i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 1 — #1

i i

Bab 1

Nilai Eigen dan Vektor Eigen

1.1 Tujuan
1. menghitung nilai eigen dan vektor eigen menggunakan fungsi
built-in di MATLAB
2. memeriksa sifat-sifat dari nilai eigen dan vektor eigen

1.2 Dasar Teori

Prasyarat:
1. Konsep dasar matriks dan sifat-sifat, determinan, reduksi baris
dan penyelesaian sistem persamaan.
2. Konsep dasar untuk nilai eigen, vektor eigen dan diagonalisasi.

Definisi nilai eigen dan vektor eigen

Untuk matriks Anxn , suatu bilangan real λ disebut nilai eigen dari
matriks A jika terdapat sebuah vektor taknol x di Rn sedemikian
sehingga Ax = λx. Vektor x disebut vektor eigen yang bersesuaian
dengan nilai eigen λ . Persamaan Ax = λx ekuivalen dengan persamaan
(A − λI)x = 0, sehingga semua yang berikut ini adalah ekuivalen:
1. λ adalah nilai eigen dari A.
2. (A − λI)x = 0 memiliki solusi tak trivial.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 2 — #2

i i

1.2. Dasar Teori 2

3. A − λI adalah singular.

4. det(A − λI) = 0.

Vektor eigen untuk λ adalah solusi taknol x untuk persamaan

(A − λI)x = 0. Vektor-vektor ini bersama-sama dengan vektor 0
disebut ruang eigen yang bersesuaian dengan nilai eigen λ. Ekspresi
det(A − λI) adalah suku banyak berderajat n disebut suku banyak
karakteristik dari A. Dengan sifat 4, nilai eigen adalah akar-akar dari
persamaan karakteristik det(A − λI).

Menentukan nilai eigen dan vektor eigen dengan MATLAB:

Di dalam MATLAB kita dapat menemukan suku banyak karakteristik
dari matriks A dengan mengetikkan poly(A). Jika A adalah matriks
berukuran n × n, poly(A) adalah vektor baris dengan n + 1 elemen
yang merupakan koefisien-koefisien dari suku banyak karakteristik.
Perintah roots(C) menghitung akar-akar dari suku banyak yang mana
keofisiennya adalah elemen dari vekor C. Jadi, roots(poly(A)) akan
menghasilkan nilai eigen dari A dalam vektor kolom.
Untuk mendapatkan vektor eigen yang bersesuaian dengan setiap
nilai eigen, kita perlu mencari solusi taknol x dari (A − λI)x = 0. Salah
satu cara yang dapat dilakukan di dalam MATLAB adalah dengan
menggunakan fungsi rref(A − λI) dan kemudian gunakan eliminasi
Gauss-Jordan untuk mendapatkan solusi umumnya. Vektor eigen yang
besesuaian dengan nilai eigen tertentu adalah tidak unik.
Metode kedua untuk menentukan nilai eigen dan vektor eigen di
dalam MATLAB adalah dengan menggunakan fungsi eig. Untuk suatu
matriks Anxn , eig(A) akan menghasilkan n × 1 vektor kolom dimana
elemen-elemennya adalah nilai eigen dari A. Perintah MATLAB dalam
bentuk [V D] = eig(A) menghitung vektor eigen dan nilai eigen dari
A sekaligus. V adalah matriks dimana vektor-vektor kolomnya adalah
vektor eigen dari matriks A dan D adalah matriks diagonal dimana
elemen-elemen pada diagonalnya adalah nilai eigen dari A. Kolom ke-i
dari V, V (:, i) adalah vektor eigen yang bersesuaian dengan nilai eigen
D(i, i).

Diagonalisasi matriks
Suatu matriks bujur sangkar dikatakan dapat didigonalisasi jka terdapat
sebuah matriks C sedemikian sehingga C−1 AC adalah matriks diagonal.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 3 — #3

i i

1.3. Praktikum 3

Suatu teorema penting dalam aljabar linear menyatakan bahwa jika

A adalah matriks berukuran n × n maka A dapat didiagonalisasi jika
dan hanya jika matriks tersebut memiliki n buah vektor eigen yang
bebas linear. Matriks C yang memuat n buah vektor eigen yang
bebas linear dapat digunakan dengan cara serupa pada C−1 AC untuk
memperoleh matriks diagonal D, yang mana akan memuat nilai eigen
pada diagonalnya.
Di dalam MATLAB, kita dapat menentukan apakah suatu matriks
A dapat didiagonalisasi dengab menggunakan perintah [V D] = eig(A).
Selanjutnya jika rank(V) adalah n, maka n kolom dari V adalah bebas
linear sehingga matriks A dapat didiagonalisasi dan matriks diagonalnya
adalah D = V −1 AV .

1.3 Praktikum
Berikut ini adalah sesi MATLAB untuk menentukan nilai eigen dan
vektor eigen untuk matriks
 
3 2 −2
 −3 −1 3 
1 2 0

Langkah-langkahnya adalah sebagai berikut:

1. Memasukkan elemen-elemen matriks A
>> A = [3 2 -2; -3 -1 3; 1 2 0]
A =
3 2 -2
-3 -1 3
1 2 0
2. Menghitung akar-akar dari persamaan karakteristik det(A − λI) = 0
>> roots(poly(A))
ans =
-1.0000
2.0000
1.0000
3. Gunakan fungsi rref untuk mendapatkan solusi (A − 2I)x = 0

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 4 — #4

i i

1.3. Praktikum 4

>> rref(A-2*eye(3))
ans =
1 0 0
0 1 -1
0 0 0
4. Gunakan fungsi rref untuk mendapatkan solusi (A − 1I)x = 0
>> rref(A-1*eye(3))
ans =
1 0 -1
0 1 0
0 0 0
5. Gunakan fungsi rref untuk mendapatkan solusi (A − (−1)I)x = 0
>> rref(A-(-1)*eye(3))
ans =
1 0 -1
0 1 1
0 0 0
Selanjutnya akan dicari solusi umum masing-masing (A − λI)x = 0.
Bentuk eselon baris tereduksi untuk
 A − 2I memberikan
 solusi umum
0 0
untuk (A − 2I)x = 0 yaitu x =  r  = r  1  , yang merupakan
r 1
vektor eigen yang bersesuaian dengan nilai eigen λ = 2.
 Dengan
 cara yang sama, dapat ditentukan juga vektor-vektor
 eigen
1 1
s  0  yang bersesuaian dengan nilai eigen λ = 1 dan t  −1 
1 1
yang bersesuaian dengan nilai eigen λ = −1.

Menghitung nilai eigen dengan menggunakan fungsi eig

>> eig(A)
ans =
-1.0000
1.0000
2.0000

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 5 — #5

i i

1.4. Latihan 5

Bentuk ini memberikan vektor eigen dalam V dan nilai eigen dalam
matriks D. Kolom dari V adalah vektor eigen dengan norma 1.

>> [V D]=eig(A)
V =
-0.5774 0.7071 0.0000
0.5774 0.0000 0.7071
-0.5774 0.7071 0.7071

D =
-1.0000 0 0
0 1.0000 0
0 0 2.0000

1.4 Latihan
Tentukan nilai eigen dan vektor eigen dari matriks
 
6.5 7 10.5
1.  −6 −9 18 
1.5 3 7.5
 
3 −2 0
2.  2 −2 0 
0 1 1
 
0 14 0 0 0 0 0 0 0
 1 0 1 1 0 0 0 0 0 
 4
 0 1 04 04 1 0 0 0 0 

 4 4 
1 1 1
0 0 0 0 0 0
 
 4 4 4 
3.  0 0 14 41 0 41 0 14 0 
 
 0 0 0 0 14 0 0 0 14 
 
 0 0 0 14 0 0 0 41 0 
 
 0 0 0 0 14 0 14 0 14 
 
0 0 0 0 0 41 0 14 14

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 6 — #6

i i

Bab 2

Sistem Persamaan Diferensial

2.1 Tujuan
1. menyelesaikan sistem persamaan linier dengan koefisien konstan-
ta real dengan MATLAB

2.2 Dasar Teori

Prasyarat:

1. Sistem persamaan diferensial dan penelesaiannya.

2. Konsep nilai eigen, vektor eigen dan aplikasinya dalam menyele-

saikan sistem persamaan diferensial linier.

