REGRESI DAN INTERPOLASI
Curve Fitting
http://istiarto.staff.ugm.ac.id
Universitas Gadjah Mada
Departemen Teknik Sipil dan Lingkungan Prodi Sarjana Teknik Sipil
http://istiarto.staff.ugm.ac.id
Curve Fitting
2¨
Acuan
¤ Chapra, S.C., Canale R.P., 1990, Numerical Methods for Engineers,
2nd Ed., McGraw-Hill Book Co., New York.
http://istiarto.staff.ugm.ac.id
Curve Fitting
3¨
Mencari garis/kurva yang mewakili serangkaian titik data
¨Ada dua cara untuk melakukannya, yaitu
¤ Regresi ¤ Interpolasi
¨
Aplikasi di bidang enjiniring
¤ Pola perilaku data (trend analysis) ¤ Uji hipotesis (hypothesis testing)http://istiarto.staff.ugm.ac.id
Curve Fitting
4¨
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
http://istiarto.staff.ugm.ac.id
Curve Fitting
5¨
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
¤ Mirip dengan interpolasi, tetapi untuk memperkirakan nilai-nilai di luar
http://istiarto.staff.ugm.ac.id
Curve Fitting terhadap Data Pengukuran
6
¨
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
¤ Pembandingan antara hasil teori atau hasil hitungan dengan hasil
http://istiarto.staff.ugm.ac.id
Beberapa Parameter Statistik
¨Rata-rata aritmatik, mean
¨
Deviasi standar, simpangan
baku, standard deviation
¨
Varian (‘ragam’), variance
¨Coefficient of variation
71
2-=
n
S
s
t yå
=
y
in
y
1
1
-=
n
S
s
t y=
å
(
-
)
2y
y
S
t i%
100
.
.
y
s
v
c
=
y m er ep res en ta si ka n se b a ra n d a tahttp://istiarto.staff.ugm.ac.id
Distribusi Probabilitas
8
X
frek
Distribusi Normal
salah satu distribusi/sebaran data yang sering dijumpai adalah distribusi normal
Regresi linear
Regresi non-linear
Regresi
9
http://istiarto.staff.ugm.ac.id
Regresi: Metode Kuadrat Terkecil
10
¨
Mencari satu kurva atau satu 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
¨Regresi tak-linear
http://istiarto.staff.ugm.ac.id
Regresi: Metode Kuadrat Terkecil
11
¨
Bagaimana caranya?
¤ Program komputerhttp://istiarto.staff.ugm.ac.id
Regresi Linear
12
¨ Mencari suatu kurva lurus yang cocok menggambarkan pola serangkaian
titik data: (x1,y1), (x2,y2) … (xn,yn) ¨ Microsoft Excel ¤ INTERCEPT(y1:yn;x1:xn) ¤ SLOPE(y1:yn;x1:xn) yreg = a0 + a1x a0 : intercept a1 : slope
http://istiarto.staff.ugm.ac.id
Regresi Linear
13
¨
Kesalahan atau residu (e) adalah perbedaan antara nilai y
sesungguhnya (data y) dan y nilai pendekatan (y
reg) menurut
persamaan linear a
0+ a
1x.
¨
Minimumkan jumlah kuadrat residu tersebut
x
a
a
y
e
=
-
0-
1[ ]
=[
å
]
=[
å
(
- -)
2]
1 0 2 min min min Sr ei yi a a xihttp://istiarto.staff.ugm.ac.id
Regresi Linear
¨
Bagaimana cara mencari
koefisien a
0dan a
1?
¤ Diferensialkan persamaan
tersebut dua kali, masing-masing terhadap a0 dan a1.
