Kumputasi Edisi 2 PDF

Komputasi untuk Sains dan Teknik
Supriyanto Suparno
( Website: http://supriyanto.sika.ui.edu )
( Email: supri@sika.ui.ac.id atau supri92@gmail.com )
Edisi II
Revisi terakhir tgl: 12 Februari 2008
Departemen Fisika-FMIPA, Univeristas Indonesia
Dipublikasikan pertama kali pada September 2007
Untuk
Nina Marliyani
Muih Syamil
dan
Hasan Azmi
Ketekunan adalah jalan yang terpercaya untuk mengantarkan kita menuju kesuksesan
(Supriyanto, 2007)
Kata Pengantar
Secara garis besar, ilmu sika dapat dipelajari lewat 3 jalan, yaitu pertama, dengan meng-
gunakan konsep atau teori sika yang akhirnya melahirkan sika teori. Kedua, dengan cara
eksperimen yang menghasilkan aliran sika eksperimental, dan ketiga, sika bisa dipelajari
lewat simulasi sika yang sangat mengandalkan komputer serta algoritma numerik.
Tujuan penyusunan buku ini adalah untuk meletakkan pondasi dasar dari bangunan pema-
haman akan metode-metode komputasi yang banyak digunakan pada simulasi-simulasi fenom-
ena sika.
Rujukan utama buku ini bersumber pada buku teks standar yang sangat populer di dunia
komputasi, yaitu buku yang ditulis oleh Richard L. Burden dan J. Douglas Faires dengan judul
Numerical Analysis edisi ke-7, diterbitkan oleh Penerbit Brooks/Cole, Thomson Learning Aca-
demic Resource Center. Disamping itu, buku ini dilengkapi oleh sejumlah contoh aplikasi
komputasi pada upaya penyelesaian problem-problem sika.
Dalamedisi ke-2 ini, algoritma numerik disalin ke dalam2 bahasa pemrograman, yaitu For-
tran77 dan Matlab. Disamping itu penjelasan lebih terperinci tentang bagaimana menentukan
indeks i, j dan k dalam proses looping disajikan pada Bab I, untuk memberi pondasi yang san-
gat penting bagi berdirinya bangunan pemahaman akan teknik-teknik numerik selanjutnya.
Akhirnya saya ingin mengucapkan rasa terima kasih yang tak terhingga kepada Dede
Djuhana yang telah berkenan memberikan format L
A
T
E
X-nya sehingga tampilan tulisan pada
buku ini benar-benar layaknya sebuah buku yang siap dicetak. Rasa terima kasih juga in-
gin saya teruskan kepada Sarah Wardhani yang telah memicu langkah awal penulisan buku
ini hingga masuk ke Edisi-2. Tak lupa, saya pun sepatutnya berterima kasih kepada selu-
ruh rekan diskusi yaitu para mahasiswa yang telah mengambil mata kuliah Komputasi Fisika
PTA 2006/2007 di Departemen Fisika, FMIPA, Universitas Indonesia. Tiga orang mahasiswi
dari Universitas Pakuan yaitu Eni Nurliani, Saidah Al-adawiyah dan Deni Fitri A juga perlu
saya tulis disini sebagai ungkapan terima kasih atas pertanyaan-pertanyaan mereka yang turut
memperkaya isi buku ini.
Walaupun buku ini masih jauh dari sempurna, namun semoga ia dapat menyumbangkan
energi bagi terciptanya gelombang kebangkitan ilmu pengetahuan pada bangsa Indonesia yang
saat ini sedang terpuruk. Saya wariskan ilmu ini untuk anak bangsa. Saya izinkan anda untuk
meng-copy dan menggunakan buku ini selama itu ditujukan untuk belajar dan bukan untuk tu-
juan komersial. Bagi yang ingin berdiskusi, memberikan masukan, kritikan dan saran, silakan
dikirimkan ke email: supri92@gmail.com
Depok, 16 September 2007
Supriyanto Suparno
v
Daftar Isi
Lembar Persembahan i
Kata Pengantar v
Daftar Isi vii
Daftar Gambar xi
Daftar Tabel xiii
1 Matrik dan Komputasi 1
1.1 Pengenalan matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Inisialisasi matrik dalam memori komputer . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Macam-macam matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Matrik transpose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Matrik bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.3 Matrik simetrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.4 Matrik diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.5 Matrik identitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.6 Matrik upper-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.7 Matrik lower-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.8 Matrik tridiagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.9 Matrik diagonal dominan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.10 Matrik positive-denite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.11 Vektor-baris dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Operasi matematika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1 Penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Komputasi penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3 Perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.4 Komputasi perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.5 Perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . . 13
1.4.6 Komputasi perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . . 14
1.5 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Metode Eliminasi Gauss 17
2.1 Sistem persamaan linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Triangularisasi dan Substitusi Mundur . . . . . . . . . . . . . . . . . . . . . . . . . 18
vii
viii
2.3 Matrik dan Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Algoritma eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5.1 Menghitung arus listrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Menghitung invers matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.7 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 Aplikasi Eliminasi Gauss pada Masalah Inversi 39
3.1 Inversi Model Garis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Script matlab inversi model garis . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Inversi Model Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.1 Script matlab inversi model parabola . . . . . . . . . . . . . . . . . . . . . 48
3.3 Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.4.1 Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Metode LU Decomposition 61
4.1 Faktorisasi matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5 Metode Iterasi 71
5.1 Kelebihan Vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.2 Pengertian Norm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.1 Script perhitungan norm dalam Matlab . . . . . . . . . . . . . . . . . . . . 72
5.2.2 Perhitungan norm-selisih . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3 Iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3.1 Script Matlab untuk menghitung iterasi . . . . . . . . . . . . . . . . . . . . 76
5.3.2 Optimasi script Matlab untuk menghitung iterasi . . . . . . . . . . . . . . 80
5.3.3 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.3.4 Program dalam Fortran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.4 Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.1 Script iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.4.2 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4.3 Script iterasi Gauss-Seidel dalam Fortran . . . . . . . . . . . . . . . . . . . 87
5.5 Iterasi dengan Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.5.1 Algoritma Iterasi Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6 Interpolasi 93
6.1 Interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2 Interpolasi Cubic Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
ix
7 Diferensial Numerik 103
7.1 Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.2 Metode Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.3 Metode Finite Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.3.1 Script Finite-Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.3.2 Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
8 Pers. Diferensial Parsial Numerik 123
8.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8.2 PDP eliptik dalam Finite-Difference . . . . . . . . . . . . . . . . . . . . . . . . . . 124
9 Integral Numerik 131
9.1 Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
9.2 Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
9.3 Metode Composite-Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
10 Metode Newton 137
10.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
11 Metode Monte Carlo 139
11.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
12 Inversi 143
12.1 Inversi Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
12.2 Inversi Non-Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
Daftar Pustaka 149
Indeks 151
Daftar Gambar
3.1 Grak data pengukuran gerak batu . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Grak hasil inversi parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.1 Fungsi f(x) dengan sejumlah titik data . . . . . . . . . . . . . . . . . . . . . . . . 95
6.2 Pendekatan dengan polinomial cubic spline . . . . . . . . . . . . . . . . . . . . . . 95
6.3 Prol suatu object . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.4 Sampling titik data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.5 Hasil interpolasi cubic spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.6 Hasil interpolasi lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
7.1 Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.2 Trend error metode euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.3 Rangkaian RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.4 Kurva muatan q terhadap waktu t . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.5 Kurva suatu fungsi f(x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah X
0
= a hingga batas atas
x
6
= b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8.1 Distribusi temperatur pada lempeng logam . . . . . . . . . . . . . . . . . . . . . . 126
9.1 Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
9.2 Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
9.3 Metode Composite Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
10.1 Metode Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
11.1 Lingkaran dan bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
11.2 Dart yang menancap pada bidang lingkaran dan bujursangkar . . . . . . . . . . . 140
11.3 Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar . . . . . . . . 141
xi
Daftar Tabel
3.1 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 39
3.2 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 44
3.3 Data ketinggian terhadap waktu dari planet X . . . . . . . . . . . . . . . . . . . . 53
5.1 Hasil akhir elemen-elemen vektor x hingga iterasi ke-10 . . . . . . . . . . . . . . . 79
5.2 Hasil perhitungan norm-selisih (dengan
2
) hingga iterasi ke-10 . . . . . . . . . . 81
5.3 Hasil Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.4 Hasil perhitungan iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.5 Hasil perhitungan iterasi Relaksasi dengan = 1, 25 . . . . . . . . . . . . . . . . . 90
xiii
Bab 1
Matrik dan Komputasi
Objektif :
Mengenalkan matrik dan jenis-jenis matrik.
Mengenalkan operasi penjumlahan dan perkalian matrik.
Mendeklarasikan elemen-elemen matrik ke dalam memori komputer.
Membuat script operasi matrik.
1.1 Pengenalan matrik
Notasi suatu matrik berukuran n x m ditulis dengan huruf besar dan dicetak tebal, misalnya
A
nm
. Huruf n menyatakan jumlah baris, dan huruf m jumlah kolom. Suatu matrik tersusun
dari elemen-elemen yang dinyatakan dengan huruf kecil diikuti angka-angka indeks, misalnya
a
ij
, dimana indeks i menunjukan posisi baris ke-i dan indeks j menentukan posisi kolom ke-j.
A = (a
ij
) =
_
_
a
11
a
12
. . . a
1m
a
21
a
22
. . . a
2m
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nm
_
_
(1.1)
Contoh 1: Matrik A
23
A =
_
3 8 5
6 4 7
_
dimana masing-masing elemennya adalah a
11
= 3, a
12
= 8, a
13
= 5, a
21
= 6, a
22
= 4, dan
a
23
= 7.
Contoh 2: Matrik B
32
B =
_
_
1 3
5 9
2 4
_
_
1
2 BAB 1. MATRIK DAN KOMPUTASI
dimana masing-masing elemennya adalah b
11
= 1, b
12
= 3, b
21
= 5, b
22
= 9, b
31
= 2, dan
b
32
= 4.
1.2 Inisialisasi matrik dalam memori komputer
Dalambahasa pemrograman Fortran77, cara mengisi memori komputer dengan elemen-elemen
matrik A
23
, sesuai dengan Contoh 1 adalah
1 A(1,1) = 3
2 A(1,2) = 8
3 A(1,3) = 5
4 A(2,1) = 6
5 A(2,2) = 4
6 A(2,3) = 7
Sedangkan untuk matrik B
32
, sesuai Contoh 2 adalah
1 B(1,1) = 1
2 B(1,2) = 3
3 B(2,1) = 5
4 B(2,2) = 9
5 B(3,1) = 2
6 B(3,2) = 4
Sementara dalam Matlab, cara mengisi memori komputer dengan elemen-elemen matrik
A
23
, sesuai dengan Contoh 1 adalah
1 clear all
2 clc
3
4 A(1,1) = 3;
5 A(1,2) = 8;
6 A(1,3) = 5;
7 A(2,1) = 6;
8 A(2,2) = 4;
9 A(2,3) = 7;
10 A
Sedangkan untuk matrik B
32
, sesuai Contoh 2 adalah
1 clear all
2 clc
3
4 B(1,1) = 1;
5 B(1,2) = 3;
6 B(2,1) = 5;
7 B(2,2) = 9;
8 B(3,1) = 2;
9 B(3,2) = 4;
10 B
1.3. MACAM-MACAM MATRIK 3
1.3 Macam-macam matrik
1.3.1 Matrik transpose
Operasi transpose terhadap suatu matrik akan menukar elemen-elemen dalam satu kolom
menjadi elemen-elemen dalam satu baris; demikian pula sebaliknya. Notasi matrik tranpose
adalah A
T
atau A
t
.
Contoh 3: Operasi transpose terhadap matrik A
A =
_
3 8 5
6 4 7
_
A
t
=
_
_
3 6
8 4
5 7
_
_
1.3.2 Matrik bujursangkar
Matrik bujursangkar adalah matrik yang jumlah baris dan jumlah kolomnya sama.
Contoh 4: Matrik bujursangkar berukuran 3x3 atau sering juga disebut matrik bujursangkar
orde 3
A =
_
_
1 3 8
5 9 7
2 4 6
_
_
1.3.3 Matrik simetrik
Matrik simetrik adalah matrik bujursangkar yang elemen-elemen matrik A bernilai sama den-
gan matrik transpose-nya (A
t
).
Contoh 5: Matrik simetrik
A =
_
_
2 3 7 1
3 5 6 2
7 6 9 8
1 2 8 10
_
_
A
t
=
_
_
2 3 7 1
3 5 6 2
7 6 9 8
1 2 8 10
_
_
1.3.4 Matrik diagonal
Matrik diagonal adalah matrik bujursangkar yang seluruh elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonalnya.
Contoh 6: Matrik diagonal orde 3
A =
_
_
11 0 0
0 29 0
0 0 61
_
_
1.3.5 Matrik identitas
Matrik identitas adalah matrik bujursangkar yang semua elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonal yang seluruhnya bernilai 1.
Contoh 7: Matrik identitas orde 3
I =
_
_
1 0 0
0 1 0
0 0 1
_
_
1.3.6 Matrik upper-triangular
Matrik upper-tringular adalah matrik bujursangkar yang seluruh elemen dibawah elemen di-
agonal bernilai 0 (nol).
Contoh 8: Matrik upper-triangular
A =
_
_
3 6 2 1
0 4 1 5
0 0 8 7
0 0 0 9
_
_
1.3.7 Matrik lower-triangular
Matrik lower-tringular adalah matrik bujursangkar yang seluruh elemen diatas elemen diago-
nal bernilai 0 (nol).
Contoh 9: Matrik lower-triangular
A =
_
_
12 0 0 0
32 2 0 0
8 7 11 0
5 10 6 9
_
_
1.3.8 Matrik tridiagonal
Matrik tridiagonal adalah matrik bujursangkar yang seluruh elemen bukan 0 (nol) berada dis-
ekitar elemen diagonal, sementara elemen lainnya bernilai 0 (nol).
Contoh 10: Matrik tridiagonal
A =
_
_
3 6 0 0
2 4 1 0
0 5 8 7
0 0 3 9
_
_
1.3. MACAM-MACAM MATRIK 5
1.3.9 Matrik diagonal dominan
Matrik diagonal dominan adalah matrik bujursangkar yang memenuhi
|a
ii
| >
n
j=1,j=i
|a
ij
| (1.2)
dimana i=1,2,3,..n. Coba perhatikan matrik-matrik berikut ini
A =
_
_
7 2 0
3 5 1
0 5 6
_
_
B =
_
_
6 4 3
4 2 0
3 0 1
_
_
Pada elemen diagonal a
ii
matrik A, |7| > |2|+|0|, lalu |5| > |3|+|1|, dan |6| > |5|+|0|. Maka
matrik A disebut matrik diagonal dominan. Sekarang perhatikan elemen diagonal matrik B,
|6| < |4| +| 3|, | 2| < |4| +|0|, dan |1| < | 3| +|0|. Dengan demikian, matrik B bukan matrik
diagonal dominan.
1.3.10 Matrik positive-denite
Suatu matrik dikatakan positive-denite bila matrik tersebut simetrik dan memenuhi
x
t
Ax > 0 (1.3)
Contoh 11: Diketahui matrik simetrik berikut
A =
_
_
2 1 0
1 2 1
0 1 2
_
_
untuk menguji apakah matrik A bersifat positive-denite, maka
x
t
Ax =
_
x
1
x
2
x
3
_
_
_
2 1 0
1 2 1
0 1 2
_
_
_
_
x
1
x
2
x
3
_
_
=
_
x
1
x
2
x
3
_
_
_
2x
1
x
2
x
1
+ 2x
2
x
3
x
2
+ 2x
3
_
_
= 2x
2
1
2x
1
x
2
+ 2x
2
2
2x
2
x
3
+ 2x
2
3
= x
2
1
+ (x
2
1
2x
1
x
2
+ x
2
2
) + (x
2
2
2x
2
x
3
+ x
2
3
) + x
2
3
= x
2
1
+ (x
1
x
2
)
2
+ (x
2
x
3
)
2
+ x
2
3
Dari sini dapat disimpulkan bahwa matrik A bersifat positive-denite, karena memenuhi
x
2
1
+ (x
1
x
2
)
2
+ (x
2
x
3
)
2
+ x
2
3
> 0
kecuali jika x
1
=x
2
=x
3
=0.
1.3.11 Vektor-baris dan vektor-kolom
Notasi vektor biasanya dinyatakan dengan huruf kecil dan dicetak tebal. Suatu matrik dina-
makan vektor-baris berukuran m, bila hanya memiliki satu baris dan m kolom, yang diny-
atakan sebagai berikut
a =
_
a
11
a
12
. . . a
1m
_
=
_
a
1
a
2
. . . a
m
_
(1.4)
Sedangkan suatu matrik dinamakan vektor-kolomberukuran n, bila hanya memiliki satu kolom
dan n baris, yang dinyatakan sebagai berikut
a =
_
_
a
11
a
21
.
.
.
a
n1
_
_
=
_
_
a
1
a
2
.
.
.
a
n
_
_
(1.5)
1.4 Operasi matematika
1.4.1 Penjumlahan matrik
Operasi penjumlahan pada dua buah matrik hanya bisa dilakukan bila kedua matrik tersebut
berukuran sama. Misalnya matrik C
23
C =
_
9 5 3
7 2 1
_
dijumlahkan dengan matrik A
23
, lalu hasilnya (misalnya) dinamakan matrik D
23
D = A+ C
D =
_
3 8 5
6 4 7
_
+
_
9 5 3
7 2 1
_
=
_
3 + 9 8 + 5 5 + 3
6 + 7 4 + 2 7 + 1
_
=
_
12 13 8
13 6 8
_
Tanpa mempedulikan nilai elemen-elemen masing-masing matrik, operasi penjumlahan antara
matrik A
23
dan C
23
, bisa juga dinyatakan dalam indeks masing-masing dari kedua matrik
tersebut, yaitu
_
d
11
d
12
d
13
d
21
d
22
d
23
_
=
_
a
11
+ c
11
a
12
+ c
12
a
13
+ c
13
a
21
+ c
21
a
22
+ c
22
a
23
+ c
23
_
1.4. OPERASI MATEMATIKA 7
Dijabarkan satu persatu sebagai berikut
d
11
= a
11
+ c
11
d
12
= a
12
+ c
12
d
13
= a
13
+ c
13
(1.6)
d
21
= a
21
+ c
21
d
22
= a
22
+ c
22
d
23
= a
23
+ c
23
Dari sini dapat diturunkan sebuah rumus umum penjumlahan dua buah matrik
d
ij
= a
ij
+ c
ij
(1.7)
dimana i=1,2 dan j=1,2,3.
1.4.2 Komputasi penjumlahan matrik
Berdasarkan contoh operasi penjumlahan di atas, indeks j pada persamaan (1.7) lebih cepat
berubah dibanding indeks i sebagaimana ditulis pada persamaan (1.6),
d
11
= a
11
+ c
11
d
12
= a
12
+ c
12
d
13
= a
13
+ c
13
Jelas terlihat, ketika indeks i masih bernilai 1, indeks j sudah berubah dari nilai 1 sampai
3. Hal ini membawa konsekuensi pada script pemrograman, dimana looping untuk indeks j
harus diletakkan di dalam looping indeks i. Pokoknya yang looping-nya paling cepat harus
diletakkan paling dalam; sebaliknya, looping paling luar adalah looping yang indeksnya
paling jarang berubah.
Dalam matlab, algoritma penjumlahan dua matrik ditulis sebagai berikut:
1 for i=1:2
2 for j=1:3
3 D(i,j)=A(i,j)+C(i,j);
4 end
5 end
Sedangkan dalam Fortran77, operasi penjumlahan antara matrik ditulis sebagai berikut: A
23
dan C
23
adalah
1 do i=1,2
2 do j=1,3
3 D(i,j)=A(i,j)+C(i,j)
4 end do
5 end do
Perhatikan kedua script di atas! Penulisan indeks i harus didahulukan daripada indeks j.
Perlu dicatat bahwa ukuran matrik tidak terbatas hanya 2x3. Tentu saja anda bisa men-
gubah ukurannya sesuai dengan keperluan atau kebutuhan anda. Jika ukuran matrik diny-
atakan secara umumsebagai n x m, dimana n adalah jumlah baris dan madalah jumlah kolom,
maka bentuk pernyataan komputasinya dalam matlab menjadi
1 for i=1:n
2 for j=1:m
3 D(i,j)=A(i,j)+C(i,j);
4 end
5 end
sedangkan dalam Fortran77
1 do i=1,n
2 do j=1,m
3 D(i,j)=A(i,j)+C(i,j)
4 end do
5 end do
Sekarang, mari kita lengkapi dengan contoh sebagai berikut: diketahui matrik A
23
A =
_
3 8 5
6 4 7
_
dan matrik C
23
C =
_
9 5 3
7 2 1
_
Program untuk menjumlahkan kedua matrik tersebut dalam matlab adalah:
1 clear all
2 clc
3
4 A(1,1) = 3;
5 A(1,2) = 8;
6 A(1,3) = 5;
7 A(2,1) = 6;
8 A(2,2) = 4;
9 A(2,3) = 7;
10 C(1,1) = 9;
11 C(1,2) = 5;
12 C(1,3) = 3;
13 C(2,1) = 7;
14 C(2,2) = 2;
15 C(2,3) = 1;
16 n=2
17 m=3
18 for i=1:n
19 for j=1:m
20 D(i,j)=A(i,j)+C(i,j);
21 end
22 end
sedangkan dalam Fortran77
1 A(1,1) = 3
2 A(1,2) = 8
3 A(1,3) = 5
4 A(2,1) = 6
5 A(2,2) = 4
6 A(2,3) = 7
7 C(1,1) = 9
8 C(1,2) = 5
9 C(1,3) = 3
10 C(2,1) = 7
11 C(2,2) = 2
12 C(2,3) = 1
13 n=2
14 m=3
15 do i=1,n
16 do j=1,m
17 D(i,j)=A(i,j)+C(i,j)
18 end do
19 end do
1.4.3 Perkalian matrik
Operasi perkalian dua buah matrik hanya bisa dilakukan bila jumlah kolom matrik pertama
sama dengan jumlah baris matrik kedua. Jadi kedua matrik tersebut tidak harus berukuran
sama seperti pada penjumlahan dua matrik. Misalnya matrik A
23
dikalikan dengan matrik
B
32
, lalu hasilnya (misalnya) dinamakan matrik E
22
E
22
= A
23
.B
32
E =
_
3 8 5
6 4 7
_
_
_
1 3
5 9
2 4
_
_
=
_
3.1 + 8.5 + 5.2 3.3 + 8.9 + 5.4
6.1 + 4.5 + 7.2 6.3 + 4.9 + 7.4
_
=
_
53 101
40 82
_
Tanpa mempedulikan nilai elemen-elemen masing-masing matrik, operasi perkalian antara
matrik A
23
dan B
32
, bisa juga dinyatakan dalam indeks masing-masing dari kedua matrik
tersebut, yaitu
_
e
11
e
12
e
21
e
22
_
=
_
a
11
.b
11
+ a
12
.b
21
+ a
13
.b
31
a
11
.b
12
+ a
12
.b
22
+ a
13
.b
32
a
21
.b
11
+ a
22
.b
21
+ a
23
.b
31
a
21
.b
12
+ a
22
.b
22
+ a
23
.b
32
_
Bila dijabarkan, maka elemen-elemen matrik E
22
adalah
e
11
= a
11
.b
11
+ a
12
.b
21
+ a
13
.b
31
(1.8)
e
12
= a
11
.b
12
+ a
12
.b
22
+ a
13
.b
32
(1.9)
e
21
= a
21
.b
11
+ a
22
.b
21
+ a
23
.b
31
(1.10)
e
22
= a
21
.b
12
+ a
22
.b
22
+ a
23
.b
32
(1.11)
Sejenak, mari kita amati perubahan pasangan angka-angka indeks yang mengiringi elemen e,
a dan b pada persamaan (1.8) sampai persamaan (1.11). Perhatikan perubahan angka indeks
pertama pada elemen e seperti berikut ini
e
1..
= ..
e
1..
= ..
e
2..
= ..
e
2..
= ..
Pola perubahan yang sama akan kita dapati pada angka indeks pertama dari elemen a
e
1..
= a
1..
.b
...
+ a
1..
.b
...
+ a
1..
.b
...
e
1..
= a
1..
.b
...
+ a
1..
.b
...
+ a
1..
.b
...
e
2..
= a
2..
.b
...
+ a
2..
.b
...
+ a
2..
.b
...
e
2..
= a
2..
.b
...
+ a
2..
.b
...
+ a
2..
.b
...
Dengan demikian kita bisa mencantumkan huruf i sebagai pengganti angka-angka indeks
yang polanya sama
e
i..
= a
i..
.b
...
+ a
i..
.b
...
+ a
i..
.b
...
e
i..
= a
i..
.b
...
+ a
i..
.b
...
+ a
i..
.b
...
e
i..
= a
i..
.b
...
+ a
i..
.b
...
+ a
i..
.b
...
e
i..
= a
i..
.b
...
+ a
i..
.b
...
+ a
i..
.b
...
dimana i bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan i=1,2. Selanjutnya,
masih dari persamaan (1.8) sampai persamaan (1.11), marilah kita perhatikan perubahan angka
indeks masih pada elemen e dan elemen b,
e
i1
= a
i..
.b
..1
+ a
i..
.b
..1
+ a
i..
.b
..1
e
i2
= a
i..
.b
..2
+ a
i..
.b
..2
+ a
i..
.b
..2
e
i1
= a
i..
.b
..1
+ a
i..
.b
..1
+ a
i..
.b
..1
e
i2
= a
i..
.b
..2
+ a
i..
.b
..2
+ a
i..
.b
..2
Dengan demikian kita bisa mencantumkan huruf j sebagai pengganti angka-angka indeks
yang polanya sama
e
ij
= a
i..
.b
..j
+ a
i..
.b
..j
+ a
i..
.b
..j
e
ij
= a
i..
.b
..j
+ a
i..
.b
..j
+ a
i..
.b
..j
e
ij
= a
i..
.b
..j
+ a
i..
.b
..j
+ a
i..
.b
..j
e
ij
= a
i..
.b
..j
+ a
i..
.b
..j
+ a
i..
.b
..j
dimana j bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan j=1,2. Selanjutnya,
masih dari persamaan (1.8) sampai persamaan (1.11), mari kita perhatikan perubahan angka
indeks masih pada elemen a dan elemen b, dimana kita akan dapati pola sebagai berikut
e
ij
= a
i1
.b
1j
+ a
i2
.b
2j
+ a
i3
.b
3j
e
ij
= a
i1
.b
1j
+ a
i2
.b
2j
+ a
i3
.b
3j
e
ij
= a
i1
.b
1j
+ a
i2
.b
2j
+ a
i3
.b
3j
e
ij
= a
i1
.b
1j
+ a
i2
.b
2j
+ a
i3
.b
3j
Dan kita bisa mencantumkan huruf k sebagai pengganti angka-angka indeks yang polanya
sama, dimana k bergerak mulai dari angka 1 hingga angka 3, atau kita nyatakan k=1,2,3.
e
ij
= a
ik
.b
kj
+ a
ik
.b
kj
+ a
ik
.b
kj
e
ij
= a
ik
.b
kj
+ a
ik
.b
kj
+ a
ik
.b
kj
e
ij
= a
ik
.b
kj
+ a
ik
.b
kj
+ a
ik
.b
kj
e
ij
= a
ik
.b
kj
+ a
ik
.b
kj
+ a
ik
.b
kj
Kemudian secara sederhana dapat ditulis sebagai berikut
e
ij
= a
ik
.b
kj
+ a
ik
.b
kj
+ a
ik
.b
kj
(1.12)
Selanjutnya dapat ditulis pula formula berikut
e
ij
=
3
k=1
a
ik
b
kj
(1.13)
dimana i=1,2; j=1,2; dan k=1,2,3.
Berdasarkan contoh ini, maka secara umum bila ada matrik A
nm
yang dikalikan dengan ma-
trik B
mp
, akan didapatkan matrik E
np
dimana elemen-elemen matrik E memenuhi
e
ij
=
m
k=1
a
ik
b
kj
(1.14)
dengan i=1,2,. . . ,n; j=1,2. . . ,p; dan k=1,2. . . ,m.
1.4.4 Komputasi perkalian matrik
Komputasi operasi perkalian antara matrik A
23
dan B
32
dilakukan melalui 2 tahap; pertama
adalah memberikan nilai 0 (nol) pada elemen-elemen matrik E
22
dengan cara (dalam matlab)
1 for i=1:2
2 for j=1:2
3 E(i,j)=0.0;
4 end
5 end
dalam Fortran77
1 do i=1,2
2 do j=1,2
3 E(i,j)=0.0
4 end do
5 end do
kedua adalah menghitung perkalian matrik dengan cara (dalam matlab)
1 for i=1:2
2 for j=1:2
3 for k=1:3
4 E(i,j)=E(i,j)+A(i,k)
*
B(k,j);
5 end
6 end
7 end
dalam Fortran77
1 do i=1,2
2 do j=1,2
3 do k=1,3
*
B(k,j)
5 end do
6 end do
7 end do
Sebentar.., sebelumdilanjut tolong perhatikan penempatan indeks i, j dan k pada script di atas.
Mengapa indeks i didahulukan daripada indeks j dan k? Ini bukan sesuatu yang kebetulan.
Dan ini juga bukan sekedar mengikuti urutan huruf abjad i,j,k. Sekali lagi ingin saya tegaskan
bahwa penempatan yang demikian semata-mata mengikuti aturan umum yaitu looping yang
indeksnya berubah paling cepat harus diletakkan paling dalam; sebaliknya, looping paling
luar adalah looping yang indeksnya paling jarang berubah. Kalau anda perhatikan dengan
teliti, pasti anda akan menemukan fakta bahwa indeks k paling cepat berubah. Kemudian
disusul oleh indeks j. Lalu yang paling jarang berubah adalah indeks i. Itulah sebabnya,
penempatan urutan indeks pada script di atas harus dimulai dari i terlebih dahulu sebagai