Sistem persamaan diferensial orde pertama

Perhatikan bentuk umum sistem persamaan diferensial orde pertama

0
x1 = F1 (t, x1 , x2 , · · · , xn )
0
x2 = F2 (t, x1 , x2 , · · · , xn )
.. .
. = ..
0
xn = Fn (t, x1 , x2 , · · · , xn )

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 7 — #7

i i

2.2. Dasar Teori 7

Sistem di atas banyak muncul dalam aplikasi antara lain dalam

studi sistem massa pegas. Sistem persamaan diferensial orde pertama
juga muncul dalam studi persamaan diferensial tingkat tinggi. Suatu
persamaan diferensial tingkat tinggi
0 00
y(n) = F(t, y, y , y , · · · , y(n−1) )

dapat dirubah menjadi sistem persamaan diferensial orde pertama

dengan memisalkan
0
x1 = y, x2 = y , · · · , xn = y(n−1) .

Sistem yang diperoleh adalah

0
x1 = x2
0
x2 = x3
.. .
. = ..
0
xn−1 = xn
0
xn = F(t, x1 , x2 , · · · , xn )

Sistem persamaan diferensial linier orde pertama

Perhatikan sistem linier
0
x1 = a11 (t)x1 + a12 (t)x2 + · · · + a1n (t)xn + b1 (t)
0
x2 = a21 (t)x1 + a22 (t)x2 + · · · + a2n (t)xn + b2 (t)
..
.
0
xn = an1 (t)x1 + an2 (t)x2 + · · · + ann (t)xn + bn (t)

Kita dapat tuliskan sistem di atas dengan notasi matriks

0
X = A(t)X + B(t),

dimana    
x1 (t) b1 (t)
 x2 (t)   b2 (t) 
X(t) =  B(t) = 
   
..  .. 
 .   . 
xn (t) bn (t)

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 8 — #8

i i

2.2. Dasar Teori 8

dan  
a11 (t) a12 (t) · · · a1n (t)
A(t) =  ... .. .. .. 

. . . 
an1 (t) an2 (t) · · · ann (t)

Jika X(1) , X(2) , · · · , X(n) adalah solusi-solusi fundamental yang be-

bas linier maka dari sistem homogen (B=0), maka solusi umum sistem
homogen adalah
Xn
X= Ci X(i) .
i=1
Jika X p adalah solusi khususnya maka solusi umum dari sistem adalah
n
X
X= Ci X(i) + X p .
i=1

Selanjutnya, perhatikan sistem linier homogen

0
X = AX (2.1)

dimana  
a11 a12 · · · a1n
A =  ... .. . . . 
. .. 

.
an1 an2 · · · ann
adalah matriks berukuran n × n dengan antri-entri konstanta real. Kita
akan mencari solusi taknol dalam bentuk X(t) = ξert . Kita temukan
bahwa X(t) adalah solusi dari (2.1) jika dan hanya jika

Aξ = rξ,

yaitu jika dan hanya jika r adalah nilai eigen dari A dan ξ adalah vektor
eigen yang bersesuaian dengan r.
Dalam mencari himpunan solusi fundamental, kita harus memper-
hatikan tiga kasus yang mungkin terjadi.
Kasus I: A memiliki nilai eigen real yang berbeda.
Misalkan r1 , r2 , · · · , rn adalah nilai-nilai eigen yang berbeda dari A dan
ξ(1) , ξ(2) , · · · , ξ(n) adalah vektor-vektor eigen yang bersesuaian dengan

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 9 — #9

i i

2.2. Dasar Teori 9

nilai eigen, maka

X(1) (t) = ξ(1) er1t , · · · , X(n) (t) = ξ(n) ernt

adalah himpunan solusi fundamental dari sistem (2.1), dan solusi

umumnya adalah

X(t) = c1 ξ(1) er1t + · · · + cn ξ(1) er1t .

Kasus II: A memiliki nilai eigen yang berbeda tetapi beberapa

adalah bilangan kompleks.
Andaikan r bilangan kompleks dan ξ adalah vektor eigen dengan
entri-entri bilangan kompleks. Jika X(1) (t) = ξert adalah solusi maka
konjugetnya yaitu X(2) (t) = ξert juga merupakan solusi. Jadi kita dapat
menemukan dua solusi sistem (2.1) yang bersesuaian dengan r dan r
dengan mengambil bagian real dan imajiner dari X(1) (t) atau X(2) (t).
Dengan menuliskan ξ = a + ib dimana a dan b adalah bilangan real,
dan r = λ + iµ dimana λ dan µ adalah bilangan real maka diperoleh

X(1) (t) = (a + ib)e(λ+iµ)t

= (a + ib)ert (cos λt + i sin µt)
= ert (a cos µt − b sin µt) + iert (a sin µt + b cos µt)

Jadi fungsi-fungsi vektor

u(t) = ert (a cos µt − b sin µt)

v(t) = ert (a sin µt + b cos µt)

adalah solusi-solusi real untuk sistem (2.1).

Kasus III: A memiliki nilai eigen real yang berulang.
Kita batasi untuk pengulangan dua kali. Andaikan r = ρ dengan pengu-
langan dua kali. Akan terdapat dua kemungkinan dalam menemukan
vektor eigen yang bersesuaian dengan ρ. Jika kita dapat menemukan
dua vektor eigen ξ(1) dan ξ(2) yang bersesuaian dengan rho bebas
linier maka solusi X(1) (t) = ξ(1) eρt dan X(2) (t) = ξ(2) eρt membentuk
himpunan solusi fundamental. Jika kita hanya dapat menemukan hanya
satu vektor eigen ξ yang bebas linier yang bersesuaian dengan ρ maka

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 10 — #10

i i

2.3. Praktikum 10

solusi fundamental sistem (2.1) diberikan oleh

X(1) (t) = ξeρt

dan
X(2) (t) = ξteρt + ηeρt ,
dimana η memenuhi
(A − ρI)η = ξ.
Vektor η disebut generalisasi vektor eigen dari A untuk nilai eigen ρ.

2.3 Praktikum
Berikut ini adalah sesi MATLAB untuk menentukan solusi umum
sistem persamaan diferensial linier orde pertama.
Contoh 1.
Perhatikan sistem  
3 −2 0
0
x =  2 −2 0  x (2.2)
0 1 1
1. Kita akan masukkan entri-entri matriks ke MATLAB.

>> A=[3 -2 0; 2 -2 0; 0 1 1]
A =
3 -2 0
2 -2 0
0 1 1

2. Mencari nilai eigen dan vektor eigen dengan perintah:

>> [V D]=eig(sym(A))

V =
[ -1, 0, 2]
[ -2, 0, 1]
[ 1, 1, 1]

D =
[ -1, 0, 0]

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 11 — #11

i i

2.3. Praktikum 11

[ 0, 1, 0]
[ 0, 0, 2]

Bandingkan dengan perintah

>> [V D]=eig(A)

Output kedua dari matriks D memuat nilai eigen −1, 1, 2 pada

diagonalnya. Untuk setiap nilai eigen, bersesuaian dengan kolom pada
matriks V adalah vektor eigennya. Jadi kita peroleh pasangan nilai
eigen dan vektor eigennya yaitu:
 
−1
r1 = −1, ξ(1) =  −2  ,
1
 
0
(2)
r2 = 1, ξ =  0 ,
1
 
2
r3 = 2, ξ(3) =  1  .
1
3. Himpunan solusi fundamentalnya adalah
     
−1 0 2
(1) −t (2) (3)
X (t) =  −2 e , X (t) =
   t
0 e , X (t) =  2  e2t .
1 1 1

Solusi umum sistem (2.2) adalah

     
−1 0 2
−t
x(t) = c1 −2 e + c2 0 e + c3 2  e2t .
    t 
1 1 1

4. Andaikan sistem (2.2) adalah masalah nilai awal dengan nilai awal
 
3
x(0) =  5 .
0

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 12 — #12

i i

2.4. Latihan 12

Maka konstanta c1 , c2 dan c3 harus memenuhi

          
−1 0 2 −1 0 2 c1 3
c1 −2 +c2 0 +c3 2 = −2 0 2
         c2 = 5 
 
1 1 1 1 1 1 c3 0

Selesaikan sistem di atas untuk memperoleh c1 , c2 dan c3 .

