curve-fitting dan interpolasi · pdf filedy/analisis numerik/curve-fitting dan...

dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 1 dari 16

CURVE-FITTING dan INTERPOLASI

Materi Kuliah: Pengantar; Regresi Linier; Regresi Polinomial; Regresi Linier Berganda

Interpolasi Linier; Interpolasi Kuadrat; Interpolasi Polinomial Newton & Lagrange

PENGANTAR Data-data yang bersifat diskrit dapat dibuat continuum melalui proses curve-fitting. Curve-fitting merupakan proses data-smoothing, yakni proses pendekatan terhadap kecenderungan data-data dalam bentuk persamaan model matematika. Proses ini juga dapat digunakan untuk keperluan interpolasi data.

Misalkan tersedia data-data y pada berbagai x (sejumlah n pasang), maka dapat dicari suatu persamaan y = f(x) yang memberikan hubungan y dengan x yang mendekati data. Proses ini disebut curve fitting.

x x1 X2 x3 ... ... xn-1 xn

y y1 Y2 y3 ... ... yn-1 yn

Secara garis besar, ada 2 kategori persamaan model matematika, yakni:

1. Persamaan analitik, yang berbasiskan teori dan fenomena fisik sistem yang teramati 2. Persamaan empirik, yang (lebih) berbasiskan hubungan antara input dan output sistem yang

ditinjau

Langkah-langkah yang dapat ditempuh untuk menentukan persamaan empirik adalah sebagai berikut: 1. Membuat grafik y versus x berdasarkan data yang tersedia 2. Meramalkan bentuk persamaan yang kira-kira sesuai (mengandung tetapan-tetapan yang

belum diketahui), berdasarkan grafik Misal: Persamaan linier: y = a x ; y = a0 + a1 x Persamaan kuadrat: y = a0 + a1 x + a2 x2 Persamaan polinomial berorde-m: y = a0 + a1 x + a2 x2 + ... + am-1 xm-1 + am xm Persamaan eksponensial: y = a ebx

3. Mengevaluasi nilai tetapan-tetapan tersebut berdasarkan data yang ada regresi Secara garis besar, metode regresi ada 2 macam: (a) regresi linier dan (b) regresi non-linier

4. Mengevaluasi kesesuaian persamaan empirik terhadap data.

Curve-fitting

Diplotkan pada grafik

x-y

x x

y y

y = f (x)


Secara sederhana, persamaan empirik dianggap sesuai jika error-nya kecil dan bentuk kurva berdasarkan persamaan empirik ini mirip dengan bentuk kurva berdasarkan data. Jika persamaan empirik tidak sesuai, maka harus dicoba bentuk persamaan yang lain.

Cara mengevaluasi nilai-nilai tetapan dalam persamaan empirik: visual inspection, method of average, dan metode kuadrat terkecil (least squares). Metode kuadrat terkecil merupakan metode yang paling banyak digunakan. Pada metode ini, nilai-nilai tetapan terbaik adalah yang memberikan jumlah kuadrat kesalahan/penyimpangan (sum of squares of errors, SSE) yang terkecil (minimum).

∑=

−=n

idataterhitung yySSE

1

2)( MINIMUM

Untuk bentuk-bentuk persamaan tertentu, metode kudrat terkecil dapat dilakukan secara analitik, tetapi untuk bentuk-bentuk yang lain harus dilakukan secara numerik. Prinsipnya adalah minimasi SSE terhadap variabel nilai-nilai tetapan dalam persamaan empirik.

Secara statistik, kesesuaian antara bentuk kurva dengan data dapat dinyatakan dalam term koefisien korelasi (r) atau koefisien determinasi (r2). Besarnya koefisien korelasi (r) adalah:

∑ ∑∑ ∑∑ ∑ ∑

⎟⎠⎞⎜

⎝⎛−⎟

⎠⎞⎜

⎝⎛−

−=

22

22

iiii

iiii

yynxxn

yxyxnr

dengan n menyatakan banyaknya data. Hubungan antara r dengan SSE dapat dinyatakan sbb.:

t

t

SSSESr −

=2 dengan:

2

∑ ∑⎟⎟

⎠

⎞

⎜⎜

⎝

⎛−=

ny

yS iit

Kesesuaian yang sempurna ditunjukkan oleh besarnya: SSE = 0 dan r = r2 = 1.

REGRESI LINIER DENGAN METODE KUADRAT TERKECIL

Bentuk persamaan linier: (1) y = a x dan (2) y = a0 + a1 x

(1) Bentuk Persamaan: y = a x ... (1)

ingin dicari harga a (a biasa disebut sebagai slope) Untuk pasangan data xi, yi, maka error-nya adalah:

)( dataterhitungiii yyyxaR −=−= ... (2) sehingga nilai sum of squares of errors-nya:

∑=

=−=n

iii afyxaSSE

1

2 )()( ... (3)

Harga a terbaik adalah yang memberikan SSE minimum. Harga SSE akan minimum jika:

0)(=

adSSEd ... (4)

sehingga: 0.)(2)(1

=−=∑=

i

n

iii xyxa

adSSEd

0)()( 2 =−∑ ∑ iii yxxa

atau: ∑∑= 2)(

)(

i

ii

xyx

a ... (5)

CONTOH 1#:

