DISUSUN OLEH :
𝑑2 𝑦 𝑑𝑦
+ 𝑐𝑜𝑠𝑥 𝑑𝑥 − 3𝑦 = sin 2𝑥 (2.2)
𝑑𝑥 2
𝜕2 𝑢 𝜕𝑢2
+ 𝜕𝑦 2 = 3𝑒 𝑥 (2.3)
𝜕𝑥 2
𝜕3 𝑦 𝜕𝑦
+ 𝑥𝑦 𝜕𝑢 − 3𝑢4 = 0 (2.4)
𝜕𝑥 3
𝑑2 𝑦 𝑑𝑦
𝑥 𝑑𝑥 2 + 3 𝑑𝑥 − 2𝑥𝑦 = sin 𝑥 (2.7)
𝑑2 𝑦 𝑑𝑦 2
𝑦 𝑑𝑥 2 + 𝑥 (𝑑𝑥 ) − 𝑥 𝑥 𝑦 = 𝑒 −𝑥 (2.9)
Pada persamaan (2.8) merupakan persamaan diferensial biasa non linear
homogen karena terdapat perkalian variabel terikat dan turunannya yaitu
𝑑𝑦
3𝑦 𝑑𝑥 . Untuk persamaan (2.9) merupakan persamaan diferensial biasa non
linear non homogen karena variabel terikat dan turunannya berderajat dua.
𝑦1′ = 𝑓1 (𝑥, 𝑦1 , 𝑦2 , … , 𝑦𝑛 )
𝑦2′ = 𝑓2 (𝑥, 𝑦1 , 𝑦2 , … , 𝑦𝑛 )
.........................................
𝑦𝑛′ = 𝑓𝑛 (𝑥, 𝑦1 , 𝑦2 , … , 𝑦𝑛 )
.....................................................................................
Bentuk umum sistem persamaan diferensial linear dengan dua fungsi tidak
diketahui adalah :
𝑥̇ = 𝑎𝑥 + 𝑏𝑦 + 𝐹(𝑥, 𝑦)
𝑦̇ = 𝑐𝑥 + 𝑑𝑦 + 𝐺(𝑥, 𝑦)
Dimana a,b,c,d adalah koefisien positif dan ad-bc ≠ 0 ,f (x,y) dan G (x,y)
merupakan fungsi terhadap x dan y, dengan x dan y adalah fungsi t yanf
tak diketahui (Finizio, 1982).
3. Metode Numerik
Metode numerik adalah metode penyekesaian persamaan
matematis secara pendekatan karena penyelesaian secara analitis (eksak)
sulit untuk dipecahkan. Penyelesaian persamaan matematis dengan
menggunakan metode numerik akan menghasilkan angka (numerik) yang
bukan suatu fungsi (Sasangko, 2010). Apabila penyelesaian persamaan
matematis tidak dapat diselesaikan dengan analitik maka persamaan
tersenut dapat diselesaikan dengan menggunakan metode numerik. Metode
numerik juga dapat digunakan untuk menyelesaikan persoalan matematika
sederhana (yang dapat diselesaikan dengan metode analitik) maupun
persoalan marematika yang tergolong rumit. Perbedaan antara metode
numerik dengan metode analitik ialah (Munur,2003) :
a. Metode numerik memiliki solusi yang selalu membentuk angka
sedangkan metode analitik biasanya menghasilkan solusi dalam
bentuk fungsi matematik yang selanjutnya dapat dievaluasi
untuk menghasilkan nilai dalam bentuk angka.
b. Metode numerik memberikan solusi yang menghampiri atau
mendekati solusi sejati sehingga solusi numerik dinamakan
solusi hampiran atau solusi pendekatan. Solusi hampiran ini
tidak tepat sama dengan solusi sejati, sehingga ada selisih
antara keduanya yang disebut galat (error).
Galat bawaan yaitu galat yang berasal dari nilai data. Galat ini
terjadi karena kekeliruan dalam menyalin data atau pun kesalahan dalam
membaca skala. Galat pembulatan yaitu galat yang terjadi karena tidak
diperhitungkannya beberapa angka terakhir pada suatu bilangan. Suatu
bilanga dibulatkan pada posisi ke n tidak berubah atau dinaikkan satu digit
yang tergantung dengan nilai tersebut. Galat pemotongan terjadi karena
tidak dilakukannya hitungan yang sesuai dengan prosedur matematika
yang benar, sepetrti suatu proses tak hingga diganti dengan proses
berhingga (Triatmodjo, 2002).
