-Menggunakan Matlab-
Supriyanto Suparno
( Website: http://supriyanto.fisika.ui.ac.id )
( Email: supri@fisika.ui.ac.id atau supri92@gmail.com )
Edisi IV
Revisi terakhir tgl: 23 Desember 2011
Untuk
Muflih Syamil
Hasan Azmi
Farah Raihanah
Nina Marliyani
Ketekunan adalah jalan yang terpercaya untuk mengantarkan kita menuju kesuksesan
(Supriyanto, 2007)
Kata Pengantar
Perubahan adalah suatu keniscayaan. Aksioma itu berlaku juga pada buku ini yang mulai
ditulis pada tahun 2005. Mulai 24 juli 2010, edisi ke-4 ini diluncurkan dalam rangka mengubah
sasaran tujuan dari buku edisi ke-3.
Penekanan penulisan edisi ke-3 adalah ingin memperkenalkan sebanyak mungkin metode
numerik kepada mahasiswa tingkat sarjana di Departemen Fisika, Universitas Indonesia. Hasil
evaluasi proses perkuliahan menunjukkan bahwa diskusi matematis terlalu dominan dibandingkan diskusi aplikasi metode numerik pada masalah fisika. Oleh karena itu saya memutuskan untuk memperbesar porsi pembahasan aplikasi metode numerik sehingga beberapa
metode numerik yang diulas pada edisi ke-3 dengan sengaja dihilangkan dalam edisi ke-4 ini.
Rujukan utama buku edisi-4 ini tetap 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. Namun demikian, buku ini telah dilengkapi dengan sejumlah contoh aplikasi komputasi pada upaya penyelesaian problem-problem fisika.
Walaupun buku ini masih jauh dari sempurna, namun semoga ia dapat menyumbangkan
kontribusi yang berarti untuk kebangkitan ilmu pengetahuan pada diri anak bangsa Indonesia
yang saat ini sedang terpuruk. Saya wariskan buku ini untuk siswa dan mahasiswa Indonesia
dimanapun mereka berada. Anda berhak memanfaatkan buku ini. 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
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. Tak lupa, saya pun berterima kasih kepada seluruh mahasiswa yang telah mengambil mata kuliah Komputasi Fisika
dan Anaisis Numerik di Departemen Fisika, FMIPA, Universitas Indonesia atas diskusi yang
berlangsung selama kuliah. Kepada seluruh mahasiswa dari berbagai universitas di Timur dan
di Barat Indonesia juga saya ungkapkan terima kasih atas pertanyaan-pertanyaan yang turut
memperkaya isi buku ini.
iii
iv
Daftar Isi
Lembar Persembahan
Kata Pengantar
iii
Daftar Isi
iii
Daftar Gambar
viii
Daftar Tabel
1 Pendahuluan
1.1
Inisialisasi variabel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
1.3
1.4
Baris-baris pembuka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5
1.6
Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
15
2.1
Mengenal matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
2.2
16
2.3
16
2.4
Macam-macam matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.4.1
Matrik transpose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.4.2
Matrik bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.4.3
Matrik simetrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.4.4
Matrik diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.4.5
Matrik identitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.4.6
Matrik upper-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2.4.7
Matrik lower-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2.4.8
Matrik tridiagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2.4.9
19
20
Operasi matematika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
2.5.1
Penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
2.5.2
21
2.5.3
Perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
2.5.4
27
2.5
vi
2.5.5
35
2.5.6
36
2.6
Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
2.7
Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
3 Fungsi
41
3.1
Fungsi internal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
3.2
43
3.3
45
3.4
47
3.5
Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
3.6
Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
4 Integral Numerik
51
4.1
Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
4.2
Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
4.3
54
4.3.1
54
4.4
Metode Composite-Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
4.5
Adaptive Quardrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
57
4.6
Gaussian Quadrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
57
4.6.1
Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
4.6.2
Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
5 Diferensial Numerik
61
5.1
Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
5.2
67
5.2.1
70
5.3
Latihan I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
5.4
78
5.4.1
Script Finite-Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
5.4.2
Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
5.5
Latihan II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
5.6
87
5.7
PDP eliptik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
5.7.1
Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
89
5.7.2
92
5.7.3
Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
PDP parabolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
5.8.1
Metode Forward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . .
96
5.8.2
97
5.8.3
5.8
vii
5.8.4
5.9
Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
113
6.1
6.2
6.3
6.4
6.5
6.2.1
6.2.2
6.2.3
6.3.2
6.3.3
6.4.2
Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
6.4.3
143
7.1
7.2
7.3
7.4
7.2.1
7.2.2
7.3.2
7.4.2
7.4.3
7.4.4
7.4.5
7.4.6
7.4.7
Pivoting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
7.5
7.6
7.6.2
viii
7.7
Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
8.2
177
8.3
8.4
9 Metode LU Decomposition
195
9.1
9.2
Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
10 Interpolasi
205
217
229
233
238
14 Lampiran
241
243
Daftar Gambar
1.1
1.2
1.3
1.4
Grafik yang dilengkapi dengan keterangan sumbu-x dan sumbu-y serta judul . .
1.5
1.6
1.7
4.1
Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara
metode Trapesoida menghitung integral dengan cara menghitung luas area integrasi,
dimana luas area integrasi sama dengan luas trapesium di bawah kurva f (x) dalam
batas-batas a dan b. Jika anda perhatikan dengan teliti, ada area kecil dibawah garis
kurva dan diatas garis miring yang berada diluar bidang trapesium. Metode Trapesoida
tidak menghitung luas area kecil tersebut. Disinilah letak kelemahan metode trapezoida.
4.2
52
Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara
metode Simpson menghitung luas area integrasi, dimana area integrasi di bawah kurva
4.3
f (x) dibagi 2 dalam batas interval a x1 dan x1 b dengan lebar masing-masing adalah h 53
Metode Composite Simpson. Kurva fungsi f (x) dengan batas bawah integral adalah a
dan batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masingmasing adalah h. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1
56
Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebesar h. Pasangan t1 adalah y(t1 ), pasangan t2 adalah y(t2 ), begitu seterusnya. Kanan:
Garis singgung yang menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis
singgung tersebut, ditentukan pasangan t1 sebagai w1 . Perhatikan gambar itu sekali
lagi! w1 dan y(t1 ) beda tipis alias tidak sama persis. . . . . . . . . . . . . . . . . . . . .
5.2
62
Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(5.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu
nilai wi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3
66
Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(5.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta
orde 4, yaitu nilai wi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ix
70
DAFTAR GAMBAR
x
5.4
Rangkaian RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
5.5
76
5.6
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
5.7
Skema grid lines dan mesh points pada aplikasi metode Finite-Difference . . . . . .
88
5.8
Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu . . . . . . . . . . . . . . . . . . . . . . . .
5.9
90
97
97
5.11 Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forwarddifference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat . . . .
98
8.1
8.2
Kurva hasil inversi data observasi antara suhu dan kedalaman . . . . . . . . . . . 181
8.3
Kurva hasil inversi data observasi antara suhu dan kedalaman . . . . . . . . . . . 186
8.4
8.5
10.1 Sejumlah titik terdistribusi pada koordinat kartesian. Masing-masing titik memiliki pasangan koordinat (x, y) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
10.2 Kurva interpolasi cubic spline yang menghubungkan semua titik . . . . . . . . . 209
10.3 Sejumlah polinomial cubic yaitu S0 , S1 , S2 ... dan seterusnya yang saling sambungmenyambung sehingga mampu menghubungkan seluruh titik . . . . . . . . . . . 209
10.4 Profil suatu object . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
10.5 Sampling titik data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
10.6 Hasil interpolasi cubic spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
10.7 Hasil interpolasi lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
11.1 Fungsi dengan dua akar yang ditandai oleh lingkaran kecil berwarna merah,
yaitu pada x = 2 dan x = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
11.2 Fungsi dengan satu akar yang ditandai oleh lingkaran kecil berwarna merah,
Daftar Tabel
4.1
5.1
Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih
antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2
70
Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan
hasil perhitungan dari solusi exact, yaitu persamaan (5.16) . . . . . . . . . . . . .
5.4
65
Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact
y(ti ) serta selisih antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3
58
75
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 forward-difference. Kolom
ke-4 dan ke-6 adalah selisih antara solusi analitik dan numerik . . . . . . . . . . . . . . 101
5.5
Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backwarddifference dimana k = 0, 01
5.6
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan
metode backward-difference dan Crank-Nicolson . . . . . . . . . . . . . . . . . . . . 109
6.1
6.2
6.3
6.4
6.5
8.1
8.2
8.3
xi
xii
DAFTAR TABEL
Bab 1
Pendahuluan
Objektif :
Mengenal cara inisialisasi variabel.
Mengenal operasi matematika.
Mengenal fungsi-fungsi dasar.
Mengenal cara membuat grafik.
1.1
Inisialisasi variabel
Salah satu perbedaan utama antara komputer dan kalkulator adalah pemanfaatan variabel
dalam proses perhitungan. Kebanyakan kalkulator tidak menggunakan variabel dalam proses
perhitungan; sebaliknya, komputer sangat memanfaatkan variable dalam proses perhitungan.
Misalnya kita ingin mengalikan 2 dengan 3. Dengan kalkulator, langkah pertama yang
akan kita lakukan adalah menekan tombol angka 2, kemudian diikuti menekan tombol , lalu
menekan tombol angka 3, dan diakhiri dengan menekan tombol =; maka keluarlah hasilnya
berupa angka 6. Kalau di komputer, proses perhitungan seperti ini dapat dilakukan dengan
memanfaatkan variabel. Pertama-tama kita munculkan sebuah variabel yang diinisialisasi1
dengan angka 2, misalnya A = 2. Kemudian kita munculkan variabel lain yang diinisialisasi
dengan angka 3, misalnya B = 3. Setelah itu kita ketikkan A B; maka pada layar monitor
akan tampil angka 6. Bahkan kalau mau, hasil perhitungannya dapat disimpan dalam variabel
yang lain lagi, misalnya kita ketiikan C = A B; maka hasil perhitungan, yaitu angka 6 akan
disimpan dalam variable C. Script2 matlab untuk melakukan proses perhitungan seperti itu
adalah sebagai berikut
A = 2;
B = 3;
C = A * B
1
2
BAB 1. PENDAHULUAN
Nama suatu variabel tidak harus hanya satu huruf, melainkan dapat berupa sebuah kata.
Misalnya kita ingin menyatakan hukum Newton kedua, yaitu F = ma, dimana m adalah massa, a adalah percepatan dan F adalah gaya. Maka, script matlab dapat ditulis seperti berikut
ini
massa = 2;
percepatan = 3;
gaya = massa * percepatan
Atau bisa jadi kita memerlukan variabel yang terdiri atas dua patah kata. Dalam hal ini, kedua
kata tadi mesti dihubungkan dengan tanda underscore. Misalnya begini
besar_arus = 2;
beda_potensial = 3;
nilai_hambatan = beda_potensial / besar_arus
Semua contoh di atas memperlihatkan perbedaan yang begitu jelas antara penggunaan
komputer dan kalkulator dalam menyelesaikan suatu perhitungan. Saya akan tunjukkan perbedaan yang lebih tegas lagi pada bagian berikut ini.
1.2
Di dalam matlab, suatu variabel dapat diinisialisasi dengan urutan angka. Misalnya jika variabel t hendak diinisialisasi dengan sejumlah angka yaitu 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 dan 10, caranya
sangat mudah, cukup dengan mengetikkan
t = 0:10;
Angka 0 pada script di atas merupakan nilai awal; sedangkan angka 10 adalah nilai akhir.
Contoh lainnya, jika anda hanya menginginkan bilangan genap-nya saja, cukup ketikkan
t = 0:2:10;
Disini, angka 2 bertindak sebagai nilai interval dari 0 sampai 10. Sehingga angka-angka yg
muncul hanyalah 0, 2, 4, 6, 8 dan 10. Andaikata anda menginginkan urutan angka yang terbalik, maka yang perlu anda lakukan adalah
t = 10:-2:0;
sehinggan angka yang muncul adalah 10, 8, 6, 4, 2 dan 0. Adakalanya proses perhitungan
meminta kita untuk memulainya dari angka kurang dari nol, misalnya
t = -10:3:4;
maka angka-angka yang tersimpan pada variabel t adalah -10, -7, -4, -1 dan 2.
Dengan adanya kemampuan dan sekaligus kemudahan inisialisasi urutan angka seperti
ini, maka memudahkan kita melakukan perhitungan yang berulang. Sebagai contoh, kita ingin mensimulasikan perubahan kecepatan mobil balap yang punya kemampuan akselerasi 2
m/dt2 . Rumus gerak lurus berubah beraturan sangat memadai untuk maksud tersebut
v = vo + at
(1.1)
Jika kita hendak mengamati perubahan kecepatan mobil balap dari detik pertama disaat
sedang diam hingga detik ke-5, kita dapat menghitung perubahan tersebut setiap satu detik,
yaitu
pada t = 1
v1 = (0) + (2)(1)
2m/dt
pada t = 2
v2 = (0) + (2)(2)
4m/dt
pada t = 3
v3 = (0) + (2)(3)
6m/dt
pada t = 4
v4 = (0) + (2)(4)
8m/dt
pada t = 5
v5 = (0) + (2)(5)
10m/dt
(1.2)
Untuk menentukan perubahan jarak tempuh tersebut, script sebelumnya mesti ditambah satu
baris lagi
1
2
3
4
a = 2;
t = 1:5;
vo = 0;
s = vo * t + 1/2 * a * t.^2
Ada hal penting yang perlu diperhatikan pada baris ke-4 di atas, yaitu penempatan tanda
Maksud dari tanda titik adalah setiap angka yang tersimpan pada variabel t
titik pada t.2.
maka script
harus dikuadratkan. Jika anda lupa menempatkan tanda titik, sehingga tertulis t2,
tersebut tidak akan bekerja.
1.3
Seringkali suatu informasi lebih mudah dianalisis setelah informasi tersebut ditampilkan dalam
bentuk grafik. Pada contoh mobil balap tadi, kita bisa menggambar data perubahan kecepatan
mobil terhadap waktu dengan menambahkan satu baris lagi seperti ditunjukkan oleh script
dibawah ini
1
2
3
4
5
a = 2;
t = 1:5;
vo = 0;
v = vo + a * t
plot(t,v,o)
BAB 1. PENDAHULUAN
4
10
1.5
2.5
3.5
4.5
2
3
4
5
6
7
8
a = 2;
t = 1:5;
vo = 0;
v = vo + a * t;
plot(t,v,o);
xlabel(Waktu (dt));
ylabel(Kecepatan (m/dt))
title(Data Kecepatan vs Waktu)
7
6
5
4
3
2
1.5
2.5
3
Waktu (dt)
3.5
4.5
Gambar 1.2: Data perubahan kecepatan terhadap waktu dengan keterangan gambar
1.4
Baris-baris pembuka
Ketika anda membuat script di komputer, anda mesti menyadari bahwa script yang sedang
anda buat akan memodifikasi isi memory komputer. Oleh karena itu saya menyarankan agar
sebelum kalkulasi anda bekerja, maka anda harus pastikan bahwa memory komputer dalam
keadaan bersih. Cara membersihkannya, di dalam matlab, adalah dengan menuliskan perintah clear. Alasan yang sama diperlukan untuk membersihkan gambar dari layar monitor.
Untuk maksud ini, cukup dengan menuliskan perintah close. Sedangkan untuk membersihkan
teks atau tulisan di layar monitor, tambahkan saja perintah clc. Saya biasa meletakkan ketiga
perintah tersebut pada baris-baris awal sebagai pembukaan bagi suatu script matlab. Inilah
contohnya,
1
2
3
clear
close
clc
4
5
6
7
8
9
10
11
12
a = 2;
t = 1:5;
vo = 0;
v = vo + a * t;
plot(t,v,o);
xlabel(Waktu (dt));
ylabel(Kecepatan (m/dt))
title(Data Kecepatan vs Waktu)
1.5
clc
clear
close
4
5
6
7
8
9
A = 1; % amplitudo
f = 5; % frekuensi
theta = 0; % sudut fase gelombang
t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
y = A * sin(2*pi*f*t + theta); % persamaan gelombang
10
11
plot(t,y)
Grafik di atas muncul karena ada fungsi plot(t,y) yang diletakkan dibaris paling akhir pada
script. Modifikasi script perlu dilakukan untuk memberi penjelasan makna dari sumbu-x dan
sumbu-y serta memberikan judul grafik
BAB 1. PENDAHULUAN
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
2
3
clc
clear
close
4
5
6
7
8
9
A = 1; % amplitudo
f = 5; % frekuensi
theta = 0; % sudut fase gelombang
t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
y = A * sin(2*pi*f*t + theta); % persamaan gelombang
10
11
12
13
14
Untuk memperbesar font judul grafik, tambahkan kata fontsize(14) pada title(), contohnya
title(\fontsize{14} Gelombang berfrekuensi 5 Hz); % judul grafik
Bila kita perlu menggambar dua buah grafik, contoh script berikut ini bisa digunakan
1
2
3
clc
clear
close
4
5
t = 0:0.001:1;
6
7
8
9
10
A1 = 1; % amplitudo gelombang 1
f1 = 5; % frekuensi gelombang 1
theta1 = 0; % sudut fase gelombang 1
y1 = A1 * sin(2*pi*f1*t + theta1); % persamaan gelombang 1
11
12
13
A2 = 1;
f2 = 3;
% amplitudo gelombang 2
% frekuensi gelombang 2
Gelombang berfrekuensi 5 Hz
1
0.8
0.6
Amplitudo
0.4
0.2
0
0.2
0.4
0.6
0.8
1
0.1
0.2
0.3
0.4
0.5
Waktu, t (detik)
0.6
0.7
0.8
0.9
Gambar 1.4: Grafik yang dilengkapi dengan keterangan sumbu-x dan sumbu-y serta judul
Gelombang berfrekuensi 5 Hz
1
0.8
0.6
Amplitudo
0.4
0.2
0
0.2
0.4
0.6
0.8
1
0.1
0.2
0.3
0.4
0.5
Waktu, t (detik)
0.6
0.7
0.8
0.9
BAB 1. PENDAHULUAN
8
14
15
16
17
figure
18
19
20
21
22
23
subplot(2,1,1)
plot(t,y1) % menggambar grafik persamaan gelombang 1
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 5 Hz);
24
25
26
27
28
29
subplot(2,1,2)
plot(t,y2) % menggambar grafik persamaan gelombang 2
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 3 Hz, fase pi/4);
Gelombang berfrekuensi 5 Hz
Amplitudo
1
0.5
0
0.5
1
0.1
0.2
0.3
0.4
0.5
Waktu, t (detik)
0.6
0.7
0.8
0.9
0.8
0.9
1
0.5
0
0.5
1
0.1
0.2
0.3
0.4
0.5
Waktu, t (detik)
0.6
0.7
clc
clear
close
4
5
t = 0:0.001:1;
6
7
8
9
10
A1 = 1; % amplitudo gelombang 1
f1 = 5; % frekuensi gelombang 1
theta1 = 0; % sudut fase gelombang 1
y1 = A1 * sin(2*pi*f1*t + theta1); % persamaan gelombang 1
11
12
13
14
15
A2 = 1; % amplitudo gelombang 2
f2 = 3; % frekuensi gelombang 2
theta2 = pi/4; % sudut fase gelombang 2
y2 = A2 * sin(2*pi*f2*t + theta2); % persamaan gelombang 2
16
17
y3 = y1 + y2;
% superposisi gelombang
18
19
figure
20
21
22
23
24
25
subplot(3,1,1)
plot(t,y1) % menggambar grafik persamaan gelombang 1
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 5 Hz);
26
27
28
29
30
31
subplot(3,1,2)
plot(t,y2) % menggambar grafik persamaan gelombang 2
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 3 Hz, fase pi/4);
32
36
37
Gelombang berfrekuensi 5 Hz
Amplitudo
35
subplot(3,1,3)
plot(t,y3) % menggambar grafik superposisi gelombang
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Superposisi gelombang 5 Hz dan 3 Hz);
1
0
1
0.2
0.4
0.6
Waktu, t (detik)
0.8
34
1
0
1
0.2
0.4
0.6
Waktu, t (detik)
0.8
33
2
0
2
0.2
0.4
0.6
Waktu, t (detik)
0.8
BAB 1. PENDAHULUAN
10
1.6
Latihan
1. Jarak tempuh mobil balap yang bergerak dengan percepatan 2 m/dt2 dari posisi diam
ditentukan oleh rumus berikut
1
s = vo t + at2
2
Buatlah script untuk menggambarkan grafik jarak tempuh terhadap waktu dimulai dari
t = 0 hingga t = 20 dt.
2. Sebuah elektron memasuki area yang dipengaruhi oleh medan listrik seperti gambar
berikut dimana diketahui besar muatan elektron = 1,61019 C, massa elektron = 9,111031
kg, kecepatan v = 3106 m/dt, kuat medan listrik E = 200 N/C , dan panjang plat = 0,1
meter. Posisi koordinat elektron memenuhi persamaan
x = vt
y=
1 eE 2
t
2 m
dimana percepatan
a=
eE
m
Buatlah script untuk menentukan variasi posisi elektron (x, y) terhadap waktu (t), mulai
dari t = 0 detik hingga t = 3,33108 detik dengan interval waktu 3,331010 detik.
3. Berkali-kali bola ditendang dari depan gawang ke tengah lapangan oleh penjaga gawang
yang sedang berlatih. Misalnya bola ditendang sedemikian rupa sehingga bola selalu
bergerak dengan kecepatan awal 5 m/dt. Diketahui konstanta gravitasi adalah 9,8 m/dt2 .
(a) Plot variasi ketinggian maksimum bola bila sudut tendangan bervariasi dari 30o
hingga 60o dengan interval 5o . Persamaan untuk menghitung ketinggian maksimum adalah
hmaks =
vo2 sin2
2g
(1.3)
(b) Plot variasi jangkauan maksimum bola bila sudut tendangan bervariasi dari 30o
hingga 60o dengan interval 5o . Persamaan untuk menghitung jangkauan maksimum
adalah
xmaks =
vo2 sin 2
g
(1.4)
1.6. LATIHAN
11
4. Sebuah bola konduktor pejal memiliki jari-jari sebesar 0,75 meter. Kuat medan listrik
yang terukur pada permukaan kulit bola diketahui sebesar 890 N/C dan mengarah ke
pusat bola. Dengan memanfaatkan hukum Gauss, tentukan:
(a) Tuliskan script matlab untuk menggambarkan kurva kuat medan listrik vs jarak,
mulai dari 0 meter hingga 10 meter.
(b) Plot gambar kurva-nya
5. Tuliskan sebuah script untuk menggambar superposisi gelombang yang terbentuk dari 9
gelombang berfrekuensi 9 Hz, 18 Hz, 27 Hz, 35 Hz, 47 Hz, 57 Hz, 65 Hz, 74 Hz dan 82
Hz.
6. Sebuah kapasitor 8 F dan sebuah induktor sebesar 25 mH, masing-masing dihubungkan
ke sumber tegangan bolak-balik 150 Volt dengan frekuensi 60 Hz.
(a) Tentukan nilai reaktansi kapasitif pada rangkaian (a); dan reaktansi induktif pada
rangkaian (b).
(b) Tuliskan script matlab untuk menggambarkan kurva arus dan tegangan pada rangkaian (a); kemudian plot gambar kurva-nya.
(c) Tuliskan script matlab untuk menggambarkan kurva arus dan tegangan pada rangkaian (b); kemudian plot gambar kurva-nya.
7. Muatan Q1 sebesar 4C terletak pada x = -1; sementara Q2 = 4C terletak pada x = 1.
Buatlah script matlab untuk tujuan:
(a) menghitung medan listrik pada x = -2
(b) menghitung medan listrik pada x = 0 (cek: dititik ini, medannya harus NOL)
(c) menghitung medan listrik pada x = 2 (cek: besar medan harus sesuai dengan point
pertanyaan (a))
(d) menghitung medan listrik pada -1 < x < 1 dengan interval 0.1
(e) plot kurva perhitungan di atas. (cek: nilai medan terkecil ada di x = 0; dan nilai
medan meningkat ketika mendekati x = -1 atau x = 1)
(f) menghitung medan listrik pada -10 < x < -1 dengan interval 0.1
BAB 1. PENDAHULUAN
12
(g) plot kurva perhitungan di atas. (cek: nilai medan harus meningkat ketika mendekati
x = -1)
(h) menghitung medan listrik pada 1 < x < 10 dengan interval 0.1
(i) plot kurva perhitungan di atas. (cek: nilai medan harus meningkat ketika mendekati
x = 1)
(j) plot kurva medan listrik dari x = -10 hingga x = 10 dengan interval 0.1
8. Muatan Q1 sebesar 4C terletak pada x = -1; sementara Q2 = 20C terletak pada x = 1.
Buatlah script matlab untuk tujuan:
(a) plot kurva medan listrik dari x = -10 hingga x = 10 dengan interval 0.1
(b) menghitung medan listrik pada x = 0 (cek: dititik ini, medannya TIDAK NOL; dimanakah posisi yang medannya NOL ?)