looping terluar, kemudian indeks j, dan yang terakhir indeks k sebagai looping terdalam.
Tentu saja anda bisa mengubah ukurannya sesuai dengan keperluan atau kebutuhan anda.
Jika ukuran matrik A dinyatakan secara umum sebagai n x m dan matrik B berukuran m x p,
maka bentuk pernyataan komputasinya dalam Matlab menjadi
1 for i=1:n
2 for j=1:p
3 E(i,j)=0.0;
4 end
5 end
6 for i=1:n
7 for j=1:p
8 for k=1:m
*
B(k,j);
10 end
11 end
12 end
dalam Fortran77
1 do i=1,n
2 do j=1,p
3 E(i,j)=0.0
4 end do
5 end do
6 do i=1,n
7 do j=1,p
8 do k=1,m
*
B(k,j)
10 end do
11 end do
12 end do
dimana akan diperoleh hasil berupa matrik E yang berukuran n x p.
1.4.5 Perkalian matrik dan vektor-kolom
Operasi perkalian antara matrik dan vektor-kolom sebenarnya sama saja dengan perkalian an-
tara dua matrik. Hanya saja ukuran vektor-kolom boleh dibilang spesial yaitu m x 1, dimana
m merupakan jumlah baris sementara jumlah kolomnya hanya satu. Misalnya matrik A, pa-
da contoh 1, dikalikan dengan vektor-kolom x yang berukuran 3 x 1 atau disingkat dengan
mengatakan vektor-kolom x berukuran 3, lalu hasilnya (misalnya) dinamakan vektor-kolom y
y = Ax
y =
_
3 8 5
6 4 7
_
_
_
2
3
4
_
_
=
_
3.2 + 8.3 + 5.4
6.2 + 4.3 + 7.4
_
=
_
50
52
_
Sekali lagi, tanpa mempedulikan nilai elemen-elemen masing-masing, operasi perkalian antara
matrik A dan vektor-kolom x, bisa juga dinyatakan dalam indeksnya masing-masing, yaitu
_
y
1
y
2
_
=
_
a
11
.x
1
+ a
12
.x
2
+ a
13
.x
3
a
21
.x
1
+ a
22
.x
2
+ a
23
.x
3
_
Bila dijabarkan, maka elemen-elemen vektor-kolom y adalah
y
1
= a
11
.x
1
+ a
12
.x
2
+ a
13
.x
3
y
2
= a
21
.x
1
+ a
22
.x
2
+ a
23
.x
3
kemudian secara sederhana dapat diwakili oleh rumus berikut
y
i
=
3
j=1
a
ij
x
j
dimana i=1,2.
Berdasarkan contoh tersebut, secara umum bila ada matrik A berukuran n x m yang dikalikan
dengan vektor-kolom x berukuran m, maka akan didapatkan vektor-kolom y berukuran n x 1
dimana elemen-elemen vektor-kolom y memenuhi
y
i
=
m
j=1
a
ij
x
j
(1.15)
dengan i=1,2,. . . ,n.
1.4.6 Komputasi perkalian matrik dan vektor-kolom
Sama seperti perkalian dua matrik, komputasi untuk operasi perkalian antara matrik Aberuku-
ran n x m dan vektor-kolom x berukuran m dilakukan melalui 2 tahap; pertama adalah mem-
berikan nilai 0 (nol) pada elemen-elemen vektor-kolom y yang berukuran n. Lalu tahap kedua
adalah melakukan proses perkalian. Kedua tahapan ini digabung jadi satu dalam program
berikut ini
1 for i=1:n
2 b(i,1)=0.0;
1.5. PENUTUP 15
3 end
4 for i=1:n
5 for j=1:m
6 b(i,1)=b(i,1)+A(i,j)
*
x(j,1);
7 end
8 end
dan dalam Fortran
1 do i=1,n
2 b(i,1)=0.0
3 end do
4 do i=1,n
5 do j=1,m
6 b(i,1)=b(i,1)+A(i,j)
*
x(j,1)
7 end do
8 end do
1.5 Penutup
Demikianlah catatan singkat dan sederhana mengenai jenis-jenis matrik dasar yang seringkali
dijumpai dalam pengolahan data sika secara numerik. Semuanya akan dijadikan acuan atau
referensi pada pembahasan topik-topik numerik yang akan datang.
1.6 Latihan
Diketahui matrik A, matrik B, dan vektor x sebagai berikut
A =
_
_
1 3 6 2
5 9 7 5.6
2 4 8 1
2.3 1.4 0.8 2.3
_
_
B =
_
_
8 1 4 21
3 10 5 0.1
7 2 9 5
2.7 12 8.9 5.7
_
_
x =
_
_
0.4178
2.9587
56.3069
8.1
_
_
1. Buatlah script untuk menyelesaikan penjumlahan matrik A dan matrik B.
2. Buatlah script untuk menyelesaikan perkalian matrik A dan matrik B.
3. Buatlah script untuk menyelesaikan perkalian matrik A dan vektor x.
4. Buatlah script untuk menyelesaikan perkalian matrik A dan vektor x.
============================================================
Bab 2
Metode Eliminasi Gauss
Objektif :
Mengenalkan sistem persamaan linear.
Mengenalkan teknik triangularisasi dan substitusi mundur.
Aplikasi metode Eliminasi Gauss menggunakan matrik.
Membuat algoritma metode Eliminasi Gauss.
Menghitung invers matrik menggunakan metode Eliminasi Gauss.
2.1 Sistem persamaan linear
Secara umum, sistem persamaan linear dinyatakan sebagai berikut
P
n
: a
n1
x
1
+ a
n2
x
2
+ ... + a
nn
x
n
= b
n
(2.1)
dimana a dan b merupakan konstanta, x adalah variable, n = 1, 2, 3, ....
Contoh pertama
Misalnya ada sistem persamaan linear yang terdiri dari empat buah persamaan yaitu P
1
,
P
2
, P
3
, dan P
4
seperti berikut ini:
P
1
: x
1
+ x
2
+ 3x
4
= 4
P
2
: 2x
1
+ x
2
x
3
+ x
4
= 1
P
3
: 3x
1
x
2
x
3
+ 2x
4
= -3
P
4
: x
1
+ 2x
2
+ 3x
3
x
4
= 4
Problem dari sistem persamaan linear adalah bagaimana mencari nilai pengganti bagi vari-
abel x
1
, x
2
, x
3
, dan x
4
sehingga semua persamaan diatas menjadi benar. Langkah awal penye-
lesaian problem tersebut adalah dengan melakukan penyederhanaan sistem persamaan linear.
17
18 BAB 2. METODE ELIMINASI GAUSS
2.2 Triangularisasi dan Substitusi Mundur
Ada banyak jalan untuk mendapatkan bentuk yang lebih sederhana, namun masalahnya, ki-
ta ingin mendapatkan sebuah algoritma program yang nantinya bisa berjalan di komputer,
sedemikian rupa sehingga apapun persamaannya, bisa disederhanakan oleh komputer. Kita
akan berpatokan pada tiga buah aturan operasi untuk menyederhanakan sistem persamaan
linear di atas, yaitu
Persamaan P
i
dapat dikalikan dengan sembarang konstanta , lalu hasilnya ditempatkan
di posisi persamaan P
i
. Simbol operasi ini adalah (P
i
) (P
i
).
Persamaan P
j
dapat dikalikan dengan sembarang konstanta kemudian dijumlahkan
dengan persamaan P
i
, lalu hasilnya ditempatkan di posisi persamaan P
i
. Simbol operasi
ini adalah (P
i
+ P
j
) (P
i
).
Persamaan P
i
dan P
j
dapat bertukar posisi. Simbol operasi ini adalah (P
i
) (P
j
).
Maka dengan berpegang pada aturan-aturan tersebut, problemsistempersamaan linear di atas
akan diselesaikan dengan langkah-langkah berikut ini:
1. Gunakan persamaan P
1
untuk menghilangkan variabel x
1
dari persamaan P
2
, P
3
dan P
4
dengan cara (P
2
2P
1
) (P
2
), (P
3
3P
1
) (P
3
) dan (P
4
+ P
1
) (P
4
). Hasilnya akan
seperti ini
P
1
: x
1
+ x
2
+ 3x
4
= 4,
P
2
: x
2
x
3
5x
4
= 7,
P
3
: 4x
2
x
3
7x
4
= 15,
P
4
: 3x
2
+ 3x
3
+ 2x
4
= 8
2
untuk menghilangkan variabel x
2
dari persamaan P
3
dan P
4
dengan cara (P
3
4P
2
) (P
3
) dan (P
4
+ 3P
2
) (P
4
). Hasilnya akan seperti ini
P
1
: x
1
+ x
2
+ 3x
4
= 4,
P
2
: x
2
x
3
5x
4
= 7,
P
3
: 3x
3
+ 13x
4
= 13,
P
4
: 13x
4
= 13
Kalau x
3
masih ada di persamaan P
4
, dibutuhkan satu operasi lagi untuk menghilangkan-
nya. Namun hasil operasi pada langkah ke-2 ternyata sudah otomatis menghilangkan x
3
.
Bentuk akhir dari keempat persamaan di atas, dikenal sebagai bentuk triangular.
Sampai dengan langkah ke-2 ini, kita berhasil mendapatkan sistem persamaan linear
yang lebih sederhana. Apa yang dimaksud dengan sederhana dalam konteks ini? Su-
atu sistem persamaan linear dikatakan sederhana bila kita bisa mendapatkan seluruh ni-
lai pengganti variabelnya dengan cara yang lebih mudah atau dengan usaha yang tidak
2.2. TRIANGULARISASI DAN SUBSTITUSI MUNDUR 19
memakan waktu lama dibandingkan sebelum disederhanakan. Sekali kita mendapatkan
nilai pengganti bagi variabel x
4
, maka x
3
, x
2
dan x
1
akan diperoleh dengan mudah dan
cepat, sebagaimana yang dijelaskan pada langkah berikutnya.
3. Selanjutnya kita jalankan proses backward-substitution. Melalui proses ini, yang perta-
ma kali didapat adalah nilai pengganti bagi variabel x
4
, kemudian x
3
, lalu diikuti x
2
, dan
akhirnya x
1
.
P
4
: x
4
=
13
13
= 1,
P
3
: x
3
=
1
3
(13 13x
4
) =
1
3
(13 13) = 0,
P
2
: x
2
= (7 + 5x
4
+ x
3
) = (7 + 5 + 0) = 2,
P
1
: x
1
= 4 3x
4
x
2
= 4 3 2 = 1
Jadi solusinya adalah x
1
= 1, x
2
= 2, x
3
= 0 dan x
4
= 1. Coba sekarang anda cek,
apakah semua solusi ini cocok dan tepat bila dimasukan ke sistempersamaan linear yang
pertama, yaitu yang belum disederhanakan?
OK, mudah-mudahan ngerti ya... Kalau belum paham, coba diulangi bacanya sekali lagi.
Atau, sekarang kita beralih kecontoh yang lain.
Contoh kedua
Misalnya ada sistem persamaan linear, terdiri dari empat buah persamaan yaitu P
1
, P
2
, P
3
,
dan P
4
seperti berikut ini:
P
1
: x
1
x
2
+ 2x
3
x
4
= -8
P
2
: 2x
1
2x
2
+ 3x
3
3x
4
= -20
P
3
: x
1
+ x
2
+ x
3
= -2
P
4
: x
1
x
2
+ 4x
3
+ 3x
4
= 4
Seperti contoh pertama, solusi sistempersamaan linear di atas akan dicari dengan langkah-
langkah berikut ini:
1
untuk menghilangkan x
1
dari persamaan P
2
, P
3
dan P
4
dengan
cara (P
2
2P
1
) (P
2
), (P
3
P
1
) (P
3
) dan (P
4
P
1
) (P
4
P
1
: x
1
x
2
+ 2x
3
x
4
= 8,
P
2
: x
3
x
4
= 4,
P
3
: 2x
2
x
3
+ x
4
= 6,
P
4
: 2x
3
+ 4x
4
= 12
Perhatikan persamaan P
2
! Akibat dari langkah yang pertama tadi, x
2
hilang dari per-
samaan P
2
. Kondisi ini bisa menggagalkan proses triangularisasi. Untuk itu, posisi P
2
mesti ditukar dengan persamaan yang berada dibawahnya, yaitu P
3
atau P
4
. Supaya
proses triangularisasi dilanjutkan kembali, maka yang paling cocok adalah ditukar den-
gan P
3
.
2. Tukar posisi persamaan P
2
dengan persamaan P
3
, (P
2
P
3
P
1
: x
1
x
2
+ 2x
3
x
4
= 8,
P
2
: 2x
2
x
3
+ x
4
= 6,
P
3
: x
3
x
4
= 4,
P
4
: 2x
3
+ 4x
4
= 12
3
untuk menghilangkan x
3
dari persamaan P
4
dengan cara (P
4
2P
3
) (P
4
P
1
: x
1
x
2
+ 2x
3
x
4
= 8,
P
2
: 2x
2
x
3
+ x
4
= 6,
P
3
: x
3
x
4
= 4,
P
4
: 2x
4
= 4
Sampai disini proses triangularisasi telah selesai.
2.3. MATRIK DAN ELIMINASI GAUSS 21
4. Selanjutnya adalah proses backward-substitution. Melalui proses ini, yang pertama kali
didapat solusinya adalah x
4
, kemudian x
3
, lalu diikuti x
2
, dan akhirnya x
1
.
P
4
: x
4
=
4
2
= 2,
P
3
: x
3
=
4 + x
4
1
= 2,
P
2
: x
2
=
6 + x
3
x
4
2
= 3,
P
1
: x
1
= 8 + x
2
2x
3
+ x
4
= 7
Jadi solusinya adalah x
1
= 7, x
2
= 3, x
3
= 2 dan x
4
= 2.
Berdasarkan kedua contoh di atas, untuk mendapatkan solusi sistem persamaan linear, diper-
lukan operasi triangularisasi dan proses backward-substitution. Kata backward-substitution
kalau diterjemahkan kedalam bahasa indonesia, menjadi substitusi-mundur. Gabungan pros-
es triangularisasi dan substitusi-mundur untuk menyelesaikan sistem persamaan linear dike-
nal sebagai metode eliminasi gauss.
2.3 Matrik dan Eliminasi Gauss
Sejumlah matrik bisa digunakan untuk menyatakan suatu sistem persamaan linear. Sejenak,
mari kita kembali lagi melihat sistem persamaan linear secara umum seperti berikut ini:
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
. . . . . . . . . . . . . . . = . . .
. . . . . . . . . . . . . . . = . . .
a
n1
x
1
+ a
n2
x
2
+ . . . + a
nn
x
n
= b
n
Sementara, kalau dinyatakan dalam bentuk operasi matrik, maka akan seperti ini:
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
=
_
_
b
1
b
2
.
.
.
b
n
_
_
(2.2)
Dalam mencari solusi suatu sistem persamaan linear dengan metode eliminasi gauss, bentuk
operasi matrik di atas dimanipulasi menjadi matrik augment, yaitu suatu matrik yang beruku-
ran n x (n + 1) seperti berikut ini:
_
_
a
11
a
12
. . . a
1n
| b
1
a
21
a
22
. . . a
2n
| b
2
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| b
n
_
_
=
_
_
a
11
a
12
. . . a
1n
| a
1,n+1
a
21
a
22
. . . a
2n
| a
2,n+1
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| a
n,n+1
_
_
(2.3)
Berdasarkan contoh pertama yang ada dihalaman depan catatan ini, saya akan tunjukkan pros-
es triangularisasi dan substitusi-mundur dalam operasi matrik terhadap sistem persamaan lin-
ear yang terdiri dari empat persamaan matematika, yaitu (silakan lihat kembali contoh pertama):
_
_
1 1 0 3
2 1 1 1
3 1 1 2
1 2 3 1
_
_
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
4
1
3
4
_
_
Lalu kita dapat membuat matrik augment sebagai berikut:
_
_
1 1 0 3 | 4
2 1 1 1 | 1
3 1 1 2 | 3
1 2 3 1 | 4
_
_
Kemudian kita lakukan operasi triangularisai terhadap matrik augment, dimulai dari kolom
pertama, yaitu
_
_
1 1 0 3 | 4
0 1 1 5 | 7
0 4 1 7 | 15
0 3 3 2 | 8
_
_
lalu dilanjutkan ke kolom berikutnya
_
_
1 1 0 3 | 4
0 1 1 5 | 7
0 0 3 13 | 13
0 0 0 13 | 13
_
_
Sebelum dilanjutkan ke substitusi-mundur, saya ingin menegaskan peranan angka-angka in-
deks dari masing-masing elemen matrik augment tersebut. Silakan perhatikan posisi masing-
2.4. ALGORITMA ELIMINASI GAUSS 23
masing elemen berikut ini:
_
_
1 1 0 3 | 4
0 1 1 5 | 7
0 0 3 13 | 13
0 0 0 13 | 13
_
_
a
11
a
12
a
13
a
14
| a
15
a
21
a
22
a
23
a
24
| a
25
a
31
a
32
a
33
a
34
| a
35
a
41
a
42
a
43
a
44
| a
45
_
_
Dengan memperhatikan angka-angka indeks pada matrik augment di atas, kita akan menco-
ba membuat rumusan proses substitusi-mundur untuk mendapatkan seluruh nilai pengganti
variabel x. Dimulai dari x
4
,
x
4
=
a
45
a
44
=
13
13
= 1
ini dapat dinyatakan dalam rumus umum, yaitu
x
n
=
a
n,n+1
a
nn
lalu dilanjutkan dengan x
3
, x
2
, dan x
1
.
x
3
=
a
35
a
34
x
4
a
33
=
13 [(13)(1)]
3
= 0
x
2
=
a
25
(a
23
x
3
+ a
24
x
4
)
a
22
=
(7) [(1)(0) + (5)(1)]
(1)
= 2
x
1
=
a
15
(a
12
x
2
+ a
13
x
3
+ a
14
x
4
)
a
11
=
4 [(1)(2) + (0)(0) + (3)(1)]
1
= 1
ini juga dapat dinyatakan dalam rumus umum yaitu:
x
i
=
a
i,n+1
n
j=i+1
a
ij
x
j
a
ii
Proses triangularisasi dan substitusi-mundur dibakukan menjadi algoritma metode eliminasi
gauss yang dapat diterapkan dalam berbagai bahasa pemrograman komputer, misalnya for-
tran, C, java, pascal, matlab, dan lain-lain.
2.4 Algoritma eliminasi Gauss
Secara umum, sistem persamaan linear adalah sebagai berikut:
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
.
.
.
.
.
. =
.
.
.
a
n1
x
1
+ a
n2
x
2
+ . . . + a
nn
x
n
= b
n
Algoritma dasar metode eliminasi gauss, adalah sebagai berikut:
1. Ubahlah sistem persamaan linear tersebut menjadi matrik augment, yaitu suatu matrik
yang berukuran n x (n + 1) seperti berikut ini:
_
_
a
11
a
12
. . . a
1n
| b
1
a
21
a
22
. . . a
2n
| b
2
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| b
n
_
_
=
_
_
a
11
a
12
. . . a
1n
| a
1,n+1
a
21
a
22
. . . a
2n
| a
2,n+1
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| a
n,n+1
_
_
(2.4)
Jelas terlihat bahwa elemen-elemen yang menempati kolom terakhir matrik augment
adalah nilai dari b
i
; yaitu a
i,n+1
= b
i
dimana i = 1, 2, ..., n.
2. Periksalah elemen-elemen pivot. Apakah ada yang bernilai nol? Elemen-elemen pivot
adalah elemen-elemen yang menempati diagonal suatu matrik, yaitu a
11
, a
22
, ..., a
nn
atau disingkat a
ii
. Jika a
ii
= 0, bisa dilanjutkan ke langkah no.3. Namun, jika ada elemen
diagonal yang bernilai nol, a
ii
= 0, maka baris dimana elemen itu berada harus ditukar
posisinya dengan baris yang ada dibawahnya, (P
i
) (P
j
) dimana j = i + 1, i + 2, ..., n,
sampai elemen diagonal matrik menjadi tidak nol, a
ii
= 0. (Kalau kurang jelas, silakan lihat
lagi contoh kedua yang ada dihalaman 3. Sebaiknya, walaupun elemen diagonalnya tidak nol,
namun mendekati nol (misalnya 0,03), maka proses pertukaran ini dilakukan juga).
3. Proses triangularisasi. Lakukanlah operasi berikut:
P
j
a
ji
a
ii
P
i
P
j
(2.5)
dimana j = i + 1, i + 2, ..., n. Maka matrik augment akan menjadi:
_
_
a
11
a
12
a
13
. . . a
1n
| a
1,n+1
0 a
22
a
23
. . . a
2n
| a
2,n+1
0 0 a
33
. . . a
3n
| a
3,n+1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. |
.
.
.
0 0 0 0 a
nn
| a
n,n+1
_
_
(2.6)
4. Hitunglah nilai x
n
dengan cara:
x
n
=
a
n,n+1
a
nn
(2.7)
5. Lakukanlah proses substitusi-mundur untuk memperoleh x
n1
, x
n2
, ..., x
2
, x
1
dengan
cara:
x
i
=
a
i,n+1
n
j=i+1
a
ij
x
j
a
ii
(2.8)
dimana i = n 1, n 2, ..., 2, 1.
Demikianlan algoritma dasar metode eliminasi gauss. Selanjutnya algoritma dasar tersebut
perlu dirinci lagi sebelum dapat diterjemahkan kedalam bahasa pemrograman komputer.
2.4.1 Algoritma
Algoritma metode eliminasi gauss untuk menyelesaikan n x n sistem persamaan linear.
P
1
: a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
P
2
: a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
. =
.
.
.
P
n
: a
n1
x
1
+ a
n2
x
2
+ . . . + a
nn
x
n
= b
n
INPUT: sejumlah persamaan linear dimana konstanta-konstanta-nya menjadi elemen-elemen
matrik augment A = (a
ij
), dengan 1 i n dan 1 j n + 1.
OUTPUT: solusi x
1
, x
2
, x
3
, ..., x
n
atau pesan kesalahan yang mengatakan bahwa sistemper-
samaan linear tidak memiliki solusi yang unik.
Langkah 1: Inputkan konstanta-konstanta dari sistempersamaan linear kedalamelemen-
elemen matrik augment, yaitu suatu matrik yang berukuran n x (n + 1) seperti berikut
ini:
_
_
a
11
a
12
. . . a
1n
| b
1
a
21
a
22
. . . a
2n
| b
2
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| b
n
_
_
=
_
_
a
11
a
12
. . . a
1n
| a
1,n+1
a
21
a
22
. . . a
2n
| a
2,n+1
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| a
n,n+1
_
_
(2.9)
Langkah 2: Untuk i = 1, ..., n 1, lakukan Langkah 3 sampai Langkah 5.
Langkah 3: Denisikan p sebagai integer dimana i p n. Lalu pastikan bahwa
a
pi
= 0. Jika ada elemen diagonal yang bernilai nol (a
ii
= 0), maka program harus
mencari dan memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang
sama dengan kolom tempat elemen diagonal tersebut berada. Jadi saat proses ini
berlangsung, integer i (indeks dari kolom) dibuat konstan, sementara integer p (in-
deks dari baris) bergerak dari p = i sampai p = n. Bila ternyata setelah mencapai
elemen paling bawah dalam kolom tersebut, yaitu saat p = n tetap didapat nilai
a
pi
= 0, maka sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki
solusi yang unik. Lalu program berakhir: STOP.
Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh
elemen yang tidak nol (a
pi
= 0), maka bisa dipastikan p = i. Jika p = i maka
lakukan proses pertukaran (P
p
) (P
i
).
Langkah 5: Untuk j = i + 1, .., n, lakukan Langkah 6 dan Langkah 7.
Langkah 6: Tentukan m
ji
,
m
ji
=
a
ji
a
ii
Langkah 7: Lakukan proses triangularisasi,
(P
j
m
ji
P
i
) (P
j
)
Langkah 8: Setelah proses triangularisasi dilalui, periksalah a
nn
. Jika a
nn
= 0, kirimkan
pesan: sistem persamaan linear tidak memiliki solusi yang unik. Lalu program berakhir:
STOP.
Langkah 9: Jika a
nn
= 0, lakukan proses substitusi mundur, dimulai dengan menentukan
x
n
,
x
n
=
a
n,n+1
a
nn
Langkah 10: Untuk i = n 1, ..., 1 tentukan x
i
,
x
i
=
a
i,n+1
n
j=i+1
a
ij
x
j
a
ii
Langkah 11: Diperoleh solusi yaitu x
1
, x
2
, ..., x
n
. Algoritma telah dijalankan dengan suk-
ses. STOP.
Saya telah membuat programsederhana dalamfortran untuk mewujudkan algoritma elim-
inasi gauss. Saya berasumsi bahwa anda sudah menguasai dasar-dasar pemrograman dalam
fortran. Program ini sudah dicoba di-compile dengan fortran77 under Linux Debian dan
visual-fortran under windows-XP.
Langkah-langkah yang tercantum pada program ini disesuaikan dengan langkah-langkah
yang tertulis di atas. Dalam program ini, ukuran maksimum matrik augment adalah 10 x
11, untuk mencari 10 variabel yang tidak diketahui. Jika anda bermaksud memperbesar atau
memperkecil ukuran matrik augment, silakan sesuaikan angka ukuran matrik yang anda in-
ginkan pada statemen pertama dari programini, yaitu statemen DIMENSION. Inilah program-
nya,
1 DIMENSION A(10,11), X(10)
2 REAL MJI
3 WRITE (
*
,
*
) =PROGRAM ELIMINASI GAUSS=
4 WRITE (
*
,
*
)
5 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK AUGMENT
6 WRITE (
*
,(1X,A)) JUMLAH PERSAMAAN ?
7 READ (
*
,
*
) N
8 WRITE (
*
,
*
)
9 WRITE (
*
,
*
) MASUKAN ELEMEN-ELEMEN MATRIK AUGMENT
10 M = N + 1
11 DO 50 I = 1,N
12 DO 60 J = 1,M
13 WRITE (
*
,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
14 READ (
*
,
*
) A(I,J)
15 60 CONTINUE
16 50 CONTINUE
17 WRITE (
*
,
*
)
18 C MENAMPILKAN MATRIK AUGMENT
19 WRITE (
*
,(1X,A)) MATRIK AUGMENT:
20 DO 110 I = 1,N
21 WRITE (
*
,(1X,5(F14.8))) (A(I,J),J=1,M)
22 110 CONTINUE
23 WRITE (
*
,
*
)
24 C LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT DAN PROSES TUKAR POSISI
25 NN = N-1
26 DO 10 I=1,NN
27 C LANGKAH 3: MENDEFINISIKAN P
28 P = I
29 100 IF (ABS(A(P,I)).GE.1.0E-20 .OR. P.GT.N) GOTO 200
30 P = P+1
31 GOTO 100
32 200 IF(P.EQ.N+1)THEN
33 C MENAMPILKAN PESAN TIDAK UNIK
34 WRITE(
*
,5)
35 GOTO 400
36 END IF
37 C LANGKAH 4: PROSES TUKAR POSISI
38 IF(P.NE.I) THEN
39 DO 20 JJ=1,M
40 C = A(I,JJ)
41 A(I,JJ) = A(P,JJ)
42 A(P,JJ) = C
43 20 CONTINUE
44 END IF
45 C LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI
46 JJ = I+1
47 DO 30 J=JJ,N
48 C LANGKAH 6: TENTUKAN MJI
49 MJI = A(J,I)/A(I,I)
50 C LANGKAH 7: MELAKUKAN PROSES TRIANGULARISASI
51 DO 40 K=JJ,M
52 A(J,K) = A(J,K)-MJI
*
A(I,K)
53 40 CONTINUE
54 A(J,I) = 0
55 30 CONTINUE
56 10 CONTINUE
57 C MENAMPILKAN HASIL TRIANGULARISASI
58 WRITE (
*
,(1X,A)) HASIL TRIANGULARISASI:
59 DO 120 I = 1,N
60 WRITE (
*
,(1X,5(F14.8))) (A(I,J),J=1,M)
61 120 CONTINUE
62 C LANGKAH 8: MEMERIKSA ELEMEN A(N,N)
63 IF(ABS(A(N,N)).LT.1.0E-20) THEN
64 C MENAMPILKAN PESAN TIDAK UNIK
65 WRITE(
*
,5)
66 GOTO 400
67 END IF
68 C LANGKAH 9: MENGHITUNG X(N)
69 X(N) = A(N,N+1)/A(N,N)
70 C LANGKAH 10: PROSES SUBSTITUSI MUNDUR
71 L = N-1
72 DO 15 K=1,L
73 I = L-K+1
74 JJ = I+1
75 SUM = 0.0
76 DO 16 KK=JJ,N
77 SUM = SUM+A(I,KK)
*
X(KK)
78 16 CONTINUE
79 X(I) = (A(I,N+1)-SUM)/A(I,I)
80 15 CONTINUE
81 C LANGKAH 11: MENAMPILKAN HASIL PERHITUNGAN
82 WRITE (
*
,
*
)
83 WRITE (
*
,7)
84 DO 18 I = 1,N
85 WRITE (
*
,(1X,A,I2,A,F14.8)) X(,I,) = ,X(I)
86 18 CONTINUE
87 400 STOP
88
89 5 FORMAT(1X,SISTEM LINEAR TIDAK MEMILIKI SOLUSI YANG UNIK)
90 7 FORMAT(1X,SOLUSI UNIK)
91 END
Script eliminasi gauss dalam matlab juga telah dibuat. Namun dalamanda perlu memodikasi
elemen-elemen matrik A agar sesuai dengan data yang hendak anda olah.
1 clear all
2 clc
3 A(1,1)=1;
4 A(1,2)=1;
5 A(1,3)=-1;
6 A(1,4)=0;
7 A(2,1)=6;
8 A(2,2)=-4;
9 A(2,3)=0;
10 A(2,4)=24;
11 A(3,1)=6;
12 A(3,2)=0;
13 A(3,3)=2;
14 A(3,4)=10;
15 A
16 n=3 %jumlah persamaan
17 pause
18
19 %========== Proses Triangularisasi =========
20 for j=1:(n-1)
21
22 %----mulai proses pivot---
23 if (A(j,j)==0)
24 for p=1:n+1
25 u=A(j,p);
26 v=A(j+1,p);
27 A(j+1,p)=u;
28 A(j,p)=v;
29 end
30 end
31 %----akhir proses pivot---
32 jj=j+1;
33 for i=jj:n
34 m=A(i,j)/A(j,j);
35 for k=1:(n+1)
36 A(i,k)=A(i,k)-(m
*
A(j,k));
37 end
38 end
39 end
40 A
2.5. CONTOH APLIKASI 29
41 pause
42 %========= Akhir Proses Triangularisasi ===
43
44 %------Proses Substitusi mundur-------------
45 x(n,1)=A(n,n+1)/A(n,n);
46
47 for i=n-1:-1:1
48 S=0;
49 for j=n:-1:i+1
50 S=S+A(i,j)
*
x(j,1);
51 end
52 x(i,1)=(A(i,n+1)-S)/A(i,i);
53 end
54 x
2.5 Contoh aplikasi
2.5.1 Menghitung arus listrik
Gunakan metode Eliminasi Gauss untuk menentukan arus i
1
, i
2
dan i
3
yang mengalir pada
rangkaian berikut ini
jawab:
Berdasarkan Hukum Kirchhoff:
I
1
+ I
2
= I
3
10 6I
1
2I
3
= 0
14 + 6I
1
10 4I
2
= 0
Lalu kita susun ulang ketiga persamaan di atas menjadi seperti ini:
I
1
+ I
2
I
3
= 0
6I
1
+ 2I
3
= 10
6I
1
4I
2
= 24
Kemudian dinyatakan dalam bentuk matriks:
_
_
1 1 1
6 4 0
6 0 2
_
_
_
_
I
1
I
2
I
3
_
_
=
_
_
0
24
10
_
_
Selanjutkan kita susun matriks augmentasi sebagai berikut:
_
_
1 1 1 0
6 4 0 24
6 0 2 10
_
_
Langkah berikutnya adalah menghitung matriks triangularisasi dengan langkah-langkah se-
bagai berikut:
m =
a
21
a
11
=
6
1
= 6
a
21
= a
21
m.a
11
= 6 (6).(1) = 0
a
22
= a
22
m.a
12
= 4 (6).(1) = 10
a
23
= a
23
m.a
13
= 0 (6).(1) = 6
a
24
= a
24
m.a
14
= 24 (6).(0) = 24
m =
a
31
a
11
=
6
1
= 6
a
31
= a
31
m.a
11
= 6 (6).(1) = 0
a
32
= a
32
m.a
12
= 0 (6).(1) = 6
a
33
= a
33
m.a
13
= 2 (6).(1) = 8
a
34
= a
34
m.a
14
= 10 (6).(0) = 10
Sampai disini matriks augment mengalami perubahan menjadi
_
_
1 1 1 0
0 10 6 24
0 6 8 10
_
_
2.6. MENGHITUNG INVERS MATRIK 31
Kelanjutan langkah menuju triangularisasi adalah
m =
a
32
a
22
=
6
10
a
31
= a
31
m.a
21
= 0 (
6
10
).(0) = 0
a
32
= a
32
m.a
22
= 6 (
6
10
).(10) = 0
a
33
= a
33
m.a
23
= 8 (
6
10
).(6) = 4, 4
a
34
= a
34
m.a
24
= 10 (
6
10
).(24) = 4, 4
maka matriks triangularisasi berhasil didapat yaitu
_
_
1 1 1 0
0 10 6 24
0 0 4, 4 4, 4
_
_
Sekarang tinggal melakukan proses substitusi mundur
I
3
=
a
34
a
33
=
4, 4
4, 4
= 1
I
2
=
a
24
a
23
.I
3
a
22
=
24 (6).(1)
10
= 3
I
1
=
a
14
(a
13
.I
3
+ a
12
.I
2
)
a
11
=
(0 [(1).(1) + (1).(3)]
1
= 2
Dengan demikian, besar masing-masing arus pada rangkaian di atas adalah I
1
= 2A, I
2
= 3A
dan I
3
= 1A. Tanda minus (-) memiliki arti bahwa arah arus yang sesungguhnya berlawanan
arah dengan asumsi awal yang kita gunakan.
2.6 Menghitung invers matrik
Sekali lagi saya ulangi apa yang pernah kita bahas di awal bab ini yaitu bahwa sistem per-
samaan linear dapat dinyatakan sebagai berikut:
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
. . . . . . . . . . . . . . . = . . .
. . . . . . . . . . . . . . . = . . .
a
n1
x
1
+ a
n2
x
2
+ . . . + a
nn
x
n
= b
n
Sistem persamaan linear tersebut dapat dinyatakan dalam bentuk operasi matrik,
Ax = b (2.10)
sehingga bentuknya menjadi seperti ini:
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
=
_
_
b
1
b
2
.
.
.
b
n
_
_
dimana
A =
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
, x =
_
_
x
1
x
2
.
.
.
x
n
_
_
, b =
_
_
b
1
b
2
.
.
.
b
n
_
_
Dalam kaitannya dengan invers matrik, matrik A disebut matrik non-singular jika matrik
A memiliki matrik invers dirinya yaitu A
1
. Atau dengan kata lain, matrik A
1
adalah invers
dari matrik A. Jika matrik A tidak memiliki invers, maka matrik A disebut singular. Bila
matrik Adikalikan dengan matrik A
1
maka akan menghasilkan matrik identitas I, yaitu suatu
matrik yang elemen-elemen diagonalnya bernilai 1.
AA
1
= I =
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
(2.11)
Misalnya diketahui,
A =
_
_
1 2 1
2 1 0
1 1 2
_
_
, A
1
=
_
2
9
5
9

