Kumputasi Hal 55 Inversi

Komputasi untuk Sains dan Teknik
Supriyanto Suparno
( Website: http://supriyanto.fisika.ui.edu )
( Email: supri@fisika.ui.ac.id atau supri92@gmail.com )
Edisi II
Revisi terakhir tgl: 2 Maret 2008
Departemen Fisika-FMIPA, Univeristas Indonesia

Dipublikasikan pertama kali pada September 2007
Untuk
Nina Marliyani
Muflih Syamil
dan
Hasan Azmi
Ketekunan adalah jalan yang terpercaya untuk mengantarkan kita menuju kesuksesan
(Supriyanto, 2007)
Kata Pengantar
Secara garis besar, ilmu fisika dapat dipelajari lewat 3 jalan, yaitu pertama, dengan menggunakan konsep atau teori fisika yang akhirnya melahirkan fisika teori. Kedua, dengan cara
eksperimen yang menghasilkan aliran fisika eksperimental, dan ketiga, fisika bisa dipelajari
lewat simulasi fisika yang sangat mengandalkan komputer serta algoritma numerik.
Tujuan penyusunan buku ini adalah untuk meletakkan pondasi dasar dari bangunan pemahaman akan metode-metode komputasi yang banyak digunakan pada simulasi-simulasi fenomena fisika.
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 Academic Resource Center. Disamping itu, buku ini dilengkapi oleh sejumlah contoh aplikasi
komputasi pada upaya penyelesaian problem-problem fisika.
Dalam edisi ke-2 ini, algoritma numerik disalin ke dalam 2 bahasa pemrograman, yaitu Fortran77 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 sangat 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 LATEX-nya sehingga tampilan tulisan pada
buku ini benar-benar layaknya sebuah buku yang siap dicetak. Rasa terima kasih juga ingin 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 seluruh 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 tujuan komersial. Bagi yang ingin berdiskusi, memberikan masukan, kritikan dan saran, silakan
dikirimkan ke email: supri92@gmail.com
Depok, 16 September 2007

Supriyanto Suparno
iii
iv
Daftar Isi
Lembar Persembahan
Kata Pengantar
iii
Daftar Isi
iv
Daftar Gambar
vii
Daftar Tabel
ix
1 Matrik dan Komputasi
1.1
Pengenalan matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Inisialisasi matrik dalam memori komputer . . . . . . . . . . . . . . . . . . . . . .
1.3
Macam-macam matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1
Matrik transpose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2
Matrik bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3
Matrik simetrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.4
Matrik diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.5
Matrik identitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.6
Matrik upper-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.7
Matrik lower-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.8
Matrik tridiagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.9
Matrik diagonal dominan . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.10 Matrik positive-definite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.11 Vektor-baris dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . .
Operasi matematika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.1
Penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.2
Komputasi penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . .
1.4.3
Perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
1.4
2 Metode Eliminasi Gauss
19
2.1
Sistem persamaan linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2.2
Triangularisasi dan Substitusi Mundur . . . . . . . . . . . . . . . . . . . . . . . . .
20
vi
2.3
Matrik dan Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
2.4
Algoritma eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.4.1
Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
2.5.1
Menghitung arus listrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
2.6
Menghitung invers matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.7
Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
2.5
3 Aplikasi Eliminasi Gauss pada Masalah Inversi

3.1
41
Inversi Model Garis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
3.1.1
Script matlab inversi model garis . . . . . . . . . . . . . . . . . . . . . . . .
44
Inversi Model Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
3.2.1
Script matlab inversi model parabola . . . . . . . . . . . . . . . . . . . . .
50
3.3
Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
3.4
Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
3.4.1
55
3.2
Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . .
4 Metode LU Decomposition
63
4.1
Faktorisasi matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
4.2
Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
5 Metode Iterasi
73
5.1
Kelebihan Vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
5.2
Pengertian Norm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
5.2.1
Script perhitungan norm dalam Matlab . . . . . . . . . . . . . . . . . . . .
74
5.2.2
Perhitungan norm-selisih . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
Iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
5.3.1
Script Matlab untuk menghitung iterasi . . . . . . . . . . . . . . . . . . . .
78
5.3.2
Optimasi script Matlab untuk menghitung iterasi . . . . . . . . . . . . . .
82
5.3.3
Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
5.3.4
Program dalam Fortran . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
5.4.1
Script iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
5.4.2
Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
89
5.4.3
Script iterasi Gauss-Seidel dalam Fortran . . . . . . . . . . . . . . . . . . .
89
Iterasi dengan Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91
5.5.1
92
5.3
5.4
5.5
Algoritma Iterasi Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . .
6 Interpolasi
95
6.1
Interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
6.2
Interpolasi Cubic Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
vii
7 Diferensial Numerik
105
7.1
Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.2
Metode Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.3
Metode Finite Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

7.3.1
Script Finite-Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
7.3.2
Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
8 Pers. Diferensial Parsial Numerik
125
8.1
Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
8.2
PDP eliptik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
8.3
8.2.1
Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
8.2.2
Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
PDP parabolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

8.3.1
Metode Forward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.3.2
Contoh ketiga: One dimensional heat equation . . . . . . . . . . . . . . . . . 134
8.3.3
Metode Backward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
8.3.4
Metode Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
9 Integral Numerik
139
9.1
Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
9.2
Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
9.3
Metode Composite-Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
10 Metode Newton
145
10.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

11 Metode Monte Carlo
147
11.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

12 Inversi
151
12.1 Inversi Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

12.2 Inversi Non-Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
Daftar Pustaka
157
Indeks
159
viii
Daftar Gambar
3.1
Grafik data pengukuran gerak batu . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
3.2
Grafik hasil inversi parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
6.1
Fungsi f (x) dengan sejumlah titik data . . . . . . . . . . . . . . . . . . . . . . . .
97
6.2
Pendekatan dengan polinomial cubic spline . . . . . . . . . . . . . . . . . . . . . .
97
6.3
Profil suatu object . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.4
Sampling titik data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.5
Hasil interpolasi cubic spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.6
Hasil interpolasi lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.1
Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.2
Trend error metode euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.3
Rangkaian RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.4
Kurva muatan q terhadap waktu t . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.5
Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah X0 = a hingga batas atas
x6 = b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.1
Distribusi temperatur pada lempeng logam . . . . . . . . . . . . . . . . . . . . . . 128
8.2
Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur.

Jarak antar titik ditentukan sebesar h = 0, 1. . . . . . . . . . . . . . . . . . . . . . . . . 134
8.3
Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005 . . . 135
8.4
Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan

forward-difference, sedangkan arah t menunjukkan perubahan waktu yg makin
meningkat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
9.1
Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
9.2
Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
9.3
Metode Composite Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
10.1 Metode Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

11.1 Lingkaran dan bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
11.2 Dart yang menancap pada bidang lingkaran dan bujursangkar . . . . . . . . . . . 148
11.3 Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar . . . . . . . . 149
ix
DAFTAR GAMBAR
Daftar Tabel
3.1
Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . .
41
3.2
Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . .
46
3.3
Data ketinggian terhadap waktu dari planet X . . . . . . . . . . . . . . . . . . . .
55
5.1
Hasil akhir elemen-elemen vektor x hingga iterasi ke-10 . . . . . . . . . . . . . . .
81
5.2
Hasil perhitungan norm-selisih (dengan 2 ) hingga iterasi ke-10 . . . . . . . . . .
83
5.3
Hasil Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
5.4
Hasil perhitungan iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . .
92
5.5
Hasil perhitungan iterasi Relaksasi dengan = 1, 25 . . . . . . . . . . . . . . . . .
92
8.1
Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2
adalah solusi analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forwarddifference. Kolom ke-4 dan ke-6 adalah selisih solusi analitik dan numerik . . . . 136
8.2
Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode
backward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
xi
xii
DAFTAR TABEL
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
Anm . 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
aij , dimana indeks i menunjukan posisi baris ke-i dan indeks j menentukan posisi kolom ke-j.
a11
a12
. . . a1m
a21
A = (aij ) =
..
.
a22
..
.
. . . a2m
..
(1.1)
an1 an2 . . . anm
Contoh 1: Matrik A23

A=
"
#
3 8 5
6 4 7
dimana masing-masing elemennya adalah a11 = 3, a12 = 8, a13 = 5, a21 = 6, a22 = 4, dan
a23 = 7.
Contoh 2: Matrik B32
1 3
B = 5 9
2 4
1
BAB 1. MATRIK DAN KOMPUTASI
dimana masing-masing elemennya adalah b11 = 1, b12 = 3, b21 = 5, b22 = 9, b31 = 2, dan
b32 = 4.
1.2
Inisialisasi matrik dalam memori komputer
Dalam bahasa pemrograman Fortran77, cara mengisi memori komputer dengan elemen-elemen
matrik A23 , sesuai dengan Contoh 1 adalah
1
2
3
4
5
6
A(1,1)
A(1,2)
A(1,3)
A(2,1)
A(2,2)
A(2,3)
=
=
=
=
=
=
3
8
5
6
4
7
Sedangkan untuk matrik B32 , sesuai Contoh 2 adalah

1
2
3
4
5
6
B(1,1)
B(1,2)
B(2,1)
B(2,2)
B(3,1)
B(3,2)
=
=
=
=
=
=
1
3
5
9
2
4
Sementara dalam Matlab, cara mengisi memori komputer dengan elemen-elemen matrik
A23 , sesuai dengan Contoh 1 adalah
1
2
clear all
clc
3
4
5
6
7
8
9
10
A(1,1)
A(1,2)
A(1,3)
A(2,1)
A(2,2)
A(2,3)
A
=
=
=
=
=
=
3;
8;
5;
6;
4;
7;
Sedangkan untuk matrik B32 , sesuai Contoh 2 adalah

1
2
clear all
clc
3
4
5
6
7
8
9
10
B(1,1)
B(1,2)
B(2,1)
B(2,2)
B(3,1)
B(3,2)
B
=
=
=
=
=
=
1;
3;
5;
9;
2;
4;
1.3. MACAM-MACAM MATRIK
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 AT atau At .
Contoh 3: Operasi transpose terhadap matrik A
A=
"
3 8 5
6 4 7
3 6
At = 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
1 3 8
A = 5 9 7
2 4 6
1.3.3 Matrik simetrik

Matrik simetrik adalah matrik bujursangkar yang elemen-elemen matrik A bernilai sama dengan matrik transpose-nya (At ).
Contoh 5: Matrik simetrik
2 3 7 1
3 5 6 2
A=
7
6 9 8
1 2 8 10
3 7
3 5 6 2
A =
7
6 9 8
1 2 8 10
t
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
11 0 0
A = 0 29 0
0 0 61
4
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
1 0 0
I = 0 1 0
0 0 1
1.3.6 Matrik upper-triangular
Matrik upper-tringular adalah matrik bujursangkar yang seluruh elemen dibawah elemen diagonal bernilai 0 (nol).
Contoh 8: Matrik upper-triangular
0
A=
0
6 2 1
4 1 5
0 8 7
0 0 9
1.3.7 Matrik lower-triangular

Matrik lower-tringular adalah matrik bujursangkar yang seluruh elemen diatas elemen diagonal bernilai 0 (nol).
Contoh 9: Matrik lower-triangular
32 2 0 0
A=
8
7 11 0
5 10 6 9
12
1.3.8 Matrik tridiagonal

Matrik tridiagonal adalah matrik bujursangkar yang seluruh elemen bukan 0 (nol) berada disekitar elemen diagonal, sementara elemen lainnya bernilai 0 (nol).
Contoh 10: Matrik tridiagonal
3 6 0 0
2 4 1 0
A=
0 5 8 7
0 0 3 9
1.3. MACAM-MACAM MATRIK
1.3.9 Matrik diagonal dominan

Matrik diagonal dominan adalah matrik bujursangkar yang memenuhi
|aii | >
n
X
j=1,j6=i
|aij |
(1.2)
dimana i=1,2,3,..n. Coba perhatikan matrik-matrik berikut ini
7 2 0
A = 3 5 1
0 5 6
B = 4 2 0
3 0
1
6
Pada elemen diagonal aii 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-definite

Suatu matrik dikatakan positive-definite bila matrik tersebut simetrik dan memenuhi
xt Ax > 0
(1.3)
Contoh 11: Diketahui matrik simetrik berikut
A = 1
0
1
1 2
untuk menguji apakah matrik A bersifat positive-definite, maka
xt Ax =
x1

x1 x2 x3 1 2 1 x2
0 1 2
x3
2x1 x2
i
h
= x1 x2 x3 x1 + 2x2 x3
x2 + 2x3
= 2x21 2x1 x2 + 2x22 2x2 x3 + 2x23
= x21 + (x21 2x1 x2 + x22 ) + (x22 2x2 x3 + x23 ) + x23
= x21 + (x1 x2 )2 + (x2 x3 )2 + x23
Dari sini dapat disimpulkan bahwa matrik A bersifat positive-definite, karena memenuhi
x21 + (x1 x2 )2 + (x2 x3 )2 + x23 > 0
6
kecuali jika x1 =x2 =x3 =0.
1.3.11 Vektor-baris dan vektor-kolom
Notasi vektor biasanya dinyatakan dengan huruf kecil dan dicetak tebal. Suatu matrik dinamakan vektor-baris berukuran m, bila hanya memiliki satu baris dan m kolom, yang dinyatakan sebagai berikut
i
i h
h
a = a11 a12 . . . a1m = a1 a2 . . . am
(1.4)
Sedangkan suatu matrik dinamakan vektor-kolom berukuran n, bila hanya memiliki satu kolom
dan n baris, yang dinyatakan sebagai berikut
a11
a1

a21 a2

a=
.. = ..
.
.
an1
an
1.4
(1.5)
Operasi matematika
1.4.1 Penjumlahan matrik

Operasi penjumlahan pada dua buah matrik hanya bisa dilakukan bila kedua matrik tersebut
berukuran sama. Misalnya matrik C23
C=
"
9 5 3
7 2 1
dijumlahkan dengan matrik A23 , lalu hasilnya (misalnya) dinamakan matrik D23
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
Tanpa mempedulikan nilai elemen-elemen masing-masing matrik, operasi penjumlahan antara

matrik A23 dan C23 , bisa juga dinyatakan dalam indeks masing-masing dari kedua matrik
tersebut, yaitu
"
d11 d12 d13

d21 d22 d23
"
a11 + c11 a12 + c12 a13 + c13

a21 + c21 a22 + c22 a23 + c23
1.4. OPERASI MATEMATIKA
Dijabarkan satu persatu sebagai berikut

d11 = a11 + c11
d12 = a12 + c12
d13 = a13 + c13
(1.6)
d21 = a21 + c21

d22 = a22 + c22
d23 = a23 + c23
Dari sini dapat diturunkan sebuah rumus umum penjumlahan dua buah matrik
dij = aij + cij
(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),
d11 = a11 + c11
d12 = a12 + c12
d13 = a13 + c13
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
2
3
4
5
for i=1:2
for j=1:3
D(i,j)=A(i,j)+C(i,j);
end
end
Sedangkan dalam Fortran77, operasi penjumlahan antara matrik ditulis sebagai berikut: A23
dan C23 adalah
1
2
3
4
5
do i=1,2
do j=1,3
D(i,j)=A(i,j)+C(i,j)
end do
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 mengubah ukurannya sesuai dengan keperluan atau kebutuhan anda. Jika ukuran matrik dinyatakan secara umum sebagai n x m, dimana n adalah jumlah baris dan m adalah jumlah kolom,
maka bentuk pernyataan komputasinya dalam matlab menjadi
1
2
3
4
5
for i=1:n
for j=1:m
end
end
sedangkan dalam Fortran77

1
2
3
4
5
do i=1,n
do j=1,m
end do
end do
Sekarang, mari kita lengkapi dengan contoh sebagai berikut: diketahui matrik A23
A=
"
#
3 8 5
C=
"
dan matrik C23
6 4 7
9 5 3
7 2 1
Program untuk menjumlahkan kedua matrik tersebut dalam matlab adalah:

1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
A(1,1) = 3;
A(1,2) = 8;
A(1,3) = 5;
A(2,1) = 6;
A(2,2) = 4;
A(2,3) = 7;
C(1,1) = 9;
C(1,2) = 5;
C(1,3) = 3;
C(2,1) = 7;
C(2,2) = 2;
C(2,3) = 1;
n=2
m=3
for i=1:n
for j=1:m
end
end
sedangkan dalam Fortran77
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
A(1,1) = 3
A(1,2) = 8
A(1,3) = 5
A(2,1) = 6
A(2,2) = 4
A(2,3) = 7
C(1,1) = 9
C(1,2) = 5
C(1,3) = 3
C(2,1) = 7
C(2,2) = 2
C(2,3) = 1
n=2
m=3
do i=1,n
do j=1,m
end do
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 A23 dikalikan dengan matrik
B32 , lalu hasilnya (misalnya) dinamakan matrik E22
E22 = A23 .B32
E =
"
"
"
# 1 3
3 8 5
5 9
6 4 7
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 A23 dan B32 , bisa juga dinyatakan dalam indeks masing-masing dari kedua matrik
tersebut, yaitu
"
e11 e12
e21 e22
"
a11 .b11 + a12 .b21 + a13 .b31 a11 .b12 + a12 .b22 + a13 .b32
a21 .b11 + a22 .b21 + a23 .b31 a21 .b12 + a22 .b22 + a23 .b32
10
Bila dijabarkan, maka elemen-elemen matrik E22 adalah

e11 = a11 .b11 + a12 .b21 + a13 .b31
(1.8)
e12 = a11 .b12 + a12 .b22 + a13 .b32
(1.9)
e21 = a21 .b11 + a22 .b21 + a23 .b31
(1.10)
e22 = a21 .b12 + a22 .b22 + a23 .b32
(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
e1.. = ..
e1.. = ..
e2.. = ..
e2.. = ..
Pola perubahan yang sama akan kita dapati pada angka indeks pertama dari elemen a
e1.. = a1.. .b... + a1.. .b... + a1.. .b...
e1.. = a1.. .b... + a1.. .b... + a1.. .b...
e2.. = a2.. .b... + a2.. .b... + a2.. .b...
e2.. = a2.. .b... + a2.. .b... + a2.. .b...
Dengan demikian kita bisa mencantumkan huruf i sebagai pengganti angka-angka indeks
yang polanya sama
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .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,
ei1 = ai.. .b..1 + ai.. .b..1 + ai.. .b..1
ei2 = ai.. .b..2 + ai.. .b..2 + ai.. .b..2
ei1 = ai.. .b..1 + ai.. .b..1 + ai.. .b..1
ei2 = ai.. .b..2 + ai.. .b..2 + ai.. .b..2
11
Dengan demikian kita bisa mencantumkan huruf j sebagai pengganti angka-angka indeks
yang polanya sama
eij = ai.. .b..j + ai.. .b..j + ai.. .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
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
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.
eij = aik .bkj + aik .bkj + aik .bkj
Kemudian secara sederhana dapat ditulis sebagai berikut
(1.12)
Selanjutnya dapat ditulis pula formula berikut

eij =
3
X
aik bkj
(1.13)
k=1
dimana i=1,2; j=1,2; dan k=1,2,3.

Berdasarkan contoh ini, maka secara umum bila ada matrik Anm yang dikalikan dengan matrik Bmp , akan didapatkan matrik Enp dimana elemen-elemen matrik E memenuhi
eij =
m
X
k=1
dengan i=1,2,. . . ,n; j=1,2. . . ,p; dan k=1,2. . . ,m.
aik bkj
(1.14)
12
1.4.4 Komputasi perkalian matrik
Komputasi operasi perkalian antara matrik A23 dan B32 dilakukan melalui 2 tahap; pertama
adalah memberikan nilai 0 (nol) pada elemen-elemen matrik E22 dengan cara (dalam matlab)
1
2
3
4
5
for i=1:2
for j=1:2
E(i,j)=0.0;
end
end
dalam Fortran77
1
2
3
4
5
do i=1,2
do j=1,2
E(i,j)=0.0
end do
end do
kedua adalah menghitung perkalian matrik dengan cara (dalam matlab)

1
2
3
4
5
6
7
for i=1:2
for j=1:2
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end
dalam Fortran77
1
2
3
4
5
6
7
do i=1,2
do j=1,2
do k=1,3
E(i,j)=E(i,j)+A(i,k)*B(k,j)
end do
end do
end do
Sebentar.., sebelum dilanjut 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.
13
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
2
3
4
5
6
7
8
9
10
11
12
for i=1:n
for j=1:p
E(i,j)=0.0;
end
end
for i=1:n
for j=1:p
for k=1:m
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end
dalam Fortran77
1
2
3
4
5
6
7
8
9
10
11
12
do i=1,n
do j=1,p
E(i,j)=0.0
end do
end do
do i=1,n
do j=1,p
do k=1,m
E(i,j)=E(i,j)+A(i,k)*B(k,j)
end do
end do
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 antara 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, pada 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
14
y =
"
"
"

# 2
3 8 5
3
6 4 7
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
" #
y1
y2
"
a11 .x1 + a12 .x2 + a13 .x3

a21 .x1 + a22 .x2 + a23 .x3
Bila dijabarkan, maka elemen-elemen vektor-kolom y adalah

y1 = a11 .x1 + a12 .x2 + a13 .x3
y2 = a21 .x1 + a22 .x2 + a23 .x3
kemudian secara sederhana dapat diwakili oleh rumus berikut
yi =
3
X
aij xj
j=1
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
yi =
m
X
aij xj
(1.15)
j=1
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 A berukuran n x m dan vektor-kolom x berukuran m dilakukan melalui 2 tahap; pertama adalah memberikan 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
2
for i=1:n
b(i,1)=0.0;
1.5. PENUTUP
3
4
5
6
7
8
15
end
for i=1:n
for j=1:m
b(i,1)=b(i,1)+A(i,j)*x(j,1);
end
end
dan dalam Fortran

1
2
3
4
5
6
7
8
do i=1,n
b(i,1)=0.0
end do
do i=1,n
do j=1,m
b(i,1)=b(i,1)+A(i,j)*x(j,1)
end do
end do
1.5
Penutup
Demikianlah catatan singkat dan sederhana mengenai jenis-jenis matrik dasar yang seringkali
dijumpai dalam pengolahan data fisika 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
5
9
7
5.6
A=
2
4
8
1
2.3 1.4 0.8 2.3
21
3
10
5
0.1
B=
7
2
9
5
2.7 12 8.9 5.7
0.4178
2.9587
x=
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.
1.6. LATIHAN
============================================================
17
18
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

Pn :
an1 x1 + an2 x2 + ... + ann xn = bn
(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 P1 ,
P2 , P3 , dan P4 seperti berikut ini:
P1
P2
P3
P4
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
4
1
-3
4
Problem dari sistem persamaan linear adalah bagaimana mencari nilai pengganti bagi variabel x1 , x2 , x3 , dan x4 sehingga semua persamaan diatas menjadi benar. Langkah awal penyelesaian problem tersebut adalah dengan melakukan penyederhanaan sistem persamaan linear.
19
BAB 2. METODE ELIMINASI GAUSS
20
2.2
Triangularisasi dan Substitusi Mundur
Ada banyak jalan untuk mendapatkan bentuk yang lebih sederhana, namun masalahnya, kita 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 Pi dapat dikalikan dengan sembarang konstanta , lalu hasilnya ditempatkan
di posisi persamaan Pi . Simbol operasi ini adalah (Pi ) (Pi ).
Persamaan Pj dapat dikalikan dengan sembarang konstanta kemudian dijumlahkan

dengan persamaan Pi , lalu hasilnya ditempatkan di posisi persamaan Pi . Simbol operasi
ini adalah (Pi + Pj ) (Pi ).

