For AI agents: use /llms.txt for the Nakafa content index.
Bayangkan kita sedang mencoba memahami hubungan antara beberapa hal dalam dunia nyata. Model linear adalah cara yang sangat elegan untuk menggambarkan hubungan tersebut dalam bentuk matematika.
Bentuk dasarnya sangat sederhana:
Mengapa disebut "linear"? Karena jika kita lihat hubungan antara dan , hubungannya berbentuk garis lurus. Di sini berperan sebagai "penghubung" yang ukurannya .
Mari kita kenali ketiga pemain utama dalam model ini:
Yang menarik adalah meskipun kita sebut "linear", hubungan dengan masukan sebenarnya boleh rumit atau melengkung. Yang linear hanya hubungannya dengan parameter .
Sekarang, bagaimana kita menggunakan model ini dalam kehidupan nyata? Prosesnya sebenarnya seperti bermain detektif dengan data.
Pertama, kita melakukan rangkaian eksperimen atau pengukuran:
Misalkan kita melakukan kali pengukuran. Untuk setiap pengukuran ke-, kita punya:
Kenapa menggunakan tanda "kurang lebih" dan bukan "sama dengan"? Karena dalam dunia nyata, tidak ada pengukuran yang sempurna. Selalu ada derau, kesalahan alat, atau faktor acak lainnya yang mempengaruhi hasil.
Kalau kita hitung total semua data yang kita kumpulkan, jumlahnya . Biasanya angka ini jauh lebih besar dari jumlah parameter yang ingin kita cari (), jadi .
Tantangan kita sekarang adalah bagaimana mencari nilai yang terbaik, sehingga persamaan terpenuhi seakurat mungkin.
Ketika kita menyusun semua data ini, terbentuklah sistem persamaan yang terlihat seperti ini:
Ini menghasilkan sebuah sistem dengan matriks berukuran dan vektor berukuran .
Model linear ternyata sangat fleksibel dan bisa mengambil berbagai bentuk. Mari kita lihat beberapa contoh yang paling sering muncul:
Bentuk paling dasar adalah garis lurus:
Di sini kita mencari dua parameter: (titik potong) dan (kemiringan). Model ini cocok ketika data membentuk pola garis lurus atau hampir lurus.
Jika data membentuk kurva melengkung, kita bisa menggunakan polinomial:
Meskipun terlihat nonlinear, ingat bahwa yang kita maksud "linear" adalah hubungannya dengan parameter .
Untuk data yang memiliki pola berulang atau siklik, kita bisa menggunakan fungsi sinus dan cosinus:
Model ini sangat berguna untuk menganalisis data yang memiliki pola musiman atau periodik.
Jika keluaran bergantung pada beberapa masukan sekaligus, kita bisa menggabungkannya. Contohnya dengan dua masukan dan :
Suku menangkap interaksi antara kedua masukan.
Terkadang kita ingin memprediksi beberapa hal sekaligus dari masukan yang sama:
Ini seperti memiliki dua model linear yang berjalan bersamaan.
Persamaan gas umum dalam fisika adalah:
Di sini:
Jika kita menganggap dan sebagai masukan yang bisa kita kontrol, dan sebagai keluaran yang kita ukur, maka tekanan bergantung secara linear pada . Ini memungkinkan kita menggunakan model linear untuk menentukan jumlah molekul gas.
Tidak semua masalah dunia nyata langsung berbentuk linear. Kadang kita menemui model yang parameternya muncul dalam bentuk kuadrat, perkalian antar parameter, atau bahkan dalam fungsi eksponensial:
Tapi jangan putus asa! Dalam banyak kasus, kita bisa "melinearkan" model tersebut. Caranya dengan menggunakan aproksimasi garis singgung di sekitar titik tertentu :
Dengan trik ini, kita mengganti kurva yang rumit dengan garis lurus yang mendekatinya. Hasilnya adalah persamaan yang linear terhadap , sehingga bisa diselesaikan dengan metode aljabar linear standar seperti kuadrat terkecil.
Namun metode linearisasi ini hanya bekerja jika model nonlinear tidak terlalu "melengkung" di sekitar titik . Model yang sangat nonlinear membutuhkan teknik optimisasi numerik.
