*

PENCOCOKAN KURVA
(CURVE FITTING)
 * Pendahuluan
Aktifitas sains dan teknologi, seringkali
diperlukan suatu fungsi hubungan antar
variabe data pengamatan. Untuk itu
perlu suatu metode untuk menentukan
bentuk kurva yang merupakan
representasi dari data tersebut sehingga
dapat digunakan memprediksi pola atau
kecenderungan dari data pengamatan. Juga
kurva itu dapat digunakan untuk mencari
nilai suatu titik di antara nilai-nilai yang
diketahui (diamati). Metode ini dikenal
sebagai curve fitting (pencocokan kurva).
Ilustrasi.

Seorang insinyur telah mengukur besaran gaya

dan perpindahan yang terjadi pada sebuah pegas.
Data berikut telah diperoleh:

Dibutuhkan representasi hubungan antara gaya

(x) dan jarak (y)
 *

1.Regresi kuadrat terkecil (least square

method), apabila data menunjukkan kesalahan
(simpangan data) cukup besar.
2.Interpolasi, apabila data yang diketahui cukup
benar atau tidak mengalami simpangan yang
besar.
 *

Metode ini berasumsi bahwa kurva terbaik yang

dihasilkan adalah kurva yang mempunyai jumlah total
kuadrat kesalahan minimum (least square error) dari
data. Misal data: (x1,y1), (x2,y2), ..., (xn,yn) dimana x
adalah variabel bebas dan y adalah variabel terikat.

y6
y4
y3
f(x5) f(x6)
y1 f(x4)
f(x2) f(x3) y5

f(x1) y2
Pencocokan kurva f(x) mempunyai deviasi e (error)
dari setiap titik data e1 = y1-f(x1), e2 = y2-f(x2), ..., en
= yn-f(xn).

Menurut metode ini, kurva terbaik mempunyai

karakteristik:

Dimana f(x) = polinomial pendekatan

f(x) = a0 + a1.x +a2.x2 + ... + an.xn
dengan n = derajat dari polinomial

f(x)=a0+ a1.x → bentuk kurva linier

f(x)= a0 + a1.x +a2.x2 → bentuk kurva derajat dua
f(x)= a0 + a1.x +a2.x2+a3.x3 → bentuk kurva derajat tiga
 Regresi Polinomial
Persamaan polinomial order n :
f(x)= a0 + a1.x +a2.x2 + ... + an.xn ………………… (1)
Mempunyai kuadrat kesalahan terkecil dengan
turunan pertama dari masing-masing koefisien:
Persamaan 1 dapat ditulis dalam bentuk:

kemudian selesaikan persamaan linier dalam

bentuk matriks diatas untuk mendapatkan
a0, a1, a2, ..., an
Koefisien korelasi merupakan suatu nilai yang
menunjukkan kualitas dari fungsi pendekatan
terhadap data asli, yang dihitung berdasarkan
persamaan:
Untuk perkiraan yang sempurna nilai r=1.
Apabila r=0 perkiraan suatu fungsi
sangat jelek.
Metode ini memakai pendekatan persamaan garis
lurus untuk merepresentasikan hubungan variabel-
variabel dalam data.
……………….(2)

Untuk menentukan harga pendekatan terhadap

sekumpulan data: (x1,y1), (x2,y2), ..., (xn,yn)
dimana n ≤ 2, maka kuadrat kesalahan yang
terjadi:

dimana a dan b adalah koefisien yang tidak

diketahui, sedangkan semua xi dan yi sudah ada.
Untuk memperoleh kesalahan kuadrat terkecil
maka koefisien a dan b harus menghasilkan
turunan pertama nol.

dari persamaan di atas maka akan dihasilkan

persamaan 1*:
Selanjutnya dari persamaan sebelumnya didapatkan:

selanjutnya a dan b dapat ditentukan dengan cara

substitusi dari persamaan 1*
Suatu studi terhadap erosi yang terjadi
mendapatkan data: kecepatan(liter/detik) dimana
ketika air mengalir pada suatu muka tanah
percobaaan menyebabkan terjadi erosi (kilogram).

Tentukan suatu model matematik untuk data ini

dan validitasnya dengan pendekatan regresi linear.
Berapa besar tanah yang tererosi pada kecepatan
5 liter/detik.
Perhitungan Regresi Linier

Persamaan garis:
y= 0.40573+ 1.389045091.x
untuk kecepatan x=3 liter/detik maka banyaknya
tanah yang tererosi:
y=0.40573 + 1.389045091x(3) = 4.572865356 kg.
Tinjauan terhadap validitas fungsi pendekatan:
Kurva hasil regresi linier
Fungsi eksponensial y= a.ebx banyak dipakai dalam
dunia rekayasa. Dimana a dan b adalah konstanta
dan bilangan natural logaritma
e=2.71828182845905.
Fungsi pendekatan ini dilakukan apabila kecenderungan
perubahan dari nilai variabel data tidak linier dan
cenderung lengkung. Untuk memanipulasi fungsi
pendekatan ini agar bisa diselesaikan secara linier,
maka dilakukan transformasi ln:

y= a.ebx → ln y = ln a + ln e . b.x
karena ln e= 1, maka:ln y = ln a + b.x
sehingga tampak seperti Gambar berikut ini.
Algoritma transformasi ln

