BAB 1

ERROR

1.1. Angka Penting

Dalam suatu perhitungan dibedakan antara nilai eksak / sejati dan nilai aproksimasi /
pendekatan. Nilai nilai , e, 2 adalah nilai nilai eksak dan nilai nilai tersebut

dapat didekati dengan nilai aproksimasi misalkan 3.14 , 2.7183, 1.414 .

Angka penting adalah tiap angka / digit dari angka angka 1, 2, 3, 4, 5, 6, 7, 8, 9 dan
0. Jika 0 digunakan untuk menentukan titik desimal maka 0 bukan angka penting.
Contoh :
Bilangan 0.00263 maka angka angka pentingnya ada 3, yaitu : 2, 6 dan 3
Bilangan 3809 maka angka angka pentingnya ada 4, yaitu 3, 8, 0 dan 9
Bilangan 4.63 x 104 maka angka angka pentingnya ada 3, yaitu : 4, 6 dan 3
Bilangan 4.630 x 104 maka angka angka pentingnya ada 4, yaitu : 4, 6,3 dan 0
Bilangan 4.6300 x 104 maka angka angka pentingnya ada 5, yaitu : 4, 6,3,0 dan 0

1.2. Error
Error / kesalahan / galat numerik muncul akibat penggunaan nilai aproksimasi /
pendekatan / hampiran untuk menyatakan hasil operasi atau besaran matematika yang
eksak atau nilai sejatinya. Hubungan antara nilai aproksimasi dan nilai sejati (true value)
dirumuskan dengan :
E t = xt x a

dimana
Et = error sejati
xt = nilai sejati
x a = nilai aproksimasi

Error relatif diperoleh dengan menormalkan error terhadap nilai sejatinya,

biasanya dinyatakan dalam persentase, sehingga diperoleh hubungan :

t =

Et
100 %
xt

dimana t = persentase error relatif sejati

Contoh :
Seseorang melakukan pengukuran panjang sebuah jembatan dan paku. Jika hasil
pengukuran panjang jembatan dan paku masing - masing 9999 cm dan 9 cm, sedangkan
nilai sejati masing masing dalah 10000 cm dan 10 cm maka tentukan error dan
persentase error relatif masing masing ?
Penyelesaian :
Error untuk pengukuran jembatan Et = 10000 9999 = 1 cm
Error untuk pengukuran paku Et = 10 9 = 1 cm
Presentase error relatif untuk pengukuran jembatan t =

Presentase error relatif untuk pengukuran paku t =

1
100 % =0.01 %
10000

1
100 % =10 %
10

Jadi walaupun kedua pengukuran itu mempunyai error yang sama 1 cm, tetapi
persentase error untuk paku lebih besar dari pada persentase error untuk jembatan. Dapat
diambil kesimpulan bahwa error pengukuran jembatan lebih baik dari paku.
Untuk metode numerik nilai sejati hanya akan diketahui jika fungsi yang
ditangani berupa fungsi yang dapat diselesaikan secara analitik / eksak. Untuk itu jika
nilai sejatinya tidak diketahui maka digunakan penormalan error dengan menggunakan
taksiran terbaik yang tersedia dari nilai sejati, yaitu dari nilai aproksimasi itu sendiri.

a =

Ea
xa

dimana E a = error aproksimasi

Secara iterasi nilai aproksimasi sekarang

diperoleh dari perhitungan nilai

aproksimasi sebelumnya. Dengan demikian maka :

a =

xa i xai1
xai

100 %

dimana

a = persentase error relatif aproksimasi

x ai =
x a i 1 =

nilai aproksimasi sekarang

nilai aproksimasi sebelumnya

Nilai aproksimasi benar sampai suatu nilai toleransi s dengan n angka penting / digit

signifikan jika a < s dimana s = 0.5 x10 2 n %

BAB 2
AKAR AKAR PERSAMAAN

Untuk mencari akar akar real dari suatu persamaan f ( x) = 0 jika tidak dapat

diselesaikan secara analitik / eksak dapat digunakan penyelesaian aproksimasi /

pendekatan dengan metode numerik.

2.1. Metode Pengurung

Metode pengurung adalah suatu metode pencarian akar akar persamaan berdasarkan
fakta bahwa nilai fungsi akan berubah tanda di sekitar akar akar persamaan yang dicari,
sehingga metode ini memerlukan 2 nilai / tebakan awal yang mengurung akar akar
tersebut.
2.1.1. Meode Biseksi
Jika xl dan xu nilai / tebakan awal sehingga f ( xl ) f ( xu ) < 0 maka ada akar
diantara xl dan xu . Akar yang baru untuk mendekati akar sejatinya adalah x r =

xl + xu
.
2

Hal ini dilakukan secara iterasi dengan cara mengganti nilai salah satu dari nilai xl atau
xu dengan nilai x r .
Y

f ( xu )

y = f (x )

xl

xr =

xl + xu
2

xt

f ( xl )
4

xu

Langkah langkah Metode Biseksi :

a. Tentukan nilai awal xl dan xu sedemikian hingga f ( xl ) f ( xu ) < 0
b. Hitung nilai x r =

xl + xu
2

c. Evaluasi nilai x r
Jika f ( xl ) f ( x r ) < 0 maka xu = x r
Jika f ( xl ) f ( x r ) > 0 maka xl = x r
Jika f ( xl ) f ( x r ) = 0 maka nilai akar sejati x r

d. Iterasi berhenti jika salah satu kriteria dibawah ini terpenuhi :

a < s

banyaknya iterasi terlampaui

f (x ) < dengan = bilangan sembarang yang sangat kecil

Contoh :
Dengan menggunakan Metode Biseksi tentukan akar real dari f ( x ) = x 4 2 x 2 + x 2
dengan nilai awal xl = 1 dan xu = 2 sampai 2 angka signifikan
Penyelesaian :
Kriteria berhenti sampai 2 angka signifikan berarti s = 0.5% , dengan menggunakan
program komputer dapat ditabelkan sbb :

Itrs
1
2
3
4
5
6
7
8

xl
1.0000000
1.0000000
1.2500000
1.3750000
1.4375000
1.4687500
1.4843750
1.4921875

xu
2.0000000
1.5000000
1.5000000
1.5000000
1.5000000
1.5000000
1.5000000
1.5000000

f ( xl )
-2.0000000
-2.0000000
-1.4335938
-0.8317871
-0.4252777
-0.1920767
-0.0675277
-0.0032072

xr
1.5000000
1.2500000
1.3750000
1.4375000
1.4687500
1.4843750
1.4921875
1.4960938

Dengan demikian akar persamaan x = 1.4960938

f ( xu )
8.0000000
0.0625000
0.0625000
0.0625000
0.0625000
0.0625000
0.0625000
0.0625000

f (x r )
0.0625000
-1.4335938
-0.8317871
-0.4252777
-0.1920767
-0.0675277
-0.0032072
0.0294720

a , %
-20.00
9.09
4.34
2.12
1.05
0.52
0.26

2.1.2. Metode Regula Falsi

Y

f ( xu )

xl

xr

xt

xu

y = f (x )

f ( xl )

Andaikan akar persamaan f ( x) = 0 terletak diantara xl dan xu .Dibuat garis lurus

yang melalui [xl , f (xl )] dan [xu , f ( xu )] yang memotong sumbu X di x r .Persamaan garis
yang melalui dua titik ini adalah :
y f (xu )
x xu
=
f ( x l ) f ( x u ) xl xu

Garis ini melalui titik ( x r ,0 ) sehingga nilai x r dapat dicari, yaitu :

x r = xu

f (xu )( xl xu )
f (xl ) f (xu )

Akar ini lebih dekat dengan akar sejatinya daripada xl atau xu .