>> b=[3; 5; 0]
b =
3
5
0

>> c=V\b
c =
-7/3
2
1/3

Jadi diperoleh c1 = −7/3, c2 = 2 dan c3 = 1/3, sehingga solusi

masalah nilai awal sistem (2.2) adalah
     
−1 0 2
7 1
x(t) = −  −2  e−t + 2  0  et +  2  e2t .
3 3
1 1 1

2.4 Latihan
Tentukan solusi umum sistem persamaan diferensial linier orde pertama
berikut ini:
 
0 3 −2
1. x = x
4 −1
 
0 3 −4
2. x = x
1 −1

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 13 — #13

i i

2.4. Latihan 13

3. Cari solusi umum dari sistem

0
x1 = 15x1 − 6x2 − 18x3 − 6x4
0
x2 = −4x1 + 5x2 + 8x3 + 4x4
0
x3 = 12x1 − 6x2 − 15x3 − 6x4
0
x4 = 4x1 − 2x2 − 8x3 − x4

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 14 — #14

i i

Bab 3

Persamaan Differensial Orde

Pertama

3.1 Tujuan
1. menggambar medan arah dari suatu persamaan differensial

2. menentukan titik tetap, solusi tetap dan plot kurvanya

3.2 Dasar Teori

Prasyarat:
1. Konsep dasar persamaan differensial orde pertama

2. Konsep dasar medan arah, titik tetap dan solusi tetap

3.2.1 Medan arah

Persamaan differensial orde pertama memiliki bentuk
0
x = f (t, x).

Untuk menyelesaikan persamaan ini kita harus menemukan fungsi x(t)

sedemikian sehingga
0
x (t) = f (t, x(t)), untuk semua t.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 15 — #15

i i

3.2. Dasar Teori 15

Hal ini berarti pada setiap titik (t, x(t)) pada grafik x, grafik harus
memiliki gradien f (t, x(t)). Jadi pada setiap titik (t, x), bilangan f (t, x)
menyatakan gradien dari kurva solusi yang melalui titik ini. Kita
menarik ruas garis pada setiap titik (t, x) dengan gradien f (t, x). Koleksi
dari ruas garis ini disebut garis medan arah (direction line field).

3.2.2 Fungsi dfield7

Fungsi dfield7 adalah suatu tool interaktif untuk mempelajari persama-
an differensial orde pertama. Fungsi dfield7 ditulis oleh John C. Polking
dari Rice University. Ketika fungsi dfield7 dieksekusi, dfield7 akan
membuka sebuah window dimana user dapat memasukkan persamaan
differensial, parameter dan nilai-nilainya serta pengaturan tampilan
gambar yang dihasilkan. Selain itu juga terdapat pilihan menu yang
memungkinkan user merubah beberapa parameter.
Fungsi dfield7 mengharuskan input persamaan differensial dalam
bentuk normal (normal form) yaitu turunan dari fungsi dinyatakan
sebagai fungsi dari variabel bebas dan variabel takbebas. Fungsi dfield7
juga menerima input dalam bentuk persamaan differensial dengan nilai
awal (atau disebut masalah nilai awal (initial value problem))
0
x = f (t, x), x(t0 ) = x0 .

3.2.3 Titik tetap dan solusi tetap

Perhatikan masalah nilai awal
0
x = f (t, x), x(t0 ) = x0 .

dimana fungsi f (t, x) = f (x) dikatakan dalam bentuk autonomous yaitu

tidak bergantung pada variabel t. Suatu solusi dalam bentuk x(t) = c
disebut solusi tetap (equilibrium solution) dan titik x = c disebut titik
tetap (equilibrium point). Solusi dari masalah nilai awal adakalanya
konvergen menuju ke solusi tetap tetapi adakalanya divergen dari solusi
tetap. Definisi berikut memberikan kestabilan dari titik tetap.

Definisi 3.1 Andaikan x(t) = c adalah solusi tetap. Jika semua kurva
solusi x(t) yang dimulai cukup dekat dengan x = c sedemikian sehingga

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 16 — #16

i i

3.3. Praktikum 16

limt→∞ x(t) = c kita katakan x = c adalah stabil tetap (stable equilibri-

um).

Definisi 3.2 Andaikan x(t) = c adalah solusi tetap. Jika semua kurva
solusi x(t) yang dimulai cukup dekat dengan x = c sedemikian sehingga
x(t) divergen dari c kita katakan x = c adalah takstabil tetap (unstable
equilibrium).

3.3 Praktikum
Untuk menggunakan fungsi dfield7 ketikkan dfield7 pada prompt MAT-
LAB. Selanjutnya MATLAB akan menampilkan window seperti berikut
ini.

Gambar: Tampilan window pertama dari fungsi dfield7

0
Perhatikan bahwa persamaan x = x2 − t (default) telah dimasukkan di
dalam edit box dengan judul "The differential equation". Juga terdapat
edit box untuk variabel bebas dan beberapa parameter termasuk batasan
display masing-masing. Di bagian bawahnya terdapat tiga buah button
yang diberi label dengan "Quit", "Revert", dan "Proceed".
Selanjutnya tekan button "Proceed" maka beberapa detik kemudian
akan muncul window berikut yang merupakan medan arah dari persa-
maan differensial.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 17 — #17

i i

3.3. Praktikum 17

0
Gambar: Tampilan medan arah dari x = x2 − t

Selanjutnya tempatkan kursor pada suatu titik pada tampilan medan

arah, katakan titik (t0 , x0 ) lalu klik kiri maka akan terbentuk sebuah
0
kurva. Kurva ini adalah kurva solusi untuk masalah nilai awal dari x =
x2 − t, x(t0 ) = x0 . Perhatikan gambar berikut.

0
Gambar: Solusi dari x = x2 − t, x(t0 ) = x0

Selanjutnya coba klik di beberapa titik lainnya, maka kita mempe-

0
roleh sustu famili dari masalah nilai awal x = x2 − t, x(t0 ) = x0 .

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 18 — #18

i i

3.3. Praktikum 18

0
Gambar: Beberapa solusi dari x = x2 − t, x(t0 ) = x0
Kita dapat merubah tampilan gambar dengan merubah beberapa pa-
rameter melalui menu. Sebagai contoh, jika ingin tampilan medan arah
dari bentuk garis menjadi panah, pada menu Options pilih Window
settings. lalu klik radio button Arrows maka tampilan medan arah akan
menjadi seperti berikut ini.

0
Gambar: Tampilan medan arah dari x = x2 − t dalam bentuk panah

Selanjutnya, kita akan mencoba menganalisa secara kualitatif arah

untuk model populasi. Misalkan P(t) menyatakan populasi bakteri pada

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 19 — #19

i i

3.3. Praktikum 19

waktu t (diukur dalam juta). Andaikan model untuk P dalam persamaan

differensial adalah
dP
= rP(1 − P/K).
dt
Misalkan diambil nilai untuk parameter r = 0.5 dan K = 10 serta
populasi pada t0 = 0 adalah P(0) = 1. Bagaimana kondisi populasi
untuk waktu yang cukup lama?
Untuk menganalisa model tersebut, pertama kita coba gambarkan
medan arah untuk persamaan differensial tersebut. Masukkan persama-
an differensial, parameter beserta niilai-nilainya pada masing-masing
kotak edit di window dfield7. Tekan button Proceed, maka akan
ditampilkan medan arah seperti berikut.

Gambar: Tampilan medan arah dari P0 = rP(1 − P/K)

Dengan membuat beberapa solusi untuk nilai awal yang berbeda,

kita dapat lihat bahwa untuk semua P > 0, solusinya akan menuju 10
bila t meningkat. Hal ini sebenarnya mudah untuk dianalisis yaitu
dengan memperhatikan sisi kanan dari persamaan yang merupakan
bentuk kuadratik dalam P. P akan meningkat dalam selang 0 < K < 10.
Dari hasil plot grafik, kita dapat simpulkan bahwa P = 10 adalah
titik tatap dari persamaan differensial dan solusi x(t) = 10 adalah stabil
ttetap. Berikut ini adalah beberapa solusi dari persamaan differensial
untuk model populasi.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 20 — #20

i i

3.4. Latihan 20

Gambar: Beberapa solusi dari P0 = rP(1 − P/K).

