Nama: Ade Hasbulah

NIM: 220605110079

Kelas: Kelas C

Mata Kuliah: Kalkulus

Dosen Pengampu: Prof.Dr.Suhartono,M.Kom

Jurusan: Teknik Informartika

Universitas: UIN Maulana Malik Ibrahim Malang Sepintas, istilah “linier” dan “kurva” mungkin tampak kontradiktif. Garis lurus, kurva tidak.

Kata linier dalam “model linier” mengacu pada “kombinasi linier”, bukan “garis lurus”. Seperti yang akan Anda lihat, Anda dapat membuat kurva rumit dengan mengambil kombinasi fungsi linier, dan menggunakan operasi proyeksi aljabar linier untuk mencocokkan kurva ini sedekat mungkin dengan data. Proses pencocokan itu disebut “pas”.

Sebagai ilustrasi, data dalam file “utilities.csv” mencatat suhu rata-rata setiap bulan (dalam derajat F) serta penggunaan gas alam bulanan (dalam kaki kubik, ccf). Ada, seperti yang Anda duga, hubungan yang kuat antara keduanya.

Utilities = read.csv("http://www.mosaic-web.org/go/datasets/utilities.csv")
gf_point(ccf ~ temp, data = Utilities)

Banyak jenis fungsi yang berbeda dapat digunakan untuk mewakili data ini. Salah satu yang paling sederhana dan paling umum digunakan dalam pemodelan adalah fungsi garis lurus. Dalam aljabar linier, ini adalah kombinasi linier dari fungsi \(f_1(T) = 1\) dan \(f_2(T) = T\). Secara konvensional, tentu saja, fungsi garis lurus ditulis \(f(T) = b + m T\). (Mungkin Anda lebih suka menuliskannya seperti ini: \(f(x) = m x + b\). Hal yang sama.) Notasi konvensional ini hanyalah menamai skalar sebagai \(m\) dan \(b\) yang akan berpartisipasi dalam kombinasi linier. Untuk menemukan skalar numerik yang paling cocok dengan data — untuk “menyesuaikan fungsi” dengan data — dapat dilakukan dengan operator proyek aljabar linier ( ).

project(ccf ~ temp + 1, data = Utilities)
## (Intercept)        temp 
##  253.098208   -3.464251

Operator project() memberikan nilai skalar. Fungsi pemasangan terbaik itu sendiri dibangun dengan menggunakan nilai skalar ini untuk menggabungkan fungsi yang terlibat.

model_fun = makeFun( 253.098 - 3.464*temp ~ temp)
gf_point(ccf ~ temp, data=Utils) %>%
  slice_plot(model_fun(temp) ~ temp)

DAFTAR PUSTAKA : https://dtkaplan.github.io/RforCalculus/fitting-functions-to-data.html#curves-and-linear-models