6. pencocokan kurva
DESCRIPTION
6. Pencocokan Kurva. Regresi & Interpolasi. Pendahuluan. 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 . - PowerPoint PPT PresentationTRANSCRIPT
6. Pencocokan KurvaRegresi & Interpolasi
Pendahuluan
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 )()( xpxf n
nnn xaxaxaaxp ...)( 2
210
Pendahuluan (Cont.)
Bantuan beberapa titik dicocokan dalam kurva pn(x). Metode pencocokan titik dengan sebuah kurva ada 2
macam :
X
Y
X
Y
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
iiii bxayrR
1
22
Agar R minimum, maka haruslah :
dan 02 ii bxayaR 02
iii bxayxbR
Kedua persamaan dibagi -2, menjadi :
00
00
111
1 1 11
n
ii
n
ii
n
iiiiii
n
i
n
i
n
iii
n
iii
bxaxyxbxayx
bxaybxay
Regresi Linier (Cont.)
Selanjutnya :
n
iii
n
ii
n
ii
n
ii
n
ii
n
i
yxbxax
ybxa
11
2
1
111
n
iii
n
ii
n
ii
n
ii
n
ii
yxxbxa
yxbna
11
2
1
11atau
Dalam bentuk persamaan matrik :
n
iii
n
ii
n
ii
n
ii
n
ii
yx
y
b
a
xx
xn
1
1
1
2
1
1
xbya
xxn
yxyxnb
n
i
n
iii
n
i
n
i
n
iiiii
1
2
1
2
1 1 1
Solusinya :
Regresi Kuadratik
Persamaan kurva : f(x) = a + bx +cx2 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+cxi2)
Regresi Kuadratik (Cont.)
n
iiiii cxbxayrR
1
222 )(
0)(2 2 iii cxbxayaR
Total kuadrat deviasinya :
Agar R minimum, maka haruslah :
0)(2 2 iiii cxbxayxbR
0)(2 22 iiii cxbxayxcR
Regresi Kuadratik (Cont.)
Kedua persamaan dibagi -2, menjadi :
ii
ii
i
iii
iii
ii
iiiii
iiiii
iii
iiiiiiiii
iiiiiiiii
iiiiii
yx
yx
y
c
b
a
xxx
xxx
xxn
yxcxbxax
yxcxbxax
ycxbxa
cxbxaxyxcxbxayx
cxbxaxyxcxbxayx
cxbxaycxbxay
2432
32
2
2432
32
2
432222
322
22
)(
)(
)(
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
Linearisasi Pangkat Sederhana
Mencocokkan data dengan fungsi y = Cxb
)ln()ln()ln( xbCy
Cxy b
bXaY
0659.1
7139.12
2522.62447.1
2447.17
b
a
Sistem persamaan linier :
Solusinya adalah : a = 1.8515, b = 0.1981
369366.68515.1 eeC a
Jadi kurva yang dipakai :
1981.0369366.6 xy
Linearisasi Fungsi Eksponensial
Mencocokkan data dengan fungsi y = Cebx
bxCy
ebxCy
Cey bx
)ln()ln(
)ln()ln()ln(
bXaY
Sistem persamaan linier :
Solusinya adalah : a = ….., b =……..
Jadi kurva yang dipakai :
007.16
7139.12
416.1426.8
26.87
b
a
....... aa eeC
bxCey
Interpolasi
(n+1) buah titik berbeda (x0,y0),(x1,y1),…,(xn,yn). Menentukan polinom pn(x) yang menginterpolasi semua titik-
titik tersebut sedemikian rupa sehingga :
yi = pn(xi) untuk i=0,1,2,..,n Selanjutnya p(x) dapat digunakan untuk menghitung hampiran
y(x). Jika x0<xk<xn, maka p(xk) disebut nilai interpolasi. Jika xk<x0 atau xk>xn, maka p(xk) disebut nilai ekstrapolasi. Interpolasi bermanfaat untuk mencari nilai hampiran sebagai
pengisi kaitan data yang hilang.
Interpolasi Linier
Interpolasi dua buah titik dengan sebuah garis lurus. Misal (x0,y0) dan (x1,y1).
Persamaan garis lurus yang terbentuk :
p1(x) = a0 + a1x
a0 dan a1 dicari dengan cara berikut :
1101
0100
xaay
xaay
Dengan proses eliminasi dan subtitusi didapatkan :
01
10010
01
011
xx
yxyxa
xx
yya
Setelah disubtitusi dalam persamaan dan dilakukan sedikit otak-atik aljabar didapatkan :
)()(
)()( 0
01
0101 xx
xx
yyyxp
X
Y
(x0,y0)
(x1,y1)
Interpolasi Kuadratik
Dengan metode eliminasi Gauss, didapatkan nilai a0,a1 dan a2.