3.4 Latihan
Gambarkan beberapa solusi dari persamaan differensial berikut
0
1. y = y2 − y − 6
0
2. y = (y2 − 4)(y + 1)2
0
3. y = y2 − t 2
0
4. y = 2ty/(1 + y2 )
0
5. x + x sint = cost

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 21 — #21

i i

Bab 4

Penyelesaian Persamaan
Differensial

4.1 Tujuan
1. menyelesaiakan persamaan differensial secara eksplisit menggu-
nakan fungsi built-in di MATLAB

2. menyelesaiakan persamaan differensial secara numerik menggu-

nakan fungsi built-in di MATLAB

4.2 Dasar Teori

Prasyarat:

1. Penyelesaian umum persamaan differensial

2. Masalah nilai awal persamaan differensial

4.2.1 Solusi eksplisit persamaan differensial

MATLAB memiliki fungsi library yang dapat digunakan untuk mencari
solusi umum atau solusi eksplisit dari persamaan differensial. Fungsi
tersebut adalah dsolve(). Fungsi dsolve(’pers1’,’pers2’, ...) mene-
rima input persamaan simbolik yang merepresentasikan persamaan
differensial dan kondisi awal. Beberapa persamaan atau kondisi awal

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 22 — #22

i i

4.2. Dasar Teori 22

dapat dikelompokkan secara bersama-sama dalam input tunggal pada

argumennya dengan cara dipisahkan oleh koma.
Secara default, variabel bebasnya adalah 0t 0 . Variabel bebas dapat
diubah dari 0t 0 menjadi variabel lainnya dengan memasukkan variabel
tersebut sebagai input terakhir pada argumennya. Huruf 0 D0 menyatakan
operator differensial yaitu pendifferensialan terhadap variabel bebasnya
(d/dt). Huruf 0 D0 yang di ikuti oleh sebuah angka menyatakan pe-
ngulangan pendifferensialan. Sebagai contoh, D2 menyatakan d 2 /dt 2 .
Sebarang karakter setelah operator differensial ini dianggap sebagai
variabel tak bebas. Sebagai contoh, D3y menyatakan turunan ketiga
dari y(t). Jadi perlu diperhatikan bahwa nama variabel pada input
argumennya tidak boleh memuat huruf "D". Pada masalah nilai awal,
kondisi awal seperti 0 y(a) = b0 ditulis sebagai 0 Dy(a) = b0 dimana y
adalah variabel bebas dan a dan b adalah konstanta.
Fungsi dsolve() dapat digunakan untuk menyelesaikan hampir se-
mua persamaan differensial yang dapat diselesaikan dengan metode
standar seperti yang dipelajari pada perkuliahan persamaan differensia
biasa, baik berbentuk linier maupun nonlinier. Argumen dari dsolve
dapat berupa persamaan differensial orde pertama, orde kedua maupun
orde n serta dalam bentuk sistem persamaan differensial.

4.2.2 Solusi numerik persamaan differensial

Ketika kita tidak dapat menemukan solusi eksplisit dari persamaan
differensial, sebagai alternatifnya kita dapat menggunakan metode
numerik. Dengan metode numerik kita hanya dapat menyelesaikan
persamaan differensial dengan nilai awal (masalah nilai awal). Hal ini
mirip seperti pada kalkulus dimana jika kita tidak dapat menemukan
antiturunan dalam bentuk fungsi elementer lalu beralih ke penyelesaian
numerik untuk integral tertentu.
MATLAB memiliki sejumlah tool untuk menyelesaikan secara
numerik persamaan differensial, seperti ode23, ode45, ode113, ode15s,
ode23s, ode23t, ode23tb dan ode15i. Sekarang kita akan fokus pada
fungsi built-in ode45, yaitu suatu fungsi yang mana mengimplementa-
sikan metode Runge-Kutta orde 4 dan 5.
Fungsi ode45 adalah suatu fungsi untuk menyelesaiakan persamaan
differensial non-stiff dengan order medium. Format penggunaannya
adalah

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 23 — #23

i i

4.3. Praktikum 23

[t,x]=ode45(fungsi,domain,kondisi awal).
Fungsi ode45 menghasilkan dua vektor kolom, pertama dengan nilai
t (variabel bebas) dan yang kedua dengan nilai y (variabel tak bebas).
Karena t dan y adalah vektor dimana komponen-komponennya saling
terkait, kita dapat memplotkannya dengan perintah plot(x,y).

4.3 Praktikum
4.3.1 Penyelesaian secara eksplisit
Persamaan differensial orde pertama
Perhatikan persamaan differensial orde pertama

ẋ = tx. (4.1)

Dengan menggunakan fungsi dsolve(), diperoleh solusi umum persa-

maan differensial

>> x=dsolve(’Dx=t*x’,’t’)
x =
C1*exp(t^2/2)

Jika persamaan (4.1) adalah masalah nilai awal, katakan nilai

awalnya adalah x(1) = 1, maka solusinya dapat dicari dengan perintah

>> x=dsolve(’Dx=t*x’,’x(1)=1’,’t’)
x =
exp(t^2/2)/exp(1)^(1/2)

Jika kita ingin menggambarkan kurva solusi masalah nilai awal,

dapat kita lakukan dengan perintah-perintah berikut:

>> t = linspace(-2*PI,2*PI,50);
>> xt = eval(vectorize(x));
>> plot(t,xt)

atau secara sederhana menggunakan perintah

>> ezplot(x)

Berikut ini adalah gambar kurva dari persamaan differensial di atas.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 24 — #24

i i

4.3. Praktikum 24

Kurva plot(t,xt) Kurva ezplot(x)

Gambar: Kurva untuk masalah nilai awal ẋ = tx x(1) = 1

Persamaan differensial orde dua atau lebih

Andaikan kita ingin menyelesaikan dan memplot solusi dari persamaan
differensial orde dua berikut ini

y00 (x) + 8y0 (x) + 2y(x) = cos(x); y(0) = 0, y0 (0) = 1. (4.2)

Dengan mengetikkan perintah-perintah berikut, diperoleh solusi dan

plot kurva solusinya.

>> pd=’D2y + 8*Dy + 2*y = cos(x)’;

>> nil=’y(0)=0, Dy(0)=1’;
>> y=dsolve(pd,nil,’x’)
y =
(14^(1/2)*exp(4*x - 14^(1/2)*x)*exp(x*(14^(1/2) - 4))
*(sin(x) - cos(x)*(14^(1/2) - 4)))
/(28*((14^(1/2) - 4)^2 + 1))
- (98*14^(1/2)
+ 378)/(exp(x*(14^(1/2) + 4))*(868*14^(1/2)
+ 3136)) - (14^(1/2)*exp(4*x + 14^(1/2)*x)*(sin(x)
+ cos(x)*(14^(1/2) + 4)))
/(28*exp(x*(14^(1/2) + 4))*((14^(1/2)
+ 4)^2 + 1))
- (exp(x*(14^(1/2) - 4))*(98*14^(1/2) - 378))

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 25 — #25

i i

4.3. Praktikum 25

/(868*14^(1/2) - 3136)

>> ezplot(y)

Kurva solusinya adalah

Gambar: Kurva untuk masalah nilai awal

y00 (x) + 8y0 (x) + 2y(x) = cos(x);
y(0) = 0, y0 (0) = 1.

Sistem Persamaan differensial

Andaikan kita ingin menyelesaikan dan memplot solusi dari sistem tiga
persamaan differensial berikut ini

x0 (t) = x(t) + 2y(t) − 5z(t)

y0 (t) = x(t) + z(t) (4.3)
z0 (t) = 4x(t) − 4y(t) + 5z(t)

Pertama sekali kita dapat menemukan solusi umum dengan cara

sebagai beikut

>> [x,y,z]=dsolve(’Dx=x+2*y-z’,’Dy=x+z’,’Dz=4*x-4*y+z’)
x =
- (C1*exp(t))/2 - (C2*exp(2*t))/2 - (C3*exp(3*t))/4
y =
(C1*exp(t))/2 + (C2*exp(2*t))/4 + (C3*exp(3*t))/4

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 26 — #26

i i

4.3. Praktikum 26

z =
C1*exp(t) + C2*exp(2*t) + C3*exp(3*t)

Jika sistem (4.3) adalah masalah nilai nilai awal dengan nilai
awalnya adalah x(0) = 1, y(0) = 2 z(0) = 3 maka solusinya adalah

>> [x,y,z]=dsolve(’Dx=x+2*y-z’,’Dy=x+z’,
’Dz=4*x-4*y+5*z’,’x(0)=1,y(0)=2,z(0)=3’)
x =
6*exp(2*t) - (5*exp(3*t))/2 - (5*exp(t))/2
y =
(5*exp(3*t))/2 - 3*exp(2*t) + (5*exp(t))/2
z =
10*exp(3*t) - 12*exp(2*t) + 5*exp(t)

