10000
9000
f(x) = 219.7 x − 3138.8
8000
7000
6000 Dibuat kurva yang
5000
4000
mewakili sekelompok data
3000
2000
tersebut, kemudian dibuat
1000
0
persamaan / fungsi (model),
30 35 40 45
Curah Hujan (in)
50 55 60
kemudian substitusikan
nilai variabel ke model
tersebut.
Berapa aliran air bila curah hujan = 43 in?
Berapa aliran air bila curah hujan = 60 in?
Afdal, Andalas Physics 2019 3
Afdal, Andalas Physics 2019 4
Bagaimana cara menentukan kurva (fungsi) yang sesuai (fit) terhadap
sekelompok data sehingga dapat menaksir nilai antara?
Proses ini disebut curve fitting.
Kelemahan:
Subjektif, tidak unik, tidak teliti
Tujuan:
Mencari metode yang sistematis, objektif, menghasilkan kurva terbaik yang
tunggal dan unik (unique best fit).
Afdal, Andalas Physics 2019 6
Least Square Regression (Regresi Kuadrat Terkecil)
Regresi Linier
Menentukan persamaan linier (garis lurus) melewati sekelompok data. Diberikan
sekelompok data
x,y
ei yi a0 a1xi i i
ei x ,y
n n
x ,y x3, y3
2 2
x1, y1 x
Jadi, error atau residu adalah perbedaan antara nilai sebenarnya (y) dengan
nilai aproksimasi (ao + a1x), yang diprediksi oleh persamaan linier.
Afdal, Andalas Physics 2019 8
n
n n
min ei ( yi a0 a1 xi )
i 1 i 1
e1 e 1= - e 2
e2
n n
min | ei | | yi a0 a1 xi |
i 1 i 1
i 1 i 1
xi , yi
i
y
i
a
ax
0 1i
xn, yn
x2, y2 x ,y
3 3
x,y x
1 1
i 1 i 1
S r n
2 yi a0 a1 xi xi
a1 i 1
Dengan menjadikan turunan ini sama dengan nol, maka akan dihasilkan
Sr yang minimum.
S r n
2 yi a0 a1 xi 0
a0 i 1
S r n
2 yi a0 a1 xi xi 0
a1 i 1
i y i xi xi y i
x 2
i 1 i 1 i 1 i 1
a0 2
n
n
n x i x i
2
i 1 i 1
a0 y a1 x
S t ( yi y ) 2
St r : koefisien korelasi
n xi yi xi yi 7 119,5 28 24
a1 0,839
n x ( xi ) 7 140 28
2 2 2
i
y 0,0714 0,839 x
St yi y 22.7143 St S r
2
r2 0.868
St
S r ei 2.9911
2
r r 2 0.868 0.932
Afdal, Andalas Physics 2019 23
Standar deviasi (menyatakan penyebaran di sekitar rata-rata):
St 22.7143
sy 1.9457
n 1 7 1
Sr 2.9911
sy/ x 0.7735
n2 72
S t ( yi y ) 2
n n
S r e ( yi ao a1 xi ) 2
2
i
Output: i 1 i 1
St
25
Afdal, Andalas Physics 2019
Linierisasi Hubungan Non-Linier
Regresi linier menyediakan teknik yang ampuh untuk menentukan garis
lurus terbaik dari sekelompok data. Namun hal itu terjadi bila hubungan
antara variabel tak-bebas dengan variabel bebasnya linier.
Tetapi kasus tidak selalu linier!!
Langkah pertama dari setiap regresi adalah memplot data, untuk memeriksa
secara visual apakah model linier dapat diterapkan pada data-data tersebut.
