METODE NUMERIK

JTS. 1601

REGRESI & INTERPOLASI

BAB V dan VI
Pertemuan 8 dan 9
JURUSAN TEKNIK SIPIL
FAKULTAS TEKNIK - UNIVERSITAS MATARAM
No. Pokok Bahasan Sub Pokok Bahasan Estimasi Minggu
Waktu Ke -
1 2 3 4 5

5. Regresi  Regresi Linier 2 x 50 8

 Regresi Kuadrat
 Regresi Polinomial
6. Interpolasi  Interpolasi Linier 2 x 50 9
 Interpolasi Kuadrat
 Interpolasi Polinomial
7. Integrasi Numerik  Metode Trapesium 4 x 50 10, 11
 Metode Simpson
 Metode Newton-Cotes
 Metode Kuadratur
8. Persamaan Differensial Biasa  Pengertian Persamaan Differensial 6 x 50 12, 13, 14
 Metode Euler
 Metode Heun
 Metode Runge-Kutta

UJIAN AKHIR SEMESTER

 CURVE FITTING
Menentukan persamaan atau fungsi terbaik dari
data-data yang ada.

REGRESSION
Menentukan persamaan atau fungsi
terbaik dari data-data yang masih
rendah tingkat kepastiannya
(kebenarannya).
INTERPOLATION
Menentukan persamaan atau fungsi
terbaik dari data-data yang sudah
tinggi tingkat kepastiannya
(kebenarannya).
 APLIKASI

• Analisa hubungan antara parameter x

dan y (trend analysis)

?
• Prediksi dan estimasi
(extrapolation & interpolation)
?

• Pengujian perkiraan dengan yg terukur

(hypothesis testing)

R2 = ?
• Pendekatan fungsi yg kompleks
 DASAR-DASAR STATISTIK

KARAKTERISTIK DATA :
• Data terkecil (minimum) = 6.395
• Data terbesar (maximum) = 6.775
• Pusat sebaran data atau rata-rata (arithmetic mean):

y
 y i

n
 DASAR-DASAR STATISTIK
KARAKTERISTIK DATA :
• Penyebaran data (standard
deviation):
 y  y
2
i
sy 
n 1
• Variance:

 y  y
2
2 i
sy 
n 1

• Variance coefficient:

sy
cv  x 100%
y
 REGRESI
REGRESI KUADRAT TERKECIL
LEAST SQUARE REGRESSION

Linier Multi
Non Linier Variabel
Polinomial
 REGRESI KUADRAT TERKECIL
REGRESI LINIER
Data

dengan : Regresi Polinomial orde 6

a0 = intercept Makin besar error, makin tidak tepat.

a1 = slope
e = error
Regresi Linier Kuadrat Terkecil
Mendapatkan selisih terkecil
 REGRESI KUADRAT TERKECIL
y  a0  a1 x  e e  y  a0  a1 x
Kriteria kurva terbaik (best fit) :

- Jumlah kesalahan terkecil - Jumlah kesalahan absolut terkecil

n n n n

e   y
i 1
i
i 1
i  a0  a1 xi  e  y
i 1
i
i 1
i  a0  a1 xi

Kurva lain (garis putus-putus) juga Kurva lain (garis putus-putus) juga
memberikan kesalahan terkecil. memberikan hasil yang sama.
 REGRESI KUADRAT TERKECIL
y  a0  a1 x  e e  y  a0  a1 x
Kriteria kurva terbaik (best fit) :

- Memperkecil selisih terbesar (minimax)

n n

e  y
i 1
i
i 1
i  a0  a1 xi

- Jumlah kesalahan kuadrat terkecil

n n
S r   e    yi  a0  a1 xi 
2 2
i
i 1 i 1

Kurva terbaik mengabaikan satu data

yang memiliki selisih besar.
REGRESI KUADRAT TERKECIL
n n
S r   e    yi  a0  a1 xi 
2 2
i
i 1 i 1

Jika Sr minimum maka turunan Sr terhadap a0 dan a1 adalah 0

n
S r  2  yi  a0  a1 xi   0 ..........1
0
a0 i 1
n
S r  2   yi  a0  a1 xi  xi   0 .......... 2 
0
a1 i 1
REGRESI KUADRAT TERKECIL
Persamaan 1 :
n
 2  yi  a0  a1 xi   0 ..........1
i 1
n n n

 y a a x
i 1
i
i 1
0
i 1
1 i 0
n n
 na0   a1 xi   yi
i 1 i 1
n n
na0   yi   a1 xi
i 1 i 1