1
9
4
9

1
9
2
9
1
3
1
3
1
3
_
_
Bila keduanya dikalikan, maka akan menghasilkan matrik identitas,
AA
1
=
_
_
1 2 1
2 1 0
1 1 2
_
_
_
2
9
5
9

1
9
4
9

1
9
2
9
1
3
1
3
1
3
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
Lalu bagaimana cara mendapatkan matrik invers, A
1
? Persamaan (2.11) bisa dijadikan
pedoman..
AA
1
= I
_
_
1 2 1
2 1 0
1 1 2
_
_
_
_
i
11
i
12
i
13
i
21
i
22
i
23
i
31
i
32
i
33
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
dalam hal ini matrik A
1
adalah
A
1
=
_
_
i
11
i
12
i
13
i
21
i
22
i
23
i
31
i
32
i
33
_
_
Elemen-elemen matrik invers, A
1
dapat diperoleh dengan menerapkan metode eliminasi
gauss. Diawali dengan membentuk matrik augment:
_
_
1 2 1 | 1 0 0
2 1 0 | 0 1 0
1 1 2 | 0 0 1
_
_
Lalu dilanjutkan dengan proses triangularisasi: (P
2
2P
1
)(P
2
) dan (P
3
+P
1
)(P
3
), kemudian
diikuti oleh (P
3
+ P
2
)(P
3
):
_
_
1 2 1 | 1 0 0
0 3 2 | 2 1 0
0 3 1 | 1 0 1
_
_
1 2 1 | 1 0 0
0 3 2 | 2 1 0
0 0 3 | 1 1 1
_
_
Langkah berikutnya, matrik augment yang telah mengalami triangularisasi tersebut dipecah
menjadi tiga buah matrik augment seperti berikut ini:
_
_
1 2 1 | 1
0 3 2 | 2
0 0 3 | 1
_
_
_
_
1 2 1 | 0
0 3 2 | 1
0 0 3 | 1
_
_
_
_
1 2 1 | 0
0 3 2 | 0
0 0 3 | 1
_
_
Langkah pamungkasnya adalah melakukan proses substitusi mundur pada ketiga matrik aug-
ment di atas, sehingga diperoleh:
i
11
=
2
9
i
21
=
4
9
i
31
=
1
3
i
12
=
5
9
i
22
=
1
9
i
32
=
1
3
i
13
=
1
9
i
23
=
2
9
i
33
=
1
3
Hasil tersebut digabung menjadi sebuah matrik, yaitu matrik A
1
,
A
1
=
_
2
9
5
9

1
9
4
9

1
9
2
9
1
3
1
3
1
3
_
_
Keberadaan matrik A
1
bisa digunakan untuk menyelesaikan sistem persamaan linear
(mencari nilai x), dengan cara sebagai berikut
Ax = b
A
1
Ax = A
1
b
Ix = A
1
b
x = A
1
b (2.12)
Contoh berikut ini akan menjelaskan prosesnya secara lebih rinci. Misalnya diketahui sistem
persamaan linear
x
1
+ 2x
2
x
3
= 2
2x
1
+ x
2
= 3
x
1
+ x
2
+ 2x
3
= 4
Bila dikonversikan kedalam operasi matrik menjadi
_
_
1 2 1
2 1 0
1 1 2
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
2
3
4
_
_
Berdasarkan persamaan (2.12), maka elemen-elemen vektor x dapat dicari dengan cara
x = A
1
b
x =
_
2
9
5
9

1
9
4
9

1
9
2
9
1
3
1
3
1
3
_
_
_
_
2
3
4
_
_
=
_
_
7
9
13
9
5
3
_
_
Akhirnya diperoleh solusi x
1
= 7/9, x
2
= 13/9, dan x
3
= 5/3. Penyelesaian sistem persamaan
linear menjadi lebih mudah bila matrik A
1
sudah diketahui. Sayangnya, untuk mendap-
atkan matrik A
1
, diperlukan langkah-langkah, seperti yang sudah dibahas pada contoh per-
tama di atas, yang berakibat in-esiensi proses penyelesaian (secara komputasi) bila diband-
ingkan dengan metode eliminasi gauss untuk memecahkan sistem persamaan linear. Namun
bagaimanapun, secara konseptual kita dianjurkan mengetahui cara bagaimana mendapatkan
matrik A
1
.
Saya telah memodikasi program eliminasi gauss yang terdahulu, untuk keperluan perhi-
tungan matrik invers. Program ini ditulis dengan bahasa fortran, sudah berhasil dikompilasi
dalam Linux Debian (g77) dan Windows XP (Visual Fortran). Inilah programnya,
1 DIMENSION A(10,20), D(10,10), X(10)
2 REAL MJI
3 INTEGER TKR, BK, TK, Q
4 WRITE (
*
,
*
) =PROGRAM INVERS MATRIK DENGAN ELIMINASI GAUSS=
5 WRITE (
*
,
*
)
6 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A
7 WRITE (
*
8 READ (
*
,
*
) N
9 WRITE (
*
,
*
)
10 WRITE (
*
,
*
) MASUKAN ELEMEN-ELEMEN MATRIK A
11 M = N + 1
12 DO 50 I = 1,N
13 DO 60 J = 1,N
14 WRITE (
*
,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
15 READ (
*
,
*
) A(I,J)
16 60 CONTINUE
17 50 CONTINUE
18 C LANGKAH 2: MENDEFINISIKAN MATRIK IDENTITAS
19 WRITE (
*
,
*
) MENDEFINISIKAN MATRIK IDENTITAS
20 DO 70 I = 1,N
21 DO 80 J = M,N+N
22 A(I,J) = 0
23 IF (I+N .EQ. J) THEN
24 A(I,J) = 1
25 END IF
26 80 CONTINUE
27 70 CONTINUE
28 WRITE (
*
,
*
)
29 C MENAMPILKAN MATRIK AUGMENT
30 WRITE (
*
,(1X,A)) MATRIK AUGMENT:
31 DO 110 I = 1,N
32 WRITE (
*
,(1X,5(F14.8))) (A(I,J),J=1,N+N)
33 110 CONTINUE
34 WRITE (
*
,
*
)
35 C MENGHITUNG JUMLAH TUKAR (TKR) POSISI. MULA2 TKR = 0
36 TKR = 0
37 C MENGHITUNG JUMLAH OPERASI BAGI/KALI (BK).
38 BK = 0
39 C MENGHITUNG JUMLAH OPERASI TAMBAH/KURANG (TK).
40 TK = 0
41 C LANGKAH 3: MEMERIKSA ELEMEN2 PIVOT DAN PROSES TUKAR POSISI
42 NN = N-1
43 DO 10 I=1,NN
45 P = I
47 P = P+1
48 GOTO 100
50 C MENAMPILKAN PESAN SINGULAR
51 WRITE(
*
,5)
52 GOTO 400
53 END IF
55 IF(P.NE.I) THEN
56 DO 20 JJ=1,N+N
57 C = A(I,JJ)
59 A(P,JJ) = C
60 TKR = TKR + 1
61 20 CONTINUE
62 END IF
64 JJ = I+1
65 DO 30 J=JJ,N
68 BK = BK + 1
69 C LANGKAH 8: MELAKUKAN PROSES TRIANGULARISASI
70 DO 40 K=JJ,N+N
*
A(I,K)
72 BK = BK + 1
73 TK = TK + 1
74 40 CONTINUE
75 A(J,I) = 0
76 30 CONTINUE
77 10 CONTINUE
78 C MENAMPILKAN HASIL TRIANGULARISASI
79 WRITE (
*
,(1X,A)) HASIL TRIANGULARISASI:
80 DO 120 I = 1,N
81 WRITE (
*
,(1X,5(F14.8))) (A(I,J),J=1,N+N)
82 120 CONTINUE
83 C LANGKAH 9: MEMERIKSA ELEMEN A(N,N)
84 IF(ABS(A(N,N)).LT.1.0E-20) THEN
85 C MENAMPILKAN PESAN SINGULAR
86 WRITE(
*
,5)
87 GOTO 400
88 END IF
89 DO 500 J = 1,N
90 Q=N+J
91 C LANGKAH 10: MENGHITUNG A(N,N)
92 D(J,N) = A(N,Q)/A(N,N)
93 BK = BK + 1
94 C LANGKAH 11: PROSES SUBSTITUSI MUNDUR
95 L = N-1
96 DO 15 K=1,L
97 I = L-K+1
98 JJ = I+1
99 SUM = 0.0
100 DO 16 KK=JJ,N
*
D(J,KK)
102 BK = BK + 1
103 TK = TK + 1
104 16 CONTINUE
105 D(J,I) = (A(I,Q)-SUM)/A(I,I)
106 BK = BK + 1
107 TK = TK + 1
108 15 CONTINUE
109 500 CONTINUE
110 C LANGKAH 12: MENAMPILKAN HASIL PERHITUNGAN
111 WRITE (
*
,
*
)
112 WRITE (
*
,(1X,A)) MATRIK INVERS:
113 DO 220 I = 1,N
114 WRITE (
*
,(1X,5(F14.8))) (D(J,I),J=1,N)
115 220 CONTINUE
116 WRITE(
*
,8) TKR
117 WRITE(
*
,9) BK
118 WRITE(
*
,11) TK
119 400 STOP
120 5 FORMAT(1X,MATRIK A BERSIFAT SINGULAR)
121 8 FORMAT(1X,JUMLAH TUKAR POSISI = ,3X,I5)
122 9 FORMAT(1X,JUMLAH OPERASI BAGI/KALI = ,3X,I6)
123 11 FORMAT(1X,JUMLAH OPERASI JUMLAH/KURANG = ,3X,I6)
2.7. PENUTUP 37
124 END
2.7 Penutup
Silakan anda coba aplikasikan program di atas dengan berbagai sistem persamaan linear yang
pernah dijadikan contoh pada catatan terdahulu. Saya cukupkan sementara sampai disini.
Insya Allah akan saya sambung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan
hubungi saya melalui email yang tercantum di halaman paling depan.
Bab 3
Aplikasi Eliminasi Gauss pada Masalah
Inversi
Objektif :
Mengenalkan model garis.
Mengenalkan model parabola.
Mengenalkan model bidang.
Pada bab ini, saya mencoba menuliskan aplikasi Metode Eliminasi Gauss sebagai dasar-
dasar teknik inversi yaitu meliputi model garis, model parabola dan model bidang. Uraian ap-
likasi tersebut diawali dari ketersediaan data observasi, lalu sejumlah parameter model mesti
dicari dengan teknik inversi. Mari kita mulai dari model garis.
3.1 Inversi Model Garis
Pengukuran temperatur terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa
semakin dalam, temperatur semakin tinggi. Misalnya telah dilakukan sebanyak empat kali (N
= 4) pengukuran temperatur (T
i
) pada kedalaman yang berbeda beda (z
i
). Tabel pengukuran
secara sederhana disajikan seperti ini: Lalu kita berasumsi bahwa variasi temperatur terhadap
Tabel 3.1: Data temperatur bawah permukaan tanah terhadap kedalaman
Pengukuran ke-i Kedalaman (m) Temperatur (
O
C)
1 z
1
= 5 T
1
= 35
2 z
2
= 16 T
2
= 57
3 z
3
= 25 T
3
= 75
4 z
4
= 100 T
4
= 225
kedalaman ditentukan oleh rumus berikut ini:
m
1
+ m
2
z
i
= T
i
(3.1)
39
40 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
dimana m
1
dan m
2
adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut mod-
el. Sedangkan m
1
dan m
2
disebut model parameter. Jadi pada model di atas terdapat dua
buah model parameter, (M = 2). Adapun yang berlaku sebagai data adalah nilai-nilai tem-
peratur T
1
, T
2
,..., dan T
4
. Berdasarkan model tersebut, kita bisa menyatakan temperatur dan
kedalaman masing-masing sebagai berikut:
m
1
+ m
2
z
1
= T
1
m
1
+ m
2
z
2
= T
2
m
1
+ m
2
z
3
= T
3
m
1
+ m
2
z
4
= T
4
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
_
_
1 z
1
1 z
2
1 z
3
1 z
4
_
_
_
m
1
m
2
_
=
_
_
T
1
T
2
T
3
T
4
_
_
(3.2)
Lalu ditulis secara singkat
Gm = d (3.3)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
patkan nilai m
1
dan m
2
pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
G
t
Gm = G
t
d (3.4)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu G
t
G =
_
_
1 z
1
1 z
2
1 z
3
1 z
4
_
_
G
t
=
_
1 1 1 1
z
1
z
2
z
3
z
4
_
2. Tentukan G
t
G
G
t
G =
_
1 1 1 1
z
1
z
2
z
3
z
4
_
_
_
1 z
1
1 z
2
1 z
3
1 z
4
_
_
=
_
N
z
i
z
i
z
2
i
_
3.1. INVERSI MODEL GARIS 41
dimana N = 4 dan i = 1, 2, 3, 4.
3. Kemudian tentukan pula G
t
d
G
t
d =
_
1 1 1 1
z
1
z
2
z
3
z
4
_
_
_
T
1
T
2
T
3
T
4
_
_
=
_

T
i
z
i
T
i
_
4. Sekarang persamaan (3.4) dapat dinyatakan sebagai
_
N
z
i
z
i
z
2
i
__
m
1
m
2
_
=
_

T
i
z
i
T
i
_
(3.5)
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
_
N
z
i
|
T
i
z
i
z
2
i
|
z
i
T
i
_
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
_
4 146 | 392
146 10906 | 25462
_
7. Lakukan proses triangularisasi dengan operasi (P
2
(36, 5)P
1
) P
2
. Saya sertakan
pula indeks masing-masing elemen pada matrik augment sebagaimana yang telah saya
lakukan pada catatan kuliah yang berjudul Metode Eliminasi Gauss. Hasilnya adalah
_
4 146 | 392
0 5577 | 11154
_
=
_
a
11
a
12
| a
13
a
21
a
22
| a
23
_
8. Terakhir, tentukan konstanta m
1
dan m
2
yang merupakan elemen-elemen vektor kolom
m, dengan proses substitusi mundur. Pertama tentukan m
2
m
2
=
a
23
a
22
=
11154
5577
= 2
lalu tentukan m
1
m
1
=
a
13
a
12
m
2
a
11
=
392 (146)(2)
4
= 25
3.1.1 Script matlab inversi model garis
Script inversi model garis ini dibangun dari beberapa script yang sudah kita pelajari sebelum-
nya, yaitu script transpose matriks, perkalian matrik dan script eliminasi gauss. Silakan pela-
jari maksud tiap-tiap baris pada script ini.
1 clc
2 clear all
3
4 disp(Data observasi)
5 z1=5;
6 z2=16;
7 z3=25;
8 z4=100;
9
10 T(1,1)=35;
11 T(2,1)=57;
12 T(3,1)=75;
13 T(4,1)=225;
14
15 disp(Elemen-elemen matriks kernel G)
16 G(1,1)=1;
17 G(1,2)=z1;
18 G(2,1)=1;
19 G(2,2)=z2;
20 G(3,1)=1;
21 G(3,2)=z3;
22 G(4,1)=1;
23 G(4,2)=z4;
24 G
25 d=T;
26 d
27
28 N=4; %jumlah data
29 M=2; %model parameter
30
31 disp(Mencari G transpos)
32 for i=1:N
33 for j=1:M
34 GT(j,i)=G(i,j);
35 end
36 end
37 GT
38
39 disp(Perkalian GT dan G)
40 for i=1:M
41 for j=1:M
42 GTG(i,j)=0;
43 end
44 end
45 for i=1:M
46 for j=1:M
47 for k=1:N
48 GTG(i,j)=GTG(i,j)+GT(i,k)
*
G(k,j);
49 end
50 end
51 end
3.1. INVERSI MODEL GARIS 43
52 GTG
53
54 disp(Perkalian GT dan d)
55 for i=1:M
56 for j=1:1
57 GTd(i,j)=0;
58 end
59 end
60 for i=1:M
61 for j=1:1
62 for k=1:N
63 GTd(i,j)=GTd(i,j)+GT(i,k)
*
d(k,j);
64 end
65 end
66 end
67 GTd
68
69 A=GTG;
70 %====== Menggabungkan Vektor GTd kedalam matrik A ========
71 n=M;
72 for i=1:n
73 A(i,n+1)=GTd(i,1);
74 end
75 A
76
77 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
78 %---------Proses Triangularisasi-----------
79 for j=1:(n-1)
80
82 if (A(j,j)==0)
83 for p=1:n+1
84 u=A(j,p);
85 v=A(j+1,p);
86 A(j+1,p)=u;
87 A(j,p)=v;
88 end
89 end
91 jj=j+1;
92 for i=jj:n
93 m=A(i,j)/A(j,j);
94 for k=1:(n+1)
95 A(i,k)=A(i,k)-(m
*
A(j,k));
96 end
97 end
98 end
99 %-------------------------------------------
100
102 x(n,1)=A(n,n+1)/A(n,n);
103
104 for i=n-1:-1:1
105 S=0;
106 for j=n:-1:i+1
107 S=S+A(i,j)
*
x(j,1);
108 end
109 x(i,1)=(A(i,n+1)-S)/A(i,i);
110 end
111 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
112 disp(Model parameter yang dicari)
113 m=x
Sebetulnya, matlab telah menyediakan fungsi-fungsi intrinsik yang bisa digunakan sehing-
ga dapat memperkecil jumlah baris pada script di atas. Dari line 28 sampai line 113 dapat
dipangkas menjadi
1 m=inv(G
*
G)
*
G
*
d %Proses inversi linear
Lalu mengapa kita harus bersusah payah membangun script yang begitu panjang bila mat-
lab bisa melakukannya dengan mudah? Karena kita sedang mempelajari teknik-teknik kom-
putasi untuk menyelesaikan problem sains dan teknik. Kita tidak sedang belajar matlab. Ja-
di teknik-teknik yang dipelajari disini harus bisa diterapkan di selain matlab. Script singkat
m = inv(G
G) G
d hanya berlaku di matlab, sementara script yang panjangnya 113 line

dapat diterjemahkan dengan sangat mudah ke dalam bahasa pemrograman selain matlab.
Demikianlah contoh aplikasi metode Eliminasi Gauss dengan substitusi mundur. Anda
bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki ben-
tuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model persamaan
garis atau disingkat model garis: y = m1 + m2x. Selanjutnya mari kita pelajari inversi model
parabola.
3.2 Inversi Model Parabola
Pengukuran temperatur terhadap kedalaman di bawah permukaan bumi menunjukkan bah-
wa semakin dalam, temperatur semakin tinggi. Misalnya telah dilakukan sebanyak delapan
kali (N = 8) pengukuran temperatur (T
i
) pada kedalaman yang berbeda beda (z
i
). Tabel pen-
gukuran secara sederhana disajikan seperti ini:
Tabel 3.2: Data temperatur bawah permukaan tanah terhadap kedalaman
Pengukuran ke-i Kedalaman (m) Temperatur (
O
C)
1 z
1
= 5 T
1
= 21, 75
2 z
2
= 8 T
2
= 22, 68
3 z
3
= 14 T
3
= 25, 62
4 z
4
= 21 T
4
= 30, 87
5 z
5
= 30 T
5
= 40, 5
6 z
6
= 36 T
6
= 48, 72
7 z
7
= 45 T
7
= 63, 75
8 z
8
= 60 T
8
= 96
Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus
berikut ini:
m
1
+ m
2
z
i
+ m
3
z
2
i
= T
i
(3.6)
dimana m
1
, m
2
dan m
3
adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut
model. Sedangkan m
1
, m
2
dan m
3
disebut model parameter. Jadi pada model di atas terdapat
3.2. INVERSI MODEL PARABOLA 45
tiga buah model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai
temperatur T
1
, T
2
,..., dan T
8
. Berdasarkan model tersebut, kita bisa menyatakan temperatur
dan kedalaman masing-masing sebagai berikut:
m
1
+ m
2
z
1
+ m
3
z
2
1
= T
1
m
1
+ m
2
z
2
+ m
3
z
2
2
= T
2
m
1
+ m
2
z
3
+ m
3
z
2
3
= T
3
m
1
+ m
2
z
4
+ m
3
z
2
4
= T
4
m
1
+ m
2
z
5
+ m
3
z
2
5
= T
5
m
1
+ m
2
z
6
+ m
3
z
2
6
= T
6
m
1
+ m
2
z
7
+ m
3
z
2
7
= T
7
m
1
+ m
2
z
8
+ m
3
z
2
8
= T
8
_
_
1 z
1
z
2
1
1 z
2
z
2
2
1 z
3
z
2
3
1 z
4
z
2
4
1 z
5
z
2
5
1 z
6
z
2
6
1 z
7
z
2
7
1 z
8
z
2
8
_
_
_
_
m
1
m
2
m
3
_
_
=
_
_
T
1
T
2
T
3
T
4
T
5
T
6
T
7
T
8
_
_
(3.7)
Gm = d (3.8)
patkan nilai m
1
, m
2
dan m
3
G
t
Gm = G
t
d (3.9)
t
G =
_
_
1 z
1
z
2
1
1 z
2
z
2
2
1 z
3
z
2
3
1 z
4
z
2
4
1 z
5
z
2
5
1 z
6
z
2
6
1 z
7
z
2
7
1 z
8
z
2
8
_
_
G
t
=
_
_
1 1 1 1 1 1 1 1
z
1
z
2
z
3
z
4
z
5
z
6
z
7
z
8
z
2
1
z
2
2
z
2
3
z
2
4
z
2
5
z
2
6
z
2
7
z
2
8
_
_
2. Tentukan G
t
G
G
t
G =
_
_
1 1 1 1 1 1 1 1
z
1
z
2
z
3
z
4
z
5
z
6
z
7
z
8
z
2
1
z
2
2
z
2
3
z
2
4
z
2
5
z
2
6
z
2
7
z
2
8
_
_
_
_
1 z
1
z
2
1
1 z
2
z
2
2
1 z
3
z
2
3
1 z
4
z
2
4
1 z
5
z
2
5
1 z
6
z
2
6
1 z
7
z
2
7
1 z
8
z
2
8
_
_
=
_
_
N
z
i
z
2
i
z
i
z
2
i
z
3
i
z
2
i
z
3
i
z
4
i
_
_
dimana N = 8 dan i = 1, 2, 3, ..., 8.
t
d
G
t
d =
_
_
1 1 1 1 1 1 1 1
z
1
z
2
z
3
z
4
z
5
z
6
z
7
z
8
z
2
1
z
2
2
z
2
3
z
2
4
z
2
5
z
2
6
z
2
7
z
2
8
_
_
_
_
T
1
T
2
T
3
T
4
T
5
T
6
T
7
T
8
_
_
=
_
T
i
z
i
T
i
z
2
i
T
i
_
_
4. Sekarang persamaan (3.14) dapat dinyatakan sebagai (ini khan least square juga...!?)
_
_
N
z
i
z
2
i
z
i
z
2
i
z
3
i
z
2
i
z
3
i
z
4
i
_
_
_
_
m
1
m
2
m
3
_
_
=
_
T
i
z
i
T
i
z
2
i
T
i
_
_
(3.10)
matrik augment-nya
_
_
N
z
i
z
2
i
|
T
i
z
i
z
2
i
z
3
i
|
z
i
T
i
z
2
i
z
3
i
z
4
i
|
z
2
i
T
i
_
_
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
_
_
8 219 8547 | 349, 89
219 8547 393423 | 12894, 81
8547 393423 19787859 | 594915, 33
_
_
7. Lakukan proses triangularisasi dengan operasi (P
2
(219/8)P
1
) P
2
. Hasilnya adalah
_
_
8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57
8547 393423 19787859 | 594915, 33
_
_
8. Masih dalam proses triangularisai, operasi berikutnya (P
3
(8547/8)P
1
) P
3
. Hasilnya
adalah
_
_
8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57
0 159448.88 10656457, 88 | 221101, 6
_
_
9. Masih dalam proses triangularisai, operasi berikutnya (P
3
(159448, 88/2551, 88)P
2
)
P
3
. Hasilnya adalah
_
_
8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57
0 0 693609, 48 | 13872, 19
_
_
(3.11)
Seperti catatan yang lalu, saya ingin menyertakan pula notasi masing-masing elemen
pada matrik augment sebelum melakukan proses substitusi mundur.
_
_
8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57
0 0 693609, 48 | 13872, 19
_
_
a
11
a
12
a
13
| a
14
a
21
a
22
a
23
| a
24
a
31
a
32
a
33
| a
34
_
_
10. Terakhir, tentukan konstanta m
1
, m
2
dan m
3
yang merupakan elemen-elemen vektor
kolom m, dengan proses substitusi mundur. Pertama tentukan m
3
m
3
=
a
34
a
33
=
13872, 19
693609, 48
= 0, 02
lalu m
2
m
2
=
a
24
a
23
m
3
a
22
=
3316, 57 (159448, 88)(0, 02)
2551, 88
= 0, 05
dan m
1
m
1
=
a
14
(a
12
m
2
+ a
13
m
3
)
a
11
=
349, 89 [(219)(0, 05) + (8547)(0, 02)
8
= 21
3.2.1 Script matlab inversi model parabola
Perbedaan utama script ini dengan script inversi model garis terletak pada inisialisasi elemen-
elemen matrik kernel. Elemen-elemen matrik kernel sangat ditentukan oleh model matematika
yang digunakan. Seperti pada script ini, matrik kernelnya diturunkan dari persamaan parabo-
la.
1 clc
2 clear all
3
4 z1=5;
5 z2=8;
6 z3=14;
7 z4=21;
8 z5=30;
9 z6=36;
10 z7=45;
11 z8=60;
12
13 T(1,1)=21.75;
14 T(2,1)=22.68;
15 T(3,1)=25.62;
16 T(4,1)=30.87;
17 T(5,1)=40.5;
18 T(6,1)=48.72;
19 T(7,1)=63.75;
20 T(8,1)=96;
21
22 G(1,1)=1;
23 G(1,2)=z1;
24 G(1,3)=z1^2;
25 G(2,1)=1;
26 G(2,2)=z2;
27 G(2,3)=z2^2;
28 G(3,1)=1;
29 G(3,2)=z3;
30 G(3,3)=z3^2;
31 G(4,1)=1;
32 G(4,2)=z4;
33 G(4,3)=z4^2;
34 G(5,1)=1;
35 G(5,2)=z5;
36 G(5,3)=z5^2;
37 G(6,1)=1;
38 G(6,2)=z6;
39 G(6,3)=z6^2;
40 G(7,1)=1;
41 G(7,2)=z7;
42 G(7,3)=z7^2;
43 G(8,1)=1;
44 G(8,2)=z8;
45 G(8,3)=z8^2;
46
47 G
48 d=T;
49 d
50
53 pause
54
55
56 %%%%%===========Proses inversi==============
58 for i=1:N
59 for j=1:M
60 GT(j,i)=G(i,j);
61 end
62 end
63 GT
64
66 for i=1:M
67 for j=1:M
68 GTG(i,j)=0;
69 end
70 end
71 for i=1:M
72 for j=1:M
73 for k=1:N
*
G(k,j);
75 end
76 end
77 end
78 GTG
79
81 for i=1:M
82 for j=1:1
83 GTd(i,j)=0;
84 end
85 end
86 for i=1:M
87 for j=1:1
88 for k=1:N
*
d(k,j);
90 end
91 end
92 end
93 GTd
94
95 A=GTG;
97 n=M;
98 for i=1:n
99 A(i,n+1)=GTd(i,1);
100 end
101 A
102 pause
103
104 disp(Hasil Eliminasi Gauss)
107 for j=1:(n-1)
108
110 if (A(j,j)==0)
111 for p=1:n+1
112 u=A(j,p);
113 v=A(j+1,p);
114 A(j+1,p)=u;
115 A(j,p)=v;
116 end
117 end
119 jj=j+1;
120 for i=jj:n
121 m=A(i,j)/A(j,j);
122 for k=1:(n+1)
123 A(i,k)=A(i,k)-(m
*
A(j,k));
124 end
125 end
126 end
127 %-------------------------------------------
128
130 x(n,1)=A(n,n+1)/A(n,n);
131
132 for i=n-1:-1:1
133 S=0;
134 for j=n:-1:i+1
135 S=S+A(i,j)
*
x(j,1);
136 end
137 x(i,1)=(A(i,n+1)-S)/A(i,i);
138 end
139 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
140 %%%%%%%%%%%=====AKHIR DARI INVERSI MODEL GARIS==========
141 m=x
Demikianlah contoh aplikasi metode Eliminasi Gauss dengan substitusi mundur. Anda
bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki ben-
tuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu memiliki tiga buah
model parameter yang tidak diketahui dalam bentuk persamaan parabola: y = m
1
+ m
2
x +
m
3
x
2
. Pada catatan berikutnya, saya akan membahas model yang mengandung tiga model
parameter dalam 2 dimensi.
3.3 Inversi Model Bidang
Dalam catatan ini saya belum sempat mencari contoh pengukuran yang sesuai untuk model
2-dimensi. Maka, saya ingin langsung saja mengajukan sebuah model untuk 2-dimensi berikut
3.3. INVERSI MODEL BIDANG 51
ini:
m
1
+ m
2
x
i
+ m
3
y
i
= d
i
(3.12)
dimana m
1
, m
2
dan m
3
merupakan model parameter yang akan dicari. Adapun yang berlaku
sebagai data adalah d
1
, d
2
, d
3
, ..., d
i
. Berdasarkan model tersebut, kita bisa menyatakan temper-
atur dan kedalaman masing-masing sebagai berikut:
m
1
+ m
2
x
1
+ m
3
y
1
= d
1
m
1
+ m
2
x
2
+ m
3
y
2
= d
2
m
1
+ m
2
x
3
+ m
3
y
3
= d
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
m
1
+ m
2
x
N
+ m
3
y
N
= d
N
_
_
1 x
1
y
1
1 x
2
y
2
1 x
3
y
3
.
.
.
.
.
.
.
.
.
1 x
N
y
N
_
_
_
_
m
1
m
2
m
3
_
_
=
_
_
d
1
d
2
d
3
.
.
.
d
N
_
_
Gm = d (3.13)
patkan nilai m
1
, m
2
dan m
3
G
t
Gm = G
t
d (3.14)
t
G =
_
_
1 x
1
y
1
1 x
2
y
2
1 x
3
y
3
.
.
.
.
.
.
.
.
.
1 x
N
y
N
_
_
G
t
=
_
_
1 1 1 1
x
1
x
2
x
3
x
N
y
1
y
2
y
3
y
N
_
_
2. Tentukan G
t
G
G
t
G =
_
_
1 1 1 1
x
1
x
2
x
3
x
N
y
1
y
2
y
3
y
N
_
_
_
_
1 x
1
y
1
1 x
2
y
2
1 x
3
y
3
.
.
.
.
.
.
.
.
.
1 x
N
y
N
_
_
=
_
_
N
x
i
y
i
x
i
x
2
i
x
i
y
i
y
i
x
i
y
i
y
2
i
_
_
dimana N = jumlah data. dan i = 1, 2, 3, ..., N.
t
d
G
t
d =
_
_
1 1 1 1
x
1
x
2
x
3
x
N
y
1
y
2
y
3
y
N
_
_
_
_
d
1
d
2
d
3
.
.
.
d
N
_
_
=
_
d
i
x
i
d
i
y
i
d
i
_
_
4. Sekarang, persamaan (3.14) dapat dinyatakan sebagai
_
_
N
x
i
y
i
x
i
x
2
i
x
i
y
i
y
i
x
i
y
i
y
2
i
_
_
_
_
m
1
m
2
m
3
_
_
=
_
d
i
x
i
d
i
y
i
d
i
_
_
(3.15)
matrik augment-nya
_
_
N
x
i
y
i
|
d
i
x
i
x
2
i
x
i
y
i
|
x
i
d
i
y
i
x
i
y
i
y
2
i
|
y
i
d
i
_
_
6. Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model lin-
ear dan model parabola)
Anda bisa mengaplikasikan data pengukuran yang anda miliki, dengan syarat kasus yang
anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan
ini, yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan
bidang (atau 2-dimensi): d = m
1
+ m
2
x + m
3
y.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email: supri@fisika.ui.ac.id.
3.4 Contoh aplikasi
3.4.1 Menghitung gravitasi di planet X
Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera mengelu-
arkan kamera otomatis, lalu melakukan ekperimen kinematika yaitu dengan melempar batu
vertikal ke atas. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut
Tabel 3.3: Data ketinggian terhadap waktu dari planet X
Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m)
0,00 5,00 2,75 7,62
0,25 5,75 3,00 7,25
0,50 6,40 3,25 6,77
0,75 6,94 3,50 6,20
1,00 7,38 3,75 5,52
1,25 7,72 4,00 4,73
1,50 7,96 4,25 3,85
1,75 8,10 4,50 2,86
2,00 8,13 4,75 1,77
2,25 8,07 5,00 0,58
2,50 7,90
Plot data pengukuran waktu vs ketinggian diperlihatkan sebagai berikut
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
1
2
3
4
5
6
7
8
9
Waktu (detik)
T
i
n
g
g
i