Persamaan Pi dan Pj dapat bertukar posisi. Simbol operasi ini adalah (Pi ) (Pj ).
Maka dengan berpegang pada aturan-aturan tersebut, problem sistem persamaan linear di atas
akan diselesaikan dengan langkah-langkah berikut ini:
1. Gunakan persamaan P1 untuk menghilangkan variabel x1 dari persamaan P2 , P3 dan P4
dengan cara (P2 2P1 ) (P2 ), (P3 3P1 ) (P3 ) dan (P4 + P1 ) (P4 ). Hasilnya akan
seperti ini
P1 :
x1 + x2 + 3x4 = 4,
P2 :
x2 x3 5x4 = 7,
P3 :
4x2 x3 7x4 = 15,
P4 :
3x2 + 3x3 + 2x4 = 8
2. Gunakan persamaan P2 untuk menghilangkan variabel x2 dari persamaan P3 dan P4

dengan cara (P3 4P2 ) (P3 ) dan (P4 + 3P2 ) (P4 ). Hasilnya akan seperti ini
P1 :
x1 + x2 + 3x4 = 4,
P2 :
x2 x3 5x4 = 7,
P3 :
3x3 + 13x4 = 13,
P4 :
13x4 = 13
Kalau x3 masih ada di persamaan P4 , dibutuhkan satu operasi lagi untuk menghilangkannya. Namun hasil operasi pada langkah ke-2 ternyata sudah otomatis menghilangkan x3 .
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? Suatu sistem persamaan linear dikatakan sederhana bila kita bisa mendapatkan seluruh nilai pengganti variabelnya dengan cara yang lebih mudah atau dengan usaha yang tidak
2.2. TRIANGULARISASI DAN SUBSTITUSI MUNDUR
21
memakan waktu lama dibandingkan sebelum disederhanakan. Sekali kita mendapatkan

nilai pengganti bagi variabel x4 , maka x3 , x2 dan x1 akan diperoleh dengan mudah dan
cepat, sebagaimana yang dijelaskan pada langkah berikutnya.
3. Selanjutnya kita jalankan proses backward-substitution. Melalui proses ini, yang pertama kali didapat adalah nilai pengganti bagi variabel x4 , kemudian x3 , lalu diikuti x2 , dan
akhirnya x1 .
P4 :
P3 :
P2 :
P1 :
x4 =
13
13
= 1,
1
1
x3 = (13 13x4 ) =
(13 13) = 0,
3
3
x2 = (7 + 5x4 + x3 ) = (7 + 5 + 0) = 2,
x1 = 4 3x4 x2 = 4 3 2 = 1
Jadi solusinya adalah x1 = 1, x2 = 2, x3 = 0 dan x4 = 1. Coba sekarang anda cek,
apakah semua solusi ini cocok dan tepat bila dimasukan ke sistem persamaan 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.
22
Contoh kedua
Misalnya ada sistem persamaan linear, terdiri dari empat buah persamaan yaitu P1 , P2 , P3 ,
dan P4 seperti berikut ini:
P1
P2
P3
P4
:
:
:
:
x1
2x1
x1
x1
x2
2x2
x2
x2
+
+
+
+
2x3
3x3
x3
4x3
x4
3x4
3x4
=
=
=
=
-8
-20
-2
4
Seperti contoh pertama, solusi sistem persamaan linear di atas akan dicari dengan langkahlangkah berikut ini:
1. Gunakan persamaan P1 untuk menghilangkan x1 dari persamaan P2 , P3 dan P4 dengan
cara (P2 2P1 ) (P2 ), (P3 P1 ) (P3 ) dan (P4 P1 ) (P4 ). Hasilnya akan seperti ini
P1 :
x1 x2 + 2x3 x4 = 8,
P2 :
x3 x4 = 4,
P3 :
2x2 x3 + x4 = 6,
P4 :
2x3 + 4x4 = 12
Perhatikan persamaan P2 ! Akibat dari langkah yang pertama tadi, x2 hilang dari persamaan P2 . Kondisi ini bisa menggagalkan proses triangularisasi. Untuk itu, posisi P2
mesti ditukar dengan persamaan yang berada dibawahnya, yaitu P3 atau P4 . Supaya
proses triangularisasi dilanjutkan kembali, maka yang paling cocok adalah ditukar dengan P3 .
2. Tukar posisi persamaan P2 dengan persamaan P3 , (P2 P3 ). Hasilnya akan seperti ini
P1 :
x1 x2 + 2x3 x4 = 8,
P2 :
2x2 x3 + x4 = 6,
P3 :
x3 x4 = 4,
P4 :
2x3 + 4x4 = 12
3. Gunakan persamaan P3 untuk menghilangkan x3 dari persamaan P4 dengan cara (P4

2P3 ) (P4 ). Hasilnya akan seperti ini
P1 :
P2 :
P3 :
x1 x2 + 2x3 x4 = 8,
2x2 x3 + x4 = 6,
x3 x4 = 4,
P4 :
Sampai disini proses triangularisasi telah selesai.
2x4 = 4
2.3. MATRIK DAN ELIMINASI GAUSS
23
4. Selanjutnya adalah proses backward-substitution. Melalui proses ini, yang pertama kali
didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 , dan akhirnya x1 .
P4 :
P3 :
P2 :
P1 :
4
2
4 + x4
x3 =
1
6 + x3 x4
x2 =
2
x1 = 8 + x2 2x3 + x4
x4 =
= 2,
= 2,
= 3,
= 7
Jadi solusinya adalah x1 = 7, x2 = 3, x3 = 2 dan x4 = 2.
Berdasarkan kedua contoh di atas, untuk mendapatkan solusi sistem persamaan linear, diperlukan operasi triangularisasi dan proses backward-substitution. Kata backward-substitution
kalau diterjemahkan kedalam bahasa indonesia, menjadi substitusi-mundur. Gabungan proses triangularisasi dan substitusi-mundur untuk menyelesaikan sistem persamaan linear dikenal 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:
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
............... = ...
............... = ...
an1 x1 + an2 x2 + . . . + ann xn = bn
Sementara, kalau dinyatakan dalam bentuk operasi matrik, maka akan seperti ini:
a11
a12
. . . a1n
a21 a22 . . . a2n

.
..
..
.
.
.
.
an1 an2 . . . ann
x1
x2
..
.
xn
b1
b2
..
.
bn
(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-
24
ran n x (n + 1) seperti berikut ini:
a11
a12
. . . a1n
| b1
a21 a22 . . . a2n | b2

.
..
..
.
.
.
.
| ..
.
an1 an2 . . . ann | bn
a11
a12
. . . a1n
| a1,n+1

a21 a22 . . . a2n | a2,n+1
= .
..
..
..
.
.
.
|
.
.
an1 an2 . . . ann | an,n+1
(2.3)
Berdasarkan contoh pertama yang ada dihalaman depan catatan ini, saya akan tunjukkan proses triangularisasi dan substitusi-mundur dalam operasi matrik terhadap sistem persamaan linear yang terdiri dari empat persamaan matematika, yaitu (silakan lihat kembali contoh pertama):
2
1 1 1
3 1 1 2
1 2
3 1
x1
x2 1
=
x 3
3
x4
4
Lalu kita dapat membuat matrik augment sebagai berikut:
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
0 1 1 5 | 7
0 4 1 7 | 15
0 3
3
2 |
8
lalu dilanjutkan ke kolom berikutnya
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 indeks dari masing-masing elemen matrik augment tersebut. Silakan perhatikan posisi masing-
2.4. ALGORITMA ELIMINASI GAUSS
25
masing elemen berikut ini:
a11 a12 a13 a14 | a15
a21 a22 a23 a24 | a25

a
31 a32 a33 a34 | a35
a41 a42 a43 a44 | a45
0 1 1 5 | 7
0 0
3
13 | 13
0 0
0 13 | 13
Dengan memperhatikan angka-angka indeks pada matrik augment di atas, kita akan mencoba membuat rumusan proses substitusi-mundur untuk mendapatkan seluruh nilai pengganti
variabel x. Dimulai dari x4 ,
x4 =
13
a45
=
=1
a44
13
ini dapat dinyatakan dalam rumus umum, yaitu

xn =
an,n+1
ann
lalu dilanjutkan dengan x3 , x2 , dan x1 .

a35 a34 x4
a33
a25 (a23 x3 + a24 x4 )
x2 =
a22
a15 (a12 x2 + a13 x3 + a14 x4 )
x1 =
a11
x3 =
=
=
=
13 [(13)(1)]
=0
3
(7) [(1)(0) + (5)(1)]
=2
(1)
4 [(1)(2) + (0)(0) + (3)(1)]
= 1
1
ini juga dapat dinyatakan dalam rumus umum yaitu:

xi =
ai,n+1
Pn
j=i+1 aij xj
aii
Proses triangularisasi dan substitusi-mundur dibakukan menjadi algoritma metode eliminasi

gauss yang dapat diterapkan dalam berbagai bahasa pemrograman komputer, misalnya fortran, C, java, pascal, matlab, dan lain-lain.
2.4
Algoritma eliminasi Gauss
Secara umum, sistem persamaan linear adalah sebagai berikut:

a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
..
..
.
.
.
= ..
an1 x1 + an2 x2 + . . . + ann xn = bn
Algoritma dasar metode eliminasi gauss, adalah sebagai berikut:
1. Ubahlah sistem persamaan linear tersebut menjadi matrik augment, yaitu suatu matrik
26
yang berukuran n x (n + 1) seperti berikut ini:
a11
a12
. . . a1n
| b1
a21 a22 . . . a2n | b2

.
..
..
.
.
.
.
| ..
.
a11
a12
. . . a1n | a1,n+1

a21 a22 . . . a2n | a2,n+1
= .
..
..
..
.
.
.
|
.
.
an1 an2 . . . ann | an,n+1
(2.4)
Jelas terlihat bahwa elemen-elemen yang menempati kolom terakhir matrik augment
adalah nilai dari bi ; yaitu ai,n+1 = bi 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 a11 , a22 , ..., ann
atau disingkat aii . Jika aii 6= 0, bisa dilanjutkan ke langkah no.3. Namun, jika ada elemen
diagonal yang bernilai nol, aii = 0, maka baris dimana elemen itu berada harus ditukar
posisinya dengan baris yang ada dibawahnya, (Pi ) (Pj ) dimana j = i + 1, i + 2, ..., n,
sampai elemen diagonal matrik menjadi tidak nol, aii 6= 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:
Pj
aji
Pi Pj
aii
(2.5)
dimana j = i + 1, i + 2, ..., n. Maka matrik augment akan menjadi:
a11 a12 a13 . . . a1n
.
..
a22 a23 . . . a2n

0
..
.
a33 . . . a3n
..
..
..
.
.
.
4. Hitunglah nilai xn dengan cara:

xn =
ann
| a1,n+1
| a2,n+1
| a3,n+1
..
|
.
| an,n+1
an,n+1
ann
(2.6)
(2.7)
5. Lakukanlah proses substitusi-mundur untuk memperoleh xn1 , xn2 , ..., x2 , x1 dengan

cara:
xi =
ai,n+1
Pn
j=i+1 aij xj
aii
(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.
27
2.4.1 Algoritma
Algoritma metode eliminasi gauss untuk menyelesaikan n x n sistem persamaan linear.
P1 :
a11 x1 + a12 x2 + . . . + a1n xn = b1
P2 :
..
.
a21 x1 + a22 x2 + . . . + a2n xn = b2

..
..
.
.
.
= ..
Pn :
an1 x1 + an2 x2 + . . . + ann xn = bn
INPUT: sejumlah persamaan linear dimana konstanta-konstanta-nya menjadi elemen-elemen

matrik augment A = (aij ), dengan 1 i n dan 1 j n + 1.
OUTPUT: solusi x1 , x2 , x3 , ..., xn atau pesan kesalahan yang mengatakan bahwa sistem per-
samaan linear tidak memiliki solusi yang unik.

Langkah 1: Inputkan konstanta-konstanta dari sistem persamaan linear kedalam elemenelemen matrik augment, yaitu suatu matrik yang berukuran n x (n + 1) seperti berikut
ini:
a11
a12
. . . a1n
| b1
a21 a22 . . . a2n | b2

.
..
..
.
.
.
.
| ..
.
a11
a12
. . . a1n | a1,n+1

a21 a22 . . . a2n | a2,n+1
= .
..
..
..
.
.
.
|
.
.
an1 an2 . . . ann | an,n+1
(2.9)
Langkah 2: Untuk i = 1, ..., n 1, lakukan Langkah 3 sampai Langkah 5.

Langkah 3: Definisikan p sebagai integer dimana i p n. Lalu pastikan bahwa
api 6= 0. Jika ada elemen diagonal yang bernilai nol (aii = 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 (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
api = 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 (api 6= 0), maka bisa dipastikan p 6= i. Jika p 6= i maka
lakukan proses pertukaran (Pp ) (Pi ).
Langkah 5: Untuk j = i + 1, .., n, lakukan Langkah 6 dan Langkah 7.

Langkah 6: Tentukan mji ,
mji =
aji
aii
28
Langkah 7: Lakukan proses triangularisasi,

(Pj mji Pi ) (Pj )
Langkah 8: Setelah proses triangularisasi dilalui, periksalah ann . Jika ann = 0, kirimkan
pesan: sistem persamaan linear tidak memiliki solusi yang unik. Lalu program berakhir:
STOP.
Langkah 9: Jika ann 6= 0, lakukan proses substitusi mundur, dimulai dengan menentukan
xn ,
xn =
an,n+1
ann
Langkah 10: Untuk i = n 1, ..., 1 tentukan xi ,

xi =
ai,n+1
Pn
j=i+1 aij xj
aii
Langkah 11: Diperoleh solusi yaitu x1 , x2 , ..., xn . Algoritma telah dijalankan dengan sukses. STOP.
Saya telah membuat program sederhana dalam fortran untuk mewujudkan algoritma eliminasi 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 inginkan pada statemen pertama dari program ini, yaitu statemen DIMENSION. Inilah programnya,
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
60
50
17
18
DIMENSION A(10,11), X(10)

REAL MJI
WRITE (*,*) =PROGRAM ELIMINASI GAUSS=
WRITE (*,*)
LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK AUGMENT
WRITE (*,(1X,A)) JUMLAH PERSAMAAN ?
READ (*,*) N
WRITE (*,*)
WRITE (*,*) MASUKAN ELEMEN-ELEMEN MATRIK AUGMENT
M = N + 1
DO 50 I = 1,N
DO 60 J = 1,M
WRITE (*,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
READ (*,*) A(I,J)
CONTINUE
CONTINUE
WRITE (*,*)
MENAMPILKAN MATRIK AUGMENT

19
20
21
22
110
23
24
25
26
27
28
29
100
30
31
32
33
200
C
34
35
36
37
38
39
40
41
42
43
20
44
45
46
47
48
49
50
51
52
53
40
54
55
56
57
30
10
C
58
59
60
61
62
120
C
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
WRITE (*,(1X,A)) MATRIK AUGMENT:

DO 110 I = 1,N
WRITE (*,(1X,5(F14.8))) (A(I,J),J=1,M)
CONTINUE
WRITE (*,*)
LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT DAN PROSES TUKAR POSISI
NN = N-1
DO 10 I=1,NN
LANGKAH 3: MENDEFINISIKAN P
P = I
IF (ABS(A(P,I)).GE.1.0E-20 .OR. P.GT.N) GOTO 200
P = P+1
GOTO 100
IF(P.EQ.N+1)THEN
MENAMPILKAN PESAN TIDAK UNIK
WRITE(*,5)
GOTO 400
END IF
LANGKAH 4: PROSES TUKAR POSISI
IF(P.NE.I) THEN
DO 20 JJ=1,M
C = A(I,JJ)
A(I,JJ) = A(P,JJ)
A(P,JJ) = C
CONTINUE
END IF
LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI
JJ = I+1
DO 30 J=JJ,N
LANGKAH 6: TENTUKAN MJI
MJI = A(J,I)/A(I,I)
LANGKAH 7: MELAKUKAN PROSES TRIANGULARISASI
DO 40 K=JJ,M
A(J,K) = A(J,K)-MJI*A(I,K)
CONTINUE
A(J,I) = 0
CONTINUE
CONTINUE
MENAMPILKAN HASIL TRIANGULARISASI
WRITE (*,(1X,A)) HASIL TRIANGULARISASI:
DO 120 I = 1,N
WRITE (*,(1X,5(F14.8))) (A(I,J),J=1,M)
CONTINUE
LANGKAH 8: MEMERIKSA ELEMEN A(N,N)
IF(ABS(A(N,N)).LT.1.0E-20) THEN
MENAMPILKAN PESAN TIDAK UNIK
WRITE(*,5)
GOTO 400
END IF
LANGKAH 9: MENGHITUNG X(N)
X(N) = A(N,N+1)/A(N,N)
LANGKAH 10: PROSES SUBSTITUSI MUNDUR
L = N-1
DO 15 K=1,L
I = L-K+1
JJ = I+1
SUM = 0.0
DO 16 KK=JJ,N
SUM = SUM+A(I,KK)*X(KK)
29
30
78
16
79
80
81
15
C
82
83
84
85
86
87
18
400
CONTINUE
X(I) = (A(I,N+1)-SUM)/A(I,I)
CONTINUE
LANGKAH 11: MENAMPILKAN HASIL PERHITUNGAN
WRITE (*,*)
WRITE (*,7)
DO 18 I = 1,N
WRITE (*,(1X,A,I2,A,F14.8)) X(,I,) = ,X(I)
CONTINUE
STOP
88
89
90
91
5
7
FORMAT(1X,SISTEM LINEAR TIDAK MEMILIKI SOLUSI YANG UNIK)

FORMAT(1X,SOLUSI UNIK)
END
Script eliminasi gauss dalam matlab juga telah dibuat. Namun dalam anda perlu memodifikasi
elemen-elemen matrik A agar sesuai dengan data yang hendak anda olah.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
clear all
clc
A(1,1)=1;
A(1,2)=1;
A(1,3)=-1;
A(1,4)=0;
A(2,1)=6;
A(2,2)=-4;
A(2,3)=0;
A(2,4)=24;
A(3,1)=6;
A(3,2)=0;
A(3,3)=2;
A(3,4)=10;
A
n=3 %jumlah persamaan
pause
18
19
20
%========== Proses Triangularisasi =========

for j=1:(n-1)
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
%----mulai proses pivot--if (A(j,j)==0)

for p=1:n+1
u=A(j,p);
v=A(j+1,p);
A(j+1,p)=u;
A(j,p)=v;
end
end
%----akhir proses pivot--jj=j+1;
for i=jj:n
m=A(i,j)/A(j,j);
for k=1:(n+1)
A(i,k)=A(i,k)-(m*A(j,k));
end
end
end
A
2.5. CONTOH APLIKASI

41
42
31
pause
%========= Akhir Proses Triangularisasi ===
43
44
45
%------Proses Substitusi mundur------------x(n,1)=A(n,n+1)/A(n,n);
46
47
48
49
50
51
52
53
54
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*x(j,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
x
2.5
Contoh aplikasi
2.5.1 Menghitung arus listrik

Gunakan metode Eliminasi Gauss untuk menentukan arus i1 , i2 dan i3 yang mengalir pada
rangkaian berikut ini
jawab:
Berdasarkan Hukum Kirchhoff:
I1 + I2 = I3
10 6I1 2I3 = 0
14 + 6I1 10 4I2 = 0
Lalu kita susun ulang ketiga persamaan di atas menjadi seperti ini:
I1 + I2 I3 = 0
6I1 + 2I3 = 10
6I1 4I2 = 24
32
Kemudian dinyatakan dalam bentuk matriks:
I1
0 I2 = 24
2
I3
10
6 4
6 0
Selanjutkan kita susun matriks augmentasi sebagai berikut:
6 4
6 0
1
0
24
10
Langkah berikutnya adalah menghitung matriks triangularisasi dengan langkah-langkah sebagai berikut:
6
a21
=
= 6
a11
1
= 6 (6).(1) = 0
m=
a21 = a21 m.a11
a22 = a22 m.a12 = 4 (6).(1) = 10

a23 = a23 m.a13 = 0 (6).(1) = 6
a24 = a24 m.a14 = 24 (6).(0) = 24
a31
6
=
= 6
a11
1
= 6 (6).(1) = 0
m=
a31 = a31 m.a11
a32 = a32 m.a12 = 0 (6).(1) = 6

a33 = a33 m.a13 = 2 (6).(1) = 8
a34 = a34 m.a14 = 10 (6).(0) = 10
Sampai disini matriks augment mengalami perubahan menjadi
0 10
0 6
1
6
24
10
2.6. MENGHITUNG INVERS MATRIK
33
Kelanjutan langkah menuju triangularisasi adalah

m=
a32
a22
6
).(0)
10
6
).(10)
a32 = a32 m.a22 = 6 (
10
6
a33 = a33 m.a23 = 8 (
).(6)
10
6
a34 = a34 m.a24 = 10 (
).(24)
10
a31 = a31 m.a21 = 0 (
6
10
= 0
= 0
= 4, 4
= 4, 4
maka matriks triangularisasi berhasil didapat yaitu
24
0 10 6
0
0
4, 4 4, 4
Sekarang tinggal melakukan proses substitusi mundur
a34
a33
a24 a23 .I3
I2 =
a22
a14 (a13 .I3 + a12 .I2 )
I1 =
a11
I3 =
=
=
=
4, 4
= 1
4, 4
24 (6).(1)
= 3
10
(0 [(1).(1) + (1).(3)]
=2
1
Dengan demikian, besar masing-masing arus pada rangkaian di atas adalah I1 = 2A, I2 = 3A
dan I3 = 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 persamaan linear dapat dinyatakan sebagai berikut:
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
............... = ...
............... = ...
an1 x1 + an2 x2 + . . . + ann xn = bn
Sistem persamaan linear tersebut dapat dinyatakan dalam bentuk operasi matrik,
Ax = b
(2.10)
34
sehingga bentuknya menjadi seperti ini:
a11
a12
. . . a1n
a21 a22 . . . a2n

.
..
..
.
.
.
.
an1 an2 . . . ann
x1
x2
..
.
xn
b1
b2
..
.
bn
dimana
a11
a12
. . . a1n
a21 a22 . . . a2n

A=
..
..
..
.
.
.
an1 an2 . . . ann
x1
x2
..
.
x=
xn
b=
b1
b2
..
.
bn
Dalam kaitannya dengan invers matrik, matrik A disebut matrik non-singular jika matrik
A memiliki matrik invers dirinya yaitu A1 . Atau dengan kata lain, matrik A1 adalah invers
dari matrik A. Jika matrik A tidak memiliki invers, maka matrik A disebut singular. Bila
matrik A dikalikan dengan matrik A1 maka akan menghasilkan matrik identitas I, yaitu suatu
matrik yang elemen-elemen diagonalnya bernilai 1.
AA1 = I =
1 0 ... 0
0 1 ... 0
.. .. . . ..
. .
. .
0 0 ... 1
(2.11)
Misalnya diketahui,
A=
1 2 1
0 ,
2
2 1
1 1
A1 =
29
4
9
13
5
9
91
1
3
19
2
9
1
3
Bila keduanya dikalikan, maka akan menghasilkan matrik identitas,
AA1 =
1 2 1
29
0 49
2
13
2 1
1 1
5
9
91
1
3
19
2
9
1
3
1 0 0
= 0 1 0
0 0 1
Lalu bagaimana cara mendapatkan matrik invers, A1 ? Persamaan (2.11) bisa dijadikan
pedoman..
AA1 = I
1 2 1
2 1
1 1
i11 i12 i13
1 0 0
0 i21 i22 i23 = 0 1 0

2
i31 i32 i33
0 0 1
35
dalam hal ini matrik A1 adalah
i11 i12 i13
A1 = i21 i22 i23

i31 i32 i33
Elemen-elemen matrik invers, A1 dapat diperoleh dengan menerapkan metode eliminasi
gauss. Diawali dengan membentuk matrik augment:
1 2 1 | 1 0 0
2 1
0 | 0 1 0
2 | 0 0 1
1 1
Lalu dilanjutkan dengan proses triangularisasi: (P2 2P1 )(P2 ) dan (P3 +P1 )(P3 ), kemudian
diikuti oleh (P3 + P2 )(P3 ):
2 1 |
0 3
0
3
1 0 0
2 | 2 1 0
1 |
1 0 1
2 1 |
0 3
0
0
1 0 0
2 | 2 1 0
3 | 1 1 1
Langkah berikutnya, matrik augment yang telah mengalami triangularisasi tersebut dipecah
menjadi tiga buah matrik augment seperti berikut ini:
2 1 |
0 3
0
0
2 | 2
3 | 1
2 1 | 0
0 3
0
0
2 | 1
3 | 1
2 1 | 0
0 3
0
0
2 | 0
3 | 1
Langkah pamungkasnya adalah melakukan proses substitusi mundur pada ketiga matrik augment di atas, sehingga diperoleh:
i11 = 92
i21 =
4
9
i31 = 13
i12 =
5
9
i13 = 19
i22 = 91
i32 =
i23 =
1
3
i33 =
2
9
1
3
Hasil tersebut digabung menjadi sebuah matrik, yaitu matrik A1 ,
A1 =
29
4
9
13
5
9
91
1
3
19
2
9
1
3
Keberadaan matrik A1 bisa digunakan untuk menyelesaikan sistem persamaan linear
36
(mencari nilai x ), dengan cara sebagai berikut
Ax = b
A1 Ax = A1 b
Ix = A1 b
x = A1 b
(2.12)
Contoh berikut ini akan menjelaskan prosesnya secara lebih rinci. Misalnya diketahui sistem
persamaan linear
x1 + 2x2 x3 = 2
2x1 + x2 = 3
x1 + x2 + 2x3 = 4
Bila dikonversikan kedalam operasi matrik menjadi
1 2 1
2 1
1 1
x1

