Anda di halaman 1dari 54

LAPORAN PRAKTIKUM

PEMODELAN MATEMATIKA DAN SIMULASI DENGAN


MENGGUNAKAN Ms. EXCEL SOLVER DAN VBA. EDITOR
Aplikasi Persamaan Diferensial

Oleh:

ADIAN RINDANG
F151090101

SEKOLAH PASCA SARJANA


TEKNIK MESIN PERTANIAN DAN PANGAN
INSTITUT PERTANIAN BOGOR
2009
DAFTAR ISI

PENDAHULUAN .......................................................................................................................................... 3

BAB 1 : PEMODELAN POPULASI MODEL MALTHUS DAN VERHULST : METODE SOLVER


APPLICATION ................................................................................................................................ 6

BAB 2 : PEMODELAN POPULASI MODEL MALTHUS DAN VERHULST : METODE VBA


APPLICATION .............................................................................................................................. 11

BAB 3 : PEMODELAN ABSORPSI OBAT (DRUG ABSORBTION) ..................................................... 14

BAB 4 : PEMODELAN PEMANASAN DAN PENDINGINAN AIR


(WATER HEATING AND COOLING) ........................................................................................... 20

BAB 5 : PEMODELAN HUKUM TORRICELLI DAN METODE PERBANDINGAN UNTUK LAJU


ALIRAN AIR .................................................................................................................................. 29

BAB 6 : PEMODELAN PERTUMBUHAN TERHAMBAT (INHIBITED GROWTH MODEL) ............ 35

BAB 7 : PEMODELAN KOMPETISI PADA SPESIES TERTENTU (COMPETING SPECIES) ........... 42

BAB 8 : PEMODELAN HEAT TRANSFER : EXPLICIT FINITE DIFFERENCE METHODS.............. 47

BAB 9 : PEMODELAN TRIDIAGONAL MATRIKS DENGAN VBA APPLICATION .......................... 51

DAFTAR PUSTAKA ................................................................................................................................... 54

2
PENDAHULUAN

Salah satu masalah tersulit yang dihadapi oleh para ilmuwan dan enginer pada setiap
penelitiannya adalah menginterpretasikan kejadian alam yang diamati kedalam suatu persamaan
yang dapat menggambarkan kejadian tersebut. Pada dasarnya sangat sulit untuk menggambarkan
kejadian tersebut secara keseluruhan dan biasanya dibutuhkan usaha yang keras untuk
mendapatkan suatu persamaan, akan tetapi kita dapat menambahkan beberapa asumsi yang
sederhana untuk menggambarkan persamaan tersebut sehingga dapat mendekati kejadian
aktualnya. Dalam hal ini kita harus dapat mengidentifikasi variabel-variabel penting serta mencari
hubungannya. Asumsi-asumsi serta hubungan-hubungan yang kita buat tersebut merupakan suatu
dasar untuk membangun sebuah model matematika dan pada umunya mengarahkan kita kedalam
suatu persoalan matematika (seperti yang terlihat pada gambar 1.1) dan selanjutnya kita dapat
memecahkan permasalahan tersebut secara matematika (analitik) atau dengan menggunakan cara
numerik (computer-aided numerical computation).

3. Formulate
1.Formulate real model 2.Assumptions for model
mathematical problem

4. Solve mathematical
6. Validate model 5. Interpret Solution
problem

7. Use model to
explain, predict, decide, d
esign

Gambar 1. Tahap-Tahap Penyelesaian Pemodelan

Pada umunya, setelah kita membuat suatu persamaan, kita akan membandingkan hasil dari
persamaan tersebut dengan data yang diperoleh dari pengukuran pada kondisi aktual, langkah ini
disebut juga dengan tahapan validasi model (kotak 6). Jika hasil yang kita peroleh dari persamaan
mendekati dengan data aktualnya, dapat diartikan bahwa model yang kita buat telah mendekati
kondisi aktual (kotak 7).

Edward and Hamson (1989) menjelaskan bahwa, penting untuk dipahami bahwa pemodelan
matematika dilakukan guna untuk menyelesaikan berbagai permasalahan sistem. Walau demikian,
untuk permasalahan-permasalahan tertentu pasti ada satu bentu model yang tepat untuk
menyelesaikannya. Pada umumnya, kesuksesan membangun model bergantung kepada seberapa
sederhana model tersebut digunakan dan seberapa akurat model tersebut memprediksikan hasil
sesuai dengan kondisi yang ada. Satu hal yang perlu dicatat, bahwasannya beberapa model akan

3
mempunyai jarak validitas yang terbatas dan tidak akan dapat digunakan apabila telah melewati
batas dari validitasnya. Sebagai contoh, kita akan menggunakan suatu persamaan untuk
memprediksi suatu prilaku sistem dalam jangka waktu yang panjang. Dalam hal ini, penting untuk
diingat bahwa suatu persamaan akan tetap dianggap valid selama hasil yang diprediksinya
mendekati kondisi aktual. Jika hasil prediksi tersebut nantinya mengarah pada beberapa
kesimpulan yang tidak lagi mendekati keadaan aktual dari prilaku sistem tersebut di masa yang
akan datang, maka kita harus memodifikasi dan memperbaiki asumsi-asumsi yang mendasari
pemodelan tersebut. Seperti inilah gambaran untuk membangun sebuah model, memang tidaklah
mudah, namun apabila kita berhasil memecahkannya, kita akan puas. Pada gambar dibawah ini
akan ditunjukkan beberapa tahapan pemecahan masalah-masalah pada bidang keteknikan oleh
Chapra and Canale (2002).

Problem definition

THEORY Mathematical model DATA

Problem-solving tools:
computer, statistics,
numerical methods,
graphics, etc.

Numeric or
graphic results

Societal interfaces:
scheduling, optimization,
communication, public
interaction, etc.

Implementation

Gambar 2. The engineering problem-solving process

Seperti yang terlihat pada gambar 2 diatas, metode numerik dan penggunaan komputer
memberikan teknik pemecahan untuk permasalahan dengan perhitungan yang kompleks serta
dalam jangka waktu yang singkat kita dapat memecahkan perhitungan tersebut dalam waktu yang
sangat singkat. Metode numerik ini juga dapat memecahkan masalah-masalah kompleks seputar,
persamaan nonlinier, persamaan geometri yang kompleks serta sistem-sistem persamaan yang

4
panjang. Oleh karena itu, jika metode numerik ini digunakan dalam pemrograman komputer maka
kita dapat mendesain program kita sendiri untuk memecahkan permasalahan pada pemodelan
yang kita bangun.

Didalam laporan ini terdapat beberapa contoh pemodelan matematika didalam berbagai
bidang yang berbeda, seperti model populasi, model laju aliran air, model pindah panas, model
eksplisit, model pertumbuhan terhambat, model peluruhan waktu obat, dan lain-lain, diselesaikan
dengan menggunakan model optimasi pada solver, dan beberapa metode numerik seperti Newton-
Rhapson dan orde ke empat Runge Kutta.

5
BAB 1
PEMODELAN POPULASI MODEL MALTHUS DAN VERHULST: METODE
SOLVER APPLICATION
1.1 Pendahuluan

Pada praktikum Teknik Pemodelan Matematika dan Simulasi yang dilaksanakan pada
tanggal 5 Oktober 2009, dibahas dua jenis model populasi yaitu model Malthus dan model Verhulst.
Kedua metode ini nantinya akan digunakan untuk memprediksikan tingkat pertumbuhan
penduduk di suatu daerah. Dalam tugas ini digunakan data pertumbuhan penduduk kabupaten Deli
Serdang, provinsi Sumatera Utara dari tahun 1988-2006 seperti yang terlihat pada tabel dibawah
ini:

Jumlah Metode Motode


Tahun Waktu Penduduk Malthus Verhults
1988 0 1437683 1437683 1437683
1989 1 1447681 1588885.441 1477206.804
1990 2 1560079 1755989.982 1514889.957
1991 3 1590060 1940669.06 1550683.075
1992 4 1670873 2144771.007 1584559.498
1993 5 1719390 2370338.543 1616513.435
1994 6 1755483 2619629.223 1646557.823
1995 7 1791198 2895138.034 1674722.017
1996 8 1826200 3199622.359 1701049.408
1997 9 1851949 3536129.58 1725595.057
1998 10 1878062 3908027.574 1748423.42
1999 11 1904542 4319038.422 1769606.205
2000 12 1956996 4773275.658 1789220.416
2001 13 2002678 5275285.441 1807346.593
2002 14 1461823 5830092.054 1824067.266
2003 15 1486094 6443248.188 1839465.629
2004 16 1539697 7120890.515 1853624.414
2005 17 1582213 7869801.108 1866624.971
2006 18 1634115 8697475.316 1878546.52
Eror 1.0017E+14 3.38077E+11
1.2 Metode

Thomas Malthus (1978) menyatakan bahwa jika N = N (t) merupakan total populasi pada
suatu waktu (t) lalu dalam interval waktu tertentu dt, diasumsikan bahwa kelahiran (α) dan
kematian (βNdt) sebanding dengan jumlah populasi dN interval waktu dt, maka kenaikan dari tital
populasi dapat dihitung dengan persamaan:

……………………………………………………………………………………………...(1)
dimana γ= ,persamaan selanjutnya menjadi:

6
……………………………………………………………………………………………………………………………………(2)
jika kedua sisi dari persamaan (1) kita integralkan maka menjadi:

…………………………………………………………………………………………………………………………..(3)
dimana A adalah konstanta integral. Jikan pada kondisi awal t = 0, N = No, maka log No = A maka
persamaan akan menjadi:

…………………………………………………………………………………………………………………………………(4)

Akan tetapi sejalan dengan bertambahnya waktu model populasi Malthus ini tidak lagi sesuai
dengan keadaan actual sehingga model ini tidak dapat digunakan lagi untuk memprediksi jumlah
populasi. Pada tahun 1837, Verhulst memodifikasi model ini, dia mengusulkan bahwa pada model
ini terdapat suatu batasan atas (N∞). Sekarang, perubahan populasi dN/dt diasumsikan sebanding
dengan jumlah populasi sekarang (N),sehingga persamaan akan menjadi:

………………………………………………………………………………………………………………………(5)
pemecahan solusi dari niali N ini dapat menggunakan persamaan:
……………………………………………………………………………………………….(6)

1.3 Simulasi

Dalam pemecahan persamaan (6) diatas, kita akan menggunakan Ms.Excel dan Solver
Application. Parameter input pada model ini seperti yang terlihat pada table dibawah ini:

Parameter Malthus Verhults


γ 0.1 0.1
N∞ 2000000

Pemecahan dengan menggunakan metode Solver Application dapat dilihat pada gambar
dibawah ini:

7
Gambar 1.1 Pemodelan Populasi Penduduk Kabupaten Deli Serdang

1.4 Hasil dan Pembahasan

Grafik antara jumlah penduduk aktual, model Malthus dan Verhulst dapat dilihat seperti
dibawah ini.
10000000
9000000
8000000
7000000
6000000
Jumlah Penduduk
5000000
Metode Malthus
4000000
3000000 Motode Verhults

2000000
1000000
0
0 5 10 15 20

Selanjutnya dilakukan optimumisasi dengan menggunakan solver sehinga diperoleh nilai γ


maksimum untuk model Malthus dan Verhulst.