Nitrous anhydride (N2O5) dapat terurai secara homogen menjadi dinitrogen tetraoksida (N2O4) dan oksigen melalui reaksi: )()()( 22

14252 gOgONgON r +⎯→⎯

Berikut adalah data-data konsentrasi N2O5 (CA) vs waktu untuk reaksi ini pada suhu 313,1 K:


CA (gmol/liter) 0,1000 0,0892 0,0776 0,0705 0,0603 0,0542 0,0471Waktu (detik) 0 500 1000 1500 2000 2500 3000

Dengan menganggap bahwa reaksi ini berorde-pertama terhadap konsentrasi reaktannya: ACkr = , maka profil konsentrasi reaktan yang terhadap waktu dapat dinyatakan sebagai:

tkAA eCC −= 0 , dengan CA0 menyatakan konsentrasi reaktan mula-mula. Atau, dapat juga

dinyatakan dalam bentuk: tkCC

A

A −=0

ln ... (*)

Persamaan (*) merupakan bentuk persamaan linier (berorde satu, garis lurus) yang mempunyai bentuk umum: y = a x, dan dapat diplotkan sbb:

-0.8

-0.7

-0.6

-0.5

-0.4

-0.3

-0.2

-0.1

00 500 1000 1500 2000 2500 3000

t (detik)

ln (C

A/CA

0)

t 0

lnA

A

CC

x y x2 x y 0 0 0 0

500 -0,1143 250000 -57,14461000 -0,2536 1000000 -253,6031500 -0,3496 2250000 -524,3362000 -0,5058 4000000 -1011,682500 -0,6125 6250000 -1531,223000 -0,7529 9000000 -2258,69

22750000 -5636,67

∑ 2x ∑ yx

kx

yxa −=−=

−==

∑∑ 0002,0

2275000067,5636

2

Berdasarkan metode regresi linier terhadap data-data di atas, diperoleh nilai tetapan (yakni tetapan kecepatan reaksi) k sebesar 0,0002 detik-1.

(2) Bentuk Persamaan: y = a0 + a1 x ... (6)

ingin dicari harga a0 dan a1 (a0 biasa disebut sebagai intercept dan a1 sebagai slope) Dengan cara yang sama, untuk pasangan data xi, yi, maka error-nya adalah:

)(10 dataterhitungiii yyyxaaR −=−+= ... (7)

sehingga nilai sum of squares of errors-nya:

∑=

=−+=n

iii aafyxaaSSE

110

210 ),()( ... (8)

Harga SSE akan minimum jika: 0)(0

=∂

∂a

SSE dan 0)(1

=∂

∂a

SSE ... (9, 10)

sehingga: 01.)(2)(1

100

=−+=∂

∂ ∑=

n

iii yxaa

aSSE

∑ ∑=+ ii yxaan 10 ... (11)

dan 0.)(2)(1

101

=−+=∂

∂ ∑=

n

iiii xyxaa

aSSE

∑ ∑∑ =+ iiii yxxaxa 210 ... (12)

Berdasarkan persamaan (11) dan (12), maka harga a0 dan a1 dapat ditentukan. Misal, dengan menggunakan Cramer’s rule, diperoleh:

⎥⎥

⎦

⎤

⎢⎢

⎣

⎡=

⎥⎥⎦

⎤

⎢⎢⎣

⎡

⎥⎥

⎦

⎤

⎢⎢

⎣

⎡

∑∑

∑∑∑

ii

i

ii

i

yxy

aa

xxxn

1

02

A x = b

Slope = -k = -0,0002


maka:

∑ ∑∑ ∑ ∑ ∑

∑∑∑∑∑∑∑

⎟⎠⎞⎜

⎝⎛−

−==

ΔΔ

= 22

2

2

2

10

ii

iiiii

ii

i

iii

ii

xxn

yxxxy

xxxn

xyxxy

a

∑ ∑∑ ∑∑

∑∑∑∑∑∑

⎟⎠⎞⎜

⎝⎛−

−==

ΔΔ

= 22

2

21

ii

iiii

ii

i

iii

i

xxn

xyyxn

xxxn

yxxyn

a

(n menyatakan banyaknya data)

Nilai-nilai tetapan pada persamaan non-linier dapat ditentukan melalui proses linierisasi. Berikut ini adalah contoh beberapa bentuk persamaan dan hasil linierisasinya:

Bentuk Persamaan Awal

Bentuk Persamaan Hasil Linierisasi Ordinat Absis Slope yang

dihasilkan Intercept yang

dihasilkan bxay += - y x a b

xbeay = xbay += lnln ln y x b ln a

bxaxy+

= bxayx

+= yx x a b

bxay += - y

x1 a b

bxay = xbay lnlnln +=

xbay logloglog +=ln y log y

ln x log x b ln a

log a

CONTOH 2#:

Berdasarkan data-data x-y berikut ini: x 1 2 3 4 5 y 0,5 1,7 3,4 5,7 8,4

tentukan harga-harga a dan b, jika trend data mengikuti model bentuk pangkat: bxay =

PENYELESAIAN: Bentuk: bxay = dapat dilinierisasi menjadi bentuk: xbay logloglog +=

x y log x log y (log x) 2 log x . log y 1 0,5 0 -0,3010 0 0 2 1,7 0,3010 0,2304 0,0906 0,0694 3 3,4 0,4771 0,5315 0,2276 0,2536 4 5,7 0,6021 0,7559 0,3625 0,4551 5 8,4 0,6990 0,9243 0,4886 0,6460