Akhirnya, memplotkan solusi ini dapat dilakukan dengan

>> t=linspace(0,1,25);
>> xx=eval(vectorize(x));
>> yy=eval(vectorize(y));
>> zz=eval(vectorize(z));
>> plot(t,xx,t,yy,t,zz)

Kurva solusinya adalah

Gambar: Kurva solusi untuk sistem

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 27 — #27

i i

4.3. Praktikum 27

4.3.2 Penyelesaian secara numerik

Menggunakan fungsi inline
Andaikan kita ingin menyelesaikan persamaan differensial orde perta-
ma
dy
= xy2 + y; y(0) = 1 (4.4)
dx
pada interval x ∈ [0, 0.5].
Untuk sebarang persamaan differensial dalam bentuk y0 = f (x, y),
kita dapat mulai dengan mendefinisikan fungsi f (x, y). Untuk persama-
an tunggal, kita dapat definisikan f (x, y) sebagai sebuah fungsi inline.
indexfungsi!inline
>> f=inline(’x*y^2+y’)
f =
Inline function:
f(x,y) = x*y^2+y
>> [x,y]=ode45(f,[0 0.6],1);
>> plot(x,y)
Fungsi ode45 menghasilkan dua vektor kolom, pertama dengan nilai
t (variabel bebas) dan yang kedua dengan nilai y (variabel tak bebas).
Karena t dan y adalah vektor dimana komponen-komponennya saling
terkait, kita dapat memplotkannya dengan perintah plot(x,y). Berikut
plot untuk masalah nilai awal (4.4).

dy
Gambar: Kurva untuk masalah nilai awal dx = xy2 + y; y(0) = 1

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 28 — #28

i i

4.4. Latihan 28

Menggunakan M-file
Alternatif lain untuk menyelesaikan masalah nilai awal (4.4) adalah
dengan mendefinisikan f (x, y) sebagai fungsi M-file fode.m.

function fsode = fode(x,y)

fsode=x*y^2+y;

Pada kasus ini, kita hanya perlu merubah perintah ode45 dengan
menambahkan pointer @ untuk mengidikasikan M-file.

[x,y]=ode45(@fode,[0 0.6],1);
>> plot(x,y)

4.4 Latihan
1. Cari solusi dari persamaan differensial berikut dan plotkan solu-
sinya
0
(a) y = −2y + 2 cost sint; y(0) = 5.
Coba juga untuk nilai awal y(0) = −5, y(0) = 0.
0
(b) y + 4y = 2 cost + sin 4t; y(0) = 5.
Coba juga untuk nilai awal y(0) = −5, y(0) = 0.
0
(c) y + 4y = t 2 ; y(0) = 0.
0
(d) x = cost − x3 ; x(0) = 0.
0
(e) x + x + x3 = cos2 t; y(0) = 0.
00 0 0
(f) yy − (y )2 − y2 = 0; y(0) = 1, ; y (0) = −1.

2. Cari solusi dari sistem persamaan differensial berikut dan plotkan

solusinya
0 0
(a) x1 = x2 dan x2 = (1 − x12 )x2 − x1 , dengan x1 (0) = 0, x2 (0) =
0 pada interval [0, 10].
0 0
(b) x1 = x2 dan x2 = −25x1 +2 sin 4t, dengan x1 (0) = 0, x2 (0) =
2 pada interval [0, 2π].
0 0
(c) x1 = (x2 +x1 /5)(1−x12 ) dan x2 = −x1 (1−x22 ), dengan x1 (0) =
0.8, x2 (0) = 0 pada interval [0, 30].

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 29 — #29

i i

Bab 5

Potret Phase

5.1 Tujuan
1. menggambar potret fase dari suatu sistem persamaan differensial

2. menganalisa kestabilan dari titik kritis pada bidang fase

5.2 Dasar Teori

Prasyarat:

1. Penyelesaian umum sistem persamaan differensial

2. Potret fase dari sistem persamaan differensial

5.2.1 Sistem autonomous

Suatu sistem persamaan differensiaql berbentuk
0
x = f (t, x, y)
0 (5.1)
y = g(t, x, y)

dimana variabel bebas t biasanya menyatakan waktu disebut sistem

planar (planar system). Jika fungsi-fungsi f dan g bebas dari waktu t
yaitu tidak secara eksplisit melibatkan t maka sistem (5.1) dapat ditulis

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 30 — #30

i i

5.2. Dasar Teori 30

menjadi
0
x = f (x, y)
0 (5.2)
y = g(x, y)
Suatu sistem berbentuk (5.2) disebut sistem otonomus (autonomous
system)
Sistem (5.1) dapat ditulis sebagai persamaan vektor
0 0
f (t, [x, y]T )
    
x x
= 0 = . (5.3)
y y g(t, [x, y]T )
0
Jika kita misalkan x = [x, y]T , maka x = [x0 , y0 ]T dan sistem (5.3) dapat
ditulis menjadi  
0 f (t, x)
x = . (5.4)
g(t, x)
Kemudian jika kita definisikan F(t, x) = [ f (t, x), g(t, x)]T maka persa-
maan (5.4) menjadi
x0 = F(t, x) (5.5)
Jika sistem adalah otonomus maka persamaan (5.5) dapat ditulis sebagai

x0 = F(x) (5.6)

Jadi, untuk sistem otonomus medan vektor yang sama merepresentasik-

an semua vektor tangen yang mungkin untuk kurva-kurva solusi untuk
semua nilai t.

5.2.2 Potret fase

Solusi dari sistem (5.1) dapat diplot dalam suatu bidang xy. Titik
(x(t), y(t)) untuk t ∈ I menelusuri sebuah kurva yang disebut trayektori
atau orbit dari penyelesaian (5.1) di bidang fase. Pasangan (x, y)
disebut fase dari sistem dan bidang xy disebut bidang fase. Gambar dari
semua trayektori dari suatu sistem disebut potret fase (phase potrait)
dari sistem.
Karena medan arah pada sistem (5.1) berubah bilamana t berubah,
mengakibatkan sistem menjadi sulit untuk divisualisasi sehingga men-
jadi tidak terlalu berguna. Sekarang kita perhatikan sistem taklinier

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 31 — #31

i i

5.3. Praktikum 31

otonomus berbentuk

x0 = ax + by + F(x, y), y0 = cx + dy + G(x, y) (5.7)

Potret fase dari sistem (5.7) hampir seluruhnya tergantung pada akar-
akar dari persamaan karakteristik dari matriks
 
a b
.
c d

Teorema berikut memberikan sifat-sifat dari sistem (5.7) untuk titik

kritis (0, 0).

Teorema 5.1 Titik kritis (0, 0) dari sistem (5.7) merupakan

1. sebuah simpul jika λ1 dan λ2 real, berbeda dan bertanda sama;

2. sebuah pelana jika λ1 dan λ2 real dan berlawanan tanda;

3. sebuah fokus jika λ1 dan λ2 kompleks sekawan tetapi bukan

imajiner murni;

4. sebuah fokus atau pusat jika λ1 dan λ2 imajiner sejati.

5.2.3 Fungsi pplane7

Fungsi pplane7 adalah suatu tool interaktif untuk mempelajari sistem
otonomus planar dari persamaan differensial. Ketika fungsi pplane7
dieksekusi, sebuah window setup pplane7 dibuka. User dapat mema-
sukkan persamaan differensial, parameter, jenis medan arah dan ukuran
tampilan display gambar. Sama seperti fungsi dfield7, fungsi pplane7
juga ditulis oleh John C. Polking dari Rice University.

5.3 Praktikum
Untuk menggunakan fungsi pplane7, ketikkan pplane7 pada prompt
MATLAB. Selanjutnya MATLAB akan menampilkan window seperti
berikut ini:

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 32 — #32

i i

5.3. Praktikum 32

Gambar: Tampilan awal window setup pplane7

Terlihat bahwa pada window setup pplane7 sudah memuat default
suatu sistem persamaan differensial beserta setting dari tampilan display
dan jenis medan arahnya. Fungsi pplane7 menyediakan beberapa
sistem persamaan differensial lainnya yang dapat dipilih melalui menu
Galery. Misalkan kita pilih sistem persamaan differensial untuk gerak
pendulum. Persamaan differensial untuk gerak pendulum adalah

d2θ dθ
mL 2
= −mg sin(θ) − c
dt dt
dimana θ adalah sudut yang terbentuk antara pendulum dengan garis
vertikal, L adalah panjang lengan pendulum, g adalah percepatan
gravitasi dan c adalah konstanta perlambatan.