Langkah langkah Metode Regula Falsi :
a. Tentukan nilai awal xl dan xu sedemikian hingga f ( xl ) f ( xu ) < 0
b. Hitung nilai x r = xu

f ( xu ) ( xl xu )
f ( xl ) f ( x u )

c. Evaluasi nilai x r
Jika f ( xl ) f ( x r ) < 0 maka xu = x r
Jika f ( xl ) f ( x r ) > 0 maka xl = x r
Jika f ( xl ) f ( x r ) = 0 maka nilai akar sejati x r

d. Iterasi berhenti jika salah satu kriteria dibawah ini terpenuhi :

a < s

banyaknya iterasi terlampaui

f (x ) < dengan = bilangan sembarang yang sangat kecil

Contoh :
Dengan

menggunakan

Metode

Regula

Falsi

tentukan

akar

real

dari

f ( x ) = x 4 2 x 2 + x 2 dengan nilai awal xl = 1 dan xu = 2 sampai 2 angka signifikan

Penyelesaian :
Kriteria berhenti sampai 2 angka signifikan berarti s = 0.5% . dengan menggunakan
program komputer dapat ditabelkan sbb :
Itrs
1
2
3
4
5
6
7

xl
1.0000000
1.2000000
1.3337775
1.4116877
1.4528941
1.4734939
1.4834905

xu
2.0000000
2.0000000
2.0000000
2.0000000
2.0000000
2.0000000
2.0000000

f ( xl )
-2.0000000
-1.6064000
-1.0594401
-0.6025371
-0.3130040
-0.1548331
-0.0747228

xr
1.2000000
1.3337775
1.4116877
1.4528941
1.4734939
1.4834905
1.4882703

f ( xu )
8.0000000
8.0000000
8.0000000
8.0000000
8.0000000
8.0000000
8.0000000

f (x r )
-1.6064000
-1.0594401
-0.6025371
-0.3130040
-0.1548331
-0.0747228
-0.0356300

a , %

Dengan demikian akar persamaan x = 1.4882703

2.2. Metode Terbuka

Metode Terbuka adalah suatu metode yang pencarian akar akar yang memerlukan
hanya satu nilai / tebakan awal atau dua nilai / tebakan awal tanpa mengurung akar
tersebut.

10.03
5.52
2.84
1.40
0.67
0.32

2.2.1. Metode Iterasi Satu Titik Sederhana

Metode ini bekerja dengan cara menyusun kembali persamaan f ( x) = 0 sedemikian
hingga menjadi persamaan x = g ( x ) . Proses iterasi konvergen jika g ' ( x0 ) < 1
Y

y=x
y = g (x )

xi +1

xi

Langkah langkah Metode Iterasi Satu Titik Sederhana :

a. Ubah bentuk persamaan f ( x) = 0 menjadi bentuk x = g ( x )
b. Tentukan nilai awal x0 sehingga g ' ( x0 ) < 1
c. Lakukan iterasi xi +1 = g ( xi ) dimana i = 1, 2, 3, ....
d. Iterasi berhenti jika salah satu kriteria dibawah ini terpenuhi :

a < s

banyaknya iterasi terlampaui

f (x ) < dengan = bilangan sembarang yang sangat kecil

Contoh :
Dengan menggunakan Metode Iterasi Satu Titik Sederhana tentukan akar real
f ( x ) = x 4 2 x 2 + x 2 dengan nilai awal x0 = 1 sampai 2 angka signifikan

dari

Penyelesaian :
Kriteria berhenti sampai 2 angka signifikan berarti s = 0.5% . Persamaan disusun
kembali menjadi x = 4 2 x 2 = x + 2 dan dengan menggunakan program komputer dapat
ditabelkan sbb :

Iterasi

xi

g ( xi )

g' ( xi )

f ( xi )

a ,%

0
1
2
3
4
5

1.0000000
1.3160740
1.4271197
1.4681654
1.4834583
1.4891676

1.3160740
1.4271197
1.4681654
1.4834583
1.4891676
1.4913004

0.3290185
0.3667804
0.3719595
0.3731472
0.3735027
0.3736239

-2.0000000
-1.1480276
-0.4981941
-0.1966321
-0.0749849
-0.0282338

24.02
7.78
2.80
1.03
0.38

Dengan demikian akar persamaan x = 1.4891676

2.2.2. Metode Newton Raphson

Y
y = f (x )

f ( xi )

xi +1

xi

Dari gambar diatas persamaan garis singgung f ( x ) dengan gradien garis singgung
f ' ( xi ) yang melalui titik [xi , f ( xi )] adalah y f (xi ) = f ' ( xi ) ( x xi ) . Garis singgung ini
memotong sumbu X di (xi +1 ,0) sehingga xi +1 = xi

f (xi )
f ' ( xi )

Langkah langkah Metode Newton Raphson :

a. Tentukan nilai awal x0
b. Lakukan iterasi xi +1 = xi

f ( xi )
dimana i = 1, 2, 3, ....
f ' ( xi )

c. Iterasi berhenti jika salah satu kriteria dibawah ini terpenuhi :

a < s

banyaknya iterasi terlampaui

f (x ) < dengan = bilangan sembarang yang sangat kecil

Contoh :
Dengan menggunakan Metode Newton - Raphson tentukan akar real

dari

f ( x ) = x 4 2 x 2 + x 2 dengan nilai awal x0 = 2 sampai 2 angka signifikan

Penyelesaian :
Kriteria berhenti sampai 2 angka signifikan berarti s = 0.5% dan f ' ( x ) = 4 x 3 4 x + 1
.Dengan menggunakan program komputer dapat ditabelkan sbb :
Iterasi

xi

f ( xi )

f ' ( xi )

a ,%

0
1
2
3
4

2.0000000
1.6800000
1.5289308
1.4942725
1.4925766

8.0000000
2.0011418
0.3181836
0.0141922
0.0000327

25.0000000
13.2465280
9.1805722
8.3688568
8.3302531

-19.05
-9.88
-2.32
-0.11

Dengan demikian akar persamaan x = 1.4925766

10

2.2.3. Metode Secant

Persamaan garis yang melalui [xi , f ( xi )] dan [xi 1 , f ( xi 1 )] seperti tampak pada
gambar berikut adalah :
y f ( xi )
x xi
=
f ( xi 1 ) f (xi ) xi 1 xi

Garis ini melalui titik (xi +1 ,0) sehingga nilai xi +1 dapat dicari, yaitu :
xi +1 = xi

f ( xi ) (xi 1 xi )
dimana i = 1, 2, 3, ....
f (xi =1 ) f ( xi )

Y
y = f (x )

f ( xi =1 )

f ( xi )

xi +1 xi

xi 1

Langkah langkah Metode Secant :

a. Tentukan nilai awal x0 dan x1
b. Lakukan iterasi xi +1 = xi

f ( xi ) ( xi 1 xi )
dimana i = 1, 2, 3, ....
f ( xi =1 ) f ( xi )

c. Iterasi berhenti jika salah satu kriteria dibawah ini terpenuhi :

a < s

banyaknya iterasi terlampaui

f (x ) < dengan = bilangan sembarang yang sangat kecil

11

Contoh :
Dengan menggunakan Metode Secant tentukan akar real dari f ( x ) = x 4 2 x 2 + x 2
dengan nilai awal x0 = 2 dan x1 = 3 sampai 2 angka signifikan
Penyelesaian :
Kriteria berhenti sampai 2 angka signifikan berarti s = 0.5% dan dengan menggunakan
program komputer dapat ditabelkan sbb :

Itrs
1
2
3
4
5
6

xi 1
2.0000000
3.0000000
1.8571429
1.7633373
1.5797881
1.5171938

xi
3.0000000
1.8571429
1.7633373
1.5797881
1.5171938
1.4952490

f ( xi 1 )
8.0000000
64.0000000
4.8546439
3.2127299
0.8169974
0.2120773

xi +1
1.8571429
1.7633373
1.5797881
1.5171938
1.4952490
1.4926606

Dengan demikian akar persamaan x = 1.4926606

12

f ( xi )
64.0000000
4.8546439
3.2127299
0.8169974
0.2120773
0.0223754

f ( xi +1 )
4.8546439
3.2127299
0.8169974
0.2120773
0.0223754
0.0007322

a , %
-5.32
-11.62
-4.13
-1.47
-0.17

BAB 3
SISTEM PERSAMAAN LINEAR

Diketahui sistem persamaan linear (SPL) dengan n persamaan dan n variabel :

a11 x1 + a12 x 2 + ........ + a1n x n = b1
a 21 x1 + a 22 x 2 + ........ + a 2 n x n = b2
M
a n1 x1 + a n12 x 2 + ........ + a nn x n = bn

Ditulis dalam bentuk perkalian matriks A x = b

a11

a
dengan A = 21
M

a
n1

a12
a 22
M
an 2

L a1n
x1
b1

L a2n
x2
b2
=
=
,
,
b
x
M
M
M
M

x
b
L a nn
n
n

Ada 3 metode yang akan dibahas disini, yaitu : Metode Dekomposisi LU, Metode Jacobi
dan Metode Gasuss Seidel.

