PENYELESAIAN SISTEM PERSAMAAN LINIER DENGAN

ITERASI

Untuk beberapa kasus, penyelesaian persamaan linier dengan

metode iterasi lebih cepat dibanding metode langsung (eliminasi Gauss,
dekomposisi LU), yaitu jika koefisien matriks memiliki banyak komponen
bernilai nol (sparse matrix)
Dapat mengurangi error
Dapat digunakan untuk sistem persamaan nonlinier
Metode iterasi yang banyak digunakan adalah metode Jacobi dan
metode Gauss-Seidel

METODE JACOBI

8x1 + x2 -

x3 = 8

(1)

2x1 + x2 + 9x3 = 12

(2)

x1 - 7x2 + 2x3 = -4

(3)

Susun ulang persamaan linier untuk mendapatkan nilai x1, x2, dan x3.
Pilih variabel berdasarkan koefisien terbesar di setiap persamaan
(1) x1 = 1 0.125 x2 + 0.125x3
(2) x3 = 1.333 - 0.222x1 - 0.111x2
(3) x2 = 0.571 + 0.143x1 + 0.286x3

 Tebak nilai awal x1, x2, x3

- Nilai awal : x10 = 0 , x20 = 0, x30 = 0, substitusi ke dalam persamaan

x11 = 1 0.125 x20 + 0.125x30

: x11 = 1

x21 = 0.571 + 0.143x10 + 0.286x30

: x21 = 0.571

x31 = 1.333 - 0.222x10 - 0.111x20

: x31 = 1.333

Substitusi nilai x11, x21, x31 ke dalam persamaan (1), (2), (3) untuk
mendapatkan x12, x22, x32

x12 = 1 0.125 x21 + 0.125x31

: x12 = 1.095.

x22 = 0.571 + 0.143x11 + 0.286x31

: x22 = 1.095

x32 = 1.333 - 0.222x11 - 0.111x21

: x32 = 1.048

 Lakukan substitusi selanjutnya hingga nilai xin dengan xin+1 hampir sama
atau dalam range error yg diinginkan

x1n+1 = 1 0.125 x2n + 0.125x3n

n = iterasi ke 1, 2, 3.....

x2n+1 = 0.571 + 0.143x1n + 0.286x3n

x3n+1 = 1.333 - 0.222x1n - 0.111x2n

Iterasi ke n
1

x1
x2
x3

0
0
0

1.000 1.095 0.995 0.993 1.002

1.095 1.095 1.026 0.990 0.998
1.333 1.048 0.969 1.000 1.001

1.001
1.001
1.001

1.000
1.000
1.000

Penyelesaian dengan programming/Scilab

Persamaan linier dinyatakan dalam bentuk matriks
n

Ax = b

j 1

ij

x j bi

Nyatakan xi sbb:
i 1

xi

bi aij x j
j 1

a x

j i 1

aii

N = jumlah komponen x

ij

i 1,2....N

a ii 0

 Algoritma iterasi
i 1

xi

n 1

bi aij x j
n

j 1

aij x j

j i 1

aii

n = jumlah iterasi

Konvergensi
N

aii aij
j 1

i 1,2,...... N

n 1,2.....

a ii 0

METODE GAUSS-SEIDEL

Perbedaan metode Jacobi dengan metode Gauss-Siedel terletak pada

nilai tebakan yang digunakan dalam iterasi. Metode Gauss-Siedel
menggunakan nilai tebakan baru sehingga konvergensi dapat dicapai
dengan lebih cepat
Penyelesaian soal di atas dengan metode Gauss-Siedel adalah sbb:

Tebak nilai awal x1, x2, x3

- Nilai awal : x10 = 0 , x20 = 0, x30 = 0, substitusi ke dalam persamaan
x11 = 1 0.125 x20 + 0.125x30

: x11 = 1

x21 = 0.571 + 0.143x11 + 0.286x30

: x21 = 0.714

x31 = 1.333 - 0.222x11 - 0.111x21

: x31 = 1.032

 Substitusi nilai x11, x21, x31 ke dalam persamaan (1), (2), (3) untuk
mendapatkan x12, x22, x32

x12 = 1 0.125 x21 + 0.125x31

: x12 = 1.041.

x22 = 0.571 + 0.143x11 + 0.286x31

: x22 = 1.014

x32 = 1.333 - 0.222x11 - 0.111x21

: x32 = 1.032

Lakukan substitusi selanjutnya hingga nilai xni dengan xni+1 hampir sama
atau dalam range error yg diinginkan
x1i+1 = 1 0.125 x2i + 0.125x3i
x2i+1 = 0.571 + 0.143x1i+1 + 0.286x3i

x3i+1 = 1.333 - 0.222x1i+1 - 0.111x2i+1

n
x1
x2
x3

Iterasi ke i
1

0
0
0

1.000
0.714
1.032

1.041
1.014
0.990

0.997
0.996
1.002

1.001 1.000
1.000 1.000
1.002 1.000

Terlihat bahwa metode Gauss-Siedel hanya memerlukan 6 kali iterasi

untuk mencapai hasil yang konvergen dibanding 8 kali iterasi yang
diperlukan jika menggunakan metode Jacobi