Σ 2,0792 2,1411 1,1693 1,4241

Persamaan (11) dan (12) diterapkan untuk kasus ini, menjadi:

⎥⎥

⎦

⎤

⎢⎢

⎣

⎡=

⎥⎥⎦

⎤

⎢⎢⎣

⎡

⎥⎥

⎦

⎤

⎢⎢

⎣

⎡

∑∑

∑∑∑

)log.(logloglog

)(logloglog

2 yxy

ba

xxxn

atau: ⎥⎥⎦

⎤

⎢⎢⎣

⎡=

⎥⎥⎦

⎤

⎢⎢⎣

⎡

⎥⎥⎦

⎤

⎢⎢⎣

⎡

4241,11411,2log

1693,10792,20792,25

ba


Dengan menggunakan aturan Cramer, maka:

3002,05235,14574,0

1693,10792,20792,25

1693,14241,10792,21411,2

log −=−

==a ; sehingga: a = 10-0,3002 = 0,5009

7517,15235,16688,2

1693,10792,20792,25

4241,10792,21411,25

===b

Jadi: a = 0,5009 dan b = 1,7517 Atau, jika secara langsung memanfaatkan fasilitas TRENDLINE dalam EXCEL, diperoleh:

y = 0,5009x1,7517

R2 = 1

012

3456

789

0 1 2 3 4 5 6x

y

log y = 1,7517 log x - 0,3002R2 = 1

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

log x

log

y

REGRESI POLINOMIAL

Untuk persamaan kuadrat dengan bentuk: y = a0 + a1 x + a2 x2 ... (13)

Dengan cara yang sama, untuk pasangan data xi, yi, maka nilai sum of squares of errors-nya:

∑=

=−++=n

iiii aaafyxaxaaSSE

1210

22210 ),,()( ... (14)

Harga SSE akan minimum jika: 0)(0

=∂

∂a

SSE , 0)(1

=∂

∂a

SSE , dan 0)(2

=∂

∂a

SSE ... (15, 16, 17)

sehingga: 01.)(2)(1

2210

0

=−++=∂

∂ ∑=

n

iiii yxaxaa

aSSE

∑ ∑∑ =++ iii yxaxaan 2210 ... (18)

0.)(2)(1

2210

1

=−++=∂

∂ ∑=

n

iiiii xyxaxaa

aSSE

∑ ∑∑∑ =++ iiiii yxxaxaxa 32

210 ... (19)

0.)(2)(1

22210

2

=−++=∂

∂ ∑=

n

iiiii xyxaxaa

aSSE

∑ ∑∑∑ =++ iiiii yxxaxaxa 242

31

20 ... (20)

Persamaan (18), (19), dan (20) selanjutnya dapat disusun dalam bentuk perkalian matriks, sbb.:

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

=

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

∑∑∑

∑∑∑∑∑∑∑∑

ii

ii

i

iii

iii

ii

yxyx

y

aaa

xxxxxxxxn

22

1

0

432

32

2

A x = b


Dengan demikian, harga a0, a1, dan a2 dapat ditentukan secara simultan.

Dengan cara yang sama, secara umum, untuk persamaan polinomial berorde-m dengan bentuk:

y = a0 + a1 x + a2 x2 + ... + am-1 xm-1 + am xm ... (21)

dapat dihasilkan persamaan-persamaan berikut ini: ∑ ∑∑∑ =++++ i

mimii yxaxaxaan 2

210

∑ ∑∑ ∑∑ =++++ +ii

mimiii yxxaxaxaxa 13

22

10

∑ ∑∑∑∑ =++++ +ii

mimiii yxxaxaxaxa 224

23

12

0 ....................................................................................................... .......................................................................................................

∑ ∑∑∑∑ =++++ +++i

mi

mmim

mi

mi

mi yxxaxaxaxa 2

21

10

atau, dapat disusun dalam bentuk perkalian matriks, sbb.:

⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

=

⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

∑

∑∑∑

∑∑∑∑

∑∑∑∑∑∑∑∑∑∑∑

+++

+

+

im

i

ii

ii

i

mmm

im

im

im

i

miiii

miiii

miii

yx

yxyx

y

a

aaa

xxxx

xxxxxxxxxxxn

22

1

0

21

2432

132

2

A x = b Dengan demikian, harga-harga a0, a1, a2, .... am dapat ditentukan secara simultan.