8
Metode Motode
Tahun Waktu Jumlah Penduduk Malthus Verhults
1988 0 1437683 1437683 1437683
1989 1 1447681 1456988.549 1472234.558
1990 2 1560079 1476553.337 1505389.232
1991 3 1590060 1496380.846 1537111.528
1992 4 1670873 1516474.604 1567379.365
1993 5 1719390 1536838.185 1596183.194
1994 6 1755483 1557475.213 1623524.957
1995 7 1791198 1578389.361 1649416.964
1996 8 1826200 1599584.348 1673880.697
1997 9 1851949 1621063.947 1696945.601
1998 10 1878062 1642831.978 1718647.889
1999 11 1904542 1664892.316 1739029.381
2000 12 1956996 1687248.886 1758136.408
2001 13 2002678 1709905.665 1776018.784
2002 14 1461823 1732866.684 1792728.872
2003 15 1486094 1756136.03 1808320.738
2004 16 1539697 1779717.842 1822849.405
2005 17 1582213 1803616.316 1836370.192
2006 18 1634115 1827835.704 1848938.16
Eror 4.11974E+11 3.32503E+11
Nilai γ untuk Malthus dan Verhulst setelah di-Solver menjadi:

Parameter Malthus Verhults


γ 0.013339 0.087288
N∞ 1998926
Sumber: Badan Pusat Statistik Kabupaten Deli Serdang
Diperoleh γ maksimum untuk metode Malthus sebesar 0.013339 sedangkan metode Verhulst
sebesar 0.087288. Prediksi pertumbuhan penduduk dalam metode Malthus dan metode Verhulst
seperti yang ditunjukkan oleh grafik dibawah ini:
2000000
1800000
1600000
1400000
1200000
1000000 Metode Malthus
800000
Motode Verhults
600000
400000
200000
0
0 5 10 15 20

9
hasil solver perbandingan nilai Malthus dan Verhulst terlihat tidak mempunyai perbedaan yang
besar.

Teori Malthus menyatakan bahwa umumnya penduduk suatu negara mempunyai


kecenderungan untuk bertambah menurut suatu deret ukur yang akan berlipat ganda tiap 30-40
tahun, kecuali bila terjadi bahaya kelaparan. Model populasi Malthus ini dirumuskan sebagai
berikut: . Dari data pertumbuhan penduduk kabupaten Deli Serdang diatas, rentang
waktu data yang diperoleh <20 tahun sehingga kelipatan tidak berbubah terlalu besar.

N∞ awal adalah 2.000.000 setelah dilakukan penghitungan dengan solver N∞ menjadi


1.998.926. Pada teori Verhulst N akan mendekati N∞ seperti yang terlihat pada grafik dibawah ini.

2500000

2000000

1500000
Metode
1000000 Verhulst
N tak hingga
500000

0
0 5 10 15 20

1.5 Kesimpulan

Pada nilai eror, model Verhulst mempunyai nilai eror yang lebih kecil dibandingkan dengan
model Malthus. Namun apabila dibandingkan dengan data sebenarnya eror yang terjadi pada kedua
model masih sangat besar. Sehingga belum dapat disarankan untuk menggunakan model Malthus
ataupun Verhulst untuk prediksi jumlah penduduk di Kabupaten Deli Serdang, Provinsi Sumatera
Utara.

10
BAB 2
PEMODELAN POPULASI MODEL MALTHUS DAN VERHULST: METODE
VBA APPLICATION
2.1 Pendahuluan

Pada praktikum terdahulu kita telah membahas pemodelan populasi metode Malthus dan
Verhulst. Kita menyelesaikan kedua pemodelan tersebut dengan menggunakan Solver Application
pada Ms. Excel. Pada praktikum kali ini kita akan mencoba untuk menyelesaikan kedua metode
tersebut dengan menggunakan VBA Application pada Ms. Ecxel.

2.2 Metode

Persamaan yang digunakan untuk memecahkan pemodelan ini sama dengan persamaan pada
praktikum sebelumnya.

2.3 Simulasi

Kode program yang dituliskan pada VBA Editor dalam Ms. Excel sebagai berikut:

Public t, No, Nx, Nm, Gamma As Double

Sub Masukan()
Gamma = Sheet1.Cells(3, 2) 'konstanta gamma
No = Sheet1.Cells(4, 2) 'sebagai N awal
Nx = Sheet1.Cells(5, 2) 'sebagai N tak hingga
End Sub
Sub run2()
Jumdata = 50
For i = 0 To Jumdata
t = Sheet1.Cells(8 + i, 1)
Sheet1.Cells(8 + i, 4) = Verhulst(Gamma, Nx, t, No)
Next i
End Sub
Sub run3()
Jumdata = 50
For i = 0 To Jumdata
t = Sheet1.Cells(8 + i, 1)
Nm = Sheet1.Cells(58, 4)
Sheet1.Cells(59 + i, 4) = Malthus(Nm, Gamma, t)
Next i
End Sub
Private Sub CommandButton1_Click()
Masukan
run2
run3
End Sub

Sedangkan fungsi yang kita tuliskan pada module VBA Editor adalah

Function Verhulst(Gamma, Nx, t, No)


Verhulst = Nx / (1 + (((Nx / No) - 1) * Exp(-Gamma * t)))

11
End Function

Function Malthus(Nm, Gamma, t)


Malthus = Nm * Exp(Gamma * t)
End Function

2.4 Hasil dan Pembahasan

Hasil pemodelan seperti yang terlihat pada gambar 2.1 dibawah ini:

Gambar 2.1 Hasil Pemodelan Populasi Verhulst dan Malthus

Pada pemodelan pertama kita menggunakan persamaan populasi Verhulst sedangkan pada
pemodelan kedua kita menggunakan persamaan Verhulst untuk jangka waktu t = 0 sampai t = 50
dan selanjutnya pada t = 51 sampai t = 100 kita menggunakan persamaan Malthus. Hasil dari kedua
pemodelan ini seperti terlihat pada gambar 2.2 ini.

12
Model Pertumbuhan Malthus dan Verhulst
70000
60000
50000
40000
Metode Verhulst
30000
20000 Metode Verhulst dan
10000 Malthus

0
0 50 100 150
t (Tahun)

Gambar 2.2 Grafik Pemodelan Populasi Verhulst dan Malthus

2.5 Kesimpulan

Pada praktikum ini kita telah membuktikan bahwa model pertumbuhan populasi Malthus
dan Verhulst dapat diselesaikan dengan menggunakan VBA Application pada Ms. Excel.

13
BAB 3
PEMODELAN ABSORPSI OBAT (DRUG ABSORPTION)
3.1 Pendahuluan

Persamaan diferensial tidak hanya mempunyai banyak peran penting didalam bidang
keteknikan namun juga dalam bidang kedokteran atau lebih spesifik lagi didalam bidang farmasi.
Didalam bidang ilmu farmasi ini akan dipelajari kadar atau dosis obat dalam darah pasien. Salah
satu aplikasi menarik dari penerapan persamaan diferensial ini adalah menduga penyerapan obat
didalam darah. Dengan membuat persamaan serta membangun modelnya kita dapat dengan
mudah dan cepat memprediksikan dosis obat yang optimal yang akan diberikan kepada pasien.

Dalam praktikum ini, kita akan mencoba mengembangkan model matematika dari absorpsi
obat dengan menggunakan persamaan diferensial. Terdapat dua metode yang akan dicobakan dan
hasil yang diperoleh nantinya akan dibandingkan dengan tujuan untuk menentukan metode mana
yang paling baik yang akan digunakan untuk memberikan obat kepada pasien.

3.2 Metode

Apabila suatu fungi y (t) adalah kuantitas obat pada darah dalam waktu t, maka perubahan
konsentrsi obat per satuan waktu dapat dimodelkan dengan suatu persamaan diferensial:

……………………………………………………………………………………………………………………….(1)

Dimana k adalah konstanta positif. Apabila pada saat t = 0 pasien diberikan dosis obat
sebanyak yo dan kemudian diberikan dosis obat lagi pada waktu selanjutnya maka akan terdapat
suatu konsentrasi yang besarnya bervariasi.