1 n 1 n
a0   yi   a1 xi a0  y  a1 x
n i 1 n i 1
 n
 2   yi  a0  a1 xi  xi   0 .......... 2 
i 1
n n n

 i i  0 i  1 i 0
y x
i 1
 a x  a x 2

i 1 i 1
Persamaan 1 :
n n n

xa x a x y

i 1
i 0
i 1
2
i 1
i 1
i i

n
1 n n
 n 2 n


i 1
xi   yi   xi a1    xi a1   xi yi
n  i 1 i 1  i 1 i 1
n n n n n n

x  y x x a
i 1
i
i 1
i
i 1
i
i 1
i 1  n x a  n xi yi
i 1
2
i 1
i 1

 n 2  n 2  n n n
a1 n xi    xi    n xi yi   xi  yi
 i 1  i 1   i 1 i 1 i 1

n n n
n xi yi   xi  yi
a1  i 1 i 1 i 1
2
n
  n
n xi2    xi 
i 1  i 1 
REGRESI KUADRAT TERKECIL
DERAJAT KESESUAIAN

n n n n
S t   e    yi  y  S r   e    yi  a0  a1 xi 
2 2 2 2
i i
i 1 i 1 i 1 i 1

St  S r
r 
2
Koefisien Determinasi
St
St  S r
r Koefisien Korelasi
St
REGRESI KUADRAT TERKECIL
DERAJAT KESESUAIAN
LINIERISASI HUBUNGAN
DATA YANG TIDAK LINIER
PERSAMAAN EKSPONESIAL

y  a1e b1 x

ln y  ln a1  b1 x ln e
ln e  1 maka

ln y  ln a1  b1 x
LINIERISASI HUBUNGAN
DATA YANG TIDAK LINIER
PERSAMAAN BERPANGKAT

y  a2 x b2

log y  b2 log x  log a2

log y  log a2  b2 log x

 REGRESI KUADRAT TERKECIL
REGRESI POLINOMIAL
Data

y  a0  a1 x  a2 x 2  ...  am x m  e

dengan : Regresi Polinomial orde 6

m = orde
e = error

Regresi Linier Kuadrat Terkecil

 REGRESI KUADRAT TERKECIL
REGRESI POLINOMIAL ORDE 2

y  a0  a1 x  a2 x 2  e

S r   e    yi  a0  a1 xi  a x 
n n
2 2 2
i 2 i
i 1 i 1

Jika Sr minimum maka turunan Sr terhadap a0 , a1 dan a2 adalah 0

 
n
S r  2 yi  a0  a1 xi  a2 xi2  0 ..........1
0
a0 i 1

 
n
S r  2 xi yi  a0  a1 xi  a2 xi2  0 .......... 2 
0
a1 i 1

 
n
S r  2 xi2 yi  a0  a1 xi  a2 xi2  0 .......... 3
0
a2 i 1
REGRESI KUADRAT TERKECIL
n n n n

 y a  x a  x a  0
i 1
i
i 1
0
i 1
i 1
i 1
2
i 2

n n n n

 i i  i0 
x y
i 1
 x a  x a   i a2  0
x 3

i 1 i 1
2
i 1
i 1
n n n n

 i i  i 0  i 1  i a2  0
x 2

i 1
y  x 2
a  x 3
a  x 4

i 1 i 1 i 1

n n n
na0   xi a1   xi2 a2   yi
i 1 i 1 i 1
n n n n

 i 0  i 1  i a2   xi yi
x a
i 1
 x 2
a  x 3

i 1 i 1 i 1
n n n n

 i 0  i 1  i 2  i yi
x 2

i 1
a  x 3
a  x 4
a  x 2

i 1 i 1 i 1
REGRESI KUADRAT TERKECIL

 n

 xi  i  a0    yi 
x 2

3  
  xi  i  i   1    xi yi 
2
x x a
 xi2  i
x 3
 i   2   i yi 
x 4
 a   x 2


Selanjutnya untuk mencari a0, a1, a2

menggunakan metoda penyelesaian persamaan
simultan (matriks) pada bab sebelumnya seperti :
- Eliminasi Gauss
- Eliminasi Gauss Jordan
- Iterasi Jacobi atau Gauss Siedel
 TUGAS 8
1) Berikut adalah data-data hasil pengukuran :