(c) mencari titik x yang medan-nya nol pada -1 < x < 1
(d) mencari titik-titik x yang medannya bernilai 20000
9. Muatan Q1 sebesar 4C terletak pada x = -1; sementara Q2 = 4C terletak pada x = 1.
Buatlah script matlab untuk tujuan:
(a) menghitung potensial listrik pada x = -2
(b) menghitung potensial listrik pada x = 0
(c) menghitung potensial listrik pada x = 2 (cek: besar potensial harus sama dengan
point pertanyaan (a))
(d) menghitung medan listrik pada -1 < x < 1 dengan interval 0.1
(e) plot kurva perhitungan di atas. (cek: nilai potensial listrik terkecil ada di x = 0; dan
nilai potensial listrik meningkat ketika mendekati x = -1 atau x = 1)
(f) menghitung potensial listrik pada -10 < x < -1 dengan interval 0.1
(g) plot kurva perhitungan di atas. (cek: nilai potensial listrik harus meningkat ketika
mendekati x = -1)
(h) menghitung potensial listrik pada 1 < x < 10 dengan interval 0.1
(i) plot kurva perhitungan di atas. (cek: nilai potensial harus meningkat ketika mendekati
x = 1)
(j) plot kurva potensial listrik dari x = -10 hingga x = 10 dengan interval 0.1
10. Muatan Q1 sebesar 4C terletak pada x = -1; sementara Q2 = -20C terletak pada x = 1.
Buatlah script matlab untuk tujuan:
(a) plot kurva potensial listrik dari x = -10 hingga x = 10 dengan interval 0.1
(b) menghitung potensial listrik pada x = 0
1.6. LATIHAN
13
11. Sebuah bola pejal memiliki jari-jari sebesar 0,75 meter. Kuat medan listrik yang terukur
pada permukaan bola diketahui sebesar 890 N/C dan mengarah keluar bola. Dengan
memanfaatkan hukum Gauss, tentukan:
(a) Total muatan yang terdapat pada kulit bola
(b) Apakah muatan-nya positif atau negatif ?
(c) Kuat medan listrik pada jarak 1 meter dari pusat bola
(d) Kuat medan listrik pada jarak 0,5 meter dari pusat bola
(e) Buatlah script matlab untuk menggambarkan kurva kuat medan listrik terhadap
jarak mulai dari pusat bola sampai ke jarak 3 meter
14
BAB 1. PENDAHULUAN
Bab 2
Objektif :
Mengenalkan matrik, vektor dan jenis-jenis matrik.
Mendeklarasikan elemen-elemen matrik ke dalam memori komputer.
Mengenalkan operasi penjumlahan dan perkalian matrik.
Membuat script operasi matrik.
2.1
Mengenal 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
atas elemen-elemen yang dinyatakan dengan huruf kecil lalu diikuti oleh angka-angka indeks,
misalnya aij . Indeks i menunjukkan posisi baris ke-i dan indeks j menentukan posisi kolom
ke-j.
a11
a12
. . . a1m
a21
A = (aij ) =
..
.
a22
..
.
. . . a2m
..
(2.1)
Pada matrik ini, a11 , a12 , ..., a1m adalah elemen-elemen yang menempati baris pertama. Sementara a12 , a22 , ..., an2 adalah elemen-elemen yang menempati kolom kedua.
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.
15
16
Contoh 2: Matrik B32
1 3
B = 5 9
2 4
dimana masing-masing elemennya adalah b11 = 1, b12 = 3, b21 = 5, b22 = 9, b31 = 2, dan
b32 = 4.
2.2
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
(2.2)
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
2.3
(2.3)
Sebelum dilanjutkan, saya sarankan agar anda mencari tahu sendiri bagaimana cara membuat
m-file di Matlab dan bagaimana cara menjalankannya. Karena semua source code yang terdapat
dalam buku ini ditulis dalam m-file. Walaupun sangat mudah untuk melakukan copy-paste, namun dalam upaya membiasakan diri menulis source code di m-file, saya anjurkan anda menulis
ulang semuanya.
Dalam Matlab terdapat 3 cara inisialisasi matrik. Cara pertama1 , sesuai dengan Contoh 1,
adalah
clear all
clc
1
2
3
A(1,1)
A(1,2)
A(1,3)
A(2,1)
A(2,2)
A(2,3)
A
4
5
6
7
8
9
10
=
=
=
=
=
=
3;
8;
5;
6;
4;
7;
Cara ini bisa diterapkan pada bahasa C, Fortran, Pascal, Delphi, Java, Basic, dll. Sementara cara kedua dan cara
ketiga hanya akan dimengerti oleh Matlab
17
1
2
3
B(1,1)
B(1,2)
B(2,1)
B(2,2)
B(3,1)
B(3,2)
B
4
5
6
7
8
9
10
=
=
=
=
=
=
1;
3;
5;
9;
2;
4;
Cara kedua relatif lebih mudah dan benar-benar merepresentasikan dimensi matriknya, dimana jumlah baris dan jumlah kolom terlihat dengan jelas.
clear all
clc
1
2
3
A=[ 3 8 5
6 4 7 ];
4
5
6
B=[ 1 3
5 9
2 4 ];
7
8
9
Cara ketiga jauh lebih singkat, namun tidak menunjukkan dimensi matrik lantaran ditulis
hanya dalam satu baris.
clear all
clc
1
2
3
A=[ 3 8 5 ; 6 4 7 ];
B=[ 1 3 ; 5 9 ; 2 4];
4
5
2.4
Macam-macam matrik
A=
"
#
3 8 5
6 4 7
3 6
AT = 8 4
5 7
Dengan Matlab, operasi transpose cukup dilakukan dengan menambahkan tanda petik tunggal di depan nama matriknya
18
1
2
clear all
clc
3
4
5
A=[ 3 8 5
6 4 7 ];
6
7
AT = A;
1 3 8
A = 5 9 7
2 4 6
2 3 7 1
3 5 6 2
A=
6 9 8
7
1 2 8 10
3
A =
7
3 7
6 2
6 9 8
2 8 10
5
11 0
A = 0 29
0
61
1 0 0
I = 0 1 0
0 0 1
19
0
A=
0
6 2 1
4 1 5
0 8 7
0 0 9
32 2 0 0
A=
8
7
11
0
5 10 6 9
12
3 6 0 0
2 4 1 0
A=
0 5 8 7
0 0 3 9
2.4.9 Matrik diagonal dominan
Matrik diagonal dominan adalah matrik bujursangkar yang memenuhi
|aii | >
n
X
j=1,j6=i
|aij |
(2.4)
7 2 0
A = 3 5 1
0 5 6
B = 4 2 0
3 0
1
6
20
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.
(2.5)
A = 1
0
1
1 2
x1
i 2 1 0
h
xT Ax = 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
Dari sini dapat disimpulkan bahwa matrik A bersifat positive-definite, karena memenuhi
x21 + (x1 x2 )2 + (x2 x3 )2 + x23 > 0
kecuali jika x1 =x2 =x3 =0.
2.5
Operasi matematika
"
9 5 3
7 2 1
21
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
"
(2.6)
(2.7)
dimana i=1,2 dan j=1,2,3. Perhatikan baik-baik! Batas i hanya sampai angka 2 sementara
batas j sampai angka 3. Kemampuan anda dalam menentukan batas indeks sangat penting
dalam dunia programming.
2.5.2 Komputasi penjumlahan matrik
Berdasarkan contoh operasi penjumlahan di atas, indeks j pada persamaan (2.7) lebih cepat
berubah dibanding indeks i sebagaimana ditulis pada 3 baris pertama dari Persamaan (2.6),
d11 = a11 + c11
d12 = a12 + c12
d13 = a13 + c13
22
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. Aturan mainnya adalah yang looping-nya paling cepat
harus diletakkan paling dalam; sebaliknya, looping terluar adalah looping yang indeksnya
paling jarang berubah.
Bila anda masih belum paham terhadap kalimat yang dicetak tebal, saya akan berikan contoh source code dasar yang nantinya akan kita optimasi selangkah demi selangkah. OK, kita
mulai dari source code paling mentah berikut ini.
1
2
clear all
clc
3
4
A=[3 8 5; 6 4 7];
% inisialisasi matrik A
C=[9 5 3; 7 2 1];
% inisialisasi matrik B
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Tanda % berfungsi untuk memberikan komentar atau keterangan. Komentar atau keterangan tidak akan diproses oleh Matlab. Saya yakin anda paham dengan logika yang ada pada
bagian % proses penjumlahan matrik- dalam source code di atas. Misalnya pada baris ke-9,
elemen d11 adalah hasil penjumlahan antara elemen a11 dan c11 , sesuai dengan baris pertama
Persamaan 2.6.
Tahap pertama penyederhanaan source code dilakukan dengan menerapkan perintah for end untuk proses looping. Source code tersebut berubah menjadi
1
2
clear all
clc
3
4
A=[3 8 5; 6 4 7];
% inisialisasi matrik A
C=[9 5 3; 7 2 1];
% inisialisasi matrik B
5
6
7
8
9
10
11
12
13
14
15
for j=1:3
D(2,j)=A(2,j)+C(2,j);
end
23
16
17
18
19
20
Pada baris ke-9 dan ke-13, saya mengambil huruf j sebagai nama indeks dimana j bergerak
dari 1 sampai 3. Coba anda pikirkan, mengapa j hanya bergerak dari 1 sampai 3?
Modifikasi tahap kedua adalah sebagai berikut
1
2
clear all
clc
3
4
A=[3 8 5; 6 4 7];
% inisialisasi matrik A
C=[9 5 3; 7 2 1];
% inisialisasi matrik B
5
6
7
8
9
10
11
12
13
14
15
16
17
i=2
for j=1:3
D(i,j)=A(i,j)+C(i,j);
end
18
19
20
21
22
Saya gunakan indeks i pada baris ke-9 dan ke-14 yang masing-masing berisi angka 1 dan 2.
Dengan begitu indeks i bisa menggantikan angka 1 dan 2 yang semula ada di baris ke-11 dan
ke-16. Nah sekarang coba anda perhatikan, statemen pada baris ke-10, ke-11 dan ke-12 sama
persis dengan statemen pada baris ke-15, ke-16 dan ke-17, sehingga mereka bisa disatukan
kedalam sebuah looping yang baru dimana i menjadi nama indeksnya.
1
2
clear all
clc
3
4
A=[3 8 5; 6 4 7];
% inisialisasi matrik A
C=[9 5 3; 7 2 1];
% inisialisasi matrik B
5
6
7
8
9
10
11
12
13
14
15
24
16
17
18
A
C
D
Coba anda pahami dari baris ke-9, mengapa indeks i hanya bergerak dari 1 sampai 2?
Source code di atas memang sudah tidak perlu dimodifikasi lagi, namun ada sedikit saran
untuk penulisan looping bertingkat dimana sebaiknya looping terdalam ditulis agak menjorok
kedalam seperti berikut ini
1
2
clear all
clc
3
4
A=[3 8 5; 6 4 7];
% inisialisasi matrik A
C=[9 5 3; 7 2 1];
% inisialisasi matrik B
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Sekarang anda lihat bahwa looping indeks j ditulis lebih masuk kedalam dibandingkan looping indeks i. Semoga contoh ini bisa memperjelas aturan umum pemrograman dimana yang
looping-nya paling cepat harus diletakkan paling dalam; sebaliknya, looping terluar adalah
looping yang indeksnya paling jarang berubah. Dalam contoh ini looping indeks j bergerak
lebih cepat dibanding looping indeks i.
25
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
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
(2.8)
(2.9)
(2.10)
(2.11)
Sejenak, mari kita amati perubahan pasangan angka-angka indeks yang mengiringi elemen
e, elemen a dan elemen b mulai dari persamaan (2.8) sampai persamaan (2.11). 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
26
yang polanya sama
27
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
eij = aik .bkj + aik .bkj + aik .bkj
eij = aik .bkj + aik .bkj + aik .bkj
eij = aik .bkj + aik .bkj + aik .bkj
Kemudian secara sederhana dapat ditulis sebagai berikut
eij = aik .bkj + aik .bkj + aik .bkj
(2.12)
3
X
aik bkj
(2.13)
k=1
m
X
aik bkj
(2.14)
k=1
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
28
Sejenak, mari kita amati dengan cermat statemen dari baris ke-9 sampai ke-12 sambil dikaitkan
dengan bentuk umum penulisan indeks pada perkalian matrik yaitu
eij = aik .bkj + aik .bkj + aik .bkj
(2.15)
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Agar baris ke-9 memiliki pola yang sama dengan baris ke-11 dan ke-12, upaya yang dilakukan
adalah
1
2
29
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Kemudian cara yang sama dilakukan pada E(1, 2), E(2, 1), dan E(2, 2). Anda mesti cermat
dan hati-hati dalam menulis angka-angka indeks!!!
1
2
clear all
clc
3
4
5
6
30
7
8
9
10
11
12
13
14
15
16
E(1,2)=0;
for k=1:3
E(1,2)=E(1,2)+A(1,k)*B(k,2);
end
17
18
19
20
21
E(2,1)=0;
for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end
22
23
24
25
26
E(2,2)=0;
for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end
27
28
29
30
31
Inisialisasi elemen-elemen matrik E dengan angka nol, bisa dilakukan diawal proses perkalian
yang sekaligus memunculkan indeks i dan j untuk elemen E
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
for k=1:3
E(1,1)=E(1,1)+A(1,k)*B(k,1);
end
17
18
19
20
for k=1:3
E(1,2)=E(1,2)+A(1,k)*B(k,2);
end
21
22
23
24
for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end
25
26
27
28
29
for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end
31
Sekarang coba anda perhatikan statemen pada baris ke-15 dan ke-19, lalu bandingkan indeks
i dan indeks j pada elemen E. Indeks mana yang berubah? Ya. Jawabannya adalah indeks j.
Dengan demikian kita bisa munculkan indeks j
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
j=1;
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
18
19
20
21
22
j=2;
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
23
24
25
26
for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end
27
28
29
30
for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end
31
32
33
34
35
Lihatlah, statemen dari baris ke-15 sampai ke-17 memiliki pola yang sama dengan statemen
dari baris ke-20 sampai ke-22, sehingga mereka bisa disatukan kedalam looping indeks j
1
2
clear all
clc
3
4
5
6
7
8
32
for j=1:2
E(i,j)=0;
end
9
10
11
12
end
13
14
15
16
17
18
for j=1:2
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
end
19
20
21
22
for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end
23
24
25
26
for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end
27
28
29
30
31
Sekarang coba sekali lagi anda perhatikan statemen pada baris ke-21 dan ke-25, lalu bandingkan indeks i dan indeks j pada elemen E. Indeks mana yang berubah? Ya. Jawabannya
tetap indeks j. Dengan demikian kita bisa munculkan juga indeks j disana
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
for j=1:2
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
end
19
20
21
22
23
j=1;
for k=1:3
E(2,j)=E(2,j)+A(2,k)*B(k,j);
end
24
25
26
27
28
29
j=2;
for k=1:3
E(2,j)=E(2,j)+A(2,k)*B(k,j);
end
33
Cermatilah, statemen dari baris ke-21 sampai ke-23 memiliki pola yang sama dengan statemen
dari baris ke-25 sampai ke-27, sehingga mereka pun bisa disatukan kedalam looping indeks j
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
for j=1:2
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
end
19
20
21
22
23
24
for j=1:2
for k=1:3
E(2,j)=E(2,j)+A(2,k)*B(k,j);
end
end
25
26
27
28
29
Akhirnya kita sampai pada bagian akhir tahapan modifikasi. Perhatikan baris ke-16 dan ke-22.
Indeks i pada elemen E dan A bergerak dari 1 ke 2, sehingga indeks i bisa dimunculkan
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
i=1;
for j=1:2
34
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
16
17
18
19
end
20
21
22
23
24
25
26
i=2;
for j=1:2
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
27
28
29
30
31
Sekarang, statemen dari baris ke-15 sampai ke-19 memiliki pola yang sama dengan statemen
dari baris ke-22 sampai ke-26. Mereka bisa disatukan oleh looping indeks i
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
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
21
22
23
24
25
Inilah hasil akhir dari tahapan-tahapan modifikasi yang selanjutnya saya sebut sebagai proses
optimasi. Upaya yang baru saja saya perlihatkan, sebenarnya penuh dengan jebakan-jebakan
kesalahan, terutama jika anda kurang cermat membaca indeks dan pola. Upaya seperti itu
memerlukan konsentrasi dan perhatian yang tidak sebentar. Upaya semacam itu tidak semudah meng-copy hasil akhir optimasi. Walaupun bisa di-copy, namun saya menyarankan agar
anda mencoba melakukan proses optimasi itu sekali lagi di komputer tanpa melihat catatan ini
dan tanpa bantuan orang lain. Kalau anda gagal, cobalah berfikir lebih keras untuk mencari
jalan keluarnya. Jika masih tetap gagal, silakan lihat catatan ini sebentar saja sekedar untuk
35
mencari tahu dimana letak kesalahannya. Hanya dengan cara begitu ilmu programming ini
akan bisa menyatu pada diri anda.
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
y =
"
"
"
# 2
3 8 5
3
6 4 7
4
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
"
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
36
dimana elemen-elemen vektor-kolom y memenuhi
yi =
m
X
aij xj
(2.16)
j=1
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
Sejenak, mari kita amati dengan cermat statemen dari baris ke-8 dan ke-9 sambil dikaitkan
dengan bentuk umum penulisan indeks pada perkalian antara matrik dan vektor-kolom yaitu
yi1 = aij .xj1 + aij .xj1 + aij .xj1
(2.17)
clear all
clc
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
37
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
13
14
15
16
17
Agar baris ke-8 memiliki pola yang sama dengan baris ke-9 dan ke-10, upaya yang dilakukan
adalah
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
14
15
16
17
18
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
14
15
16
17
18
38
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
15
16
y(2,1)=0;
for j=1:3
y(2,1)=y(2,1)+A(2,j)*x(j,1);
end
17
18
19
20
21
Inisialisasi vektor y dengan angka nol dapat dilakukan diawal proses perkalian, sekaligus
memunculkan indeks i
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
for j=1:3
y(1,1)=y(1,1)+A(1,j)*x(j,1);
end
15
16
17
18
for j=1:3
y(2,1)=y(2,1)+A(2,j)*x(j,1);
end
19
20
21
22
23
Kemudian, untuk menyamakan pola statemen baris ke-13 dan ke-17, indeks i kembali dimunculkan
1
2
3
clear all
clc
2.6. PENUTUP
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
39
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
15
i=1;
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
16
17
18
19
20
i=2;
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
21
22
23
24
25
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
15
16
for i=1:2
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end
17
18
19
20
21
2.6
Penutup
Demikianlah catatan singkat dan sederhana mengenai jenis-jenis matrik dasar dan operasi penjumlahan dan perkalian yang seringkali dijumpai dalam pengolahan data secara numerik. Semuanya akan dijadikan acuan atau referensi pada pembahasan topik-topik numerik yang akan
datang.
40
2.7
Latihan
5
9
7
5.6
A=
2
4
8
1
21
3
10
5
0.1
B=
7
2
9
5
0.4178
2.9587
x=
56.3069
8.1
Bab 3
Fungsi
Objektif :
Mengenalkan fungsi internal.
Membuat fungsi ekstenal.
Membuat fungsi ekternal untuk penjumlahan matrik.
Membuat fungsi ekternal untuk perkalian matrik.
3.1
Fungsi internal
Pada bab terdahulu kita sudah melakukan proses optimasi penjumlahan matrik dengan source
code akhir seperti ini
1
2
clear all
clc
3
4
5
A=[3 8 5; 6 4 7];
C=[9 5 3; 7 2 1];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
14
15
16
17
Pertanyaan yang segera muncul adalah apakah source code tersebut bisa digunakan untuk
menyelesaikan penjumlahan matrik yang dimensinya bukan 2x3 ? Misalnya
D=A+C
41
BAB 3. FUNGSI
42
4 3 8 6
2 6 7 2
D = 5 1 2 3 + 9 1 3 8
6 7 9 1
5 8 4 7
Tentu saja bisa, asal indeks i bergerak dari 1 sampai 3 dan indeks j bergerak dari 1 sampai 4.
Lihat source code berikut
1
2
clear all
clc
3
4
5
A=[4 3 8 6; 5 1 2 3; 6 7 9 1];
C=[2 6 7 2; 9 1 3 8; 5 8 4 7];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
14
15
16
17
Walaupun bisa digunakan, namun cara modifikasi seperti itu sangat tidak fleksibel dan beresiko salah jika kurang teliti. Untuk menghindari resiko kesalahan dan agar lebih fleksibel,
source code tersebut perlu dioptimasi sedikit lagi menjadi
1
2
clear all
clc
3
4
5
A=[4 3 8 6; 5 1 2 3; 6 7 9 1];
C=[2 6 7 2; 9 1 3 8; 5 8 4 7];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Perhatikan, ada tambahan 3 statemen yaitu mulai dari baris ke-8 sampai ke-10. Sementara
baris ke-11 dan ke-12 hanya mengalami sedikit perubahan. Statemen di baris ke-8 bermaksud
mendeklarasikan variabel dim untuk diisi oleh hasil perhitungan fungsi internal yang bernama
43
size. Matrik A dijadikan parameter input fungsi size. Fungsi size berguna untuk menghitung
jumlah baris dan jumlah kolom dari matrik A. Hasilnya adalah dim(1) untuk jumlah baris
dan dim(2) untuk jumlah kolom. Pada baris ke-9, variabel n dideklarasikan untuk menerima
informasi jumlah baris dari dim(1), sementara variabel m diisi dengan informasi jumlah kolom
dari dim(2) pada baris ke-10. Adapun baris ke-11 dan ke-12 hanya mengubah angka indeks
batas atas, masing-masing menjadi n dan m.
Sekarang kalau kita balik lagi menghitung penjumlahan matrik dari contoh sebelumnya
yang berukuran 2x3, maka source code akan seperti ini
1
2
clear all
clc
3
4
5
A=[3 8 5; 6 4 7];
C=[9 5 3; 7 2 1];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Ajaib bukan!? Tidak ada statemen yang berubah kecuali hanya pada baris ke-4 dan ke-5. Perubahan itu tidak bisa dihindari karena memang di kedua baris itulah deklarasi elemen-elemen
matrik A dan matrik C dilakukan.
3.2
Saatnya kita memasuki topik tentang pembuatan fungsi eksternal. Dari source code yang terakhir tadi, mari kita ambil bagian proses penjumlahan matrik-nya saja
1
2
3
4
5
6
7
8
dim=size(A);
n=dim(1);
m=dim(2);
for i=1:n
for j=1:m
D(i,j)=A(i,j)+C(i,j);
end
end
Kita akan jadikan potongan source code ini menjadi fungsi eksternal, dengan menambahkan
statemen function seperti ini
BAB 3. FUNGSI
44
1
2
3
4
5
6
7
8
9
function D=jumlah(A,C)
dim=size(A);
n=dim(1);
m=dim(2);
for i=1:n
for j=1:m
D(i,j)=A(i,j)+C(i,j);
end
end
kemudian ia harus di-save dengan nama jumlah.m. Sampai dengan langkah ini kita telah membuat fungsi eksternal dan diberi nama fungsi jumlah. Sederhana sekali bukan? Untuk menguji
kerja fungsi eksternal tersebut, coba jalankan source code berikut ini
1
2
clear all
clc
3
4
5
A=[3 8 5; 6 4 7];
C=[9 5 3; 7 2 1];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
clear all
clc
3
4
5
A=[4 3 8 6; 5 1 2 3; 6 7 9 1];
C=[2 6 7 2; 9 1 3 8; 5 8 4 7];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
clear all
clc
3
4
5
V=[4 3; 5 1];
W=[2 6; 9 3];
% inisialisasi matrik V
% inisialisasi matrik W
6
7
8
45
9
10
11
12
13
Periksa hasilnya, betul atau salah? Pasti betul! Kesimpulannya adalah setelah fungsi eksternal
berhasil anda dapatkan, maka seketika itu pula anda tidak perlu menggubrisnya lagi. Bahkan
anda tidak perlu mengingat nama matrik aslinya yang tertulis di fungsi jumlah yaitu matrik
A, matrik C dan matrik D. Ditambah lagi, source code anda menjadi terlihat lebih singkat dan
elegan. Dan kini, perhatian anda bisa lebih difokuskan pada deklarasi matrik-nya saja.
3.3
Mari kita beralih ke perkalian matrik. Kita akan membuat fungsi eksternal untuk perkalian
matrik. Berikut ini adalah source code perkalian matrik hasil akhir optimasi yang telah ditulis
panjang lebar pada bab sebelumnya
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
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
21
22
23
24
25
46
BAB 3. FUNGSI
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
for i=1:m
for j=1:n
for k=1:p
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end
26
27
28
29
30
Selanjutnya kita ambil bagian proses perkalian matrik nya untuk dibuat fungsi eksternal
1
2
3
4
5
6
7
8
9
10
11
function E=kali(A,B)
dim=size(A);
m=dim(1);
p=dim(2);
dim=size(B);
n=dim(2);
for i=1:m
for j=1:n
E(i,j)=0;
end
end
12
13
14
15
16
17
18
19
for i=1:m
for j=1:n
for k=1:p
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end
lalu di-save dengan nama kali.m, maka terciptalah fungsi eksternal yang bernama fungsi kali.
