Komputasi Untuk Sains Dan Teknik Menggunakan Matlab Supriyanto Suparno PDF
Komputasi Untuk Sains Dan Teknik Menggunakan Matlab Supriyanto Suparno PDF
-Menggunakan Matlab-
Supriyanto Suparno
( Website: http://supriyanto.fisika.ui.ac.id )
( Email: supriyanto@sci.ui.ac.id atau supri92@gmail.com )
Edisi Pertama
Revisi terakhir tgl: 24 Oktober 2014
Departemen Fisika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Univeristas Indonesia
2014
Untuk
Muflih Syamil
Hasan Azmi
Farah Raihana
Nina Marliyani
Usia bukan ukuran kedewasaan
Segala puji saya panjatkan kepada Tuhan Yang Maha Esa atas kesempatan yang telah Dia dibe-
rikan untuk menulis Buku Komputasi untuk Sains dan Teknik. Buku ini disusun dengan tujuan
yaitu, pertama, untuk memperkenalkan sejumlah metode komputasi numerik kepada maha-
siswa sarjana ilmu fisika; kedua, memperkenalkan tahap-tahap pembuatan program komputer
(script) dan logika pemrograman dalam bahasa Matlab untuk memecahkan problem fisika seca-
ra numerik. Rujukan utama buku adalah 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 Aca-
demic Resource Center. Namun demikian, buku ini telah dilengkapi dengan sejumlah contoh
script yang mudah dipahami oleh programmer pemula.
Walaupun buku ini masih jauh dari sempurna, semoga ia dapat memberikan sumbangan
yang berarti untuk peningkatan kapasitas dan kompetensi anak bangsa generasi penerus. Bagi
yang ingin berdiskusi, memberikan masukan, kritikan dan saran, silakan dikirimkan ke email:
supriyanto@sci.ui.ac.id
Akhirnya saya ingin mengucapkan rasa terima kasih yang tak terhingga kepada Dede Dju-
hana 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 Nu-
merik 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. Tak lupa saya ingin sampaikan rasa terima kasih kepada Dikti, Kementerian Pendidikan dan
Kebudayaan, RI atas segala dukungan dan apresiasi terhadap penerbitan buku ini.
iii
iv
Daftar Isi
Lembar Persembahan i
Daftar Gambar ix
1 Pendahuluan 1
1.1 Inisialisasi variabel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Perhitungan yang berulang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Mengenal cara membuat grafik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Gerak mobil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Osilasi teredam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Baris-baris pembuka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Membuat 2 grafik dalam satu gambar . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
v
vi
3 Fungsi 41
3.1 Fungsi internal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Fungsi eksternal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Fungsi eksternal pada operasi matrik . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4 Fungsi eksternal penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5 Fungsi eksternal perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.6 Fungsi eksternal perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . . . 49
3.7 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.8 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6 Integral Numerik 79
6.1 Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.2 Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.3 Peran faktor pembagi, n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.3.1 Source code metode integrasi . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.4 Metode Composite-Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.5 Adaptive Quardrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.6 Gaussian Quadrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.6.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.6.2 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
vii
7 Diferensial Numerik 89
7.1 Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.2 Metode Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.2.1 Aplikasi: Pengisian muatan pada kapasitor . . . . . . . . . . . . . . . . . . 98
7.3 Latihan I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.4 Metode Finite Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.4.1 Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.5 Latihan II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.6 Persamaan Diferensial Parsial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.7 PDP eliptik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.7.1 Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.7.2 Script Matlab untuk PDP Elliptik . . . . . . . . . . . . . . . . . . . . . . . 119
7.7.3 Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.8 PDP parabolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.8.1 Metode Forward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.8.2 Contoh ketiga: One dimensional heat equation . . . . . . . . . . . . . . . . 124
7.8.3 Metode Backward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7.8.4 Metode Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.9 PDP Hiperbolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.9.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
7.10 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
12 Interpolasi 233
12.1 Interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
12.2 Interpolasi Cubic Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
15 Inversi 261
15.1 Inversi Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
15.2 Inversi Non-Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
16 Lampiran 267
16.1 Script Iterasi Jacobi, jcb.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
16.2 Script Iterasi Gauss-Seidel, itgs.m . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
Indeks 269
x
Daftar Gambar
3.1 Kurva lintasan gerak parabola yang dihasilkan oleh fungsi eksternal parabol() . . 43
4.1 Vektor percepatan gravitasi dalam arah vertikal akibat benda anomali dan akibat
bumi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2 Benda anomali berupa bola berada dibawah permukaan bumi . . . . . . . . . . . 57
4.3 Variasi nilai percepatan gravitasi terhadap perubahan jarak horizontal . . . . . . 63
5.1 Fungsi dengan dua akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = −2 dan x = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.2 Fungsi dengan satu akar yang ditandai oleh lingkaran kecil berwarna merah, ya-
itu pada x = −1, 2599 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.3 Fungsi kuadrat yang memiliki 2 akar . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.4 Awal perhitungan: batas kiri adalah a = 0, batas kanan adalah b = 1; sementara
p adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.5 Iterasi kedua: batas kiri adalah a = 0,5, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.6 Iterasi ketiga: batas kiri adalah a = 0,5, batas kanan adalah b = 0,75; sementara
p adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.7 Perubahan f (p) dan p terhadap bertambahnya iterasi . . . . . . . . . . . . . . . . 71
5.8 Nilai akar ditandai oleh lingkaran kecil pada kurva yang memotong sumbu-x . . . 72
xi
xii DAFTAR GAMBAR
6.1 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 meto-
de 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. . . . . . . . . . . 80
6.2 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 me-
tode 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 . . 81
6.3 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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.1 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. . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.2 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
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu
nilai wi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.3 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
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta
orde 4, yaitu nilai wi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.4 Rangkaian RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.5 Kurva pengisian muatan q (charging) terhadap waktu t . . . . . . . . . . . . . . . 104
7.6 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.8 Skema grid lines dan mesh points pada aplikasi metode Finite-Difference . . . . . . 115
7.9 Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu . . . . . . . . . . . . . . . . . . . . . . . 117
7.10 Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur. Ja-
rak antar titik ditentukan sebesar h = 0, 1. . . . . . . . . . . . . . . . . . . . . . . . . 124
7.11 Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005 . . . . . . . 124
7.12 Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forward-
difference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat . . . . 125
DAFTAR GAMBAR xiii
7.1 Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih
antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.2 Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact
y(ti ) serta selisih antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.3 Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan
hasil perhitungan dari solusi exact, yaitu persamaan (7.16) . . . . . . . . . . . . 103
7.4 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. Ko-
lom ke-4 dan ke-6 adalah selisih antara solusi analitik dan numerik . . . . . . . . . . . 128
7.5 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backward-
difference dimana k = 0, 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.6 Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan
metode backward-difference dan Crank-Nicolson . . . . . . . . . . . . . . . . . . . 136
xv
xvi DAFTAR TABEL
Bab 1
Pendahuluan
✍ Objektif :
⊲ Mengenal cara inisialisasi variabel.
⊲ Mengenal operasi matematika.
⊲ Mengenal fungsi-fungsi dasar.
⊲ Mengenal cara membuat grafik.
Salah satu perbedaan utama antara komputer dan kalkulator adalah pemanfaatan variabel da-
lam proses perhitungan. Kebanyakan kalkulator tidak menggunakan variabel dalam proses per-
hitungan; sebaliknya, komputer sangat memanfaatkan variabel 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 me-
nekan tombol angka 3, dan diakhiri dengan menekan tombol =; maka keluarlah hasilnya yaitu
angka 6. Kalau di komputer, proses perhitungan seperti ini dapat dilakukan dengan memanfa-
atkan 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 ketikkan C = A ∗ B; maka hasil perhitungan, yaitu angka 6 akan disimpan dalam variabel
C. Skrip2 Matlab untuk melakukan proses perhitungan seperti itu adalah sebagai berikut
A = 2;
B = 3;
C = A * B
1
inisialisasi adalah proses memberi nilai awal pada suatu variabel
2
Skrip atau dalam bahasa Inggris ditulis Script adalah daftar baris-baris perintah yang akan dikerjakan (di-
eksekusi) oleh komputer
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, dengan 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. Perhatikan contoh berikut
besar_arus = 2;
beda_potensial = 3;
nilai_hambatan = beda_potensial / besar_arus
Semua contoh di atas memperlihatkan perbedaan yang begitu jelas antara penggunaan kom-
puter dan kalkulator dalam menyelesaikan suatu perhitungan.
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, cukup ketikkan
t = 0:2:10;
angka 2 bertindak sebagai nilai interval dari 0 sampai 10. Sehingga angka-angka yang muncul
adalah 0, 2, 4, 6, 8 dan 10. Urutan angka dapat dibalik dengan mengetikkan
t = 10:-2:0;
sehingga 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 kita dimudahkan dalam melakukan perhitungan yang berulang. Sebagai contoh, kita
ingin mensimulasikan perubahan kecepatan mobil balap yang punya kemampuan akselerasi 2
m/s2 . Rumus gerak lurus berubah beraturan sangat memadai untuk maksud tersebut
v = vo + at (1.1)
1.3. MENGENAL CARA MEMBUAT GRAFIK 3
Jika kita hendak mengamati perubahan kecepatan mobil balap dari detik pertama di saat se-
dang diam hingga detik ke-5, kita dapat menghitung perubahan tersebut setiap satu detik, yaitu
1
s = vo t + at2 (1.2)
2
Untuk menentukan perubahan jarak tempuh tersebut, skrip sebelumnya mesti ditambah satu
baris lagi
1 a = 2;
2 t = 1:5;
3 vo = 0;
4 s = vo * t + 1/2 * a * t.^2
Ada hal penting yang perlu diperhatikan pada baris ke-4 di atas, yaitu penempatan tanda titik
pada t.∧ 2. Maksud dari tanda titik adalah setiap angka yang tersimpan pada variabel t harus di-
kuadratkan. Jika Anda lupa menempatkan tanda titik, sehingga tertulis t∧ 2, maka skrip tersebut
tidak akan bekerja.
Seringkali suatu informasi lebih mudah dianalisis setelah informasi tersebut ditampilkan dalam
bentuk grafik. Pada contoh mobil balap di atas, kita bisa menggambar data perubahan kece-
patan mobil terhadap waktu dengan menambahkan perintah plot seperti ditunjukkan oleh skrip
dibawah ini
1 a = 2;
2 t = 1:5;
3 vo = 0;
4 v = vo + a * t
5 plot(t,v,’o’)
4 BAB 1. PENDAHULUAN
10
2
1 1.5 2 2.5 3 3.5 4 4.5 5
Jika skrip tersebut di-run, akan muncul Gambar 1.1. Untuk melengkapi keterangan gambar,
beberapa baris perlu ditambahkan
1 a = 2;
2 t = 1:5;
3 vo = 0;
4 v = vo + a * t;
5 plot(t,v,’o’);
6 xlabel(’Waktu (s)’);
7 ylabel(’Kecepatan (m/s)’)
8 title(’Data Kecepatan vs Waktu’)
8
Kecepatan (m/s)
2
1 1.5 2 2.5 3 3.5 4 4.5 5
Waktu (s)
Gambar 1.2: Data perubahan kecepatan terhadap waktu dengan keterangan gambar
1.3. MENGENAL CARA MEMBUAT GRAFIK 5
Gerak dari suatu benda yang mengalami osilasi teredam (damped oscillations) memenuhi persa-
maan berikut:
y = Ae−(b/2m)t cos(ωt + θ) (1.3)
0.1
0.08
0.06
0.04
Simpangan (meter)
0.02
−0.02
−0.04
−0.06
−0.08
−0.1
0 0.5 1 1.5 2
Waktu (detik)
Gambar 1.3: Kurva simpangan benda yang mengalami gerak osilasi teredam
1 m = 10.6;
2 k = 2.05e4;
3 b = 63.50;
4 A = 0.1;
5 theta = 0;
6 t = 0:0.001:2;
7
8 w = sqrt((k/m)+(b/(2*m))^2);
9 y = A*exp((-b/(2*m))*t).*cos(w*t+theta);
10
11 plot(t,y)
6 BAB 1. PENDAHULUAN
12 xlabel(’Waktu (detik)’);
13 ylabel(’Simpangan (meter)’);
Ketika Anda membuat skrip di komputer, Anda mesti menyadari bahwa skrip yang sedang Anda
buat akan memodifikasi isi memory komputer. Oleh karena itu disarankan agar sebelum kom-
puter menjalankan skrip, maka pastikan bahwa memory komputer dalam keadaan bersih. Cara
membersihkan memory komputer, 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 tulis-
an di layar monitor, tambahkan perintah clc. Ketiga perintah tersebut disarankan ditulis pada
baris-baris pembuka suatu skrip Matlab, seperti contoh berikut
1 clear
2 close
3 clc
4
5 a = 2;
6 t = 1:5;
7 vo = 0;
8 v = vo + a * t;
9 plot(t,v,’o’);
10 xlabel(’Waktu (dt)’);
11 ylabel(’Kecepatan (m/dt)’)
12 title(’Data Kecepatan vs Waktu’)
y = A sin(2πf t + θ) (1.5)
1 clc
2 clear
3 close
4
5 A = 1; % amplitudo
6 f = 5; % frekuensi
7 theta = 0; % sudut fase gelombang
8 t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
9 y = A * sin(2*pi*f*t + theta); % persamaan gelombang
10
11 plot(t,y) % menggambar grafik persamaan gelombang
1.5. MEMBUAT 2 GRAFIK DALAM SATU GAMBAR 7
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Gambar 1.4: Grafik gelombang berfrekuensi 5 Hz dalam rentang waktu dari 0 hingga 1 detik
Grafik di atas muncul karena ada perintah plot(t,y) yang diletakkan di baris paling akhir pada
skrip. Kata atau kalimat yang ditulis setelah tanda % tidak akan dikerjakan oleh komputer.
Modifikasi skrip perlu dilakukan untuk memberi keterangan pada sumbu-x dan sumbu-y serta
menambahkan judul grafik
1 clc
2 clear
3 close
4
5 A = 1; % amplitudo
6 f = 5; % frekuensi
7 theta = 0; % sudut fase gelombang
8 t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
9 y = A * sin(2*pi*f*t + theta); % persamaan gelombang
10
11 plot(t,y) % menggambar grafik persamaan gelombang
12 xlabel(’Waktu, t (detik)’); % melabel sumbu-x
13 ylabel(’Amplitudo’); % melabel sumbu-y
14 title(’Gelombang berfrekuensi 5 Hz’); % judul grafik
Untuk memperbesar font judul grafik, tambahkan kata fontsize{14} pada title(), contohnya
title(’\fontsize{14} Gelombang berfrekuensi 5 Hz’); % judul grafik
Untuk menggambar dua buah grafik, contoh skrip berikut ini bisa digunakan
1 clc
2 clear
3 close
4
5 t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
6
7 A1 = 1; % amplitudo gelombang 1
8 BAB 1. PENDAHULUAN
Gelombang berfrekuensi 5 Hz
1
0.8
0.6
0.4
0.2
Amplitudo
−0.2
−0.4
−0.6
−0.8
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Waktu, t (detik)
Gambar 1.5: Grafik yang dilengkapi dengan keterangan sumbu-x dan sumbu-y serta judul
Gelombang berfrekuensi 5 Hz
1
0.8
0.6
0.4
0.2
Amplitudo
−0.2
−0.4
−0.6
−0.8
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Waktu, t (detik)
8 f1 = 5; % frekuensi gelombang 1
9 theta1 = 0; % sudut fase gelombang 1
10 y1 = A1 * sin(2*pi*f1*t + theta1); % persamaan gelombang 1
11
12 A2 = 1; % amplitudo gelombang 2
13 f2 = 3; % frekuensi gelombang 2
14 theta2 = pi/4; % sudut fase gelombang 2
15 y2 = A2 * sin(2*pi*f2*t + theta2); % persamaan gelombang 2
16
17 figure
18
19 subplot(2,1,1)
20 plot(t,y1) % menggambar grafik persamaan gelombang 1
21 xlabel(’Waktu, t (detik)’);
22 ylabel(’Amplitudo’);
23 title(’\fontsize{14} Gelombang berfrekuensi 5 Hz’);
24
25 subplot(2,1,2)
26 plot(t,y2) % menggambar grafik persamaan gelombang 2
27 xlabel(’Waktu, t (detik)’);
28 ylabel(’Amplitudo’);
29 title(’\fontsize{14} Gelombang berfrekuensi 3 Hz, fase pi/4’);
Gelombang berfrekuensi 5 Hz
1
0.5
Amplitudo
−0.5
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Waktu, t (detik)
Gelombang berfrekuensi 3 Hz, fase pi/4
1
0.5
Amplitudo
−0.5
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Waktu, t (detik)
Sekarang, jika ingin melihat tampilan superposisi kedua gelombang di atas, maka skrip berikut
ini bisa digunakan
1 clc
2 clear
3 close
4
5 t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
6
7 A1 = 1; % amplitudo gelombang 1
8 f1 = 5; % frekuensi gelombang 1
9 theta1 = 0; % sudut fase gelombang 1
10 BAB 1. PENDAHULUAN
Gelombang berfrekuensi 5 Hz
1
Amplitudo
−1
0 0.2 0.4 0.6 0.8 1
Waktu, t (detik)
Gelombang berfrekuensi 3 Hz, fase pi/4
1
Amplitudo
−1
0 0.2 0.4 0.6 0.8 1
Waktu, t (detik)
Superposisi gelombang 5 Hz dan 3 Hz
2
Amplitudo
−2
0 0.2 0.4 0.6 0.8 1
Waktu, t (detik)
1.6 Latihan
1. Jarak tempuh mobil balap yang bergerak dengan percepatan 2 m/s2 dari posisi diam di-
tentukan oleh rumus berikut
1
s = vo t + at2
2
Buatlah skrip untuk menggambarkan grafik jarak tempuh terhadap waktu dimulai dari t
= 0 hingga t = 20 dt.
2. Sebuah elektron memasuki daerah yang dipengaruhi oleh medan listrik seperti Gambar
1.9
diketahui besar muatan elektron = 1,6×10−19 C, massa elektron = 9,11×10−31 kg, kece-
patan v = 3×106 m/s, kuat medan listrik E = 200 N/C , dan panjang plat ℓ = 0,1 meter.
Posisi koordinat elektron memenuhi persamaan
1 eE 2 eE
x = vt y=− t dengan percepatan a=
2 m m
Buatlah skrip untuk menentukan variasi posisi elektron (x, y) terhadap waktu (t), mulai
dari t = 0 detik hingga t = 3,33×10−8 detik dengan interval waktu 3,33×10−10 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 ber-
gerak dengan kecepatan awal 5 m/dt. Diketahui konstanta gravitasi adalah 9,8 m/s2 .
(a) Plot variasi ketinggian maksimum bola bila sudut tendangan bervariasi dari 30◦ hing-
ga 60◦ dengan interval 5◦ . Persamaan untuk menghitung ketinggian maksimum ada-
lah
vo2 sin2 α
hmaks =
2g
(b) Plot variasi jangkauan maksimum bola bila sudut tendangan bervariasi dari 30◦ hing-
ga 60◦ dengan interval 5◦ . Persamaan untuk menghitung jangkauan maksimum ada-
12 BAB 1. PENDAHULUAN
lah
vo2 sin 2α
xmaks =
g
4. Tuliskan sebuah skrip 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.
Gambar 1.10: Kapasitor dan induktor masing-masing terhubung seri dengan sumber tegangan
bolak-balik
(a) Tentukan nilai reaktansi kapasitif pada rangkaian (a); dan reaktansi induktif pada
rangkaian (b).
(b) Tuliskan skrip Matlab untuk menggambarkan kurva arus dan tegangan pada rangka-
ian (a); kemudian plot gambar kurva-nya.
(c) Tuliskan skrip Matlab untuk menggambarkan kurva arus dan tegangan pada rangka-
ian (b); kemudian plot gambar kurva-nya.
6. Muatan Q1 sebesar 4µC terletak pada x = -1; sementara Q2 = 20µC terletak pada x = 1.
Buatlah skrip 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; dima-
nakah 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
7. Muatan Q1 sebesar 4µC terletak pada x = -1; sementara Q2 = 4µC terletak pada x = 1.
Buatlah skrip Matlab untuk tujuan:
8. Muatan Q1 sebesar 4µC terletak pada x = -1; sementara Q2 = -20µC terletak pada x = 1.
Buatlah skrip 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
9. 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:
✍ Objektif :
⊲ Mengenalkan matriks, vektor dan jenis-jenis matriks.
⊲ Mendeklarasikan elemen-elemen matriks ke dalam memori komputer.
⊲ Mengenalkan operasi penjumlahan dan perkalian matriks.
⊲ Membuat skrip operasi matriks.
Notasi suatu matriks berukuran n × m ditulis dengan huruf besar dan dicetak tebal, misalnya
An×m . Huruf n menyatakan jumlah baris, dan huruf m jumlah kolom. Suatu matriks 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 a22 . . . a2m
A = (aij ) =
.. .. .. (2.1)
. . .
Pada matriks ini, a11 , a12 , ..., a1m adalah elemen-elemen yang menempati baris pertama. Se-
mentara a12 , a22 , ..., an2 adalah elemen-elemen yang menempati kolom kedua.
Contoh 1: Matriks A2×3 " #
3 8 5
A=
6 4 7
dengan masing-masing elemennya adalah a11 = 3, a12 = 8, a13 = 5, a21 = 6, a22 = 4, dan
a23 = 7.
15
16 BAB 2. MATRIKS DAN KOMPUTASI
2 4
dengan masing-masing elemennya adalah b11 = 1, b12 = 3, b21 = 5, b22 = 9, b31 = 2, dan
b32 = 4.
Notasi vektor biasanya dinyatakan dengan huruf kecil dan dicetak tebal. Suatu matriks dina-
makan vektor-baris berukuran m, bila hanya memiliki satu baris dan m kolom, yang dinyatakan
sebagai berikut h i h i
a = a11 a12 . . . a1m = a1 a2 . . . am (2.2)
Sedangkan suatu matriks dinamakan vektor-kolom berukuran n, bila hanya memiliki satu kolom
dan n baris, yang dinyatakan sebagai berikut
a11 a1
a21 a2
.. = ..
a= (2.3)
. .
an1 an
Sebelum dilanjutkan, disarankan agar Anda mencari tahu sendiri bagaimana cara membuat m-
file di Matlab dan bagaimana cara menjalankannya. Karena semua skrip yang terdapat dalam
buku ini ditulis dalam m-file. Walaupun sangat mudah untuk melakukan copy-paste, namun
dalam upaya membiasakan diri menulis skrip di m-file, sangat dianjurkan Anda menulis ulang
semuanya.
Dalam Matlab terdapat 3 cara inisialisasi matriks. Cara pertama1 , sesuai dengan Contoh 1,
adalah
1 clear all
2 clc
3
4 A(1,1) = 3;
5 A(1,2) = 8;
6 A(1,3) = 5;
7 A(2,1) = 6;
8 A(2,2) = 4;
9 A(2,3) = 7;
10 A
1 clear all
2 clc
3
4 B(1,1) = 1;
5 B(1,2) = 3;
6 B(2,1) = 5;
7 B(2,2) = 9;
8 B(3,1) = 2;
9 B(3,2) = 4;
10 B
Cara kedua relatif lebih mudah dan benar-benar merepresentasikan dimensi matriksnya, dengan
jumlah baris dan jumlah kolom terlihat dengan jelas.
1 clear all
2 clc
3
4 A=[ 3 8 5
5 6 4 7 ];
6
7 B=[ 1 3
8 5 9
9 2 4 ];
Cara ketiga jauh lebih singkat, namun tidak menunjukkan dimensi matriks lantaran ditulis ha-
nya dalam satu baris.
1 clear all
2 clc
3
4 A=[ 3 8 5 ; 6 4 7 ];
5 B=[ 1 3 ; 5 9 ; 2 4];
Operasi transpose terhadap suatu matriks akan menukar elemen-elemen kolom menjadi elemen-
elemen baris. Notasi matriks tranpose adalah AT atau At .
Contoh 3: Operasi transpose terhadap matriks A
" # 3 6
3 8 5
A= AT = 8 4
6 4 7
5 7
Dengan Matlab, operasi transpose cukup dilakukan dengan menambahkan tanda petik tunggal
di depan nama matriksnya
1 clear all
2 clc
18 BAB 2. MATRIKS DAN KOMPUTASI
3
4 A=[ 3 8 5
5 6 4 7 ];
6
7 AT = A’;
matriks bujursangkar adalah matriks yang jumlah baris dan jumlah kolomnya sama.
Contoh 4: Matrik bujursangkar berukuran 3x3 atau sering juga disebut matriks bujursangkar
orde 3
1 3 8
A = 5 9 7
2 4 6
matriks simetrik adalah matriks bujursangkar yang elemen-elemen matriks transpose-nya ber-
nilai sama dengan matriks asli-nya.
Contoh 5: matriks simetrik
2 −3 7 1 2 −3 7 1
−3 5 6 −2 −3 5 6 −2
T
A= 7
A =
6 9 8 7 6 9 8
1 −2 8 10 1 −2 8 10
matriks diagonal adalah matriks bujursangkar yang seluruh elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonalnya.
Contoh 6: matriks diagonal orde 3
11 0 0
A = 0 29 0
0 0 61
matriks identitas adalah matriks bujursangkar yang semua elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonal yang seluruhnya bernilai 1.
Contoh 7: matriks identitas orde 3
1 0 0
I = 0 1 0
0 0 1
2.4. MACAM-MACAM MATRIKS 19
matriks upper-tringular adalah matriks bujursangkar yang seluruh elemen dibawah elemen di-
agonal bernilai 0 (nol).
Contoh 8: matriks upper-triangular
3 6 2 1
0 4 1 5
A=
0 0 8 7
0 0 0 9
matriks lower-tringular adalah matriks bujursangkar yang seluruh elemen diatas elemen diago-
nal bernilai 0 (nol).
Contoh 9: matriks lower-triangular
12 0 0 0
32 −2 0 0
A=
8 7 11 0
−5 10 6 9
matriks tridiagonal adalah matriks bujursangkar yang seluruh elemen bukan 0 (nol) berada
disekitar elemen diagonal, sementara elemen lainnya bernilai 0 (nol).
Contoh 10: matriks tridiagonal
3 6 0 0
2 −4 1 0
A=
0 5 8 −7
0 0 3 9
0 5 −6 −3 0 1
20 BAB 2. MATRIKS DAN KOMPUTASI
Pada elemen diagonal aii matriks A, |7| > |2|+|0|, lalu |5| > |3|+|−1|, dan |−6| > |5|+|0|. Maka
matriks A disebut matriks diagonal dominan. Sekarang perhatikan elemen diagonal matriks B,
|6| < |4| + | − 3|, | − 2| < |4| + |0|, dan |1| < | − 3| + |0|. Dengan demikian, matriks B bukan
matriks diagonal dominan.
Suatu matriks dikatakan positive-definite bila matriks tersebut simetrik dan memenuhi
xT Ax > 0 (2.5)
0 −1 2
0 −1 2 x3
h i 2x1 − x2
= x1 x2 x3 −x1 + 2x2 − x3
−x2 + 2x3
= 2x21 − 2x1 x2 + 2x22 − 2x2 x3 + 2x23
= x21 + (x21 − 2x1 x2 + x22 ) + (x22 − 2x2 x3 + x23 ) + x23
= x21 + (x1 − x2 )2 + (x2 − x3 )2 + x23
Dari sini dapat disimpulkan bahwa matriks A bersifat positive-definite, karena memenuhi
Operasi penjumlahan pada dua buah matriks hanya bisa dilakukan bila kedua matriks tersebut
berukuran sama. Misalnya matriks C2×3
" #
9 5 3
C=
7 2 1
2.5. OPERASI MATEMATIKA 21
dijumlahkan dengan matriks A2×3 , lalu hasilnya (misalnya) dinamakan matriks D2×3
D =A+C
" # " #
3 8 5 9 5 3
D = +
6 4 7 7 2 1
" #
3+9 8+5 5+3
=
6+7 4+2 7+1
" #
12 13 8
=
13 6 8
Dari sini dapat diturunkan sebuah rumus umum penjumlahan dua buah matriks
dengan i=1,2 dan j=1,2,3. Perhatikan baik-baik! Batas i hanya sampai angka 2 semen-
tara batas j sampai angka 3. Kemampuan Anda dalam menentukan batas indeks sangat
penting dalam dunia programming.
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),
Jelas terlihat, ketika indeks i masih bernilai 1, indeks j sudah berubah dari nilai 1 sampai 3.
Hal ini membawa konsekuensi pada skrip pemrograman, dengan 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 con-
toh source code dasar yang nantinya akan kita optimasi selangkah demi selangkah. OK, kita
mulai dari source code paling mentah berikut ini.
1 clear all
2 clc
3
4 A=[3 8 5; 6 4 7]; % inisialisasi matriks A
5
6 C=[9 5 3; 7 2 1]; % inisialisasi matriks B
7
8 % ---proses penjumlahan matriks----
9 D(1,1)=A(1,1)+C(1,1);
10 D(1,2)=A(1,2)+C(1,2);
11 D(1,3)=A(1,3)+C(1,3);
12 D(2,1)=A(2,1)+C(2,1);
13 D(2,2)=A(2,2)+C(2,2);
14 D(2,3)=A(2,3)+C(2,3);
15
16 % ---menampilkan matriks A, C dan D----
17 A
18 C
19 D
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 matriks—- 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 clear all
2 clc
3
4 A=[3 8 5; 6 4 7]; % inisialisasi matriks A
5
6 C=[9 5 3; 7 2 1]; % inisialisasi matriks B
7
8 % ---proses penjumlahan matriks----
9 for j=1:3
10 D(1,j)=A(1,j)+C(1,j);
11 end
12
13 for j=1:3
14 D(2,j)=A(2,j)+C(2,j);
15 end
2.5. OPERASI MATEMATIKA 23
16
17 % ---menampilkan matriks A, C dan D----
18 A
19 C
20 D
Pada baris ke-9 dan ke-13, saya mengambil huruf j sebagai nama indeks dengan j bergerak dari
1 sampai 3. Coba Anda pikirkan, mengapa j hanya bergerak dari 1 sampai 3?
Modifikasi tahap kedua adalah sebagai berikut
1 clear all
2 clc
3
4 A=[3 8 5; 6 4 7]; % inisialisasi matriks A
5
6 C=[9 5 3; 7 2 1]; % inisialisasi matriks B
7
8 % ---proses penjumlahan matriks----
9 i=1
10 for j=1:3
11 D(i,j)=A(i,j)+C(i,j);
12 end
13
14 i=2
15 for j=1:3
16 D(i,j)=A(i,j)+C(i,j);
17 end
18
19 % ---menampilkan matriks A, C dan D----
20 A
21 C
22 D
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 dengan i menjadi nama indeksnya.
1 clear all
2 clc
3
4 A=[3 8 5; 6 4 7]; % inisialisasi matriks A
5
6 C=[9 5 3; 7 2 1]; % inisialisasi matriks B
7
8 % ---proses penjumlahan matriks----
9 for i=1:2
10 for j=1:3
11 D(i,j)=A(i,j)+C(i,j);
12 end
13 end
14
15 % ---menampilkan matriks A, C dan D----
16 A
24 BAB 2. MATRIKS DAN KOMPUTASI
17 C
18 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 clear all
2 clc
3
4 A=[3 8 5; 6 4 7]; % inisialisasi matriks A
5
6 C=[9 5 3; 7 2 1]; % inisialisasi matriks B
7
8 % ---proses penjumlahan matriks----
9 for i=1:2
10 for j=1:3
11 D(i,j)=A(i,j)+C(i,j);
12 end
13 end
14
15 % ---menampilkan matriks A, C dan D----
16 A
17 C
18 D
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 lo-
oping-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.
