Curve Fitting

Afdal, Andalas Physics 2019 1

• Bagaimana cuaca dapat diprediksi
• Bagaimana orang tahu jumlah penduduk Indonesia
tahun 2050?
• Bagaimana orang bisa menentukan batas aman
tsunami?

Afdal, Andalas Physics 2019 2

 Data hasil eksperimen:
diskrit (sepanjang suatu sumbu kontinu), dikehendaki taksiran nilai
pada titik antara nilai-nilai diskrit tersebut atau nilai selanjutnya.
Curah Hujan, (in) 35 40 41 55 52 37 46 48
Aliran air, ( ft3/s ) 4050 6075 5400 9500 7290 5700 6210 8440
Aliran Air (ft/s)

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.

Ada dua pendekatan untuk menemukan kurva yang sesuai untuk

kelompok data tertentu, yaitu regresi dan ineterpolasi.

1. Bila data menunjukkan suatu tingkat kesalahan, maka digunakan

strategi untuk memperoleh kurva tunggal yang menggambarkan
kecendrungan umum data. Kurva tidak harus memotong setiap
titik data, pendekatan seperti ini disebut regresi.

2. Cara kedua adalah interpolasi, interpolasi digunakan bila

diketahui data sangat akurat. Pendekatannya adalah mencari
kurva atau serangkaian kurva yang melewati secara langsung
semua titik-titik data.
Afdal, Andalas Physics 2019 5
Beberapa metode non-computer untuk curve fitting
Metode visual:
plot titik-titik data, lalu sket garis
secara visual menyesuaikan dengan
kelompok data.

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

( x1, y1), ( x 2, y 2), ... , ( xn, yn)

Bagaimana menentukan garis lurus terbaik yang mewakili data ini?

Persamaan linier (garis lurus)

secara umum
y  a 0  a1 x
Persamaan yang berbeda memiliki
nilai a0 dan atau a1 yang berbeda.
 Berapa nilai a0 dan atau a1 yang
menghasilkan garis terbaik?
 Apa kriterianya?
Garis mana yang lebih baik? Biru atau  Bagaimana caranya?
merah, atau garis yang lainnya?
Afdal, Andalas Physics 2019 7
Apa kriteria garis lurus terbaik? y  a 0  a1 x
y

x,y
ei  yi  a0  a1xi i i

ei x ,y
n n

x ,y x3, y3
2 2

x1, y1 x

Dimana ao adalah titik potong dengan sumbu y dan a1 adalah kemiringan

garis, sedangkan e adalah kesalahan (error) antara model dan data.

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

Meminimalkan jumlah error e

i 1
i

n n
min  ei   ( yi  a0  a1 xi )
i 1 i 1

e1 e 1= - e 2
e2

Afdal, Andalas Physics 2019 9

 n
Meminimalkan jumlah mutlak error i 1
ei

n n
min  | ei |   | yi  a0  a1 xi |
i 1 i 1

Afdal, Andalas Physics 2019 10

Meminimalkan jumlah kuadrat error (Least Squares Criterion)
Kriteria kuadrat terkecil meminimalkan jumlah kuadrat error, dan
juga menghasilkan garis yang unik.
n n
S r   ei    y i  a 0  a1 xi 
2 2

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

Afdal, Andalas Physics 2019 11

Langkah menentukan konstanta dari model linier :
n n
Minimalkan jumlah kuadrat error: S r    i    yi  a0  a1 xi 
2 2

i 1 i 1

Untuk mencari nilai ao dan a1, minimalkan Sr terhadap ao dan a1 :

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

Afdal, Andalas Physics 2019 12

Afdal, Andalas Physics 2019 13
 n n n
n x i y i  x i  y i
i 1 i 1 i 1
a1  2
n
 n
n x   x i 
2
i
i 1  i 1 

Afdal, Andalas Physics 2019 14

Afdal, Andalas Physics 2019 15
 n n n n

 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

Afdal, Andalas Physics 2019 16

Error Quantification of Linear Regression
Jumlah total kuadrat dari variabel tak-bebas (yi) di sekitar
nilai rata-rata ( y ) adalah St :

S t   ( yi  y ) 2

Jumlah kuadrat error di sekitar garis regresi adalah Sr :

n n
S r   ei2   ( yi  ao  a1 xi ) 2
i 1 i 1

Afdal, Andalas Physics 2019 17

Error Quantification of Linear Regression
• St-Sr menyatakan nilai improvement atau reduksi error
karena menggambarkan data dalam garis lurus daripada
dengan nilai rata-rata.
St  S r r2: : koefisien determinasi
r 
2

St r : koefisien korelasi

For a perfect fit:

• Sr = 0 and r = r2 =1, signifying that the line explains 100
percent of the variability of the data (seluruh titik data
berimpit dengan garis).
• For r = r2 = 0, Sr = St, the fit represents no improvement.
Afdal, Andalas Physics 2019 18
Standar deviasi (menyatakan penyebaran di sekitar rata-rata):
St
sy 
n 1
Standard error of estimate (menyatakan penyebaran di sekitar garis
regresi):
Sr
sy / x 
n2
Bila S y / x  S y , model regresi linier mempunyai kecocokan yang
bagus.

