MT Regresi dan Interpolasi
http://istiarto.staff.ugm.ac.id http://istiarto.staff.ugm.ac.id Curve Fitting ¨
Acuan ¤
Chapra, S.C., Canale R.P., 1990, Numerical Methods for Engineers, 2nd Ed., McGraw-Hill Book Co., New York. n Chapter 11 dan 12, pp. 319-398. http://istiarto.staff.ugm.ac.id Curve Fitting ¨
Mencari garis/kurva yang mewakili serangkaian titik data ¨
Ada dua cara untuk melakukannya, yaitu ¤
Regresi ¤
Interpolasi ¨
Aplikasi di bidang enjiniring ¤
http://istiarto.staff.ugm.ac.id Curve Fitting ¨
Pemakaian regresi ¤
Apabila data menunjukkan tingkat kesalahan yang cukup signifikan
atau menunjukkan adanya noise
¤ Untuk mencari satu kurva tunggal yang mewakili pola umum perilaku
data
¤ Kurva yang dicari tidak perlu melewati setiap titik data
http://istiarto.staff.ugm.ac.id Curve Fitting ¨
Interpolasi ¤
Diketahui bahwa data sangat akurat ¤
Untuk mencari satu atau serangkaian kurva yang melewati setiap titik
data
¤ Untuk memperkirakan nilai-nilai di antara titik-titik data
¨ Extrapolasi
http://istiarto.staff.ugm.ac.id Curve Fitting terhadap Data Pengukuran ¨
Analisis pola perilaku data ¤
Pemanfaatan pola data (pengukuran, experimen) untuk melakukan
perkiraan
¤ Apabila data persis (akurat): interpolasi
¤ Apabila data tak persis (tak akurat): regresi
¨ Uji hipotesis
http://istiarto.staff.ugm.ac.id Beberapa Parameter Statistik ta
1
a ¨
=
Rata-rata aritmatik, mean y y i d
∑ n n ra a b
¨ S
Simpangan baku, standard t
2 = se
= S y − y
s ( ) y t i ∑ n deviation, deviasi standar
−
n
1
ka si S
2 t
=
s ¨ y
Varian (‘ragam’), variance
http://istiarto.staff.ugm.ac.id Distribusi Probabilitas frek
Distribusi Normal
salah satu distribusi/sebaran data yang sering dijumpai adalah distribusi normal Regresi linear Regresi non-linear
http://istiarto.staff.ugm.ac.id Regresi: Metode Kuadrat Terkecil ¨Mencari suatu kurva atau suatu fungsi (pendekatan) yang
sesuai dengan pola umum yang ditunjukkan oleh data
¤Datanya menunjukkan kesalahan yang cukup signifikan ¤
Kurva tidak perlu memotong setiap titik data ¨
Regresi linear ¨
Regresi persamaan-persamaan tak-linear yang dilinearkan http://istiarto.staff.ugm.ac.id Regresi: Metode Kuadrat Terkecil ¨
Bagaimana caranya? ¤
Program komputer ¤
Spreadsheet (Microsoft Excel) ¤
SciLab http://istiarto.staff.ugm.ac.id Regresi Linear ¨
Mencari suatu kurva lurus yang cocok menggambarkan pola serangkaian titik data: (x
n
: intercept a
1 x + e a
y = a + a
)
n
,y
) … (x
1
2
,y
2
), (x
1
,y
1 : slope e : error
http://istiarto.staff.ugm.ac.id Regresi Linear ¨
Kesalahan atau residu (e) adalah perbedaan antara nilai y sesungguhnya dan y nilai pendekatan menurut persamaan
- + a linear a x.
1 e = y − a − a x 1
http://istiarto.staff.ugm.ac.id Regresi Linear ¨
Bagaimana cara mencari koefisien a dan a ?
1 ¤
Diferensialkan persamaan S
∂ r
2
y a a x
= − − − =
( i i 1 ) ∑
tersebut dua kali, masing-
a
∂ masing terhadap a dan a .
∂ r
2
y a a x x
= − − − =
( 1 ) ¤
Samakan kedua persamaan i i i ∑ a
∂ 1 hasil diferensiasi tersebut
http://istiarto.staff.ugm.ac.id Regresi Linear ¤ Selesaikan persamaan yang didapat untuk mencari a
dan a
1 n x y x y i i i i −
∑ ∑ ∑ a = 1 2 2 n x x i ( i ) −
∑ ∑ a = y a x
− 1 http://istiarto.staff.ugm.ac.id Contoh Regresi Linear i x i y i = f(x i )
1
0.5
1
2
2.5
2
3
2
3
4
4
2
4
6
8 y = f( x )
Tabel data Grafik/kurva data http://istiarto.staff.ugm.ac.id Hitungan regresi linear i x i y i x i y
i
x i 2 y reg (y i −y reg) 2 (y i −y mean
2.0
3.5
5
4
16 16 3.428571 0.326531 0.326531
4.0
4
3
6
9 2.589286 0.347258 2.0408163
) 2
2
4 1.75 0.5625 0.862245
5
2.5
2
1
0.5 1 0.910714 0.168686 8.576531
0.5
1
17.5 25 4.267857 0.589605 0.005102
http://istiarto.staff.ugm.ac.id Hitungan regresi linear 7 119 .