¤ Samakan kedua persamaan
hasil diferensiasi tersebut dengan nol. 14
(
)
(
)
0 2 0 2 1 0 1 1 0 0 = -= ¶ ¶ = -= ¶ ¶å
å
i i i r i i r x x a a y a S x a a y a Shttp://istiarto.staff.ugm.ac.id
Regresi Linear
15
¤ Selesaikan persamaan yang didapat untuk mencari
a0 dan a1
¤ dalam hal ini, dan masing-masing adalah nilai y rata-rata dan
x rata-rata a1= n
∑
xiyi −∑
xi∑
yi n∑
xi2 −(
∑
xi)
2 a0 = y − a1x y xhttp://istiarto.staff.ugm.ac.id
Contoh Regresi Linear
i xi yi = f(xi) 0 1 0.5 1 2 2.5 2 3 2 3 4 4 4 5 3.5 5 6 6 6 7 5.5 0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7 y = f( x) X 16
http://istiarto.staff.ugm.ac.id
Hitungan regresi linear
17
i xi yi xi yi xi2 yreg (yi−yreg)2 (yi−ymean)2
0 1 0.5 0.5 1 0.910714 0.168686 8.576531 1 2 2.5 5 4 1.75 0.5625 0.862245 2 3 2.0 6 9 2.589286 0.347258 2.040816 3 4 4.0 16 16 3.428571 0.326531 0.326531 4 5 3.5 17.5 25 4.267857 0.589605 0.005102 5 6 6.0 36 36 5.107143 0.797194 6.612245 6 7 5.5 38.5 49 5.946429 0.199298 4.290816 ∑ = 28 24.0 119.5 140 ∑ = 2.991071 22.71429
http://istiarto.staff.ugm.ac.id
Hitungan regresi linear
18 a1 = n
∑
xiyi −∑
xi∑
yi n xi2∑
−(
∑
xi)
2 = 7 119.5(
)
− 28 24( )
7 140(
)
− 28( )
2 = 0.839286( )
4
0
.
071429
839286
.
0
4
.
3
4
7
28
4
.
3
7
24
0=
-
=
=
=
=
=
a
x
y
http://istiarto.staff.ugm.ac.id
Hitungan regresi linear
19 0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7 8 Y X data regresi
http://istiarto.staff.ugm.ac.id
Regresi Linear
20
¨
Kuantifikasi kesalahan
¤ Kesalahan standar¤ Perhatikan kemiripannya dengan simpangan baku
2
-=
n
S
s
r x y1
-=
n
S
s
t y=
å
(
-
)
2y
y
S
t i(
)
å
-
-=
2 1 0 i i ry
a
a
x
S
http://istiarto.staff.ugm.ac.id
Regresi Linear
21
¨
Beda antara kedua kesalahan tersebut menunjukkan
perbaikan atau pengurangan kesalahan
r2 = St − Sr St r = n
∑
xiyi −(
∑
xi)
(
∑
yi)
n∑
xi2 −(
∑
xi)
2 n∑
yi2 −(
∑
yi)
2 koefisien determinasi (coefficient of determination) koefisien korelasi (correlation coefficient)http://istiarto.staff.ugm.ac.id
Hitungan regresi linear
22
(
)
(
)
22.71429 991071 . 2 2 2 1 0 = -= = -=å
å
y y S x a a y S i t i i r 931836 . 0 868318 . 0 71429 . 22 991071 . 2 71429 . 22 2 = = -= -= r S S S r t r thttp://istiarto.staff.ugm.ac.id
Regresi Linear
23
¨
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
24 x y ln y 1 ln a1 x b
e
a
y
1 1=
x
b
a
y
ln
1 1ln
=
+
x b1http://istiarto.staff.ugm.ac.id
Linearisasi persamaan non-linear
25 1 x y log y log x b2 2 2 b
x
a
y =
x
b
a
y
log
log
log
=
2+
2 2logb
http://istiarto.staff.ugm.ac.id
Linearisasi persamaan non-linear
26 1/y 1
x
b
x
a
y
+
=
3 3 1/x y xx
a
b
a
x
a
x
b
y
1
1
1
3 3 3 3 3+
=
+
=
31 a
3 3a
b
Metode Newton
Metode Lagrange
Interpolasi
27
http://istiarto.staff.ugm.ac.id
Interpolasi
28
http://istiarto.staff.ugm.ac.id
Interpolasi
29
¨
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
30 x f(x) f(x1) f1(x) f(x0) x0 x x1
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )(
0)
0 1 0 1 0 1 0 1 0 1 0 0 1 x x x x x f x f x f x f x x x f x f x x x f x f -+ = -=-http://istiarto.staff.ugm.ac.id
Interpolasi Kuadratik: Metode Newton
31
( )
(
)
(
)(
)
(
) (
) ( )
!
