1

II BAHAN AJAR
BAB I
1PENGANTAR METODE NUMERIK

A. Kompetensi Dasar
1. Konsep dasar metode numerik
2. Keunggulan dan keterbatasan metode numerik
B. Pendahuluan
Metode numerik digunakan untuk meyelesaikan persamaan-persamaan dengan
pendekatan angka. Dimana semua variabel akan dihitung harga-harganya.
Perhitungan metode numerik lebih banyak dilakukan dengan cara iterasi. Pendekatan
yang dilakukan ini akan sangat membantu untuk menyelesaikan persamaan-
persamaan yang kompleks, tanpa perlu melakukan manipulasi matematis yang rumit.
C. Pembahasan Materi Ajar
1.1 Mengapa Menggunakan Metode Numerik
Tidak semua permasalahan matematis atau perhitungan dapat diselesaikan dengan
mudah. Bahkan dalam prinsip matematik, dalam memandang permasalahan yang
terlebih dahulu diperhatikan apakah permasalahan tersebut mempunyai penyelesaian
atau tidak. Hal ini menjelaskan bahwa tidak semua permasalahan dapat diselesaikan
dengan menggunakan perhitungan biasa. Sebagai contoh perhatikan integral berikut
ini

Integral di atas terlihat tidak terlalu panjang, tetapi untuk menyelesaikan integral
tersebut bukan permasalahan yang mudah bahkan dapat dikatakan tidak mungkin.
Tetapi bukan berarti integral tersebut tidak mempunyai penyelesaian, hanya saja
menyelesaikan integral semacam itu sangat sulit dan kalaupun bisa memerlukan
pengetahuan matematis yang tinggi dan waktu yang cukup lama. Padahal integral di
atas adalah bentuk integral yang banyak digunakan dalam bidang teknik, khususnya
pada analisa sinyal yang melibatkan sinyal frekwensi, filtering dan optimasi pola
radiasi.

Gambar 1.1 Kurva y=sinc(x)
Dengan dasar inilah dapat dikatakan bahwa diperlukan suatu metode tertentu yang
dapat digunakan untuk menghitung integral tersebut. Meskipun metode tersebut tidak
dapat menghasilkan nilai yang exact (tepat), setidak-tidak sudah mendekati nilai yang
diharapkan.
Pada persoalan lain, misalnya diketahui suatu kurva dari fungsi non-linier
y=x
2
+exp(x) sebagai berikut :

Gambar 1.2 Kurva y = x
2
+ exp(x)
Perhatikan kurva y=x
2
+exp(x) memotong sumbu X di antara 1 dan 0.5, tetapi untuk
menentukan akar persamaan (titik potong dengan sumbu X) tersebut dengan
menggunakan metode manual dapat dikatakan tidak mungkin. Sehingga diperlukan
metode-metode pendekatan untuk dapat memperoleh akar yang dapat dikatakan
benar. Metode tersebut adalah metode numerik, yaitu metode yang menggunakan
analisisanalisis pendekatan untuk menghasilkan nilai yang diharapkan.
Persoalan lain adalah bagaimana menentukan fungsi polynomial yang terbaik yang
dapat mewakili suatu data seperti berikut:

Gambar 1.3 Kurva Pendekatan
Secara analitik, untuk memperoleh fungsi polynomial dari jumlah data yang kecil
(<20) masih bisa dilakukan, tetapi untuk jumlah data yang besar sulit sekali dilakukan
karena akan membutuhkan waktu yang sangat lama. Untuk itulah digunakan
perhitungan komputer, dan pemakaian metode numerik mejadi penting artinya untuk
menyelesaikan permasalahan ini.
Selain adanya persoalan-persoalan di atas, seiring dengan perkembangan pemakaian
komputer sebagai alat bantu dalam menyelesaikan persoalan, maka pemakaian
metode analitik terkadang sulit diterjemahkan ke dalam algoritma yang dapat
dimengerti oleh komputer. Sehingga metode numerik yang memang berangkat dari
pemakaian alat bantu hitung merupakan alternatif yang baik dalam menyelesaian
persoalan-persoalan perhittungan yang rumit. Telah banyak yang menawarkan
programprogram numerik ini sebagai alat bantu perhitungan.
Dalam penerapan matematis untuk menyelesaikan persoalan-persoalan perhitungan
dan analisis, ada beberapa keadaan dan metode yang digunakan untuk menghasilkan
penyelesaian yang baik adalah :
(1) Bila persoalan merupakan persoalan yang sederhana atau ada theorema analisa
matematika yang dapat digunakan untuk menyelesaikan persoalan tersebut,
maka penyelesaian matematis (metode analitik) adalah penyelesaian exact yang
harus digunakan. Penyelesaian ini menjadi acuan bagi pemakaian metode
pendekatan.
(2) Bila persoalan sudah sangat sulit atau tidak mungkin diselesaiakan secara
matematis (analitik) karena tidak ada theorema analisa matematik yang dapat
digunakan, maka dapat digunakan metode numerik.
(3) Bila persoalan sudah merupakan persoalan yang mempunyai kompleksitas
tinggi, sehingga metode numerikpun tidak dapat menyajikan penyelesaian
dengan baik, maka dapat digunakan metode-metode simulasi.

1.2 Prinsip-Prinsip Metode Numerik
Seperti telah dibahas di atas, metode numerik digunakan untuk menyelesaikan
persoalan dimana perhitungan secara analitik tidak dapat digunakan. Metode numerik
ini berangkat dari pemikiran bahwa permasalahan dapat diselesaikan dengan
menggunakan pendekatan-pendekatan yang dapat dipertanggung-jawabkan secara
analitik. Metode numerik ini disajikan dalam bentuk algoritma-algoritma yang dapat
dihitung secara cepat dan mudah.
Pendekatan yang digunakan dalam metode numerik merupakan pendekatan analisis
matematis. Sehingga dasar pemikirannya tidak keluar jauh dari dasar pemikiran
analitis, hanya saja pemakaian grafis dan teknik perhitungan yang mudah merupakan
pertimbangan dalam pemakaian metode numerik. Mengingat bahwa algoritma yang
dikembangkan dalam metode numerik adalah algoritma pendekatan maka dalam
algoritma tersebut akan muncul istilah iterasi yaitu pengulangan proses perhitungan.
Dengan kata lain perhitungan dalam metode numerik adalah perhitungan yang
dilakukan secara berulang-ulang untuk terus-menerus diperoleh hasil yang main
mendekati nilai penyelesaian exact.
Perhatikan salah bentuk formulasi dalam metode numerik adalah: xn = xn-1 + xn-1
Terlihat bahwa hasil iterasi ke n adalah hasil iterasi ke n-1 (sebelumnya) dengan
ditambah xn-1 yang merupakan nilai perbaikan. Sehingga dapat dikatakan bahwa
semakain banyak iterasi yang digunakan, maka nilainya semakin mendekati nilai
exact atau semakin baik hasil yang diperoleh.
Dengan menggunakan metode pendekatan semacam ini, tentukan setiap nilai hasil
perhitungan akan mempunyai nilai error (nilai kesalahan). Dalam analisa metode
numerik, kesalahan ini menjadi penting artinya. Karena kesalahan dalam pemakaian
algoritma pendekatan akan menyebabkan nilai kesalahan yang besar, tentunya ini
tidak diharapkan. Sehingga pendekatan metode analitik selalu membahas tingkat
kesalahan dan tingkat kecepatan proses yang akan terjadi.
Persoalan-persoalan yang biasa diangkat dalam metode numerik adalah persoalan-
persoalan matematis yang penyelesaiannya sulit didapatkan dengan menggunakan
metode analitik, antara lain:
Menyelesaikan persamaan non linier
Menyelesaikan persamaan simultan atau multi-variabel
Menyelesaikan differensial dan integral
Interpolasi dan Regresi
Menyelesaikan persamaan differensial
Masalah multi variable untuk menentukan nilai optimal yang tak bersyarat
D. Rangkuman
Metode numerik tidak dapat menghasilkan nilai yang exact (tepat)
Metode numerik digunakan untuk menyelesaikan persamaan-persamaan yang
sudah mempunyai nilai pasti (definite value) untuk masing-masing variabelnya
Metode numerik menggunakan metode interasi untuk mendapatkan hasil yang
mendekati nilai yang tepat (exact)
E. Tugas
1. Sebutkan perbedaan antara metode numerik dan analitik
2. Kebutkan keuntungan dan keterbatasan pemakaian metode numerik
F. Sumber Belajar
Kreyszig, E., Advanced Engineering Mathematics, John Wiley & Son, Inc, New
Jersey 2006.
Hoffman, J.D., Numerikal Methods for Engineers and Scientists, Marcel Dekker, Inc.
New York, 1992.
Surbakti, I., Metode Numerik, Diktat Kuliah, ITS
---, Metode Numerik, Acuan Kuliah, Politeknik, ITS


BAB II
2KONSEP BILANGAN DAN KESALAHAN
A. Kompetensi Dasar
1) Konsep angka pasti dan notasi ilmiah
2) Kesalahan perhitungan angka dalam metode numerik
B. Pendahuluan
Angka pasti/signifikan adalah angka yang sudah pasti kebenarnya. Meskipun begitu,
dalam kenyataannya penentuan nilai suatu besaran tidak akan tepat menunjuk satu
angka yang pasti. Hal ini terjadi karena faktor skala terkecil yang ada pada suatu alat
ukur.
Kelemahan penulisan angka akan membawa dampak pada perhitung hasil suatu
persoalan yang diselesaikan dengan metode numerik.
C. Pembahasan Materi Ajar
2.1 Nilai Signifikan
Nilai signifikan adalah suatu nilai dimana jumlah angka ditentukan sebagai batas nilai
tersebut diterima atau tidak. Sebagai contoh perhatikan nilai pada penggaris :

Nilai yang ditunjuk tidak tepat pada angka yang ditentukan karena selisih 1 strip,
dalam kejadian ini bila dianggap nilai signifikan = 1 maka nilainya 59 atau 60. Bila
penggaris tersebut dilihat dengan skala lebih besar pada daerah yang ditunjuk oleh
jarum :