3.1. Metode Dekomposisi LU

Dalam metode ini SPL A x = b disusun kembali menjadi bentuk U x = d dimana
U adalah matriks segitiga atas sehingga U x d = 0 , kemudian dikalikan matriks segitiga

bawah L sehingga L(U x d ) = A x b . Dengan demikian LU = A dan L d = b

Jika diagonal U bernilai 1 maka dekomposisi LU disebut Dekomposisi Crout.

A = LU sehingga

a11

a 21
M

a
n1

a12
a 22
M
an2

L a1n l11

L a 2 n l 21
=
M
M M

L a nn l n1

0
l 22
M
ln2

1 u12 L u1n

0 1 L u 2n
M M
M
M
M

L l nn 0 0 L 1
L
L

0
0
M

Jika diagonal L bernilai 1 maka dekomposisi LU disebut Dekomposisi Doolittle

A = LU sehingga

a11

a 21
M

a
n1

a12
a 22
M
an2

L a1n l11

L a 2 n l 21
=
M
M M

L a nn l n1

13

l12
l 22
M
ln2

L 0 u11

L 0 0
M
M M

L l nn 0

u12 L u1n

u 22 L u 2 n
M
M
M

0 L u nn

L d = b dengan substitusi maju diperoleh d dan dari U x = d dengan

Dari

substitusi mundur diperoleh penyelesaian untuk x .

Alur Metode Dekomposisi Crout : A = LU
a11

a 21
M

a
n1

... a1n l11

... a 2 n l 21
=
M M

... a nn l n1

a12
a 22
M
an2

0
l 22
M
ln2

0 1 u12

0 0 1
M M M

... l nn 0 0
...
...

... u1n

... u 2 n
M

... 1

li1 = ai1 untuk i = 1,2,..., n

a1 j
u ij =
untuk j = 2,3,..., n
l11
Untuk j = 2,3,.., n 1
j 1

lij = aij lik u kj untuk i = j , j + 1,..., n

k =1
j 1

u jk =

a jk l ji u ik
i =1

l jj

untuk k = j + 1, j + 2,..n

n 1

dan l nn = a nn l nk u kn
k =1

Contoh :
Lakukan dekomposisi LU Crout dan tentukan penyelesaian dari SPL :
2 x1 5 x 2 + x3 = 12
x1 + 3x 2 x3 = 8

3x1 4 x 2 + 2 x3 = 16
Penyelesaian :
l11 = 2 ; l 21 = 1 ; l31 = 3
u12 =

a
a12 5
1
=
= 2.5 ; u13 = 13 = = 0.5
l11
l11 2
2

l 22 = a 22 l 21 u12 = 3 ( 1)( 2.5) = 0.5

l32 = a32 l31 u12 = 4 3( 2.5) = 3.5
u 23 =

a 23 l 21 u13 1 ( 1)(0.5)
=
= 1
l 22
0.5

l33 = a33 l 31 u13 l32 u 23 = 2 3 (0.5) (3.5)( 1) = 4

14

0 0 1 2.5 0.5
2 5 1 2

Dengan demikian A = LU sehingga 1 3 1 = 1 0.5 0 0

1
1
3 4 2 3 3.5 0 0
0
1

0 0 d 1 12
2

L d = b sehingga 1 0.5 0 d 2 = 8
3 3.5 4 d 16
3

2d1 = 12 sehingga d1 = 6

d1 + 0.5 d 2 = 8 sehingga d 2 = 4

3d1 + 3.5 d 2 + 4d 3 = 16 sehingga d 3 = 3

d1 6

Dengan demikian d = d 2 = 4
d 3
3
1 2.5 0.5 x1 6

U x = d sehingga 0
1
1 x2 = 4
0
0
1 x3 3

x3 = 3
x 2 x3 = 4 sehingga x 2 = 1
x1 2.5 x 2 + 0.5 x3 = 6 sehingga x1 = 2

3.2. Metode Jacobi

Andaikan SPL dengan n persamaan dan n variabel dinyatakan dalam bentuk perkalian
matriks A x = b . SPL tersebut disusun kembali dengan memperhatikan elemen pivot
menjadi bentuk :
xi( k +1) =

bi

aii

j =1, j i

aij
aii

x (jk )

, k = 0,1, 2, ..... dan i = 1, 2, ....., n

Jika diberikan nilai / penyelesaian awal x

( 0)

maka proses perhitungan secara iterasi

ini terus dilakukan sampai error yang dikehendaki tercapai.

15

Contoh
Selesaikan SPL berikut :
8 x1 + x 2 x3 = 8 ...................(1)
2 x1 + x 2 + 9 x3 = 12 .................(2)
x1 7 x 2 + 2 x3 = 4 .................(3)

Dengan memperhatikan elemen pivot maka SPL ini disusun kembali menjadi bentuk :
x1 = 1 0.125 x 2 + 0.125 x3

............. dari persamaan (1)

x 2 = 0.571 + 0.143 x1 + 0.286 x3 ..............dari persamaan (3)

x3 = 1.333 0.222 x1 0.111 x 2 ..............dari persamaan (2)

Andaikan diberikan nilai awal

( 0)

= (0,0,0) maka perhitungan secara iterasi

dapat ditabelkan sbb :

x

( 0)

(1)

( 2)

( 3)

( 4)

( 5)

( 6)

(7)

x1

1.000

1.095

0.995

0.993

1.002

1.001

1.000

x2

0.571

1.095

1.026

0.990

0.998

1.001

1.000

x3

1.333

1.048

0.969

1.000

1.004

1.001

1.000

Dengan demikian penyelesaiannya x1 = 1 , x 2 = 1 dan x3 = 1

3.3. Metode Gauss Seidel

Andaikan SPL dengan n persamaan dan n variabel dinyatakan dalam bentuk perkalian
matriks A x = b .Penyelesaian dengan metode ini analog dengan Metode Jacobi, hanya
saja nilai yang baru ketemu dari perhitungan langsung dimasukkan tanpa menunggu satu
iterasi selesai sehingga penyusunan kembali SPL menjadi :
xi( k +1) =

bi i 1 aij ( k +1)
xj

aii j =1 aii

aij

j =i +1

aii

x (jk )

, k = 0,1, 2, ..... dan i = 1, 2, ....., n

16

Jika diberikan nilai / penyelesaian awal x

( 0)

maka proses perhitungan secara iterasi

ini terus dilakukan sampai error yang dikehendaki tercapai.

Contoh
Selesaikan SPL berikut :
8 x1 + x 2 x3 = 8 ...................(1)
2 x1 + x 2 + 9 x3 = 12 .................(2)
x1 7 x 2 + 2 x3 = 4 .................(3)

Dengan memperhatikan elemen pivot maka SPL ini disusun kembali menjadi bentuk :
x1( k +1) = 1 0.125 x 2( k ) + 0.125 x3( k )

............. dari persamaan (1)

x 2( k +1) = 0.571 + 0.143 x1( k +1) + 0.286 x3( k ) ............dari persamaan (3)
x3( k +1) = 1.333 0.222 x1( k +1) 0.111 x 2( k +1) ..........dari persamaan (2)

Andaikan diberikan nilai awal

( 0)

= (0,0,0) maka perhitungan secara iterasi

dapat ditabelkan sbb :

x

( 0)

(1)

( 2)

( 3)

( 4)

( 5)

x1

1.000

1.041

0.997

1.001

1.000

x2

0.714

1.014

0.996

1.001

1.000

x3

1.032

0.990

1.002

1.001

1.000

Dengan demikian penyelesaiannya x1 = 1 , x 2 = 1 dan x3 = 1

17

BAB 4
SISTEM PERSAMAAN NON LINEAR

Penyelesaian dari sistem persamaan non linear (SPNL) dengan n persamaan dan n
variabel dapat diperoleh dengan menggunakan Metode Newton Raphson atau Metode
Iterasi.

