a1 x1 a2 x12 a3 x13 y1
a0 a1 x2 a2 x22 a3 x23 y2
a0 a1 x2 a2 x32 a3 x33 y3
Dengan metode eliminasi Gauss, didapatkan nilai a0,a1 dan a2.
Y (x1,y1)
(x3,y3)

(x0,y0) (x2,y2)

X
Resume

Interpolasi linier, kuadratik, kubik dan

seterusnya relatif kurang disukai disebabkan
persamaan yang diperoleh (terutama yang
berderajat tinggi) akan berkondisi buruk.
Interpolasi Lagrange
Nama diambil dari penemunya Joseph Louis Lagrange (Perancis)
Bentuk umum derajat <n untuk (n+1) titik berbeda :
n
pn ( x) yi Li ( x) y0 L0 ( x) y1 L1 ( x) ... yn Ln ( x)
i 0
n (x x j ) ( x x0 )( x x1 )...( x xi 1 )( x xi 1 )...( x xn )
Li ( x)
j 0
j i
( xi x j ) ( xi x0 )( xi x1 )...( xi xi 1 )( xi xi 1 )...( xi xn )

Contoh Kasus :
Diberikan fungsi y = f(x) dengan 3 buah titik data dalam tabel berikut :
X 1 4 6
Y 1.5709 1.572 1.575
7 1

tentukan nilai f(3.5)!

Interpolasi Lagrange
function Lagrange (x:real; n: integer): Kurang disukai karena :
real;
var Jumlah komputasi yang
i, j : integer; dibutuhkan untuk satu kali
pi, L : real; interpolasi besar.
begin Hasil komputasi pada derajat
L = 0; yang lebih rendah tidak bisa
for i:=0 to n do
digunakan untuk menghitung
begin
pi :=1;
derajat yang lebih tinggi.
for j:=0 to n do
if i<>j then
pi:=pi*(x-x(j))/(x(i)-x(j));
endfor
L:=L+y(i)*pi;
endfor;
Lagrange :=L;
end.
Interpolasi Newton
Bentuk umum :
(i) Rekurens :
pn(x) = pn-1(x)+an(x-x0)(x-x1)(x-xn-1)
(ii) Basis :
p0(x) = f(x0) = y0
a0 f ( x0 ) f ( xi ) f ( x j )
f [ xi , x j ]
a1 f [ x1 , x0 ] xi x j
a2 f [ x2 , x1 , x0 ] f [ xi , x j ] f [ x j xk ]
f [ xi , x j , xk ]
... xi xk
an f [ xn , xn1 ,..., x1 , x0 ] ...
f [ xn , xn 1 ,..., x1 ) f [ xn 1 , xn 2 ,..., x0 )
f [ xn , xn 1 ,..., x1 , x0 ]
xn x0

Bentuk umum juga dapat ditulis :

pn ( x) f ( x0 ) ( x x0 ) f [ x1 , x0 ] ( x x0 )( x x1 ) f [ x2 , x1 , x0 ] ...
( x x0 )( x x1 )...( x xn 1 ) f [ xn , xn 1 ,..., x1 , x0 ]
Tabel Selisih Terbagi Newton

i xi yi=f(xi) ST-1 ST-2 ST-3

0 x0 f(x0) f[x1,x0] f[x2,x1,x0] f[x3,x2,x1,x0]
1 x1 f(x1) f[x2,x1] f[x3,x2,x1]
2 x2 f(x2) f[x3,x2]
3 x3 f(x3)

ST : Selisih Terbagi
Contoh Kasus :
Diberikan data pada tabel dibawah ini, taksirlah nilai fungsi di x = 2.5! Dengan
polinom newton orde 3. x 0.0 1.0 2.0 3.0 4.0
i

f(xi) 1.0000 0.5403 -0.4161 -0.9900 -0.6536

Interpolasi Spline
Tidak semua kasus semakin tinggi derajat kurva akan semakin bagus.
Misal untuk kasus dimana terdapat perubahan kecekungan yang
sangat mendadak fungsi tangga.
Solusi : dibuat polinom per-potong yang berderajat rendah.

(xk,yk)
(x1,y1)
(xn,yn)

(x3,y3)

(x2,y2)
(x0,y0) (xk+1,yk+1)

y = Sk(x) dan y = Sk+1(x) masing-masing terletak

Spline Linier

Setiap pasang titik