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)  p ( x)
n

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    yi  a  bxi 
2 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
a  xi  b xi   xi yi
n n n

 ax   bx   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  a    yi  b i 1 i 1 i 1
 n n
 n 
2

n i 1
     ni 1  Solusinya : n xi    xi 
2

2    i 1 
n
 x  xy
   i 1
xi b 
i 1
i
i 1

 
 i 1
i i
 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 y i 
 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  Cxb 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  Cebx
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  Cebx
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 dengan a0, a1, a2 dan a3 adalah sebagai berikut :
a0  a1 x 0  a2 x02  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 1.5727 1.5751

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 derajat yang lebih tinggi.
pi :=1;
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 , xn 1 ,..., 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.
xi 0.0 1.0 2.0 3.0 4.0
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