Anda di halaman 1dari 45

http://istiarto.staff.ugm.ac.

id

SISTEM PERSAMAAN LINEAR


Systems of Linear Algebraic Equations

Sistem Persamaan Linear


2

http://istiarto.staff.ugm.ac.id

Acuan
q

Chapra, S.C., Canale R.P., 1990, Numerical Methods for Engineers,


2nd Ed., McGraw-Hill Book Co., New York.
n

Chapter 7, 8, dan 9, hlm. 201-290.

Sistem Persamaan Linear


3

http://istiarto.staff.ugm.ac.id

Serangkaian n persamaan linear:


a11x1 + a12 x2 + ... + a1n xn = c1
a21x1 + a22 x2 + ... + a2n xn = c2
.
.
.
a1n x1 + a2n x2 + ... + a nn xn = c n

Sejumlah n persamaan linear


ini harus diselesaikan secara
simultan untuk mendapatkan
x1, x2,, xn yang memenuhi
setiap persamaan tsb.

Metode Penyelesaian
4

http://istiarto.staff.ugm.ac.id

Jml. pers. sedikit, n


q

Penyelesaian
q
q
q

Grafis
Cramer
Eliminasi

Jml. pers. banyak, n


q

Penyelesaian langsung
q
q

Eliminasi Gauss
Gauss-Jordan

Iteratif
q
q
q

Jacobi
Gauss-Seidel
Successive Over Relaxation

Metode Grafis
5

http://istiarto.staff.ugm.ac.id

x2

x2 =

x1 =

x1

Metode Grafis
6

http://istiarto.staff.ugm.ac.id

x2

x2

hampir sejajar

ill-conditioned system

x1

x2

berimpit

singular system

x1

sejajar

singular system

x1

Metode Cramer
7

http://istiarto.staff.ugm.ac.id

Variabel tak diketahui, xi, merupakan perbandingan dua determinan


matriks
q
q

Penyebut : determinan, D, matriks koefisien sistem persamaan


Pembilang : determinan matriks koefisien sistem persamaan seperti penyebut,
namun koefisien kolom ke i diganti dengan koefisien ci

Contoh
q

3 persamaan linear a11x1 + a12 x2 + a13 x3 = c1

a21x1 + a22 x2 + a23 x3 = c2


a31x1 + a32 x2 + a33 x3 = c3

Metode Cramer
8

http://istiarto.staff.ugm.ac.id

a11 a12
[A] = A = a21 a22
a31 a32

x1 =

a13
a23
a33

c1

a12

a13

c2
c3

a22
a23
D

a23
a33

a11 a12
D = det A = a21 a22
a31 a32
a11 c1 a13
a21 c2 a23
a31 c3 a33
x2 =
D

a13
a23
a33
a11 a12
a21 a22
a31 a23
x3 =
D

c1
c2
a3

Determinan Matriks
9

http://istiarto.staff.ugm.ac.id

Matriks bujur sangkar: n n

Mencari determinan matriks


q
q

Hitungan manual
MSExcel, dengan fungsi =MDETERM()

Contoh hitungan determinan matriks 2 2 dan 3 3


a
a
[A] = A = 11 12
a21 a22

a11 a12
[B] = B = a21 a22
a31 a32

a13
a23
a33

Determinan Matriks
10

http://istiarto.staff.ugm.ac.id

a11 a12
D = det A =
= a11a22 a12 a21
a21 a22
a11 a12
D = det B = a21 a22
a31 a32

a13
a
a23 = a11 22
a32
a33

a23
a33

a12

a21 a23
a31 a33

+ a13

a21 a22
a31 a32

= a11(a22 a33 a23 a32 ) a12 (a21a33 a23 a31 ) + a13 (a21a32 a22 a31 )

Metode Cramer
11

http://istiarto.staff.ugm.ac.id

Contoh: 3 persamaan linear


3x1 0.1x2 0.2x3 = 7.85
0.1x1 + 7 x2 0.3x3 = 19.3
0.3x1 0.2x2 + 10x3 = 71.4

AX = C
3 0.1 0.2 x1 7.85
0.1
x = 19.3
7

0
.
3

2
0.3 0.2 10 x3 71.4

det A = (3)[(7 )(10) ( 0.3)( 0.2)] ( 0.1)[(0.1)(10) ( 0.3)(0.3)] +

( 0.2)[(0.1)( 0.2) (7 )(0.3)]


