Académique Documents
Professionnel Documents
Culture Documents
1. Interpolasi
Interpolasi digunakan untuk menaksir nilai antara (intermidiate value) diantara titik titik
data yang tepat.
Metode yang sering digunakan adalah interpolasi polinomial yang terdiri dari beberapa
orde :
a. Interpolasi Linear
Interpolasi Linear atau interpolasi lanjar adalah interpolasi dua buah titik dengan
sebuah garis lurus. Misal diberi dua buah titik (𝑋0, 𝑌0 ) dan (𝑥1 ,𝑦1 ). Polinom yang
menginterpolasi kedua titik itu adalah persamaan garis lurus yang berbentuk :
P (x) = 𝑎0 + 𝑎1 x
Bentuk interpolasi yang paling sederhana adalah menghubungkan dua titik data
dengan garis lurus. Tekhnik ini dinamakan interpolasi linear,dilukiskan secara grafis
pada gambar diatas dengan memakai segitiga-segitiga sebangun sehingga diperoleh:
𝑓1(𝑥)−𝑓(𝑥0 𝑓(𝑥1)−𝑓(𝑥0
= , yang dapat disusun ulang menjadi:
𝑥−𝑥0 𝑥1 −𝑥0
𝑓(𝑥1 )−𝑓(𝑥0
𝑓1 (𝑥)=f(𝑥0 )+ (x-𝑥0 )
𝑥1 −𝑥0
Cara penulisan 𝑓1 (x) menunjukkan bahwa ini adalah polinom interpolasi orde pertama
(interpolasi lanjar).Perhatikan bahwa disamping menyatakan kemiringan garis yang
menghubugkan titik-titik, bentuk [f(𝑥1 )-f(𝑥0 )]/(𝑥1 − 𝑥0 ) adalah hampiran
(aproksimasi) beda hingga terbagi dari turunan pertama.Umumnya semakin kecil selag
diantara titik-titik data, semakin baik hampirannya.
Algoritma Interpolasi
𝑙𝑛(2,5)−𝑙𝑛(1)
maka; 𝑓1 (2) = ln(1) + (2-1)
2,5−1
0,91629−0
= 0 + (1)
1,5
0,91629
= 0,61086
1,5
b. Interpolasi Kuadrat
Interpolasi Kuadratik (polinom orde kedua) digunakan untuk mencari titik-titik antara
dari 3 buah)
Suatu prosedur yang sederhana dapat dipaki untuk menentukan nilai koefisien-
koefisiennya.Untuk 𝑏0
𝑏0 = 𝑓(𝑥0 )…………………………………………….(2)
(2) dapat disubstitusikan ke (1) yang dapat dohitung pada x =𝑥1 untuk
𝑓(𝑥1 )−𝑓(𝑥0 )
𝑏1 = ………………………………………………(3)
𝑥2 −𝑥0
Akhirnya, (2) dan (3) dapat disubstitusikan ke (1) yang dapat dihitung pada x=𝑥2 dan
dipecahakn(setelah melakukan manipulasi aljabar:
Contoh:
Cocokkan polinom orde kedua terhadap tiga titik yang dipakai dalam contoh persamaan
interpolasi linear:
𝑥0 =1 f(𝑥0 )=0
𝑥1 =4 f(𝑥1 )=1,3862944
𝑥2 =6 f(𝑥2 ) =1,7917595
𝑏0 =0
1,3862944−0
Persamaan (3) menghasilkan:𝑏1 = =0,46209813
4−1
= -0,051873116
𝑓2 (x) =0,56584436
𝑎0 + 𝑎1 𝑥𝑜 + 𝑎2 𝑥02 + 𝑎3 𝑥03 = 𝑦0
𝑎0 + 𝑎1 𝑥1 𝑎2 𝑥12 + 𝑎3 𝑥13 = 𝑦1
𝑎0 + 𝑎1 𝑥3 + 𝑎2 𝑥32 + 𝑎3 𝑥33 = 𝑦3
2. Regresi
a. Regresi Linier
y x a bx (1-1)
Table 1.1
No. Waktu (menit) Suhu
(Celcius)
1 0,0 1,1
2 1,0 2,8
3 2,0 2,9
4 3,0 4,9
5 4,0 4,8
6 5,0 6,3
7 6,0 6,1
8 7,0 8,2
9 8,0 7,9
10 9,0 8,5
11 10,0 9,6
prediksi (predicted value) yang dinyatakan oleh yxi juga sering disebut
residu. Dalam contoh tersebut kita memiliki sebelas titik data, dengan a dan b
merupakan konstanta-konstanta yang akan ditentukan kemudian. Selanjutnya,
kita dapat menyatakan total kuadrat simpangan data (residu) diberikan oleh
L L
D di yi a bxi
2 2
(1-3)
i 1 i 1
D M
2 yi a bxi
a i 1
(1-4)
D M
2 xi yi a bxi
b i 1
0 yi a bxi
