PENCOCOKAN KURVA:
ANALISA REGRESI
1
Materi Minggu Ini
• Pencocokan Kurva
• Regresi Kuadrat Terkecil (RKT)
- RKT untuk Kurva Linier
- RKT untuk Kurva Non-Linier
• Regresi Polynomial
• Tugas IV
2
Pencocokan Kurva (1)
3
Pencocokan Kurva (2)
4
Pencocokan Kurva (3)
f(x) f(x)
x x
5
Pencocokan Kurva (3)
Interpolasi
Jika tingkat ketelitian data yang kita miliki lebih baik, maka metode
Interpolasi dapat dipakai. Kita gunakan segmen2 garis lurus untuk
menghubungkan titik2 data (interpolasi linier). Atau, dengan menggunakan
kurva (interpolasi polynomial) untuk memperoleh hasil yang lebih baik.
f(x) f(x)
x x
Analisis regresi menggunakan sedikit notasi dan perhitungan statistik.
Ini artinya, ada sedikit yang perlu anda ingat kembali…
6
Sedikit Notasi Statistik
Tahun Debit Air = yi
(xi) (m3/det) Rerata/rata-rata data ( y ) adalah jumlah nilai data
1991 8,52
(y)dibagi jumlah data (n) :
1992 3,33
yi
1993 7,85 y =
1994 7,65 n
1995 10,91
1996 4,17 Deviasi Standar ( ) atau penyebaran nilai data adalah :
1997 3,40 ( yi – y ) 2
1998
1999
2000
8,00
13,4
5,40
=
√ n – 1
7
Regresi Kuadrat Terkecil (1)
Ada cara yang lebih mudah, yaitu dengan membuat kurva yang dapat
mewakili titik2 data tersebut.
Katakan kurva ini adalah kurva dari fungsi g(x) yang ‘mirip’ dengan
fungsi sebenarnya.
1. Titik2 data diplot ke dalam koordinat cartesian. Dari pola datanya bisa
dilihat, apakah kurva pendekatan yang akan kita buat berbentuk garis
lurus atau garis lengkung;
2. Tentukanlah sebuah fungsi g(x) yang dpt mewakili fungsi titik2 data f(x) :
g(x) = a0 + a1x + a2x2 + … + arxr
3. Jika a0, a1, …, ar adalah parameter fungsi g(x), maka tentukan nilai
parameter2 tsb sdmk hingga g(x) dpt mendekati titik2 data;
4. Jika koordinat titik2 data adalah M(xi, yi), maka selisih dengan fungsi g(x)
adalah :
Ei = Mi - Gi
= yi – g(xi; a0, a1, …, ar)
= yi – (a0 + a1xi + a2xi2 + a3xi3 + … + arxir)
9
Regresi Kuadrat Terkecil (3)
10
RKT untuk Kurva Linier (1)
11
RKT untuk Kurva Linier (2)
∂ n ∂ n
( ∑ y i – a – b x i )2 = 0 ( ∑ y i – a – b x i )2 = 0
∂a i=1 ∂b i=1
n n
-2 ∑ ( yi – a – b xi ) = 0 -2 ∑ [( yi – a – b xi ) xi ] = 0
i=1 i=1
12
RKT untuk Kurva Linier (3)
∑ yi - ∑ a - ∑ b xi = 0 … (1)
n a + ∑ b x i = ∑ yi
n a = ∑ yi - ∑ b x i
a = y – b x … (4)
13
RKT untuk Kurva Linier (4)
∑ xi ∑ yi – ( ∑ xi )2 b + n ∑ b xi2 = n ∑ yi xi
b [ n ∑ xi2 – ( ∑ xi )2 ] = n ∑ yi xi - ∑ yi ∑ xi
atau, n ∑ yi xi - ∑ yi ∑ xi
b = … (6)
n ∑ xi2 – (∑ xi)2
14
RKT untuk Kurva Linier (5)
Persamaan (4) dan (6) dapat dimanfaatkan untuk mendapatkan koefisien a
dan b, sehingga fungsi g(x) dapat diperoleh.