Gambar: Memilih sistem persamaan differensial pada menu Galery

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 33 — #33

i i

5.3. Praktikum 33

Berikut tampilan window setup pplane7 untuk pilihan pendulum. Per-

hatikan gambar berikut.

Gambar: Tampilan window setup pplane7 untuk pendulum

Selanjutnya tekan button "Proceed" maka beberapa akan muncul win-
dow berikut yang merupakan medan arah dari sistem persamaan diffe-
rensial untuk pendulum.

Gambar: Tampilan medan arah untuk pendulum

Selanjutnya tempatkan kursor pada suatu titik pada tampilan medan
arah, katakan titik (x0 , y0 ) lalu klik kiri maka akan terbentuk sebuah ku-

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 34 — #34

i i

5.4. Latihan 34

rva. Kurva ini adalah kurva trayektori atau orbit dari sistem persamaan
differensial untuk pendulum. Perhatikan gambar berikut.

Gambar: Potret fase untuk gerak pendulum

5.4 Latihan
1. Buatlah gambar potret fase dari sistem linear
(a) x0 = −2x + y, y0 = x − 2y.
(b) x0 = 3x − 2y, y0 = 2x − 2y.
(c) x0 = −2x, y0 = −2y.
(d) x0 = −x, y0 = −x − y.
(e) x0 = −x + y, y0 = −x − y.
(f) x0 = y, y0 = −x.
2. Tentukan apakah titik kritis (0, 0) merupakan titik simpul, pelana,
fokus atau pusat, dan gambarkan potret fasenya.
(a) x0 = x, y0 = 3y.
(b) x0 = −x, y0 = −3y.
(c) x0 = x, y0 = −y.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 35 — #35

i i

5.4. Latihan 35

(d) x0 = −x, y0 = y.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 36 — #36

i i

Bab 6

Linierisasi

6.1 Tujuan
1. menghampiri solusi sistem persamaan differensial taklinier de-
ngan metode linierisasi

2. menganalisa solusi hampiran dari linierisasi

6.2 Dasar Teori

Prasyarat:

1. Sistem persamaan differensial taklinier dan solusinya

2. Matriks Jacobian

6.2.1 Sistem autonomous

Pada umumnya masalah yang muncul di dalam dunia nyata adalah tidak
linier, dan bahkan dalam banyak kasus sistem tak linier tidak dapat di-
selesaikan karena belum tersedianya metode untuk menyelesaikannya.
Ketika dihadapkan dengan masalah tidak linier, kita biasanya cukup
puas dengan solusi hampiran. Salah satu metode untuk mendapatkan
solusi hampiran adalah linierisasi (linierization). Linierisasi adalah
suatu cara menghampiri kelakuan dari sistem tak linier dengan suatu
sistem linier.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 37 — #37

i i

6.2. Dasar Teori 37

Dalam modul ini kita hanya akan fokus pada sistem dengan dua
persamaan differensial, tetapi teknik-teknik yang digunakan di sini juga
dapat digunakan untuk sistem yang lebih besar.
Suatu sistem dua persamaan differensial autonomus orde pertama
mempunyai bentuk
dx
= f (x, y)
dt (6.1)
dy
= g(x, y).
dt
Solusi tetap terhadap sistem (6.1) disebut solusi tetap (equilibria).
Solusi tersebut harus memenuhi persamaan

f (x∗ , y∗ ) = 0 g(x∗ , y∗ ) = 0. (6.2)

6.2.2 Linierisasi di titik tetap

Linierisasi di suatu titik tetap pada suatu sistem persamaan differensial
dapat dilakukan dengan mengganti f (x, y) dan g(x, y) pada (6.1) dengan
hampiran linier di dekat (x∗ , y∗ ), sehingga diperoleh

dx
= f (x∗ , y∗ ) + fx (x∗ , y∗ )(x − x∗ ) + fy (x∗ , y∗ )(y − y∗ )
dt (6.3)
dy
= g(x∗ , y∗ ) + gx (x∗ , y∗ )(x − x∗ ) + gy (x∗ , y∗ )(y − y∗ )
dt
Jika (x∗ , y∗ ) adalah suatu titik tetap (equilibrium point) dari (6.1), maka
kita peroleh f (x∗ , y∗ ) = 0 dan g(x∗ , y∗ ) = 0.
Selanjutnya kita definisikan koordinat baru yang relatif terhadap
(x∗ , y∗ ) yaitu u = x − x∗ , v = y − y∗ . Dalam koordinat (u, v), titik
tetapnya adalah pada titik asalnya. Karena x∗ dan y∗ adalah konstanta,
du dx dv dy
kita peroleh = dan = . Jadi sistem (6.1) dapat dihampiri
dt dt dt dt
dengan
du
= fx (x∗ , y∗ )u + fy (x∗ , y∗ )v
dt (6.4)
dv ∗ ∗ ∗ ∗
= gx (x , y )u + gy (x , y )v
dt
Sistem (6.4) adalah linierisasi dari sistem (6.1) pada (x∗ , y∗ ). Dengan

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 38 — #38

i i

6.3. Praktikum 38
 
u
mendefinisikan ~u = , kita dapat menuliskan sistem (6.4) sebagai
v

d~u
= J~u, (6.5)
dt
dimana
fx (x∗ , y∗ ) fy (x∗ , y∗ )
 
J= (6.6)
gx (x∗ , y∗ ) gy (x∗ , y∗ )
disebut matriks Jacobian.

6.2.3 Arti Linierisasi

Persamaan (6.5) adalah pendekatan linier untuk sistem (6.1) tetapi
seberapa "baik" hampirannya. Jika bagian real dari kedua nilai eigen
adalah taknol, maka kelaluan dari sistem (6.1) dekat dengan (x∗ , y∗ )
secara kualitatif sama dengan kelakuan dari hampiran linier persamaan
(6.5).

6.3 Praktikum
Perhatikan sistem persamaan differensial
dx
= 3x − y2
dt (6.7)
dy
= sin y − x
dt
dimana sistem tersebut memiliki dua titik tetap, dan salah satunya
adalah (0, 0). Potret phase dari sistem (6.7) adalah (gunakan fungsi
pplane7)

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 39 — #39

i i

6.3. Praktikum 39

Gambar: Potret phase untuk sistem (6.7)

Matriks Jacobiannya adalah

fx (x∗ , y∗ ) fy (x∗ , y∗ )
   
3 −2y
J= = (6.8)
gx (x∗ , y∗ ) gy (x∗ , y∗ ) −1 cos y

dan pada titik (0, 0), matriks Jacobiannya adalah

 
3 0
J= (6.9)
−1 1

Nilai eigen dari persamaan (6.9) adalah λ1 = 1 dan λ2 = 3. Karena

kedua nilai eigen adalah positif dan berbeda dapat disimpulkan bahwa
titik asal dari sistem linierisasi adalah titik simpul tak stabil.
Dengan menggunakan MATLAB, solusi di atas dapat dilakukan
sebagai berikut.

>> syms x y;
>> J=jacobian([3*x-x^2;sin(y)-x],[x,y])
J =
[ 3 - 2*x, 0]
[ -1, cos(y)]

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 40 — #40

i i

6.3. Praktikum 40

>> J0=subs(J,{x,y},{0,0})
J0 =
3 0
-1 1

>> eig(J0)
ans =
1
3

Potret phase untuk sistem linierisasi adalah sebagai berikut.

Gambar: Potret phase untuk sistem linierisasi

Terlihat bahwa pada linierisasi di dekat (0, 0) memberikan hampiran

yang baik untuk sistem taklinier (6.7).
Perhatikan sistem persamaan differensial
dx
= 2x − y − x2
dt (6.10)
dy
= x − 2y + x2
dt
dimana sistem tersebut memiliki dua titik tetap,yaitu (0, 0) dan (1, 1).