× √
Contoh, plot titik-titik data pada gambar jelas tidak linier tetapi
melengkung. Maka regresi linier tidak tepat diterapkan di sini. Maka
perlu dicari teknik regresi yang lain
Afdal, Andalas Physics 2019 26
Beberapa model regresi nonlinier yang populer:
1 3 x 3 1 1
y 3 x 3 x 3
28
Model Eksponensial
y 1e 1x
y 1e 1x
a1 1 n xi ln yi xi ln yi
1 i 1 i 1 i 1
a o ln 1 n
n
2
n x xi
2
i
i 1 i 1
a0 y a1 x
ln 1 ln y 1 x
1
Afdal, Andalas Physics 2019 31
Diketahui data peluruhan suatu zat radioaktif seperti pada tabel di
bawah. (a) Tentukan model eksponensial yang paling cocok untuk
data tersebut dengan kriteria least square error. (b) Tentukan zat
radioaktif tersisa pada t = 18 dan 30 menit.
n n n
n xi ln yi xi ln yi
1 i 1 i 1 i 1
2
n
n
n x xi
2
i
t (mnt) m(gr) ln m t*ln m t*t i 1 i 1
0 1000
5 550
10 225
15 140
20 50
25 44
Hitung: α1, β1 n n
n xi ln yi xi ln yi
n
1 i 1 i 1 i 1
2
n
n
n x xi
2
i
i 1 i 1
ln 1 ln y 1 x
1
Output:
Persamaan eksponensial
Nilai antara
Nilai berikutnya
Afdal, Andalas Physics 2019 33
Model Pangkat (Power model)
y 2 x 2
y 2 x 2
n n n
n x i y i x i y i
n n n
i 1 i 1 i 1
n log xi log yi log xi log yi
a1 2 2 i 1 i 1 i 1
n
n 2
n x x i
2 n n
i n (log xi ) 2 log xi
i 1 i 1 i 1 i 1
a0 y a1 x
y log y
log 2 log y 2 log x
x log x
a1 2
2
a o log 2
n
1 b x b 1 1 1 1 n 1 n 1
n
b i 1 xi yi i 1 xi i 1 yi
y ax ax a 2 2
a n
1 1 n
n
i 1 xi i 1 xi
1 b1 1
y ax a
1 1 b1
y a1 x a 0 a0 y a1 x
a y a x
Pemanjangan, % 11 13 13 15 17 19 20 23
Interpolasi Polinomial
x f (x)
1 0
4 1,386294
Hitung:
Output:
f ( x1 ) f ( x0 )
b1 f [ x1 , x0 ]
x1 x0
f [ x2 , x1 , x0 ]
f [ xi , x j ] f [ x j , xk ]
f [ xi , x j , xk ]
xi xk
FDD pertama:
x f (x) f ( x1 ) f ( x0 ) 1,386294 0
f [ x1 , x0 ] 0,462098
1 0 x1 x0 4 1
4 1,386294 f ( x2 ) f ( x1 ) 1,609438 1,386294
f [ x2 , x1 ] 0,223144
5 1,609438 x2 x1 54
6 1,791759
f ( x3 ) f ( x2 ) 1,791759 1,609438
f [ x3 , x2 ] 0,182321
x3 x2 65
FDD ke-dua:
f [ x2 , x1 ] f [ x1 , x0 ] 0,223144 0,462098
f [ x2 , x1 , x0 ] 0,0597385
x 2 x0 5 1
f [ x3 , x 2 ] f [ x 2 , x1 ] 0,182321 0, 223144
f [ x3 , x 2 , x1 ] 0,0204115
x3 x1 64
59
f [ x3 , x 2 , x1 ] f [ x 2 , x1 , x0 ] 0,0204115 ( 0,0597385 )
f [ x3 , x 2 , x1 , x 0 ] 0,0078654
x3 x 0 6 1
60
b0 f ( x0 ) 0
f [ x1 , x 0 ] 0 , 462098 b1
f [ x2 , x1 , x0 ] 0,0597385 b2
f [ x3 , x 2 , x1 , x0 ] 0,0078654 b3
f ( x2 ) f ( x1 ) 2,5 1,0
m1 0,6
x2 x1 7 4,5
f ( x3 ) f ( x2 ) 0,5 2,5
m2 1
x3 x2 97
4,5 x 7,0 : f (x) f (x1) m1(x x1) 1,0 (0,6)(x 4,5) 0,6x 1,7
Hitung:
Output: