Charirmasirfan.com | Dalam sistem informasi, kita sering berhadapan dengan data yang terfragmentasi—titik-titik diskrit dalam lautan ketidaktahuan. Sebagai profesional di bidang ini, tanggung jawab kita adalah mengubah data tersebut menjadi wawasan yang berkesinambungan.
"Dari Data yang Terpisah Menjadi Informasi yang Kontinu"
Seorang analis sistem mendapatkan data traffic server per jam: pukul 10.00 (1.200 request), 12.00 (1.800 request), dan 14.00 (2.200 request). Manajemen membutuhkan estimasi beban server pada pukul 13.00 untuk perencanaan kapasitas. Kita tidak memiliki data pada jam tersebut. Inilah realita yang dihadapi dalam pengelolaan sistem informasi—kita harus membuat keputusan berbasis data meskipun data tersebut tidak lengkap.
Interpolasi hadir sebagai respons terhadap tantangan ini. Ia bukan sekedar teknik matematika, melainkan metodologi sistematis untuk membangun narasi yang koheren dari data yang terpisah. Dalam konteks sistem informasi, interpolasi memungkinkan kita untuk:
- Mengisi missing values dalam dataset
- Melakukan resampling data untuk analisis temporal
- Membangun permodelan awal dari sampel data terbatas
- Menciptakan visualisasi data yang lebih mulus dan informatif
Hari ini kita akan beralih dari paradigma penyelesaian persamaan ke paradigma rekonstruksi fungsi. Kita akan mempelajari bagaimana membangun fungsi matematika yang secara eksak melewati setiap titik data yang kita miliki, kemudian menggunakan fungsi tersebut sebagai "dunia model" untuk menjawab pertanyaan di antara titik-titik data.
Kita akan menguasai dua pendekatan fundamental:
- Interpolasi Lagrange - dengan elegannya membangun polinomial melalui kombinasi linear basis polinomial
- Interpolasi Newton - dengan efisiensinya dalam menambahkan titik data baru tanpa mengulang komputasi dari awal
Kedua metode ini, meski berbeda dalam formulasi dan implementasi komputasi, memiliki tujuan yang sama: menciptakan kontinuitas informasi dari data yang diskrit. Pemahaman ini akan menjadi dasar bagi kita untuk membuat estimasi yang terukur, transparan, dan dapat dipertanggungjawabkan dalam pengambilan keputusan berbasis data.
Mari kita mulai perjalanan untuk menguasai seni menyambung titik-titik data menjadi garis pemahaman yang utuh.
 |
| Prodi Sistem Informasi | Pertemuan 9 Metode Numeri: Interpolasi |
CPMK Mata Kuliah Metode Numerik
Mahasiswa mampu menerapkan teknik interpolasi numerik dengan metode polinomial (Lagrange dan Newton) untuk membangun model aproksimasi data serta menganalisis kelebihan dan kekurangan masing-masing metode dalam konteks komputasi ilmiah.
Tabel 8. CPMK, Sub-CPMK, Indikator Kinerja, Level Bloom dan Topik Materi
| CPMK Pertemuan | Sub-CPMK (Kemampuan Akhir yang Diharapkan) | Indikator Kinerja | Level Kognitif | Topik |
|---|---|---|---|---|
| Mahasiswa mampu menjelaskan konsep dasar spline serta karakteristiknya dalam interpolasi. | Menjelaskan definisi spline, sifat kontinuitas, dan perbedaannya dengan polinomial global. | Mahasiswa dapat menjelaskan konsep spline, sifat kontinuitas, dan perbedaan dengan polinomial global. | C2 | Pengenalan Interpolasi Spline |
| - | Mengidentifikasi perbedaan karakteristik spline linier, kuadratik, dan kubik. | Mahasiswa dapat menguraikan karakteristik spline linier, kuadratik, dan kubik. | C2 | Jenis-Jenis Splin |
| Mahasiswa mampu menyusun spline linier dan cubic spline berdasarkan data diskrit. | Menghitung nilai spline linier dari beberapa titik data. | Mahasiswa dapat melakukan langkah perhitungan spline linier secara manual. | C3 | Spline Linier |
| - | Menentukan koefisien spline kubik dan menyusun sistem persamaan tridiagonal. | Mahasiswa dapat menghitung koefisien spline kubik dan membentuk sistem tridiagonal. | C3 | Konsep Dasar Spline Kubik |
| - | Menyusun sistem persamaan dan menghitung koefisien spline kubik. | Mahasiswa dapat menghitung koefisien spline kubik dan membentuk sistem tridiagonal. | - | Sistem Persamaan Spline Kubik |
| Mahasiswa mampu membuat implementasi komputasional metode spline. | Menulis program spline dan mengevaluasi kecocokan hasil terhadap data asli. | Mahasiswa dapat mengimplementasikan metode spline pada Python/MATLAB. | C6 | Implementasi Komputasional Metode Spline |
| - | Mahasiswa mampu mengevaluasi kecocokan spline terhadap data. | Mahasiswa dapat menganalisis dan membandingkan spline dengan data asli. | C5 | Analisis dan Evaluasi Hasil Interpolasi Spline |
Kembali ke RPS OBE Metode Numerik Prodi Teknik Informatika.
0 Komentar