Operasi perkalian dua buah matriks hanya bisa dilakukan bila jumlah kolom matriks pertama
sama dengan jumlah baris matriks kedua. Jadi kedua matriks tersebut tidak harus berukuran
sama seperti pada penjumlahan dua matriks. Misalnya matriks A2×3 dikalikan dengan matriks
B3×2 , lalu hasilnya (misalnya) dinamakan matriks E2×2
" # 1 3
3 8 5
E = 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
Tanpa mempedulikan nilai elemen-elemen masing-masing matriks, operasi perkalian antara ma-
triks A2×3 dan B3×2 , bisa juga dinyatakan dalam indeks masing-masing dari kedua matriks ter-
sebut, yaitu
" # " #
e11 e12 a11 .b11 + a12 .b21 + a13 .b31 a11 .b12 + a12 .b22 + a13 .b32
=
e21 e22 a21 .b11 + a22 .b21 + a23 .b31 a21 .b12 + a22 .b22 + a23 .b32
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 peru-
bahan 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
Dengan demikian kita bisa mencantumkan huruf i sebagai pengganti angka-angka indeks yang
26 BAB 2. MATRIKS DAN KOMPUTASI
polanya sama
dengan i bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan i=1,2. Selanjut-
nya, masih dari persamaan (2.8) sampai persamaan (2.11), marilah kita perhatikan perubahan
angka-indeks-kedua pada elemen e dan elemen b,
Dengan demikian kita bisa mencantumkan huruf j sebagai pengganti angka-angka indeks yang
polanya sama
dengan j bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan j=1,2. Selanjut-
nya, masih dari persamaan (2.8) sampai persamaan (2.11), mari kita perhatikan perubahan
angka-indeks-kedua elemen a dan angka-indeks-pertama elemen b, dimana kita akan dapati
pola sebagai berikut
Dan kita bisa mencantumkan huruf k sebagai pengganti angka-angka indeks yang polanya sama,
2.5. OPERASI MATEMATIKA 27
dengan k bergerak mulai dari angka 1 hingga angka 3, atau kita nyatakan k=1,2,3.
3
X
eij = aik bkj (2.13)
k=1
m
X
eij = aik bkj (2.14)
k=1
Mari kita mulai lagi dari source code paling dasar dari operasi perkalian matriks sesuai dengan
contoh di atas.
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 E(1,1)=A(1,1)*B(1,1)+A(1,2)*B(2,1)+A(1,3)*B(3,1);
9 E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
10 E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
11 E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);
12
13 % ---menampilkan matriks A, B dan E----
14 A
15 B
16 E
28 BAB 2. MATRIKS DAN KOMPUTASI
Sejenak, mari kita amati dengan cermat statemen dari baris ke-9 sampai ke-12 sambil dikaitkan
dengan bentuk umum penulisan indeks pada perkalian matriks yaitu
• pada baris statemen ke-8 sampai ke-11 ada tiga kali operasi perkalian dan dua kali operasi
penjumlahan yang semuanya melibatkan indeks i, indeks j dan indeks k. Namun indeks k
selalu berubah pada masing-masing perkalian. Jadi indeks k paling cepat berubah diban-
ding indeks i dan indeks j.
• elemen a memiliki indeks i dan indeks k dimana indeks k lebih cepat berubah dibanding
indeks i.
• elemen b memiliki indeks k dan indeks j dimana indeks k lebih cepat berubah dibanding
indeks j.
Tahapan modifikasi source code perkalian matriks tidak semudah penjumlahan matriks. Dan
mengajarkan logika dibalik source code perkalian matriks jauh lebih sulit daripada sekedar me-
modifikasi source code tersebut. Tapi akan saya coba semampu saya lewat tulisan ini walau
harus perlahan-lahan. Mudah-mudahan mudah untuk dipahami.
Saya mulai dengan memecah operasi pada statemen baris ke-8 yang bertujuan menghitung
nilai E(1, 1)
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 % ---E(1,1) dihitung 3 kali
9 E(1,1)=A(1,1)*B(1,1);
10 E(1,1)=E(1,1)+A(1,2)*B(2,1);
11 E(1,1)=E(1,1)+A(1,3)*B(3,1);
12
13 % ---E(1,2); E(2,1); dan E(2,2) masih seperti semula
14 E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
15 E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
16 E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);
17
18 % ---menampilkan matriks A, B dan E----
19 A
20 B
21 E
Agar baris ke-9 memiliki pola yang sama dengan baris ke-11 dan ke-12, upaya yang dilakukan
adalah
2.5. OPERASI MATEMATIKA 29
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 % ---E(1,1) dihitung 3 kali
9 E(1,1)=0;
10 E(1,1)=E(1,1)+A(1,1)*B(1,1);
11 E(1,1)=E(1,1)+A(1,2)*B(2,1);
12 E(1,1)=E(1,1)+A(1,3)*B(3,1);
13
14 % ---E(1,2); E(2,1); dan E(2,2) masih seperti semula
15 E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
16 E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
17 E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);
18
19 % ---menampilkan matriks A, B dan E----
20 A
21 B
22 E
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 E(1,1)=0;
9 for k=1:3 % k bergerak dari 1 sampai 3
10 E(1,1)=E(1,1)+A(1,k)*B(k,1);
11 end
12
13 % ---E(1,2); E(2,1); dan E(2,2) masih seperti semula
14 E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
15 E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
16 E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);
17
18 % ---menampilkan matriks A, B dan E----
19 A
20 B
21 E
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 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
30 BAB 2. MATRIKS DAN KOMPUTASI
Inisialisasi elemen-elemen matriks E dengan angka nol, bisa dilakukan diawal proses perkalian
yang sekaligus memunculkan indeks i dan j untuk elemen E
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 for i=1:2 % i bergerak dari 1 sampai 2
9 for j=1:2 % j bergerak dari 1 sampai 2
10 E(i,j)=0;
11 end
12 end
13
14 for k=1:3
15 E(1,1)=E(1,1)+A(1,k)*B(k,1);
16 end
17
18 for k=1:3
19 E(1,2)=E(1,2)+A(1,k)*B(k,2);
20 end
21
22 for k=1:3
23 E(2,1)=E(2,1)+A(2,k)*B(k,1);
24 end
25
26 for k=1:3
27 E(2,2)=E(2,2)+A(2,k)*B(k,2);
28 end
29
2.5. OPERASI MATEMATIKA 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 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 for i=1:2 % i bergerak dari 1 sampai 2
9 for j=1:2 % j bergerak dari 1 sampai 2
10 E(i,j)=0;
11 end
12 end
13
14 j=1;
15 for k=1:3
16 E(1,j)=E(1,j)+A(1,k)*B(k,j);
17 end
18
19 j=2;
20 for k=1:3
21 E(1,j)=E(1,j)+A(1,k)*B(k,j);
22 end
23
24 for k=1:3
25 E(2,1)=E(2,1)+A(2,k)*B(k,1);
26 end
27
28 for k=1:3
29 E(2,2)=E(2,2)+A(2,k)*B(k,2);
30 end
31
32 % ---menampilkan matriks A, B dan E----
33 A
34 B
35 E
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 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 for i=1:2 % i bergerak dari 1 sampai 2
32 BAB 2. MATRIKS DAN KOMPUTASI
Sekarang coba sekali lagi Anda perhatikan statemen pada baris ke-21 dan ke-25, lalu bandingk-
an 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 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 for i=1:2 % i bergerak dari 1 sampai 2
9 for j=1:2 % j bergerak dari 1 sampai 2
10 E(i,j)=0;
11 end
12 end
13
14 for j=1:2
15 for k=1:3
16 E(1,j)=E(1,j)+A(1,k)*B(k,j);
17 end
18 end
19
20 j=1;
21 for k=1:3
22 E(2,j)=E(2,j)+A(2,k)*B(k,j);
23 end
24
25 j=2;
26 for k=1:3
27 E(2,j)=E(2,j)+A(2,k)*B(k,j);
28 end
29
2.5. OPERASI MATEMATIKA 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 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 for i=1:2 % i bergerak dari 1 sampai 2
9 for j=1:2 % j bergerak dari 1 sampai 2
10 E(i,j)=0;
11 end
12 end
13
14 for j=1:2
15 for k=1:3
16 E(1,j)=E(1,j)+A(1,k)*B(k,j);
17 end
18 end
19
20 for j=1:2
21 for k=1:3
22 E(2,j)=E(2,j)+A(2,k)*B(k,j);
23 end
24 end
25
26 % ---menampilkan matriks A, B dan E----
27 A
28 B
29 E
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 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 for i=1:2 % i bergerak dari 1 sampai 2
9 for j=1:2 % j bergerak dari 1 sampai 2
10 E(i,j)=0;
11 end
12 end
13
14 i=1;
15 for j=1:2
34 BAB 2. MATRIKS DAN KOMPUTASI
16 for k=1:3
17 E(i,j)=E(i,j)+A(i,k)*B(k,j);
18 end
19 end
20
21 i=2;
22 for j=1:2
23 for k=1:3
24 E(i,j)=E(i,j)+A(i,k)*B(k,j);
25 end
26 end
27
28 % ---menampilkan matriks A, B dan E----
29 A
30 B
31 E
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 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 for i=1:2
9 for j=1:2
10 E(i,j)=0;
11 end
12 end
13
14 for i=1:2
15 for j=1:2
16 for k=1:3
17 E(i,j)=E(i,j)+A(i,k)*B(k,j);
18 end
19 end
20 end
21
22 % ---menampilkan matriks A, B dan E----
23 A
24 B
25 E
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 mencari
2.5. OPERASI MATEMATIKA 35
tahu dimana letak kesalahannya. Hanya dengan cara begitu ilmu programming ini akan bisa
menyatu pada diri Anda.
Operasi perkalian antara matriks dan vektor-kolom sebenarnya sama saja dengan perkalian an-
tara dua matriks. Hanya saja ukuran vektor-kolom boleh dibilang spesial yaitu m x 1, dengan
m merupakan jumlah baris sementara jumlah kolomnya hanya satu. Misalnya matriks A, pa-
da 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
" # 2
3 8 5
y = 3
6 4 7
4
" #
3.2 + 8.3 + 5.4
=
6.2 + 4.3 + 7.4
" #
50
=
52
Sekali lagi, tanpa mempedulikan nilai elemen-elemen masing-masing, operasi perkalian antara
matriks A dan vektor-kolom x, bisa juga dinyatakan dalam indeksnya masing-masing, yaitu
" # " #
y1 a11 .x1 + a12 .x2 + a13 .x3
=
y2 a21 .x1 + a22 .x2 + a23 .x3
3
X
yi = aij xj
j=1
dengan i=1,2.
Berdasarkan contoh tersebut, secara umum bila ada matriks A berukuran n x m yang dikalikan
dengan vektor-kolom x berukuran m, maka akan didapatkan vektor-kolom y berukuran n x 1
36 BAB 2. MATRIKS DAN KOMPUTASI
Mari kita mulai lagi dari source code paling dasar dari operasi perkalian antara matriks dan
vektor-kolom sesuai dengan contoh di atas
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matriks dan vektor----
8 y(1,1)=A(1,1)*x(1,1)+A(1,2)*x(2,1)+A(1,3)*x(3,1);
9 y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
10
11 % ---menampilkan matriks A, B dan E----
12 A
13 x
14 y
Sejenak, mari kita amati dengan cermat statemen dari baris ke-8 dan ke-9 sambil dikaitkan
dengan bentuk umum penulisan indeks pada perkalian antara matriks dan vektor-kolom yaitu
• elemen y dan elemen x sama-sama memiliki indeks i yang berpasangan dengan angka 1.
• pada baris statemen ke-8 dan ke-9 ada tiga kali operasi perkalian dan dua kali operasi
penjumlahan yang semuanya melibatkan indeks i dan indeks j. Namun indeks j sela-
lu berubah pada masing-masing perkalian. Jadi indeks j lebih cepat berubah dibanding
indeks i.
• elemen a memiliki indeks i dan indeks j dengan indeks j lebih cepat berubah dibanding
indeks i.
Kita mulai dengan memecah operasi pada statemen baris ke-8 yang bertujuan menghitung
nilai y(1, 1)
1 clear all
2 clc
3
2.5. OPERASI MATEMATIKA 37
Agar baris ke-8 memiliki pola yang sama dengan baris ke-9 dan ke-10, upaya yang dilakukan
adalah
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matriks dan vektor----
8 y(1,1)=0;
9 y(1,1)=y(1,1)+A(1,1)*x(1,1);
10 y(1,1)=y(1,1)+A(1,2)*x(2,1);
11 y(1,1)=y(1,1)+A(1,3)*x(3,1);
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 % ---menampilkan matriks A, B dan E----
16 A
17 x
18 y
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matriks dan vektor----
8 y(1,1)=0;
9 for j=1:3
10 y(1,1)=y(1,1)+A(1,j)*x(j,1);
11 end
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 % ---menampilkan matriks A, B dan E----
16 A
17 x
18 y
38 BAB 2. MATRIKS DAN KOMPUTASI
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matriks dan vektor----
8 y(1,1)=0;
9 for j=1:3
10 y(1,1)=y(1,1)+A(1,j)*x(j,1);
11 end
12
13 y(2,1)=0;
14 for j=1:3
15 y(2,1)=y(2,1)+A(2,j)*x(j,1);
16 end
17
18 % ---menampilkan matriks A, B dan E----
19 A
20 x
21 y
Inisialisasi vektor y dengan angka nol dapat dilakukan diawal proses perkalian, sekaligus me-
munculkan indeks i
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matriks dan vektor----
8 for i=1:2
9 y(i,1)=0;
10 end
11
12 for j=1:3
13 y(1,1)=y(1,1)+A(1,j)*x(j,1);
14 end
15
16 for j=1:3
17 y(2,1)=y(2,1)+A(2,j)*x(j,1);
18 end
19
20 % ---menampilkan matriks A, B dan E----
21 A
22 x
23 y
Kemudian, untuk menyamakan pola statemen baris ke-13 dan ke-17, indeks i kembali dimun-
culkan
1 clear all
2 clc
2.6. PENUTUP 39
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matriks dan vektor----
8 for i=1:2
9 y(i,1)=0;
10 end
11
12 i=1;
13 for j=1:3
14 y(i,1)=y(i,1)+A(i,j)*x(j,1);
15 end
16
17 i=2;
18 for j=1:3
19 y(i,1)=y(i,1)+A(i,j)*x(j,1);
20 end
21
22 % ---menampilkan matriks A, B dan E----
23 A
24 x
25 y
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matriks dan vektor----
8 for i=1:2
9 y(i,1)=0;
10 end
11
12 for i=1:2
13 for j=1:3
14 y(i,1)=y(i,1)+A(i,j)*x(j,1);
15 end
16 end
17
18 % ---menampilkan matriks A, B dan E----
19 A
20 x
21 y
2.6 Penutup
Demikianlah catatan singkat dan sederhana mengenai jenis-jenis matriks dasar dan operasi pen-
jumlahan dan perkalian yang seringkali dijumpai dalam pengolahan data secara numerik. Se-
muanya akan dijadikan acuan atau referensi pada pembahasan topik-topik numerik yang akan
datang.
40 BAB 2. MATRIKS DAN KOMPUTASI
2.7 Latihan
Fungsi
✍ Objektif :
⊲ Mengenalkan fungsi internal.
⊲ Membuat fungsi ekstenal.
⊲ Membuat fungsi ekternal untuk penjumlahan matrik.
⊲ Membuat fungsi ekternal untuk perkalian matrik.
Fungsi internal adalah fungsi bawaan yang sudah tersedia di dalam Matlab; contohnya: sqrt(),
sind() dan log10(). Ketika kita hendak mencari akar kuadrat dari angka 49, maka cukup dengan
mengetikkan
>> sqrt(49)
ans =
ans =
0.5000
ans =
Selain sqrt(), sind() dan log10(), masih banyak lagi fungsi internal yang dimiliki Matlab. Adanya
fungsi internal sangat memudahkan kita dalam membuat script dengan Matlab.
41
42 BAB 3. FUNGSI
Fungsi-fungsi yang tidak tersedia di matlab dapat dibuat sendiri sebagai fungsi eksternal. Ca-
ra membuat fungsi eksternal tidak sulit. Misalnya kita ingin membuat fungsi eksternal untuk
menghitung jarak vertikal dari gerak jatuh bebas yang persamaannya adalah
1 2
h= gt (3.1)
2
dimana h = adalah jarak vertikal, t adalah waktu (detik) dan konstanta gravitasi g = 9, 8m/dt2 .
Bukalah window Matlab editor, kemudian ketik script berikut
1 function y = gjb(t)
2
3 g = 9.8;
4 y = 0.5*g*t^2;
lalu simpan dengan nama gjb.m. Sampai disini, kita sudah selesai membuat fungsi eksternal
dengan nama gjb(). Sebagai bukti, misalnya kita ingin hitung jarak jatuh setelah 2 detik, coba
jalankan perintah berikut di window command
>> gjb(2)
ans =
19.6000
gx2
y = (tan θo )x − (3.2)
2(vo cos θo )2
Jika vo = 5 m/dt dan θo = 30◦ sementara variabel x berubah-ubah, maka fungsi eksternal-nya
dapat ditulis sebagai berikut
1 function y = parabol(x)
2
3 vo = 5;
4 g = 9.8;
5 tetha = 30;
6
7 y = tand(tetha)*x - (g*x.^2)/(2*(vo*cosd(tetha))^2);
ans =
0.3165
3.2. FUNGSI EKSTERNAL 43
Seperti fungsi lainnya, ia bisa menerima input berupa angka yang banyak, misalnya
>> x=0:0.01:2;
>> y=parabol(x);
>> plot(x,y)
>> xlabel(’Jangkauan (meter)’);
>> ylabel(’Tinggi (meter)’);
>> title(’Lintasan Gerak Parabola’)
0.3
0.25
Tinggi (meter)
0.2
0.15
0.1
0.05
0
0 0.5 1 1.5 2
Jangkauan (meter)
Gambar 3.1: Kurva lintasan gerak parabola yang dihasilkan oleh fungsi eksternal parabol()
Dalam contoh di atas, fungsi parabol() dibuat hanya bisa menerima sebuah input, yaitu x. Jika
inputnya mau dimodifikasi dengan memasukkan faktor sudut awal dan kecepatan awal, maka
fungsi eksternal diubah menjadi
1 function y = parabol(x,vo,theta)
2
3 g = 9.8;
4
5 y = tand(theta)*x - (g*x.^2)/(2*(vo*cosd(theta))^2);
>> vo = 5;
>> theta = 30;
>> x=0:0.01:2;
>> y=parabol(x,vo,theta);
>> plot(x,y)
>> xlabel(’Jangkauan (meter)’);
>> ylabel(’Tinggi (meter)’);
>> title(’Lintasan Gerak Parabola’)
44 BAB 3. FUNGSI
Pada bab terdahulu kita sudah melakukan proses optimasi penjumlahan matrik dengan source
code akhir seperti ini
1 clear all
2 clc
3
4 A=[3 8 5; 6 4 7]; % inisialisasi matrik A
5 C=[9 5 3; 7 2 1]; % inisialisasi matrik B
6
7 % ---proses penjumlahan matrik----
8 for i=1:2
9 for j=1:3
10 D(i,j)=A(i,j)+C(i,j);
11 end
12 end
13
14 % ---menampilkan matrik A, C dan D----
15 A
16 C
17 D
Pertanyaan yang segera muncul adalah apakah source code tersebut bisa digunakan untuk me-
nyelesaikan penjumlahan matrik yang dimensinya bukan 2x3 ? Misalnya
D =A+C
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 clear all
2 clc
3
4 A=[4 3 8 6; 5 1 2 3; 6 7 9 1]; % inisialisasi matrik A
5 C=[2 6 7 2; 9 1 3 8; 5 8 4 7]; % inisialisasi matrik B
6
7 % ---proses penjumlahan matrik----
8 for i=1:3
9 for j=1:4
10 D(i,j)=A(i,j)+C(i,j);
11 end
12 end
13
14 % ---menampilkan matrik A, C dan D----
15 A
16 C
17 D
3.3. FUNGSI EKSTERNAL PADA OPERASI MATRIK 45
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 clear all
2 clc
3
4 A=[4 3 8 6; 5 1 2 3; 6 7 9 1]; % inisialisasi matrik A
5 C=[2 6 7 2; 9 1 3 8; 5 8 4 7]; % inisialisasi matrik B
6
7 % ---proses penjumlahan matrik----
8 dim=size(A);
9 n=dim(1);
10 m=dim(2);
11 for i=1:n
12 for j=1:m
13 D(i,j)=A(i,j)+C(i,j);
14 end
15 end
16
17 % ---menampilkan matrik A, C dan D----
18 A
19 C
20 D
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
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 infor-
masi 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 clear all
2 clc
3
4 A=[3 8 5; 6 4 7]; % inisialisasi matrik A
5 C=[9 5 3; 7 2 1]; % inisialisasi matrik B
6
7 % ---proses penjumlahan matrik----
8 dim=size(A);
9 n=dim(1);
10 m=dim(2);
11 for i=1:n
12 for j=1:m
13 D(i,j)=A(i,j)+C(i,j);
14 end
15 end
46 BAB 3. FUNGSI
16
17 % ---menampilkan matrik A, C dan D----
18 A
19 C
20 D
Ajaib bukan!? Tidak ada statemen yang berubah kecuali hanya pada baris ke-4 dan ke-5. Per-
ubahan itu tidak bisa dihindari karena memang di kedua baris itulah deklarasi elemen-elemen
matrik A dan matrik C dilakukan.
Saatnya kita memasuki topik tentang pembuatan fungsi eksternal. Dari source code yang terakhir
tadi, mari kita ambil bagian proses penjumlahan matrik-nya saja
1 dim=size(A);
2 n=dim(1);
3 m=dim(2);
4 for i=1:n
5 for j=1:m
6 D(i,j)=A(i,j)+C(i,j);
7 end
8 end
Kita akan jadikan potongan source code ini menjadi fungsi eksternal, dengan menambahkan
statemen function seperti ini
1 function D=jumlah(A,C)
2 dim=size(A);
3 n=dim(1);
4 m=dim(2);
5 for i=1:n
6 for j=1:m
7 D(i,j)=A(i,j)+C(i,j);
8 end
9 end
kemudian ia harus di-save dengan nama jumlah.m. Sampai dengan langkah ini kita telah mem-
buat fungsi eksternal dan diberi nama fungsi jumlah. Sederhana sekali bukan? Untuk menguji
kerja fungsi eksternal tersebut, coba jalankan source code berikut ini
1 clear all
2 clc
3
4 A=[3 8 5; 6 4 7]; % inisialisasi matrik A
5 C=[9 5 3; 7 2 1]; % inisialisasi matrik B
6
7 % ---proses penjumlahan matrik----
8 D=jumlah(A,C)
9
10 % ---menampilkan matrik A, C dan D----
11 A
3.5. FUNGSI EKSTERNAL PERKALIAN MATRIK 47
12 C
13 D
1 clear all
2 clc
3
4 A=[4 3 8 6; 5 1 2 3; 6 7 9 1]; % inisialisasi matrik A
5 C=[2 6 7 2; 9 1 3 8; 5 8 4 7]; % inisialisasi matrik B
6
7 % ---proses penjumlahan matrik----
8 D=jumlah(A,C)
9
10 % ---menampilkan matrik A, C dan D----
11 A
12 C
13 D
1 clear all
2 clc
3
4 V=[4 3; 5 1]; % inisialisasi matrik V
5 W=[2 6; 9 3]; % inisialisasi matrik W
6
7 % ---proses penjumlahan matrik----
8 U=jumlah(V,W)
9
10 % ---menampilkan matrik V, W dan U----
11 W
12 V
13 U
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.
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 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matrik A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matrik B
48 BAB 3. FUNGSI
6
7 % ---proses perkalian matrik----
8 for i=1:2
9 for j=1:2
10 E(i,j)=0;
11 end
12 end
13
14 for i=1:2
15 for j=1:2
16 for k=1:3
17 E(i,j)=E(i,j)+A(i,k)*B(k,j);
18 end
19 end
20 end
21
22 % ---menampilkan matrik A, B dan E----
23 A
24 B
25 E
Dan kita bisa sepakati simbol indeks m, n, dan p untuk men-generalisir dimensi matrik
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matrik A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matrik B
6
7 % ---proses perkalian matrik----
8 dim=size(A);
9 m=dim(1);
10 p=dim(2);
11 dim=size(B);
12 n=dim(2);
13 for i=1:m
14 for j=1:n
15 E(i,j)=0;
16 end
17 end
18
19 for i=1:m
20 for j=1:n
21 for k=1:p
22 E(i,j)=E(i,j)+A(i,k)*B(k,j);
23 end
24 end
25 end
3.6. FUNGSI EKSTERNAL PERKALIAN MATRIK DAN VEKTOR-KOLOM 49
26
27 % ---menampilkan matrik A, B dan E----
28 A
29 B
30 E
Selanjutnya kita ambil bagian proses perkalian matrik nya untuk dibuat fungsi eksternal
1 function E=kali(A,B)
2 dim=size(A);
3 m=dim(1);
4 p=dim(2);
5 dim=size(B);
6 n=dim(2);
7 for i=1:m
8 for j=1:n
9 E(i,j)=0;
10 end
11 end
12
13 for i=1:m
14 for j=1:n
15 for k=1:p
16 E(i,j)=E(i,j)+A(i,k)*B(k,j);
17 end
18 end
19 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 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matrik A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matrik B
6
7 % ---proses perkalian matrik----
8 E = kali(A,B)
9
10 % ---menampilkan matrik A, B dan E----
11 A
12 B
13 E
Silakan anda periksa hasil perhitungannya. Pasti betul! Anda bisa mencoba perkalian matrik
lainnya dengan menggunakan source code tersebut. Bahkan anda bisa mengganti nama matrik-
nya untuk selain A, B dan E.
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
50 BAB 3. FUNGSI
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matrik A
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matrik dan vektor----
8 for i=1:2
9 y(i,1)=0;
10 end
11
12 for i=1:2
13 for j=1:3
14 y(i,1)=y(i,1)+A(i,j)*x(j,1);
15 end
16 end
17
18 % ---menampilkan matrik A, B dan E----
19 A
20 x
21 y
Source code tersebut digunakan untuk menghitung perkalian matrik dan vektor-kolom berikut
Dan kita bisa sepakati simbol indeks m dan n untuk men-generalisir dimensi matrik
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matrik A
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matrik dan vektor----
8 dim=size(A);
9 m=dim(1);
10 n=dim(2);
11 for i=1:m
12 y(i,1)=0;
13 end
14
15 for i=1:m
16 for j=1:n
17 y(i,1)=y(i,1)+A(i,j)*x(j,1);
18 end
19 end
20
21 % ---menampilkan matrik A, B dan E----
22 A
23 x
3.7. PENUTUP 51
24 y
Selanjutnya kita ambil bagian proses perkalian matrik dan vektor nya untuk dibuat fungsi eks-
ternal
1 function y=kalivektor(A,x)
2 dim=size(A);
3 m=dim(1);
4 n=dim(2);
5 for i=1:m
6 y(i,1)=0;
7 end
8
9 for i=1:m
10 for j=1:n
11 y(i,1)=y(i,1)+A(i,j)*x(j,1);
12 end
13 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 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matrik A
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matrik dan vektor----
8 y = kalivektor(A,x);
9
10 % ---menampilkan matrik A, B dan E----
11 A
12 x
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.
3.7 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.
52 BAB 3. FUNGSI
Penguasaan atas ketiga pilar tersebut akan mengarahkan programmer untuk membuat so-
urce 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.
3.8 Latihan
(a) Buatlah script untuk menghitung koefisien refleksi dengan interval sudut per 5 o
(a) Buatlah script untuk menghitung koefisien transmisi dengan interval sudut per 5 o
(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 ge-
lombang sinusoidal berfrekuensi 500 Hz dengan amplitudo 6; kemudian di-plot pada
grafik yang sama.
3.8. LATIHAN 53
(c) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar ge-
lombang 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 su-
perposisi ketiga gelombang di atas; kemudian di-plot pada grafik yang sama.
(e) Buatlah fungsi eksternal hanya untuk ketiga persamaan gelombang-nya saja. Semen-
tara perhitungan superposisi dan plot grafik tetap ditulis pada main program.
54 BAB 3. FUNGSI
Bab 4
✍ Objektif :
⊲ Mengaplikasikan teori yang diuraikan pada Bab sebelumnya.
⊲ Menganalisis respon gaya gravitasi.
⊲ Menganalisis respon gaya potensial listrik.
⊲ Menganalisis respon gaya gravitasi dari banyak buah bola.
Keterampilan paling mendasar yang harus dimiliki oleh seorang programmer aplikasi sains
ada 4 yaitu mampu melakukan inisialisasi variabel, mampu membuat proses berulang (looping
process) dan mampu membuat fungsi eksternal serta mampu memvisualisasi dalam bentuk gra-
fik. Pada Bab ini, akan dihadirkan contoh proses pembuatan suatu script/program setahap demi
setahap, dimulai dari program yang paling sederhana, lalu dimodifikasi berulang kali, hingga
akhirnya diperoleh program final yang paling efektif dan efisien dilengkapi fungsi eksternal.
Kasus-kasus yang dihadirkan disini adalah respon gravitasi, respon potensial listrik, serta seis-
mik
Gaya gravitasi diperkenalkan pertama kali oleh Newton. Gaya yang muncul antara dua benda
yang masing-masing bermassa m1 dan m2 berbanding lurus dengan perkalian massa dua benda
dan berbanding terbalik dengan jarak kuadrat r 2 yang memisahkan pusat massa kedua benda
tersebut.
m1 m2
F =G (4.1)
r2
Dalam satuan Standar Internasional konstanta gravitasi G bernilai 6.672 × 10−11 N m2 /kg2 ;
sementara dalam cgs, G = 6.672 × 10−8 Dyne cm2 /g2 .
Gaya gravitasi menyebabkan benda kedua m2 merasakan percepatan gravitasi akibat penga-
ruh benda pertama m1 , yaitu
m1
g=G (4.2)
r2
55
56 BAB 4. APLIKASI DALAM SAINS
Me
g=G (4.3)
Re2
dimana Re adalah jari-jari bumi. Percepatan gravitasi pertama kali diukur oleh Galileo di Mena-
ra Miring Pisa. Nilai g dipermukaan bumi adalah 980 cm/dt2 . Sebagai penghargaan terhadap
Galileo, 1 cm/dt2 disebut 1 galileo atau 1 gal. Gravimeter adalah alat ukur percepatan gravitasi
bumi di permukaan bumi. Sensitifitas gravimeter memiliki orde 10−5 gal atau 0.01 mgal.
Gambar 4.1 memperlihatkan diagram vektor respon gravitasi bumi g dan respon gravitasi
yang berasal dari suatu benda anomali δg dengan komponen horizontal δgx dan komponen ver-
tikal δgz . Karena δgz jauh lebih kecil dibanding g, maka sudut θ tidak signifikan atau relatif
sangat kecil sehingga bisa diasumsikan δg ≈ δgz . Artinya respon gravitasi komponen vertikal
dari benda anomali dianggap sama persis atau mendekati respon gravitasi yang arah-nya me-
nuju benda anomali tersebut. Sehingga, total percepatan gravitasi dalam arah vertikal adalah
g + δgz , terdiri atas percepatan gravitasi bumi dan percepatan gravitasi akibat benda anomali.
Gambar 4.1: Vektor percepatan gravitasi dalam arah vertikal akibat benda anomali dan akibat
bumi
Pusat massa sebuah bola, berjari-jari a dengan densitas ρ, berada pada kedalaman z memiliki
pengaruh gaya gravitasi pada benda yang ada disekitarnya. Alat gravimeter diletakkan di titik P
sebagaimana tampak pada Gambar 4.2. Komponen vertikal percepatan gravitasi δgz dirumuskan
sebagai berikut
m mz mz
δgz = G 2
cos θ = G 2 = G 3 (4.4)
r r r r
4.1. METODE GRAVITASI 57
√
karena m = ρV dan r = x2 + z 2 , sementara V = 43 πa3 , maka
4 z
δgz = G πa3 ρ 2 (4.5)
3 (x + z 2 )3/2
Gambar 4.2: Benda anomali berupa bola berada dibawah permukaan bumi
Sebuah bola berjari-jari 50 m dengan densitas 2500 kg/m3 berada di kedalaman 3000 m.