X 2.5 3.5 5 6 7.5 10 12.5 15 17.5 20

Y 13 11 8.5 8.2 7 6.2 5.2 4.8 4.6 4.3

a) Hitung persamaan regresinya dengan Metode Linier (y=a+bx) dan Metode

Persamaan Berpangkat (y=axb).
b) Hitung masing-masing Koefisien Korelasinya (nilai r). Persamaan regresi
mana yang lebih baik ?
c) Kerjakan soal di atas dengan fasilitas di Excel. Bandingkan hasilnya dengan
cara manual di atas (soal a dan b).
 INTERPOLASI
 Menentukan persamaan atau fungsi terbaik dari data-data yang sudah
tinggi tingkat kepastiannya (kebenarannya).
 Setelah persamaan atau fungsi nya diperoleh, digunakan untuk
mencari nilai fungsi dari data di antara data-data yang ada.
 Metode interpolasi yang paling banyak digunakan adalah Metode
Interpolasi Polinomial. Persamaan Umum Polinomial Orde-n adalah sbb.:

f ( x)  a0  a1 x  a2 x 2  ...  an x n

Orde - 1 Orde - 2 Orde - 3

f ( x)  a0  a1 x f ( x)  a0  a1 x  a2 x 2 f ( x)  a0  a1 x  a2 x 2  a3 x 3
 INTERPOLASI LINIER
POLINOMIAL ORDE - 1
 Interpolasi linier menggunakan Persamaan Linier (Polinomial Orde – 1)
yang menghubungkan dua titik data dengan garis lurus.
 Nilai fungsi di titik x, yaitu f1(x), yang berada di antara x0 dan x1 dicari
dengan prinsip segitiga sebangun sbb. :

f ( x)  a0  a1 x
CONTOH
1. Hitung nilai ln 2 dengan interpolasi linier berdasarkan data-data :
• ln 1 = 0 dan ln 6 = 1.7917595
• ln 1 = 0 dan ln 4 = 1.3862944
2. Hitung kesalahan relatif interpolasi jika diketahui nilai eksak ln 2 = 0.6931472

Jawab :
 ln 1 dan ln 6 Makin kecil interval,
makin teliti hasilnya !
1.7917595  0
f 1 ( 2)  0  (2  1)  0.3583519
6 1
0.6931472  0.3583519
t  x 100%  48.3%
0.6931472

 ln 1 dan ln 4

1.3862944  0
f1 (2)  0  (2  1)  0.4620981
4 1
0.6931472  0.4620981
t  x 100%  33.3%
0.6931472
 INTERPOLASI KUADRAT
POLINOMIAL ORDE – 2 (QUADRATIC atau PARABOLIC)

f 2 ( x)  b0  b1 ( x  x0 )  b2 ( x  x0 )( x  x1 )

f 2 ( x)  b0  b1 x  b1 x0  b2 x 2  b2 x0 x1  b2 xx0  b2 xx1
f 2 ( x)  b0  b1 x0  b2 x0 x1  b1 x  b2 xx0  b2 xx1  b2 x 2
f 2 ( x)  b0  b1 x0  b2 x0 x1  (b1  b2 x0  b2 x1 ) x  b2 x 2

f 2 ( x)  a0  a1 x  a2 x 2
 INTERPOLASI KUADRAT
POLINOMIAL ORDE – 2 (QUADRATIC atau PARABOLIC)

f 2 ( x)  b0  b1 ( x  x0 )  b2 ( x  x0 )( x  x1 )

b0  f ( x0 )
f ( x1 )  f ( x0 )
b1 
x1  x0
f ( x2 )  f ( x1 ) f ( x1 )  f ( x0 )

x2  x1 x1  x0
b2 
x2  x0
 TUGAS 9
1. Hitung nilai f(1.3) dengan interpolasi linier dan interpolasi kuadrat dari
data berikut :

x 0.0 0.5 1.0 1.5 2.0 2.5

f(x) 1.0 2.119 2.910 3.945 5.72 8.67
AKHIR
BAB V & Materi Minggu Depan :
VI INTEGRASI NUMERIK