0 x2 = 3
2
x3
4
Berdasarkan persamaan (2.12), maka elemen-elemen vektor x dapat dicari dengan cara
x = A1 b
x=
92
4
9
13
5
9
19
1
3
91
2
9
1
3

3 =
4
7
9
13
9
5
3
Akhirnya diperoleh solusi x1 = 7/9, x2 = 13/9, dan x3 = 5/3. Penyelesaian sistem persamaan
linear menjadi lebih mudah bila matrik A1 sudah diketahui. Sayangnya, untuk mendapatkan matrik A1 , diperlukan langkah-langkah, seperti yang sudah dibahas pada contoh pertama di atas, yang berakibat in-efisiensi proses penyelesaian (secara komputasi) bila dibandingkan dengan metode eliminasi gauss untuk memecahkan sistem persamaan linear. Namun
bagaimanapun, secara konseptual kita dianjurkan mengetahui cara bagaimana mendapatkan
matrik A1 .
Saya telah memodifikasi program eliminasi gauss yang terdahulu, untuk keperluan perhitungan matrik invers. Program ini ditulis dengan bahasa fortran, sudah berhasil dikompilasi
dalam Linux Debian (g77) dan Windows XP (Visual Fortran). Inilah programnya,
1
2
3
4
5
DIMENSION A(10,20), D(10,10), X(10)

REAL MJI
INTEGER TKR, BK, TK, Q
WRITE (*,*) =PROGRAM INVERS MATRIK DENGAN ELIMINASI GAUSS=
WRITE (*,*)

6
7
8
9
10
11
12
13
14
15
16
17
18
60
50
C
19
20
21
22
23
24
25
26
27
80
70
28
29
30
31
32
33
110
34
35
36
37
38
39
40
41
42
43
44
45
46
100
47
48
49
50
200
C
51
52
53
54
55
56
57
58
59
60
61
20
62
63
64
LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A

READ (*,*) N
WRITE (*,*)
WRITE (*,*) MASUKAN ELEMEN-ELEMEN MATRIK A
M = N + 1
DO 50 I = 1,N
DO 60 J = 1,N
WRITE (*,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
READ (*,*) A(I,J)
CONTINUE
CONTINUE
LANGKAH 2: MENDEFINISIKAN MATRIK IDENTITAS
WRITE (*,*) MENDEFINISIKAN MATRIK IDENTITAS
DO 70 I = 1,N
DO 80 J = M,N+N
A(I,J) = 0
IF (I+N .EQ. J) THEN
A(I,J) = 1
END IF
CONTINUE
CONTINUE
WRITE (*,*)
MENAMPILKAN MATRIK AUGMENT
WRITE (*,(1X,A)) MATRIK AUGMENT:
DO 110 I = 1,N
WRITE (*,(1X,5(F14.8))) (A(I,J),J=1,N+N)
CONTINUE
WRITE (*,*)
MENGHITUNG JUMLAH TUKAR (TKR) POSISI. MULA2 TKR = 0
TKR = 0
MENGHITUNG JUMLAH OPERASI BAGI/KALI (BK).
BK = 0
MENGHITUNG JUMLAH OPERASI TAMBAH/KURANG (TK).
TK = 0
LANGKAH 3: MEMERIKSA ELEMEN2 PIVOT DAN PROSES TUKAR POSISI
NN = N-1
DO 10 I=1,NN
P = I
P = P+1
GOTO 100
IF(P.EQ.N+1)THEN
MENAMPILKAN PESAN SINGULAR
WRITE(*,5)
GOTO 400
END IF
IF(P.NE.I) THEN
DO 20 JJ=1,N+N
C = A(I,JJ)
A(I,JJ) = A(P,JJ)
A(P,JJ) = C
TKR = TKR + 1
CONTINUE
END IF
JJ = I+1
37
38
65
66
67
68
69
70
71
72
73
74
40
75
76
77
78
30
10
C
79
80
81
82
83
120
C
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
16
105
106
107
108
109
110
15
500
C
111
112
113
114
115
220
116
117
118
119
120
121
122
123
400
5
8
9
11

DO 30 J=JJ,N
MJI = A(J,I)/A(I,I)
BK = BK + 1
LANGKAH 8: MELAKUKAN PROSES TRIANGULARISASI
DO 40 K=JJ,N+N
BK = BK + 1
TK = TK + 1
CONTINUE
A(J,I) = 0
CONTINUE
CONTINUE
MENAMPILKAN HASIL TRIANGULARISASI
WRITE (*,(1X,A)) HASIL TRIANGULARISASI:
DO 120 I = 1,N
WRITE (*,(1X,5(F14.8))) (A(I,J),J=1,N+N)
CONTINUE
LANGKAH 9: MEMERIKSA ELEMEN A(N,N)
IF(ABS(A(N,N)).LT.1.0E-20) THEN
MENAMPILKAN PESAN SINGULAR
WRITE(*,5)
GOTO 400
END IF
DO 500 J = 1,N
Q=N+J
LANGKAH 10: MENGHITUNG A(N,N)
D(J,N) = A(N,Q)/A(N,N)
BK = BK + 1
LANGKAH 11: PROSES SUBSTITUSI MUNDUR
L = N-1
DO 15 K=1,L
I = L-K+1
JJ = I+1
SUM = 0.0
DO 16 KK=JJ,N
SUM = SUM+A(I,KK)*D(J,KK)
BK = BK + 1
TK = TK + 1
CONTINUE
D(J,I) = (A(I,Q)-SUM)/A(I,I)
BK = BK + 1
TK = TK + 1
CONTINUE
CONTINUE
LANGKAH 12: MENAMPILKAN HASIL PERHITUNGAN
WRITE (*,*)
WRITE (*,(1X,A)) MATRIK INVERS:
DO 220 I = 1,N
WRITE (*,(1X,5(F14.8))) (D(J,I),J=1,N)
CONTINUE
WRITE(*,8) TKR
WRITE(*,9) BK
WRITE(*,11) TK
STOP
FORMAT(1X,MATRIK A BERSIFAT SINGULAR)
FORMAT(1X,JUMLAH TUKAR POSISI = ,3X,I5)
FORMAT(1X,JUMLAH OPERASI BAGI/KALI = ,3X,I6)
FORMAT(1X,JUMLAH OPERASI JUMLAH/KURANG = ,3X,I6)
2.7. PENUTUP
39
END
124
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 dasardasar teknik inversi yaitu meliputi model garis, model parabola dan model bidang. Uraian aplikasi 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 (Ti ) pada kedalaman yang berbeda beda (zi ). 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
z1 = 5
T1 = 35
2
z2 = 16
T2 = 57
3
z3 = 25
T3 = 75
4
z4 = 100
T4 = 225
kedalaman ditentukan oleh rumus berikut ini:
m1 + m2 zi = Ti
41
(3.1)
BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
42
dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut model. Sedangkan m1 dan m2 disebut model parameter. Jadi pada model di atas terdapat dua
buah model parameter, (M = 2). Adapun yang berlaku sebagai data adalah nilai-nilai temperatur T1 , T2 ,..., dan T4 . Berdasarkan model tersebut, kita bisa menyatakan temperatur dan
kedalaman masing-masing sebagai berikut:
m1 + m2 z1 = T1
m1 + m2 z2 = T2
m1 + m2 z3 = T3
m1 + m2 z4 = T4
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
1 z1
1 z2
1 z
3
1 z4
T1
#
"
m1
T2
=
m
T
2
3
T4
(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 mendapatkan nilai m1 dan m2 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt 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 Gt
1 z1
1 z2
G=
1
z
3
1 z4
Gt =
"
z1 z2 z3 z4
2. Tentukan Gt G
Gt G =
"
z1 z2 z3
1 z1
#
1 z2
z4
1 z3
1 z4
1
P #
"
N
zi
= P
P 2
zi
zi
3.1. INVERSI MODEL GARIS
43
dimana N = 4 dan i = 1, 2, 3, 4.
3. Kemudian tentukan pula Gt d
Gt d =
"
T1
#
#
" P
T2
T
i
= P
z4
T
z i Ti
3
T4
z1 z2 z3
4. Sekarang persamaan (3.4) dapat dinyatakan sebagai

"
# " P
#
P #"
m1
Ti
N
zi
= P
P
P 2
m2
z i Ti
zi
zi
(3.5)
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
#
P
P
N
zi |
Ti
P
P
P 2
z i Ti
zi
zi |
"
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
"
146
392
146 10906 | 25462
7. Lakukan proses triangularisasi dengan operasi (P2 (36, 5)P1 ) P2 . 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
"
146
392
0 5577 | 11154
"
a11 a12 | a13
a21 a22 | a23
8. Terakhir, tentukan konstanta m1 dan m2 yang merupakan elemen-elemen vektor kolom

m, dengan proses substitusi mundur. Pertama tentukan m2
m2 =
lalu tentukan m1
m1 =
11154
a23
=
=2
a22
5577
392 (146)(2)
a13 a12 m2
=
= 25
a11
4
44
3.1.1 Script matlab inversi model garis

Script inversi model garis ini dibangun dari beberapa script yang sudah kita pelajari sebelumnya, yaitu script transpose matriks, perkalian matrik dan script eliminasi gauss. Silakan pelajari maksud tiap-tiap baris pada script ini.
1
2
clc
clear all
3
4
5
6
7
8
disp(Data observasi)
z1=5;
z2=16;
z3=25;
z4=100;
9
10
11
12
13
T(1,1)=35;
T(2,1)=57;
T(3,1)=75;
T(4,1)=225;
14
15
16
17
18
19
20
21
22
23
24
25
26
disp(Elemen-elemen matriks kernel G)

G(1,1)=1;
G(1,2)=z1;
G(2,1)=1;
G(2,2)=z2;
G(3,1)=1;
G(3,2)=z3;
G(4,1)=1;
G(4,2)=z4;
G
d=T;
d
27
28
29
N=4; %jumlah data

M=2; %model parameter
30
31
32
33
34
35
36
37
disp(Mencari G transpos)
for i=1:N
for j=1:M
GT(j,i)=G(i,j);
end
end
GT
38
39
40
41
42
43
44
45
46
47
48
49
50
51
disp(Perkalian GT dan G)
for i=1:M
for j=1:M
GTG(i,j)=0;
end
end
for i=1:M
for j=1:M
for k=1:N
GTG(i,j)=GTG(i,j)+GT(i,k)*G(k,j);
end
end
end
3.1. INVERSI MODEL GARIS

52
GTG
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
disp(Perkalian GT dan d)
for i=1:M
for j=1:1
GTd(i,j)=0;
end
end
for i=1:M
for j=1:1
for k=1:N
GTd(i,j)=GTd(i,j)+GT(i,k)*d(k,j);
end
end
end
GTd
68
69
70
71
72
73
74
75
A=GTG;
%====== Menggabungkan Vektor GTd kedalam matrik A ========
n=M;
for i=1:n
A(i,n+1)=GTd(i,1);
end
A
76
77
78
79
%&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&

%---------Proses Triangularisasi----------for j=1:(n-1)
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99

for p=1:n+1
u=A(j,p);
v=A(j+1,p);
A(j+1,p)=u;
A(j,p)=v;
end
end
for i=jj:n
m=A(i,j)/A(j,j);
for k=1:(n+1)
end
end
end
%-------------------------------------------
100
101
102
103
104
105
106
107
108
109
110
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*x(j,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
45
46
111
112
113
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
disp(Model parameter yang dicari)
m=x
Sebetulnya, matlab telah menyediakan fungsi-fungsi intrinsik yang bisa digunakan sehingga 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 matlab bisa melakukannya dengan mudah? Karena kita sedang mempelajari teknik-teknik komputasi untuk menyelesaikan problem sains dan teknik. Kita tidak sedang belajar matlab. Jadi 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 bentuk 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 bahwa semakin dalam, temperatur semakin tinggi. Misalnya telah dilakukan sebanyak delapan
kali (N = 8) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel pengukuran secara sederhana disajikan seperti ini:
Tabel 3.2: Data temperatur bawah permukaan tanah terhadap kedalaman
Pengukuran ke-i Kedalaman (m) Temperatur (O C)
1
z1 = 5
T1 = 21, 75
2
z2 = 8
T2 = 22, 68
3
z3 = 14
T3 = 25, 62
4
z4 = 21
T4 = 30, 87
5
z5 = 30
T5 = 40, 5
6
z6 = 36
T6 = 48, 72
7
z7 = 45
T7 = 63, 75
8
z8 = 60
T8 = 96
Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus
berikut ini:
m1 + m2 zi + m3 zi2 = Ti
(3.6)
dimana m1 , m2 dan m3 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut
model. Sedangkan m1 , m2 dan m3 disebut model parameter. Jadi pada model di atas terdapat
3.2. INVERSI MODEL PARABOLA
47
tiga buah model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai
temperatur T1 , T2 ,..., dan T8 . Berdasarkan model tersebut, kita bisa menyatakan temperatur
dan kedalaman masing-masing sebagai berikut:
m1 + m2 z1 + m3 z12 = T1
m1 + m2 z2 + m3 z22 = T2
m1 + m2 z3 + m3 z32 = T3
m1 + m2 z4 + m3 z42 = T4
m1 + m2 z5 + m3 z52 = T5
m1 + m2 z6 + m3 z62 = T6
m1 + m2 z7 + m3 z72 = T7
m1 + m2 z8 + m3 z82 = T8
1 z1 z12
T1
T2
1 z2 z22

1 z3 z32
T3
m
1
1 z4 z42
T4

m2 =
1 z5 z52
T
m
3
T6
1 z6 z62
T
1 z7 z72
7
2
1 z8 z8
T8
(3.7)

Gm = d
(3.8)
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara mendapatkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d
(3.9)
48
G=
1 z1 z12
1 z2 z22
1 z3 z32
2
1 z4 z4
1 z5 z52
1 z6 z62
1 z7 z72
1 z8 z82
Gt = z1
z2
z3
z4
z5
z6
z7
z8
z82
z12 z22 z32 z42 z52 z62 z72
2. Tentukan Gt G
1 1 1 1 1 1 1
G G = z1 z2 z3 z4 z5 z6 z7
z12 z22 z32 z42 z52 z62 z72
t
z8
z82
1 z1 z12
1 z2 z22
1 z3 z32
P
P 2

N
zi
z
2
1 z4 z4
P
P 2 P i3
=
zi
z
z
1 z5 z52
P 2 P i3 P i4
zi
zi
zi
1 z6 z62
1 z7 z72
1 z8 z82
dimana N = 8 dan i = 1, 2, 3, ..., 8.

1 1 1 1 1 1 1
G d = z1 z2 z3 z4 z5 z6 z7
z12 z22 z32 z42 z52 z62 z72
t
z8
z82
T1
T2
T3
P
Ti
T4
P
=
z i Ti
T5
P 2
z i Ti
T6
T7
T8
4. Sekarang persamaan (3.14) dapat dinyatakan sebagai (ini khan least square juga...!?)
P
P
P 2
N
zi
zi
m1
Ti
P 2 P 3
P
P
zi
zi
zi m2 =
z i Ti
P 2 P 3 P 4
P 2
zi
zi
zi
m3
z i Ti
(3.10)
49
matrik augment-nya
P
P
P 2
Ti
N
zi
zi |
P 2 P 3
P
P
zi
zi
z i Ti
zi |
P 2 P 3 P 4
P 2
zi
zi
zi |
z i Ti
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
219
8547
349, 89
8547
393423 | 12894, 81
219
8547 393423 19787859 | 594915, 33
7. Lakukan proses triangularisasi dengan operasi (P2 (219/8)P1 ) P2 . Hasilnya adalah
219
0
8547
8547
349, 89
2551, 88 159448, 88 |
393423
3316, 57
| 594915, 33
19787859
8. Masih dalam proses triangularisai, operasi berikutnya (P3 (8547/8)P1 ) P3 . Hasilnya

adalah
219
8547
349, 89
159448, 88 | 3316, 57
0 2551, 88
0 159448.88 10656457, 88 | 221101, 6
9. Masih dalam proses triangularisai, operasi berikutnya (P3 (159448, 88/2551, 88)P2 )
P3 . Hasilnya adalah
219
8547
349, 89
(3.11)
0 2551, 88 159448, 88 | 3316, 57

0
0
693609, 48 | 13872, 19
Seperti catatan yang lalu, saya ingin menyertakan pula notasi masing-masing elemen
pada matrik augment sebelum melakukan proses substitusi mundur.
219
8547
349, 89
a11 a12 a13 | a14
0 2551, 88 159448, 88 | 3316, 57 a21 a22 a23 | a24

0
0
693609, 48 | 13872, 19
a31 a32 a33 | a34
10. Terakhir, tentukan konstanta m1 , m2 dan m3 yang merupakan elemen-elemen vektor
kolom m, dengan proses substitusi mundur. Pertama tentukan m3
m3 =
13872, 19
a34
=
= 0, 02
a33
693609, 48
50
lalu m2
m2 =
a24 a23 m3
3316, 57 (159448, 88)(0, 02)
=
= 0, 05
a22
2551, 88
dan m1
m1 =
a14 (a12 m2 + a13 m3 )

349, 89 [(219)(0, 05) + (8547)(0, 02)
=
= 21
a11
8
3.2.1 Script matlab inversi model parabola

Perbedaan utama script ini dengan script inversi model garis terletak pada inisialisasi elemenelemen matrik kernel. Elemen-elemen matrik kernel sangat ditentukan oleh model matematika
yang digunakan. Seperti pada script ini, matrik kernelnya diturunkan dari persamaan parabola.
1
2
clc
clear all
3
4
5
6
7
8
9
10
11
z1=5;
z2=8;
z3=14;
z4=21;
z5=30;
z6=36;
z7=45;
z8=60;
12
13
14
15
16
17
18
19
20
T(1,1)=21.75;
T(2,1)=22.68;
T(3,1)=25.62;
T(4,1)=30.87;
T(5,1)=40.5;
T(6,1)=48.72;
T(7,1)=63.75;
T(8,1)=96;
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
G(1,1)=1;
G(1,2)=z1;
G(1,3)=z1^2;
G(2,1)=1;
G(2,2)=z2;
G(2,3)=z2^2;
G(3,1)=1;
G(3,2)=z3;
G(3,3)=z3^2;
G(4,1)=1;
G(4,2)=z4;
G(4,3)=z4^2;
G(5,1)=1;
G(5,2)=z5;
G(5,3)=z5^2;
G(6,1)=1;
G(6,2)=z6;
G(6,3)=z6^2;
G(7,1)=1;
G(7,2)=z7;

42
43
44
45
G(7,3)=z7^2;
G(8,1)=1;
G(8,2)=z8;
G(8,3)=z8^2;
46
47
48
49
G
d=T;
d
50
51
52
53
N=8; %jumlah data

pause
54
55
56
57
58
59
60
61
62
63
%%%%%===========Proses inversi==============
for i=1:N
for j=1:M
GT(j,i)=G(i,j);
end
end
GT
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
for i=1:M
for j=1:M
GTG(i,j)=0;
end
end
for i=1:M
for j=1:M
for k=1:N
end
end
end
GTG
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
for i=1:M
for j=1:1
GTd(i,j)=0;
end
end
for i=1:M
for j=1:1
for k=1:N
end
end
end
GTd
94
95
96
97
98
99
100
A=GTG;
n=M;
for i=1:n
A(i,n+1)=GTd(i,1);
end
51
52
101
102
A
pause
103
104
105
106
107
disp(Hasil Eliminasi Gauss)

108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127

for p=1:n+1
u=A(j,p);
v=A(j+1,p);
A(j+1,p)=u;
A(j,p)=v;
end
end
for i=jj:n
m=A(i,j)/A(j,j);
for k=1:(n+1)
end
end
end
%-------------------------------------------
128
129
130
131
132
133
134
135
136
137
138
139
140
141
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*x(j,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
%%%%%%%%%%%=====AKHIR DARI INVERSI MODEL GARIS==========
m=x
Demikianlah contoh aplikasi metode Eliminasi Gauss dengan substitusi mundur. Anda
bisa mengaplikasikan pada kasus lain, 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 parabola: y = m1 + m2 x +
m3 x2 . 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
53
ini:
m1 + m2 xi + m3 yi = di
(3.12)
dimana m1 , m2 dan m3 merupakan model parameter yang akan dicari. Adapun yang berlaku
sebagai data adalah d1 , d2 , d3 , ..., di . Berdasarkan model tersebut, kita bisa menyatakan temperatur dan kedalaman masing-masing sebagai berikut:
m1 + m2 x1 + m3 y1 = d1
m1 + m2 x2 + m3 y2 = d2
m1 + m2 x3 + m3 y3 = d3
..
..
..
..
..
.
.
.
.
.
m1 + m2 xN + m3 yN = dN
x1
y1
x2
1
..
.
x3
..
.

d2
y2
m1
d
y3
=
3
m2
.
..
.
. m3
.
yN
dN
1 xN
d1

Gm = d
(3.13)
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara mendapatkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d
(3.14)
G=
x1
y1
x2
1
..
.
x3
..
.
y2
y3
..
.
yN
1 xN
Gt = x1 x2 x3 xN
y1 y2 y3 yN
54
2. Tentukan Gt G
Gt G = x1 x2 x3 xN
y1
y2
y 3 yN
x1
y1
x2
1
..
.
x3
..
.
P
P
y2
N
xi
yi
P 2 P
P
y3
=
xi
xi
xi yi
P
P
P 2
..
yi
xi yi
yi
.
yN
1 xN
dimana N = jumlah data. dan i = 1, 2, 3, ..., N .
Gt d = x1 x2 x3 xN
y1
y2
y3
yN
d1
d2
di
P
d3
=
xi di
P
..
yi d i
.
dN
4. Sekarang, persamaan (3.14) dapat dinyatakan sebagai
P
P
P
yi
N
xi
di
m1
P 2 P
P
P
xi
xi
xi yi m2 =
xi di
P
P
P 2
P
yi
xi yi
yi
yi d i
m3
(3.15)
matrik augment-nya
P
P
P
N
xi
yi |
di
P 2 P
P
P
xi
xi
xi yi |
xi di
P
P
P 2
P
yi
xi yi
yi |
yi d i
6. Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model linear 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 = m1 + m2 x + m3 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@f isika.ui.ac.id.
3.4
55
Contoh aplikasi
3.4.1 Menghitung gravitasi di planet X

Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera mengeluarkan 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
9
Tinggi (meter)
0.5
1.5
2.5
Waktu (detik)
3.5
4.5
Gambar 3.1: Grafik data pengukuran gerak batu

Anda diminta untuk membantu pengolahan data di atas. Jika anda menggunakan asumsi
56
model matematik dari Gerak-Lurus-Berubah-Beraturan (GLBB) seperti ini

1
ho + vo t gt2 = h
2
maka gunakanlah prinsip-prinsip inversi untuk menentukan kecapatan awal, vo dan konstanta
gravitasi, g pada planet tersebut.
jawab:
Berdasarkan tabel di atas, diketahui terdapat 21 data. Ketinggian pada saat t = 0 adalah ho = 5
m. Untuk mencari vo dan g menggunakan metode inversi, mula-mula kita definisikan terlebih
dahulu m1 dan m2 :
m1 = vo
1
m2 = g
2
sehingga persamaan model GLBB menjadi

5 + m1 ti + m2 t2i = hi
dimana i menunjukkan data ke-i. Langkah selanjutnya adalah menentukan nilai tiap-tiap elemen matrik kernel, yaitu dengan memasukan semua data kedalam persamaan model GLBB
5 + m1 t1 + m2 t21 = h1
5 + m1 t2 + m2 t22 = h2
5 + m1 t3 + m2 t23 = h3
..
..
.
.
.
= ..
5 + m1 t20 + m2 t220 = h20
t1
t2
t3
5
..
.
t4
..
.
5 t19
5 t20
t21
h1
h2
"
#
h3
m1
=
.
m
..
2
..
h19
2
t19
h20
t220
t22
t23
t24
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 m0 pada vektor m, se-
57
hingga operasi tersebut menjadi
t1
t2
t3
5
..
.
t4
..
.
5 t19
5 t20
t21
h1
t22
h2
t23
m0
h3
2
t4
=
m
1
...
..
m2
.
h19
2
t19
h20
t220
Namun, perlu dicatat bahwa m0 harus punya syarat, yaitu harus bernilai 1 atau m0 =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 m0 bernilai 1, maka proses
inversi dianggap sukses. Kemudian operasi matrik tersebut bisa ditulis secara singkat
Gm = d
Untuk menyelesaikan persamaan matrik ini, diperlukan modifikasi berikut
GT Gm = GT d
(3.16)
dimana T disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
m0 , m1 dan m2 , diperlukan langkah-langkah perhitungan berikut ini:
G=
t1
t21
t2
t3
5
..
.
t4
..
.
t22
t23
2
t4
..
.
t219
2
t20
5 t19
5 t20
...
GT = t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220
2. Tentukan GT G
5 5 5 5 ... 5
G G = t1 t2 t3 t4 . . . t19
t21 t22 t23 t24 . . . t219
T
t20
t220
t1
t21
t2
t3
5
..
.
t4
..
.
t22

P
P
t23
25N 5 ti 5 t2i
P
P 2
P 3
t24
t
= 5 P ti P ti
P i4
..
2
3
5 ti
ti
ti
.
t219
2
t20
5 t19
5 t20
58
dimana N = 20 dan i = 1, 2, ..., 20.