Besarnya percepatan gravitasi yang terukur oleh gravimeter di titik stasiun yang berjarak hori-
zontal x = 200 m dihitung menggunakan script Matlab berikut
Pada bagian awal script, perlu ditambahkan clc dan clear all
1 clc
2 clear all
3
4 G = 6.672*1e-11; % konstanta gravitasi
5 k = (4*G*pi)/3;
6 a = 50; % jari-jari bola
7 rho = 2500; % densitas bola
8 z = 3000; % kedalaman pusat bola
9 x = 200; % jarak horizontal
10
11 dgz = (k*rho*a^3*z)/(x^2+z^2)^(3/2);
58 BAB 4. APLIKASI DALAM SAINS
Agar lebih informatif, perlu ditambahkan keterangan tujuan program serta mempertegas bagian
inisialisasi dan perhitungan dgz
Variasi jarak horizontal disimpan dalam sebuah variabel, yaitu variabel x. Hasil perhitungan
dgz juga disimpan dalam sebuah variabel, yaitu variabel dgz
Jika terdapat 3 variasi jarak horizontal, maka variabel x diisi dengan 3 angka. Adapun perhi-
tungan dgz mengikuti jumlah angka pada variabel x
Selanjutnya looping process diterapkan untuk perhitungan dgz yang berulang 3 kali
20 dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
21 end
Banyaknya angka pada variabel x dapat dihitung secara otomatis menggunakan perintah le-
ngth()
Selanjutnya, jarak horizontal dapat divariasikan dengan angka yang lebih banyak lagi, misalnya
x dimulai dari -10000 hingga 10000 dengan interval 10 m.
3
4 clc
5 clear all
6
7 % ========== inisialisasi variabel ====================
8 G = 6.672*1e-11; % konstanta gravitasi
9 k = (4*G*pi)/3;
10 a = 50; % jari-jari bola
11 rho = 2500; % densitas bola
12 z = 3000; % kedalaman pusat bola
13 x = -10000:10:10000; % variasi jarak horizontal x
14 n = length(x); % menghitung jumlah angka pada variabel x
15
16 % ======== perhitungan dgz menggunakan looping for-end ===================
17 for j = 1:n
18 dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
19 end
20
21 % ======== visualisasi grafik x vs dgz ===================================
22 plot(x,dgz);
23 xlabel(’jarak horizontal’);
24 ylabel(’percepatan gravitasi’);
25 grid on;
Tambahkan perintah close all pada bagian awal script agar setiap kali script dijalankan ia akan
menghapus semua grafik
Berikutnya adalah pembuatan fungsi eksternal untuk perhitungan dgz. Mula-mula script per-
hitungan dgz diatur kembali agar memperjelas bagian mana yang akan di copy-paste menjadi
fungsi eksternal
62 BAB 4. APLIKASI DALAM SAINS
Sederatan baris perintah yang berisi perhitungan dgz di-copy-paste kedalam file fungsi eksternal
yang diberinama gravbola()
Sekarang didapatkan script final perhitungan dgz dengan variasi jarak horizontal
18
19 % ======== visualisasi grafik x vs dgz ===================================
20 plot(x,dgz);
21 xlabel(’jarak horizontal’);
22 ylabel(’percepatan gravitasi’);
23 grid on;
−8
x 10
1
0.9
0.8
0.7
percepatan gravitasi
0.6
0.5
0.4
0.3
0.2
0.1
0
−1 −0.5 0 0.5 1
jarak horizontal 4
x 10
Gambar 4.3: Variasi nilai percepatan gravitasi terhadap perubahan jarak horizontal
64 BAB 4. APLIKASI DALAM SAINS
Bab 5
✍ Objektif :
⊲ Mengetahui definisi akar
⊲ Mengenalkan metode Bisection
⊲ Mengenalkan metode Newton
⊲ Mengaplikasikan metode Bisection dan Newton
Bab ini akan dimulai dengan mengetengahkan sebuah permasalahan klasik yaitu mencari akar
suatu persamaan matematika atau fungsi. Yang dimaksud akar adalah titik perpotongan antara
kurva fungsi f (x) dengan sumbu x, sehingga nilai f (x) sama dengan nol. Perhatikan Gambar
5.1 dan Gambar 5.2 berikut ini
Apakah anda masih ingat rumus abc yang pernah diajarkan di bangku SMP? Itu adalah rumus
untuk mencari akar dari fungsi kuadrat. Lewat pendekatan numerik, ada dua cara alternatif
untuk menemukan akar dari suatu fungsi, yaitu metode bisection dan metode Newton. Dengan
kedua metode tersebut, anda dapat menemukan akar dari sembarang fungsi; tidak hanya ter-
batas pada fungsi kuadrat saja.
Langkah-langkah penerapan metode bisection adalah sebagai berikut:
• Tentukan a = batas kiri dan b = batas kanan, kemudian hitung p dengan rumus
a+b
p= (5.1)
2
65
66 BAB 5. MENCARI SOLUSI SATU VARIABEL
f(x) = x2 − 4
25
20
15
f(x)
10
−5
−5 0 5
x
Gambar 5.1: Fungsi dengan dua akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = −2 dan x = 2
Agar lebih memperjelas cara kerja metode bisection, saya demonstrasikan untuk mencari
salah satu akar dari fungsi kuadrat f (x) = x2 + 3x − 2. Gambar 5.3 memperlihatkan kurva
fungsi tersebut yang didalamnya terdapat 2 nilai akar.
Dengan metode bisection, akar yang di sebelah kanan akan dicari. Secara visual terlihat
bahwa posisi akar tersebut ada diantara 0 dan 1. Ketika perhitungan baru dimulai, batas kiri
adalah a = 0. Batas kanan adalah b = 1. Sementara p adalah posisi tengah antara a dan b.
Posisi p belum berada pada titik perpotongan dengan sumbu x; sehingga saat ini nilai p bukan
nilai akar (lihat Gambar 5.4). Absis titik p ditentukan oleh
a+b 0+1
p= = = 0, 5
2 2
Langkah berikutnya adalah mengevaluasi perkalian f (a) dan f (p). Terlihat dari Gambar 5.4,
nilai f (a) adalah negatif, demikian juga dengan f (p), maka f (a) dikali f (p) hasilnya positif.
Berdasarkan hasil ini, nilai a yang lama (angka 0) harus diganti dengan nilai p = 0,5. Adapun
nilai b tidak berubah sama sekali, yaitu 1. Ini adalah perhitungan iterasi pertama.
Iterasi kedua dimulai dengan menetapkan a dan b. Berdasarkan hasil iterasi pertama, nilai
a = 0,5 dan nilai b = 1. Berikutnya menentukan nilai p kembali menggunakan
a+b 0, 5 + 1
p= = = 0, 75
2 2
Langkah berikutnya adalah mengevaluasi kembali perkalian f (a) dan f (p). Terlihat dari Gambar
5.5, nilai f (a) adalah negatif, sebaliknya nilai f (p) positif, maka f (a) dikali f (p) hasilnya negatif.
Berdasarkan hasil ini, nilai b yang lama (angka 1) harus diganti dengan nilai p = 0,75. Adapun
nilai a tidak berubah sama sekali, yaitu 0,5. Ini adalah perhitungan iterasi kedua.
5.2. METODE BISECTION 67
Fungsi f(x) = x3 + 2
150
100
50
f(x)
−50
−100
−150
−5 0 5
x
Gambar 5.2: Fungsi dengan satu akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = −1, 2599
Iterasi ketiga dimulai dengan menetapkan a dan b. Berdasarkan hasil iterasi kedua, nilai a
= 0,5 dan nilai b = 0,75. Berikutnya menentukan nilai p kembali menggunakan
a+b 0, 5 + 0, 75
p= = = 0, 625
2 2
Langkah berikutnya adalah mengevaluasi kembali perkalian f (a) dan f (p). Terlihat dari Gambar
5.6, nilai f (a) adalah negatif, adapun nilai f (p) tetap positif, maka f (a) dikali f (p) hasilnya
negatif. Berdasarkan hasil ini, nilai b yang lama (angka 0,75) harus diganti dengan nilai p =
0,625. Adapun nilai a tidak berubah sama sekali, yaitu 0,5. Ini adalah perhitungan iterasi
ketiga.
Jika iterasi dilanjutkan hingga iterasi ke-20, maka f (p) akan bervariasi dengan kecende-
rungan menuju nol. Sementara nilai p cenderung menuju ke nilai kestabilan tertentu. Pada saat
f (p) = 0, nilai akar adalah nilai p. Tabel 5.1 memperlihatkan nilai p cenderung stabil pada p =
0,5615. Sehingga dapat disimpulkan salah satu akar dari f (x) = x2 + 3x − 2 adalah 0,5615.
Gambar 5.7 memperlihatkan secara grafik mengenai pola perubahan f (p) dan p seiring de-
ngan bertambahnya iterasi.
68 BAB 5. MENCARI SOLUSI SATU VARIABEL
Kurva f(x)=x2+3x−2
30
25
20
15
f(x)
10
−5
−4 −3 −2 −1 0 1 2 3 4
x
Kurva f(x)=x2+3x−2
2 f(b)
1.5
0.5
f(x)
0
f(p)
−0.5
−1
−1.5
−2
f(a)
a= 0 0.2 0.4 0.6 0.8 b=1
x
Gambar 5.4: Awal perhitungan: batas kiri adalah a = 0, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b
5.2. METODE BISECTION 69
Kurva f(x)=x2+3x−2
2.5
2
f(b)
1.5
f(x)
f(p)
0.5
f(a)
−0.5
Gambar 5.5: Iterasi kedua: batas kiri adalah a = 0,5, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b
Script Matlab untuk aplikasi metode bisection telah ditulis seperti di bawah ini. Script ini perlu
dukungan fungsi eksternal f.m untuk menyimpan persamaan matematika. Variabel toleransi
perlu diberikan untuk membatasi jumlah iterasi. Nilai toleransi berisi batasan nilai terkecil yang
dapat dianggap bernilai nol.
Kurva f(x)=x2+3x−2
1.2
1
f(b)
0.8
0.6
0.4
f(x)
f(p)
0.2
−0.2 f(a)
−0.4
−0.6
0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85
x
Gambar 5.6: Iterasi ketiga: batas kiri adalah a = 0,5, batas kanan adalah b = 0,75; sementara
p adalah posisi tengah antara a dan b
1 function y = f(x)
2
3 n = length(x);
4 for j = 1:n
5 y(j) = x(j)^2 + 3*x(j) - 2;
6 end
Fungsi eksternal f.m juga bisa dituliskan dalam bentuk lain, yaitu
1 function y = f(x)
2
3 y = x.^2 + 3*x - 2;
Bentuk penulisan seperti di atas, tidak bisa diterapkan dalam bahasa Fortran ataupun bahasa C.
5.2. METODE BISECTION 71
0.8
0.6
0.4
nilai f(p)
0.2
−0.2
−0.4
0 5 10 15 20 25
Jumlah iterasi
0.7
0.65
nilai p
0.6
0.55
0.5
0 5 10 15 20 25
Jumlah iterasi
Kurva f(x) = x2 + 3x − 2
30
25
20
15
nilai f(x)
10
akar = 0,5615
5
−5
−4 −3 −2 −1 0 1 2 3 4
nilai x
Gambar 5.8: Nilai akar ditandai oleh lingkaran kecil pada kurva yang memotong sumbu-x
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
f (xlama )
xbaru = xlama − (5.2)
f ′ (xlama )
f (xn−1 )
xn = xn−1 − , n≥1 (5.3)
f ′ (xn−1 )
Mari kita terapkan metode ini untuk mencari akar dari fungsi f (x) = x2 − 4, dimana kurva
fungsinya sudah tergambar pada Gambar 5.1. Fungsi tersebut mempunyai turunan pertama
f ′ (x) = 2x. Untuk mencari akar-akar-nya, langkah penyelesaian dimulai dengan menentukan
nilai awal, misalnya xlama = −4. Kemudian persamaan (5.2) diterapkan untuk mendapatkan
5.3. METODE NEWTON 73
xbaru
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(−4)2 − 4
= −4 −
2(−4)
= −2, 5000
Walaupun xbaru telah didapat, belum tentu nilai xbaru tersebut adalah akar f (x). Perlu ada
kriteria untuk memastikan apakah nilai xbaru merupakan akar yang dicari atau bukan. 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 )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(−2, 5000)2 − 4
= −2, 5000 −
2(−2, 5000)
= −2, 0500
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(−2, 0500)2 − 4
= −2, 0500 −
2(−2, 0500)
= −2, 0006
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(−2, 0006)2 − 4
= −2, 0006 −
2(−2, 0006)
= −2, 0000
74 BAB 5. MENCARI SOLUSI SATU VARIABEL
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(−2, 0000)2 − 4
= −2, 0000 −
2(−2, 0000)
= −2, 0000
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 5.1)? 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 )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
2
(1) − 4
= 1−
2(1)
= 2, 5000
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(2, 5000)2 − 4
= 2, 5000 −
2(2, 5000)
= 2, 0500
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(2, 0500)2 − 4
= 2, 0500 −
2(2, 0500)
= 2, 0006
5.3. METODE NEWTON 75
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(2, 0006)2 − 4
= 2, 0006 −
2(2, 0006)
= 2, 0000
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(2, 0000)2 − 4
= 2, 0000 −
2(2, 0000)
= 2, 0000
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
selain x = −2, 0000 adalah x = 2, 0000.
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 clear all
2 close all
3 clc
4
5 itermaks = 1000; % batas iterasi maksimum
6 epsilon = 10^(-5); % batas toleransi
7 xlama = 1; % nilai awal
8
9 for k = 1:itermaks
10 xbaru = xlama - (fs(xlama))/ft(xlama);
11 if abs(xbaru-xlama) < epsilon
12 break;
13 end
14 xlama = xbaru;
15 end
1 function y = fs(x)
2 y = x.^2 - 4;
76 BAB 5. MENCARI SOLUSI SATU VARIABEL
1 function y = ft(x)
2 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 function y = fs(x)
2 y = x.^3 + 2;
dan
1 function y = ft(x)
2 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 clear all
2 close all
3 clc
4
5 itermaks = 1000; % batas iterasi maksimum
6 epsilon = 10^(-5); % batas toleransi
7 xlama = 0.5; % nilai awal
8
9 for k = 1:itermaks
10 xbaru = xlama - (fs(xlama))/ft(xlama);
11 if abs(xbaru-xlama) < epsilon
12 break;
13 end
14 xlama = xbaru;
15 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
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
pertamanya akan seperti ini
f (xlama )
xbaru = xlama −
f ′ (xlama )
x3 +2
= xlama − lama 2
3xlama
(1)2 + 2
= 1−
3(1)2
= 0
5.3. METODE NEWTON 77
jika hasil ini diumpankan pada iterasi ke-2, maka f ′ (x) akan bernilai nol. Efeknya adalah kom-
puter 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 modifi-
kasi 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 clear all
2 close all
3 clc
4
5 itermaks = 1000; % batas iterasi maksimum
6 epsilon = 10^(-5); % batas toleransi
7 xlama = 1; % nilai awal
8
9 for k = 1:itermaks
10 if ft(xlama) == 0 % antisipasi jika turunan pertamanya = 0
11 xlama = xlama + 0.001; % sekedar ditambah 0.001 aja. Pakai angka lain juga bisa.
12 end
13 xbaru = xlama - (fs(xlama))/ft(xlama);
14 if abs(xbaru-xlama) < epsilon
15 break;
16 end
17 xlama = xbaru;
18 end
19 xbaru
78 BAB 5. MENCARI SOLUSI SATU VARIABEL
1. Buatlah script matlab rumus abc untuk mencari nilai-nilai akar persamaan kuadrat. Tam-
pilkan kurva fungsi kuadrat dalam bentuk grafik dan tandai posisi akarnya
Bab 6
Integral Numerik
✍ Objektif :
⊲ Mengenalkan metode Trapezoida
⊲ Mengenalkan metode Simpson
⊲ Mengenalkan metode Composite-Simpson
⊲ Mengenalkan metode Adaptive Quardrature
⊲ Mengenalkan metode Gaussian Quadrature
Integral terhadap suatu fungsi, f(x), yang dievaluasi dari a hingga b dapat dinyatakan oleh
rumus berikut ini Z b
f (x)dx (6.1)
a
Pendekatan numerik yang paling dasar dalam memecahkan masalah integral adalah metode
Trapezoida, yang dirumuskan sebagai berikut
b
h h3
Z
f (x)dx = [f (x0 ) + f (x1 )] − f ′′ (ξ) (6.2)
a 2 12
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
(6.2) menjadi lebih sederhana.
b
h
Z
f (x)dx = [f (x0 ) + f (x1 )] (6.3)
a 2
Akibatnya pendekatan Trapezoida hanya bekerja efektif pada fungsi-fungsi yang turunan kedua-
nya bernilai nol (f ′′ = 0). Gambar (6.1) memperlihatkan prinsip metode trapezoida dalam
bentuk grafik. Sementara, script berikut ini dibuat berdasarkan persamaan (6.3).
79
80 BAB 6. INTEGRAL NUMERIK
f(x)
f(x1) f(x)
f(x0)
Gambar 6.1: 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 de-
ngan 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 clear all
2 clc
3
4 a = ... %batas bawah integral;
5 b = ... %batas atas integral;
6
7 x0 = a;
8 x1 = b;
9 h = b-a;
10
11 % -- metode trapezoida --
12 Int_trapezoida = h/2*(f(x0)+f(x1))
1 function y = f(x)
2 y = ... % rumus fungsi yang di-integralkan;
Metode pendekatan yang lebih baik dibanding metode Trapezoida dalam integral numerik ada-
lah metode Simpson yang diformulasikan sebagai berikut
b
h h5
Z
f (x)dx = [f (x1 ) + 4f (x2 ) + f (x3 )] − f 4 (ξ) (6.4)
a 3 90
f(x)
f(x2) f(x)
f(x1)
f(x0)
h
h
Gambar 6.2: 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 clc
2 clear all
3
4 a = ... %batas bawah integrasi ;
5 b = ... %batas atas integrasi ;
6
7 x1 = a;
8 x3 = b;
9 h = (b-a)/2;
10 x1 = a + h;
11
12 % -- metode simpson --
13 Int_simpson = h/3*(f(x1)+4*f(x2)+f(x3))
Contoh
Metode Trapezoida untuk fungsi f pada interval [0,2] adalah
Z 2
f (x)dx ≈ f (0) + f (2)
0
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
x2
h h3
Z
f (x)dx = [f (x1 ) + f (x2 )] − f ′′ (ξ) (6.6)
x1 2 12
ketika n = 2: Simpson
x3
h h5
Z
f (x)dx = [f (x1 ) + 4f (x2 ) + f (x3 )] − f 4 (ξ) (6.7)
x1 3 90
ketika n = 4:
Z x5
2h 8h7 6
f (x)dx = [7f (x1 ) + 32f (x2 ) + 12f (x3 ) + 32f (x4 ) + 7f (x5 )] − f (ξ) (6.9)
x1 45 945
1 clc
2 clear all
3
4 % -- batas integrasi --
5 a = 0;
6 b = 2;
7
8 x0 = a;
9 x3 = b;
10 h = (b-a)/3;
11 x1 = a + h;
12 x2 = a + 2*h;
13 % ---------------------
14
15 % -- metode simpson 3/8 --
16 Int_38 = 3*h/8*(f(x0)+3*f(x1)+3*f(x2)+f(x3))
1 clc
2 clear all
3
6.4. METODE COMPOSITE-SIMPSON 83
4 % -- batas integrasi --
5 a = 0;
6 b = 2;
7
8 x0 = a;
9 x4 = b;
10 h = (b-a)/4;
11 x1 = a + h;
12 x2 = a + 2*h;
13 x3 = a + 3*h;
14 % ---------------------
15
16 % -- metode simpson n=4 --
17 Int_n4 = 2*h/45*(7*f(x0)+32*f(x1)+12*f(x2)+32*f(x3)+7*f(x4))
Perbandingan tingkat akurasi hasil perhitungan seluruh metode integral numerik yang sudah
dibahas adalah sebagai berikut
√
f (x) x2 x4 1/(x + 1) 1 + x2 sin x ex
Nilai exact 2,667 6,400 1,099 2,958 1,416 6,389
Trapezoida 4,000 16,000 1,333 3,236 0,909 8,389
Simpson n=2 2,667 6,667 1,111 2,964 1,425 6,421
Simpson n=3 2,667 6,519 1,105 2,960 1,420 6,403
Simpson n=4 2,667 6,400 1,099 2,958 1,416 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.
Padahal solusi exact dari integral tersebut adalah e4 − e0 = 53, 59815, artinya terdapat error
sebesar 3,17143 yang dinilai masih terlampau besar untuk ditolerir. Bandingkan dengan metode
84 BAB 6. INTEGRAL NUMERIK
f(x)
x0=a x1 x2 x3 x4 x5 x6 x7 xn=b
Gambar 6.3: 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.
Hasil ini memperlihatkan error yang makin kecil, yaitu menjadi 0,26570. Jadi dengan memper-
kecil h, error menjadi semakin kecil dan itu artinya solusi integral numerik semakin mendekati
1
solusi exact. Sekarang kita coba kecilkan lagi nilai h menjadi h = 2 (atau interval evaluasi
integral dibagi 8 , n = 8),
Z 4 Z 1 Z 2 Z 3 Z 4
x x x x
e dx = e dx +
e dx + e dx + ex dx
0 0 1 2 3
1 0 1
≈ e + 4e1/2 + e + e + 4e3/2 + e2 +
6 6
1 2 5/2 3
1
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
dan seperti yang sudah kita duga, error -nya semakin kecil menjadi 0,01807.
Z b n/2 Z x2j
X
f (x)dx = f (x)dx
a j=1 x2j−2
n/2
h5 (4)
X h
= [f (x2j−2 ) + 4f (x2j−1 ) + f (x2j )] − f (ξj ) (6.10)
3 90
j=1
6.5. ADAPTIVE QUARDRATURE 85
dimana h = (b − a)/n dan xj = a + jh, untuk j = 1, ..., n/2, dengan x0 = a dan xn = b. Formula
ini dapat direduksi menjadi
b (n/2)−1 n/2 n/2
h h5 X (4)
Z X X
f (x)dx = f (x0 ) + 2 f (x2j ) + 4 f (x2j−1 ) + f (xn ) − f (ξj ) (6.11)
a 3 90
j=1 j=1 j=1
Metode composite mensyaratkan luas area integrasi dibagi menjadi sejumlah region dengan ja-
rak 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 va-
riasi kurva fungsinya.
Rb
Misalnya kita bermaksud mencari solusi numerik dari integral a f (x)dx dengan toleransi
ǫ > 0. Sebagai langkah awal adalah menerapkan metode Simpson dimana step size h = (b−a)/2
b
h5 (4)
Z
f (x)dx = S(a, b) − f (µ) (6.12)
a 90
dengan
h
S(a, b) = [f (a) + 4f (a + h) + f (b)]
3
Langkah berikutnya adalah men
b
h h 3h
Z
f (x)dx = f (a) + 4f a + + 2f (a + h) + 4f a + + f (b)
a 6 2 2
4
h (b − a) (4)
− f (µ̃) (6.13)
2 180
Suatu integral dapat ditransformasi kedalam bentuk Gaussian quadrature melalui formulasi ber-
ikut
b 1
(b − a)t + (b + a) (b − a)
Z Z
f (x)dx = f dt (6.14)
a −1 2 2
dimana perubahan variabel memenuhi
2x − a − b 1
t= ⇔ x = [(b − a)t + a + b] (6.15)
b−a 2
6.6.1 Contoh
jawab:
Pertama, integral tersebut ditransformasikan kedalam Gaussian quadrature melalui persamaan
(6.14)
1,5 1
1 −(t+5)2
Z Z
−x2
e dx = e 16 dt (6.17)
1 4 −1
Untuk n = 3
1,5
1
Z
2 2 2
e−x dx ≈ [(0, 5555555556)e(−(0,7745966692+5) /16) + (0, 8888888889)e(−(5) /16)
1 4
2 /16)
+ (0, 5555555556)e(−(−0,7745966692+5) ] = 0, 1093642
6.6.2 Latihan
Latihan
dengan metode Composite Simpson, bila error yang ditolerir harus lebih kecil dari 10−4 .
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) 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84
speed(f t/dt) 124 134 148 156 147 133 121 109 99 85 78 89 104 116 123
Gunakan metode integral numerik untuk menghitung panjang lintasan yang telah dilalui mobil
tersebut selama pencatatan waktu di atas!
Bab 7
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
b−a
h= (7.2)
N
dengan N adalah bilangan integer positif. Nilai h ini juga dikenal dengan nama step size.
Selanjutnya nilai t diantara a dan b ditentukan berdasarkan
89
90 BAB 7. DIFERENSIAL NUMERIK
y y
y(tN)=y(b) y(t)
y’=f(t,y) y(t)
y(a)=a
y(t2) y’=f(t,y)
y(a)=a
y(t1) w1 y’(a)=f(a,a)
y(t0)=a a
h h
Gambar 7.1: 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 konti-
nyu dan memiliki turunan dalam interval [a,b]. Dalam deret Taylor, fungsi y(t) tersebut diru-
muskan sebagai
(ti+1 − ti )2 ′′
y(ti+1 ) = y(ti ) + (ti+1 − ti )y ′ (ti ) + y (ξi ) (7.4)
2
dengan memasukkan h = (ti+1 − ti ), maka
h2 ′′
y(ti+1 ) = y(ti ) + hy ′ (ti ) + y (ξi ) (7.5)
2
dan, karena y(t) memenuhi persamaan diferensial (7.1), dimana y ′ (ti ) tak lain adalah fungsi
turunan f (ti , y(ti )), maka
h2 ′′
y(ti+1 ) = y(ti ) + hf (ti , y(ti )) + y (ξi ) (7.6)
2
Metode Euler dibangun dengan pendekatan bahwa suku terakhir dari persamaan (7.6), yang
memuat turunan kedua, dapat diabaikan. Disamping itu, pada umumnya, notasi penulisan bagi
y(ti ) diganti dengan wi . Sehingga metode Euler diformulasikan sebagai
dimana i = 0, 1, 2, .., N − 1.
Contoh
Diketahui persamaan diferensial
dimana N = 10. Disini terlihat bahwa batas awal interval, a = 0; dan batas akhir b = 2.
Dalam penerapan metode euler, pertama kali yang harus dilakukan adalah menghitung step-
7.1. METODE EULER 91
ti = a + ih = 0 + i(0, 2) sehingga ti = 0, 2i
w0 = 0, 5
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
1 clear all
2 clc
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 t1=a+1*h;
15 t2=a+2*h;
92 BAB 7. DIFERENSIAL NUMERIK
16 t3=a+3*h;
17 t4=a+4*h;
18 t5=a+5*h;
19 t6=a+6*h;
20 t7=a+7*h;
21 t8=a+8*h;
22 t9=a+9*h;
23 t10=a+10*h;
24
25 % solusinya:
26 w1=w0+h*(w0-t0^2+1)
27 w2=w1+h*(w1-t1^2+1)
28 w3=w2+h*(w2-t2^2+1)
29 w4=w3+h*(w3-t3^2+1)
30 w5=w4+h*(w4-t4^2+1)
31 w6=w5+h*(w5-t5^2+1)
32 w7=w6+h*(w6-t6^2+1)
33 w8=w7+h*(w7-t7^2+1)
34 w9=w8+h*(w8-t8^2+1)
35 w10=w9+h*(w9-t9^2+1)
1 clear all
2 clc
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 w(1)=w0+h*(w0-t0^2+1);
20 for i=2:N
21 k=i-1;
22 w(i)=w(k)+h*(w(k)-t(k)^2+1);
23 end
24 w
1 clear all
2 clc
7.1. METODE EULER 93
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10
11 % perubahan t sesuai step-size h adalah:
12 for i=1:N
13 t(i)=a+(i*h);
14 end
15
16 % solusi exact:
17 for i=1:N
18 y(i)=(t(i)+1)^2-0.5*exp(t(i));
19 end
20 y
Tabel 7.1: 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 semakin
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 (7.2) memperlihatkan sebaran titik-titik merah yang merupakan hasil perhitungan
metode euler (wi ). Sementara solusi exact y(ti ) diwakili oleh titik-titik biru. Tampak jelas bah-
wa 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 sema-
kin 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
yang terdapat dalam script sebelumnya yaitu,
94 BAB 7. DIFERENSIAL NUMERIK
5.5
4.5
3.5
y(t)
2.5
1.5
0.5
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
t
Gambar 7.2: 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 (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu nilai wi .
w(1)=w0+h*(w0-t0^2+1);
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 clear all
2 clc
3
4 format long
5
6 b=2; %batas akhir interval
7.2. METODE RUNGE KUTTA 95
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.
Pada saat membahas metode Euler untuk penyelesaian persamaan diferensial, kita telah sampai
pada kesimpulan bahwa truncation error metode Euler terus membesar seiring dengan bertam-
bahnya iterasi (ti ). Dikaitkan dengan hal tersebut, metode Runge-Kutta Orde-4 menawarkan
penyelesaian persamaan diferensial dengan pertumbuhan truncation error yang jauh lebih ke-
cil. Persamaan-persamaan yang menyusun metode Runge-Kutta Orde-4 adalah
w0 = α
k1 = hf (ti , wi ) (7.10)
h 1
k2 = hf (ti + , wi + k1 ) (7.11)
2 2
h 1
k3 = hf (ti + , wi + k2 ) (7.12)
2 2
k4 = hf (ti+1 , wi + k3 ) (7.13)
1
wi+1 = wi + (k1 + 2k2 + 2k3 + k4 ) (7.14)
6
y ′ = y − t2 + 1, 0 ≤ t ≤ 2, y(0) = 0, 5
96 BAB 7. DIFERENSIAL NUMERIK
b−a 2−0
h= = = 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 , tahap-
tahap perhitungannya dimulai dari menghitung k1
k1 = hf (t0 , w0 )
= h(w0 − t20 + 1)
= 0, 2((0, 5) − (0, 0)2 + 1)
= 0, 3
lalu menghitung k2
h k1
k2 = hf (t0 + , w0 + )
2 2
k1 h
= h[(w0 + ) − (t0 + )2 + 1)]
2 2
0, 3 0, 2 2
= 0, 2[(0, 5 + ) − (0, 0 + ) + 1)]
2 2
= 0, 328
dilanjutkan dengan k3
h k2
k3 = hf (t0 + , w0 + )
2 2
k2 h
= h[(w0 + ) − (t0 + )2 + 1)]
2 2
0, 328 0, 2 2
= 0, 2[(0, 5 + ) − (0, 0 + ) + 1)]
2 2
= 0, 3308
kemudian k4
k4 = hf (t1 , w0 + k3 )
= h[(w0 + k3 ) − t21 + 1]
= 0, 2[(0, 5 + 0, 3308) − (0, 2)2 + 1]
= 0, 35816
7.2. METODE RUNGE KUTTA 97
akhirnya diperoleh w1
1
w1 = w0 + (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
Dengan cara yang sama, w2 , w3 , w4 dan seterusnya dapat dihitung dengan program komputer.
Script matlab-nya sebagai berikut1 :
1 clear all
2 clc
3
4 format long
5
6 b=2; % batas akhir interval
7 a=0; % batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 k1=h*futur(t0,w0);
20 k2=h*futur(t0+h/2,w0+k1/2);
21 k3=h*futur(t0+h/2,w0+k2/2);
22 k4=h*futur(t(1),w0+k3);
23 w(1)=w0+1/6*(k1+2*k2+2*k3+k4);
24
25 for i=2:N
26 k=i-1;
27 k1=h*futur(t(k),w(k));
28 k2=h*futur(t(k)+h/2,w(k)+k1/2);
29 k3=h*futur(t(k)+h/2,w(k)+k2/2);
30 k4=h*futur(t(i),w(k)+k3);
31 w(i)=w(k)+1/6*(k1+2*k2+2*k3+k4);
32 end
33 w
Dibandingkan dengan metode Euler, tingkat pertumbuhan truncation error, pada kolom |wi −yi |
(lihat Tabel 7.2), 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 Runge-Kutta
Orde Empat dapat menyelesaikan persamaan diferensial biasa dengan tingkat akurasi yang lebih
1
Jangan lupa, file futur.m mesti berada dalam satu folder dengan file Runge Kutta nya!