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 41 — #41

i i

6.3. Praktikum 41

Matriks Jacobiannya adalah

fx (x∗ , y∗ ) fy (x∗ , y∗ )
   
2 − 2x −1
J= = (6.11)
gx (x∗ , y∗ ) gy (x∗ , y∗ ) 1 −2 + 2y

Pada titik (0, 0) matriks Jacobiannya adalah

 
2 −1
J= (6.12)
1 −2
√
√ Nilai eigen dari persamaan (6.12) adalah λ1 = − 3 dan λ2 =
3. Karena nilai-nilai eigen adalah real dan berbeda tanda dapat
disimpulkan bahwa titik asal dari sistem linierisasi adalah titik pelana.
Solusi dengan menggunakan MATLAB,

>> syms x y;
>> J=jacobian([2*x-y-x^2;x-2*y+x^2],[x,y])
J =
[ 2 - 2*x, -1]
[ 2*x + 1, -2]

>> J0=subs(J,{x,y},{0,0})
J0 =
2 -1
1 -2

>> eig(J0)
ans =
1.7321
-1.7321

Potret phase dari sistem asal(6.10) adalah

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 42 — #42

i i

6.3. Praktikum 42

Gambar: Potret phase untuk sistem (6.10)

Potret phase untuk sistem linierisasi adalah sebagai berikut.

Gambar: Potret phase untuk sistem linierisasi

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 43 — #43

i i

6.4. Latihan 43

6.4 Latihan
Lakukan linierisasi dari sistem tak linier berikut. Cari dimana titik
tetapnya dan tentukan apakah titik tersebut titik simpul, pelana, fokus
atau pusat, dan gambarkan potret phasenya.

1. x0 = (2 + x)(y − x), y0 = (4 − x)(y + x).

2. x0 = x − x2 − xy, y0 = 3y − xy − 2y2 .

3. x0 = 1 − y, y0 = x2 − y2 .

4. x0 = (1 + x) sin y, y0 = 1 − x − cos y.

5. x0 = y + x(1 − x2 − y2 ), y0 = x − y + y(x2 + y2 ).

6. x0 = y, y0 = x + 2x3 .

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 44 — #44

i i

Bab 7

Sistem Dinamik

7.1 Tujuan
1. menggunakaan tool-tool pada paket aplikasi sistem dinamik
2. mengenal perangkat lunak phaser

7.2 Dasar Teori

Prasyarat:
1. Konsep sistem dinamik
2. Paket aplikasi MATDS dan Phaser

7.2.1 Pengertian sistem dinamik

Sebuah sistem disebut sistem dinamik (dynamical system) jika output
yang sekarang tergantung pada input sebelumnya. Jika output sekarang
hanya bergantung pada input saat ini, sistem ini dikenal sebagai sistem
statik (static system). Output dari sistem statik tetap sama jika input
tidak berubah. Outputnya berubah hanya ketika inputnya berubah.
Dalam sistem dinamik, output berubah bersamaan dengan perubahan
waktu jika sistem tidak dalam keadaan kesetimbangan. Contoh sistem
dinamik antara lain model matematika yang menggambarkan ayunan
pendulum, aliran air di dalam pipa, jumlah ikan yang dapat dipanen
pada suatu waktu di danau.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 45 — #45

i i

7.2. Dasar Teori 45

Dalam mempelajari sistem dinamik, kita sering menemukan perila-

ku sistem yang disebut sebagai chaos dan bifurkasi. Chaos adalah studi
yang mempelajari perilaku sistem dinamik yang sangat sensitif terhadap
kondisi awal. Perbedaan kecil dalam kondisi awal (seperti yang
disebabkan oleh kesalahan pembulatan dalam perhitungan numerik)
dapat menghasilkan hasil yang beragam untuk sistem dinamik tersebut.
Bifurkasi (bifurcation) adalah studi matematika dari perubahan struktur
kualitatif atau topologi dari sebuah keluarga kurva tertentu. Bifurkasi
yang terjadi ketika perubahan kecil pada nilai parameter (parameter
bifurkasi) dari sistem menyebabkan perubahan ’kualitatif’ atau topologi
mendadak dalam perilakunya. Bifurkasi dapat terjadi pada sistem konti-
nu maupun sistem diskrit. Nama "bifurkasi" pertama kali diperkenalkan
oleh Henri Poincaré pada 1885.
Berikut ini adalah pemetaan sistem persamaan differensial menurut
linearitas dan banyaknya variabel yang terlibat. (Sumber: Steven H.
Strogatz, Nonlinear Dynamics And Chaos, Perseus Books Publishing,
New York, 1994.)

...
Number of variables ..

ci'i"
c n =l n 2 n;:::3 n» 1 Continuum
iil
Growth, decay, or Oscillations Collective phenomena Waves and patterns
� equilibrium
Linear oscillator Civil engineering, Coupled harmonic oscillators Elasticity
Exponential growth structures

Linear
Mass and spring Solid-state physics Wave oquations
RC circuit
RLC circuit Electrical engineering Molecular dynamics Electromagnetism (Maxwell)
Radioactive decay
Eqnilibrium statistical Quantum mechanics
mechanics (Schrodinger, Heisenberg, Dirac)

e-
.....
Heat and diffusion

�
<1)
Acoustics

j:1
''';
Viscous fluids
.......
The frontier
S 1-
z Chaos Spatio-temporal complexity

J Fixed points

Bifurcations

Overdamped systems,
relaxational dynamics
Pendulum

Anharmonic oscillators

Limit cycles
Strange attractors
(Lorenz)

3-body problem (Poincare)

Coupled nonlinear oscillators

Lasers, nonlinear optics

Nonequilibrium statistical
mechanics
Nonlinear waves (shocks, solitons)

Plasmas

Earthquakes

General relativity (Einstein)

Nonlinear
Biological oscillators Chemical kinetics
(neurons, heart cells)
Logistic equation Iterated maps (Feigenbaum) Nonlinear solid-state physics Quantum field theory
for single species (semiconductors)
Predator-prey cycles Fractals Reaction-diffusion,
(Mandelbrot) biological and chemical waves
Nonlinear electronics Josephson arrays
(van der Pol, Josephson)
Forced nonlinear oscillators Heart cell synchronization Fibrillation
(Levinson, Smale)
Neural networks Epilepsy

I Immune system Turbulent fluids (Navier-Stokes)

Practical uses of chaos
Ecosystems Life
Quantum chaos?
Economics

Gambar:Pemetaan sistem persamaan differensial

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 46 — #46

i i

7.3. Praktikum 46

7.3 Praktikum
7.3.1 Menggunakan MATDS
MATDS adalah program berbasis MATLAB untuk menginvestigasi
suatu sistem dinamik. MATDS merupakan paket grafis untuk studi
numerik secara interaktif sistem dinamik. MATDS diciptakan oleh
Vasiliy Govorukhin dari Rostov State University, Rusia.

Instalasi dan mulai MATDS

Untuk menginstal paket MATDS, anda perlu membuat direktori MA-
TDS, meng-copy file matds.zip ke direktori ini dan menjalankan unzip.
Ini menciptakan subdirektori dari MATDS dengan semua file yang
diperlukan. MATDS direktori harus menjadi direktori kerja dan untuk
memulai MATDS, ketikkan "matds" pada window MATLAB.

Struktur direktori MATDS:

• temp - direktori kerja untuk file sementara.

• maths - direktori untuk bagian matematika dari MATDS.

• system - direktori untuk file sistem dinamik.

• gui - direktori untuk bagian GUI dan pelayanan MATDS.

Main menu dan window

Berikut tampilan window menu ketika MATDS dipanggil

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 47 — #47

i i

7.3. Praktikum 47

Gambar: Main menu dan window

Output dari hasil

Berikut ini secara berurutan plot output untuk 2 dimensi dan 3 dimensi.

Gambar: 2D output window

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 48 — #48

i i

7.3. Praktikum 48

Gambar: 3D output window

Mendefinisikan sistem dinamik

Kita dapat mendefinisikan dan mengedit model sistem dinamik kita
sendiri.

Gambar:Menu langkah pertama dari definisi sistem

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 49 — #49

i i

7.3. Praktikum 49

Gambar: Menu untuk mengedit sistem (langkah kedua definisi)

Gambar: 2D dan 3D output

7.3.2 Menggunakan perangkat lunak Phaser

Phaser menyediakan lingkungan komputasi yang powerful khusus di-
buat untuk simulasi grafis dan numerik dari persamaan diferensial
dan persamaan beda untuk sistem linier dan sistem chaos. Phaser
telah dirancang untuk memenuhi kebutuhan berbagai macam pengguna
seperti mahasiswa, instruktur, ataupun peneliti. Untuk versi 3.0,

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 50 — #50

i i

7.3. Praktikum 50

Phase ditulis dengan bahasa pemrograman Java sehingga Phaser dapat

digunakan pada berbagai platform.
Berikut langkah-langkah menggunakan Phaser.