Kita dapat memecahkan persamaan (2.1) dengan:

……………………………………………………………………………………………………………………..(2)

Dalam memodelkan absorpsi obat ini terdapat dua metode yang akan kita coba, yaitu:

(a). Metode 1

Pada metode ini, pemberian dosis obat pada selang waktu tertentu diberikan sebesar
nilai yo sehingga diharapkan konsentrasi obat akan mencapai nilai saturasi sebesar ys

(b). Metode 2

Sedangkan pada metode ini, akan diberikan dosis obat untuk awalnya langsung
diberikan sebesar nilai ys dimana nilai ys adalah nilai saturasi dari metode 1 akan tetapi
pemberian dosis obat selanjutnya akan diberikan sebesar yo dengan mengharapkan
konsentrasi obat akan konstan sebesar ys .

Pada metode 1 setelah menentukan waktu T, pada dosis kedua, maka kita dapat mengatur
nilai yo, jumlah dosis pada darah, sebelum pada saat t = T dapat diketahui dengan:

14
……………………………………………………………………………………………………………………….(3)
Pada saat setelah waktu t = T, jumlah dosis yaitu:

……………………………………………………………………………………....(4)

Maka menurut Burghes and Borrie (1981)persamaan ys menjadi:

……………………………………………………………………………….………………………………………….(5)

Pada metode 2, dosis awal yang diberikan dalam jumlah besar (ys) lalu pada waktu T
......................................................................................................................................(6)

Setelah itu, pasien diberikan dosis kedua (yd), yang memberikan persamaan ys menjadi:

…………………………………………………………………………………………………….………….(7)

Maka diperoleh:

……………………………………………………………………………………………………..……………(8)

3.3 Simulasi

Setelah kita menentukan persamaan diferinsial yang akan kita gunakan, selanjutnya kita akan
membuat simulasinya dengan menggunakan Spreadsheet Ms. Excel, VBA Application.

Gambar 2.1 Hasil Simulasi dari Drug Accumulation

15
Kode Program pada VBA Editor:

Public num_data, drug_cycle As Integer


Public start_dose, dose_regular As Double
Public time_step As Double
Public i As Integer
Public k
Sub data()
start_dose = Sheet1.Cells(4, 2) '#Dosis awal
k = Sheet1.Cells(5, 2) '#nilai k
num_data = Sheet1.Cells(6, 2) '#banyak data
time_step = Sheet1.Cells(7, 2) '#time step simulasi
drug_cycle = Sheet1.Cells(8, 2) '#pemberian obat berkala
dose_regular = Sheet1.Cells(9, 2) '#Dosis selanjutnya
End Sub

Sub cetakwaktu()
step = 0
For i = 1 To num_data
Sheet1.Cells(2 + i, 4) = (i - 1) * time_step 'waktu metode1
Sheet1.Cells(2 + i, 5) = step 'waktu metode2
'#jika dosis obat diberikan waktu direset ke 0
If i Mod drug_cycle = 0 Then
step = 0
Else
step = step + time_step
End If
Next i
End Sub
Sub proses1()
'Metode 1
'# melakukan loop untuk peluruhan obat metode 1
base_decay = dose_regular
For i = 1 To num_data
Sheet1.Cells(2 + i, 7) = exp_decay(base_decay, k, Sheet1.Cells(2 + i, 5))
If i Mod drug_cycle = 0 Then
base_decay = Sheet1.Cells(2 + i, 7) + dose_regular
End If
Next i
'Mencari Titik Tertinggi
stepc = 1
For i = 1 To num_data
If Sheet1.Cells(2 + i, 5) = 0 Then
Sheet1.Cells(2 + stepc, 9) = Sheet1.Cells(2 + i, 4)
Sheet1.Cells(2 + stepc, 10) = Sheet1.Cells(2 + i, 7)
'Sheet1.Cells(2 + stepc, 11)= Sheet1.Cells(2 + i, 8)
stepc = stepc + 1
End If
Next i
End Sub
Sub proses2()
'metode 2
'# melakukan loop untuk peluruhan obat metode 2
base_decay = start_dose
For i = 1 To num_data

16
Sheet1.Cells(2 + i, 8) = exp_decay(base_decay, k, Sheet1.Cells(2 + i, 5))
If i Mod drug_cycle = 0 Then
base_decay = Sheet1.Cells(2 + i, 8) + dose_regular
End If
Next i
'Mencari Titik Tertinggi
stepc = 1
For i = 1 To num_data
If Sheet1.Cells(2 + i, 5) = 0 Then
Sheet1.Cells(2 + i, 11) = Sheet1.Cells(2 + i, 4)
Sheet1.Cells(2 + i, 12) = Sheet1.Cells(2 + i, 8)
'Sheet1.Cells(2 + stepc,12) = Sheet1.Cells (2 + i, 8)
stepc = stepc + 1
End If
Next i
End Sub
Private Sub CommandButton1_Click()
data
cetakwaktu
proses2
End Sub

Gambar 2.2 Kode Program pada VBA Editor

17
Kode Program Pada Modul VBA Editor

Function exp_decay(y, k, t) 'exp_decay=Y


'Fungsi Peluruhan Obat
exp_decay = y * Exp(-k * t)
End Function

3. 4 Hasil

Model Absorpsi Obat

Hasil simulasi yang telah dilakukan dengan menggunakan VBA Application dapat dilihat pada
gambar 2.3 dibawah ini:

450 Methods Of Drug Accumulation


400 metode 1
350 peak 1
300 metode 2
250
200
150
100
50
0
0

272

306
102
119
136
153
170
187
204
221
238
255

289
17
34
51
68
85

Gambar 2.3 Grafik Kedua Metode Drug Accumulation

Metode 1

Pada metode 1 ini diberikan inject dosage awal sebesar 50 unit dan untuk dosis reguler ini
obat diinjeksikan setiap selang waktu 15 menit sekali. Dari gambar diatas kita dapat melihat
bagaimana absorbsi obat didalam darah setelah terakumulasi selama selang waktu penginjeksian.
Obat yang telah diinjeksikan tersebut akan meluruh seperti persamaan (2.1) diatas. Pada simulasi
ini digunakakan interfal waktu (step) 1 menit untuk mengamati penyerapan obat selama 300 menit
dengan konstanta obat (k) adalah 0,01.

Dari hasil simulasi diatas kita dapat melihat bahwa pada metode 1 ini, grafik bergerak dengan
lambat untuk mencapai nilai Ys sehingga nilai kosentrasi obat juga akan sangat lambat untuk
mencapai nilai saturasinya, bahkan setelah 300 menit pemberian dosis reguler, nilai konsentrasi
obat didalam arah tidak mencapai 380.

18
Metode 2

Pada metode ini, diberikan inject dosis awal sebesar nilai Ys pada metode 1 yaitu 380. Untuk
membandingkan kedua metode tersebut, dalam simulasi metode 2 ini juga akan digunakan interfal
waktu (step) 1 menit untuk mengamati penyerapan obat selama 300 menit dan kontanta obat (k)
yang digunakan juga sebesar 0,01. Dari simulasi, dapat dilihat hasil dari metode 2. Metode ini
peluruhan obat didalam darah terlihat lebih cepat mencapai nilai konsentrasi obat yang diinginkan.
Walaupun pada injeksi yang kedua diberikan dosis obat sebesar 50. Metode 2 terlihat memberikan
keuntungan daripada metode 1. Akan tetapi dalam prakteknya, memberikan obat dalam dosis yang
besar diawal injeksi akan memberikan dampak yang buruk pada tubuh. Masing-masing dari kedua
metode ini mempunyai kekurangan, jika kedua metode ini digabungkan maka akan dapat
memberikan keuntungan.

3. 5 Kesimpulan

Penyerapan obat dapat dimodelkan dengan persamaan diferensial dengan persamaan umum
yang digunakan adalah Kedua metode dari pemberian obat telah disimulasikan. Kedua
metode ini masing-masing mempunyai kelebihan dan kekurangan. Metode 1 bergerak sangat
lambat untuk mencapai nilai konsentrasi obat saturasi sedangkan metode 2 sebaliknya. Akan tetapi
pemberian obat dalam dosis yang besar diwal injeksi akan memberikan dampak yang buruk bagi
tubuh. Untuk menutupi masing-masing kekurangan ini, pada prakteknya kita dapat
menggabungkan kedua metode ini, yaitu dengan memberikan dosis dua kali lipat diawal injeksi
(2Yo) lalu pada injeksi berikutnya diberikan dosis sebesar Yo. Dengan metode gabungan ini,
kelebihan dari keduanya dapat digunakan dan kekurangannya dapat diminimalisasikan.

19
BAB 4
PEMODELAN PEMANASAN DAN PENDINGINAN AIR
(WATER HEATING AND COOLING)
4.1 Pendahuluan

Aplikasi diferensial sangat luas, tidak hanya pada kejadian dialam saja tapi juga dapat
diaplikasikan pada bidang teknik dan lain sebagainya. Pada kebanyakan orang sering mengatakan:
sangat bijaksana untuk tidak menghidupkan pemanas air selama 24 jam. Pada bab ini, kita akan
mensimulasikan sebuah pemanas air yang akan terus dinyalakn selama 24 jam dan kita akan
melihat waktu pemanas yang dibutuhkan serta suhu air yang dihasilkkan nantinya.

Sebuah alat pemanas air (immersion heater) seperti yang ditunjukkan oleh gambar dibawah
adalah sebuah alat yang sering diletakkan pada tangki atau pada kontainer dan berfungsi untuk
memanaskan air didalamnya. Pada skala rumah tangga, alat pemanas ini sering digunakan untuk
memanaskan air untuk mandi dan mencuci. Tangki air pada gambar dibawah ini akan dipenuhi
dengan air dingin yang kemudian akan dipanasi dengan menggunakan alat pemanas (immersion
heater). Pada tangki tersebut terdapat dua proses yang terjadi yaitu proses pendinginan dan
pemanasan air didalam tangki. Proses pemanasan terjadi ketika alat pemanas dihidupkan dan
proses pendinginan terjadi apabila alat pemanas dimatikan.