98 BAB 7. DIFERENSIAL NUMERIK
Tabel 7.2: 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
3.5
y(t)
2.5
1.5
0.5
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
t
Gambar 7.3: 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 (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta orde 4, yaitu nilai wi .
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.
Sebuah kapasitor yang tidak bermuatan dihubungkan secara seri dengan sebuah resistor dan
baterry (Gambar 7.4). Diketahui ǫ = 12 volt, C = 5,00 µF dan R = 8,00 ×105 Ω. Saat sa-
7.2. METODE RUNGE KUTTA 99
klar dihubungkan (t=0), muatan belum ada (q=0). Berdasarkan hukum Kirchoff II, bentuk
persamaan diferensial yang sesuai dengan rangkaian tersebut adalah
dq ǫ q
= − (7.15)
dt R RC
Anda bisa lihat semua suku di ruas kanan persamaan (7.15) tidak mengandung variabel t. Pa-
ǫ
m1 = = 1, 5 × 10−5
R
1
m2 = = 0, 25
RC
dq
= f (qi ) = m1 − qi m2
dt
ti = a + ih
Jika t0 = 0, maka a = 0, dan pada saat itu (secara fisis) diketahui q0 = 0, 0. Lalu jika ditetapkan
h = 0, 1 maka t1 = 0, 1 dan kita bisa mulai menghitung k1 dengan menggunakan q0 = 0, 0,
100 BAB 7. DIFERENSIAL NUMERIK
k1 = hf (q0 )
= h(m1 − q0 m2 )
= 0, 1((1, 5 × 10−5 ) − (0, 0)(0, 25))
= 0, 150 × 10−5
lalu menghitung k2
k1
k2 = hf (q0 + )
2
k1
= h[(m1 − (q0 + )m2 )]
2
0, 15 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 0) + )(0, 25)]
2
= 0, 14813 × 10−5
dilanjutkan dengan k3
k2
k3 = hf (q0 + )
2
k2
= h[(m1 − (q0 + )m2 )]
2
0, 14813 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 0) + )(0, 25)]
2
= 0, 14815 × 10−5
kemudian k4
k4 = hf (q0 + k3 )
= h[(m1 − (q0 + k3 )m2 )]
= 0, 1[(1, 5 × 10−5 − ((0, 0) + 0, 14815 × 10−5 )(0, 25)]
= 0, 14630 × 10−5
akhirnya diperoleh q1
1
q1 = q0 + (k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 0 + (0, 150 + 2(0, 14813) + 2(0, 14815) + 0, 14630) × 10−5
6
= 0, 14814 × 10−5
7.2. METODE RUNGE KUTTA 101
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, 1((1, 5 × 10−5 ) − (0, 14814 × 10−5 )(0, 25))
= 0, 14630 × 10−5
lalu menghitung k2
k1
k2 = hf (q1 + )
2
k1
= h[(m1 − (q1 + )m2 )]
2
0, 14630 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 14814 × 10−5 ) + )(0, 25)]
2
= 0, 14447 × 10−5
dilanjutkan dengan k3
k2
k3 = hf (q1 + )
2
k2
= h[(m1 − (q1 + )m2 )]
2
0, 14447 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 14814 × 10−5 ) + )(0, 25)]
2
= 0, 14449 × 10−5
kemudian k4
k4 = hf (q1 + k3 )
= h[(m1 − (q1 + k3 )m2 )]
= 0, 1[(1, 5 × 10−5 − ((0, 14814 × 10−5 ) + 0, 14449 × 10−5 )(0, 25)]
= 0, 14268 × 10−5
akhirnya diperoleh q2
1
q2 = q1 + (k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 14814 × 10−5 + (0, 14630 + 2(0, 14447) + 2(0, 14449) + 0, 14268) × 10−5
6
= 0, 29262 × 10−5
Dengan cara yang sama, q3 , q4 , q5 dan seterusnya dapat dihitung. Berikut ini adalah script dalam
matlab yang dipakai untuk menghitung q
102 BAB 7. DIFERENSIAL NUMERIK
1 clear all
2 clc
3
4 format long
5
6 b=1; % batas akhir interval
7 a=0; % batas awal interval
8 h=0.1; % interval waktu
9 N=(b-a)/h; % nilai step-size
10 q0=0.0; % muatan mula-mula
11 t0=0.0; % waktu awal
12
13 % perubahan t sesuai step-size h adalah:
14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 k1=h*futur(q0);
20 k2=h*futur(q0+k1/2);
21 k3=h*futur(q0+k2/2);
22 k4=h*futur(q0+k3);
23 q(1)=q0+1/6*(k1+2*k2+2*k3+k4);
24
25 for i=2:N
26 k=i-1;
27 k1=h*futur(q(k));
28 k2=h*futur(q(k)+k1/2);
29 k3=h*futur(q(k)+k2/2);
30 k4=h*futur(q(k)+k3);
31 q(i)=q(k)+1/6*(k1+2*k2+2*k3+k4);
32 end
33 q
1 function y=futur(q)
2 E=12; % tegangan (volt)
3 R=800000; % hambatan (ohm)
4 C=5e-6; % kapasitansi (farad)
5 m1=E/R;
6 m2=1/(R*C);
7 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 7.5 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.
7.3. LATIHAN I 103
Tabel 7.3: Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan hasil
perhitungan dari solusi exact, yaitu persamaan (7.16)
i ti qi qexact = q(ti ) |qi − qexact |
0 0,0 0,00000×10 −5 0,00000×10 −5 0,00000
1 0,1 0,14814×10−5 0,14814×10−5 0,00000
2 0,2 0,29262×10−5 0,29262×10−5 0,00000
3 0,3 0,43354×10−5 0,43354×10−5 0,00000
4 0,4 0,57098×10−5 0,57098×10−5 0,00000
5 0,5 0,70502×10−5 0,70502×10−5 0,00000
6 0,6 0,83575×10−5 0,83575×10−5 0,00000
7 0,7 0,96326×10 −5 0,96326×10 −5 0,00000
8 0,8 1,0876×10−5 1,0876×10−5 0,00000
9 0,9 1,2089×10−5 1,2089×10−5 0,00000
10 1,0 1,3272×10 −5 1,3272×10 −5 0,00000
7.3 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?.
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
104 BAB 7. DIFERENSIAL NUMERIK
−5
x 10
6
0
0 2 4 6 8 10 12 14 16 18 20
dI
ǫ − IR − L =0 I(0) = 0
dt
(f) Solusi analitik persamaan diferensial di atas adalah I(t) = Rǫ 1 − e−Rt/L . Gambark-
an 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.
106 BAB 7. DIFERENSIAL NUMERIK
Gambar 7.6: 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
d2 y dy
2
(x) = p(x) (x) + q(x)y(x) + r(x), a ≤ x ≤ b, y(a) = α, y(b) = β (7.17)
dx dx
b−a
h= (7.19)
N +1
Dengan demikian maka titik-titik x yang merupakan sub-interval antara a dan b dapat dinyatak-
an sebagai
xi = a + ih, i = 1, 2, 3, ..., N (7.20)
Pencarian solusi persamaan diferensial melalui pendekatan numerik dilakukan dengan meman-
faatkan polinomial Taylor untuk mengevaluasi y ′′ dan y ′ pada xi+1 dan xi−1 seperti berikut
ini
h2 ′′
y(xi+1 ) = y(xi + h) = y(xi ) + hy ′ (xi ) + y (xi ) (7.21)
2
dan
h2 ′′
y(xi−1 ) = y(xi − h) = y(xi ) − hy ′ (xi ) + y (xi ) (7.22)
2
7.4. METODE FINITE DIFFERENCE 107
y(xi+1 ) − y(xi−1 )
y ′ (xi ) = (7.24)
2h
Sebelum dilanjut, saya nyatakan bahwa y(xi+1 )=wi+1 dan y(xi )=wi serta y(xi−1 )=wi−1 . Maka
persamaan di atas dapat ditulis sebagai berikut
−wi+1 + 2wi − wi−1 wi+1 − wi−1
+ p(xi ) + q(xi )wi = −r(xi )
h2 2h
h
(−wi+1 + 2wi − wi−1 ) + p(xi ) (wi+1 − wi−1 ) + h2 q(xi )wi = −h2 r(xi )
2
h h
−wi+1 + 2wi − wi−1 + p(xi )wi+1 − p(xi )wi−1 + h2 q(xi )wi = −h2 r(xi )
2 2
h h
−wi−1 − p(xi )wi−1 + 2wi + h2 q(xi )wi − wi+1 + p(xi )wi+1 = −h2 r(xi )
2 2
h h
− 1 + p(xi ) wi−1 + 2 + h2 q(xi ) wi − 1 − p(xi ) wi+1 = −h2 r(xi )
(7.25)
2 2
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 (7.17), jelas-jelas sudah diketahui bahwa w0 =α dan wN +1 =β; 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 (7.26)
108 BAB 7. DIFERENSIAL NUMERIK
2 + h2 q(x1 ) −1 + h2 p(x1 )
0 ... ... ... 0
− h2 p(x2 )
−1 2 + h2 q(x2 ) −1 + h2 p(x2 ) 0 ... ... 0
0 −1 − h2 p(x3 ) 2 + h2 q(x3 ) −1 + h2 p(x3 ) 0 ... 0
A =
0 0 −1 − h2 p(x4 ) 2 + h2 q(x4 ) −1 + h2 p(x4 ) 0 0
... ... ... ... ... ... ...
... ... ... ... −1 − h2 p(xN−1 ) 2 + h2 q(xN−1 ) −1 + h2 p(xN−1 )
0 ... ... ... ... −1 − h2 p(xN ) 2
2 + h q(xN )
w = A−1 b (7.27)
Agar lebih jelas, mari kita lihat contoh berikut; diketahui persamaan diferensial dinyatakan
sebagai
2 2 sin(ln x)
y ′′ = − y ′ + 2 y + , 1 ≤ x ≤ 2, y(1) = 1, y(2) = 2
x x x2
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
b−a 2−1
h= = = 0, 1
N +1 9+1
Dari persamaan diferensial tersebut, kita dapat menentukan fungsi p, fungsi q dan fungsi r
sebagai berikut:
2
p(xi ) = −
xi
2
q(xi ) =
x2i
sin(ln xi )
r(xi ) =
x2i
Script matlab telah dibuat untuk menyelesaikan contoh soal ini. Isi script fungsi p yang disimpan
dengan nama file p.m:
7.4. METODE FINITE DIFFERENCE 109
1 function u = p(x)
2
3 u = -2/x;
lalu inilah script fungsi q yang disimpan dengan nama file q.m:
1 function u = q(x)
2
3 u = 2./x.^2;
kemudian ini script fungsi r yang disimpan dengan nama file r.m::
1 function u = r(x)
2
3 u = sin(log(x))./x.^2;
7 clc;clear;close
8 %============== MENENTUKAN SYARAT BATAS =====================
9 a = 1; b = 2;
10 alpha = 1; beta = 2;
11 N = 9;
12 h = (b-a)/(N+1);
13 for k = 1:N
14 x(k) = a + k*h;
15 end
16 %============== MEMBUAT MATRIKS A ===========================
17 A = zeros(N);
18 for k = 1:N
19 A(k,k) = 2 + h^2*q(x(k));
20 end
21
22 for k = 2:N
23 A(k-1,k) = -1 + (h/2) * p(x(k-1));
24 A(k,k-1) = -1 - (h/2) * p(x(k));
25 end
26 %============== MEMBUAT VEKTOR b ============================
27 b(1,1) = -h^2*r(x(1)) + (1+(h/2)*p(x(1)))*alpha;
28 for k = 2:N-1
110 BAB 7. DIFERENSIAL NUMERIK
29 b(k,1) = -h^2*r(x(k));
30 end
31 b(N,1) = -h^2*r(x(N)) + (1-(h/2)*p(x(N)))*beta;
32 %============== MENGHITUNG w ================================
33 w = inv(A) * b;
34 %============== MEMPLOT HASIL FINITE DIFFERENCE =============
35 plot(x,w,’*b’)
36 xlabel(’nilai x’);
37 hold on
38 %============== MEMPLOT HASIL SOLUSI ANALITIK ===============
39 h = 0.1;
40 x = 1:h:2;
41 y = sol_analitik(x);
42 plot(x,y,’sr’);
43 ylabel(’nilai y’);
44 title(’\fontsize{14} Kesesuaian Antara Solusi FD dan Solusi Analitik’);
Dalam script di atas, hasil perhitungan metode FD tersimpan pada baris 33 dan di-plot pada
baris 35. Disisi lain, solusi analitik dari persamaan diferensial
2 2 sin(ln x)
y ′′ = − y ′ + 2 y + , 1 ≤ x ≤ 2, y(1) = 1, y(2) = 2
x x x2
adalah
c2 3 1
y = c1 x + 2
− sin(ln x) − cos(ln x),
x 10 10
dimana
1
c2 = [8 − 12 sin(ln 2) − 4 cos(ln 2)] ≈ −0, 03920701320
70
dan
11
c1 = − c2 ≈ 1, 1392070132.
10
Pada script di atas, solusi analitik akan didapat pada baris 41, dimana sol_analitik() adalah
fungsi eksternal untuk menyimpan persamaan solusi analitik di atas.
Tabel berikut ini memperlihatkan hasil perhitungan dengan pendekatan metode FD 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 10−5 . 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 di-
bandingkan dengan pemanfaatan polinomial Taylor yang sekarang. Untuk menghindari hal-hal
yang rumit itu, salah satu jalan pintas yang cukup efektif adalah dengan menerapkan ekstrapo-
lasi Richardson.
Contoh
Pemanfaatan ekstrapolasi Richardson pada metode Finite Difference untuk persamaan diferen-
7.4. METODE FINITE DIFFERENCE 111
1.9
solusi FD
1.8 solusi analitik
1.7
1.6
nilai y
1.5
1.4
1.3
1.2
1.1
1
1 1.2 1.4 1.6 1.8 2
nilai x
Gambar 7.7:
2 2 sin(ln x)
y ′′ = − y ′ + 2 y + , 1 ≤ x ≤ 2, y(1) = 1, y(2) = 2,
x x x2
4wi (h = 0, 05) − wi (h = 0, 1)
Ext1i =
3
16Ext2i − Ext1i
Ext3i =
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 × 10−11 . Ini benar-benar improvisasi yang luar biasa.
112 BAB 7. DIFERENSIAL NUMERIK
7.4.1 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
d2 y dy π π
2
= + 2y + cos(t), 0≤t≤ , y(0) = −0, 3, y( ) = −0, 1
dt dt 2 2
d2 y dy
(x) = p(x) (x) + q(x)y(x) + r(x), a ≤ x ≤ b, y(a) = α, y(b) = β
dx2 dx
π
p(t) = 1 q(t) = 2 r(t) = cos(t) a=0 b= α = −0, 3 β = −0, 1
2
7.5. LATIHAN II 113
Aw = b (7.28)
2 + h2 q(x1 ) −1 + h2 p(x1 )
0 ... ... ... 0
−1 − h2 p(x2 ) 2 + h2 q(x2 ) −1 + h2 p(x2 ) 0 ... ... 0
0 −1 − h2 p(x3 ) 2 + h2 q(x3 ) −1 + h2 p(x3 ) 0 ... 0
A =
0 0 −1 − h2 p(x4 ) 2 + h2 q(x4 ) −1 + h2 p(x4 ) 0 0
... ... ... ... ... ... ...
... ... ... ... −1 − h2 p(xN−1 ) 2 + h2 q(xN−1 ) −1 + h2 p(xN−1 )
0 ... ... ... ... −1 − h2 p(xN ) 2
2 + h q(xN )
−h2 r(x1 ) + 1 + h2 p(x1 ) w0
w1
−h2 r(x2 )
w2
w
3
−h2 r(x3 )
−h2 r(x4 )
w4
w= b=
.. ..
. .
w
N −1
−h2 r(xN −1 )
−h2 r(xN ) + 1 − h2 p(xN ) wN +1
wN
Jumlah baris matrik ditentukan oleh bilangan n. Namun disoal hanya tersedia informasi nilai
h = π/8, sehingga n harus dihitung terlebih dahulu:
π
b−a b−a −0
h= n= −1= 2 −1=3
n+1 h π/8
perhitungan ini dilakukan didalam script matlab. Selanjutnya seluruh elemen matrik A dan
vektor b dihitung dengan matlab
2, 3084 −0, 8037 0 w1 −0, 5014
−1, 1963 2, 3084 −0, 8037 w2 = −0, 1090
Proses diteruskan dengan metode Eliminasi Gauss dan didapat hasil akhir berikut ini
7.5 Latihan II
1.
114 BAB 7. DIFERENSIAL NUMERIK
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) (7.29)
∂x2 ∂y 2
Dalam ilmu fisika, persamaan (7.29) dikenal sebagai Persamaan Poisson. Persamaan tersebut
akan lebih sederhana jika f (x, y)=0,
∂2u ∂2u
(x, y) + (x, y) = 0 (7.30)
∂x2 ∂y 2
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) − α2 2 (x, t) = 0 (7.31)
∂t ∂x
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
∂2u ∂2u
α2 (x, t) = (x, t) (7.32)
∂2x ∂t2
Sekarang, mari kita bahas lebih dalam satu-persatu, difokuskan pada bagaimana cara me-
nyatakan semua PDP di atas dalam formulasi Finite-Difference.
∂2u ∂2u
(x, y) + (x, y) = f (x, y) (7.33)
∂x2 ∂y 2
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 7.8).
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
mesh points
d
ym
......
y2 grid lines
k
y1
a x1 x2 ... xn b
h
Gambar 7.8: 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
dimana c adalah titik awal pada sumbu vertikal y. Perhatikan Gambar 7.8, 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.
Bentuk diskrit turunan kedua persamaan (7.33) dapat dinyatakan dalam rumus centered-
difference sebagai berikut
ka 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 (7.38) dan (7.39) disubstitusi ke persamaan
(7.33), hasilnya adalah
Pengertian syarat batas disini adalah bagian tepi atau bagian pinggir dari susunan mesh points.
Pada metode Finite-Difference, persamaan (7.40) dinyatakan dalam notasi w, sebagai berikut
Persamaan (7.41) 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; 0 < x < 0, 5, 0 < y < 0, 5
∂x2 ∂y 2
7.7. PDP ELIPTIK 117
Y U(x,0.5)=200x
W1,4 W2,4 W3,4
0.5
W1,3 W2,3 W3,3
U(0.5,y)=200y
W0,3 W4,3
U(0,y)=0 W1,2 W2,2 W3,2
W0,2 W4,2
Gambar 7.9: Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu
0, 5 0, 5
h= = 0, 125 k= = 0, 125
4 4
Grid lines berikut mesh points dibuat berdasarkan nilai h dan k tersebut (lihat Gambar 7.9).
Langkah berikutnya adalah menyusun persamaan Finite-Difference, dimulai dari persamaan asal-
nya (persamaan 7.41)
h2 h2
2[1 + ]wi,j − (wi+1,j + wi−1,j ) − (wi,j+1 + wi,j−1 ) = −h2 f (xi , yj )
k2 k2
Disisi lain, karena n = 4, maka nilai i yang bervariasi i = 1, 2, ..., n − 1 akan menjadi i =
1, 2, 3. Demikian hal-nya dengan j, karena m = 4, maka variasi j = 1, 2, ..., m − 1 atau j =
1, 2, 3. Dengan menerapkan persamaan (7.42) pada setiap mesh point yang belum diketahui
118 BAB 7. DIFERENSIAL NUMERIK
temperaturnya, diperoleh
Semua notasi w yang berada diruas kanan tanda sama-dengan sudah ditentukan nilainya ber-
dasarkan syarat batas, yaitu
Dengan memasukkan syarat batas tersebut ke dalam sistem persamaan linear, maka
0 0 0 0 0 −1 0 −1 4 w3,1 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 ketidakse-
ngajaan. Melainkan susunan itu sengaja direkayasa sedemikian rupa sehingga elemen-elemen
tri-diagonal terisi penuh oleh angka bukan 0 dan pada diagonal utamanya diletakkan angka
yang terbesar. Metode Eliminasi Gauss dan Iterasi Gauss-Seidel telah diaplikasikan untuk me-
nyelesaikan persamaan matrik di atas.
Inilah script Matlab yang dipakai untuk menghitung nila-nilai w menggunakan metode Eliminasi
Gauss.
1 clear all
2 clc
3 n=9;
4 A=[ 4 -1 0 -1 0 0 0 0 0;
5 -1 4 -1 0 -1 0 0 0 0;
6 0 -1 4 0 0 -1 0 0 0;
7 -1 0 0 4 -1 0 -1 0 0;
8 0 -1 0 -1 4 -1 0 -1 0;
9 0 0 -1 0 -1 4 0 0 -1;
10 0 0 0 -1 0 0 4 -1 0;
11 0 0 0 0 -1 0 -1 4 -1;
12 0 0 0 0 0 -1 0 -1 4];
13
14 b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
15
16 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
17 %====== Menggabungkan Vektor b kedalam matrik A ========
18 %====== sehingga terbentuk matrik Augmentasi. ========
19 for i=1:n
20 A(i,n+1)=b(i,1);
21 end
22
23 %---------Proses Triangularisasi-----------
24 for j=1:(n-1)
25
26 %----mulai proses pivot---
27 if (A(j,j)==0)
120 BAB 7. DIFERENSIAL NUMERIK
28 for p=1:n+1
29 u=A(j,p);
30 v=A(j+1,p);
31 A(j+1,p)=u;
32 A(j,p)=v;
33 end
34 end
35 %----akhir proses pivot---
36 jj=j+1;
37 for i=jj:n
38 m=A(i,j)/A(j,j);
39 for k=1:(n+1)
40 A(i,k)=A(i,k)-(m*A(j,k));
41 end
42 end
43 end
44 %-------------------------------------------
45
46 %------Proses Substitusi mundur-------------
47 x(n,1)=A(n,n+1)/A(n,n);
48
49 for i=n-1:-1:1
50 S=0;
51 for j=n:-1:i+1
52 S=S+A(i,j)*x(j,1);
53 end
54 x(i,1)=(A(i,n+1)-S)/A(i,i);
55 end
56 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
57
58 %===== Menampilkan Vektor w =================
59 w=x
Sementara berikut ini adalah script Matlab untuk menghitung nila-nilai w menggunakan metode
Iterasi Gauss-Seidel.
1 clear all
2 clc
3
4 n=9;
5 A=[ 4 -1 0 -1 0 0 0 0 0;
6 -1 4 -1 0 -1 0 0 0 0;
7 0 -1 4 0 0 -1 0 0 0;
8 -1 0 0 4 -1 0 -1 0 0;
9 0 -1 0 -1 4 -1 0 -1 0;
10 0 0 -1 0 -1 4 0 0 -1;
11 0 0 0 -1 0 0 4 -1 0;
12 0 0 0 0 -1 0 -1 4 -1;
13 0 0 0 0 0 -1 0 -1 4];
14
15 b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
16
17 %&&&&&&& ITERASI GAUSS-SEIDEL &&&&&&&&&&&&&&&&&&
18 itermax=100; %iterasi maksimum
19 %----nilai awal-----------
20 xl=[0; 0; 0; 0; 0; 0; 0; 0; 0];
21 xb=xl;
22 %----stopping criteria-----------
7.7. PDP ELIPTIK 121
23 sc=0.001;
24 %----memulai iterasi-------------
25 for iterasi=1:itermax
26 smtr1=0;
27 for j=2:n
28 smtr1=smtr1+A(1,j)*xl(j,1);
29 end
30 xb(1,1)=(-smtr1+b(1,1))/A(1,1);
31 %----------------------------------------------
32 for i=2:n-1
33 smtr2=0;
34 for j=i+1:n
35 smtr2=smtr2-A(i,j)*xl(j,1);
36 end
37 smtr3=0;
38 for k=1:i-1
39 smtr3=smtr3-A(i,k)*xb(k,1);
40 end
41 xb(i,1)=(smtr3+smtr2+b(i,1))/A(i,i);
42 end
43 %----------------------------------------------
44 smtr4=0;
45 for k=1:n-1
46 smtr4=smtr4-A(n,k)*xb(k,1);
47 end
48 xb(n,1)=(smtr4+b(n,1))/A(n,n);
49 %------perhitungan norm2 -------------
50 s=0;
51 for i=1:n
52 s=s+(xb(i,1)-xl(i,1))^2;
53 end
54 epsilon=sqrt(s);
55 %-------------------------------------
56 xl=xb;
57 %------memeriksa stopping criteria--------
58 if epsilon<sc
59 w=xb
60 break
61 end
62 %-----------------------------------------
63 end
Tabel berikut memperlihatkan hasil pemrosesan dengan metode Eliminasi Gauss (disingkat: EG)
dan iterasi Gauss-Seidel (disingkat: GS)
Inilah solusi yang ditawarkan oleh Finite-Difference. Kalau diamati dengan teliti, angka-
angka 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.
122 BAB 7. DIFERENSIAL NUMERIK
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 sta-
bil 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 ada-
lah pilihan yg paling tepat karena metode ini sangat efisien sehingga bisa menghemat memori
komputer.
∂2u ∂2u
(x, y) + (x, y) = xey , 0 < x < 2, 0 < y < 1,
∂x2 ∂y 2
Solusi numerik dihitung dengan pendekatan finite-difference gauss-seidel dimana batas toleran-
si kesalahan ditentukan
(l) (l−1)
wij − wij ≤ 10−10
∂u ∂2u
(x, t) = α2 2 (x, t), 0 < x < ℓ, t > 0, (7.43)
∂t ∂x
dan
u(x, 0) = f (x), 0 ≤ x ≤ ℓ,
∂u u (xi , tj + k) − u (xi , tj )
(xi , tj ) = (7.45)
∂t k
Sementara itu, turunan kedua persamaan (7.43) terhadap x berdasarkan deret Taylor adalah
Pengabaian suku terakhir menjadikan persamaan di atas ditulis kembali sebagai berikut
Kemudian persamaan (7.45) dan (7.47) disubstitusi kedalam persamaan (7.43), maka diperoleh
2α2 k
k
wi,j+1 = 1− 2 wi,j + α2 (wi+1,j + wi−1,j ) (7.50)
h h2
jika
α2 k
λ= (7.51)
h2
maka
(1 − 2λ) wi,j + λwi+1,j + λwi−1,j = wi,j+1 (7.52)
2
Pada Bab ini ada beberapa istilah yang masing-masing menggunakan kata difference, yaitu finite difference, for-
ward difference, centered difference dan backward difference. Setiap istilah punya arti yang berbeda.
124 BAB 7. DIFERENSIAL NUMERIK
Misalnya diketahui, distribusi panas satu dimensi (1D) sebagai fungsi waktu (t) pada sebatang
logam memenuhi persamaan berikut
∂u ∂2u
(x, t) − 2 (x, t) = 0, 0 < x < 1 0 ≤ t,
∂t ∂x
2
u(x, t) = e−π t sin(πx)
Adapun sebaran posisi mesh-points dalam 1-D diperlihatkan pada Gambar 7.10. Sementara
h=0.1
Gambar 7.10: Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur.
Jarak antar titik ditentukan sebesar h = 0, 1.
Gambar 7.11 melengkapi Gambar 7.10, dimana perubahan waktu tercatat setiap interval k =
0, 0005. Sepintas Gambar 7.11 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
0 1 x
h=0.1
Gambar 7.11: Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005
Selanjutnya, Gambar 7.12 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 α = 1, h = 0, 1 dan k = 0, 0005 maka λ dapat
7.8. PDP PARABOLIK 125
0.0.....
0.0015
0.0010
0.0005
Gambar 7.12: Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forward-
difference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat
α2 k 0, 0005
λ= 2
= = 0, 05
h 0, 12
Berdasarkan persamaan (7.52), sistem persamaan linear dapat disusun sebagai berikut
Syarat batas menetapkan bahwa w0,j = w10,j = 0. Lalu dinyatakan dalam bentuk operasi matrik
0, 9 0, 5 0 0 0 0 0 0 0 w1,j w1,j+1
0, 5 0, 9 0, 5 0 0 0
0 0 0 w2,j w2,j+1
0 0, 5 0, 9 0, 5 0 0 0 0 0
w3,j
w3,j+1
0 0 0, 5 0, 9 0, 5 0 0 0 0 w4,j w4,j+1
0 0 0 0, 5 0, 9 0, 5 0 0 0 =
w5,j w5,j+1 (7.53)
0 0 0 0 0, 5 0, 9 0, 5 0 0 w6,j w6,j+1
0 0 0 0 0 0, 5 0, 9 0, 5 0
w7,j
w7,j+1
0 0 0 0 0 0 0, 5 0, 9 0, 5 w8,j w8,j+1
0 0 0 0 0 0 0 0, 5 0, 9 w9,j w9,j+1
126 BAB 7. DIFERENSIAL NUMERIK
Nilai w1,0 , w2,0 , ..., w9,0 sudah ditentukan oleh kondisi awal, yaitu
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
Topik tentang perkalian matrik sudah diulas pada Bab 1
4
karena step time k-nya sudah ditentukan sebesar 0, 0005
7.8. PDP PARABOLIK 127
Selanjutnya, hasil ini diumpankan lagi ke persamaan matriks yang sama untuk mendapatkan
wx,2
0, 9 0, 5 0 0 0 0 0 0 0 0, 3075 w1,2
0, 5 0, 9 0, 5 0 0 0 0
0 0 0, 5849 w2,2
0 0, 5 0, 9 0, 5 0 0 0 0 0
0, 8051
w3,2
0 0 0, 5 0, 9 0, 5 0 0 0 0 0, 9464 w4,2
0 0 0 0, 5 0, 9 0, 5 0 0 0 =
0, 9951 w5,2
0 0 0 0 0, 5 0, 9 0, 5 0 0 0, 9464 w6,2
0 0 0 0 0 0, 5 0, 9 0, 5 0
0, 8051
w7,2
0 0 0 0 0 0 0, 5 0, 9 0, 5 0, 5849 w8,2
0 0 0 0 0 0 0 0, 5 0, 9 0, 3075 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.
Script matlab Forward-Difference untuk menyelesaikan contoh masalah ini, dimana h = 0, 1 dan
k = 0, 0005
1 clear all
2 clc
3
4 n=9;
5 alpha=1.0;
6 k=0.0005;
7 h=0.1;
8 lambda=(alpha^2)*k/(h^2);
9
10 % Kondisi awal
11 for i=1:n
12 suhu(i)=sin(pi*i*0.1);
13 end
14
15 %Mengcopy kondisi awal ke w
16 for i=1:n
17 w0(i,1)=suhu(i);
18 end
19
20 A=[ (1-2*lambda) lambda 0 0 0 0 0 0 0;
21 lambda (1-2*lambda) lambda 0 0 0 0 0 0;
22 0 lambda (1-2*lambda) lambda 0 0 0 0 0 ;
23 0 0 lambda (1-2*lambda) lambda 0 0 0 0;
24 0 0 0 lambda (1-2*lambda) lambda 0 0 0;
25 0 0 0 0 lambda (1-2*lambda) lambda 0 0;
26 0 0 0 0 0 lambda (1-2*lambda) lambda 0 ;
5
cara menghitung jumlah iterasi: T /k = 0, 5/0, 0005 = 1000
128 BAB 7. DIFERENSIAL NUMERIK
Tabel 7.4 memperlihatkan hasil perhitungan yang diulang-ulang hingga 1000 kali. Tabel ter-
sebut 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, ter-
lihat 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 7.4: 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
wi,1000 wi,50
xi u(xi , 0.5) k = 0, 0005 |u(xi , 0.5) − wi,1000 | k = 0, 01 |u(xi , 0.5) − wi,50 |
0,0 0 0 0
0,1 0,00222241 0,00228652 6, 411 × 10−5 8, 19876 × 107 8, 199 × 107
0,2 0,00422728 0,00434922 1, 219 × 10−4 −1, 55719 × 108 1, 557 × 108
0,3 0,00581836 0,00598619 1, 678 × 10−4 2, 13833 × 108 2, 138 × 108
0,4 0,00683989 0,00703719 1, 973 × 10−4 −2, 50642 × 108 2, 506 × 108
0,5 0,00719188 0,00739934 2, 075 × 10−4 2, 62685 × 108 2, 627 × 108
0,6 0,00683989 0,00703719 1, 973 × 10−4 −2, 49015 × 108 2, 490 × 108
0,7 0,00581836 0,00598619 1, 678 × 10−4 2, 11200 × 108 2, 112 × 108
0,8 0,00422728 0,00434922 1, 219 × 10−4 −1, 53086 × 108 1, 531 × 108
0,9 0,00222241 0,00228652 6, 511 × 10−5 8, 03604 × 107 8, 036 × 107
1,0 0 0 0
7.8. PDP PARABOLIK 129
Kalau kita ulang lagi pelajaran yang lalu tentang forward-difference, kita akan dapatkan formula
forward-difference adalah sebagai berikut (lihat persamaan (7.49))
jika ditetapkan
α2 k
λ=
h2
maka backward-difference disederhanakan menjadi
coba sejenak anda bandingkan dengan formula forward-difference dalam λ sebagaimana dinya-
takan oleh persamaan (7.52)
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 α dan h nilainya tetap. Maka λ dapat dihitung dengan
persamaan (7.51) kembali
α2 k 0, 1
λ= 2
= =1
h 0, 012
Berdasarkan persamaan (7.56), sistem persamaan linear mengalami sedikit perubahan
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 w1,j w1,j−1
−1 3 −1 0 0 0 0 0 0 w2,j w2,j−1
0 −1 3 −1 0 0 0 0 0
w3,j
w3,j−1
0 0 −1 3 −1 0 0 0 0 w4,j w4,j−1
0 0 0 −1 3 −1 0 0 0 =
w5,j w5,j−1
0 0 0 0 −1 3 −1 0 0 w6,j w6,j−1
0 0 0 0 0 −1 3 −1 0
w7,j
w7,j−1
0 0 0 0 0 0 −1 3 −1 w8,j w8,j−1
0 0 0 0 0 0 0 −1 3 w9,j w9,j−1
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.