= 210.353

Metode Cramer
12

http://istiarto.staff.ugm.ac.id

7.85 0.1 0.2


[A1] = 19.3 7 0.3 [A2 ] =
71.4 0.2 10

det A1 = A1 = 631.059
x1 =

det A1 631.059
=
=3
det A 210.353

7.85 0.2
3
0.1 19.3 0.3

0.3 71.4
10

det A2 = A2 = 525.883
x2 =

3 0.1 7.85
[A3 ] = 0.1 7 19.3
0.3 0.2 71.4

det A3 = A3 = 1472.471

det A 3 1472.471
det A2 525.883
=
=7
=
= 2.5 x3 =
det A
210.353
det A
210.353

Metode Eliminasi
13

http://istiarto.staff.ugm.ac.id

Contoh: 2 persamaan linear


a11x1 + a12 x2 = c1

a21 [a11x1 + a12 x2 = c1]

a11a21x1 + a12 a21x2 = c1a21

a21x1 + a22 x2 = c1

a11 [a21x1 + a22 x2 = c2 ]

a21a11x1 + a22 a11x2 = c2a11

a22a11x2 a12a21x2 = c2a11 c1a21


x2 =

c2a11 c1a21
a22 a11 a12 a21

x1 =

c2a22 c1a12
a22 a11 a12 a21

Eliminasi Gauss
14

http://istiarto.staff.ugm.ac.id

Strategi
q
q

Forward elimination
Back substitution

Contoh
q

3 persamaan linear

a11x1 + a12 x2 + a13 x3 = c1

(1)

a21x1 + a22 x2 + a23 x3 = c2

(2)

a31x1 + a32 x2 + a33 x3 = c3

(3)

Eliminasi Gauss
15

http://istiarto.staff.ugm.ac.id

Forward elimination #1
q

Hilangkan x1 dari pers. kedua dan ketiga dengan operasi perkalian koefisien dan
pengurangan dengan pers. pertama.

pivot coefficient

pivot equation

a11x1 + a12 x2 + a13 x3 = c1

a
a
a
a22 21 a12 x2 + a23 21 a13 x3 = c2 21 c1
a11
a11
a11

a
a
a
a32 31 a12 x2 + a33 31 a13 x3 = c3 31 c1
a11
a11
a11

a11x1 + a12 x2 + a13 x3 = c1


x2 + a23
x3 = c2
a22
x2 + a33
x3 = c3
a32

(1)
(2')
(3')

Eliminasi Gauss
16

http://istiarto.staff.ugm.ac.id

Forward elimination #2
q

Hilangkan x2 dari pers. ketiga dengan operasi perkalian koefisien dan


pengurangan dengan pers. kedua.

pivot coefficient

a11x1 + a12 x2 + a13 x3 = c1


x2 + a23
x3 = c2
a22

pivot equation

a
a
32 a23
x3 = c3 32 c2
a33

a22
a22

a11x1 + a12 x2 + a13 x3 = c1


x2 + a23
x3 = c2
a22
x3 = c3
a33

(1)
(2')
(3'')

Eliminasi Gauss
17

http://istiarto.staff.ugm.ac.id

Back substitution
q

Hitung x3 dari pers. (3''), hitung x2 dari pers. (2), dan x1 dari pers. (1)

x3 =

c3

a33

x2 =

x3
c2 a23

a22

x1 =

c1 a12 x2 a13 x3
a11

Eliminasi Gauss
18

http://istiarto.staff.ugm.ac.id

Forward elimination

a11x1 + a12 x2 + a13 x3 + ... + a1n xn = c1


x2 + a23
x3 + ... + a2 n xn = c2
a22
x3 + ... + a2n xn = c2
a23
.
.
.
a nnn 1xn = c nn 1

Back substitution
c nn 1
x n = n 1
a nn
c ii 1
xi =

j = i +1
i 1
ii

i 1
ij
j

, i = n 1, n 2,...,1

Eliminasi Gauss
19

http://istiarto.staff.ugm.ac.id

Contoh: 3 persamaan linear


(1) 3x1 0.1x2 0.2x3 = 7.85
(2) 0.1x1 + 7 x2 0.3x3 = 19.3
(3) 0.3x1 0.2x2 + 10x3 = 71.4