4.1. Metode Newton Raphson

Diketahui SPNL dengan n persamaan dan n variabel yang ditulis dalam bentuk sbb:

f 1 ( x 1 , x 2 ,..... x n ) = 0
f 2 ( x 1 , x 2 ,..... x n ) = 0
M

f n ( x 1 , x 2 ,..... x n ) = 0

Jika nilai awal diberikan x

x

( 0)

( 0)

= x1( 0 ) , x 2( 0) ,....., x n( 0 ) maka ekspansi Deret Taylor di sekitar

= x1( 0 ) , x 2( 0) ,....., x n( 0 ) dari fungsi fungsi pada SPNL tersebut akan menghasilkan :

( )+ e
) = f (x ) + e

f 1 ( x1( 0) + e1( 0 ) ,..., x n( 0) + e n( 0) ) = f 1 x

f 2 ( x1( 0 ) + e1( 0 ) ,..., x n( 0) + e n( 0 )

(0)

(0)

(0)
1

(0)
1

( )
f
(x )+ e
x
2

( 0)

( )+ e

f n ( x1( 0) + e1( 0 ) ,..., x n( 0) + en( 0) ) = f n x

(0)

(0)
1

( )
f
(x )+ ..... + e
x

( )
f
(x ) = 0
x

( 0)
(0)
f
f 1 ( 0 )
f
x + e 2( 0) 1 x + ..... + en( 0 ) 1 x = 0
x 2
x n
x1

( )

( 0)
2

(0)

( )

(0)
n

( 0)

( )

( 0)
(0)
f n ( 0 )
f
f
x + e2( 0) n x + ..... + en( 0 ) n x = 0
x1
x 2
x n

Dengan demikian penyelesaian untuk iterasi pertama :

x1(1) = x1( 0) + e1( 0)
x 2(1) = x 2( 0) + e2( 0 )
M
x n(1) = x n( 0) + en( 0 )

18

dimana :

()

()

()

()

()

()

f 1
f 1
x L
x
x 2
x n
f 2
f 2
f2 x
x L
x
x 2
x n
M
M
M
M
f n
f n
f n ( x)
x L
x
x 2
x 2
=
f 1
f 1
f1
x
x L
x
x1
x 2
x n
f 2
f 2
f 2
x
x L
x
x1
x 2
x n
M
M
M
M
f n
f n
f n
x
x L
x
x1
x 2
x n
f1 x

()

(0)
1

()

()

()

()

()

()

()

()

()

f1
x
x1
f 2
x
x1
M
f n
( x)
x1
=
f1
x
x1
f 2
x
x1
M
f n
x
x1

()

., en( 0 )

()

()
()
()

f1
x2
f 2
x 2
M
f n
x 2
f1
x 2
f 2
x 2
M
f n
x 2

, e

(0)
2

(x)

L f2 x

()

f1 x

()

(x)

L fn x

(x)

(x )

()

()
()

(x)

(x )

f1 x

()

()

()

f 1
x
x1
f 2
x
x1
M
f n
( x)
x1
=
f 1
x
x1
f 2
x
x1
M
f n
x
x1

()

()

f1
x
x n
f 2
x
L
x n
M
M
f n
x
L
x n

()
()

19

()

f2 x

()

fn x

()

()

()

f1
x
x 2
f 2
x
x 2
M
f n
x
x 2

()

M
L

()

f 1
x
x n
f 2
x
x n
M
f n
x
x 2
,
f 1
x
x n
f 2
x
x n
M
f n
x
x n

()

()

()

()

()

Secara umum untuk iterasi yang ke i diperoleh :

x1( i ) = x1( i 1) + e1( i 1)
x 2( i ) = x 2( i 1) + e2(i 1)
M
x n(i ) = x n( i 1) + en(i 1)

Contoh :
Dengan Metode Newton Raphson tentukan penyelesaian dari SPNL berikut :
x1 + 3 log x1 x 22 = 0
2 x12 x1 x 2 5 x1 + 1 = 0

dengan nilai awal x

( 0)

= x1( 0 ) , x 2( 0) = (3.4 , 2.2) . Lakukan sampai 3 iterasi !

Penyelesaian
f1 ( x1 , x 2 ) = x1 + 3 log x1 x 22 maka

f1
f 1
3
= 2x 2
= 1+
dan
x 21
x1
x ln 10

f 2 ( x1 , x 2 ) = 2 x12 x1 x 2 5 x1 + 1 maka
Setelah dimasukkan untuk x

( 0)

f 2
f 2
= x1
= 4 x1 x 2 5 dan
x 2
x1

= x1( 0 ) , x 2( 0) = (3.4 , 2.2) maka untuk iterasi pertama

diperoleh :

e1( 0 )

0.1545 4.4
0.72
3.4
= 0.157 sehingga x1(1) = x1( 0 ) + e1( 0 ) = 3.4 + 0.157 = 3.557
=
1.383 4.4
6.4 3.4

e2( 0 )

1.383 0.1545
6.4
0.72
=
= 0.085 sehingga x 2(1) = x 2( 0 ) + e2( 0 ) = 2.2 + 0.085 = 2.285
1.383 4.4
6.4 3.4

20

Dengan demikian jika ditabelkan :

Iterasi

e1

x1

e2

x2

0.157

3.557

0.085

2.285

-0.0685

3.4885

-0.0229

2.2621

-0.0013

3.4782

-0.00056

2.26154

4.2. Metode Iterasi

Diketahui SPNL dengan n persamaan dan n variabel yang ditulis dalam bentuk sbb:

f 1 ( x 1 , x 2 ,..... x n ) = 0
f 2 ( x 1 , x 2 ,..... x n ) = 0
M

f n ( x 1 , x 2 ,..... x n ) = 0

dengan nilai awal diberikan x

( 0)

= x1( 0 ) , x 2( 0) ,....., x n( 0 )

SPNL ini disusun kembali menjadi bentuk :

x1 = F1 ( x1 , x 2 ,.....x n )
x 2 = F2 ( x1 , x 2 ,.....x n )
M
x n = Fn ( x1 , x 2 ,.....x n )
Seperti halnya Metode Gauss Seidel maka secara iterasi hasil yang baru dihitung
langsung masuk pada perhitungan berikutnya tanpa menunggu hasil satu iterasi selesai
semua sehingga proses iterasi dapat ditulis menjadi :
x1( k +1) = F1 ( x1( k ) , x 2( k ) ,.....x n( k ) )
x 2( k +1) = F2 ( x1( k +1) , x 2( k ) ,.....x n( k ) )
M
x n( k +1) = Fn ( x1( k +1) , x 2( k +1) ,.....x n( k ) )

21

Contoh :
Dengan Metode Iterasi tentukan penyelesaian dari SPNL berikut
x1 + 2 x 2 x 2 2 x3 = 0
2

x1 8 x 2 + 10 x3 = 0
2

x1
1 = 0
7 x 2 x3

dengan nilai awal x

( 0)

= x1( 0 ) , x 2( 0) , x3( 0) = (0.55 , 0.39 , 0.10) .

Lakukan 2 iterasi saja !

Penyelesaian :
SPNL tersebut disusun kembali menjadi bentuk iterasi sbb :
x1( k +1) = x 2( k ) 2 x 22
x

( k +1)
2

x12

( k +1)

(k )

+ 2 x3( k )

+ 10 x3( k )
8

( k +1)

x3( k +1) =

x12
7 x 2( k +1)

Jika ditabelkan akan diperoleh hasil perhitungannya sbb:

x

(0)

(1)

( 2)

x1

0.55

0.534602656

0.532106322

x2

0.39

0.400905225

0.403352621

x3

0.10

0.101840956

0.100279905

22

BAB 5
POLINOMIAL INTERPOLASI

5.1. Beda Hingga

Jika f (x) merupakan fungsi yang dapat dideferensialkan maka beda hingga
pertama dari f (x) dapat didefinisikan sebagai :
f ( x) = f ( x + h) f ( x)
dimana h = x = nilai beda x yang uniform.
Secara indeks beda hingga pertama didefinisikan sebagai :
f 1 = f 2 f 1

, f 2 = f 3 f 2

, ..... , f i = f i +1 f i

Beda hingga ke dua didefinisikan :

2 f i = (f1 ) = ( f 2 f1 ) = f 2 f1 = ( f 3 f 2 ) ( f 2 f1 ) = f 3 2 f 2 + f 1
2 f i = f i + 2 2 f I +1 + f i
Beda hingga ke tiga didefinisikan :

( )
= ( f ) = f

3 f1 = 2 f1 = f 4 3 f 3 + 3 f 2 f 1
3 f i

i +3

3 f i + 2 + 3 f i +1 f i

M
Dengan demikian beda hingga ke n menjadi :
n f i = f i + n n f i + n 1 +

n (n 1)
n (n 1) (n 2)
f i + n2
f i + n 3 + .........
2!
3!

dimana f i = f ( xi )

23

Tabel Beda Hingga menggunakan simbol :

-2

x2

f(x)

f ( x)

2 f ( x)

3 f ( x)

4 f ( x)

f 2
f 2

-1

x 1

2 f 2

f 1
f 1

x0

3 f 2
2 f 1

f0
f 0

x1

3 f 1
2 f 0

f1

4 f 1

f 1

x2

3 f 0
2 f 1

f2

4 f 0

f 2

x3

4 f 2

3 f 1
2 f 2

f3
f 3

x4

f4

s = indeks dari x

Jika f ( x) berbentuk polinomial dari data yang diberikan maka tabel beda hingga
mempunyai bentuk yang khusus.