Kemudian coba anda uji fungsi kali tersebut dengan menjalankan source code berikut
1
2
47
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
Silakan anda periksa hasil perhitungannya. Pasti betul! Anda bisa mencoba perkalian matrik lainnya dengan menggunakan source code tersebut. Bahkan anda bisa mengganti nama
matriknya untuk selain A, B dan E.
3.4
Mari kita beralih ke perkalian matrik dan vektor-kolom. Kita akan membuat fungsi eksternal
untuk perkalian matrik dan vektor-kolom. Berikut ini adalah source code perkalian matrik dan
vektor-kolom hasil akhir optimasi yang telah ditulis panjang lebar pada bab sebelumnya
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
15
16
for i=1:2
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end
17
18
19
20
21
Source code tersebut digunakan untuk menghitung perkalian matrik dan vektor-kolom berikut
y21 = A23 x31
Dan kita bisa sepakati simbol indeks m dan n untuk men-generalisir dimensi matrik
ym1 = Amn xn1
BAB 3. FUNGSI
48
Dengan demikian, source code tersebut dapat dioptimasi menjadi
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
15
16
17
18
19
for i=1:m
for j=1:n
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end
20
21
22
23
24
Selanjutnya kita ambil bagian proses perkalian matrik dan vektor nya untuk dibuat fungsi eksternal
1
2
3
4
5
6
7
function y=kalivektor(A,x)
dim=size(A);
m=dim(1);
n=dim(2);
for i=1:m
y(i,1)=0;
end
8
9
10
11
12
13
for i=1:m
for j=1:n
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end
lalu di-save dengan nama kalivektor.m, maka terciptalah fungsi eksternal yang bernama fungsi
kalivektor. Kemudian coba anda uji fungsi kalivektor tersebut dengan menjalankan source code
berikut
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
3.5. PENUTUP
8
49
y = kalivektor(A,x);
9
10
11
12
Silakan anda periksa hasil perhitungannya. Pasti betul! Anda bisa mencoba perkalian matrik dan vektor-kolom dengan angka elemen yang berbeda menggunakan source code tersebut.
Bahkan anda bisa mengganti nama matrik dan vektor nya untuk selain A, x dan y.
3.5
Penutup
Ada tiga pilar yang harus dikuasai oleh seorang calon programmer. Pertama, ia harus tahu
bagaimana cara mendeklarasikan data. Kedua, ia harus tahu bagaimana mendayagunakan
flow-control, yang dalam bab ini dan bab sebelumnya menggunakan pasangan for-end. Dan
ketiga, ia harus bisa membuat fungsi eksternal.
Tidak ada yang melarang anda beralih ke Fortran, atau ke Delphi, atau ke C++, atau ke
Python, atau bahasa pemrograman apa saja. Saran saya, ketika anda berkenalan dengan suatu
bahasa pemrograman, yang pertama kali anda lakukan adalah menguasai ketiga pilar itu. Insya Allah ia akan membantu anda lebih cepat mempelajari bahasa pemrograman yang sedang
anda geluti.
Penguasaan atas ketiga pilar tersebut akan mengarahkan programmer untuk membuat source
code yang bersifat modular atau extention. Ini adalah modal untuk memasuki apa yang disebut
object oriented programming.
Sesungguhnya Matlab memiliki banyak fungsi internal yang bisa langsung dipakai. Anda
bisa coba sendiri suatu saat nanti. Kekuatan bahasa pemrograman salah satunya terletak pada
seberapa kaya dia memilik banyak fungsi. Library adalah kata lain untuk fungsi. Jadi, suatu
bahasa pemrograman akan semakin unggul bila dia memiliki semakin banyak library. Menurut
saya, yang terdepan saat ini masih dimenangkan oleh Python. Dengan Python, source code anda
akan bisa berjalan di Windows, Linux dan Machintos serta beberapa platform lainnya.
3.6
Latihan
2
1
cos I
2
1
cos I +
q
q
2
1
sin2 I
2
1
sin2 I
(a) Buatlah script untuk menghitung koefisien refleksi dengan interval sudut per 5 o
(b) Buatlah gambar grafik Koefisien Refleksi vs Sudut
(c) Buatlah fungsi eksternal untuk perhitungan koefisien refleksi tersebut.
BAB 3. FUNGSI
50
2
+
2
1
cos I +
2
q
2
1
sin2 I
(a) Buatlah script untuk menghitung koefisien transmisi dengan interval sudut per 5 o
(b) Buatlah gambar grafik Koefisien Transmisi vs Sudut
(c) Buatlah fungsi eksternal untuk perhitungan koefisien transmisi tersebut.
3. Soal berikut ini berkaitan dengan superposisi gelombang
(a) Buatlah script untuk mem-plot gelombang sinusoidal berfrekuensi 200 Hz dengan
amplitudo 10 dalam fungsi waktu (t) dari 0 ms sampai 10 ms.
(b) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar
gelombang sinusoidal berfrekuensi 500 Hz dengan amplitudo 6; kemudian di-plot
pada grafik yang sama.
(c) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar
gelombang sinusoidal berfrekuensi 1000 Hz dengan amplitudo 6; kemudian di-plot
pada grafik yang sama.
(d) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar
superposisi ketiga gelombang di atas; kemudian di-plot pada grafik yang sama.
(e) Buatlah fungsi eksternal hanya untuk ketiga persamaan gelombang-nya saja. Sementara perhitungan superposisi dan plot grafik tetap ditulis pada main program.
Bab 4
Integral Numerik
Objektif :
Mengenalkan metode Trapezoida
Mengenalkan metode Simpson
Mengenalkan metode Composite-Simpson
Mengenalkan metode Adaptive Quardrature
Mengenalkan metode Gaussian Quadrature
4.1
Metode Trapezoida
Integral terhadap suatu fungsi, f(x), yang dievaluasi dari a hingga b dapat dinyatakan oleh
rumus berikut ini
Z
f (x)dx
(4.1)
Pendekatan numerik yang paling dasar dalam memecahkan masalah integral adalah metode
Trapezoida, yang dirumuskan sebagai berikut
Z
f (x)dx =
h3
h
[f (x0 ) + f (x1 )] f ()
2
12
(4.2)
dimana x0 = a, x1 = b dan h = b a. Akan tetapi, suku yang terakhir pada ruas kanan
dimana terdapat faktor turunan ke-2, f , seringkali diabaikan dengan tujuan agar persamaan
(4.2) menjadi lebih sederhana.
Z
f (x)dx =
a
h
[f (x0 ) + f (x1 )]
2
(4.3)
Akibatnya pendekatan Trapezoida hanya bekerja efektif pada fungsi-fungsi yang turunan keduanya bernilai nol (f = 0). Gambar (4.1) memperlihatkan prinsip metode trapezoida dalam
bentuk grafik. Sementara, script berikut ini dibuat berdasarkan persamaan (4.3).
51
52
f(x)
f(x)
f(x1)
f(x0)
x0=a
x1=b
x0=a
x1=b
Gambar 4.1: Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Trapesoida menghitung integral dengan cara menghitung luas area integrasi, dimana luas area integrasi sama
dengan luas trapesium di bawah kurva f (x) dalam batas-batas a dan b. Jika anda perhatikan dengan
teliti, ada area kecil dibawah garis kurva dan diatas garis miring yang berada diluar bidang trapesium.
Metode Trapesoida tidak menghitung luas area kecil tersebut. Disinilah letak kelemahan metode trapezoida.
1
2
clear all
clc
3
4
5
a = ...
b = ...
6
7
8
9
x0 = a;
x1 = b;
h = b-a;
10
11
12
function y = f(x)
y = ... % rumus fungsi yang di-integralkan;
4.2
Metode Simpson
Metode pendekatan yang lebih baik dibanding metode Trapezoida dalam integral numerik
adalah metode Simpson yang diformulasikan sebagai berikut
Z
f (x)dx =
a
h
h5
[f (x1 ) + 4f (x2 ) + f (x3 )] f 4 ()
3
90
(4.4)
f (x)dx =
h
[f (x1 ) + 4f (x2 ) + f (x3 )]
3
(4.5)
Gambar (4.2) memperlihatkan prinsip metode trapezoida dalam bentuk grafik. Sementara,
script berikut ini dibuat berdasarkan persamaan (4.5).
53
f(x)
f(x)
f(x2)
f(x1)
f(x0)
h
h
x0=a
x1=b
x0=a
x1
x2=b
Gambar 4.2: Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Simpson
menghitung luas area integrasi, dimana area integrasi di bawah kurva f (x) dibagi 2 dalam batas interval
a x1 dan x1 b dengan lebar masing-masing adalah h
1
2
clc
clear all
3
4
5
6
7
8
9
10
x1 = a;
x3 = b;
h = (b-a)/2;
x1 = a + h;
11
12
13
Contoh
Metode Trapezoida untuk fungsi f pada interval [0,2] adalah
Z
f (x)dx
1
[f (0) + 4f (1) + f (2)]
3
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. Karena hasil intergral numerik metode Simpson lebih mendekati nilai exact
f (x)
Nilai exact
Trapezoida
Simpson
x2
2,667
4,000
2,667
x4
6,400
16,000
6,667
1/(x + 1)
1,099
1,333
1,111
1 + x2
2,958
3,236
2,964
sin x
1,416
0,909
1,425
ex
6,389
8,389
6,421
54
4.3
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
x2
h
h3
[f (x1 ) + f (x2 )] f ()
2
12
(4.6)
h
h5
[f (x1 ) + 4f (x2 ) + f (x3 )] f 4 ()
3
90
(4.7)
f (x)dx =
x1
ketika n = 2: Simpson
Z
x3
f (x)dx =
x1
x4
f (x)dx =
x1
3h
3h5 4
[f (x1 ) + 3f (x2 ) + 3f (x3 ) + f (x4 )]
f ()
8
80
ketika n = 4:
Z x5
8h7 6
2h
[7f (x1 ) + 32f (x2 ) + 12f (x3 ) + 32f (x4 ) + 7f (x5 )]
f ()
f (x)dx =
45
945
x1
4.3.1 Source code metode integrasi
Source code untuk persamaan (4.8) disajikan sebagai berikut
1
2
clc
clear all
3
4
5
6
% -- batas integrasi -a = 0;
b = 2;
7
8
9
10
11
12
13
x0 = a;
x3 = b;
h = (b-a)/3;
x1 = a + h;
x2 = a + 2*h;
% ---------------------
14
15
16
clc
clear all
(4.8)
(4.9)
55
% -- batas integrasi -a = 0;
b = 2;
7
8
9
10
11
12
13
14
x0 = a;
x4 = b;
h = (b-a)/4;
x1 = a + h;
x2 = a + 2*h;
x3 = a + 3*h;
% ---------------------
15
16
17
Perbandingan tingkat akurasi hasil perhitungan seluruh metode integral numerik yang sudah dibahas adalah sebagai berikut
x2
2,667
4,000
2,667
2,667
2,667
f (x)
Nilai exact
Trapezoida
Simpson n=2
Simpson n=3
Simpson n=4
x4
6,400
16,000
6,667
6,519
6,400
1/(x + 1)
1,099
1,333
1,111
1,105
1,099
1 + x2
2,958
3,236
2,964
2,960
2,958
sin x
1,416
0,909
1,425
1,420
1,416
ex
6,389
8,389
6,421
6,403
6,389
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.
4.4
Metode Composite-Simpson
4
0
ex dx
2 0
e + 4e2 + e4 = 56, 76958
3
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
56
f(x)
x0=a x1
x2
x3
x4
x5
x7 xn=b
x6
Gambar 4.3: Metode Composite Simpson. Kurva fungsi f (x) dengan batas bawah integral adalah a
dan batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-masing adalah
h.
metode yang sama namun dengan h = 1 (atau interval evaluasi integral dibagi 4 , n = 4)
Z
e dx =
e dx +
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
ex dx
e dx +
e dx +
3
2
1
0
1
1 0
e + 4e1/2 + e +
e + 4e3/2 + e2 +
6
6
1
1 2
5/2
3
e + 4e + e +
e3 + 4e7/2 + e4
6
6
1 0
e + 4e1/2 + 2e + 4e3/2 + 2e2 + 4e5/2 + 2e3 + 4e7/2 + e4
=
6
= 53, 61622
e dx =
0
e dx +
dan seperti yang sudah kita duga, error -nya semakin kecil menjadi 0,01807.
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
(4.10)
57
dimana h = (b a)/n dan xj = a + jh, untuk j = 1, ..., n/2, dengan x0 = a dan xn = b. Formula
f (x)dx =
h
f (x0 ) + 2
3
(n/2)1
f (x2j ) + 4
j=1
n/2
X
j=1
n/2
f (x2j1 ) + f (xn )
h5 X (4)
f (j )
90
(4.11)
j=1
4.5
Adaptive Quardrature
Metode composite mensyaratkan luas area integrasi dibagi menjadi sejumlah region dengan
jarak interval yang seragam yaitu sebesar nilai h. Akibatnya, bila metode composite diterapkan
pada fungsi yang memiliki variasi yang tinggi dan rendah sekaligus, maka interval h yang kecil
menjadi kurang efektif, sementara interval h yang besar mengundang error yang besar pula.
Metode Adaptive Quadrature muncul untuk mendapatkan langkah yang paling efektif dimana
nilai interval h tidak dibuat seragam, melainkan mampu beradaptasi sesuai dengan tingkat
variasi kurva fungsinya.
Misalnya kita bermaksud mencari solusi numerik dari integral
Rb
a
> 0. Sebagai langkah awal adalah menerapkan metode Simpson dimana step size h = (b
a)/2
b
a
f (x)dx = S(a, b)
h5 (4)
f ()
90
(4.12)
dengan
S(a, b) =
h
[f (a) + 4f (a + h) + f (b)]
3
4.6
h
3h
h
f (a) + 4f a +
+ 2f (a + h) + 4f a +
+ f (b)
f (x)dx =
6
2
2
4
h
(b a) (4)
f (
)
2
180
(4.13)
Gaussian Quadrature
Suatu integral dapat ditransformasi kedalam bentuk Gaussian quadrature melalui formulasi
berikut
Z
f (x)dx =
a
f
1
(b a)t + (b + a)
2
(b a)
dt
2
(4.14)
2x a b
1
x = [(b a)t + a + b]
ba
2
(4.15)
58
4.6.1 Contoh
Selesaikan integrasi berikut ini
Z
1,5
ex dx
(4.16)
1,5
x2
e
1
1
dx =
4
(t+5)2
16
dt
(4.17)
Kedua, Gaussian quadrature dihitung menggunakan konstanta-konstanta yang tercantum pada tabel polinomial Legendre. Untuk n = 2
Z
1,5
ex dx
i
1 h ((0,5773502692+5)2 /16)
2
e
+ e((0,5773502692+5) /16) = 0, 1094003
4
Untuk n = 3
Z
1,5
ex dx
1
2
2
[(0, 5555555556)e((0,7745966692+5) /16) + (0, 8888888889)e((5) /16)
4
+ (0, 5555555556)e((0,7745966692+5)
4.6.2 Latihan
Selesaikan integrasi berikut ini
Z
0,35
x2
2
dx
4
2 /16)
] = 0, 1093642
59
3,5
3
x
dx
4
x2
60
Latihan
a.
x ln xdx,
b.
c.
2
dx,
+4
x
dx,
2
x +4
3
1
2
x3 ex dx,
2
Z 3/8
e.
n=6
x2
d.
n=4
n=8
n=4
tan xdx,
n=8
f.
x2 4
dx,
n=8
dengan metode Composite Simpson, bila error yang ditolerir harus lebih kecil dari 104 .
3. Dalam durasi 84 detik, kecepatan sebuah mobil balap formula 1 yang sedang melaju di arena
grandprix dicatat dalam selang interval 6 detik:
time(dt)
speed(f t/dt)
0
124
6
134
12
148
18
156
24
147
30
133
36
121
42
109
48
99
54
85
60
78
66
89
72
104
78
116
84
123
Gunakan metode integral numerik untuk menghitung panjang lintasan yang telah dilalui mobil tersebut selama pencatatan waktu di atas!
Bab 5
Diferensial Numerik
Objektif :
Mengenalkan metode Euler
Mengenalkan metode Runge Kutta orde 4
Mengenalkan metode Finite Difference
Mengenalkan Persamaan Diferensial Parsial Eliptik
Mengenalkan Persamaan Diferensial Parsial Hiperbolik
Mengenalkan Persamaan Diferensial Parsial Parabolik
5.1
Metode Euler
a t b,
y(a) =
(5.1)
Nilai t dibatasi dari a hingga ke b. Sementara, syarat awal telah diketahui yaitu pada saat
t = a maka y bernilai . Akan tetapi kita sama sekali tidak tahu bentuk formulasi persamaan
asalnya y(t). Gambar 5.1 memperlihatkan kurva persamaan asal y(t) yang tidak diketahui bentuk formulasinya. Tantangannya adalah bagaimana kita bisa mendapatkan solusi persamaan
diferensial untuk setiap nilai y(t) yang t-nya terletak diantara a dan b ?
Tahap awal solusi pendekatan numerik adalah dengan menentukan point-point dalam
jarak yang sama di dalam interval [a,b]. Jarak antar point dirumuskan sebagai
h=
ba
N
(5.2)
dengan N adalah bilangan integer positif. Nilai h ini juga dikenal dengan nama step size.
Selanjutnya nilai t diantara a dan b ditentukan berdasarkan
ti = a + ih,
i = 0, 1, 2, ..., N
61
(5.3)
62
y
y(tN)=y(b)
y=f(t,y)
y(t)
y(t)
y(a)=a
y(t2)
y=f(t,y)
y(a)=a
y(t1)
y(t0)=a
y(a)=f(a,a)
w1
a
h
h
t0=a
t1
t2
.....
tN=b
t0=a
t1
t2
.....
tN=b
Gambar 5.1: Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebesar h. Pasangan t1 adalah y(t1 ), pasangan t2 adalah y(t2 ), begitu seterusnya. Kanan: Garis singgung
yang menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis singgung tersebut, ditentukan
pasangan t1 sebagai w1 . Perhatikan gambar itu sekali lagi! w1 dan y(t1 ) beda tipis alias tidak sama
persis.
Metode Euler diturunkan dari deret Taylor. Misalnya, fungsi y(t) adalah fungsi yang kontinyu dan memiliki turunan dalam interval [a,b]. Dalam deret Taylor, fungsi y(t) tersebut dirumuskan sebagai
y(ti+1 ) = y(ti ) + (ti+1 ti )y (ti ) +
(ti+1 ti )2
y (i )
2
(5.4)
h2
y (i )
2
(5.5)
dan, karena y(t) memenuhi persamaan diferensial (5.1), dimana y (ti ) tak lain adalah fungsi
turunan f (ti , y(ti )), maka
y(ti+1 ) = y(ti ) + hf (ti , y(ti )) +
h2
y (i )
2
(5.6)
Metode Euler dibangun dengan pendekatan bahwa suku terakhir dari persamaan (5.6),
yang memuat turunan kedua, dapat diabaikan. Disamping itu, pada umumnya, notasi penulisan
bagi y(ti ) diganti dengan wi . Sehingga metode Euler diformulasikan sebagai
wi+1 = wi + hf (ti , wi )
w0 =
(5.7)
dimana i = 0, 1, 2, .., N 1.
Contoh
Diketahui persamaan diferensial
y = y t2 + 1 batas interval: 0 t 2
dimana N = 10. Disini terlihat bahwa batas awal interval, a = 0; dan batas akhir b = 2.
(5.8)
63
Dalam penerapan metode euler, pertama kali yang harus dilakukan adalah menghitung
step-size (h), caranya
h=
20
ba
=
= 0, 2
N
10
= wi + 0, 2(wi 0, 04i2 + 1)
= 1, 2wi 0, 008i2 + 0, 2
Pada saat i = 0 dan dari syarat awal diketahui w0 = 0, 5, kita bisa menghitung w1
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 mencapai i = 9
w10 = 1, 2w9 0, 008(9)2 + 0, 2 = 4, 8657845
Berikut ini adalah script matlab untuk menghitung w1 , w2 , sampai w10
1
2
clear all
clc
3
4
format long
5
6
7
8
9
10
11
12
13
14
64
15
16
17
18
19
20
21
22
23
t2=a+2*h;
t3=a+3*h;
t4=a+4*h;
t5=a+5*h;
t6=a+6*h;
t7=a+7*h;
t8=a+8*h;
t9=a+9*h;
t10=a+10*h;
24
25
26
27
28
29
30
31
32
33
34
35
% solusinya:
w1=w0+h*(w0-t0^2+1)
w2=w1+h*(w1-t1^2+1)
w3=w2+h*(w2-t2^2+1)
w4=w3+h*(w3-t3^2+1)
w5=w4+h*(w4-t4^2+1)
w6=w5+h*(w5-t5^2+1)
w7=w6+h*(w6-t6^2+1)
w8=w7+h*(w7-t7^2+1)
w9=w8+h*(w8-t8^2+1)
w10=w9+h*(w9-t9^2+1)
clear all
clc
3
4
format long
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
% solusinya:
w(1)=w0+h*(w0-t0^2+1);
for i=2:N
k=i-1;
w(i)=w(k)+h*(w(k)-t(k)^2+1);
end
w
clear all
clc
(5.9)
65
3
4
format long
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
% solusi exact:
for i=1:N
y(i)=(t(i)+1)^2-0.5*exp(t(i));
end
y
Tabel 5.1: Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih antara
keduanya
i
ti
wi
yi = y(ti ) |wi yi |
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8000000 0,8292986 0,0292986
2 0,4 1,1520000 1,2140877 0,0620877
3 0,6 1,5504000 1,6489406 0,0985406
4 0,8 1,9884800 2,1272295 0,1387495
5 1,0 2,4581760 2,6408591 0,1826831
6 1,2 2,9498112 3,1799415 0,2301303
7 1,4 3,4517734 3,7324000 0,2806266
8 1,6 3,9501281 4,2834838 0,3333557
9 1,8 4,4281538 4,8151763 0,3870225
10 2,0 4,8657845 5,3054720 0,4396874
Coba anda perhatikan sejenak bagian kolom selisih |wi yi |. Terlihat angkanya tumbuh se-
makin besar seiring dengan bertambahnya ti . Artinya, ketika ti membesar, akurasi metode
euler justru berkurang. Untuk lebih jelasnya, mari kita plot hasil-hasil ini dalam suatu gambar.
Gambar (5.2) memperlihatkan sebaran titik-titik merah yang merupakan hasil perhitungan
metode euler (wi ). Sementara solusi exact y(ti ) diwakili oleh titik-titik biru. Tampak jelas bahwa titik-titik biru dan titik-titik merah pada nilai t yang sama tidak ada yang berhimpit alias
ada jarak yang memisahkan mereka. Bahkan semakin ke kanan, jarak itu semakin melebar.
Adanya jarak, tak lain menunjukkan keberadaan error (kesalahan). Hasil perhitungan metode
euler yang diwakili oleh titik-titik merah ternyata menghadirkan tingkat kesalahan yang semakin membesar ketika menuju ke-N atau ketika ti bertambah. Untuk mengatasi hal ini, salah
satu pemecahannya adalah dengan menerapkan metode Runge-Kutta orde-4. Namun sebelum
masuk ke pembahasan tersebut, ada baiknya kita memodifikasi script matlab yang terakhir tadi.
Saya kira tidak ada salahnya untuk mengantisipasi kesalahan pengetikan fungsi turunan
66
5.5
4.5
y(t)
3.5
2.5
1.5
0.5
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
Gambar 5.2: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (5.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu nilai wi .
dan
w(i)=w(k)+h*(w(k)-t(k)^2+1);
Ketika fungsi turunan memiliki formulasi yang berbeda dengan contoh di atas, bisa jadi
kita akan lupa untuk mengetikkan formulasi yang baru di kedua baris tersebut. Oleh karena
itu, lebih baik fungsi turunan tersebut dipindahkan kedalam satu file terpisah. Di lingkungan
matlab, file tersebut disebut file function. Jadi, isi file function untuk contoh yang sedang kita
bahas ini adalah
function y = futur(t,w)
y = w - t^2 + 1;
File function ini mesti di-save dengan nama file yang sama persis dengan nama fungsinya,
dalam contoh ini nama file function tersebut harus bernama futur.m. Kemudian file ini harus
disimpan dalam folder yang sama dimana disana juga terdapat file untuk memproses metode
euler.
Setelah itu, script metode euler dimodifikasi menjadi seperti ini
1
2
3
clear all
clc
67
format long
5
6
7
8
9
10
11
b=2;
%batas akhir interval
a=0;
%batas awal interval
N=10; % bilangan interger positif
h=(b-a)/N; % nilai step-size
w0=0.5; % nilai w awal
t0=0; % nilai t awal
12
13
14
15
16
17
18
19
20
21
22
23
24
% solusinya:
w(1)=w0+h*futur(t0,w0);
for i=2:N
k=i-1;
w(i)=w(k)+h*futur(t(k),w(k));
end
w
Mulai dari baris ke-13 sampai dengan baris ke-24, tidak perlu diubah-ubah lagi. Artinya, jika
ada perubahan formulasi fungsi turunan, maka itu cukup dilakukan pada file futur.m saja.
