import numpy as np import pandas as pd import matplotlib.pyplot as plt # membuka file df = pd.read_csv('week4.csv') x = df['Jam'] y = df['Tarif'] # fungsi untuk di-fit-kan ke data def f(x,m,c): return m*x+c # cari fungsi yang "fit" ke data from scipy.optimize import curve_fit popt, pcov = curve_fit(f,x,y,p0=None) print(popt) # f(x) = 21232.2 x + 34688.36 fvec = np.vectorize(f) # menggambar grafik plt.plot(x,y,'b.',label='Data Pengamatan') # "matplotlib.pyplot.plot" <-- google di sini untuk lihat macam-macam formatting plt.plot(x, fvec(x,*popt),'r--',label='Fungsi Garis Regresi (y = 21232.2 x + 34688.36)') plt.legend() plt.title('Grafik Model Pemakaian Listrik') plt.xlabel('Waktu Pemakaian (dalam jam)') plt.ylabel('Tarif yang Dibayarkan')

import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy.optimize import curve_fit # library untuk bikin fungsi prediksi df2 = pd.read_csv('week4_1.csv') x = df2['year'] x = [ t - 1960 for t in x] # x bukan tahun, tapi tahun sejak 1960 y = df2['time'] plt.plot(x,y,'gx') #plt.xlim(1900,2020) #plt.ylim(9,11) def f(x,a,b,c): return a + b * np.exp(c*x) # a = asimtot, popt, pcov = curve_fit(f,x,y,p0=(10, .1, -.5)) print(popt) # f (x) = 8.897 + 1.28 e^(-0.0069x) plt.plot(x,y,'bx',label = 'Data Mentah dari Olimpiade/Kejuaraan Dunia') fvec = np.vectorize(f) plt.plot(x,fvec(x,*popt),'r--', label = 'Model Fungsi Eksponen f(x) = 8.897 + 1.28 e^(-0.0069x)') y1 = np.ones(len(x))*popt[0] plt.plot(x,y1,'k') plt.ylim(8,11) plt.legend() plt.xlabel('Tahun sejak 1960') plt.ylabel('Waktu Sprint 100m') plt.title('Pemodelan Prediksi Waktu Sprint 100m')