CONTOH 3#:

Berikut adalah data-data kapasitas panas gas, Cp (kal/gmol.K), pada berbagai suhu, T (K): T 400 475 520 580 660 750 850 Cp 41,29 45,50 48,00 51,31 55,61 60,30 65,26

Jika Cp = f (T) didekati dengan persamaan polinomial berorde 3: 3

32

210 TaTaTaaCp +++= tentukanlah harga-harga a0, a1, a2, dan a3!

PENYELESAIAN: Dengan menggunakan metode kuadrat terkecil, dapat dihasilkan persamaan-persamaan berikut, yang disajikan dalam bentuk perkalian matriks dan vektor:

⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢

⎣

⎡

=

⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢

⎣

⎡

⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢

⎣

⎡

∑∑∑∑

∑∑∑∑∑∑∑∑∑∑∑∑∑∑∑

CpTCpTCpT

Cp

aaaa

TTTTTTTTTTTTTTTn

3

2

3

2

1

0

6543

5432

432

32

A x = b Elemen-elemen matriks A dan vektor b dapat dihitung dengan mudah, dan diperoleh hasil sbb.:

7 4235 2713025 1830387875 367,27 4235 2713025 1830387875 1,29E+12 230246,9

2713025 1830387875 1,29E+12 9,44E+14 152405037,5 1830387875 1,29E+12 9,44E+14 7,11E+17 1.06E+11

Matriks A Vektor b Dicoba diselesaikan dengan metode eliminasi Gauss. Pertukarkan baris ke-1 dan ke-4 (maximum column pivoting):

1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11 4235 2713025 1830387875 1,29E+12 230246.9

2713025 1830387875 1,29E+12 9,44E+14 152405037,5 7 4235 2713025 1830387875 367,27


Hasil eliminasi pertama: 1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11

0 -273862,8 -354501579,5 -3,55E+11 -14506,8 0 -83071679,8 -1,09E+11 -1,10E+14 -4389064,1 0 -702,0 -898362,5 -889484632,8 -37,3

Pertukarkan baris ke-2 dan ke-3 (maximum column pivoting): 1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11

0 -83071679,8 -1,09E+11 -1,10E+14 -4389064,1 0 -273862,8 -354501579,5 -3,55E+11 -14506,8 0 -702,0 -898362,5 -889484632,8 -37,3

Hasil eliminasi kedua: 1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11

0 -83071679,8 -1,09E+11 -1,10E+14 -4389064,1 0 0 3968550,1 7516954861 -37,4 0 0 20519,8 38682348,6 -0,2

Hasil eliminasi ketiga: 1830387875 1,29E+12 9,44E+14 7,11E+17 1,06E+11

0 -83071679,8 -1,09E+11 -1,10E+14 -4389064,1 0 0 3968550,1 7516954861 -37,4 0 0 0 -184914,7 0,0019

Dengan substitusi balik, maka diperoleh hasil sbb.: a3 = -1,0214 E-08 a2 = 9,9231E-06 a1 = 0,0533499 a0 = 19,015164

Sebagai alternatif, jika menggunakan POLYMATH 5.1, diperoleh hasil sbb.:

POLYMATH Results 11-19-2006

Polynomial Regression Report Model: Cp = a0 + a1*T + a2*T^2 + a3*T^3 Variable Value 95% confidence a0 19.015164 0.5282182 a1 0.0533499 0.0026952 a2 9.923E-06 4.448E-06 a3 -1.021E-08 2.376E-09

General Order of polynomial = 3 Regression including free parameter Number of observations = 7

Statistics R^2 = 0.9999998 R^2adj = 0.9999997 Rmsd = 0.0011711 Variance = 2.24E-05

REGRESI LINIER BERGANDA (MULTIPLE LINEAR REGRESSION)

Regresi linier berganda diterapkan terhadap persamaan linier multivariabel (dengan banyaknya variabel sejumlah m) yang mempunyai bentuk umum:

y = a0 + a1 x1 + a2 x2 + ... + am-1 xm-1 + am xm ... (22)

Dengan menggunakan metode kuadrat terkecil, melalui penurunan yang sama dengan kasus-kasus sebelumnya, maka dihasilkan persamaan-persamaan berikut ini: ∑ ∑∑∑ =++++ yxaxaxaan mm22110

∑ ∑∑ ∑∑ =++++ yxxxaxxaxaxa mm 112122

1110

∑ ∑∑ ∑∑ =++++ yxxxaxaxxaxa mm 222

2212120

....................................................................................................... ∑ ∑∑ ∑∑ =++++ yxxxaxxaxxaxa mmmmmmm 22110


atau, dapat disusun dalam bentuk perkalian matriks, sbb.:

⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

=

⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

⎥⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢⎢

⎣

⎡

∑

∑∑∑

∑∑∑∑

∑∑∑∑∑∑∑∑∑∑∑

yx

yxyx

y

a

aaa

xxxxxxx

xxxxxxxxxxxx

xxxn

mmmmmmm

m

m

m

2

1

2

1

0

21

22

2122

1212

11

21

A x = b

Dengan demikian, harga-harga a0, a1, a2, .... am dapat ditentukan secara simultan.

Catatan: Persamaan dalam bentuk perkalian berpangkat:

mm

cba xxxxky 321= ... (23)

dapat dimanipulasi menjadi: mmxcxbxaky lnlnlnlnlnln 321 +++++= ... (24)

sehingga menjadi persamaan linier multivariabel seperti bentuk di atas.