3. Kemudian tentukan pula GT d
5 5 5 5 ... 5
G d = t1 t2 t3 t4 . . . t19
t21 t22 t23 t24 . . . t219
T
h1
t20
t220
h2
P
h3
5 hi
h4
= P ti hi
..
t2i hi
.
h19
h20
4. Sekarang persamaan (3.16) dapat dinyatakan sebagai
P
P
P
5 hi
25N 5 ti 5 t2i
m0
P 2
P 3
P
P
ti hi
ti
ti m1 =
5 ti
P 2
P 2 P 3
P 4
ti hi
5 ti
m2
ti
ti
500
262, 5
896, 9
m0
607, 5
(3.17)
262, 5 179, 4 689, 1 m1 = 273, 7

896, 9 689, 1 2822, 9
m2
796, 3
Hasil operasi matriks ini dapat diselesaikan dengan metode Eliminasi Gauss, yaitu
m0
0, 9999
m1 = 3, 2009
m2
0, 8169
Lihatlah! m0 = 0,9999 atau mendekati 1. Dan ini sesuai dengan aksioma yang telah dinyatakan
di awal bahwa memang m0 harus bernilai 1. Jika m0 tidak bernilai 1 berarti teknik inversinya
salah total.
Hasil inversi juga menunjukkan bahwa kecepatan awal yaitu saat batu dilempar ke atas
adalah sebesar m1 = vo = 3,2009 m/dt. Adapun percepatan gravitasi diperoleh dari m2 dimana
m2 = 21 g = -0,8169. Sehingga nilai g adalah sebesar 1,6338 m/dt2 .
Gambar 3.2 memperlihatkan grafik kurva hasil inversi. Garis berwarna biru merupakan
garis kurva fitting hasil inversi parabola. Sedangkan bulatan berwarna merah adalah data pengukuran 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 untuk menjelaskan gerak batu di planet X.
59
Ketinggian (m)
0.5
1.5
2.5
Waktu (dt)
3.5
4.5
Gambar 3.2: Grafik hasil inversi parabola

Berikut adalah script inversi dalam Matlab untuk memecahkan masalah ini
1
2
clear all
clc;
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
N=20; %jumlah data

for i=1:N
t(i)=i*0.25;
end
h(1)=5.75;
h(2)=6.40;
h(3)=6.94;
h(4)=7.38;
h(5)=7.72;
h(6)=7.96;
h(7)=8.10;
h(8)=8.13;
h(9)=8.07;
h(10)=7.90;
h(11)=7.62;
h(12)=7.25;
h(13)=6.77;
h(14)=6.20;
h(15)=5.52;
h(16)=4.73;
h(17)=3.85;
h(18)=2.86;
h(19)=1.77;
h(20)=0.58;
29
30
31
32
33
for i=1:N
G(i,1)=5;
G(i,2)=t(i);
G(i,3)=t(i)^2;
60
34
35
36
37
38
39
end
G
for i=1:N
d(i,1)=h(i);
end
d
40
41
42
43
44
45
46
47
48
%%%%%===========Proses inversi==============
for i=1:N
for j=1:M
GT(j,i)=G(i,j);
end
end
GT
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
for i=1:M
for j=1:M
GTG(i,j)=0;
end
end
for i=1:M
for j=1:M
for k=1:N
end
end
end
GTG
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
for i=1:M
for j=1:1
GTd(i,j)=0;
end
end
for i=1:M
for j=1:1
for k=1:N
end
end
end
GTd
79
80
81
82
83
84
85
86
87
A=GTG;
n=M;
for i=1:n
A(i,n+1)=GTd(i,1);
end
A
pause
88
89
90
91
92
disp(Hasil Eliminasi Gauss)


93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114

for p=1:n+1
u=A(j,p);
v=A(j+1,p);
A(j+1,p)=u;
A(j,p)=v;
end
end
for i=jj:n
m=A(i,j)/A(j,j);
for k=1:(n+1)
end
end
end
%------------------------------------------%------Proses Substitusi mundur------------x(n,1)=A(n,n+1)/A(n,n);
115
116
117
118
119
120
121
122
123
124
125
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*x(j,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
%%%%%%%%%%%===== AKHIR DARI PROSES INVERSI ==========
m=x
126
127
128
129
130
131
132
133
134
135
%-------MENGGAMBAR GRAFIK---------------------plot(t,h,ro);
xlabel(Waktu (dt));ylabel(Ketinggian (m));
hold on;
for i=1:20
hi(i)=5+m(2)*t(i)+m(3)*t(i)^2;
end
plot(t,hi);
hold off;
61
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 sistem persamaan
linear dapat dicari solusinya secara langsung dengan metode eliminasi gauss. Namun perlu
juga diketahui bahwa eliminasi gauss bukan satu-satunya metode dalam mencari solusi sistem
persamaan linear, misalnya ada metode matrik inversi seperti yang dijelaskan pada catatan
yang paling terakhir. Terlepas dari masalah in-efisiensi 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 operasi 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
63
(4.2)
BAB 4. METODE LU DECOMPOSITION
64
sehingga persamaan (6.4) menjadi
LU x = b
Langkah penyelesaian sistem persamaan linear dengan metode LU-decomposition, diawali dengan 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 elemenelemen 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 U x = y. Ini adalah proses backward-substitution

atau substitusi-mundur.
Metode LU-decomposition bisa dibilang merupakan modifikasi dari eliminasi gauss, karena
beberapa langkah yang mesti dibuang pada eliminasi gauss, justru harus dipakai oleh LUdecomposition. Untuk lebih jelasnya, perhatikan contoh berikut ini. Diketahui sistem persamaan
linear sebagai berikut
P1
P2
P3
P4
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
4
1
-3
4
Sistem tersebut dapat dinyatakan dalam operasi matrik Ax = y,
x1

1
x2 = 1
3 1 1
2 x3
3
1
2
3 1
x4
4
2
1 1
(4.5)
Pada metode eliminasi gauss, matrik A dikonversi menjadi matrik triangular melalui urutan
operasi-operasi berikut: (P2 2P1 ) (P2 ), (P3 3P1 ) (P3 ), (P4 (1)P1 ) (P4 ), (P3
4P2 ) (P3 ), (P4 (3)P2 ) (P4 ). Disisi lain, vektor b ikut berubah nilainya menyesuaikan
4.1. FAKTORISASI MATRIK
65
proses triangularisasi,
0 1 1 5
0
0
3
13
0
0
0 13
x1
x2 7

x = 13
3
13
x4
(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=
0 0 0
1
1 0 0
= 2
0 1 1 5
3 1 1
2 3
4 1 0
0
3
13
0
1
2
3 1
1 3 0 1
0
0
0 13
2
1 1
Jadi matrik L dan U masing-masing adalah
L=
0 0 0
1 0 0
3
4 1 0
1 3 0 1
2
0 1 1 5
U =
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 dengan 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 nilai 0. (3) sedangkan, elemen-elemen matrik L yang berada di bawah elemen-elemen diagonal diisi dengan faktor pengali yang digunakan pada proses triangularisasi eliminasi gauss.
Misalnya pada operasi (P2 2P1 ) (P2 ), maka faktor pengalinya adalah 2; pada operasi
(P3 3P1 ) (P3 ), 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,
0 0 0
1 0 0
0 1 1 5
3
4 1 0
0
3
13
0
1 3 0 1
0
0
0 13
2
x1

x2 1

x = 3
3
x4
4
(4.7)
66
Langkah berikutnya adalah menentukan vektor y, dimana Ly = b,
0 0 0
y1
1 0 0
y2 = 1

3
4 1 0
y3 3
4
y4
1 3 0 1
2
Dengan proses substitusi-maju, elemen-elemen vektor y dapat ditentukan,

y1 = 4,
2y1 + y2 = 1,
3y1 + 4y2 + y3 = 3,
y1 3y2 + y4 = 4
maka diperoleh y1 = 4, y2 = 7, y3 = 13, y4 = 13.
Langkah terakhir adalah proses substitusi-mundur untuk menghitung vektor x, dimana U x =
y,
0 1 1 5
0
0
3
13
0
0
0 13
x1
x2 7
x 13
3
x4
13
Melalui proses ini, yang pertama kali didapat solusinya adalah x4 , kemudian x3 , lalu diikuti
x2 , dan akhirnya x1 .
x4 = 1
1
(13 13x4 ) = 0
x3 =
3
x2 = (7 + 5x4 + x3 ) = 2
x1 = 4 3x4 x2 = 1
akhirnya diperoleh solusi x1 = 1, x2 = 2, x3 = 0, dan y4 = 1. Demikianlah contoh penyelesaian sistem persamaan linear dengan metode LU-decomposition.
Sekali matrik A difaktorkan, maka vektor b bisa diganti nilainya sesuai dengan sistem persamaan linear yang lain, misalnya seluruh nilai di ruas kanan diganti menjadi
P1
P2
P3
P4
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
8
7
14
-7
4.2. ALGORITMA
67
Dalam operasi matrik menjadi
x1
1
x2 = 7

3 1 1
2
x3 14
7
x4
1
2
3 1
2
1 1
(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
0 0 0
1 0 0
0 1 1 5
3
4 1 0
0
3
13
0
1 3 0 1
0
0
0 13
2
x1
x2 7
x 14
3
x4
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: x1 = 3,
x2 = 1, x3 = 0, dan y4 = 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 = (aij )
berukuran n x n menjadi matrik L = (lij ) dan matrik U = (uij ) dengan ukuran yang sama.
Algoritma LU-decomposition yang anda lihat sekarang merupakan modifikasi dari algoritma eliminasi gauss. Silakan anda periksa langkah-langkah mana saja yang telah mengalami
modifikasi! 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 algoritma 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, elemenelemen 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 U menjadi
matrik A kembali. Cara ini dimaksudkan untuk menghemat memori komputer. Suatu aspek
yang tidak boleh diabaikan oleh para programer. Marilah kita simak algoritmanya bersamasama!
INPUT: dimensi n; nilai elemen aij , 1 i, j n; nilai elemen bi .
OUTPUT: solusi x1 , x2 , x3 , ..., xn atau pesan kesalahan yang mengatakan bahwa faktorisasi
tidak mungkin dilakukan.
68
Langkah 1: Inputkan konstanta-konstanta dari sistem persamaan linear kedalam elemenelemen matrik A dan vektor b, seperti berikut ini:
a11
a12
. . . a1n
a21 a22 . . . a2n

A=
..
..
..
.
.
.
an1 an2 . . . ann
b=
b1
b2
..
.
bn
(4.10)
Langkah 2: Untuk i = 1, ..., n 1, lakukan Langkah 3 sampai Langkah 5.

Langkah 3: Definisikan p sebagai integer dimana i p n. Lalu pastikan bahwa
api 6= 0. Langkah dilakukan bila ditemukan elemen diagonal yang bernilai nol (aii =
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 api = 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 (api 6= 0), maka bisa dipastikan p 6= i. Jika p 6= i
maka lakukan proses pertukaran (Pp ) (Pi ).
Langkah 5: Untuk j = i + 1, .., n, lakukan Langkah 6 dan Langkah 7.

Langkah 6: Tentukan mji ,
mji =
aji
aii
Langkah 7: Lakukan proses triangularisasi,

(Pj mji Pi ) (Pj )
Langkah 8: Nilai mji disimpan ke aji ,
aji = mji
Langkah 9: Nilai b1 dicopy ke y1 , lalu lakukan substitusi-maju.
y 1 = b1
Untuk i = 2, ..., n tentukan xi ,
y i = bi
i1
X
j=1
aij yj
4.2. ALGORITMA
69
Langkah 10: Lakukan proses substitusi-mundur, dimulai dengan menentukan xn ,

xn =
an,n+1
ann
Untuk i = n 1, ..., 1 tentukan xi ,

xi =
ai,n+1
Pn
j=i+1 aij xj
aii
Langkah 11: Diperoleh solusi yaitu x1 , x2 , ..., xn . Algoritma telah dijalankan dengan sukses. STOP.
Algoritma di atas telah diimplementasi kedalam program yang ditulis dengan bahasa Fortran. Program tersebut sudah berhasil dikompilasi dengan visual fortran (windows) dan g77
(debian-linux). Inilah programnya:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
60
16
17
18
19
50
20
21
22
23
24
25
110
26
27
28
29
30
DIMENSION A(10,11), B(10), Y(10), X(10)

REAL MJI
WRITE(*,*)
WRITE(*,*) ==> FAKTORISASI MATRIK: LU DECOMPOSITION <==
WRITE (*,*)
LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
READ (*,*) N
WRITE (*,*)
WRITE (*,*) MASUKAN ELEMEN-ELEMEN MATRIK A
DO 50 I = 1,N
DO 60 J = 1,N
WRITE (*,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
READ (*,*) A(I,J)
CONTINUE
WRITE (*,(1X,A,I2,A)) B(,I,) ?
READ (*,*) B(I)
WRITE (*,*)
CONTINUE
WRITE (*,*)
MENAMPILKAN MATRIK A
WRITE (*,(1X,A)) MATRIK A:
DO 110 I = 1,N
WRITE (*,6) (A(I,J),J=1,N)
CONTINUE
WRITE (*,*)
LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT
NN = N-1
DO 10 I=1,NN
70
31
32
100
33
34
35
36
200
C
37
38
39
40
41
42
43
44
45
46
20
47
48
49
50
51
52
53
54
55
56
57
40
C
58
59
60
61
30
10
C
62
63
64
65
120
66
67
68
69
70
71
72
73
16
74
75
76
77
15
C

P = I
P = P+1
GOTO 100
IF(P.EQ.N+1)THEN
MENAMPILKAN PESAN TIDAK DAPAT DIFAKTORKAN
WRITE(*,8)
GOTO 400
END IF
IF(P.NE.I) THEN
DO 20 JJ=1,N
C = A(I,JJ)
A(I,JJ) = A(P,JJ)
A(P,JJ) = C
CONTINUE
END IF
JJ = I+1
DO 30 J=JJ,N
MJI = A(J,I)/A(I,I)
LANGKAH 7: PROSES TRIANGULARISASI
DO 40 K=JJ,N
CONTINUE
LANGKAH 8: MENYIMPAN MJI KE A(J,I)
A(J,I) = MJI
CONTINUE
CONTINUE
MENAMPILKAN MATRIK LU
WRITE (*,(1X,A)) MATRIK LU:
DO 120 I = 1,N
WRITE (*,6) (A(I,J),J=1,N)
CONTINUE
WRITE (*,*)
LANGKAH 9: SUBSTITUSI-MAJU
Y(1) = B(1)
DO 15 I=2,N
SUM = 0.0
DO 16 J=1,I-1
SUM = SUM+A(I,J)*Y(J)
CONTINUE
Y(I) = B(I)-SUM
CONTINUE
MENAMPILKAN VEKTOR Y
WRITE (*,(1X,A)) VEKTOR Y:
4.2. ALGORITMA
78
79
80
138
81
82
83
84
85
86
87
88
89
90
26
91
92
93
24
C
94
95
96
97
18
98
99
100
101
102
103
104
400
6
8
71
DO 138 I = 1,N
WRITE (*,6) Y(I)
CONTINUE
WRITE (*,*)
LANGKAH 10: SUBSTITUSI-MUNDUR
X(N) = Y(N)/A(N,N)
DO 24 K=1,N-1
I = N-K
JJ = I+1
SUM = 0.0
DO 26 KK=JJ,N
SUM = SUM+A(I,KK)*X(KK)
CONTINUE
X(I) = (Y(I)-SUM)/A(I,I)
CONTINUE
LANGKAH 11: MENAMPILKAN SOLUSI DAN SELESAI
WRITE (*,(1X,A)) SOLUSI:
DO 18 I = 1,N
WRITE (*,(1X,A,I2,A,F14.8)) X(,I,) = ,X(I)
CONTINUE
WRITE(*,*)
WRITE(*,*) SELESAI --> SUKSES
WRITE(*,*)
CONTINUE
FORMAT(1X,5(F14.8))
FORMAT(1X,TIDAK DAPAT DIFAKTORKAN)
END
Demikianlah, sekarang kita punya tiga buah algoritma untuk memecahkan problem sistem
persamaan linear, yaitu eliminasi gauss, invers matrik, dan lu-decomposition. Diantara ketiganya, eliminasi gauss adalah algoritma yang paling simpel dan efisien. 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 linear, saya ingin menyampaikan satu hal yang sangat sederhana, yaitu tentang cara merepresentasikan elemen-elemen suatu vektor-kolom. Sebagaimana tertulis pada catatan-catatan sebelumnya, biasanya suatu vektor-kolom ditulis sebagai
x1

x2
x=
..
.
xn
(5.1)
Dengan operasi transpose, vektor-kolom tersebut dapat dinyatakan sebagai

it
h
x = x1 x2 . . . xn
Contoh:
h
it
2
= 3 2 8 5
x=
8

5
73
(5.2)
BAB 5. METODE ITERASI
74
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=(x1 ; x2 ; ...; xn )t memiliki norm 2 dan yang didefinisikan sebagai

n
X
2 = kxk2 = {
x2i }1/2
(5.3)
= kxk = max |xi |
(5.4)
i=1
dan
1in
Contoh: x=(3; 2; 8; 5)t memiliki norm 2 yaitu

2 = kxk2 =
dan norm yaitu
p
(3)2 + (2)2 + (8)2 + (5)2 = 10, 0995
= kxk = max{(3), (2), (8), (5)} = 8

Saya menyarankan agar kedua norm ini diingat-ingat dengan baik, karena akan banyak disinggung 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
2
3
4
5
6
7
8
9
10
11
12
13
14
clear all
clc
x(1,1)=3;
x(2,1)=-2;
x(3,1)=8;
x(4,1)=5;
x
%menampilkan vektor x
%=========menghitung norm2=============
s=0;
for i=1:4
s=s+x(i,1)^2;
end
norm2=sqrt(s) %menampilkan hasil norm2
%======================================
5.3. ITERASI JACOBI
75
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
2
3
4
5
6
7
clear all
clc
xlama(1,1)=3;
xlama(2,1)=-2;
xlama(3,1)=8;
xlama(4,1)=5;
xlama
%menampilkan elemen vektor xlama
8
9
10
11
12
13
xbaru(1,1)=9;
xbaru(2,1)=4;
xbaru(3,1)=6;
xbaru(4,1)=1;
xbaru
%menampilkan elemen vektor xbaru
14
15
n=4;
%jumlah elemen vektor
16
17
18
19
20
21
22
23
%--------menghitung norm2 selisih ------------s=0;

for i=1:n
s=s+(xbaru(i,1)-xlama(i,1))^2;
end
norm2=sqrt(s)
%----------------------------------------------
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 sebelumnya, dimana ia dimulai dari penentuan nilai awal (initial value) untuk setiap elemen vektor x.
Kemudian berdasarkan nilai awal tersebut, dilakukan langkah perhitungan untuk mendapatkan elemen-elemen vektor x yang baru.
x(baru) = T x(lama) + c
(5.5)
76
atau
xk = T xk1 + c
(5.6)
dimana k = 1, 2, 3, ..., n.
Mungkin anda kesulitan memahami rumus-rumus di atas, maka untuk lebih jelasnya, marilah kita perhatikan contoh berikut; diketahui sistem persamaan linear Ax = b yaitu
10x1 x2 + 2x3 = 6
x1 + 11x2 x3 + 3x4 = 25
2x1 x2 + 10x3 x4 = 11
3x2 x3 + 8x4 = 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 solusi 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
2
6
1
x2 x3 +
10
10
10
1
1
3
25
=
x1 + x3 x4 +
11
11
11
11
2
1
1
11
= x1 + x2 + x4
10
10
10
10
3
1
15
= x2 + x3 +
8
8
8
x1 =
x2
x3
x4
Kita bisa menyatakan bahwa nilai x1 , x2 , x3 dan x4 yang berada di ruas kiri tanda = (baca: sama
dengan) sebagai x(baru) . Sementara nilai x1 , x2 , x3 dan x4 yang berada di ruas kanan tanda =
(baca: sama dengan) sebagai x(lama) . Sehingga sistem persamaan tersebut ditulis seperti ini
(baru)
x1
(baru)
x2
(baru)
x3
(baru)
x4
1 (lama)
2 (lama)
6
x2
x3
+
10
10
10
1 (lama)
3 (lama) 25
1 (lama)
x
+ x3
x4
+
=
11 1
11
11
11
2 (lama)
1
1 (lama) 11
= x1
+ x2 + x4
10
10
10
10
3 (lama) 1 (lama) 15
= x2
+ x3
+
8
8
8
=
5.3. ITERASI JACOBI
77
yang secara umum dapat diformulasikan sebagaimana persamaan (5.5). Atau dapat pula ditulis seperti ini
2 (k1)
6
1 (k1)
x
x3
+
10 2
10
10
1 (k1)
3 (k1) 25
1 (k1)
x1
+ x3
x4
+
=
11
11
11
11
1 (k1)
1 (k1) 11
2 (k1)
+ x2
+ x4
= x1
10
10
10
10
3 (k1) 1 (k1) 15
= x2
+ x3
+
8
8
8
(k)
x1
(k)
x2
(k)
x3
(k)
x4
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 sistem persamaan linear menjadi seperti
ini
(1)
x1
(1)
x2
(1)
x3
(1)
x4
1 (0)
2 (0)
6
x2 x3 +
10
10
10
1 (0)
1 (0)
3 (0) 25
=
x + x3 x4 +
11 1
11
11
11
1 (0)
1 (0) 11
2 (0)
= x1 + x2 + x4
10
10
10
10
3 (0) 1 (0) 15
= x2 + x3 +
8
8
8
(0)
(0)
(0)
(0)
Jika kita tentukan nilai-nilai awal x(0) sebagai berikut x1 = 0, x2 = 0, x3 = 0 dan x4 = 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
(1)
x1
(1)
x2
(1)
x3
(1)
x4
6
10
25
=
11
11
=
10
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
78
tanda sama-dengan,
(2)
x1
(2)
x2
(2)
x3
(2)
x4
1 (1)
2 (1)
6
x x3 +
10 2
10
10
1 (1)
1 (1)
3 (1) 25
=
x1 + x3 x4 +
11
11
11
11
1 (1)
1 (1) 11
2 (1)
= x1 + x2 + x4
10
10
10
10
3 (1) 1 (1) 15
= x2 + x3 +
8
8
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,
(3)
x1
(3)
x2
(3)
x3
(3)
x4
2 (2)
6
1 (2)
x2 x3 +
10
10
10
1 (2)
1 (2)
3 (2) 25
=
x + x3 x4 +
11 1
11
11
11
1 (2)
1 (2) 11
2 (2)
= x1 + x2 + x4
10
10
10
10
3 (2) 1 (2) 15
= x2 + x3 +
8
8
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 sesungguhnya, 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 pelajari script Matlab untuk menghitung iterasi.
5.3.1 Script Matlab untuk menghitung iterasi
Pertama-tama kita buat script seperti ini
1
2
3
4
5
6
clear all
clc
%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
xlama(3,1)=0;
5.3. ITERASI JACOBI