Immersion heater
Hot water
cylinder

Gambar 3.1 Immersion Heater

Proses pendinginan dan pemanasan air dapat digambarkan dengan pengembangan model
dari persamaan diferensial yaitu dengan mengaplikasikan hukum pendinginan Newton. Model ini
menggambarkan secara metematis perubahan tenperatur pada air dengan pemberian suhu yang
berbeda dari lingkungan sekitarnya. Hukum Newton ini menyatakan bahwa nilai rata-rata
perubahan temperatur akan sebanding dengan perbedaan suhu antara air dengan suhu lingkungan
yang ada disekitar air tersebut.

Kita mungkin sering bertanya-tanya apakah lebih murah untuk mematikan alat pemanas
pada malam hari kemudian menghidupkannya pada saat akan digunakan atau menggunakan
termostat untuk mengontrol suhunya sepanjang malam? Memodelkan proses pendinginan dan

20
pemanasan air dengan menggunakan persamaan diferensial ini bertujuan untuk memperoleh cara
yang lebih ekonomis dalam mengopersikan kedua proses tersebut dengan menggunakan alat
pemanas. Pada metode ini akan digunakan dua metode untuk mengopersikan alat pemanas. Hasil
kedua metode tersebut akan dibandingkan untuk memperoleh cara yang optimal dalam
mengoperasikan alat pemanas.

4.2 Metode

Pada praktikum ke-4 ini kita akan memodelkan proses pendinginan dan pemanasan air
dengan menggunakan alat pemanas. Proses dimulai dengan mengisi penuh tangki dengan air
dingin, dimana air tersebut nantinya akan dipanaskan dengan alat pemanas (seperti yang
ditunjukkan pada gambar dibawah ini). Beberapa asumsi akan digunakan dalam model ini yaitu:

1. Temperature air akan sama disetiap titik pada tangki


2. Panas akan dihasilkan pada nilai Q yang kontan untuk setiap waktu t
3. Seluruh air yang ada pada tangki terpanaskan.

mw

cc
cw
cw

Gambar 3.2 Diagram Pemodelan Pemanasan Air

Pada proses pemanasan air ini berlaku persamaan sebagai berikut:

…………………………………………………………………………………………………………………...(1)

Dimana T adalah suhu pada waktu t ( oC), q adalah energi panas (watt), mw adalah massa air
(kg), cw adalah kapasitas panas air (J/kgoC), mc adalah massa casing (kg), Cc adalah massa jenis
casing (J/kgoC), t adalah waktu (detik). Sedangkan pada proses pendinginan berlaku persamaan:

............................................................................................................................................................................(2)

Nilai k adalah konstanta positif dimana k bernilai:

………………………………………………………………………………………………………………………….(3)

dimana j adalah koefisien pindah panas (W/moC) dan a adalah luas area (m2).

21
Dalam praktikum ini disimulasikan dua metode yaitu:

1. Metode Single On-Off


Pada metode ini kita menghitung perubahan suhu air panas setiap 50 detik sekali yang akan
dibiarkan mendingin dari pukul 11.00 malam sampai dengan pukul 07.00 pagi. Suhu awal
air adalah 45oC. Setelah itu heater dinyalakan sampai suhu menjadi seperti suhu semula
lagi.
Pada simulasi ini kita akan menentukan besarnya temperature pada pukul 07.00 pagi dan
menentukan berapa lama waktu (t) yang dibutuhkan untuk mengembalikakan air ke suhu
semula yaitu 45oC. Kita akan menentukan waktu dengan menggunakan persamaan sebagai
berikut:

…………………………........................................................................................(4)

Dimana Takhir dapat dihitung dengan menggunakan persamaan:

………………………………………………………………………………………………….(5)

Dimana ttotal adalah waktu yang dibutuhkan untuk mendinginkan air, dimulai dari t awal
sampai takhir (detik).

2. Metode Termostat
Pada metode ini kita menggunakan thermostat untuk mengontrol suhu selama malam hari.
Dalam metode dua ini, kondisi awal air sama dengan metode 1. Pada waktu suhu air
mencapai temperature 42oC alat pemanas akan dinyalakan dan akan dimatikan kembali
ketika suhu mencapai 45oC lagi. Pada simulasi ini kita akan melihat perubahan suhu air
serta mengamati waktu yang dibutuhkan untuk mencapai kondisi tempertur air normal.
Pada proses pemanasan, untuk menghitung waktu kenaikan suhu air dari 42oC sampai 45oC
digunakan persamaan sebagai berikut:
…………………………………………………………………………………………………(6)
Sedangkan pada proses pendinginan, menghitung penurunan suhu 45 oC menjadi 42oC,
digunakan persamaa:
…………………………………………………………………………………………………………………..(7)

Masing-masing dari kedua metode ini akan kita selesaikan dengan menggunakan Aplikasi VBA
didalam Ms. Excel.

22
4.3 Simulasi

Persamaan untuk memecahkan simulasi ini selanjutnya akan kita tulis didalam VBA Editor
pada Mx. Excel, seperti yang terlihat pada gambar dibawah ini:

Gambar 3.1 Simulasi Heating and Cooling

Data awal yang digunakan pada simulasi ini adalah sebagai berikut:

Simbol Jumlah Unit


Suhu Awal Ta 45 oC

Masa Air -mw Ma 50 kg


Masa Casing - mc Mk 5 kg
Panas Jenis Air - Cw Ca 4200 J/KgoC
Panas Jenis Casing CC Ck 400 J/KgoC
koefisien pindah panas - j j 10 W/moC
luas area - a A 1 m2
Kalor -q q 5000 W/moC

Waktu Awal Pendinginan Wawal 0 detik


WaktuAkhir Pendinginan Wakhir 28800 detik

Thermostat drop below T_Thermo 42 oC

23
Kode program pada VBA editor

Public
Sub Data()Ta, Ma, Mk, Ca, Ck, Jj, A, q, takhir, Wduga, W_selang, Data1, Data2,
Data_Total As Double
Public Wawal, Wakhir, Tdb, Data_Terakhir As Integer
Public Kk, X_wpendinginan

Ta = Sheet1.Cells(3, 4) ' Suhu awal air sebelum didinginkan


Ma = Sheet1.Cells(4, 4) ' Masa air
Mk = Sheet1.Cells(5, 4) ' masa Casing
Ca = Sheet1.Cells(6, 4) ' Panas Jenis Air
Ck = Sheet1.Cells(7, 4) ' Panas Jenis Casing
Jj = Sheet1.Cells(8, 4) ' Koefisien Pindah Panas
A = Sheet1.Cells(9, 4) ' Luas
q = Sheet1.Cells(10, 4) ' Kalor
Wawal = Sheet1.Cells(12, 4) 'waktu awal pendinginan
Wakhir = Sheet1.Cells(13, 4) 'waktu akhir pendinginan pada pukul 7 pagi
Tdb = Sheet1.Cells(15, 4) ' Batas suhu termostat

'Untuk mencari nilai (k) digunakan rumus dibawah ini


Kk = (Jj * A) / ((Ma * Ca) + (Mk * Ck))

' selang waktu pengamatan dalam detik


W_selang = 50

'Banyak data untuk pendinginan dari jam 11 malam sampai jam 7 pagi yang diamati per
50 detik adalah
Data1 = Wakhir / W_selang

' Mencari Waktu suhu pendinginan kembali ke suhu awal setelah dpanaskan
' dengan rumus Wduga=(Mw.Cw+Mc.Cc)(Tawal-Takhir)/q
' dan Takhir= Tawal.exp(-ttotal*k), maka
takhir = Ta * exp(-Wakhir * Kk)
Wduga = (((Ma * Ca) + (Mk * Ck)) * (Ta - takhir)) / q

'Banyak data untuk pemanasan sampai suhu kembali ke suhu awal adalah
Data2 = Int(Wduga / W_selang) 'fungsi int untuk memperoleh pembulatan hasil
bagi

'banyaknya baris untuk keseluruhan waktu adalah


Data_Total = Data1 + Data2
End Sub

Sub Waktu_Keseluruhan()
For i = 1 To Data_Total + 2 ' karena Data2 merupakan pembulatan maka perlu
ditambahkan 2 agar memenuhi waktu yang diinginkan
Sheet1.Cells(2 + i, 8) = (i - 1) * W_selang
Next i
End Sub

Private Sub CommandButton1_Click()


Data
Waktu_Keseluruhan

24
Pendinginan1
Pemanasan1
metode_2
End Sub

Sub Pendinginan1() ' Pendinginan Metode 1


For i = 1 To Data1 + 1
Sheet1.Cells(2 + i, 9) = Exp_Pendinginan(Ta, Kk, Sheet1.Cells(2 + i, 8))
Next i
Data_Terakhir = i + 1 'Menetukan posisi baris terakhir pada waktu pendinginan yaitu
pada detik ke 28800
End Sub

Sub Pemanasan1() ' Pemanasan Meode 1


t_Akhir_Pendinginan = Sheet1.Cells(Data_Terakhir, 9)
For i = (Data_Terakhir + 1) To Data_Total + 4
w_pemanasan = Sheet1.Cells(i, 8) - Sheet1.Cells(Data_Terakhir, 8)
Sheet1.Cells(i, 9) = t_Akhir_Pendinginan + Exp_Pemanasan(q, Ma, Mk, Ca, Ck,
w_pemanasan)
'Suhu Pemanasan adalah Peningkatan suhu air akibat pemanasan ditambahkan suhu
terakhir pada kondisi jam 7 pagi
Next i
End Sub

Sub metode_2()
Dim Temporer1
' Seluruh proses metode akan mengikuti alur perintah berikut ini kemudian bersiklus
sampai i mencapai jumlah Data_Total+2
t_Pendinginan = W_selang
t_Pemanasan = W_selang

Sheet1.Cells(3, 10) = Ta
Temporer1 = Sheet1.Cells(3, 10)