Gambar:Menu langkah pertama dari definisi sistem

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 51 — #51

i i

7.3. Praktikum 51

Gambar:Menu langkah pertama dari definisi sistem

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 52 — #52

i i

7.4. Latihan 52

Gambar:Menu langkah pertama dari definisi sistem

Gambar:Menu langkah pertama dari definisi sistem

7.4 Latihan
1. x0 = (2 + x)(y − x), y0 = (4 − x)(y + x).

2. x0 = x − x2 − xy, y0 = 3y − xy − 2y2 .

3. x0 = 1 − y, y0 = x2 − y2 .

4. x0 = (1 + x) sin y, y0 = 1 − x − cos y.

5. x0 = y + x(1 − x2 − y2 ), y0 = x − y + y(x2 + y2 ).

6. x0 = y, y0 = x + 2x3 .

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 53 — #53

i i

Bab 8

Kestabilan Lyapunov

8.1 Tujuan
1. menggunakaan tool-tool pada paket aplikasi sistem dinamik

2. mengenal perangkat lunak phaser

8.2 Dasar Teori

Prasyarat:

1. Konsep sistem dinamik

2. Paket aplikasi MATDS dan Phaser

8.2.1 Pengertian kestabilan Lyapunov

Misalkan kita nyatakan x sebagai variabel keadaan dari sistem dinamik,
yang dapat dinyatakan secara umum oleh persamaan differensial
dx
ẋ = = f (x).
dt
Misalkan x = 0 menjadi titik tetap, kita akan menganalisis stabilitas
sekitar 0.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 54 — #54

i i

8.2. Dasar Teori 54

Definisi 8.1 (Stabil)

Suatu sistem disebut stabil dengan titik tetap x = 0 jika dan hanya jika
∀ε > 0, ∃δ > 0 sehingga jika

kx(0)k ≤ δ,

maka
kx(t)k ≤ ε, ∀t.
Definisi 8.2 (Stabil asimtotik)
Suatu sistem disebut stabil asimtotik jika ∃δ > 0 sehingga jika

kx(0)k ≤ δ,

maka
x(t) → 0
bilamana t → ∞.
Definisi 8.3 (Global dan stabil asimtotik)
Suatu sistem disebut global dan stabil asimtotik jika

x(t) → 0

bilamana t → ∞. Dengan kata lain, sistem ini global dan stabil

asimtotik untuk setiap nilai awal x.
Lyapunov menunjukkan bahwa selama kita bisa menemukan suatu
fungsi kontinu yang differensiabel V (x) ≥ 0 dan memenuhi beberapa
kondisi lainnya, maka sistem akan stabil.
Teorema 8.1 (Kondisi kestabilan)
Jika fungsi Lyapunov V (x) ada dan

dV
V̇ = ≤ 0,
dt
maka sistem adalah stabil.
Teorema 8.2 (Kondisi kestabilan asimtotik)
Jika fungsi Lyapunov V (x) ada dan

dV
V̇ = < 0,
dt

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 55 — #55

i i

8.2. Dasar Teori 55

maka sistem adalah stabil asimtotik.

Teorema 8.3 (Kondisi kestabilan global dan asimtotik)

Jika fungsi Lyapunov V (x) ada dan

dV
V̇ = < 0,
dt
dan V (x) secara radikal tak terbatas yaitu

V (x) → ∞

jika
kxk → ∞.
maka sistem adalah global dan stabil asimtotik.

Selanjutnya, misalkan diberikan suatu sistem dinamik dan sebuah

fungsi V . Kita dapat nyatakan

∂V dx
V̇ (x) =
∂x dt
= ∇V · f (x)
 
h i f1 (x)
∂V ∂V ∂V  .. 
= dx1 dx2 ··· dxn  . 
fn (x)

8.2.2 Kestabilan untuk sistem outonomus

Sebuah matriks persegi P adalah definit positif jika xT Px > 0 untuk
semua vektor kolom taknol x. Matriks P adalah definit negatif jika
xT Px < 0 untuk semua vektor kolom taknol x. Selanjutnya matriks
P disebut semidefinite positif jika xT Px ≥ 0 dan semidefinit negatif
jika xT Px ≤ 0 untuk semua vektor kolom taknol x. Jika P adalah
matriks definit positif maka semua nilai eigennya adalah positif dan
jika P adalah matriks definit negatif maka semua nilai eigennya adalah
negatif. Jika matriks P adalah definit positif maka −P adalah matriks
definit negatif.

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 56 — #56

i i

8.3. Praktikum 56

Suatu sistem dinamik dalam bentuk

ẋ = Ax

adalah stabil asimtotik jika dan hanya jika untuk sebarang matriks defi-
nit positif Q terdapat matriks definit positif simetrik P yang memenuhi
persamaan Lyapunov
AT P + PA = −Q.

8.3 Praktikum
Tentukan kestabilan dari sistem ẋ = Ax dimana
 
0 1
A= .
−6 −5

Untuk menyelesaikannya, pilih matriks Q adalah matriks satuan, yaitu

 
1 0
Q= .
0 1

Selanjutnya misalkan matriks

 
p11 p12
P= .
p21 p22

AT P + PA = −Q.
       
0 −6 p11 p12 p11 p12 0 1 −1 0
+ = .
1 −5 p21 p22 p21 p22 −6 −5 0 −1
   
−12p12 −6p22 + p11 − 5p12 −1 0
= .
−6p22 + p11 − 5p12 2p12 − 10p22 0 −1
    
0 12 0 p11 1
 1 −5 −6   p12  =  0  .
0 −2 10 p22 1

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 57 — #57

i i

8.3. Praktikum 57

Diselesaikan sehingga diperoleh

p12 = 1/12; p22 = 7/60; p11 = 67/60. Jadi diperoleh
   
67/60 1/12 1.1167 0.0833
P= = .
1/12 7/60 10.0833 0.1167

Selanjutnya, cari nilai eigen dari matriks P, diperoleh λ1 = 0.1098 dan

λ2 = 1.1236.

Solusi menggunakan MATLAB:

>> A=[0 1;-6 -5]

A =
0 1
-6 -5

>> Q=eye(2)
Q =
1 0
0 1

>> P=lyap(A,Q)

P =
0.5333 -0.5000
-0.5000 0.7000

>> eig(P)
ans =
0.1098
1.1236
Terlihat bahwa matriks P tidak sama dengan cara manual, tetapi
sebenarnya kedua-duanya menghasilkan nilai eigen yang sama. Untuk
mendapatkan matriks P seperti yang diperoleh secara manual, dapat
dilakukan dengan perintah berikut:
>> P=lyap(A’,Q)
P =

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 58 — #58

i i

8.3. Praktikum 58

1.1167 0.0833
0.0833 0.1167

>> eig(P)
ans =
0.1098
1.1236

Berikut ini adalah contoh fungsi Lyapunov:

>> x=[-4:.04:4];
>> y=x;
>> [X,Y]=meshgrid(x,y);
>> z=X.^2 + Y.^2;
>> mesh(X,Y,z)

Gambar: Fungsi Lyapunov kuadratik V (x) = x2 + y2 .

>> x=[-4:.04:4];
>> y=x;
> [X,Y]=meshgrid(x,y);
>> z=(1-cos(X))+(Y.^2)/2;
> meshc(X,Y,z)

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 59 — #59

i i

8.4. Latihan 59

Gambar: Fungsi Lyapunov V (x) = (1 − cos x) + y2 /2.

8.4 Latihan
1. x0 = (2 + x)(y − x), y0 = (4 − x)(y + x).

2. x0 = x − x2 − xy, y0 = 3y − xy − 2y2 .

3. x0 = 1 − y, y0 = x2 − y2 .

4. x0 = (1 + x) sin y, y0 = 1 − x − cos y.

5. x0 = y + x(1 − x2 − y2 ), y0 = x − y + y(x2 + y2 ).

6. x0 = y, y0 = x + 2x3 .

i i

i i
 i i

“"Modul prak. TPD"” — 2017/7/10 — 9:18 — page 60 — #60

i i

Indeks

bidang fase, 30

fase, 30
fungsi
dfield7, 15
dsolve, 21
eval, 23
ezplot, 23
ode45, 22
pplane7, 31
vectorize, 23

garis medan arah, 15

orbit, 30

potret fase, 30

sistem otonomus, 30
sistem planar, 29
solusi tetap, 15

titik tetap, 15
trayektori, 30

i i

i i