5
28
24
n x y − x y i i i i ( ) ( ) − ∑ ∑ ∑
. 839286
a = = = 1 2 2 2
7 140
28 −
( ) ( ) n x − x i i ( )
∑ ∑
24 3 .
4
y = =
7
28
http://istiarto.staff.ugm.ac.id Hitungan regresi linear
7
6
5
3 data
2 regresi
1 http://istiarto.staff.ugm.ac.id Regresi Linear ¨
Kuantifikasi kesalahan ¤
Kesalahan standar ¤
2 −
=
n S s r x y
( ) ∑
− − = 2 1 i i r
S x a a y
http://istiarto.staff.ugm.ac.id Regresi Linear ¨
Beda antara kedua kesalahan tersebut menunjukkan perbaikan atau pengurangan kesalahan S S
−
2 t r koefisien determinasi r
=
(coefficient of determination) S t n x y x y
− i i i i ( )( )
koefisien korelasi ∑ ∑ ∑ r
= http://istiarto.staff.ugm.ac.id Hitungan regresi linear
( ) ( )
71429 .
22 991071 .
2 2 2 1 = − =
= − − =
∑ ∑ S y y S x a a y i t i i r 868318 .
71429 .
22 991071 .
. 2 71429
22 2 =
− =
− =
S S S r r t http://istiarto.staff.ugm.ac.id Regresi Linear ¨
Linearisasi persamaan-persamaan tak-linear ¤
Logaritmik menjadi linear ¤
Eksponensial menjadi linear ¤
Pangkat (polinomial tingkat n > 1) menjadi linear (polinomial tingkat 1) ¤ Dll. http://istiarto.staff.ugm.ac.id Linearisasi persamaan non-linear
(1) y
ln y
- =
1 x b e a y 1
1 = x b a y
1
1 ln ln
b
1 http://istiarto.staff.ugm.ac.id Linearisasi persamaan non-linear
(2)
1 y
log y
b
2 2
2 b x a y = x b a y log log log 2 2 + = http://istiarto.staff.ugm.ac.id Linearisasi persamaan non-linear
(3)
- =
- =
1/y
- = 3 3
- 1
- b b x b
- −
- = n n n x x x x x x b x x b b x f
+ + − − + − + =
- =
- = 2 3
- − − ʹ′ʹ′ =
- − − ʹ′ʹ′
- − ⎥ ⎦ ⎤ ⎢
1 x b x a y
y x a b a x a x b y
1
1
1 3 3 3 3 3
3 1 a 3 3 a b Metode Newton Metode Lagrange
http://istiarto.staff.ugm.ac.id Interpolasihttp://istiarto.staff.ugm.ac.id Interpolasi ¨
Penyelesaian persamaan polinomial tingkat n membutuhkan sejumlah n + 1 titik data ¨
Metode untuk mencari polinomial tingkat n yang merupakan interpolasi sejumlah n + 1 titik data: ¤
Metode Newton ¤
Metode Lagrange
http://istiarto.staff.ugm.ac.id
Interpolasi Linear: Metode Newton
f(x) f(x ) 1 1 − − 1( ) ( ) ( ) ( ) f x f x f x f x
= − − 1
f 1 (x) x x x x
−
( ) 1 ( ) f x f x f(x )
− 1 ( ) ( ) ( ) =
f x f x x x
−
x x x
http://istiarto.staff.ugm.ac.id Interpolasi Kuadratik: Metode Newton f x b b x x b x x x x 2 ( ) = − − − 1 ( ) ( )( ) + + 2 2 1
x b x b x x b xx b xx
= − − − 1 1 2 2 1 2 2 1 2
b b x b x x b b x b x x b x
− − − =
( ) ( ) ( ) 1 2 1 1 2 2 1 2
! % " " " $ " " " # % " $ " " # " a a 1 a 2
a b b x b x x
= 1 2 1 −
⎧
− f x 1 ( ) x
− f x 1 ( )
− f x ( ) x f x
( ) x f b = b 1
= f x 1 ( )
− f x ( ) x 1
− x = f x 1 , x ⎡⎣ ⎤⎦ http://istiarto.staff.ugm.ac.id Interpolasi Polinomial: Metode Newton
( ) ( ) ( )( ) ( ) 1 1 1 ... ... − − − −
( ) [ ] [ ] 1 2 2 1 1 .