For i = 2 To Data_Total + 2
If (Temporer1 >= Ta) Then
Pendingin = nyala
Pemanas = mati
ElseIf (Temporer1 <= Ta) Then
Pendingin = mati
Pemanas = nyala
End If

If (Pendingin = nyala) And (Temporer1 >= Tdb) Then


Temporer1 = Exp_Pendinginan(Ta, Kk, t_Pendinginan)
Sheet1.Cells(2 + i, 10) = Temporer1
t_Pendinginan = t_Pendinginan + W_selang
t_Pemanasan = W_selang
ElseIf (Pemanas = nyala) And (Temporer1 <= Ta) Then
temporer2 = Exp_Pemanasan(q, Ma, Mk, Ca, Ck, t_Pemanasan)
Temporer1 = Temporer1 + temporer2
Sheet1.Cells(2 + i, 10) = Temporer1
t_Pemanasan = t_Pemanasan + W_selang
t_Pendinginan = W_selang
End If

25
Next i
End Sub

Private Sub CommandButton2_Click()


Range("H3:J608").Select
Selection.ClearContents
Range("H1").Select
End Sub

Persamaan yang Digunakan

Persamaan yang digunakan pada simulasi ini dituliskan pada modul VBA Editor:

Function Exp_Pendinginan(Tt, k, t)
' fungsi pendinginan
Exp_Pendinginan = Tt * exp(-k * t)
End Function

Function Exp_Pemanasan(q, m1, m2, c1, c2, t)


'fungsi pemanasan
Exp_Pemanasan = (q * t) / ((m1 * c1) + (m2 * c2))
End Function

Gambar 3.2 Kode Program Heating and Cooling

26
4.4 Hasil dan Pembahasan

Metode Single On-Off

Pada metode ini, alat pemanas dihidupkan dari pagi dan dimatikan pada pukul 11.00 malam,
hal ini yang sering dilakukan kebanyakan orang sehari-hari. Pada pukul 11.00 malam suhu air pada
tangki adalah 45oC. Setelah alat pemanas dimatikan maka air menjadi dingin dan biasanya orang-
orang akan menghidupkannya kembali pada pukul 07.00 pagi. Berdasarkan pada fakta ini, dari
hasil simulasi yang telah dilakukan kita dapatkan suhu air pada pukul 07.00 pagi yaitu 11.82 :C
(seperti yang ditunjukkan pada gambar 3.3). Pada gambar tersebut kita juga dapat melihat bahwa
suhu air turun sangat drastis dari 45oC menjadi 11.82oC, atau dengan kata lain kita dapat
menyatakan bahwasannya dengan mematikan pemanas yang memiliki energi panas (q) sebesar
5.000 watt maka suhu air akan turun sekitar 33oC dalam jangka waktu 8 jam dan apabila pemanas
dihidupkan kembali air akan memanas dan suhu air akan naik menjadi 45 oC kembali. Proses
pemanasan untuk mencapai air pada suhu awal dibutuhkan waktu 24 menit seperti yang terlihat
pada gambar dibawah ini. Energi listrik yang dibutuhkan untuk memanaskan air pada metode ini
adalah, 5 kWatt energi panas yang digunakan = 5 x (24/60) = 2 unit energi listrik yang dibutuhkan.

Gambar 3.3 Grafik Penurunan Suhu Metode Single On-Off dan Termostat

Gambar 3.3 Grafik Simulasi Pemodelan Pemanasan dan Pendinginan Air

MetodeTermostat

Pada metode ini, penggunaan termostat berfungsi untuk mengontrol suhu air sepanjang
malam. Suhu kontrol termostat adalah 42:C. Termostat akan hidup apabila suhu air telah mencapai
42:C dan akan mati ketika suhu air mencapai 45:C. Dengan menggunakan persamaan persamaan
(6) diatas, kita peroleh waktu yang dibutuhkan untuk menaikkan suhu air sebesar 3:C adalah 2.5
menit dan dengan menggunakan persamaan (7) kita memperoleh waktu yang dibutuhkan untuk
mendinginkan air dari suhu 42:C sampai ke suhu 45:C adalah 24.5 menit. Jadi waktu yang

27
dibutuhkan untuk memanaskan dan mendinginkan air pada metode ini adalah 2.5 + 24.5 = 27
menit (seperti yang terlihat pada gambar 3.3 diatas).

Pada metode 1, waktu yang dibutuhkan untuk mendinginkan air adalah dalam 8 jam dan
memanaskanya hanya sekali salama 24 menit, sedangkan pada metode 2 waktu untuk menaikkan
suhu air terjadi sebanyak 19.5 kali ulangan (seperti yang dapat dilihat pada gambar diatas). Jadi
pemanas akan hidup setiap (19.5 x 2.5) menit = 48.75 menit. Dari simulasi waktu ini kita dapat
menduga berapa energi listrik yang dibutuhkan untuk memanaskan air. Pemanas air membutuhkan
5 kWatt = 5 x (48.75/60) = 4.0625 unit energi listrik yang dibutuhkan.

Dari simulasi yang telah dilakukan kita dapat melihat bahwa pada metode 2 memiliki
keuntungan yaitu waktu yang dibutuhkan untuk menaikkan air lebih cepat apabila dibandingkan
dengan metode 1. Namun, pada metode 2 kita membutuhkan jumlah energi listrik lebih banyak
daripada metode 1. Oleh karena itu konsekuensinya adalah kita akan membayar tagihan listrik
lebih mahal.

4.5 Kesimpulan

Pemanasan dan pendinginan air dapat dimodelkan dengan menggunakan persamaan


diferensial. Dalam praktikum ini telah dicoba dua metode atau cara untuk mengoperasikan alat
pemanas air. Masing-masing dari kedua metode tersebut memiliki keuntungan dan kekurangan.
Pada metode pertama, alat pemanas dimatikan pada malam hari lalu dinyalakan lagi pada pagi hari
ketika akan digunakan, waktu yang dibutuhkan untuk memanaskan air dengan metode lambat
sedangkan sebaliknya pada metode 2, dengan menggunakan termostat yang dapat mengontrol
suhu air sepanjang malam, waktu yang dibutuhkan untuk menaikkan suhu air cepat. Namun, pada
metode 2 ini kita akan membutuhkan energi listrik yang banyak atau dengan kata lain kita akan
membayar tagihan listrik lebih mahal daripada metode 1.

28
BAB 5
PEMODELAN HUKUM TORRICELLI DAN METODE PERBANDINGAN
UNTUK LAJU ALIRAN AIR
5.1 Pendahuluan

Salah satu cara untuk mengalirkan air dengan laju yang rendah untuk irigasi tanaman
adalah dengan menempatkan sebuah lubang kecil pada dasar tangki irigasi tersebut. Air yang
keluar dengan perlahan dari dasar tangki dapat dimanfaatkan untuk memberikakan pengairan
pada tanaman yang lebih luas. Perubahan jumlah air didalam tangki setelah pengairan selama
beberapa waktu dapat kita modelkan dengan persamaan diferensial. Pada praktikum ke-4 ini akan
dicoba untuk merumuskan sebuah model dari laju aliran air tersebut dan selanjutnya akan
membandingkannya dengan Hukum Torricelli karena dalam menduga laju aliran air ini harus dapat
memenuhi Hukum Torricelli tersebut.

5.2 Metode

Pada gambar 4.1 dibawah ditunjukkan suatu aliran air di lubang kecil, pada bejana yang
memiliki ketinggian air dari dasar lubang setinggi (h) dari permukaan air, maka air dalam bejana
akan berkurang seiring dengan bertambahnya waktu. Dalam praktikum ini kita akan memodelkan
pengurangan air dengan cara perbandingan dan dengan Hukum Torricelli.

Gambar 4.1 Skema Model Laju Aliran Air


1. Model Perbandingan
Pada model ini, laju pengurangan tinggi air akan sebanding dengan ketinggian air, artinya
ketika air di dalam tangki masih banyak, pengurangan yang terjadi juga sangat cepat dan
akan semakin melambat apabila ketinggian (h) mendekati 0. Model ini dapat kita tulis
dalam suatu persamaan diferinsial sebagai berikut:
………………………………………………………………………………………………………………………(1)
dimana λ = a/A dan (a) adalah konstanta positif, (A) adalah luas lubang pada tangki. Solusi
persamaan (1) diatas adalah sebagai berikut:
…………………………………………………………………………………………………………………….(2)
dimana K adalah arbitary constant. Nilai dari K dan λ akan ditentukan dengan dari
percobaan yang akan dilakukan dengan menggunakan bantuan Solver Application pada Ms.
Excel.
Dengan merubah persamaan (2) kedalam bentuk logaritma natural, maka persamaan baru
diperoleh:

29
……………………………………………………………………………………………………………..(3)
2. Hukum Toricelli
Pada bagian ini kita akan membandingkan model yang telah kita buat menggunakan
metode 1 diatas dengan Hukum Torricelli. Dengan persamaan Torricelli akan
diperhitungkan pengaruh gravitasi bumi yang menarik air jatuh sehingga kecepatan aliran
airnya akan mengikuti persamaan dibawah ini:
…………………………………………………………………………………………………………………….(4)
Dimana (g) adalah percepatan gravitasi bumi yang bernilai 9,8 m/s 2
Jika lubang memiliki luas sebesar (A) maka debit (Q) yang dihasilkan adalah sebesar
Q = AV…………………………………………………………………………………………………………………………..(5)
Dengan mengganti V seperti pada persamaan (4) maka persamaan (5) menjadi:
…………………………………………………………………………………………………………………..(6)
Apabila (u) adalah volume air di dalam bejana, maka penyusutan air per satuan waktu
adalah (du/dt), (h) adalah tinggi air dalam bejana dan (Q) adalah debit air yang keluar
melalui lubang, maka hubungan antara (u) dan (Q) adalah
……………………………………………………………………………………………………………………….(7)
Dengan u = Ah maka
………………………………………………………………………………………………………………………(8)
Maka persamaan debit air (Q) menjadi
………………………………………………………………………………………………………………….....(9)
Dengan mensubsitusikan persamaan (6) kedalam persamaan (9) maka dapat dibentuk
sebuah persamaa diferensial:
………………………………………………………………………………………………………….(10)
Lalu persamaan (10) diatas dapat kita bentuk menjadi:
…………………………………………………………………………………………………………………(11)