Afdal, Andalas Physics 2019 19

Afdal, Andalas Physics 2019 20
Contoh:
Tentukan persamaan garis lurus terbaik untuk data berikut
menggunakan regresi linier dengan kriteria jumlah kuadrat error
terkecil (least square linear regression).

xi yi xiyi xi2  xi  28 y i  24,0

1 0,5 0,5 1
2
2 2,5 5 4
 xi yi  119,5  xi  140
3 2 6 9
4 4 16 16
5 3,5 17,5 25 28 24
x 4 y 3.428571
6 6 36 36 7 7
7 5,5 38,5 49
28 24 119,5 140 28 24
x 4 y 3,428
7 7

Afdal, Andalas Physics 2019 21

 xi  28  yi  24,0 2
 xi  140 x y 119,5
i i

n xi yi   xi  yi 7 119,5  28  24
a1    0,839
n x  ( xi ) 7 140  28
2 2 2
i

a0  y  a1 x  3,428  0,839  4  0,071

y  0,0714  0,839 x

Afdal, Andalas Physics 2019 22

Least Squares Fit of a Straight Line: Example (Error Analysis)
y  0,0714  0,839 x

i xi yi ymi e = yi - ymi e2 (yi - yr)2

1 1 0.5 0.9104 -0.4104 0.1684 8.5765
2 2 2.5 1.7494 0.7506 0.5634 0.8622
3 3 2.0 2.5884 -0.5884 0.3462 2.0408
4 4 4.0 3.4274 0.5726 0.3279 0.3265
5 5 3.5 4.2664 -0.7664 0.5874 0.0051
6 6 6.0 5.1054 0.8946 0.8003 6.6123
7 7 5.5 5.9444 -0.4444 0.1975 4.2908
Sigma 28 24 23.9918 0.0082 2.9911 22.7143
Rata-Rata 4 3.4286        

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

Standard error of estimate (menyatakan penyebaran di sekitar garis

regresi):

Sr 2.9911
sy/ x    0.7735
n2 72

Karena S y / x  S y , model regresi linier mempunyai kecocokan yang

bagus.

Afdal, Andalas Physics 2019 24

 n n n
Pseudo Code Regresi Linier n x i y i  x i  y i
i 1 i 1 i 1
a1  2
2  
n n
Input: {xi, yi) n x i   x i 
i 1  i 1 
Hitung: ao, a1, r
a0  y  a1 x

S t   ( yi  y ) 2

n n
S r   e   ( yi  ao  a1 xi ) 2
2
i
Output: i 1 i 1

Persamaan linier, nilai antara

St  S r
r  2

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. Model Eksponensial: ( y  aebx )

2. Model Pangkat: ( y  axb )

Linierisasi
 ax 
3. Model Pertumbuhan Jenuh: y 
 b x

4. Model Polinomial: ( y  a 0  a 1 x  ...  a m x m )

27 Afdal, Andalas Physics 2019

y   1e  1 x y   2 x 2 3 x
y
3  x

1 3  x  3 1 1
  
y 3 x 3 x 3

28
Model Eksponensial
y  1e 1x

y  1e 1x

Afdal, Andalas Physics 2019 29

 y  1e1x

Afdal, Andalas Physics 2019 30

y  1e1x
n n n
n x i y i  x i  y i
y  a 0  a1 x i 1 i 1 i 1
a1  2
n
  n
n x i2   x i 
i 1  i 1 
y  ln y
x tetap x n n n

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

Afdal, Andalas Physics 2019 32

Pseudo code model eksponensial ( y  1e1x )

Input: {xi, yi)

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

Afdal, Andalas Physics 2019 34

y   2 x 2

Afdal, Andalas Physics 2019 35

y  a 0  a1 x

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

Afdal, Andalas Physics 2019 36

Afdal, Andalas Physics 2019 37
Pseudo code model pangkat y   2 x 2

Input: {xi, yi)

n n n
Hitung: α2, β2 n log xi log yi  log xi  log yi
2  i 1 i 1 i 1
2
2  
n n
n (log xi )   log xi 
i 1  i 1 

log 2  log y   2 log x

Output: 2 
Persamaan pangkat
Nilai antara
Nilai berikut

Afdal, Andalas Physics 2019 38

 n n n
3. Saturation growth model: n x i y i  x i  y i
i 1 i 1 i 1
a1 
ax 2
y  
n n
n x i2   x i 
b x i 1  i 1 

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 b1
y  a1 x  a 0 a0  y  a1 x      
a  y a x

Afdal, Andalas Physics 2019 39

Afdal, Andalas Physics 2019 40
Regresi Polinomial
Prosedur least square dapat diperluas untuk polinomial orde yang
lebih tinggi.
Regresi polinomial orde-2:

