Title | Pokok Bahasan 5 REGRESI KUADRAT TERKECIL REGRESI KUADRAT TERKECIL |
---|---|
Author | Taufik Riadi |
Pages | 11 |
File Size | 1.3 MB |
File Type | |
Total Downloads | 142 |
Total Views | 361 |
Pokok Bahasan 5 REGRESI KUADRAT TERKECIL Indrianawati Teknik Geodesi Itenas 2015 REGRESI KUADRAT TERKECIL Masalah : Mencari metode pengolah data bagi data percobaan untuk memperoleh formula/ fungsi yang menghubungkan y dan x. Jika data dihinggapi kesalahan yang besar/ signifikan, maka penggunaan int...
Pokok Bahasan 5 REGRESI KUADRAT TERKECIL
Indrianawati Teknik Geodesi Itenas 2015
REGRESI KUADRAT TERKECIL Masalah : Mencari metode pengolah data bagi data percobaan untuk memperoleh formula/ fungsi yang menghubungkan y dan x. Jika data dihinggapi kesalahan yang besar/ signifikan, maka penggunaan interpolasi polinominal untuk menaksir nilai-nilai antara tidak cocok dan mungkin memberikan hasil yang tidak memuaskan. Contoh : Pada Gambar 1a menunjukkan 7 buah titik data hasil percobaan yang dihinggapi kesalahan yang signifikan.
1
y
y
y
5
5
0
5
Gambar 1a
x
5
0
5
Gambar 1b
0
5
Gambar 1c
Secara visual terlihat bahwa data menunjukkan hubungan yang positif antara y dan x, yaitu makin besar nilai x, makin tinggi nilai y. Jika polinom orde 6 dicocokkan terhadap data di atas (Gambar 1b) maka polinom tersebut akan tepat melalui semua titik, akan tetapi karena variabilitas data maka kurva tersebut berosilasi dalam interval antara titik-titik data.
Strategi yang lebih cocok untuk kasus seperti itu adalah menurunkan kasus fungsi pendekatan yang mengikuti kecenderungan umum data tanpa perlu tepat melalui semua titik data. Gambar 1c menunjukkan sebuah garis lurus digunakan untuk mewakili kecenderungan umum data. Untuk menurunkan fungsi pendekatan yang paling baik diperlukan beberapa kriteria. Muncul prinsip kuadrat terkecil Teknik yang digunakan untuk memenuhi kriteria yang objektif tersebut disebut regresi kuadrat terkecil.
2
6.1.
REGRESI LINIER
Contoh sederhana dari pendekatan kuadrat terkecil adalah mencocokan garis lurus terhadap sekumpulan pasangan data pengamatan (x1,y1), (x2,y2),……, (xn,yn). Persamaan matematik untuk garis lurus tersebut adalah:
y a0 a1 x e
….(1)
Dimana :
a0 , a1 : koefisien
e
: kesalahan/ residu/ simpangan antara model dan pengamatan
persamaan (1) dapat disusun ulang :
e y a0 a1 .x
….(2)
jadi, kesalahan/simpangan adalah selisih antara nilai sebenarnya dari y (data) dan nilai pendekatan yang ditaksir melalui persamaan linier:
a0 a1 x Kriteria dari prinsip kuadrat terkecil adalah meminimumkan jumlah kuadrat dari simpangan : n
n
i 1
i 1
S r ei2 yi a0 a1 xi
2
….(3)
3
Untuk menentukan nilai a0 dan a1 , persamaan (3) di-deferensiasi terhadap setiap koefisien S r 2 yi a0 a1 xi a0 S r 2 yi a0 a1 xi xi a1
Kita akan mendapatkan harga Sr minimum bila turunan Sr terhadap a0 dan a1 sama dengan nol.
0 yi a0 a1 xi 0 yi xi a0 xi a1 x i
2
a
karena
0
n.a0
maka persamaan di atas dapat dinyatakan sebagai dua persamaan linier simultan dengan dua bilangan anu (a0 dan a1 ):
n a0 xi a1 yi
….(4)
x a x a x y i
0
2 i 1
i
i
….(5)
kedua persamaan tersebut disebut persamaan normal. Sistem persamaan linier di atas dapat dipecahkan secara simultan dan diperoleh :
4
a1
n. xi yi xi yi
….(6)
n x xi
2
2 i
a0 y a1 x
….(7)
dimana
y dan x masing-masing adalah rata-rata (means) dari x dan y Simpangan baku dari garis regresi adalah
S
y x
Sy x
Sr n2
….(8)
disebut juga kesalahan baku dari nilai taksiran (standard error of the estimate).
