03 Matriks Dan SPL

MA3171 Matematika Numerik
Warsoma Djohan
Prodi Matematika, FMIPA - ITB

August 16, 2016
MATNUM / MA-ITB / W.D. / 2016 (ITB) MA3171 Matematika Numerik August 16, 2016 1 / 43
2. Matriks dan Sistem Persamaan Linear Review Matriks
Bentuk-Bentuk Matriks
     
x 0 0 0 0 0 x x x x x x x 0 0 0 0 0

 0 x 0 0 0 0 


 0 x x x x x 

 x x 0 0 0 0 
 

 0 0 x 0 0 0 


 0 0 x x x x 

 x x x 0 0 0 
 
0 0 0 x 0 0 0 0 0 x x x  x x x x 0 0 
     
   
     
 0 0 0 0 x 0   0 0 0 0 x x   x x x x x 0 
0 0 0 0 0 x 0 0 0 0 0 x x x x x x x
matriks diagonal matriks segitiga atas matriks segitiga bawah
aij = 0 untuk i 6= j aij = 0 untuk i > j aij = 0 untuk i < j
Pada kelima matriks di
   
x x 0 0 0 0 x x x 0 0 0
 x x x 0 0 0   x x x x 0 0  atas, x boleh bernilai
   
 0 x x x 0 0 
 
 x x x x x 0 
  berapa saja, termasuk
 0 0 x x x 0 
 
 0 x x x x x 
  nol.
   
 0 0 0 x x x   0 0 x x x x 
0 0 0 0 x x 0 0 0 x x x
matriks Tridiagonal matriks Hessenberg
aij = 0 untuk |i − j| > 2 aij = 0 untuk |i − j| > 5
2. Matriks dan Sistem Persamaan Linear Sistem Persamaan Linear
Sistem Persamaan Linear (SPL)

◮ Bentuk
 umum

 a 11 1 +
x a12 x2 + a13 x3 + ··· + a1n xn = b1

 a21 x1 + a22 x2 + a23 x3 + ··· + a2n xn = b2



a31 x1 + a32 x2 + a33 x3 + ··· + a3n xn = b3

 .. .. ..


 . . .

 a x +
n1 1 an2 x2 + an3 x3 + ··· + ann xn = bn
Pada sistem persamaan diatas ai,j dan bi masing2 dinamakan koefisien SPL dan
nilai SPL. Keduanya merupakan konstanta-konstanta real.
◮ Tujuan: mencari nilai x1 , x2 , · · · , xn yang memenuhi semua persamaan tersebut.
Carilah solusi dari SPL-SPL berikut ini:

3x1 + 4x2 = 11 3x1 + 4x2 = 11 3x1 + 4x2 = 11
4x1 − 3x2 = −2 6x1 + 8x2 = 22 6x1 + 8x2 = 14
◮ Apa syarat agar sebuah SPL solusinya tunggal?
2. Matriks dan Sistem Persamaan Linear Matriks Lengkap SPL
Matriks Lengkap Sistem Persamaan Linear

◮ Sebuah SPL dapat kita tuliskan dalam bentuk matriks sebagai berikut:
    
a11 a12 a13 · · · a1n x1 b1
 21 a22 a23 · · · a2n   x2   b2 
 a    
 a31 a32 a33 · · · a3n   x3  =  b3 
    
 . ..   ..   .. 
   
 . 
 . .  .   . 
an1 an2 an3 · · · ann xn bn
Matriks pada ruas kiri disebut Matriks Koefisien SPL.
◮ Untuk keperluan perhitungan di komputer, sebuah SPL biasa disimpan dalam
bentuk Matriks Lengkap SPL sebagai berikut:
 
a11 a12 a13 · · · a1n | a1,n+1
 21 a22 a23 · · · a2n | a2,n+1  Pada matriks di samping,
 a 
 a31 a32 a33 · · · a3n | a3,n+1  ai,n+1 , i := 1, 2, · · · , n + 1 dipakai
 
 . .. . 
 .
. | ..
 menyimpan nilai SPL b , b , · · · , bn
 .  1 2
an1 an2 an3 ··· ann | an,n+1
2. Matriks dan Sistem Persamaan Linear SPL Segitiga Atas
Sistem Persamaan Linear Segitiga Atas

◮ SPL dengan matriks koefisien berbentuk matriks segitiga atas.


 a11 x1 + a12 x2 + a13 x3 + ··· + a1,n-1 xn-1 + a1n xn = b1
a22 x2 + a23 x3 + ··· + a2,n-1 xn-1 + a2n xn = b2




+ ··· + + =


 a33 x3 a3,n-1 xn-1 a3n xn b3
.. ..