𝑥3 𝑥5 𝑥7
sin 𝑥 = 𝑥 − + 5! − +⋯ (2.11)
3! 7!
Galat adalah perbedaan antara nilai eksak dengan nilai hampiran, dapat
ditulis :
𝜀 = 𝑦(𝑡𝑛 ) − 𝑦𝑛
Dimana :
𝑦𝑛 : nilai hampiran
Besarnya suatu galat dapat dinyatakan dalam bentuk galat relatif yaitu
dengan membandingkan kesalahan yang terjadi dengan nilai eksak
(Triatmodjo, 2002).
𝜀
𝜀𝑅 =
𝑦(𝑡𝑛 )
Dalam metode numerik, nilai eksak biasanya tidak diketahui. Oleh karena
itu galat dapat juga dinyatakan berdasarkan solusi hampirannya, sehingga
galat relatifnya dinamakan galat relatif hampiran :
𝜀
𝜀𝑅𝐻 =
𝑦𝑛
Proses iterasi dihentikan apabila |𝜀𝑅𝐻 | < 𝜀𝑠 , 𝜀𝑠 adalah toleransi galat yang
dispesifikasikan. Nilai dari 𝜀𝑠 menentukan ketelitian suatu masalah. Semakin kecil
nilai 𝜀𝑠 maka semakin teliti solusinya, tetapi semakin banyak proses iterasinya.
Dikatakan metode satu langkah karena untuk menaksir nilai 𝑦(𝑥𝑛+1 ) dibutuhkan
satu buah taksiran nilai sebelumnya yaitu 𝑦(𝑥𝑛 ). Metode yang termasuk ke dalam
metode satu langkah ialah metode Euler, metode Heun, metode Taylor, metode
Runge-Kutta.
Pada metode ini, perkiraan nilai di 𝑥𝑦(𝑛+1 ) membutuhkan beberapa taksiran nilai
sebelumnya yaitu 𝑦(𝑥𝑛 ), 𝑦(𝑥𝑛−1 ), 𝑦(𝑥𝑛−2 ), …. metode yag termasuk ke dalam
metode banyak langkah ialah metode Adams-Bashfort-Moulton, metode Milne-
Simpson, dan metode Hamming.
ANALISIS NUMERIK MODEL LOTKA-VOLTERRA DENGAN METODE
HEUN
Metode Heun
𝑑𝑦
=𝑦
𝑑𝑥
Persamaan (3.1) diintegrasi pada kedua sisinya dengan batasan dari 𝑡𝑖 sampai 𝑡𝑖+1
dimana ℎ = 𝑡𝑖+1 − 𝑡𝑖 , maka diperoleh,
𝑡𝑖+1 𝑡1+1
′ (𝑡)𝑑𝑡
∫ 𝑦 = ∫ 𝑓(𝑡, 𝑦(𝑡))𝑑𝑡
𝑡𝑖 𝑡𝑖
𝑡1+1
𝑡
𝑦(𝑡)|𝑡𝑖+1
𝑖
= ∫ 𝑓(𝑡, 𝑦(𝑡))𝑑𝑡
𝑡𝑖
𝑡1+1
𝑡1+1
𝑡
Selanjutnya, integral ruas kanan yaitu ∫𝑡 1+1 𝑓(𝑡, 𝑦(𝑡))𝑑𝑡 dapat diselesaikan
𝑖
dengan menggunakan kaidah trapesium, yaitu :
𝑡1+1
[𝑓(𝑡𝑖, 𝑦𝑖 ) + 𝑓(𝑡𝑖+1, 𝑦𝑖+1 )]
∫ 𝑓(𝑡, 𝑦(𝑡))𝑑𝑡 = (𝑡𝑖+1 − 𝑡𝑖 )
2
𝑡𝑖
ℎ
= 2 [𝑓(𝑡𝑖, 𝑦𝑖 ) + 𝑓(𝑡𝑖+1, 𝑦𝑖+1 )] (3.3)
ℎ
𝑦𝑖+1 = 𝑦𝑖 + [𝑓(𝑡𝑖, 𝑦𝑖 ) + 𝑓(𝑡𝑖+1, 𝑦𝑖+1 )]
2
Dengan:
i= 0,1,2,3,…,n
𝑦𝑖 = hampiran sebelumnya
h = ukuran langkah
Pada persamaan (3.4) suku ruas kanan mengandung 𝑦𝑖+1. Nilai dari 𝑦𝑖+1 ini