1 clear all
2 clc
3
4 n=9;
5 alpha=1.0;
6 k=0.01;
7 h=0.1;
8 lambda=(alpha^2)*k/(h^2);
9
10 %Kondisi awal
11 for i=1:n
12 suhu(i)=sin(pi*i*0.1);
13 end
14
15 %Mengcopy kondisi awal ke w
16 for i=1:n
17 w0(i,1)=suhu(i);
18 end
19
20 AA=[ (1+2*lambda) -lambda 0 0 0 0 0 0 0;
21 -lambda (1+2*lambda) -lambda 0 0 0 0 0 0;
22 0 -lambda (1+2*lambda) -lambda 0 0 0 0 0 ;
23 0 0 -lambda (1+2*lambda) -lambda 0 0 0 0;
24 0 0 0 -lambda (1+2*lambda) -lambda 0 0 0;
25 0 0 0 0 -lambda (1+2*lambda) -lambda 0 0;
26 0 0 0 0 0 -lambda (1+2*lambda) -lambda 0 ;
27 0 0 0 0 0 0 -lambda (1+2*lambda) -lambda ;
28 0 0 0 0 0 0 0 -lambda (1+2*lambda) ];
29
30 iterasi=50;
31 for i=1:iterasi
32 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
33 A=AA; %Matriks Backward Difference dicopy supaya fix
34
35 for i=1:n
36 A(i,n+1)=w0(i,1);
37 end
38
39 %---------Proses Triangularisasi-----------
40 for j=1:(n-1)
41
42 %----mulai proses pivot---
43 if (A(j,j)==0)
44 for p=1:n+1
45 u=A(j,p);
46 v=A(j+1,p);
47 A(j+1,p)=u;
48 A(j,p)=v;
49 end
6
Uraian tentang metode Eliminasi Gauss tersedia di Bab 2
132 BAB 7. DIFERENSIAL NUMERIK
50 end
51 %----akhir proses pivot---
52 jj=j+1;
53 for i=jj:n
54 m=A(i,j)/A(j,j);
55 for k=1:(n+1)
56 A(i,k)=A(i,k)-(m*A(j,k));
57 end
58 end
59 end
60 %-------------------------------------------
61
62 %------Proses Substitusi mundur-------------
63 w(n,1)=A(n,n+1)/A(n,n);
64
65 for i=n-1:-1:1
66 S=0;
67 for j=n:-1:i+1
68 S=S+A(i,j)*w(j,1);
69 end
70 w(i,1)=(A(i,n+1)-S)/A(i,i);
71 end
72 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
73 w0=w;
74 end
75 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 7.5: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backward-
difference dimana k = 0, 01
xi u(xi , 0.5) wi,50 |u(xi , 0.5) − wi,50 |
0,0 0 0
0,1 0,00222241 0,00289802 6, 756 × 10−4
0,2 0,00422728 0,00551236 1, 285 × 10−3
0,3 0,00581836 0,00758711 1, 769 × 10−3
0,4 0,00683989 0,00891918 2, 079 × 10−3
0,5 0,00719188 0,00937818 2, 186 × 10−3
0,6 0,00683989 0,00891918 2, 079 × 10−3
0,7 0,00581836 0,00758711 1, 769 × 10−3
0,8 0,00422728 0,00551236 1, 285 × 10−3
0,9 0,00222241 0,00289802 6, 756 × 10−4
1,0 0 0
Metode ini dimunculkan disini karena metode ini memiliki performa yang lebih unggul dari
dua metode sebelumnya. Namun begitu pondasi metode Crank-Nicolson terdiri atas metode
Forward-Difference dan metode Backward-Difference. Mari kita ulang lagi pelajaran yang sudah
7.8. PDP PARABOLIK 133
Jika formula ini dijumlahkan dengan formula forward-difference, kemudian hasilnya dibagi 2,
maka akan diperoleh
α2 k
λ=
h2
maka
λ
wi,j+1 − wi,j − [wi+1,j − 2wi,j + wi−1,j + wi+1,j+1 − 2wi,j+1 + wi−1,j+1 ] = 0
2
λ λ λ λ
wi,j+1 − wi,j − wi+1,j + λwi,j − wi−1,j − wi+1,j+1 + λwi,j+1 − wi−1,j+1 = 0
2 2 2 2
λ λ λ λ
− wi−1,j+1 + wi,j+1 + λwi,j+1 − wi+1,j+1 − wi−1,j − wi,j + λwi,j − wi+1,j = 0
2 2 2 2
λ λ λ λ
− wi−1,j+1 + wi,j+1 + λwi,j+1 − wi+1,j+1 = wi−1,j + wi,j − λwi,j + wi+1,j
2 2 2 2
dan akhirnya
λ λ λ λ
− wi−1,j+1 + (1 + λ)wi,j+1 − wi+1,j+1 = wi−1,j + (1 − λ)wi,j + wi+1,j (7.60)
2 2 2 2
Dengan menggunakan contoh soal yang sama, yang sebelumnya telah diselesaikan dengan me-
tode Forward-Difference dan Backward-Difference, maka penyelesaian soal tersebut dengan me-
tode Crank-Nicolson juga akan didemonstrasikan di sini. Dengan nilai k = 0, 01; h = 0, 1; λ = 1
134 BAB 7. DIFERENSIAL NUMERIK
1 clear all
2 clc
3
4 n=9;
5 iterasi=50;
6 alpha=1.0;
7 k=0.01;
8 h=0.1;
9 lambda=(alpha^2)*k/(h^2);
10
11 %Kondisi awal
12 for i=1:n
13 suhu(i)=sin(pi*i*0.1);
14 end
15
16 %Mengcopy kondisi awal ke w
17 for i=1:n
18 w0(i,1)=suhu(i);
19 end
20
21 AA=[(1+lambda) -lambda/2 0 0 0 0 0 0 0;
22 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0 0;
23 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0;
24 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0;
25 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0;
26 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0;
27 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0;
28 0 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2;
29 0 0 0 0 0 0 0 -lambda/2 (1+lambda)];
30
31 B=[(1-lambda) lambda/2 0 0 0 0 0 0 0;
32 lambda/2 (1-lambda) lambda/2 0 0 0 0 0 0;
33 0 lambda/2 (1-lambda) lambda/2 0 0 0 0 0;
34 0 0 lambda/2 (1-lambda) lambda/2 0 0 0 0;
35 0 0 0 lambda/2 (1-lambda) lambda/2 0 0 0;
36 0 0 0 0 lambda/2 (1-lambda) lambda/2 0 0;
37 0 0 0 0 0 lambda/2 (1-lambda) lambda/2 0;
38 0 0 0 0 0 0 lambda/2 (1-lambda) lambda/2;
39 0 0 0 0 0 0 0 lambda/2 (1-lambda)];
40
41 iterasi=50;
42 for iter=1:iterasi
43
44 %===perkalian matriks===================
45 for i=1:n
46 b(i,1)=0.0;
47 end
48 for i=1:n
49 for j=1:n
50 b(i,1)=b(i,1)+B(i,j)*w0(j,1);
51 end
52 end
7.9. PDP HIPERBOLIK 135
53 %======================================
54
55 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
56 A=AA; %Matriks Backward Difference dicopy supaya fix
57
58 for i=1:n
59 A(i,n+1)=b(i,1);
60 end
61
62 %---------Proses Triangularisasi-----------
63 for j=1:(n-1)
64
65 %----mulai proses pivot---
66 if (A(j,j)==0)
67 for p=1:n+1
68 u=A(j,p);
69 v=A(j+1,p);
70 A(j+1,p)=u;
71 A(j,p)=v;
72 end
73 end
74 %----akhir proses pivot---
75 jj=j+1;
76 for i=jj:n
77 m=A(i,j)/A(j,j);
78 for k=1:(n+1)
79 A(i,k)=A(i,k)-(m*A(j,k));
80 end
81 end
82 end
83 %-------------------------------------------
84
85 %------Proses Substitusi mundur-------------
86 w(n,1)=A(n,n+1)/A(n,n);
87
88 for i=n-1:-1:1
89 S=0;
90 for j=n:-1:i+1
91 S=S+A(i,j)*w(j,1);
92 end
93 w(i,1)=(A(i,n+1)-S)/A(i,i);
94 end
95 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
96 w0=w;
97 end
98 iter
99 w
Terlihat disini bahwa orde kesalahan metode Crank-Nicolson (kolom ke-6) sedikit lebih kecil di-
bandingkan metode Backward-Difference (kolom ke-5). Ini menunjukkan tingkat akurasi Crank-
Nicolson lebih tinggi dibandingkan Backward-Difference.
Pada bagian ini, kita akan membahas solusi numerik untuk persamaan gelombang yang meru-
pakan salah satu contoh PDP hiperbolik. Persamaan gelombang dinyatakan dalam persamaan
136 BAB 7. DIFERENSIAL NUMERIK
Tabel 7.6: 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 × 10−4 8, 271 × 10−5
0,2 0,00422728 0,00551236 0,00438461 1, 285 × 10 −3 1, 573 × 10−4
0,3 0,00581836 0,00758711 0,00603489 1, 769 × 10−3 2, 165 × 10−4
0,4 0,00683989 0,00891918 0,00709444 2, 079 × 10 −3 2, 546 × 10−4
0,5 0,00719188 0,00937818 0,00745954 2, 186 × 10 −3 2, 677 × 10−4
0,6 0,00683989 0,00891918 0,00709444 2, 079 × 10−3 2, 546 × 10−4
0,7 0,00581836 0,00758711 0,00603489 1, 769 × 10 −3 2, 165 × 10−4
0,8 0,00422728 0,00551236 0,00438461 1, 285 × 10 −3 1, 573 × 10−4
0,9 0,00222241 0,00289802 0,00230512 6, 756 × 10−4 8, 271 × 10−5
1,0 0 0 0
∂2u 2
2∂ u
(x, t) − α (x, t) = 0, 0 < x < ℓ, t>0 (7.62)
∂t2 ∂x2
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 2
2∂ u
(x i , t j ) − α (xi , tj ) = 0 (7.63)
∂t2 ∂x2
maka dapat diturunkan formula finite-difference untuk PDP hiperbolik sebagai berikut
sehingga wi,j+1 selaku solusi numerik dapat dihitung dengan merubah sedikit suku-suku pada
formula di atas
wi,j+1 = 2 1 − λ2 wi,j + λ2 (wi+1,j + wi−1,j ) − wi,j−1
(7.65)
dengan i = 1, 2, ..., m − 1 dan j = 1, 2, .... Kondisi syarat batas ditentukan sebagai berikut
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 menimbulkan
masalah pada langkah/iterasi pertama karena nilai untuk j = 0 sudah ditentukan oleh persa-
maan (7.67) sementara nilai untuk j = 1 untuk menghitung wi,2 , harus diperoleh lewat kondisi
kecepatan awal
∂u
(x, 0) = g (x) , 0≤x≤ℓ (7.68)
∂t
Salah satu cara pemecahan dengan pendekatan forward-difference adalah
∂u u (xi , t1 ) − u (xi , 0)
(xi , 0) = (7.69)
∂t k
∂u
u (xi , t1 ) = u (xi , 0) + k (xi , 0)
∂t
= u (xi , 0) + kg (xi )
konsekuensinya
wi,1 = wi,0 + kg(xi ), untuk i = 1, 2, ..., m − 1 (7.70)
138 BAB 7. DIFERENSIAL NUMERIK
7.9.1 Contoh
∂2u ∂2u
− 2 = 0, 0 < x < 1, 0<t
∂t2 ∂x
7.10 Latihan
1. Carilah solusi persamaan differensial elliptik berikut ini dengan pendekatan numerik meng-
gunakan metode Finite Difference
∂2u ∂2u
+ 2 = (x2 + y 2 )exy , 0 < x < 2, 0 < y < 1;
∂x2 ∂y
gunakan h = 0, 2 dan k = 0, 1
2. Carilah solusi persamaan differensial parabolik berikut ini dengan pendekatan numerik
menggunakan metode Finite Difference Backward-Difference
∂u 1 ∂2u
− = 0, 0 < x < 1, 0 < t;
∂t 16 ∂x2
2 /4)t
u(x, t) = 2e−(π sin 2πx
∂u k2 ∂ 2 u k3 ∂ 3 u
u (xi , t1 ) = u (xi , 0) + k (xi , 0) + (x i , 0) + (xi , µ̂i ) (7.71)
∂t 2 ∂t2 6 ∂t3
∂2u 2
2∂ u 2 d
f
(x i , 0) = α (x i , 0) = α (xi ) = α2 f ” (xi ) (7.72)
∂t2 ∂x2 dx2
α2 k2 k3 ∂ 3 u
u (xi , t1 ) = u (xi , 0) + kg (xi ) + f ” (xi ) + (xi , µ̂i ) (7.73)
2 6 ∂t3
α2 k2
wi1 = wi0 + kg (xi ) + f ” (xi ) (7.74)
2
k2 α2
f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 + O k3 + h2 k2 (7.76)
u (xi , t1 ) = u (xi , 0) + kg (xi ) + 2
2h
λ2
f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 + O k3 + h2 k2
u (xi , t1 ) = u (xi , 0) + kg (xi ) + (7.77)
2
λ2 λ2
= 1 − λ2 f (xi ) + f (xi+1 ) + f (xi−1 ) + kg (xi ) + O k3 + h2 k2
(7.78)
2 2
λ2 λ2
wi,1 = 1 − λ2 f (xi ) + f (xi+1 ) + f (xi−1 ) + kg (xi )
(7.79)
2 2
140 BAB 7. DIFERENSIAL NUMERIK
Bab 8
Metode Iterasi
✍ Objektif :
⊲ Mengenalkan konsep Norm.
⊲ Mengenalkan iterasi Jacobi.
⊲ Mengenalkan iterasi Gauss-Seidel.
⊲ Mengenalkan iterasi Succesive-Over-Relaxation (SOR).
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=
..
(8.1)
.
xn
Contoh:
3
h
−2 iT
x=
8
= 3; −2; 8; 5
5
Cara penulisan seperti ini digunakan untuk menyatakan vektor-kolom pada suatu kalimat di
dalam paragraf. Alasannya supaya tidak terlalu menyita banyak ruang penulisan. Sementara,
141
142 BAB 8. METODE ITERASI
persamaan (8.1), lebih sering digunakan pada penulisan operasi matrik. Satu hal lagi, pada
paragraf-paragraf berikutnya, saya persingkat penulisan istilah vektor-kolom menjadi vektor
saja.
Xn
ℓ2 = kxk2 = { x2i }1/2 (8.3)
i=1
dan
ℓ∞ = kxk∞ = max |xi | (8.4)
1≤i≤n
Saya menyarankan agar kedua norm ini diingat-ingat dengan baik, karena akan banyak dising-
gung pada catatan-catatan berikutnya.
Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)
1 clear all
2 clc
3
4 x = [ 3 ; -2 ; 8 ; 5 ];
5
6 n = length(x);
7 S = 0;
8 for i = 1:n
9 S = S + x(i,1)^2;
10 end
11 hasil = sqrt(S);
7 end
8 hasil = sqrt(S);
Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)
1 clear all
2 clc
3
4 x = [ 3 ; -9 ; 8 ; 5 ];
5
6 n = length(x);
7 xx = x;
8 for i=1:n
9 if xx(i,1) < 0
10 xx(i,1) = xx(i,1) * -1;
11 end
12 end
13 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:
Misalnya kita punya vektor bernama xlama. Lalu ada vektor lainnya bernama xbaru. Norm
selisih dari xlama dan xbaru dapat dihitung dengan bantuan fungsi eksternal yang baru saja
kita buat di atas, yaitu bernama norm2() dan normth().
1 clear all
2 clc
3
4 xlama = [ 3 ; -2 ; 8 ; 5 ];
5 xbaru = [ 9 ; 4 ; 6 ; 1 ];
6
7 xselisih = xbaru-xlama;
8 hasil1 = norm2(xselisih);
9 hasil2 = normth(xselisih);
144 BAB 8. METODE ITERASI
Cara perhitungan norm-selisih seperti ini akan diterapkan pada kebanyakan metode iterasi.
Jadi tolong diingat baik-baik!!
Sekarang kita akan mulai membahas metode iterasi sekaligus penerapannya untuk menyele-
saikan 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 perhatik-
an 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 solusi
tersebut dengan caranya yang khas.
Langkah pertama dan merupakan langkah terpenting dari metode iterasi Jacobi adalah
mengubah cara penulisan sistem persamaan linear di atas menjadi seperti ini
1 2 6
x1 = x2 − x3 +
10 10 10
1 1 3 25
x2 = x1 + x3 − x4 +
11 11 11 11
2 1 1 11
x3 = − x1 + x2 + x4 −
10 10 10 10
3 1 15
x4 = − x2 + x3 +
8 8 8
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
ini
yang secara umum dapat diformulasikan sebagai persamaan matrik berikut ini
dimana
(baru) (lama)
1 2 6
x1 0 10 − 10 0 x1 10
(baru) 1 1 3 x(lama) 25
x2 0 − 11 2
11 11
11
= +
x(baru) −2 1
0 1 (lama)
− 11
10 x3
3 10 10 10
(baru) (lama)
x4 0 − 38 1
8 0 x4 15
8
(k) (k−1)
1 2 6
x1 0 10 − 10 0 x1 10
(k) 1 1 x(k−1)
3 25
x2 0 − 11 2
11 11
11
= +
x(k) −2 1
0 1 (k−1)
− 11
10 x3
3 10 10 10
(k) (k−1)
x4 0 − 38 1
8 0 x4 15
8
Pada persamaan di atas, indeks k menunjukan jumlah perhitungan iterasi. Pada k = 1, maka
penulisan sistem persamaan linear menjadi
(1) 6
x1 =
10
(1) 25
x2 =
11
(1) 11
x3 = −
10
(1) 15
x4 =
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
146 BAB 8. METODE ITERASI
adalah dengan memasukan nilai-nilai x(1) = (0, 6000; 2, 2727; −1, 1000; 1, 8750)T ke suku-suku
pada ruas kanan tanda sama-dengan,
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 ha-
sil 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,
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
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,
8.3. ITERASI JACOBI 147
yaitu
10x1 − x2 + 2x3 = 6
−x1 + 11x2 − x3 + 3x4 = 25
2x1 − x2 + 10x3 − x4 = −11
3x2 − x3 + 8x4 = 15
1 clear all
2 clc
3
4 %--- inisialisasi matrik A --
5 A = [10 -1 2 0
6 -1 11 -1 3
7 2 -1 10 -1
8 0 3 -1 8];
9
10 %--- inisialisasi vektor b ---
11 b = [6 ; 25 ; -11 ; 15];
1 2 6
x1 = x2 − x3 +
10 10 10
1 1 3 25
x2 = x1 + x3 − x4 +
11 11 11 11
2 1 1 11
x3 = − x1 + x2 + x4 −
10 10 10 10
3 1 15
x4 = − x2 + x3 +
8 8 8
(k) (k−1)
1 2 6
x1 0 10 − 10 0 x1 10
(k) 1 1 x(k−1)
3 25
x2 0 − 11 2
11 11
11
= +
x(k) −2 1
0 1 (k−1)
− 11
10 x3
3 10 10 10
(k) (k−1)
x4 0 − 38 1
8 0 x4 15
8
148 BAB 8. METODE ITERASI
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A); % n = jumlah baris
12
13 J = zeros(4); % ---- inisialisasi matrik J dengan angka nol
14
15 %---- inisialisasi elemen-elemen matrik J dan vektor u
16 J(1,2) = -A(1,2)/A(1,1);
17 J(1,3) = -A(1,3)/A(1,1);
18 J(1,4) = -A(1,4)/A(1,1);
19 u(1,1) = b(1,1)/A(1,1);
20
21 J(2,1) = -A(2,1)/A(2,2);
22 J(2,3) = -A(2,3)/A(2,2);
23 J(2,4) = -A(2,4)/A(2,2);
24 u(2,1) = b(2,1)/A(2,2);
25
26 J(3,1) = -A(3,1)/A(3,3);
27 J(3,2) = -A(3,2)/A(3,3);
28 J(3,4) = -A(3,4)/A(3,3);
29 u(3,1) = b(3,1)/A(3,3);
30
31 J(4,1) = -A(4,1)/A(4,4);
32 J(4,2) = -A(4,2)/A(4,4);
33 J(4,3) = -A(4,3)/A(4,4);
34 u(4,1) = b(4,1)/A(4,4);
Statemen baris 16 sampai 34 berfungsi menghitung elemen matrik J dan vektor u. Untuk me-
nyederhanakan 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);
8.3. ITERASI JACOBI 149
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 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(4);
14
15 for k = 1:4
16 if (k ~= 1)
17 J(1,k) = -A(1,k)/A(1,1);
18 end
19 end
20 u(1,1) = b(1,1)/A(1,1);
21
22 for k = 1:4
23 if (k ~= 2)
24 J(2,k) = -A(2,k)/A(2,2);
25 end
150 BAB 8. METODE ITERASI
26 end
27 u(2,1) = b(2,1)/A(2,2);
28
29 for k = 1:4
30 if (k ~= 3)
31 J(3,k) = -A(3,k)/A(3,3);
32 end
33 end
34 u(3,1) = b(3,1)/A(3,3);
35
36 for k = 1:4
37 if (k ~= 4)
38 J(4,k) = -A(4,k)/A(4,4);
39 end
40 end
41 u(4,1) = b(4,1)/A(4,4);
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(4);
14
15 p = 1;
16 for k = 1:4
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22
23 p = 2;
24 for k = 1:4
25 if (k ~= p)
26 J(p,k) = -A(p,k)/A(p,p);
27 end
28 end
29 u(p,1) = b(p,1)/A(p,p);
30
31 p = 3;
32 for k = 1:4
33 if (k ~= p)
34 J(p,k) = -A(p,k)/A(p,p);
35 end
36 end
37 u(p,1) = b(p,1)/A(p,p);
38
39 p = 4;
8.3. ITERASI JACOBI 151
40 for k = 1:4
41 if (k ~= p)
42 J(p,k) = -A(p,k)/A(p,p);
43 end
44 end
45 u(p,1) = b(p,1)/A(p,p);
Selanjutnya saya buat proses looping menggunakan indeks p tersebut. Perhatikan baik-baik
perubahannya
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(4);
14
15 for p = 1:4
16 for k = 1:4
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22 end
Dan akhirnya, angka 4 dapat digantikan dengan huruf n agar script tersebut tidak dibatasi oleh
matrik 4x4 saja.
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(n);
14
15 for p = 1:n
16 for k = 1:n
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
152 BAB 8. METODE ITERASI
21 u(p,1) = b(p,1)/A(p,p);
22 end
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = size(A);
12
13 J = zeros(n);
14
15 for p = 1:n
16 for k = 1:n
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22 end
23
24 xlama = [ 0 ; 0 ; 0 ; 0 ]; % --- inisialisasi xlama
25 xbaru = J*xlama + u; % --- iterasi pertama
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 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(n);
14
15 for p = 1:n
16 for k = 1:n
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
8.3. ITERASI JACOBI 153
22 end
23
24 xlama = [ 0 ; 0 ; 0 ; 0 ]; % --- inisialisasi xlama
25 xbaru = J*xlama + u; % --- iterasi pertama
26
27 xlama = xbaru;
28 xbaru = J*xlama + u; % --- iterasi kedua
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 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(n);
14
15 for p = 1:n
16 for k = 1:n
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22 end
23
24 xlama = [ 0 ; 0 ; 0 ; 0 ]; % --- inisialisasi xlama
25 xbaru = J*xlama + u; % --- iterasi pertama
26
27 xlama = xbaru;
28 xbaru = J*xlama + u; % --- iterasi kedua
29
30 xlama = xbaru;
31 xbaru = J*xlama + u; % --- iterasi ketiga
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 menghindari
hal itu, script di atas perlu dioptimasi dengan proses looping sebagai berikut
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
154 BAB 8. METODE ITERASI
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(n);
14
15 for p = 1:n
16 for k = 1:n
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22 end
23
24 xlama = [ 0 ; 0 ; 0 ; 0 ]; % --- inisialisasi xlama
25
26 itermaks = 10; % --- iteraksi maksimum sampai 10 kali
27 for k = 1:itermaks
28 xbaru = J*xlama + u;
29 xlama = xbaru;
30 end
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 8.1.
Berdasarkan Tabel 8.1, 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 ite-
rasi 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 ba-
gian inisialisasi saya letakkan di baris-baris awal
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8 b = [ 6 ; 25 ; -11 ; 15 ];
9 xlama = [ 0 ; 0 ; 0 ; 0 ];
8.3. ITERASI JACOBI 155
10 itermaks = 10;
11
12 n = length(A);
13
14 % --- membuat matrik J dan vektor u ---
15 J = zeros(n);
16 for p = 1:n
17 for k = 1:n
18 if (k ~= p)
19 J(p,k) = -A(p,k)/A(p,p);
20 end
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 % --- proses iterasi jacobi ---
26 for k = 1:itermaks
27 xbaru = J*xlama + u;
28 xlama = xbaru;
29 end
Tabel 8.2 memperlihatkan perhitungan norm2-selisih antara xbaru dan xlama dari iterasi ke-1
hingga iterasi ke-10. Hasil perhitungan norm2-selisih tersebut, saya beri nama epsilon, ǫ, dima-
na semakin kecil nilai epsilon (ǫ), menandakan hasil iterasinya semakin dekat dengan solusi.
Hasil norm2-selisih yang semakin kecil pada iterasi ke-10 menunjukan bahwa hasil iterasi ke-10
adalah hasil yang paling dekat dengan solusi yang sebenarnya.
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8 b = [ 6 ; 25 ; -11 ; 15 ];
9 xlama = [ 0 ; 0 ; 0 ; 0 ];
10 itermaks = 10;
11
12 n = length(A);
13
14 % --- membuat matrik J dan vektor u ---
15 J = zeros(n);
16 for p = 1:n
17 for k = 1:n
18 if (k ~= p)
19 J(p,k) = -A(p,k)/A(p,p);
156 BAB 8. METODE ITERASI
20 end
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 % --- proses iterasi jacobi ---
26 for k = 1:itermaks
27 xbaru = J*xlama + u;
28 xselisih = xbaru - xlama;
29 epsilon = norm2(xselisih)
30 xlama = xbaru;
31 end
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 8.2, ji-
ka nilai ǫ ditentukan sebesar 0,2 , maka proses iterasi akan berhenti pada iterasi ke-4. Atau
kalau nilai ǫ ditentukan sebesar 0,0001 , maka proses iterasi akan berhenti pada iterasi ke-10.
Kesimpulannya, semakin kecil nilai ǫ, semakin panjang proses iterasinya, namun hasil akhirnya
semakin akurat.
Di bawah ini adalah script iterasi Jacobi yang memanfaatkan nilai epsilon untuk menghen-
tikan proses iterasi
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8 b = [ 6 ; 25 ; -11 ; 15 ];
9 xlama = [ 0 ; 0 ; 0 ; 0 ];
10 itermaks = 1000;
11 epsilon = 0.0001;
12
13 n = length(A);
14
15 % --- membuat matrik J dan vektor u ---
16 J = zeros(n);
17 for p = 1:n
18 for k = 1:n
19 if (k ~= p)
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 end
23 u(p,1) = b(p,1)/A(p,p);
24 end
25
26 % --- proses iterasi jacobi ---
27 for k = 1:itermaks
28 xbaru = J*xlama + u;
29 xselisih = xbaru - xlama;
30 if (norm2(xselisih) < epsilon)
8.3. ITERASI JACOBI 157
31 break;
32 end
33 xlama = xbaru;
34 end
35 iterasi = k
36 x = xbaru
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.
Fungsi eksternal metode iterasi Jacobi dapat diambil dari script yang terakhir di atas adalah
Dengan fungsi eksternal ini, maka untuk menyelesaikan suatu sistem persamaan linear, anda
dapat menyusun program sederhana. Contohnya adalah
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
158 BAB 8. METODE ITERASI
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 xlama = [ 0 ; 0 ; 0 ; 0 ]; %nilai awal
12 itermaks = 1000; % iterasi maksimum
13 epsilon = 0.0001; % stopping criteria
14
15 [k,xbaru] = iterjacobi(A,b,xlama,itermaks,epsilon);
16 x = xbaru
17 iterasi = k
Demikianlah penjelasan tentang metode iterasi Jacobi dilengkapi dengan cara membuat script-
nya. 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 diban-
dingkan nilai elemen setiap barisnya. Sekarang mari kita beralih ke metode 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
1 lama 2 6
xbaru
1 = x2 − xlama 3 +
10 10 10
1 baru 1 lama 3 25
xbaru
2 = x1 + x3 − xlama 4 +
11 11 11 11
2 baru 1 baru 1 lama 11
xbaru
3 = − x1 + x2 + x4 −
10 10 10 10
3 baru 1 baru 15
xbaru
4 = − x2 + x3 +
8 8 8
(1)
x1 = 0, 6000
(1)
x2 = 2, 3272
(1)
x3 = −0, 9873
(1)
x4 = 0, 8789
Lalu proses perhitungan diulangi lagi dengan k = 2. Begitu seterusnya proses ini diulang-ulang
lagi untuk nilai-nilai k berikutnya sampai x(k) mendekati solusi yang sesungguhnya, yaitu
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 bekerja lebih
efektif dibandingkan iterasi Jacobi. Ya.., memang secara umum demikian, akan tetapi ternyata
ditemukan kondisi yang sebaliknya pada kasus-kasus yang lain.