2222210
1212110
0202010
yxaxaa
yxaxaa
yxaxaa
Interpolasi tiga buah titik dengan sebuah persamaan polinom kuadrat. Misal (x0,y0), (x1,y1) dan (x2,y2).
Persamaan polinom kuadrat yang terbentuk :
p2(x) = a0 + a1x + a2x2
Persamaan dari 3 titik dengan a0, a1 dan a2 adalah sebagai berikut :
Y
X
(x0,y0)
(x1,y1)
(x2,y2)
Interpolasi Kubik
Interpolasi empat buah titik dengan sebuah persamaan polinom kubik. Misal (x0,y0), (x1,y1), (x2,y2), dan (x3,y3).
Persamaan polinom kuadrat yang terbentuk :
p3(x) = a0 + a1x + a2x2 + a3x3
Persamaan dari 4 titik dengan a0, a1, a2 dan a3 adalah sebagai berikut :
3333
232210
2323
222210
1313
212110
0303
202010
yxaxaxaa
yxaxaxaa
yxaxaxaa
yxaxaxaa
Dengan metode eliminasi Gauss, didapatkan nilai a0,a1 dan a2.Y
X
(x0,y0)
(x1,y1)
(x2,y2)
(x3,y3)
Resume
Interpolasi linier, kuadratik, kubik dan seterusnya relatif kurang disukai disebabkan persamaan yang diperoleh (terutama yang berderajat tinggi) akan berkondisi buruk.
Interpolasi Lagrange
Nama diambil dari penemunya Joseph Louis Lagrange (Perancis) Bentuk umum derajat <n untuk (n+1) titik berbeda :
))...()()...()((
))...()()...()((
)(
)()(
)(...)()()()(
1110
1110
0
11000
niiiiiii
nii
ji
jn
ijj
i
nn
n
iiin
xxxxxxxxxx
xxxxxxxxxx
xx
xxxL
xLyxLyxLyxLyxp
Contoh Kasus :
Diberikan fungsi y = f(x) dengan 3 buah titik data dalam tabel berikut :
tentukan nilai f(3.5)!
X 1 4 6
Y 1.5709 1.5727
1.5751
function Lagrange (x:real; n: integer): real;
var i, j : integer;pi, L : real;begin
L = 0;for i:=0 to n do begin pi :=1; for j:=0 to n do
if i<>j then pi:=pi*(x-x(j))/(x(i)-
x(j)); endfor L:=L+y(i)*pi;endfor;Lagrange :=L;
end.
Interpolasi Lagrange
Kurang disukai karena :– Jumlah komputasi yang
dibutuhkan untuk satu kali interpolasi besar.
– Hasil komputasi pada derajat yang lebih rendah tidak bisa digunakan untuk menghitung derajat yang lebih tinggi.
Interpolasi Newton
Bentuk umum :(i) Rekurens :
pn(x) = pn-1(x)+an(x-x0)(x-x1)…(x-xn-1)(ii) Basis :
p0(x) = f(x0) = y0
],,...,,[
...
],,[
],[
)(
011
0122
011
00
xxxxfa
xxxfa
xxfa
xfa
nnn
0
02111011
),...,,[),...,,[],,...,,[
...
][],[],,[
)()(],[
xx
xxxfxxxfxxxxf
xx
xxfxxfxxxf
xx
xfxfxxf
n
nnnnnn
ki
kjjikji
ji
jiji
Bentuk umum juga dapat ditulis :
],,...,,[))...()((
...],,[))((],[)()()(
011110
012100100
xxxxfxxxxxx
xxxfxxxxxxfxxxfxp
nnn
n
Tabel Selisih Terbagi Newton
i xi yi=f(xi) ST-1 ST-2 ST-3 …
0 x0 f(x0) f[x1,x0] f[x2,x1,x0] f[x3,x2,x1,x0] …
1 x1 f(x1) f[x2,x1] f[x3,x2,x1] …
2 x2 f(x2) f[x3,x2] …
3 x3 f(x3) …
… … …ST : Selisih Terbagi
Contoh Kasus :
Diberikan data pada tabel dibawah ini, taksirlah nilai fungsi di x = 2.5! Dengan polinom newton orde 3.
xi 0.0 1.0 2.0 3.0 4.0
f(xi) 1.0000 0.5403 -0.4161 -0.9900 -0.6536
Interpolasi Spline
Tidak semua kasus semakin tinggi derajat kurva akan semakin bagus. Misal untuk kasus dimana terdapat perubahan kecekungan yang
sangat mendadak fungsi tangga. Solusi : dibuat polinom per-potong yang berderajat rendah.
(x0,y0)
(x1,y1)
(x2,y2)
(x3,y3)
(xk,yk)
(xk+1,yk+1)
(xn,yn)
y = Sk(x) dan y = Sk+1(x) masing-masing terletak
Spline Linier
Setiap pasang titik