, , ,
x x x f b x x f b x f b
= = =
http://istiarto.staff.ugm.ac.id Interpolasi Polinomial: Metode Newton − f x f x
( ) i j ( )
⎡ ⎤ f x , x i j
⎣ ⎦ = − x x i j
⎡ ⎤ ⎡ ⎤ f x , x , x i j j k
⎣ ⎦ − f x ⎣ ⎦ ⎡ ⎤ f x , x , x i j k
⎣ ⎦ = x − x i k f x , x , ..., x , n , ..., x
Interpolasi Polinomial: Metode Newton
http://istiarto.staff.ugm.ac.id
( ) ( ) ( ) [ ] ( )( ) [ ] ( )( ) ( ) [ ] 1 1 1 1 2 1 1 ,..., , ...
... , , , x x x f x x x x x x x x x f x x x x x x f x x x f x f n n n n − −
− − − http://istiarto.staff.ugm.ac.id Interpolasi Polinomial: Metode Newton i x i f(x i ) langkah hitungan ke-1 ke-2 ke-3 x f(x ) f[x 1 ,x ] f[x 2 ,x 1 ,x ] f[x 3 ,x 2 ,x 1 ,x ]
1 x 1 f(x 1 ) f[x 2 ,x 1 ] f[x 3 ,x 2 ,x 1 ]
http://istiarto.staff.ugm.ac.id Interpolasi Polinomial: Metode Lagrange n f x L x f x
= n i i ( ) ( ) ( ) ∑ i = n x x
− j L x
= i ( ) ∏ x x j ≠ i j = i j −
http://istiarto.staff.ugm.ac.id Contoh interpolasi
7
6 i x f(x ) i i
5
1
1.5
)
4
x
f(
1
4
3.1
3
2
5
6
2
1
3
6
2.1 Linear Kuadratik Kubik
http://istiarto.staff.ugm.ac.id Interpolasi: Spline ¨
Jumlah titik data n + 1 à interpolasi polinomial tingkat n ¤
Tingkat besar, n >>, mengalami kesulitan apabila titik-titik data
menunjukkan adanya perubahan tiba-tiba di suatu titik tertentu (perubahan gradien secara tiba-tiba).
¤ Dalam situasi tsb, polinomial bertingkat kecil, n «, dapat lebih representatif untuk mewakili pola data.
¤ Spline http://istiarto.staff.ugm.ac.id Interpolasi Polinomial vs Spline
§ polinomial tingkat n n = 1 n
» n = 1 n
»
http://istiarto.staff.ugm.ac.id Linear Splines ¨
First-order spline : garis lurus ¨
Data urut : x , x , x , …, x
1 2 n
− ≤ ≤ =
( ) ( ) ( ) 1 f x f x m x x x x x
= − ≤ ≤ 1 1 1 1 2
( ) ( ) ( ) f x f x m x x x x x .
. http://istiarto.staff.ugm.ac.id Linear Splines ¨
Slope/gradien/kemiringan garis lurus, m i
:
¨ Linear spline, dengan demikian, adalah sama dengan interpolasi linear. ¨ Kekurangan linear spline adalah ketidak-mulusan kurva interpolasi.
( ) ( ) j i j i i x x x f x f m
− −
= + +
1
1
http://istiarto.staff.ugm.ac.id Linear Splines ¨
Dengan kata lain, terdapat diskontinuiti/ketidak-mulusan diferensial pertama (kemiringan) fungsi spline di titik-titik knot.
¨
Perlu dicari suatu fungsi spline (bertingkat n lebih tinggi) dengan menyamakan diferensial pertamanya (kemiringannya) di titik-titik knot.
http://istiarto.staff.ugm.ac.id Quadratic Splines ¨
Untuk mendapatkan kurva yang memiliki diferensial/laju-perubahan ke-m kontinu di titik knot, maka diperlukan kurva spline yang bertingkat paling kecil m + 1.
¨
Yang paling banyak dipakai adalah spline tingkat 3 (cubic spline): diferensial pertama dan kedua kontinu di titik-titik knot.
¨
Ketidak-mulusan diferensial ketiga, keempat, dst. umumnya tidak begitu tampak secara visual. http://istiarto.staff.ugm.ac.id Quadratic Splines ¨ Tujuan: mencari polinomial tingkat 2 untuk setiap interval titik-titik data.
¨
Polinomial tingkat 2 tsb harus memiliki diferensial pertama (laju perubahan) yang kontinu di titik-titik data.