CONTOH 4#: Berikut adalah data-data percobaan kinetika sebuah reaksi homogen ireversibel: PA r⎯→⎯ CA (gmol/liter) 1,00 0,923 1,15 0,87 1,05 0,75 0,55 0,65 Suhu (K) 373 395 365 400 405 388 410 380 Kecepatan reaksi (gmol/liter.detik) 1,508 2,936 1,293 3,242 4,566 1,899 2,780 1,255

Jika kecepatan reaksi dianggap mempunyai bentuk: nAC

TREkr ⎟

⎟

⎠

⎞

⎜⎜

⎝

⎛−= exp0

... (**)

dan R = 1,987 kal/gmol.K, perkirakan harga-harga k0, E, dan n berdasarkan data yang tersedia. (k0 ≡ faktor preeksponensial reaksi, E ≡ energi aktivasi reaksi, dan n ≡ orde reaksi)

PENYELESAIAN: Bentuk persamaan non-linier (**) dapat dilinierisasi menjadi:

ACnTR

Ekr ln1lnln 0 +−=

Dengan menggunakan metode kuadrat terkecil, hasil-hasil perhitungannya disajikan sbb.: Data x1 x2 y x1 x2 x1

2 x22 x1 y x2 y

1 0,002681 0 0,410784 0 7,1876E-06 0 0,001101 0 2 0,002532 -0,080126 1,077048 -0,000203 6,4092E-06 0,006420 0,002727 -0,086300 3 0,002740 0,139762 0,256965 0,000383 7,5061E-06 0,019533 0,000704 0,035914 4 0,002500 -0,139262 1,176190 -0,000348 6,2500E-06 0,019394 0,002940 -0,163799 5 0,002469 0,048790 1,518638 0,000120 6,0966E-06 0,002380 0,003750 0,074095 6 0,002577 -0,287682 0,641327 -0,000741 6,6426E-06 0,082761 0,001653 -0,184498 7 0,002439 -0,597837 1,022451 -0,001458 5,9488E-06 0,357409 0,002494 -0,611259 8 0,002632 -0,430783 0,227136 -0,001134 6,9252E-06 0,185574 0,000598 -0,097846 Σ 0,020569 -1,347138 6,330539 -0,003381 5,2966E-05 0,673472 0,015967 -1,033693

Dalam hal ini: y = ln r ; x1 = 1/T ; dan x2 = ln CA

Dalam bentuk perkalian matriks:

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

=

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

∑∑∑

∑∑∑∑∑∑∑∑

yxyx

y

aaa

xxxxxxxx

xxn

2

1

2

1

0

22122

212

11

21

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

−=

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

−−−−

−

033693,1015967,0330539,6

673472,0003381,0347138,1003381,010.2966,5020569,0347138,1020569,08

2

1

05

aaa

A x = b


Dengan menggunakan metode eliminasi Gauss, augmented matrix-nya: 8 0,020569 -1,347138 6,330539

0,020569 5,2966E-05 -0,003381 0,015967 -1,347138 -0,003381 0,673472 -1,033693

Hasil eliminasi pertama: 8 0,020569 -1,347138 6,330539 0 7,8654E-08 8,2873E-05 -0,000310 0 8,2873E-05 0,446624 0,032320

Pertukarkan baris ke-2 dan ke-3 (maximum column pivoting): 8 0,020569 -1,347138 6,330539 0 8,2873E-05 0,446624 0,032320 0 7,8654E-08 8,2873E-05 -0,000310

Hasil eliminasi kedua: 8 0,020569 -1,347138 6,330539 0 8,2873E-05 0,446624 0,032320 0 0 -0,000341 -0,000341

Dengan substitusi balik, diperoleh: a2 = 0,9999 = n

a1 = -4998,5294 = RE

−

a0 = 13,8118 = ln k0

Jadi: k0 = 9,9627.105 detik-1; E = 9932,1 kal/gmol; dan n = 0,9999 ≈ 1

Sebagai alternatif, jika menggunakan program EXCEL SOLVER, diperoleh hasil sbb:

INTERPOLASI LINIER Interpolasi linier, yang merupakan bentuk interpolasi paling sederhana, menggunakan dua titik data (data points) untuk mengembangkan pendekatan linier terhadap fungsi yang ditinjau. Tinjaulah 2 titik data (x1, f(x1)) dan (x2, f(x2)). Ekspansi deret Taylor untuk f(x) di sekitar x1:

...)(''2

)()(')()()( 1

21

111 +−

+−+= xfxxxfxxxfxf ... (25)

Hampir sama dengan hasil di atas

2

0 exp⎟⎟

⎠

⎞

⎜⎜

⎝

⎛−⎟

⎠⎞

⎜⎝⎛− rCRT

Ek nA

∑ 2)^( rerror


Dengan mengabaikan suku-suku setelah linear-term, dan menggunakan pendekatan forward

difference untuk f’(x1), yakni: 12

121

)()()('xx

xfxfxf−−

≅ ... (26)

Substitusi (26) ke (25) menghasilkan: )()()()()( 112

121 xx

xxxfxfxfxf −

−−

+= ... (27)

Persamaan (27) merupakan formula interpolasi linier untuk mencari harga f(x), dengan x yang berada di antara x1 dan x2.

CONTOH 5#:

Berikut adalah data-data yang diambil dari tabel saturated steam: Suhu (oF) Entalpi saturated steam (BTU/lb)

240 1160,6 260 1167,4

Dengan interpolasi linier, perkirakan besarnya entalpi saturated steam pada 252oF!

PENYELESAIAN: Dengan menerapkan persamaan (27) ke dalam kasus ini, maka:

)240(240260

6,11604,11676,1160)( −−−

+= TTH

Pada T = 252oF: 7,1164)240252(240260

6,11604,11676,1160)( =−−−

+=TH BTU/lb

CONTOH 6#:

Perkirakanlah harga ln 2 dengan interpolasi linier! Gunakan 2 titik data: ln 1 = 0 dan ln 6 = 1,791759. Ulangi perhitungan, tetapi lakukan dalam rentang ln 1 = 0 dan ln 4 = 1,386294.