7
8
79
xlama(4,1)=0;
xlama
9
10
11
12
13
14
15
%------nilai baru------------xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
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 dimodifikasi menjadi seperti ini
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
xlama(3,1)=0;
xlama(4,1)=0;
xlama
xbaru
16
17
xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
18
19
20
21
22
23
xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
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 dimodifikasi menjadi seperti ini
1
2
clear all
clc
3
4
5
6
%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
80
7
8
9
10
11
12
13
14
15
xlama(3,1)=0;
xlama(4,1)=0;
xlama
xbaru
16
17
18
19
20
21
22
23
xbaru
24
25
26
27
28
29
30
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 dimodifikasi 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
2
clear all
clc
3
4
5
6
7
8
9
%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
xlama(3,1)=0;
xlama(4,1)=0;
xlama
10
11
12
13
14
for i=1:4
%------nilai update------------xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
5.3. ITERASI JACOBI

15
16
17
81
xbaru
18
19
20

end
Angka 4 pada statemen for i=1:4 dapat diganti sesuai dengan jumlah iterasi maksimal yang
kita kehendaki.
1
2
clear all
clc
3
4
5
6
7
8
9
%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
xlama(3,1)=0;
xlama(4,1)=0;
xlama
10
11
itermaks=4
%jumlah iterasi maksimal
12
13
14
15
16
17
18
19
for i=1:itermaks
xbaru
20
21
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
k
(k)
x1
(k)
x2
(k)
x3
(k)
x4
Tabel 5.1: Hasil akhir elemen-elemen vektor x hingga iterasi ke-10

0
1
2
3
4
...
9
10
0,0000
0,0000
0,0000
0,0000
0,6000
2,2727
-1,1000
1,8852
1,0473
1,7159
-0,8052
0,8852
0,9326
2,0530
-1,0493
1,1309
1,0152
1,9537
-0,9681
0,9739
...
...
...
...
0,9997
2,0004
-1,0004
1,0006
1,0001
1,9998
-0,9998
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
82
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. Dimulai 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
2
clear all
clc
3
4
5
6
7
8
9
10
11
%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
xlama(3,1)=0;
xlama(4,1)=0;
xlama
n=4
itermaks=10 %jumlah iterasi maksimal
12
13
14
15
16
17
18
19
for i=1:itermaks
xbaru
20
21
22
23
24
25
26
27
%------norm selisih------------s=0;
for i=1:n
end
epsilon=sqrt(s)
%-------------------------------
28
29
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, , menandakan 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 dengan solusi yang sebenarnya.
5.3. ITERASI JACOBI
83
Tabel 5.2: Hasil perhitungan

2 ) hingga iterasi ke-10

(3)norm-selisih

(dengan
(2)
(1)
(2)
(4)
(3)

x x
x x
x x 2 ... x(10) x(9) 2
norm 2
2
2
1,2557
0,4967
0,2189
...
0,0012
Kembali ke pertanyaan penting yang tadi yaitu kriteria apa yang digunakan sehingga suatu hasil iterasi bisa dikatakan paling dekat dengan solusi yang sebenarnya? Jawabnya: tergantung 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 iterasinya, namun hasil akhirnya semakin akurat. Jadi nilai berperan penting untuk menghentikan 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
2
clear all
clc
3
4
5
6
7
8
9
%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
xlama(3,1)=0;
xlama(4,1)=0;
xlama
10
11
12
13
n=4
itermaks=10
sc=0.001

%stopping-criteria
14
15
16
17
18
19
20
21
for i=1:itermaks
xbaru
22
23
24
25
26
27
28
%------norm selisih------------s=0;
for i=1:n
end
epsilon=sqrt(s)
29
30
31
32
%------memeriksa stopping criteria, sc-------if epsilon<sc

break
84
33
end
34
35
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
(k)
xi
Pn
j=1
(k1)
aij xj
aii
+ bi
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
xi =
Pn
j=1 (aij XOj )
+ bi
aii
Langkah 4: Jika kx XOk < , maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
Langkah 5: Tentukan k=k+1
Langkah 6: Untuk i=1,...n, tentukan XOi = xi
Langkah 7: OUTPUT (Iterasi maksimum telah terlampaui) lalu STOP
5.3.4 Program dalam Fortran
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
62
IMPLICIT NONE
DIMENSION A(10,10),B(10),X(10),XO(10)
REAL A,B,X,XO,EPS,NORM,S
INTEGER N,I,J,K,ITMAX
WRITE(*,*) ==> ITERASI JACOBI UNTUK SISTEM LINEAR <==
WRITE(*,*)
READ (*,*) N
WRITE (*,*) MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
DO 52 I = 1,N
DO 62 J = 1,N
WRITE (*,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
READ (*,*) A(I,J)
CONTINUE
WRITE (*,(1X,A,I2,A)) B(,I,) ?
(5.7)
5.3. ITERASI JACOBI

16
17
18
52
19
20
21
22
23
24
25
26
27
72
28
29
30
31
32
33
110
34
35
36
37
38
39
111
40
41
42
43
44
45
C
100
C
46
47
48
49
50
51
20
52
53
54
55
10
56
57
58
59
60
61
62
READ (*,*) B(I)

WRITE (*,*)
CONTINUE
WRITE (*,(1X,A)) JUMLAH ITERASI MAKSIMUM ?
READ (*,*) ITMAX
WRITE (*,(1X,A)) NILAI EPSILON ATAU TOLERANSI ?
READ (*,*) EPS
WRITE (*,*) MASUKAN NILAI AWAL UNTUK XO
DO 72 I = 1,N
WRITE (*,(1X,A,I2,A)) XO(,I,) ?
READ (*,*) XO(I)
CONTINUE
WRITE (*,*)
DO 110 I = 1,N
WRITE (*,6) (A(I,J),J=1,N)
CONTINUE
WRITE (*,*)
MENAMPILKAN VEKTOR B
WRITE (*,(1X,A)) VEKTOR B:
DO 111 I = 1,N
WRITE (*,6) B(I)
CONTINUE
WRITE (*,*)
LANGKAH 1
K = 1
LANGKAH 2
IF(K.GT.ITMAX) GOTO 200
LANGKAH 3
NORM = 0.0
DO 10 I = 1,N
S = 0.0
DO 20 J=1,N
S = S-A(I,J)*XO(J)
CONTINUE
S = (S+B(I))/A(I,I)
IF (ABS(S).GT.NORM) NORM=ABS(S)
X(I) = XO(I)+S
CONTINUE
WRITE(*,(1X,A,I3)) ITERASI KE-, K
WRITE(*,(1X,A,F14.8)) NORM = , NORM
WRITE(*,(1X,A,I3,A,F14.8)) (X(,I,) = , X(I),I=1,N)
WRITE(*,*)
LANGKAH 4
IF(NORM.LE.EPS) THEN
WRITE(*,7) K,NORM
85
86
63
64
65
66
67
68
69
70
30
71
72
73
C
200
74
75
400
GOTO 400
END IF
LANGKAH 5
K = K+1
LANGKAH 6
DO 30 I=1,N
XO(I) = X(I)
CONTINUE
GOTO 100
LANGKAH 7
CONTINUE
WRITE(*,9)
STOP
76
77
78
79
5
6
7
80
81
82
5.4
FORMAT(1X,I3)
FORMAT(1X,(6(1X,F14.8)))
FORMAT(1X,KONVERGEN PADA ITERASI YANG KE- ,I3,
* , NORM= ,F14.8)
FORMAT(1X,MELEBIHI BATAS MAKSIMUM ITERASI)
END
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 persamaan dibawahnya. Untuk lebih jelasnya, perhatikan sistem persamaan linear berikut, yang
diturunkan dari contoh terdahulu
2
6
1 lama
x2
xlama
+
3
10
10
10
1 lama
3
25
1 baru
x1 + x3
xlama
+
=
4
11
11
11
11
2 baru
1 baru
1 lama 11
= x1 + x2 + x4
10
10
10
10
3 baru 1 baru 15
= x2 + x3 +
8
8
8
xbaru
=
1
xbaru
2
xbaru
3
xbaru
4
Pada baris pertama, xbaru

dihitung berdasarkan xlama
dan xlama
. Kemudian xbaru
tersebut
1
2
3
1
langsung dipakai pada baris kedua untuk menghitung xbaru
. Selanjutnya xbaru
dan xbaru
di2
1
2
gunakan pada baris ketiga untuk mendapatkan xbaru
. Begitu seterusnya hingga xbaru
pun
3
4
diperoleh pada baris keempat. Sistem persamaan tersebut dapat dinyatakan dalam indeks k
5.4. ITERASI GAUSS-SEIDEL
87
seperti dibawah ini dimana k adalah jumlah iterasi.

2 (k1)
6
1 (k1)
x
x3
+
10 2
10
10
1 (k)
1 (k1)
3 (k1) 25
=
x1 + x3
x4
+
11
11
11
11
1 (k)
1 (k1) 11
2 (k)
= x1 + x2 + x4
10
10
10
10
3 (k) 1 (k) 15
= x2 + x3 +
8
8
8
(k)
x1
(k)
x2
(k)
x3
(k)
x4
(0)
(0)
(0)
Misalnya kita tentukan nilai-nilai awal x(0) sebagai berikut x1 = 0, x2 = 0, x3 = 0 dan
(0)
x4 = 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
x1
(1)
= 0, 6000
(1)
x2
(1)
x3
(1)
x4
= 2, 3272
= 0, 9873
= 0, 8789
Lalu proses perhitungan diulangi lagi dengan k = 2. Begitu seterusnya proses ini diulangulang 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, problem 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-
k
(k)
x1
(k)
x2
(k)
x3
(k)
x4
Tabel 5.3: Hasil Iterasi Gauss-Seidel

1
2
3
4
0,0000
0,0000
0,0000
0,0000
0,6000
2,3272
-0,9873
0,8789
1,030
2,037
-1,014
0,9844
1,0065
2,0036
-1,0025
0,9983
1,0009
2,0003
-1,0003
0,9999
5
1,0001
2,0000
-1,0000
1,0000
erja lebih efektif dibandingkan iterasi Jacobi. Ya.., memang secara umum demikian, 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 iterasi Jacobi. Perbedaan kecil-nya terletak pada bagian nilai update, dimana elemen xbaru hasil
perhitungan dilibatkan langsung untuk menghitung elemen xbaru selanjutnya.
88
1
2
clear all
clc
3
4
5
6
7
8
9
%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
xlama(3,1)=0;
xlama(4,1)=0;
xlama
10
11
12
13
n=4
itermaks=10
sc=0.001

%stopping-criteria
14
15
16
17
18
19
20
21
for i=1:itermaks
xbaru(2,1)=(1/11)*xbaru(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
xbaru(3,1)=-(2/10)*xbaru(1,1)+(1/10)*xbaru(2,1)+(1/10)*xlama(4,1)-(11/10);
xbaru(4,1)=-(3/8)*xbaru(2,1)+(1/8)*xbaru(3,1)+(15/8);
xbaru
22
23
24
25
26
27
28
%------norm selisih------------s=0;
for i=1:n
end
epsilon=sqrt(s)
29
30
31
32
33
%------memeriksa stopping criteria, sc-------if epsilon<sc

break
end
34
35
36

end
Perumusan metode Iterasi Gauss-Seidel dapat dinyatakan sebagai berikut:

(k)
xi
dimana i=1,2,3,...,n.
Pi1
j=1
(k)
aij xj
Pn
j=i+1
aii
(k1)
aij xj
+ bi
(5.8)
5.4. ITERASI GAUSS-SEIDEL
89
5.4.2 Algoritma
xi =
Pi1
j=1 aij xj
Pn
j=i+1 aij XOj
+ bi
aii
5.4.3 Script iterasi Gauss-Seidel dalam Fortran
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
62
16
17
18
19
52
20
21
22
23
24
25
26
27
28
72
IMPLICIT NONE
DIMENSION A(10,10),B(10),X(10),XO(10)
REAL A,B,X,XO,EPS,NORM,S1,S2
INTEGER N,I,J,K,ITMAX
WRITE(*,*)
WRITE(*,*) ==> ITERASI GAUSS-SEIDEL UNTUK SISTEM LINEAR <==
WRITE(*,*)
READ (*,*) N
WRITE (*,*) MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
DO 52 I = 1,N
DO 62 J = 1,N
WRITE (*,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
READ (*,*) A(I,J)
CONTINUE
WRITE (*,(1X,A,I2,A)) B(,I,) ?
READ (*,*) B(I)
WRITE (*,*)
CONTINUE
WRITE (*,(1X,A)) JUMLAH ITERASI MAKSIMUM ?
READ (*,*) ITMAX
WRITE (*,(1X,A)) NILAI EPSILON ATAU TOLERANSI ?
READ (*,*) EPS
WRITE (*,*) MASUKAN NILAI AWAL UNTUK XO
DO 72 I = 1,N
WRITE (*,(1X,A,I2,A)) XO(,I,) ?
READ (*,*) XO(I)
CONTINUE
90
29
30
31
32
33
34
110
35
36
37
38
39
40
111
41
42
43
44
45
46
C
100
C
47
48
49
50
51
20
52
53
54
55
23
56
57
58
10
C
59
60
61
62
40
63
64
65
66
67
68
69
70
71
72
73
74
75

WRITE (*,*)
DO 110 I = 1,N
WRITE (*,6) (A(I,J),J=1,N)
CONTINUE
WRITE (*,*)
MENAMPILKAN VEKTOR B
WRITE (*,(1X,A)) VEKTOR B:
DO 111 I = 1,N
WRITE (*,6) B(I)
CONTINUE
WRITE (*,*)
LANGKAH 1
K = 1
LANGKAH 2
IF(K.GT.ITMAX) GOTO 200
LANGKAH 3
DO 10 I = 1,N
S1 = 0.0
DO 20 J=I+1,N
S1 = S1-A(I,J)*XO(J)
CONTINUE
S2 = 0.0
DO 23 J=1,I-1
S2 = S2-A(I,J)*X(J)
CONTINUE
X(I) = (S2+S1+B(I))/A(I,I)
CONTINUE
SAYA PILIH NORM-2. ANDA BOLEH PAKAI NORM YANG LAIN!
NORM = 0.0
DO 40 I=1,N
NORM = NORM + (X(I)-XO(I))*(X(I)-XO(I))
CONTINUE
NORM = SQRT(NORM)
WRITE(*,(1X,A,I3)) ITERASI KE-, K
WRITE(*,(1X,A,F14.8)) NORM-2 = , NORM
WRITE(*,(1X,A,I3,A,F14.8)) (X(,I,) = , X(I),I=1,N)
WRITE(*,*)
LANGKAH 4
IF(NORM.LE.EPS) THEN
WRITE(*,7) K,NORM
GOTO 400
END IF
LANGKAH 5
K = K+1
LANGKAH 6
5.5. ITERASI DENGAN RELAKSASI

76
77
78
30
79
80
81
C
200
82
83
400
91
DO 30 I=1,N
XO(I) = X(I)
CONTINUE
GOTO 100
LANGKAH 7
CONTINUE
WRITE(*,9)
STOP
84
85
86
87
5
6
7
88
89
90
5.5
FORMAT(1X,I3)
FORMAT(1X,(6(1X,F14.8)))
FORMAT(1X,KONVERGEN PADA ITERASI YANG KE- ,I3,
* , NORM= ,F14.8)
FORMAT(1X,MELEBIHI BATAS MAKSIMUM ITERASI)
END
Iterasi dengan Relaksasi
Metode Iterasi Relaksasi (Relaxation method ) dinyatakan dengan rumus berikut:

(k)
xi
(k1)
= (1 ) xi

bi
aii
i1
X
j=1
(k)
aij xj
n
X
j=i+1
(k1)
aij xj
(5.9)
dimana i=1,2,3,...,n.
Untuk lebih jelasnya, marilah kita perhatikan contoh berikut, diketahui sistem persamaan
linear Ax = b yaitu
4x1 + 3x2 + = 24
3x1 + 4x2 x3 = 30
x2 + 4x3 = 24
memiliki solusi (3, 4, 5)t . Metode Gauss-Seidel dan Relaksasi dengan = 1, 25 akan digunakan 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

(k)
x1
(k)
x2
(k)
x3
(k1)
= 0, 75x2
(k)
+6
(k1)
= 0, 75x1 + 0, 25x3
=
(k)
0, 25x2
+ 7, 5
92
Sedangkan persamaan untuk metode Relaksasi dengan = 1, 25 adalah

(k)
(k1)
x1
= 0, 25x1
(k)
x2
(k)
x3
=
=
(k1)
0, 9375x2
+ 7, 5
(k)
(k1)
(k1)
0, 9375x1 0, 25x2
+ 0, 3125x3
(k)
(k1)
0, 3125x2 0, 25x3
7, 5
+ 9, 375
Tabel berikut ini menampilkan perhitungan dari masing-masing metode hingga iterasi ke-7.
(k)
x1
(k)
x2
(k)
x3
1
1
1
k
(k)
x1
(k)
x2
(k)
x3
Tabel 5.4: Hasil perhitungan iterasi Gauss-Seidel

1
2
3
4
5
6
5,2500
3,8125
-5,0468
3,1406
3,8828
-5,0293
3,0879
3,9267
-5,0183
3,0549
3,9542
-5,0114
3,0343
3,9714
-5,0072
3,0215
3,9821
-5,0044
7
3,0134
3,9888
-5,0028
Tabel 5.5: Hasil perhitungan iterasi Relaksasi dengan = 1, 25

0
1
2
3
4
5
6
7
1
1
1
6,3125
3,5195
-6,6501
2,6223
3,9585
-4,6004
3,1333
4,0102
-5,0967
2,9570
4,0075
-4,9735
3,0037
4,0029
-5,0057
2,9963
4,0009
-4,9983
3,0000
4,0002
-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 menentukan nilai optimal?
Metode Relaksasi dengan pilihan nilai yang berkisar antara 0 dan 1 disebut metode underrelaxation, dimana metode ini berguna agar sistem persamaan linear bisa mencapai kondisi
konvergen walaupun sistem tersebut sulit mencapai kondisi konvergen dengan metode GaussSeidel. 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 sistem persamaan linear yang muncul dari persamaan diferensial-parsial
tertentu.
5.5.1 Algoritma Iterasi Relaksasi
xi = (1 ) XOi +

P
Pn
i1
j=1 aij xj
j=i+1 aij XOj + bi
aii
5.5. ITERASI DENGAN RELAKSASI
93
Demikianlah catatan singkat dari saya tentang metode iterasi untuk menyelesaikan problem 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 tertentu yang melewati sejumlah titik data. Misalnya, kita ingin mendapatkan fungsi polinomial
berderajat satu yang melewati dua buah titik yaitu (x0 , y0 ) dan (x1 , y1 ). Langkah pertama yang
kita lakukan adalah mendefinisikan fungsi berikut
L0 (x) =
x x1
x0 x1
L1 (x) =
x x0
x1 x0
dan
kemudian kita definisikan fungsi polinomial sebagai berikut

P (x) = L0 (x)y0 + L1 (x)y1
Jika semua persamaan diatas kita gabungkan, maka akan didapat
P (x) = L0 (x)y0 + L1 (x)y1
x x1
x x0
P (x) =
y0 +
y1
x0 x1
x1 x0
dan ketika x = x0
P (x0 ) =
x0 x0
x0 x1
y0 +
y1 = y0
x0 x1
x1 x0
95
BAB 6. INTERPOLASI
96
dan pada saat x = x1
P (x1 ) =
x1 x1
x1 x0
y0 +
y1 = y1
x0 x1
x1 x0
dari contoh ini, kira-kira apa kesimpulan sementara anda? Ya.. kita bisa sepakat bahwa fungsi
polinomial
P (x) =
x x1
x x0
y0 +
y1
x0 x1
x1 x0
(6.1)
benar-benar melewati titik (x0 , y0 ) dan (x1 , y1 ).
Sekarang mari kita perhatikan lagi contoh lainnya. Misalnya ada tiga titik yaitu (x0 , y0 ), (x1 , y1 )
dan (x2 , y2 ). Tentukanlah fungsi polinomial yang melewati ketiganya! Dengan pola yang sama
kita bisa awali langkah pertama yaitu mendefinisikan
L0 (x) =
(x x1 )(x x2 )
(x0 x1 )(x0 x2 )
L1 (x) =
(x x0 )(x x2 )
(x1 x0 )(x1 x2 )
L2 (x) =
(x x0 )(x x1 )
(x2 x0 )(x2 x1 )
lalu
dan
kemudian kita definisikan fungsi polinomial sebagai berikut

P (x) = L0 (x)y0 + L1 (x)y1 + L2 (x)y2
Jika semua persamaan diatas kita gabungkan, maka akan didapat fungsi polinomial
P (x) =
(x x0 )(x x2 )
(x x0 )(x x1 )
(x x1 )(x x2 )
y0 +
y1 +
y2
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
Kita uji sebentar. Ketika x = x0

P (x0 ) =
(x0 x1 )(x0 x2 )
(x0 x0 )(x0 x2 )
(x0 x0 )(x0 x1 )
y0 +
y1 +
y2 = y0
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
pada saat x = x1
P (x1 ) =
(x1 x1 )(x1 x2 )
(x1 x0 )(x1 x2 )
(x1 x0 )(x1 x1 )
y0 +
y1 +
y2 = y1
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
pada saat x = x2
P (x2 ) =
(x2 x0 )(x2 x2 )
(x2 x0 )(x2 x1 )
(x2 x1 )(x2 x2 )
y0 +
y1 +
y2 = y2
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
6.2. INTERPOLASI CUBIC SPLINE
97
Terbukti bahwa fungsi polonomial

P (x) =
(x x0 )(x x2 )
(x x0 )(x x1 )
(x x1 )(x x2 )
y0 +
y1 +
y2
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
(6.2)
melewati ketiga titik tadi.
Kalau kita bandingkan antara persamaan (6.1) dan persamaan (6.2), terlihat bahwa derajat persamaan (6.2) lebih tinggi dibandingkan dengan derajat persamaan (6.1). Hal ini terlihat dari x2
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
BAB 6. INTERPOLASI
98
Diketahui suatu fungsi f (x) (Figure 6.1) yang dibatasi oleh interval a dan b, dan memiliki
sejumlah titik data a = x0 < x1 < ... < xn = b. Interpolasi cubic spline S(x) adalah sebuah potongan fungsi polinomial kecil-kecil (Figure 6.2) berderajat tiga (cubic ) yang menghubungkan
dua titik data yang bersebelahan dengan ketentuan sebagai berikut:
1. Sj (x) adalah potongan fungsi yang berada pada sub-interval dari xj hingga xj+1 untuk
nilai j = 0, 1, ..., n 1;
2. S(xj ) = f (xj ), artinya pada setiap titik data (xj ), nilai f (xj ) bersesuaian dengan S(xj )
dimana j = 0, 1, ..., n;
3. Sj+1 (xj+1 ) = Sj (xj+1 ). Perhatikan titik xj+1 pada Figure 6.2. Ya.. tentu saja jika fungsi
itu kontinyu, maka titik xj+1 menjadi titik sambungan antara Sj dan Sj+1 .
(xj+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan pertama dari Sj dan Sj+1
4. Sj+1
pada titik xj+1 harus bersesuaian.

(x
5. Sj+1
j+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan kedua dari Sj dan Sj+1
pada titik xj+1 harus bersesuaian juga.