Dt2 – D2
r2 = … (7)
Dt2
dengan,
r = koefisien korelasi
n n
Dt2 = ∑ ( yi – y )2 D2 = ∑ ( yi – a - bxi )2
i=1 i=1
Jika r = 1, maka fungsi g(x) memiliki tingkat kesesuaian yang tinggi dengan
persamaan aslinya (f(x)). Atau r = 0 jika sebaliknya.
15
RKT untuk Kurva Linier (6)
contoh : tentukan persamaan garis yang mewakili data berikut :
x 1 2 3 4 5 6 7 8 9 10
y 4 6 8 10 14 16 20 22 24 28
No xi yi xi . y i xi 2
Y
30
1 1 4 4 1
25 2 2 6 12 4
3 3 8 24 9
20
4 4 10 40 16
15 5 5 14 70 25
10 6 6 16 96 36
7 7 20 140 49
5
8 8 22 176 64
0 X 9 9 24 216 81
0 2 4 6 8 10 12
10 10 28 280 100
∑ 55 152 1058 385
16
RKT untuk Kurva Linier (7)
x = ∑ x / n = 55/10 = 5,5
y = ∑ y / n = 152/10 = 15,2
y = 30 + 2,69x
17
RKT untuk Kurva Non-Linier (1)
Di dalam praktek akan sering kita jumpai kasus dimana plotting titik2 data
memiliki tren berupa kurva lengkung.
Sehingga pendekatan melalui RKT utk kurva linier menjadi kurang
optimal/sesuai untuk digunakan.
Karena kurva lengkung yang didekati dengan sebuah garis lurus tentu akan
menimbulkan kesalahan yang cukup berarti.
18
RKT untuk Kurva Non-Linier (2)
1. Fungsi Eksponensial
jika ln e = 1, maka ln y = ln a + b x
19
RKT untuk Kurva Non-Linier (3)
2. Fungsi Berpangkat
fungsi berpangkat adalah contoh lain fungsi dengan kurvanya yang non-
linier.
y = a xb dengan a dan b adalah konstanta
20
RKT untuk Kurva Non-Linier (4)
Contoh : Tentukan persamaan kurva lengkung yang diwakili serangkaian data berikut :
x 1 2 3 4 5
y 0,5 1,7 3,4 5,7 8,4
Penyelesaian masalah di atas dilakukan melalui 2 fashion, transformasi log dan ln.
Y
9
8
7
6
5
4
3
2
1
0
1 2 3 4 5 X
21
RKT untuk Kurva Non-Linier (5)
Persamaan tersebut dapat dilinierisasi melalui fungsi logaritmik sbb : log y = log axb
No xi yi qi Pi qi . pi (qi)2
1 1 0,5 0 - 0,301 0 0
2 2 1,7 0,3010 0,2304 0,0693 0,0906
3 3 3,4 0,4771 0,5315 0,2536 0,2276
4 4 5,7 0,6020 0,7559 0,4550 0,3624
5 5 8,4 0,6990 0,9243 0,6461 0,4886
∑ 19,7 2,0791 2,1411 1,4240 1,1692
22
RKT untuk Kurva Non-Linier (6)
23
RKT untuk Kurva Non-Linier (7)
No xi yi qi2 pi qi . pi
1 1 0,5 1 - 0,6931 - 0,6931
2 2 1,7 4 0,5306 1,0612
3 3 3,4 9 1,2238 3,6714
4 4 5,7 16 1,7405 6,962
5 5 8,4 25 2,1282 10,641
∑ 15 19,7 55 4,93 21,6425
24
RKT untuk Kurva Non-Linier (8)
25
RKT untuk Kurva Non-Linier (9)
Sekarang waktunya memilih. Mana di antara 2 pendekatan yang memberikan akurasi
lebih bagus. Caranya adalah dengan menghitung koefisien korelasi (7) :
Dt2 – D2
r2 =
Dt2
dengan
n n n
Dt2 = ∑ (yi – y)2 D2 = ∑ (yi – axb)2 D2 = ∑ (yi – aebx)2
i=1 i=1 i=1
26
RKT untuk Kurva Non-Linier (9)
Dt2 – D2 ½
40,132 – 0,00238 ½
r = = = 0,99997
Dt2 40,132
Dt2 – D2 ½
40,132 – 5,60746 ½
r = = = 0,92751
Dt2 40,132
27
Regresi Polynomial (1)
Jika didiferensiasi terhadap setiap koefisiennya, maka persamaan (8) akan menjadi :
∂D2 n
= - 2 ∑ (a0 - a1x - a2x2 - … - arxr)
∂a0 i=1
Bisa dilihat bhw bentuk
persamaan2nya menyerupai
∂D2 n
sistem persamaan
= - 2 ∑ xi (a0 - a1x - a2x2 - … - arxr)
∂a1 i=1
∂D2 n
= - 2 ∑ xi2 (a0 - a1x - a2x2 - … - arxr)
∂a2 i=1
.