(1-5)
0 xi yi axi bxi2
S 1 M
S x xi
S y yi (1-6)
S xx xi
2
S xy xi yi
aS bS x S y
(1-7) Atau
aS x bS xx S xy
jika disajikan dalam bentuk matriks, maka persamaan linier (1-7) dapat
dituliskan kembali menjadi
S Sx a S y
S
S xx b S xy
(1-8)
x
S xx S y S x S xy
a
d
(1-9)
S x S xy S x S y
b
d
dimana
d SS xx S x S x
Contoh 1.1
Gunakan cara regresi linier untuk memperoleh fungsi linier paling cocok
dengan data hasil pengukuran suhu setiap waktu seperti terlihat pada table 1.1
Penyelesaian
Untuk menyelesaikan masalah ini, pertama kali yang perlu dilakukan adalah
menentukan koefisien-koefisien persamaan (1-5) dan hasilnya terlihat pada
table 1.2
Tabel 1.2
i Sx Sy S xx S xy
x
i 1
i 55 y
i 1
i 63,1 x
i 1
2
i 385 x y
i 1
i i 403, 7
Dari table 6.2 kita memperoleh data perhitungan untuk elemen-elemen matriks
sebagai berikut
atau
Dengan menggunakan pernyataan (6-8) maka kita dapat memperoleh harga parameter
a dan b sebagai berikut
a 1.7273 b 0,8018,
Setelah koefisien persamaan linier kita temukan, maka persamaan garis dari hasil
regresi linier adalah
y 1.7273 0,8018 x
Simpangan setiap titik data terhadap grafik hasil regresi linier dapat dilihat pada tabel
1.3
Tabel 1.3
i xi y xi yi a bxi Simpangan
Metode regresi linier dapat pula digunakan untuk mencocokkan data terhadap
fungsi-fungsi eksponensial dalam beberapa kasus. Kita ingat kembali, secara umum
fungsi eksponensial dapat dinyatakan sebgai
y aebx (1-10)
Dalam hal ini, fungsi eksponensial memerikan banyak fenomena yang berbeda-beda di
dalam ilmu teknik. Parameter a dan b dapat kita tentukan dengan sedikit manipulasi
matematis dasar. Misalnya sekarang kita ambil logaritma alamiah untuk kedua ruas
persamaan (6-10), maka kita peroleh ungkapan
ln y ln a bx (1-11)
u ln y , c ln a (1-12)
u bx c (1-13)
yang merupakan persamaan garis lurus (tetapi perlu diingat bahwa bentuk ini tidak
sama dengan persamaan garis lurus yang kita kenalkan sebelumya). Jadi kita dapat
mencocokkan seperangkat data dengan suatu fungsi eksponensial dengan cara seperti
yang kita lakukan pada garis lurus. Dengan mensubstitusi u atau ln y untuk variabel
tak bebas, parameter b untuk lereng (slope) dan c untuk perpotongan pada sumbu u,
maka kita memperoleh satu garis lurus, yaitu
M M
b xi cM ln yi
i 1 i 1
M M M
(1-14)
b x c xi xi ln yi
2
i
i 1 i 1 i 1
Dari ungkapan matriks (1-15), maka koefisien b dan c dapat ditentukan masing-masing
adalah
M M M
x ln y M x ln y
i i i i
b i 1 i 1
2
i 1
M M
ln xi M xi2
i 1 i 1
M M M
(1-16)
M xi ln yi x 2
i ln y i
c i 1
2
i 1 i 1
M M
ln xi M xi2
i 1 i 1
a ec (1-17)
Contoh 1.2
Penampilan sifat transien dari sebuah kapasitor dapat dikaji dengan menempatkan
sebuah resistor paralel dengan kapasitor tersebut. Apabila mula-mula tegangan pada
kapasitor adalah 10 volt, maka secara berangsur-angsur tegangan pada kapasitor
tersebut berkurang. Data hasil pengukuran tegangan sebagai fungsi waktu tersebut
terlihat pada tabel 1.4.