¨
Polinomial tingkat 2:
¨
Untuk (n+1) titik data (i = 0, 1, 2, …, n), terdapat n interval, sehingga
( ) i i i c x b x a x f
2 http://istiarto.staff.ugm.ac.id Quadratic Splines ¨ Ke-3n persamaan tsb adalah sbb.
¤ Kurva spline memotong titik-titik data (knot): interval i − 1 dan i bertemu
1
= + + = + + i i i i i i i i i i i i
1 − − − − − − − − −
1
2
1
1
1
1
di titik data {x
2
1
1
( ) ( )
i −1 )}. i = 2, 3, …, n 2(n − 1) pers.
, f(x
i−1
x f c x b x a x f c x b x a
http://istiarto.staff.ugm.ac.id Quadratic Splines ¤ Kurva spline di selang (interval) pertama memotong titik data pertama
(i = 1) dan kurva spline di interval terakhir memotong titik data terakhir (i = n). 2
a x b x c f x 1 1 + + = 1 ( ) 2 2 pers. a x b x c f x n n n n n ( ) n = + +
http://istiarto.staff.ugm.ac.id Quadratic Splines ¤ Diferensial (gradien) kurva spline di dua interval berurutan adalah sama di titik data yang bersangkutan.
Gradien:
f x ax b ʹ′ =
( )
2
http://istiarto.staff.ugm.ac.id Quadratic Splines ¤ Diferensial kedua (laju perubahan gradien) kurva spline di titik data pertama sama dengan nol. a i 1 pers. =
¤ Konsekuensi: 2 titik data pertama (i = 0 dan i = 1) dihubungkan dengan garis lurus. http://istiarto.staff.ugm.ac.id Quadratic Splines ¨
Dengan demikian, jumlah persamaan seluruhnya adalah: 2(n – 1) + 2 + (n – 1) + 1 = 3n http://istiarto.staff.ugm.ac.id Cubic Splines ¨ Tujuan: mencari polinomial tingkat 3 untuk setiap interval titik-titik data.
¨
Polinomial tingkat 3 tsb harus memiliki diferensial pertama (gradien) dan diferensial kedua (laju perubahan gradien) yang kontinu di titik-titik data.
¨
Polinomial tingkat 3:
¨
Untuk (n+1) titik data (i = 0, 1, 2, …, n), terdapat n interval, shg. terdapat
( ) i i i i i d x c x b x a x f
http://istiarto.staff.ugm.ac.id Cubic Splines ¨ Ke-4n persamaan tsb adalah sbb.
¤ Kurva spline memotong titik-titik data (knot): interval i − 1 dan i bertemu
di titik data {x , f(x )} à (2n − 2) pers.
i − 1 i − 1 ¤
Kurva spline di interval pertama memotong titik data pertama dan kurva spline terakhir memotong titik data terakhir à 2 pers.
¤ Diferensial pertama kurva spline di dua interval berurutan adalah sama di titik data ybs. à (n − 1) pers.
http://istiarto.staff.ugm.ac.id Cubic Splines ¤ Diferensial kedua kurva spline di dua interval berurutan adalah sama di titik data ybs. à (n − 1) pers. ¤
Diferensial kedua kurva spline di titik data pertama dan terakhir sama dengan nol à 2 pers.
Konsekuensi:
kurva spline berupa garis lurus di titik data pertama dan di titik data terakhir.
http://istiarto.staff.ugm.ac.id Cubic Splines ¨
Diperoleh 4n persamaan yang harus diselesaikan untuk mencari 4n , b , c , d . koefisien, a
i i i i ¨
Dimungkinkan untuk melakukan manipulasi matematis shg diperoleh suatu teknik cubic splines yang hanya memerlukan
n – 1 penyelesaian (lihat uraian di buku acuan): Chapra, S.P., Canale, R.P., 1985, Numerical Methods for Engineers, McGraw-Hill
¤ Book Co., New York, hlm. 395-396).
Cubic Splines
− ⎥ ⎦ ⎤
ʹ′ʹ′ ʹ′ʹ′ − dan 1
2 unknowns di setiap interval: ( ) ( ) i i x f x f
i i i i i i i i i i i i i i i i i i i i i i i x x x x x f x x x f x x x x x f x x x f x x x x x f x x x x x f x f
− −
⎣ ⎡ − ʹ′ʹ′
ʹ′ʹ′ − −
⎢ ⎣ ⎡ −
6
6 − − − − − − − − − − − − −
6
6
( ) ( )( ) ( ) 1 1 1 1 1 1 1 1 3 1 1 1 3 1 1
( ) ( )( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
http://istiarto.staff.ugm.ac.id