Jika diinginkan 1 angka dibelakang koma, maka kita masih bisa memperkirakan kira-
kira nilainya 59.2 atau mungkin 59.3. Adanya keterbatasan penggaris tadi
menyebabkan kita tak dapat memastikan, berarti menduga saja, untuk digit ketiga
(digit kedua di belakang koma). Jadi menggelikan sekali kalo dapat diperkirakan
bahwa jarum menunjukkan angka 59.23454368721.
Angka signifikan atau digit menyatakan suatu keandalan sebuah nilai numerik.
Banyaknya angka signifikan adalah banyaknya digit tertentu yang dapat meyakinkan
kita. Untuk penggaris di atas, maka mengandung taksiran 3 angka signifikan.
Beberapa angka 0 tak selamanya angka signifikan, karena mereka diperlakukan
sekedar menempatkan sebuah titik desimal. Jadi bilangan-bilangan 0,00001845 lalu
0,0001845 lalu 0,001845 semuanya memiliki 4 angka signifikan.
Jika beberapa angka 0 dipakai di bagian ekor suatu bilangan, tak jelas berapa
banyaknya 0 itu yang signifikan. Misal: 45,300 dapat memiliki 3, 4, atau 5 buah digit
signifikan tergantung apakah harga 0 itu telah diketahui dengan pasti. Ketidakpastian
itu dapat diselesaikan dengan memakai notasi ilmiah dimana 4,53 10
4
atau 4,530
10
4
dan 4,5300 10
4
menandakan bahwa angka-angka tersebut memiliki 3, 4,
dan 5 angka signifikan.
2.2 Implikasi dari angka signifikan:
Metode Numerik mengandung hasil pendekatan. Keyakinannya ditentukan oleh angka
signifikan.
Pernyataan secara eksak besaran-besaran yang signifikan seperti , dibatasi oleh tipe
data yang dapat disimpan oleh komputer sampai sejumlah digit tertentu, selebihnya
diabaikan. Pengabaian ini dinamakan dengan kesalahan pembulatan (round-off error).
Jenis-Jenis Kesalahan Nilai Angka
Kesalahan di dalam metode numerik dapat dibagi menjadi empat macam yaitu:
a. Kesalahan pembulatan ( round of error)
b. Kesalahan pemotongan ( truncation error )
c. Kesalahan iterasi (iteration error)
d. Kesalahan pendekatan (approximation error)
2.2.1 Kesalahan Pembulatan
Kesalahan pembulatan adalah kesalahan yang disebabkan oleh pembulatan atau
pngurangan angka desimal, misalnya 0.4 menjadi 0 atau 0,5 menjadi 1.
Besaran angka akibat pembulatan ditentukan dengan aturan:
Jika angka yang dihilangkan kurang dari setengah, maka angka terakhir yang tersisa
tidak berubah (pembulatan ke bawah).
Jika angka yang dihilangkan lebih dari setengah, maka angka terakhir yang tersisa
akan ditambah satu (pembulatan ke atas)
Jika angka yang akan dihilangkan tepat setangah, maka dilihat angka didepannya. Jika
didepannya kirang dari 5 maka dilakukan pembulatan ke bawah dan sebaliknya.
Aturan ini dibuat agar pembulatan ini akan dapat dilakukan pada daerah rata-rata
angka yang dihilangkan.
Pembulatan tidak dianjurkan, karena kesalahan-kesalahan ini akan terakumulasi.
Kesalahan yang semua kecil akan dapat menjadi besar terutama dalam metode
numerik dimana kesalahan itu akan berjalan secara sistematik.
2.2.2 Kesalahan Pemotongan
Sedangkan kesalahan pemotongan adalah kesalahan yang ditimbulkan pada saat
dilakukan pengurangan jumlah angka signifikan. Kesalahan numerik adalah kesalahan
yang timbul karena adanya proses pendekatan.
Kesalahan pemotongan juga terjadi pada saat iterasi. Jika proses iterasi dihentikan
pada saat hasilnye belum konvergen, maka kesalahan perhitungan yang terjadi akan
lebih besar daripada syarat kesalahan terkecil yang diperbolehkan.
Salah satu contoh kesalahan akibat pemotongan dalam penyelesaian analitik adalah
sistem deret Taylor. Pada proses perhitungan, deret taylor ini tidak akan pernah
dihitung sampai suku ke takterhingga. Karena itu suku terakhir dari deret adalah
residu atau pendekatan kesalahan akibat pemotongan deret Taylor.
2.2.3 Kesalahan iterasi
Kesalahan iterasi adalah kesalahan dari penggunaan metode iterasi untuk menghitung
penyelesaian eksak. Kesalahan ini bersifat asimtotik, dimana kesalahan ini akan terus
berkurang sampai dengan nol. Kesalahan ini digunakan selam proses iterasi untuk
menentukan harga pendekatan yang selanjutnya pada proses iterasi. Besarnya
kesalahan iterasi yang dapat diterima ditentukan selama proses iterasi. Berbagai
metode dikembangkan untuk mempercepat konvergensi suatu proses iterasi.
2.2.4 Kesalahan pendekatan
Kesalahan pendekatan adalah perbedaan antara solusi eksak dari suatu persoalan
eksak dan hasil eksak dari persoalan pe ndekatan. Kesalahan pendekatan dapat
dikurangi dengan memilih pendekatan yang lebih akurat. Hal ini sangat erat
hubungannya dengan asumsi yang dipilih ketika melakukan suatu pemodelan
masalah.
2.3 Notasi Kesalahan
Hubungan kesalahan dan penyelesaian adalah :
= x +
dimana : x = nilai yang sebenarnya ( nilai eksak )
= nilai pendekatan yang dihasilakan dari metode numerik
= kesalahan
Dalam perhitungan numerik, nilai sebenarnya justru sering tidak diketahui, yang
didapat hanya perkiraan terbaik. Karena perkiraan langkah berikut dianggap lebih
akurat, yaitu lebih mendekati nilai sebenarnya, maka kesalahan yang dihitung yaitu:
kesalahan mutlak = | perkiraan nilai sebenarnya |
kesalahan mutlak semu = | perkiraan sebelum perkiraan berikut |
perkiraan nilai sebenarnya
nilai sebenarnya
perkiraan sebelum - perkiraan berikut
perkiraan berikut
kesalahan relatif semu =
kesalahan relatif =
Proses iterasi suatu perhitungan dengan menggunakan metode numerik akan
dihentikan setelah keakuratan yang diinginkan dicapai, yang dapat diketahui dari
kesalahan relatif semu.
D. Rangkuman
Basarnya angka pasti dipengaruhi oleh skala pada alat ukur yang digunakan.
Metode numerik menggunakan metode pendekatan dan iterasi, sehingga akan
muncul kesalahan dalam menghasilkan nilai akhir.
Besarnya kesalahan yang dapat ditolerir ditentukan oleh banyaknya angka pasti
yang akan dihasilkan.
E. Tugas
1. Tulis 98.17, -100.987, 0.0067564, dan -89700 dalam notasi ilmiah
2. Selesaikan persmaan kuadrat berikut: x
2
-20x +1 = 0, sampai 4 angka penting:
3. Hitung 0.36443/(17.862-17.798) dengan terlebih dahulu membulatkannya sampai
4, 3 dan 2 angka penting.
F. Sumber Belajar
Kreyszig, E., Advanced Engineering Mathematics, John Wiley & Son, Inc, New
Jersey 2006.
Hoffman, J.D., Numerikal Methods for Engineers and Scientists, Marcel Dekker, Inc.
New York, 1992.
Surbakti, I., Metode Numerik, Diktat Kuliah, ITS
---, Metode Numerik, Acuan Kuliah, Politeknik, ITS

BAB III
3PERSAMAAN NON LINIER

A. Kompetensi Dasar
1) Pemahaman tentang persamaan non-linier
2) Konsep dasar penentuan titik potong di sumbu x mnggunakan metode numerik
3) Pemahaman metode biseksi, regula falsi, satu titik sederhana, Newton Raphson
dan metode Secant
B. Pendahuluan
Banyak permasalahan di bidang teknik dan sains memerlukan solusi dari persamaan
non-linier. Persamaan non-linier f(x) dapat berupa persamaan aljabar, persamaan
transendental, persamaan diferensial, atau suatu korelasi non linier antara input x dan
output y.
Ada dua lanhkah untuk menetukan akar persamaan non linier, yaitu pembatasan akar
dan pendekatan nilai akar agar memenuhi akurasi yang diinginkan. Beberapa metode
pancarian akar persamaan non linier akan dibahas pada bab ini.
C. Pembahasan Materi Ajar
3.1 Permasalahan Persamaan Non Linier
Penyelesaian persamaan non linier adalah penentuan akar-akar persamaan non
linier.Dimana akar sebuah persamaan f(x) =0 adalah nilai-nilai x yang menyebabkan
nilai f(x) sama dengan nol. Dengan kata lain akar persamaan f(x) adalah titik potong
antara kurva f(x) dan sumbu X.

Gambar 3.1. Penyelesaian persamaan non linier
Penyelesaian persamaan linier mx + c = 0 dimana m dan c adalah konstanta, dapat
dihitung dengan :
mx + c = 0 sehingga x = (-c/m)
Penyelesaian persamaan kuadrat ax
2
+ bx + c = 0 dapat dihitung dengan
menggunakan rumus ABC.

Beberapa persamaan polynomial yang sederhana dapat diselesaikan theorema
sisa.Sehingga tidak memerlukan metode numeric dalam menyelesaikannya, karena
metode analitik dapat dilakukan.Tetapi bagaimana menyelesaikan persamaan
x e
-x
= 0
Tampaknya sederhana, tetapi untuk menyelesaikan persamaan non linier merupakan
metode pencarian akar harus dilakukan secara berulang-ulang.
Theorema 3.1.
Suatu range x=[a,b] mempunyai akar bila f(a) dan f(b) berlawanan tanda atau
memenuhi f(a).f(b)<0
Theorema di atas dapat dijelaskan dengan grafik-grafik sebagai berikut:

Karena f(a).f(b)<0 maka pada
range x=[a,b] terdapat akar.
Karena f(a).f(b)>0 maka pada
range x=[a,b] tidak dapat dikatakan
terdapat akar.

Gambar 3.2 Penentuan akar persamaan
Secara sederhana, untuk menyelesaikan persamaan non linier dapat dilakukan dengan
menggunakan metode table atau pembagian area.Dimana untuk x = [a,b] atau x di
antara a dan b dibagi sebanyak N bagian dan pada masing-masing bagian dihitung
nilai f(x) sehingga diperoleh tabel :

x f(x)
x
0
=a f(a)
x
1
f(x
1
)
x
2
f(x
2
)
x
3
f(x
3
)

x
n
=b f(b)

Dari tabel ini, bila ditemukan f(xk)=0 atau mendekati nol maka dikatakan bahwa xk
adalah penyelesaian persamaan f(xk)=0.Bila tidak ada f(xk) yang sama dengan nol,
maka dicari nilai f(xk) dan f(xk+1) yang berlawanan tanda, bila tidak ditemukan maka
dikatakan tidak mempunyai akar untuk x = [a,b], dan bila ditemukan maka ada 2
pendapat untuk menentukan akar persamaan, yaitu :
Akar persamaan ditentukan oleh nilai mana yang lebih dekat, bila |f(xk)| |f(xk+1)|
maka akarnya xk, dan bila |f(xk+1)|<|f(xk)| maka akarnya xk+1.
Akarnya perlu di cari lagi, dengan range x = [ ] xk , xk+1 . Secara grafis, metode
table ini dapat dijelaskan untuk x = [a,b], fungsi f(x) dibagi menjadi N bagian seperti
gambar berikut :

Gambar 3.3. Metode Tabel
Gambar di atas menjelaskan bahwa penyelesaian diperoleh dengan membagi x = [a,b]
sebanyak-banyaknya hingga diperoleh suatu garis yang melalui akar persamaan dan
nilai x dari garis tersebut adalah penyelesaian dari persamaan F(x) = 0.
Metode table ini secara umum sulit mendapatkan penyelesaian dengan error yang
kecil, karena itu metode ini tidak digunakan dalam penyelesaian persamaan non linier,
Tetapi metode ini digunakan sebagai taksiran awal mengetahui area penyelesaian
yang benar sebelum menggunakan metode yang lebih baik dalam menentukan
penyelesaian.
Contoh:
Selesaikan persamaan xe
-x
+1 = 0.
Untuk menyelesaikan persamaan tersebut, hal pertama yang harus dilakukan adalah
menaksir range yang tepat, dengan cara menggambarkan fungsi dalam bentuk grafik
(gambar 3.3)
Dari gambar di atas terlihat bahwa akar persamaan berada pada range [0.6,0.5].
Dari range ini dibuat table dengan membagi range menjadi 10 bagian sehingga
diperoleh :
x f(x)
-0,60 -0,09327
-0,59 -0,06435
-0,58 -0,03590
-0,57 -0,00791
-0,56 0,01962
-0,55 0,04671
-0,54 0,07336
-0,53 0,09957
-0,52 0,12535
-0,51 0,15070
-0,50 0,17564

Dari table tersebut dapat dikatakan bahwa akar persamaan berada antara 0,57 dan
0,56, atau dengan menggunakan selisih terkecil maka dapat dikatakan bahwa akar
persamaan terletak di x = -0,57 dengan F(x) = -0,00791.
3.2 Metode Biseksi.
Ide awal metode ini adalah metode table, dimana area dibagi menjadi N bagian.Hanya
saja metode biseksi ini membagi range menjadi 2 bagian, dari dua bagian ini dipilih
bagian mana yang mengandung dan bagian yang tidak mengandung akar dibuang.Hal
ini dilakukan berulang-ulang hingga diperoleh akar persamaan.

