Simulasi Interaktif
Geser slider untuk melihat bagaimana derivative (slope tangent line) berubah di berbagai titik pada kurva.
Formula Umum:
$$m = \lim_{\Delta x \to 0} \frac{f(x + \Delta x) - f(x)}{\Delta
x}$$
Untuk fungsi kita f(x) = x² - 2x + 1:
$$f'(x) = 2x - 2$$
Pada x = 0.0:
f'(0.0) = -2.0
Petunjuk Eksplorasi:
- Geser slider untuk melihat tangent line di berbagai posisi
- Perhatikan slope berubah sesuai posisi x
- Di x = 1, slope = 0 (titik minimum parabola)
- Slope negatif di kiri, positif di kanan
Apa itu Delta Formula?
Setelah bermain dengan simulasi di atas, sekarang mari kita pahami secara teoritis apa itu Delta Formula dan bagaimana ia mendefinisikan derivative.
Definisi Derivative
- Formula umum: f'(x) = lim (Δx→0) [(f(x + Δx) - f(x)) / Δx]
- Numerator: f(x + Δx) - f(x) adalah perubahan y (Δy)
- Denominator: Δx adalah perubahan x
- Limit Δx→0 membuat perubahan mendekati nol (infinitesimal)
Untuk Fungsi f(x) = x² - 2x + 1
- Kita bisa hitung derivative menggunakan aturan power rule
- Power rule: d/dx(x^n) = nx^(n-1)
- f(x) = x² - 2x + 1
- f'(x) = 2x - 2
Mengapa ini penting? Derivative adalah alat
fundamental dalam kalkulus yang digunakan untuk optimization,
menghitung velocity, acceleration, dan berbagai aplikasi di
machine learning.
Recap: Apa yang Telah Kita Pelajari?
Setelah bermain dengan simulasi dan memahami konsep, mari kita rangkum pembelajaran penting tentang Delta Formula dan Derivative:
Key Insights dari Simulasi
Delta Formula
f'(x) = lim (Δx→0) [(f(x+Δx)-f(x))/Δx] adalah definisi formal derivative.
Slope = Derivative
Derivative memberikan slope tangent line tepat di setiap titik pada kurva.
Rate of Change
f'(x) > 0 = naik, f'(x) < 0 = turun, f'(x) = 0 = stasioner.
Selamat! Anda sudah menyelesaikan pembelajaran kalkulus dasar!
Yang sudah Anda pelajari:
- Apa itu tangent line dan hubungannya dengan kurva
- Bagaimana tangent line berubah di berbagai titik
- Cara mengaproksimasi tangent line dengan dua titik
- Konsep limit dan bagaimana secant line mendekati tangent line
- Fondasi matematis derivative melalui delta formula
Hubungan dengan Machine Learning: Derivative dan
gradient descent yang akan kita pelajari selanjutnya adalah
fondasi dari cara neural network belajar! Setiap kali model ML
"belajar", ia menggunakan derivative untuk update weights.