Nama : Abdan Nawwaf El Hibban

NIM : 230605110066

Dosen : Prof. Dr. Suhartono,M.Kom

Prodi : Teknik Informatika

Universitas : UIN Maulana Malik Ibrahim Malang

model matematika adalah seperangkat fungsi yang mewakili hubungan antarad input dan output Pada tingkat yang paling sederhana, membangun model bisa menjadi proses yang singkat: 1. Kembangkan pemahaman tentang hubungan yang ingin Anda modelkan. Seringkali, bagian dari “pemahaman” ini adalah pola yang terlihat dalam data. 2. Pilih jenis fungsi — misalnya eksponensial, sinusoidal, sigmoid — yang menurut Anda akan cocok dengan hubungan tersebut. 3. Temukan parameter yang menskalakan fungsi Anda untuk dapat menerima input dunia nyata dan menghasilkan output dunia nyata. pemodelan adalah proses siklik untuk membuat model, menilai model, dan merevisi model. Proses ini sampai pada semacam akhir awal ketika model melayani tujuannya. Tetapi bahkan kemudian, model sering direvisi untuk memeriksa apakah hasilnya sensitif terhadap beberapa faktor yang tidak dimasukkan atau untuk memeriksa apakah beberapa komponen yang dianggap penting benar-benar demikian. Contoh: Air pendingin Dalam contoh air pendingin, kami hanya menggunakan subset dari data yang dikumpulkan oleh Prof. Wagon. Perintah berikutnya membuat ulang subset itu sehingga Anda dapat bekerja dengannya. Mereka juga memplot data dan model eksponensial.

library(mosaicCalc)
# reconstruct the sample
set.seed(101)
Stans_data <- CoolingWater %>% sample_n(20)
# Plot the sample and overlay a model
gf_point(temp ~ time, data=Stans_data) %>%
  gf_lims(y = c(20, NA)) %>%
  slice_plot(25 + 83.3*exp(-.0277*time) ~ time, color="dodgerblue")

Ada teknik optimasi untuk mengarahkan komputer untuk memperbaiki parameter agar paling cocok dengan data.

refined_params <-
  fitModel(temp ~ A + B*exp(k*time), data = Stans_data,
           start = list(A = 25, B = 83.3, k = -0.0277))
coef(refined_params)
##           A           B           k 
## 25.92628465 60.69255264 -0.01892572
new_f <- makeFun(refined_params)
gf_point(temp ~ time, data = Stans_data) %>%
  slice_plot(new_f(time) ~ time, color="dodgerblue")

Kami memiliki dua putaran siklus pemodelan. Pertama, pilihan model eksponensial dan perkiraan kasar parameter A, B, dan k. Kedua, penyempurnaan parameter tersebut menggunakan komputer. Siklus pemodelan bisa berputar-putar!.