Tabel 1.4
Waktu Tegangan
(detik) (volt)
0 10
1 6,1
2 3,7
3 2,2
4 1,4
5 0,8
6 0,5
7 0,3
8 0,2
9 0,1
10 0,07
11 0,03
i xi xi2 yi ln yi xi ln yi
1 0 0 10 2.302 0
2 1 1 6.1 1.808 1.808
3 2 4 3.7 1.308 2.616
4 3 9 2.2 0.788 2.365
5 4 16 1.4 0.336 1.345
6 5 25 0.8 -0.223 -1.115
7 6 36 0.5 -0.693 -4.158
8 7 49 0.3 -1.203 -8.427
9 8 64 0.2 -1.609 -12.875
10 9 81 0.1 -2.302 -20.723
11 10 100 0.07 -2.659 -26.592
12 11 121 0.03 -3.506 -42.078
Jumlah x
i 66 x 2
i 506 ln y i x ln y
i i
-7.236 -121.399
66 b 12 c 7, 236
506 b 66 c 121,399
a e2.5355 12.6227
y 12.6227 e-0.5706 x
c. Regresi Polinomial
Pada pasal terdahulu kita telah membicarakan tentang regresi linier yang
bekerja pada data hasil pengukuran yang bersifat linier intrinsik. Tetapi, kita
terpaksa harus menelan rasa kecewa pada metode ini, yakni ketika data yang kita
peroleh tidak memiliki sifat linier. Mengapa ? Karena penggunaan metode regresi
linier seperti dipaksakan hanya untuk mengikuti ambisi kita bahwa grafik hasil
pengukuran harus linier. Nah, untuk mengobati rasa kecewa tersebut pada pasal ini
kita akan membahas regresi polinomial yang mana untuk beberapa kasus metode
ini akan memberikan hasil yang lebih cocok dengan kenyataan.
Prinsip dari metode kuadrat terkecil dapat diperluas lagi untuk pencocokan data
hasil pengukuran kepada sebuah polinomial orde tertentu . secara umum,
polinomial berorde ke N dapat dituliskan sebagai
f x a0 a1x a2 x2 ...an x N (1-18)
D
0
aN
2 xiN yi a0 a1 xi a2 xi2 ... aN xiN
Persamaan-persamaan pada (1-281) selanjutnya akan kita susun kembali untuk
memperoleh bentuk yang lebih manis, sehingga lebih mudah untuk ditangani.
a0 N a1 xi a2 xi2 ... aN xiN yi
a0 xi a1 xi2 a2 xi3 ... aN xiN 1 xi yi (1-22)
a0 xi2 a1 xi3 a2 xi4 ... aN xiN 2 xi2 yi
xN a x N y
i x x x N i i
N 1 N 2 2N
i i i
Tabel 1.6
Tabel 1.7
i xi yi Polinomial Simpangan