2 2 1 2 0 2 1 1 0 2 0 1 0 1 2 0 2 1 0 2 2 2 0 1 1 0 1 0 2 0 1 0 2 2 1 0x
b
x
x
b
x
b
b
x
x
b
x
b
b
xx
b
xx
b
x
x
b
x
b
x
b
x
b
b
x
x
x
x
b
x
x
b
b
x
f
a a a+
-+
+
-=
-+
+
-+
=
-+
-+
=
"
" #
"
" $
%
"
"
" #
"
"
" $
%
( )
2 2 1 0 2x
a
a
x
a
x
f
=
+
+
ï
î
ï
í
ì
=
-=
+
-=
2 2 1 2 0 2 1 1 1 0 2 0 1 0 0b
a
x
b
x
b
b
a
x
x
b
x
b
b
a
http://istiarto.staff.ugm.ac.id
Interpolasi Kuadratik: Metode Newton
32
( )
0 0f
x
b =
( ) ( )
[
]
0 1 0 1 0 1 1f
x
, x
x
x
x
f
x
f
b
=
-=
b2 = f x( )
2 − f x( )
1 x2 − x1 − f x( )
1 − f x( )
0 x1− x0 x2 − x0 = f x⎡⎣ 2,x1,x0⎤⎦ = f x⎡⎣ 2,x1⎤⎦ − f x⎡⎣ 1,x0⎤⎦ x2 − x0http://istiarto.staff.ugm.ac.id
Interpolasi Polinomial: Metode Newton
33
( )
=
0+
1(
-
0)
+
...
+
n(
-
0)(
-
1) (
...
-
n-1)
nx
b
b
x
x
b
x
x
x
x
x
x
f
( )
[
]
[
]
[
1 1 0]
0 1 2 2 0 1 1 0 0 , ,..., , . . . , , , x x x x f b x x x f b x x f b x f b n n n = -= = =http://istiarto.staff.ugm.ac.id
Interpolasi Polinomial: Metode Newton
34
[ ]
( )
( )
[
] [ ] [
]
[
] [
] [
]
0 0 2 1 1 1 0 1 1 ,..., , ,..., , , ,..., , , , , , , x x x n x f x x x f x x x x f x x x x f x x f x x x f x x x f x f x x f n n n n n n n k i k j j i k j i j i j i j i -= -= -=-http://istiarto.staff.ugm.ac.id
Interpolasi Polinomial: Metode Newton
35
( ) ( ) (
)
[
]
(
)(
)
[
]
(
1 0 0)(
1) (
0 1 1)
2[
1 01 0]
0 0,...,
,
...
...
,
,
,
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
36
i xi f(xi) langkah hitungan
ke-1 ke-2 ke-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]
http://istiarto.staff.ugm.ac.id
Interpolasi Polinomial: Metode Lagrange
37
f
n( )
x
=
L
i( )
x
f x
( )
i i=0 n∑
f
3( )
x
=
x − x
1x
0− x
1x − x
2x
0− x
2x − x
3x
0− x
3⎡
⎣
⎢
⎢
⎤
⎦
⎥
⎥
f x
( )
0+
x − x
0x
1− x
0x − x
2x
1− x
2x − x
3x
1− x
3⎡
⎣
⎢
⎢
⎤
⎦
⎥
⎥
f x
( )
1+...
+
x − x
0x
2− x
0x − x
1x
2− x
1x − x
3x
2− x
3⎡
⎣
⎢
⎢
⎤
⎦
⎥
⎥
f x
( )
2+
x − x
0x
3− x
0x − x
1x
3− x
1x − x
2x
3− x
2⎡
⎣
⎢
⎢
⎤
⎦
⎥
⎥
f x
( )
3L
i( )
x
=
x − x
kx
i− x
k k=0 k≠i n∏
Contoh interpolasi polinomial order 3:http://istiarto.staff.ugm.ac.id