(
m
e
t
e
r
)
Gambar 3.1: Grak data pengukuran gerak batu
Anda diminta untuk membantu pengolahan data di atas. Jika anda menggunakan asumsi
model matematik dari Gerak-Lurus-Berubah-Beraturan (GLBB) seperti ini
h
o
+ v
o
t
1
2
gt
2
= h
maka gunakanlah prinsip-prinsip inversi untuk menentukan kecapatan awal, v
o
dan konstanta
gravitasi, g pada planet tersebut.
jawab:
Berdasarkan tabel di atas, diketahui terdapat 21 data. Ketinggian pada saat t = 0 adalah h
o
= 5
m. Untuk mencari v
o
dan g menggunakan metode inversi, mula-mula kita denisikan terlebih
dahulu m
1
dan m
2
:
m
1
= v
o
m
2
=
1
2
g
sehingga persamaan model GLBB menjadi
5 + m
1
t
i
+ m
2
t
2
i
= h
i
dimana i menunjukkan data ke-i. Langkah selanjutnya adalah menentukan nilai tiap-tiap ele-
men matrik kernel, yaitu dengan memasukan semua data kedalam persamaan model GLBB
5 + m
1
t
1
+ m
2
t
2
1
= h
1
5 + m
1
t
2
+ m
2
t
2
2
= h
2
5 + m
1
t
3
+ m
2
t
2
3
= h
3
.
.
.
.
.
. =
.
.
.
5 + m
1
t
20
+ m
2
t
2
20
= h
20
_
_
5 t
1
t
2
1
5 t
2
t
2
2
5 t
3
t
2
3
5 t
4
t
2
4
.
.
.
.
.
.
.
.
.
5 t
19
t
2
19
5 t
20
t
2
20
_
_
_
m
1
m
2
_
=
_
_
h
1
h
2
h
3
.
.
.
h
19
h
20
_
_
Sebelum dilanjut, coba perhatikan dengan teliti operasi matrik di atas. Adakah yang janggal??
Yep.. matrik kernel G berukuran 20x3 sementara vektor m berukuran 2x1, tentu saja operasi
perkalian matrik akan gagal. Untuk menghindarinya, kita tambahkan m
0
pada vektor m, se-
hingga operasi tersebut menjadi
_
_
5 t
1
t
2
1
5 t
2
t
2
2
5 t
3
t
2
3
5 t
4
t
2
4
.
.
.
.
.
.
.
.
.
5 t
19
t
2
19
5 t
20
t
2
20
_
_
_
_
m
0
m
1
m
2
_
_
=
_
_
h
1
h
2
h
3
.
.
.
h
19
h
20
_
_
Namun, perlu dicatat bahwa m
0
harus punya syarat, yaitu harus bernilai 1 atau m
0
=1. Ini
boleh dibilang sebagai sebuah aksioma, atau sesuatu yang tak perlu dibuktikan lagi tapi tak
bisa dibantah. Tinggal nanti bisa kita periksa hasil inversinya. Bila m
0
bernilai 1, maka proses
inversi dianggap sukses. Kemudian operasi matrik tersebut bisa ditulis secara singkat
Gm = d
Untuk menyelesaikan persamaan matrik ini, diperlukan modikasi berikut
G
T
Gm = G
T
d (3.16)
dimana T disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
m
0
, m
1
dan m
2
, diperlukan langkah-langkah perhitungan berikut ini:
t
G =
_
_
5 t
1
t
2
1
5 t
2
t
2
2
5 t
3
t
2
3
5 t
4
t
2
4
.
.
.
.
.
.
.
.
.
5 t
19
t
2
19
5 t
20
t
2
20
_
_
G
T
=
_
_
5 5 5 5 . . . 5 5
t
1
t
2
t
3
t
4
. . . t
19
t
20
t
2
1
t
2
2
t
2
3
t
2
4
. . . t
2
19
t
2
20
_
_
2. Tentukan G
T
G
G
T
G =
_
_
5 5 5 5 . . . 5 5
t
1
t
2
t
3
t
4
. . . t
19
t
20
t
2
1
t
2
2
t
2
3
t
2
4
. . . t
2
19
t
2
20
_
_
_
_
5 t
1
t
2
1
5 t
2
t
2
2
5 t
3
t
2
3
5 t
4
t
2
4
.
.
.
.
.
.
.
.
.
5 t
19
t
2
19
5 t
20
t
2
20
_
_
=
_
_
25N 5
t
i
5
t
2
i
5
t
i
t
2
i
t
3
i
5
t
2
i
t
3
i
t
4
i
_
_
dimana N = 20 dan i = 1, 2, ..., 20.
T
d
G
T
d =
_
_
5 5 5 5 . . . 5 5
t
1
t
2
t
3
t
4
. . . t
19
t
20
t
2
1
t
2
2
t
2
3
t
2
4
. . . t
2
19
t
2
20
_
_
_
_
h
1
h
2
h
3
h
4
.
.
.
h
19
h
20
_
_
=
_
_
5
h
i
t
i
h
i
t
2
i
h
i
_
_
4. Sekarang persamaan (3.16) dapat dinyatakan sebagai
_
_
25N 5
t
i
5
t
2
i
5
t
i
t
2
i
t
3
i
5
t
2
i
t
3
i
t
4
i
_
_
_
_
m
0
m
1
m
2
_
_
=
_
_
5
h
i
t
i
h
i
t
2
i
h
i
_
_
(3.17)
_
_
500 262, 5 896, 9
262, 5 179, 4 689, 1
896, 9 689, 1 2822, 9
_
_
_
_
m
0
m
1
m
2
_
_
=
_
_
607, 5
273, 7
796, 3
_
_
Hasil operasi matriks ini dapat diselesaikan dengan metode Eliminasi Gauss, yaitu
_
_
m
0
m
1
m
2
_
_
=
_
_
0, 9999
3, 2009
0, 8169
_
_
Lihatlah! m
0
= 0,9999 atau mendekati 1. Dan ini sesuai dengan aksioma yang telah dinyatakan
di awal bahwa memang m
0
harus bernilai 1. Jika m
0
tidak bernilai 1 berarti teknik inversinya
salah total.
Hasil inversi juga menunjukkan bahwa kecepatan awal yaitu saat batu dilempar ke atas
adalah sebesar m
1
= v
o
= 3,2009 m/dt. Adapun percepatan gravitasi diperoleh dari m
2
dimana
m
2
=
1
2
g = -0,8169. Sehingga nilai g adalah sebesar 1,6338 m/dt
2
.
Gambar 3.2 memperlihatkan grak kurva hasil inversi. Garis berwarna biru merupakan
garis kurva tting hasil inversi parabola. Sedangkan bulatan berwarna merah adalah data pen-
gukuran ketinggian (m) terhadap waktu (dt). Jelas terlihat bahwa garis kurva berwarna biru
benar-benar cocok melewati semua titik data pengukuran. Ini menunjukkan tingkat akurasi
yang sangat tinggi. Sehingga nilai kecepatan awal dan gravitasi hasil inversi cukup valid un-
tuk menjelaskan gerak batu di planet X.
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
1
2
3
4
5
6
7
8
9
Waktu (dt)
K
e
t
i
n
g
g
i
a
n

(
m
)
Gambar 3.2: Grak hasil inversi parabola
Berikut adalah script inversi dalam Matlab untuk memecahkan masalah ini
1 clear all
2 clc;
3
6 for i=1:N
7 t(i)=i
*
0.25;
8 end
9 h(1)=5.75;
10 h(2)=6.40;
11 h(3)=6.94;
12 h(4)=7.38;
13 h(5)=7.72;
14 h(6)=7.96;
15 h(7)=8.10;
16 h(8)=8.13;
17 h(9)=8.07;
18 h(10)=7.90;
19 h(11)=7.62;
20 h(12)=7.25;
21 h(13)=6.77;
22 h(14)=6.20;
23 h(15)=5.52;
24 h(16)=4.73;
25 h(17)=3.85;
26 h(18)=2.86;
27 h(19)=1.77;
28 h(20)=0.58;
29
30 for i=1:N
31 G(i,1)=5;
32 G(i,2)=t(i);
33 G(i,3)=t(i)^2;
34 end
35 G
36 for i=1:N
37 d(i,1)=h(i);
38 end
39 d
40
41 %%%%%===========Proses inversi==============
43 for i=1:N
44 for j=1:M
45 GT(j,i)=G(i,j);
46 end
47 end
48 GT
49
51 for i=1:M
52 for j=1:M
53 GTG(i,j)=0;
54 end
55 end
56 for i=1:M
57 for j=1:M
58 for k=1:N
*
G(k,j);
60 end
61 end
62 end
63 GTG
64
66 for i=1:M
67 for j=1:1
68 GTd(i,j)=0;
69 end
70 end
71 for i=1:M
72 for j=1:1
73 for k=1:N
*
d(k,j);
75 end
76 end
77 end
78 GTd
79
80 A=GTG;
82 n=M;
83 for i=1:n
84 A(i,n+1)=GTd(i,1);
85 end
86 A
87 pause
88
89 disp(Hasil Eliminasi Gauss)
92 for j=1:(n-1)
93
95 if (A(j,j)==0)
96 for p=1:n+1
97 u=A(j,p);
98 v=A(j+1,p);
99 A(j+1,p)=u;
100 A(j,p)=v;
101 end
102 end
104 jj=j+1;
105 for i=jj:n
106 m=A(i,j)/A(j,j);
107 for k=1:(n+1)
108 A(i,k)=A(i,k)-(m
*
A(j,k));
109 end
110 end
111 end
112 %-------------------------------------------
114 x(n,1)=A(n,n+1)/A(n,n);
115
116 for i=n-1:-1:1
117 S=0;
118 for j=n:-1:i+1
119 S=S+A(i,j)
*
x(j,1);
120 end
121 x(i,1)=(A(i,n+1)-S)/A(i,i);
122 end
123 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
124 %%%%%%%%%%%===== AKHIR DARI PROSES INVERSI ==========
125 m=x
126
127 %-------MENGGAMBAR GRAFIK----------------------
128 plot(t,h,ro);
129 xlabel(Waktu (dt));ylabel(Ketinggian (m));
130 hold on;
131 for i=1:20
132 hi(i)=5+m(2)
*
t(i)+m(3)
*
t(i)^2;
133 end
134 plot(t,hi);
135 hold off;
Bab 4
Metode LU Decomposition
Objektif :
Mengenalkan teknik faktorisasi matrik.
Mengenalkan aplikasi LU Decomposition pada sistem persamaan linear.
Merumuskan algoritma LU Decomposition.
4.1 Faktorisasi matrik
Pada semua catatan yang terdahulu, telah diulas secara panjang lebar bahwa sistempersamaan
linear dapat dicari solusinya secara langsung dengan metode eliminasi gauss. Namun perlu
juga diketahui bahwa eliminasi gauss bukan satu-satunya metode dalammencari solusi sistem
persamaan linear, misalnya ada metode matrik inversi seperti yang dijelaskan pada catatan
yang paling terakhir. Terlepas dari masalah in-esiensi penyelesaiannya, yang jelas metode
invers matrik bisa digunakan untuk menyelesaikan sistem persamaan linear.
Nah, pada catatan kali ini, saya ingin mengetengahkan sebuah metode yang lain untuk
menyelesaikan sistem persamaan linear, yaitu metode faktorisasi matrik yang umum dikenal
sebagai LU-decomposition. Metode ini sekaligus menjadi pengantar menuju metode Singular
Value Decomposition, (SVD), suatu metode yang saat ini paling handal dalam menyelesaikan
sistem persamaan linear dan merupakan bagian dari metode least square.
Seperti biasa, kita berasumsi bahwa sistem persamaan linear dapat dinyatakan dalam op-
erasi matrik
Ax = b (4.1)
Pada metode LU-decomposition, matrik A difaktorkan menjadi matrik L dan matrik U, dimana
dimensi atau ukuran matrik L dan U harus sama dengan dimensi matrik A. Atau dengan kata
lain, hasil perkalian matrik L dan matrik U adalah matrik A,
A = LU (4.2)
61
62 BAB 4. METODE LU DECOMPOSITION
sehingga persamaan (6.4) menjadi
LUx = b
Langkah penyelesaian sistem persamaan linear dengan metode LU-decomposition, diawali den-
gan menghadirkan vektor y dimana,
Ux = y (4.3)
Langkah tersebut tidak bermaksud untuk menghitung vektor y, melainkan untuk menghitung
vektor x. Artinya, sebelum persamaan (4.3) dieksekusi, nilai-nilai yang menempati elemen-
elemen vektor y harus sudah diketahui. Lalu bagaimana cara memperoleh vektor y? Begini
caranya,
Ly = b (4.4)
Kesimpulannya, metode LU-decomposition dilakukan dengan tiga langkah sebagai berikut:
Melakukan faktorisasi matrik A menjadi matrik L dan matrik U A = LU.
Menghitung vektor y dengan operasi matrik Ly = b. Ini adalah proses forward-substitution
atau substitusi-maju.
Menghitung vektor x dengan operasi matrik Ux = y. Ini adalah proses backward-substitution
atau substitusi-mundur.
Metode LU-decomposition bisa dibilang merupakan modikasi dari eliminasi gauss, karena
beberapa langkah yang mesti dibuang pada eliminasi gauss, justru harus dipakai oleh LU-
decomposition. Untuk lebih jelasnya, perhatikan contoh berikut ini. Diketahui sistempersamaan
linear sebagai berikut
P
1
: x
1
+ x
2
+ 3x
4
= 4
P
2
: 2x
1
+ x
2
x
3
+ x
4
= 1
P
3
: 3x
1
x
2
x
3
+ 2x
4
= -3
P
4
: x
1
+ 2x
2
+ 3x
3
x
4
= 4
Sistem tersebut dapat dinyatakan dalam operasi matrik Ax = y,
_
_
1 1 0 3
2 1 1 1
3 1 1 2
1 2 3 1
_
_
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
4
1
3
4
_
_
(4.5)
Pada metode eliminasi gauss, matrik A dikonversi menjadi matrik triangular melalui urutan
operasi-operasi berikut: (P
2
2P
1
) (P
2
), (P
3
3P
1
) (P
3
), (P
4
(1)P
1
) (P
4
), (P
3
4P
2
) (P
3
), (P
4
(3)P
2
) (P
4
). Disisi lain, vektor b ikut berubah nilainya menyesuaikan
4.1. FAKTORISASI MATRIK 63
proses triangularisasi,
_
_
1 1 0 3
0 1 1 5
0 0 3 13
0 0 0 13
_
_
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
4
7
13
13
_
_
(4.6)
Lain halnya dengan metode LU-decomposition dimana vektor b tidak mengalami perubahan.
Yang berubah hanya matrik A saja, yaitu menjadi matrik L dan matrik U, A = LU
A =
_
_
1 1 0 3
2 1 1 1
3 1 1 2
1 2 3 1
_
_
=
_
_
1 0 0 0
2 1 0 0
3 4 1 0
1 3 0 1
_
_
_
_
1 1 0 3
0 1 1 5
0 0 3 13
0 0 0 13
_
_
Jadi matrik L dan U masing-masing adalah
L =
_
_
1 0 0 0
2 1 0 0
3 4 1 0
1 3 0 1
_
_
U =
_
_
1 1 0 3
0 1 1 5
0 0 3 13
0 0 0 13
_
_
Coba bandingkan matrik U di atas dengan matrik hasil triangularisasi dari metode eliminasi
gauss pada persamaan (4.6), sama persis bukan? Jadi, cara memperoleh matrik U adalah den-
gan proses triangularisasi! Lantas, bagaimana cara memperoleh matrik L? Begini caranya: (1)
elemen-elemen diagonal matrik L diberi nilai 1 (Asal tahu saja, cara ini dikenal dengan metode
Doolittle). (2) elemen-elemen matrik L yang berada di atas elemen-elemen diagonal diberi ni-
lai 0. (3) sedangkan, elemen-elemen matrik L yang berada di bawah elemen-elemen diago-
nal diisi dengan faktor pengali yang digunakan pada proses triangularisasi eliminasi gauss.
Misalnya pada operasi (P
2
2P
1
) (P
2
), maka faktor pengalinya adalah 2; pada operasi
(P
3
3P
1
) (P
3
), maka faktor pengalinya adalah 3, dan seterusnya.
Inilah letak perbedaannya, seluruh faktor pengali tersebut sangat dibutuhkan pada metode
LU-decomposition untuk membentuk matrik L. Padahal dalam metode eliminasi gauss, seluruh
faktor pengali tersebut tidak dimanfaatkan alias dibuang begitu saja. Disisi lain, vektor b tidak
mengalami proses apapun sehingga nilainya tetap. Jadi, proses konversi matrik pada metode
LU-decomposition hanya melibatkan matrik A saja!
Setelah langkah faktorisasi matrik A dilalui, maka operasi matrik pada persamaan (4.5)
menjadi,
_
_
1 0 0 0
2 1 0 0
3 4 1 0
1 3 0 1
_
_
_
_
1 1 0 3
0 1 1 5
0 0 3 13
0 0 0 13
_
_
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
4
1
3
4
_
_
(4.7)
Langkah berikutnya adalah menentukan vektor y, dimana Ly = b,
_
_
1 0 0 0
2 1 0 0
3 4 1 0
1 3 0 1
_
_
_
_
y
1
y
2
y
3
y
4
_
_
=
_
_
4
1
3
4
_
_
Dengan proses substitusi-maju, elemen-elemen vektor y dapat ditentukan,
y
1
= 4,
2y
1
+ y
2
= 1,
3y
1
+ 4y
2
+ y
3
= 3,
y
1
3y
2
+ y
4
= 4
maka diperoleh y
1
= 4, y
2
= 7, y
3
= 13, y
4
= 13.
Langkah terakhir adalah proses substitusi-mundur untuk menghitung vektor x, dimana Ux =
y,
_
_
1 1 0 3
0 1 1 5
0 0 3 13
0 0 0 13
_
_
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
4
7
13
13
_
_
Melalui proses ini, yang pertama kali didapat solusinya adalah x
4
, kemudian x
3
, lalu diikuti
x
2
, dan akhirnya x
1
.
x
4
= 1
x
3
=
1
3
(13 13x
4
) = 0
x
2
= (7 + 5x
4
+ x
3
) = 2
x
1
= 4 3x
4
x
2
= 1
akhirnya diperoleh solusi x
1
= 1, x
2
= 2, x
3
= 0, dan y
4
= 1. Demikianlah contoh penyelesa-
ian sistem persamaan linear dengan metode LU-decomposition.
Sekali matrik A difaktorkan, maka vektor b bisa diganti nilainya sesuai dengan sistem per-
samaan linear yang lain, misalnya seluruh nilai di ruas kanan diganti menjadi
P
1
: x
1
+ x
2
+ 3x
4
= 8
P
2
: 2x
1
+ x
2
x
3
+ x
4
= 7
P
3
: 3x
1
x
2
x
3
+ 2x
4
= 14
P
4
: x
1
+ 2x
2
+ 3x
3
x
4
= -7
4.2. ALGORITMA 65
Dalam operasi matrik menjadi
_
_
1 1 0 3
2 1 1 1
3 1 1 2
1 2 3 1
_
_
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
8
7
14
7
_
_
(4.8)
Perhatikan baik-baik! Matrik A sama persis dengan contoh sebelumnya. Perbedaannya hanya
pada vektor b. Selanjutnya, dengan metode LU-decomposition, persamaan (4.8) menjadi
_
_
1 0 0 0
2 1 0 0
3 4 1 0
1 3 0 1
_
_
_
_
1 1 0 3
0 1 1 5
0 0 3 13
0 0 0 13
_
_
_
_
x
1
x
2
x
3
x
4
_
_
=
_
_
8
7
14
7
_
_
(4.9)
Silakan anda lanjutkan proses perhitungannya dengan mencari vektor y sesuai contoh yang
telah diberikan sebelumnya. Pada akhirnya akan diperoleh solusi sebagai berikut: x
1
= 3,
x
2
= 1, x
3
= 0, dan y
4
= 2.
4.2 Algoritma
Sekarang saatnya saya tunjukkan algoritma metode LU decomposition. Algoritma ini dibuat
untuk menyelesaikan sistem persamaan linear, dengan cara menfaktorkan matrik A = (a
ij
)
berukuran n x n menjadi matrik L = (l
ij
) dan matrik U = (u
ij
) dengan ukuran yang sama.
Algoritma LU-decomposition yang anda lihat sekarang merupakan modikasi dari algorit-
ma eliminasi gauss. Silakan anda periksa langkah-langkah mana saja yang telah mengalami
modikasi! Tapi asal tahu saja bahwa ini bukan satu-satunya algoritma untuk mendapatkan
matrik LU. Sejauh yang saya tahu, ada algoritma lain untuk tujuan yang sama, dimana algo-
ritma tersebut membutuhkan matrik permutasi untuk menggeser elemen pivot yang bernilai
nol agar terhindar dari singular. Nah, sedangkan algoritma yang akan anda baca saat ini, sama
sekali tidak berurusan dengan matrik permutasi. Algoritma ini cuma memanfaatkan trik
tukar posisi yang sudah pernah dibahas di awal-awal catatan khususnya ketika membahas
konsep eliminasi gauss.
Satu lagi yang harus saya sampaikan juga adalah bahwa dalam algoritma ini, elemen-
elemen matrik L dan matrik U digabung jadi satu dan menggantikan seluruh elemen-elemen
matrik A. Perhatian! cara ini jangan diartikan sebagai perkalian matrik L dan matrik Umenjadi
matrik A kembali. Cara ini dimaksudkan untuk menghemat memori komputer. Suatu aspek
yang tidak boleh diabaikan oleh para programer. Marilah kita simak algoritmanya bersama-
sama!
INPUT: dimensi n; nilai elemen a
ij
, 1 i, j n; nilai elemen b
i
.
OUTPUT: solusi x
1
, x
2
, x
3
, ..., x
n
atau pesan kesalahan yang mengatakan bahwa faktorisasi
tidak mungkin dilakukan.
Langkah 1: Inputkan konstanta-konstanta dari sistempersamaan linear kedalamelemen-
elemen matrik A dan vektor b, seperti berikut ini:
A =
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
b =
_
_
b
1
b
2
.
.
.
b
n
_
_
(4.10)
Langkah 2: Untuk i = 1, ..., n 1, lakukan Langkah 3 sampai Langkah 5.
Langkah 3: Denisikan p sebagai integer dimana i p n. Lalu pastikan bahwa
a
pi
= 0. Langkah dilakukan bila ditemukan elemen diagonal yang bernilai nol (a
ii
=
0). Ketika ada elemen diagonal yang bernilai nol, maka program harus mencari dan
memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang sama dengan
kolom tempat elemen diagonal tersebut berada. Jadi saat proses ini berlangsung,
integer i (indeks dari kolom) dibuat konstan, sementara integer p (indeks dari baris)
bergerak dari p = i sampai p = n. Bila ternyata setelah mencapai elemen paling
bawah dalam kolom tersebut, yaitu saat p = n tetap didapat nilai a
pi
= 0, maka
sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki solusi yang
unik. Lalu program berakhir: STOP.
Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh
elemen yang tidak sama dengan nol (a
pi
= 0), maka bisa dipastikan p = i. Jika p = i
maka lakukan proses pertukaran (P
p
) (P
i
).
Langkah 5: Untuk j = i + 1, .., n, lakukan Langkah 6 dan Langkah 7.
Langkah 6: Tentukan m
ji
,
m
ji
=
a
ji
a
ii
Langkah 7: Lakukan proses triangularisasi,
(P
j
m
ji
P
i
) (P
j
)
Langkah 8: Nilai m
ji
disimpan ke a
ji
,
a
ji
= m
ji
Langkah 9: Nilai b
1
dicopy ke y
1
, lalu lakukan substitusi-maju.
y
1
= b
1
Untuk i = 2, ..., n tentukan x
i
,
y
i
= b
i
i1
j=1
a
ij
y
j
4.2. ALGORITMA 67
Langkah 10: Lakukan proses substitusi-mundur, dimulai dengan menentukan x
n
,
x
n
=
a
n,n+1
a
nn
Untuk i = n 1, ..., 1 tentukan x
i
,
x
i
=
a
i,n+1
n
j=i+1
a
ij
x
j
a
ii
Langkah 11: Diperoleh solusi yaitu x
1
, x
2
, ..., x
n
. Algoritma telah dijalankan dengan suk-
ses. STOP.
Algoritma di atas telah diimplementasi kedalam program yang ditulis dengan bahasa For-
tran. Program tersebut sudah berhasil dikompilasi dengan visual fortran (windows) dan g77
(debian-linux). Inilah programnya:
1 DIMENSION A(10,11), B(10), Y(10), X(10)
2 REAL MJI
3 WRITE(
*
,
*
)
4 WRITE(
*
,
*
) ==> FAKTORISASI MATRIK: LU DECOMPOSITION <==
5 WRITE (
*
,
*
)
6 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
7 WRITE (
*
8 READ (
*
,
*
) N
9 WRITE (
*
,
*
)
10 WRITE (
*
,
*
) MASUKAN ELEMEN-ELEMEN MATRIK A
11 DO 50 I = 1,N
12 DO 60 J = 1,N
13 WRITE (
*
,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
14 READ (
*
,
*
) A(I,J)
15 60 CONTINUE
16 WRITE (
*
,(1X,A,I2,A)) B(,I,) ?
17 READ (
*
,
*
) B(I)
18 WRITE (
*
,
*
)
19 50 CONTINUE
20 WRITE (
*
,
*
)
21 C MENAMPILKAN MATRIK A
22 WRITE (
*
,(1X,A)) MATRIK A:
23 DO 110 I = 1,N
24 WRITE (
*
,6) (A(I,J),J=1,N)
25 110 CONTINUE
26 WRITE (
*
,
*
)
27 C LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT
28 NN = N-1
29 DO 10 I=1,NN
31 P = I
33 P = P+1
34 GOTO 100
36 C MENAMPILKAN PESAN TIDAK DAPAT DIFAKTORKAN
37 WRITE(
*
,8)
38 GOTO 400
39 END IF
41 IF(P.NE.I) THEN
42 DO 20 JJ=1,N
43 C = A(I,JJ)
45 A(P,JJ) = C
46 20 CONTINUE
47 END IF
49 JJ = I+1
50 DO 30 J=JJ,N
53 C LANGKAH 7: PROSES TRIANGULARISASI
54 DO 40 K=JJ,N
*
A(I,K)
56 40 CONTINUE
57 C LANGKAH 8: MENYIMPAN MJI KE A(J,I)
58 A(J,I) = MJI
59 30 CONTINUE
60 10 CONTINUE
61 C MENAMPILKAN MATRIK LU
62 WRITE (
*
,(1X,A)) MATRIK LU:
63 DO 120 I = 1,N
64 WRITE (
*
,6) (A(I,J),J=1,N)
65 120 CONTINUE
66 WRITE (
*
,
*
)
67 C LANGKAH 9: SUBSTITUSI-MAJU
68 Y(1) = B(1)
69 DO 15 I=2,N
70 SUM = 0.0
71 DO 16 J=1,I-1
72 SUM = SUM+A(I,J)
*
Y(J)
73 16 CONTINUE
74 Y(I) = B(I)-SUM
75 15 CONTINUE
76 C MENAMPILKAN VEKTOR Y
77 WRITE (
*
,(1X,A)) VEKTOR Y:
4.2. ALGORITMA 69
78 DO 138 I = 1,N
79 WRITE (
*
,6) Y(I)
80 138 CONTINUE
81 WRITE (
*
,
*
)
82 C LANGKAH 10: SUBSTITUSI-MUNDUR
83 X(N) = Y(N)/A(N,N)
84 DO 24 K=1,N-1
85 I = N-K
86 JJ = I+1
87 SUM = 0.0
88 DO 26 KK=JJ,N
*
X(KK)
90 26 CONTINUE
91 X(I) = (Y(I)-SUM)/A(I,I)
92 24 CONTINUE
93 C LANGKAH 11: MENAMPILKAN SOLUSI DAN SELESAI
94 WRITE (
*
,(1X,A)) SOLUSI:
95 DO 18 I = 1,N
96 WRITE (
*
,(1X,A,I2,A,F14.8)) X(,I,) = ,X(I)
97 18 CONTINUE
98 WRITE(
*
,
*
)
99 WRITE(
*
,
*
) SELESAI --> SUKSES
100 WRITE(
*
,
*
)
101 400 CONTINUE
102 6 FORMAT(1X,5(F14.8))
103 8 FORMAT(1X,TIDAK DAPAT DIFAKTORKAN)
104 END
Demikianlah, sekarang kita punya tiga buah algoritma untuk memecahkan problem sistem
persamaan linear, yaitu eliminasi gauss, invers matrik, dan lu-decomposition. Diantara ketiga-
nya, eliminasi gauss adalah algoritma yang paling simpel dan esien. Dia hanya butuh proses
triangularisasi dan substitusi-mundur untuk mendapatkan solusi. Sedangkan dua algoritma
yang lainnya membutuhkan proses-proses tambahan untuk mendapatkan solusi yang sama.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email.
Bab 5
Metode Iterasi
Objektif :
Mengenalkan konsep Norm.
Mengenalkan iterasi Jacobi.
Mengenalkan iterasi Gauss-Seidel.
Mengenalkan iterasi Succesive-Over-Relaxation (SOR).
5.1 Kelebihan Vektor-kolom
Sebelum kita membahas metode iterasi untuk menyelesaikan problem sistem persamaan lin-
ear, saya ingin menyampaikan satu hal yang sangat sederhana, yaitu tentang cara merepre-
sentasikan elemen-elemen suatu vektor-kolom. Sebagaimana tertulis pada catatan-catatan se-
belumnya, biasanya suatu vektor-kolom ditulis sebagai
x =
_
_
x
1
x
2
.
.
.
x
n
_
_
(5.1)
Dengan operasi transpose, vektor-kolom tersebut dapat dinyatakan sebagai
x =
_
x
1
x
2
. . . x
n
_
t
(5.2)
Contoh:
x =
_
_
3
2
8
5
_
_
=
_
3 2 8 5
_
t
71
72 BAB 5. METODE ITERASI
Cara penulisan seperti ini digunakan untuk menyatakan vektor-kolom pada suatu kalimat di
dalam paragraf. Alasannya supaya tidak terlalu menyita banyak ruang penulisan. Sementara,
persamaan (5.1), lebih sering digunakan pada penulisan operasi matrik. Satu hal lagi, pada
paragraf-paragraf berikutnya, saya persingkat penulisan istilah vektor-kolom menjadi vektor
saja.
5.2 Pengertian Norm
Vektor x=(x
1
; x
2
; ...; x
n
)
t
memiliki norm
2
dan
yang didenisikan sebagai
2
= x
2
= {
n
i=1
x
2
i
}
1/2
(5.3)
dan
= x
= max
1in
|x
i
| (5.4)
Contoh: x=(3; 2; 8; 5)
t
memiliki norm
2
yaitu
2
= x
2
=
_
(3)
2
+ (2)
2
+ (8)
2
+ (5)
2
= 10, 0995
dan norm
yaitu
= x
= max{(3), (2), (8), (5)} = 8