Pembuatan script iterasi Gauss-Seidel dimulai dari sistem persamaan linear yang telah dibahas
di atas, yaitu
1 lama 2 6
xbaru
1 = x2 − xlama 3 +
10 10 10
1 baru 1 lama 3 25
xbaru
2 = x1 + x3 − xlama 4 +
11 11 11 11
2 baru 1 baru 1 lama 11
xbaru
3 = − x1 + x2 + x4 −
10 10 10 10
3 baru 1 baru 15
xbaru
4 = − x2 + x3 +
8 8 8
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 Gauss-
160 BAB 8. METODE ITERASI
Seidel
1 2
0 10 − 10 0
1 1 3
11 0 11 − 11
J =
−2 1 1
10 10 0 10
0 − 38 1
8 0
Sampai disini saya nyatakan matrik L, matrik U dan vektor u sebagai berikut
1 2 6
0 0 0 0 0 10 − 10 0 10
1 1 3 25
11 0 0 0 0 0 11 − 11 11
L=
−2 1
U =
1
u=
10 10 00
0
0 0 10
− 11
10
0 − 83 1
8 0 0 0 0 0 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 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 %---- Perhitungan matrik J dan vektor u-----
14 J = zeros(4);
15 for p = 1:n-1
16 for k = 1:n
17 if k == p
18 k = k+1;
19 end
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 for k = 1:n-1
26 J(n,k) = -A(n,k)/A(n,n);
27 end
8.4. ITERASI GAUSS-SEIDEL 161
28 u(n,1) = b(n,1)/A(n,n);
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 %---- Perhitungan matrik J dan vektor u-----
14 J = zeros(4);
15 for p = 1:n-1
16 for k = 1:n
17 if k == p
18 k = k+1;
19 end
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 for k = 1:n-1
26 J(n,k) = -A(n,k)/A(n,n);
27 end
28 u(n,1) = b(n,1)/A(n,n);
29 %-------------------------------------------
30 L = J; % matrik J dicopy ke matrik L
31 for k = 2:4
32 L(1,k) = 0;
33 end
34 for k = 3:4
35 L(2,k) = 0;
36 end
37 for k = 4:4
38 L(3,k) = 0;
39 end
Proses perhitungan mulai dari baris ke-35 hingga ke-43 akan disederhanakan dengan langkah-
langkah berikut. Saya munculkan indeks p,
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 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 %---- Perhitungan matrik J dan vektor u-----
14 J = zeros(4);
15 for p = 1:n-1
16 for k = 1:n
17 if k == p
18 k = k+1;
19 end
20 J(p,k) = -A(p,k)/A(p,p);
21 end
8.4. ITERASI GAUSS-SEIDEL 163
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 for k = 1:n-1
26 J(n,k) = -A(n,k)/A(n,n);
27 end
28 u(n,1) = b(n,1)/A(n,n);
29 %-------------------------------------------
30 L = J; % matrik J dicopy ke matrik L
31 for p = 1:n-1
32 for k = p+1:n
33 L(p,k) = 0;
34 end
35 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 di-
mulai dengan mencopy matrik J ke dalam matrik U. Perhatikan mulai dari baris ke-41 berikut
ini,
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 %---- Perhitungan matrik J dan vektor u-----
14 J = zeros(4);
15 for p = 1:n-1
16 for k = 1:n
17 if k == p
18 k = k+1;
19 end
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 for k = 1:n-1
26 J(n,k) = -A(n,k)/A(n,n);
27 end
28 u(n,1) = b(n,1)/A(n,n);
29 %-------------------------------------------
30 L = J; % matrik J dicopy ke matrik L
31 for p = 1:n-1
32 for k = p+1:n
33 L(p,k) = 0;
34 end
35 end
36 %-------------------------------------------
37 U = J; % matrik J dicopy ke matrik U
164 BAB 8. METODE ITERASI
38 for k = 2:4
39 U(k,1) = 0;
40 end
41 for k = 3:4
42 U(k,2) = 0;
43 end
44 for k = 4:4
45 U(k,3) = 0;
46 end
Akhirnya, script ini digabungkan ke script utamanya setelah mengganti angkan 3 dan 4 dengan
variabel n.
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 %---- Perhitungan matrik J dan vektor u-----
14 J = zeros(4);
15 for p = 1:n-1
16 for k = 1:n
17 if k == p
18 k = k+1;
8.4. ITERASI GAUSS-SEIDEL 165
19 end
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 for k = 1:n-1
26 J(n,k) = -A(n,k)/A(n,n);
27 end
28 u(n,1) = b(n,1)/A(n,n);
29 %-------------------------------------------
30 L = J; % matrik J dicopy ke matrik L
31 for p = 1:n-1
32 for k = p+1:n
33 L(p,k) = 0;
34 end
35 end
36 %-------------------------------------------
37 U = J; % matrik J dicopy ke matrik U
38 for p = 1:n-1
39 for k = p+1:n
40 U(k,p) = 0;
41 end
42 end
Secara umum, script iterasi Gauss-Seidel yang saya tuliskan disini hampir sama dengan itera-
si Jacobi. Perbedaan kecil-nya terletak pada bagian nilai update, dimana elemen xbaru hasil
perhitungan dilibatkan langsung untuk menghitung elemen xbaru selanjutnya.
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 n=4 %jumlah elemen vektor
12 itermaks=10 %jumlah iterasi maksimal
13 sc=0.001 %stopping-criteria
14
15 for i=1:itermaks
16 %------nilai update-------------
17 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
18 xbaru(2,1)=(1/11)*xbaru(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
19 xbaru(3,1)=-(2/10)*xbaru(1,1)+(1/10)*xbaru(2,1)+(1/10)*xlama(4,1)-(11/10);
20 xbaru(4,1)=-(3/8)*xbaru(2,1)+(1/8)*xbaru(3,1)+(15/8);
21 xbaru
22
23 %------norm selisih-------------
24 s=0;
25 for i=1:n
26 s=s+(xbaru(i,1)-xlama(i,1))^2;
27 end
28 epsilon=sqrt(s)
166 BAB 8. METODE ITERASI
29
30 %------memeriksa stopping criteria, sc--------
31 if epsilon<sc
32 break
33 end
34
35 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
36 end
dimana i=1,2,3,...,n.
8.4.2 Algoritma
– Langkah 4: Jika kx − XOk < ǫ, maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
– Langkah 5: Tentukan k=k+1
– Langkah 6: Untuk i=1,...n, tentukan XOi = xi
1 IMPLICIT NONE
2 DIMENSION A(10,10),B(10),X(10),XO(10)
3 REAL A,B,X,XO,EPS,NORM,S1,S2
4 INTEGER N,I,J,K,ITMAX
5 WRITE(*,*)
6 WRITE(*,*) ’==> ITERASI GAUSS-SEIDEL UNTUK SISTEM LINEAR <==’
7 WRITE(*,*)
8 WRITE (*,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
9 READ (*,*) N
10 WRITE (*,*) ’MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B’
11 DO 52 I = 1,N
12 DO 62 J = 1,N
13 WRITE (*,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
14 READ (*,*) A(I,J)
15 62 CONTINUE
16 WRITE (*,’(1X,A,I2,A)’) ’B(’,I,’) ? ’
17 READ (*,*) B(I)
8.4. ITERASI GAUSS-SEIDEL 167
18 WRITE (*,*)
19 52 CONTINUE
20 WRITE (*,’(1X,A)’) ’JUMLAH ITERASI MAKSIMUM ? ’
21 READ (*,*) ITMAX
22 WRITE (*,’(1X,A)’) ’NILAI EPSILON ATAU TOLERANSI ? ’
23 READ (*,*) EPS
24 WRITE (*,*) ’MASUKAN NILAI AWAL UNTUK XO’
25 DO 72 I = 1,N
26 WRITE (*,’(1X,A,I2,A)’) ’XO(’,I,’) ? ’
27 READ (*,*) XO(I)
28 72 CONTINUE
29 WRITE (*,*)
30 C MENAMPILKAN MATRIK A
31 WRITE (*,’(1X,A)’) ’MATRIK A:’
32 DO 110 I = 1,N
33 WRITE (*,6) (A(I,J),J=1,N)
34 110 CONTINUE
35 WRITE (*,*)
36 C MENAMPILKAN VEKTOR B
37 WRITE (*,’(1X,A)’) ’VEKTOR B:’
38 DO 111 I = 1,N
39 WRITE (*,6) B(I)
40 111 CONTINUE
41 WRITE (*,*)
42 C LANGKAH 1
43 K = 1
44 C LANGKAH 2
45 100 IF(K.GT.ITMAX) GOTO 200
46 C LANGKAH 3
47 DO 10 I = 1,N
48 S1 = 0.0
49 DO 20 J=I+1,N
50 S1 = S1-A(I,J)*XO(J)
51 20 CONTINUE
52 S2 = 0.0
53 DO 23 J=1,I-1
54 S2 = S2-A(I,J)*X(J)
55 23 CONTINUE
56 X(I) = (S2+S1+B(I))/A(I,I)
57 10 CONTINUE
58 C SAYA PILIH NORM-2. ANDA BOLEH PAKAI NORM YANG LAIN!
59 NORM = 0.0
60 DO 40 I=1,N
61 NORM = NORM + (X(I)-XO(I))*(X(I)-XO(I))
62 40 CONTINUE
63 NORM = SQRT(NORM)
64 WRITE(*,’(1X,A,I3)’) ’ITERASI KE-’, K
65 WRITE(*,’(1X,A,F14.8)’) ’NORM-2 = ’, NORM
66 WRITE(*,’(1X,A,I3,A,F14.8)’) (’X(’,I,’) = ’, X(I),I=1,N)
67 WRITE(*,*)
68 C LANGKAH 4
69 IF(NORM.LE.EPS) THEN
70 WRITE(*,7) K,NORM
71 GOTO 400
72 END IF
73 C LANGKAH 5
74 K = K+1
75 C LANGKAH 6
76 DO 30 I=1,N
168 BAB 8. METODE ITERASI
77 XO(I) = X(I)
78 30 CONTINUE
79 GOTO 100
80 C LANGKAH 7
81 200 CONTINUE
82 WRITE(*,9)
83 400 STOP
84
85 5 FORMAT(1X,I3)
86 6 FORMAT(1X,(6(1X,F14.8)))
87 7 FORMAT(1X,’KONVERGEN PADA ITERASI YANG KE- ’,I3,
88 *’ , NORM= ’,F14.8)
89 9 FORMAT(1X,’MELEBIHI BATAS MAKSIMUM ITERASI’)
90 END
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 ω = 1, 25 akan digunakan
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) (k−1)
x1 = −0, 75x2 +6
(k) (k) (k−1)
x2 = −0, 75x1 + 0, 25x3 + 7, 5
(k) (k)
x3 = 0, 25x2 − 6
Tabel berikut ini menampilkan perhitungan dari masing-masing metode hingga iterasi ke-7.
8.5. ITERASI DENGAN RELAKSASI 169
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 menen-
tukan nilai ω optimal?
Metode Relaksasi dengan pilihan nilai ω yang berkisar antara 0 dan 1 disebut metode under-
relaxation, dimana metode ini berguna agar sistem persamaan linear bisa mencapai kondisi
konvergen walaupun sistem tersebut sulit mencapai kondisi konvergen dengan metode Gauss-
Seidel. Sementara bila ω 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.
– Langkah 4: Jika kx − XOk < ǫ, maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
– Langkah 5: Tentukan k=k+1
– Langkah 6: Untuk i=1,...n, tentukan XOi = xi
Demikianlah catatan singkat dari saya tentang metode iterasi untuk menyelesaikan problem
sistem persamaan linear. Saya cukupkan sementara sampai disini. Insya Allah akan saya sam-
170 BAB 8. METODE ITERASI
bung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email:
supri92@gmail.com.
Bab 9
✍ 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.
P1 : x1 + x2 + 3x4 = 4
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = -3
P4 : −x1 + 2x2 + 3x3 − x4 = 4
Problem dari sistem persamaan linear adalah bagaimana mencari nilai pengganti bagi vari-
abel x1 , x2 , x3 , dan x4 sehingga semua persamaan diatas menjadi benar. Langkah awal penye-
lesaian problem tersebut adalah dengan melakukan penyederhanaan sistem persamaan linear.
171
172 BAB 9. METODE ELIMINASI GAUSS
Ada banyak jalan untuk menyederhanakan sistem persamaan linear. Namun tantangannya, kita
ingin agar pekerjaan ini dilakukan oleh komputer. Oleh karena itu, kita harus menciptakan algo-
ritma yang nantinya bisa berjalan di komputer. Untuk mencapai tujuan itu, kita akan berpatokan
pada tiga buah aturan operasi matematika, yaitu
P1 : x1 + x2 + 3x4 = 4
jika λ = 2, maka
2P1 : 2x1 + 2x2 + 6x4 = 8
P2 : 2x1 + x2 − x3 + x4 = 1
2P1 : 2x1 + 2x2 + 6x4 = 8
P2 : −x2 − x3 − 5x4 = −7
Dengan cara ini, maka variabel x1 berhasil dihilangkan dari P2 . Upaya untuk menghi-
langkan suatu variabel merupakan tahapan penting dalam metode Eliminasi Gauss.
• Persamaan Pi dan Pj dapat bertukar posisi. Simbol operasi ini adalah (Pi ) ↔ (Pj ). Contoh
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = −3
P2 : 3x1 − x2 − x3 + 2x4 = −3
P3 : 2x1 + x2 − x3 + x4 = 1
9.2. TEKNIK PENYEDERHANAAN 173
Sebelum dilanjut, saya ingin mengajak anda untuk fokus memahami aturan operasi yang kedua.
Misalnya ada 2 persamaan linear yaitu
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 − λPj ) → (Pi ), maka operasi yang tepat adalah (P2 − 43 P1 ) →
(P2 ). Perhatikan! Bilangan λ, yaitu 43 , harus dikalikan dengan P1 , BUKAN dengan P2 . Sedangk-
4
an angka 3 adalah satu-satunya angka yang bisa menghapus variabel x1 dari P2 lewat operasi
4
(P2 − 3 P1 ). Selengkapnya adalah sebagai berikut
Dengan sendirinya x1 akan lenyap dari P 2. Mudah-mudahan jelas sampai disini. Demikianlah
cara untuk menghilangkan x1 dari P 2.
Sekarang, mari kita tinjau hal yang sama, yaitu menghilangkan x1 dari P2 , namun menggunakan
’permainan’ indeks. Secara umum, P1 dan P2 bisa dinyatakan sebagai
a21
Agar x1 hilang dari P2 , operasi yang benar adalah (P2 − λP1 ) → (P2 ), dimana λ = a11 . Dengan
demikian, P2 yang baru akan memenuhi
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 ke-
beradaan suatu pola perubahan indeks. Jika belum, mari kita kembangkan persoalan ini.
174 BAB 9. METODE ELIMINASI GAUSS
Sekarang saya ketengahkan kehadapan anda tiga buah persamaan, yaitu P1 , P2 dan P3
Mudah-mudahan, pola perubahan indeksnya semakin jelas terlihat. Selanjutnya jika ada persa-
maan P4 yang ingin dihilangkan x1 nya dengan memanfaatkan P1 , bagaimana caranya?
a41
Tentu saja operasinya adalah (P4 − λP1 ) → (P4 ), dengan λ = a11
a41 a41 a41 a41 a41
P4 : a41 − a11 x1 + a42 − a12 x2 + a43 − a13 x3 + a44 − a14 x4 = a45 − a15
a11 a11 a11 a11 a11
Sekarang, mari kita kembali kepada sistem persamaan linear yang sudah ditulis di awal bab ini
P1 : x1 + x2 + 3x4 = 4
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = -3
P4 : −x1 + 2x2 + 3x3 − x4 = 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:
P1 : x1 + x2 + 3x4 = 4,
P2 : −x2 − x3 − 5x4 = −7,
P3 : −4x2 − x3 − 7x4 = −15,
P4 : 3x2 + 3x3 + 2x4 = 8
P1 : x1 + x2 + 3x4 = 4,
P2 : −x2 − x3 − 5x4 = −7,
P3 : 3x3 + 13x4 = 13,
P4 : −13x4 = −13
Kalau x3 masih ada di persamaan P4 , dibutuhkan satu operasi lagi untuk menghilang-
kannya. 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.
−13
P4 : x4 = = 1,
−13
1 1
P3 : x3 = (13 − 13x4 ) = (13 − 13) = 0,
3 3
P2 : x2 = −(−7 + 5x4 + x3 ) = −(−7 + 5 + 0) = 2,
P1 : x1 = 4 − 3x4 − x2 = 4 − 3 − 2 = −1
OK, mudah-mudahan ngerti ya... Kalau belum paham, coba dibaca sekali lagi. Atau, seka-
rang kita beralih kecontoh yang lain.
176 BAB 9. METODE ELIMINASI GAUSS
Diketahui sistem persamaan linear, terdiri dari empat buah persamaan yaitu P1 , P2 , P3 , dan P4
seperti berikut ini:
P1 : x1 − x2 + 2x3 − x4 = -8
P2 : 2x1 − 2x2 + 3x3 − 3x4 = -20
P3 : x1 + x2 + x3 = -2
P4 : x1 − x2 + 4x3 + 3x4 = 4
Seperti contoh pertama, solusi sistem persamaan linear di atas akan dicari dengan langkah-
langkah berikut 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 : x1 − x2 + 2x3 − x4 = −8,
P2 : 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 meng-
hilangkan variabel x3 dari persamaan P4 . Karenanya, gunakan persamaan P3 untuk meng-
hilangkan x3 dari persamaan P4 dengan cara (P4 + 2P3 ) → (P4 ). Hasilnya akan seperti
ini
P1 : x1 − x2 + 2x3 − x4 = −8,
P2 : 2x2 − x3 + x4 = 6,
P3 : −x3 − x4 = −4,
P4 : 2x4 = 4
9.4. MATRIK DAN ELIMINASI GAUSS 177
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
P4 : x4 = = 2,
2
−4 + x4
P3 : x3 = = 2,
−1
6 + x3 − x4
P2 : x2 = = 3,
2
P1 : x1 = −8 + x2 − 2x3 + x4 = −7
Berdasarkan kedua contoh di atas, untuk mendapatkan solusi sistem persamaan linear, diper-
lukan operasi triangularisasi dan proses backward-substitution. Kata backward-substitution
kalau diterjemahkan kedalam bahasa indonesia, menjadi substitusi-mundur. Gabungan pro-
ses triangularisasi dan substitusi-mundur untuk menyelesaikan sistem persamaan linear dikenal
sebagai metode Eliminasi Gauss.
Sejumlah matrik bisa digunakan untuk menyatakan suatu sistem persamaan linear. Sejenak,
mari kita kembali lagi melihat sistem persamaan linear secara umum seperti berikut ini:
Sementara, kalau dinyatakan dalam bentuk operasi matrik, maka akan seperti ini:
a11 a12 . . . a1n x1 b1
a21 a22 . . . a2n x2 b2
.. .. .. .. = .. (9.2)
. . . . .
an1 an2 . . . ann xn bn
Dalam mencari solusi suatu sistem persamaan linear dengan metode eliminasi gauss, bentuk
operasi matrik di atas dimanipulasi menjadi matrik augment, yaitu suatu matrik yang berukur-
178 BAB 9. METODE ELIMINASI GAUSS
Inilah source code Matlab untuk membentuk matrik augmentasi yang terdiri atas matrik A dan
vektor b,
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
10 %---- inisialisasi vektor b ----
11 b = [4 ; 1 ; -3 ; 4];
12
13 %---- membentuk matrik augmentasi ----
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
Pada contoh pertama di atas, diketahui sistem persamaan linear yang terdiri dari empat buah
persamaan yaitu P1 , P2 , P3 , dan P4
P1 : x1 + x2 + 3x4 = 4
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = -3
P4 : −x1 + 2x2 + 3x3 − x4 = 4
Setelah itu matrik augment disusun seperti ini (perhatikan angka-angka indeks pada matriks
9.4. MATRIK DAN ELIMINASI GAUSS 179
disebelahnya)
1 1 0 3 | 4 a11 a12 a13 a14 | a15
2 1 −1 1 | 1 a21 a22 a23 a24 | a25
⇒
3 −1 −1 2 | −3
a31 a32 a33 a34 | a35
−1 2 3 −1 | 4 a41 a42 a43 a44 | a45
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 a31 a31 a31 a31
P3 : a31 − a11 x1 + a32 − a12 x2 + a33 − a13 x3 + a34 − a14 x4 = a35 − a15
a11 a11 a11 a11 a11
a41 a41 a41 a41 a41
P4 : a41 − a11 x1 + a42 − a12 x2 + a43 − a13 x3 + a44 − a14 x4 = a45 − a15
a11 a11 a11 a11 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 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
10 %---- inisialisasi vektor b ----
11 b = [4 ; 1 ; -3 ; 4];
12
13 %---- membentuk matrik augmentasi ----
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
20 %---- menghilangkan variabel x1 ----
21 m=A(2,1)/A(1,1); % huruf m mewakili simbol lambda
22 A(2,1)=A(2,1)-m*A(1,1);
23 A(2,2)=A(2,2)-m*A(1,2);
24 A(2,3)=A(2,3)-m*A(1,3);
25 A(2,4)=A(2,4)-m*A(1,4);
26 A(2,5)=A(2,5)-m*A(1,5);
27
28 m=A(3,1)/A(1,1);
29 A(3,1)=A(3,1)-m*A(1,1);
30 A(3,2)=A(3,2)-m*A(1,2);
31 A(3,3)=A(3,3)-m*A(1,3);
32 A(3,4)=A(3,4)-m*A(1,4);
180 BAB 9. METODE ELIMINASI GAUSS
33 A(3,5)=A(3,5)-m*A(1,5);
34
35 m=A(4,1)/A(1,1);
36 A(4,1)=A(4,1)-m*A(1,1);
37 A(4,2)=A(4,2)-m*A(1,2);
38 A(4,3)=A(4,3)-m*A(1,3);
39 A(4,4)=A(4,4)-m*A(1,4);
40 A(4,5)=A(4,5)-m*A(1,5);
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
P3 : a31 − a21 x1 + a32 − a22 x2 + a33 − a23 x3 + a34 − a24 x4 = a35 − a25
a22 a22 a22 a22 a22
a42 a42 a42 a42 a42
P4 : 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 m=A(3,2)/A(2,2);
2 A(3,1)=A(3,1)-m*A(2,1);
3 A(3,2)=A(3,2)-m*A(2,2);
4 A(3,3)=A(3,3)-m*A(2,3);
5 A(3,4)=A(3,4)-m*A(2,4);
6 A(3,5)=A(3,5)-m*A(2,5);
7
8 m=A(4,2)/A(2,2);
9 A(4,1)=A(4,1)-m*A(2,1);
10 A(4,2)=A(4,2)-m*A(2,2);
11 A(4,3)=A(4,3)-m*A(2,3);
12 A(4,4)=A(4,4)-m*A(2,4);
13 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 , dan
P4 ; bahkan tanpa disengaja x3 juga hilang dari P4 . Inilah bentuk triangular
1 1 0 3 | 4 a11 a12 a13 a14 | a15
0 −1 −1 −5 | −7
⇒ a21 a22 a23 a24 | a25
0 0 3 13 | 13 a
31 a32 a33 a34 | a35
0 0 0 −13 | −13 a41 a42 a43 a44 | a45
9.4. MATRIK DAN ELIMINASI GAUSS 181
Walaupun x3 sudah hilang dari P4 , sebaiknya source-code penghapusan x3 dari P4 tetap ditam-
bahkan pada source-code sebelumnya agar source-code tersebut menjadi lengkap.
1 m=A(4,3)/A(3,3);
2 A(4,1)=A(4,1)-m*A(3,1);
3 A(4,2)=A(4,2)-m*A(3,2);
4 A(4,3)=A(4,3)-m*A(3,3);
5 A(4,4)=A(4,4)-m*A(3,4);
6 A(4,5)=A(4,5)-m*A(3,5);
Dengan memperhatikan angka-angka indeks pada matrik augment di atas, kita akan men-
coba membuat rumusan proses substitusi-mundur untuk mendapatkan seluruh nilai pengganti
variabel x. Dimulai dari x4 ,
a45 −13
x4 = = =1
a44 −13
lalu dilanjutkan dengan x3 , x2 , dan x1 .
1 x(4,1)=A(4,5)/A(4,4);
2 x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
3 x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
4 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);
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
10 %---- inisialisasi vektor b ----
11 b = [4 ; 1 ; -3 ; 4];
12
13 %---- membentuk matrik augmentasi ----
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
182 BAB 9. METODE ELIMINASI GAUSS
17 A(i,n+1) = b(i);
18 end
19
20 %==== Proses Triangularisasi ====
21 %---- menghilangkan variabel x1 dari P2, P3 dan P4 ----
22 m=A(2,1)/A(1,1); % huruf m mewakili simbol lambda
23 A(2,1)=A(2,1)-m*A(1,1);
24 A(2,2)=A(2,2)-m*A(1,2);
25 A(2,3)=A(2,3)-m*A(1,3);
26 A(2,4)=A(2,4)-m*A(1,4);
27 A(2,5)=A(2,5)-m*A(1,5);
28
29 m=A(3,1)/A(1,1);
30 A(3,1)=A(3,1)-m*A(1,1);
31 A(3,2)=A(3,2)-m*A(1,2);
32 A(3,3)=A(3,3)-m*A(1,3);
33 A(3,4)=A(3,4)-m*A(1,4);
34 A(3,5)=A(3,5)-m*A(1,5);
35
36 m=A(4,1)/A(1,1);
37 A(4,1)=A(4,1)-m*A(1,1);
38 A(4,2)=A(4,2)-m*A(1,2);
39 A(4,3)=A(4,3)-m*A(1,3);
40 A(4,4)=A(4,4)-m*A(1,4);
41 A(4,5)=A(4,5)-m*A(1,5);
42
43 %---- menghilangkan variabel x2 dari P3 dan P4 ----
44 m=A(3,2)/A(2,2);
45 A(3,1)=A(3,1)-m*A(2,1);
46 A(3,2)=A(3,2)-m*A(2,2);
47 A(3,3)=A(3,3)-m*A(2,3);
48 A(3,4)=A(3,4)-m*A(2,4);
49 A(3,5)=A(3,5)-m*A(2,5);
50
51 m=A(4,2)/A(2,2);
52 A(4,1)=A(4,1)-m*A(2,1);
53 A(4,2)=A(4,2)-m*A(2,2);
54 A(4,3)=A(4,3)-m*A(2,3);
55 A(4,4)=A(4,4)-m*A(2,4);
56 A(4,5)=A(4,5)-m*A(2,5);
57
58 %---- menghilangkan variabel x3 dari P4 ----
59 m=A(4,3)/A(3,3);
60 A(4,1)=A(4,1)-m*A(3,1);
61 A(4,2)=A(4,2)-m*A(3,2);
62 A(4,3)=A(4,3)-m*A(3,3);
63 A(4,4)=A(4,4)-m*A(3,4);
64 A(4,5)=A(4,5)-m*A(3,5);
65
66 %==== Proses Substitusi Mundur ====
67 x(4,1)=A(4,5)/A(4,4);
68 x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
69 x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
70 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);
9.4. MATRIK DAN ELIMINASI GAUSS 183
Singkatnya, tujuan dari dilakukannya proses optimasi adalah untuk memperkecil jumlah baris
statemen pada source code dasar. Seperti kita ketahui bersama, source code dasar eliminasi gauss
yang tertulis di atas terdiri atas 70 baris statemen, sehingga perlu dilakukan proses optimasi
untuk memperkecil jumlah baris statemen (tanpa menyalahi hasil perhitungan).
Langkah optimasi source code bagian triangularisasi dimulai dari baris statemen ke 23 hingga
ke 27, yaitu
for k = 1:5
A(2,k) = A(2,k)-m*A(1,k);
end
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 source-code
baru hasil optimasi awal yaitu
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
184 BAB 9. METODE ELIMINASI GAUSS
8 -1 2 3 -1];
9
10 %---- inisialisasi vektor b ----
11 b = [4 ; 1 ; -3 ; 4];
12
13 %---- membentuk matrik augmentasi ----
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
20 %==== Proses Triangularisasi ====
21 %---- menghilangkan variabel x1 dari P2, P3 dan P4 ----
22 m=A(2,1)/A(1,1); % huruf m mewakili simbol lambda
23 for k = 1:5
24 A(2,k) = A(2,k)-m*A(1,k);
25 end
26
27 m=A(3,1)/A(1,1);
28 for k = 1:5
29 A(3,k) = A(3,k)-m*A(1,k);
30 end
31
32 m=A(4,1)/A(1,1);
33 for k = 1:5
34 A(4,k) = A(4,k)-m*A(1,k);
35 end
36
37 %---- menghilangkan variabel x2 dari P3 dan P4 ----
38 m=A(3,2)/A(2,2);
39 for k = 1:5
40 A(3,k) = A(3,k)-m*A(2,k);
41 end
42
43 m=A(4,2)/A(2,2);
44 for k = 1:5
45 A(4,k) = A(4,k)-m*A(2,k);
46 end
47
48 %---- menghilangkan variabel x3 dari P4 ----
49 m=A(4,3)/A(3,3);
50 for k = 1:5
51 A(4,k) = A(4,k)-m*A(3,k);
52 end
53
54 %==== Proses Substitusi Mundur ====
55 x(4,1)=A(4,5)/A(4,4);
56 x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
57 x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
58 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);
Sekarang, source-code eliminasi gauss telah mengecil menjadi hanya 58 baris statemen saja (se-
belumnya ada 70 baris statemen). Namun ini belum merupakan akhir proses optimasi. Source-
code 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
9.4. MATRIK DAN ELIMINASI GAUSS 185
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
for j = 3:4
m=A(j,2)/A(2,2);
for k = 1:5
A(j,k) = A(j,k)-m*A(2,k);
end
end
for j = 4:4
m=A(j,3)/A(3,3);
for k = 1:5
A(j,k) = A(j,k)-m*A(3,k);
end
end
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
10 %---- inisialisasi vektor b ----
11 b = [4 ; 1 ; -3 ; 4];
12
13 %---- membentuk matrik augmentasi ----
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
20 %==== Proses Triangularisasi ====
21 %---- menghilangkan variabel x1 dari P2, P3 dan P4 ----
22 for j = 2:4
23 m=A(j,1)/A(1,1);
24 for k = 1:5
25 A(j,k) = A(j,k)-m*A(1,k);
26 end
27 end
28
186 BAB 9. METODE ELIMINASI GAUSS
m=A(j,i)/A(i,i);
for k = 1:5
A(j,k) = A(j,k)-m*A(i,k);
end
end
end
Sehingga hasil optimasi sampai tahapan ini telah mengecilkan jumlah baris statemen dari se-
mula 70 baris menjadi hanya 34 baris saja. Inilah hasilnya
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
10 %---- inisialisasi vektor b ----
11 b = [4 ; 1 ; -3 ; 4];
12
13 %---- membentuk matrik augmentasi ----
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
20 %==== Proses Triangularisasi ====
21 for i = 1:3
22 for j = i+1:4
23 m=A(j,i)/A(i,i);
24 for k = 1:5
25 A(j,k) = A(j,k)-m*A(i,k);
26 end
27 end
28 end
29
30 %==== Proses Substitusi Mundur ====
31 x(4,1)=A(4,5)/A(4,4);
32 x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
33 x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
34 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);
OK, sekarang kita beralih ke bagian substitusi-mundur. Saya mulai dengan memodifikasi bagian
tersebut menjadi seperti ini
S = 0;
S = S + A(3,4)*x(4,1);
188 BAB 9. METODE ELIMINASI GAUSS
x(3,1)=(A(3,5)-S)/A(3,3);
S = 0;
S = S + A(2,3)*x(3,1);
S = S + A(2,4)*x(4,1);
x(2,1)=(A(2,5)-S)/A(2,2);
S = 0;
S = S + A(1,2)*x(2,1);
S = S + A(1,3)*x(3,1);
S = S + A(1,4)*x(4,1);
x(1,1)=(A(1,5)-S)/A(1,1);
S = 0;
for k = 4:4
S = S + A(3,k)*x(k,1);
end
x(3,1)=(A(3,5)-S)/A(3,3);
S = 0;
for k = 3:4
S = S + A(2,k)*x(k,1);
end
x(2,1)=(A(2,5)-S)/A(2,2);
S = 0;
for k = 2:4
S = S + A(1,k)*x(k,1);
end
x(1,1)=(A(1,5)-S)/A(1,1);
i = 3;
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);
i = 2;
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);
i = 1;
S = 0;
9.4. MATRIK DAN ELIMINASI GAUSS 189
for k = i+1:4
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(1,5)-S)/A(i,i);
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
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
10 %---- inisialisasi vektor b ----
11 b = [4 ; 1 ; -3 ; 4];
12
13 %---- membentuk matrik augmentasi ----
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
20 %==== Proses Triangularisasi ====
21 for i = 1:3
22 for j = i+1:4
23 m=A(j,i)/A(i,i);
24 for k = 1:5
25 A(j,k) = A(j,k)-m*A(i,k);
26 end
27 end
28 end
29
30 %==== Proses Substitusi Mundur ====
31 x(4,1)=A(4,5)/A(4,4);
32
33 for i = 3:-1:1
34 S = 0;
35 for k = i+1:4
36 S = S + A(i,k)*x(k,1);
37 end
190 BAB 9. METODE ELIMINASI GAUSS
38 x(i,1)=(A(i,5)-S)/A(i,i);
39 end
Pada baris ke-15, nilai n adalah nilai ukuran matrik A yang berbentuk bujursangkar. Dalam
contoh ini, n bernilai 4. Dengan menggunakan angka 4 (atau n) sebagai acuan, maka source
code hasil optimasi terakhir dimodifikasi kembali menjadi seperti ini
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
10 %---- inisialisasi vektor b ----
11 b = [4 ; 1 ; -3 ; 4];
12
13 %---- membentuk matrik augmentasi ----
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
20 %==== Proses Triangularisasi ====
21 for i = 1:n-1
22 for j = i+1:n
23 m=A(j,i)/A(i,i);
24 for k = 1:n+1
25 A(j,k) = A(j,k)-m*A(i,k);
26 end
27 end
28 end
29
30 %==== Proses Substitusi Mundur ====
31 x(n,1)=A(n,n+1)/A(n,n);
32
33 for i = n-1:-1:1
34 S = 0;
35 for k = i+1:n
36 S = S + A(i,k)*x(k,1);
37 end
38 x(i,1)=(A(i,n+1)-S)/A(i,i);
39 end
Sekarang, source code di atas akan bisa memproses matrik bujursangkar yang ukurannya sem-
barang; tidak hanya 4x4. Demikianlah akhir dari proses optimasi yang cukup melelahkan.