PENYELESAIAN: Sebagai catatan, nilai yang sebenarnya: ln 2 = 0,6931472 Interpolasi pertama (pada rentang x = 1 dan x = 6):

3583519,0)1(16

0791759,10)12(16

1ln6ln1ln2ln =−

−+=−

−−

+=

(Error terhadap nilai sebenarnya, %3,48%100.6931472,0

6931472,03583519,0=

−=tε )

Interpolasi kedua (pada rentang x = 1 dan x = 4):

4620981,0)1(14

0386294,10)12(14

1ln4ln1ln2ln =−

−+=−

−−

+=


6931472,04620981,0=

−=tε )

Perhatikanlah bahwa interpolasi kedua menghasilkan nilai yang lebih dekat kepada nilai sebenarnya. Dengan demikian dapat disimpulkan bahwa interval yang lebih sempit menghasilkan pendekatan yang lebih baik. Hal ini dapat dipertegas dari visualisasi grafik di samping:

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

0 1 2 3 4 5 6 7

• •

•

•

• y

Nilai sebenarnya

Hasil interpolasi linier

f (x) = ln x

• x


INTERPOLASI KUADRAT Interpolasi kuadrat (quadratic interpolation) atau interpolasi orde-kedua menggunakan tiga titik data. Strategi ini menggunakan pendekatan polinomial orde dua. Jika tersedia tiga titik data, yakni: (x0, f (x0)), (x1, f (x1)), dan (x2, f (x2)), maka:

)()()()( 102010 xxxxbxxbbxf −−+−+= ... (28)

Persamaan (28) merupakan cara lain penyajian persamaan polinomial orde dua, karena: )()()()( 102010 xxxxbxxbbxf −−+−+=

12021022

20110)( xxbxxbxxbxbxbxbbxf −−++−+= atau: 2

210)( xaxaaxf ++= (bentuk umum persamaan kuadrat) dengan: 1020100 xxbxbba +−= 120211 xbxbba −−= 22 ba = Prosedur sederhana untuk menentukan koefisien-koefisien b0, b1, dan b2 dalam persamaan (28) dikembangkan berdasarkan 3 titik data tersebut. Jika x = x0 disubstitusikan ke (28), maka:

)( 00 xfb = ... (29)

Substitusikan (29) ke (28) dan dievaluasi pada x = x1 menghasilkan:

)()()( 01101 xxbxfxf −+=

atau: 01

011

)()(xx

xfxfb−−

= ... (30)

Selanjutnya (29) dan (30) disubstitusikan ke (28), serta dievaluasi pada x = x2, sehingga:

)()()()()()()( 120220201

0102 xxxxbxx

xxxfxfxfxf −−+−

−−

+=

atau: 02

01

01

12

12

2

)()()()(

xxxx

xfxfxx

xfxf

b−

−−−

−−

= ... (31)

CONTOH 7#:

Perkirakanlah harga ln 2 dengan interpolasi kuadrat! Gunakan 3 titik data berikut: x0 = 1 f (x0) = 0 x1 = 4 f (x1) = 1,386294 x2 = 6 f (x2) = 1,791759

PENYELESAIAN: Dengan menerapkan persamaan (29): 00 =b

Dengan persamaan (30): 4620981,014

0386294,11 =

−−

=b

Dengan persamaan (31): 0518731,016

462091,046

386294,1791759,1

2 −=−

−−−

=b

Substitusikan nilai-nilai b0, b1, dan b2 ke (28) menghasilkan: )4()1(0518731,0)1(4620981,00)( −−−−+= xxxxf

Pada x = 2: 5658444,0)42()12(0518731,0)12(4620981,00)2( =−−−−+=f

Jadi, dengan interpolasi kuadrat, diperoleh: ln 2 = 0,5658444


6931472,05658444,0=

−=tε )


0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

0 1 2 3 4 5 6 7

(Bandingkan hasil ini dengan hasil yang diperoleh dengan interpolasi linier, pada contoh sebelumnya, contoh #6...)

INTERPOLASI POLINOMIAL NEWTON

Berdasarkan penurunan untuk interpolasi kuadrat di atas, pendekatan yang sama dapat dikembangkan untuk interpolasi polinomial berorde m. Polinomial berorde m dapat dituliskan sbb.:

)()()()()( 110010 −−−−++−+= mm xxxxxxbxxbbxf ... (32)

Untuk polinomial berorde m, diperlukan sejumlah (m+1) titik data, yakni: x0, x1, x2, ..., xm. Dengan menggunakan titik-titik data ini, persamaan-persamaan berikut dapat digunakan untuk menghitung koefisien-koefisien b0, b1, ..., bm:

)( 00 xfb = ... (33)

[ ]011 , xxfb = ... (34)

[ ]0122 ,, xxxfb = ... (35)

[ ]011 ,,,, xxxxfb mmm ……−= ... (36)