Eliminasi Gauss
20

http://istiarto.staff.ugm.ac.id

Forward elimination
q

Eliminasi x2 dari Pers. 2 dan 3, Pers. 1 sebagai pivot


(1) 3x1 0.1x2 0.2x3 = 7.85
(2) 0x1 + 7.0033x2 0.2933x3 = 19.5617
(3) 0x1 0.19x2 + 10.02x3 = 70.615

Eliminasi x3 dari Pers. 3, Pers. 2 sebagai pivot


(1) 3x1 0.1x2 0.2x3 = 7.85
(2) 0x1 + 7.0033x2 0.2933x3 = 19.5617
(3) 0x1 + 0x2 + 10.0120x3 = 70.0843

Eliminasi Gauss
21

http://istiarto.staff.ugm.ac.id

Back substitution
q

Menghitung x3 dari Pers. 3''


70.0843
x3 =
=7
10.0120
Substitusi x3 ke Pers. 2' untuk menghitung x2
x2 =

19.5617 + 0.2933 (7 )
= 2.5
7.0033

Substitusi x3 dan x2 ke Pers. 1 untuk menghitung x1


x1 =

7.85 + 0.2 (7 ) + 0.1( 2.5)


=3
3

Metode Eliminasi
22

http://istiarto.staff.ugm.ac.id

Strategi
q
q

Eliminasi variabel tak diketahui, xi, dengan penggabungan dua persamaan.


Hasil eliminasi adalah satu persamaan yang dapat diselesaikan untuk
mendapatkan satu variabel xi.

Kelemahan Metode Eliminasi


23

http://istiarto.staff.ugm.ac.id

Pembagian dengan nol


q

Pivot coefficient sama dengan nol ataupun sangat kecil.

Pembagian dengan nol dapat terjadi selama proses eliminasi ataupun substitusi.

Round-off errors
q

Selama proses eliminasi maupun substitusi, setiap langkah hitungan bergantung pada
langkah hitungan sebelumnya dan setiap kali terjadi kesalahan; kesalahan dapat
berakumulasi, terutama apabila jumlah persamaan sangat banyak.

Ill-conditioned systems
q

Ill-condition adalah situasi dimana perubahan kecil pada satu atau beberapa
koefisien berakibat perubahan yang besar pada hasil hitungan.

Perbaikan
24

http://istiarto.staff.ugm.ac.id

Pemilihan pivot (pivoting)


q

Urutan persamaan dipilih sedemikian hingga yang menjadi pivot equation


adalah persamaan yang memberikan pivot coefficient terbesar.