9.4. MATRIK DAN ELIMINASI GAUSS 191
Walaupun memiliki jumlah baris statemen yang lebih sedikit, source-code ini masih mengandung
bug yang bisa berakibat fatal. Sekarang coba anda ganti angka-angka pada bagian inisialisasi
matrik menjadi angka-angka baru yang disesuaikan dengan sistem persamaan linear berikut ini
P1 : x1 − x2 + 2x3 − x4 = -8
P2 : 2x1 − 2x2 + 3x3 − 3x4 = -20
P3 : x1 + x2 + x3 = -2
P4 : x1 − x2 + 4x3 + 3x4 = 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?
9.4.7 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 diba-
wahnya, sampai elemen diagonal matrik menjadi tidak nol, aii 6= 0. Cara ini disebut pivoting.
Penambahan proses pivoting kedalam source code eliminasi Gauss dimulai dari baris ke-23 sam-
pai baris ke-30 berikut ini
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 -1 2 -1
6 2 -2 3 -3
7 1 1 1 0
8 1 -1 4 3];
9
10 %---- inisialisasi vektor b ----
11 b = [-8 ; -20 ; -2 ; 4];
12
13 %---- membentuk matrik augmentasi ----
14 dim = size(A);
15 n = dim(1);
192 BAB 9. METODE ELIMINASI GAUSS
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
20 %==== Proses Triangularisasi ====
21 for i = 1:n-1
22 %---- awal proses pivoting -----
23 if A(i,i) == 0
24 for s = 1:n+1
25 v = A(i,s);
26 u = A(i+1,s);
27 A(i,s) = u;
28 A(i+1,s) = v;
29 end
30 end
31 %---- akhir proses pivoting -----
32
33 for j = i+1:n
34 m=A(j,i)/A(i,i);
35 for k = 1:n+1
36 A(j,k) = A(j,k)-m*A(i,k);
37 end
38 end
39 end
40
41 %==== Proses Substitusi Mundur ====
42 x(n,1)=A(n,n+1)/A(n,n);
43
44 for i = n-1:-1:1
45 S = 0;
46 for k = i+1:n
47 S = S + A(i,k)*x(k,1);
48 end
49 x(i,1)=(A(i,n+1)-S)/A(i,i);
50 end
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 %---- membentuk matrik augmentasi ----
4 dim = size(A);
5 n = dim(1);
6 for i = 1:n
7 A(i,n+1) = b(i);
8 end
9
10 %==== Proses Triangularisasi ====
11 for i = 1:n-1
12 %---- awal proses pivoting -----
13 if A(i,i) == 0
14 for s = 1:n+1
9.5. FUNCTION ELIMINASI GAUSS 193
15 v = A(i,s);
16 u = A(i+1,s);
17 A(i,s) = u;
18 A(i+1,s) = v;
19 end
20 end
21 %---- akhir proses pivoting -----
22
23 for j = i+1:n
24 m=A(j,i)/A(i,i);
25 for k = 1:n+1
26 A(j,k) = A(j,k)-m*A(i,k);
27 end
28 end
29 end
30
31 %==== Proses Substitusi Mundur ====
32 x(n,1)=A(n,n+1)/A(n,n);
33
34 for i = n-1:-1:1
35 S = 0;
36 for k = i+1:n
37 S = S + A(i,k)*x(k,1);
38 end
39 x(i,1)=(A(i,n+1)-S)/A(i,i);
40 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 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 -1 2 -1
6 2 -2 3 -3
7 1 1 1 0
8 1 -1 4 3];
9
10 %---- inisialisasi vektor b ----
11 b = [-8 ; -20 ; -2 ; 4];
12
13 x=elgauss(A,b)
194 BAB 9. METODE ELIMINASI GAUSS
Gunakan metode Eliminasi Gauss untuk menentukan arus i1 , i2 dan i3 yang mengalir pada
rangkaian berikut ini
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
6 0 2 I3 10
6 0 2 10
9.6. CONTOH APLIKASI 195
a21 6
m= = = 6
a11 1
a21 = a21 − m.a11 = 6 − (6).(1) = 0
a22 = a22 − m.a12 = −4 − (6).(1) = −10
a23 = a23 − m.a13 = 0 − (6).(−1) = 6
a24 = a24 − m.a14 = 24 − (6).(0) = 24
a31 6
m= = = 6
a11 1
a31 = a31 − m.a11 = 6 − (6).(1) = 0
a32 = a32 − m.a12 = 0 − (6).(1) = −6
a33 = a33 − m.a13 = 2 − (6).(−1) = 8
a34 = a34 − m.a14 = 10 − (6).(0) = 10
0 −6 8 10
a32 −6
m= =
a22 −10
−6
a31 = a31 − m.a21 = 0 − ( ).(0) = 0
−10
−6
a32 = a32 − m.a22 = −6 − ( ).(−10) = 0
−10
−6
a33 = a33 − m.a23 = 8 − ( ).(6) = 4, 4
−10
−6
a34 = a34 − m.a24 = 10 − ( ).(24) = −4, 4
−10
0 0 4, 4 −4, 4
196 BAB 9. METODE ELIMINASI GAUSS
a34 −4, 4
I3 = = = −1
a33 4, 4
a24 − a23 .I3 24 − (6).(−1)
I2 = = = −3
a22 −10
a14 − (a13 .I3 + a12 .I2 ) (0 − [(−1).(−1) + (1).(−3)]
I1 = = =2
a11 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 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 1 -1
6 6 -4 0
7 6 0 2];
8
9 %---- inisialisasi vektor b ----
10 b = [0 ; 24 ; 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
6 0 2 I3 10
Dalam kaitannya dengan invers matrik, matrik A disebut matrik non-singular jika matrik A
memiliki matrik invers dirinya yaitu A−1 . Atau dengan kata lain, matrik A−1 adalah invers dari
matrik A. Jika matrik A tidak memiliki invers, maka matrik A disebut singular. Bila matrik A
dikalikan dengan matrik A−1 maka akan menghasilkan matrik identitas I, yaitu suatu matrik
9.6. CONTOH APLIKASI 197
Misalnya diketahui,
− 29 5
− 19
1 2 −1 9
A= 2 1 0 , A−1 = 4
− 91 2
9 9
−1 1 2 − 31 3
1 1
3
− 92 5
− 91
1 2 −1 9 1 0 0
AA−1 = 2 1 0 94 − 19 2
= 0 1 0
9
−1 1 2 − 31 1
3
1
3 0 0 1
Lalu bagaimana cara memperoleh matrik invers, A−1 ? Itulah bahan diskusi kita kali ini. Ba-
iklah.., anggap saja kita tidak tahu isi dari A−1 . Tapi yang jelas matrik A−1 ukurannya mesti
sama dengan matrik A, yaitu 3x3.
AA−1 = I
1 2 −1 i11 i12 i13 1 0 0
2 1 0 i21 i22 i23 = 0 1 0 (9.5)
−1 1 2 i31 i32 i33 0 0 1
Elemen-elemen matrik invers, A−1 dapat diperoleh dengan menerapkan metode eliminasi gauss
pada persamaan 9.5 yang telah dipecah 3 menjadi
1 2 −1 i11 1
2 1 0 i21 = 0
−1 1 2 i31 0
198 BAB 9. METODE ELIMINASI GAUSS
1 2 −1 i21 0
2 1 0 i22 = 1
−1 1 2 i23 0
1 2 −1 i31 0
2 1 0 i32 = 0
−1 1 2 i32 1
Ketiganya dapat diselesaikan satu persatu menggunakan source code Eliminasi Gauss. Source
code untuk mendapatkan kolom pertama dari matrik invers adalah
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
9 %---- inisialisasi vektor b ----
10 for j = 1:3
11 b(j,1) = 0;
12 end
13 b(1,1) = 1;
14
15 I=elgauss(A,b)
Sementara, source code untuk mendapatkan kolom kedua dari matrik invers adalah
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
9 %---- inisialisasi vektor b ----
10 for j = 1:3
11 b(j,1) = 0;
12 end
13 b(2,1) = 1;
14
15 I=elgauss(A,b)
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 2 -1
9.6. CONTOH APLIKASI 199
6 2 1 0
7 -1 1 2];
8
9 %---- inisialisasi vektor b ----
10 for j = 1:3
11 b(j,1) = 0;
12 end
13 b(3,1) = 1;
14
15 I=elgauss(A,b)
Memang pada prinsipnya, dengan menjalankan tiga source-code di atas, akan diperoleh ma-
trik invers. Namun cara seperti ini tentunya kurang efektif. Mungkinkah ketiganya digabung
menjadi satu? Jelas bisa!
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
9
10 %---- inisialisasi vektor b ----
11 for j = 1:3
12 b(j,1) = 0;
13 end
14 b(1,1) = 1;
15 I=elgauss(A,b);
16 for k = 1:3
17 AI(k,1) = I(k,1);
18 end
19
20 for j = 1:3
21 b(j,1) = 0;
22 end
23 b(2,1) = 1;
24 I=elgauss(A,b);
25 for k = 1:3
26 AI(k,2) = I(k,1);
27 end
28
29 for j = 1:3
30 b(j,1) = 0;
31 end
32 b(3,1) = 1;
33 I=elgauss(A,b);
34 for k = 1:3
35 AI(k,3) = I(k,1);
36 end
1 clear all
2 clc
200 BAB 9. METODE ELIMINASI GAUSS
3
4 %---- inisialisasi matrik A ----
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
9
10 %---- inisialisasi vektor b ----
11 i = 1;
12 for j = 1:3
13 b(j,1) = 0;
14 end
15 b(i,1) = 1;
16 I=elgauss(A,b);
17 for k = 1:3
18 AI(k,i) = I(k,1);
19 end
20
21 i = 2;
22 for j = 1:3
23 b(j,1) = 0;
24 end
25 b(i,1) = 1;
26 I=elgauss(A,b);
27 for k = 1:3
28 AI(k,i) = I(k,1);
29 end
30
31 i = 3;
32 for j = 1:3
33 b(j,1) = 0;
34 end
35 b(i,1) = 1;
36 I=elgauss(A,b);
37 for k = 1:3
38 AI(k,i) = I(k,1);
39 end
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
9
10 %---- menghitung matrik invers ----
11 for i = 1:3
12 for j = 1:3
13 b(j,1) = 0;
14 end
15 b(i,1) = 1;
16 I=elgauss(A,b);
17 for k = 1:3
18 AI(k,i) = I(k,1);
9.6. CONTOH APLIKASI 201
19 end
20 end
Diperlukan sedikit lagi modifikasi agar source code tersebut dapat berlaku umum
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
9 %---- menghitung matrik invers ----
10 dim = size(A);
11 n = dim(1);
12 for i = 1:n
13 for j = 1:n
14 b(j,1) = 0;
15 end
16 b(i,1) = 1;
17 I=elgauss(A,b);
18 for k = 1:n
19 AI(k,i) = I(k,1);
20 end
21 end
Berdasarkan source code yang sudah teroptimasi di atas, kita bisa membuat function untuk
menghitung matrik invers.
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 2 -1
6 2 1 0
202 BAB 9. METODE ELIMINASI GAUSS
7 -1 1 2];
8
9 %---- menghitung matrik invers ----
10 AI = Ainv(A);
Keberadaan matrik A−1 bisa digunakan untuk menyelesaikan sistem persamaan linear (men-
cari nilai x ), dengan cara sebagai berikut
Ax = b
A−1 Ax = A−1 b
Ix = A−1 b
x = A−1 b (9.6)
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
Berdasarkan persamaan (9.6), maka elemen-elemen vektor x dapat dicari dengan cara
x = A−1 b
− 92 5
− 91 7
9 2 9
4
x= − 19 2
3 = 13
9 9 9
− 31 1
3
1
3 4 5
3
Akhirnya diperoleh solusi x1 = 7/9, x2 = 13/9, dan x3 = 5/3. Penyelesaian sistem persamaan
linear menjadi lebih mudah bila matrik A−1 sudah diketahui. Sayangnya, untuk mendapatk-
an matrik A−1 , 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 bagai-
manapun, secara konseptual kita dianjurkan mengetahui cara bagaimana mendapatkan matrik
A−1 .
9.7. PENUTUP 203
9.7 Penutup
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu. Ka-
lau ada yang mau didiskusikan, silakan hubungi saya melalui email yang tercantum di halaman
paling depan.
204 BAB 9. METODE ELIMINASI GAUSS
Bab 10
✍ Objektif :
⊲ Mengenalkan model garis.
⊲ Mengenalkan model parabola.
⊲ Mengenalkan model bidang.
Pada bab ini, saya mencoba menuliskan aplikasi Metode Eliminasi Gauss sebagai dasar-dasar
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.
Pengukuran suhu terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin
dalam, suhu semakin tinggi. Misalnya telah dilakukan sebanyak empat kali (N = 4) pengukur-
an suhu (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel pengukuran secara sederhana
disajikan seperti ini:
Grafik sebaran data observasi ditampilkan pada Gambar (10.2). Lalu kita berasumsi bahwa
variasi suhu terhadap kedalaman ditentukan oleh rumus berikut ini:
m1 + m2 zi = Ti (10.1)
205
206 BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
200
Temperatur (Celcius)
150
100
50
0
0 10 20 30 40 50 60 70 80 90 100
Kedalaman (meter)
dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut model
matematika. Sedangkan m1 dan m2 disebut parameter model. Pada model matematika di atas
terdapat dua buah parameter model, (M = 2). Sementara jumlah data observasi ada empat,
(N = 4), yaitu nilai-nilai kedalaman, zi , dan suhu, Ti . Berdasarkan model tersebut, kita bisa
menyatakan suhu dan kedalaman masing-masing sebagai berikut:
m1 + m2 z1 = T1
m1 + m2 z2 = T2
m1 + m2 z3 = T3
m1 + m2 z4 = T4
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
1 z1 T1
" #
1 z2 m1 T2
1 z
m =
T
(10.2)
3 2 3
1 z4 T4
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-
10.1. INVERSI MODEL GARIS 207
patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
GT Gm = GT d (10.4)
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 1 1 1 1
Gt =
G=
1 z
⇒
3
z1 z2 z3 z4
1 z4
2. Tentukan GT G
" # 1 z1
" P #
1 1 1 1 1 z2 N zi
Gt G =
= P P 2
z1 z2 z3 z4
1 z3
zi zi
1 z4
dimana N = 4 dan i = 1, 2, 3, 4.
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
" P P #
N zi | Ti
P P 2 P
zi zi | zi Ti
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
" #
4 146 | 392
146 10906 | 25462
208 BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
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
" # " #
4 146 | 392 a11 a12 | a13
=
0 5577 | 11154 a21 a22 | a23
a23 11154
m2 = = =2
a22 5577
lalu tentukan m1
a13 − a12 m2 392 − (146)(2)
m1 = = = 25
a11 4
Script inversi model garis ini dibangun dari beberapa script yang sudah kita pelajari sebelumnya,
yaitu script transpose matriks, perkalian matrik dan script eliminasi gauss. Silakan pelajari
maksud tiap-tiap baris pada script ini.
1 clc
2 clear all
3 close all
4
5 % ---- data observasi ----
6 N = 4; % jumlah data
7 z = [ 5 ; 16 ; 25 ; 100 ];
8 T = [ 35 ; 57 ; 75 ; 225 ];
9
10
11 % ---- menentukan matrik kernel, G ----
12 for i = 1:N
13 G(i,1) = 1;
14 G(i,2) = z(i,1);
15 end
16
17 % ---- menentukan vektor d ----
18 d=T;
19
20 % ---- proses inversi ----
21 A = G’*G;
22 b = G’*d;
23 m = elgauss(A,b);
24
25 %-------MENGGAMBAR GRAFIK----------------------
26 plot(z,T,’ro’);
27 xlabel(’Kedalaman (meter)’);ylabel(’Suhu (derajat Celcius)’);
28 title(’Data variasi suhu terhadap kedalaman’)
29 hold on;
30 for i=1:max(z)
10.2. INVERSI MODEL PARABOLA 209
31 zi(i)=i;
32 Ti(i)=m(1)+m(2)*zi(i);
33 end
34 plot(zi,Ti);
35 hold off;
200
Suhu (derajat Celcius)
150
100
50
0
0 10 20 30 40 50 60 70 80 90 100
Kedalaman (meter)
Gambar 10.2: Kurva hasil inversi data observasi antara suhu dan kedalaman
Demikianlah contoh aplikasi metode Eliminasi Gauss pada model garis. Anda bisa meng-
aplikasikan 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.
Pengukuran suhu terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin
dalam, suhu semakin tinggi. Misalnya telah dilakukan sebanyak delapan kali (N = 8) pengu-
kuran suhu (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel 10.2 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 (10.6)
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
210 BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
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
1 z2 z22
T2
1 z3 z32
T3
m1
1 z4 z42
T4
m2 =
(10.7)
1 z5 z52 T5
m
3
1 z6 z62
T6
1 z7 z72
T
7
1 z8 z82 T8
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-
patkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d (10.9)
10.2. INVERSI MODEL PARABOLA 211
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
2. Tentukan Gt G
1 z1 z12
1 z2 z22
1 z3 z32
P P 2
1 1 1 1 1 1 1 1 N z z
i
1 z4 z42 P 2 P i3
t
G G = z1 z2 z3 z4 z5 z6 z7 = P
z8 zi z z
1 z5 z52 P 2 P i3 P i4
z12 z22 z32 z42 z52 z62 z72 z82 zi zi zi
1 z6 z62
1 z7 z72
1 z8 z82
4. Sekarang persamaan (10.14) dapat dinyatakan sebagai (ini khan least square juga...!?)
P P 2 P
N zi zi m1 Ti
P 2 P 3
zi m2 =
P P
zi zi zi Ti (10.10)
P 2 P 3 P 4 P 2
zi zi zi m3 zi Ti
212 BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
P P 2 P
N zi zi | Ti
P P 2 P 3 P
zi zi zi | zi Ti
P 2 P 3 P 4 P 2
zi zi zi | zi Ti
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
8 219 8547 | 349, 89
219 8547 393423 | 12894, 81
9. Masih dalam proses triangularisai, operasi berikutnya (P3 −(159448, 88/2551, 88)P2 ) → P3 .
Hasilnya adalah
8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57 (10.11)
0 0 693609, 48 | 13872, 19
Seperti catatan yang lalu, saya ingin menyertakan pula notasi masing-masing elemen pada
matrik augment sebelum melakukan proses substitusi mundur.
8 219 8547 | 349, 89 a11 a12 a13 | a14
0 2551, 88 159448, 88 | 3316, 57 ⇔ a21 a22 a23 | a24
10. Terakhir, tentukan konstanta m1 , m2 dan m3 yang merupakan elemen-elemen vektor ko-
10.2. INVERSI MODEL PARABOLA 213
a34 13872, 19
m3 = = = 0, 02
a33 693609, 48
lalu m2
a24 − a23 m3 3316, 57 − (159448, 88)(0, 02)
m2 = = = 0, 05
a22 2551, 88
dan m1
Perbedaan utama script ini dengan script inversi model garis terletak pada inisialisasi elemen-
elemen matrik kernel. Elemen-elemen matrik kernel sangat ditentukan oleh model matematika
yang digunakan. Seperti pada script ini, matrik kernelnya diperoleh dari model parabola.
1 clc
2 clear all
3 close all
4
5 % ---- data observasi ----
6 N = 8; % Jumlah data
7 z = [5; 8; 14; 21; 30; 36; 45; 60];
8 T = [21.75; 22.68; 25.62; 30.87; 40.5; 48.72; 63.75; 96];
9
10 % ---- menentukan matrik kernel, G ----
11 for i = 1:N
12 G(i,1) = 1;
13 G(i,2) = z(i,1);
14 G(i,3) = z(i,1)^2;
15 end
16
17 % ---- menentukan vektor d ----
18 d=T;
19
20 % ---- proses inversi ----
21 A = G’*G;
22 b = G’*d;
23 m = elgauss(A,b);
24
25 %-------MENGGAMBAR GRAFIK----------------------
26 plot(z,T,’ro’);
27 xlabel(’Kedalaman (meter)’);ylabel(’Suhu (derajat Celcius)’);
28 title(’Data variasi suhu terhadap kedalaman’);
29 hold on;
30 for i=1:max(z)
31 zi(i)=i;
32 Ti(i)=m(1)+m(2)*zi(i)+m(3)*zi(i)^2;
33 end
34 plot(zi,Ti);
35 hold off;
214 BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
90
80
Suhu (derajat Celcius)
70
60
50
40
30
20
0 10 20 30 40 50 60
Kedalaman (meter)
Gambar 10.3: Kurva hasil inversi data observasi antara suhu dan kedalaman
Demikianlah contoh aplikasi metode Eliminasi Gauss pada model parabola. Anda bisa meng-
aplikasikan 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 pa-
rameter 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.
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 (10.12)
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
10.3. INVERSI MODEL BIDANG 215
m1 + m2 x1 + m3 y1 = d1
m1 + m2 x2 + m3 y2 = d2
m1 + m2 x3 + m3 y3 = d3
.. .. .. .. ..
. . . . .
m1 + m2 xN + m3 yN = dN
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
1 x1 y1 d1
1 x2 y2 m 1
d2
1 x3 y3 m2 = d3
.. .. .. .
..
. . m3
.
1 xN yN dN
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-
patkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d (10.14)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
2. Tentukan Gt G
1 x1 y1
1 x2 y2
P P
1 1 1 ··· 1
N xi yi
Gt G = x1 x2 x3 · · · xN 1 x3 y3
P 2 P
=
P
xi xi xi y i
.. .. ..
yi2
P P P
y1 y2 y3 · · · yN
. . . yi xi y i
1 xN yN
216 BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
P P P
N xi yi | di
P P 2 P P
xi xi xi y i | xi di
P P P 2 P
yi xi y i yi | yi di
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.
Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera menge-
luarkan kamera otomatis, lalu melakukan ekperimen kinematika yaitu dengan melempar batu
vertikal ke atas. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut
Plot data pengukuran waktu vs ketinggian diperlihatkan pada Gambar 10.4. Anda diminta un-
tuk membantu proses pengolahan data sehingga diperoleh nilai konstanta gravitasi di planet
tersebut dan kecepatan awal batu. Jelas, ini adalah persoalan inversi, yaitu mencari unkown
parameter (konstanta gravitasi dan kecepatan awal batu) dari data observasi (hasil foto gerak
sebuah batu).
10.4. CONTOH APLIKASI 217
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 (10.16)
2
1
m 1 = vo m2 = − g (10.17)
2
m1 ti + m2 t2i = hi − 5 (10.18)
m1 t1 + m2 t21 = h1 − 5
m1 t2 + m2 t22 = h2 − 5
m1 t3 + m2 t23 = h3 − 5
.. .. .
. . = ..
m1 t20 + m2 t220 = h20 − 5
218 BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
6
Tinggi (meter)
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Waktu (detik)
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
t1 t21
h1 − 5
t22
t2
h2 − 5
t23
t3 "
#
h3 − 5
m1
t24
t4
m =
..
.. .. .
2
. .
h19 − 5
t219
t19
h20 − 5
t20 t220
Gm = d
Seperti yang sudah dipelajari pada bab ini, penyelesaian masalah inversi dimulai dari proses
manipulasi persamaan matrik sehingga perkalian antara Gt dan G menghasilkan matriks bujur-
sangkar
Gt Gm = Gt d (10.19)
2. Menentukan Gt G
t1 t21
t22
t2
" #
t3 t23
" P 2 P 3 #
t t1 t2 t3 t4 . . . t19 t20 2 ti ti
GG= t4 t4 = P t3 P t4
t21 t22 t23 t24 . . . t219 t220
.. .. i i
. .
t19 t219
t20 t220
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 = − 12 g =
220 BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
6
Ketinggian (m)
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Waktu (dt)
Berikut adalah script inversi dalam Matlab untuk memecahkan masalah ini
1 clc
2 clear all
3 close all
4
5 % ---- data observasi ----
6 N = 20; % jumlah data
7 for i=1:N
8 t(i)=i*0.25;
9 end
10 h = [5.75;6.40;6.94;7.38;7.72;7.96;8.10;8.13;8.07;
11 7.90;7.62;7.25;6.77;6.20;5.52;4.73;3.85;2.86;1.77;0.58];
12
13 % ---- menentukan matrik kernel, G ----
14 for i=1:N
15 G(i,1)=t(i);
16 G(i,2)=t(i)^2;
17 end
18
19 % ---- menentukan vektor d ----
20 for i=1:N
10.4. CONTOH APLIKASI 221
21 d(i,1)=h(i)-5;
22 end
23
24 % ---- proses inversi ----
25 A = G’*G;
26 b = G’*d;
27 m = elgauss(A,b);
28
29 %-------MENGGAMBAR GRAFIK----------------------
30 plot(t,h,’ro’);
31 xlabel(’Waktu (detik)’);ylabel(’ketinggian (meter)’);
32 title(’Data variasi waktu terhadap ketinggian’)
33 hold on;
34 for i=1:N
35 hi(i)=m(1)*t(i)+m(2)*t(i)^2+5;
36 end
37 plot(t,hi);
38 hold off;
222 BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
Bab 11
Metode LU Decomposition
✍ Objektif :
⊲ Mengenalkan teknik faktorisasi matrik.
⊲ Mengenalkan aplikasi LU Decomposition pada sistem persamaan linear.
⊲ Merumuskan algoritma LU Decomposition.
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 ope-
rasi matrik
Ax = b (11.1)
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 (11.2)
223
224 BAB 11. METODE LU DECOMPOSITION
LU x = b
Langkah penyelesaian sistem persamaan linear dengan metode LU-decomposition, diawali de-
ngan menghadirkan vektor y dimana,
Ux = y (11.3)
Langkah tersebut tidak bermaksud untuk menghitung vektor y, melainkan untuk menghitung
vektor x. Artinya, sebelum persamaan (11.3) dieksekusi, nilai-nilai yang menempati elemen-
elemen vektor y harus sudah diketahui. Lalu bagaimana cara memperoleh vektor y? Begini
caranya,
Ly = b (11.4)
Metode LU-decomposition bisa dibilang merupakan modifikasi dari eliminasi gauss, kare-
na beberapa langkah yang mesti dibuang pada eliminasi gauss, justru harus dipakai oleh LU-
decomposition. Untuk lebih jelasnya, perhatikan contoh berikut ini. Diketahui sistem persamaan
linear sebagai berikut
P1 : x1 + x2 + 3x4 = 4
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = -3
P4 : −x1 + 2x2 + 3x3 − x4 = 4
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
11.1. FAKTORISASI MATRIK 225
proses triangularisasi,
1 1 0 3 x1 4
0 −1 −1 −5 x2 −7
= (11.6)
0 0 3 13 x 13
3
0 0 0 −13 x4 −13
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
1 1 0 3 1 0 0 0 1 1 0 3
2 = 2
1 1 −1
0 −1 −1 −5
1 0 0
A=
3 −1 −1 3
2
0
4 1 0 0 3 13
−1 2 3 −1 −1 −3 0 1 0 0 0 −13
Coba bandingkan matrik U di atas dengan matrik hasil triangularisasi dari metode eliminasi
gauss pada persamaan (11.6), 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 (11.5)
menjadi,
1 0 0 0 1 1 0 3 x1 4
2 0 −1 −1 −5
1 0 0 x2 1
x = −3 (11.7)
3 4 1 0
0
0 3 13 3
−1 −3 0 1 0 0 0 −13 x4 4
226 BAB 11. METODE LU DECOMPOSITION
y1 = 4,
2y1 + y2 = 1,
3y1 + 4y2 + y3 = −3,
−y1 − 3y2 + y4 = 4
Melalui proses ini, yang pertama kali didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 ,
dan akhirnya x1 .
x4 = 1
1
x3 = (13 − 13x4 ) = 0
3
x2 = −(−7 + 5x4 + x3 ) = 2
x1 = 4 − 3x4 − x2 = −1
Sekali matrik A difaktorkan, maka vektor b bisa diganti nilainya sesuai dengan sistem per-
samaan linear yang lain, misalnya seluruh nilai di ruas kanan diganti menjadi
P1 : x1 + x2 + 3x4 = 8
P2 : 2x1 + x2 − x3 + x4 = 7
P3 : 3x1 − x2 − x3 + 2x4 = 14
P4 : −x1 + 2x2 + 3x3 − x4 = -7
11.2. ALGORITMA 227
Perhatikan baik-baik! Matrik A sama persis dengan contoh sebelumnya. Perbedaannya hanya
pada vektor b. Selanjutnya, dengan metode LU-decomposition, persamaan (11.8) menjadi
1 0 0 0 1 1 0 3 x1 8
2 1 0 0
0 −1 −1 −5
x2 7
x = 14 (11.9)
3 0
4 1 0 0 3 13 3
−1 −3 0 1 0 0 0 −13 x4 −7
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.
11.2 Algoritma
Sekarang saatnya saya tunjukkan algoritma metode LU decomposition. Algoritma ini dibuat
untuk menyelesaikan sistem persamaan linear, dengan cara menfaktorkan matrik A = (aij ) ber-
ukuran n x n menjadi matrik L = (lij ) dan matrik U = (uij ) dengan ukuran yang sama. Algori-
tma 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 mem-
butuhkan 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 “berurus-
an” 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, elemen-elemen
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 bersama-sama!
OUTPUT: solusi x1 , x2 , x3 , ..., xn atau pesan kesalahan yang mengatakan bahwa faktorisasi tidak
mungkin dilakukan.
aji = mji
y 1 = b1
an,n+1
xn =
ann
• Langkah 11: Diperoleh solusi yaitu x1 , x2 , ..., xn . Algoritma telah dijalankan dengan suk-
ses. STOP.