Penyelesaian dengan programming/Scilab

Persamaan linier dinyatakan dalam bentuk matriks
n

Ax = b

j 1

ij

x j bi

Nyatakan xi sbb:
i 1

xi

bi aij x j
j 1

a x

j i 1

aii

N = jumlah komponen x

ij

i 1,2....N

a ii 0

 Algoritma iterasi
i 1

xi

n 1

bi aij x j

n 1

j 1

aij x j

n 1

j i 1

aii

n = jumlah iterasi

Konvergensi
N

aii aij
j 1

i 1,2,...... N

n 1,2.....

a ii 0

METODE RELAKSASI/ RELAXATION METHODS

8x1 + x2 -

x3 = 8

(1)

2x1 + x2 + 9x3 = 12

(2)

x1 - 7x2 + 2x3 = -4

(3)

Semua suku persamaan dipindahkan ke satu sisi dan dibagi dengan

negatif koefisien terbesar
- x1 0.0125x2 + 0.125 x3 + 1

(1)

-0.222 x1 - 0.111 x2

=0

(2)

0.143 x1 -

+ 0.286x3 + 0.571 = 0

(3)

x2

x3 + 1.333

=0

 Susun ulang persamaan sehingga koefisien diagonal menjadi -1

- x1 0.0125x2 + 0.125 x3 + 1

=0

(1) : koefisien diagonal = -1

-0.222 x1 - 0.111 x2

x3 + 1.333 = 0

(2) : koefisien diagonal = -0.111

0.143 x1 -

+ 0.286x3 + 0.571 = 0

(3) : koefisien diagonal = 0.286

x2

Tukar pers (2) dengan pers (3):

- x1 0.0125x2 + 0.125 x3 + 1
0.143 x1 -

x2

-0.222 x1 - 0.111 x2

=0

(1) : koefisien diagonal = -1

+ 0.286x3 + 0.571 = 0 (3) : koefisien diagonal = -1

-

x3 + 1.333 = 0

(2) : koefisien diagonal = -1

 Jika dimasukkan harga sembarang x1, x2, x3 dalam persamaan-persamaan

tsb, maka akan diperoleh hasil persamaan 0. Persamaan akan
menghasilkan residu (R)

Misal : x1 = 0, x2 = 0

x3 = 0

- x1 0.0125x2 + 0.125 x3 + 1
0.143 x1 -

x2

-0.222 x1 - 0.111 x2

=0

: Diperoleh residu 1 (R1)

+ 0.286x3 + 0.571 = 0

: Diperoleh residu 0.571 (R2)

: Diperoleh residu 1.333 (R3)

x3 + 1.333 = 0

Dari ketiga residu, terlihat bahwa R3 memiliki nilai terbesar atau

menghasilkan error terbesar. Oleh karena itu, R3 akan diubah menjadi nol.
Proses ini disebut relaksasi.

Untuk memperoleh R3 = 0, maka nilai x diubah sbb:

x1 = 0, x2 = 0

x3 = 1.333

- x1 0.0125x2 + 0.125 x3 + 1
0.143 x1 -

x2

-0.222 x1 - 0.111 x2

=0

: Diperoleh residu 1.167 (R1)

+ 0.286x3 + 0.571 = 0

: Diperoleh residu 0.952 (R2)

: Diperoleh residu 0 (R3)

x3 + 1.333 = 0

Dari hasil di atas diperoleh R1 adalah residu terbesar. Maka dilakukan

relaksasi untuk mengubah R1 menjadi nol.

Untuk memperoleh R3 = 0, maka nilai x diubah sbb:

x1 = 1.167, x2 = 0

x3 = 1.333

- x1 0.0125x2 + 0.125 x3 + 1
0.143 x1 -

x2

-0.222 x1 - 0.111 x2

=0

: Diperoleh residu 0 (R1)

+ 0.286x3 + 0.571 = 0

: Diperoleh residu 1.1119 (R2)

: Diperoleh residu -259 (R3)

x3 + 1.333 = 0

x1

R1

x2

R2

x3

R3

0
0
1.167
1.167
1.167
-0.189
-0.189
-0.189
0.024
0.024
0.024
-0.003
-0.003
-0.003

1.000
1.167
0
-0.140
-0.189
0
0.017
0.024
0
-0.002
-0.003
0
0
0

0
0
0
1.119
1.119
1.119
-0.136
-0.136
-0.136
0.019
0.019
0.019
-0.002
-0.002

0.571
0.952
1.119
0
-0.109
-0.136
0
0.016
0.019
0
-0.002
-0.002
0
0

0
1.333
1.333
1.333
-0.383
-0.383
-0.383
0.057
0.057
0.057
-0.007
-0.007
-0.007
0.001

1.333
0
-0.259
-0.383
0
0.042
0.057
0
-0.005
-0.007
0
0.001
0.001
0

X1 = 0 + 1.167 0.189 + 0.024 0.003 = 0.999

X2 = 0 + 1.119 0.136 + 0.019 - 0.002 = 1
X3 = 0 + 1.333 0.383 + 0.057 0.007 = 1.001

METODE OVER RELAXATION

Pada metode over relaxation, residu (R) ditambahkan ke dalam

persamaan.