24

Contoh :
Tabel beda hingga untuk fungsi f ( x) = x 3

f(x)

f ( x)

2 f ( x)

3 f ( x)

4 f ( x)

1
1

6
7

6
12

19
3

27

6
18

37
4

64

6
24

61
5

125

6
30

91
6

216

Dapat dilihat bahwa beda hingga ke tiga konstan sehingga beda hingga ke empat
dan selanjutnya akan bernilai 0. Untuk menunjukkan bahwa beda hingga ke n dari
polinomial derajad n adalah konstan dapat dilakukan dengan cara sbb:

a xn

= a (x + h ) a x n
n

= a x n + a n x n 1 h + ........ + a h n a x n
= a n h x n 1 + ......

a n h x n 1 = a n (n 1) h 2 x n 2 + ......

(suku suku dengan derajad lebih rendah )

(suku suku dengan derajad lebih rendah )

25

Selanjutnya untuk polinomial derajad n

Pn ( x) = a1 x n + a 2 x n 1 + ...... + a n x + a n +1
= a1 nhx n 1 + ...........
2 Pn ( x ) = a1 n(n 1)h 2 x n 2 + .......

(suku suku dengan derajad lebih rendah )

(suku suku dengan derajad lebih rendah )

M
n Pn ( x) = a1 n (n 1)(n 2 )....3.2.1.h n x n n = a1 n ! h n

Ini menunujukkan bahwa selain beda hingga ke n konstan nilainya diketahui a1 n !h n

Contoh :
Untuk 3 P3 ( x ) = 1.(3!)13 = 6 jika h = 1

5.2. Polinomial Interpolasi Newton - Gregory

Jika fungsi yang ditabelkan seperti berbentuk polinomial ( dengan melihat beda
hingga ke n konstan ) maka fungsi itu dapat didekati dengan polinomial yang
menyerupainya. Problemnya adalah dengan menentukan bentuk polinomial derajad n
yang melalui (n+1) pasangan titik titik [xi , f ( xi )] ; i = 1,2,....., (n + 1) . Jadi hanya ada
satu polinomial derajad n yang melalui (n+1) titik.
Salah satu cara untuk menuliskan sebuah polinomial yang melalui titik titik
yang sudah dibuat dalam tabel , yaitu dengan menggunakan rumus polinomial maju
Newton Gregory :
s
s
s
s
Pn ( x s ) = f 0 + f 0 + 2 f 0 + 3 f 0 + ........
0
1
2
3
s (s 1) 2
s (s 1)(s 2 ) 3
= f 0 + s f 0 +
f0 +
f 0 + .......
2
6
s
s!
dengan =
n (s n )! n !
Jika s = 0 maka Pn ( x0 ) = f 0
Jika s = 1 maka Pn (x1 ) = f 0 + f 0 = f 0 + ( f1 f 0 ) = f 1
Jika s = 2 maka Pn ( x 2 ) = f 0 + 2f 0 + 2 f 0 = f 2

26

Perlu ditekankan disini bahwa umumnya f (x) dan Pn ( x ) bukan fungsi yang
sama. Oleh karena itu ada error taksiran interpolasi yang berhingga, sedangkan nilai
s=

x x0
h

Contoh :
Tentukan polinomial maju Newton Gregory derajad tiga yang cocok dengan tabel
berikut untuk empat titik dari x = 0.4 sampai x = 1.0 . Gunakan interpolasi itu untuk
memperoleh f (0.73) !
x

f(x)

f (x)

2 f ( x)

3 f ( x)

4 f ( x)

0.203
0.2

0.203

0.017
0.220

0.4

0.423

0.024
0.041

0.261
0.6

0.684

0.044
0.085

0.346
0.8

1.030

0.052
0.096

0.181
0.527

1.0

0.020

1.557

0.211
0.307

0.488
1.015

1.2

2.572

Penyelesaian :
Untuk membuat polinomial yang cocok maka indeks s dicari dengan mengambil nilai
x0 = 0.4 sehingga f 0 = 0.423 , f 0 = 0.261 , 2 f 0 = 0.085 , 3 f 0 = 0.096
s=

x x0 0.73 0.4
=
= 1.65
h
0.2

P3 ( x s ) = f 0 + s f 0 +

s (s 1) 2
s (s 1)(s 2 )
f0 +
2
6

27

f (0.73) = 0.423 + (1.65)(0.261) +

(1.65)(0.65) (0.085) + (1.65) (0.65)( 0.35) (0.096) = 0.893

2

Jika diambil sampai derajad empat maka ditambah dengan

s 4
(1.65)(0.65)( 0.35)(= 1.35) (0.211) = 0.0044
f 0 =
24
4
Dengan demikian
f (0.73) = 0.893 + 0.0044 = 0.8974

Cara lain untuk menuliskan sebuah polinomial yang melalui titik titik yang
sudah dibuat dalam tabel , yaitu dengan menggunakan rumus polinomial mundur Newton
Gregory :

s
s + 1 2
s + 2 3
f 2 +
f 3 + ........
Pn ( x s ) = f 0 + f 1 +
1
2
3
s (s + 1) 2
s (s + 1)(s + 2 ) 3
= f 0 + s f 1 +
f 2 +
f =3 + .......
2
6

Contoh :
Tentukan polinomial mundur Newton Gregory derajad tiga yang cocok dengan tabel
diatas untuk empat titik dari x = 0.4 sampai x = 1.0 . Gunakan interpolasi itu untuk
memperoleh f (0.73) !
Penyelesaian
Untuk membuat polinomial yang cocok maka indeks s dicari dengan mengambil nilai

x0 = 1.0 sehingga f 0 = 1,557 , f 1 = 0.527 , 2 f 2 = 0.181 , 3 f 3 = 0.096

s=

x x0 0.73 1.0
=
= 1.35
h
0.2

Pn ( x s ) = f 0 + s f 1 +

s (s + 1) 2
s (s + 1)(s + 2 ) 3
f 2 +
f =3
2
6

f (0.73) = 1.557 + ( 1.35)(0.527 ) +

( 1.35)( 0.35) (0.181) + ( 1.35)( 0.35)(0.65) (0.096) = 0.893

2

28

Jika diambil sampai derajad empat maka ditambah dengan

s + 3 4
( 1.35)(0.65)( 0.35)(0.65)(1.65) (0.052) = 0.001

f 4 =
24
4
Dengan demikian
f (0.73) = 0.893 + 0.001 = 0.894

Error untuk polinomial maju Newton Gregory ini adalah :

s n +1
h f
E ( x s ) =
n + 1

( n +1)

( ) = s

(s 1)(s 2)....(s n ) n +1 (n+1)

( )
h f
(n + 1)!