Ok. Sekarang mari kita membahas metode Runge Kutta.
5.2
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 (ti ). Dikaitkan dengan hal tersebut, metode Runge-Kutta Orde-4 menawarkan
penyelesaian persamaan diferensial dengan pertumbuhan truncation error yang jauh lebih kecil. Persamaan-persamaan yang menyusun metode Runge-Kutta Orde-4 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
(5.10)
(5.11)
(5.12)
(5.13)
(5.14)
0 t 2,
y(0) = 0, 5
68
Jika N = 10, maka step-size bisa dihitung terlebih dahulu
h=
ba
20
=
= 0, 2
N
10
dan
ti = a + ih = 0 + i(0, 2)
ti = 0, 2i
serta
w0 = 0, 5
Sekarang mari kita terapkan metode Runge-Kutta Orde-4 ini. Untuk menghitung w1 , tahaptahap perhitungannya dimulai dari menghitung k1
k1 = hf (t0 , w0 )
= h(w0 t20 + 1)
k2 = hf (t0 +
dilanjutkan dengan k3
h
k2
, w0 + )
2
2
k2
h
= h[(w0 + ) (t0 + )2 + 1)]
2
2
0, 2 2
0, 328
) (0, 0 +
) + 1)]
= 0, 2[(0, 5 +
2
2
= 0, 3308
k3 = hf (t0 +
kemudian k4
k4 = hf (t1 , w0 + k3 )
= h[(w0 + k3 ) t21 + 1]
69
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 dengan program komputer.
Script matlab-nya sebagai berikut1 :
1
2
clear all
clc
3
4
format long
5
6
7
8
9
10
11
b=2;
a=0;
N=10;
h=(b-a)/N;
w0=0.5;
t0=0;
%
%
%
%
%
%
12
13
14
15
16
17
18
19
20
21
22
23
% solusinya:
k1=h*futur(t0,w0);
k2=h*futur(t0+h/2,w0+k1/2);
k3=h*futur(t0+h/2,w0+k2/2);
k4=h*futur(t(1),w0+k3);
w(1)=w0+1/6*(k1+2*k2+2*k3+k4);
24
25
26
27
28
29
30
31
32
33
for i=2:N
k=i-1;
k1=h*futur(t(k),w(k));
k2=h*futur(t(k)+h/2,w(k)+k1/2);
k3=h*futur(t(k)+h/2,w(k)+k2/2);
k4=h*futur(t(i),w(k)+k3);
w(i)=w(k)+1/6*(k1+2*k2+2*k3+k4);
end
w
Dibandingkan dengan metode Euler, tingkat pertumbuhan truncation error, pada kolom |wi
yi | (lihat Tabel 5.2), jauh lebih rendah sehingga metode Runge-Kutta Orde Empat lebih disukai
untuk membantu menyelesaikan persamaan-diferensial-biasa.
Contoh tadi tampaknya dapat memberikan gambaran yang jelas bahwa metode RungeKutta Orde Empat dapat menyelesaikan persamaan diferensial biasa dengan tingkat akurasi
1
Jangan lupa, file futur.m mesti berada dalam satu folder dengan file Runge Kutta nya!
70
Tabel 5.2: Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact y(ti )
serta selisih antara keduanya
i
ti
wi
yi = y(ti ) |wi yi |
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8292933 0,8292986 0,0000053
2 0,4 1,2140762 1,2140877 0,0000114
3 0,6 1,6489220 1,6489406 0,0000186
4 0,8 2,1272027 2,1272295 0,0000269
5 1,0 2,6408227 2,6408591 0,0000364
6 1,2 3,1798942 3,1799415 0,0000474
7 1,4 3,7323401 3,7324000 0,0000599
8 1,6 4,2834095 4,2834838 0,0000743
9 1,8 4,8150857 4,8151763 0,0000906
10 2,0 5,3053630 5,3054720 0,0001089
5.5
4.5
y(t)
3.5
2.5
1.5
0.5
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
Gambar 5.3: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (5.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta orde 4, yaitu nilai wi .
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 pengisian muatan pada kapasitor berikut ini.
5.2.1 Aplikasi: Pengisian muatan pada kapasitor
Sebuah kapasitor yang tidak bermuatan dihubungkan secara seri dengan sebuah resistor dan
baterry (Gambar 5.4). Diketahui = 12 volt, C = 5,00 F dan R = 8,00 105 . Saat saklar di-
71
hubungkan (t=0), muatan belum ada (q=0). Berdasarkan hukum Kirchoff II, bentuk persamaan
diferensial yang sesuai dengan rangkaian tersebut adalah
dq
q
=
dt
R RC
(5.15)
t/RC
qexact = q(t) = C 1 e
(5.16)
Anda bisa lihat semua suku di ruas kanan persamaan (5.15) tidak mengandung variabel
= 1, 5 105
R
1
= 0, 25
RC
72
walaupun t1 tidak dilibatkan dalam perhitungan ini
k1 = hf (q0 )
= h(m1 q0 m2 )
= 0, 150 105
lalu menghitung k2
k2 = hf (q0 +
k1
)
2
= h[(m1 (q0 +
k1
)m2 )]
2
0, 15 105
)(0, 25)]
2
= 0, 14813 105
dilanjutkan dengan k3
k3 = hf (q0 +
k2
)
2
= h[(m1 (q0 +
k2
)m2 )]
2
0, 14813 105
)(0, 25)]
2
= 0, 14815 105
kemudian k4
k4 = hf (q0 + k3 )
= h[(m1 (q0 + k3 )m2 )]
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 +
73
Selanjutnya q2 dihitung. Tentu saja pada saat t2 , dimana t2 = 0, 2, namun sekali lagi, t2 tidak
terlibat dalam perhitungan ini. Dimulai menghitung k1 kembali
k1 = hf (q1 )
= h(m1 q1 m2 )
= 0, 14630 105
lalu menghitung k2
k2 = hf (q1 +
k1
)
2
= h[(m1 (q1 +
k1
)m2 )]
2
0, 14630 105
)(0, 25)]
2
= 0, 14447 105
dilanjutkan dengan k3
k3 = hf (q1 +
k2
)
2
= h[(m1 (q1 +
k2
)m2 )]
2
0, 14447 105
)(0, 25)]
2
= 0, 14449 105
kemudian k4
k4 = hf (q1 + k3 )
= h[(m1 (q1 + k3 )m2 )]
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. Berikut ini adalah script
dalam matlab yang dipakai untuk menghitung q
74
1
2
clear all
clc
3
4
format long
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
% solusinya:
k1=h*futur(q0);
k2=h*futur(q0+k1/2);
k3=h*futur(q0+k2/2);
k4=h*futur(q0+k3);
q(1)=q0+1/6*(k1+2*k2+2*k3+k4);
24
25
26
27
28
29
30
31
32
33
for i=2:N
k=i-1;
k1=h*futur(q(k));
k2=h*futur(q(k)+k1/2);
k3=h*futur(q(k)+k2/2);
k4=h*futur(q(k)+k3);
q(i)=q(k)+1/6*(k1+2*k2+2*k3+k4);
end
q
1
2
3
4
5
6
7
function y=futur(q)
E=12;
% tegangan (volt)
R=800000;
% hambatan (ohm)
C=5e-6;
% kapasitansi (farad)
m1=E/R;
m2=1/(R*C);
y=m1-(m2*q);
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 sangat memuaskan. Gambar 5.5 memperlihatkan kurva penumpukan muatan q terhadap
waktu t dengan batas atas interval waktu dinaikkan hingga 20 .
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.
5.3. LATIHAN I
75
Tabel 5.3: Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan hasil
perhitungan dari solusi exact, yaitu persamaan (5.16)
i
ti
qi
qexact = q(ti ) |qi qexact |
5
0 0,0 0,0000010
0,00000105
0,00000
5
5
1 0,1 0,1481410
0,1481410
0,00000
2 0,2 0,29262105 0,29262105
0,00000
3 0,3 0,43354105 0,43354105
0,00000
5
5
4 0,4 0,5709810
0,5709810
0,00000
5 0,5 0,70502105 0,70502105
0,00000
6 0,6 0,83575105 0,83575105
0,00000
5
5
7 0,7 0,9632610
0,9632610
0,00000
8 0,8 1,0876105
1,0876105
0,00000
9 0,9 1,2089105
1,2089105
0,00000
5
10 1,0 1,327210
1,3272105
0,00000
5.3
Latihan I
1. Sebuah benda bersuhu 50o F diletakkan di dalam ruangan bersuhu 100o F. Laju perubahan
suhu terhadap waktu diformulasikan oleh hukum Newton sebagai berikut
dT
= k(Tr Tb )
dt
dimana Tr = suhu ruang; Tb = suhu benda yang berubah-ubah dan k = konstanta bernilai
0,045.
(a) Buatlah kurva peningkatan suhu benda terhadap waktu berdasarkan analisis numerik menggunakan medote Runge-kutta orde-4. Parameter waktu divariasikan
mulai dari 0 menit hingga 20 menit.
(b) Berapakah suhu benda setelah 5 menit? Berapakah suhu benda setelah 20 menit?.
2. Peluruhan zat radioaktif diformulasikan sebagai
dN
kN = 0
dt
dimana N = massa zat radioaktif pada waktu tertentu; k = konstanta bernilai peluruhan.
Jika mula-mula adalah 50 miligram dan k = -0,053,
(a) Buatlah kurva peluruhan zat radioaktif terhadap waktu berdasarkan analisis numerik menggunakan medote Runge-kutta orde-4. Parameter waktu divariasikan
mulai dari 0 jam hingga 20 jam.
(b) Berapakah masa zat radioaktif setelah 4 jam? Berapakah masa zat radioaktif setelah
15 jam?
3. Saat saklar baru dihubungkan, yaitu pada t = 0 dan I = 0, arus mulai mengalir dari sumber
76
5
x 10
10
12
14
16
18
20
dI
=0
dt
I(0) = 0
5.3. LATIHAN I
(f) Solusi analitik persamaan diferensial di atas adalah I(t) =
77
1 eRt/L . Gam-
barkan kurva hubungan antara arus (Ampere) terhadap waktu (milisecond) yang didapat dari solusi analitik dan bandingkan dengan kurva yang diperoleh dari metode
Runge-Kutta orde 4.
78
Gambar 5.6: 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
5.4
a x b,
y(a) = ,
y(b) =
(5.17)
(5.18)
ba
N +1
(5.19)
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
(5.20)
Pencarian solusi persamaan diferensial melalui pendekatan numerik dilakukan dengan memanfaatkan polinomial Taylor untuk mengevaluasi y dan y pada xi+1 dan xi1 seperti berikut
ini
y(xi+1 ) = y(xi + h) = y(xi ) + hy (xi ) +
h2
y (xi )
2
(5.21)
h2
y (xi )
2
(5.22)
dan
79
(5.23)
y(xi+1 ) y(xi1 )
2h
(5.24)
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
+ p(xi )
wi+1 wi1
2h
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 )
(5.25)
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 (5.17), 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
(5.26)
80
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 )
p(x4 )
1 h
2
...
...
...
w2
w
3
w=
w4
..
.
N 1
wN
5.4.1 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
5
6
7
8
9
clear all
clc
a=1.0; %ganti angkanya sesuai data yang anda miliki
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
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
3
4
...
...
...
0
...
2 + h2 q(xN 1 )
1 h
p(xN )
2
0
0
...
1 + h
p(x
)
N
1
2
2
2 + h q(xN )
81
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 =
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
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;
82
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;
clear all
clc
3
4
5
a=1.0;
b=2.0;
6
7
8
alpha=1;
beta=2;
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
83
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
%====== Menghitung vektor w ========
w = inv(A)*b
Tabel berikut ini memperlihatkan hasil perhitungan dengan pendekatan metode FiniteDifference 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
xi
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
105 . Untuk memperkecil orde kesalahan, kita bisa menggunakan polinomial Taylor berorde
tinggi. Akan tetapi proses kalkulasi menjadi semakin banyak dan disisi lain penentuan syarat
batas lebih kompleks dibandingkan dengan pemanfaatan polinomial Taylor yang sekarang.
Untuk menghindari hal-hal yang rumit itu, salah satu jalan pintas yang cukup efektif adalah
dengan menerapkan ekstrapolasi Richardson.
Contoh
Pemanfaatan ekstrapolasi Richardson pada metode Finite Difference untuk persamaan diferensial seperti berikut ini
2
sin(ln x)
2
,
y = y + 2 y +
x
x
x2
1 x 2,
y(1) = 1,
y(2) = 2,
4wi (h = 0, 05) wi (h = 0, 1)
3
84
kemudian ekstrapolasi yang kedua
Ext2i =
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
5.4.2 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
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) =
85
q(t) = 2
r(t) = cos(t)
a=0
b=
= 0, 3
= 0, 1
(5.27)
...
...
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
...
p(xN 1 )
1 h
2
...
...
...
...
0
...
2 + h2 q(xN 1 )
1 h
p(xN )
2
h2 r(x1 ) + 1 + h2 p(x1 ) w0
0
0
...
1 + h
p(x
)
N 1
2
2
2 + h q(xN )
h2 r(x2 )
h2 r(x3 )
h r(x4 )
b=
..
h2 r(xN 1 )
h
2
h r(xN ) + 1 2 p(xN ) wN +1
Jumlah baris matrik ditentukan oleh bilangan n. Namun disoal hanya tersedia informasi nilai
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
w2 = 0.2829
w3 = 0.2070
86
5.5
1.
Latihan II
5.6
87
Dalam sub-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
(5.28)
Di bidang fisika, persamaan (5.28) dikenal sebagai Persamaan Poisson. Jika f (x, y)=0, maka
diperoleh persamaan yang lebih sederhana
2u
2u
(x,
y)
+
(x, y) = 0
x2
y 2
(5.29)
yang biasa disebut sebagai Persamaan Laplace. Contoh masalah PDP eliptik di bidang fisika
adalah distribusi panas pada kondisi steady-state pada obyek 2-dimensi dan 3-dimensi.
Jenis PDP kedua adalah PDP parabolik yang dinyatakan sebagai berikut
u
2u
(x, t) 2 2 (x, t) = 0
t
x
(5.30)
Fenomena fisis yang bisa dijelaskan oleh persamaan ini adalah masalah aliran panas pada suatu obyek dalam fungsi waktu t.
Terakhir, PDP ketiga adalah PDP hiperbolik yang dinyatakan sebagai berikut
2
2u
2u
(x,
t)
=
(x, t)
2x
t2
(5.31)
5.7
PDP eliptik
(5.32)
dimana R = [(x, y)|a < x < b, c < y < d]. Maksudnya, variasi titik-titik x berada di antara a
dan b. Demikian pula dengan variasi titik-titik y, dibatasi mulai dari c sampai d (lihat Gambar
5.7). Jika h adalah jarak interval antar titik yang saling bersebelahan pada titik-titik dalam
rentang horizontal 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
(5.33)
88
mesh points
......
ym
grid lines
y2
k
y1
c
a
x1
x2
...
xn
h
Gambar 5.7: Skema grid lines dan mesh points pada aplikasi metode Finite-Difference
dimana a adalah titik awal pada sumbu horisontal x. Demikian pula pada sumbu y. Jika k
adalah jarak interval antar titik yang bersebelahan pada titik-titik dalam rentang vertikal c dan
d, maka titik-titik variasi di antara c dan d dapat diketahui melalui rumus ini
yj = c + jk,
dimana j = 1, 2, . . . , m
(5.34)
dimana c adalah titik awal pada sumbu vertikal y. Perhatikan Gambar 5.7, garis-garis yang
sejajar sumbu horisontal, y = yi dan garis-garis yang sejajar sumbu vertikal, x = xi disebut grid
lines. Sementara titik-titik perpotongan antara garis-garis horisontal dan vertikal dinamakan
mesh points.
Turunan kedua sebagaimana yang ada pada persamaan (5.32) 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
(5.35)
(xi , j )
i
j
y 2
k2
12 y 4
(5.36)
Metode Finite-Difference biasanya mengabaikan suku yang terakhir, sehingga cukup dinyatakan
sebagai
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj )
2u
(xi , yj ) =
2
x
h2
(5.37)
(5.38)
Pengabaian suku terakhir otomatis menimbulkan error yang dinamakan truncation error. Jadi, ketika suatu persamaan diferensial diolah secara numerik dengan metode Finite-Difference,
89
maka solusinya pasti meleset alias keliru "sedikit", dikarenakan adanya truncation error tersebut. Akan tetapi, nilai error tersebut dapat ditolerir hingga batas-batas tertentu yang uraiannya
akan dikupas pada bagian akhir bab ini.
Ok. Mari kita lanjutkan! Sekarang persamaan (5.37) dan (5.38) disubstitusi ke persamaan (5.32),
hasilnya adalah
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj ) u(xi , yj+1 ) 2u(xi , yj ) + u(xi , yj1 )
+
= f (xi , yj ) (5.39)
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 )
u(xi , y0 ) = g(xi , y0 )
u(xi , ym ) = g(xi , ym )
Pengertian syarat batas disini adalah bagian tepi atau bagian pinggir dari susunan mesh points.
Pada metode Finite-Difference, persamaan (5.39) dinyatakan dalam notasi w, sebagai berikut
wi+1,j 2wi,j + wi1,j
wi,j+1 2wi,j + wi,j1
+
h2
k2
h2
wi+1,j 2wi,j + wi1,j + 2 (wi,j+1 2wi,j + wi,j1 )
k
2
h
h2
h2
wi+1,j 2wi,j + wi1,j + 2 wi,j+1 2 2 wi,j + 2 wi,j1
k
k
k
2
2
h
h
2[1 + 2 ]wi,j + (wi+1,j + wi1,j ) + 2 (wi,j+1 + wi,j1 )
k
k
2
h2
h
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 )
(5.40)
wn,j = g(xn , yj )
j = 0, 1, ..., m 1;
wi,0 = g(xi , y0 )
wi,m = g(xi , ym )
i = 1, 2, ..., n 1.
Persamaan (5.40) adalah rumusan akhir metode Finite-Difference untuk PDP Eliptik.
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 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
0 < x < 0, 5,
0 < y < 0, 5
90
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
W2,0
W1,0
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 5.8: Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu
u(x, 0) = 0,
u(0.5, y) = 200y
0, 5
= 0, 125
4
k=
0, 5
= 0, 125
4
Grid lines berikut mesh points dibuat berdasarkan nilai h dan k tersebut (lihat Gambar 5.8).
Langkah berikutnya adalah menyusun persamaan Finite-Difference, dimulai dari persamaan
asalnya (persamaan 5.40)
2[1 +
h2
h2
]w
(w
+
w
)
(5.41)
Disisi lain, karena n = 4, maka nilai i yang bervariasi i = 1, 2, ..., n 1 akan menjadi i =
1, 2, 3. Dengan menerapkan persamaan (5.41) pada setiap mesh point yang belum diketahui
91
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
Semua notasi w yang berada diruas kanan tanda sama-dengan sudah ditentukan nilainya
berdasarkan syarat batas, yaitu
w1,0 = w2,0 = w3,0 = w0,1 = w0,2 = w0,3 = 0,
w1,4 = w4,1 = 25,
dan
w3,4 = w4,3 = 75
Dengan memasukkan syarat batas tersebut ke dalam sistem persamaan linear, maka
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
92
Kemudian dijadikan 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 di atas.
Terlihat jelas pada elemen diagonal selalu berisi angka 4. Ini sama sekali bukan ketidaksengajaan. Melainkan susunan itu sengaja direkayasa sedemikian rupa sehingga elemen-elemen tridiagonal terisi penuh oleh angka bukan 0 dan pada diagonal utamanya diletakkan angka yang
terbesar. Metode Eliminasi Gauss dan Iterasi Gauss-Seidel telah diaplikasikan untuk menyelesaikan persamaan matrik di atas.
5.7.2 Script Matlab untuk PDP Elliptik
Inilah script Matlab yang dipakai untuk menghitung nila-nilai w menggunakan metode Eliminasi Gauss.
1
2
3
4
5
6
7
8
9
10
11
12
clear
clc
n=9;
A=[ 4
-1
0
-1
0
0
0
0
0
all
-1 0 -1 0 0 0 0 0;
4 -1 0 -1 0 0 0 0;
-1 4 0 0 -1 0 0 0;
0 0 4 -1 0 -1 0 0;
-1 0 -1 4 -1 0 -1 0;
0 -1 0 -1 4 0 0 -1;
0 0 -1 0 0 4 -1 0;
0 0 0 -1 0 -1 4 -1;
0 0 0 0 -1 0 -1 4];
13
14
15
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
93
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
%-------------------------------------------
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
Sementara berikut ini adalah script Matlab untuk menghitung nila-nilai w menggunakan metode
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
16
17
18
19
20
21
22
94
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
58
59
60
61
62
63
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-------if epsilon<sc
w=xb
break
end
%----------------------------------------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
Inilah solusi yang ditawarkan oleh Finite-Difference. Kalau diamati dengan teliti, angkaangka distribusi temperatur pada 9 buah mesh points memang logis dan masuk akal. Dalam
kondisi riil, mungkin kondisi seperti ini hanya bisa terjadi bila lempengan logam tersebut terbuat dari bahan yang homogen.
95
Hasil EG dan GS memang berbeda, walaupun perbedaannya tidak significant. 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 penyelesaian akhir. Alasannya karena, direct method seperti eliminasi Gauss,
lebih stabil dibandingkan metode iterasi. Tapi jika orde-nya 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 tepat karena metode ini sangat efisien sehingga bisa menghemat
memori komputer.
0 < x < 2,
0 < y < 1,
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
(l)
(l1)
wij wij 1010
5.8
PDP parabolik
0 < x < ,
t > 0,
dan
u(x, 0) = f (x),
0 x ,
t > 0,
(5.42)
96
5.8.1 Metode Forward-difference
u (xi , tj + k) u (xi , tj ) k 2 u
u
(xi , tj ) =
(xi , j )
t
k
2 t2
(5.43)
(5.44)
Sementara itu, turunan kedua persamaan (5.42) terhadap x 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
(5.45)
Pengabaian suku terakhir menjadikan persamaan di atas ditulis kembali sebagai berikut
u (xi + h, tj ) 2u (xi , tj ) + u (xi h, tj )
2u
(xi , tj ) =
2
x
h2
(5.46)
Kemudian persamaan (5.44) dan (5.46) disubstitusi kedalam persamaan (5.42), maka diperoleh
u (xi + h, tj ) 2u (xi , tj ) + u (xi h, tj )
u (xi , tj + k) u (xi , tj )
= 2
k
h2
(5.47)
(5.48)
22 k
1 2
h
wi,j + 2
k
(wi+1,j + wi1,j )
h2
(5.49)
jika
=
2 k
h2
(5.50)
maka
(1 2) wi,j + wi+1,j + wi1,j = wi,j+1
2
(5.51)
Pada Bab ini ada beberapa istilah yang masing-masing menggunakan kata difference, yaitu finite difference, forward difference, centered difference dan backward difference. Setiap istilah punya arti yang berbeda.
97
0 < x < 1 0 t,
0 < t,
0 x 1,
u(x, t) = e t sin(x)
Adapun sebaran posisi mesh-points dalam 1-D diperlihatkan pada Gambar 5.9. Sementara
h=0.1
Gambar 5.9: Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur. Jarak
antar titik ditentukan sebesar h = 0, 1.