Gambar 3.4. Metode Biseksi
Untuk menggunakan metode biseksi, terlebih dahulu ditentukan batas bawah (a) dan
batas atas (b).Kemudian dihitung nilai tengah :

Dari nilai x ini perlu dilakukan pengecekan keberadaan akar. Secara matematik, suatu
range terdapat akar persamaan bila f(a) dan f(b) berlawanan tanda atau dituliskan :
f(a) * f(b) < 0
Setelah diketahui dibagian mana terdapat akar, maka batas bawah dan batas atas di
perbaharui sesuai dengan range dari bagian yang mempunyai akar.
Contoh :
Selesaikan persamaan xe
-x
+1 = 0, dengan menggunakan range x=[1,0], maka
diperoleh tabel biseksi sebagai berikut :
iterasi A B X f(x) f(a) Keterangan
1 -1 0 -0,5 0,175639 -1,71828 berlawanan tanda
2 -1 -0,5 -0,75 -0,58775 -1,71828
3 -0,75 -0,5 -0,625 -0,16765 -0,58775
4 -0,625 -0,5 -0,5625 0,012782 -0,16765 berlawanan tanda
5 -0,625 -0,5625 -0,59375 -0,07514 -0,16765
6 -0,59375 -0,5625 -0,57813 -0,03062 -0,07514
7 -0,57813 -0,5625 -0,57031 -0,00878 -0,03062
8 -0,57031 -0,5625 -0,56641 0,002035 -0,00878 berlawanan tanda
9 -0,57031 -0,56641 -0,56836 -0,00336 -0,00878
10 -0,56836 -0,56641 -0,56738 -0,00066 -0,00336
Pada iterasi ke 10 diperoleh x = -0.56738 dan f(x) = -0.00066
Untuk menghentikan iterasi, dapat dilakukan dengan menggunakan toleransi error
atau iterasi maksimum.
Catatan : Dengan menggunakan metode biseksi dengan tolerasi error 0.001
dibutuhkan 10 iterasi, semakin teliti (kecil toleransi errorny) maka semakin bear
jumlah iterasi yang dibutuhkan.
3.3 Metode Regula Falsi
Metode regula falsi adalah metode pencarian akar persamaan dengan memanfaatkan
kemiringan dan selisih tinggi dari dua titik batas range. Seperti halnya metode biseksi,
metode ini bekerja secara iterasi dengan melakukan update range.Titik pendekatan
yang digunakan oleh metode regula-falsi adalah :




Dengan kata lain titik pendekatan x adalah nilai rata-rata range berdasarkan f(x).
Metode regula falsi secara grafis digambarkan sebagai berikut :

Gambar 3.5. Metode Regula Falsi
Contoh :
Selesaikan persamaan xe
-x
+1=0 pada range x=[1,0], dengan metode regula-falsi
diperoleh :
iterasi a b x f(x) f(a) f(b)
1 -1 0 -0,36788 0,468536 -1,71828 1
2 -1 -0,36788 0,074805 1,069413 -1,71828 0,468536
3 -1 0,074805 -0,42973 0,339579 -1,71828 1,069413
4 -1 -0,42973 0,1938 1,159657 -1,71828 0,339579
5 -1 0,1938 -0,51866 0,128778 -1,71828 1,159657
6 -1 -0,51866 0,412775 1,273179 -1,71828 0,128778
7 -1 0,412775 -0,6627 -0,28565 -1,71828 1,273179
8 -0,6627 0,412775 -0,6169 -0,14323 -0,28565 1,273179
9 -0,6169 0,412775 -0,59626 -0,0824 -0,14323 1,273179
10 -0,59626 0,412775 -0,58511 -0,05037 -0,0824 1,273179
11 -0,58511 0,412775 -0,57855 -0,03181 -0,05037 1,273179
12 -0,57855 0,412775 -0,57451 -0,02047 -0,03181 1,273179
13 -0,57451 0,412775 -0,57195 -0,01333 -0,02047 1,273179
14 -0,57195 0,412775 -0,5703 -0,00874 -0,01333 1,273179
15 -0,5703 0,412775 -0,56922 -0,00576 -0,00874 1,273179
16 -0,56922 0,412775 -0,56852 -0,00381 -0,00576 1,273179
17 -0,56852 0,412775 -0,56806 -0,00252 -0,00381 1,273179
18 -0,56806 0,412775 -0,56775 -0,00167 -0,00252 1,273179
19 -0,56775 0,412775 -0,56755 -0,00111 -0,00167 1,273179
20 -0,56755 0,412775 -0,56741 -0,00074 -0,00111 1,273179
Akar persamaan diperoleh di x=-0.56741 dengan kesalahan =0,00074
3.4 Metode Satu Titik Sederhana (Fixed Point)
Metode iterasi sederhana adalah metode yang memisahkan x dari f(x) sehingga
diperoleh : x = g(x).
Kemudian ditentukan harga x
o
dan mulai menghitung x
1
= g(x
o
), x
2
= g(x
1
) dan
seterusnya. Secara umum iterasi inin dapat dituliskan sebagai berikut:
x
n+1
= g(x
n
) dimana n= 0,1,2,...
Penyelesaian persamaan di atas disebut metode satu titik sederhana. Hasil ini adalah
penyelesaian dari f(x) karena bentuk x = g(x) dapat dikembalikan ke bentuk asalnya
yaitu f(x). Kita bisa saja memperoleh beberapa bentuk g(x). Hal ini sangat berkaitan
dengan proses pemisahan x secara aljabar.
Contoh:
Diketahui persamaan f(x) = x
2
- 3x + 1 = 0. Dengan menggunakan rumus ABC dapat
diketahui bahwa nilai x
1,2
= 1.5 1.25 sehingga x
1
= 2.618034 dan x
2
= 0.381966.
Dengan mengetahui nilai eksak dari akar-akar persamaan f(x) kita dapat menghitung
kesalahan iterasinya.
Penyelesaian dengan metode satu titik sederhana; f(x) diubah menjadi:
x = g(x) = (x
2
+ 1) sehingga x
n+1
= (x
n
2
+ 1)
Jika kita memilih x
0
= 1, kita akan mendapat urutan perhitungan:
iterasi x
n
x
0 x
0
1.000
1 x
1
0.667
2 x
2
0.481
3 x
3
0.411
4 x
4
0.390
Hasil ini menunjukkan bahwa iterasi akan menuju ke nilai x yang kecil. Jika kita
memilih x
0
= 2 maka kita akan mendapatkan kondisi yang sama. Tetapi jika kita
memilih x
0
= 3 maka hasilnya adalah:
iterasi x
n
x
0 x
0
3.000
1 x
1
3.333
2 x
2
4.037
3 x
3
5.766
4 x
4
11.415
Nilai x akan semakin membesar dengan bertambahnya iterasi (divergen). Untuk
mendapatkan hasil yang konvergen, maka persamaan x = g(x) harus dimodifikasi.
x = g
2
(x) = 3 (1/x) sehingga x
n+1
= 3 (1/x
n
).
dan jika kita memilih x
0
= 1 maka kita akan mendapatkan urutan nilai x
n
sebagai
berikut:
iterasi xn x
0 x0 1.000
1 x1 2.000
2 x2 2.500
3 x3 2.600
4 x4 2.615
Dimana hasil ini menunjukkan kecenderungan untuk menuju niklai x tang besar. Jika
kita mengubah nilai awal (x
0
) maka hasil yang didapatkan adalah :
iterasi x
n
x
0 x
0
3.000
1 x
1
2.667
2 x
2
2.625
3 x
3
2.619
4 x
4
2.618
Hasil ini lebih mempunyai kesalahan iterasi yang lebih kecil dibandingkan dengan
asumsi x
0
sebelumnya.
Grafik di bawah menunjukkan proses iterasi yang telah dibahas di atas.

Gambar 3.6 Proses iterasi metode satu titik sederhana

3.5 Metode Newton Raphson
Metode Newton Raphson adalah metode iterasi untuk menyelesaikan persamaan f(x)
= 0, dimana fungsi f diasumsikan mempunyai turunan f yang kontinu. Metode ini
sering kali digunakan karena kesederhanaan dan kecepatannya. Ide dasar metode ini
adalah pendekatan grafik f(x) dengan garis singgung yang bersesuaian. Dengan
menentukan harga awal x
0
yagn diperoleh dari grafik, kita akan dapatkan titik x
1
yang
merupakan titik potong antara sumbu x dengan garis singgung kurva di titik (x
0
, f(x
0
))
sehinga :
1 0
0
0
) (
) ( ' tan
x x
x f
x f

= = | sehingga
) ( '
) (
0
0
0 1
x f
x f
x x =
Pada iterasi kedua,
) ( '
) (
1
1
1 2
x f
x f
x x =
langkah seterusnya ditentukan dengan rumus yang sama yaitu:

Formula metode newton Raphson ini juga dapat dihasilkan jika kita menyelesaikan
deret Taylor dengan metode aljabar:

Gambar 3.7 Ilustrasi metode Newton Raphson
Contoh:
Gunakan iterasi newton Raphson untuk menghitung akar kuadrat dari bilangan positif
c, dan tentukan x jika c=2.
Jawab: Diketahui x = c, sehingga f(x) = x
2
c = 0. f(x) = 2x. Substitusi ke
persamaan Noewton Raphson diperoleh:

)
Untuk c = 2, dipilih x
0
= 1, kita akan dapatkan
x
1
= 1.5000; x
2
= 1.416667; x
3
= 1.414216; x
4
= 1.414214
3.6 Metode Secant
Metode ini merupakan pengembangan dari metode Newton. Untuk kasus dimana
fungsi turunan f mempunyai fungsi yang lebih rumit dibandingkan denga fungsi
aslinya. Kondisi ini menghasilkan ide untuk menggunakan nilai selisih fungsi
daripada fungsi turunan. Ekspresi fungsi turunan dalam metode secant dinyatakan
sebagai berikut:

Gambar 3.8 Ilustrasi metode Secant
Untuk memulai proses iterasi diperlukan dua titik awal, x
0
dan x
1
. Perhitungan x
n+1

untuk metode secant dinyatakan sebagai berikut:

Contoh:
Tentukan penyelesaian positif dari fungsi f(x) = x 2 sin x = 0 dengan metode secant.
Tebakan awal x
0
= 2 dan x
1
= 1.9.
Jawab:

Hasil perhitungan:
n x
n-1
x
n
N
n
D
n
x
n+1
- x
n
1 2.000 000 1.900 000 -0.000740 -0.174 005 -0.004 253
2 1.900 000 1.895 747 -.000 002 -0.006 986 -0.000 252
3 1.895 747 1.895 494 0 0

D. Rangkuman
Tebakan nilai awal iterasi dapat dilakukan dengan sembarang angka atau dengan
menggunakan metode grafik.
Penentuan nilai awal akan mempengaruhi kecepatan konvergensi perhitungan
Pemilihan metode yang akan digunakan tergangtung pada kekomplekan
persamaan non linier.
Metode biseksi, regula falsi, dan secant memerlukan dua buah titik untuk tebakan
awal.
E. Tugas
1) Tentukan titik potong antara y=x.e-x dan y=x2 dengan menggunakan metode secant
dan newton raphson. Bandingkan jumlah iterasi dan kesalahannya.
2) Hitung akar-akar persamaan berikut dengan menggunakan metode fixed-point,
Newton Raphson dan Secant. (hitung sampai (xi+1 xi ) < 0.00001)
a. f(x)= 0.5x
2
+5x -2
b. f(x)= -0.5x
2
+ 6.75x -17.5
c. f(x)= 0.214x
3
- 4.082x
2
+ 18.45x - 12.09
3) Hitung akar-akar persamaan berikut dengan menggunakan metode fixed-point,
Newton Raphson dan Secant. (hitung sampai (xi+1 xi ) < 0.00001)
a. f(x)= 3x
2
+3x -1
b. f(x)= 0.031x
3
- 0.649x
2
- 0.197x + 18.22
4) Okto menendang bola dengan lintasan f(x) = -1.2x2 +21.6x -48. Jika tinggi mistar
gawang 2.25, hitung jarak Okto dari gawang agar bola tepat mengenai mistar gawang
(gunakan metode Newton Rapshon)..
5) Dalam lomba memanah sebuah koin dilempar dengan lintasan yang mempunyai
persamaan f(x) = -1.3x2 +20x. Agung Sedayu melontarkan panahnya dengan lintasan
g(x) = -0.5x2 +30x. Hitung jarak horisontal anatar titik awal panah dengan posisi
panah mengenai koin. (gunakan metode Newton Rapshon).