merupakan solusi perkiraan awal (predictor) yang dihitung dengan metode Euler,
maka persamaan Heun dapat ditulis:
(0)
Predictor : 𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑓(𝑡𝑖 , 𝑦𝑖 )
ℎ (0)
𝐶𝑜𝑟𝑟𝑒𝑐𝑡𝑜𝑟 ∶ 𝑦𝑖+1 = 𝑦𝑖 + [𝑓(𝑡𝑖 , 𝑦𝑖 ) + 𝑓(𝑡𝑖+1 , 𝑦𝑖+1 )]
2
Atau ditulis dalam satu kesatuan menjadi,
ℎ
𝑦𝑖+1 = 𝑦𝑖 + [𝑓(𝑡𝑖 , 𝑦𝑖 ) + 𝑓(𝑡𝑖+1 , 𝑦𝑖 + ℎ𝑓(𝑡𝑖 , 𝑦𝑖 ))]
2
Persamaan metode Heun dapat juga dielesaikan dengan menggunakan
iterasi yaitu :
(𝑘) ℎ (𝑘−1)
𝑦𝑖+1 = 𝑦𝑖 + [𝑓(𝑡𝑖 , 𝑦𝑖 ) + 𝑓(𝑡𝑖+1 , 𝑦𝑖+1 )]
2
Dengan 𝑘 = 1, 2, 3, 4, …
𝑖 = 0, 1, 2, 3, 4, …
Diberikan system persamaan diferensial orde satu dengan dua variabel tak bebas:
𝑥́ = 𝑓(𝑡, 𝑥, 𝑦)
𝑦́ = 𝑔(𝑡, 𝑥, 𝑦)
𝑖 = 0, 1, 2, 3, 4, …
𝑑𝑥
= 𝑎𝑥(𝑡) − 𝑏𝑥(𝑡)𝑦(𝑡) = 𝑥(𝑡)(𝑎 − 𝑏𝑦(𝑡))
𝑑𝑡
(3.7)
𝑑𝑦
= −𝑐𝑦(𝑡) + 𝑑𝑥(𝑡)𝑦(𝑡) = 𝑦(𝑡)(−𝑐 + 𝑑𝑥(𝑡))
𝑑𝑡
Persamaan (3.7) merupakan persamaan umum Lotka-Volterra, dimana a, b, c, dan
d merupakan koefisien positif. A merupakan tingkat kelahiran mangsa, b
menunjukkan tingkat kematian mangsa akibat interaksi dengan pemangsa, c
menunjukkan tingkat kematian pemangsa, sedangkan d merupakan tingkat
kelahiran pemangsa akibat interaksi dengan mangsa (Murray, 2002). Pada
persamaan (3.7), 𝑎 > 0 karena populasi mangsa mempunyai persediaan makanan
berlebihan dan karena itu bertambah banyak, −𝑐 < 0 karena populasi pemangsa
tidak mempunyai makanan, sehingga jumlahnya berkurang, −𝑏 < 0 karena
populasi mangsa mengalami penurunan akibat dimakan oleh pemangsa, dan 𝑑 >
0 karena populasi pemangsa mempunyai persediaan makanan dari mangsa
sehingga pemangsa bertambah banyak.
𝑑𝑥 𝑑𝑦
= (𝑎 − 𝐸)𝑥(𝑡) − 𝑏𝑥(𝑡)𝑦(𝑡) = −(𝑐 + 𝐸)𝑦(𝑡) + 𝑑𝑥(𝑡)𝑦(𝑡)
𝑑𝑡 𝑑𝑡
Persamaan (3.8) merupakan model Lotka-Volterra yang dipengaruhi oleh faktor
penghambat pertumbuhan, dimana a,b,c dan d merupakan koefisien positif. a
merupakan tingkat kelahiran mangsa, c menunjukkan tingkat kematian pemangsa,
b tingkat kematian mangsa akibat interaksi dengan pemangsa dan d merupakan
tingkat kelahiran pemangsa akibat interaksi antara mangsa dan pemangsa,
sedangkan E merupakan nila factor penghambat pertumbujhan mangsa dan
pemangsa (Finizio.1998).
