Asalamualaikum Pak Dai dan kawan kawan perkenalkan saya Naufal Hafash Ghiffary dari kelas Metode Numerik 02, pada kesempatan kali ini saya ingin membagikan pengetahuan saya tentang apa itu curved fitting, Curve fitting (pencocokan kurva) adalah teknik dalam metode numerik dan analisis data yang digunakan untuk menemukan fungsi matematika yang paling sesuai dengan sekumpulan data. Tujuannya adalah untuk membangun model yang dapat menjelaskan hubungan antara variabel-variabel dalam suatu sistem. Salah satu cara untuk melakukan curved fitting adalah least square Least squares adalah teknik yang digunakan untuk menentukan parameter terbaik dalam fungsi tersebut dengan cara meminimalkan jumlah kuadrat dari kesalahan antara data aktual dan nilai yang diprediksi oleh fungsi tersebut.
Fungsi dari curved fitting itu sendiri adalah kita ingin mencari sebuah persamaan yang dapat mewakili data data yang kita peroleh dengan error sekecil mungkin, untuk dapat menemukan persamaan dengan error sekecil mungkin kita dapat mencarinya menggunakan rumus
dari rumus di atas kita dapat melakukan operasi turunan parsial dari rumus tersebut terhadap konstanta yang ingin kita dapatkan dari persamaan yang kita miliki yang nantinya kita akan mendapatkan persamaan persamaan yang berisi konstanta yang ingin kita cari, kita dapat mencari kontanta-konstanta tersebut dengan cara menggunakan metode gauss jordan.
3 responses to “Naufal Hafash Ghiffary_2306203091_Penjelasan Mengenai Curved Fitting terutama Mertode Least Square”
Dari yang Hafash jelaskan diatas, mulai dari konsep dasar curve fitting yang dimana salah satu metodenya adalah least square. Saya coba memahami dengan cara memberikan summary yang saya dapat, yaitu mengenai least square.
1) Untuk least square berarti adalah bagaimana cara kita mencari ketepatan nilai dan persamaan dari data yang kita punya sehingga data memiliki error yang minimum.
2) Least suqare adalah bagaimana kita mengintegrasikan antara Sum of Quadratic Error dengan Turunan Parsial untuk mendapatkan nilai minimum terhadap variabel persamaannya.
Lantas, apa kira-kira korelasi dari langkah selanjutnya dengan metode Gauss-Jordan itu sendiri? Apakah hanya untuk menyelesaikan persamaan liniernya saja atau ada fungsi lain? apakah ada yang bisa dilakukan selain dengan eliminasi Gauss-Jordan?
Halo Hafash, terima kasih atas penjelasannya. Baru saja saya prompting ke ChatGPT, tentang apa sebenarnya metode least square itu. Saya temui bahwa ChatGPT tidak menggunakan pendekatan numerik untuk menentukan a, b, dan c pada ax^2 + bx + c, melainkan menggunakan pendekatan statistik. Namun dia juga menyertakan codingan python untuk memvisualisasikan contoh hasil least square menggunakan pendekatan aljabar linier. Dalam kode nya tersebut, terdapat perintah np.array([0, 1, 2, 3]) yang merupakan representasi dari matriks. Lalu ia membuat plot fitting atau curve fitting dengan perintah x_fit = np.linspace(4, 5, 6, 8) dan y_fit = a * x_fit + b sebagai model linier.
Halo Hafash, terima kasih atas penjelasannya! Pemaparan tentang curve fitting dan metode least squares sangat menarik, terutama karena teknik ini banyak digunakan dalam analisis data dan pemodelan matematis. Saya setuju bahwa least squares adalah pendekatan yang efektif untuk menemukan hubungan terbaik antara variabel dalam suatu sistem.
Sedikit menambahkan, curve fitting sendiri adalah metode dalam matematika dan statistika yang bertujuan untuk menemukan kurva atau persamaan yang paling sesuai dengan sekumpulan data. Ini bisa dilakukan dengan berbagai pendekatan, mulai dari interpolasi, regresi linier, hingga metode numerik seperti least squares. Tujuan utama dari curve fitting adalah untuk mendapatkan model yang mampu merepresentasikan tren atau pola dalam data, sehingga bisa digunakan untuk analisis lebih lanjut atau prediksi.
Dalam least squares, kita mencari parameter fungsi yang meminimalkan jumlah kuadrat selisih antara nilai hasil prediksi dan nilai aktual. Metode ini sangat populer karena relatif sederhana namun cukup efektif dalam berbagai aplikasi, seperti dalam analisis data eksperimen, pemrosesan sinyal, dan pemodelan sistem fisis.
Menarik juga bagaimana kamu menjelaskan bahwa metode ini bertujuan untuk meminimalkan error antara nilai aktual dan hasil prediksi. Dalam banyak kasus, terutama dalam rekayasa dan sains, pendekatan ini sangat berguna untuk menemukan model yang paling sesuai dengan data yang tersedia. Kamu juga menyebutkan metode Gauss-Jordan untuk mencari konstanta dari persamaan yang diperoleh. Ini adalah pendekatan berbasis eliminasi matriks yang cukup klasik, tetapi masih sangat relevan dalam berbagai aplikasi.
Namun, ada banyak metode lain yang juga bisa digunakan untuk optimasi dalam curve fitting, seperti gradient descent atau pendekatan berbasis algoritma genetika. Apakah dalam implementasi yang kamu lakukan, metode Gauss-Jordan ini selalu menjadi pilihan utama, atau kamu juga pernah mencoba metode lain? Selain itu, bagaimana menurutmu kelebihan dan kekurangan dari pendekatan ini dibandingkan dengan metode numerik lainnya?