TUGAS RESPONSI

ESTIMASI dan APROKSIMASI

Oleh :
Teguh Oktaprima (15112101)



























TEKNIK GEODESI DAN GEOMATIKA
FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
INSTITUT TEKNOLOGI BANDUNG
2013/2014




BAB I
PENDAHULUAN





1.1 Latar Belakang


Dalam proses pengukuran tidak jarang kita menemukan beberapa permasalahan. Salah
satunya nilai yang sebenarnya tidak dapat diketahui sehingga untuk menyelesaikan masalah
tersebut kita dapat mendekatinya dengan nilai yang mendekati sebenarnya. Untuk
mengetahui nilai yang mendekati sebenarnya itu dibutuhkan banyak perulangan ukuran agar
kita tahu konsistensi dari data yang kita ukur. Dalam mengolah data yang sudah didapat tidak
jarang kita mengalami kesulitan dalam pengolahan data karena pengukuran berulang
menghasilkan data yang banyak sehingga sulit untuk diolah. Untuk memudahkan kita dalam
mengolah data yang banyak tersebut dalam urusan matematisnya dibutuhkan bahasa
pemrograman yang mampu mengolah data dengan cepat salah satunya MATLAB. Dengan
MATLAB kita dapat menghitung ribuan data hanya dengan beberapa baris bahasa
pemrograman. Tidak hanya data yang jumlahnya banyak tetapi juga ada permasalah lainnya
yaitu setiap pengamatan atau pengukuran pasti mempunyai kesalahan yaitu kesalahan besar
(blunder), sistematis, dan acak sedangkan dengan data yang banyak tadi kita tidak tahu
pengamatan mana yang mengandung kesalahan tersebut. Untuk mengetahui kualitas dari data
kita gunakan analisa dengan metode statistik salah satunya least-square yang biasanya
digunakan untuk mengatasi kesalahan acak yang pasti terjadi. Masalah lain adalah data yang
kita dapat dari pengukuran jangka panjang yang temporal jika diplot dalam grafik maka akan
membentuk garis putus-putus. Untuk menyelesaikan masalah tersebut maka kita akan
mendekatinya dengan fungsi aproksimasi sehingga kita dapat mendekati nilai-nilai
pengamatan baik yang berada dalam batas data kita (interpolasi) maupun diluar batas data
kita (ekstrapolasi).



1.2 Rumusan Masalah

Berdasarkan latar belakang diatas, muncul beberapa persoalan yaitu :

1. Bagaimana cara menentukan nilai dari fungsi aproksimasi ?
2. Bagaimana cara menentukan error dari fungsi aproksimasi?

1.3 Ruang Lingkup Kajian

Untuk menjawab rumusan masalah di atas perlu pengkajian beberapa hal yaitu :

1. Penentuan fungsi aproksimasi
2. Penentuan error aproksimasi

1.4 Tujuan

1. Menentukan fungsi aproksimasi yang tepat bagi persoalan yang diberikan
2. Menentukan error dari fungsi aproksimasi


































BAB II
DASAR TEORI




2.1 Penentuan Fungsi Aproksimasi

Dalam penentuan fungsi aproksimasi dalam hal ini adalah aproksimasi linier yaitu
= +

Dimana y = pengamatan north, east, dan up
x = hari ke-n pengamatan
a,b = parameter

jadi dengam menggunakan persamaan normal matriks bobot maka dapat kita hitung
parameternya

=

= (

)
1

Dimana W = matriks bobot yang nilainya sebesar 1/variansi di diagonalnya
x = matriks parameter
y = matriks pengamatan


A =
1 1

1





Dimana
0=
1

2.2 Penentuan Error Aproksimasi

Pertama-tama tentukan standar deviasi referensinya yaitu dengan persamaan

=

Dimana V = matriks residu
r = jumalah pengamatan jumlah parameter

setelah itu tentukan matriks Q yang nilainya sama dengan (A
T
WA)
-1
dan tentukan nilai
standar deviasi parameter

=
0

11

=
0

22


Setelah didapat nilai diatas maka dengan rumus berikut kita dapat mengetahui nilai error dari
fungsi aproksimasi