6. Salah satu syarat batas diantara 2 syarat batas x0 dan xn berikut ini mesti terpenuhi:
S (x0 ) = S (xn ) = 0 ini disebut natural boundary
S (x0 ) = f (x0 ) dan S (xn ) = f (xn ) ini disebut clamped boundary

Polinomial cubic spline S (polinomial pangkat 3) untuk suatu fungsi f berdasarkan ketentuan
di atas adalah
Sj (x) = aj + bj (x xj ) + cj (x xj )2 + dj (x xj )3
(6.3)
dimana j = 0, 1, ..., n 1. Maka ketika x = xj

Sj (xj ) = aj + bj (xj xj ) + cj (xj xj )2 + dj (xj xj )3
Sj (xj ) = aj = f (xj )
Itu artinya, aj selalu jadi pasangan titik data dari xj . Dengan pola ini maka pasangan titik data
xj+1 adalah aj+1 , konsekuensinya S(xj+1 ) = aj+1 . Berdasarkan ketentuan (3), yaitu ketika
x = xj+1 dimasukan ke persamaan (12.7)
aj+1 = Sj+1 (xj+1 ) = Sj (xj+1 ) = aj + bj (xj+1 xj ) + cj (xj+1 xj )2 + dj (xj+1 xj )3
dimana j = 0, 1, ..., n 2. Sekarang, kita nyatakan hj = xj+1 xj , sehingga
aj+1 = aj + bj hj + cj h2j + dj h3j
Kemudian, turunan pertama dari persamaan (12.7) adalah
Sj (x) = bj + 2cj (x xj ) + 3dj (x xj )2
(6.4)
99
ketika x = xj ,
Sj (xj ) = bj + 2cj (xj xj ) + 3dj (xj xj )2 = bj
dan ketika x = xj+1 ,
bj+1 = Sj (xj+1 ) = bj + 2cj (xj+1 xj ) + 3dj (xj+1 xj )2
Ini dapat dinyatakan sebagai
bj+1 = bj + 2cj (xj+1 xj ) + 3dj (xj+1 xj )2
dan dinyatakan dalam hj
bj+1 = bj + 2cj hj + 3dj h2j
(6.5)
Berikutnya, kita hitung turunan kedua dari persamaan (12.7)

Sj (x) = 2cj + 6dj (x xj )
(6.6)
tapi dengan ketentuan tambahan yaitu S (x)/2, sehingga persamaan ini dimodifikasi menjadi
Sj (x) = cj + 3dj (x xj )
dengan cara yang sama, ketika x = xj
Sj (xj ) = cj + 3dj (xj xj ) = cj
dan ketika x = xj+1
cj+1 = Sj (xj+1 ) = cj + 3dj (xj+1 xj )
cj+1 = cj + 3dj hj
dan dj bisa dinyatakan
dj =
(6.7)
1
(cj+1 cj )
3hj
dari sini, persamaan (6.4) dapat ditulis kembali

aj+1 = aj + bj hj + cj h2j + dj h3j
= aj + bj hj + cj h2j +
h2j
(cj+1 cj )
3
h2j
= aj + bj hj + (2cj + cj+1 )
3
(6.8)
BAB 6. INTERPOLASI
100
sementara persamaan (6.5) menjadi
bj+1 = bj + 2cj hj + 3dj h2j
= bj + 2cj hj + hj (cj+1 cj )
= bj + hj (cj + cj+1 )
(6.9)
Sampai sini masih bisa diikuti, bukan? Selanjutnya, kita coba mendapatkan bj dari persamaan
(6.8)
bj =
dan untuk bj1
bj1 =
hj
1
(aj+1 aj ) (2cj + cj+1 )
hj
3
(6.10)
hj1
1
(aj aj1 )
(2cj1 + cj )
hj1
3
(6.11)
Langkah berikutnya adalah mensubtitusikan persamaan (6.10) dan persamaan (6.11) kedalam
persamaan (6.9),
hj1 cj1 + 2(hj1 + hj )cj + hj cj+1 =
3
3
(aj+1 aj )
(aj aj1 )
hj
hj1
(6.12)
n1
dimana j = 1, 2, ..., n 1. Dalam sistem persamaan ini, nilai {hj }j=0
dan nilai {aj }nj=0 su-
dah diketahui, sementara nilai {cj }nj=0 belum diketahui dan memang nilai inilah yang akan
dihitung dari persamaan ini.
Sekarang coba perhatikan ketentuan nomor (6), ketika S (x0 ) = S (xn ) = 0, berapakah nilai c0
dan cn ? Nah, kita bisa evaluasi persamaan (6.6)
S (x0 ) = 2c0 + 6d0 (x0 x0 ) = 0
jelas sekali c0 harus berharga nol. Demikian halnya dengan cn harganya harus nol. Jadi untuk
natural boundary, nilai c0 = cn = 0.

Persamaan (6.12) dapat dihitung dengan operasi matrik Ax = b dimana
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 )
A=
. . .
...
...
. . .
...
...
0
...
...
...
...
...
h2
...
...
. . . hn2
...

c0

c1
x=
..
.
cn
...
...
0
...
...
2(hn2 + hn1 ) hn1
0
1
...
101
3
3
h1 (a2 a1 ) h0 (a1 a0 )
..
b=
3 (a a
3
n1 ) hn2 (an1 an2 )
hn1 n
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 (x0 ) = b0 , sehingga
f (a) =
h0
1
(a1 a0 ) (2c0 + c1 )
h0
3
konsekuensinya,
2h0 c0 + h0 c1 =
3
(a1 a0 ) 3f (a)
h0
(6.13)
Sementara pada xn = bn dengan persamaan (6.9)

f (b) = bn = bn1 + hn1 (cn1 + cn )
sedangkan bn1 bisa didapat dari persamaan (6.11) dengan j = n 1
bn1 =
1
hn1
(an an1 )
hn1
(2cn1 j + cn )
3
Jadi
f (b) =
=
1
hn1
(an an1 )
(2cn1 j + cn ) + hn1 (cn1 + cn )
hn1
3
hn1
1
(an an1 +
(cn1 j + 2cn )
hn1
3
dan akhirnya kita peroleh

hn1 cn1 + 2hn1 Cn = 3f (b)
3
hn1
(an an1 )
(6.14)
Persamaan (6.13) dan persamaan (6.14) ditambah persamaan (6.12 membentuk operasi matrik
Ax = b dimana
2h0
h0
0
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 )
A=
...
...
...
...
...
...
...
...
...
...
...
h2
...
...
. . . hn2
...
...
...
0
...
...
2(hn2 + hn1 ) hn1
hn1
2hn1
...
BAB 6. INTERPOLASI
102
Gambar 6.3: Profil suatu object

c0

c1
x=
..
.
cn
3
h0 (a1
a0 ) 3f (a)
3
3
h1 (a2 a1 ) h0 (a1 a0 )
..
b=
3 (a a
3
n1 ) hn2 (an1 an2 )
hn1 n
3
(an an1 )
3f (b) hn1
Gambar 6.4: Sampling titik data
Gambar 6.5: Hasil interpolasi cubic spline
103
j
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
xj
0,9
1,3
1,9
2,1
2,6
3,0
3,9
4,4
4,7
5,0
6,0
7,0
8,0
9,2
10,5
11,3
11,6
12,0
12,6
13,0
13,3
aj
1,3
1,5
1,85
2,1
2,6
2,7
2,4
2,15
2,05
2,1
2,25
2,3
2,25
1,95
1,4
0,9
0,7
0,6
0,5
0,4
0,25
bj
5,4
0,42
1,09
1,29
0,59
-0,02
-0,5
-0,48
-0,07
0,26
0,08
0,01
-0,14
-0,34
-0,53
-0,73
-0,49
-0,14
-0,18
-0,39
cj
0,00
-0,30
1,41
-0,37
-1,04
-0,50
-0,03
0,08
1,27
-0,16
-0,03
-0,04
-0,11
-0,05
-0,1
-0,15
0,94
-0,06
0
-0,54
dj
-0,25
0,95
-2,96
-0,45
0,45
0,17
0,08
1,31
-1,58
0,04
0,00
-0,02
0,02
-0,01
-0,02
1,21
-0,84
0,04
-0,45
0,60
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
= f (t, y),
dt
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
ti = a + ih,
i = 0, 1, 2, ..., N
(7.2)
Jarak antar point dirumuskan sebagai

h=
ba
N
(7.3)
ini disebut step size.

Metode Euler diturunkan dari deret Taylor. Misalnya, fungsi y(t) adalah fungsi yang kontinyu
105
BAB 7. DIFERENSIAL NUMERIK
106
Gambar 7.1: Metode Euler
dan memiliki turunan dalam interval [a,b]. Maka dalam deret Taylor
y(ti+1 ) = y(ti ) + (ti+1 ti )y (ti ) +
(ti+1 ti )2
y (i )
2
(7.4)
h2
y (i )
2
(7.5)
Karena h = (ti+1 ti ), maka

y(ti+1 ) = y(ti ) + hy (ti ) +
dan, karena y(t) memenuhi persamaan diferensial (7.1),
y(ti+1 ) = y(ti ) + hf (ti , y(ti )) +
h2
y (i )
2
(7.6)
Metode Euler dibangun dengan pendekatan wi y(ti ) untuk i = 1, 2, 3, ..., N , dengan mengabaikan
suku terakhir yang terdapat pada persamaan (7.6). Jadi metode Euler dinyatakan sebagai
w0 =
(7.7)
wi+1 = wi + hf (ti , wi )
(7.8)
dimana i = 0, 1, 2, .., N 1
Contoh
Diketahui persamaan diferensial
y = y t2 + 1,
0 t 2,
y(0) = 0, 5
dimana N = 10. Sehingga

h=
20
ba
=
= 0, 2
N
10
7.1. METODE EULER
107
dan
ti = a + ih = 0 + i(0, 2)
ti = 0, 2i
serta
w0 = 0, 5
Dengan demikian persamaan euler dapat dinyatakan sebagai
wi+1 = wi + h(wi t2i + 1)
= wi + 0, 2(wi 0, 04i2 + 1)
= 1, 2wi 0, 008i2 + 0, 2
dimana i = 0, 1, ..., 9.
Pada saat i = 0 dan dari syarat awal diketahui w0 = 0, 5
w1 = 1, 2w0 0, 008(0)2 + 0, 2 = 0, 8000000

Pada saat i = 1
w2 = 1, 2w1 0, 008(1)2 + 0, 2 = 1, 1520000
Pada saat i = 2
w3 = 1, 2w2 0, 008(2)2 + 0, 2 = 1, 5504000
Demikian seterusnya, hingga pada i = 9
w10 = 1, 2w9 0, 008(9)2 + 0, 2 = 4, 8657845
Disisi lain, solusi exact persamaan diferensial adalah
y(t) = (t + 1)2 0, 5et
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.
108
ti
0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2,0
wi
0,5000000
0,8000000
1,1520000
1,5504000
1,9884800
2,4581760
2,9498112
3,4517734
3,9501281
4,4281538
4,8657845
yi = y(ti )
0,5000000
0,8292986
1,2140877
1,6489406
2,1272295
2,6408591
3,1799415
3,7324000
4,2834838
4,8151763
5,3054720
|wi yi |
0,0000000
0,0292986
0,0620877
0,0985406
0,1387495
0,1826831
0,2301303
0,2806266
0,3333557
0,3870225
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 sampai 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 kecil.
7.2. METODE RUNGE KUTTA
109
Persamaan-persamaan yang menyusun metode Runge-Kutta Orde Empat adalah

w0 =
k1 = hf (ti , wi )
1
h
k2 = hf (ti + , wi + k1 )
2
2
h
1
k3 = hf (ti + , wi + k2 )
2
2
k4 = hf (ti+1 , wi + k3 )
1
wi+1 = wi + (k1 + 2k2 + 2k3 + k4 )
6
(7.9)
(7.10)
(7.11)
(7.12)
(7.13)
Contoh
Diketahui persamaan diferensial
y = y t2 + 1,
0 t 2,
y(0) = 0, 5
dengan mengganti y menjadi w, kita bisa nyatakan f (ti , wi ) sebagai

f (ti , wi ) = wi t2i + 1
Jika N = 10, maka
h=
20
ba
=
= 0, 2
N
10
dan
ti = a + ih = 0 + i(0, 2)
ti = 0, 2i
serta
w0 = 0, 5
Sekarang mari kita demonstrasikan metode Runge-Kutta Orde Empat ini. Untuk menghitung
w1 , tahap-tahap perhitungannya dimulai dari menghitung k1
k1 = hf (t0 , w0 )
= h(w0 t20 + 1)
= 0, 2((0, 5) (0, 0)2 + 1)

= 0, 3
lalu menghitung k2
k1
h
, w0 + )
2
2
k1
h
= h[(w0 + ) (t0 + )2 + 1)]
2
2
0, 2 2
0, 3
) (0, 0 +
) + 1)]
= 0, 2[(0, 5 +
2
2
= 0, 328
k2 = hf (t0 +
110
dilanjutkan dengan k3
h
k2
, w0 + )
2
2
h
k2
= h[(w0 + ) (t0 + )2 + 1)]
2
2
0, 328
0, 2 2
= 0, 2[(0, 5 +
) (0, 0 +
) + 1)]
2
2
= 0, 3308
k3 = hf (t0 +
kemudian k4
k4 = hf (t1 , w0 + k3 )
= h[(w0 + k3 ) t21 + 1]
= 0, 2[(0, 5 + 0, 3308) (0, 2)2 + 1]

= 0, 35816
akhirnya diperoleh w1
1
(k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 5 + (0, 3 + 2(0, 328) + 2(0, 3308) + 0, 35816)
6
1
= 0, 5 + (0, 3 + 0, 656 + 0, 6616 + 0, 35816)
6
= 0, 8292933
w1 = w0 +
Dengan cara yang sama, w2 , w3 , w4 dan seterusnya dapat dihitung. Tabel berikut menunjukkan
hasil perhitungannya.
i
0
1
2
3
4
5
6
7
8
9
10
ti
0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2,0
wi
0,5000000
0,8292933
1,2140762
1,6489220
2,1272027
2,6408227
3,1799942
3,7323401
4,2834095
4,8150857
5,3054720
yi = y(ti )
0,5000000
0,8292986
1,2140877
1,6489406
2,1272295
2,6408591
3,1799415
3,7324000
4,2834838
4,8151763
5,3053630
|wi yi |
0,0000000
0,0000053
0,0000114
0,0000186
0,0000269
0,0000364
0,0000474
0,0000599
0,0000743
0,0000906
0,0001089
Dibandingkan dengan metode Euler, tingkat pertumbuhan truncation error, pada kolom |wi
yi |, jauh lebih rendah sehingga metode Runge-Kutta Orde Empat lebih disukai untuk mem-
bantu menyelesaikan persamaan-diferensial-biasa.
111
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 = 8,00 105 . Saat saklar dihubungkan (t=0), muatan belum ada (q=0).
q
dq
=
dt
R RC
(7.14)
Solusi exact persamaan (7.14) adalah

qexact = q(t) = C 1 et/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? Belum tentu.
Sekarang, kita coba selesaikan, pertama kita nyatakan
m1 =
m2 =
= 1, 5 105
R
1
= 0, 25
RC
sehingga persamaan (7.14) dimodifikasi menjadi

dq
= f (qi ) = m1 qi m2
dt
ti = a + ih
Jika t0 = 0, maka a = 0, dan pada saat itu (secara fisis) diketahui q0 = 0, 0. Lalu jika ditetapkan
112
h = 0, 1 maka t1 = 0, 1 dan kita bisa mulai menghitung k1 dengan menggunakan q0 = 0, 0,

walaupun t1 tidak dilibatkan dalam perhitungan ini
k1 = hf (q0 )
= h(m1 q0 m2 )
= 0, 1((1, 5 105 ) (0, 0)(0, 25))
= 0, 150 105
lalu menghitung k2
k2 = hf (q0 +
k1
)
2
= h[(m1 (q0 +
k1
)m2 )]
2
= 0, 1[(1, 5 105 ((0, 0) +
0, 15 105
)(0, 25)]
2
= 0, 14813 105
k3 = hf (q0 +
k2
)
2
= h[(m1 (q0 +
k2
)m2 )]
2
= 0, 1[(1, 5 105 ((0, 0) +
0, 14813 105
)(0, 25)]
2
= 0, 14815 105
kemudian k4
k4 = hf (q0 + k3 )
= h[(m1 (q0 + k3 )m2 )]
= 0, 1[(1, 5 105 ((0, 0) + 0, 14815 105 )(0, 25)]

= 0, 14630 105
akhirnya diperoleh q1
1
(k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 0 + (0, 150 + 2(0, 14813) + 2(0, 14815) + 0, 14630) 105
6
= 0, 14814 105
q1 = q0 +
Selanjutnya q2 dihitung. Tentu saja pada saat t2 , dimana t2 = 0, 2, namun sekali lagi, t2 tidak
113
terlibat dalam perhitungan ini. Dimulai menghitung k1 kembali

k1 = hf (q1 )
= h(m1 q1 m2 )
= 0, 1((1, 5 105 ) (0, 14814 105 )(0, 25))
= 0, 14630 105
lalu menghitung k2
k2 = hf (q1 +
k1
)
2
= h[(m1 (q1 +
k1
)m2 )]
2
= 0, 1[(1, 5 105 ((0, 14814 105 ) +
0, 14630 105
)(0, 25)]
2
= 0, 14447 105
k3 = hf (q1 +
k2
)
2
= h[(m1 (q1 +
k2
)m2 )]
2
= 0, 1[(1, 5 105 ((0, 14814 105 ) +
0, 14447 105
)(0, 25)]
2
= 0, 14449 105
kemudian k4
k4 = hf (q1 + k3 )
= h[(m1 (q1 + k3 )m2 )]
= 0, 1[(1, 5 105 ((0, 14814 105 ) + 0, 14449 105 )(0, 25)]

= 0, 14268 105
akhirnya diperoleh q2
1
(k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 14814 105 + (0, 14630 + 2(0, 14447) + 2(0, 14449) + 0, 14268) 105
6
5
= 0, 29262 10
q2 = q1 +
Dengan cara yang sama, q3 , q4 , q5 dan seterusnya dapat dihitung. Tabel di atas menunjukkan
hasil perhitungannya. Kolom qexact diperoleh dari persamaan (7.15).
Luar biasa!! Tak ada error sama sekali. Mungkin, kalau kita buat 7 angka dibelakang koma,
error nya akan terlihat. Tapi kalau anda cukup puas dengan 5 angka dibelakang koma, hasil ini
114
i
0
1
2
3
4
5
6
7
8
9
10
ti
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
qi
0,00000105
0,14814105
0,29262105
0,43354105
0,57098105
0,70502105
0,83575105
0,96326105
1,0876105
1,2089105
1,3272105
qexact = q(ti )
0,00000105
0,14814105
0,29262105
0,43354105
0,57098105
0,70502105
0,83575105
0,96326105
1,0876105
1,2089105
1,3272105
|qi qexact |
0,00000
0,00000
0,00000
0,00000
0,00000
0,00000
0,00000
0,00000
0,00000
0,00000
0,00000
sangat memuaskan. Figure 7.4 memperlihatkan kurva penumpukan muatan q terhadap waktu
t.
5
x 10
10
12
14
16
18
Gambar 7.4: Kurva muatan q terhadap waktu t

Berikut ini adalah script dalam matlab yang dipakai untuk menghitung q
1
2
3
4
5
6
7
8
9
clear all
clc
E=12;
R=800000;
C=5e-6;
m1=E/R;
m2=1/(R*C);
b=20.0;
a=0.0;
20
7.3. METODE FINITE DIFFERENCE

10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
115
h=0.1;
n=(b-a)/h;
q0=0.0;
t0=0.0;
for i=1:n
t(i)=a+i*h;
end
for i=1:n
if i==1
k1=h*(m1-(m2*q0));
k2=h*(m1-(m2*(q0+(k1/2))));
k3=h*(m1-(m2*(q0+(k2/2))));
k4=h*(m1-(m2*(q0+k3)));
q(i)=q0+(k1+(2*k2)+(2*k3)+k4)/6;
else
k1=h*(m1-(m2*q(i-1)));
k2=h*(m1-(m2*(q(i-1)+(k1/2))));
k3=h*(m1-(m2*(q(i-1)+(k2/2))));
k4=h*(m1-(m2*(q(i-1)+k3)));
q(i)=q(i-1)+(k1+(2*k2)+(2*k3)+k4)/6;
end
end
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:

dy
d2 y
(x) = p(x) (x) + q(x)y(x) + r(x),
2
dx
dx
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=
ba
N +1
(7.18)
Dengan demikian maka titik-titik x yang merupakan sub-interval antara a dan b dapat dinyatakan sebagai
xi = a + ih,
i = 0, 1, ..., N + 1
(7.19)
Pencarian solusi persamaan diferensial melalui pendekatan numerik dilakukan dengan memanfaatkan polinomial Taylor untuk mengevaluasi y dan y pada xi+1 dan xi1 seperti berikut
116
Gambar 7.5: Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah X0 = a hingga batas atas x6 = b
ini
y(xi+1 ) = y(xi + h) = y(xi ) + hy (xi ) +
h2
y (xi )
2
(7.20)
y(xi1 ) = y(xi h) = y(xi ) hy (xi ) +
h2
y (xi )
2
(7.21)
dan
Jika kedua persamaan ini dijumlahkan

y(xi+1 ) + y(xi1 ) = 2y(xi ) + h2 y (xi )
Dari sini y dapat ditentukan
h2 y (xi ) = y(xi+1 ) 2y(xi ) + y(xi1 )
y (xi ) =
y(xi+1 ) 2y(xi ) + y(xi1 )

h2
(7.22)
Dengan cara yang sama, y (xi ) dapat dicari sebagai berikut

y (xi ) =
y(xi+1 ) y(xi1 )
2h
Selanjutnya persamaan (7.22) dan (7.23) disubstitusikan ke persamaan (7.17) maka

y(xi+1 ) 2y(xi ) + y(xi1 )
y(xi+1 ) y(xi1 )
= p(xi )
+ q(xi )y(xi ) + r(xi )
2
h
2h
y(xi+1 ) y(xi1 )
y(xi+1 ) + 2y(xi ) y(xi1 )
= p(xi )
q(xi )y(xi ) r(xi )
h2
2h
y(xi+1 ) y(xi1 )
y(xi+1 ) + 2y(xi ) y(xi1 )
+ p(xi )
+ q(xi )y(xi ) = r(xi )
2
h
2h
(7.23)
117
Sebelum dilanjut, saya nyatakan bahwa y(xi+1 )=wi+1 dan y(xi )=wi serta y(xi1 )=wi1 . Maka
persamaan di atas dapat ditulis sebagai berikut

wi+1 + 2wi wi1

h2
+ p(xi )
wi+1 wi1
2h
+ q(xi )wi = r(xi )
h
p(xi ) (wi+1 wi1 ) + h2 q(xi )wi
2
h
h
wi+1 + 2wi wi1 + p(xi )wi+1 p(xi )wi1 + h2 q(xi )wi
2
2
h
h
2
wi1 p(xi )wi1 + 2wi + h q(xi )wi wi+1 + p(xi )wi+1
2
2

h
h
1 + p(xi ) wi1 + 2 + h2 q(xi ) wi (1 p(xi ) wi+1
2
2
(wi+1 + 2wi wi1 ) +
= h2 r(xi )
= h2 r(xi )
= h2 r(xi )
= h2 r(xi )
(7.24)
dimana i=1,2,3...sampai N, karena yang ingin kita cari adalah w1 , w2 , w3 ,..., wN . Sementara,
satu hal yang tak boleh dilupakan yaitu w0 dan wN +1 biasanya selalu sudah diketahui. Pada
persamaan (7.16), jelas-jelas sudah diketahui bahwa w0 = dan wN +1 =; keduanya dikenal sebagai 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
2 + h2 q(x1 )
1 h2 p(x2 )
...
...
0
1 + h
p(x1 )
2
2 + h2 q(x2 )
1 h
p(x3 )
2
0
...
...
...
w1
0
1 + h
p(x2 )
2
2 + h2 q(x3 )
p(x4 )
1 h
2
...
...
...
w2
w
3
w
w=
4
..
.
w
N 1
wN
7.3.1 Script Finite-Difference
1
2
...
0
1 + h
p(x3 )
2
2 + h2 q(x4 )
...
...
...
...
...
0
1 + h
p(x4 )
2
...
1 h
p(xN 1 )
2
...