3.3 Penyelesaian Sistem Persamaan Diferensial Non Linear dengan Metode Heun
pada Lotka-Volterra
Penyelesaian :
Langkah 1:
Langkah 2:
Langkah 3:
𝑑𝑥
𝑓(𝑡, 𝑥, 𝑦) = = 0,6𝑥(𝑡) − 0,001𝑥(𝑡)𝑦(𝑡) − 0,03𝑥(𝑡)
𝑑𝑡
(3.9)
𝑑𝑦
𝑔(𝑡, 𝑥, 𝑦) = = 0,004𝑥(𝑡)𝑦(𝑡) − 0,3𝑥(𝑡) − 0,03𝑦(𝑡)
𝑑𝑡
Langkah 4:
𝑖 = 0, 1, 2, 3, 4, …
Dimana ℎ = 1, maka:
(0)
Predictor: 𝑥𝑖+1 = 𝑥𝑖 + (1)𝑓(𝑡𝑖 , 𝑥𝑖 , 𝑦𝑖 )
(0)
𝑦𝑖+1 = 𝑦𝑖 + (1)𝑔(𝑡𝑖 , 𝑥𝑖 , 𝑦𝑖 )
Untuk 𝑖 = 0
= 107
(0)
𝑦0+1 = 𝑦0 + (1)𝑔(𝑡0 , 𝑥0 , 𝑦0 )
(0)
𝑦1 = 𝑦0 + (1)(0,004𝑥0 𝑦0 − 0,3𝑦0 − 0,03𝑦0 )
Langkah 6:
Iterasi 1:
Untuk 𝑖 = 0 dan 𝑘 = 1
= 105,3725
1
= 50 + [(0,004 ∙ 100 ∙ 50 − 0,3 ∙ 50 ∙ 50 − 0,03 ∙ 50)
2
+ (0,004 ∙ 107 ∙ 53,5 − 0,3 ∙ 53,5 − 0,03 ∙ 53,5)]
= 54,3715
(1) (0)
|𝑦1 − 𝑦1 | |54,3715 − 53,5|
𝜀1𝑦 = = = 0,0160286
(1)
|𝑦1 | |54,3715|
Karena 𝜀1𝑥 > 𝜀 dan 𝜀1𝑦 > 𝜀 maka iterasi masih harus dilanjutkan.
Iterasi 2:
1
= 100 + [(0,6 ∙ 100 − 0,01 ∙ 100 ∙ 50 − 0,03 ∙ 100)
2
+ (0,6 ∙ 105,3725 − 0,01 ∙ 105,3725 ∙ 54,371 − 0,03
∙ 105,3725)]
= 104,8848581
1
= 50 + [(0,004 ∙ 100 ∙ 50 − 0,3 ∙ 50 − 0,03 ∙ 50)
2
+ (0,004 ∙ 105,3725 ∙ 54,3715 − 0,3 ∙ 54,3715 − 0,03
∙ 54,3715)]
= 54,2372243
Karena 𝜀2𝑥 > 𝜀 dan 𝜀2𝑦 > 𝜀 maka iterasi masih harus dilanjutkan.
Iterasi 3:
Untuk 𝑖 = 0 dan 𝑘 = 3
1
= 100 + [(0,6 ∙ 100 − 0,01 ∙ 100 ∙ 50 − 0,03 ∙ 100)
2
+ (0,6 ∙ 104,8848581 − 0,01 ∙ 104,8848581 ∙ 54,2372243
− 0,03 ∙ 104,8848581)]
= 104,9488667
1
= 50 + [(0,004 ∙ 100 ∙ 50 − 0,3 ∙ 50 − 0,03 ∙ 50)
2
+ (0,004 ∙ 104,8848581 ∙ 54,2372243 − 0,3 ∙ 54,2372243
− 0,03 ∙ 54,2372243)]
= 54,1781851
(3) (2)
|𝑦1 − 𝑦1 | |54,1781851 − 54,2372243|
𝜀3𝑦 = = = 0,0010897
(3)
|𝑦1 | |54,1781851|
Karena 𝜀3𝑥 > 𝜀 dan 𝜀3𝑦 > 𝜀 maka iterasi masih harus dilanjutkan.
