Pada Minggu ke-2 ini, kegiatan belajar mandiri dilakukan dengan menonton video Youtube tentang Curve Fitting.
Dalam analisis data eksperimental dan komputasi teknik, kita sering kali dihadapkan pada kumpulan data mentah yang berupa titik-titik diskrit. Pertanyaan yang sering muncul adalah: Bagaimana kita bisa memprediksi nilai di antara titik-titik data tersebut? Bagaimana kita bisa melihat tren dari data yang acak?
Untuk menjawabnya, pada minggu ini saya mempelajari salah satu metode numerik yang paling krusial, yaitu Pencocokan Kurva (Curve Fitting).
Apa itu curve fitting?
Curve fitting adalah proses membangun sebuah fungsi matematika (kurva atau persamaan garis) yang paling sesuai atau paling mendekati sekumpulan titik data.
Dalam praktiknya di dunia keteknikan (misalnya saat pengujian material, analisis fluida, atau pengukuran termal), data yang didapatkan dari sensor biasanya terbatas dan tidak kontinu. Curve fitting memungkinkan kita untuk menyederhanakan data yang kompleks tersebut menjadi satu persamaan matematis yang mudah dipahami, sehingga kita bisa melakukan prediksi atau analisis lanjutan.
Dua Pendekatan Utama dalam Curve Fitting
Tergantung pada karakteristik data eksperimen yang kita miliki, terdapat dua rute atau pendekatan utama yang bisa dipilih:
1. Regresi
Pendekatan ini digunakan apabila data yang kita peroleh mengandung kesalahan ukur (error) atau noise. Dalam regresi, kurva yang kita buat tidak diwajibkan untuk menabrak atau melewati setiap titik data yang ada. Tujuannya adalah mencari satu garis atau kurva tunggal yang paling baik merepresentasikan tren umum dari kumpulan data tersebut.
2. interpolasi
Pendekatan ini digunakan apabila data eksperimen diketahui sangat presisi dan akurat. Karena data dianggap tanpa kesalahan yang signifikan, maka kurva yang dibangun harus secara eksak melewati setiap titik data yang ada.
Fokus: Regresi Kuadrat Terkecil (Least Squares Regression)
Salah satu metode regresi yang paling banyak digunakan adalah Regresi Kuadrat Terkecil. Mari kita ambil contoh model linear, di mana kita ingin mencocokkan data dengan persamaan garis lurus:
y = a0 + a1x + e
Di mana:
- a0 adalah titik potong (intercept)
- a1 adalah kemiringan garis (slope)
- e adalah galat atau residu (selisih antara data aktual dengan garis model)
Mengapa disebut “Kuadrat Terkecil”?
Dalam mencari garis terbaik, secara logika kita harus meminimalkan nilai galat (e). Namun, jika kita hanya meminimalkan jumlah total galat, garis yang terbentuk bisa sangat tidak akurat (terutama jika ada data pencilan atau outlier, nilai galat positif dan negatif bisa saling meniadakan).
Oleh karena itu, strategi matematis yang paling tangguh dan menjadi standar baku adalah dengan meminimalkan jumlah dari kuadrat galat dari seluruh data. Dengan mengkuadratkan galat, semua selisih menjadi positif, dan data yang melenceng jauh (outlier) akan memberikan penalti yang lebih besar pada model, sehingga garis yang dihasilkan benar-benar merepresentasikan posisi “tengah” dari sebaran data.
Mengukur Kualitas Kurva: Koefisien Korelasi
Setelah menemukan persamaan regresi, langkah terakhir adalah validasi. Bagaimana kita tahu kurva tersebut “cocok” dengan data?
Dalam statistik dan komputasi, kita menggunakan parameter Koefisien Korelasi atau Koefisien Determinasi. Nilai ini berkisar antara 0 hingga 1.
- Semakin mendekati 1, semakin sempurna garis tersebut mewakili data.
- Sebagai contoh, jika perhitungan menghasilkan r^2 = 0,92, ini berarti bahwa 92% dari variasi (sebaran) data asli berhasil dijelaskan secara matematis oleh model kurva yang kita buat, sementara 8% sisanya adalah ketidakpastian yang tidak terjelaskan.
Kesimpulan
Mempelajari curve fitting memberikan dasar yang sangat penting bagi seorang engineer untuk menerjemahkan data mentah menjadi fungsi matematis yang prediktif. Pemahaman yang kuat membedakan antara sekadar menarik garis secara asal, dengan menarik garis berdasarkan landasan komputasi numerik yang dapat dipertanggungjawabkan secara akademik.