Saya menyarankan agar kedua norm ini diingat-ingat dengan baik, karena akan banyak dis-
inggung pada catatan-catatan berikutnya.
5.2.1 Script perhitungan norm dalam Matlab
Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)
1 clear all
2 clc
3 x(1,1)=3;
4 x(2,1)=-2;
5 x(3,1)=8;
6 x(4,1)=5;
7 x %menampilkan vektor x
8 %=========menghitung norm2=============
9 s=0;
10 for i=1:4
11 s=s+x(i,1)^2;
12 end
13 norm2=sqrt(s) %menampilkan hasil norm2
14 %======================================
5.3. ITERASI JACOBI 73
Mohon diperhatikan untuk mengganti angka 4 pada statemen for i=1:4 dengan angka yang
lain disesuaikan dengan jumlah elemen vektor yang mau dihitung norm2-nya.
5.2.2 Perhitungan norm-selisih
Misalnya kita punya vektor bernama xlama. Lalu ada vektor lainnya bernama xbaru. Norm
selisih dari xlama dan xbaru dapat dihitung dengan bantuan script berikut ini
1 clear all
2 clc
3 xlama(1,1)=3;
4 xlama(2,1)=-2;
5 xlama(3,1)=8;
6 xlama(4,1)=5;
7 xlama %menampilkan elemen vektor xlama
8
9 xbaru(1,1)=9;
10 xbaru(2,1)=4;
11 xbaru(3,1)=6;
12 xbaru(4,1)=1;
13 xbaru %menampilkan elemen vektor xbaru
14
15 n=4; %jumlah elemen vektor
16
17 %--------menghitung norm2 selisih -------------
18 s=0;
19 for i=1:n
20 s=s+(xbaru(i,1)-xlama(i,1))^2;
21 end
22 norm2=sqrt(s)
23 %----------------------------------------------
Cara perhitungan norm-selisih seperti ini akan diterapkan pada kebanyakan metode iterasi.
Jadi tolong diingat baik-baik!!
5.3 Iterasi Jacobi
Sekarang kita mulai pembahasan tentang metode iterasi untuk menyelesaikan problem sistem
persamaan linear. Metode ini berbeda dengan metode-metode yang telah dijelaskan sebelum-
nya, dimana ia dimulai dari penentuan nilai awal (initial value) untuk setiap elemen vektor x.
Kemudian berdasarkan nilai awal tersebut, dilakukan langkah perhitungan untuk mendap-
atkan elemen-elemen vektor x yang baru.
x
(baru)
= Tx
(lama)
+ c (5.5)
atau
x
k
= Tx
k1
+ c (5.6)
dimana k = 1, 2, 3, ..., n.
Mungkin anda kesulitan memahami rumus-rumus di atas, maka untuk lebih jelasnya, mari-
lah kita perhatikan contoh berikut; diketahui sistem persamaan linear Ax = b yaitu
10x
1
x
2
+ 2x
3
= 6
x
1
+ 11x
2
x
3
+ 3x
4
= 25
2x
1
x
2
+ 10x
3
x
4
= 11
3x
2
x
3
+ 8x
4
= 15
yang mana solusinya adalah x=(1; 2; 1; 1)
t
. Silakan simpan dulu solusi ini, anggap saja kita
belum tahu. Lalu perhatikan baik-baik bagaimana metode iterasi Jacobi bisa menemukan so-
lusi tersebut dengan caranya yang khas.
Langkah pertama dan merupakan langkah terpenting dari metode iterasi Jacobi adalah dengan
mengubah cara penulisan sistem persamaan linear di atas menjadi seperti ini
x
1
=
1
10
x
2
2
10
x
3
+
6
10
x
2
=
1
11
x
1
+
1
11
x
3
3
11
x
4
+
25
11
x
3
=
2
10
x
1
+
1
10
x
2
+
1
10
x
4
11
10
x
4
=
3
8
x
2
+
1
8
x
3
+
15
8
Kita bisa menyatakan bahwa nilai x
1
, x
2
, x
3
dan x
4
yang berada di ruas kiri tanda = (baca: sama
dengan) sebagai x
(baru)
. Sementara nilai x
1
, x
2
, x
3
dan x
4
yang berada di ruas kanan tanda =
(baca: sama dengan) sebagai x
(lama)
. Sehingga sistem persamaan tersebut ditulis seperti ini
x
(baru)
1
=
1
10
x
(lama)
2

2
10
x
(lama)
3
+
6
10
x
(baru)
2
=
1
11
x
(lama)
1
+
1
11
x
(lama)
3

3
11
x
(lama)
4
+
25
11
x
(baru)
3
=
2
10
x
(lama)
1
+
1
10
x
2
+
1
10
x
(lama)
4

11
10
x
(baru)
4
=
3
8
x
(lama)
2
+
1
8
x
(lama)
3
+
15
8
yang secara umum dapat diformulasikan sebagaimana persamaan (5.5). Atau dapat pula dit-
ulis seperti ini
x
(k)
1
=
1
10
x
(k1)
2

2
10
x
(k1)
3
+
6
10
x
(k)
2
=
1
11
x
(k1)
1
+
1
11
x
(k1)
3

3
11
x
(k1)
4
+
25
11
x
(k)
3
=
2
10
x
(k1)
1
+
1
10
x
(k1)
2
+
1
10
x
(k1)
4

11
10
x
(k)
4
=
3
8
x
(k1)
2
+
1
8
x
(k1)
3
+
15
8
yang secara umum dapat diformulasikan sebagaimana persamaan (5.6). Pada persamaan (5.6),
indeks k menunjukan jumlah berapa kali perhitungan iterasi telah dilakukan. Mari kita fokuskan
sejenak pada indeks k ini; Pada k = 1, maka penulisan sistempersamaan linear menjadi seperti
ini
x
(1)
1
=
1
10
x
(0)
2

2
10
x
(0)
3
+
6
10
x
(1)
2
=
1
11
x
(0)
1
+
1
11
x
(0)
3

3
11
x
(0)
4
+
25
11
x
(1)
3
=
2
10
x
(0)
1
+
1
10
x
(0)
2
+
1
10
x
(0)
4

11
10
x
(1)
4
=
3
8
x
(0)
2
+
1
8
x
(0)
3
+
15
8
Jika kita tentukan nilai-nilai awal x
(0)
sebagai berikut x
(0)
1
= 0, x
(0)
2
= 0, x
(0)
3
= 0 dan x
(0)
4
= 0.
Atau dinyatakan seperti ini x
(0)
= (0; 0; 0; 0)
t
. Maka kita akan memperoleh nilai-nilai x
(1)
, yaitu
hasil iterasi pertama, sebagai berikut
x
(1)
1
=
6
10
x
(1)
2
=
25
11
x
(1)
3
=
11
10
x
(1)
4
=
15
8
atau x
(1)
= (0, 6000; 2, 2727; 1, 1000; 1, 8750)
t
. Setelah diperoleh nilai-nilai x
(1)
, perhitungan
tersebut diulangi kembali guna mendapatkan hasil iterasi kedua, dimana nilai k = 2. Caranya
adalah dengan memasukan nilai-nilai x
(1)
= (0, 6000; 2, 2727; 1, 1000; 1, 8750)
t
ke ruas kanan
tanda sama-dengan,
x
(2)
1
=
1
10
x
(1)
2

2
10
x
(1)
3
+
6
10
x
(2)
2
=
1
11
x
(1)
1
+
1
11
x
(1)
3

3
11
x
(1)
4
+
25
11
x
(2)
3
=
2
10
x
(1)
1
+
1
10
x
(1)
2
+
1
10
x
(1)
4

11
10
x
(2)
4
=
3
8
x
(1)
2
+
1
8
x
(1)
3
+
15
8
maka nilai-nilai x
(2)
yang kita dapat adalah x
(2)
= (1, 0473; 1, 7159; 0, 8052; 0, 8852)
t
. Sete-
lah diperoleh nilai-nilai x
(2)
, perhitungan tersebut diulangi kembali guna mendapatkan hasil
iterasi ketiga, dimana nilai k = 3. Caranya adalah dengan memasukan nilai-nilai x
(2)
=
(1, 0473; 1, 7159; 0, 8052; 0, 8852)
t
ke ruas kanan kembali,
x
(3)
1
=
1
10
x
(2)
2

2
10
x
(2)
3
+
6
10
x
(3)
2
=
1
11
x
(2)
1
+
1
11
x
(2)
3

3
11
x
(2)
4
+
25
11
x
(3)
3
=
2
10
x
(2)
1
+
1
10
x
(2)
2
+
1
10
x
(2)
4

11
10
x
(3)
4
=
3
8
x
(2)
2
+
1
8
x
(2)
3
+
15
8
maka kita akan memperoleh nilai-nilai x
(3)
= (0, 9326; 2, 0530; 1, 0493; 1, 1309)
t
. Lalu proses
perhitungan diulangi lagi dengan k = 4. Begitulah seterusnya. Proses ini diulangi lagi berkali-
kali untuk nilai-nilai k berikutnya. Proses yang berulang ini disebut proses iterasi. Sampai
dengan x
(3)
di atas, kita sudah melakukan tiga kali proses iterasi. Lantas sampai kapan proses
iterasi ini terus berlanjut? Jawabnya adalah sampai x
(baru)
mendekati solusi yang sesungguh-
nya, yaitu
x = (1; 2; 1; 1)
t
Dengan kata lain, proses iterasi harus dihentikan bila x
(baru)
sudah mendekati solusi. Lalu
kriteria apa yang digunakan sehingga suatu hasil iterasi bisa dikatakan paling dekat dengan
solusi yang sebenarnya? OK, simpan dulu pertanyaan ini, sebagai gantinya marilah kita pela-
jari script Matlab untuk menghitung iterasi.
5.3.1 Script Matlab untuk menghitung iterasi
Pertama-tama kita buat script seperti ini
1 clear all
2 clc
3 %----nilai awal-----------
4 xlama(1,1)=0;
5 xlama(2,1)=0;
6 xlama(3,1)=0;
7 xlama(4,1)=0;
8 xlama
9
10 %------nilai baru-------------
11 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
12 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
13 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
14 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
15 xbaru
xbaru yang didapat tak lain adalah hasil iterasi pertama, yaitu x
(1)
= (0, 6000; 2, 2727; 1, 1000;
1, 8750)
t
. Kemudian, untuk iterasi ke-2, script di atas dimodikasi menjadi seperti ini
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10 %------nilai baru-------------
11 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
12 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
13 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
14 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
15 xbaru
16
17 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
18
19 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
20 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
21 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
22 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
23 xbaru
Sampai disini, xbaru yang didapat adalah hasil iterasi ke-2, yaitu x
(2)
= (1, 0473; 1, 7159;
0, 8052; 0, 8852)
t
. Kemudian, untuk iterasi ke-3, script di atas dimodikasi menjadi seperti ini
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10 %------nilai baru-------------
11 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
12 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
13 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
14 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
15 xbaru
16
18
19 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
20 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
21 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
22 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
23 xbaru
24
26
27 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
28 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
29 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
30 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
31 xbaru
Sampai disini, xbaru yang didapat adalah hasil iterasi ke-3, yaitu x
(3)
= (0, 9326; 2, 0530;
1, 0493; 1, 1309)
t
. Kemudian, untuk iterasi ke-4, script di atas dimodikasi dengan cara yang
sama. Tapi konsekuensinya script tersebut akan bertambah panjang. Dan itu sesuatu yang
tidak baik. Guna menghindari hal itu, script di atas perlu dioptimasi dengan pasangan for-end
sebagai berikut
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 for i=1:4
12 %------nilai update-------------
13 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
14 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
15 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
16 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
17 xbaru
18
20 end
Angka 4 pada statemen for i=1:4 dapat diganti sesuai dengan jumlah iterasi maksimal yang
kita kehendaki.
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 itermaks=4 %jumlah iterasi maksimal
12
13 for i=1:itermaks
14 %------nilai update-------------
15 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
16 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
17 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
18 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
19 xbaru
20
22 end
Untuk mendapatkan hasil iterasi yang ke-10, silakan nyatakan itermaks=10 pada script di atas.
Hasil dari keseluruhan iterasi dari iterasi ke-1 hingga iterasi ke-10 disajikan pada tabel berikut
Tabel 5.1: Hasil akhir elemen-elemen vektor x hingga iterasi ke-10
k 0 1 2 3 4 ... 9 10
x
(k)
1
0,0000 0,6000 1,0473 0,9326 1,0152 ... 0,9997 1,0001
x
(k)
2
0,0000 2,2727 1,7159 2,0530 1,9537 ... 2,0004 1,9998
x
(k)
3
0,0000 -1,1000 -0,8052 -1,0493 -0,9681 ... -1,0004 -0,9998
x
(k)
4
0,0000 1,8852 0,8852 1,1309 0,9739 ... 1,0006 0,9998
Kita bisa saksikan bahwa hasil iterasi ke-1, x
(1)
= (0, 6000; 2, 2727; 1, 1000; 1, 8852) adalah
hasil yang paling tidak mendekati solusi, x = (1; 2; 1; 1)
t
. Dibandingkan dengan hasil iterasi
ke-2, jelas terlihat bahwa hasil iterasi ke-2 lebih mendekati solusi. Kalau terus diurutkan, maka
hasil iterasi ke-10 merupakan hasil yang paling dekat dengan solusi.
5.3.2 Optimasi script Matlab untuk menghitung iterasi
Sekarang mari kita hitung norm-selisih dari masing-masing hasil iterasi secara berurutan. Dim-
ulai dari mencari norm-selisih antara hasil iterasi ke-1 dan ke-2. Lalu dilanjutkan dengan hasil
iterasi ke-2 dan ke-3, begitu seterusnya hingga antara hasil iterasi yang ke-9 dan ke-10. Dalam
prakteknya, kita cukup menambahkan script norm-selisih pada script yang tadi
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10 n=4 %jumlah elemen vektor
12
13 for i=1:itermaks
14 %------nilai update-------------
15 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
16 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
17 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
18 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
19 xbaru
20
21 %------norm selisih-------------
22 s=0;
23 for i=1:n
25 end
26 epsilon=sqrt(s)
27 %-------------------------------
28
30 end
Tabel dibawah ini memperlihatkan hasil norm-selisih hingga iterasi ke-10. Hasil perhitungan
norm-selisih tersebut, saya beri nama epsilon, , dimana semakin kecil nilai epsilon, , menan-
dakan hasil iterasinya semakin dekat dengan solusi. Hasil norm-selisih yang semakin kecil
pada iterasi ke-10 menunjukan bahwa hasil iterasi ke-10 adalah hasil yang paling dekat den-
gan solusi yang sebenarnya.
Tabel 5.2: Hasil perhitungan norm-selisih (dengan
2
) hingga iterasi ke-10
norm
2
_
_
x
(2)
x
(1)
_
_
2
_
_
x
(3)
x
(2)
_
_
2
_
_
x
(4)
x
(3)
_
_
2
...
_
_
x
(10)
x
(9)
_
_
2
1,2557 0,4967 0,2189 ... 0,0012
Kembali ke pertanyaan penting yang tadi yaitu kriteria apa yang digunakan sehingga su-
atu hasil iterasi bisa dikatakan paling dekat dengan solusi yang sebenarnya? Jawabnya: ter-
gantung besar kecilnya nilai . Artinya kalau nilai ditentukan sebesar 0,2 , maka iterasi akan
berhenti pada iterasi ke-4. Atau kalau nilai ditentukan sebesar 0,001 , maka proses iterasi akan
berhenti pada iterasi ke-10. Kesimpulannya, semakin kecil nilai , semakin panjang proses it-
erasinya, namun hasil akhirnya semakin akurat. Jadi nilai berperan penting untuk menghen-
tikan proses iterasi. Dalam hal ini, lebih umum dikenal dengan istilah stopping-criteria.
Di bawah ini adalah script iterasi Jacobi setelah mengalami optimasi beberapa kali,
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
13 sc=0.001 %stopping-criteria
14
15 for i=1:itermaks
16 %------nilai update-------------
17 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
18 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
19 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
20 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
21 xbaru
22
23 %------norm selisih-------------
24 s=0;
25 for i=1:n
27 end
28 epsilon=sqrt(s)
29
30 %------memeriksa stopping criteria, sc--------
31 if epsilon<sc
32 break
33 end
34
36 end
Metode yang baru saja kita bahas ini disebut metode Iterasi Jacobi. Metode ini bertujuan
mencari nilai-nilai pengganti variabel-variabel x dengan perumusan
x
(k)
i
=
n
j=1
_
a
ij
x
(k1)
j
_
+ b
i
a
ii
(5.7)
dimana i=1,2,3,...,n.
5.3.3 Algoritma
Langkah 1: Tentukan k=1
Langkah 2: Ketika (k N) lakukan Langkah 3-6
Langkah 3: Untuk i=1,...,n, hitunglah
x
i
=
n
j=1
(a
ij
XO
j
) + b
i
a
ii
Langkah 4: Jika x XO < , maka keluarkan OUTPUT (x
1
, ..., x
n
) lalu STOP
Langkah 5: Tentukan k=k+1
Langkah 6: Untuk i=1,...n, tentukan XO
i
= x
i
Langkah 7: OUTPUT (Iterasi maksimum telah terlampaui) lalu STOP
5.3.4 Program dalam Fortran
1 IMPLICIT NONE
2 DIMENSION A(10,10),B(10),X(10),XO(10)
3 REAL A,B,X,XO,EPS,NORM,S
4 INTEGER N,I,J,K,ITMAX
5 WRITE(
*
,
*
) ==> ITERASI JACOBI UNTUK SISTEM LINEAR <==
6 WRITE(
*
,
*
)
7 WRITE (
*
8 READ (
*
,
*
) N
9 WRITE (
*
,
*
) MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
10 DO 52 I = 1,N
11 DO 62 J = 1,N
12 WRITE (
*
,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
13 READ (
*
,
*
) A(I,J)
14 62 CONTINUE
15 WRITE (
*
,(1X,A,I2,A)) B(,I,) ?
16 READ (
*
,
*
) B(I)
17 WRITE (
*
,
*
)
18 52 CONTINUE
19 WRITE (
*
,(1X,A)) JUMLAH ITERASI MAKSIMUM ?
20 READ (
*
,
*
) ITMAX
21 WRITE (
*
,(1X,A)) NILAI EPSILON ATAU TOLERANSI ?
22 READ (
*
,
*
) EPS
23 WRITE (
*
,
*
) MASUKAN NILAI AWAL UNTUK XO
24 DO 72 I = 1,N
25 WRITE (
*
,(1X,A,I2,A)) XO(,I,) ?
26 READ (
*
,
*
) XO(I)
27 72 CONTINUE
28 WRITE (
*
,
*
)
30 WRITE (
*
,(1X,A)) MATRIK A:
31 DO 110 I = 1,N
32 WRITE (
*
,6) (A(I,J),J=1,N)
33 110 CONTINUE
34 WRITE (
*
,
*
)
35 C MENAMPILKAN VEKTOR B
36 WRITE (
*
,(1X,A)) VEKTOR B:
37 DO 111 I = 1,N
38 WRITE (
*
,6) B(I)
39 111 CONTINUE
40 WRITE (
*
,
*
)
41 C LANGKAH 1
42 K = 1
43 C LANGKAH 2
44 100 IF(K.GT.ITMAX) GOTO 200
45 C LANGKAH 3
46 NORM = 0.0
47 DO 10 I = 1,N
48 S = 0.0
49 DO 20 J=1,N
50 S = S-A(I,J)
*
XO(J)
51 20 CONTINUE
52 S = (S+B(I))/A(I,I)
53 IF (ABS(S).GT.NORM) NORM=ABS(S)
54 X(I) = XO(I)+S
55 10 CONTINUE
56 WRITE(
*
,(1X,A,I3)) ITERASI KE-, K
57 WRITE(
*
,(1X,A,F14.8)) NORM = , NORM
58 WRITE(
*
,(1X,A,I3,A,F14.8)) (X(,I,) = , X(I),I=1,N)
59 WRITE(
*
,
*
)
60 C LANGKAH 4
61 IF(NORM.LE.EPS) THEN
62 WRITE(
*
,7) K,NORM
63 GOTO 400
64 END IF
65 C LANGKAH 5
66 K = K+1
67 C LANGKAH 6
68 DO 30 I=1,N
69 XO(I) = X(I)
70 30 CONTINUE
71 GOTO 100
72 C LANGKAH 7
73 200 CONTINUE
74 WRITE(
*
,9)
75 400 STOP
76
77 5 FORMAT(1X,I3)
78 6 FORMAT(1X,(6(1X,F14.8)))
79 7 FORMAT(1X,KONVERGEN PADA ITERASI YANG KE- ,I3,
80
*
, NORM= ,F14.8)
81 9 FORMAT(1X,MELEBIHI BATAS MAKSIMUM ITERASI)
82 END
5.4 Iterasi Gauss-Seidel
Metode Iterasi Gauss-Seidel hampir sama dengan metode Iterasi Jacobi. Perbedaannya hanya
terletak pada penggunaan nilai elemen vektor xbaru yang langsung digunakan pada per-
samaan dibawahnya. Untuk lebih jelasnya, perhatikan sistem persamaan linear berikut, yang
diturunkan dari contoh terdahulu
x
baru
1
=
1
10
x
lama
2

2
10
x
lama
3
+
6
10
x
baru
2
=
1
11
x
baru
1
+
1
11
x
lama
3

3
11
x
lama
4
+
25
11
x
baru
3
=
2
10
x
baru
1
+
1
10
x
baru
2
+
1
10
x
lama
4

11
10
x
baru
4
=
3
8
x
baru
2
+
1
8
x
baru
3
+
15
8
Pada baris pertama, x
baru
1
dihitung berdasarkan x
lama
2
dan x
lama
3
. Kemudian x
baru
1
tersebut
langsung dipakai pada baris kedua untuk menghitung x
baru
2
. Selanjutnya x
baru
1
dan x
baru
2
di-
gunakan pada baris ketiga untuk mendapatkan x
baru
3
. Begitu seterusnya hingga x
baru
4
pun
diperoleh pada baris keempat. Sistem persamaan tersebut dapat dinyatakan dalam indeks k
5.4. ITERASI GAUSS-SEIDEL 85
seperti dibawah ini dimana k adalah jumlah iterasi.
x
(k)
1
=
1
10
x
(k1)
2

2
10
x
(k1)
3
+
6
10
x
(k)
2
=
1
11
x
(k)
1
+
1
11
x
(k1)
3

3
11
x
(k1)
4
+
25
11
x
(k)
3
=
2
10
x
(k)
1
+
1
10
x
(k)
2
+
1
10
x
(k1)
4

11
10
x
(k)
4
=
3
8
x
(k)
2
+
1
8
x
(k)
3
+
15
8
Misalnya kita tentukan nilai-nilai awal x
(0)
sebagai berikut x
(0)
1
= 0, x
(0)
2
= 0, x
(0)
3
= 0 dan
x
(0)
4
= 0. Atau dinyatakan seperti ini x
(0)
= (0; 0; 0; 0)
t
. Maka pada k = 1 kita akan memperoleh
nilai-nilai x
(1)
sebagai berikut
x
(1)
1
= 0, 6000
x
(1)
2
= 2, 3272
x
(1)
3
= 0, 9873
x
(1)
4
= 0, 8789
Lalu proses perhitungan diulangi lagi dengan k = 2. Begitu seterusnya proses ini diulang-
ulang lagi untuk nilai-nilai k berikutnya sampai x
(k)
mendekati solusi yang sesungguhnya,
yaitu
x = (1; 2; 1; 1)
t
Marilah kita amati hasil seluruh iterasi. Tabel di bawah ini menampilkan hasil perhitungan
hingga iterasi yang ke-5. Kita bisa saksikan bahwa dibandingkan dengan iterasi Jacobi, prob-
lem sistem persamaan linear yang sama, bisa diselesaikan oleh metode iterasi Gauss-Seidel
hanya dalam 5 kali iterasi. Dari kasus ini, bisa kita simpulkan bahwa iterasi Gauss-Seidel bek-
Tabel 5.3: Hasil Iterasi Gauss-Seidel
k 0 1 2 3 4 5
x
(k)
1
0,0000 0,6000 1,030 1,0065 1,0009 1,0001
x
(k)
2
0,0000 2,3272 2,037 2,0036 2,0003 2,0000
x
(k)
3
0,0000 -0,9873 -1,014 -1,0025 -1,0003 -1,0000
x
(k)
4
0,0000 0,8789 0,9844 0,9983 0,9999 1,0000
erja lebih efektif dibandingkan iterasi Jacobi. Ya.., memang secara umumdemikian, akan tetapi
ternyata ditemukan kondisi yang sebaliknya pada kasus-kasus yang lain.
5.4.1 Script iterasi Gauss-Seidel
Secara umum, script iterasi Gauss-Seidel yang saya tuliskan disini hampir sama dengan it-
erasi Jacobi. Perbedaan kecil-nya terletak pada bagian nilai update, dimana elemen xbaru hasil
perhitungan dilibatkan langsung untuk menghitung elemen xbaru selanjutnya.
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
13 sc=0.001 %stopping-criteria
14
15 for i=1:itermaks
16 %------nilai update-------------
17 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
18 xbaru(2,1)=(1/11)
*
xbaru(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
19 xbaru(3,1)=-(2/10)
*
xbaru(1,1)+(1/10)
*
xbaru(2,1)+(1/10)
*
xlama(4,1)-(11/10);
20 xbaru(4,1)=-(3/8)
*
xbaru(2,1)+(1/8)
*
xbaru(3,1)+(15/8);
21 xbaru
22
23 %------norm selisih-------------
24 s=0;
25 for i=1:n
27 end
28 epsilon=sqrt(s)
29
30 %------memeriksa stopping criteria, sc--------
31 if epsilon<sc
32 break
33 end
34
36 end
Perumusan metode Iterasi Gauss-Seidel dapat dinyatakan sebagai berikut:
x
(k)
i
=
i1
j=1
_
a
ij
x
(k)
j
_
n
j=i+1
_
a
ij
x
(k1)
j
_
+ b
i
a
ii
(5.8)
dimana i=1,2,3,...,n.
5.4. ITERASI GAUSS-SEIDEL 87
5.4.2 Algoritma
x
i
=
i1
j=1
a
ij
x
j
n
j=i+1
a
ij
XO
j
+ b
i
a
ii
1
, ..., x
n
) lalu STOP
i
= x
i
5.4.3 Script iterasi Gauss-Seidel dalam Fortran
1 IMPLICIT NONE
2 DIMENSION A(10,10),B(10),X(10),XO(10)
3 REAL A,B,X,XO,EPS,NORM,S1,S2
4 INTEGER N,I,J,K,ITMAX
5 WRITE(
*
,
*
)
6 WRITE(
*
,
*
) ==> ITERASI GAUSS-SEIDEL UNTUK SISTEM LINEAR <==
7 WRITE(
*
,
*
)
8 WRITE (
*
9 READ (
*
,
*
) N
10 WRITE (
*
,
*
) MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
11 DO 52 I = 1,N
12 DO 62 J = 1,N
13 WRITE (
*
,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
14 READ (
*
,
*
) A(I,J)
15 62 CONTINUE
16 WRITE (
*
,(1X,A,I2,A)) B(,I,) ?
17 READ (
*
,
*
) B(I)
18 WRITE (
*
,
*
)
19 52 CONTINUE
20 WRITE (
*
,(1X,A)) JUMLAH ITERASI MAKSIMUM ?
21 READ (
*
,
*
) ITMAX
22 WRITE (
*
,(1X,A)) NILAI EPSILON ATAU TOLERANSI ?
23 READ (
*
,
*
) EPS
24 WRITE (
*
,
*
) MASUKAN NILAI AWAL UNTUK XO
25 DO 72 I = 1,N
26 WRITE (
*
,(1X,A,I2,A)) XO(,I,) ?
27 READ (
*
,
*
) XO(I)
28 72 CONTINUE
29 WRITE (
*
,
*
)
31 WRITE (
*
,(1X,A)) MATRIK A:
32 DO 110 I = 1,N
33 WRITE (
*
,6) (A(I,J),J=1,N)
34 110 CONTINUE
35 WRITE (
*
,
*
)
36 C MENAMPILKAN VEKTOR B
37 WRITE (
*
,(1X,A)) VEKTOR B:
38 DO 111 I = 1,N
39 WRITE (
*
,6) B(I)
40 111 CONTINUE
41 WRITE (
*
,
*
)
42 C LANGKAH 1
43 K = 1
44 C LANGKAH 2
45 100 IF(K.GT.ITMAX) GOTO 200
46 C LANGKAH 3
47 DO 10 I = 1,N
48 S1 = 0.0
49 DO 20 J=I+1,N
50 S1 = S1-A(I,J)
*
XO(J)
51 20 CONTINUE
52 S2 = 0.0
53 DO 23 J=1,I-1
54 S2 = S2-A(I,J)
*
X(J)
55 23 CONTINUE
56 X(I) = (S2+S1+B(I))/A(I,I)
57 10 CONTINUE
58 C SAYA PILIH NORM-2. ANDA BOLEH PAKAI NORM YANG LAIN!
59 NORM = 0.0
60 DO 40 I=1,N
61 NORM = NORM + (X(I)-XO(I))
*
(X(I)-XO(I))
62 40 CONTINUE
63 NORM = SQRT(NORM)
64 WRITE(
*
,(1X,A,I3)) ITERASI KE-, K
65 WRITE(
*
,(1X,A,F14.8)) NORM-2 = , NORM
66 WRITE(
*
,(1X,A,I3,A,F14.8)) (X(,I,) = , X(I),I=1,N)
67 WRITE(
*
,
*
)
68 C LANGKAH 4
69 IF(NORM.LE.EPS) THEN
70 WRITE(
*
,7) K,NORM
71 GOTO 400
72 END IF
73 C LANGKAH 5
74 K = K+1
75 C LANGKAH 6
5.5. ITERASI DENGAN RELAKSASI 89
76 DO 30 I=1,N
77 XO(I) = X(I)
78 30 CONTINUE
79 GOTO 100
80 C LANGKAH 7
81 200 CONTINUE
82 WRITE(
*
,9)
83 400 STOP
84
85 5 FORMAT(1X,I3)
86 6 FORMAT(1X,(6(1X,F14.8)))
87 7 FORMAT(1X,KONVERGEN PADA ITERASI YANG KE- ,I3,
88
*
, NORM= ,F14.8)
89 9 FORMAT(1X,MELEBIHI BATAS MAKSIMUM ITERASI)
90 END
5.5 Iterasi dengan Relaksasi
Metode Iterasi Relaksasi (Relaxation method) dinyatakan dengan rumus berikut:
x
(k)
i
= (1 ) x
(k1)
i
+