F. Sumber Belajar
Kreyszig, E., Advanced Engineering Mathematics, John Wiley & Son, Inc, New
Jersey 2006.
Hoffman, J.D., Numerikal Methods for Engineers and Scientists, Marcel Dekker, Inc.
New York, 1992.
---, Metode Numerik, Acuan Kuliah, Politeknik, ITS

BAB IV
4INTERPOLASI

A. Kompetensi Dasar
1) Pemahaman tentang konsep interpolasi
2) Konsep dasar interpolasi langsung linier dan kuadratik
3) Konsep dasar interpolasi polinomial
4) Konsep dasar interpolasi Lagrange
5) Pemahaman tentang interpolasi Lagrange Linier, Kuadratik, dan Polinomial
Lagrange.
6) Pemahaman tentang interpolasi selisih pembagian Newton dengan interval
sembarang dan seragam
7) Pemahaman tentang interpolasi spline
8) Pemahaman tentang regresi linier, eksponensial dan polinomial
B. Pendahuluan
Metode interpolasi dikembangkan untuk menentukan nilai suatu fungsi di antara dua
atau lebih data yang telah diketahui nilainya. Pendekatan ini dilakukan dengan
menggunakan suatu persamaan yang mudah untuk dimanipulasi.
Ada beberapa jenis persamaan yang biasa digunakan untuk melakukan interpolasi.
Pada kenyataannya, setiap fungsi analitik dapat dipakai sebagai fungsi pendekatan.
Tiga fungsi yang paling sering dipakai adalah:
1. Fungsi Polinomial
2. Fungsi Trigonometri
3. Fungsi Exponensial
Fungsi-fungsi untuk pendekatan harus mempunyai sifat-sifat sebagai berikut:
1. Fungsi pendekatan harus mudah untuk didefinisikan
2. Mudah untuk dievaluasi
3. Mudah untuk diturunkan (diferensiasi)
4. Mudah untuk diintegralkan
C. Pembahasan Materi Ajar
Interpolasi berarti menentukan nilai dari suatu fungsi f(x) dari nilai x yang berbeda
dari nilai x yang diketahui x
0
, x
1
, ... , x
n
dimana harga f(x) telah diberikan. Nilai-nilai
ini berasal dari tabel data yang terdiri dari pasangan nila [x, f(x)]. Fungsi f(x) adalah
fungsi terbatas/diskrit dari harga x. Nilai fungsi dari titik yang diketahui dapat dengan
mudah dilihat dari tabel data. Permasalahan akan muncul jika nilai fungsi yang
diinginkan tidak tertulis dalam tabel, yaitu nilai x yang berada di antara dua nilai x
yang diketahui.
Fungsi asli dari suatu tabel data tidak diketahui dari angka-angka pada tabel.
Meskipun begitu fungsi asli ini dapat diperkirakan dengan dengan menggunakan
suatu fungsi yang telah diketahui. Fungsi pendekatan ini akan dapat digunakan untuk
menentukan nilai fungsi dari sembarang x yan diinginkan.
Pada permasalahan-permasalahan teknik dan sains, data-data yang dihasilkan sering
kali berupa titik-titik diskrit dan bukan merupakan fungsi kontinu y = f(x). tetapi
hanya diketahui pada titik-titik: y
i
= y(x
i
) dimana i = 1, 2, 3, ..., n.

Gambar 4.1 Ilustrasi tabel data
Fungsi polinomial mampu memenuhi semua kriteria fungsi untuk pendekatan, yaitu :
mudah untuk didefinisikan, dievaluasi, diturunkan (diferensiasi), dan mudah untuk
diintegralkan. Di samping itu, polinomial merupakan fungsi kontinu dengan berbagai
jenis akurasi yang dapat diatur sesuai dengan kebutuhan. Yaitu, untuk sebuah fungsi
sembarang f(x) pada interval J: a x b dan suatu batas kesalahan > 0, akan ada
sebuah polinomial p
n
(x) yng memenuhi:
|

| untuk semua x di J
Ada dua cara untuk melakukan pendekatan polinomial untuk suatu himpunan data,
yaitu:
1. Tepat melalui titik (data)
2. Fungsi pendekatan (regresi)
Pada cara yang pertama, polinomial akan melalui semua titik yang diketahui.
Sedangkan pada fungsi pendekatan, polinomial tidak melalui semua titik yang
diketahui. Biasanya fungsi pendekatan ini mempunyai derajat yang lebih rendah serta
akan lebih mudah diaplikasikan untuk data yang sangat banyak.

Gambar 4.2 Pendekatan polinomial (a) tepat melalui titik (b) fungsi pendekatan
4.1 Interpolasi Langsung
Interpolasi langsung ini padat dilakukan untuk data yang berjumlah dua atau tiga.
Interpolasi linier bisa digunakan untuk memperkirakan nilai fungsi diantara dua titik.
Sedangkan untuk tida buah data dilakukan interpolasi kuadratik. Interpolasi ini
dilakukan dengan menggunakan pendekatan grafik.
Gambar 4.3 (a) menunjukkan interpolasi linier dari dua buah titik. Persamaan garis
lurus yang melalui P
1
dan P
2
dapat dituliskan

Sehingga diperoleh persamaan dari interpolasi linier:

Gambar 4.3 (a) interpolasi linier (b) interpolasi kuadratik
Untuk memperoleh titik Q(x,y) pada gambar 4.3 (b) digunakan interpolasi kuadratik
sebagai berikut:

Contoh:
Diketahui tabel x dan y :
x 1 2 3
y 1 3 7
Ditanya nilai y untuk x=1.5
Dengan pendekatan interpolasi linier akan diperoleh persamaan :




Jadi untuk x=1.5 akan diperoleh nilai y = 2
Dengan pendekatan interpolasi kuadratik akan diperoleh persamaan:

Jadi untuk x=1.5 akan diperoleh nilai y = 0.375 + 2.25 - 0.875 = 1.75

4.2 Interpolasi Polinomial
Interpolasi polinomial digunakan untuk mencari titik-titik antara dari n buah titik
P
1
(x
1
,y
1
), P
2
(x
2
,y
2
), P
3
(x
3
,y
3
), , P
n
(x
n
,y
n
) dengan menggunakan pendekatan fungsi
polinomial pangkat n-1:
P
n
= y = a
0
+ a
1
x + a
2
x
2
+ a
3
x
3
+ ... + a
n-1
x
n-1

Masukkan nilai dari setiap titik ke dalam persamaan polinomial di atas dan diperoleh
persamaan simultan dengan n persamaan dan n variabel bebas:

P
n,1
= y
1
= a
0
+ a
1
x
1
+ a
2
x
1
2
+ a
3
x
1
3
+ ... + a
n-1
x
1
n-1

P
n,2
= y
2
= a
0
+ a
1
x
2
+ a
2
x
2
2
+ a
3
x
2
3
+ ... + a
n-1
x
2
n-1

P
n,3
= y
3
= a
0
+ a
1
x
2
+ a
2
x
3
2
+ a
3
x
3
3
+ ... + a
n-1
x
3
n-1

..................................................................................
P
n,1
= y
n
= a
0
+ a
1
x
n
+ a
2
x
n
2
+ a
3
x
n
3
+ ... + a
n-1
x
n
n-1

Penyelesaian persamaan di atas adalah nilai-nilai a
0
, a
1
, a
2
, a
3
, ... ,a
n-1
yang merupakan
nilai-nilai koefisien dari fungsi pendekatan polinomial yang akan digunakan.
Dengan memasukkan nilai x dari titik yang dicari pada fungsi polinomialnya, akan
diperoleh nilai y dari titik tersebut.
Pendekatan p;olinomial ini mempunyai kelemahan. Pendekatan ini memerlukan usaha
yang banyak untuk menyelesaikan satu sistem persamaan linier secara simultan.
Untuk polinomial dengan derajat yang tinggi (lebih dari 4) sistem persamaan yang
diperoleh mungkin tidak sempurna sehingga akan menyebabkan kesalahan pada nilai
koefisien yang dihasilkan.
4.3 Interpolasi Lagrange
Interpolasi Lagrange didefinikan sebagai penyederhanaan dari pendekatan polinomial.
Pendekatan ini dilakukan untuk berbagai derajat polinomial. Pada pendekatan linier
dan kuadratik, persamaan yang dihasilkan akan serupa dengan hasil dari interpolasi
langsung (sub bab 4.1).
4.3.1 Interpolasi Lagrange Linier

Gambar 4.4 Interpolasi lagrange linier
Ditentukan sebuat garis lurus dengan persamaan P
1
(x) yang melalui dua titik [x
0
,
f(x
0
)] dan [x
1
, f(x
1
)]. Polinomial Lagrange Linier yang melalui dua titik, didefinisikan
sebagai : P
1
(x) = L
0
(x)f(x
0
) + L
1
(x)f(x
1
) dimana L
0
(x) adalah persamaan linier yang
mempunyai nilai = 1 di x
0
dan 0 di x
1
; dan L
1
(x) bernilai = 0 di x
0
dan 1 di x
1
.

dan

Sehingga diperoleh Persamaan Lagrange Linier :

Jika nulai x = x
0
dan x = x
1
disubstitusikan ke persamaan di atas, diperoleh :

4.3.2 Interpolasi Lagrange Kuadratik
Polinomial Lagrange Kuadratik P
2
(x) dibentuk dari tiga buah titik dan didefinisikan
sebagai : P
2
(x) = L
0
(x)f(x
0
) + L
1
(x)f(x
1
) + L
2
(x)f(x
2
) dimana :

Sehingga diperoleh Persamaan Lagrange Kuadratik :

4.3.3 Polinomial Lagrange
Plinomial Lagrange bisa diaplikasikan pada himpunan n + 1 buah titik yang akan
menghasilkan polinomial dengan orde-n. Polinomial Lagrange orde-n dinyatakan
sebagai berikut:

Contoh:
Diketahui:
y = f(x) =1/x
x 3.35 3.40 3.50 3,60
f(x) 0.298507 0.294118 0.185714 0.277778
Ditanya nilai y untuk x = 3.44, menggunakan interpolasi Lagrange linier, kuadratik
dan kubik. Nilai eksak dari y = 1/3.44 = 0.290698.
Interpolasi linier dilakukan dengan menggunakan dua titik terdekat yaitu: x = 3.40
dan x = 3.50, sehingga:

Interpolasi kuadratik dilakukan dengan menggunakan tiga titik terdekat yaitu: x =
3.35, 3.40, dan x = 3.50, sehingga:

Interpolasi kubik dilakukan dengan menggunakan keempat buah titik yaitu: x = 3.35,
3.40, 3.50 dan x = 3.60, sehingga:

Kesalahan hasil perhitungan dituliskan di bawah ini:
P
1
(3.44) = 0.290756 kesalahan interpolasi linier = 0.000058
P
1
(3.44) = 0.290697 kesalahan interpolasi kuadratik = -0.000001
P
1
(3.44) = 0.290698 kesalahan interpolasi kubik =0.000000
4.4 Interpolasi Selisih Pembagian Newton
Formulasi Newton mempunyai operasi aritmatik yang lebih sedikit dibandingkan
dengan formulasi Lagrange. Metode Newton ini memiliki memudahan jika kita ingin
meningkatkan orde persamaan polinomial untuk menambah tingkat ketelitian hasil
interpolasi. Orde polinomial dangan metode Newton dapat ditingkatkan hanya dengan
menambah suku lanjutannya. Hal ini berbeda dengan metode Lagrange dimana semua
perhitungan harus dilakukan dari awal.
Selisih pembagian didefinisikan sebagai ratio dari perbedaan nilai fungsi dari dua titik
dibagi dengan perbedaan antara nilai variabel bebas yang bersesuaian. Selisih
pembagian tingkat pertama didefinisikan sebagai berikut:
[

Polinomial selisih pembagian Newton orde pertama didefinisikan sebagai:

]
Selisih pembagian tingkat kedua didefinisikan sebagai berikut:
[

]
[

] [

Polinomial selisih pembagian Newton orde kedua didefinisikan sebagai:

]
Dengan cara yang sama dapat didefinisikan formulasi selisih pembagian di setiap
tingkat.
[

]
[

] [

Polinomial selisih pembagian Newton orde ke-n didefinisikan sebagai:

]
Persamaan polinomial di atas diturunkan berdasarkan selisih pembagian arah ke
depan atau inperpolasi selisih pembagian Newton-maju.
Data yang akan digunakan untuk mendefinisikan polinomial selisih perbedaan
Newton di atas tidak harus menggunakan uruta tertentu. Akan tetapi, seperti metode
interpolasi yang lain, akurasi perhitungan akan dapat ditingkatkan dengan merapatkan
data di sekitar harga yang diinginkan.
Berikut ini adalah tabel selisih pembagian:
x
i
f
i
f[x
i
,x
i+1
] f[x
i
,x
i+1
,x
i+2
] f[x
i
,x
i+1
,x
i+2
,x
i+3
]
x
1
f
1

f[x
1
,x
2
]
x
2
f
2
f[x
1
,x
2
,x
3
]
f[x
2
,x
3
] f[x
1
,x
2
,x
3
,x
4
]
x
3
f
3
f[x
2
,x
3
,x
4
]
f[x
3
,x
4
]
x
4
f
4