Dimana z=y ; x1 = a; x2=b
























BAB III
ANALISIS DAN PENGOLAHAN DATA



3.1 Pengolahan data

Pertama-tama tentukan matriks bobot (W) baik pada N,E, dan U dengan persamaan






(351x351)

Setelah itu tentukan nilai matrik A yaitu A =
1 1

1

3512
(linier)

Tentukan matriks pengamatan y yaitu =
1

3511

Sehingga dapat ditentukan nilai parameter aproksimasinya menggunakan least-square bobot
dengan persamanan
= (

)
1

Fungsi aproksimasi Ax = y dari north(N) ,east(E), dan up(U) secara berurutan=>
y = -0,00003x + 0.00654
y = 0,00008x - 0.01515
y = 0,00002x - 0.00407

setelah didapat nilai aproksimasinya maka kita cari nilai standar deviasi referensi dengan
menggunakan vektor residu yang nilainya
=
Sehingga nilai standar deviasi referensi (So) adalah
=

Hasil So di MATLAB untuk N,E, dan U secara berurutan
So1 = 0.0349355340225242
So2 = 0.044193362825661
So3 = 0.0671807218058885

Setelah itu lakukan interpolasi dan aproksimasi, lalu plot grafiknya dengan menggunakan
MATLAB. Hasilnya :

(a)
(b)
(c)
Gambar 1(a) Grafik aproksimasi north (mm) (b) east (mm) (c) up (mm)

Setelah diplot maka tentukan koreksi pada parameter yaitu a,b (N,E,U) dengan persamaan

=
0

11
= 1.01116940714.10
-6
, 1.5474034746586. 10
-6
, 3.98091842669. 10
-6

=
0

22
= 0.0002, 0.0003, 0.0008

Dari standar deviasi diatas maka kita bisa menentukan standar deviasi ekstrapolasi pada hari
ke-361-365 yang hasilnya di Matlab dimana kolom 1-3 untuk N,E, dan U secara berurutan



= (

)
2
+

2


Hasilnya :

0.00042 0.000643 0.001655
0.000421 0.000644 0.001659
0.000422 0.000645 0.001662
0.000423 0.000647 0.001666
0.000423 0.000648 0.001669

3.2 Analisis

Dalam aproksimasi yang nilai parameternya ditentukan dengan menggunakan least-square
dan least-square bobot dimana least-square bobot lebih menggambarkan kualitas data karena
disertai dengan standar deviasinya. Setelah mendapatkan fungsi aproksimasinya maka kita
perlu mencari nilai standar deviasi referensi sebagai acuan yang didapat dari hasil
pengamatan sehingga dengan teori erambatan kesalahan maka bisa kita cari kesalahan yang
ditunjukkan dengan standar deviasi pada parameter. Standar deviasi menyatakan kesalahan
pada perambatan kesalahan acak karena berbeda dengan kesalahan sistematis yang dapat
dideteksi kesalahannya dengan nilai yang tepat, kesalahan acak tidak dapat diketahui nilainya
kita hanya bisa mengetahui rentang dari nilai kesalahan tersebut sehingga dinyatakan dalam
standar deviasi. Setelah diketahui standar deviasi parameter maka kita hitung standar deviasi
persamaan sehingga kita dapat mengetahui rentang nilai interpolasi dan ekstrapolasi dari
fungsi aproksimasi yang kita dapat sehingga dari nilai ekstrapolasi suatu titik itu adalah

<

< +

Dimana

adalah kemungkinan nilai sebenarnya dan Y adalah nilai interpolasi dan

ekstrapolasi. Dari standar deviasi persamaan y tersebut kita juga dapat menentukan fungsi
aproksimasi mana yang lebih baik yaitu fungsi aproksimasi yang mempunyai nilai standar
deviasi yang lebih kecil. Hal tersebut terbukti jika kita membandingkan error yang didapat
dan grafik yang telah digambar.