Dengan ………………………………………………………………………………………………………..(12)
Dengan aplikasi Persamaan Diferensial Pemisahan Variabel (Variabels Separable) maka
persamaan (12) menjadi:
………………………………………………………………………………………………………….(13)
atau
………………………………………………………………………………………………….(14)
………………………………………………………………………………………………………..(15)
Dimana B adalah konstanta integrasi, lalu persamaan (11) dapat dirubah menjadi:
…………………………………………………………………………………………………………(16)

30
5.3 Simulasi

Persamaan-persamaan diatas akan kita selesaikan dengan cara numerik yaitu pada
persamaan (2) dan persamaan (16) dengan bantuan VBA Editor pada Ms. Excel seperti pada
gambar 4.2 :

Gambar 4.2 Kode Program dalam VBA Editor

Kode program dituliskan dalam modul VBA Editor sebagai berikut:

Function torricelli(B, u, t)
torricelli = ((B / 2) - (u * t / 2)) ^ 2
End Function
Function model(K, d, t)
model = K * Exp(-d * t)
End Function

31
Data percobaan yang digunakan untuk menentukan konstanta K, λ, β dan μ adalah:
t (s) h (cm)
179.7 1
146.5 2
120.7 3
101 4
83.5 5
67.7 6
53.7 7
41.3 8
29 9
17.3 10
6.5 11
Burghes and Borrie (1981) halaman 59.

Pada percobaan ini digunakan lubang aliran air sebesar 2 mm yang diletakkan didekat dasar
tangki pada salah satu sisi tangki.

5.4 Hasil dan Pembahasan

Dengan menggunakan simulasi VBA Editor diperoleh hasil simulasi sebagai berikut:

Gambar 4.3 Simulasi Model Hukum Torricelli dan Perbandingan Untuk Laju Aliran Air

32
Hasil dari simulasi seperti terlihat pada tabel dibawah ini:

Ketinggian Air (cm)


Waktu
(second) Torricelli’s
Experiment Model
Law
6.5 11 11.36374 10.88726
17.3 10 10.08357 9.944365
29 9 8.858949 8.971085
41.3 8 7.731544 8.001927
53.7 7 6.740152 7.080951
67.7 6 5.772756 6.10879
83.5 5 4.846695 5.09782
101 4 3.993352 4.08474
120.7 3 3.211116 3.078441
146.5 2 2.413552 1.975417
179.7 1 1.671443 0.914558
Tabel 4.2 Hasil Simulasi Laju Aliran Air pada Tangki

Dari hasil simulasi kita peroleh nilai-nilai kontanta K, λ, μ dan β yaitu: K=12.21128,
λ=0.011067, µ=0.027058, and β=6.775048. Oleh karena itu persamaan (2) dan (16) diatas sekarang
dapat ditulis menjadi:

Perbandingan antara Kedua Metode

Dengan menggunakan persamaan (2) kita dapat menentukan ketinggian air didalam botol
pada saat (t) kapan saja. Hasil dari pemodelan laju aliran air ini diplotkan kedalam grafik yang
terlihat pada gambar dibawah ini. Dari gambar dibawah ini kita juga dapat melihat bahwa
ketinggian air yang dihasilkan oleh pemodelan dengan rumus perbandingan tidak jauh berbeda
dengan data yang digunakan (berdasarkan Burghes and Borrie (1981) halaman 60). Selisih
maksimum dari kedua model adalah 0.6714433 cm yang terjadi pada detik ke-179.7 tepat ketika
air mulai mengalir keluar tangki.

Dengan persamaan (16) kita juga dapat menentukan ketinggian air yang terdapat didalam
tangki pada saat (t) kapan saja. Seperti yang terlihat pada grafik dibawah, bahwa hasil dari simulasi
Hukum Torricelli juga tidak jauh berbeda dengan hasil data percobaan (berdasarkan Burghes and
Borrie (1981) halaman 60). Selisih maksimum dari kedua model hanya sebesar 0.11274438 cm,
lebih kecil apabila dibandingkan dengan model perbandingan diatas. Selisih maksimum ini terjadi
pada t = 179.7 detik, juga terjadi beberapa saat setelah air mulai mengalir.

33
5.5 Kesimpulan

Dalam simulasi kali ini telah dipelajari hubungan antara laju aliran air dengan ketinggian air
di dalam tangki. Dari simulasi ini juga kita dapat menentukan waktu yang dibutuhkan untuk
mengosongkan tangki. Hubungan antara kedua faktor ini dapat dibentuk menjadi suatu persamaan
diferensial dan dicari solusinya dengan menggunakan metode perbandingan serta Hukum
Torricelli. Perbandingan hasil dari kedua metode ini tidak terlalu jauh berbeda dengan data
eksperimental yang diperoleh dari Burghes and Borrie (1981) hal 59. Pemecahan solusi ini
dilakukan dengan menggunakan bantuan VBA Editor pada Ms. Excel.

34
BAB 6
PEMODELAN PERTUMBUHAN TERHAMBAT
(INHIBITED GROWTH MODEL)
6.1 Pendahuluan

Model pertumbuhan cukup penting untuk digunakan dibeberapa bidang keteknikan.


Perubahan jumlah populasi (dN/dt) pada suatu model pertumbuhan ini secara garis besar
diasumsikan sebanding dengan jumlah populasi aktual (N) pada waktu (t). Dari beberapa
praktikum sebelumnya kita telah membahas tentang model pertumbuhan Malthus yang dapat
memprediksikan pertumbuhan yang tidak terbatas.

……………………………………………………………………………………………………………………………………(1)

Setelah diamati dalam jangka waktu (t), model pertumbuhan ini tidak dapat menggambarkan
jumlah populasi yang akurat dan sesuai dengan jumlah populasi aktualnya. Oleh karena itu, model
Malthus ini harus dimodifikasi sehingga dapat sesuai dengan kondisi populasi aktual dan seiring
dengan ini juga kita telah mengenal model pertumbuhan Verhulst yang telah kita ketahui bersama
dari praktikum sebelumnya bahwa model Verhulst ini lebih mendekati pada kondisi aktual
populasi.

…………………………………………………………………………………………………………………………...(2)

Pada praktikum kali ini kita akan coba memodelkan suatu model pertumbuhan yang telah
dimodifikasi. Model ini disebut juga dengan model pertumbuhan makanan terbatas. Pada
persamaan (2) diatas kita dapat memprediksi jumlah pertumbuhan individu per satuan waktu
sebagai berikut:

………………………………………………………………………………………………………………………(3)

dengan prediksi bahwa hubungan N pada persamaan ini akan linier.

Smith (dalam Ecology, No 44, 1963) pada percobaannya telah mengembangkan suatu
model populasi bakteri yang dibatasi oleh makanan dan menemukan kurva pertumbahan yang
sigmoid, akan tetapi dia tidak mendapatkan bentuk linier dari hubungan antara laju pertumbuhan
individu dengan pertumbuhan populasi. Pada praktikum kali ini akan dicoba untuk menyelesaikan
model tersebut dengan menggunakan persamaan diferensial implisit dengan metode numerik.
Metode numerik yang digunakan adalah metode Newton Rhapson dan selanjutnya kita dapat
menentukan jumlah populasi dari bakteri tersebut pada setiap waktu (t).

6.2 Metode

Smith (Ecology 1963 No 44), memodelkan suatu pertumbuhan bakteri yang terbatasi oleh
makanan (food limited). Smith memodifikasi persamaan (2) tersebut dengan mengganti nilai (1-
N/N∞); dengan (1-F/T) sehingga persamaannya menjadi:

35
……………………………………………………………………………………………………………………….(4)
dimana (F) adalah laju populasi mengkonsumsi makanan dan (T) adalah laju saturasi. Nilai (F)
dapat dicari dengan menggunakan persamaan:

…………………………………………………………………………………………………………………………..(5)
dimana nilai λ dan μ akan konstan. Pada saat saturasi F = T dan N = N ∞ sehingga kita akan
mendapatkan nilai T = λ N∞ lalu dengan menggunakan persamaan (4) kita dapatkan persamaan:

…………………………………………………………………………………………………….(6)
dimana v = γμ/μ maka diperoleh persamaan akhir:

……………………………………………………………………………………………………………………...(7)
kita dapat menyelesaikan persamaan ini dengan cara pemisahan variabel (Variables Separable
Differential Equations) sehingga menjadi:

………………………………………………………………………………………………………………(8)
lalu diperoleh:

…………………………………………………………………………………………..(8)
persamaan akhirnya menjadi:

……………………………………………………………………………………………………………………….(9)
dimana k = eA adalah konstanta integrasi.

Persamaan (9) diatas merupakan suatu persamaan implisit, dimana N = f (t) dan nilai N
eksplisit berupa F (N) = f (t). Selanjutnya penyelesaian persamaan implisit tersebut kita gunakan
metode numerik Newton Rhapson. Pada metode ini, pencarian nilai N dapat dilakukan dari nilai N
coba-coba sampai nilai N yang mendekati nilai sebenarnya dalam bentuk:

……………………………………………………………………………………………………………………(10)
persamaan ini akan terus diiterasi sampai terjadi suatu konvergensi nilai N dimanan nilai tersebut
akan memenuhi persamaan:

|Ni+1 = Ni|< ε……………………………………………………………………………………………………………………………(11)


dimana ε merupakan suatu bilangan yang sangat kecil atau iterasi akan dihentikan apabila kondisi
ini tidak tercapai. Dalam simulasi ini kita akan membatasi nilai ε.