Iterasi 4:
Untuk 𝑖 = 0 dan 𝑘 = 4
= 104,9807314
1
= 50 + [(0,004 ∙ 100 ∙ 50 − 0,3 ∙ 50 − 0,03 ∙ 50)
2
+ (0,004 ∙ 104,9488667 ∙ 54,1781851 − 0,3 ∙ 54,1781851
− 0,03 ∙ 54,1781851)]
= 54,1824777
(4) (3)
|𝑦1 − 𝑦1 | |54,1824777 − 54,1781851|
𝜀4𝑦 = = = 0,0000792
(4)
|𝑦1 | |54,1824777|
Karena 𝜀4𝑥 > 𝜀 dan 𝜀4𝑦 > 𝜀 maka iterasi masih harus dilanjutkan.
Iterasi 5:
Untuk 𝑖 = 0 dan 𝑘 = 5
(5) ℎ (5) (5)
𝑥1 = 𝑥0 + [𝑓(𝑡0 , 𝑥0 , 𝑦0 + 𝑓(𝑡1 , 𝑥1 , 𝑦1 )]
2
1 (4) (4) (4) (4)
= 𝑥0 + [(0.6𝑥0 − 0,01𝑥0 𝑦0 − 0,03𝑥0 ) + (0,6𝑥1 − 0,01𝑥1 𝑦1 − 0,03𝑥1 )]
2
1
= 100 + [(0,6 ∙ 100 − 0,01 ∙ 100 ∙ 50 − 0,03 ∙ 100)
2
+ (0,6 ∙ 104,9807314 − 0,01 ∙ 104,9807314 ∙ 54,1824777 − 0,03
∙ 104,9807314)]
=104,9789278
=54,1861235
(4) (3)
|𝑦1 − 𝑦1 | |54,1861235 − 54,1824777|
𝜀4𝑦 = = = 0,0000673
(4)
|𝑦1 | |54,1861235|
Karena 𝜀5𝑥 > 𝜀 dan 𝜀5𝑦 > 𝜀 maka iterasi masih harus dilanjutkan.
Iterasi 6:
Untuk 𝑖 = 0 dan 𝑘 = 6
=104,9769887
1
= 50 + [(0,004 ∙ 100 ∙ 50 − 0,3 ∙ 50 − 0,03 ∙ 50)
2
+ (0,004 ∙ 104,9789278 ∙ 54,1861235 − 0,3 ∙ 54,1861235
− 0,03 ∙ 54,1861235)]
=54,1860919
(6) (4)
|𝑦1 − 𝑦1 | |54,1860919 − 54,1861235|
𝜀6𝑦 = = = 0,0000006
(6)
|𝑦1 | |54,1860919|
Karena 𝜀6𝑥 < 𝜀 dan 𝜀6𝑦 < 𝜀 maka iterasi x dan y pada 𝑡1 = 1 diberhentikan
dengan nilai 𝑥1 = 104,9769887 dan 𝑦1 = 54,1860919
Untuk 𝑖 = 1
Predictor :
(0)
𝑥2 = 𝑥1 + (1)𝑓(𝑡1 , 𝑥1 , 𝑦1 )
= 107,9309447
(0)
𝑦2 = 𝑦1 + (1)𝑔(𝑡1 , 𝑥1 , 𝑦1 )
= 59,0578526
Corrector :
Iterasi 1:
Untuk 𝑖 = 0 dan 𝑘 = 1
1
= 104,9769887 + 2 [(0,6 ∙ 104,9769887 − 0,01 ∙ 104,9769887 ∙
54,1860919 − 0,03 ∙ 104,9769887) + (0,6 ∙ 107,9309447 − 0,01 ∙
107,9309447 ∙ 59,0578526 − 0,03 ∙ 107,9309447)]
= 105,3434368
1
= 54,1860919 + 2 [(0,004 ∙ 104,9769887 ∙ 54,1860919 − 0,3 ∙
54,1860919 ∙ 54,1860919 − 0,03 ∙ 54,1860919) + (0,004 ∙
107,9309447 ∙ 59,0578526 − 0,3 ∙ 59,0578526 − 0,03 ∙ 59,0578526)]
= 59,6257662
Kemudian dihitung galat relatifnya
(1) (0)
|𝑥2 − 𝑥2 | |105,3434368 − 107,9309447|
𝜀1𝑥 = = = 0,0245625
|𝑥2 |
(1) |105,3434368|
(1) (0)
|𝑦2 − 𝑦2 | |59,6257662 − 59,0578526|
𝜀1𝑦 = = = 0,0095246
(1)
|𝑦2 | |59,6257662|
Karena 𝜀1𝑥 > 𝜀 dan 𝜀1𝑦 > 𝜀 maka iterasi masih harus dilanjutkan.