BAB IV
KESIMPULAN

Dari pembahasan tentang aproksimasi diatas ada beberapa hal yang bisa disimpulkan yaitu :

1. Cara menentukan fungsi aproksimasi ada 2 cara yaitu dengan least-square biasa dan
least-square bobot, bedanya least-square bobot lebih menggambarkan kualitas data
2. Untuk menentukan error ekstrapolasi kita perlu menentukan dulu variansi standarnya
sehingga dengan diketahuinya variansi standar kita bisa mengetahui error yang ada
pada parameter dan fungsi aproksimasi yang berupa standar deviasi karena
perambatan acak errornya tidak bisa dihitung dengan tepat kita hanya bisa mengetahui
rentangnya.





































PUSTAKA

Charles D. Ghilani & paul R. Wolf. 2006. Adjusment Computation Spatial Data Analisis.
United States of America : John Wiley & Sons, Inc

































LAMPIRAN




































%yang diketahui
N=xlsread('ES3.xlsx');
D=N(:,1);No=N(:,2);Ea=N(:,3);U=N(:,4);
StdN=N(:,5);StdE=N(:,6);StdU=N(:,7);
format long g
%Tentukan matrix bobot
%untuk W1-3 Matrix bobot N,E,U
W1=1/StdN(1);
W2=1/StdE(1);
W3=1/StdU(1);
for i=2:length(StdN);
W1=[W1;1/StdN(i)];
W2=[W2;1/StdE(i)];
W3=[W3;1/StdU(i)];
end
W1=diag(W1);
W2=diag(W2);
W3=diag(W3);
%Tentukan Persamaan matriks WiAx=L => A=[x,1]
%Matrix A untuk North,East,dan Up
for i=1:length(D);
A(i,1)=D(i);
A(i,2)=1;
end
%tentukan matrix Q1-3 1-3=N,E,U
Q1=pinv(A'*W1*A);Q2=pinv(A'*W2*A);Q3=pinv(A'*W3*A);
%tentukan matrix x1-3 1-3=N,E,U
x1=Q1*A'*W1*No;x2=Q2*A'*(W2*Ea);x3=Q3*A'*(W3*U);
%Error Pengamatan topografi
%vektor pengamatan dan vektor Error untuk North,East,dan Up secara berurutan
E1=No-A*x1;E2=Ea-A*x2;E3=U-A*x3;
%standar deviasi reverensi untuk north,East,dan Up
So1=sqrt((E1'*W1*E1)/(length(No)-length(x1)));
So2=sqrt((E2'*W2*E2)/(length(Ea)-length(x2)));
So3=sqrt((E3'*W3*E3)/(length(U)-length(x3)));

%interapolasi
Xtrap=linspace(1,360,360);
%ekstapolasi
Xek=linspace(361,365,5);
for i=1:length(Xtrap);
Ax(i,1)=Xtrap(i);
Ax(i,2)=1;
end
for i=1:length(Xek)
Ae(i,1)=Xek(i);
Ae(i,2)=1;
end

y1=Ax*x1;y2=Ax*x2;y3=Ax*x3;
e1=Ae*x1;e2=Ae*x2;e3=Ae*x3;










plot(Xtrap,y1,'xb');hold on; plot(D,No,'y');hold on;plot (Xek,e1,'xr');
figure
plot(Xtrap,y2,'xb');hold on; plot(D,Ea,'y');hold on;plot (Xek,e2,'xr');
figure
plot(Xtrap,y3,'xb');hold on; plot(D,U,'y');hold on;plot (Xek,e3,'xr');


%standar deviasi a dan b
%untuk aproksimasi North
Sa1=So1*sqrt(Q1(1,1));Sb1=So1*sqrt(Q1(2,2));
%untuk aproksimasi East
Sa2=So2*sqrt(Q2(1,1));Sb2=So2*sqrt(Q2(2,2));
%untuk aproksimasi Up
Sa3=So3*sqrt(Q3(1,1));Sb3=So3*sqrt(Q3(2,2));

%error ekstrapolasi
Xek=linspace(361,365,5);
for i=1:length(Xek)
Sy1(i)=sqrt((Xek(i)*Sa1)^(2)+(Sb1^2));
Sy2(i)=sqrt((Xek(i)*Sa2)^(2)+(Sb2^2));
Sy3(i)=sqrt((Xek(i)*Sa3)^(2)+(Sb3^2));
end