Contoh:
Diketahui tabel data x
i
dan f
i
sebagai berikut:
x
i
f
i
f[x
i
,x
i+1
] f[x
i
,x
i+1
,x
i+2
] f[x
i
,x
i+1
,x
i+2
,x
i+3
]
8.0 2.079442
0.117783
9.0 2.197225 -0.006433
0.108134 0.000411
9.5 2.251292 -0.005200
0.097735
11.0 2.397895
Nilai selisih pada tabel dihitung dengan contoh sebagai berikut 9angka yang
dimiringkan):
(2.397895 - 2.251292)/(11.0 - 9.5) = 0.097735
(0.097735 0.108134)/(11.0 - 9.0) = -0.005200
Persamaan polinomial orde ke tiga diperoleh dengan menggunakan angka-angka
yang ditebalkan, Polinomial ini dituliskan sebagai berikut:
f(x) P
3
(x) = 2.079442 + 0.117783(x-8.0) 0.006433(x-8.0)(x-9.0)
+ 0.000411(x-8.0)(x-9.0)(x-9.5)
Pada x=9.2
f(9.2) 2.079442 + 0.117783(9.2-8.0) 0.006433(9.2-8.0)(9.2-9.0)
+ 0.000411(9.2-8.0)(9.2-9.0)(9.2-9.5)
f(9.2) 2.079442 + 0.141340 0.001544 0.000030 = 2.219208
Jika perhitungan dilaukan untuk polinomial orde 1 dan orde 2 akan diperoleh :
P
1
(9.2) = 2.220782 dan P
2
(9.2) = 2.219238
Nilai eksak dari f(9.2) = ln 9.2 = 2.219203, jadi dengan bertambahanya orde
polinomial, maka akurasi perhitungan juga akan meningkat.
4.4.1 Interpolasi Selisih Pembagian Newton dengan Interval Seragam
Formulasi Newton berlaku untuk sembarang interval data seperti yang terjadi pada
kegiatan eksperimen atau pengamatan. Meskipun begitu dalam penggunaannya, data
x
i
biasanya mempunyai interval yang sama, misalnya hasil pengukuran yang
dilakukan pada interval waku tertentu. Interval ini dinyatakan dengan h, sehingga
nilai x
i
dapat dituliskan sebagai berikut:
x
0
, x
1
= x
0
+ h, x
2
= x
0
+ 2h, x
3
= x
0
+ 3h, ... , x
n
= x
0
+ nh
Selanjutnya didefinisikan selisih maju tingkat pertama dari nilai fungsi sebagai
berikut:

Selisih maju kedua:

Sehingga selisih maju ke-n:

(dimana n = 1,2,3,. . . )
Dengan penulisan selisih nilai fungsi di atas maka penulisan selisih pembagian tingkat
pertama menjadi:
[

Atau
[

Selisih pembagian tingkat kedua didefinisikan sebagai berikut:
[

]
[

] [

Dengan cara yang sama dapat didefinisikan formulasi selisih pembagian di setiap
tingkat.
[

]
[

] [

Polinomial selisih pembagian Newton orde ke-n yang semula didefinisikan sebagai:

]
Akan berubah menjadi:

Dimana s =
h
x x
0

; h= interval x; dan x = x
0
+ sh
Contoh:
Diketahui f(x) = cosh(x), ditanya f(0.56)
i x
i
f
i
f
i

2
f
i

3
f
i

1 0.5 1.127626
0.057839
2 0.6 1.185465 0.011865
0.069704 0.000697
3 0.7 1.255169 0.012562
0.082266
4 0.8 1.337435
s = (0.56-0.50)/0/1 = 0.6
Dengan menggunakan polinomial selisih maju akan diperoleh:
Cosh 0.56 1.127626 + 0.6*0.057839 + [(0.6)(0.6-1)/2]* 0.011865 +
[(0.6)(0.6-1)(0.6-2)/6]* 0.000697
= 1.127626 + 0.034703 0.001424 + 0.000039
=1.160944











4.4.2 Interpolasi Selisih Pembagian Newton - Mundur





Contoh:




4.5 Interpolasi Spline
Interpolasi polinomial yang dibahas pada sub bab sebelumnya mempunyai satu
kelemahan yang signifikan. Kelemahan ini akan terlihat jika kita mempergunakan
polinomial orde tinggi. Polinomial ini akan mampu untuk melalui semua titik akan
tetapi kurva polinomial ini akan berosilasi sangat besar di antara dua titik. Gambar 4.5
menunjukkan contoh dari kelemahan ini. Pada beberapa kasus, polinomial dengan
orde kecil akan lebih mendekati fungsi asli himpunan data.

Gambar 4.5 Perbedaan penggunan orde polinomial pada interpolasi
Untuk mendekati fungsi awal, dikembangkan metode penggunaan polinomial orde
rendah secara simuntan untuk tiap pasangan data titik. Himpunan polinomial orde
rendah ini harus berkorespondensi secara konsisten satu sama lain. Jenis polinomial
ini disebut fungsi spline.
Spline dapat terdiri dari berbagai orde polinomial. Spline linier adalah berupa segmen
garis lurus yang menghubungkan setiap titik dari himpunan data. Spline linier saling
bebas di setiap segmennya. Spline linier merupakan polinomial pendekatan orde
pertama. Spline ini mempunyai kemiringan dan kelengkungan yang tak kontinu di
setiap segmennya. Spline kuadratik merupakan polinomial pendekatan orde kedua.
Kemiringan spline kuadratik ini dapat dibuat kontinu di setiap titik data, tetapi
kelengkungan di titik data masih tak kontinu. Sline kubik berupa polinomial orde
ketiga yang menghubungkan tiap titik data. Kemiringan dan kelengkungan spline
kubik dapat dibuat kontinu di setiap titik data. Pada kenyataannya kondisi ini
diperlukan untuk menentukan polinomial spline kubik. Spline dengan polinomial orde
yang lebih tinggi dapat pula dilekukan, akan tetapi splin ekubik telah terbukti dapat
memberikan hasil yang optimal di antara akurasi dan kerumitannya.

Jika diketahui n+1 buah titik data (x
i
; i = 1,2,3,..., n+1), maka akan terdapat n buah
interval dan n-1 buah titik data dalam (x
i
; i = 2,3,..., n), Spline kubik akan melalui
setiap interval. Dimana untuk tiap interval akan diperoleh satu persamaan polinomial
orde 3 yang dinyatakan:
f
i
(x) = a
i
+ b
i
x + c
i
x
2
+ d
i
x
3
(i = 1,2,3,...,n)
Karena tiap spline kubik mempunyai empat buah koefisien dan ada n buah spline
kubik, maka ada 4n buah koefisien yang harus ditentukan. Karena itu diperlukan 4n
buah kondisi batas. Pada pendekatan langsung, kondisi batas yang dapat digunakan
adalah:
1) Nilai fungsi f(x
i
) = f
i
(i=1,2,3,...,n) harus dipenuhi oleh kedua spline kubik di
kedua sisi semua n-1 buah titik data dalam (i=2,3,...,n). Kondisi batas ini
berjumlah 2(n-1)
2) Turunan pertama pada kedua sisi titik data dalam x
i
(i=2,3,...,n) harus sama.
Hal ini untuk menjaga agar kemiringan kurva pada titik data dalam tetap
kontinu. Kondisi batas ini berjumlah (n-1)
3) Turunan kedua pada kedua sisi titik data dalam x
i
(i=2,3,...,n) harus sama. Hal
ini untuk menjaga agar kelengkungan kurva pada titik data dalam tetap
kontinu. Kondisi batas ini berjumlah (n-1)
4) Spline kubik pertama dan terakhir harus melalui titik data pertama dan
terakhir, yang dinyatakan sebagai : f
1
(x
1
) = f
1
dan f
n
(x
n+1
) = f
n+1
. Kondisi
batas ini berjumlah 2 buah.
5) Kelengkungan (f(x)) di titik data pertama dan terakhir harus ditentukan, yang
dinyatakan sebagai : f
1
(x
1
) = f
1
dan f
n
(x
n+1
) = f
n+1
. Kondisi batas ini
berjumlah 2 buah.
Ada beberapa pendekatan untuk menentukan nilai turunan kedua di titik data
pertama dan terakhir.
a) Menentukan nilai f
1
= 0 dan f
n+1
= 0, kondisi ini desibut spline
natural/alami. pendekatan ini paling banyak digunakan dalam menentukan
spline kubik
b) Menentukan nilai : f
1
= f
2
dan f
n+1
) = f
n
.
c) Mengekstrapolasi nilai : f
1
dan f
n+1
dari nilai : f
i
titik data dalam.
Ketika semua kondisi batas di atas digabungkan, akan diperoleh 4n buah persamaan
aljabar yang harus diselesaikan untuk menentukan 4n buah koefisien spline (a
i
, b
i
, c
i
,
dan d
i
(i=1,2,3,..., n).
Pemodelan persamaan untuk mentyelesaikan spline kubik dikembangkan dari
polinomial Lagrange orde ke satu. Kondisi ini dipilih karena turunan kedua di antara
dua interval data, f
i
(x
i
), adalah fungsi linier dari x. Turunan kedua ini dinyatakan
sebagai:

Dengan mengintegrasikan persamaan di atas akan diperoleh:

Dengan mengintegrasikan dua kali akan diperoleh:

Dengan memasukkan nilai x
i
dan x
i+1
akan diperoleh nilai C dan D.
Sehingga fungsi f
i
(x) dinyatakan sebagai :

Persamaan di atas adalah persamaan spline kubik yang diinginkan untuk interval i
yang dinyatakan dalam turunan kedua yang tidak diketahui f
i
dan f
i+1
. Fungsi
turunan kedua pada titik-titik dalam dapat dipentukan dengan relasi f
i-1
(x
i
) = f
i
(x
i
).
Dengan mensubstitusikan fungsi pada interval i-1 dan i akan diperoleh persamaan:

Gabungan persamaan ini untuk semua titik dalam di tambah dengan kondisi batas 4
dan 5 yang telah disebutkan di bagian sebelumnya akan membentuk satu set
persamaan aljabar linier. Penyelesaian sistem persamaan aljabar linier ini dapat
dilakukan secara substitusi jika data titik berjumlah 4 buah. Untuk jumlah data yang
lebih banyak, penerapan metode eliminasi matrik perlu digunakan.
Contoh:
Sebagai contoh spline kubik berikut ini tersedia tabel data yang berasal dari fungsi
f(x) = e
x
x
3
.
i x f(x) f(x)
1 -0.50 0.731531 0.0
2 0.00 1.00000
3 0.25 1.268400
4 1.00 1.718282 0.0
Dari tabel terlihat : ada n= 4 titik, n-1 = 3 interval, dan n-1 = 3 buah spline kubik,
serta n - 2 = 2 buah titik dalam yang mempunyai nilai f
i
yang harus dihitung.
Dengan mengasumsikan kondisi batasspline natural pada kedua ujung spline kubik,
maka f
1
= f
4
= 0.0. Untuk interval ke2 dan ke-3 digunakan rumus berikut:

Dengan substitusi nilai dalam tabel akan diperoleh :

Dua persamaan di atas akan menjadi

Dengan menggunakan metode aljabar linier diperoleh:
f
2
= 2.43424 dan f
3
= -1.725552
Selanjutnya nilai turunan kedua di atas disubstitusikan ke persamaan spline. Untuk
interval 1 persamaan spline adalah sebagai berikut:

Dengan cara yang sama dapat diperoleh persamaan untuk interval ke-2 dan ke-3.
Dengan memasukkan nilai-nilai tiap variabel akan diperoleh:

[ ]

]
*

+ [ ]

+
*

+
*

4.6 Interpolasi Regresi
Regresi adalah sebuah teknik untuk memperoleh persamaan kurva pendekatan dari
titik-titik data
4.6.1 Regresi Linier
Regresi linier digunakan menentukan fungsi linier (garis lurus) yang paling sesuai
dengan kumpulan titik data (xn,yn) yang diketahui.