Iterasi 2:
Untuk 𝑖 = 0 dan 𝑘 = 2
1
= 104,9769887 + 2 [(0,6 ∙ 104,9769887 − 0,01 ∙ 104,9769887 ∙
54,1860919 − 0,03 ∙ 104,9769887) + (0,6 ∙ 105,3434368 − 0,01 ∙
105,3434368 ∙ 59,6257662 − 0,03 ∙ 105,3434368)]
=105,0709305
1
= 54,1860919 + 2 [(0,004 ∙ 104,9769887 ∙ 54,1860919 − 0,03 ∙
54,1860919) + (0,004 ∙ 105,3434368 ∙ 59,6257662 − 0,3 ∙
59,6257662 − 0,03 ∙ 59,6257662)]
=59,3460871
Kemudian dihitung galat relatifnya
(2) (1)
|𝑥2 − 𝑥2 | |105,0709305 − 105,3434368|
𝜀2𝑥 = = = 0,0025935
|𝑥2 |
(2) |105,0709305|
(2) (1)
|𝑦2 − 𝑦2 | |59,3460871 − 59,6257662|
𝜀2𝑦 = = = 0,0047127
|𝑦2 |
(1) |59,3460871|
Karena 𝜀2𝑥 > 𝜀 dan 𝜀2𝑦 > 𝜀 maka iterasi masih harus dilanjutkan.
Iterasi 3 :
Untuk 𝑖 = 1 dan 𝑘 = 3
(3) ℎ (2) (2)
𝑥2 =𝑥1 + 2 [𝑓(𝑡𝑖 , 𝑥𝑖 , 𝑦𝑖 ) + 𝑓(𝑡2 , 𝑥2 , 𝑦2 )]
1
=104,976988+2[(0,6∙ 104,9769887)− 0,01 ∙ 104,9769887 ∙ 54,1860919) −
0,03 ∙ 104,9769887)+ (0,6 ∙ 105,0709305 − 0,01 ∙ 105,0709305 ∙
59,3460871 − 0,03 ∙ 105,0709305)]
= 105,2214389
(3) ℎ (2) (2)
𝑦2 =𝑦1 + 2 [𝑔(𝑡𝑖 , 𝑥𝑖 , 𝑦𝑖 ) + 𝑔(𝑡2 , 𝑥2 , 𝑦2 )]
1
= 54,1860919 + [0,004 ∙ 104,9769887 ∙ 54,1860919 − 0,03 ∙ 54,1860
2
−0,03 ∙ 54,1860919 + 0,004 ∙ 105,0709305 ∙ 59,3460871
= 59,3009651
(3) (2)
|𝑦2 − 𝑦2 | |59,3009651 − 59,3460871|
𝜀3𝑦 = (3)
= = 0,0007608
|𝑦2 | |59,3009651|
Karena 𝜀3𝑥 > 𝜀 dan 𝜀3𝑦 > 𝜀 , maka iterasi masih harus dilanjutkan.
Iterasi 4 :
Untuk 𝑖 = 1 dan 𝑘 = 4
(4) ℎ (3) (3)
𝑥2 =𝑥1 + 2 [𝑓(𝑡𝑖 , 𝑥𝑖 , 𝑦𝑖 ) + 𝑓(𝑡2 , 𝑥2 , 𝑦2 )]
= 105,2434124
(4) ℎ (3) (3)
𝑦2 =𝑦1 + 2 [𝑔(𝑡𝑖 , 𝑥𝑖 , 𝑦𝑖 ) + 𝑔(𝑡2 , 𝑥2 , 𝑦2 )]
1
= 𝑦1 + [(0,004𝑥1 𝑦1 − 0,3𝑦1 − 0,03𝑦1 ) +)
2
(3) (3) (3) (3)
+ (0,004𝑥2 𝑦2 − 0,3𝑦2 − 0,03𝑦2 )]
= 54,1860919
1
+ [(0,004(104,9769887)(54,1860919) − 0,3(54,1860919)
2
− 0,03(54,1860919) + 0,004(105,2214389)(59,3009651)
− 0,3(59,3009651) − 0,03(59,3009651)]
= 59,3167788
Karena 𝜀3𝑥 > 𝜀 dan 𝜀3𝑦 > 𝜀 , maka iterasi masih harus dilanjutkan.