h2 r(x1 ) + 1 + h2 p(x1 ) w0
h2 r(x2 )
2
h
r(x
)
3
2 r(x )
h
b=
4
..
2
h
r(x
)
N 1

h
2
h r(xN ) + 1 2 p(xN ) wN +1
clear all
clc
3
4
...
...
...
0
...
2 + h2 q(xN 1 )
1 h
p(xN )
2
a=1.0; %ganti angkanya sesuai data yang anda miliki
0
0
...
h
1 + 2 p(xN 1 )
2
2 + h q(xN )
118
5
6
7
8
9
b=2.0; %ganti angkanya sesuai data yang anda miliki

n=9; %ganti angkanya sesuai data yang anda miliki
h=(b-a)/(n+1);
alpha=1; %ganti angkanya sesuai data yang anda miliki
beta=2; %ganti angkanya sesuai data yang anda miliki
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
%====== Mencari Elemen Matrik A ========

for i=1:n
x=a+i*h;
A(i,i)=2+h^2*fungsiQ(x);
end
for i=1:n-1
x=a+i*h;
A(i,i+1)=-1+((h/2)*fungsiP(x));
end
for i=2:n
x=a+i*h;
A(i,i-1)=-1-((h/2)*fungsiP(x));
end
A
%====== Mencari Elemen Vektor b ========
x=a+h;
b(1,1)=-h^2*fungsiR(x)+(1+((h/2)*fungsiP(x)))*alpha;
for i=2:8
x=a+i*h;
b(i,1)=-h^2*fungsiR(x);
end
xn=a+n*h
b(n,1)=-h^2*fungsiR(xn)+(1-((h/2)*fungsiP(xn)))*beta;
b
Pada akhirnya, elemen-elemen matrik A dan vektor b sudah diketahui. Sehingga vektor w
dapat dihitung dengan berbagai metode pemecahan sistem persamaan linear, seperti Eliminasi
Gauss, Gauss-Jourdan, Iterasi Jacobi dan Iterasi Gauss-Seidel.
Contoh
Diketahui persamaan diferensial seperti berikut ini
2
sin(ln x)
2
,
y = y + 2 y +
x
x
x2
memiliki solusi exact
y = c1 x +
dimana
c2 =
1 x 2,
y(1) = 1,
y(2) = 2
c2
3
1
sin(ln x)
cos(ln x),
2
x
10
10
1
[8 12 sin(ln 2) 4 cos(ln 2)] 0, 03920701320
70

dan
c1 =
119
11
c2 1, 1392070132.
10
Dengan metode Finite-Difference, solusi pendekatan dapat diperoleh dengan membagi interval 1 x 2 menjadi sub-interval, misalnya kita gunakan N = 9, sehingga spasi h diperoleh
h=
ba
21
=
= 0, 1
N +1
9+1
Dari persamaan diferensial tersebut juga didapat

p(xi ) =
q(xi ) =
r(xi ) =
2
xi
2
x2i
sin(ln xi )
x2i
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 file fungsiP.m:
1
2
function y = fungsiP(x)
y = -2/x;
lalu inilah script fungsiQ yang disimpan dengan nama file fungsiQ.m:
1
2
function y = fungsiQ(x)
y = 2/x^2;
kemudian ini script fungsiR yang disimpan dengan nama file fungsiR.m::
1
2
function y = fungsiR(x)
y = sin(log(x))/x^2;
dan terakhir, inilah script utamanya:

1
2
clear all
clc
3
4
5
a=1.0;
b=2.0;
6
7
8
alpha=1;
beta=2;
9
10
%=======jika diketahui n, maka h dihitung ====
120
11
12
n=9;
h=(b-a)/(n+1);
13
14
15
16
%=======jika diketahui h, maka n dihitung ====

%h=0.1;
%n=((b-a)/h)-1;
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
%====== Mencari Elemen Matrik A ========

for i=1:n
x=a+i*h;
A(i,i)=2+h^2*fungsiQ(x);
end
for i=1:n-1
x=a+i*h;
A(i,i+1)=-1+((h/2)*fungsiP(x));
end
for i=2:n
x=a+i*h;
A(i,i-1)=-1-((h/2)*fungsiP(x));
end
A
%====== Mencari Elemen Vektor b ========
x=a+h;
b(1,1)=-h^2*fungsiR(x)+(1+((h/2)*fungsiP(x)))*alpha;
for i=2:8
x=a+i*h;
b(i,1)=-h^2*fungsiR(x);
end
xn=a+n*h
b(n,1)=-h^2*fungsiR(xn)+(1-((h/2)*fungsiP(xn)))*beta;
b
%====== Menggabungkan Vektor b kedalam matrik A ========
for i=1:n
A(i,n+1)=b(i,1);
end
A
47
48
49
50

51
52
53
54
55
56
57

for p=1:n+1
u=A(j,p);
v=A(j+1,p);
A(j+1,p)=u;

58
59
60
61
62
63
64
65
66
67
68
69
70
121
A(j,p)=v;
end
end
for i=jj:n
m=A(i,j)/A(j,j);
for k=1:(n+1)
end
end
end
%-------------------------------------------
71
72
73
74
75
76
77
78
79
80
81
82
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*x(j,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
83
84
85
%===== Menampilkan Vektor w =================

w=x
Tabel berikut ini memperlihatkan hasil perhitungan dengan pendekatan metode Finite-Difference
wi dan hasil perhitungan dari solusi exact y(xi ), dilengkapi dengan selisih antara keduanya
|wi y(xi )|. Tabel ini memperlihatkan tingkat kesalahan (error) berada pada orde 105 . Unxi
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
wi
1,00000000
1,09260052
1,18704313
1,28333687
1,38140205
1,48112026
1,58235990
1,68498902
1,78888175
1,89392110
2,00000000
y(xi )
1,00000000
1,09262930
1,18708484
1,28338236
1,38144595
1,48115942
1,58239246
1,68501396
1,78889853
1,89392951
2,00000000
|wi y(xi )|
2,88 105
4,17 105
4,55 105
4,39 105
3,92 105
3,26 105
2,49 105
1,68 105
8,41 106
tuk memperkecil orde kesalahan, kita bisa menggunakan polinomial Taylor berorde tinggi.
Akan tetapi proses kalkulasi menjadi semakin banyak dan disisi lain penentuan syarat batas
122
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 diferensial seperti berikut ini
2
2
sin(ln x)
y = y + 2 y +
,
x
x
x2
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
Ext1i =
4wi (h = 0, 05) wi (h = 0, 1)
3
kemudian ekstrapolasi yang kedua

Ext2i =
4wi (h = 0, 025) wi (h = 0, 05)

3
dan terakhir ekstrapolasi yang ketiga

Ext3i =
16Ext2i Ext1i
15
Tabel berikut ini memperlihatkan hasil perhitungan tahapan-tahapan ekstrapolasi tersebut. Jika seluruh angka di belakang koma diikut-sertakan, maka akan terlihat selisih antara solusi
exact dengan solusi pendekatan sebesar 6, 3 1011 . Ini benar-benar improvisasi yang luar
biasa.
xi
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
wi (h = 0, 1)
1,00000000
1,09260052
1,18704313
1,28333687
1,38140205
1,48112026
1,58235990
1,68498902
1,78888175
1,89392110
2,00000000
wi (h = 0, 05)
1,00000000
1,09262207
1,18707436
1,28337094
1,38143493
1,48114959
1,58238429
1,68500770
1,78889432
1,89392740
2,00000000
wi (h = 0, 025)
1,00000000
1,09262749
1,18708222
1,28337950
1,38144319
1,48115696
1,58239042
1,68501240
1,78889748
1,89392898
2,00000000
Ext1i
1,00000000
1,09262925
1,18708477
1,28338230
1,38144598
1,48115937
1,58239242
1,68501393
1,78889852
1,89392950
2,00000000
Ext2i
1,00000000
1,09262930
1,18708484
1,28338236
1,38144595
1,48115941
1,58239246
1,68501396
1,78889853
1,89392951
2,00000000
Ext3i
1,00000000
1,09262930
1,18708484
1,28338236
1,38144595
1,48115942
1,58239246
1,68501396
1,78889853
1,89392951
2,00000000
7.3.2 Aplikasi
Besar simpangan terhadap waktu (y(t)) suatu sistem osilator mekanik yang padanya diberikan
gaya secara periodik (forced-oscilations) memenuhi persamaan diferensial seperti dibawah ini
123
berikut syarat-syarat batasnya

dy
d2 y
=
+ 2y + cos(t),
2
dt
dt
0t
,
2
y(0) = 0, 3,
y( ) = 0, 1
2
Dengan metode Finite-Difference, tentukanlah besar masing-masing simpangan di setiap interval h = /8. Buatlah table untuk membandingkan hasil finite-difference dengan solusi analitik
1
[sin(t) + 3cos(t)].
yang memenuhi y(t) = 10
jawab:
Secara umum, persamaan diferensial dapat dinyatakan sbb:
dy
d2 y
(x) = p(x) (x) + q(x)y(x) + r(x),
2
dx
dx
a x b,
y(a) = ,
y(b) =
Dengan membandingkan kedua persamaan di atas, kita bisa definisikan

p(t) = 1
q(t) = 2
r(t) = cos(t)
a=0
b=
= 0, 3
= 0, 1
Adapun persamaan finite-difference adalah

h
h
2
1 + p(xi ) wi1 + 2 + h q(xi ) wi (1 p(xi ) wi+1 = h2 r(xi )
2
2
Persamaan diatas dikonversi kedalam operasi matriks
Aw = b
(7.26)
dimana A adalah matrik tridiagonal dengan orde N N
2 + h2 q(x1 )
1 h2 p(x2 )
...
...
0
1 + h
p(x1 )
2
2 + h2 q(x2 )
p(x3 )
1 h
2
0
...
...
...
w1
0
1 + h
p(x2 )
2
2 + h2 q(x3 )
1 h
p(x4 )
2
...
...
...
w2
w
3
w=
w4
..
.
w
N 1
wN
...
0
1 + h
p(x3 )
2
2 + h2 q(x4 )
...
...
...
...
...
0
1 + h
p(x4 )
2
...
1 h
p(xN 1 )
2
...
...
...
...
0
...
2 + h2 q(xN 1 )
p(xN )
1 h
2

h2 r(x1 ) + 1 + h2 p(x1 ) w0
0
0
...
1 + h
p(xN 1 )
2
2 + h2 q(xN )
h2 r(x2 )
2
h r(x3 )
h r(x4 )
b=
..
2
h
r(x
)
N 1

h2 r(xN ) + 1 h2 p(xN ) wN +1
Jumlah baris matrik ditentukan oleh bilangan n. Namun disoal hanya tersedia informasi nilai
124
h = /8, sehingga n harus dihitung terlebih dahulu:
h=
ba
n+1
n=
0
ba
1= 2
1=3
h
/8
perhitungan ini dilakukan didalam script matlab. Selanjutnya seluruh elemen matrik A dan
vektor b dihitung dengan matlab
2, 3084
0, 8037
w1
0, 5014
1, 1963 2, 3084 0, 8037 w2 = 0, 1090

0
1, 1963 2, 3084
w3
0, 1394
Proses diteruskan dengan metode Eliminasi Gauss dan didapat hasil akhir berikut ini
w1 = 0.3157
w2 = 0.2829
w3 = 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
2u
2u
(x,
y)
+
(x, y) = f (x, y)
x2
y 2
(8.1)
Di bidang fisika, persamaan (8.1) disebut juga dengan Persamaan Poisson. Jika f (x, y)=0, maka diperoleh persamaan yang lebih sederhana
2u
2u
(x,
y)
+
(x, y) = 0
x2
y 2
(8.2)
yang dikenal sebagai Persamaan Laplace. Contoh masalah PDP eliptik di bidang fisika adalah
problem distribusi panas pada kondisi steady-state di dalam obyek 2-dimensi dan 3-dimensi.
Adapun, PDP parabolik dinyatakan sebagai berikut
2u
u
(x, t) 2 2 (x, t) = 0
t
x
(8.3)
Fenomena fisis yang bisa dijelaskan oleh persamaan ini adalah masalah aliran panas dalam
suatu obyek. Sedangkan PDP hiperbolik dinyatakan sebagai berikut
2
2u
2u
(x,
t)
=
(x, t)
2x
t2
125
(8.4)
BAB 8. PERS. DIFERENSIAL PARSIAL NUMERIK
126
, biasa digunakan untuk menjelaskan fenomena gelombang.

Sekarang, mari kita bahas lebih dalam satu-persatu, difokuskan pada bagaimana cara mengkonversi semua PDP menjadi PDP versi Finite-Difference, (FD).
8.2
PDP eliptik
Kita mulai dari persamaan aslinya

2u
2u
(x,
y)
+
(x, y) = f (x, y)
x2
y 2
(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
xi = 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 titiktitik variasi di antara c dan d dapat diketahui melalui rumus ini
yj = 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 = yi dan garis-garis yang sejajar sumbu vertikal, x = xi disebut grid lines. Sementara titiktitik perpotongan antara garis-garis horisontal dan vertikal dinamakan mesh points.
Turunan kedua sebagaimana yang ada pada persamaan (8.5) dapat dinyatakan dalam rumus centered-difference sebagai berikut
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj ) h2 4 u
2u
(x
,
y
)
=
(i , yj )
i
j
x2
h2
12 x4
(8.8)
u(xi , yj+1 ) 2u(xi , yj ) + u(xi , yj1 ) k 2 4 u

2u
(xi , yj ) =
(xi , j )
2
y
k2
12 y 4
(8.9)
Kemudian, untuk menyederhanakan analisis menggunakan metode Finite-Difference, biasanya

suku yang terakhir diabaikan.
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj )
2u
(xi , yj ) =
x2
h2
(8.10)
u(xi , yj+1 ) 2u(xi , yj ) + u(xi , yj1 )

2u
(xi , yj ) =
2
y
k2
(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
127
maka solusinya pasti meleset/keliru "sedikit", karena pada hasilnya pasti mengandung truncation 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 persamaan (8.5)
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj ) u(xi , yj+1 ) 2u(xi , yj ) + u(xi , yj1 )
+
= f (xi , yj ) (8.12)
h2
k2
dimana i = 1, 2, ..., n 1 dan j = 1, 2, ..., m 1 dengan syarat batas sebagai berikut
u(x0 , yj ) = g(x0 , yj )
u(xn , yj ) = g(xn , yj )
j = 0, 1, ..., m;
u(xi , y0 ) = g(xi , y0 )
u(xi , ym ) = g(xi , ym )
i = 1, 2, ..., n 1.
Dalam metode Finite-Difference, persamaan (8.12) dinyatakan sebagai berikut

wi,j+1 2wi,j + wi,j1
wi+1,j 2wi,j + wi1,j
+
2
h
k2
2
h
wi+1,j 2wi,j + wi1,j + 2 (wi,j+1 2wi,j + wi,j1 )
k
h2
h2
h2
wi+1,j 2wi,j + wi1,j + 2 wi,j+1 2 2 wi,j + 2 wi,j1
k
k
k
h2
h2
2[1 + 2 ]wi,j + (wi+1,j + wi1,j ) + 2 (wi,j+1 + wi,j1 )
k
k
h2
h2
2[1 + 2 ]wi,j (wi+1,j + wi1,j ) 2 (wi,j+1 + wi,j1 )
k
k
= f (xi , yj )
= h2 f (xi , yj )
= h2 f (xi , yj )
= h2 f (xi , yj )
= h2 f (xi , yj )
(8.13)
dimana i = 1, 2, ..., n 1 dan j = 1, 2, ..., m 1, dengan syarat batas sebagai berikut

w0,j = g(x0 , yj )
wn,j = g(xn , yj )
j = 0, 1, ..., m;
wi,0 = g(xi , y0 )
wi,m = g(xi , ym )
i = 1, 2, ..., n 1.
Persamaan (8.13) adalah rumusan akhir metode Finite-Difference untuk PDP Eliptik.
8.2.1 Contoh pertama
Misalnya kita diminta mensimulasikan distribusi panas pada lempengan logam berukuran 0, 5
m x 0, 5 m. Temperatur pada 2 sisi tepi lempengan logam dijaga pada temperatur 0 C, sementara pada 2 sisi tepi lempengan logam yang lain temperaturnya diatur meningkat secara linear
dari 0 C hingga 100 C. Problem ini memenuhi PDP Eliptik:
2u
2u
(x,
y)
+
(x, y) = 0
x2
y 2
dengan syarat-syarat batas
u(0, y) = 0,
u(x, 0) = 0,
u(x, 0.5) = 200x,
u(0.5, y) = 200y
(8.14)
128
Y
U(0,y)=0
W0,3
W0,2
W0,1
W2,4
W1,4
W3,4
W1,3
W2,3
W3,3
W1,2
W2,2
W3,2
W1,1
W2,1
W3,1
W1,0
W2,0
W3,0
W4,3
W4,2
W4,1
0.5
U(0.5,y)=200y
0.5
U(x,0.5)=200x
U(x,0)=0
Gambar 8.1: Distribusi temperatur pada lempeng logam
Jika n = m = 4, masalah ini dipecahkan dengan grid sebagaimana yang diperlihatkan pada
Gambar 8.1. Adapun persamaan finite-differencenya adalah
4wi,j wi+1,j wi1,j wi,j1 wi,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
4w1,3 w2,3 w1,2 = w0,3 + w1,4
4w2,3 w3,3 w2,2 w1,3 = w2,4
4w3,3 w3,2 w2,3 = w4,3 + w3,4
4w1,2 w2,2 w1,1 w1,3 = w0,2
4w2,2 w3,2 w2,1 w1,2 w2,3 = 0
4w3,2 w3,1 w2,2 w3,3 = w4,2
4w1,1 w2,1 w1,2 = w0,1 + w1,0
4w2,1 w3,1 w1,1 w2,2 = w2,0
4w3,1 w2,1 w3,2 = w3,0 + w4,1
Syarat batas yang telah ditentukan adalah
w1,0 = w2,0 = w3,0 = w0,1 = w0,2 = w0,3 = 0,
w1,4 = w4,1 = 25,
w2,4 = w4,2 = 50,
and
w3,4 = w4,3 = 75
8.2. PDP ELIPTIK
129
Dengan menyertakan syarat batas, sistem persamaan linear dapat ditulis kembali sebagai berikut
4w1,3 w2,3 w1,2 = 25
4w2,3 w3,3 w2,2 w1,3 = 50
4w3,3 w3,2 w2,3 = 150
4w1,2 w2,2 w1,1 w1,3 = 0
4w2,2 w3,2 w2,1 w1,2 w2,3 = 0
4w3,2 w3,1 w2,2 w3,3 = 50
4w1,1 w2,1 w1,2 = 0
4w2,1 w3,1 w1,1 w2,2 = 0
4w3,1 w2,1 w3,2 = 25
Kemudian sistem persamaan linear tersebut dikonversikan ke dalam operasi perkalian matrik
4
1
1
4
0
1
1
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
w1,3

w2,3

w3,3

w1,2

w2,2
=

w3,2

w1,1

w2,1
w3,1
25
50
150
50
0
25
Mari kita perhatikan sejenak, susunan elemen-elemen angka pada matrik berukuran 9x9. Terlihat 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
w1,3
w2,3
w3,3
w1,2
w2,2
w3,2
w1,1
w2,1
w3,1
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.
Dalam kondisi real, mungkin kondisi seperti ini hanya bisa terjadi bila lempengan logam tersebut terbuat dari bahan yang homogen isotropik.
Berikut adalah script Matlab untuk menghitung nila-nilai w menggunakan metode Eliminasi
Gauss.
1
2
clear all
clc
130
3
4
5
6
7
8
9
10
11
12
n=9;
A=[ 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];
13
14
b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
15
16
17
18
19
20
21

%====== Menggabungkan Vektor b kedalam matrik A ========
%====== sehingga terbentuk matrik Augmentasi.
========
for i=1:n
A(i,n+1)=b(i,1);
end
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

for p=1:n+1
u=A(j,p);
v=A(j+1,p);
A(j+1,p)=u;
A(j,p)=v;
end
end
for i=jj:n
m=A(i,j)/A(j,j);
for k=1:(n+1)
end
end
end
%-------------------------------------------
45
46
47
48
49
50
51
52
53
54
55
56
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*x(j,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
57
58
59
%===== Menampilkan Vektor w =================

w=x
Sementara berikut ini adalah script Matlab untuk menghitung nila-nilai w menggunakan metode
8.2. PDP ELIPTIK

Iterasi Gauss-Seidel.
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
n=9;
A=[ 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];
14
15
b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
%&&&&&&& ITERASI GAUSS-SEIDEL &&&&&&&&&&&&&&&&&&

itermax=100; %iterasi maksimum
%----nilai awal----------xl=[0; 0; 0; 0; 0; 0; 0; 0; 0];
xb=xl;
%----stopping criteria----------sc=0.001;
%----memulai iterasi------------for iterasi=1:itermax
smtr1=0;
for j=2:n
smtr1=smtr1+A(1,j)*xl(j,1);
end
xb(1,1)=(-smtr1+b(1,1))/A(1,1);
%---------------------------------------------for i=2:n-1
smtr2=0;
for j=i+1:n
smtr2=smtr2-A(i,j)*xl(j,1);
end
smtr3=0;
for k=1:i-1
smtr3=smtr3-A(i,k)*xb(k,1);
end
xb(i,1)=(smtr3+smtr2+b(i,1))/A(i,i);
end
%---------------------------------------------smtr4=0;
for k=1:n-1
smtr4=smtr4-A(n,k)*xb(k,1);
end
xb(n,1)=(smtr4+b(n,1))/A(n,n);
%------perhitungan norm2 ------------s=0;
for i=1:n
s=s+(xb(i,1)-xl(i,1))^2;
end
epsilon=sqrt(s);
%------------------------------------xl=xb;
%------memeriksa stopping criteria--------
131
132
if epsilon<sc
w=xb
break
end
%-----------------------------------------
58
59
60
61
62
63
end
Tabel berikut memperlihatkan hasil pemrosesan dengan metode Eliminasi Gauss (disingkat:
EG) dan iterasi Gauss-Seidel (disingkat: GS)
w1,3
w2,3
w3,3
w1,2
w2,2
w3,2
w1,1
w2,1
w3,1
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 Eliminasi Gauss sebagai langkah akhir Finite-Difference. Alasannya karena, direct method seperti
eliminasi Gauss, lebih stabil dibandingkan metode iterasi. Tapi jika ordenya lebih dari 100,
disarankan memilih metode iterasi seperti iterasi Gauss-Seidel, atau menggunakan metode
SOR yang terbukti lebih efisien dibanding Gauss-Seidel. Jika matrik A bersifat positive definite,
metode Court Factorization adalah pilihan yg paling efisien dan menghemat memori komputer.
8.2.2 Contoh kedua
Diketahui persamaan poisson sebagai berikut
2u
2u
(x,
y)
+
(x, y) = xey ,
x2
y 2
0 < x < 2,
0 < y < 1,
dengan syarat batas

u (0, y) = 0,
u (2, y) = 2ey ,
0 y 1,
u (x, 0) = x,
u (x, 1) = ex,
0 x 2,
Solusi numerik dihitung dengan pendekatan finite-difference gauss-seidel dimana batas toleransi kesalahan ditentukan
8.3
PDP parabolik

(l)
(l1)
wij wij 1010
PDP parabolik yang kita pelajari disini adalah persamaan difusi

u
2u
(x, t) = 2 2 (x, t),
t
x
0<x<l
t > 0,
(8.16)
8.3. PDP PARABOLIK
133
yang berlaku pada kondisi

u(0, t) = u(l, t) = 0,
t > 0,
dan
u(x, 0) = f (x),
0 x l,
Perlu dicatat, t adalah berdimensi waktu. Sementara x berdimensi jarak.
8.3.1 Metode Forward-difference

Solusi numerik diperoleh menggunakan forward-difference (masih bagian dari finite-difference)
dengan langkah-langkah yang hampir mirip seperti yang telah dilakukan pada PDP eliptik.
Pertama, kita tentukan sebuah angka m > 0 dan tentukan bahwa h = l/m. Langkah kedua
adalah menentukan ukuran time-step k. Adapun grid points pada situasi ini adalah (xi , tj ),
dimana xi = ih, dengan i = 0, 1, 2, ..., m, dan tj = jk dengan j = 0, 1, ....
Berdasarkan deret Taylor, turunan pertama terhadap t dengan time step k adalah
u (xi , tj + k) u (xi , tj ) k 2 u
u
(xi , tj ) =
(xi , j )
t
k
2 t2
(8.17)
Namun, sebagaimana pendekatan finite-difference pada umumnya, pendekatan forward-difference

selalu mengabaikan suku terakhir sehingga persamaan di atas ditulis seperti ini
u (xi , tj + k) u (xi , tj )
u
(xi , tj ) =
t
k
(8.18)
Disisi lain, turunan kedua terhadap x pada persamaan (8.16) berdasarkan deret Taylor adalah
u (xi + h, tJ ) 2u (xi , tj ) + u (xi h, tJ ) h2 4 u
2u
(x
,
t
)
=
(i , tj )
i
j
x2
h2
12 x4
(8.19)
Pengabaian suku terakhir menjadikan persamaan diatas ditulis kembali sebagai berikut
u (xi + h, tj ) 2u (xi , tj ) + u (xi h, tj )
2u
(xi , tj ) =
2
x
h2
(8.20)
Dengan mensubstitusikan persamaan (8.18) dan (8.20) kedalam persamaan (8.16), maka
diperoleh
u (xi + h, tj ) 2u (xi , tj ) + u (xi h, tj )
u (xi , tj + k) u (xi , tj )
= 2
k
h2
(8.21)
atau dapat dinyatakan dalam simbol w, yang menyatakan posisi mesh-points secara umum
wi,j+1 wi,j
2
=0
k
h2
(8.22)
134
Dari sini diperoleh solusi untuk wi,j+1 , yaitu

wi,j+1 =
22 k
1 2
h
wi,j + 2
k
(wi+1,j + wi1,j )
h2
(8.23)
jika
=
2 k
h2
(8.24)
maka
(1 2) wi,j + wi+1,j + wi1,j = wi,j+1
(8.25)
8.3.2 Contoh ketiga: One dimensional heat equation