.
.
.
∂D2 n
= - 2 ∑ xir (a0 - a1x - a2x2 - … - arxr)
29
∂ar i=1
Regresi Polynomial (3)
n ∑xi ∑xi2 …
∑xir a0 ∑yi
. . . . . .
. . . . . .
. . . . . .
∑xir ∑xir+1 ∑xir+2 …
∑xir+r ar ∑xiryi
Berarti kita bisa menyatakan himpunan persamaan turunan tersebut
menjadi persamaan matriks AX = B. Dan selanjutnya kita dapat
menggunakan metode eliminasi Gauss, Gauss-Jordan, dll untuk mencari nilai
a0, a1, …, ar.
30
Regresi Polynomial (4)
contoh : carilah persamaan kurva polynomial orde-2 yang mewakili data berikut :
x 0 1 2 3 4 5
y 2,1 7,7 13,6 27,2 40,9 61,1
31
Regresi Polynomial (5)
32
Latihan (1)
1. Tentukan: (a) rerata; (b) deviasi standar; dan (c) varian; dari data-data berikut
0,95 1,42 1,54 1,55 1,63
1,32 1,15 1,47 1,95 1,25
1,46 1,47 1,92 1,35 1,05
1,85 1,74 1,65 1,78 1,71
2,39 1,82 2,06 2,14 2,27
2. Gunakan regresi kuadrat terkecil untuk menaksir fungsi garis lurus dari data berikut :
x 1 3 5 7 10 12 13 16 18 20
y 3 2 6 5 8 7 10 9 12 10
3. Gunakan regresi kuadrat terkecil untuk menaksir fungsi garis lurus dari data berikut :
x 4 6 8 10 14 16 20 22 24 28 28 34 36 38
y 30 18 22 28 14 22 16 8 20 8 14 14 0 8
4. Gunakan regresi kuadrat terkecil untuk menaksir fungsi kurva dari data berikut :
x 1 2 2,5 4 6 8 8,5
y 0,4 0,7 0,8 1,0 1,2 1,3 1,4
33
Latihan (2)
5. Gunakan regresi kuadrat terkecil untuk menaksir fungsi kurva dari data berikut :
x 2,5 3,5 5 6 7,5 10 12,5 15 17,5 20
y 5 3,4 2 1,6 1,2 0,8 0,6 0,4 0,3 0,3
6. Gunakan regresi polynomial untuk menaksir fungsi kurva dari data berikut :
x 0,05 0,4 0,8 1,2 1,6 2,0 2,4
y 550 750 1.000 1.400 2.000 2.700 3.750
7. Gunakan regresi polynomial untuk menaksir fungsi kurva dari data berikut :
x 0 2 4 6 9 11 13 15 17 19 23 25 28
y 1,2 0,6 0,4 -0,2 0 -0,6 -0,4 -0,2 -0,4 0,2 0,4 1,2 1,8
34