Menembus Pola Data: Panduan Lengkap dan Contoh Soal Regresi Metode Numerik

Dalam dunia sains, ekonomi, dan teknik, kita seringkali dihadapkan pada sekumpulan data pencatatan yang terlihat acak. Pertanyaan besarnya adalah: bagaimana kita bisa menarik sebuah garis tren dari data tersebut untuk memprediksi masa depan? Jawabannya terletak pada Regresi.

Dalam Metode Numerik, regresi (khususnya metode Least Squares atau Kuadrat Terkecil) adalah teknik untuk mencari fungsi pendekatan yang paling mencerminkan distribusi data. Berbeda dengan interpolasi yang harus melewati setiap titik, regresi mencari “jalan tengah” yang meminimalkan total kesalahan (error) antara titik data dengan garis pendekatan.

Baca juga:

1. Konsep Dasar Regresi Linear Kuadrat Terkecil

Tujuan dari regresi linear adalah menemukan fungsi linear:

$$f(x) = ax + b$$

atau sering ditulis dalam statistik sebagai:

$$y = a_1x + a_0$$

Untuk mendapatkan garis terbaik, kita harus mencari nilai $a_1$ (kemiringan/slope) dan $a_0$ (titik potong/intercept) yang meminimalkan jumlah kuadrat residu (selisih antara data asli dengan hasil prediksi).

2. Formulasi Matriks dan Persamaan Normal

Untuk menghitung regresi linear secara numerik, kita menggunakan sistem persamaan normal berikut:

1. Mencari $a_1$:$$a_1 = \frac{n\sum(x_iy_i) – (\sum x_i)(\sum y_i)}{n\sum x_i^2 – (\sum x_i)^2}$$
2. Mencari $a_0$:$$a_0 = \bar{y} – a_1\bar{x}$$(Di mana $n$ adalah jumlah data, $\bar{y}$ adalah rata-rata $y$, dan $\bar{x}$ adalah rata-rata $x$).

3. Langkah-Langkah Pengerjaan Soal Regresi

Agar pengerjaan soal metode numerik menjadi teratur dan meminimalisir kesalahan hitung, gunakan langkah-langkah berikut:

1. Buat Tabel Pembantu: Sertakan kolom untuk $x_i$, $y_i$, $x_i^2$, dan $x_iy_i$.
2. Hitung Total (Sigma): Jumlahkan setiap kolom tersebut.
3. Substitusi ke Rumus: Masukkan hasil penjumlahan ke dalam rumus $a_1$ dan $a_0$.
4. Uji Prediksi: Masukkan nilai $x$ tertentu ke dalam persamaan yang terbentuk untuk mendapatkan prediksi $y$.

4. Contoh Soal Regresi Metode Numerik dan Pembahasan

Kasus: Hubungan Tekanan dan Volume Gas

Sebuah eksperimen dilakukan untuk melihat hubungan antara suhu ($x$ dalam $^\circ\text{C}$) dan tekanan gas ($y$ dalam atm). Didapatkan data sebagai berikut:

Pertanyaan:

Tentukan persamaan regresi linearnya dan prediksi tekanan pada suhu $60^\circ\text{C}$!

Pembahasan:

Langkah 1: Membuat Tabel Komputasi

Langkah 2: Menghitung Nilai $a_1$

Diketahui $n = 5$

$$a_1 = \frac{5(241) – (150)(7.4)}{5(5500) – (150)^2}$$

$$a_1 = \frac{1205 – 1110}{27500 – 22500}$$

$$a_1 = \frac{95}{5000} = \mathbf{0.019}$$

Langkah 3: Menghitung Nilai $a_0$

Rata-rata $x (\bar{x}) = 150/5 = 30$

Rata-rata $y (\bar{y}) = 7.4/5 = 1.48$

$$a_0 = 1.48 – (0.019)(30)$$

$$a_0 = 1.48 – 0.57 = \mathbf{0.91}$$

Langkah 4: Persamaan Akhir dan Prediksi

Persamaan regresi: $y = 0.019x + 0.91$

Untuk suhu $60^\circ\text{C}$:

$$y = 0.019(60) + 0.91$$

$$y = 1.14 + 0.91 = \mathbf{2.05 \text{ atm}}$$

5. Koefisien Determinasi ($R^2$): Seberapa Akurat Garis Anda?

Dalam metode numerik, mendapatkan garis saja tidak cukup. Kita perlu tahu seberapa baik garis tersebut mewakili data. Hal ini diukur dengan Koefisien Determinasi ($R^2$).

• Jika $R^2 \approx 1$, artinya data sangat linear dan prediksi akurat.
• Jika $R^2 \approx 0$, artinya data tidak memiliki hubungan linear.

6. Pengembangan: Regresi Polinomial

Tidak semua data berbentuk garis lurus. Terkadang data melengkung (kurva). Dalam metode numerik, kita bisa meningkatkan derajat polinomialnya menjadi:

$$y = a_0 + a_1x + a_2x^2$$

Penyelesaiannya memerlukan matriks yang lebih besar (Matriks Normal) yang biasanya diselesaikan dengan metode eliminasi Gauss.

7. Tips Menghindari Kesalahan dalam Metode Numerik

1. Gunakan Banyak Digit di Belakang Koma: Kesalahan pembulatan (round-off error) di awal perhitungan $a_1$ akan mengakibatkan kesalahan besar pada hasil akhir $y$. Disarankan menggunakan minimal 4 digit desimal.
2. Verifikasi dengan Plot Sederhana: Cobalah gambar titik-titik data secara kasar di kertas. Jika garis hasil perhitungan Anda melewati area titik-titik tersebut, maka hitungan Anda kemungkinan besar benar.
3. Cek Penyebut: Jika nilai $(\sum x_i)^2$ hampir sama dengan $n\sum x_i^2$, sistem tersebut mungkin mengalami ill-conditioned, yang berarti data Anda sangat tidak stabil.

• Mau Jadi Junior DevOps Tanpa Pengalaman Ikuti Strategi Jitu Ini Biar Cepat Diterima

Kesimpulan

Regresi dalam metode numerik adalah alat yang sangat kuat untuk mengubah data mentah menjadi informasi prediktif. Dengan memahami rumus Least Squares dan ketelitian dalam menghitung tabel pembantu, Anda dapat memodelkan berbagai fenomena alam dan teknik secara sistematis. Regresi bukan sekadar menghubungkan titik, tapi memahami tren di balik angka.

Penulis:ilham