1. Persamaan yang dicari y= a.ebx

2. Transformasi dengan Ln
ln y = ln a + b. x
3. Dilakukan transformasi :
Misalnya, p= ln y dan A= ln a
Q=x dan B= b
4. Persamaan sementara berubah menjadi:
p= A + B.Q
5. Nilai A dan B dicari dengan menggunakan rumus
regresi linier biasa
6. Setelah A dan B ketemu persamaan
dikembalikan lagi ke :
y= a.ebx
Suatu test pembebanan pegas dengan data seperti
di bawah ini:
 Perhitungan regresi linier dengan transformasi ln

Tentukan fungsi pendekatan dengan menggunakan

transformasi ln; maka:

Persamaan yang dicari adalah b=B=0.09602677

karena:A=ln(a), maka 0.183931416=ln(a), sehingga a=1.20193
sehingga persamaan: y= a.ebx y=1.20193.e 0.09602677.X
Fungsi eksponensial penyelesaian Contoh 2
Pemakaian metode ini mirip dengan penggunaan
transformasi ln (logaritma dengan basis bilangan
e= 2.71828182845905), yaitu dengan logaritma
berbasis bilangan 10.

Persamaan yang dikehendaki dalam bentuk:

y= a.xb
dimana a dan b adalah konstanta persamaan,
sedangkan x, dan y adalah variabel-variabel dari
data yang diamati.

Proses linierisasi yang dilakukan adalah dengan

melakukan transformasi perpangkatan (logaritma
dengan basis 10).
Log(y) = log(a) + b.log(x)
Fungsi perpangkatan dengan skala linier
dan fungsi linier dengan logaritma:
Algoritma transformasi log basis 10

1. Persamaan yang dicari y= a.xb

2. Transformasi dengan log basis 10
log(y) = log(a) + b.log(x)
3. Dilakukan transformasi :
p= log y dan A= log a
Q=log x dan B= b
4. Persamaan sementara diubah menjadi:
p= A + B.Q
5. nilai A dan B dicari dengan menggunakan rumus
regresi linier biasa
6. setelah A dan B ketemu persamaan dikembalikan
lagi ke :
y= a.xb
Selesaikan contoh 2 dengan transformasi log
basis 10.
Solusi:
Perhitungan regresi linier dengan transformasi
log(basis 10).
Persamaan yang dicari adalah:
b=B=1.493721604
karena: A=ln(a), maka -0.969680482=ln(a),
sehingga a=0.107230793
sehingga persamaan:
y= a.xb
y=0.107230793.x 1.493721604
Fungsi perpangkatan penyelesaian Contoh 3
y=ao + a1x +a2x2 ………………………………….(3)

Mempunyai kuadrat kesalahan:

turunan pertama dari masing-masing koefisien :

sehingga menjadi persamaan linier di bawah ini :

koefisien a0, a1, dan a2 dapat dicari dengan

menyelesaikan persamaan linier di bawah ini :

setelah nilai a0, a1, dan a2 diketahui, itu

dimasukkan dalam persamaan y=a0 + a1x +a2x2
 No. Eksperimen Data x Data y
1 0 2.1
2 1 7.7
3 2 13.6
4 3 27.2
5 4 40.9
6 5 61.1

Carilah model matematika hubungan

variabel y dan x dari data eksperimen di
atas dengan metode regresi kuadrat
terkecil polinomial orde dua. Dan analisis
kualias dari model matematika yang
diperoleh
y=ao + a1x1 +a2x2 ……………………………….(3)
Ada dua variabel linear yaitu x1 dan x2

Mempunyai kuadrat kesalahan:

turunan pertama dari masing-masing koefisien :

sehingga menjadi persamaan linier di bawah ini :

koefisien a0, a1, dan a2 dapat dicari dengan

menyelesaikan persamaan linier di bawah ini :

setelah nilai a0, a1, dan a2 diketahui, itu

dimasukkan dalam persamaan y=a0 + a1x +a2x2
 No. Data Data Data
Eksperimen x1 x2 y
1 0 0 5
2 2 1 10
3 2.5 2 9
4 1 3 0
5 4 6 3
6 7 2 27

Carilah model matematika hubungan

variabel y dan x dari data eksperimen di
atas dengan metode regresi kuadrat
terkecil dengan multiple linear regresi.
Dan analisis kualias dari model
matematika yang diperoleh