Algoritma di atas telah diimplementasi kedalam program yang ditulis dengan bahasa For-
tran. Program tersebut sudah berhasil dikompilasi dengan visual fortran (windows) dan g77
(debian-linux). Inilah programnya:
39 END IF
40 C LANGKAH 4: PROSES TUKAR POSISI
41 IF(P.NE.I) THEN
42 DO 20 JJ=1,N
43 C = A(I,JJ)
44 A(I,JJ) = A(P,JJ)
45 A(P,JJ) = C
46 20 CONTINUE
47 END IF
48 C LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI
49 JJ = I+1
50 DO 30 J=JJ,N
51 C LANGKAH 6: TENTUKAN MJI
52 MJI = A(J,I)/A(I,I)
53 C LANGKAH 7: PROSES TRIANGULARISASI
54 DO 40 K=JJ,N
55 A(J,K) = A(J,K)-MJI*A(I,K)
56 40 CONTINUE
57 C LANGKAH 8: MENYIMPAN MJI KE A(J,I)
58 A(J,I) = MJI
59 30 CONTINUE
60 10 CONTINUE
61 C MENAMPILKAN MATRIK LU
62 WRITE (*,’(1X,A)’) ’MATRIK LU:’
63 DO 120 I = 1,N
64 WRITE (*,6) (A(I,J),J=1,N)
65 120 CONTINUE
66 WRITE (*,*)
67 C LANGKAH 9: SUBSTITUSI-MAJU
68 Y(1) = B(1)
69 DO 15 I=2,N
70 SUM = 0.0
71 DO 16 J=1,I-1
72 SUM = SUM+A(I,J)*Y(J)
73 16 CONTINUE
74 Y(I) = B(I)-SUM
75 15 CONTINUE
76 C MENAMPILKAN VEKTOR Y
77 WRITE (*,’(1X,A)’) ’VEKTOR Y:’
78 DO 138 I = 1,N
79 WRITE (*,6) Y(I)
80 138 CONTINUE
81 WRITE (*,*)
82 C LANGKAH 10: SUBSTITUSI-MUNDUR
83 X(N) = Y(N)/A(N,N)
84 DO 24 K=1,N-1
85 I = N-K
86 JJ = I+1
87 SUM = 0.0
88 DO 26 KK=JJ,N
89 SUM = SUM+A(I,KK)*X(KK)
90 26 CONTINUE
91 X(I) = (Y(I)-SUM)/A(I,I)
92 24 CONTINUE
93 C LANGKAH 11: MENAMPILKAN SOLUSI DAN SELESAI
94 WRITE (*,’(1X,A)’) ’SOLUSI:’
95 DO 18 I = 1,N
96 WRITE (*,’(1X,A,I2,A,F14.8)’) ’X(’,I,’) = ’,X(I)
97 18 CONTINUE
11.2. ALGORITMA 231
98 WRITE(*,*)
99 WRITE(*,*) ’SELESAI --> SUKSES’
100 WRITE(*,*)
101 400 CONTINUE
102 6 FORMAT(1X,5(F14.8))
103 8 FORMAT(1X,’TIDAK DAPAT DIFAKTORKAN’)
104 END
Demikianlah, sekarang kita punya tiga buah algoritma untuk memecahkan problem sistem
persamaan linear, yaitu eliminasi gauss, invers matrik, dan lu-decomposition. Diantara ketiga-
nya, 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.
232 BAB 11. METODE LU DECOMPOSITION
Bab 12
Interpolasi
✍ Objektif :
⊲ Mengenalkan Interpolasi Lagrange
⊲ Mengenalkan Interpolasi Spline-cubic
Interpolasi Lagrange diterapkan untuk mendapatkan fungsi polinomial P (x) berderajat tertentu
yang melewati sejumlah titik data. Misalnya, kita ingin mendapatkan fungsi polinomial berde-
rajat satu yang melewati dua buah titik yaitu (x0 , y0 ) dan (x1 , y1 ). Langkah pertama yang kita
lakukan adalah mendefinisikan fungsi berikut
x − x1
L0 (x) =
x0 − x1
dan
x − x0
L1 (x) =
x1 − x0
kemudian kita definisikan fungsi polinomial sebagai berikut
dan ketika x = x0
x0 − x1 x0 − x0
P (x0 ) = y0 + y1 = y0
x0 − x1 x1 − x0
233
234 BAB 12. INTERPOLASI
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
(u − x1 )(u − x2 )
L0 (u) =
(x0 − x1 )(x0 − x2 )
lalu
(u − x0 )(u − x2 )
L1 (u) =
(x1 − x0 )(x1 − x2 )
dan
(u − x0 )(u − x1 )
L2 (u) =
(x2 − x0 )(x2 − x1 )
kemudian kita definisikan fungsi polinomial sebagai berikut
Jika semua persamaan diatas kita gabungkan, maka akan didapat fungsi polinomial
pada saat x = x1
pada saat x = x2
Kalau kita bandingkan antara persamaan (12.1) dan persamaan (12.2), terlihat bahwa derajat
persamaan (12.2) lebih tinggi dibandingkan dengan derajat persamaan (12.1). Hal ini terlihat
dari x2 pada persamaan (12.2) sementara pada persamaan (12.1) hanya ada x. persamaan
(12.2) disebut fungsi polinomial berderajat 2, sedangkan persamaan (12.1) disebut fungsi poli-
nomial berderajat 1.
Script matlab untuk polinomial Lagrange berderajat 2 yang sesuai persamaan (12.2) adalah
sebagai berikut:
Script matlab untuk polinomial Lagrange yang bisa menyesuaikan jumlah pasangan titik
adalah sebagai berikut:
2
P(x)
−2
−4
−6
−6 −4 −2 0 2 4 6 8
x
15 for k = 1:n
16 if k ~= q
17 M = M * (u(h)-x(k));
18 end
19 end
20 N = 1;
21 for k = 1:n
22 if k ~= q
23 N = N * (x(q)-x(k));
24 end
25 end
26 L(q) = M/N;
27 end
28 P = 0;
29 for k = 1:n
30 P = P + L(k)*y(k);
31 end
32 B(h) = P;
33 end
34 hold on
35 plot(u,B); grid on;
36 xlabel(’\fontsize{12} x’);
37 ylabel(’\fontsize{12} P(x)’);
12.2. INTERPOLASI CUBIC SPLINE 237
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 vo-
lume, 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 cu-
bic 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 poli-
nomial 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 (12.2) memperlihatkan sebaran dari sejumlah titik yang masing-masing memiliki
pasangan koordinat (x, y). Pertanyaannya adalah bagaimanakah cara cubic spline menciptak-
an suatu kurva yang bisa menghubungkan semua titik tersebut? Atau pertanyaan yang lebih
tepat adalah bagaimanakah cara cubic spline menciptakan fungsi polinomial yang bisa meng-
hubungkan semua titik tersebut? Agar nantinya fungsi polinomial itu dapat digunakan untuk
memperkirakan titik-titik yang belum terlihat pada Gambar (12.2) sehingga kita akan dapatkan
kurvanya seperti Gambar (12.3)
Gambar 12.2: Sejumlah titik terdistribusi pada koordinat kartesian. Masing-masing titik memi-
liki pasangan koordinat (x, y)
Untuk bisa menghasilkan kurva seperti yang tampak pada Gambar (12.3), interpolasi cubic
spline menciptakan sejumlah fungsi polinomial S(x) yang merupakan potongan fungsi polino-
mial kecil-kecil (Gambar 12.4) 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
238 BAB 12. INTERPOLASI
Gambar 12.3: Kurva interpolasi cubic spline yang menghubungkan semua titik
Gambar 12.4: 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 (12.4). 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
pada titik xj+1 harus bersesuaian.
′′ (x
5. Sj+1 ′′
j+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan kedua dari Sj dan Sj+1
pada titik xj+1 harus bersesuaian juga.
6. Salah satu syarat batas diantara 2 syarat batas x0 dan xn berikut ini mesti terpenuhi:
Sj (x) = aj + bj (x − xj ) + cj (x − xj )2 + dj (x − xj )3 (12.3)
Itu artinya, aj selalu jadi pasangan titik data dari xj . Dengan pola ini maka pasangan titik data
xj+1 adalah aj+1 , konsekuensinya S(xj+1 ) = aj+1 . Berdasarkan ketentuan (3), yaitu ketika
x = xj+1 dimasukan ke persamaan (12.3)
ketika x = xj ,
Sj′ (xj ) = bj + 2cj (xj − xj ) + 3dj (xj − xj )2 = bj
tapi dengan ketentuan tambahan yaitu S ′′ (x)/2, sehingga persamaan ini dimodifikasi menjadi
Sampai sini masih bisa diikuti, bukan? Selanjutnya, kita coba mendapatkan bj dari persamaan
(12.9)
1 hj
bj = (aj+1 − aj ) − (2cj + cj+1 ) (12.11)
hj 3
dan untuk bj−1
1 hj−1
bj−1 = (aj − aj−1 ) − (2cj−1 + cj ) (12.12)
hj−1 3
Langkah berikutnya adalah mensubtitusikan persamaan (12.11) dan persamaan (12.12) keda-
lam persamaan (12.10),
3 3
hj−1 cj−1 + 2(hj−1 + hj )cj + hj cj+1 = (aj+1 − aj ) − (aj − aj−1 ) (12.13)
hj hj−1
n−1
dimana j = 1, 2, ..., n − 1. Dalam sistem persamaan ini, nilai {hj }j=0 dan nilai {aj }nj=0 sudah
diketahui, sementara nilai {cj }nj=0 belum diketahui dan memang nilai inilah yang akan dihitung
dari persamaan ini.
Sekarang coba perhatikan ketentuan nomor (6), ketika S ′′ (x0 ) = S ′′ (xn ) = 0, berapakah nilai
12.2. INTERPOLASI CUBIC SPLINE 241
jelas sekali c0 harus berharga nol. Demikian halnya dengan cn harganya harus nol. Jadi untuk
natural boundary, nilai c0 = cn = 0.
c0
c1
c=
..
.
cn
0
3 3
h1 (a2 − a1 ) −
(a1 − a0 )
h
0
..
d=
.
3 (a − a 3
n−1 ) − hn−2 (an−1 − an−2 )
hn−1 n
0
Sekarang kita beralih ke clamped boundary dimana S ′ (a) = f ′ (a) dan S ′ (b) = f ′ (b). Nah, kita
bisa evaluasi persamaan (12.11) dengan j = 0, dimana f ′ (a) = S ′ (a) = S ′ (x0 ) = b0 , sehingga
1 h0
f ′ (a) = (a1 − a0 ) − (2c0 + c1 )
h0 3
konsekuensinya,
3
2h0 c0 + h0 c1 = (a1 − a0 ) − 3f ′ (a) (12.14)
h0
Sementara pada xn = bn dengan persamaan (12.10)
1 hn−1
bn−1 = (an − an−1 ) − (2cn−1 j + cn )
hn−1 3
242 BAB 12. INTERPOLASI
Jadi
1 hn−1
f ′ (b) = (an − an−1 ) − (2cn−1 j + cn ) + hn−1 (cn−1 + cn )
hn−1 3
1 hn−1
= (an − an−1 + (cn−1 j + 2cn )
hn−1 3
3
hn−1 cn−1 + 2hn−1 Cn = 3f ′ (b) − (an − an−1 ) (12.15)
hn−1
Persamaan (12.14) dan persamaan (12.15) ditambah persamaan (12.13 membentuk operasi
matrik Ax = b dimana
2h0 h0 0 ... ... ... 0
h0 2(h0 + h1 ) h1 0 ... ... 0
0 h1 2(h1 + h2 ) h2 0 ... 0
A=
... ... ... ... ... ... ...
... ... ... . . . hn−2 2(hn−2 + hn−1 ) hn−1
0 ... ... ... 0 hn−1 2hn−1
c0
c1
x=
..
.
cn
3
h0 (a1 − a0 ) − 3f ′ (a)
3
(a2 − a1 ) − h30 (a1 − a0 )
h
1
..
b=
.
3 (a − a 3
n−1 ) − hn−2 (an−1 − an−2 )
hn−1 n
3
3f ′ (b) − hn−1 (an − an−1 )
1 % ==============================================================
2 % PROGRAM - Interpolasi Cubic Spline
3 % diaplikasikan pada punggung burung
4 % dibuat oleh Supriyanto, 17 Desember 2012
5 % ==============================================================
6
7 clc
8 close
9 clear
10
11 data = load(’burung.txt’);
12 x = data(:,1);
13 y = data(:,2);
14
15 plot(x,y,’sr’);
16
17 n = length(x);
12.2. INTERPOLASI CUBIC SPLINE 243
18 for k = 1:n-1
19 h(k) = x(k+1) - x(k);
20 end
21
22 H = zeros(n);
23 H(1,1) = 1;
24 H(n,n) = 1;
25
26 a = y;
27 r(1,1) = 0;
28 for k = 2:n-1
29 H(k,k) = 2*(h(k-1)+h(k));
30 H(k,k-1) = h(k-1);
31 H(k,k+1) = h(k);
32 r(k,1) = 3/h(k)*(a(k+1)-a(k)) - 3/h(k-1)*(a(k)-a(k-1));
33 end
34 r(n,1) = 0;
35
36 c = inv(H)*r;
37
38 for k = 1:n-1
39 b(k,1) = 1/h(k)*(a(k+1)-a(k)) - h(k)/3*(2*c(k)+c(k+1));
40 d(k,1) = 1/(3*h(k))*(c(k+1)-c(k));
41 end
42
43 hold on
44
45 for k = 2:n
46 xx = x(k-1):0.01:x(k);
47 S = a(k-1)+b(k-1)*(xx-x(k-1))+c(k-1)*(xx-x(k-1)).^2+d(k-1)*(xx-x(k-1)).^3;
48 plot(xx,S);
49 end
244 BAB 12. INTERPOLASI
2.5
1.5
0.5
0
0 2 4 6 8 10 12 14
−1
−2
0 2 4 6 8 10 12 14
j xj aj bj cj dj
0 0,9 1,3 0,54 0,00 -0,25
1 1,3 1,5 0,42 -0,30 0,95
2 1,9 1,85 1,09 1,41 -2,96
3 2,1 2,1 1,29 -0,37 -0,45
4 2,6 2,6 0,59 -1,04 0,45
5 3,0 2,7 -0,02 -0,50 0,17
6 3,9 2,4 -0,5 -0,03 0,08
7 4,4 2,15 -0,48 0,08 1,31
8 4,7 2,05 -0,07 1,27 -1,58
9 5,0 2,1 0,26 -0,16 0,04
10 6,0 2,25 0,08 -0,03 0,00
11 7,0 2,3 0,01 -0,04 -0,02
12 8,0 2,25 -0,14 -0,11 0,02
13 9,2 1,95 -0,34 -0,05 -0,01
14 10,5 1,4 -0,53 -0,1 -0,02
15 11,3 0,9 -0,73 -0,15 1,21
16 11,6 0,7 -0,49 0,94 -0,84
17 12,0 0,6 -0,14 -0,06 0,04
18 12,6 0,5 -0,18 0 -0,45
19 13,0 0,4 -0,39 -0,54 0,60
20 13,3 0,25
Bab 13
✍ Objektif :
⊲ Mengenalkan fungsi ber-input vektor
⊲ Mengenalkan fungsi ber-output vektor
⊲ Mengenalkan fungsi ber-output matrik
⊲ Menerapkan metode Newton pada sistem persamaan non linear
Pada bab terdahulu, telah dibahas cara membuat fungsi eksternal dengan parameter input ber-
upa konstanta. Kali ini kita akan mencoba membuat fungsi eksternal dengan parameter input
berupa vektor1 .
Misalnya terdapat vektor kolom x sebagai berikut
3
−2
x=
8
5
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 y = x(1)^3 + 2*x(2)^2 - 4*x(3) - x(4);
1
Yang dimaksud vektor disini adalah matrik yang hanya terdiri dari satu kolom atau satu baris
247
248 BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR
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;
>> x = [3 -2 8 5];
>> y = fun(x)
y =
-2
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:
1 function y = fun(x)
2
3 y = [x(1)^3 + 2*x(2)^2 - 4*x(3)
4 x(1)^2 + 3*x(2)^2 - x(3)
5 1/x(1) - 2*x(2) + x(3)^2/2];
>> x = [3 -2 8];
>> y = fun(x)
y =
3.0000
13.3. FUNGSI BER-OUTPUT MATRIK 249
13.0000
36.3333
sehingga
Jika fungsi eksternal dapat menghasilkan vektor, maka tentu saja ia juga dapat menghasilkan
matriks. Misalnya matriks J berbentuk
3x21 4x2 −4
2x1
J(x) = 6x2 −1
− x12 −2 x3
1
1 function J = jaco(x)
2
3 J = [3*x(1)^2 4*x(2) -4
4 2*x(1) 6*x(2) -1
5 -1/x(1)^2 -2 x(3)];
>> x = [3 -2 8];
>> J = jaco(x)
J =
Pada permulaan Bab ini telah dibahas metode Newton untuk mencari akar yang hanya satu
buah angka saja. Formulasinya adalah sebagai berikut
f (xlama )
xbaru = xlama −
f ′ (xlama )
250 BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR
Metode Newton juga bisa diterapkan untuk mencari solusi sistem persamaan yang terdiri atas
sejumlah angka. Untuk maksud tersebut, formula di atas dimodifikasi menjadi
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
Tentukan solusi x1 , x2 dan x3 . Langkah pertama penyelesaian adalah dengan membentuk vektor
fungsi, yaitu
x31 + 2x22 − 4x3 − 3
f1
f(x) = f2 = x21 + 3x22 − x3 − 13
1 x23
f3 x1 − 2x2 + 2 − 36.3333
langkah berikutnya adalah menerapkan metode Newton (persamaan (13.2)) 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 clear all
2 clc
3
4 itermaks = 10000;
5 tol = 10^(-10);
6 x = [1; 2; 1];
7 for k = 1:itermaks
8 if det(jaco(x))==0
9 x = x + 0.0000000001;
10 end
11 xb = x - inv(jaco(x))*fun(x);
12 if abs(xb-x) < tol
13 break;
14 end
15 x = xb;
16 end
17 xb
18 iterasi = k
adapun fungsi eksternal fun.m dan jaco.m sudah dibuat pada contoh sebelumnya.
13.5. APLIKASI: MENCARI SUMBER SINYAL 251
Metode Newton bisa diaplikasikan untuk mencari koordinat sumber sinyal atau pulsa yang me-
rambat pada suatu medium. Misalnya, suatu sumber sinyal terletak pada koordinat (-4,-8),
kemudian ada 4 detektor yang menangkap sinyal yang dipancarkan oleh sumber tadi. Masing-
masing detektor memiliki koordinat dan waktu tempuh sinyal dari sumber ke tiap detektor
sudah diketahui dengan asumsi kecepatan rambat sinyal adalah 28 m/dt. Informasi mengenai
koordinat detektor serta waktu tempuh sinyal diperlihatkan oleh Tabel 13.1
2
Y
−2
−4
−6
−8
−4 −2 0 2 4 6 8
X
Hubungan antara waktu tempuh sinyal (t) dan koordinat suatu detektor adalah
p
(xp − x)2 + (yp − y)2
t= (13.3)
v
dimana (xp , yp ) adalah koordinat sumber sinyal; (x, y) adalah koordinat detektor; v adalah ke-
cepatan rambat sinyal; dan t adalah waktu tempuh sinyal. Dengan demikian, sistem persamaan
252 BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR
Sekarang anggap saja kita tidak tahu koordinat sumber sinyal. Lalu kita percayakan ke-
pada inversi non-linear (dengan metode Newton) untuk menemukan koordinat sumber sinyal
tersebut. Untuk membahas ini lebih jauh, saya mulai dengan memunculkan kembali formulasi
metode Newton yaitu
f (lama)
(baru) = (lama) −
f ′ (lama)
Berdasarkan formulasi tersebut, yang pertama harus dilakukan adalah menentukan fungsi f (lama).
Dalam kasus ini, fungsi f (lama) diperoleh dengan memodifikasi persamaan 13.4 dimana varia-
bel ti yang semula terletak di sebelah kiri tanda sama-dengan, dipindah ke sebelah kanan tanda
sama-dengan, sehingga menjadi
p
(xp − xi )2 + (yp − yi )2
fi (xp , yp ) = − ti (13.5)
v
Mengingat jumlah detektor-nya ada 4, maka fungsi f untuk masing-masing detektor adalah
p
(xp − x1 )2 + (yp − y1 )2
f1 (xp , yp ) = − t1 (13.6)
p v
(xp − x2 ) + (yp − y2 )2
2
f2 (xp , yp ) = − t2 (13.7)
p v
(xp − x3 )2 + (yp − y3 )2
f3 (xp , yp ) = − t3 (13.8)
p v
(xp − x4 )2 + (yp − y4 )2
f4 (xp , yp ) = − t4 (13.9)
v
sebuah vektor f
f1 (xp , yp )
f2 (xp , yp )
f(xp , yp ) =
(13.10)
f3 (xp , yp )
f4 (xp , yp )
Parameter yang belum diketahui (unknown parameters) adalah xp dan yp , yang tidak lain adalah
koordinat sumber sinyal; dan itu yang akan kita cari dengan metode Newton. Formulasi metode
Newton untuk xp dan yp adalah
f ((xp , yp )lama )
(xp , yp )baru = (xp , yp )lama −
f ′ ((xp , yp )lama )
f (xp , yp )
(xbp , ypb ) = (xp , yp ) − (13.11)
f ′ (xp , yp )
fi (xp , yp )
(xbp , ypb ) = (xp , yp ) − (13.12)
fi′ (xp , yp )
dimana i = 1, 2, 3 dan 4 sesuai dengan jumlah detektor. Karena fi telah dinyatakan sebagai
sebuah vektor f (lihat persamaan 13.10), maka
f(xp , yp )
(xbp , ypb ) = (xp , yp ) − (13.13)
fi′ (xp , yp )
Nah sekarang bagaimana cara mendapatkan fi′ (xp , yp )? Untuk menjawab pertanyaan terse-
but, mari kita ambil fungsi f1 dari detektor 1 (persamaan 13.7)
p
(xp − x1 )2 + (yp − y1 )2
f1 (xp , yp ) = − t1
v
Operasi turunan terhadap fungsi f1 hanya dilakukan terhadap unknown-paramters saja yaitu xp
dan yp . Dengan demikian, turunan fungsi f1 terhadap xp adalah
∂f1 (xp − x1 )
= p
∂xp v (xp − x1 )2 + (yp − y1 )2
∂f1 (yp − y1 )
= p
∂yp v (xp − x1 )2 + (yp − y1 )2
Tentu dengan cara yang sama, kita bisa mendapatkan nilai-nilai untuk f2′ (xp , yp ), f3′ (xp , yp ) dan
f4′ (xp , yp ); disesuaikan dengan jumlah detektor. Semua nilai tersebut dapat digabung dalam
254 BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR
Setiap elemen matrik adalah turunan pertama dari suatu unknown-parameter (bisa terhadap xp
maupun yp ). Matrik yang tiap elemennya berbentuk turunan pertama dikenal dengan nama
matrik Jacobian. Jumlah baris matrik Jacobian ditentukan oleh banyaknya detektor atau oleh
banyaknya data. Sedangkan jumlah kolomnya ditentukan oleh banyaknya jumlah unknown-
parameter.
∂f1 ∂f1
∂xp ∂yp
∂f2 ∂f2
∂xp ∂yp
J(xp , yp ) =
∂f3 ∂f3
∂xp ∂yp
∂f4 ∂f4
∂xp ∂yp
Nah, sekarang formulasi metode Newton saya tulis kembali dalam bentuk
f(xp , yp )
(xbp , ypb ) = (xp , yp ) − (13.14)
J(xp , yp )
dimana f(xp , yp ) berupa vektor dan J(xp , yp ) berupa matrik. Lalu bagaimana cara menghitung
pembagian antara vektor dan matrik dalam komputasi? Kalau anda masih ingat dengan persa-
maan matrik Gm = d, tentu anda masih ingat juga bagaimana caranya mendapatkan vektor m,
yaitu
m = [GT G]−1 GT d
dimana mb adalah vektor yang berisi unknown-parameters ter-update hasil iterasi sekian kali.
Untuk mengakhiri catatan ini, berikut saya tuliskan script Matlab untuk kasus mencari koo-
rdinat sumber sinyal. Dalam hal ini saya membuat fungsi eksternal untuk menghitung elemen-
elemen vektor f dan elemen-elemen matrik Jacobian J. Sebagai nilai awal, saya pilih xp = -2
dan yp = 5. Saat iterasi berakhir, akan didapat xp = -3,9986 dan yp = -7,9997 dengan jumlah
iterasi = 8. Sedangkan solusi yang sesungguhnya adalah xp = -4 dan yp = -8.
Sekarang kita akan membahas aplikasi metode Newton untuk menyelesaikan masalah riil, yaitu
mencari pusat gempa.
256 BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR
✍ Objektif :
⊲ Mengenalkan metode Monte Carlo
14.1 Penyederhanaan
Kita awali pembahasan metode Monte Carlo dengan mengetengahkan contoh yang sangat terke-
nal yaitu menghitung luas suatu lingkaran. Fugure 1 memperlihatkan lingkaran dengan radius
r = 1 berada di dalam kotak bujursangkar. Luas lingkaran adalah πr 2 = π(1)2 = π sementara
luas bujursangkar adalah (2)2 = 4. Rasio antara luas lingkaran dan luas bola adalah
luas lingkaran π
ρ= = = 0, 7853981633974483 (14.1)
luas bujursangkar 4
257
258 BAB 14. METODE MONTE CARLO
Jadi, dengan mengetahui nilai ρ, maka kita bisa menghitung luas lingkaran dengan cara
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
Gambar 14.2: Dart yang menancap pada bidang lingkaran dan bujursangkar
Apakah angka ini make sense ? Mungkin anda masih ragu. Sekarang mari kita coba hitung nilai
π dengan mengacu pada rumus di atas. Kita sepakati saja bahwa dart yang berada di dalam
lingkaran mesti memenuhi x2i + yi2 ≤ 1. Dalam perhitungan, semua dart diganti dengan bi-
langan acak (random number ). Dari 1000 dart, yang masuk lingkaran ada 787 buah, sehingga,
mengacu persamaan (14.3)
787
ρ= = 0, 787
1000
π = ρ × 4 = 0, 787 × 4 = 3, 148
Lumayan akurat bukan? Semakin banyak jumlah dart, semakin akurat nilai π yang anda pero-
14.1. PENYEDERHANAAN 259
Gambar 14.3: Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar
leh.
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} (14.4)
dimana
d = maksimum f (x) , a≤x≤b (14.5)
260 BAB 14. METODE MONTE CARLO
Bab 15
Inversi
✍ Objektif :
⊲ Mengenalkan inversi linear
⊲ Mengenalkan inversi non-linear
xi yi xi yi
1 1,3 6 8,8
2 3,5 7 10,1
3 4,2 8 12,5
4 5,0 9 13,0
5 7,0 10 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
0
1 2 3 4 5 6 7 8 9 10
X
telah di-plot tersebut dapat didekati dengan sebuah persamaan garis, yaitu a1 xi + a0 . Artinya,
261
262 BAB 15. INVERSI
P (xi ) = a1 xi + a0 (15.1)
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 (15.2)
i=1
m
X
yi − (a1 xi + a0 ) = 0 (15.3)
i=1
dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu
m
X
E(a0 , a1 ) = yi − (a1 xi + a0 ) (15.4)
i=1
Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Ja-
di, 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 di-
wujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga
menjadi
m
X
E(a0 , a1 ) = [yi − (a1 xi + a0 )]2 (15.5)
i=1
Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
∂E(a0 , a1 )
=0 (15.6)
∂ai
dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a0 dan a1 . Maka mesti ada dua
buah turunan yaitu:
m
∂E(a0 , a1 ) ∂ X
= [yi − (a1 xi + a0 )]2 = 0
∂a0 ∂a0
i=1
m
X
2 (yi − a1 xi − a0 )(−1) = 0
i=1
m
X m
X
a0 .m + a1 xi = yi (15.7)
i=1 i=1
15.1. INVERSI LINEAR 263
dan
m
∂E(a0 , a1 ) ∂ X
= [yi − (a1 xi + a0 )]2 = 0
∂a1 ∂a1
i=1
m
X
2 (yi − a1 xi − a0 )(−xi ) = 0
i=1
m
X m
X m
X
a0 x i + a1 x2i = xi y i (15.8)
i=1 i=1 i=1
Akhirnya persamaan (15.7) dan (15.8) dapat dicari solusinya berikut ini:
Pm 2
Pm Pm Pm
i=1 xi i=1 yi − i=1 xi yi i=1 xi
a0 = Pm 2 Pm 2 (15.9)
m i=1 xi − ( i=1 xi )
dan Pm Pm Pm
m i=1 xi yi − i=1 xi yi
a1 = Pm 2 Pm i=12 (15.10)
m i=1 xi − ( i=1 xi )
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:
385(81) − 55(572, 4)
a0 = = −0, 360 (15.11)
10(385) − (55)2
dan
10(572, 4) − 55(81)
a1 = = 1, 538 (15.12)
10(385) − (55)2
Jadi, fungsi pendekatan-nya, P (xi ), adalah
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:
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:
16
12
10
−2
0 2 4 6 8 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 (15.7) dan (15.8), yaitu:
m
X m
X
a0 .m + a1 xi = yi
i=1 i=1
m
X Xm Xm
a0 x i + a1 x2i = xi y i
i=1 i=1 i=1
Kalau anda mengikuti catatan-catatan terdahulu, pasti anda tidak asing lagi dengan dengan se-
mua 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!
dimana G adalah matrik kernel, namun dia juga biasa dikenal dengan sebutan matrik Jaco-
bian, sementara λ adalah faktor pengali Lagrange, dan I adalah matrik identitas yang ordenya
disesuaikan dengan Gt G. Adapun definisi δm dan δd akan dijelaskan pada bagian akhir catatan
ini.
Langkah-langkah untuk menyelesaikan problem least squares non-linear adalah:
2. Menghitung jacobian, G. Caranya adalah menghitung turunan pertama dari model terha-
dap model-parameter, m. Sesuai permisalan pada point 1, didapat
∂f (x)
G= = xm ln(x) (15.19)
∂m
4. Buatlah perhitungan untuk m sembarang, misal mula-mula dipilih m = 5. Ini adalah nilai
awal dari m yang akan diiterasikan sedemikian rupa hingga nantinya m akan menuju 2
sesuai dengan nilai m pada simulasi (point 3). Bagusnya dibedakan penulisannya, atau
tulis saja m0 = 5, dimana m0 maksudnya adalah m mula-mula. Lalu hitung lagi nilai
0
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 .
1 1
||δd|| = Σ(dc − d)2 = Σδd2 (15.20)
N N
dimana N = 10 karena δd-nya ada 10. Rumus ini tidak mutlak harus demikian, anda bisa
juga menggunakan norm 2, ℓ2 .
7. Tentukan nilai epsilon, ǫ, misal ǫ = 0.000001. Lalu lakukan evaluasi sederhana. Cek,
apakah ||δd|| < ǫ ? Pasti awalnya ||δd|| > ǫ, kenapa? Karena m 6= m0 . Kalau begini
situasinya, δd yang ada 10 biji itu dimasukan kedalam proses berikutnya.
dengan λ-nya dikasih nilai sembarang antara 0 dan 1, misalnya λ = 0.005. Perhitungan
ini bisa diselesaikan dengan metode eliminasi gauss.
m1 = m0 + δm (15.22)
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 ||δd|| < ǫ. 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 sup-
ri92@gmail.com
Bab 16
Lampiran
267
268 BAB 16. LAMPIRAN
39 for p = 1:n
40 J(p,p) = 0;
41 for k = 1:n
42 if k ~= p
43 J(p,k) = -A(p,k)/A(p,p);
44 end
45 end
46 u(p,1) = b(p)/A(p,p);
47 end
48 for k = 1:itermaks
49 xbaru = J*xlama + u;
50 L2 = norm2(xlama-xbaru);
51 if L2 < epsilon
52 break;
53 end
54 xlama = xbaru;
55 end
38 J(k,k) = 0;
39 for q = 1:n
40 if q ~= k
41 J(k,q) = -A(k,q)/A(k,k);
42 end
43 end
44 p(k,1) = b(k)/A(k,k);
45 end
46 L = zeros(n);
47 U = zeros(n);
48 for q = 1:n-1
49 for k = q+1:n
50 L(k,q) = J(k,q);
51 U(q,k) = J(q,k);
52 end
53 end
54 for v = 1:itermaks
55 xsmt = U*xlama + p;
56 xbaru(1,1) = xsmt(1,1);
57 for q = 1:n-1
58 sum = 0;
59 for k = 1:q
60 sum = sum + L(q+1,k)*xbaru(k,1);
61 end
62 xbaru(q+1,1) = sum + xsmt(q+1,1);
63 end
64 L2 = norm2(xbaru-xlama);
65 if L2 < epsilon
66 break;
67 end
68 xlama = xbaru;
69 end