Contoh Regresi Linier : Cocokkan sebuah kesalahan lurus terhadap nilai-nilai x dan y pada tabel berikut Xi Yi
1
2
3
0,5 2,5 2,0
4
5
6
7
4,0
3,5
6,0
5,5
Solusi : Xi
Yi
(Yi - a0 - a1 . Xi)2
1 2 3 4 5 6 7
0,5 2,5 2,0 4,0 3,5 6,0 5,5
0,1687 0,5625 0,3473 0,3265 0,5896 0,7972 0,1993
28
24
2,9911
5
n
=7
Y
i
24
i
x y 119,5 X 28
X 28 4 7
i
x
2 i
140
i
Y 24 3,428571429 7
Gunakan persamaan (6) dan (7) a1
n. xi yi xi yi
n xi2 xi
2
7.119,5 2824 2 7.140 28
= 0,839285714
a0 y a1 x = 3,428571429 0,839285714 (4) = 0,07142857 Dengan demikian garis kuadrat terkecil yang cocok dengan data adalah: y = 0,07142857 + 0,839285714 x Kesalahan baku dari nilai taksiran:
s
y x
Sr n2
2,9911 72
= 0,7735
6
6.2. REGRESI POLINOMIAL Seringkali regresi linier tidak cocok/sesuai dengan data. Mungkin persamaan kuadratik atau kubik lebih cocok untuk data tersebut. y
0
x
Untuk kasus-kasus demikian, dilakukan regresi polinomial. Prosedur kuadrat terkecil dapat diaplikasikan untuk mencocokkan data dengan suatu polinom berderajat atau ber-orde m :
y a0 a1 x a2 x 2 am x m e
….(9)
Jumlah kuadrat simpangannya adalah : n
S r yi a0 a1 xi a2 xi2 am xim
….(10)
2
i 1
Sama seperti prosedur pada regresi linier, kita dideferensialkan persamaan (10) terhadap koefisien bilangan anu, seperti dalam:
y
s r = 2 a 0 s r a1
=
s r a 2
=
i
a0 a1 xi a2 xi2 am xim
2 x y
x
2 x1 yi a0 a1 xi a2 xi2 am xim 2 i
i
a0 a1 xi a2 xi2 am
m i
7
s r a m
=
2 xim yi a0 a1 xi a2 xi2 am xim
Agar diperoleh s r minimum maka persamaan-persamaan di atas diset sama dengan nol, dan disusun kembali sehingga diperoleh persamaan normal :
a0 n a1 xi a2 xi2 am xim yi a0 xi a1 xi2 a2 xi3 am xim1 xi yi
a0 xi2 a1 xi3 a2 xi4 am xim2 xi2 yi a0 xim a1 xim1 a2 xim2 am xi2m xim yi
..(11)
dimana semua penjumlahan ( ∑ ) adalah dari i =1 s/d n.
Sistem persamaan linier di atas terdiri dari m+1 persamaan linier dengan m+1 bilangan anu :
a 0 , a1 , a 2 , , a m
Sistem di atas dapat dipecahkan dengan salah satu metode pemecahan sistem persamaan linier yang telah dijelaskan dahulu. Simpangan baku dari nilai taksiran (standard error of the estimate) untuk regresi polinominal:
Sy x
Sr n m 1
….(10)
dimana : n = jumlah titik data m = derajat polinominal
8
Contoh Regresi Polinominal : Cocokkan polinom orde 2 terhadap data pada tabel berikut : xi
0
1
2
yi
2,1
7,7
3
4
5
13,6 27,2 40,9 61,1
y
Parabola kuadrat terkecil y = a0 + a1x + a2x2
50
0
5
x
Gambar 3
Persamaan normal yang harus disusun :
n.a0 xi .a1 xi2 a2 Yi xi .a0 xi2 .a1 xi3 a2 X i Yi xi2 .a0 xi3 .a1 xi4 a2 X i2Yi Solusi :
(yi-a0-a1xi-a2xi2)2
xi
yi
0 1 2 3 4 5
2,1 7,7 13,6 27,2 40,9 61,1
0,14332 1,00286 1,08158 0,80491 0,61951 0,09439
15
152,6
3,74657
9
Dari data yang diberikan, diperoleh : m=2
xi 15
xi4 979
n=6
y i 152,6
xi y i 585,6
x = 2,5
xi2 55
xi2 y i 2488,8
y = 25,433
xi3 225
sehingga, sistem persamaan linier simultan yang terbentuk adalah :
6a 0 15 a1 55 a 2 152,6 15a 0 55 a1 255 a 2 585,6 55a 0 225 a1 979 a 2 2488,8
Sistem persamaan linier tersebut dipecahkan dengan metode Eliminasi Gauss dan didapat : a0 = 2,47857 a1 = 2,35929 a2 = 1,86071 maka persamaan dari parabola kuadrat terkecil dalam kasus ini adalah: y = 2,47857 + 2,35929 x + 1,86071 x2 Simpangan baku dari nilai taksiran pada polinom kuadratik diatas : Sy x
3,74657 1,12 63
10
TUGAS Diberikan data : xi
yi
0 0,25 0,5 0,75 1,00
1,000 1,2840 1,6487 2,1170 2,7183
Cocokkan data di atas dengan polinom kuadrat terkecil derajat 2! Hitung pula simpangan bakunya!
11...