a
ii
_
_
b
i
i1
j=1
a
ij
x
(k)
j

n
j=i+1
a
ij
x
(k1)
j
_
_
(5.9)
dimana i=1,2,3,...,n.
Untuk lebih jelasnya, marilah kita perhatikan contoh berikut, diketahui sistem persamaan
linear Ax = b yaitu
4x
1
+ 3x
2
+ = 24
3x
1
+ 4x
2
x
3
= 30
x
2
+ 4x
3
= 24
memiliki solusi (3, 4, 5)
t
. Metode Gauss-Seidel dan Relaksasi dengan = 1, 25 akan digu-
nakan untuk menyelesaikan sistem persamaan linear di atas dengan x
(0)
= (1, 1, 1)
t
. Untuk
setiap nilai k = 1, 2, 3, ..., persamaan Gauss-Seidelnya adalah
x
(k)
1
= 0, 75x
(k1)
2
+ 6
x
(k)
2
= 0, 75x
(k)
1
+ 0, 25x
(k1)
3
+ 7, 5
x
(k)
3
= 0, 25x
(k)
2
6
Sedangkan persamaan untuk metode Relaksasi dengan = 1, 25 adalah
x
(k)
1
= 0, 25x
(k1)
1
0, 9375x
(k1)
2
+ 7, 5
x
(k)
2
= 0, 9375x
(k)
1
0, 25x
(k1)
2
+ 0, 3125x
(k1)
3
+ 9, 375
x
(k)
3
= 0, 3125x
(k)
2
0, 25x
(k1)
3
7, 5
Tabel berikut ini menampilkan perhitungan dari masing-masing metode hingga iterasi ke-7.
Tabel 5.4: Hasil perhitungan iterasi Gauss-Seidel
k 0 1 2 3 4 5 6 7
x
(k)
1
1 5,2500 3,1406 3,0879 3,0549 3,0343 3,0215 3,0134
x
(k)
2
1 3,8125 3,8828 3,9267 3,9542 3,9714 3,9821 3,9888
x
(k)
3
1 -5,0468 -5,0293 -5,0183 -5,0114 -5,0072 -5,0044 -5,0028
Tabel 5.5: Hasil perhitungan iterasi Relaksasi dengan = 1, 25
k 0 1 2 3 4 5 6 7
x
(k)
1
1 6,3125 2,6223 3,1333 2,9570 3,0037 2,9963 3,0000
x
(k)
2
1 3,5195 3,9585 4,0102 4,0075 4,0029 4,0009 4,0002
x
(k)
3
1 -6,6501 -4,6004 -5,0967 -4,9735 -5,0057 -4,9983 -5,0003
Dari kasus ini, bisa kita simpulkan bahwa iterasi Relaksasi memerlukan proses iterasi yang
lebih singkat dibandingkan iterasi Gauss-Seidel. Jadi, pada kasus ini (dan juga secara umum),
Relaksasi lebih efektif dibandingkan Gauss-Seidel. Pertanyaannya sekarang, bagaimana menen-
tukan nilai optimal?
Metode Relaksasi dengan pilihan nilai yang berkisar antara 0 dan 1 disebut metode under-
relaxation, dimana metode ini berguna agar sistem persamaan linear bisa mencapai kondisi
konvergen walaupun sistemtersebut sulit mencapai kondisi konvergen dengan metode Gauss-
Seidel. Sementara bila nilainya lebih besar dari angka 1, maka disebut metode successive
over-relaxation (SOR), yang mana metode ini berguna untuk mengakselerasi atau mempercepat
kondisi konvergen dibandingkan dengan Gauss-Seidel. Metode SOR ini juga sangat berguna
untuk menyelesaikan sistempersamaan linear yang muncul dari persamaan diferensial-parsial
tertentu.
5.5.1 Algoritma Iterasi Relaksasi
x
i
= (1 ) XO
i
+
i1
j=1
a
ij
x
j
n
j=i+1
a
ij
XO
j
+ b
i
_
a
ii
5.5. ITERASI DENGAN RELAKSASI 91
1
, ..., x
n
) lalu STOP
i
= x
i
Demikianlah catatan singkat dari saya tentang metode iterasi untuk menyelesaikan prob-
lem sistem persamaan linear. Saya cukupkan sementara sampai disini. Insya Allah akan saya
sambung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui
email: supri92@gmail.com.
Bab 6
Interpolasi
Objektif :
Mengenalkan Interpolasi Lagrange
Mengenalkan Interpolasi Spline-cubic
6.1 Interpolasi Lagrange
Interpolasi Lagrange diterapkan untuk mendapatkan fungsi polinomial P(x) berderajat ter-
tentu yang melewati sejumlah titik data. Misalnya, kita ingin mendapatkan fungsi polinomial
berderajat satu yang melewati dua buah titik yaitu (x
0
, y
0
) dan (x
1
, y
1
). Langkah pertama yang
kita lakukan adalah mendenisikan fungsi berikut
L
0
(x) =
x x
1
x
0
x
1
dan
L
1
(x) =
x x
0
x
1
x
0
kemudian kita denisikan fungsi polinomial sebagai berikut
P(x) = L
0
(x)y
0
+ L
1
(x)y
1
Jika semua persamaan diatas kita gabungkan, maka akan didapat
P(x) = L
0
(x)y
0
+ L
1
(x)y
1
P(x) =
x x
1
x
0
x
1
y
0
+
x x
0
x
1
x
0
y
1
dan ketika x = x
0
P(x
0
) =
x
0
x
1
x
0
x
1
y
0
+
x
0
x
0
x
1
x
0
y
1
= y
0
93
94 BAB 6. INTERPOLASI
dan pada saat x = x
1
P(x
1
) =
x
1
x
1
x
0
x
1
y
0
+
x
1
x
0
x
1
x
0
y
1
= y
1
dari contoh ini, kira-kira apa kesimpulan sementara anda? Ya.. kita bisa sepakat bahwa fungsi
polinomial
P(x) =
x x
1
x
0
x
1
y
0
+
x x
0
x
1
x
0
y
1
(6.1)
benar-benar melewati titik (x
0
, y
0
) dan (x
1
, y
1
).
Sekarang mari kita perhatikan lagi contoh lainnya. Misalnya ada tiga titik yaitu (x
0
, y
0
), (x
1
, y
1
)
dan (x
2
, y
2
). Tentukanlah fungsi polinomial yang melewati ketiganya! Dengan pola yang sama
kita bisa awali langkah pertama yaitu mendenisikan
L
0
(x) =
(x x
1
)(x x
2
)
(x
0
x
1
)(x
0
x
2
)
lalu
L
1
(x) =
(x x
0
)(x x
2
)
(x
1
x
0
)(x
1
x
2
)
dan
L
2
(x) =
(x x
0
)(x x
1
)
(x
2
x
0
)(x
2
x
1
)
kemudian kita denisikan fungsi polinomial sebagai berikut
P(x) = L
0
(x)y
0
+ L
1
(x)y
1
+ L
2
(x)y
2
Jika semua persamaan diatas kita gabungkan, maka akan didapat fungsi polinomial
P(x) =
(x x
1
)(x x
2
)
(x
0
x
1
)(x
0
x
2
)
y
0
+
(x x
0
)(x x
2
)
(x
1
x
0
)(x
1
x
2
)
y
1
+
(x x
0
)(x x
1
)
(x
2
x
0
)(x
2
x
1
)
y
2
Kita uji sebentar. Ketika x = x
0
P(x
0
) =
(x
0
x
1
)(x
0
x
2
)
(x
0
x
1
)(x
0
x
2
)
y
0
+
(x
0
x
0
)(x
0
x
2
)
(x
1
x
0
)(x
1
x
2
)
y
1
+
(x
0
x
0
)(x
0
x
1
)
(x
2
x
0
)(x
2
x
1
)
y
2
= y
0
pada saat x = x
1
P(x
1
) =
(x
1
x
1
)(x
1
x
2
)
(x
0
x
1
)(x
0
x
2
)
y
0
+
(x
1
x
0
)(x
1
x
2
)
(x
1
x
0
)(x
1
x
2
)
y
1
+
(x
1
x
0
)(x
1
x
1
)
(x
2
x
0
)(x
2
x
1
)
y
2
= y
1
pada saat x = x
2
P(x
2
) =
(x
2
x
1
)(x
2
x
2
)
(x
0
x
1
)(x
0
x
2
)
y
0
+
(x
2
x
0
)(x
2
x
2
)
(x
1
x
0
)(x
1
x
2
)
y
1
+
(x
2
x
0
)(x
2
x
1
)
(x
2
x
0
)(x
2
x
1
)
y
2
= y
2
6.2. INTERPOLASI CUBIC SPLINE 95
Terbukti bahwa fungsi polonomial
P(x) =
(x x
1
)(x x
2
)
(x
0
x
1
)(x
0
x
2
)
y
0
+
(x x
0
)(x x
2
)
(x
1
x
0
)(x
1
x
2
)
y
1
+
(x x
0
)(x x
1
)
(x
2
x
0
)(x
2
x
1
)
y
2
(6.2)
melewati ketiga titik tadi.
Kalau kita bandingkan antara persamaan (6.1) dan persamaan (6.2), terlihat bahwa derajat per-
samaan (6.2) lebih tinggi dibandingkan dengan derajat persamaan (6.1). Hal ini terlihat dari x
2
pada persamaan (6.2) sementara pada persamaan (6.1) hanya ada x. persamaan (6.2) disebut
funsi polinomial berderajat 2, sedangkan persamaan (6.1) disebut fungsi polinomial berderajat
1.
6.2 Interpolasi Cubic Spline
Gambar 6.1: Fungsi f(x) dengan sejumlah titik data
Gambar 6.2: Pendekatan dengan polinomial cubic spline
Diketahui suatu fungsi f(x) (Figure 6.1) yang dibatasi oleh interval a dan b, dan memiliki
sejumlah titik data a = x
0
< x
1
< ... < x
n
= b. Interpolasi cubic spline S(x) adalah sebuah po-
tongan fungsi polinomial kecil-kecil (Figure 6.2) berderajat tiga (cubic) yang menghubungkan
dua titik data yang bersebelahan dengan ketentuan sebagai berikut:
1. S
j
(x) adalah potongan fungsi yang berada pada sub-interval dari x
j
hingga x
j+1
untuk
nilai j = 0, 1, ..., n 1;
2. S(x
j
) = f(x
j
), artinya pada setiap titik data (x
j
), nilai f(x
j
) bersesuaian dengan S(x
j
)
dimana j = 0, 1, ..., n;
3. S
j+1
(x
j+1
) = S
j
(x
j+1
). Perhatikan titik x
j+1
pada Figure 6.2. Ya.. tentu saja jika fungsi
itu kontinyu, maka titik x
j+1
menjadi titik sambungan antara S
j
dan S
j+1
.
4. S
j+1
(x
j+1
) = S
j
(x
j+1
), artinya kontinyuitas menuntut turunan pertama dari S
j
dan S
j+1
pada titik x
j+1
harus bersesuaian.
5. S
j+1
(x
j+1
) = S
j
(x
j+1
), artinya kontinyuitas menuntut turunan kedua dari S
j
dan S
j+1
pada titik x
j+1
harus bersesuaian juga.
6. Salah satu syarat batas diantara 2 syarat batas x
0
dan x
n
berikut ini mesti terpenuhi:
S
(x
0
) = S
(x
n
) = 0 ini disebut natural boundary
S
(x
0
) = f
(x
0
) dan S
(x
n
) = f
(x
n
) ini disebut clamped boundary
Polinomial cubic spline S (polinomial pangkat 3) untuk suatu fungsi f berdasarkan ketentuan
di atas adalah
S
j
(x) = a
j
+ b
j
(x x
j
) + c
j
(x x
j
)
2
+ d
j
(x x
j
)
3
(6.3)
dimana j = 0, 1, ..., n 1. Maka ketika x = x
j
S
j
(x
j
) = a
j
+ b
j
(x
j
x
j
) + c
j
(x
j
x
j
)
2
+ d
j
(x
j
x
j
)
3
S
j
(x
j
) = a
j
= f(x
j
)
Itu artinya, a
j
selalu jadi pasangan titik data dari x
j
. Dengan pola ini maka pasangan titik data
x
j+1
adalah a
j+1
, konsekuensinya S(x
j+1
) = a
j+1
. Berdasarkan ketentuan (3), yaitu ketika
x = x
j+1
dimasukan ke persamaan (12.7)
a
j+1
= S
j+1
(x
j+1
) = S
j
(x
j+1
) = a
j
+ b
j
(x
j+1
x
j
) + c
j
(x
j+1
x
j
)
2
+ d
j
(x
j+1
x
j
)
3
dimana j = 0, 1, ..., n 2. Sekarang, kita nyatakan h
j
= x
j+1
x
j
, sehingga
a
j+1
= a
j
+ b
j
h
j
+ c
j
h
2
j
+ d
j
h
3
j
(6.4)
Kemudian, turunan pertama dari persamaan (12.7) adalah
S
j
(x) = b
j
+ 2c
j
(x x
j
) + 3d
j
(x x
j
)
2
ketika x = x
j
,
S
j
(x
j
) = b
j
+ 2c
j
(x
j
x
j
) + 3d
j
(x
j
x
j
)
2
= b
j
dan ketika x = x
j+1
,
b
j+1
= S
j
(x
j+1
) = b
j
+ 2c
j
(x
j+1
x
j
) + 3d
j
(x
j+1
x
j
)
2
Ini dapat dinyatakan sebagai
b
j+1
= b
j
+ 2c
j
(x
j+1
x
j
) + 3d
j
(x
j+1
x
j
)
2
dan dinyatakan dalam h
j
b
j+1
= b
j
+ 2c
j
h
j
+ 3d
j
h
2
j
(6.5)
Berikutnya, kita hitung turunan kedua dari persamaan (12.7)
S
j
(x) = 2c
j
+ 6d
j
(x x
j
) (6.6)
tapi dengan ketentuan tambahan yaitu S
(x)/2, sehingga persamaan ini dimodikasi menjadi

S
j
(x) = c
j
+ 3d
j
(x x
j
)
dengan cara yang sama, ketika x = x
j
S
j
(x
j
) = c
j
+ 3d
j
(x
j
x
j
) = c
j
dan ketika x = x
j+1
c
j+1
= S
j
(x
j+1
) = c
j
+ 3d
j
(x
j+1
x
j
)
c
j+1
= c
j
+ 3d
j
h
j
(6.7)
dan d
j
bisa dinyatakan
d
j
=
1
3h
j
(c
j+1
c
j
)
dari sini, persamaan (6.4) dapat ditulis kembali
a
j+1
= a
j
+ b
j
h
j
+ c
j
h
2
j
+ d
j
h
3
j
= a
j
+ b
j
h
j
+ c
j
h
2
j
+
h
2
j
3
(c
j+1
c
j
)
= a
j
+ b
j
h
j
+
h
2
j
3
(2c
j
+ c
j+1
) (6.8)
sementara persamaan (6.5) menjadi
b
j+1
= b
j
+ 2c
j
h
j
+ 3d
j
h
2
j
= b
j
+ 2c
j
h
j
+ h
j
(c
j+1
c
j
)
= b
j
+ h
j
(c
j
+ c
j+1
) (6.9)
Sampai sini masih bisa diikuti, bukan? Selanjutnya, kita coba mendapatkan b
j
dari persamaan
(6.8)
b
j
=
1
h
j
(a
j+1
a
j
)
h
j
3
(2c
j
+ c
j+1
) (6.10)
dan untuk b
j1
b
j1
=
1
h
j1
(a
j
a
j1
)
h
j1
3
(2c
j1
+ c
j
) (6.11)
Langkah berikutnya adalah mensubtitusikan persamaan (6.10) dan persamaan (6.11) kedalam
persamaan (6.9),
h
j1
c
j1
+ 2(h
j1
+ h
j
)c
j
+ h
j
c
j+1
=
3
h
j
(a
j+1
a
j
)
3
h
j1
(a
j
a
j1
) (6.12)
dimana j = 1, 2, ..., n 1. Dalam sistem persamaan ini, nilai {h
j
}
n1
j=0
dan nilai {a
j
}
n
j=0
su-
dah diketahui, sementara nilai {c
j
}
n
j=0
belum diketahui dan memang nilai inilah yang akan
dihitung dari persamaan ini.
Sekarang coba perhatikan ketentuan nomor (6), ketika S
(x
0
) = S
(x
n
) = 0, berapakah nilai c
0
dan c
n
? Nah, kita bisa evaluasi persamaan (6.6)
S
(x
0
) = 2c
0
+ 6d
0
(x
0
x
0
) = 0
jelas sekali c
0
harus berharga nol. Demikian halnya dengan c
n
harganya harus nol. Jadi untuk
natural boundary, nilai c
0
= c
n
= 0.
Persamaan (6.12) dapat dihitung dengan operasi matrik Ax = b dimana
A =
_
_
1 0 0 . . . . . . . . . 0
h
0
2(h
0
+ h
1
) h
1
0 . . . . . . 0
0 h
1
2(h
1
+ h
2
) h
2
0 . . . 0
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . h
n2
2(h
n2
+ h
n1
) h
n1
0 . . . . . . . . . 0 0 1
_
_
x =
_
_
c
0
c
1
.
.
.
c
n
_
_
b =
_
_
0
3
h
1
(a
2
a
1
)
3
h
0
(a
1
a
0
)
.
.
.
3
h
n1
(a
n
a
n1
)
3
h
n2
(a
n1
a
n2
)
0
_
_
Sekarang kita beralih ke clamped boundary dimana S
(a) = f
(a) dan S
(b) = f
(b). Nah, kita

bisa evaluasi persamaan (6.10) dengan j = 0, dimana f
(a) = S
(a) = S
(x
0
) = b
0
, sehingga
f
(a) =
1
h
0
(a
1
a
0
)
h
0
3
(2c
0
+ c
1
)
konsekuensinya,
2h
0
c
0
+ h
0
c
1
=
3
h
0
(a
1
a
0
) 3f
(a) (6.13)
Sementara pada x
n
= b
n
dengan persamaan (6.9)
f
(b) = b
n
= b
n1
+ h
n1
(c
n1
+ c
n
)
sedangkan b
n1
bisa didapat dari persamaan (6.11) dengan j = n 1
b
n1
=
1
h
n1
(a
n
a
n1
)
h
n1
3
(2c
n1
j + c
n
)
Jadi
f
(b) =
1
h
n1
(a
n
a
n1
)
h
n1
3
(2c
n1
j + c
n
) + h
n1
(c
n1
+ c
n
)
=
1
h
n1
(a
n
a
n1
+
h
n1
3
(c
n1
j + 2c
n
)
dan akhirnya kita peroleh
h
n1
c
n1
+ 2h
n1
C
n
= 3f
(b)
3
h
n1
(a
n
a
n1
) (6.14)
Persamaan (6.13) dan persamaan (6.14) ditambah persamaan (6.12 membentuk operasi matrik
Ax = b dimana
A =
_
_
2h
0
h
0
0 . . . . . . . . . 0
h
0
2(h
0
+ h
1
) h
1
0 . . . . . . 0
0 h
1
2(h
1
+ h
2
) h
2
0 . . . 0
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . h
n2
2(h
n2
+ h
n1
) h
n1
0 . . . . . . . . . 0 h
n1
2h
n1
_
_
Gambar 6.3: Prol suatu object
x =
_
_
c
0
c
1
.
.
.
c
n
_
_
b =
_
_
3
h
0
(a
1
a
0
) 3f
(a)
3
h
1
(a
2
a
1
)
3
h
0
(a
1
a
0
)
.
.
.
3
h
n1
(a
n
a
n1
)
3
h
n2
(a
n1
a
n2
)
3f
(b)
3
h
n1
(a
n
a
n1
)
_
_
Gambar 6.4: Sampling titik data
Gambar 6.5: Hasil interpolasi cubic spline
j x
j
a
j
b
j
c
j
d
j
0 0,9 1,3 5,4 0,00 -0,25
1 1,3 1,5 0,42 -0,30 0,95
2 1,9 1,85 1,09 1,41 -2,96
3 2,1 2,1 1,29 -0,37 -0,45
4 2,6 2,6 0,59 -1,04 0,45
5 3,0 2,7 -0,02 -0,50 0,17
6 3,9 2,4 -0,5 -0,03 0,08
7 4,4 2,15 -0,48 0,08 1,31
8 4,7 2,05 -0,07 1,27 -1,58
9 5,0 2,1 0,26 -0,16 0,04
10 6,0 2,25 0,08 -0,03 0,00
11 7,0 2,3 0,01 -0,04 -0,02
12 8,0 2,25 -0,14 -0,11 0,02
13 9,2 1,95 -0,34 -0,05 -0,01
14 10,5 1,4 -0,53 -0,1 -0,02
15 11,3 0,9 -0,73 -0,15 1,21
16 11,6 0,7 -0,49 0,94 -0,84
17 12,0 0,6 -0,14 -0,06 0,04
18 12,6 0,5 -0,18 0 -0,45
19 13,0 0,4 -0,39 -0,54 0,60
20 13,3 0,25
Gambar 6.6: Hasil interpolasi lagrange
Bab 7
Diferensial Numerik
Objektif :
Mengenalkan metode Euler.
Mengenalkan metode Runge Kutta orde 4.
Mengenalkan metode Finite Difference.
7.1 Metode Euler
Suatu persamaan diferensial dapat dinyatakan sebagai berikut:
dy
dt
= f(t, y), a t b, y(a) = (7.1)
Pada kenyataannya, melalui pendekatan numerik, kita tidak akan memperoleh solusi fungsi
yang kontinyu; yang mungkin kita dapat adalah solusi diskrit dalam bentuk mesh points di
dalam interval [a,b]. Setelah diperoleh solusi numerik pada suatu point, maka point-point
yang lainpun bisa dicari dengan cara interpolasi.
Tahap awal solusi pendekatan numerik adalah dengan menentukan point-point dalam jarak
yang sama di dalam interval [a,b], yaitu dengan menerapkan
t
i
= a + ih, i = 0, 1, 2, ..., N (7.2)
Jarak antar point dirumuskan sebagai
h =
b a
N
(7.3)
ini disebut step size.
Metode Euler diturunkan dari deret Taylor. Misalnya, fungsi y(t) adalah fungsi yang kontinyu
103
104 BAB 7. DIFERENSIAL NUMERIK
Gambar 7.1: Metode Euler
dan memiliki turunan dalam interval [a,b]. Maka dalam deret Taylor
y(t
i+1
) = y(t
i
) + (t
i+1
t
i
)y
(t
i
) +
(t
i+1
t
i
)
2
2
y
(
i
) (7.4)
Karena h = (t
i+1
t
i
), maka
y(t
i+1
) = y(t
i
) + hy
(t
i
) +
h
2
2
y
(
i
) (7.5)
dan, karena y(t) memenuhi persamaan diferensial (7.1),
y(t
i+1
) = y(t
i
) + hf(t
i
, y(t
i
)) +
h
2
2
y
(
i
) (7.6)
Metode Euler dibangun dengan pendekatan w
i
y(t
i
) untuk i = 1, 2, 3, ..., N, dengan mengabaikan
suku terakhir yang terdapat pada persamaan (7.6). Jadi metode Euler dinyatakan sebagai
w
0
= (7.7)
w
i+1
= w
i
+ hf(t
i
, w
i
) (7.8)
dimana i = 0, 1, 2, .., N 1
Contoh
Diketahui persamaan diferensial
y
= y t
2
+ 1, 0 t 2, y(0) = 0, 5
dimana N = 10. Sehingga
h =
b a
N
=
2 0
10
= 0, 2
7.1. METODE EULER 105
dan
t
i
= a + ih = 0 + i(0, 2) t
i
= 0, 2i
serta
w
0
= 0, 5
Dengan demikian persamaan euler dapat dinyatakan sebagai
w
i+1
= w
i
+ h(w
i
t
2
i
+ 1)
= w
i
+ 0, 2(w
i
0, 04i
2
+ 1)
= 1, 2w
i
0, 008i
2
+ 0, 2
dimana i = 0, 1, ..., 9.
Pada saat i = 0 dan dari syarat awal diketahui w
0
= 0, 5
w
1
= 1, 2w
0
0, 008(0)
2
+ 0, 2 = 0, 8000000
Pada saat i = 1
w
2
= 1, 2w
1
0, 008(1)
2
+ 0, 2 = 1, 1520000
Pada saat i = 2
w
3
= 1, 2w
2
0, 008(2)
2
+ 0, 2 = 1, 5504000
Demikian seterusnya, hingga pada i = 9
w
10
= 1, 2w
9
0, 008(9)
2
+ 0, 2 = 4, 8657845
Disisi lain, solusi exact persamaan diferensial adalah
y(t) = (t + 1)
2
0, 5e
t
Tabel dibawah ini memperlihatkan solusi metode euler dan solusi exact serta error atau selisih
antara keduanya. Trend error menunjukan bahwa ketika i semakin besar, error juga semakin
meningkat. Figure (9.3) memperlihatkan kurva peningkatan error ketika i semakin besar.
Untuk mengatasi hal ini, salah satu pemecahannya adalah dengan menerapkan deret Taylor
berorde lebih tinggi, atau cara lainnya adalah dengan menggunakan metode Runge-Kutta yang
akan dijelaskan pada pertemuan berikutnya.
t
i
w
i
y
i
= y(t
i
) |w
i
y
i
|
0,0 0,5000000 0,5000000 0,0000000
0,2 0,8000000 0,8292986 0,0292986
0,4 1,1520000 1,2140877 0,0620877
0,6 1,5504000 1,6489406 0,0985406
0,8 1,9884800 2,1272295 0,1387495
1,0 2,4581760 2,6408591 0,1826831
1,2 2,9498112 3,1799415 0,2301303
1,4 3,4517734 3,7324000 0,2806266
1,6 3,9501281 4,2834838 0,3333557
1,8 4,4281538 4,8151763 0,3870225
2,0 4,8657845 5,3054720 0,4396874
Gambar 7.2: Trend error metode euler
7.2 Metode Runge Kutta
Pada saat membahas metode Euler untuk penyelesaian persamaan diferensial, kita telah sam-
pai pada kesimpulan bahwa truncation error metode Euler terus membesar seiring dengan
bertambahnya iterasi. Dikaitkan dengan hal tersebut, metode Runge-Kutta Orde Empat menawarkan
penyelesaian persamaan diferensial dengan pertumbuhan truncation error yang jauh lebih ke-
cil.
7.2. METODE RUNGE KUTTA 107
Persamaan-persamaan yang menyusun metode Runge-Kutta Orde Empat adalah
w
0
=
k
1
= hf(t
i
, w
i
) (7.9)
k
2
= hf(t
i
+
h
2
, w
i
+
1
2
k
1
) (7.10)
k
3
= hf(t
i
+
h
2
, w
i
+
1
2
k
2
) (7.11)
k
4
= hf(t
i+1
, w
i
+ k
3
) (7.12)
w
i+1
= w
i
+
1
6
(k
1
+ 2k
2
+ 2k
3
+ k
4
) (7.13)
Contoh
Diketahui persamaan diferensial
y
= y t
2
+ 1, 0 t 2, y(0) = 0, 5
dengan mengganti y menjadi w, kita bisa nyatakan f(t
i
, w
i
) sebagai
f(t
i
, w
i
) = w
i
t
2
i
+ 1
Jika N = 10, maka
h =
b a
N
=
2 0
10
= 0, 2
dan
t
i
= a + ih = 0 + i(0, 2) t
i
= 0, 2i
serta
w
0
= 0, 5
Sekarang mari kita demonstrasikan metode Runge-Kutta Orde Empat ini. Untuk menghitung
w
1
, tahap-tahap perhitungannya dimulai dari menghitung k
1
k
1
= hf(t
0
, w
0
)
= h(w
0
t
2
0
+ 1)
= 0, 2((0, 5) (0, 0)
2
+ 1)
= 0, 3
lalu menghitung k
2
k
2
= hf(t
0
+
h
2
, w
0
+
k
1
2
)
= h[(w
0
+
k
1
2
) (t
0
+
h
2
)
2
+ 1)]
= 0, 2[(0, 5 +
0, 3
2
) (0, 0 +
0, 2
2
)
2
+ 1)]
= 0, 328
dilanjutkan dengan k
3
k
3
= hf(t
0
+
h
2
, w
0
+
k
2
2
)
= h[(w
0
+
k
2
2
) (t
0
+
h
2
)
2
+ 1)]
= 0, 2[(0, 5 +
0, 328
2
) (0, 0 +
0, 2
2
)
2
+ 1)]
= 0, 3308
kemudian k
4
k
4
= hf(t
1
, w
0
+ k
3
)
= h[(w
0
+ k
3
) t
2
1
+ 1]
= 0, 2[(0, 5 + 0, 3308) (0, 2)
2
+ 1]
= 0, 35816
akhirnya diperoleh w
1
w
1
= w
0
+
1
6
(k
1
+ 2k
2
+ 2k
3
+ k
4
)
= 0, 5 +
1
6
(0, 3 + 2(0, 328) + 2(0, 3308) + 0, 35816)
= 0, 5 +
1
6
(0, 3 + 0, 656 + 0, 6616 + 0, 35816)
= 0, 8292933
Dengan cara yang sama, w
2
, w
3
, w
4
dan seterusnya dapat dihitung. Tabel berikut menunjukkan
hasil perhitungannya.
i t
i
w
i
y
i
= y(t
i
) |w
i
y
i
|
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8292933 0,8292986 0,0000053
2 0,4 1,2140762 1,2140877 0,0000114
3 0,6 1,6489220 1,6489406 0,0000186
4 0,8 2,1272027 2,1272295 0,0000269
5 1,0 2,6408227 2,6408591 0,0000364
6 1,2 3,1799942 3,1799415 0,0000474
7 1,4 3,7323401 3,7324000 0,0000599
8 1,6 4,2834095 4,2834838 0,0000743
9 1,8 4,8150857 4,8151763 0,0000906
10 2,0 5,3054720 5,3053630 0,0001089
Dibandingkan dengan metode Euler, tingkat pertumbuhan truncation error, pada kolom|w
i
y
i
|, jauh lebih rendah sehingga metode Runge-Kutta Orde Empat lebih disukai untuk mem-
bantu menyelesaikan persamaan-diferensial-biasa.
Gambar 7.3: Rangkaian RC
Contoh tadi tampaknya dapat memberikan gambaran yang jelas bahwa metode Runge-Kutta
Orde Empat dapat menyelesaikan persamaan diferensial biasa dengan tingkat akurasi yang
lebih tinggi. Namun, kalau anda jeli, ada suatu pertanyaan cukup serius yaitu apakah metode
ini dapat digunakan bila pada persamaan diferensialnya tidak ada variabel t ? Misalnya pada
kasus berikut ini
Sebuah kapasitor yang tidak bermuatan dihubungkan secara seri dengan sebuah resistor dan
baterry (Figure 7.3). Diketahui = 12 volt, C = 5,00 F dan R = 8,00 10
5
. Saat saklar di-
hubungkan (t=0), muatan belum ada (q=0).
dq
dt
=

R

q
RC
(7.14)
Solusi exact persamaan (7.14) adalah
q
exact
= q(t) = C
_
1 e
t/RC
_
(7.15)
Anda bisa lihat semua suku di ruas kanan persamaan (7.14) tidak mengandung variabel t.
Padahal persamaan-persamaan penyusun metode Runge-Kutta selalu mencantumkan variabel
t. Apakah persamaan (7.14) tidak bisa diselesaikan dengan metode Runge-Kutta? Belumtentu.
Sekarang, kita coba selesaikan, pertama kita nyatakan
m
1
=