Perhitungan di dalam kurung siku pada persamaan-persamaan (33), (34), (35), dan (36) menggunakan beda-terbagi hingga (finite divided-differences). Secara umum, first finite-divided difference dinyatakan sbb.:

ji

jiji xx

xfxfxxf

−−

=⎥⎦⎤

⎢⎣⎡ )()(

, ... (37)

Second finite divided-difference, yang menggambarkan perbedaan dua first finite-divided difference, secara umum dinyatakan sbb.:

ki

kjji

kji xx

xxfxxfxxxf

−⎥⎦⎤

⎢⎣⎡−⎥⎦

⎤⎢⎣⎡

=⎥⎦⎤

⎢⎣⎡

,,,, ... (38)

Dan seterusnya, finite divided-difference ke-m dapat dinyatakan sbb.:

[ ] [ ] [ ]0

02111011

,,,,,,,,,,xx

xxxfxxxfxxxxfm

mmmmmm −

−= −−−

−……… ... (39)

Persamaan (37) – (39) memperlihatkan perhitungan yang bersifat rekursif, yang berarti bahwa finite-divided difference yang lebih tinggi disusun dari finite-divided difference yang lebih rendah, seperti tersaji dalam contoh skema berikut ini:

•

Nilai sebenarnya

Hasil interpolasi linier

f (x) = ln x

• •

Hasil interpolasi kuadrat

x

y


Finite divided-difference i xi f (xi) Pertama Kedua Ketiga 0 x0 f (x0) [ ]01, xxf [ ]012 ,, xxxf [ ]0123 ,,, xxxxf 1 x1 f (x1) [ ]12 , xxf [ ]123 ,, xxxf 2 x2 f (x2) [ ]23, xxf 3 x3 f (x3)

Keterangan: x0, x1, x2, ..., xm tidak perlu dalam urutan naik

CONTOH 8#: Ulangi contoh sebelumnya, perkirakanlah harga ln 2 dengan interpolasi polinomial Newton berorde-tiga (interpolasi kubik)! Gunakan 1 titik data tambahan berikut:

x3 = 5; f (x3) = 1,6094379

PENYELESAIAN: Polinomial berorde-tiga (persamaan kubik) dapat dituliskan sebagai:

)()()()()()()( 2103102010 xxxxxxbxxxxbxxbbxf −−−+−−+−+=

First finite-divided difference untuk kasus ini:

[ ] 101 46209813,014

0386294,1, bxxf ==−

−=

[ ] 20273255,046

386294,1791759,1, 12 =−−

=xxf

[ ] 18232160,065

791759,16094379,1, 23 =−−

=xxf

Second finite-divided difference:

[ ] 2012 051873116,016

46209813,020273255,0,, bxxxf =−=−−

=

[ ] 020410950,045

20273255,018232160,0,, 123 −=−−

=xxxf

Third finite-divided difference:

[ ] 30123 0078655415,015

)051873116,0(020410950,0,,, bxxxxf ==−−−−

=

Harga-harga b0 (= f (x0)), b1, b2, dan b3 selanjutnya disubstitusikan ke persamaan polinomial berorde-tiga di atas, menghasilkan:

)4()1(051873116,0)1(46209813,00)( −−−−+= xxxxf )6()4()1(0078655415,0 −−−+ xxx

Jika dievaluasi pada x = 2:

)42()12(051873116,0)12(46209813,00)2( −−−−+=f 62876869,0)62()42()12(0078655415,0 =−−−+

Jadi, dengan interpolasi polinomial Newton berorde-tiga, diperoleh: ln 2 = 0,62876869


6931472,062876869,0=

−=tε )


0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

0 1 2 3 4 5 6 7

(Bandingkan hasil ini dengan hasil yang diperoleh dengan interpolasi linier maupun interpolasi kuadrat pada 2 contoh sebelumnya, contoh 6# dan 7#)

INTERPOLASI POLINOMIAL LAGRANGE

Interpolasi polinomial Lagrange merupakan perumusan ulang dari polinomial Newton yang tidak menggunakan metode finite-divided difference. Secara umum, untuk sebuah polinomial berorde m:

∑=

=m

iii xfxLxf

0

)(.)()( ... (40)

dengan: ∏≠= −

−=

m

ijj ji

ji xx

xxxL

0

)( ... (41)

∏ menunjukkan “hasil kali dari” (product of). Misal, untuk polinomial berorde satu (linier):

)()()( 101

00

10

1 xfxxxxxf

xxxxxf

−−

+−−

= ... (42)

Untuk polinomial berorde dua (kuadrat):

)()()(

)()()()()(

)()()()()(

)()()( 21202

101

2101

200

2010

21 xfxxxx

xxxxxfxxxxxxxxxf

xxxxxxxxxf

−−−−

+−−−−

+−−−−

= ... (43)

Demikian seterusnya. Pada metode ini, untuk polinomial berorde m, juga diperlukan sejumlah (m+1) titik data.