Gambar 5.10 melengkapi Gambar 5.9, dimana perubahan waktu tercatat setiap interval k =
0, 0005. Sepintas Gambar 5.10 terlihat seolah-olah obyek yang mau disimulasikan berbentuk
2-dimensi, padahal bendanya tetap 1-dimensi yaitu hanya sebatang logam.
t
0.0.....
k=0.0005
1 x
0
h=0.1
Gambar 5.10: Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005
Selanjutnya, Gambar 5.11 memperlihatkan tepi-tepi syarat batas yaitu angka 0 di ujung
kiri dan angka 1 di ujung kanan 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. Karena = 1, h = 0, 1 dan k = 0, 0005 maka
98
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 5.11: Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forwarddifference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat
0, 0005
2 k
=
= 0, 05
2
h
0, 12
Berdasarkan persamaan (5.51), sistem persamaan linear dapat disusun sebagai berikut
0, 9w1,j + 0, 5w2,j
= w1,j+1 0, 5w0,j
= w2,j+1
= w3,j+1
= w4,j+1
= w5,j+1
= w6,j+1
= w7,j+1
= w8,j+1
0, 9w9,j + 0, 5w8,j
= w9,j+1 0, 5w10,j
Syarat batas menetapkan bahwa w0,j = w10,j = 0. Lalu dinyatakan dalam bentuk operasi
matrik
0, 9 0, 5
0, 5 0, 9 0, 5
0
0
0
0
0
0
0
0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9
w1,j
w2,j
w3,j
w4,j
w5,j
=
w6,j
w7,j
w8,j
w9,j
w1,j+1
w2,j+1
w3,j+1
w4,j+1
w5,j+1
w6,j+1
w7,j+1
w8,j+1
w9,j+1
(5.52)
99
(5.53)
0, 9 0, 5
0, 5 0, 9 0, 5
0
0
0
0
0
0
0
0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9
w1,0
w2,0
w3,0
w4,0
w5,0
=
w6,0
w7,0
w8,0
w9,0
w1,1
w2,1
w3,1
w4,1
w5,1
w6,1
w7,1
w8,1
w9,1
Nilai w1,0 , w2,0 , ..., w9,0 sudah ditentukan oleh kondisi awal, yaitu
u(x, 0) = sin x,
0 x 1,
0, 9 0, 5
0, 5 0, 9 0, 5
0
0
0
0
0
0
0
0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9
0, 3090
0, 5878
0, 8090
0, 9511
1, 0000
=
0, 9511
0, 8090
0, 5878
0, 3090
w1,1
w2,1
w3,1
w4,1
w5,1
w6,1
w7,1
w8,1
w9,1
Ini hanya perkalian matrik biasa 3 . Hasil perkalian itu adalah: w1,1 = 0, 3075; w2,1 = 0, 5849;
w3,1 = 0, 8051; w4,1 = 0, 9464; w5,1 = 0, 9951; w6,1 = 0, 9464; w7,1 = 0, 8051; w8,1 = 0, 5849; dan
w9,1 = 0, 3075. Semua angka ini adalah nilai temperatur kawat di masing-masing mesh points
setelah selang waktu 0, 0005 detik4 .
3
4
100
Selanjutnya, hasil ini diumpankan lagi ke persamaan matriks yang sama untuk mendapatkan wx,2
0, 9 0, 5
0, 5 0, 9 0, 5
0
0
0
0
0
0
0
0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9
0, 3075
0, 5849
0, 8051
0, 9464
0, 9951
=
0, 9464
0, 8051
0, 5849
0, 3075
w1,2
w2,2
w3,2
w4,2
w5,2
w6,2
w7,2
w8,2
w9,2
Perhitungan dengan cara seperti ini diulang-ulang sampai mencapai waktu maksimum. Jika
waktu maksimum adalah T = 0, 5 detik, berarti mesti dilakukan 1000 kali iterasi5 . Untuk
sampai 1000 kali, maka indeks j bergerak dari 1 sampai 1000. Dengan bantuan script Matlab,
proses perhitungan menjadi sangat singkat.
5.8.2.1 Script Forward-Difference
Script matlab Forward-Difference untuk menyelesaikan contoh masalah ini, dimana h = 0, 1 dan
k = 0, 0005
1
2
clear all
clc
3
4
5
6
7
8
n=9;
alpha=1.0;
k=0.0005;
h=0.1;
lambda=(alpha^2)*k/(h^2);
9
10
11
12
13
% Kondisi awal
for i=1:n
suhu(i)=sin(pi*i*0.1);
end
14
15
16
17
18
19
20
21
22
23
24
25
26
101
29
30
31
32
33
34
35
36
iterasi=1000;
for k=1:iterasi
disp(perkalian matriks)
%======================================
for i=1:n
w(i,1)=0.0;
end
37
for i=1:n
for j=1:n
w(i,1)=w(i,1)+A(i,j)*w0(j,1);
end
end
%====================================
w
w0=w;
38
39
40
41
42
43
44
45
46
end
Tabel 5.4 memperlihatkan hasil perhitungan yang diulang-ulang hingga 1000 kali. Tabel tersebut juga 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,
forward-difference berhasil mencapai konvergensi yang sangat baik. Namun pada saat interval
k = 0.01, dengan jumlah iterasi hanya 50 kali untuk mencapai time maksimum 0, 5 detik, terlihat jelas hasil forward-difference tidak konvergen (Bandingkan kolom ke-4 dan kolom ke-6!),
dan ini dianggap bermasalah. Masalah ini bisa diatasi dengan metode backward-difference.
Tabel 5.4: 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 forward-difference. Kolom ke-4 dan
ke-6 adalah selisih antara solusi analitik dan numerik
xi
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
u(xi , 0.5)
0
0,00222241
0,00422728
0,00581836
0,00683989
0,00719188
0,00683989
0,00581836
0,00422728
0,00222241
0
wi,1000
k = 0, 0005
0
0,00228652
0,00434922
0,00598619
0,00703719
0,00739934
0,00703719
0,00598619
0,00434922
0,00228652
0
wi,50
k = 0, 01
0
8, 19876 107
1, 55719 108
2, 13833 108
2, 50642 108
2, 62685 108
2, 49015 108
2, 11200 108
1, 53086 108
8, 03604 107
0
102
5.8.3 Metode Backward-difference
Kalau kita ulang lagi pelajaran yang lalu tentang forward-difference, kita akan dapatkan formula
forward-difference adalah sebagai berikut (lihat persamaan (5.48))
wi,j+1 wi,j
wi+1,j 2wi,j + wi1,j
2
=0
k
h2
Sekarang, dengan sedikit modifikasi, formula backward-difference dinyatakan sebagai
wi,j wi,j1
wi+1,j 2wi,j + wi1,j
2
=0
k
h2
(5.54)
jika ditetapkan
=
2 k
h2
(5.55)
coba sejenak anda bandingkan dengan formula forward-difference dalam sebagaimana dinyatakan oleh persamaan (5.51)
(1 2) wi,j + wi+1,j + wi1,j = wi,j+1
O.K., mari kita kembali ke contoh soal kita yang tadi, dimana ada perubahan nilai k yang
semula k = 0, 0005 menjadi k = 0, 01. Sementara dan h nilainya tetap. Maka dapat
dihitung dengan persamaan (5.50) kembali
=
0, 1
2 k
=
=1
h2
0, 012
= w1,j1 + 1w0,j
= w2,j1
= w3,j1
= w4,j1
= w5,j1
= w6,j1
= w7,j1
= w8,j1
3w9,j 1w8,j
= w9,j1 + 1w10,j
103
Syarat batas masih sama, yaitu w0,j = w10,j = 0. Lalu jika dinyatakan dalam bentuk operasi
matrik
3
1
0
0
0
0
0
0
0
1
3
1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1
0
0
0
0
0
0 1 3
w1,j
w2,j
w3,j
w4,j
w5,j
=
w6,j
w7,j
w8,j
w9,j
w1,j1
w2,j1
w3,j1
w4,j1
w5,j1
w6,j1
w7,j1
w8,j1
w9,j1
(5.56)
3
1
0
0
0
0
0
0
0
1
3
1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1
0
0
0
0
0
0 1 3
w1,1
w2,1
w3,1
w4,1
w5,1
=
w6,1
w7,1
w8,1
w9,1
w1,0
w2,0
w3,0
w4,0
w5,0
w6,0
w7,0
w8,0
w9,0
3
1
0
0
0
0
0
0
0
1
3
1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1
0
0
0
0
0
0 1 3
w1,1
w2,1
w3,1
w4,1
w5,1
=
w6,1
w7,1
w8,1
w9,1
0, 3090
0, 5878
0, 8090
0, 9511
1, 0000
0, 9511
0, 8090
0, 5878
0, 3090
104
Berbeda dengan operasi matrik forward difference, operasi matrik backward difference ini bukan
perkalian matrik biasa. Operasi matrik tersebut akan dipecahkan oleh metode Eliminasi Gauss6 .
Untuk jumlah iterasi hingga j = 50, perhitungannya dilakukan dalam script Matlab.
5.8.3.1 Script Backward-Difference dengan Eliminasi Gauss
1
2
clear all
clc
3
4
5
6
7
8
n=9;
alpha=1.0;
k=0.01;
h=0.1;
lambda=(alpha^2)*k/(h^2);
9
10
11
12
13
%Kondisi awal
for i=1:n
suhu(i)=sin(pi*i*0.1);
end
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
0;
29
30
31
32
33
iterasi=50;
for i=1:iterasi
%&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
A=AA; %Matriks Backward Difference dicopy supaya fix
34
35
36
37
for i=1:n
A(i,n+1)=w0(i,1);
end
38
39
40
41
42
43
44
45
46
47
48
49
6
105
end
50
51
52
53
54
55
56
57
58
end
%-------------------------------------------
59
60
61
62
63
64
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*w(j,1);
end
w(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
65
66
67
68
69
70
71
72
w0=w;
73
74
75
end
w
Hasilnya menunjukkan bahwa kinerja metode backward-difference lebih baik dibanding metode
forward-difference, ini ditunjukkan dari selisih yang relatif kecil antara solusi numerik dan solusi
analitik, sebagaimana bisa terlihat dari kolom ke-4 pada tabel berikut
Tabel 5.5: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backwarddifference dimana k = 0, 01
xi
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
u(xi , 0.5)
0
0,00222241
0,00422728
0,00581836
0,00683989
0,00719188
0,00683989
0,00581836
0,00422728
0,00222241
0
wi,50
0
0,00289802
0,00551236
0,00758711
0,00891918
0,00937818
0,00891918
0,00758711
0,00551236
0,00289802
0
106
kita lewati. Formula Forward-Difference adalah
wi,j+1 wi,j
wi+1,j 2wi,j + wi1,j
2
=0
k
h2
sedangkan Backward-Difference adalah
wi+1,j 2wi,j + wi1,j
wi,j wi,j1
2
=0
k
h2
Ketika Backward-Difference berada pada iterasi ke j + 1, maka
wi,j+1 wi,j
wi+1,j+1 2wi,j+1 + wi1,j+1
2
=0
k
h2
(5.57)
Jika formula ini dijumlahkan dengan formula forward-difference, kemudian hasilnya dibagi 2,
maka akan diperoleh
wi+1,j+1 2wi,j+1 + wi1,j+1
wi,j+1 wi,j
2 wi+1,j 2wi,j + wi1,j
+
=0
k
2
h2
h2
(5.58)
2 k
h2
maka
wi,j+1 wi,j
wi,j+1 wi,j
(5.59)
untuk j = 0, 1, 2, ...
(5.60)
Dengan menggunakan contoh soal yang sama, yang sebelumnya telah diselesaikan dengan
metode Forward-Difference dan Backward-Difference, maka penyelesaian soal tersebut dengan
metode Crank-Nicolson juga akan didemonstrasikan di sini. Dengan nilai k = 0, 01; h = 0, 1;
clear all
clc
3
4
5
6
7
8
9
n=9;
iterasi=50;
alpha=1.0;
k=0.01;
h=0.1;
lambda=(alpha^2)*k/(h^2);
10
11
12
13
14
%Kondisi awal
for i=1:n
suhu(i)=sin(pi*i*0.1);
end
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
AA=[(1+lambda) -lambda/2 0 0 0 0 0 0 0;
-lambda/2 (1+lambda) -lambda/2 0 0 0 0 0 0;
0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0;
0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0;
0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0;
0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0;
0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0;
0 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2;
0 0 0 0 0 0 0 -lambda/2 (1+lambda)];
30
31
32
33
34
35
36
37
38
39
B=[(1-lambda) lambda/2 0 0 0 0 0 0 0;
lambda/2 (1-lambda) lambda/2 0 0 0 0 0 0;
0 lambda/2 (1-lambda) lambda/2 0 0 0 0 0;
0 0 lambda/2 (1-lambda) lambda/2 0 0 0 0;
0 0 0 lambda/2 (1-lambda) lambda/2 0 0 0;
0 0 0 0 lambda/2 (1-lambda) lambda/2 0 0;
0 0 0 0 0 lambda/2 (1-lambda) lambda/2 0;
0 0 0 0 0 0 lambda/2 (1-lambda) lambda/2;
0 0 0 0 0 0 0 lambda/2 (1-lambda)];
40
41
42
iterasi=50;
for iter=1:iterasi
43
44
45
46
47
48
49
50
51
52
%===perkalian matriks===================
for i=1:n
b(i,1)=0.0;
end
for i=1:n
for j=1:n
b(i,1)=b(i,1)+B(i,j)*w0(j,1);
end
end
107
108
53
%======================================
54
55
56
57
58
59
60
for i=1:n
A(i,n+1)=b(i,1);
end
61
62
63
64
65
66
67
68
69
70
71
72
end
73
74
75
76
77
78
79
80
81
end
%-------------------------------------------
82
83
84
85
86
87
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*w(j,1);
end
w(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
88
89
90
91
92
93
94
95
96
97
98
99
w0=w;
end
iter
w
Terlihat disini bahwa orde kesalahan metode Crank-Nicolson (kolom ke-6) sedikit lebih kecil dibandingkan metode Backward-Difference (kolom ke-5). Ini menunjukkan tingkat akurasi
Crank-Nicolson lebih tinggi dibandingkan Backward-Difference.
5.9
PDP Hiperbolik
Pada bagian ini, kita akan membahas solusi numerik untuk persamaan gelombang yang merupakan salah satu contoh PDP hiperbolik. Persamaan gelombang dinyatakan dalam persamaan
109
Tabel 5.6: Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan
metode backward-difference dan Crank-Nicolson
BD
CN
Backward-Diff
Crank-Nicolson
xi
u(xi , 0.5)
wi,50
wi,50
|u(xi , 0.5) wi,50 | |u(xi , 0.5) wi,50 |
0,0
0
0
0
0,1 0,00222241 0,00289802 0,00230512
6, 756 104
8, 271 105
3
0,2 0,00422728 0,00551236 0,00438461
1, 285 10
1, 573 104
0,3 0,00581836 0,00758711 0,00603489
1, 769 103
2, 165 104
3
0,4 0,00683989 0,00891918 0,00709444
2, 079 10
2, 546 104
3
0,5 0,00719188 0,00937818 0,00745954
2, 186 10
2, 677 104
0,6 0,00683989 0,00891918 0,00709444
2, 079 103
2, 546 104
3
0,7 0,00581836 0,00758711 0,00603489
1, 769 10
2, 165 104
0,8 0,00422728 0,00551236 0,00438461
1, 285 103
1, 573 104
4
0,9 0,00222241 0,00289802 0,00230512
6, 756 10
8, 271 105
1,0
0
0
0
(x, t) = 0,
t2
x2
0 < x < ,
t>0
(5.61)
dan
untuk t > 0,
u
(x, 0) = g (x) ,
t
untuk
0x
dimana adalah konstanta. Kita tentukan ukuran time-step sebesar k, jarak tiap mesh point
adalah h.
xi = ih dan tj = jk
dengan i = 0, 1, ..., m dan j = 0, 1, .... Pada bagian interior, posisi mesh points ditentukan oleh
koordinat (xi , tj ), karenanya persamaan gelombang ditulis menjadi
2u
2u
(xi , tj ) 2 2 (xi , tj ) = 0
2
t
x
(5.62)
Formula centered-difference digunakan sebagai pendekatan numerik persamaan gelombang pada tiap-tiap suku. Untuk turunan kedua terhadap t
u (xi , tj+1 ) 2u (xi , tj ) + u (xi , tj1 )
2u
(xi , tj ) =
t2
k2
dan turunan kedua terhadap x
u (xi+1 , tj ) 2u (xi , tj ) + u (xi1 , tj )
2u
(xi , tj ) =
2
x
h2
110
(5.63)
(5.64)
dengan i = 1, 2, ..., m 1 dan j = 1, 2, .... Kondisi syarat batas ditentukan sebagai berikut
w0,j = wm,j = 0,
untuk j = 1, 2, 3, ...
(5.65)
untuk
i = 1, 2, ..., m 1
(5.66)
Berbeda dengan PDP eliptik dan PDP parabolik, pada PDP hiperbolik, untuk menghitung
mesh point (j + 1), diperlukan informasi mesh point (j) dan (j 1). Hal ini sedikit menim-
bulkan masalah pada langkah/iterasi pertama karena nilai untuk j = 0 sudah ditentukan oleh
persamaan (5.66) sementara nilai untuk j = 1 untuk menghitung wi,2 , harus diperoleh lewat
kondisi kecepatan awal
u
(x, 0) = g (x) ,
t
0x
(5.67)
u (xi , t1 ) = u (xi , 0) + k
(5.68)
u
(xi , 0)
t
= u (xi , 0) + kg (xi )
konsekuensinya
wi,1 = wi,0 + kg(xi ),
untuk
i = 1, 2, ..., m 1
(5.69)
5.10. LATIHAN
111
5.9.1 Contoh
Tentukan solusi dari persamaan gelombang berikut ini
2u 2u
2 = 0,
t2
x
0 < x < 1,
0<t
untuk 0 < t,
0x1
0x1
5.10
Latihan
1. Carilah solusi persamaan differensial elliptik berikut ini dengan pendekatan numerik
menggunakan metode Finite Difference
2u 2u
+ 2 = (x2 + y 2 )exy ,
x2
y
0 < x < 2,
0 < y < 1;
gunakan h = 0, 2 dan k = 0, 1
u(0, y) = 1,
u(x, 0) = 1,
u(2, y) = e2y ,
x
u(x, 1) = e ,
0y1
0x2
112
2. Carilah solusi persamaan differensial parabolik berikut ini dengan pendekatan numerik
menggunakan metode Finite Difference Backward-Difference
u
1 2u
= 0,
t
16 x2
0 < x < 1,
u(0, t) = u(1, t) = 0,
u(x, 0) = 2 sin 2x,
0 < t;
0 < t;
0 x 1;
u (xi , t1 ) = u (xi , 0) + k
2 /4)t
sin 2x
k2 2 u
k3 3 u
u
(xi , 0) +
(x
,
0)
+
(xi ,
i )
i
t
2 t2
6 t3
2
f
2u
2 u
2 d
(x
,
0)
=
(x
,
0)
=
(xi ) = 2 f (xi )
i
i
t2
x2
dx2
k3 3 u
2 k 2
f (xi ) +
(xi ,
i )
2
6 t3
f (xi ) =
2 k 2
f (xi )
2
h2
12
(5.70)
(5.71)
(5.72)
(5.73)
(5.74)
k 2 2
f (xi+1 ) 2f (xi ) + f (xi1 ) h2 + O k 3 + h2 k 2 (5.75)
2
2h
2
f (xi+1 ) 2f (xi ) + f (xi1 ) h2 + O k 3 + h2 k 2
2
2
2
= 1 2 f (xi ) + f (xi+1 ) + f (xi1 ) + kg (xi ) + O k 3 + h2 k 2
2
2
2
2
wi,1 = 1 2 f (xi ) + f (xi+1 ) + f (xi1 ) + kg (xi )
2
2
(5.76)
(5.77)
(5.78)
Bab 6
Metode Iterasi
Objektif :
Mengenalkan konsep Norm.
Mengenalkan iterasi Jacobi.
Mengenalkan iterasi Gauss-Seidel.
Mengenalkan iterasi Succesive-Over-Relaxation (SOR).
6.1
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 bab-bab sebelumnya,
biasanya suatu vektor-kolom ditulis sebagai
x1
x2
x=
..
.
xn
(6.1)
h
iT
2
= 3; 2; 8; 5
x=
8
5
113
(6.2)
114
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 (6.1), lebih sering digunakan pada penulisan operasi matrik. Satu hal lagi, pada
paragraf-paragraf berikutnya, saya persingkat penulisan istilah vektor-kolom menjadi vektor
saja.
6.2
Pengertian Norm
(6.3)
(6.4)
i=1
dan
1in
p
(3)2 + (2)2 + (8)2 + (5)2 = 10, 0995
clear all
clc
3
4
x = [ 3 ; -2 ; 8 ; 5 ];
5
6
7
8
9
10
11
n = length(x);
S = 0;
for i = 1:n
S = S + x(i,1)^2;
end
hasil = sqrt(S);
2
3
4
n = length(x);
S = 0;
115
for i = 1:n
S = S + x(i,1)^2;
end
hasil = sqrt(S);
clear all
clc
3
4
x = [ 3 ; -9 ; 8 ; 5 ];
5
6
7
8
9
10
11
12
13
n = length(x);
xx = x;
for i=1:n
if xx(i,1) < 0
xx(i,1) = xx(i,1) * -1;
end
end
hasil = max(xx);
Script ini menggunakan fungsi internal yang bernama max() untuk mendapatkan nilai elemen
terbesar diantara elemen-elemen yang ada dalam vektor x. Berdasarkan script di atas, dapat
dibuat fungsi eksternal sebagai berikut:
1
2
3
4
5
6
7
8
9
10
n = length(x);
xx = x;
for i=1:n
if xx(i,1) < 0
xx(i,1) = xx(i,1) * -1;
end
end
hasil = max(xx);
clear all
clc
3
4
5
xlama = [ 3 ; -2 ; 8 ; 5 ];
xbaru = [ 9 ; 4 ; 6 ; 1 ];
6
7
xselisih = xbaru-xlama;
116
8
9
hasil1 = norm2(xselisih);
hasil2 = normth(xselisih);
Cara perhitungan norm-selisih seperti ini akan diterapkan pada kebanyakan metode iterasi.
Jadi tolong diingat baik-baik!!
6.3
Iterasi Jacobi
Sekarang kita akan mulai membahas metode iterasi sekaligus penerapannya untuk menyelesaikan sistem persamaan linear. Perbedaan metode iterasi dengan metode-metode yang telah
dijelaskan sebelumnya, adalah 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. Untuk lebih jelasnya, silakan perhatikan baik-baik contoh berikut. Diketahui sistem persamaan linear terdiri atas empat persamaan, 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
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 dapat ditulis seperti
117
ini
2 (lama)
6
1 (lama)
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
+ x3
+
= x2
8
8
8
(baru)
x1
(baru)
x2
(baru)
x3
(baru)
x4
yang secara umum dapat diformulasikan sebagai persamaan matrik berikut ini
x(baru) = Jx(lama) + u
(6.5)
dimana
(baru)
x1
(baru)
x2
x(baru)
3
(baru)
x4
1
10
1
11
0
=
2
1
10
10
0 38
2
10
(lama)
x1
3
x2(lama)
11
1 (lama)
0
10 x3
(lama)
1
0
x4
8
1
11
6
10
25
11
11
10
15
8
(6.6)
(k)
x1
(k)
x2
x(k)
3
(k)
x4
1
10
1
11
0
=
2
1
10
10
0 38
2
10
(k1)
x1
3
x(k1)
11
2
1 (k1)
0
10 x3
(k1)
1
0
x4
8
1
11
6
10
25
11
11
10
15
8
Pada persamaan di atas, indeks k menunjukan jumlah perhitungan iterasi. Pada k = 1, maka
penulisan sistem persamaan linear menjadi
(1)
x1
(1)
x2
(1)
x3
(1)
x4
1 (0)
2 (0)
6
x2 x3 +
10
10
10
1 (0)
3 (0) 25
1 (0)
x + x3 x4 +
=
11 1
11
11
11
2 (0)
1 (0)
1 (0) 11
= x1 + x2 + x4
10
10
10
10
3 (0) 1 (0) 15
= x2 + x3 +
8
8
8
(0)
(0)
(0)
(0)
118
tidak lain adalah hasil perhitungan iterasi pertama, yaitu
(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 nilai-nilai x(1) diperoleh, perhitungan
tersebut diulang kembali guna mendapatkan hasil iterasi kedua, yaitu ketika k = 2. Caranya
adalah dengan memasukan nilai-nilai x(1) = (0, 6000; 2, 2727; 1, 1000; 1, 8750)T ke suku-suku
x1
(2)
x2
(2)
x3
(2)
x4
1 (1)
2 (1)
6
x2 x3 +
10
10
10
1 (1)
3 (1) 25
1 (1)
x + x3 x4 +
=
11 1
11
11
11
2 (1)
1 (1)
1 (1) 11
= 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)
x x3 +
10 2
10
10
1 (2)
3 (2) 25
1 (2)
x1 + x3 x4 +
=
11
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
tepat, 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
119
solusi yang sebenarnya? OK, simpan dulu pertanyaan ini, sebagai gantinya marilah kita pelajari terlebih dahulu script Matlab untuk metode iterasi Jacobi.
Sebagaimana biasa, saya tidak akan memberikan script yang sudah matang kepada anda. Saya
lebih suka mengajak anda mengikuti proses optimalisasi script; mulai dari yang mentah hingga
matang. Sebagai upaya pembelajaran, sengaja saya mulai dengan menampilkan script yang
paling kasar terlebih dahulu, lalu selangkah demi selangkah dimodifikasi hingga menjadi script
efisien.