R
= 1, 5 10
5
m
2
=
1
RC
= 0, 25
sehingga persamaan (7.14) dimodikasi menjadi
dq
dt
= f(q
i
) = m
1
q
i
m
2
t
i
= a + ih
Jika t
0
= 0, maka a = 0, dan pada saat itu (secara sis) diketahui q
0
= 0, 0. Lalu jika ditetapkan
h = 0, 1 maka t
1
= 0, 1 dan kita bisa mulai menghitung k
1
dengan menggunakan q
0
= 0, 0,
walaupun t
1
tidak dilibatkan dalam perhitungan ini
k
1
= hf(q
0
)
= h(m
1
q
0
m
2
)
= 0, 1((1, 5 10
5
) (0, 0)(0, 25))
= 0, 150 10
5
lalu menghitung k
2
k
2
= hf(q
0
+
k
1
2
)
= h[(m
1
(q
0
+
k
1
2
)m
2
)]
= 0, 1[(1, 5 10
5
((0, 0) +
0, 15 10
5
2
)(0, 25)]
= 0, 14813 10
5
3
k
3
= hf(q
0
+
k
2
2
)
= h[(m
1
(q
0
+
k
2
2
)m
2
)]
= 0, 1[(1, 5 10
5
((0, 0) +
0, 14813 10
5
2
)(0, 25)]
= 0, 14815 10
5
kemudian k
4
k
4
= hf(q
0
+ k
3
)
= h[(m
1
(q
0
+ k
3
)m
2
)]
= 0, 1[(1, 5 10
5
((0, 0) + 0, 14815 10
5
)(0, 25)]
= 0, 14630 10
5
akhirnya diperoleh q
1
q
1
= q
0
+
1
6
(k
1
+ 2k
2
+ 2k
3
+ k
4
)
= 0, 0 +
1
6
(0, 150 + 2(0, 14813) + 2(0, 14815) + 0, 14630) 10
5
= 0, 14814 10
5
Selanjutnya q
2
dihitung. Tentu saja pada saat t
2
, dimana t
2
= 0, 2, namun sekali lagi, t
2
tidak
terlibat dalam perhitungan ini. Dimulai menghitung k
1
kembali
k
1
= hf(q
1
)
= h(m
1
q
1
m
2
)
= 0, 1((1, 5 10
5
) (0, 14814 10
5
)(0, 25))
= 0, 14630 10
5
lalu menghitung k
2
k
2
= hf(q
1
+
k
1
2
)
= h[(m
1
(q
1
+
k
1
2
)m
2
)]
= 0, 1[(1, 5 10
5
((0, 14814 10
5
) +
0, 14630 10
5
2
)(0, 25)]
= 0, 14447 10
5
3
k
3
= hf(q
1
+
k
2
2
)
= h[(m
1
(q
1
+
k
2
2
)m
2
)]
= 0, 1[(1, 5 10
5
((0, 14814 10
5
) +
0, 14447 10
5
2
)(0, 25)]
= 0, 14449 10
5
kemudian k
4
k
4
= hf(q
1
+ k
3
)
= h[(m
1
(q
1
+ k
3
)m
2
)]
= 0, 1[(1, 5 10
5
((0, 14814 10
5
) + 0, 14449 10
5
)(0, 25)]
= 0, 14268 10
5
akhirnya diperoleh q
2
q
2
= q
1
+
1
6
(k
1
+ 2k
2
+ 2k
3
+ k
4
)
= 0, 14814 10
5
+
1
6
(0, 14630 + 2(0, 14447) + 2(0, 14449) + 0, 14268) 10
5
= 0, 29262 10
5
Dengan cara yang sama, q
3
, q
4
, q
5
dan seterusnya dapat dihitung. Tabel di atas menunjukkan
hasil perhitungannya. Kolom q
exact
diperoleh dari persamaan (7.15).
Luar biasa!! Tak ada error sama sekali. Mungkin, kalau kita buat 7 angka dibelakang koma,
errornya akan terlihat. Tapi kalau anda cukup puas dengan 5 angka dibelakang koma, hasil ini
i t
i
q
i
q
exact
= q(t
i
) |q
i
q
exact
|
0 0,0 0,0000010
5
0,0000010
5
0,00000
1 0,1 0,1481410
5
0,1481410
5
0,00000
2 0,2 0,2926210
5
0,2926210
5
0,00000
3 0,3 0,4335410
5
0,4335410
5
0,00000
4 0,4 0,5709810
5
0,5709810
5
0,00000
5 0,5 0,7050210
5
0,7050210
5
0,00000
6 0,6 0,8357510
5
0,8357510
5
0,00000
7 0,7 0,9632610
5
0,9632610
5
0,00000
8 0,8 1,087610
5
1,087610
5
0,00000
9 0,9 1,208910
5
1,208910
5
0,00000
10 1,0 1,327210
5
1,327210
5
0,00000
sangat memuaskan. Figure 7.4 memperlihatkan kurva penumpukan muatan q terhadap waktu
t.
0 2 4 6 8 10 12 14 16 18 20
0
2
4
6
x 10
5
Gambar 7.4: Kurva muatan q terhadap waktu t
Berikut ini adalah script dalam matlab yang dipakai untuk menghitung q
1 clear all
2 clc
3 E=12;
4 R=800000;
5 C=5e-6;
6 m1=E/R;
7 m2=1/(R
*
C);
8 b=20.0;
9 a=0.0;
7.3. METODE FINITE DIFFERENCE 113
10 h=0.1;
11 n=(b-a)/h;
12 q0=0.0;
13 t0=0.0;
14 for i=1:n
15 t(i)=a+i
*
h;
16 end
17 for i=1:n
18 if i==1
19 k1=h
*
(m1-(m2
*
q0));
20 k2=h
*
(m1-(m2
*
(q0+(k1/2))));
21 k3=h
*
(m1-(m2
*
(q0+(k2/2))));
22 k4=h
*
(m1-(m2
*
(q0+k3)));
23 q(i)=q0+(k1+(2
*
k2)+(2
*
k3)+k4)/6;
24 else
25 k1=h
*
(m1-(m2
*
q(i-1)));
26 k2=h
*
(m1-(m2
*
(q(i-1)+(k1/2))));
27 k3=h
*
(m1-(m2
*
(q(i-1)+(k2/2))));
28 k4=h
*
(m1-(m2
*
(q(i-1)+k3)));
29 q(i)=q(i-1)+(k1+(2
*
k2)+(2
*
k3)+k4)/6;
30 end
31 end
32 q
Sampai disini mudah-mudahan jelas dan bisa dimengerti. Silakan anda coba untuk kasus yang
lain, misalnya proses pembuangan (discharging) q pada rangkaian yang sama, atau bisa juga
anda berlatih dengan rangkaian RL dan RLC. Saya akhiri dulu uraian saya sampai disini.
7.3 Metode Finite Difference
Suatu persamaan diferensial dapat dinyatakan sebagai berikut:
d
2
y
dx
2
(x) = p(x)
dy
dx
(x) + q(x)y(x) + r(x), a x b, y(a) = , y(b) = (7.16)
atau juga dapat dituliskan dalam bentuk lain
y
= p(x)y
+ q(x)y + r(x) (7.17)

Persamaan tersebut dapat diselesaikan dengan melakukan pendekatan numerik terhadap y
dan y
. Caranya adalah pertama, kita memilih angka integer sembarang yaitu N dimana N > 0
dan membagi interval [a, b] dengan (N + 1), hasilnya dinamakan h (lihat Gambar 7.5)
h =
b a
N + 1
(7.18)
Dengan demikian maka titik-titik x yang merupakan sub-interval antara a dan b dapat diny-
atakan sebagai
x
i
= a + ih, i = 0, 1, ..., N + 1 (7.19)
Pencarian solusi persamaan diferensial melalui pendekatan numerik dilakukan dengan me-
manfaatkan polinomial Taylor untuk mengevaluasi y
dan y
pada x
i+1
dan x
i1
seperti berikut
Gambar 7.5: Kurva suatu fungsi f(x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah X
0
= a hingga batas atas x
6
= b
ini
y(x
i+1
) = y(x
i
+ h) = y(x
i
) + hy
(x
i
) +
h
2
2
y
(x
i
) (7.20)
dan
y(x
i1
) = y(x
i
h) = y(x
i
) hy
(x
i
) +
h
2
2
y
(x
i
) (7.21)
Jika kedua persamaan ini dijumlahkan
y(x
i+1
) + y(x
i1
) = 2y(x
i
) + h
2
y
(x
i
)
Dari sini y
dapat ditentukan
h
2
y
(x
i
) = y(x
i+1
) 2y(x
i
) + y(x
i1
)
y
(x
i
) =
y(x
i+1
) 2y(x
i
) + y(x
i1
)
h
2
(7.22)
Dengan cara yang sama, y
(x
i
) dapat dicari sebagai berikut
y
(x
i
) =
y(x
i+1
) y(x
i1
)
2h
(7.23)
Selanjutnya persamaan (7.22) dan (7.23) disubstitusikan ke persamaan (7.17) maka
y(x
i+1
) 2y(x
i
) + y(x
i1
)
h
2
= p(x
i
)
y(x
i+1
) y(x
i1
)
2h
+ q(x
i
)y(x
i
) + r(x
i
)
y(x
i+1
) + 2y(x
i
) y(x
i1
)
h
2
= p(x
i
)
y(x
i+1
) y(x
i1
)
2h
q(x
i
)y(x
i
) r(x
i
)
y(x
i+1
) + 2y(x
i
) y(x
i1
)
h
2
+ p(x
i
)
y(x
i+1
) y(x
i1
)
2h
+ q(x
i
)y(x
i
) = r(x
i
)
Sebelum dilanjut, saya nyatakan bahwa y(x
i+1
)=w
i+1
dan y(x
i
)=w
i
serta y(x
i1
)=w
i1
. Maka
persamaan di atas dapat ditulis sebagai berikut
_
w
i+1
+ 2w
i
w
i1
h
2
_
+ p(x
i
)
_
w
i+1
w
i1
2h
_
+ q(x
i
)w
i
= r(x
i
)
(w
i+1
+ 2w
i
w
i1
) +
h
2
p(x
i
) (w
i+1
w
i1
) + h
2
q(x
i
)w
i
= h
2
r(x
i
)
w
i+1
+ 2w
i
w
i1
+
h
2
p(x
i
)w
i+1
h
2
p(x
i
)w
i1
+ h
2
q(x
i
)w
i
= h
2
r(x
i
)
w
i1
h
2
p(x
i
)w
i1
+ 2w
i
+ h
2
q(x
i
)w
i
w
i+1
+
h
2
p(x
i
)w
i+1
= h
2
r(x
i
)
_
1 +
h
2
p(x
i
)
_
w
i1
+
_
2 + h
2
q(x
i
)
_
w
i
_
(1
h
2
p(x
i
)
_
w
i+1
= h
2
r(x
i
) (7.24)
dimana i=1,2,3...sampai N, karena yang ingin kita cari adalah w
1
, w
2
, w
3
,..., w
N
. Sementara,
satu hal yang tak boleh dilupakan yaitu w
0
dan w
N+1
biasanya selalu sudah diketahui. Pada
persamaan (7.16), jelas-jelas sudah diketahui bahwa w
0
= dan w
N+1
=; keduanya dikenal se-
bagai syarat batas atau istilah asingnya adalah boundary value. Topik yang sedang bahas ini
juga sering disebut sebagai Masalah Syarat Batas atau Boundary Value Problem.
Sampai disini kita mendapatkan sistem persamaan linear yang selanjutnya dapat dinyatakan
sebagai bentuk operasi matrik
Aw = b (7.25)
dimana A adalah matrik tridiagonal dengan orde N N
A =
_
_
2 + h
2
q(x
1
) 1 +
h
2
p(x
1
) 0 . . . . . . . . . 0
1
h
2
p(x
2
) 2 + h
2
q(x
2
) 1 +
h
2
p(x
2
) 0 . . . . . . 0
0 1
h
2
p(x
3
) 2 + h
2
q(x
3
) 1 +
h
2
p(x
3
) 0 . . . 0
0 0 1
h
2
p(x
4
) 2 + h
2
q(x
4
) 1 +
h
2
p(x
4
) 0 0
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . 1
h
2
p(x
N1
) 2 + h
2
q(x
N1
) 1 +
h
2
p(x
N1
)
0 . . . . . . . . . . . . 1
h
2
p(x
N
) 2 + h
2
q(x
N
)
_
_
w =
_
_
w
1
w
2
w
3
w
4
.
.
.
w
N1
w
N
_
_
b =
_
_
h
2
r(x
1
) +
_
1 +
h
2
p(x
1
)
_
w
0
h
2
r(x
2
)
h
2
r(x
3
)
h
2
r(x
4
)
.
.
.
h
2
r(x
N1
)
h
2
r(x
N
) +
_
1
h
2
p(x
N
)
_
w
N+1
_
_
7.3.1 Script Finite-Difference
1 clear all
2 clc
3
4 a=1.0; %ganti angkanya sesuai data yang anda miliki
5 b=2.0; %ganti angkanya sesuai data yang anda miliki
6 n=9; %ganti angkanya sesuai data yang anda miliki
7 h=(b-a)/(n+1);
8 alpha=1; %ganti angkanya sesuai data yang anda miliki
9 beta=2; %ganti angkanya sesuai data yang anda miliki
10
11 %====== Mencari Elemen Matrik A ========
12 for i=1:n
13 x=a+i
*
h;
14 A(i,i)=2+h^2
*
fungsiQ(x);
15 end
16 for i=1:n-1
17 x=a+i
*
h;
18 A(i,i+1)=-1+((h/2)
*
fungsiP(x));
19 end
20 for i=2:n
21 x=a+i
*
h;
22 A(i,i-1)=-1-((h/2)
*
fungsiP(x));
23 end
24 A
25 %====== Mencari Elemen Vektor b ========
26 x=a+h;
27 b(1,1)=-h^2
*
fungsiR(x)+(1+((h/2)
*
fungsiP(x)))
*
alpha;
28 for i=2:8
29 x=a+i
*
h;
30 b(i,1)=-h^2
*
fungsiR(x);
31 end
32 xn=a+n
*
h
33 b(n,1)=-h^2
*
fungsiR(xn)+(1-((h/2)
*
fungsiP(xn)))
*
beta;
34 b
Pada akhirnya, elemen-elemen matrik A dan vektor b sudah diketahui. Sehingga vektor w
dapat dihitung dengan berbagai metode pemecahan sistempersamaan linear, seperti Eliminasi
Gauss, Gauss-Jourdan, Iterasi Jacobi dan Iterasi Gauss-Seidel.
Contoh
Diketahui persamaan diferensial seperti berikut ini
y
=
2
x
y
+
2
x
2
y +
sin(ln x)
x
2
, 1 x 2, y(1) = 1, y(2) = 2
memiliki solusi exact
y = c
1
x +
c
2
x
2

3
10
sin(lnx)
1
10
cos(ln x),
dimana
c
2
=
1
70
[8 12 sin(ln 2) 4 cos(ln 2)] 0, 03920701320
dan
c
1
=
11
10
c
2
1, 1392070132.
Dengan metode Finite-Difference, solusi pendekatan dapat diperoleh dengan membagi inter-
val 1 x 2 menjadi sub-interval, misalnya kita gunakan N = 9, sehingga spasi h diperoleh
h =
b a
N + 1
=
2 1
9 + 1
= 0, 1
Dari persamaan diferensial tersebut juga didapat
p(x
i
) =
2
x
i
q(x
i
) =
2
x
2
i
r(x
i
) =
sin(ln x
i
)
x
2
i
Script matlab telah dibuat untuk menyelesaikan contoh soal ini. Untuk memecahkan persoalan
ini, saya membuat 4 buah script, terdiri dari script utama, script fungsiP, script fungsiQ dan
script fungsiR. Berikut ini adalah script fungsiP yang disimpan dengan nama le fungsiP.m:
1 function y = fungsiP(x)
2 y = -2/x;
lalu inilah script fungsiQ yang disimpan dengan nama le fungsiQ.m:
1 function y = fungsiQ(x)
2 y = 2/x^2;
kemudian ini script fungsiR yang disimpan dengan nama le fungsiR.m::
1 function y = fungsiR(x)
2 y = sin(log(x))/x^2;
dan terakhir, inilah script utamanya:
1 clear all
2 clc
3
4 a=1.0;
5 b=2.0;
6
7 alpha=1;
8 beta=2;
9
10 %=======jika diketahui n, maka h dihitung ====
11 n=9;
12 h=(b-a)/(n+1);
13
14 %=======jika diketahui h, maka n dihitung ====
15 %h=0.1;
16 %n=((b-a)/h)-1;
17
18 %====== Mencari Elemen Matrik A ========
19 for i=1:n
20 x=a+i
*
h;
21 A(i,i)=2+h^2
*
fungsiQ(x);
22 end
23 for i=1:n-1
24 x=a+i
*
h;
25 A(i,i+1)=-1+((h/2)
*
fungsiP(x));
26 end
27 for i=2:n
28 x=a+i
*
h;
29 A(i,i-1)=-1-((h/2)
*
fungsiP(x));
30 end
31 A
32 %====== Mencari Elemen Vektor b ========
33 x=a+h;
34 b(1,1)=-h^2
*
fungsiR(x)+(1+((h/2)
*
fungsiP(x)))
*
alpha;
35 for i=2:8
36 x=a+i
*
h;
37 b(i,1)=-h^2
*
fungsiR(x);
38 end
39 xn=a+n
*
h
40 b(n,1)=-h^2
*
fungsiR(xn)+(1-((h/2)
*
fungsiP(xn)))
*
beta;
41 b
42 %====== Menggabungkan Vektor b kedalam matrik A ========
43 for i=1:n
44 A(i,n+1)=b(i,1);
45 end
46 A
47
50 for j=1:(n-1)
51
53 if (A(j,j)==0)
54 for p=1:n+1
55 u=A(j,p);
56 v=A(j+1,p);
57 A(j+1,p)=u;
58 A(j,p)=v;
59 end
60 end
62 jj=j+1;
63 for i=jj:n
64 m=A(i,j)/A(j,j);
65 for k=1:(n+1)
66 A(i,k)=A(i,k)-(m
*
A(j,k));
67 end
68 end
69 end
70 %-------------------------------------------
71
73 x(n,1)=A(n,n+1)/A(n,n);
74
75 for i=n-1:-1:1
76 S=0;
77 for j=n:-1:i+1
78 S=S+A(i,j)
*
x(j,1);
79 end
80 x(i,1)=(A(i,n+1)-S)/A(i,i);
81 end
82 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
83
84 %===== Menampilkan Vektor w =================
85 w=x
Tabel berikut ini memperlihatkan hasil perhitungan dengan pendekatan metode Finite-Difference
w
i
dan hasil perhitungan dari solusi exact y(x
i
), dilengkapi dengan selisih antara keduanya
|w
i
y(x
i
)|. Tabel ini memperlihatkan tingkat kesalahan (error) berada pada orde 10
5
. Un-
x
i
w
i
y(x
i
) |w
i
y(x
i
)|
1,0 1,00000000 1,00000000
1,1 1,09260052 1,09262930 2,88 10
5
1,2 1,18704313 1,18708484 4,17 10
5
1,3 1,28333687 1,28338236 4,55 10
5
1,4 1,38140205 1,38144595 4,39 10
5
1,5 1,48112026 1,48115942 3,92 10
5
1,6 1,58235990 1,58239246 3,26 10
5
1,7 1,68498902 1,68501396 2,49 10
5
1,8 1,78888175 1,78889853 1,68 10
5
1,9 1,89392110 1,89392951 8,41 10
6
2,0 2,00000000 2,00000000
tuk memperkecil orde kesalahan, kita bisa menggunakan polinomial Taylor berorde tinggi.
Akan tetapi proses kalkulasi menjadi semakin banyak dan disisi lain penentuan syarat batas
lebih kompleks dibandingkan dengan pemanfaatan polinomial Taylor yang sekarang. Untuk
menghindari hal-hal yang rumit itu, salah satu jalan pintas yang cukup efektif adalah dengan
menerapkan ekstrapolasi Richardson.
Contoh
Pemanfaatan ekstrapolasi Richardson pada metode Finite Difference untuk persamaan difer-
ensial seperti berikut ini
y
=
2
x
y
+
2
x
2
y +
sin(ln x)
x
2
, 1 x 2, y(1) = 1, y(2) = 2,
dengan h = 0, 1, h = 0, 05, h = 0, 025. Ekstrapolasi Richardson terdiri atas 3 tahapan, yaitu
ekstrapolasi yang pertama
Ext
1i
=
4w
i
(h = 0, 05) w
i
(h = 0, 1)
3
kemudian ekstrapolasi yang kedua
Ext
2i
=
4w
i
(h = 0, 025) w
i
(h = 0, 05)
3
dan terakhir ekstrapolasi yang ketiga
Ext
3i
=
16Ext
2i
Ext
1i
15
Tabel berikut ini memperlihatkan hasil perhitungan tahapan-tahapan ekstrapolasi tersebut. Ji-
ka seluruh angka di belakang koma diikut-sertakan, maka akan terlihat selisih antara solusi
exact dengan solusi pendekatan sebesar 6, 3 10
11
. Ini benar-benar improvisasi yang luar
biasa.
x
i
w
i
(h = 0, 1) w
i
(h = 0, 05) w
i
(h = 0, 025) Ext
1i
Ext
2i
Ext
3i
1,0 1,00000000 1,00000000 1,00000000 1,00000000 1,00000000 1,00000000
1,1 1,09260052 1,09262207 1,09262749 1,09262925 1,09262930 1,09262930
1,2 1,18704313 1,18707436 1,18708222 1,18708477 1,18708484 1,18708484
1,3 1,28333687 1,28337094 1,28337950 1,28338230 1,28338236 1,28338236
1,4 1,38140205 1,38143493 1,38144319 1,38144598 1,38144595 1,38144595
1,5 1,48112026 1,48114959 1,48115696 1,48115937 1,48115941 1,48115942
1,6 1,58235990 1,58238429 1,58239042 1,58239242 1,58239246 1,58239246
1,7 1,68498902 1,68500770 1,68501240 1,68501393 1,68501396 1,68501396
1,8 1,78888175 1,78889432 1,78889748 1,78889852 1,78889853 1,78889853
1,9 1,89392110 1,89392740 1,89392898 1,89392950 1,89392951 1,89392951
2,0 2,00000000 2,00000000 2,00000000 2,00000000 2,00000000 2,00000000
7.3.2 Aplikasi
Besar simpangan terhadap waktu (y(t)) suatu sistemosilator mekanik yang padanya diberikan
gaya secara periodik (forced-oscilations) memenuhi persamaan diferensial seperti dibawah ini
berikut syarat-syarat batasnya
d
2
y
dt
2
=
dy
dt
+ 2y + cos(t), 0 t

2
, y(0) = 0, 3, y(
2
) = 0, 1
Dengan metode Finite-Difference, tentukanlah besar masing-masing simpangan di setiap inter-
val h = /8. Buatlah table untuk membandingkan hasil nite-difference dengan solusi analitik
yang memenuhi y(t) =
1
10
[sin(t) + 3cos(t)].
jawab:
Secara umum, persamaan diferensial dapat dinyatakan sbb:
d
2
y
dx
2
(x) = p(x)
dy
dx
(x) + q(x)y(x) + r(x), a x b, y(a) = , y(b) =
Dengan membandingkan kedua persamaan di atas, kita bisa denisikan
p(t) = 1 q(t) = 2 r(t) = cos(t) a = 0 b =

2
= 0, 3 = 0, 1
Adapun persamaan nite-difference adalah
_
1 +
h
2
p(x
i
)
_
w
i1
+
_
2 + h
2
q(x
i
)
_
w
i
_
(1
h
2
p(x
i
)
_
w
i+1
= h
2
r(x
i
)
Persamaan diatas dikonversi kedalam operasi matriks
Aw = b (7.26)
dimana A adalah matrik tridiagonal dengan orde N N
A =
_
_
2 + h
2
q(x
1
) 1 +
h
2
p(x
1
) 0 . . . . . . . . . 0
1
h
2
p(x
2
) 2 + h
2
q(x
2
) 1 +
h
2
p(x
2
) 0 . . . . . . 0
0 1
h
2
p(x
3
) 2 + h
2
q(x
3
) 1 +
h
2
p(x
3
) 0 . . . 0
0 0 1
h
2
p(x
4
) 2 + h
2
q(x
4
) 1 +
h
2
p(x
4
) 0 0
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . 1
h
2
p(x
N1
) 2 + h
2
q(x
N1
) 1 +
h
2
p(x
N1
)
0 . . . . . . . . . . . . 1
h
2
p(x
N
) 2 + h
2
q(x
N
)
_
_
w =
_
_
w
1
w
2
w
3
w
4
.
.
.
w
N1
w
N
_
_
b =
_
_
h
2
r(x
1
) +
_
1 +
h
2
p(x
1
)
_
w
0
h
2
r(x
2
)
h
2
r(x
3
)
h
2
r(x
4
)
.
.
.
h
2
r(x
N1
)
h
2
r(x
N
) +
_
1
h
2
p(x
N
)
_
w
N+1
_
_
Jumlah baris matrik ditentukan oleh bilangan n. Namun disoal hanya tersedia informasi nilai
h = /8, sehingga n harus dihitung terlebih dahulu:
h =
b a
n + 1
n =
b a
h
1 =
2
0
/8
1 = 3
perhitungan ini dilakukan didalam script matlab. Selanjutnya seluruh elemen matrik A dan
vektor b dihitung dengan matlab
_
_
2, 3084 0, 8037 0
1, 1963 2, 3084 0, 8037
0 1, 1963 2, 3084
_
_
_
_
w
1
w
2
w
3
_
_
=
_
_
0, 5014
0, 1090
0, 1394
_
_
Proses diteruskan dengan metode Eliminasi Gauss dan didapat hasil akhir berikut ini
w
1
= 0.3157 w
2
= 0.2829 w
3
= 0.2070
Bab 8
Pers. Diferensial Parsial Numerik
Objektif :
Mengenalkan Persamaan Diferensial Parsial Eliptik
Mengenalkan Persamaan Diferensial Parsial Hiperbolik
Mengenalkan Persamaan Diferensial Parsial Parabolik
8.1 Pendahuluan
Dalam bab ini, penulisan persamaan diferensial parsial akan dipersingkat menjadi PDP. PDP
dapat dibagi menjadi 3 jenis, yaitu persamaan diferensial eliptik, parabolik dan hiperbolik.
PDP eliptik dinyatakan sebagai berikut
2
u
x
2
(x, y) +

2
u
y
2
(x, y) = f(x, y) (8.1)
Di bidang sika, persamaan (8.1) disebut juga dengan Persamaan Poisson. Jika f(x, y)=0, ma-
ka diperoleh persamaan yang lebih sederhana
2
u
x
2
(x, y) +

2
u
y
2
(x, y) = 0 (8.2)
yang dikenal sebagai Persamaan Laplace. Contoh masalah PDP eliptik di bidang sika adalah
problem distribusi panas pada kondisi steady-state di dalam obyek 2-dimensi dan 3-dimensi.
Adapun, PDP parabolik dinyatakan sebagai berikut
u
t
(x, t)
2
2
u
x
2
(x, t) = 0 (8.3)
Fenomena sis yang bisa dijelaskan oleh persamaan ini adalah masalah aliran panas dalam
suatu obyek. Sedangkan PDP hiperbolik dinyatakan sebagai berikut
2
u
2
x
(x, t) =

2
u
t
2
(x, t) (8.4)
123
124 BAB 8. PERS. DIFERENSIAL PARSIAL NUMERIK
, biasa digunakan untuk menjelaskan fenomena gelombang.
Sekarang, mari kita bahas lebih dalamsatu-persatu, difokuskan pada bagaimana cara mengkon-
versi semua PDP menjadi PDP versi Finite-Difference, (FD).
8.2 PDP eliptik dalam Finite-Difference
Kita mulai dari persamaan aslinya
2
u
x
2
(x, y) +

2
u
y
2
(x, y) = f(x, y) (8.5)
dimana R = [(x, y)|a < x < b, c < y < d]. Maksudnya, variasi titik-titik x dibatasi antara a dan
b. Demikian pula dengan variasi titik-titik y, dibatasi antara c dan d. Jika h adalah jarak antar
titik yang bersebelahan pada titik-titik dalam rentang a dan b, maka titik-titik variasi di antara
a dan b dapat diketahui melalui rumus ini
x
i
= a + ih, dimana i = 1, 2, . . . , n (8.6)
dimana a adalah titik awal pada sumbu horisontal x. Demikian pula pada sumbu y. Jika k
adalah jarak antar titik yang bersebelahan pada titik-titik dalam rentang c dan d, maka titik-
titik variasi di antara c dan d dapat diketahui melalui rumus ini
y
j
= c + jk, dimana j = 1, 2, . . . , m (8.7)
dimana c adalah titik awal pada sumbu vertikal y. Garis-garis yang sejajar sumbu horisontal,
y = y
i
dan garis-garis yang sejajar sumbu vertikal, x = x
i
disebut grid lines. Sementara titik-
titik perpotongan antara garis-garis horisontal dan vertikal dinamakan mesh points.
Turunan kedua sebagaimana yang ada pada persamaan (8.5) dapat dinyatakan dalam ru-
mus centered-difference sebagai berikut
2
u
x
2
(x
i
, y
j
) =
u(x
i+1
, y
j
) 2u(x
i
, y
j
) + u(x
i1
, y
j
)
h
2

h
2
12
4
u
x
4
(
i
, y
j
) (8.8)
2
u
y
2
(x
i
, y
j
) =
u(x
i
, y
j+1
) 2u(x
i
, y
j
) + u(x
i
, y
j1
)
k
2

k
2
12
4
u
y
4
(x
i
,
j
) (8.9)
Kemudian, untuk menyederhanakan analisis menggunakan metode Finite-Difference, biasanya
suku yang terakhir diabaikan.
2
u
x
2
(x
i
, y
j
) =
u(x
i+1
, y
j
) 2u(x
i
, y
j
) + u(x
i1
, y
j
)
h
2
(8.10)
2
u
y
2
(x
i
, y
j
) =
u(x
i
, y
j+1
) 2u(x
i
, y
j
) + u(x
i
, y
j1
)
k
2
(8.11)
Pengabaian suku terakhir otomatis menimbulkan error yang dinamakan truncation error. Jadi,
ketika suatu persamaan diferensial diolah secara numerik dengan metode Finite-Difference,
8.2. PDP ELIPTIK DALAM FINITE-DIFFERENCE 125
maka solusinya pasti meleset/keliru "sedikit", karena pada hasilnya pasti mengandung trun-
cation error. Akan tetapi, keberadaan error tersebut dapat ditolerir hingga batas-batas tertentu
yang uraiannya akan dikupas pada bagian akhir bab ini.
Ok. Mari kita lanjutkan! Sekarang persamaan (8.10) dan (8.11) disubstitusikan ke per-
samaan (8.5)
u(x
i+1
, y
j
) 2u(x
i
, y
j
) + u(x
i1
, y
j
)
h
2
+
u(x
i
, y
j+1
) 2u(x
i
, y
j
) + u(x
i
, y
j1
)
k
2
= f(x
i
, y
j
) (8.12)
dimana i = 1, 2, ..., n 1 dan j = 1, 2, ..., m1 dengan syarat batas sebagai berikut
u(x
0
, y
j
) = g(x
0
, y
j
) u(x
n
, y
j
) = g(x
n
, y
j
) j = 0, 1, ..., m;
u(x
i
, y
0
) = g(x
i
, y
0
) u(x
i
, y
m
) = g(x
i
, y
m
) i = 1, 2, ..., n 1.
Dalam metode Finite-Difference, persamaan (8.12) dinyatakan sebagai berikut
w
i+1,j
2w
i,j
+ w
i1,j
h
2
+
w
i,j+1
2w
i,j
+ w
i,j1
k
2
= f(x
i
, y
j
)
w
i+1,j
2w
i,j
+ w
i1,j
+
h
2
k
2
(w
i,j+1
2w
i,j
+ w
i,j1
) = h
2
f(x
i
, y
j
)
w
i+1,j
2w
i,j
+ w
i1,j
+
h
2
k
2
w
i,j+1
2
h
2
k
2
w
i,j
+
h
2
k
2
w
i,j1
= h
2
f(x
i
, y
j
)
2[1 +
h
2
k
2
]w
i,j
+ (w
i+1,j
+ w
i1,j
) +
h
2
k
2
(w
i,j+1
+ w
i,j1
) = h
2
f(x
i
, y
j
)
2[1 +
h
2
k
2
]w
i,j
(w
i+1,j
+ w
i1,j
)
h
2
k
2
(w
i,j+1
+ w
i,j1
) = h
2
f(x
i
, y
j
) (8.13)
dimana i = 1, 2, ..., n 1 dan j = 1, 2, ..., m1, dengan syarat batas sebagai berikut
w
0,j
= g(x
0
, y
j
) w
n,j
= g(x
n
, y
j
) j = 0, 1, ..., m;
w
i,0
= g(x
i
, y
0
) w
i,m
= g(x
i
, y
m
) i = 1, 2, ..., n 1.
Persamaan (8.13) adalah rumusan akhir metode Finite-Difference untuk PDP Eliptik.
Contoh pertama
Misalnya kita diminta mensimulasikan distribusi panas pada lempengan logamberukuran 0, 5
m x 0, 5 m. Temperatur pada 2 sisi tepi lempengan logam dijaga pada temperatur 0
C, semen-
tara pada 2 sisi tepi lempengan logam yang lain temperaturnya diatur meningkat secara linear
dari 0
C hingga 100
C. Problem ini memenuhi PDP Eliptik:
2
u
x
2
(x, y) +