Untuk melakukan pencarian nilai N pada nilai t tertentu maka dibuat suatu persamaan berbentuk
F(N) = 0, persamaan (9) dapat dirubah menjadi:

…………………………………………………………………………………………………………….(12)
pada nilai t tertentu maka nilai eγt akan konstan, sehingga dengan melakukan pemisahan konstanta-
konstanta seperti berikut ini:

36
……………………………………………………………………………………………………………………………….(13)

…………………………….………………………………………………………………………………………………..(14)

……………………………………………………………………………………………………….…………………………(15)
dan F(N) = 0 berbentuk

…………………………………………………………………………………………………(16)
dihitung juga nilai turunan dari fungsi tersebut seperti:

………………………………………………………….……………………………………….(17)

6.3 Simulasi

Nilai variabel dan kontanta yang digunakan dalam pemodelan ini seperti yang terdapat pada
tabel dibawah ini:

Newton-Rhapson
Constants
Parameter
N∞ 100 epsilon 0.00001
ν 0.01 max iteration 50
К 0.05 N coba awal 0
γ 0.3
Independent variable (t)
Mulai 0
Sampai 20
Step 0.5
Kita cari solusi untuk model ini dengan menggunakan VBA Editor pada Ms. Excel.

Kode Program yang dituliskan pada VBA Editor adalah sebagai berikut:

Public iter, itmax As Integer


Public epsilon As Double
Public f_val As Double
Public xi, xf As Double
Public k, gamma, n_unlimit, v As Double
Public N_trial As Double
Public t As Double
Public c1, c2, c3, N As Double
Public start_row As Double
Public x_awal, x_akhir, delta_x As Double
Public num_data As Integer
Public i As Integer

Sub masukan()
x_awal = Sheet1.Cells(8, 2)
x_akhir = Sheet1.Cells(9, 2)
delta_x = Sheet1.Cells(10, 2)

37
num_data = Int((x_akhir - x_awal) / delta_x)
xi = Sheet1.Cells(5, 4)
itmax = Sheet1.Cells(4, 4)
epsilon = Sheet1.Cells(3, 4)
f_val = 10
n_unlimit = Sheet1.Cells(3, 2)
v = Sheet1.Cells(4, 2)
k = Sheet1.Cells(5, 2)
gamma = Sheet1.Cells(6, 2)
End Sub

Sub proses()
For i = 0 To num_data

t = x_awal + (i * delta_x)

c1 = n_unlimit
c2 = 1 + v
c3 = k * Exp(gamma * t)

iter = 1
f_val = 10
While ((iter <= itmax) And (f_val > epsilon))
xf = xi - (func_implicit1(xi, c1, c2, c3) / func_implicit_deriv1(xi, c1, c2, c3))
f_val = Abs(xf - xi)
xi = xf
Sheet1.Cells(17 + i, 4 + iter) = iter
Sheet1.Cells(17 + i, 3 + iter) = xf
iter = iter + 1
Wend
Sheet1.Cells(17 + i, 3 + iter) = "konvergen"
Sheet1.Cells(17 + i, 1) = t
Sheet1.Cells(17 + i, 2) = xf
Sheet1.Cells(17 + i, 3) = iter

Next i
End Sub

Private Sub CommandButton1_Click()


masukan
proses
End Sub
Private Sub CommandButton2_Click()
For i = 0 To num_data
For j = 1 To iter
Sheet1.Cells(17 - 1, 3 + j).Clear
Sheet1.Cells(17 + i, 3 + j).Clear
Next j
Sheet1.Cells(17 + i, 3 + iter).Clear
Sheet1.Cells(17 + i, 1).Clear
Sheet1.Cells(17 + i, 2).Clear
Sheet1.Cells(17 + i, 3).Clear
Next i

End Sub

38
Gambar 5.1 Kode Program Pada VBA Editor

Selanjutnya fungsi yang dituliskan pada program adalah

Function func_implicit1(N, c1, c2, c3)


func_implicit1 = N - (c3 * ((c1 - N) ^ c2))
End Function

Function func_implicit_deriv1(N, c1, c2, c3)


func_implicit_deriv1 = 1 + (c2 * c3 * ((c1 - N) ^ (c2 - 1)))
End Function

39
6.4 Hasil dan Pembahasan

Kurva yang diperoleh dari simulasi ini berupa kurva sigmoid seperti yang terlihat pada
gambar dibawah ini:

120 Model Pertumbuhan Terhambat

100

80
Populasi (N)

Inhibited
60 Growth
Model
40

20

0
0 5 10 15 20 25
Waktu (t)
Gambar 5.2 Grafik Model Pertumbuhan Terhambat

Diawal model kita membuat nilai coba-coba untuk No = 0 setelah disimulasikan kita
memperoleh nilai N yang sangat berkembang dengan cepat. Nilai N ini juga dapat stabil dengan
hanya 3-4 kali iterasi.

Perkembangan jumlah populasi dari mikroba per satuan waktu t dapat kita lihat dengan
menggunakan model ini. Pada awal perkembangan kita memperoleh nilai populasi sebesar
4.972750231 dan setelah t20 kita peroleh jumlah populasinya sebesar 95.34538319.

6.5 Kesimpulan

Seperti yang telah kita lakukan simulasinya, Model perkembangan bakteri ini dapat kita
pecahkan dengan menggunakan metode numerik Newton Rhapson. Dan hasilnya sesuai dengan
yang diharapkan.

40
Gambar 5.3 Hasil Simulasi Pemodelan Pertumbuhan Terhambat

41
BAB 7
PEMODELAN KOMPETISI PADA SPESIES TERTENTU
(Competing Species)
7.1 Pendahuluan

Populasi dari suatu spesies akan berubah seiring dengan berubahnya waktu. Perubahan
populasi ini dapat dipengaruhi oleh beberapa faktor seperti, perubahan iklim, persediaan makanan,
perubahan lingkungan, saling memangsa dalam rantai makanan. Pada bab sebelumnya kita telah
menyelesaikan model pertumbuhan yang pada pengembangan modelnya kita asumsikan hanya
akan dibatasi dengan persediaan makanan saja dan tidak akan bergantung pada keberadaan
spesies lainnya. Untuk memperbaiki model tersebut, kita akan memasukkan suatu faktor tambahan
yaitu faktor kompetisi antar spesies yang nantinya faktor tersebut akan mempengaruhi jumlah
populasi dari suatu spesies. Namun, pada praktikum kali ini, kompetisi antar spesies akan dibatasi
pada satu faktor saja misal, faktor persediaan makanan saja, tidak termasuk faktor saling
memangsa antar spesies. Sebagai contohnya, jika ada dua spesies binatang X dan Y yang memakan
jenis makanan yang sama pada satu daerah, maka jumlah spesies binatang X akan mempengaruhi
jumlah spesies binatang Y dan begitu pula sebaliknya. Populasi kedua spesies tersebut akan
mempengaruhi satu sama lainnya karena keterbatasan persediaan makanan.

Pada praktikum kali ini, penyelesaian model yang berupa persamaan diferensial implisit
akan menggunakan Metode Rungge Kutta Orde 4. Digunakan metode ini karena mudah dan
memberikan hasil simulasi yang baik selain itu keakuratan metode ini juga dapat menentukan
jumlah populasi dari kedua spesies tersebut pada waktu kapan saja.

7.2 Metode

Suatu spesies X dan Y keberadaannya akan saling mempengaruhi. Adapun keberadaan kedua
spesies tersebut terhadap waktu digambarkan dengan persamaan berikut ini:

…………………………………………………………………………………………………………………...(1)

…………………………………………………………………………………………………………………...(2)

dimana (t) adalah waktu dan (x), (y) adalah jumlah populasi dari masing-masing spesies X dan Y.

Untuk memecahkan persamaan (1) dan (2) diatas kita akan menggunakan metode numerik
Rungge Kutta Orde 4, dengan persamaan umum sebagai berikut:

………………………………………………………………………………………..(3)

dimana masing-masing k1, k2, k3 dan k4 didefinisikan sebagai:

………………………………………………………………………………………………………………………..(4)

………………………………………………………………………………………………………..(5)

42
……………………………………………………………………………………………….……….(6)

………………………………………………………………………………………………………..(7)

Dengan (h) adalah parameter Rungge Kutta. Persamaan (3) sampai (7) akan kita gunakan
untuk menghitung jumlah populasi spesies Y pada waktu (t) sedangkan untuk menghitung jumlah
populasi pada spesies X kita juga menggunakan persamaan yang sama (persamaan 3-7) hanya
dengan merubah posisi (y) dengan (x) saja. Dalam model ini, persamaan (3) mempunyai arti
sebagai berikut: f (xm , ym) = 2ym - xm - 3.5ym

7.3 Simulasi

Penyelesaian metode numerik ini kita lakukan pada Ms. Excel dengan VBA Editor seperti
yang terlihat pada gambar 6.1 dibawah ini:

Gambar 6.1 Kode Program pada VBA Editor

Kode Program Model Kompetisi pada Spesies X dan Y

Public h, N, Xo, Yo, dt As Double


Sub Data()
dt = Sheet1.Cells(3, 3) 'sebagai perubahan waktu
h = Sheet1.Cells(4, 3) 'sebagai parameter rungge kutte
N = Sheet1.Cells(5, 3) 'sebagai total waktu
Xo = Sheet1.Cells(6, 3) 'sebagai jumlah populasi awal spesies X
Yo = Sheet1.Cells(7, 3) 'sebagai jumlah populasi awal spesies Y
End Sub