Iterasi 5 :
Untuk 𝑖 = 1 dan 𝑘 = 5
ℎ
𝑥25 = 𝑥1 + [ 𝑓(𝑡1 , 𝑥1 , 𝑦1 )
2
+ 𝑓(𝑡2 , 𝑥24 , 𝑦24 ) ]
1
= 𝑥1 + 2 [(0,6𝑥1 − 0,01𝑥1 𝑦1 − 0,03𝑥1 ) + (0,6𝑥24 − 0,01𝑥24 𝑦24 − 0,03𝑥24 )]
1
= 104,976988 + 2 [(0,6 ∙ 104,9769887 − 0,01 ∙ 104,9769887 ∙
54,1860919 − 0,03 ∙ 104,9769887) + (0,6 ∙ 105,2434124 − 0,01 ∙
105,2434124 ∙ 59,316778 − 0,03 ∙ 105,2434124)]
=
105,2348382
ℎ
𝑦25 = 𝑦1 + [𝑓(𝑡1 , 𝑥1 , 𝑦1 )
2
+ 𝑓(𝑡2 , 𝑥24 , 𝑦24 ) ]
1
= 𝑦1 + 2 [(0,004𝑥1 𝑦1 − 0,3𝑦1 − 0,03𝑦1 ) + (0,004𝑥24 𝑦24 − 0,3𝑦24 −
0,03𝑦24 )]
1
= 54,1860919 + 2 [(0,004 ∙ 104,976988 ∙ 54,1860919 − 0,3 ∙
54,1860919 − 0,03 ∙ 54,1860919) + (0,004 ∙ 105,2434124 ∙ 59,316778 −
0,3 ∙ 59,316778 − 0,03 ∙
59,316778)]
= 59,3201042
Karena 𝜀5𝑥 > 𝜀 dan 𝜀5𝑦 > 𝜀, maka iterasi masih dilanjutkan.
Iterasi 6 :
Untuk 𝑖 = 1 dan 𝑘 = 6
ℎ
𝑥26 = 𝑥1 + [ 𝑓(𝑡1 , 𝑥1 , 𝑦1 ) + 𝑓(𝑡2 , 𝑥25 , 𝑦25 ) ]
2
1
= 𝑥1 + [(0,6𝑥1 − 0,01𝑥1 𝑦1 − 0,03𝑥1 ) + (0,6𝑥25 − 0,01𝑥25 𝑦25 − 0,03𝑥25 )]
2
1
= 104,9769887 + 2 [(0,6 ∙ 104,9769887 − 0,1 ∙ 104,9769887 ∙
54,1860919 − 0,3 ∙ 104,9769887) + (0,6 ∙ 105,2348382 − 0,01 ∙
105,2348382 ∙ 59,320104 − 0,03105,2348382)]
= 105,2331878
ℎ
𝑦26 = 𝑦1 + [𝑓(𝑡1 , 𝑥1 , 𝑦1 ) + 𝑓(𝑡2 , 𝑥25 , 𝑦25 ) ]
2
1
= 𝑦1 + [(0,004𝑥1 𝑦1 − 0,3𝑦1 − 0,03𝑦1 ) + (0,004𝑥25 𝑦25 − 0,3𝑦25 − 0,03𝑦25 )]
2
1
= 54,1860919 + [(0,004 ∙ 104,976988 ∙ 54,1860919 − 0,3
2
∙ 54,1860919 − 0,03 ∙ 54,1860919) + (0,004
∙ 105,2434124 ∙ 59,316778 − 0,3 ∙ 59,316778 − 0,03
∙ 59,316778)]
= 59,3201042
Kesimpulan :