2
u
y
2
(x, y) = 0
dengan syarat-syarat batas
u(0, y) = 0, u(x, 0) = 0, u(x, 0.5) = 200x, u(0.5, y) = 200y (8.14)
Jika n = m = 4, masalah ini dipecahkan dengan grid sebagaimana yang diperlihatkan pada
U
(
0
,
y
)
=
0
U(x,0)=0
U
(
0
.
5
,
y
)
=
2
0
0
y
U(x,0.5)=200x
0.5
0.5
Y
X
W
2,3
W
1,3
W
3,3
W
1,2
W
2,2
W
3,2
W
1,1
W
2,1
W
3,1
W
1,4
W
2,4
W
3,4
W
4,3
W
4,2
W
4,1
W
0,3
W
0,2
W
0,1
W
1,0
W
2,0
W
3,0
Gambar 8.1: Distribusi temperatur pada lempeng logam
Gambar 8.1. Adapun persamaan nite-differencenya adalah
4w
i,j
w
i+1,j
w
i1,j
w
i,j1
w
i,j+1
= 0 (8.15)
dimana i = 1, 2, 3 dan j = 1, 2, 3. Dengan menerapkan persamaan (8.15) pada setiap mesh
point yang belum diketahui temperaturnya, diperoleh
4w
1,3
w
2,3
w
1,2
= w
0,3
+ w
1,4
4w
2,3
w
3,3
w
2,2
w
1,3
= w
2,4
4w
3,3
w
3,2
w
2,3
= w
4,3
+ w
3,4
4w
1,2
w
2,2
w
1,1
w
1,3
= w
0,2
4w
2,2
w
3,2
w
2,1
w
1,2
w
2,3
= 0
4w
3,2
w
3,1
w
2,2
w
3,3
= w
4,2
4w
1,1
w
2,1
w
1,2
= w
0,1
+ w
1,0
4w
2,1
w
3,1
w
1,1
w
2,2
= w
2,0
4w
3,1
w
2,1
w
3,2
= w
3,0
+ w
4,1
Syarat batas yang telah ditentukan adalah
w
1,0
= w
2,0
= w
3,0
= w
0,1
= w
0,2
= w
0,3
= 0,
w
1,4
= w
4,1
= 25, w
2,4
= w
4,2
= 50, and w
3,4
= w
4,3
= 75
Dengan menyertakan syarat batas, sistempersamaan linear dapat ditulis kembali sebagai berikut
4w
1,3
w
2,3
w
1,2
= 25
4w
2,3
w
3,3
w
2,2
w
1,3
= 50
4w
3,3
w
3,2
w
2,3
= 150
4w
1,2
w
2,2
w
1,1
w
1,3
= 0
4w
2,2
w
3,2
w
2,1
w
1,2
w
2,3
= 0
4w
3,2
w
3,1
w
2,2
w
3,3
= 50
4w
1,1
w
2,1
w
1,2
= 0
4w
2,1
w
3,1
w
1,1
w
2,2
= 0
4w
3,1
w
2,1
w
3,2
= 25
Kemudian sistem persamaan linear tersebut dikonversikan ke dalam operasi perkalian matrik
_
_
4 1 0 1 0 0 0 0 0
1 4 1 0 1 0 0 0 0
0 1 4 0 0 1 0 0 0
1 0 0 4 1 0 1 0 0
0 1 0 1 4 1 0 1 0
0 0 1 0 1 4 0 0 1
0 0 0 1 0 0 4 1 0
0 0 0 0 1 0 1 4 1
0 0 0 0 0 1 0 1 4
_
_
_
_
w
1,3
w
2,3
w
3,3
w
1,2
w
2,2
w
3,2
w
1,1
w
2,1
w
3,1
_
_
=
_
_
25
50
150
0
0
50
0
0
25
_
_
Mari kita perhatikan sejenak, susunan elemen-elemen angka pada matrik berukuran 9x9. Ter-
lihat jelas bahwa angka diagonal selalu bernilai 4. Ini sama sekali bukan ketidaksengajaan.
Melainkan susunan itu sengaja direkayasa sedemikian rupa sehingga elemen-elemen tri-diagonal
terisi penuh dan pada diagonal utamanya diletakkan angka yang terbesar. Akhirnya dengan
metode Eliminasi Gauss diperoleh hasil
w
1,3
w
2,3
w
3,3
w
1,2
w
2,2
w
3,2
w
1,1
w
2,1
w
3,1
18.7500 37.5000 56.2500 12.5000 25.0000 37.5000 6.2500 12.5000 18.7500
Catatan: inilah solusi yang "ditawarkan" oleh Finite-Difference. Kalau diamati dengan teliti,
angka-angka distribusi temperatur pada 9 buah mesh points memang logis dan masuk akal.
Dalamkondisi real, mungkin kondisi seperti ini hanya bisa terjadi bila lempengan logamterse-
but terbuat dari bahan yang homogen isotropik.
Berikut adalah script Matlab untuk menghitung nila-nilai w menggunakan metode Eliminasi
Gauss.
1 clear all
2 clc
3 n=9;
4 A=[ 4 -1 0 -1 0 0 0 0 0;
5 -1 4 -1 0 -1 0 0 0 0;
6 0 -1 4 0 0 -1 0 0 0;
7 -1 0 0 4 -1 0 -1 0 0;
8 0 -1 0 -1 4 -1 0 -1 0;
9 0 0 -1 0 -1 4 0 0 -1;
10 0 0 0 -1 0 0 4 -1 0;
11 0 0 0 0 -1 0 -1 4 -1;
12 0 0 0 0 0 -1 0 -1 4];
13
14 b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
15
17 %====== Menggabungkan Vektor b kedalam matrik A ========
18 %====== sehingga terbentuk matrik Augmentasi. ========
19 for i=1:n
20 A(i,n+1)=b(i,1);
21 end
22
24 for j=1:(n-1)
25
27 if (A(j,j)==0)
28 for p=1:n+1
29 u=A(j,p);
30 v=A(j+1,p);
31 A(j+1,p)=u;
32 A(j,p)=v;
33 end
34 end
36 jj=j+1;
37 for i=jj:n
38 m=A(i,j)/A(j,j);
39 for k=1:(n+1)
40 A(i,k)=A(i,k)-(m
*
A(j,k));
41 end
42 end
43 end
44 %-------------------------------------------
45
47 x(n,1)=A(n,n+1)/A(n,n);
48
49 for i=n-1:-1:1
50 S=0;
51 for j=n:-1:i+1
52 S=S+A(i,j)
*
x(j,1);
53 end
54 x(i,1)=(A(i,n+1)-S)/A(i,i);
55 end
56 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
57
58 %===== Menampilkan Vektor w =================
59 w=x
Sementara berikut ini adalah script Matlab untuk menghitung nila-nilai w menggunakan metode
Iterasi Gauss-Seidel.
1 clear all
2 clc
3
4 n=9;
5 A=[ 4 -1 0 -1 0 0 0 0 0;
6 -1 4 -1 0 -1 0 0 0 0;
7 0 -1 4 0 0 -1 0 0 0;
8 -1 0 0 4 -1 0 -1 0 0;
9 0 -1 0 -1 4 -1 0 -1 0;
10 0 0 -1 0 -1 4 0 0 -1;
11 0 0 0 -1 0 0 4 -1 0;
12 0 0 0 0 -1 0 -1 4 -1;
13 0 0 0 0 0 -1 0 -1 4];
14
15 b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
16
17 %&&&&&&& ITERASI GAUSS-SEIDEL &&&&&&&&&&&&&&&&&&
18 itermax=100; %iterasi maksimum
19 %----nilai awal-----------
20 xl=[0; 0; 0; 0; 0; 0; 0; 0; 0];
21 xb=xl;
22 %----stopping criteria-----------
23 sc=0.001;
24 %----memulai iterasi-------------
25 for iterasi=1:itermax
26 smtr1=0;
27 for j=2:n
28 smtr1=smtr1+A(1,j)
*
xl(j,1);
29 end
30 xb(1,1)=(-smtr1+b(1,1))/A(1,1);
31 %----------------------------------------------
32 for i=2:n-1
33 smtr2=0;
34 for j=i+1:n
35 smtr2=smtr2-A(i,j)
*
xl(j,1);
36 end
37 smtr3=0;
38 for k=1:i-1
39 smtr3=smtr3-A(i,k)
*
xb(k,1);
40 end
41 xb(i,1)=(smtr3+smtr2+b(i,1))/A(i,i);
42 end
43 %----------------------------------------------
44 smtr4=0;
45 for k=1:n-1
46 smtr4=smtr4-A(n,k)
*
xb(k,1);
47 end
48 xb(n,1)=(smtr4+b(n,1))/A(n,n);
49 %------perhitungan norm2 -------------
50 s=0;
51 for i=1:n
52 s=s+(xb(i,1)-xl(i,1))^2;
53 end
54 epsilon=sqrt(s);
55 %-------------------------------------
56 xl=xb;
57 %------memeriksa stopping criteria--------
58 if epsilon<sc
59 w=xb
60 break
61 end
62 %-----------------------------------------
63 end
Tabel berikut memperlihatkan hasil pemrosesan dengan metode Eliminasi Gauss (disingkat:
EG) dan iterasi Gauss-Seidel (disingkat: GS)
w
1,3
w
2,3
w
3,3
w
1,2
w
2,2
w
3,2
w
1,1
w
2,1
w
3,1
EG 18.7500 37.5000 56.2500 12.5000 25.0000 37.5000 6.2500 12.5000 18.7500
GS 18.7497 37.4997 56.2498 12.4997 24.9997 37.4998 6.2498 12.4998 18.7499
Memang berbeda. Tapi tak ada perbedaan yang cukup berarti. Keduanya nyaris sama
persis. Namun perlu saya tegaskan disini bahwa jika sistem persamaan linear yang diperoleh
dari Finite Difference berorde 100 atau kurang dari itu, maka lebih baik memilih metode Elim-
inasi Gauss sebagai langkah akhir Finite-Difference. Alasannya karena, direct method seperti
eliminasi Gauss lebih stabil dibandingkan metode iterasi. Tapi jika ordenya lebih dari 100, dis-
arankan memilih metode iterasi seperti iterasi Gauss-Seidel, atau menggunakan metode SOR
yang terbukti lebih esien dibanding Gauss-Seidel. Jika matrik A bersifat positive denite,
metode Court Factorization adalah pilihan yg paling esien dan menghemat memori komput-
er.
Bab 9
Integral Numerik
Objektif :
Mengenalkan metode Trapezoida.
Mengenalkan metode Simpson.
Mengenalkan metode Composite-Simpson.
9.1 Metode Trapezoida
Suatu persamaan integral
_
b
a
f(x)dx (9.1)
disebut numerical quadrature. Pendekatan numerik untuk menyelesaikan integral tersebut
adalah
i=0
n
a
i
f(x
i
) (9.2)
Metode pendekatan yang paling dasar dalam integral numerik adalah metode Trapezoida
_
b
a
f(x)dx =
h
2
[f(x
0
) + f(x
1
)]
h
3
12
f
() (9.3)
dimana x
0
= a, x
1
= b dan h = b a. Karena bagian error pada Trapezoida adalah f
, maka
pendekatan Trapezoida bekerja efektif pada fungsi-fungsi yang turunan kedua-nya bernilai
nol.
9.2 Metode Simpson
Metode pendekatan yang lebih baik dalam integral numerik adalah metode Simpson
_
b
a
f(x)dx =
h
3
[f(x
0
) + 4f(x
1
) + f(x
2
)]
h
5
90
f
4
() (9.4)
131
132 BAB 9. INTEGRAL NUMERIK
Gambar 9.1: Metode Trapezoida
Gambar 9.2: Metode Simpson
dengan x
0
= a, x
2
= b, dan x
1
= a + h dimana h = (b a)/2.
Contoh
Metode Trapezoida untuk fungsi f pada interval [0,2] adalah
_
2
0
f(x)dx f(0) + f(2)
dimana x
0
= 0, x
1
= 2 dan h = 2 0 = 2,
sedangkan metode Simpson untuk fungsi f pada interval [0,2] adalah
_
2
0
f(x)dx
1
3
[f(0) + 4f(1) + f(2)]
dengan x
0
= 0, x
2
= 2, dan x
1
= a + h = 1 dimana h = (b a)/2 = 1.
9.3. METODE COMPOSITE-SIMPSON 133
Tabel berikut ini memperlihatkan evaluasi integral numerik terhadap beberapa fungsi dalam
interval [0,2] beserta solusi exact-nya. Jelas terlihat, metode Simpson lebih baik dibanding
Trapezoida.
f(x) x
2
x
4
1/(x + 1)
1 + x
2
sin x e
x
Nilai exact 2,667 6,400 1,099 2,958 1,416 6,389
Trapezoida 4,000 16,000 1,333 3,326 0,909 8,389
Simpson 2,667 6,667 1,111 2,964 1,425 6,421
Kalau diamati lebih teliti, akan kita dapatkan bahwa interval [0,2] telah dibagi 2 pada metode
Simpson, sementara pada metode Trapesoida tidak dibagi sama sekali. Sebenarnya dengan
membagi interval lebih kecil lagi, maka error-nya akan semakin kecil. Misalnya, banyaknya
pembagian interval dinyatakan dengan n
ketika n = 1: Trapesioda
_
x
1
x
0
f(x)dx =
h
2
[f(x
0
) + f(x
1
)]
h
3
12
f
() (9.5)
ketika n = 2: Simpson
_
x
2
x
0
f(x)dx =
h
3
[f(x
0
) + 4f(x
1
) + f(x
2
)]
h
5
90
f
4
() (9.6)
ketika n = 3: Simpson tiga-per-delapan
_
x
3
x
0
f(x)dx =
3h
8
[f(x
0
) + 3f(x
1
) + 3f(x
2
) + f(x
3
)]
3h
5
80
f
4
() (9.7)
ketika n = 4:
_
x
4
x
0
f(x)dx =
2h
45
[7f(x
0
) + 32f(x
1
) + 12f(x
2
) + 32f(x
3
) + 7f(x
4
)]
8h
7
945
f
6
() (9.8)
Keempat bentuk persamaan integral numerik di atas dikenal dengan closed Newton-Cotes
formulas. Keterbatasan metode Newton-Cotes terlihat dari jumlah pembagian interval. Di
atas tadi pembagian interval baru sampai pada n = 4. Bagaimana bila interval evaluasinya
dipersempit supaya solusi numeriknya lebih mendekati solusi exact? Atau dengan kata lain
n > 4.
9.3 Metode Composite-Simpson
Coba perhatikan contoh berikut ini. Tentukan solusi numerik dari
_
4
0
e
x
dx. Metode Simpson
dengan h = 2 (atau interval evaluasi integral dibagi 2 , n = 2) memberikan hasil
_
4
0
e
x
dx
2
3
_
e
0
+ 4e
2
+ e
4
_
= 56, 76958
Gambar 9.3: Metode Composite Simpson
Padahal solusi exact dari integral tersebut adalah e
4
e
0
= 53, 59815, artinya terdapat er-
ror sebesar 3,17143 yang dinilai masih terlampau besar untuk ditolerir. Bandingkan dengan
metode yang sama namun dengan h = 1 (atau interval evaluasi integral dibagi 4 , n = 4)
_
4
0
e
x
dx =
_
2
0
e
x
dx +
_
4
2
e
x
dx
1
3
_
e
0
+ 4e + e
2
_
+
1
3
_
e
2
+ 4e
3
+ e
4
_
=
1
3
_
e
0
+ 4e + 2e
2
+ 4e
3
+ e
4
_
= 53, 86385
Hasil ini memperlihatkan error yang makin kecil, yaitu menjadi 0,26570. Jadi dengan mem-
perkecil h, error menjadi semakin kecil dan itu artinya solusi integral numerik semakin mendekati
solusi exact. Sekarang kita coba kecilkan lagi nilai h menjadi h =
1
2
(atau interval evaluasi in-
tegral dibagi 8 , n = 8),
_
4
0
e
x
dx =
_
1
0
e
x
dx +
_
2
1
e
x
dx +
_
3
2
e
x
dx +
_
4
3
e
x
dx
1
6
_
e
0
+ 4e
1/2
+ e
_
+
1
6
_
e + 4e
3/2
+ e
2
_
+
1
6
_
e
2
+ 4e
5/2
+ e
3
_
+
1
6
_
e
3
+ 4e
7/2
+ e
4
_
=
1
6
_
e
0
+ 4e
1/2
+ 2e + 4e
3/2
+ 2e
2
+ 4e
5/2
+ 2e
3
+ 4e
7/2
+ e
4
_
= 53, 61622
dan seperti yang tadi kita simpulkan, error-nya semakin kecil menjadi 0,01807.
9.3. METODE COMPOSITE-SIMPSON 135
Prosedur ini dapat digeneralisir menjadi suatu formula sebagai berikut
_
b
a
f(x)dx =
n/2
j=1
_
x
2j
x
2j2
f(x)dx
=
n/2
j=1
_
h
3
[f(x
2j2
) + 4f(x
2j1
) + f(x
2j
)]
h
5
90
f
(4)
(
j
)
_
(9.9)
dimana h = (ba)/n dan x
j
= a+jh, untuk j = 1, ..., n/2, dengan x
0
= a dan x
n
= b. Formula
ini dapat direduksi menjadi
_
b
a
f(x)dx =
h
3
_
_
f(x
0
) + 2
(n/2)1
j=1
f(x
2j
) + 4
n/2
j=1
f(x
2j1
) + f(x
n
)
_
_
h
5
90
n/2
j=1
f
(4)
(
j
) (9.10)
Formula ini dikenal sebagai metode Composite Simpson.
Tugas#4
1. Hitunglah integral-integral berikut ini dengan metode Composite Simpson!
a.
_
2
1
xln xdx, n = 4
b.
_
2
0
2
x
2
+ 4
dx, n = 6
c.
_
3
1
x
x
2
+ 4
dx, n = 8
d.
_
2
2
x
3
e
x
dx, n = 4
e.
_
3/8
0
tan xdx, n = 8
f.
_
5
3
1
x
2
4
dx, n = 8
2. Tentukan nilai n dan h untuk mengevaluasi
_
2
0
e
2x
sin 3xdx
dengan metode Composite Simpson, bila error yang ditolerir harus lebih kecil dari 10
4
.
3. A particle of mass m moving through a uid is subjected to a viscous resistance R, which is
a function of the velocity v. The relationship between the resistance R, velocity v, and time t is
given by the equation:
t =
_
v(t)
v(t
0
)
m
R(u)
du
Suppose that R(v) = v
v, for a particular uid, where Ris in newtons and v in meters/second.

If m = 10 kg and v(0) = 10 m/s, approximate the time required for the particle to slow to v = 5
m/s.
Bab 10
Metode Newton
Objektif :
10.1 Penyederhanaan
Metode Newton sangat populer dan powerfull untuk mencari akar suatu fungsi yang kon-
tinyu. Ada banyak jalan untuk memperkenalkan metode ini. Salah satunya bisa didahului
mulai dari deret Taylor atau polinomial Taylor. Suatu fungsi yang kontinyu dapat dinyatakan
dalam deret Taylor sebagai berikut
f(x) = f( x) + (x x)f
( x) +
(x x)
2
2
f
((x))
0 = f( x) + (p x)f
( x) +
(p x)
2
2
f
((p))
0 = f( x) + (p x)f
( x)
p x =
f(x)
f
( x)
p x
f(x)
f
( x)
p
n
= p
n1
f(p
n1
)
f
(p
n1
)
, n 1
137
138 BAB 10. METODE NEWTON
Gambar 10.1: Metode Newton
Demikianlah catatan singkat dari saya tentang metode Finite-Difference dengan ekstrapolasi
Richardson untuk problem linear. Saya cukupkan sementara sampai disini. Insya Allah akan
saya sambung dengan problem non-linear dan konsep ekstrapolasi. Kalau ada yang mau
didiskusikan, silakan hubungi saya melalui email: supri92@gmail.com.
Bab 11
Metode Monte Carlo
Objektif :
11.1 Penyederhanaan
Kita awali pembahasan metode Monte Carlo dengan mengetengahkan contoh yang sangat
terkenal yaitu menghitung luas suatu lingkaran. Fugure 1 memperlihatkan lingkaran den-
gan radius r = 1 berada di dalam kotak bujursangkar. Luas lingkaran adalah r
2
= (1)
2
=
sementara luas bujursangkar adalah (2)
2
= 4. Rasio antara luas lingkaran dan luas bola adalah
=
luas lingkaran
luas bujursangkar
=

4
= 0, 7853981633974483 (11.1)
Jadi, dengan mengetahui nilai , maka kita bisa menghitung luas lingkaran dengan cara
luas lingkaran = luas bujursangkar (11.2)
Bayangkan anda punya satu set permainan dart. Anda lemparkan sejumlah dart ke arah
lingkaran tadi. Misalnya, total dart yang menancap di papan dart ada 1024 buah. Sebanyak
812 dart berada di dalamlingkaran, dan yang lainnya di luar lingkaran. Rasio antara keduanya
=
dart di dalam lingkaran
total dart di dalam bujursangkar
=
812
1024
= 0, 79296875 (11.3)
139
140 BAB 11. METODE MONTE CARLO
Gambar 11.1: Lingkaran dan bujursangkar
Gambar 11.2: Dart yang menancap pada bidang lingkaran dan bujursangkar
Dengan pendekatan ke persamaan (11.2) maka luas lingkaran adalah
luas lingkaran = luas bujursangkar
= 0, 79296875 4
= 3, 171875
Apakah angka ini make sense? Mungkin anda masih ragu. Sekarang mari kita coba hitung ni-
lai dengan mengacu pada rumus di atas. Kita sepakati saja bahwa dart yang berada di dalam
lingkaran mesti memenuhi x
2
i
+ y
2
i
1. Dalam perhitungan, semua dart diganti dengan bi-
langan acak (random number). Dari 1000 dart, yang masuk lingkaran ada 787 buah, sehingga,
mengacu persamaan (11.3)
=
787
1000
= 0, 787
11.1. PENYEDERHANAAN 141
Gambar 11.3: Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar
maka berdasarkan persamaan (11.1)
= 4 = 0, 787 4 = 3, 148
Lumayan akurat bukan? Semakin banyak jumlah dart, semakin akurat nilai yang anda per-
oleh.
Sekarang mari kita kembangkan metode Monte Carlo ini untuk menghitung luas suatu area
yang terletak di bawah garis kurva suatu fungsi f(x). Atau sebut saja menghitung integral
suatu fungsi f(x) yang dievaluasi antara batas a dan b. Luas kotak R yang melingkupi luas
bidang integral A adalah
R = {(x, y) : a x b dan 0 y d} (11.4)
dimana
d = maksimum f(x) , a x b (11.5)
Bab 12
Inversi
Objektif :
12.1 Inversi Linear
Diketahui data eksperimen tersaji dalam tabel berikut ini
x
i
y
i
x
i
y
i
1 1,3 6 8,8
2 3,5 7 10,1
3 4,2 8 12,5
4 5,0 9 13,0
5 7,0 10 15,6
Lalu data tersebut di-plot dalam sumbu x dan y. Sekilas, kita bisa melihat bahwa data yang
telah di-plot tersebut dapat didekati dengan sebuah persamaan garis, yaitu a
1
x
i
+a
0
. Artinya,
kita melakukan pendekatan secara linear, dimana fungsi pendekatan-nya adalah
P(x
i
) = a
1
x
i
+ a
0
(12.1)
Problemnya adalah berapakah nilai konstanta a
1
dan a
0
yang sedemikian rupa, sehingga posisi
garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas?
143
144 BAB 12. INVERSI
1 2 3 4 5 6 7 8 9 10
0
2
4
6
8
10
12
14
16
X
Y
Dengan kata lain, sebisa mungkin y
i
sama dengan P(x
i
) atau dapat diformulasikan sebagai
m
i=1
y
i
P(x
i
) = 0 (12.2)
m
i=1
y
i
(a
1
x
i
+ a
0
) = 0 (12.3)
dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu
E(a
0
, a
1
) =
m
i=1
y
i
(a
1
x
i
+ a
0
) (12.4)
Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Ja-
di, tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. Namun
demikian, kita masih bisa berharap agar fungsi error menghasilkan suatu nilai, dimana nilai
tersebut adalah nilai yang paling minimum atau paling mendekati nol. Harapan tersebut di-
wujudkan oleh metode least square dengan sedikit modikasi pada fungsi error-nya sehingga
menjadi
E(a
0
, a
1
) =
m
i=1
[y
i
(a
1
x
i
+ a
0
)]
2
(12.5)
Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
E(a
0
, a
1
)
a
i
= 0 (12.6)
dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a
0
dan a
1
. Maka mesti ada dua
12.1. INVERSI LINEAR 145
buah turunan yaitu:
E(a
0
, a
1
)
a
0
=

a
0
m
i=1
[y
i
(a
1
x
i
+ a
0
)]
2
= 0
2
m
i=1
(y
i
a
1
x
i
a
0
)(1) = 0
a
0
.m + a
1
m
i=1
x
i
=
m
i=1
y
i
(12.7)
dan
E(a
0
, a
1
)
a
1
=

a
1
m
i=1
[y
i
(a
1
x
i
+ a
0
)]
2
= 0
2
m
i=1
(y
i
a
1
x
i
a
0
)(x
i
) = 0
a
0
m
i=1
x
i
+ a
1
m
i=1
x
2
i
=
m
i=1
x
i
y
i
(12.8)
Akhirnya persamaan (12.7) dan (12.8) dapat dicari solusinya berikut ini:
a
0
=
m
i=1
x
2
i
m
i=1
y
i
m
i=1
x
i
y
i
m
i=1
x
i
m
_
m
i=1
x
2
i
_
(
m
i=1
x
i
)
2
(12.9)
dan
a
1
=
m
m
i=1
x
i
y
i
m
i=1
x
i
m
i=1
y
i
m
_
m
i=1
x
2
i
_
(
m
i=1
x
i
)
2
(12.10)
Coba anda bandingkan kedua hasil di atas dengan rumus least square yang terdapat pada
buku Praktikum Fisika Dasar keluaran Departemen Fisika-UI. Mudah-mudahan sama per-
sis. OK, berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka
didapat:
a
0
=
385(81) 55(572, 4)
10(385) (55)
2
= 0, 360 (12.11)
dan
a
1
=
10(572, 4) 55(81)
10(385) (55)
2
= 1, 538 (12.12)
Jadi, fungsi pendekatan-nya, P(x
i
), adalah
P(x
i
) = 1, 538x
i
0, 360 (12.13)
Solusi least square dengan pendekatan persamaan garis seperti ini juga dikenal dengan nama
lain yaitu regresi linear. Sedangkan nilai a
0
dan a
1
disebut koesien regresi. Gambar di
bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya
Tentu saja anda sudah bisa menduga bahwa selain regresi linear, mungkin saja terdapat regresi
146 BAB 12. INVERSI
0 2 4 6 8 10
2
0
2
4
6
8
10
12
14
16

P(x) = 1.538*x 0.36
parabola atau quadratik dimana fungsi pendekatannya berupa persamaan parabola, yaitu:
P(x
i
) = a
2
x
2
i
+ a
1
x
i
+ a
0
(12.14)
dimana koesien regresinya ada tiga yaitu a
0
, a
1
dan a
2
. Kalau anda menduga demikian, maka
dugaan anda benar! Bahkan sebenarnya tidak terbatas sampai disitu. Secara umum, fungsi
pendekatan, P(x
i
), bisa dinyatakan dalam aljabar polinomial berikut ini:
P(x
i
) = a
n
x
n
i
+ a
n1
x
n1
i
+ ... + a
2
x
2
i
+ a
1
x
i
+ a
0
(12.15)
Namun untuk saat ini, saya tidak ingin memperluas pembahasan hingga regresi parabola, dan
polinomial. Saya masih ingin melibatkan peranan metode eliminasi gauss dalam menyele-
saikan problem least square seperti yang selalu saya singgung pada catatan-catatan kuliah
saya yang terdahulu. Nah, kalau metode eliminasi gauss hendak digunakan untuk mencari
solusi regresi linear, kita bisa mulai dari persamaan (12.7) dan (12.8), yaitu:
a
0
.m + a
1
m
i=1
x
i
=
m
i=1
y
i
a
0
m
i=1
x
i
+ a
1
m
i=1
x
2
i
=
m
i=1
x
i
y
i
Keduanya bisa dinyatakan dalam operasi matrik:
_
m
m
i=1
x
i
m
i=1
x
i
m
i=1
x
2
i
__
a
0
a
1
_
=
_

m
i=1
y
i
m
i=1
x
i
y
i
_
(12.16)
Kalau anda mengikuti catatan-catatan terdahulu, pasti anda tidak asing lagi dengan dengan
semua elemen-elemen matrik di atas. Semua sudah saya ulas pada catatan yang berjudul Ap-
likasi Elimininasi Gauss: Model Garis. Silakan anda lanjutkan perhitungan matrik tersebut
hingga diperoleh koesien regresi a
0
dan a
1
. Selamat mencoba!
12.2. INVERSI NON-LINEAR 147
12.2 Inversi Non-Linear
Persamaan least squares linear adalah sebagai berikut:
[G
t
G]m = G
t
d (12.17)
Persamaan least squares non-linear dapat dinyatakan sebagai berikut:
[G
t
G+ I]m = G
t
d (12.18)
dimana G adalah matrik kernel, namun dia juga biasa dikenal dengan sebutan matrik Ja-
cobian, sementara adalah faktor pengali Lagrange, dan I adalah matrik identitas yang or-
denya disesuaikan dengan G
t
G. Adapun denisi m dan d akan dijelaskan pada bagian
akhir catatan ini.
Langkah-langkah untuk menyelesaikan problem least squares non-linear adalah:
1. Menentukan model, misal f(x) = x
m
2. Menghitung jacobian, G. Caranya adalah menghitung turunan pertama dari model ter-
hadap model-parameter, m. Sesuai permisalan pada point 1, didapat
A =
f(m)
m
= x
m
ln(x) (12.19)
3. Membuat perhitungan simulasi, misalnya ditentukan m = 2. Nilai m adalah nilai yang
hendak dicari. Dalam simulasi, nilai m dianggap sudah diketahui bahkan ditentukan.
Lalu hitunglah f(x) = x
m
dengan x bergerak dari x = 1, 2, 3.., 10. Jadi, nanti akan didapat
10 buah f(x). Mau lebih dari 10 juga boleh, terserah saja. Hasil hitungannya dikasih
nama d, jadi d = f(x). Karena dalam simulasi ini x-nya bergerak hanya sampai 10, maka
hasilnya mesti ada 10 d, yaitu d
1
, d
2
, .., d
10
.
4. Buatlah perhitungan untuk m sembarang, misal mula-mula dipilih m = 5. Ini adalah ni-
lai awal dari m yang akan diiterasikan sedemikian rupa hingga nantinya m akan menuju
2 sesuai dengan nilai m pada simulasi (point 3). Bagusnya dibedakan penulisannya, atau
tulis saja m
0
= 5, dimana m
0
maksudnya adalah m mula-mula. Lalu hitung lagi nilai
f(x) = x
m
0
. Sekarang dinamakan d
c
= f(x). Jangan lupa bahwa saat perhitungan, nilai
x bergerak dari 1 sampai 10. Jadi, nanti didapat 10 d
c
.
5. Hitunglah d, dimana d = d
c
d. Sebelumnya sudah dinyatakan bahwa d
c
ada 10 buah,
demikian juga d ada 10 buah, maka d harus ada 10 buah juga.
6. Selanjutnya hitung ||d|| yang rumusnya seperti ini
||d|| =
1
N
(d
c
d)
2
=
1
N
d
2
(12.20)
dimana N = 10 karena d-nya ada 10. Rumus ini tidak mutlak harus demikian, anda bisa
juga menggunakan norm 2,
2
.
148 BAB 12. INVERSI
7. Tentukan nilai epsilon, , misal = 0.000001. Lalu lakukan evaluasi sederhana. Cek,
apakah ||d|| < ? Pasti awalnya ||d|| > , kenapa? Karena m = m
0
. Kalau begini
situasinya, d yang ada 10 biji itu dimasukan kedalam proses berikutnya.
8. Hitunglah operasi matriks berikut ini untuk mendapatkan m
[G
t
G+ I]m = G
t
d (12.21)
dengan -nya dikasih nilai sembarang antara 0 dan 1, misalnya = 0.005. Perhitungan
ini bisa diselesaikan dengan metode eliminasi gauss.
9. Ganti nilai m
0
menjadi m
1
sesuai dengan rumus
m
1
= m
0
+ m (12.22)
Nah, m
1
ini dimasukan ke proses yang dijelaskan pada point 4 kemudian proses diu-
langi hingga point 9, begitu seterusnya. Dari sinilah dimulai proses iterasi. Iterasi akan
berhenti bila ||d|| < . Pada saat itu, nilai m
k
akan mendekati m = 2 sesuai dengan m
simulasi.
Selamat mencoba! Saya juga telah menulis beberapa persamaan non-linear sebagai bahan
latihan. Lihat saja di Latihan 1. Tapi tolong diperiksa lagi, apakah jacobiannya sudah be-
nar atau ada kekeliruan. Selanjutnya, kalau ada pertanyaan atau komentar, silakan kirim ke
supri92@gmail.com
Daftar Pustaka
[1] Burden, R.L. and Faires, J.D., (2001), Numerical Analysis, Seventh Edition, Brooks/Cole,
Thomson Learning Academic Resource Center.
[2] Haliday and Resnick, (2001), Fundamental of Physics, Brooks/Cole, Thomson Learning Aca-
demic Resource Center.
149
Indek
Positive-denite, 5
Transpose, 3
Tridiagonal, 4
Vektor-baris, 6
Vektor-kolom, 6
151

Kumputasi Edisi 2 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kumputasi Edisi 2 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Komputasi untuk Sains dan Teknik

d hanya berlaku di matlab, sementara script yang panjangnya 113 line

yang didenisikan sebagai

= max{(3), (2), (8), (5)} = 8

(x)/2, sehingga persamaan ini dimodikasi menjadi

(b). Nah, kita

+ q(x)y + r(x) (7.17)

C. Problem ini memenuhi PDP Eliptik:

v, for a particular uid, where Ris in newtons and v in meters/second.

Anda mungkin juga menyukai