Latar Belakang
Persoalan yang melibatkan model matematika banyak muncul dalam
berbagai disiplin ilmu pengetahuan, seperti dalam bidang fisika, kimia, ekonomi,
atau pada persoalan rekayasa. Seringkali model matematika tersebut muncul
dalam bentuk yang rumit yang terkadang tidak dapat diselesaikan dengan rumus-
rumus aljabar yang sudah baku.
Solusi SPL secara numeris umumnya selalu (harus) lebih efisien dan cepat
dibandingkan dengan metode-metode analitis, seperti metode Cramer. Namun
demikian, solusi numerik ini secara teknis adakalanya juga berkendala, karena:
(1) ada beberapa persamaan yang mendekati kombinasi linier, akibat adanya
“round off error” dari mesin penghitung pada, (2) suatu tahap perhitungan adanya
akumulasi “round off error” pada proses komputasi akan berakibat domain
bilangan nyata (fixed point) dalam perhitungan akan terlampaui (overflow),
biasanya akibat dari jumlah persamaan yang terlalu besar.
Metode-metode solusi numerik yang banyak dipakai, dapat diklasifikasikan
sebagai:
1. Metode Langsung
a.Metode Langsung Eliminasi Gauss (EGAUSS), prinsipnya: merupakan
operasi eliminasi dan substitusi variabel-variabelnya sedemikian rupa
sehingga dapat terbentuk matriks segitiga atas, dan akhirnya solusinya
diselesaikan menggunakan teknik substitusi balik (backsubstitution),
b. Metode Eliminasi Gauss ini. Eliminasi Gauss-Jordan (EGJ), prinsipnya:
mirip sekali dengan metode EG, namun dalam metode ini jumlah operasi
numerik yang dilakukan jauh lebih besar, karena matriks A mengalami
inversi terlebih dahulu untuk mendapatkan matriks identitas (I). Karena
kendala tersebut, maka metode ini sangat jarang dipakai, namun sangat
bermanfaat untuk menginversikan matriks,
c.Dekomposisi LU (DECOLU), prinsipnya: melakukan dekomposisi matriks A
terlebih dahulu sehingga dapat terbentuk matriks-matrik segitiga atas dan
bawah, kemudian secara mudah dapat melakukan substitusi balik
(backsubstitution) untuk berbagai vektor VRK (vektor ruas kanan).
d. Solusi sistem TRIDIAGONAL (S3DIAG), prinsipnya merupakan solusi
SPL dengan bentuk matrik pita (satu diagonal bawah, satu diagonal utama,
dan satu diagonal atas) pada matriks A.
1
c.Metode Successive Over Relaxation (SOR), prinsipnya: merupakan
perbaikan secara langsung dari Metode Gauss- Seidel dengan cara
menggunakan faktor relaksasi (faktor pembobot) pada setiap tahap/proses
iterasi.
2
PEMBAHASAN
A. Iterasi Jacobi
LANGKAH – LANGKAH :
1. set penghitung iterasi ke =1
2. WHILE k ≤ n DO
bi j i aij y j
(a) FOR i = 1, 2, 3, ..., n, hitung xi
aii
T
(b) Set X = (x1 x2 x3 ..xn)
(c) IF X Y < T THEN STOP
(d) Tambahan penghitung iterasi, k = k + 1
(e) FOR i = 1, 2, 3, ..., n, Set yi = xi
(f) set Y = (y1 y2 y3 ..yn)T
3. STOP
3
C. Flow Chart Iterasi Jacobi
START
AX = b
Input A, b, X0, T, N
[X, g, H]=
jacobi(A,b,X0,T,N)
bi j i aij y j
xi
a ii
xi = ( x1 x2 x3 …xn)
STOP
D. Iterasi Jacobi dengan Menggunaan Matlab 7
4
4. Nyatakan x4 dari persamaan (P4) dalam x1, x2, dan x3.
5
function [X,g,H]= jacobi(A,b,X0,T,N)
H = X0';
n = length(b);
X1 = X0;
for k=1:N,
for i = 1:n,
S = b(i)-A(i,[1:i-1,i+1:n])*X0([1:i-1,i+1:n]);
X1(i)=S/A(i,i);
end
g = abs(X1-X0);
err = norm(g);
relerr = err/(norm(X1)+ eps);
X0 = X1;
H = [H;X0'];
if (err<T)|(relerr<T),break,end
end
6
25
>> X0=[0;0;0;0]
X0 =
0
0
0
0
>> T=.00001
T=
1.0000e-005
>> N=25
N=
25
>> [X,g,H]=jacobi(A,b,X0,T,N)
X=
1.0e+017*
-4.1950
0.5698
2.1380
0.0451
g=
1.0e+017*
3.7699
0.5442
1.2965
0.1535
H=
1.0e+017*
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
0 . 0000 0 . 0000 0 . 0000 0 . 0000
-0 . 0007 0 . 0000 0 . 0013 -0 . 0002
-0 . 0066 0 . 0009 0 . 0036 0 . 0000
-0 . 0173 0 . 0011 0 . 0333 -0 . 0042
-0 . 1661 0 . 0224 0 . 0873 0 . 0013
-0 . 4251 0 . 0256 0 . 8415 -0 . 1085
-4 . 0000 0 . 5698 2 . 1380 0 . 0451
Dari hasil diatas, metode Jacobi belum konvergen setelah melakukan iterasi.
Untuk mengetahui penyelesaian SPL kita, selanjutnya gunakan metode langsung
7
dengan menggunakan invers matriks A. MATLAB memberikan penyelesaian
sebagai berikut.
>> X=inv(A)*b
X=
1.1039
2.9965
-1.0211
-2.6263
8
1 . 1037 2 . 9966 -1 . 0212 -2 . 6260
1 . 1039 2 . 9964 -1 . 0211 -2 . 6264
1 . 1039 2 . 9965 -1 . 0211 -2 . 6263
1 . 1039 2 . 9965 -1 . 0211 -2 . 6263
1 . 1039 2 . 9965 -1 . 0211 -2 . 6263
Iterasi Jacobi konvergen (dengan menggunakan batas toleransi 0.0001) setelah
iterasi ke-13. Penyelesaian yang diberikan persis sama dengan yang dihasilkan
dengan metode langsung. Hampiran penyelesaian SPL kita adalah X = (1.1039
2.9965 -1.0211 -2.6263)T.
Layar MATLAB 7 (command window)
Dari contoh di atas bahwa urutan persamaan di dalam suatu SPL sangat
berpengaruh terhadap penampilan metode iterasi Jacobi. Kalau kita amati lebih
lanjut contoh di atas, kekonvergenan iterasi Jacobi pada strategi kedua
dikarenakan kita telah mengubah susunan SPL sedemikian hingga elemen-elemen
aii merupakan elemen-elemen terbesar pada setiap baris. Dengan kata lain, apabila
matriks koefisien A merupakan matriks dominan secara diagonal, maka metode
iterasi Jacobi akan konvergen. Suatu matrik A berukuran n x n dikatakan
dominan secara diagonal apabila
| a ii || a i ,1 | ... | a i ,i 1 | | a i ,i 1 | ... | a i , n | untuk i = 1, 2, 3, ..., n.
SIMPULAN
Simpulan
9
Dari pembahasan di atas kita dapat mengambil kesimpulan bahwa.
1. Urutan persamaan di dalam suatu SPL sangat berpengaruh terhadap
penampilan metode iterasi Jacobi.
2. Dengan menggunakan pemrograman MATLAB 7 dapat membantu
pemrograman dalam dalam metode numeric khususnya metode iterasi Jacobi
10