CONTOH 9#:

Gunakan interpolasi polinomial Lagrange orde pertama dan orde kedua untuk menghitung harga ln 2, berdasarkan 3 titik data berikut ini (sama dengan contoh sebelumnya):

x0 = 1 f (x0) = 0 x1 = 4 f (x1) = 1,386294 x2 = 6 f (x2) = 1,791759

PENYELESAIAN:

Formula interpolasi polinomial Lagrange orde pertama:

)()()( 101

00

10

1 xfxxxxxf

xxxxxf

−−

+−−

=

Pada x = 2: 4620981,0)386294,1(1412)0(

4142)2( =

−−

+−−

=f

Nilai sebenarnya

Hasil interpolasi kubik

f (x) = ln x

•

x

y

•


Formula interpolasi polinomial Lagrange orde kedua:

)()()(

)()()()()(

)()()()()(

)()()( 21202

101

2101

200

2010

21 xfxxxx

xxxxxfxxxxxxxxxf

xxxxxxxxxf

−−−−

+−−−−

+−−−−

=

Pada x = 2: )386294,1()64()14()62()12()0(

)61()41()62()42()2(

−−−−

+−−−−

=f

56584437,0)791759,1()46()16()42()12(

=−−−−

+

(Perhatikanlah bahwa kedua hasil ini sangat dekat dengan hasil yang dihitung dengan menggunakan metode interpolasi polinomial Newton, pada contoh 6# dan 7#).

LATIHAN SOAL:

1. Jika Anda mempunyai pasangan data-data x dan y, bagaimana cara Anda melinierisasikan bentuk-bentuk persamaan empirik berikut ini untuk memperoleh harga-harga parameter a dan b?

(a) ⎟⎟

⎠

⎞

⎜⎜

⎝

⎛

+=

xbax

yexp1

(b) xbexay x +=ln (c) ( ) 214 xabxy =−−

2. Jika tersedia sekumpulan data-data (x, y) berikut dan diasumsikan bahwa: y = a0 + a1 x x 0,9 2,3 3,3 4,5 5,7 6,7y 1,1 1,6 2,6 3,2 4,0 5,0

tentukan besarnya a0 dan a1.

3. Lakukan curve-fitting untuk menentukan bentuk korelasi yang terbaik dari data-data berikut ini: x 0 0,43 1,25 1,40 2,60 2,90 4,30y 9,4 7,1 5,35 4,20 2,60 1,95 1,15

4. Dengan mengasumsikan bahwa: xbeay = Berapakah nilai-nilai a dan b, dengan linear regression, berdasarkan data-data di bawah ini?

x 1,0 1,5 2,0 2,5 3,0 3,5 4,0y 3,3 3,5 3,7 3,9 4,0 4,3 4,5

5. Viskositas (μ) air, dalam centi-Poise, yang diukur pada berbagai suhu T, dalam oC, disajikan

dalam tabel berikut ini: T (oC) 10 20 30 40 50 60 70 μ (cP) 1,308 1,005 0,801 0,656 0,549 0,469 0,406

Dengan menggunakan multiple linear regression, tentukan tetapan-tetapan yang bersesuaian

dengan persamaan model: 2321

1 TkTkk ++=μ

6. Persamaan Antoine dapat dituliskan sebagai: cT

baPo

++=log

dengan Po [=] atm, T [=] Kelvin, serta a, b, dan c menyatakan tetapan-tetapan Antoine. Tentukan tetapan-tetapan Antoine untuk oksigen dari data-data berikut ini:

P (atm) 1 2 5 10 20 30 40 T (oC) -183,1 -176,0 -169,5 -153,2 -140,0 -130,7 -124,1

7. Jika diberikan data-data sbb.:

x 1 2 3 5 6 f (x) 4,75 4 5,25 19,75 36


(a) Hitunglah f (3,5) dengan interpolasi polinomial Newton orde 1 sampai 3. Pilihlah sendiri urutan titik-titik data yang digunakan, supaya menghasilkan ketelitian yang baik.

(b) Ulangi bagian (a), tetapi menggunakan interpolasi polinomial Lagrange orde 1 sampai 3. (c) Bandingkan hasil-hasilnya.

8. Berikut adalah data tekanan uap murni benzena pada berbagai suhu: Suhu (oC) -1,6 7,6 15,4 26,1 42,2 60,6 Tekanan uap (mm Hg) 20 40 60 100 200 400

Perkirakan besarnya tekanan uap murni benzena pada 25oC menggunakan: (a) Interpolasi linier (b) Interpolasi kuadrat (c) Interpolasi kubik

9. Data berikut ini menunjukkan profil indeks bias larutan sukrosa pada berbagai konsentrasi yang diukur pada suhu 20oC.

Persen sukrosa 10 15 20 25 30 35 Indeks bias 1,3479 1,3557 1,3639 1,3723 1,3811 1,3902

Perkirakan konsentrasi larutan sukrosa yang mempunyai indeks bias sebesar 1,3606 dengan menggunakan:

(a) Interpolasi linier (b) Interpolasi kuadrat (c) Interpolasi kubik

10. Sebuah reaksi heterogen mempunyai persamaan kecepatan reaksi yang mengikuti model kinetika Langmuir-Hinshelwood:

21

)1( RRAA

A

PKPKPkr++

=

Gunakan data-data berikut ini, yang diukur pada suhu 400 K, untuk memperkirakan besarnya k1, KA, dan KR.

PA 1 0,9 0,8 0,7 0,6 0,5 0,4PR 0 0,1 0,2 0,3 0,4 0,5 0,6r x 105 3,4 3,6 3,7 3,9 4,0 4,1 4,2

☺☺☺ Selamat Belajar... ☺☺☺

curve-fitting dan interpolasi · pdf filedy/analisis numerik/curve-fitting dan...

Documents