Misalnya diketahui, distribusi panas satu dimensi (1D) sebagai fungsi waktu, t dalam sebatang
logam memenuhi persamaan berikut
2u
u
(x, t) 2 2 (x, t) = 0,
t
x
0<x<1
0 t,
(8.26)
dengan syarat batas

u(0, t) = u(1, t) = 0,
0 < t,
dan kondisi mula-mula

u(x, 0) = sin(x),
0 x 1,
Solusi analitik atas masalah ini adalah

2
u(x, t) = e t sin(x)
Adapun sebaran posisi mesh-points dalam 1-D untuk mendapatkan solusi numerik dengan
metode forward-difference diperlihatkan pada Gambar 8.2.
h=0.1
Gambar 8.2: Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur. Jarak
antar titik ditentukan sebesar h = 0, 1.
Sementara Gambar 8.3 melengkapi Gambar 8.2, dimana perubahan waktu tercatat setiap
interval k = 0, 0005. Sepintas Gambar 8.3 terlihat seolah-olah obyek yang mau disimulasikan
berbentuk 2-dimensi, padahal bendanya tetap 1-dimensi yaitu hanya sebatang logam.
Selanjutnya, Gambar 8.4 memperlihatkan tepi-tepi syarat batas yaitu angka 0 di ujung kiri
dan angka 1 di ujung kanan, yang terletak pada sumbu horisontal x. Diantara batas-batas
itu terdapat sebaran titik simulasi berjarak h = 0, 1. Sementara, sumbu vertikal menunjukan
perubahan dari waktu ke waktu dengan interval k = 0, 0005.
Tabel 8.1 menunjukkan hasil perbandingan antara pemilihan nilai interval k = 0, 0005 dan
k = 0, 01. Tabel ini menginformasikan satu hal penting, yaitu pada saat interval k = 0, 0005,
8.3. PDP PARABOLIK
135
t
0.0.....
k=0.0005
1 x
0
h=0.1
Gambar 8.3: Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005
t
0.0.....
0.0015
0.0010
0.0005
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1 x
Gambar 8.4: Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan
forward-difference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat
simulasi forward-difference berhasil mencapai konvergensi yang sangat baik. Namun pada saat
interval k = 0.01, terlihat jelas hasil simulasi tidak konvergen (Bandingkan kolom ke-4 dan
kolom ke-6!).
8.3.3 Metode Backward-difference
Kalau kita ulang lagi pelajaran yang lalu tentang forward-difference, kita akan dapatkan formula
forward-difference adalah sebagai berikut
wi,j+1 wi,j
2
=0
k
h2
(8.27)
Sekarang, dengan sedikit modifikasi, formula backward-difference dinyatakan sebagai

wi,j wi,j1
2
=0
k
h2
jika ditetapkan
=
2 k
h2
(8.28)
136
Tabel 8.1: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke2 adalah solusi analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forward-difference.
Kolom ke-4 dan ke-6 adalah selisih solusi analitik dan numerik
wi,1000
wi,50
xi
u(xi , 0.5) k = 0, 0005 |u(xi , 0.5) wi,1000 |
k = 0, 01 |u(xi , 0.5) wi,50 |
0,0
0
0
0
5
0,1 0,00222241 0,00228652
6, 411 10
8, 19876 107
8, 199 107
4
8
0,2 0,00422728 0,00434922
1, 219 10
1, 55719 10
1, 557 108
4
8
0,3 0,00581836 0,00598619
1, 678 10
2, 13833 10
2, 138 108
0,4 0,00683989 0,00703719
1, 973 104
2, 50642 108
2, 506 108
4
8
0,5 0,00719188 0,00739934
2, 075 10
2, 62685 10
2, 627 108
0,6 0,00683989 0,00703719
1, 973 104
2, 49015 108
2, 490 108
4
8
0,7 0,00581836 0,00598619
1, 678 10
2, 11200 10
2, 112 108
4
8
0,8 0,00422728 0,00434922
1, 219 10
1, 53086 10
1, 531 108
0,9 0,00222241 0,00228652
6, 511 105
8, 03604 107
8, 036 107
1,0
0
0
0
maka backward-difference disederhanakan menjadi

(1 + 2) wi,j wi+1,j wi1,j = wi,j1
(8.29)
coba sejenak anda bandingkan dengan formula forward-difference dalam sebagaimana dinyatakan oleh persamaan (8.25)
(1 2) wi,j + wi+1,j + wi1,j = wi,j+1
Kinerja metode backward-difference untuk mensimulasikan distribusi temperatur pada sebatang logam dalam fungsi waktu, t, sebagaimana contoh ketiga di atas , menunjukkan performa yang lebih baik dibandingkan dengan metode forward-difference. Hal ini bisa terlihat dari
tabel berikut
Tabel 8.2: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode
backward-difference
xi
u(xi , 0.5)
wi,50
|u(xi , 0.5) wi,50 |
0,0
0
0
0,1 0,00222241 0,00289802
6, 756 104
0,2 0,00422728 0,00551236
1, 285 103
0,3 0,00581836 0,00758711
1, 769 103
0,4 0,00683989 0,00891918
2, 079 103
0,5 0,00719188 0,00937818
2, 186 103
0,6 0,00683989 0,00891918
2, 079 103
0,7 0,00581836 0,00758711
1, 769 103
0,8 0,00422728 0,00551236
1, 285 103
0,9 0,00222241 0,00289802
6, 756 104
1,0
0
0
8.3. PDP PARABOLIK
137
8.3.4 Metode Crank-Nicolson

Pondasi metode Crank-Nicolson terdiri adalah Forward-Difference dan Backward-Difference.
Jika formula Forward-Difference adalah
wi,j+1 wi,j
2
=0
k
h2
sedangkan Backward-Difference pada waktu menunjukkan (j + 1) adalah
wi+1,j+1 2wi,j+1 + wi1,j+1
wi,j+1 wi,j
2
=0
k
h2
maka jika kedua formula itu dirata-ratakan akan diperoleh

wi,j+1 wi,j
wi+1,j+1 2wi,j+1 + wi1,j+1
2 wi+1,j 2wi,j + wi1,j
=0
+
k
2
h2
h2
inilah formula Crank-Nicolson. Lalu dinyatakan
=
2 k
h2
maka
wi,j+1 wi,j
wi,j+1 wi,j
[wi+1,j 2wi,j + wi1,j + wi+1,j+1 2wi,j+1 + wi1,j+1 ] = 0

2
wi+1,j + wi,j wi1,j wi+1,j+1 + wi,j+1 wi1,j+1 = 0

2
2
2
2
wi1,j+1 + wi,j+1 + wi,j+1 wi+1,j+1 wi1,j wi,j + wi,j wi+1,j = 0

2
2
2
2
wi1,j+1 + wi,j+1 + wi,j+1 wi+1,j+1 = wi1,j + wi,j wi,j + wi+1,j

2
2
2
2
dan akhirnya
wi1,j+1 + (1 + )wi,j+1 wi+1,j+1 = wi1,j + (1 )wi,j + wi+1,j

2
2
2
2
Dalam bentuk persamaan matrik dinyatakan sebagai
Aw(j+1) = Bw(j) ,
untuk j = 0, 1, 2, ...
(8.30)
Bab 9
Integral Numerik
Objektif :
Mengenalkan metode Trapezoida.
Mengenalkan metode Simpson.
Mengenalkan metode Composite-Simpson.
9.1
Metode Trapezoida
Suatu persamaan integral

Z
f (x)dx
(9.1)
disebut numerical quadrature. Pendekatan numerik untuk menyelesaikan integral tersebut

adalah
i=0
X
ai f (xi )
(9.2)
Metode pendekatan yang paling dasar dalam integral numerik adalah metode Trapezoida
Z
f (x)dx =
h
h3
[f (x0 ) + f (x1 )] f ()
2
12
(9.3)
dimana x0 = a, x1 = 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
Z
f (x)dx =
a
h
h5
[f (x0 ) + 4f (x1 ) + f (x2 )] f 4 ()
3
90
139
(9.4)
BAB 9. INTEGRAL NUMERIK
140
Gambar 9.1: Metode Trapezoida
Gambar 9.2: Metode Simpson

dengan x0 = a, x2 = b, dan x1 = a + h dimana h = (b a)/2.
Contoh
Metode Trapezoida untuk fungsi f pada interval [0,2] adalah

Z
f (x)dx f (0) + f (2)
dimana x0 = 0, x1 = 2 dan h = 2 0 = 2,
sedangkan metode Simpson untuk fungsi f pada interval [0,2] adalah

Z
f (x)dx
1
[f (0) + 4f (1) + f (2)]
3
dengan x0 = 0, x2 = 2, dan x1 = a + h = 1 dimana h = (b a)/2 = 1.
9.3. METODE COMPOSITE-SIMPSON
141
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.
x2
2,667
4,000
2,667
f (x)
Nilai exact
Trapezoida
Simpson
x4
6,400
16,000
6,667
1/(x + 1)
1,099
1,333
1,111
1 + x2
2,958
3,326
2,964
sin x
1,416
0,909
1,425
ex
6,389
8,389
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
Z
x1
h
h3
[f (x0 ) + f (x1 )] f ()
2
12
(9.5)
h5
h
[f (x0 ) + 4f (x1 ) + f (x2 )] f 4 ()
3
90
(9.6)
f (x)dx =
x0
ketika n = 2: Simpson
Z
x2
f (x)dx =
x0
ketika n = 3: Simpson tiga-per-delapan

Z
x3
f (x)dx =
x0
3h
3h5 4
[f (x0 ) + 3f (x1 ) + 3f (x2 ) + f (x3 )]
f ()
8
80
ketika n = 4:
Z x4
2h
8h7 6
f (x)dx =
[7f (x0 ) + 32f (x1 ) + 12f (x2 ) + 32f (x3 ) + 7f (x4 )]
f ()
45
945
x0
(9.7)
(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
R4
0
ex dx. Metode Simpson
dengan h = 2 (atau interval evaluasi integral dibagi 2 , n = 2) memberikan hasil

Z
4
0
ex dx

2 0
e + 4e2 + e4 = 56, 76958
3
142
Gambar 9.3: Metode Composite Simpson
Padahal solusi exact dari integral tersebut adalah e4 e0 = 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)
Z
e dx =
e dx +
0
ex dx
1 2

1 0
e + 4e + e2 +
e + 4e3 + e4
3
3

1 0
2
e + 4e + 2e + 4e3 + e4
=
3
= 53, 86385
Hasil ini memperlihatkan error yang makin kecil, yaitu menjadi 0,26570. Jadi dengan memperkecil 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),

Z
4
0
Z 4
Z 3
ex dx
ex dx +
ex dx +
3
2
1
0
1

1 0
1/2
3/2
e + 4e + e +
e + 4e + e2 +
6
6
1

1 2
e + 4e5/2 + e3 +
e3 + 4e7/2 + e4
6
6

1 0
1/2
3/2
2
5/2
3
7/2
4
e + 4e + 2e + 4e + 2e + 4e + 2e + 4e + e
=
6
= 53, 61622
ex dx =
ex dx +
dan seperti yang tadi kita simpulkan, error -nya semakin kecil menjadi 0,01807.
9.3. METODE COMPOSITE-SIMPSON
143
Prosedur ini dapat digeneralisir menjadi suatu formula sebagai berikut

Z
f (x)dx =
a
n/2 Z
X
j=1
x2j
f (x)dx
x2j2
n/2
X
h
j=1

h5 (4)
[f (x2j2 ) + 4f (x2j1 ) + f (x2j )] f (j )
3
90
(9.9)
dimana h = (b a)/n dan xj = a + jh, untuk j = 1, ..., n/2, dengan x0 = a dan xn = b. Formula
ini dapat direduksi menjadi

Z
n/2
(n/2)1
n/2
X
X
h
h5 X (4)
f (x)dx =
f (x2j1 ) + f (xn )
f (x2j ) + 4
f (x0 ) + 2
f (j )
3
90
j=1
j=1
Formula ini dikenal sebagai metode Composite Simpson.
j=1
(9.10)
144
Tugas#4
1. Hitunglah integral-integral berikut ini dengan metode Composite Simpson!

a.
b.
c.
d.
e.
x ln xdx,
n=4
2
0
3
1
2
2
dx,
+4
x
dx,
2
x +4
n=6
x2
x3 ex dx,
2
Z 3/8
n=8
n=4
tan xdx,
n=8
f.
x2 4
dx,
n=8
2. Tentukan nilai n dan h untuk mengevaluasi

Z
e2x sin 3xdx
dengan metode Composite Simpson, bila error yang ditolerir harus lebih kecil dari 104 .
Bab 10
Metode Newton
Objektif :
10.1
Penyederhanaan
Metode Newton sangat populer dan powerfull untuk mencari akar suatu fungsi yang kontinyu. 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) +
0 = f (
x) + (p x
)f (
x) +
(x x
)2
f ((x))
2
(p x
)2
f ((p))
2
0 = f (
x) + (p x
)f (
x)
px
=
px
pn = pn1
f (x)
f (
x)
f (x)
f (
x)
f (pn1 )
f (pn1 )
145
n1
BAB 10. METODE NEWTON
146
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 dengan radius r = 1 berada di dalam kotak bujursangkar. Luas lingkaran adalah r2 = (1)2 =
sementara luas bujursangkar adalah (2)2 = 4. Rasio antara luas lingkaran dan luas bola adalah
=
luas lingkaran
= = 0, 7853981633974483
luas bujursangkar
4
(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 dalam lingkaran, dan yang lainnya di luar lingkaran. Rasio antara keduanya
=
total
812
dart di dalam lingkaran
=
= 0, 79296875
dart di dalam bujursangkar
1024
147
(11.3)
BAB 11. METODE MONTE CARLO
148
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 nilai dengan mengacu pada rumus di atas. Kita sepakati saja bahwa dart yang berada di dalam
lingkaran mesti memenuhi x2i + yi2 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
= 0, 787
1000
11.1. PENYEDERHANAAN
149
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 peroleh.
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)
axb
(11.5)
Bab 12
Inversi
Objektif :
12.1
Inversi Linear
Diketahui data eksperimen tersaji dalam tabel berikut ini

xi
1
2
3
4
5
yi
1,3
3,5
4,2
5,0
7,0
xi
6
7
8
9
10
yi
8,8
10,1
12,5
13,0
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 a1 xi + a0 . Artinya,
kita melakukan pendekatan secara linear, dimana fungsi pendekatan-nya adalah
P (xi ) = a1 xi + a0
(12.1)
Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa, sehingga posisi
garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas?
151
BAB 12. INVERSI
152
16
14
12
10
Y 8
6
4
2
0
1
10
Dengan kata lain, sebisa mungkin yi sama dengan P (xi ) atau dapat diformulasikan sebagai
m
X
yi P (xi ) = 0
(12.2)
yi (a1 xi + a0 ) = 0
(12.3)
i=1
m
X
i=1
dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu
E(a0 , a1 ) =
m
X
i=1
yi (a1 xi + a0 )
(12.4)
Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Jadi, 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 diwujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga
menjadi
E(a0 , a1 ) =
m
X
i=1
[yi (a1 xi + a0 )]2
(12.5)
Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
E(a0 , a1 )
=0
ai
(12.6)
dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a0 dan a1 . Maka mesti ada dua
12.1. INVERSI LINEAR
153
buah turunan yaitu:

m
X
E(a0 , a1 )
=
[yi (a1 xi + a0 )]2 = 0
a0
a0
i=1
m
X
(yi a1 xi a0 )(1) = 0
2
i=1
a0 .m + a1
m
X
xi =
m
X
yi
(12.7)
xi yi
(12.8)
i=1
i=1
dan
m
E(a0 , a1 )
X
=
[yi (a1 xi + a0 )]2 = 0
a1
a1
i=1
m
X
i=1
(yi a1 xi a0 )(xi ) = 0
a0
m
X
xi + a1
i=1
m
X
x2i
i=1
m
X
i=1
Akhirnya persamaan (12.7) dan (12.8) dapat dicari solusinya berikut ini:
a0 =
Pm
dan
a1 =
2
i=1 xi
Pm
Pm
Pm
i=1 yi
i=1 xi yi
i=1 xi
Pm 2
Pm
2
i=1 xi ( i=1 xi )
Pm
Pm
i=1 xi yi
Pm 2
m
i=1 xi
Pm
yi
i=1 xi
Pm i=12
( i=1 xi )
(12.9)
(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 persis. OK, berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka
didapat:
a0 =
385(81) 55(572, 4)
= 0, 360
10(385) (55)2
(12.11)
10(572, 4) 55(81)
= 1, 538
10(385) (55)2
(12.12)
dan
a1 =
Jadi, fungsi pendekatan-nya, P (xi ), adalah

P (xi ) = 1, 538xi 0, 360
(12.13)
Solusi least square dengan pendekatan persamaan garis seperti ini juga dikenal dengan nama
lain yaitu regresi linear. Sedangkan nilai a0 dan a1 disebut koefisien 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
BAB 12. INVERSI
154
16
P(x) = 1.538*x 0.36
14
12
10
8
6
4
2
0
2
0
10
parabola atau quadratik dimana fungsi pendekatannya berupa persamaan parabola, yaitu:
P (xi ) = a2 x2i + a1 xi + a0
(12.14)
dimana koefisien regresinya ada tiga yaitu a0 , a1 dan a2 . Kalau anda menduga demikian, maka
dugaan anda benar! Bahkan sebenarnya tidak terbatas sampai disitu. Secara umum, fungsi
pendekatan, P (xi ), bisa dinyatakan dalam aljabar polinomial berikut ini:
P (xi ) = an xni + an1 xin1 + ... + a2 x2i + a1 xi + a0
(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 menyelesaikan 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:
a0 .m + a1
a0
m
X
xi + a1
i=1
m
X
i=1
m
X
xi =
x2i =
m
X
i=1
m
X
yi
xi yi
i=1
i=1
Keduanya bisa dinyatakan dalam operasi matrik:

"
m
Pm
i=1 xi
Pm
i=1 xi
Pm
2
i=1 xi
#"
a0
a1
" P
m
yi
Pmi=1
i=1 xi yi
(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 Aplikasi Elimininasi Gauss: Model Garis. Silakan anda lanjutkan perhitungan matrik tersebut
hingga diperoleh koefisien regresi a0 dan a1 . Selamat mencoba!
12.2. INVERSI NON-LINEAR
12.2
155
Inversi Non-Linear
Persamaan least squares linear adalah sebagai berikut:

[Gt G]m = Gt d
(12.17)
Persamaan least squares non-linear dapat dinyatakan sebagai berikut:

[Gt G + I]m = Gt d
(12.18)
dimana G adalah matrik kernel, namun dia juga biasa dikenal dengan sebutan matrik Jacobian, sementara adalah faktor pengali Lagrange, dan I adalah matrik identitas yang ordenya disesuaikan dengan Gt G. Adapun definisi 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) = xm
2. Menghitung jacobian, G. Caranya adalah menghitung turunan pertama dari model terhadap model-parameter, m. Sesuai permisalan pada point 1, didapat
A=
f (m)
= xm ln(x)
m
(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) = xm 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 d1 , d2 , .., d10 .
4. Buatlah perhitungan untuk m sembarang, misal mula-mula dipilih m = 5. Ini adalah nilai 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 m0 = 5, dimana m0 maksudnya adalah m mula-mula. Lalu hitung lagi nilai
0
f (x) = xm . Sekarang dinamakan dc = f (x). Jangan lupa bahwa saat perhitungan, nilai
x bergerak dari 1 sampai 10. Jadi, nanti didapat 10 dc .
5. Hitunglah d, dimana d = dc d. Sebelumnya sudah dinyatakan bahwa dc 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
1
(dc d)2 = d2
N
N
(12.20)
dimana N = 10 karena d-nya ada 10. Rumus ini tidak mutlak harus demikian, anda bisa
juga menggunakan norm 2, 2 .
BAB 12. INVERSI
156
7. Tentukan nilai epsilon, , misal = 0.000001. Lalu lakukan evaluasi sederhana. Cek,
apakah ||d|| < ? Pasti awalnya ||d|| > , kenapa? Karena m 6= m0 . Kalau begini
situasinya, d yang ada 10 biji itu dimasukan kedalam proses berikutnya.
8. Hitunglah operasi matriks berikut ini untuk mendapatkan m

[Gt G + I]m = Gt 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 m0 menjadi m1 sesuai dengan rumus
m1 = m0 + m
(12.22)
Nah, m1 ini dimasukan ke proses yang dijelaskan pada point 4 kemudian proses diulangi hingga point 9, begitu seterusnya. Dari sinilah dimulai proses iterasi. Iterasi akan
berhenti bila ||d|| < . Pada saat itu, nilai mk 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 benar 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 Academic Resource Center.
157
Indeks
Positive-definite, 5
Transpose, 3
Tridiagonal, 4
Vektor-baris, 6
Vektor-kolom, 6
159

Kumputasi Hal 55 Inversi

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 Hal 55 Inversi

Diunggah oleh

Hak Cipta:

Format Tersedia

Komputasi untuk Sains dan Teknik

Departemen Fisika-FMIPA, Univeristas Indonesia

Depok, 16 September 2007

1 Matrik dan Komputasi

Inisialisasi matrik dalam memori komputer . . . . . . . . . . . . . . . . . . . . . .

Matrik diagonal dominan . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.10 Matrik positive-definite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.11 Vektor-baris dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . .

Komputasi penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . .

Komputasi perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . .

Perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . .

Komputasi perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . .

2 Metode Eliminasi Gauss

Sistem persamaan linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Triangularisasi dan Substitusi Mundur . . . . . . . . . . . . . . . . . . . . . . . . .

Matrik dan Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Algoritma eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Menghitung arus listrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Menghitung invers matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 Aplikasi Eliminasi Gauss pada Masalah Inversi

Inversi Model Garis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Script matlab inversi model garis . . . . . . . . . . . . . . . . . . . . . . . .

Inversi Model Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Script matlab inversi model parabola . . . . . . . . . . . . . . . . . . . . .

Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . .

Script perhitungan norm dalam Matlab . . . . . . . . . . . . . . . . . . . .

Script Matlab untuk menghitung iterasi . . . . . . . . . . . . . . . . . . . .

Optimasi script Matlab untuk menghitung iterasi . . . . . . . . . . . . . .

Program dalam Fortran . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Script iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Script iterasi Gauss-Seidel dalam Fortran . . . . . . . . . . . . . . . . . . .

Iterasi dengan Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Algoritma Iterasi Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . .

Interpolasi Cubic Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

Metode Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

Metode Finite Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

Script Finite-Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

8 Pers. Diferensial Parsial Numerik

PDP eliptik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

PDP parabolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

Metode Forward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

Contoh ketiga: One dimensional heat equation . . . . . . . . . . . . . . . . . 134

Metode Backward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

Metode Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

Metode Composite-Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

10.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

11.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

12.1 Inversi Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

Grafik data pengukuran gerak batu . . . . . . . . . . . . . . . . . . . . . . . . . . .

Grafik hasil inversi parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Fungsi f (x) dengan sejumlah titik data . . . . . . . . . . . . . . . . . . . . . . . .

Pendekatan dengan polinomial cubic spline . . . . . . . . . . . . . . . . . . . . . .

Profil suatu object . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

Sampling titik data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

Hasil interpolasi cubic spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

Hasil interpolasi lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106