Afdal, Andalas Physics 2019 41

 Matriks
EG matriks Back Solusi
Koefisien segitiga-atas Substitution Matriks

Afdal, Andalas Physics 2019 42

Afdal, Andalas Physics 2019 43
Pseudo code regresi polinomial orde-2
Input: {xi, yi)

Hitung masing-masing suku

pada SPL dan jadikan sebagai W1,1  n
anggota matriks.
W1, 2   xi
Hitung nilai (a0, a1, a2) dengan
Eliminasi Gauss + BackSub.
W3, 4   xi2 yi
Output:
 Tampilkan persamaan polinomial
orde-2
 Hitung dan tampilkan nilai antara
 Hitung dan tampilkan nilai berikut
Afdal, Andalas Physics 2019 44
Afdal, Andalas Physics 2019 45
Afdal, Andalas Physics 2019 46
 y  5  4 x1  3x2

Afdal, Andalas Physics 2019 47

Suatu eksperimen dilakukan untuk menentukan pemanjangan bahan sebagai fungsi
temperatur. Data yang diperoleh adalah seperti pada tabel. Bila dianggap
pemanjangan dan temperatur mempunyai hubungan yang linier, (a) tentukan model
matematis yang menunjukkan hubungan antara antara pemanjangan dan
temperatur dari data pada tabel.

Temperatur, oF 400 500 600 700 800 900 1000 1100

Pemanjangan, % 11 13 13 15 17 19 20 23

Afdal, Andalas Physics 2019 48

Afdal, Andalas Physics 2019 49
Interpolasi
Interpolasi digunakan bila diketahui data sangat akurat.
Pendekatannya adalah mencari kurva atau serangkaian kurva yang
melewati secara langsung semua titik-titik data.

Interpolasi Polinomial

Afdal, Andalas Physics 2019 50

Afdal, Andalas Physics 2019 51
Hitung f(2) menggunakan interpolasi polinomial orde-1 untuk data
berikut:
x f (x)
1 0
6 1,791759

x f (x)
1 0
4 1,386294

Bila f(x) = ln (x), maka ketelitian kedua pendekatan di atas adalah:

Ln(2) = 0,6931471. 0,3583519  0,693471
e 100%  48,32% Bila range data
0,6931471
lebih kecil, maka
0,4620981 0,693471 hasil lebih teliti.
e  100%  33,33%
0,6931471
52
Afdal, Andalas Physics 2019 53
Afdal, Andalas Physics 2019 54
Hitung f (2) menggunakan interpolasi polinomial orde-2 untuk data
berikut:
x f (x) b0  f ( x0 )  0
1 0
4 1,386294 f ( x1 )  f ( x0 ) 1,386294  0
b1    0,462098
6 1,791759 x1  x0 4 1

f ( x )  0,462 ( x  1)  0,0519 ( x  1)( x  4)

f ( 2)  0,462 ( 2  1)  0,0519 ( 2  1)( 2  4)  0,5658

55
Pseudo code interpolasi kuadrat
Input:

Hitung:

Output:

Afdal, Andalas Physics 2019 56

b0  f ( x0 )

f ( x1 )  f ( x0 )
b1   f [ x1 , x0 ]
x1  x0

 f [ x2 , x1 , x0 ]

Afdal, Andalas Physics 2019 57

 f ( xi )  f ( x j )
f [ xi , x j ] 
xi  x j

f [ xi , x j ]  f [ x j , xk ]
f [ xi , x j , xk ] 
xi  xk

Afdal, Andalas Physics 2019 58

Hitung f(2) menggunakan interpolasi polinomial orde-3 untuk data
berikut:

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 54
6 1,791759
f ( x3 )  f ( x2 ) 1,791759  1,609438
f [ x3 , x2 ]    0,182321
x3  x2 65
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 64
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 ( x)  0  0,462098( x  1)  0,0597385( x  1)( x  4)

 0,0078654( x  1)( x  4)( x  6)

f ( 2)  0  0,462098 (1)  0,0597385 (1)( 2)  0,0078654 (1)( 2)( 4)

 0,6444982
Afdal, Andalas Physics 2019 61
Afdal, Andalas Physics 2019 62
Afdal, Andalas Physics 2019 63
 f (x1)  f (x0 ) 1,0  2,5
m0    1
x1  x0 4,5  3,0

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 97

3,0  x  4,5: f (x)  f (x0 )  m0 (x  x0 )  2,5  (1)(x 3,0)  x  5,5

4,5  x  7,0 : f (x)  f (x1)  m1(x  x1) 1,0  (0,6)(x  4,5)  0,6x 1,7

7,0  x  9,0 : f (x)  f (x2 )  m2 (x  x2 )  0,5  (1)(x 9)  x  9,5

Afdal, Andalas Physics 2019 64
 f (5) 1 0,6(5  4,5) 1,3

Afdal, Andalas Physics 2019 65

Pseudo code interpolasi spline linier:
Input:

Hitung:

Output:

Afdal, Andalas Physics 2019 66