43
Sub Proses()
t = 0
xx = Xo
yy = Yo
For i = 0 To N
'tampilkan data
Sheet1.Cells(10 + i, 2) = t
Sheet1.Cells(10 + i, 3) = xx
Sheet1.Cells(10 + i, 4) = yy
'menghitung nilai x
k1x = dxdt(xx, yy)
k2x = dxdt(xx + (h / 2), yy + ((h * k1x) / 2))
k3x = dxdt(xx + (h / 2), yy + ((h * k2x) / 2))
k4x = dxdt(xx + h, yy + (h * k3x))
xx = xx + (h / 6) * (k1x + (2 * k2x) + (2 * k3x) + k4x)
'menghitung nilai y
k1y = dydt(yy, xx)
k2y = dydt(yy + h / 2, xx + h * k1y / 2)
k3y = dydt(yy + h / 2, xx + h * k2y / 2)
k4y = dydt(yy + h, xx + h * k3y)
yy = yy + (h / 6) * (k1y + 2 * k2y + 2 * k3y + ky4)

t = t + dt
Next i
End Sub

Private Sub CommandButton1_Click()


Data
Proses
End Sub
Private Sub CommandButton2_Click()
Range("B10:D210").Select
Selection.Clear
Range("B11").Select
End Sub

Kode Pada Modul

Function dxdt(Xo, Yo)


dxdt = Xo - (2 * Yo) - (0.2 * Xo)
End Function
Function dydt(Yo, Xo)
dydt = (2 * Yo) - Xo - (3.5 * Yo)
End Function

44
7.4 Hasil

Dalam simulasi ini kita gunakan beberapa parameter yaitu:


No Parameter Symbols Value Unit
1 ParameterRungge-Kutta h 0.01 -
2 Total waktu N 100 Tahun
3 Perubahan waktu dt 1 Tahun
4 Populasi awal spesies X Xo 10000 -
5 Populasi awal spesies Y Yo 15000 -

Adapun hasil simulasi model seperti yang terlihat pada gambar 6.2 dibawah ini:

Gambar 6.2 Hasil Simulasi pada Ms. Excel

Pada simulasi ini kita mengamati perubahan kedua spesies X dan Y dalam jangka waktu 100
tahun. Perubahan jumlah populasi ini akan dihitung per 1 tahun. Grafik perubahan populasi dari
kedua spesies tersebut dapat dilihat pada gambar 6.3 dibawah ini:

45
16000
Competing Species
14000
12000

N (Populasi) 10000
8000
Spesies X
6000
Spesies Y
4000
2000
0
0 20 40 60 80 100 120
t (Tahun)

Gambar 6.3 Grafik Kompetisi Spesies X dan Y Terhadap Perubahan Waktu

Dari grafik tersebut dapat diketahui bahwa kedua spesies tersebut X dan Y akan berkurang
seiring dengan perubahan waktu. Asumsi pada awal pembuatan model ini adalah spesies X dan Y
akan saling berkompetisi dalam memperoleh makanan. Setelah dilakukan simulasi terlihat bahwa
persaingan antara spesies X dan Y dalam mempertahankan makanan dalam 100 tahun
menyebabkan jumlah populasi dari masing-masing spesies tersebut berkurang.

7.5 Kesimpulan

Metode Rungge Kutta Orde 4 cukup efektif untuk menggambarkan model kompetisi pada
spesies tertentu. Terlihat bahwa kedua spesies X dan Y berkurang seiring dengan bertambahnya
waktu.

46
BAB 8
PEMODELAN HEAT TRANSFER : FINITE DIFFERENCE METHODS
8.1 Introduction

In this section we will introduce the idea of explicit finite-difference methods and show how
they can be used to solve hyperbolic and parabolic. The basic idea is that after a PDE like : Ut = Uxx is
replaced by its finite-difference approximation, we can solve for the solution explicitly at one value
of time in terms of the solution at earlier values of time. In this way, an initial-boundary-value
problem (hyperbolic or parabolic) can be solved by consecutively finding the solution at large and
large values of time.

8.2 Methods

Consider the problem of heat flow along a rod initially at temperature T o. On both side of the
rod are insulated with temperature at 0 °C. We assume it as a one dimensional rod of length L for
which we make the following assumptions:

1. The rod is made of single homogeneous conducting material


2. The rod is laterally insulated (heat flows only in the x direction)
3. The rod is thin I temperature at all points of a cross sect.

T=0°C T=0°C
T0

L = 20 cm
Figure 7.1 Diagram of The Conduction of Rod System
In other words, we solve the problem:

PDE : .............................................................................................................................................................................(1)

IC : T(x,0) = 50oC, with 0<x<20 ...........................................................................................................................................(2)

BC : T (0,t) = 30OC
With 0<t<infinity
: T (20,t) = 30oC …………………………………………………………………………(3)
and Nt = Nx = 11 nodes, k = Δt = 0.005, h = Δx = 0.1

Explicit method is used i.e finite difference method to solved this model. This is the explicit
finite-difference formula:

................................................................................................................. (4)

47
8.3 Simulation

We use the VBA Editor in Ms. Excel to calculate this model. These codes are written in module
of Ms. Excel.

Public Nx, Nt, dk, dh


Sub initial()
Nx = Sheet1.Cells(3, 3)
Nt = Sheet1.Cells(4, 3)
dk = Sheet1.Cells(5, 3)
dh = Sheet1.Cells(6, 3)
dx = 0.2
For i = 1 To Nt - 1
x = 0
For j = 1 To Nx
Sheet1.Cells(10 + i, 2 + j) = ""
If i = 1 Then Sheet1.Cells(9 + i, 2 + j) = 50 'ic
If j = 1 Then Sheet1.Cells(10 + i, 2 + j) = 30 'bc
If j = 11 Then Sheet1.Cells(10 + i, 2 + j) = 30
x = x + dx
Next j
Next i
End Sub

Sub hitung()
For i = 1 To Nt - 1
For j = 1 To Nx - 2
Sheet1.Cells(9 + i + 1, 3 + j) = Sheet1.Cells(9 + i, 3 + j) + (dk / (dh ^ 2)) *
(Sheet1.Cells(9 + i, 3 + j + 1) + Sheet1.Cells(9 + i, 3 + j - 1) - 2 * Sheet1.Cells(9
+ i, 3 + j))
Next j
Next i
End Sub

Sub hitung2()
For i = 1 To Nt - 1
For j = 1 To Nx - 1
Sheet1.Cells(9 + i + 1, 3 + j) = Sheet1.Cells(9 + i, 3 + j) + (dk / (dh ^ 2))
* (Sheet1.Cells(9 + i, 3 + j + 1) + Sheet1.Cells(9 + i, 3 + j - 1) - 2 *
Sheet1.Cells(9 + i, 3 + j))
Next j
Next i
End Sub

48
Figure 7.1 The function to calculate T’s written in the module of VBA.

8.4 Results and Discussion

The results of the model is presented in Figure 7.2 and 7.3 below.

60 Heat Transfer: Explicit Finite-Difference Method

50 t=0
t=1
T (Temperature)

40
t=2
30 t=3
t=4
20
t=5
t=6
10
t=7
0 t=8
0 0.5 1 1.5 2 2.5 t=9
x (Length)

Figure 7.2 Results of The Model

49
Figure 7.3 Results of The Model in Ms. Excel

8.5 Conclusion

As we see the results, we know that finite-difference can solve the heat conduction problem.

50
BAB 9
PEMODELAN TRIDIAGONAL MATRIKS DENGAN VBA APPLICATION
9.1 Introduction

To show how time-dependent problems can be solved by another finite-difference scheme as


implicit methods. In this metod, we again replace the partial derevative in the problem by their
finite –difference approximations, but unlike explicit methods (where we solved for Ui + 1.j explicitly
in terms of earlier values), in implicit methods, we solve a system of equations in order to find the
solution at the largest value of time. In other words, for each new value of time we solve a system of
algebraic equations to find all the values.

9.2 Methods

To solve the tridiagonal system we use a method that transforms a tridiagonal system of the
form:

………………………………………………………………………………………………………………………………(1)

………………………………………………………………………………………………………………………(2)

Where j = 1,2,……….,n-2

and

………………………………………………………………………………………………………………………………(1)

………………………………………………………………………………………………………………………(2)

Where j = 1,2,……….,n-1

9.3 Simulation

The codes are written in VBA Editor in Ms. Excel

Const mn As Integer = 4
Dim a(mn), b(mn), c(mn), d(mn)
Sub readdata()
For j = 1 To mn
a(j) = Cells(7 + j, 2)
b(j) = Cells(7 + j, 3)
c(j) = Cells(7 + j, 4)
d(j) = Cells(7 + j, 9)
Next j
End Sub
Rem Thomas Algorithm to solve tridiagonal matrics
Sub Thomas(mn, a, b, c, d)

b(1) = b(1)

51
c(1) = c(1) / b(1)
For l = 2 To (mn - 1)
b(l) = b(l) - a(l) * c(l - 1)
c(l) = c(1) / b(1)
Next l
b(mn) = b(mn) - a(mn) * c(mn - 1)
d(1) = d(1) / b(1)
For l = 2 To mn
d(l) = (d(l) - a(l) * d(l - 1)) / b(l)
Next l
d(mn) = d(mn)
For l = (mn - 1) To 1 Step -1
d(l) = d(l) - c(l) * d(l + 1)
Next l
End Sub
Sub solusi()
Call readdata
Call Thomas(mn, a, b, c, d)
For j = 1 To mn
Cells(7 + j, 6) = d(j)
Next j
End Sub
Private Sub CommandButton1_Click()
Call solusi
End Sub

9.4 Result

As the figure 2.1 show:

52
9.5 Conclusion

The VBA Editor can be use to solved the implicit method-Tridiagonal Matrics.

53
DAFTAR PUSTAKA

Burghes, D.N., Borrie. M.S. 1981. Modelling with Differential Eqations. Ellis Horwood Ltd. New York.

Edwards, D. and Hamson, M. 1989. Guide to Mathematical Modeling. The Macmillan Press Ltd.
London.

Farlow, S.J. 1937. Partial Difference Equations For Scientists and Engineers. Dover Publications, Inc.
New York.

LeVeque, R.J. 2006. Finite Diference Methods For Differential Equations. University of Washington.

54