 . .

an-1, n-1 xn-1 + an-1,n xn = bn-1





ann xn = bn
◮ Penulisan dalam bentuk matriks lengkap SPL,

 
a11 a12 a13 · · · a1,n-1 a1n | a1, n+1

 a22 a23 · · · a2,n-1 a2n | a2, n+1 

a33 · · · a3,n-1 a3n | a3, n+1
 
 

.. .. 

 . . |


 
 an-1, n-1 an-1,n | an-1, n+1 
ann | an, n+1
2. Matriks dan Sistem Persamaan Linear Penyulihan Mundur
Solusi Sistem Persamaan Linear Segitiga Atas

Teorema
SPL segitiga atas mempunyai solusi tunggal ⇐⇒ akk 6= 0, k := 1, 2, · · · , n
Solusi SPL segitiga atas dapat dihitung sebagai berikut:



 xn := bn / ann




 xn-1 := (bn-1 − an-1,n xn ) / an-1,n-1
xn-2 := (bn-2 − (an-2, n-1 xn-1 + an-2,n xn )) / an-2,n-2






 ..


 .
n

xk := bk − ∑ ak,i xi / akk

 i=k+1
..





 .

 n
b1 − ∑ ak,i xi



 x1 := / a11
i=2




Penyelesaian dengan cara di atas disebut Penyulihan Mundur

2. Matriks dan Sistem Persamaan Linear Algoritma Penyulihan Mundur
Algoritma Penyulihan Mundur

Masukan: n ukuran SPL
ai,j , i := 1, 2, · · · , n, j := 1, 2, · · · , n + 1
Keluaran: xi , i := 1, 2, · · · , n, solusi SPL
Langkah-Langkah:
1 if |an,n | < 1.0E − 12 then
”Proses gagal”, Stop
end
a
2 xn := an,n+1
n,n
3 for k := n − 1, n − 2, · · · , 1 do
if |ak,k | < 1.0E − 12 then
end
s := 0
for i := k + 1, k + 2, · · · , n do
s := s + ak,i · xi
end
xk := (ak,n+1 − s)/ak,k
end
2. Matriks dan Sistem Persamaan Linear SPL Segitiga Bawah
Sistem Persamaan Linear Segitiga Bawah

◮ SPL dengan matriks koefisien berbentuk matriks segitiga bawah.
 
a11 | a1, n+1
 a
 21 a22 | a2, n+1  
 a31 a32 a33 | a3, n+1 
 
 . .. .. ..

 . .
 . . . |


 
 an-1,1 an-1,2 an-1,3 · · · an-1, n-1 | an-1, n+1 
an1 an2 an3 ··· ann | an, n+1
◮ Solusi dapat dihitung secara berturutan mulai dari x1 , x2 , · · · , xn . Proses ini
dinamakan Penyulihan Maju
◮ Susunlah Algoritma Penyulihan Maju. (hobby keluar di ujian)
2. Matriks dan Sistem Persamaan Linear Eliminasi Gauss
SPL UMUM, Metode Eliminasi Gauss

◮ Diberikan SPL dengan matriks lengkap sebagai berikut:
 
a11 a12 a13 · · · a1n | a1,n+1
 21 a22 a23 · · · a2n | a2,n+1 
 a 
 a31 a32 a33 · · · a3n | a3,n+1 
 
 .. .. .
 
. | ..

 . 
an1 an2 an3 · · · ann | an,n+1
◮ Melalui serangkaian langkah yang ekivalen, artinya tidak mengubah solusi
SPL semula, kita akan mengubahnya menjadi SPL segitiga atas. Setelah
itu dilanjutkan dengan Penyulihan Mundur.
◮ Rangkaian langkah yang digunakan adalah Operasi Baris Elementer
• Menukarkan dua buah baris.
• Mengalikan sebuah baris dengan konstanta tak nol.
• Mengurangkan baris ke i dengan ”p kali baris ke j.”
2. Matriks dan Sistem Persamaan Linear Rincian Eliminasi Gauss
Langkah-Langkah Rinci Eliminasi Gauss

   
a11 a12 a13 · · · a1n | a1,n+1 a11 a12 a13 · · · a1n | a1,n+1
 21 a22 a23 · · · a2n | a2,n+1   0 a22 a23 · · · a2n | a2,n+1 
a  

 a31 a32 a33 · · · a3n | a3,n+1  ∼  0 a32 a33 · · · a3n | a3,n+1 
   
 .. .. .   .. .. .
   
| .. | ..

