Curve Fitting dengan Matlab

Curve fitting artinya membuat sebuah kurva dari rentetan titik. Kurva yang dihasilkan berupa persamaan linear ataupun non linear (matlab menyediakan quadratic hingga polinomial pangkat sembilan). Silahkan lihat post sebelumnya untuk membedakannya dengan interpolasi. Biasanya dijumpai ketika praktikum yang menguji satu variabel dengan perbedaan perlakuan tertentu. Saya sendiri menjumpai pertama kali kasus ini ketika praktikum fisika dasar di tingkat pertama kuliah. Hasilnya pun hanya dengan menarik garik lurus (linear) terhadap serangkaian titik hasil uji coba tersebut.

Matlab menyediakan toolbox dengan nama “cftool” yang dapat diakses dengan mengetik fungsi tersebut di command window. Misalnya kita memiliki serangkaian data sebagai berikut:

  • data =
  • 19.8960
  • 16.9290
  • 15.6660
  • 19.8870
  • 17.9100
  • 18.4260
  • 18.9570
  • 18.7710
  • 15.4860
  • 17.1510
  • 15.3210
  • 18.2580
  • 17.8860
  • 13.7100
  • 17.6040
  • 16.7610
  • 15.8880
  • 16.6200

Langkah pertama adalah memasukan data tersebut ke dalam cftool. Tekan tombol “data” untuk memunculkan jendela data.

 

Karena data hanya satu seri, isi dengan data x atau data y. Saya coba keduanya ternyata hasilnya sama karena memang datanya hanya satu seri. Setelah menekan “create data set” maka toolbox akan terisi data tersebut. Kembali ke jendela “cftool” tekan “Fitting” untuk memulai proses curve fitting. Muncul jendala baru untuk mengisi parameter-parameter yang sesuai (linear / non linear).

Setelah memasukan jenis polinomialnya, lanjutkan dengan menekan “Apply“. Hasil polinomialnya tampak dalam kolom “Result” dan grafiknya dapat dilihat di jendela “Cftool“.

 

Hasil di kolom result dapat dilihat. Parameter yang dihasilkan adalah konstanta persamaan linear beserta parameter-parameter lainnya seperti Goodness of fit, SSE, R-square, dan lain-lain yang dapat dilihat dari pelajaran statistik. Silahkan coba untuk korelasi dua variabel.

  • Linear model Poly1:
  • f(x) = p1*x + p2
  • Coefficients (with 95% confidence bounds):
  • p1 = -0.1403 (-0.2877, 0.007083)
  • p2 = 18.62 (17.02, 20.21)
  • Goodness of fit:
  • SSE: 37.47
  • R-square: 0.2029
  • Adjusted R-square: 0.1531
  • RMSE: 1.53
Iklan

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.