Pencocokan Kurva

KELOMPOK 9
Nama :
1. Gusti Perdana
2. Isnawati
3. M. Rasyidi
4. Qori Dermawan
5. Saryulis
6. Otah Khimide
7. Paisal Harahap
TUJUAN

Tujuan bab ini adalah menggunakan metode-metode

numerik untuk pencocokan kurva untuk memecahkan
beberapa masalah rekayasa. Sama halnya seperti hal-
hal studi kasus lainnya, contoh yang pertama di ambil
dari bidang rekayasa ekonomi, dan manajemen umum.
Ini di ikuti oleh studi kasus dari empat bidang rekayasa
utama : kimia,elektro,mesin dan sipil
PENDAHULUAN

Pencocokan kurva merupakan suatu teknik yang penting dan

sangat diperlukan untuk menghandle data hasil pengukuran suatu
variabel, sehingga diperoleh gambaran yang jelas mengenai sifat-
sifat atau perilaku variabel yang kita ukur. Ada dua alasan
mengapa kebutuhan mencocokkan ke kurva dari data hasil
pengukuran ini penting. Pertama, dengan cara fitting ini bisa
memberikan gambaran secara matematis mengenai hubungan
antara dua variabel yang diukur. Kedua, dari persamaan kurva
yang dipeoleh dapat digunakan untuk memprediksikan harga
variabel tak bebas di suatu titik dengan cara menginterpolasi
diantara harga-harga terukur.
Dalam hubungannya dengan teknik, misalnya kita mengukur suatu
besaran fisis tertentu, sering ditemukan data hasil pengukuran
yang tidak rapi atau berfluktuasi tidak karuan. Dengan cara
mecocokkan data ke kurva tertentu akan dapat ditunjukkan adanya
kecenderungan membentuk pola tertentu. Fluktuasi hasil
pengukuran dapat berupa kesalahan random sistem pengukuran
atau perilaku stokastik intrinsic sistem yang diukur. Apapun
alasannya, kebutuhan mencocokkan hasil pengukuran tersebut
kepada suatu fungsi sangat diperlukan. Jelasnya, untuk
mendapatkan gambaran yang komprehensif tentang perilaku
besaran fisis yang telah diukur, kita perlu melakukan fitting data .
Metode yang paling sederhana untuk
mencocokkan data kepada suatu kurva tertentu
adalah dengan mengeplot titik-titik data tersebut
dan menarik garis yang bersesuaian dengan
data tersebut. Kalau hal ini yang dilakukan,
maka masalah yang timbul kemudian adalah
cara menginterpretasikan data hasil
pengukuran tersebut Dalam hal ini jelas akan
bergantung kepada subyektivitas dari peneliti
itu sendiri.
Gambar 6.1. Empat eksperimen yang dilakukan oleh empat peneliti
menghasilkan enam data. Pencocokan data kepada suatu kurva dilakukan
menurut subyektivitas peneliti sendiri.
 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
PENGERTIAN REGRESI
Regresi linier adalah sebuah metode pencarian persamaan linier
berdasarkan pada seperangkat titik data hasil pengukuran. Untuk
lebih jelasnya, kita akan mengambil sebuah contoh data
pengukuran suhu dalam sepuluh menit seperti terlihat pada tabel
6.1. Dengan data yang kita miliki tersebut, kita dapat menarik garis
semau kita yang sama-sama dekat dengan titik data, meskipun
tidak ada satupun garis melewati tepat pada titik-titik data tersebut
(lihat gambar 6.1). Pertanyaan selanjutnya adalah, bagaimanakah
caranya untuk memperoleh persamaan garis yang cocok dengan
data pengukuran itu sehingga diperoleh simpangan minimal. Untuk
tujuan ini, dimisalkan fungsi pendekatan linier ini dinyatakan oleh

dimana a dan b merupakan konstanta-konstanta sembarang.

Tabel 6.1

– Gambar 6.1 Plot data pengukuran dari tabel 6.1

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.)

 Dalam bentuk persamaan matrik :

 S Sx  a   S y  a
S xx S y  S x S xy

 S S  b    S 
Solusinya : d
 x xx     xy  b
S x S xy  S x S y
d
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