Mari kita mulai dengan menampilkan kembali sistem persamaan linear pada contoh diatas,
yaitu
10x1 x2 + 2x3 = 6
x1 + 11x2 x3 + 3x4 = 25
2x1 x2 + 10x3 x4 = 11
3x2 x3 + 8x4 = 15
Sistem persamaan linear tersebut dapat dinyatakan dalam persamaan matrik
10
1 11 1 3
2 1 10 1
0
3 1 8
x1
x2 25
x = 11
3
x4
15
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
120
Kemudian, sistem persamaan linear di atas dimodifikasi menjadi
1
2
6
x2 x3 +
10
10
10
1
1
3
25
=
x1 + x3 x4 +
11
11
11
11
1
1
11
2
= x1 + x2 + x4
10
10
10
10
3
1
15
= x2 + x3 +
8
8
8
x1 =
x2
x3
x4
x1
(k)
x2
x(k)
3
(k)
x4
1
10
1
11
0
=
2
1
10
10
0 38
2
10
(k1)
x1
3
x(k1)
11
2
1 (k1)
0
10 x3
(k1)
1
0
x4
8
1
11
6
10
25
11
11
10
15
8
1
10
1
11
0
J =
2
1
10
10
0 38
2
10
1
11
11
1
0
10
1
0
8
u=
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
% n = jumlah baris
J = zeros(4);
12
13
14
15
16
17
18
19
20
21
22
23
24
J(2,1)
J(2,3)
J(2,4)
u(2,1)
=
=
=
=
-A(2,1)/A(2,2);
-A(2,3)/A(2,2);
-A(2,4)/A(2,2);
b(2,1)/A(2,2);
25
26
J(3,1) = -A(3,1)/A(3,3);
6
10
25
11
11
10
15
8
121
J(3,2) = -A(3,2)/A(3,3);
J(3,4) = -A(3,4)/A(3,3);
u(3,1) = b(3,1)/A(3,3);
30
31
32
33
34
J(4,1)
J(4,2)
J(4,3)
u(4,1)
=
=
=
=
-A(4,1)/A(4,4);
-A(4,2)/A(4,4);
-A(4,3)/A(4,4);
b(4,1)/A(4,4);
Statemen baris 16 sampai 34 berfungsi menghitung elemen matrik J dan vektor u. Untuk
menyederhanakan baris 16 hingga 19, kita buat proses looping dengan indeks k, tetapi dengan pengecualian pada k=1.
for k = 1:4
if (k ~= 1)
J(1,k) = -A(1,k)/A(1,1);
end
end
u(1,1) = b(1,1)/A(1,1);
Mulai dari baris 21 hingga 24 juga bisa dibuat proses looping dengan pengecualian pada k=2.
for k = 1:4
if (k ~= 2)
J(2,k) = -A(2,k)/A(2,2);
end
end
u(2,1) = b(2,1)/A(2,2);
Proses looping yang sama juga diterapkan terhadap baris ke-26 hingga ke-29.
for k = 1:4
if (k ~= 3)
J(3,k) = -A(3,k)/A(3,3);
end
end
u(3,1) = b(3,1)/A(3,3);
Sementara untuk baris ke-31 hingga ke-34, penyerderhanaan dilakukan dengan cara yang
sama pula
for k = 1:4
if (k ~= 4)
J(4,k) = -A(4,k)/A(4,4);
end
end
u(4,1) = b(4,1)/A(4,4);
Kalau seluruh penyederhanaan ini digabung, maka scriptnya akan seperti ini
1
2
clear all
clc
122
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(4);
14
15
16
17
18
19
20
for k = 1:4
if (k ~= 1)
J(1,k) = -A(1,k)/A(1,1);
end
end
u(1,1) = b(1,1)/A(1,1);
21
22
23
24
25
26
27
for k = 1:4
if (k ~= 2)
J(2,k) = -A(2,k)/A(2,2);
end
end
u(2,1) = b(2,1)/A(2,2);
28
29
30
31
32
33
34
for k = 1:4
if (k ~= 3)
J(3,k) = -A(3,k)/A(3,3);
end
end
u(3,1) = b(3,1)/A(3,3);
35
36
37
38
39
40
41
for k = 1:4
if (k ~= 4)
J(4,k) = -A(4,k)/A(4,4);
end
end
u(4,1) = b(4,1)/A(4,4);
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(4);
14
15
16
p = 1;
for k = 1:4
123
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
22
23
24
25
26
27
28
29
p = 2;
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
30
31
32
33
34
35
36
37
p = 3;
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
38
39
40
41
42
43
44
45
p = 4;
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
Selanjutnya saya buat proses looping menggunakan indeks p tersebut. Perhatikan baik-baik
perubahannya
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(4);
14
15
16
17
18
19
20
21
22
for p = 1:4
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end
Dan akhirnya, angka 4 dapat digantikan dengan huruf n agar script tersebut tidak dibatasi oleh
124
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(n);
14
15
16
17
18
19
20
21
22
for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = size(A);
12
13
J = zeros(n);
14
15
16
17
18
19
20
21
22
for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end
23
24
25
xbaru yang didapat tak lain adalah hasil iterasi pertama, yaitu x(1) = (0, 6000; 2, 2727; 1, 1000;
1, 8750)T . Kemudian, sebelum iterasi ke-2 dilakukan, xbaru tersebut mesti disimpan sebagai
xlama.
1
2
125
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(n);
14
15
16
17
18
19
20
21
22
for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end
23
24
25
26
27
28
xlama = xbaru;
xbaru = J*xlama + u;
Sampai disini, xbaru yang didapat dari hasil iterasi ke-2 adalah x(2) = (1, 0473; 1, 7159;
0, 8052; 0, 8852)T . Setelah itu, untuk iterasi ke-3, xbaru tersebut mesti disimpan sebagai xlama
kembali,
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(n);
14
15
16
17
18
19
20
21
22
for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end
23
24
xlama = [ 0 ; 0 ; 0 ; 0 ];
126
25
xbaru = J*xlama + u;
xlama = xbaru;
xbaru = J*xlama + u;
xlama = xbaru;
xbaru = J*xlama + u;
26
27
28
29
30
31
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 semakin bertambah panjang. Guna menghin-
dari hal itu, script di atas perlu dioptimasi dengan proses looping sebagai berikut
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(n);
14
15
16
17
18
19
20
21
22
for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end
23
24
xlama = [ 0 ; 0 ; 0 ; 0 ];
25
26
27
28
29
30
Dalam script di atas, jumlah iterasi dibatasi hanya sampai 10 kali saja. Maka keluaran dari
script di atas adalah hanya sampai hasil perhitungan iterasi yang ke-10. Hasil dari keseluruhan
iterasi, mulai dari iterasi ke-1 hingga iterasi ke-10 disajikan pada Tabel 6.1.
Berdasarkan Tabel 6.1, terlihat bahwa hasil iterasi ke-1, x(1) = (0, 6000; 2, 2727; 1, 1000; 1, 8852)T
adalah hasil yang paling jauh dari solusi, x = (1; 2; 1; 1)T . Coba bandingkan dengan hasil it-
erasi 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.
Sebelum dilanjutkan, saya ingin tuliskan script yang sudah dimodifikasi, dimana semua
bagian inisialisasi saya letakkan di baris-baris awal
127
x1
(k)
x2
(k)
x3
(k)
x4
1
2
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
clear all
clc
3
4
5
6
7
8
9
10
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
b = [ 6 ; 25 ; -11 ; 15 ];
xlama = [ 0 ; 0 ; 0 ; 0 ];
itermaks = 10;
11
12
n = length(A);
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
0,6000
0,4473
0,1146
...
0,0004
Berikut ini adalah script untuk mendapatkan nilai epsilon
128
1
2
clear all
clc
3
4
5
6
7
8
9
10
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
b = [ 6 ; 25 ; -11 ; 15 ];
xlama = [ 0 ; 0 ; 0 ; 0 ];
itermaks = 10;
11
12
n = length(A);
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
Tanda titik-koma pada baris ke-29 sengaja dihilangkan agar nilai epsilon selalu ditampilkan
ketika script tersebut dijalankan.
Nilai epsilon ini begitu penting untuk menentukan kapan proses iterasi harus dihentikan.
Oleh karenanya, nilai epsilon difungsikan sebagai stopping criteria. Berdasarkan Tabel 6.2, jika
nilai ditentukan sebesar 0,2 , maka proses iterasi akan berhenti pada iterasi ke-4. Atau kalau
nilai ditentukan sebesar 0,0001 , maka proses iterasi akan berhenti pada iterasi ke-10. Kesimpulannya, semakin kecil nilai , semakin panjang proses iterasinya, namun hasil akhirnya
semakin akurat.
Di bawah ini adalah script iterasi Jacobi yang memanfaatkan nilai epsilon untuk menghentikan proses iterasi
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
b = [ 6 ; 25 ; -11 ; 15 ];
xlama = [ 0 ; 0 ; 0 ; 0 ];
itermaks = 1000;
epsilon = 0.0001;
129
12
13
n = length(A);
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Pada baris ke-11 saya tetapkan nilai epsilon sebesar 0,0001. Sementara baris ke-10, dimana
itermaks saya batasi hingga 1000 kali iterasi. Akan tetapi dengan adanya baris ke-30, maka jika
norm2(xselisih) lebih kecil nilainya dari nilai epsilon yang dinyatakan pada baris ke-11, proses
iterasi akan dihentikan. Sementara, statemen baris ke-35 sengaja saya tambahkan hanya untuk
sekedar mengetahui berapa kali komputer kita melakukan proses iterasi. Dengan nilai epsilon
0,0001, proses iterasi akan dihentikan pada iterasi yang ke-10. Jadi, walaupun itermaks telah
ditentukan yaitu 1000, komputer hanya melakukan proses iterasi sampai iterasi yang ke-10
saja.
6.3.3 Fungsi eksternal iterasi Jacobi
Fungsi eksternal metode iterasi Jacobi dapat diambil dari script yang terakhir di atas adalah
1
2
3
n = length(A);
4
5
6
7
8
9
10
11
12
13
14
15
130
16
17
18
19
20
21
22
23
24
Dengan fungsi eksternal ini, maka untuk menyelesaikan suatu sistem persamaan linear, anda
dapat menyusun program sederhana. Contohnya adalah
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
12
13
14
15
16
17
[k,xbaru] = iterjacobi(A,b,xlama,itermaks,epsilon);
x = xbaru
iterasi = k
Demikianlah penjelasan tentang metode iterasi Jacobi dilengkapi dengan cara membuat scriptnya. Sebagai catatan, metode iterasi Jacobi ini selalu sukses mencapai solusi hanya jika matrik
A memiliki pola diagonal dominan dimana nilai elemen-elemen diagonal harus lebih besar
dibandingkan nilai elemen setiap barisnya. Sekarang mari kita beralih ke metode iterasi GaussSeidel.
6.4
Iterasi Gauss-Seidel
Metode Iterasi Gauss-Seidel hampir sama dengan metode Iterasi Jacobi. Perbedaannya hanya
terletak pada penggunaan nilai elemen vektor xbaru yang langsung digunakan pada 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 baru
1 lama
3
25
=
x
+ x3
xlama
+
11 1
11
11 4
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
131
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)
(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)
x1
(k)
x2
(k)
x3
(k)
x4
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.
132
6.4.1 Script iterasi Gauss-Seidel
Pembuatan script iterasi Gauss-Seidel dimulai dari sistem persamaan linear yang telah dibahas
di atas, yaitu
1 lama
2
6
x2
xlama
+
3
10
10
10
1 baru
1 lama
3
25
=
x1 + x3
xlama
+
4
11
11
11
11
1 baru
1 lama 11
2 baru
= 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 pembahasan iterasi Jacobi, saya telah membuat matrik J berisi konstanta yang menemani
variabel x. Matrik J ini akan saya gunakan lagi untuk menyusun script metode iterasi GaussSeidel
1
10
1
11
0
J =
2
1
10
10
0 38
2
10
1
11
11
1
0
10
1
0
8
1
10
1
11
0
2
1
10
10
0 38
2
10
1
11
3
1
11
11
0
=
2
1
1
0
10
10
10
3
1
0
0
8
8
1
10
0 0
+ 0
0 0
0
1
0
8 0
0 0
0
0
2
10
1
11
11
1
0
10
0
0
Sampai disini saya nyatakan matrik L, matrik U dan vektor u sebagai berikut
0 0
1
11
0 0 0
L=
2
1
10
10 00
1
0 83
8 0
1
10
0
U =
0
0
0
0
2
10
1
11
11
1
0
10
0
0
u=
6
10
25
11
11
10
15
8
Karena matrik L dan U berasal dari matrik J, maka pembuatan script iterasi Gauss-Seidel akan
saya mulai dari script perhitungan matrik J yang telah dibuat sebelumnya. Inilah script untuk
membuat matrik J,
1
2
clear all
clc
3
4
5
6
7
8
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
133
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for k = 2:4
L(1,k) = 0;
134
33
34
35
36
37
38
39
end
for k = 3:4
L(2,k) = 0;
end
for k = 4:4
L(3,k) = 0;
end
Proses perhitungan mulai dari baris ke-35 hingga ke-43 akan disederhanakan dengan langkahlangkah berikut. Saya munculkan indeks p,
L = J;
% matrik J dicopy ke matrik L
p = 1;
for k = 2:4
L(p,k) = 0;
end
p = 2;
for k = 3:4
L(p,k) = 0;
end
p = 3;
for k = 4:4
L(p,k) = 0;
end
Selanjutnya, angka 3 dan 4 dapat diganti dengan variabel n agar bisa digabung dengan script
utamanya. Perhatikan baris ke-35 dan ke-36 pada script berikut
1
2
clear all
clc
135
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for p = 1:n-1
for k = p+1:n
L(p,k) = 0;
end
end
OK, dengan demikian matrik L telah terbentuk dan tersimpan di memory komputer. Sekarang
kita akan membentuk matrik U. Prosesnya sama seperti saat pembentukan matrik L, yaitu
dimulai dengan mencopy matrik J ke dalam matrik U. Perhatikan mulai dari baris ke-41 berikut
ini,
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
14
15
16
17
18
136
end
J(p,k) = -A(p,k)/A(p,p);
19
20
end
u(p,1) = b(p,1)/A(p,p);
21
22
23
end
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for p = 1:n-1
for k = p+1:n
L(p,k) = 0;
end
end
%------------------------------------------U = J;
% matrik J dicopy ke matrik U
for k = 2:4
U(k,1) = 0;
end
for k = 3:4
U(k,2) = 0;
end
for k = 4:4
U(k,3) = 0;
end
Akhirnya, script ini digabungkan ke script utamanya setelah mengganti angkan 3 dan 4 dengan variabel n.
1
2
137
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
14
15
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
for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for p = 1:n-1
for k = p+1:n
L(p,k) = 0;
end
end
%------------------------------------------U = J;
% matrik J dicopy ke matrik U
for p = 1:n-1
for k = p+1:n
U(k,p) = 0;
end
end
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.
1
2
clear all
clc
3
4
5
6
7
8
9
10
%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
xlama(3,1)=0;
xlama(4,1)=0;
xlama
138
11
12
13
n=4
itermaks=10
sc=0.001
14
15
16
17
18
19
20
21
for i=1:itermaks
%------nilai update------------xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
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
s=s+(xbaru(i,1)-xlama(i,1))^2;
end
epsilon=sqrt(s)
29
30
31
32
33
34
35
36
xi
Pi1
j=1
(k)
aij xj
Pn
j=i+1
aii
(k1)
aij xj
+ bi
dimana i=1,2,3,...,n.
6.4.2 Algoritma
Langkah 1: Tentukan k=1
Langkah 2: Ketika (k N ) lakukan Langkah 3-6
Langkah 3: Untuk i=1,...,n, hitunglah
xi =
Pi1
j=1 aij xj
Pn
+ 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
(6.7)
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
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
56
23
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(*,*)
WRITE (*,(1X,A)) JUMLAH PERSAMAAN ?
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
WRITE (*,*)
MENAMPILKAN MATRIK A
WRITE (*,(1X,A)) MATRIK A:
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)
139
140
57
58
10
C
59
60
61
62
40
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
30
79
80
81
C
200
82
83
400
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
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
6.5
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
xi
n
i1
X
X
(k1)
(k)
(k1)
bi
aij xj
aij xj
= (1 ) xi
+
aii
j=1
(6.8)
j=i+1
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 digu-
141
nakan untuk menyelesaikan sistem persamaan linear di atas dengan x(0) = (1, 1, 1)t . Untuk
setiap nilai k = 1, 2, 3, ..., persamaan Gauss-Seidelnya adalah
(k)
x1
(k)
x2
(k)
x3
(k1)
= 0, 75x2
+6
0, 25x3
(k)
0, 75x1 +
(k)
0, 25x2 6
(k1)
+ 7, 5
x1
(k)
x2
(k)
x3
(k1)
= 0, 25x1
=
=
(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)
1
1
1
x1
(k)
x2
(k)
x3
k
(k)
x1
(k)
x2
(k)
x3
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
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.
142
6.5.1 Algoritma Iterasi Relaksasi
Langkah 1: Tentukan k=1
Langkah 2: Ketika (k N ) lakukan Langkah 3-6
Langkah 3: Untuk i=1,...,n, hitunglah
xi = (1 ) XOi +
P
Pn
i1
a
x
a
XO
+
b
ij
j
ij
j
i
j=1
j=i+1
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
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 7
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.
7.1
(7.1)
:
:
:
:
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.
7.2
Teknik penyederhanaan
Ada banyak jalan untuk menyederhanakan sistem persamaan linear. Namun tantangannya,
kita ingin agar pekerjaan ini dilakukan oleh komputer. Oleh karena itu, kita harus menciptakan
143
144
algoritma yang nantinya bisa berjalan di komputer. Untuk mencapai tujuan itu, kita akan
berpatokan pada tiga buah aturan operasi matematika, yaitu
Persamaan Pi dapat dikalikan dengan sembarang konstanta , lalu hasilnya ditempatkan
di posisi persamaan Pi . Simbol operasi ini adalah (Pi ) (Pi ). Contoh
P1 :
x1 + x2 + 3x4 = 4
jika = 2, maka
2P1 :
2x1 + x2 x3 + x4 = 1
2P1 :
x2 x3 5x4 = 7
Dengan cara ini, maka variabel x1 berhasil dihilangkan dari P2 . Upaya untuk menghilangkan suatu variabel merupakan tahapan penting dalam metode Eliminasi Gauss.
Persamaan Pi dan Pj dapat bertukar posisi. Simbol operasi ini adalah (Pi ) (Pj ). Contoh
P2 :
P3 :
2x1 + x2 x3 + x4 = 1
3x1 x2 x3 + 2x4 = 3
menjadi
P2 :
3x1 x2 x3 + 2x4 = 3
P3 :
2x1 + x2 x3 + x4 = 1
145
Kemudian anda diminta untuk menghilangkan variabel x1 dari P2 . Itu artinya, anda diminta
untuk memodifikasi P2 sedemikian rupa sehingga didapat P2 yang baru, yang didalamnya
tidak ada x1 .
Berdasarkan rumus operasi (Pi Pj ) (Pi ), maka operasi yang tepat adalah (P2 34 P1 )
(P2 ). Perhatikan! Bilangan , yaitu 43 , harus dikalikan dengan P1 , BUKAN dengan P2 . Sedangkan angka
erasi (P2
4
3
adalah satu-satunya angka yang bisa menghapus variabel x1 dari P2 lewat op-
4
3 P1 ).
4
4
4
4
4
4 3 x1 + 7 2 x2 1 5 x3 + 6 8 x4 = 9 3
3
3
3
3
3
Dengan sendirinya x1 akan lenyap dari P 2. Mudah-mudahan jelas sampai disini. Demikianlah
cara untuk menghilangkan x1 dari P 2.
P2 :
Agar x1 hilang dari P2 , operasi yang benar adalah (P2 P1 ) (P2 ), dimana =
a21
a11 .
Dengan
a21
a21
a21
a21
a21
P2 : a21
a11 x1 + a22
a12 x2 + a23
a13 x3 + a24
a14 x4 = a25
a15
a11
a11
a11
a11
a11
Perhatikanlah variasi indeks pada persamaan diatas. Semoga intuisi anda bisa menangkap
keberadaan suatu pola perubahan indeks. Jika belum, mari kita kembangkan persoalan ini.
Sekarang saya ketengahkan kehadapan anda tiga buah persamaan, yaitu P1 , P2 dan P3
P1 :
P2 :
P3 :
146
Begini caranya, (P3 P1 ) (P3 ), dengan =
a31
a11 ..
a31
a31
a31
a31
a31
P3 : a31
a11 x1 + a32
a12 x2 + a33
a13 x3 + a34
a14 x4 = a35
a15
a11
a11
a11
a11
a11
Mudah-mudahan, pola perubahan indeksnya semakin jelas terlihat. Selanjutnya jika ada persamaan P4 yang ingin dihilangkan x1 nya dengan memanfaatkan P1 , bagaimana caranya?
Tentu saja operasinya adalah (P4 P1 ) (P4 ), dengan =
a41
a11
a41
a41
a41
a41
a41
a11 x1 + a42
a12 x2 + a43
a13 x3 + a44
a14 x4 = a45
a15
P4 : a41
a11
a11
a11
a11
a11
7.3
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
4
1
-3
4
Sekali lagi saya tegaskan bahwa problem dari sistem persamaan linear adalah bagaimana
mendapatkan angka-angka yang bisa menggantikan variabel x1 , x2 , x3 , dan x4 sehingga semua
persamaan di atas menjadi benar. Dengan berpegang pada ketiga teknik penyederhanaan tadi,
maka sistem persamaan linear di atas dapat disederhanakan dengan langkah-langkah berikut
ini:
seperti ini
P1 :
x1 + x2 + 3x4 = 4,
P2 :
x2 x3 5x4 = 7,
P3 :
P4 :
147
dengan cara (P3 4P2 ) (P3 ) dan (P4 + 3P2 ) (P4 ). Hasilnya akan seperti ini
P1 :
x1 + x2 + 3x4 = 4,
P2 :
x2 x3 5x4 = 7,
P3 :
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
dari P4 . Bentuk akhir dari sistem persamaan linear 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
memakan waktu lama dibandingkan sebelum disederhanakan.
3. Selanjutnya kita jalankan proses backward-substitution untuk mendapatkan angka-angka
pengganti bagi x1 , x2 , x3 dan x4 . Melalui proses backward-substitution, yang pertama
kali didapat adalah angka pengganti bagi variabel x4 , kemudian x3 , lalu diikuti x2 , dan
akhirnya x1 . Silakan cermati yang berikut ini
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
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 dibaca sekali lagi. Atau,
sekarang kita beralih kecontoh yang lain.
148
7.3.2 Contoh kedua
Diketahui 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, ternyata tidak hanya
x1 saja yang hilang dari persamaan P2 , variabel x2 pun turut hilang dari persamaan P2 .
Kondisi ini bisa menggagalkan proses triangularisasi. Untuk itu, posisi P2 mesti ditukar
dengan persamaan yang berada dibawahnya, yang masih memiliki variabel x2 . Maka
yang paling cocok adalah ditukar dengan P3 .
2. Tukar posisi persamaan P2 dengan persamaan P3 , (P2 P3 ). Hasilnya akan seperti ini
P1 :
P2 :
x1 x2 + 2x3 x4 = 8,
2x2 x3 + x4 = 6,
P3 :
x3 x4 = 4,
P4 :
2x3 + 4x4 = 12
3. Agar sistem persamaan linear di atas menjadi berbentuk triangular, maka kita harus
menghilangkan variabel x3 dari persamaan P4 . Karenanya, gunakan persamaan P3 untuk menghilangkan x3 dari persamaan P4 dengan cara (P4 + 2P3 ) (P4 ). Hasilnya akan
seperti ini
P1 :
P2 :
P3 :
P4 :
x1 x2 + 2x3 x4 = 8,
2x2 x3 + x4 = 6,
x3 x4 = 4,
2x4 = 4
149
4. Selanjutnya adalah proses backward-substitution. Melalui proses ini, yang pertama kali
didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 , dan akhirnya x1 .
4
2
4 + x4
x3 =
1
6 + x3 x4
x2 =
2
x1 = 8 + x2 2x3 + x4
P4 :
x4 =
P3 :
P2 :
P1 :
= 2,
= 2,
= 3,
= 7
7.4
a11
a12
. . . a1n
x1
x2
..
.
xn
b1
b2
..
.
bn
(7.2)
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-
150
ran n x (n + 1) seperti berikut ini:
a11
a12
. . . a1n
| b1
a11
a12
. . . a1n
| a1,n+1
a21 a22 . . . a2n | a2,n+1
= .
..
..
..
.
.
.
|
.
.
an1 an2 . . . ann | an,n+1
(7.3)
Inilah source code Matlab untuk membentuk matrik augmentasi yang terdiri atas matrik A dan
vektor b,
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
4
1
-3
4
2
1 1 1
3 1 1 2
1 2
3 1
x1
x2 1
x = 3
3
4
x4
Setelah itu matrik augment disusun seperti ini (perhatikan angka-angka indeks pada matriks
151
disebelahnya)
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 (yang tujuannya untuk menghilangkan variabel x1 dari P2 , P3 , dan P4 ), yaitu
a21
a21
a21
a21
a21
P2 : a21
a11 x1 + a22
a12 x2 + a23
a13 x3 + a24
a14 x4 = a25
a15
a11
a11
a11
a11
a11
a31
P3 : a31
a11 x1 + a32
a11
a41
a11 x1 + a42
P4 : a41
a11
a31
a12 x2 + a33
a11
a41
a12 x2 + a43
a11
a31
a13 x3 + a34
a11
a41
a13 x3 + a44
a11
a31
a14 x4 = a35
a11
a41
a14 x4 = a45
a11
a31
a15
a11
a41
a15
a11
Sekarang akan saya tulis source code Matlab untuk menyelesaikan perhitungan diatas. Saran
saya, anda jangan hanya duduk sambil membaca buku ini, kalau bisa nyalakan komputer/laptop
dan ketik ulang source-code ini agar anda memperoleh feeling-nya! OK, mari kita mulai..