Metode Penyelesaian
25

http://istiarto.staff.ugm.ac.id

Matriks Inversi
q

Gauss-Jordan

Metode Iteratif
q
q

Jacobi
Gauss-Seidel

Metode Gauss-Jordan
26

http://istiarto.staff.ugm.ac.id

Mirip dengan metode eliminasi Gauss, tetapi tidak diperlukan back


substitution.
Contoh
q

3 persamaan linear

3x1 0.1x2 0.2x3 = 7.85


0.1x1 + 7 x2 0.3x3 = 19.3
0.3x1 0.2x2 + 10x3 = 71.4

Metode Gauss-Jordan
27

http://istiarto.staff.ugm.ac.id

3 0.1 0.2 7.85

0
.
1
7

0
.
3

19
.
3

0.3 0.1 10
71.4

1 0.0333 0.0667 2.6167

0
.
1
7

0
.
3

19
.
3

0.3
0.1
10
71.4

3 3 0.1 3 0.2 3 7.85 3

0
.
1
7

0
.
3

19
.
3

0.3 0.1
10
71.4

1 0.0333 0.0667
2.6167

0
7
.
0033

0
.
2933

19
.
5617

0 0.1900 10.0200 70.6150

Metode Gauss-Jordan
28

http://istiarto.staff.ugm.ac.id

1 0.0333 0.0667
2.6167

0
7
.
0033

0
.
2933

19
.
5617

0 0.1900 10.0200 70.6150

1
0.0333
0.0667
2.6167

0
/
7
.
0033
7
.
0033
/
7
.
0033

0
.
2933
/
7
.
0033

19
.
5617
/
7
.
0033

0
0.1900
10.0200
70.6150
1 0.0333 0.0667 2.6167

0
1

0
.
0419

2
.
7931

0 0.1900 10.0200 70.6150

1 0 0.0681 2.5236

0
1

0
.
0419

2
.
7931

0 0 10.0120 70.0843

Metode Gauss-Jordan
29

http://istiarto.staff.ugm.ac.id

1
0
0.0681
2.5236

0
1

0
.
0419

2
.
7931

0 / 10.0120 0 / 10.0120 10.0120 / 10.0120 70.0843 / 10.0120


1 0 0.0681 2.5236

0
1

0
.
0419

2
.
7931

0 0
1
7

1 0 0
3

0
1
0

2
.
5

0 0 1 7

x1 3

x2 = 2.5
x 7
3

Gauss-Jordan vs Eliminasi Gauss


30

http://istiarto.staff.ugm.ac.id

Metode Gauss-Jordan
q
q

Jumlah operasi lebih banyak (50%)


Memiliki kelemahan yang sama dengan eliminasi Gauss
n
n

Pembagian dengan nol


Round-off error

Matriks Inversi
31

http://istiarto.staff.ugm.ac.id

[A] {X} = {C}

{X} = [A] {C}

a11 a12 a13 1 0 0

a
a
a
0
1
0
23
21 22

a31 a31 a33 0 0 1

1
1
1

1 0 0 a11
a12
a13

1
1
1
0
1
0
a
a
a
21
22
23

1
1
1
0 0 1 a31 a32 a33

Matriks Inversi
32

http://istiarto.staff.ugm.ac.id

Contoh: 3 persamaan linear


(1) 3x1 0.1x2 0.2x3 = 7.85
(2) 0.1x1 + 7 x2 0.3x3 = 19.3
(3) 0.3x1 0.2x2 + 10x3 = 71.4