, x0 x n

Contoh :
Data berikut ini untuk sin x . Interpolasikan menggunakan kuadratik dari tiga titik
pertama untuk menaksir nilai sin (0.8) dan tentukan juga errornya !

f(x)

0.1

0.09983

f ( x)

2 f ( x)

3 f ( x)

0.37960
0.5

0.47943

-0.07570
0.30390

0.9

0.78333

-0.04797
-0.12367

0.18023
1.3

0.96356

-0.02846
-0.18023

0.02810
1.7

0.99166

29

Penyelesaian :
Ambil x0 = 0.1 dan s =

P2 ( x s ) = f 0 + s f 0 +

0.8 1.0
= 1.75 maka
0.4

s (s 1) 2
f0
2

f (0.8) = 0.0983 + (1.75)(0.37960) +

E (x s ) =

(1.75)(0.75) ( 0.07570) = 0.71445

2

s (s 1)(s 2 ) 2+1 (2+1)

( ) = (1.75)(0.75)( 0.25) (0.4)3 ( cos ) , 0.1 0.9
h f
(2 + 1)!
6

Karena cos monoton pada interval ini maka dapat ditentukan nilai maksimum dan
minimum untuk cos

E (x s )

(1.75)(0.75)( 0.25) (0.4)3 ( cos 0.1) = 0.00348

E (x s )

(1.75)(0.75)( 0.25) (0.4)3 ( cos 0.9) = 0.00218

Dengan demikian errornya adalah 0.00218 error 0.00348

5.3. Polinomial Lagrange

Jika beda hingga diantara x tidak sama polinomial maju / mundur Newton
Gregory tidak dapat dipakai. Pendekatan polinomial yang digunakan untuk menentukan
interpolasi polinomial menggunakan polinomial Lagrange.
Andaikan diberikan data dari nilai x dan f ( x) dalam tabel berikut :
x

x0

x1

x2

...........

x n 1

xn

f (x )

f0

f1

f2

........

f n 1

fn

Maka polinomial Lagrangenya adalah :

(x x1 )(x x2 )......(x xn )
(x x0 )(x x 2 )......(x xn )
f0 +
f + .......
(x0 x1 )(x0 x2 )......(x0 xn )
(x1 x0 )(x1 x 2 )......(x1 xn ) 1
(x x0 )(x x1 )......(x xn )
(x x0 )(x x1 )......(x x n1 )
f n 1 +
f
.......... +
(xn1 x0 )(xn1 x1 )......(xn1 xn )
(xn x0 )(xn x1 )......(xn xn1 ) n

Pn ( x) =

30

Contoh :
Dengan interpolasi Lagrange tentukan P2 ( x) kemudian hitung f (2.3) dari data berikut :
x

1.1

1.7

3.0

f (x)

10.6

15.2

20.3

Penyelesaian :
P2 ( x) =

(x 1.7 )(x 3.0) (10.6) + (x 1.1)(x 3.0) (15.2) + (x 1.1)(x 1.7 ) (20.3)
(1.1 1.7 )(1.1 3.0)
(1.7 1.1)(1.7 3.0)
(3.0 1.1)(3.0 1.7 )

f ( 2.3) =

(2.3 1.7)(2.3 3.0) (10.6) + (2.3 1.1)(2.3 3.0) (15.2) + (2.3 1.1)(2.3 1.7 ) (20.3)
(1.1 1.7)(1.1 3.0)
(1.7 1.1)(1.7 3.0)
(3.0 1.1)(3.0 1.7 )

= 18.38

31

BAB 6
DIFERENSIASI NUMERIK

6.1. Derivatif Pertama

Jika sebuah fungsi dapat didekati dengan polinomial interpolasi maka diferensial /
turunan fungsi tersebut dapat didekati dengan diferensial polinomial . Untuk polinomial
maju Newton Gregory :
f ( x s ) = Pn ( x s ) + error = f 0 + s f 0 +

s (s 1) 2
s (s 1)(s 2 ) 3
f0 +
f 0 + ....... + error
2
6

s n +1 (n +1)
h f
( ) , x0 xn
Error Pn ( x s ) = E ( x s ) =
n + 1
Jika persamaan ini dideferensialkan pertama diperpleh :
f ' ( x s ) = Pn ' ( x s ) =

1
h

d
[Pn (xs )] = d [Pn (x s )] ds = d [Pn (x s )] 1
dx
ds
dx ds
h

2s 1 2
3s 2 6s + 2 3
4s 3 18s 2 + 22s 6 4

+
f 0 + ...
f
f
f
0
0
0
2
6
24

Untuk s = 0 derivatif yang berhubungan denga x0

f ' (x0 ) =

1
h

1 2
1 3
1 4
1 n

f 0 2 f 0 + 3 f 0 4 f 0 + ....... n f 0

Error dari derivatif pertama ini adalah :

Error Pn' ( x0 ) =

( 1)n
n +1

h n f (n +1) ( ) , x0 x n

32

Contoh :
Pada tabel berikut taksirlah derivatif pertama dari y pada x = 1.7 dengan menghitung
sampai suku pertama , suku kedua , suku ketiga dan suku keempat dan errornya.

1.3

3.669

2 y

3 y

4 y

0..813
1.5

4.482

0.179
0.992

1.7

5.474

0.041
0.220

1.212
1.9

6.686

0.048
0.268

1.480
2.1

8.166

0.012
0.060

0.328
1.808

2.3

0.007

9.974

0.012
0.072

0.400
2.208

2.5

12.182

Penyelesaian :
Sampai suku pertama
y ' (x0 ) =
Error =

1
1
y 0 sehingga y ' (1.7 ) =
1.212 = 6.060
h
0.2

( 1)1 (0.2)1
1+1

f '' ( ) , 1.7 1.9

Sampai suku kedua

y ' (x0 ) =

Error =

1
h

1
1
1 2

y 0 2 y 0 sehingga y ' (1.7 ) = 0.2 1.212 2 (0.268) = 5.390

( 1)2 (0.2)2
3

f ''' ( ) , 1.7 2.1

33

Sampai suku ketiga

1 2
1 3

y 0 2 y 0 + 3 y 0 sehingga

y ' (x0 ) =

1
h

y ' (1.7 ) =

1
0.2

1
1

1.212 2 (0.268) + 3 (0.060) = 5.490

( 1)3 (0.2)3

Error =

f (4 ) ( ) , 1.7 2.3

Sampai suku keempat

1 2
1 3
1 4

y 0 2 y 0 + 3 y 0 4 y 0 sehingga

y ' ( x0 ) =

1
h

y ' (1.7 ) =

1
0.2

Error =

1
1
1

1.212 2 (0.268) + 3 (0.060) 4 (0.012) = 5.475

( 1)4 (0.2)4
5

f (5 ) ( ) , 1.7 2.5

6.2. Derivatif Kedua Dan Lebih Tinggi

Untuk memperoleh derivatif kedua maka hasil derivatif pertama diturunkan lagi
sehingga diperoleh :
2
d
[Pn ' (xs )] = d [Pn ' (x s )] ds = d 2 [Pn (x s )] 12
dx
ds
dx ds
h
2

1
12s 36s + 22 4
= 2 2 f 0 + (s 1)3 f 0 +
f 0 + ...
24
h

f ' ' (x s ) = Pn ' ' ( x s ) =

Untuk s = 0 derivatif kedua yang berhubungan denga x0

f ' ' (x0 ) =

1 2
11
5

f 0 3 f 0 + 4 f 0 5 f 0 .......

h
12
6

Demikian juga untuk memperoleh derivatif ketiga didapatkan dari derivatif kedua
diturunkan lagi, derivatif keempat diperoleh dari derivatif ketiga diturunkan lagi.
Demikian seterusnya.

34

Contoh :
Dari tabel diatas tentukan y ' ' (1.7 ) sampai suku kedua dan hitung errornya !
Penyelesaian :
y ' ' (x0 ) =
Error =

1
1
[0.268 0.060] = 5.200
2 y 0 3 y 0 sehingga y ' ' (1.7 ) =
2
h
(0.2)2

1
h2

11 4 (4 )
12 h y ( ) , 1.7 2.1

35

BAB 7
INTEGRASI NUMERIK

7.1. Integrasi Newton Cotes

Cara yang umum untuk membentuk formula integrasi numerik hampir sama
dengan cara membentuk formula untuk diferensiasi numerik.
Untuk polinomial maju Newton Gregory maka :
b

f ( x ) dx = Pn ( x s ) dx
a

Formula ini tidak eksak karena polinomialnya tida identik dengan f ( x ) dan ada errornya,
yaitu sebesar :
b

Error =

s n +1 (n +1)
h f

( ) dx
n + 1

Akan dibangun formula Newton Cotes dengan mengubah variabel integrasi x menjadi
variabel s . Dari s =

x x0
h

maka dx = ds

Untuk n = 1
x1

x0

x1

f (x ) dx = ( f 0 + sf 0 ) dx = h ( f 0 + s f 0 ) ds = h s f 0 + s 2 f 0
2

x0
s =0
1

=
0

h
( f 0 + f1 )
2

s (s 1) 2 ''
s2 s
1 3
3
(
)
(
)
h
f

dx
=
h
f
'
'

x 2
s=0 2 ds = 12 h f ' ' ( ); x0 x1
0
x1

error =

Untuk n = 2
x2

x0

s (s 1) 2
s2 s
h

ds = ( f 0 + 4 f1 + f 2 )
f (x ) dx = f 0 + sf 0 +
f 0 dx = h f 0 + s f 0 +
2
2
3

x0
s =0
x21

s (s 1)(s 2 ) 3 '''
h f ( ) dx = 0 maka diambil suku berikutnya sehingga :
6
x0

x2

Karena error =

s (s 1)(s 2 )(s 3) 4 (4 )
1
h f ( ) dx = h 5 f (4 ) ( ); x0 x 2
24
90
x0

x2

error =

36

Untuk n = 3
x3

x0

3
s (s 1) 2
s (s 1)(s 2) 3
3h

( f 0 + 3 f1 + 3 f 2 + f 3 )
f ( x ) dx = f 0 + s f 0 +
f0 +
f 0 dx =
2
6
8

x0

error =

3 5 (5 )
h f ( ); x 0 x3
80

7.2. Aturan Trapezoidal

Formula Newton Cotes pertama didasarkan pendekatan f ( x ) di ( x0 , x1 ) dengan
sebuah garis lurus. Aturan ini disebut juga sebagai Aturan Trapezoidal.
y

y = f (x )

a = x0

xn = b

x1

Untuk menghitung

f (x ) dx

interval dari a ke b dibagi menjadi n subinterval

subinterval. Luasan dibawah kurva f (x ) didekati dengan Aturan Trapezoidal.

Andaikan h = x maka :
x i +1

f (x ) dx =

xi

f ( xi ) + f (xi +1 )
h
x = ( f i + f i +1 )
2
2

37

Dengan demikian untuk semua integral antara [a, b] dengan n subinterval diperoleh :
b

n 1

f (x ) dx =
i =0

error =

h
( f i + f i +1 ) = h [ f 0 + 2 ( f1 + f 2 + ...... + f n1 ) + f n ]
2
2

ba 2
h f ' ' ( ) ; a b
12

Contoh :
Pada tabel berikut diberikan nilai nilai dari x dan f (x ) :
x

f (x )

f (x )

1.6

4.953

2.8

16.445

1.8

6.050

3.0

20.086

2.0

7.389

3.2

24.533

2.2

9.025

3.4

29.964

2.4

11.023

3.6

36.598

2.6

13.464

3.8

44.701

Tentukan integral f (x ) dari x = 1.8 sampai x = 3.4

Penyelesaian :
3.4

f (x ) dx =

1.8

0.2
[6.050 + 2 (7.389 + 9.025 + 11.023 + 13.464 + 16.445 + 20.086 + 24.553) + 29.964]
2

= 23.9944

error =

3.4 1.8
(0.2) 2 f ' ' ( ) ; 1.8 3.4
12

38

7.3. Aturan Simpson

1
3

Formula Newton Cotes kedua didasarkan pendekatan f ( x ) di (x 0 , x 2 ) dengan

sebuah polinomial parabolik. Aturan ini disebut juga sebagai Aturan Simpson

1
3

Untuk menghitung

f (x ) dx

interval dari a ke b dibagi menjadi n subinterval

subinterval. Luasan dibawah kurva f (x ) dapat didekati dengan Aturan Simpson

1
.
3

Andaikan h = x maka :
xi + 2

f (x ) dx =

xi

f ( xi ) + 4 f ( xi +1 ) + f ( xi + 2 )
h
x = ( f i + 4 f i +1 + f i + 2 )
3
3

Dengan demikian untuk semua integral antara [a, b] dengan n genap subinterval
diperoleh :
b

n2

f ( x ) dx =
i =0

error =

h
( f i + 4 f i +1 + f i + 2 ) = h [ f 0 + 4 ( f1 + f 3 + ... + f n2 ) + 2 ( f 2 + f 4 + ...... + f n1 ) + f n ]
3
3

b a 4 (4 )
h f ( ) ; a b
180

Contoh :
Tentukan integral f ( x ) dari x = 1.8 sampai x = 3.4 dari tabel diatas jika menggunakan
Aturan Simpson

1
3

Penyelesaian :
3.4

f (x ) dx =

1.8

0.2
[6.050 + 4 (7.389 + 11.023 + 16.445 + 24.553) + 2 (9.025 + 13.464 + 20.086) + 29.964]
3

= 23.9149

39

7.4. Aturan Simpson

3
8

Formula Newton Cotes ketiga didasarkan pendekatan f (x ) di (x 0 , x3 ) dengan

sebuah polinomial kubik . Aturan ini disebut juga sebagai Aturan Simpson

3
8

Untuk menghitung

f (x ) dx

interval dari a ke b dibagi menjadi n subinterval

subinterval. Luasan dibawah kurva f (x ) dapat didekati dengan Aturan Simpson

3
.
8

Andaikan h = x maka :
x3

f (x ) dx =

xi

f (xi ) + 4 f (xi +1 ) + f ( xi + 2 ) + f ( xi +3 )
3h
( f i + 3 f i +1 + 3 f i + 2 + f i +3 )
3x =
8
8

Dengan demikian untuk semua integral antara [a, b] dengan n kelipatan tiga subinterval
diperoleh :
b

n 3

f (x ) dx =
i =0

=
error =

3h
( f i + 3 f i +1 + 3 f i + 2 + f i +3 )
8

3h
[ f 0 + 3( f1 + f 2 + f 4 + f 5 + ... + f n1 ) + 2( f 3 + f 6 + ...... + f n3 ) + f n ]
8

b a 4 (4 )
h f ( ) ; a b
80

Contoh :
Tentukan integral f ( x ) dari x = 1.6 sampai x = 3.4 dari tabel diatas jika menggunakan
Aturan Simpson

3
8

Penyelesaian :
3.4

f (x ) dx =

1.6

3 (0.2)
[4.953 + 3 (6.050 + 7.389 + 11.023 + 13.464 + 20.086 + 24.533) + 2 (9.025 + 16.455) + 29.964]
8

= 25.013

40

7.5. Kuadratur Gauss

Formulasi integrasi numerik dengan menggunakan Kuadratur Gauss adalah
mencari parameter paramerter yang tidak diketahui dari fungsi yang akan diintegralkan.
1

f (t ) dt = af (t ) + bf (t ) + cf (t ) + ......
1

dimana a, b, c, ..... adalah pemberat dan t1 , t 2 , t 3 , .... nilai-nilai t yang akan ditentukan.
Sebagai contoh akan ditentukan parameter parameter pada formula dua suku yang
mengandung empat parameter yang tidak diketahui.
1

f (t ) dt = af (t ) + bf (t )
1

Formula ini berlaku untuk polinomial derajad tiga sehingga bila dimasukkan :
1

f (t ) = t 3 maka

dt = 0 = at13 + bt 23

dt =

1
1

f (t ) = t 2 maka

f (t ) = t

2
= at12 + bt 22
3

maka

dt = 0 = at1 + bt 2

1
1

f (t ) = 1 maka

1dt = 2 = a + b

Dari empat persamaan ini diperoleh a = 1 , b = 1 , t1 =

1
3

= 0.5773 , t 2 =

1
3

= 0.5773

Andaikan batas integrasinya dari a sampai b bukan dari -1 sampai 1 maka batas
integrasinya harus diubah menjadi -1 sampai 1.
x=
b

(b a )t + b + a

f (x ) dx =

2
ba
2

sehingga dx =

ba
dt . Dengan demikian :
2

(b a )t + b + a
dt
2

41

Contoh :

Tentukan nilai I = sin x dx

0

Penyelesaian :

0 t + + 0
t +

2
2
x=
=
sehingga dx = dt . Dengan demikian :
2
4
4

I = sin x dx =
0

t +
dt = (sin 0.10566 + sin 0.39434 ) = 0.99847
4
4

sin
4

error = 0.00153

Untuk memperoleh parameter Kuadratur Gauss yang lebih tinggi derajadnya

dapat digunakan polinomial Legendre yang berbentuk :