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
29
30
31
m=A(3,1)/A(1,1);
A(3,1)=A(3,1)-m*A(1,1);
A(3,2)=A(3,2)-m*A(1,2);
A(3,3)=A(3,3)-m*A(1,3);
152
32
33
A(3,4)=A(3,4)-m*A(1,4);
A(3,5)=A(3,5)-m*A(1,5);
34
35
36
37
38
39
40
m=A(4,1)/A(1,1);
A(4,1)=A(4,1)-m*A(1,1);
A(4,2)=A(4,2)-m*A(1,2);
A(4,3)=A(4,3)-m*A(1,3);
A(4,4)=A(4,4)-m*A(1,4);
A(4,5)=A(4,5)-m*A(1,5);
0 1 1 5 | 7
Pada kolom pertama, seluruh elemen berubah menjadi nol (a21 = 0, a31 = 0, dan a41 = 0)
kecuali elemen yang paling atas a11 . Itu berarti kita sudah menghilangkan variabel x1 dari P2 ,
P3 , dan P4 . Sekarang dilanjutkan ke kolom kedua, dengan operasi yang hampir sama, untuk
membuat elemen a32 dan a42 bernilai nol
a32
a32
a32
a32
a32
a21 x1 + a32
a22 x2 + a33
a23 x3 + a34
a24 x4 = a35
a25
P3 : a31
a22
a22
a22
a22
a22
P4 :
a42
a42
a42
a42
a42
a41
a21 x1 + a42
a22 x2 + a43
a23 x3 + a44
a24 x4 = a45
a25
a22
a22
a22
a22
a22
Source-code berikut ini adalah kelanjutan dari source-code diatas. Jadi jangan dipisah dalam file
lain!!!
1
2
3
4
5
6
m=A(3,2)/A(2,2);
A(3,1)=A(3,1)-m*A(2,1);
A(3,2)=A(3,2)-m*A(2,2);
A(3,3)=A(3,3)-m*A(2,3);
A(3,4)=A(3,4)-m*A(2,4);
A(3,5)=A(3,5)-m*A(2,5);
7
8
9
10
11
12
13
m=A(4,2)/A(2,2);
A(4,1)=A(4,1)-m*A(2,1);
A(4,2)=A(4,2)-m*A(2,2);
A(4,3)=A(4,3)-m*A(2,3);
A(4,4)=A(4,4)-m*A(2,4);
A(4,5)=A(4,5)-m*A(2,5);
14
Hasilnya akan seperti dibawah ini. Itu berarti kita telah menghilangkan variabel x2 dari P3 ,
153
dan P4 ; bahkan tanpa disengaja x3 juga hilang dari P4 . Inilah bentuk triangular
0 1 1 5 | 7
0 0
3
13 | 13
0 0
0 13 | 13
Walaupun x3 sudah hilang dari P4 , sebaiknya source-code penghapusan x3 dari P4 tetap ditambahkan pada source-code sebelumnya agar source-code tersebut menjadi lengkap.
1
2
3
4
5
6
m=A(4,3)/A(3,3);
A(4,1)=A(4,1)-m*A(3,1);
A(4,2)=A(4,2)-m*A(3,2);
A(4,3)=A(4,3)-m*A(3,3);
A(4,4)=A(4,4)-m*A(3,4);
A(4,5)=A(4,5)-m*A(3,5);
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 =
lalu dilanjutkan dengan x3 , x2 , dan x1 .
a45
13
=
=1
a44
13
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
x(4,1)=A(4,5)/A(4,4);
x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);
clear all
clc
3
4
5
154
6
7
8
2 1 -1 1
3 -1 -1 2
-1 2 3 -1];
9
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
m=A(3,1)/A(1,1);
A(3,1)=A(3,1)-m*A(1,1);
A(3,2)=A(3,2)-m*A(1,2);
A(3,3)=A(3,3)-m*A(1,3);
A(3,4)=A(3,4)-m*A(1,4);
A(3,5)=A(3,5)-m*A(1,5);
35
36
37
38
39
40
41
m=A(4,1)/A(1,1);
A(4,1)=A(4,1)-m*A(1,1);
A(4,2)=A(4,2)-m*A(1,2);
A(4,3)=A(4,3)-m*A(1,3);
A(4,4)=A(4,4)-m*A(1,4);
A(4,5)=A(4,5)-m*A(1,5);
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
m=A(4,2)/A(2,2);
A(4,1)=A(4,1)-m*A(2,1);
A(4,2)=A(4,2)-m*A(2,2);
A(4,3)=A(4,3)-m*A(2,3);
A(4,4)=A(4,4)-m*A(2,4);
A(4,5)=A(4,5)-m*A(2,5);
57
58
59
60
61
62
63
64
155
65
66
67
68
69
70
Langkah optimasi yang sama juga bisa diterapkan untuk rangkaian baris statemen dari baris
ke 30 hingga 34 dan baris ke 37 hingga 41 (yang terdapat pada source-code dasar), sehingga
masing-masing akan menjadi
for k = 1:5
A(3,k) = A(3,k)-m*A(1,k);
end
dan
for k = 1:5
A(4,k) = A(4,k)-m*A(1,k);
end
Ternyata, pola optimasi yang sama juga masih bisa ditemui mulai baris ke 45 hingga baris
statemen ke 64. Dengan demikian, setidaknya, tahapan pertama ini akan menghasil sourcecode baru hasil optimasi awal yaitu
156
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
29
30
m=A(3,1)/A(1,1);
for k = 1:5
A(3,k) = A(3,k)-m*A(1,k);
end
31
32
33
34
35
m=A(4,1)/A(1,1);
for k = 1:5
A(4,k) = A(4,k)-m*A(1,k);
end
36
37
38
39
40
41
42
43
44
45
46
m=A(4,2)/A(2,2);
for k = 1:5
A(4,k) = A(4,k)-m*A(2,k);
end
47
48
49
50
51
52
53
54
55
56
57
58
157
Sekarang, source-code eliminasi gauss telah mengecil menjadi hanya 58 baris statemen saja (sebelumnya ada 70 baris statemen). Namun ini belum merupakan akhir proses optimasi. Sourcecode yang terakhir ini masih bisa dioptimasi kembali.
Coba anda perhatikan pola yang nampak mulai pada baris statemen ke-22 hingga ke-35.
Optimasi tahap dua dilakukan untuk menyederhanakan bagian tersebut, yaitu
for j = 2:4
m=A(j,1)/A(1,1);
for k = 1:5
A(j,k) = A(j,k)-m*A(1,k);
end
end
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
158
22
23
24
25
26
27
for j = 2:4
m=A(j,1)/A(1,1);
for k = 1:5
A(j,k) = A(j,k)-m*A(1,k);
end
end
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
159
Sehingga hasil optimasi sampai tahapan ini telah mengecilkan jumlah baris statemen dari semula 70 baris menjadi hanya 34 baris saja. Inilah hasilnya
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
29
30
31
32
33
34
160
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
29
30
31
32
161
162
33
34
35
36
37
38
39
for i = 3:-1:1
S = 0;
for k = i+1:4
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,5)-S)/A(i,i);
end
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
29
30
31
32
33
34
35
36
37
38
39
for i = n-1:-1:1
S = 0;
for k = i+1:n
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
Sekarang, source code di atas akan bisa memproses matrik bujursangkar yang ukurannya sembarang; tidak hanya 4x4. Demikianlah akhir dari proses optimasi yang cukup melelahkan.
163
:
:
:
:
x1
2x1
x1
x1
x2
2x2
x2
x2
+
+
+
+
2x3
3x3
x3
4x3
x4
3x4
3x4
=
=
=
=
-8
-20
-2
4
Saya jamin source code yang tadi akan berhenti sebelum tugasnya selesai. Artinya ia gagal
menjalankan tugas mencari solusi sistem persamaan linear. Mengapa bisa begitu?
7.4.7 Pivoting
Pada baris ke-23, yang merupakan bagian dari proses triangularisasi dalam source code di atas,
terdapat
m=A[j,i]/A[i,i]
elemen A[i, i] tentunya tidak boleh bernilai nol. Jika itu terjadi, maka proses triangularisasi
otomatis akan berhenti dan itu sekaligus menggagalkan metode eliminasi Gauss. Dilihat dari
indeks-nya yang kembar yaitu [i, i], maka tidak diragukan lagi bahwa ia pasti menempati posisi di elemen diagonal dari matrik A. Nama lain elemen ini adalah elemen pivot. Jadi apa yang
harus dilakukan jika secara tidak disengaja didalam aliran proses terdapat elemen pivot yang
bernilai nol?
Salah satu cara untuk mengatasinya adalah dengan menukar seluruh elemen yang sebaris dengan elemen diagonal bernilai nol. Ia harus ditukar posisinya dengan baris yang ada
dibawahnya, sampai elemen diagonal matrik menjadi tidak nol, aii 6= 0. Cara ini disebut pivot-
ing. Penambahan proses pivoting kedalam source code eliminasi Gauss dimulai dari baris ke-23
sampai baris ke-30 berikut ini
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
164
16
17
18
for i = 1:n
A(i,n+1) = b(i);
end
19
20
21
22
23
24
25
26
27
28
29
30
31
32
for j = i+1:n
m=A(j,i)/A(i,i);
for k = 1:n+1
A(j,k) = A(j,k)-m*A(i,k);
end
end
33
34
35
36
37
38
39
end
40
41
42
43
44
45
46
47
48
49
50
for i = n-1:-1:1
S = 0;
for k = i+1:n
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
7.5
Pendefinisian function eliminasi gauss, yang akan diberi nama elgauss merupakan langkah paling akhir dari proses optimasi source code ini. Berdasarkan source code di atas, function eliminasi
gauss bisa dimulai dari baris ke-13 hingga baris ke-50. Berikut ini adalah cara pendefinisiannya
1
function x=elgauss(A,b)
2
3
4
5
6
7
8
9
10
11
12
13
14
165
v = A(i,s);
u = A(i+1,s);
A(i,s) = u;
A(i+1,s) = v;
15
16
17
18
end
end
%---- akhir proses pivoting -----
19
20
21
22
for j = i+1:n
m=A(j,i)/A(i,i);
for k = 1:n+1
A(j,k) = A(j,k)-m*A(i,k);
end
end
23
24
25
26
27
28
29
end
30
31
32
33
34
35
36
37
38
39
40
for i = n-1:-1:1
S = 0;
for k = i+1:n
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
Dengan adanya function elgauss, maka source-code untuk menyelesaikan sistem persamaan linear dengan metode eliminasi gauss dapat ditulis secara sangat sederhana. Berikut ini contohnya..
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
x=elgauss(A,b)
166
7.6
Contoh aplikasi
jawab:
Berdasarkan Hukum Kirchhoff:
I1 + I2 = I3
14 + 6I1 10 4I2 = 0
10 6I1 2I3 = 0
Lalu kita susun ulang ketiga persamaan di atas menjadi seperti ini:
I1 + I2 I3 = 0
6I1 4I2 = 24
6I1 + 2I3 = 10
Kemudian dinyatakan dalam bentuk matriks:
I1
0 I2 = 24
10
I3
2
6 4
6 0
6 4
6 0
1
0
24
10
167
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
m=
a31 = a31 m.a11
0 10
0 6
1
6
24
10
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 (
24
0 10 6
0
0
4, 4 4, 4
6
10
= 0
= 0
= 4, 4
= 4, 4
168
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
Jadi 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. Keseluruhan tahapan perhitungan di atas cukup diselesaikan
oleh source-code berikut ini
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
I=elgauss(A,b)
Isi matrik A diturunkan dari sistem persamaan linear yang mengacu kepada Hukum Kirchhoff
sebagai berikut
I1 + I2 I3 = 0
6I1 4I2 = 24
6I1 + 2I3 = 10
yang kemudian dinyatakan dalam bentuk matrik A dan vektor b:
6 4
6 0
I1
0 I2 = 24
2
I3
10
169
AA
=I=
1 0 ... 0
0 1 ... 0
.. .. . . ..
. .
. .
0 0 ... 1
(7.4)
Misalnya diketahui,
A=
1 2 1
A1 =
0 ,
2
2 1
1 1
29
4
9
13
5
9
91
1
3
19
2
9
1
3
AA1 =
1 2 1
29
0 49
13
2
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 memperoleh matrik invers, A1 ? Itulah bahan diskusi kita kali ini. Baiklah.., anggap saja kita tidak tahu isi dari A1 . Tapi yang jelas matrik A1 ukurannya mesti
sama dengan matrik A, yaitu 3x3.
AA1 = I
1 2 1
1 0 0
2 1
1 1
(7.5)
1 2 1
2 1
1 1
i11
0 i21 = 0
0
i31
2
170
1 2 1
2 1
1 1
1 1
i21
i31
0 i22 = 1
2
i23
0
1 2 1
2 1
0 i32 = 0
2
i32
1
Ketiganya dapat diselesaikan satu persatu menggunakan source code Eliminasi Gauss. Source
code untuk mendapatkan kolom pertama dari matrik invers adalah
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
I=elgauss(A,b)
Sementara, source code untuk mendapatkan kolom kedua dari matrik invers adalah
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
I=elgauss(A,b)
clear all
clc
3
4
5
171
2 1 0
-1 1 2];
8
9
10
11
12
13
14
15
I=elgauss(A,b)
Memang pada prinsipnya, dengan menjalankan tiga source-code di atas, akan diperoleh matrik
invers. Namun cara seperti ini tentunya kurang efektif. Mungkinkah ketiganya digabung
menjadi satu? Jelas bisa!
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
for j = 1:3
b(j,1) = 0;
end
b(2,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,2) = I(k,1);
end
28
29
30
31
32
33
34
35
36
for j = 1:3
b(j,1) = 0;
end
b(3,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,3) = I(k,1);
end
clear all
clc
172
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
29
i = 2;
for j = 1:3
b(j,1) = 0;
end
b(i,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,i) = I(k,1);
end
30
31
32
33
34
35
36
37
38
39
i = 3;
for j = 1:3
b(j,1) = 0;
end
b(i,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,i) = I(k,1);
end
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
173
end
Diperlukan sedikit lagi modifikasi agar source code tersebut dapat berlaku umum
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
clear all
clc
3
4
5
6
174
7
-1 1 2];
8
9
10
(7.6)
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 (7.6), 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 .
7.7. PENUTUP
7.7
175
Penutup
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.
176
Bab 8
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.
8.1
Pengukuran suhu terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin dalam, suhu semakin tinggi. Misalnya telah dilakukan sebanyak empat kali (N = 4)
pengukuran suhu (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel pengukuran secara sederhana disajikan seperti ini:
Tabel 8.1: Data suhu bawah permukaan tanah terhadap kedalaman
Pengukuran ke-i Kedalaman (m) suhu (O C)
1
z1 = 5
T1 = 35
2
z2 = 16
T2 = 57
3
z3 = 25
T3 = 75
4
z4 = 100
T4 = 225
Grafik sebaran data observasi ditampilkan pada Gambar (8.2). Lalu kita berasumsi bahwa
variasi suhu terhadap kedalaman ditentukan oleh rumus berikut ini:
m1 + m2 zi = Ti
177
(8.1)
178
Temperatur (Celcius)
200
150
100
50
10
20
30
40
50
60
Kedalaman (meter)
70
80
90
100
1 z1
1 z2
1 z
3
1 z4
T1
#
"
m1
T2
=
m
T
2
3
T4
(8.2)
(8.3)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
179
patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
GT Gm = GT d
(8.4)
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
dimana N = 4 dan i = 1, 2, 3, 4.
3. Kemudian tentukan pula GT d
Gd=
"
z1 z2 z3
T1
#
#
" P
T2
T
i
= P
z4
z i Ti
T3
T4
1
# " P
#
P #"
m1
Ti
N
zi
= P
P
P 2
m2
z i Ti
zi
zi
(8.5)
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
180
146
392
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
"
a23
11154
=
=2
a22
5577
392 (146)(2)
a13 a12 m2
=
= 25
a11
4
clc
clear all
close all
4
5
6
7
8
%
N
z
T
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
%
A
b
m
26
27
28
29
30
31
32
33
34
35
%-------MENGGAMBAR GRAFIK---------------------plot(z,T,ro);
xlabel(Kedalaman (meter));ylabel(Suhu (derajat Celcius));
title(Data variasi suhu terhadap kedalaman)
hold on;
for i=1:max(z)
zi(i)=i;
Ti(i)=m(1)+m(2)*zi(i);
end
plot(zi,Ti);
hold off;
200
25
181
150
100
50
10
20
30
40
50
60
Kedalaman (meter)
70
80
90
100
Gambar 8.2: Kurva hasil inversi data observasi antara suhu dan kedalaman
Demikianlah contoh aplikasi metode Eliminasi Gauss pada model garis. 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.
8.2
Pengukuran suhu terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin dalam, suhu semakin tinggi. Misalnya telah dilakukan sebanyak delapan kali (N = 8)
pengukuran suhu (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel 8.2 menyajikan data
observasi pada kasus ini.
Lalu kita berasumsi bahwa variasi suhu terhadap kedalaman ditentukan oleh rumus berikut
ini:
m1 + m2 zi + m3 zi2 = Ti
(8.6)
182
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
tiga buah model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai
suhu T1 , T2 ,..., dan T8 . Berdasarkan model tersebut, kita bisa menyatakan suhu 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
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
1 z1 z12
T1
T2
1 z2 z22
1 z3 z32
3
m1
T4
1 z4 z42
m2 =
T
1 z5 z52
5
m3
T6
1 z6 z62
T
1 z7 z72
7
1 z8 z82
T8
(8.7)
(8.8)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
183
patkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d
(8.9)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
G=
1 z1 z12
1 z2 z22
1 z3 z32
1 z4 z42
1 z5 z52
1 z6 z62
1 z7 z72
2
1 z8 z8
Gt = z1
z2
z3
z4
z5
z6
z7
z8
z82
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
2
1 z8 z8
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
184
4. Sekarang persamaan (8.14) 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
(8.10)
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
P
P 2
P
N
zi
zi |
Ti
P 2 P 3
P
P
zi
zi
zi |
z i Ti
P 2 P 3 P 4
P 2
zi
zi
z i Ti
zi |
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
8
0
8547
219
8547
349, 89
2551, 88 159448, 88 |
393423
3316, 57
| 594915, 33
19787859
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
(8.11)
Seperti catatan yang lalu, saya ingin menyertakan pula notasi masing-masing elemen
185
219
8547
349, 89
13872, 19
a34
=
= 0, 02
a33
693609, 48
a24 a23 m3
3316, 57 (159448, 88)(0, 02)
=
= 0, 05
a22
2551, 88
dan m1
m1 =
clc
clear all
close all
4
5
6
7
8
%
N
z
T
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
%
A
b
m
24
25
26
27
%-------MENGGAMBAR GRAFIK---------------------plot(z,T,ro);
xlabel(Kedalaman (meter));ylabel(Suhu (derajat Celcius));
186
29
30
31
32
33
34
35
90
80
28
70
60
50
40
30
20
10
20
30
Kedalaman (meter)
40
50
60
Gambar 8.3: Kurva hasil inversi data observasi antara suhu dan kedalaman
Demikianlah contoh aplikasi metode Eliminasi Gauss pada model parabola. 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.
8.3
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
ini:
m1 + m2 xi + m3 yi = di
(8.12)
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 suhu
187
x1
y1
x2
1
..
.
x3
..
.
d2
y2
m1
y3
m2 = d3
.
..
..
.
m3
yN
dN
1 xN
d1
(8.13)
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 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d
(8.14)
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
G=
x1
y1
x2
1
..
.
x3
..
.
y2
y3
..
.
yN
1 xN
Gt = x1 x2 x3 xN
y1 y2 y3 yN
2. Tentukan Gt G
Gt G = x1 x2 x3 xN
y1
y2
y 3 yN
x1
y1
x2
1
..
.
x3
..
.
P
P
y2
yi
N
xi
P 2 P
P
y3
=
xi
xi
xi yi
P
P
P
..
yi
xi yi
yi2
.
yN
1 xN
188
Gt d = x1 x2 x3 xN
y1
y2
y3
yN
d1
d2
di
P
d3
=
xi di
P
..
yi d i
.
dN
P
P
N
xi
yi
m1
di
P 2 P
P
xi
xi
xi yi m2 =
xi di
P 2
P
P
P
yi
xi yi
yi
m3
yi d i
(8.15)
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
P
P
P
N
xi
yi |
di
P 2 P
P
P
xi
xi
xi yi |
xi di
P
P
P
P 2
yi d i
yi
xi yi
yi |
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.
8.4
Contoh aplikasi
189
sebuah batu).
Langkah awal untuk memecahkan persoalan ini adalah dengan mengajukan asumsi model
matematika, yang digali dari konsep-konsep fisika, yang kira-kira paling cocok dengan situasi
pengambilan data observasi. Salah satu konsep dari fisika yang bisa diajukan adalah konsep
tentang Gerak-Lurus-Berubah-Beraturan (GLBB), yang formulasinya seperti ini
1
ho + vo t gt2 = h
2
Berdasarkan tabel data observasi, ketinggian pada saat t = 0 adalah 5 m. Itu artinya ho = 5 m.
Sehingga model matematika (formulasi GLBB) dapat dimodifikasi sedikit menjadi
1
vo t gt2 = h ho
2
(8.16)
1
m2 = g
2
(8.17)
(8.18)
Langkah berikutnya adalah menentukan nilai tiap-tiap elemen matrik kernel, yaitu dengan
190
9
Tinggi (meter)
0.5
1.5
2.5
Waktu (detik)
3.5
4.5
m1 t2 + m2 t22 = h2 5
m1 t3 + m2 t23 = h3 5
..
..
.
.
.
= ..
t1
t2
t3
t4
..
.
t19
t20
t21
h1 5
h2 5
"
#
h3 5
m1
..
m
2
.
..
h19 5
t219
h20 5
t220
t22
t23
t24
191
Seperti yang sudah dipelajari pada bab ini, penyelesaian masalah inversi dimulai dari proses manipulasi persamaan matrik sehingga perkalian antara Gt dan G menghasilkan matriks
bujursangkar
Gt Gm = Gt d
(8.19)
G=
t1
t21
t2
t22
t23
t24
..
.
t219
2
t20
t3
t4
..
.
t19
t20
G =
"
t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220
2. Menentukan Gt G
GG=
"
t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220
t1
t21
t2
t22
t23
" P 2 P 3 #
ti
ti
2
t4
= P t3 P t4
..
i
i
.
t219
2
t20
t3
t4
..
.
t19
t20
Gt d =
"
t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220
h1
h2
#
h3
" P
t
h
i i
h4
= P t2 h
..
i i
.
h19
h20
t2i
t3i
t3i
t4i
#"
m1
m2
" P
P
ti hi
t2i hi
(8.20)
192
9
Ketinggian (m)
0.5
1.5
2.5
Waktu (dt)
3.5
4.5
179, 4
689, 1
689, 1 2822, 9
#"
m1
m2
"
273, 7
796, 3
Hasil inversinya adalah nilai 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; maka disimpulkan nilai g adalah sebesar 1,6338 m/dt2 .
Gambar 8.5 memperlihatkan kurva hasil inversi berserta sebaran titik data observasi. 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.
Berikut adalah script inversi dalam Matlab untuk memecahkan masalah ini
1
2
3
clc
clear all
close all
4
5
6
7
8
9
10
11
18
19
20
21
22
23
24
25
26
27
%
A
b
m
28
29
30
31
32
33
34
35
36
37
38
%-------MENGGAMBAR GRAFIK---------------------plot(t,h,ro);
xlabel(Waktu (detik));ylabel(ketinggian (meter));
title(Data variasi waktu terhadap ketinggian)
hold on;
for i=1:N
hi(i)=m(1)*t(i)+m(2)*t(i)^2+5;
end
plot(t,hi);
hold off;
193
194
Bab 9
Metode LU Decomposition
Objektif :
Mengenalkan teknik faktorisasi matrik.
Mengenalkan aplikasi LU Decomposition pada sistem persamaan linear.
Merumuskan algoritma LU Decomposition.