Matriks Inversi
33

http://istiarto.staff.ugm.ac.id

3 0.1 0.2 1 0 0
[A] = 0.1 7 0.3 0 1 0
0.3 0.2 10 0 0 1

1 0.0333 0.0667 0.3333 0 0


[A] = 0.1
7
0.3
0 1 0
0.3
0.2
10
0 0 1

1 0.0333 0.0667
0.3333 0 0
[A] = 0 7.0033 0.2933 0.0333 1 0
0 0.1900 10.0200 0.0999 0 1

Matriks Inversi
34

http://istiarto.staff.ugm.ac.id

1 0.0333 0.0667
0.3333
0 0
[A] = 0
1
0.0417 0.0047 0.1422 0
0 0.1900 10.0200 0.0999
0 1

1 0 0.0681 0.3318 0.0047 0


[A] = 0 1 0.0417 0.0047 0.1422 0
0 0 10.0121 0.1009 0.0270 1

Matriks Inversi
35

http://istiarto.staff.ugm.ac.id

1 0 0.0681 0.3318 0.0047


0
[A] = 0 1 0.0417 0.0047 0.1422
0
0 0
1
0.0101 0.0027 0.0999

1 0 0
0.3325 0.0049 0.0068
[A] = 0 1 0 0.0052 0.1423 0.0042
0 0 1 0.0101 0.0027 0.0999

[A]1

Matriks Inversi
36

http://istiarto.staff.ugm.ac.id

{X} = [A]1 {C}


x1

x2 =
x
3

0.3325 0.0049 0.0068 7.85


0.0052 0.1423 0.0042 19.3


0.0101 0.0027 0.0999 71.4

x1 3.0004

x
=

2
.
4881
2

x 7.0002
3

Metode Iteratif: Jacobi


37

http://istiarto.staff.ugm.ac.id

a11x1 + a12 x2 + a13 x3 = c1

x10 = 0

a21x1 + a22 x2 + a23 x3 = c2

x20 = 0

a31x1 + a32 x2 + a33 x3 = c3

x30 = 0

c a x a13 x3
x1 = 1 12 2
a11

c1 a12 x20 a13 x30


x =
a11

c a21x1 a23 x3
x2 = 2
a22

c2 a21x10 a23 x30


x =
a22

c3 a31x1 a32 x2
a33

c3 a31x10 a32 x20


x =
a33

x3 =

nilai awal,
biasanya xi0 = 0

1
1

1
2

1
3

iterasi diteruskan
sampai konvergen
xin+1 xin, xi
n +1
1

c1 a12 x2n a13 x3n


=
a11

n +1
2

c2 a21x1n a23 x3n


=
a22

n +1
3

c3 a31x1n a32 x2n


=
a33

Metode Iteratif: Jacobi


38

http://istiarto.staff.ugm.ac.id

Contoh: 3 persamaan linear


(1) 3x1 0.1x2 0.2x3 = 7.85
(2) 0.1x1 + 7 x2 0.3x3 = 19.3
(3) 0.3x1 0.2x2 + 10x3 = 71.4

Metode Iteratif: Gauss-Seidel


39

http://istiarto.staff.ugm.ac.id

c1 a12 x20 a13 x30


x =
a11
1
1

x12 =

1
21 1

0
23 3

c2 a x a x
a22

c3 a31x11 a32 x12


x =
a33
1
3

n +1
1

c1 a12 x2n a13 x3n


=
a11

x2n +1 =
x

n +1
3

n +1
21 1

n
23 3

c2 a x a x
a22

c3 a31x1n +1 a32 x2n +1


=
a33

iterasi diteruskan
sampai konvergen
xin+1 xin, xi

Metode Iteratif: Gauss-Seidel


40

http://istiarto.staff.ugm.ac.id

Contoh: 3 persamaan linear


(1) 3x1 0.1x2 0.2x3 = 7.85
(2) 0.1x1 + 7 x2 0.3x3 = 19.3
(3) 0.3x1 0.2x2 + 10x3 = 71.4

Jacobi vs Gauss-Seidel
41

http://istiarto.staff.ugm.ac.id

Jacobi

(
= (c
= (c

Gauss-Seidel

)
x )a
x )a

(
= (c
= (c

)
x )a
x )a

x11 = c1 a12 x20 a13 x30 a11

x11 = c1 a12 x20 a13 x30 a11

x12
x13

a21x10 a23

a31x10 a32

(
= (c
= (c

0
3

22

x12

0
2

33

x13

)
x )a
x )a

a21x11 a23

a31x11 a32

(
= (c
= (c

0
3

22

1
2

33

)
x )a
x )a

x12 = c1 a12 x12 a13 x13 a11

x12 = c1 a12 x12 a13 x13 a11

x22
x32

a21x11 a23

a31x11 a32

1
3

22

x22

1
2

33

x32

a21x12 a23

a31x12 a32

1
3

22

2
2

33

Successive Over-relaxation Method


42

http://istiarto.staff.ugm.ac.id

Dalam setiap iterasi, nilai variabel terbaru (yang baru saja dihitung), xn+1,
tidak langsung dipakai pada iterasi selanjutnya
Pada iterasi selanjutnya, nilai tsb dimodifikasi dengan memasukkan pengaruh
nilai variabel lama (pada iterasi sebelumnya), xn

x1new = xin +1 + (1 ) xin


q

faktor relaksasi dimaksudkan untuk mempercepat konvergensi hitungan (iterasi)

under-relaxation:

0 < < 1

over-relaxation:

1<<2

Successive Over-relaxation Method


43

http://istiarto.staff.ugm.ac.id

n
n
c

a
x

a
x
13 3
x1n +1 = 1 12 2
a11

n +1
2

c2 a21 x1n +1 + (1 ) x1n a23 x3n


=
a22

n +1
3

c3 a31 x1n +1 + (1 ) x1n a32 x2n +1 + (1 ) x2n


=
a33

x
x

Successive Over-relaxation Method


44

http://istiarto.staff.ugm.ac.id

Contoh: 3 persamaan linear


(1) 3x1 0.1x2 0.2x3 = 7.85
(2) 0.1x1 + 7 x2 0.3x3 = 19.3
(3) 0.3x1 0.2x2 + 10x3 = 71.4

45

http://istiarto.staff.ugm.ac.id