Dalam regresi linier ini yang dicari adalah nilai m dan c dari fungsi linier y=mx+c,
dimana:
|
|
.
|

\
|

|
|
.
|

\
|
|
|
.
|

\
|

=


= =
= = =
N
n
n
N
n
N
n
n
N
n
n
N
n
n n
x x N
y x y x N
m
1 1
2
1 1 1


x m y
N
x
m
N
y
c
N
n
n
N
n
n
= =

= = 1 1

4.6.2 Regresi Eksponensial
Regresi eksponensial digunakan menentukan fungsi eksponensial yang paling sesuai
dengan kumpulan titik data (x
n
,y
n
) yang diketahui. Regresi eksponensial ini
merupakan pengembangan dari regresi linier dengan memanfaatkan fungsi logaritma.
Perhatikan :
y = e
ax+b

dengan melogaritmakan persamaan di atas akan diperoleh:
ln y = ln(e
ax+b
)
ln y = ax + b
atau dapat dituliskan bahwa:
z = ax + b dimana z = ln y
Dengan demikian dapat digunakan regresi linier dalam menentukan fungsi
eksponensial yang paling sesuai dengan data.
4.6.3 Regresi Polinomial
Regresi polinomial digunakan menentukan fungsi polynomial yang paling sesuai
dengan kumpulan titik data (xn,yn) yang diketahui.
Fungsi pendekatan :
y = a
0
+ a
1
x + a
2
x
2
+ ... + a
n
x
n
Regresi polinomial tingkat n dikembangkan dari model matrik normal sebagai
berikut:

= = =
=

= =

=
+
= =

= =
+
=
+
=
n
i
i
n
i
i
n
i
n
i
i
n
i
n
i
i
n
i
n
n
n
n
i
n
i
n
i
i
n
i
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
n
i
y
y x
y x
y x
a
a
a
a
x x x n
x x x x
x x x x
x x x x
1
1
2
1
1
1
0
2
1
1 1
2
1
1
2 2
1 1
1
1
2
1
1 2
1
1
1 1
1
1
2
1
2
1
1
1

D. Rangkuman
Metode Interpolasi bisa dipergunakan untuk menebak nilai fungsi yang tidak
tersedia di dalam tabel.
Metode interpolasi menjadi tidak efektif jika data yang tersedia terlalu banyak
dan polinomial orde tinggi menjadi sangat berfluktuasi.
Metode Lagrange dan Selisih Pembagian newton bisa digunakan untuk data
dengan interval yang tidak seragam
Metode selisih pembagian maju akan memberikan proses yang sederhana jika
interval data yang diberikan seragam


E. Tugas
1) Jumlah produksi bulan Januari ditunjukan pada tabel berikut:
Tahun 2000 2001 2003 2004 2005 2006 2007 2008 2009 2010
Jumlah 225 195 211 230 246 231 186 212 231 234
a. Dengan interpolasi lagrange orde 1 tentukan jumlah produksi pada bulan
Juni 2000
b. Dengan interpolasi lagrange orde 2 tentukan jumlah produksi pada bulan
Agustus 2003
c. Dengan interpolasi lagrange orde 3 tentukan jumlah produksi pada bulan
Mei 2006
d. Dengan interpolasi Newton (divided difference) tentukan jumlah produksi
untuk bulan November 2000. (sampai orde 3)
e. Dengan interpolasi Newton forward difference tentukan jumlah produksi
bulan April 2006 (sampai orde 4).
f. Dengan interpolasi Newton forward difference tentukan jumlah produksi
bulan Juli 2007 (sampai orde 3).
F. Sumber Belajar
Kreyszig, E., Advanced Engineering Mathematics, John Wiley & Son, Inc, New
Jersey 2006.
Hoffman, J.D., Numerikal Methods for Engineers and Scientists, Marcel Dekker, Inc.
New York, 1992.
Surbakti, I., Metode Numerik, Diktat Kuliah, ITS


BAB V
5PERSAMAAN INTEGRAL

A. Kompetensi Dasar
1. Pemahaman perhitungan integral terbatas.
2. Pemahaman metode-metode diskrit untuk menghitung integral suatu
himpunan data
3. Pemahaman perbedaan hasil dari berbagai metode perhitungan integral
B. Pendahuluan
Integrasi suatu fungsi yang dinotasikan:

merupakan integral suatu fungsi f terhadap variabel x yang dihitung antara batas x = a
sampai x = b. Dari persamaan di atas, yang dimaksud dengan integrasi adalah nilai
total atau luasan yang dibatasi oleh fungsi f dan sumbu x, serta antara batas x = a dan
x = b.

Integral analitik suatu fungsi telah dipelajari pada kalkulus. Untuk selanjutnya yang
akan dibahas di sini integrasi numerik yang merupakan metode pendekatan dari
integrasi analitik. Integrasi numerik akan dilakukan apabila: integral tidak dapat
(sukar) diselesaikan secara analitik, atau fungsi yang akan diintegralkan tidak
diberikan dalam bentuk analitik (tidak lengkap), tetapi dalam bentuk tabel.
Dalam penerapannya fungsi integral digunakan untuk mengetahui luas area di bawah
suatu kurva atau isi benda yang berasal dari kurva yang diputar. Isi bola dan silinder
dapat diturunkan dengan fungsi nintegral.
C. Pembahasan Materi Ajar
b

a

(b, f(b))

(a, f(a))

f(x)

I

5.1 Metode Integral Kalkulus
Metode-metode berikut ini dikembangkan dari mata pelajaran kalkulus. Mestikun
hasil akhirnya akan sama dengan metode pendekatan yang lain, seperti pendekatan
denga polinomial Lagrange. Metode ini terdiri dari metode integral Reimann, metode
integral Trapezoida, dan metode integral Simpson.
5.1.1 Metode integral Reimann
Metode integral Reimann ini merupakan metode integral yang digunakan dalam
kalkulus dan didefinisikan dengan:

=
A
A =
n
i
i
x
b
a
x x f dx x f
0
0
) ( lim ) (
Pada metode ini, luasan yang dibatasi oleh y=f(x0 dan sumbu x dibagi menjadi n
bagian pada range x = [a,b] yang akan dihitung. Kemudian dihitung tinggi dari setiap
persegi panjang yang sama dengan nilai fungsi f(x
i
). Luasan masing-masing persegi
panjang L
i
= f(x
i
)x
i
.

Gambar 5.1 Ilustrasi metode in tegral Reimann
Luas Keseluruhan adalah jumlah L
i
yang dituliskan sebagai berikut:
L = L
0
+ L
1
+ ... + L
n

= f(x
0
)x
0
+ f(x
1
)x
1
+ ... + f(x
n
)x
n
=

=
A -
n
i 0
i i
x ) f(x
Bila interval x (x) sama, x
0
= x
1
= x
2
= ... = x
n
= h, maka metode integral
reimann akan menjadi :

=
=
n
i
i
b
a
x f h dx x f
0
) ( ) (
Contoh:
Hitung luas yang dibatasi y=x
2
dan sumbu x untuk range x = [0,1];

=
1
0
2
dx x L
Dengan mengambil h=0.1 akan diperoleh tabel sebagai berikut:
x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
f(x) 0.0 0.01 0.04 0.09 0.16 0.25 0.36 0.49 0.64 0.81 1.0

=
=
10
0
) (
n
i
x f h L
=0.1 (0.0 + 0.01 + 0.04 + 0.09 + 0.16 + 0.25 + 0.36 + 0.49 + 0.64 + 0.8 + 1.0
=0.1*(3.85)=0.385
Secara kalkulus ... 3333 . 0
3
1
1
0
3
1
0
2
= = =

x dx x L
Kesalahan perhitungan= 0.385 0.3333.... = 0.052
Kesalahan perhitungan ini dapat dikurangi dengan memperkecil nilai h atau
memperbesar jumlah pembagi N.
5.1.2 Metode integrasi Trapezoida
Pada metode trapezoida ini setiap bagian segmen perhitungan dimisalkan sebagai
trapesium, seperti gambar berikut ini:


Gambar 5.2 Integrasi Trapezoida
Luas trapezium ke-i (L
i
) adalah:

atau

Luas keseluruhan dihitung dengan menjumlahkan luas dari semua bagian trapesium:

=
=
1
0
n
i
i
L L atau
n n i i
n
i
f f f f f
h
f f h L + + + + + = + =
+

=
1 2 1 0 1
1
0
2 2 2 (
2
) (
2
1

Contoh:
Hitung

1
0
2
2 dx x dengan step h=0.1
Dengan menggunakan tabel diperoleh:
x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
f(x) 0.0 0.002 0.016 0.054 0.128 0.25 0.432 0.686 1.024 1.458 2.0
Dengan menggunakan tabel dapat dihitung:
L=(0.1/2){0 + 2 (0.002 + 0.016 + 0.054 + 0.128 + ... + 1.024 + 1.458) + 2.0} = 0.505
Dengan menggunakan perhitungan kalkulus diperoleh:
1
0
4
1
0
2
2
1
2

= =

x dx x L = 0.5
Jadi dengan h=0.1 kelasahan perhitungan = 0.005
Contoh:
Hitung dx
x
e
x

+
2
1
) sin( 2
dengan step h=0.1
Dengan menggunaka n tabel diperoleh:
x 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
f(x) 0.129 0.115 0.103 0.092 0.083 0.074 0.067 0.061 0.056 0.051 0.047
Dengan menggunakan tabel dapat dihitung:
L = (0.1/2){0.129 + 2*(0.115+0.103+0.092+...+0.056+0.051) + 0.047} = 1.579
5.1.3 Metode Integrasi Simpson
Metode Simpson merupakan metode perhitungan luas daerah dibawah kurva dengan
menggunakan pembobot titik berat dari dua buah trapesium, atau metode rata-rata
dengan pembobot kuadrat. Metode Simpson disimulasikan pada gambar berikut:

Gambar 5.3 Ilustrasi metode Simpson
Dengan menggunakan metiode trapesium, luas bangun di atas adalah:

Pemakaian aturan Simpson dimana bobot f
i
sebagai titik tengah dikalikan dengan 2
untuk menghitung luas bangun di atas dapat dituliskan dengan:

Untuk menghitung integrasi denga metode Simpson perhatikan gambar berikut ini:

Gambar 5.4 Ilustrasi metode Simpson
Dengan menggunakan aturan Simpson, luas daerah yang dibatasi oleh fungsi y=f(x)
dengan sumbu x dapat dihitung sebagai berikut:

Atau dapat dituliskan dengan

/
Contoh:
Hitung

1
0
2
2 dx x dengan step h=0.1
Dengan menggunakan tabel diperoleh:
x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
f(x) 0.0 0.002 0.016 0.054 0.128 0.25 0.432 0.686 1.024 1.458 2.0
Dengan menggunakan aturan Simpson dapat dituliskan dengan:
L = (0.1/3){0 + 4*0.002 + 2*0.016 + 4*0.054 + 2*0.128 + ... + 2*1.024 + 4*1.458 +
2.0} = 0.5
Kesalahan yang terjadi sangat kecil.
Catatan:
- Metode ini akan mendapatkan hasil yang baik bila diambil n genap
- Metode ini sangat terkenal karena kesalahannya sangat kecil, sehingga
menjadi alternatif yang baik dalam perhitungan integral dan penerapannya.
5.2 Formula Newton-Cotes
Untuk data yang mempunyai interval seragam, pemodelan polinomial dengan metode
interpolasi Newton dapat dipergunakan. Metode ini akan banyak mengurangi proses
perhitungan. Formulasi ini disebut metode Newton-Cotes, yang dituliskan sebagai:

Dimana P
n
(x) adalah polinomial selisih pembagian Newton maju:

Dimana s =
h
x x
0

; h= interval x; dan x = x
0
+ sh
Dan kesalahan adalan:
(

Untuk bisa diintegrasi, maka persamaan polinomial P
n
(x) harus ditransformasi ke
dalam bentuk dengan variabel s. Dengan menggunakan hubungan dx = h ds, maka:

Batas integrasi pada awalnya adalah x = a dan x = b, untuk ditransformasikan ke
bentuk s maka dipilih x=a sebagai titik awal dari polinomial, sehingga x=a ekuivalen
dengan s = 0 dan x = b ekuivalen dengan s = s. Dengan memsubstitusikan ke
persamaan integrasi maka :

Orde polinomial yang dipilih akan menghasilkan foumulasi Newton-Cotes yang
berbeda. Formulasi yang diperoleh akan mempunyai kemiripan dengan metode
kalkulus seperti metode Reimann, Trapezoida, dan metode Simpson. Berikut ini tabel
dari formulasi Newton- Cotes.
n Formulasi
0 persegi panjang (metode reimann)
1 trapesium
2 Simpson 1/3
3 Simpson 3/8
5.2.1 Aturan Persegi Panjang
Aturan persegi panjang dihasilkan dengan mengintegrasi polinomial orde ke-0:
Dengan mengambil batas atas integrasi s=1 maka untuk satu segmen:

Maka:

5.2.2 Aturan Trapezioda
Integrasi untuk polinomial orde ke-1 akan berhubungan dengan aturan trapezoida
untuk menghitung interval antara dua buah titik. Untuk batas atas integrasi x
1
yang
ekivalen dengan s = 1, integrasi untuk setiap segmen adalah:

)|

Dimana: h = x, dan f
0
= (f
1
+ f
0
), sehingga:
(

) (

])

Gambar 5.5 Ilustrasi integrasi Aturan
Gabungan luasan dari tiap interval akan menjadi:

Dimana h
i
= (x
i+1
x
i
). Persamaan diatas tidak harus mempunyai interval x yang
sama. Untuk pembagian interval yang sama, persamaan di atas akan dapat menjadi:

Dimana : x
i
= x = h = konstanta
5.2.3 Aturan Simpson 1/3
Aturan simpson 1/3 dihasilkan dengan mengintegrasi polinomial selisih pembagian
Newton orde ke-2. Karena jumlah inverval yang akan dihitung adalah dua maka batas
atas integral alah x
2
yang ekivalen dengan s = 2. Integrasi pada dua interval ini adalah:
[

Dengan melakukan integrasi, melakukan evaluasi dan memasukkan formulasi f
0
dan
2
f
0
,
maka integrasi untuk satu segmen yang terdiri atas 2 interval adalah sebagai berikut:

Gambar 5.6 Ilustrasi integrasi metode Simpson 1/3
Nilai total integrasi simpson 1/3 untuk interval x yng seragam dapat dinyatakan
sebagai berikut:

Bentuk ini serupa dengan metode simpson yang dijelaskan di atas.
5.2.4 Aturan Simpson 3/8
Aturan simpson 3/8dihasilkan dengan mengintegrasi polinomial selisih pembagian
Newton orde ke-3. Karena jumlah inverval yang akan dihitung adalah dua maka batas
atas integral alah x
3
yang ekivalen dengan s = 3. Integrasi pada dua interval ini adalah:
*

Dengan melakukan integrasi, melakukan evaluasi dan memasukkan formulasi f
0
dan
2
f
0
,
maka integrasi untuk satu segmen yang terdiri atas 2 interval adalah sebagai berikut:

Gambar 5.7 Ilustrasi metode simpson 3/8
Nilai total integrasi simpson 1/3 untuk interval x yng seragam dapat dinyatakan
sebagai berikut:

D. Rangkuman
Integrasi metode numerik dapan didekati dengan metod kalkulus dan formula
Newton-Cotes.
Hasil yang diperoleh dari dua metode pendekatyan yang dilakukan akan
menghasilkan cara perhitungan yang sama yaitu, aturan persegi panjang,
aturan trapesium, aturan simpson 1/3 dan aturan Simpson 3/8.
Aturan Simpson memerlukan jumlah data yang genap agar kesalahan yang
terjadi menjadi kecil.

E. Tugas
1. Hitung luas area di bawah kurva yang mempunyai fungsi berikut dengan
menggunakan metode Trapesium, Simpson1/3 dan Simpson 3/8. Bandingkan
ketiga hasilnya dengan perhitungan analitik (jumlah interval lebih dari 6):
a. f(x)= -0.25x
2
+ -0.625x -28.5 (3 x 9)
b. f(x)= 0.004x
3
- 0.116x
2
+ 0.490x + 4.923 (-2 x 2)
2. Diketahui data tabel
x
i
4 4.2 4.4 4.6 4.8 5
f
i
9.15 6.5 3 4.2 7.5 10.3
Tentukan nilai integrasi untuk interval x=[4,5].

F. Sumber Belajar
Kreyszig, E., Advanced Engineering Mathematics, John Wiley & Son, Inc, New
Jersey 2006.
Hoffman, J.D., Numerikal Methods for Engineers and Scientists, Marcel Dekker, Inc.
New York, 1992.
Faires, J.D. and Burden, R.L., Numerikal Method, Broke Cole, Ohio, 2002
Capra, F., Metode Numerik,
Surbakti, I., Metode Numerik, Diktat Kuliah, ITS

BAB VI
6PERSAMAAN DIFERENSIAL

A. Kompetensi Dasar
- Mahasiswa memahami konsep diferensial dengan metode numerik
- Mahasiswa dapat menghitung nilai turunan dari titik yang diperoleh dari suatu
himpunan hasil eksperimen dan pengamatan.
- Mahasiswa memahami metode-metode diferensial yang dikembangkan dalam
metode numerik seperti metode selisih maju, selisih tengahan, metode
polinomial Lagrange, metode polinomial selisih pembagian newton.
B. Pendahuluan
Salah satu perhitungan kalkulus yang banyak digunakan adalah differensial, dimana
differensial ini banyak digunakan untuk keperluan perhitungan geometrik. Dan
perhitungan-perhitungan yang berhubungan dengan perubahan nilai per-satuan waktu
atau jarak.Secara kalkulus, differensial didefinisikan sebagai perbandingan perubahan
tinggi (selisih tinggi) dan perubahan jarak, dan dituliskan dengan :

Hampir semua fungsi kontinu dapat dihitung nilai differensialnya secara mudah,
sehingga dapat dikatakan metode numerik dianggap tidak perlu digunakan untuk
keperluan perhitungan differensial ini.Masalahnya seiring dengan perkembangannya
pemakaian komputer sebagai alat hitung dan pada banyak permasalahan differensial
adalah salah satu bagian dari penyelesaian, sebagai contoh metode newton raphson
memerlukan differensial sebagai pembagi nilai perbaikan errornya, sehingga metode
newton raphson ini hanya bisa dilakukan bila nilai differensialnya bisa dihitung.
Contoh lainnya adalah penentuan titik puncak kurva y = f(x) yang dinamakan titik
maksimal dan titik minimal, juga memerlukan titik differensial sebagai syarat apakah
titik tersebut sebagai titik puncak. Dimana didefinisikan bahwa suatu titik dinamakan
titik puncak bila differensial

.
Pada beberapa permasalahan, nilai differensial dapat dihitung secara manual.Misalkan
diketahui f(x) = xe
-x
+ cos x maka differensialnya adalah f(x) = (1-x) e
-x
sin x.Tetapi
pada permasalahan lain nilai fungsi sulit diselesaikan secara manual.Terutama jika
fungsinya hanya diketahui berupa nilai atau grafis. Prose menghitung differensial ini
tidak mudah, untuk itu metode numerik diperlukan.
C. Pembahasan Materi Ajar
6.1 Differensial Suatu Fungsi
Menghitung differensial dengan cara metode numerik mengambil hubungan antara
nilai fungsi dan perubahan fungsi untuk setiap titiknya, yang didefinisikan dengan:

dan f(x) didefinisikan sebagai:

Dari formulasi di atas dapat diturunkan beberapa metode differensiasi numerik, antara
lain metode selisih maju dan metode selisih tengahan.
6.1.1 Metode Selisih Maju
Metode selisih maju merupakan metode yang mengadopsi secara langsung definisi
differensial, dan dituliskan:

Pengambilan h diharapkan pada nilai yang kecil agar kesalahan yang terjadi cukup
kecil. Kesalahan yang terjadi pada metode ini adalah:

Contoh:
Hitung differensial f(x) = e
-x
sin (2x) + 1 dari range x = [0,0.5] dengan h = 0.05

Rata-rata kesalahan = 0.07374
6.1.2 Metode Selisih Tengahan
Metode selisih tengahan merupakan metode pengambilan perubahan dari dua titik
sekitar dari titik yang diukur. Metode ini menggunakan formulai selisih maju pada
titik x dan x-h:

Dengan mengambil rata-rata kedua formulasi di atas, akan diperoleh formulasi untuk
metode selisih tengahan sebagai berikut:

Kesalahan pada metode ini adalah:

Contoh:
Hitung differensial f(x) = e
-x
sin (2x) + 1 dari range x = [0,0.5] dengan h = 0.05

Rata-rata kesalahan = 0.0006656
6.1.3 Differensiasi Tinggkat Tinggi
Differensiasi tingkat tinggi merupakan prose pendiferensialan secara terus menerus
hingga tingkatan yang ditentukan.
1. Diferensial tingkat ke-2 adalah: f(x) = f{f(x)}
2. Diferensial tingkat ke 3 adalah: f
(3)
(x) = f{f(x)}
3. Diferensial tingkat ke-n adalah: f
(n)
(x) = f{f
(n-1)
(x)}atau dapat dituliskan dengan:

-
Untuk menghitung diferensial tingkat tinggi ini dapat digunakan metode diferensiasi
yang merupakan pengembangan metode selisih tengahan yaitu:
Untuk diferensial tingkat ke-2:

Kesalahan pada metode ini adalah:

6.2 Diferensiasi Data Tabel
Untuk mendiferensialkan angka-angka daridata taebl yang berasal dari eksperimen
atau pengamatan dapat dilakukan dengan mengacu pada persamaan yang digunakan
pada proses interpolasi. Untuk itu polinomial Lagrange dan polinomial selisih
pembagian Newton dapat digunakan.
6.2.1 Diferensiasi Polinomial Lagrange
Diferensiasi polinomial Lagrange dapat digunakan untuk data dengan interval
sembarang, yag didasarkan pada persamaan Lagrange yang dihasilkan. Untuk
menghitung diferensial biasanya digunakan polinomial lagrange orde ke 2 agar dapat
dihasilkan turunan pertama dan kedua.
Polinomial lagrange orde ke-2 dituliskan sebagai berikut:

Turunan pertama persamaan di atas adalah:

Turunan kedua adalah:

6.2.2 Polinomial Selisih Pembagian Newton
Prosedur kedua yang bisa digunakan untuk menghitung turunan dari data yang
mempunyai interval sembaraqng adalah polinomial selisih pembagian Newton.
Polinomial ini dituliskan:

]
Penulisan polinomial di atas disederhanakan menjadi:

Formulasi turunan pertama adalah

Turunan kedua :

D. Rangkuman
- Metode numerik dapat digunakan untuk menentukan diferensial dari suatu nilai x,
baik yang diketahui fungsinys maupun yang hanya berupa tabel korelasi x-y.
- Metode definisi diferensial dapat diterapkan langsung pada metode selisih maju
dan tengahan. Kedua metode ini selanjutnya bisa diaplikasikan mmenjadi metode
elemen hingga.
- Polinomial dari hasil interpolasi Lagrange dan selisih pembagian newton dapat
diaplikasikan pada perhitungan diferensial data tabel yang sembarang.
E. Tugas
Diketahui data:
x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
f(x) 0.0 0.002 0.016 0.054 0.128 0.25 0.432 0.686 1.024 1.458 2.0
Hitung turunan pertama dari masing-masing titik di bawah dengan metode:
1. Metode selisih maju
2. Metode selisih tengah
3. Metode polinomial lagrange orde kedua
4. Metode selisih pembagian newton orde ke dua
Hitung turunan kedua dari masing-masing titik di bawah dengan metode:
1. Metode polinomial lagrange orde ketiga
2. Metode selisih pembagian newton orde ketiga
F. Sumber Belajar
Kreyszig, E., Advanced Engineering Mathematics, John Wiley & Son, Inc, New
Jersey 2006.
Hoffman, J.D., Numerikal Methods for Engineers and Scientists, Marcel Dekker, Inc.
New York, 1992.
Faires, J.D. and Burden, R.L., Numerikal Method, Broke Cole, Ohio, 2002
Capra, F., Metode Numerik,
Surbakti, I., Metode Numerik, Diktat Kuliah, ITS


BAB VII
7PERSAMAAN LINIER

A. Kompetensi Dasar
1) Pemahaman penyelesaian persaman linier simultan
2) Prosedur eliminasi matriks dan operasi baris
3) Sistem eliminasi sederhana (Elmininasi Gauss dan Gauss-Jordan)
B. Pendahuluan
Permasalahan sistem persamaan linier merupakan permasalahan yang banyak muncul
ketika berhubungan dengan permasalahan multi-variabel dimana setiap persamaan
merupakan bentuk persamaan linier atau dengan kata lain setiap variabel berpangkat
paling besar satu. Untuk jumlah variabel yang sedikit (kurang dari tiga) metode
substitusi masih dapat dipergunakan akan tetapi untuk jumlah variabel yang banyak,
metode substitusi akan sangat sulit dilakukan untuk itu dikembangkan metode
eliminasi matrik yang dikenal dengan eliminasi Gauss dan eliminasi Gauss-Jordan.
C. Pembahasan Materi Ajar
7.1 Sistem Persamaan Linier
Sistem persamaan linier adalah suatu bentuk persamaan-persamaan yang secara
bersama-sama menyajikan banyak variabel bebas. Bentuk persamaan linier dengan m
persamaan dan n variabel bebas dapat dituliskan sebagai berikut:
a
11
x
1
+ a
12
x
2
+ a
13
x
3
+ ... + a
1n
x
n
= b
1

a
21
x
1
+ a
22
x
2
+ a
23
x
3
+ ... + a
2n
x
n
= b
2

a
21
x
1
+ a
32
x
2
+ a
33
x
3
+ ... + a
3n
x
n
= b
3

................................................................
a
m1
x
1
+ a
m2
x
2
+ a
m3
x
3
+ ... + a
mn
x
n
= b
m

dimana:
a
ij
untuk i=1 s/d m dan j=1 s/d n adalah koefisien atau sistem persamaan
x
i
untuk i=1 s/d n adalah variabel bebas pada sistem persamaan
Penyelesaian sistem persamaan linier adalah penentuan nilai x
i
untuk semua i=1 s/d n
yang memenuhi semua persamaan yang diberikan.
Permasalahan sistem persamaan linier merupakan permasalahan yang banyak muncul
ketika berhubungan dengan permasalahan multi-variabel dimana setiap persamaan
merupakan bentuk persamaan linier atau dengan kata lain setiap variabel berpangkat
paling besar satu. Sistem persamaan linier di atas dapat dinyatakan sebagai bentuk
matrik yaitu :

m mn m m m
n
n
n
b
b
b
b
x
x
x
x
a a a a
a a a a
a a a a
a a a a

3
2
1
3
3
2
1
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11

atau dapat dituliskan:
A x = B
Dimana:

=
m mn m m m
n
n
n
b
b
b
b
B
x
x
x
x
x
a a a a
a a a a
a a a a
a a a a
A

3
2
1
3
3
2
1
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
; ;
Matrik A dinamakan dengan Matrik Koefisien dari sistem persamaan linier, atau ada
yang menamakan dengan matrik Jacobian. Vektor x dinamakan dengan vektor
variabel (atau vektor keadaan) dan vektor b dinamakan dengan vektor konstanta.
Augmented Matrix ( matrik perluasan ) dari sistem persamaan linier adalah matrik
yang merupakan perluasan matrik A dengan menambahkan vector B pada kolom
terakhirnya, dan dituliskan:
Augmented (A) = [A b]
Sehingga secara detail, augmented matrik dari sistem persamaan linier dapat
dituliskan:

m mn m m m
n
n
n
b
b
b
b
a a a a
a a a a
a a a a
a a a a

3
2
1
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11

Contoh:
Diketahui sebuah sistem persamaan linier:
3x
1
+ 4x
2
2 x
3
= 5
x
1
5x
2
+ 2x
3
= 7
2x
1
+ x
2
3x
3
= 9
dapat dinyatakan dalam matriks teraugmentasi sebagai berikut:
[



|

]
Theorema
Suatu sistem persamaan linier mempunyai penyelesaian tunggal bila memenuhi
syarat-syarat sebagai berikut.
(1) Ukuran sistem persamaan linier bujursangkar, dimana jumlah persamaan sama
dengan jumlah variable bebas.
(2) Sistem persamaan linier non-homogen dimana minimal ada satu nilai vector
konstanta B tidak nol atau ada b
n
0.
(3) Determinan dari matrik koefisien sistem persamaan linier tidak sama dengan nol.
Untuk menyelesaikan permasalahan-permasalahan sistem persamaan linier dapat
dilakukan dengan menggunakan metode-metode analitik seperti pemakaian metode
grafis, aturan Cramer, atau invers matrik. Metode-metode tersebut dapat dilakukan
dengan mudah bila jumlah variabel dan jumlah persamaannya di bawah 4, tetapi bila
ukurannya besar maka metode-metode di atsa menjadi sulit dilakukan, sehingga
pemakaian metode numerik menjadi suatu alternatif yang banyak digunakan. Metode
numerik yang dapat digunakan untuk menyelesaikan permasalahan sistem persamaan
linier dapat dibagi menjadi 2 yaitu metode langsung dan metode iterasi. Kedua
metode ini dapat dibagi menjadi:
Metode langsung
1) Metode Eliminasi Gauss
2) Metode Eliminasi Gauss-Jordan
3) Matriks Invers
4) Pemfaktoran matriks LU
Metode tak langsung
1) Iterasi Jacobi
2) Iterasi Gauss Seidel
7.2 Eliminasi Gauss
Metode eliminasi digunakan untuk menyelesaikan sistem persamaan linier dengan
cara memisalkan nilai x yang pertama (x
1
) dengan menggunakan persamaan pertama
dalam bentuk fungsi dari x yang seterusnya (x
2
sampai x
n
). Kemudian mensubstitusi
fungsi x
1

ke persamaan-persamaan selanjutnya yang mempunyai variabel x
2
sampai
x
n
. Proses eliminasi dilakukan sebanyak (n-1) kali sampai dengan langkah terakhir
dimana diperoleh persamaan yang hanya mempunyai satu variabel yaitu x
n
.
Nilai x
n
dapat diketahui dengan menghitung persamaan terakhir dari proses eliminasi.
Selanjutnya x
n
digunakan untuk menghitung nilai x
n-1
dengan proses substitusi.
Proses ini diulang sampai dengan substitusi x
2
untuk menghitung nilai x
1
. Proses ini
disebut substitusi terbalik.
Proses eliminasi dalam matriks adalah berupa operasi baris matriks, dimana
mempunyai aturan sebagai berikut:
1. Setiap baris dapat dikalikan dengan suatu konstanta (perbesaran/pengecilan)
2. Urutan baris dapat ditukar (pivot)
3. Setiap baris dapat digantikan dengan kombinasi/operasi linier baris tersebut
dengan baris yang lain
Operasi baris ini akan mengubah nilai dari masing-masing elemen matrik A dan b,
tetapi tidak mengubah nilai x dari sistem persamaan linier.
Aturan pertama dari operasi baris digunakan untuk menyederhanakan nilai dari tiap
baris untuk memudahkan perhitungan. Aturan kedua diperlukan untuk menghindari
pembagian dengan nol dan untuk mengurangi kesalahan pembulatan. Auran ketiga
merupakan implementasi dari sistematika proses eliminasi yang dijelaskan di atas.
Secara matematis proses eliminasi gauss dapat ditunjukkan dalam bentuk matrik
seperti di bawah ini. Dimana bentuk matrik pada bagian kiri diubah menjadi matrik
segitiga atas atau segitiga bawah dengan menggunakan operasi baris:

m mn
n
n
n
m mn m m m
n
n
n
d
d
d
d
c
c c
c c c
c c c c
b
b
b
b
a a a a
a a a a
a a a a
a a a a

3
2
1
3 33
2 23 22
1 13 12 11
3
2
1
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
0 0 0
0 0
0

Contoh:
Selesaikan sistem persamaan :
8 x
2
+ 2 x
3
= -7
3 x
1
+ 5 x
2
+ 2 x
3
= 8
6 x
1
+ 2 x
2
+ 8 x
3
= 26
Untuk menyelesaikan sistem persamaan di atas, urutan persamaan boleh diubah
menjadi:
6 x
1
+ 2 x
2
+ 8 x
3
= 26
3 x
1
+ 5 x
2
+ 2 x
3
= 8
8 x
2
+ 2 x
3
= -7
La ngkah pertama adalah membentuk matriks teraugmentasi :

7
8
26
2 8 0
2 5 3
8 2 6
untuk mengeliminasi angka di baris ke-2 kolom pertama:
Baris kedua dikurangi 3/6 atau setengah baris pertama sehingga akan diperoleh:

7
5
26
2 8 0
2 4 0
8 2 6
Selanjutnya mengeliminasi baris ke-3 kolom ke-2
Baris ke-3 dikurangi 2 kali baris ke-2, sehingga diperoleh:

3
5
26
6 0 0
2 4 0
8 2 6

Sistem persamaan linier akan menjadi :
6 x
1
+ 2 x
2
+ 8 x
3
= 26
4 x
2
- 2 x
3
= -5
6 x
3
= 3
Dengan menggunakan metode substitusi diperoleh : x
3
= , x
2
= -1 dan x
1
= 4
7.3 Eliminasi Gauss-Jordan
Dalam aljabar linear, eliminasi Gauss-Jordan adalah versi dari eliminasi Gauss. Pada
metode eliminasi Gauus-Jordan kita membuat nol elemen-elemen di bawah maupun
di atas diagonal utama suatu matriks. Hasilnya adalah matriks tereduksi yang berupa
matriks diagonal satuan (Semua elemen pada diagonal utama bernilai 1, elemen-
elemen lainnya nol).
Metode eliminasi Gauss-Jordan kurang efisien untuk menyelesaikan sebuah sistem
persamaan linier, tetapi lebih efisien daripada eliminasi Gauss jika kita ingin
menyelesaikan sistem persamaan linier dengan matriks koefisien sama.

m m mn m m m
n
n
n
f
f
f
f
b
b
b
b
a a a a
a a a a
a a a a
a a a a

3
2
1
3
2
1
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1

Contoh:
Eliminasi dapat digunakan untuk menggantikan proses substitusi pada contoh
eliminasi Gauss di atas:
Selesaikan sistem persamaan :
8 x
2
+ 2 x
3
= -7
3 x
1
+ 5 x
2
+ 2 x
3
= 8
6 x
1
+ 2 x
2
+ 8 x
3
= 26
Untuk menyelesaikan sistem persamaan di atas, urutan persamaan boleh diubah
menjadi:
6 x
1
+ 2 x
2
+ 8 x
3
= 26
3 x
1
+ 5 x
2
+ 2 x
3
= 8
8 x
2
+ 2 x
3
= -7
Langsung ke matrik terakhir dari proses eliminasi Gauss:

3
5
26
6 0 0
2 4 0
8 2 6

Baris ke-3 dibagi dengan 6 untuk membuat angka di diagonal matriks =1

2
1
5
26
1 0 0
2 4 0
8 2 6
3
5
26
6 0 0
2 4 0
8 2 6

Baris ke-2 ditambah dengan dua kali baris ke-3 dan selanjutnya di bagi dengan 4:

2
1
2
1
2
1
1
26
1 0 0
0 1 0
8 2 6
4
26
1 0 0
0 4 0
8 2 6
5
26
1 0 0
2 4 0
8 2 6

Baris pertama dikurangi 8 kali baris ke-3 dan dikurangi dua kali baris ke-2,
selanjutnya dibagi dengan 6

2
1
2
1
2
1
2
1
1
4
1 0 0
0 1 0
0 0 1
1
24
1 0 0
0 1 0
0 0 6
1
22
1 0 0
0 1 0
0 2 6
1
26
1 0 0
0 1 0
8 2 6

Dari hasil proses eliminasi Gauss-Jordan nilai x
1
, x
2
, dan x
3
langsung dapat diketahui,
dimana : x
1
= 4, x
2
= -1 dan x
3
= .


7.4 Matriks Invers



7.5 Pemfaktoran matriks LU








7.6 Iterasi Jacobi










7.7 Iterasi Gauss Seidel












D. Rangkuman
- Eliminasi Gauss sangat mudah dipergunakan untuk menyelesaikan sistem
persamaanlinier bengan banyak variabel.
- Eliminasi Gauss akan dapat memberikan hasil jika diterminat matriks yang
terbentuk adalah positif
- Eliminasi Gauss-Jordan dilakukan untuk menggantikan proses substitusi
terbalik yang diperlukan setelah proses eliminasi Gauss.
E. Tugas
1) Diketahui persamaan linier:
1. 3x
1
+ 3x
2
+5x
3
= 50
2. 2x
1
+ 4x
2
+x
3
= 23
3. 2x
1
+ 3x
2
+2x
3
= 27
a. Ubah sistem persamaan linier di atas menjadi sistem matrik Ax=b.
b. Tentukan nilai x
1
, x
2
, dan x
3
menggunakan metoda Gauss Jordan

2) Diketahui persamaan linier:
1. 4x
1
+ 8x
2
+ 4x
3
+ 5x
4
= 142
2. 2x
1
+ 3x
2
+ 3x
3
+ x
4
= 64
3. 2x
1
+ 6x
2
+ 4x
3
+ 9x
4
= 142
4. 5x
1
+ 8x
2
+ 4x
3
+ 1x
4
= 123
a. Ubah sistem persamaan linier di atas menjadi sistem matrik Ax=b.
b. Tentukan nilai x
1
, x
2
, x
3
, dan x
4
menggunakan metoda Gauss Jordan

F. Sumber Belajar
Kreyszig, E., Advanced Engineering Mathematics, John Wiley & Son, Inc, New
Jersey 2006.
Hoffman, J.D., Numerikal Methods for Engineers and Scientists, Marcel Dekker, Inc.
New York, 1992.
Faires, J.D. and Burden, R.L., Numerikal Method, Broke Cole, Ohio, 2002
Capra, F., Metode Numerik,
Surbakti, I., Metode Numerik, Diktat Kuliah, ITS