9.1
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
(9.1)
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
195
(9.2)
196
sehingga persamaan (10.4) menjadi
LU x = b
Langkah penyelesaian sistem persamaan linear dengan metode LU-decomposition, diawali dengan menghadirkan vektor y dimana,
Ux = y
(9.3)
Langkah tersebut tidak bermaksud untuk menghitung vektor y, melainkan untuk menghitung
vektor x. Artinya, sebelum persamaan (9.3) dieksekusi, nilai-nilai yang menempati elemenelemen vektor y harus sudah diketahui. Lalu bagaimana cara memperoleh vektor y? Begini
caranya,
Ly = b
(9.4)
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
4
1
-3
4
x1
1
x2 = 1
3 1 1
2 x3
3
1
2
3 1
x4
4
2
1 1
(9.5)
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
197
proses triangularisasi,
0 1 1 5
0
0
3
13
0
0
0 13
x1
x2 7
x = 13
3
13
x4
(9.6)
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
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 (9.6), 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 (9.5)
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
(9.7)
198
0 0 0
y1
1 0 0
y2 = 1
3
4 1 0
y3 3
4
y4
1 3 0 1
2
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
9.2. ALGORITMA
199
x1
1
x2 = 7
3 1 1
2
x3 14
7
x4
1
2
3 1
2
1 1
(9.8)
Perhatikan baik-baik! Matrik A sama persis dengan contoh sebelumnya. Perbedaannya hanya
pada vektor b. Selanjutnya, dengan metode LU-decomposition, persamaan (9.8) 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
(9.9)
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.
9.2
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
200
Langkah 1: Inputkan konstanta-konstanta dari sistem persamaan linear kedalam elemenelemen matrik A dan vektor b, seperti berikut ini:
a11
a12
. . . a1n
b=
b1
b2
..
.
bn
(9.10)
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
aji
aii
i1
X
j=1
aij yj
9.2. ALGORITMA
201
an,n+1
ann
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
31
32
100
33
34
35
36
37
38
200
C
202
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
15
C
77
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
9.2. ALGORITMA
98
99
100
101
102
103
104
400
6
8
203
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.
204
Bab 10
Interpolasi
Objektif :
Mengenalkan Interpolasi Lagrange
Mengenalkan Interpolasi Spline-cubic
10.1
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
x0 x0
x0 x1
y0 +
y1 = y0
x0 x1
x1 x0
205
206
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
(10.1)
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
(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 )
(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 )
207
(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 )
(10.2)
208
10.2
Sekarang mari kita bahas konsep dari interpolasi cubic spline. Ngomong-ngomong, kapan
anda biasa mendengar kata cubic (baca: kubik)? Kata kubik sering dihubungkan dengan satuan volume, misalnya meter-kubik (m3 ) atau centimeter-kubik (cm3 ). Kubik itu sendiri artinya
adalah pangkat 3. Bandingkan dengan kata persegi yang berhubungan dengan satuan luas,
misalnya meter-persegi (m2 ) atau kilometer-persegi (km2 ). Dalam konteks pembahasan interpolasi cubic spline, kita akan menggunakan pendekatan polinomial pangkat 3 atau berderajat
3 untuk menghubungkan sejumlah titik dalam suatu koordinat.
Apa bedanya dengan Lagrange? Disini kita akan menciptakan segmen-segmen kurva polinomial berderajat 3 diantara titik-titik yang sudah diketahui. Itulah penjelasan dari kata spline
yang merupakan singkatan dari separation line. Ok, mari kita masuki pembahasan ini lebih
dalam lagi..
Gambar (10.1) memperlihatkan sebaran dari sejumlah titik yang masing-masing memiliki
pasangan koordinat (x, y). Pertanyaannya adalah bagaimanakah cara cubic spline menciptakan suatu kurva yang bisa menghubungkan semua titik tersebut? Atau pertanyaan yang
lebih tepat adalah bagaimanakah cara cubic spline menciptakan fungsi polinomial yang bisa
menghubungkan semua titik tersebut? Agar nantinya fungsi polinomial itu dapat digunakan
untuk memperkirakan titik-titik yang belum terlihat pada Gambar (10.1) sehingga kita akan
dapatkan kurvanya seperti Gambar (10.2)
Gambar 10.1: Sejumlah titik terdistribusi pada koordinat kartesian. Masing-masing titik memiliki pasangan koordinat (x, y)
Untuk bisa menghasilkan kurva seperti yang tampak pada Gambar (10.2), interpolasi cubic
spline menciptakan sejumlah fungsi polinomial S(x) yang merupakan potongan fungsi polinomial kecil-kecil (Gambar 10.3) berderajat tiga (cubic ) yang saling sambung-menyambung
untuk menghubungkan dua titik yang bersebelahan
Agar tujuan interpolasi cubic spline dapat tercapai, diperlukan sejumlah ketentuan-ketentuan
sebagai berikut:
1. Sj (x) adalah potongan fungsi yang berada pada sub-interval dari xj hingga xj+1 untuk
209
Gambar 10.2: Kurva interpolasi cubic spline yang menghubungkan semua titik
Gambar 10.3: Sejumlah polinomial cubic yaitu S0 , S1 , S2 ... dan seterusnya yang saling
sambung-menyambung sehingga mampu menghubungkan seluruh titik
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 Gambar (10.3). Ya.. tentu saja jika
fungsi itu kontinyu, maka titik xj+1 menjadi titik sambungan antara Sj dan Sj+1 .
4. Sj+1
(xj+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan pertama dari Sj dan Sj+1
(x
5. Sj+1
j+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan kedua dari Sj dan Sj+1
210
(10.3)
(10.4)
(10.5)
(10.6)
tapi dengan ketentuan tambahan yaitu S (x)/2, sehingga persamaan ini dimodifikasi menjadi
Sj (x) = cj + 3dj (x xj )
211
1
(cj+1 cj )
3hj
(10.7)
(10.8)
= aj + bj hj +
cj h2j
= aj + bj hj +
h2j
(2cj + cj+1 )
3
(10.9)
(10.10)
Sampai sini masih bisa diikuti, bukan? Selanjutnya, kita coba mendapatkan bj dari persamaan
(10.9)
bj =
hj
1
(aj+1 aj ) (2cj + cj+1 )
hj
3
1
hj1
(aj aj1 )
hj1
(2cj1 + cj )
3
(10.11)
(10.12)
Langkah berikutnya adalah mensubtitusikan persamaan (10.11) dan persamaan (10.12) kedalam
persamaan (10.10),
hj1 cj1 + 2(hj1 + hj )cj + hj cj+1 =
3
3
(aj+1 aj )
(aj aj1 )
hj
hj1
(10.13)
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
Sekarang coba perhatikan ketentuan nomor (6), ketika S (x0 ) = S (xn ) = 0, berapakah nilai c0
212
dan cn ? Nah, kita bisa evaluasi persamaan (10.6)
S (x0 ) = 2c0 + 6d0 (x0 x0 ) = 0
jelas sekali c0 harus berharga nol. Demikian halnya dengan cn harganya harus nol. Jadi untuk
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 )
A=
. . .
...
...
. . .
...
...
0
...
...
...
...
...
h2
...
...
. . . hn2
...
...
...
0
...
...
0
1
...
c0
c1
x=
..
.
cn
3
3
h1 (a2 a1 ) h0 (a1 a0 )
..
b=
3 (a a
3
)
(a
a
)
n1
n2
hn1 n
hn2 n1
0
Sekarang kita beralih ke clamped boundary dimana S (a) = f (a) dan S (b) = f (b). Nah, kita
bisa evaluasi persamaan (10.11) dengan j = 0, dimana f (a) = S (a) = S (x0 ) = b0 , sehingga
f (a) =
1
h0
(a1 a0 ) (2c0 + c1 )
h0
3
konsekuensinya,
2h0 c0 + h0 c1 =
3
(a1 a0 ) 3f (a)
h0
1
hn1
(an an1 )
hn1
(2cn1 j + cn )
3
(10.14)
213
Jadi
f (b) =
=
hn1
(2cn1 j + cn ) + hn1 (cn1 + cn )
hn1
3
1
hn1
(an an1 +
(cn1 j + 2cn )
hn1
3
1
(an an1 )
3
(an an1 )
hn1
(10.15)
Persamaan (10.14) dan persamaan (10.15) ditambah persamaan (10.13 membentuk operasi matrik Ax = b dimana
2h0
h0
0
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 )
A=
...
...
...
...
...
...
...
...
...
...
...
h2
...
...
. . . hn2
...
...
...
0
...
...
hn1
2hn1
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
3f (b) hn1
(an an1 )
214
215
216
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
Bab 11
Metode Newton
Objektif :
Mencari akar
Mencari solusi sistem persamaan
11.1
Definisi akar
Yang dimaksud akar dari suatu fungsi f (x) adalah titik perpotongan antara kurva fungsi tersebut dengan sumbu x. Perhatikan Gambar 11.1 dan Gambar 11.2 berikut ini
f(x) = x2 4
25
20
f(x)
15
10
5
5
Gambar 11.1: Fungsi dengan dua akar yang ditandai oleh lingkaran kecil berwarna merah,
yaitu pada x = 2 dan x = 2
217
218
Fungsi f(x) = x3 + 2
150
100
f(x)
50
50
100
150
5
0
x
Gambar 11.2: Fungsi dengan satu akar yang ditandai oleh lingkaran kecil berwarna merah,
yaitu pada x = 1, 2599
11.2
Metode Newton
Metode Newton sangat populer dan powerfull untuk mencari akar suatu fungsi yang kontinyu.
Metode ini melakukan perhitungan secara berulang-ulang (iterasi) sampai diperoleh nilai akhir
yang akurat; yang tidak lain adalah nilai akar itu sendiri. Formulasi metode Newton adalah
xbaru = xlama
f (xlama )
f (xlama )
(11.1)
f (xn1 )
f (xn1 )
n1
(11.2)
Mari kita terapkan metode ini untuk mencari akar dari fungsi f (x) = x2 4, dimana kurva
fungsinya sudah tergambar pada Gambar 11.1. Fungsi tersebut mempunyai turunan pertama
f (x) = 2x, tentukan akar-akar-nya!
219
Langkah penyelesaian dimulai dengan menentukan nilai awal, misalnya xlama = 4. Ke-
xbaru = xlama
Walaupun xbaru telah diperoleh, belum tentu nilai xbaru tersebut adalah akar f (x). Perlu ada
kriteria untuk memastikan apakah nilai xbaru merupakan akar yang dicari atau bukan 1 . Saat
ini saya ingin ulangi lagi proses perhitungan di atas dengan terlebih dahulu memindahkan
xbaru (hasil perhitungan pertama tadi) menjadi xlama . Hasil pengulangan perhitungan ini disebut hasil iterasi ke-2.
f (xlama )
f (xlama )
x2
4
= xlama lama
2xlama
(2, 5000)2 4
= 2, 5000
2(2, 5000)
= 2, 0500
xbaru = xlama
xbaru = xlama
xbaru = xlama
Kita telah membahas topik kriteria ini pada bab terdahulu tentang metode iterasi Jacobi dan Gauss-Seidel
220
sedangkan pada iterasi ke-5
f (xlama )
f (xlama )
x2
4
= xlama lama
2xlama
(2, 0000)2 4
= 2, 0000
2(2, 0000)
= 2, 0000
xbaru = xlama
Tampak jelas hasil iterasi ke-4 dan iterasi ke-5 tidak berbeda. Kalau dilanjutkan iterasi ke-6,
dipastikan hasilnya akan tetap sama, yaitu -2,0000. Kesimpulannya, akar dari f (x) = x2 4
adalah pada x = 2, 0000.
Tetapi bukankah akar dari f (x) = x2 4 ada dua (lihat Gambar 11.1)? Hasil perhitungan
di atas baru menemukan salah satu akarnya saja. Lalu bagaimana dengan akar yang satunya
lagi?
Ok, untuk akar yang lainnya, kita tetap bisa mengandalkan metode Newton, namun nilai
awalnya perlu diubah. Misalnya saya pilih nilai awalnya xlama = 1. Maka hasil iterasi ke-1
yang akan didapat adalah
f (xlama )
f (xlama )
x2
4
= xlama lama
2xlama
2
(1) 4
= 1
2(1)
= 2, 5000
xbaru = xlama
xbaru = xlama
221
xbaru = xlama
xbaru = xlama
xbaru = xlama
Tampak jelas hasil iterasi ke-4 dan iterasi ke-5 tidak berbeda. Kalau dilanjutkan iterasi ke-6,
dipastikan hasilnya akan tetap sama, yaitu 2,0000. Kesimpulannya, akar dari f (x) = x2 4
11.3
Script metode Newton terbagi tiga, yaitu script utama, script fungsi f (x) yang dinyatakan
dalam fungsi eksternal, dan script turunan pertama f (x) yang juga dinyatakan dalam fungsi
eksternal. Ini adalah script utamanya
1
2
3
clear all
close all
clc
4
5
6
7
8
222
9
10
11
12
13
14
15
for k = 1:itermaks
xbaru = xlama - (fs(xlama))/ft(xlama);
if abs(xbaru-xlama) < epsilon
break;
end
xlama = xbaru;
end
function y = fs(x)
y = x.^2 - 4;
function y = ft(x)
y = 2*x;
Sekarang kita beralih ke fungsi f (x) = x3 + 2. Turunan pertama fungsi ini adalah f (x) =
3x2 . Maka script untuk fungsi-nya dan untuk turunan pertama-nya, masing-masing adalah
1
2
function y = fs(x)
y = x.^3 + 2;
dan
1
2
function y = ft(x)
y = 3*x.^2;
Sedangkan script utamanya tetap sama, kecuali hanya merubah nilai awalnya saja. Misalnya
anda pilih nilai awalnya xlama = 0.5, maka script utamanya ditulis sebagai berikut
1
2
3
clear all
close all
clc
4
5
6
7
8
9
10
11
12
13
14
15
for k = 1:itermaks
xbaru = xlama - (fs(xlama))/ft(xlama);
if abs(xbaru-xlama) < epsilon
break;
end
xlama = xbaru;
end
jika script ini dijalankan, maka akan diperoleh akar pada x = 1.2599. Coba iseng-iseng anda
ganti nilai awalnya dengan angka 4,5 atau -3,21 atau angka-angka lainnya, apakah akarnya
tetap x = 1.2599 ? Jawabannya tentu iya. Tapi cobalah anda ganti nilai awalnya dengan
223
angka 1, apakah akarnya tetap x = 1.2599 ? Jawabannya pasti tidak. Mengapa bisa begitu?
Mari kita periksa formulasi metode Newton. Ketika anda memilih xlama = 1, maka iterasi
xbaru = xlama
= 1
(1)2 + 2
3(1)2
= 0
jika hasil ini diumpankan pada iterasi ke-2, maka f (x) akan bernilai nol. Efeknya adalah
komputer akan menemukan operasi pembagian dimana bagian penyebutnya (dalam hal ini
turunan pertamanya) bernilai nol, sehingga komputer akan mengeluarkan pesan kesalahan
devided by zero. Seketika komputer langsung hang (berhenti memproses perhitungan). Perlu
ada modifikasi untuk mengantisipasi hal ini. Salah satu caranya adalah dengan mengubah
angka xlama jika ditemukan nilai turunan pertama bernilai nol. Berikut ini script utama dengan
modifikasi
1
2
3
clear all
close all
clc
4
5
6
7
itermaks = 1000;
% batas iterasi maksimum
epsilon = 10^(-5); % batas toleransi
xlama = 1;
% nilai awal
8
9
10
11
12
13
14
15
16
17
18
19
for k = 1:itermaks
if ft(xlama) == 0 % antisipasi jika turunan pertamanya = 0
xlama = xlama + 0.001; % sekedar ditambah 0.001 aja. Pakai angka lain juga bisa.
end
xbaru = xlama - (fs(xlama))/ft(xlama);
if abs(xbaru-xlama) < epsilon
break;
end
xlama = xbaru;
end
xbaru
11.4
Pada bab terdahulu, telah dibahas cara membuat fungsi eksternal dengan parameter input
berupa konstanta. Kali ini kita akan mencoba membuat fungsi eksternal dengan parameter
input berupa vektor2 .
2
Yang dimaksud vektor disini adalah matrik yang hanya terdiri dari satu kolom atau satu baris
224
Misalnya terdapat vektor kolom x sebagai berikut
x=
8
5
itu artinya x1 = 3; x2 = -2; x3 = 8 dan x4 = 5. Kemudian vektor kolom x tersebut diinputkan ke
dalam suatu persamaan
y = x31 + 2x22 4x3 x4
dan diperoleh nilai y = -2. Di dalam Matlab, fungsi ini ditulis sebagai fungsi eksternal yang
diberinama fun.m sebagai berikut
1
function y = fun(x)
2
3
Pada script di atas, cara penulisan y = fun(x) memiliki pola yang sama dengan penulisan
fungsi eksternal sebelum-sebelumnya. Namun sebenarnya berbeda makna-nya. Parameter
input x disini bermakna vektor yang didalamnya terdapat 4 buah angka. Untuk lebih jelasnya,
coba anda bandingkan dengan script berikut
1
function y = fun(x)
2
3
y = x^3;
11.5
Pada pelajaran sebelumnya, fungsi eksternal hanya menghasilkan output berupa konstanta
atau angka. Sekarang kita akan membuat fungsi eksternal dengan output berupa vektor. Misalnya ada 3 persamaan linear sebagai berikut:
y1 = x31 + 2x22 4x3
y2 = x21 + 3x22 x3
x2
1
2x2 + 3
y3 =
x1
2
225
function y = fun(x)
2
3
4
5
x21 + 3x22 x3 = 13
x2
1
2x2 + 3 = 36.3333
x1
2
11.6
(11.3)
Jika fungsi eksternal dapat menghasilkan vektor, maka tentu saja ia juga dapat menghasilkan
matriks. Misalnya matriks J berbentuk
3x21
J(x) =
2x1
x12
1
4x2 4
6x2 1
2 x3
function J = jaco(x)
2
3
4
5
J = [3*x(1)^2 4*x(2) -4
2*x(1) 6*x(2) -1
-1/x(1)^2 -2 x(3)];
226
J =
27.0000
-8.0000
-4.0000
6.0000
-12.0000
-1.0000
-0.1111
-2.0000
8.0000
11.7
Pada permulaan Bab ini telah dibahas metode Newton untuk mencari akar yang hanya satu
buah angka saja. Formulasinya adalah sebagai berikut
xbaru = xlama
f (xlama )
f (xlama )
Metode Newton juga bisa diterapkan untuk mencari solusi sistem persamaan yang terdiri atas
sejumlah angka. Untuk maksud tersebut, formula di atas dimodifikasi menjadi
xb = x (J(x))1 f (x)
(11.4)
dimana J(x) = matriks Jacobian dan f(x) = fungsi sistem persamaan. Untuk membahas hal
ini mari kita perhatikan contoh berikut. Misalnya diketahui sistem persamaan berikut
x31 + 2x22 4x3 = 3
x21 + 3x22 x3 = 13
x2
1
2x2 + 3 = 36.3333
x1
2
J(x) =
1
x1
f2
x1
f3
x1
f1
x2
f2
x2
f3
x2
f1
x3
f2
x3
f3
x3
3x21
=
2x1
x12
1
4x2 4
6x2 1
2 x3
langkah berikutnya adalah menerapkan metode Newton (persamaan (11.4)) dengan nilai awal
x = [1;2;1]. Setelah iterasi ke-27, diperoleh solusi xb = [3;-2;8] atau x1 = 3, x2 = -2 dan x3
= 8. Script utama untuk masalah ini adalah
1
2
3
clear all
clc
227
itermaks = 10000;
tol = 10^(-10);
x = [1; 2; 1];
for k = 1:itermaks
if det(jaco(x))==0
x = x + 0.0000000001;
end
xb = x - inv(jaco(x))*fun(x);
if abs(xb-x) < tol
break;
end
x = xb;
end
xb
iterasi = k
adapun fungsi eksternal fun.m dan jaco.m sudah dibuat pada contoh sebelumnya.
11.8
Sekarang kita akan membahas aplikasi metode Newton untuk menyelesaikan masalah riil,
yaitu mencari pusat gempa.
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Lokasi stasiun
Bayah
Cisolok
Pelabuhan Ratu
Sukabumi
Jakarta
Serpong
Serang
Merak
Rajabasa
Krakatau
Bandar Lampung
Ulu Belu
Cibaliung
Labuhan
Pandeglang
Rangkasbitung
Pangandaran
Garut
228
Bab 12
Objektif :
Mengenalkan metode Monte Carlo
12.1
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
(12.1)
230
Jadi, dengan mengetahui nilai , maka kita bisa menghitung luas lingkaran dengan cara
luas lingkaran = luas bujursangkar
(12.2)
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
(12.3)
Gambar 12.2: Dart yang menancap pada bidang lingkaran dan bujursangkar
langan acak (random number ). Dari 1000 dart, yang masuk lingkaran ada 787 buah, sehingga,
787
= 0, 787
1000
12.1. PENYEDERHANAAN
231
Gambar 12.3: Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar
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}
(12.4)
dimana
d = maksimum f (x)
axb
(12.5)
232
Bab 13
Inversi
Objektif :
Mengenalkan inversi linear
Mengenalkan inversi non-linear
13.1
Inversi Linear
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
16
14
12
10
Y 8
6
4
2
0
1
10
telah di-plot tersebut dapat didekati dengan sebuah persamaan garis, yaitu a1 xi + a0 . Artinya,
233
234
(13.1)
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?
Dengan kata lain, sebisa mungkin yi sama dengan P (xi ) atau dapat diformulasikan sebagai
m
X
yi P (xi ) = 0
(13.2)
yi (a1 xi + a0 ) = 0
(13.3)
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 )
(13.4)
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
(13.5)
Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
E(a0 , a1 )
=0
ai
(13.6)
dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a0 dan a1 . Maka mesti ada dua
buah turunan yaitu:
m
X
E(a0 , a1 )
=
[yi (a1 xi + a0 )]2 = 0
a0
a0
i=1
m
X
2
(yi a1 xi a0 )(1) = 0
i=1
a0 .m + a1
m
X
i=1
xi =
m
X
i=1
yi
(13.7)
235
dan
m
X
E(a0 , a1 )
=
[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
xi yi
(13.8)
i=1
Akhirnya persamaan (13.7) dan (13.8) dapat dicari solusinya berikut ini:
a0 =
Pm
dan
a1 =
2
i=1 xi
Pm
Pm
i=1 xi
i=1 xi yi
i=1 yi
Pm 2
Pm
2
i=1 xi ( i=1 xi )
Pm
Pm
Pm
i=1 xi yi
Pm 2
m
i=1 xi
Pm
yi
i=1 xi
Pm i=12
( i=1 xi )
(13.9)
(13.10)
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
(13.11)
10(572, 4) 55(81)
= 1, 538
10(385) (55)2
(13.12)
dan
a1 =
(13.13)
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
parabola atau quadratik dimana fungsi pendekatannya berupa persamaan parabola, yaitu:
P (xi ) = a2 x2i + a1 xi + a0
(13.14)
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
(13.15)
236
16
14
12
10
8
6
4
2
0
2
0
10
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 (13.7) dan (13.8), yaitu:
a0 .m + a1
a0
m
X
xi + a1
m
X
i=1
m
X
m
X
xi =
i=1
m
X
x2i =
xi yi
i=1
i=1
i=1
yi
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
(13.16)
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!
13.2
Inversi Non-Linear
(13.17)
(13.18)
237
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
G=
f (x)
= xm ln(x)
m
(13.19)
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.
1
1
(dc d)2 = d2
N
N
(13.20)
dimana N = 10 karena d-nya ada 10. Rumus ini tidak mutlak harus demikian, anda bisa
juga menggunakan norm 2, 2 .
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.
(13.21)
238
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
(13.22)
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.
239
240
Bab 14
Lampiran
14.1
1
2
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
29
30
31
32
% epsilon adalah batas nilai selisih antara xbaru dan xlama yang
% dihitung secara norm-2. Epsilon bisa diartikan sebagai batas
% toleransi. Anda bisa merubahnya sesuai kebutuhan.
epsilon = 10^(-5);
33
34
35
36
37
38
n = length(A);
241
242
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
for p = 1:n
J(p,p) = 0;
for k = 1:n
if k ~= p
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p)/A(p,p);
end
for k = 1:itermaks
xbaru = J*xlama + u;
L2 = norm2(xlama-xbaru);
if L2 < epsilon
break;
end
xlama = xbaru;
end
14.2
1
2
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
29
30
31
% epsilon adalah batas nilai selisih antara xbaru dan xlama yang
% dihitung secara norm-2. Epsilon bisa diartikan sebagai batas
% toleransi. Anda bisa merubahnya sesuai kebutuhan.
epsilon = 10^(-5);
32
33
34
35
36
37
J(k,k) = 0;
for q = 1:n
if q ~= k
J(k,q) = -A(k,q)/A(k,k);
end
end
p(k,1) = b(k)/A(k,k);
end
L = zeros(n);
U = zeros(n);
for q = 1:n-1
for k = q+1:n
L(k,q) = J(k,q);
U(q,k) = J(q,k);
end
end
for v = 1:itermaks
xsmt = U*xlama + p;
xbaru(1,1) = xsmt(1,1);
for q = 1:n-1
sum = 0;
for k = 1:q
sum = sum + L(q+1,k)*xbaru(k,1);
end
xbaru(q+1,1) = sum + xsmt(q+1,1);
end
L2 = norm2(xbaru-xlama);
if L2 < epsilon
break;
end
xlama = xbaru;
end
243
Indeks
Positive-definite, 20
Transpose, 17
Tridiagonal, 19
Vektor-baris, 16
Vektor-kolom, 16
244