(n + 1) Ln+1 (x ) (2n + 1) x Ln (x ) + n Ln1 (x ) = 0

dengan L0 ( x ) = 1 dan L1 ( x ) = x maka L2 ( x ) =
Akar akarnya adalah

1
3

3 x L1 ( x ) L0 ( x ) 3 2 1
= x
2
2
2

yang merupakan nilai parameter t1 dan t 2

Dengan relasi rekursi diperoleh :

5 x 3 3x
L3 ( x ) =
2
35 x 4 30 x 2 + 3
L4 ( x ) =
8
dan seterusnya

42

Jika ditabelkan maka nilai nilai parameter Kuadratur Gauss

Jumlah Suku
2

Nilai t

Faktor pemberat

-0.57735027

1.00000000

0.57735027

1.00000000

-0.77459667

0.55555555

0.88888889

0.77459667

0.55555555

-0.86113631

0.34785485

-.033998104

0.65214515

033998104

0.65214515

0.86113631

0.34785485

-0.90617985

0.23692688

-0.53846931

0.47862867

0.56888889

0.53846931

0.47862867

0.90617985

0.23692688

-0.93246951

0.17132449

-0.66120939

0.36076157

-0.23861919

0.46791393

0.23861919

0.46791393

0.66120939

0.36076157

0.93246951

0.17132449

Derajad Polinomial
3

11

Contoh :
1.5

Tentukan nilai I = e x dx dengan mengunakan Kuadratur Gauss tiga suku

2

0.2

43

Penyelesaian :
x=

(1.5 0.2) t + 1.5 + 0.2 = 0.65 t + 0.85

2

1.5

sehingga dx = 0.65 dt . Dengan demikian :

I = e x dx = 0.65 e (0.65t + 0.85 ) dt

2

0.2

= 0.65 0.55555555 e [0.65(0.77459667 )+ 0.85 ] + 0.88888889 e [0.65(0 )+ 0.85 ] + 0.55555555 e [0.65(0.77459667 )+ 0.85]
2

= 0.6586

44

BAB 8
PENCOCOKAN KURVA

8.1. Metode Kuadrat Terkecil

Andaikan diberikan data data dari suatu hasil percobaan yang menyatakan
hubungan antara x dan Y . Data data tersebut diberikan dalam tabel berikut :
x

x1

x2

...........

x n 1

xn

Y1

Y2

........

Yn 1

Yn

Dari data data tersebut jika diplot dan akan dicari garis lurus terbaik y = ax + b yang
mendekati data data tersebut seperti tampak pada gambar dibawah ini :
y = ax + b

Y
en

Y3
Y2

e2

Y1

e1

x1

xn

x2

Error dari setiap titik data adalah

ei = Yi y i

, i = 1, 2, 3,......, n . Error ini bisa

bernilai positip maupun negatip. Metode kuadrat terkecil digunakan untuk mendapatkan
konstanta a dan b diatas. Metode ini didasarkan bahwa garis lurus terbaik diperoleh jika
jumlah kuadrat errornya minimum.

45

i =1

i =1

S = e12 + e22 + ..... + en2 = ei2 = (Yi axi b )

Agar S minimum maka :

S
= 0 sehingga
a
S
= 0 sehingga
b

2 (Y

axi b )( xi ) = 0 dan

axi b )( 1) = 0

i =1
n

2 (Y
i =1

Dari dua syarat diatas maka diperoleh SPL :

n

i =1

i =1

a x i2 + b x i =
n

a xi + n b =
i =1

i =1

x i Yi

Yi

i =1

Dengan menyelesaikan SPL maka nilai a dan b dapat didapatkan, yaitu :

n

i =1
n

a =

xi Yi

Y
i =1

i =1
n

i =1

xi

i =1

xi

xY

i i

i =1
n

x x

xi

i =1

i =1
n

i =1

dan b =

xi2
i =1
n

x i2

i =1
n

2
i

i =1

i =1

Contoh :
Dengan Metode kuadrat terkecil dapatkan garis lurus terbaik yang mendekati data data
dalam tabel berikut :
x

20.5

32.7

51.0

73.2

95.7

765

826

873

942

1032

46

Penyelesaian :

xi Yi

i =1
5

a=

Y
i =1

x
i =1

4438

18607.27 273.1
273.1
5

= 3.39

5
5

xY

i =1
5

i =1
5

18607.27 254923.5

i =1

2
i

x
i =1

i =1

x i2

i =1
5

254932.5 273.1

2
i

i =1

i =1
5

b=

i =1

i =1

273.1

4438

= 702

18607.27 273.1

273.1

Dengan demikian garis lurus terbaik adalah : y = 3.39 x + 702

Secara umum untuk pencocokan kurva terbaik yang berbentuk polinomial derajad
n yang berbentuk y = a 0 + a1 x + a 2 x 2 + ........ + a n x n dilakukan dengan cara yang identik

seperti mencari garis lurus terbaik diatas. Nilai ai , i = 1,2,3,...., n dapat dicari dengan
menyelesaikan SPL :

n
xi
A=
i =1

nM
xn
i
i =1

i =1
n

x
i =1

i =1

2
i

i =1

n
n +1
L xi
i =1

M
M
n
L xi2 n
i =1

n +1
i

a0

a1
M

a
n

n
Yi
i =1
n
xi Yi
=
i =1

n M
x nY
i i
i =1

47

8.2. Pencocokan Kurva Mengandung Eksponen

Metode kuadrat terkecil banyak digunakan untuk pencocokan kurva dalam bentuk
polinomial. Meskipun begitu kurva yang berhubungan dengan eksponen dapat pula
didekati dengan Metode Kuadrat Terkecil ini dengan memodifikasi persamaan sehingga
menjadi bentuk linear.
Andaikan suatu data data mendekati bentuk kurva y = b e ax . Kurva ini dengan
Metode Kuadrat Terkecil dimodifikasi denga cara di logaritmakan sehingga menjadi
bentuk linear. ln y = ln b e ax = ln b + a x .
Contoh :
Diberika data data sbb:
x

1.00

1.25

1.50

1.75

2.00

5.10

5.79

6.53

7.45

8.46

Data data ini jika diplot pada kertas semilog akan berbentuk linear. Tentukanlah fungsi
terbaik berbentuk y = b e ax
Penyelesaian :
y = b e ax setelah dilogaritmakan akan berbentuk ln y = ln b + a x . Akan dicari nilai a
dan ln b dengan Metode Kuadrat Terkecil.
i

xi

Yi

ln Yi

xi2

xi ln Yi

1.00

5.10

1.629

1.0000

1.629

1.25

5.79

1.756

1.5625

2.195

1.50

6.53

1.876

2.2500

2.814

1.75

7.45

2.008

3.0625

3.514

2.00

8.46

2.135

4.0000

4.270

n=5

xi = 7.50
i =1

ln Yi = 9.404
i =1

48

xi2 = 11.875
i =1

x ln Y
i =1

= 14.422

Identik dengan Metode Kuadrat Terkecil maka :

xi ln Yi

i =1
5

a=

i =1

ln Y
5

xi2

i =1
5

i =1

xi2
i =1
5

ln b =

x
i =1

i =1

14.422 7.50
9.404
5
=
= 0.5056
11.875 7.50
7.50
5

i =1

x
i =1

ln Yi

ln Y

i =1

xi2

i =1
5

i =1

i =1

11.875 14.422
7.50
9.404
=
= 1.122
11.875 7.50
7.50
5

Karena ln b = 1.122 maka b = e1.122 = 3.071

Dengan demikian kurva terbaik yang berbentuk y = b e ax adalah y = 3.071 e 0.5056 x

49

DAFTAR PUSTAKA

1. Atkinson, K.E., An Introduction To Numerical Analysis, John Willey & Sons,

New York, 1978.
2. Burden, R.L., J.D, Faires & A.C. Reynolds, Numerical Analysis, Prindle Weber
& Schmidt Publshers, Boston, Mssachussetts, 1981.
3. Chapra, S.C. & R.P. Canale, Numerical Methods for Engineers, Mac Graw Hill,
Inc., New York, 1988.
4. Gerald, C.F, Applied Numerical Analysis, Addison Wesley Publishing
Company, 1980.
5. Mathews, J.H. & K.D. Fink, Numerical Methods Using Matlab, Pearson,
Prentice Hall, New Jersey, 2004.
6. Soehardjo, Analisa Numerik, ITS, Surabaya, 1985.

50