 . .   . . 
an1 an2 an3 · · · ann | an,n+1 0 an2 an3 · · · ann | an,n+1
◮ Untuk memudahkan penulisan, isi baris ke i akan dinotasikan {b}i

Mengeliminasi a21 , Mengeliminasi a31 ,
{b}2 := {b}2 − a21 /a11 · {b}1 {b}3 := {b}3 − a31 /a11 · {b}1
1 p := a21 /a11 1 p := a31 /a11
2 for j := 2, 3, · · · , n + 1 do 2 for j := 2, 3, · · · , n + 1 do
a2j := a2j − p · a1j a3j := a3j − p · a1j
end end
3 a21 := 0 3 a31 := 0
Mengeliminasi ai1 , Mengeliminasi kolom ke 1,

{b}i := {b}i − ai1 /a11 · {b}1 1 for i := 2, 3, · · · , n do
1 p := ai1 /a11 p := ai1 /a11
2 for j := 2, 3, · · · , n + 1 do for j := 2, 3, · · · , n + 1 do
aij := aij − p · a1j aij := aij − p · a1j
end end
3 ai1 := 0 ai1 := 0
end
Matriks lengkap dari SPL semula sekarang sudah berubah menjadi:

 
a11 a12 a13 · · · a1n | a1,n+1
0
 a22 a23 · · · a2n | a2,n+1 

a32 a33 · · · a3n | a3,n+1 
 
0
 .. .. ..
 
. | .

 . 
0 an2 an3 · · · ann | an,n+1
Tahap berikutnya adalah mengeliminasi a32 , a42 , · · · , an2
Mengeliminasi a32 , Mengeliminasi a42 ,

{b}3 := {b}3 − a32 /a22 · {b}2 {b}4 := {b}4 − a42 /a22 · {b}2
1 p := a32 /a22 1 p := a42 /a22
2 for j := 3, 4, · · · , n + 1 do 2 for j := 3, 4, · · · , n + 1 do
a3j := a3j − p · a2j a4j := a4j − p · a2j
end end
3 a32 := 0 3 a42 := 0
Mengeliminasi ai2 , Mengeliminasi kolom ke 2,

{b}i := {b}i − ai2 /a22 · {b}2 1 for i := 3, 4, · · · , n do
1 p := ai2 /a22 p := ai2 /a22
2 for j := 3, 4, · · · , n + 1 do for j := 3, 4, · · · , n + 1 do
end end
3 ai2 := 0 ai2 := 0
end
Perhatikan kembali bagian algoritma berikut:

Mengeliminasi kolom ke 1, Mengeliminasi kolom ke 2,
for i := 2, 3, · · · , n do
1 1 for i := 3, 4, · · · , n do
p := ai1 /a11 p := ai2 /a22
for j := 2, 3, · · · , n + 1 do for j := 3, 4, · · · , n + 1 do
end end
ai1 := 0 ai2 := 0
end end
◮ Algoritma Untuk mengeliminasi kolom ke k, yaitu ak+1,k , ak+2,k , · · · , an,k

1 for i := k + 1, k + 2, · · · , n do 


p := aik /akk 


 k := 1, 2, · · · , n − 1
for j := k + 1, k + 2, · · · , n + 1 do 

Elemen pembagi akk

aij := aij − p · akj
end


 disebut elemen penumpu /pivot.


aik := 0 

 Proses ini disebut Tahap Eliminasi.

end 
2. Matriks dan Sistem Persamaan Linear Algoritma Eliminasi Gauss
Algoritma Eliminasi Gauss

aij , i := 1, 2, · · · , n, j := 1, 2, · · · , n + 1
Keluaran: xi , solusi SPL
Langkah-Langkah:
1 for k := 1, 2, · · · , n − 1 do
if |akk < 1.0E − 12 then 2 if |an,n | < 1.0E − 12 then
”Proses gagal”, Stop ”Proses gagal”, Stop
end end
an,n+1
for i := k + 1, k + 2, · · · , n do 3 xn := a
n,n
p := aik /akk 4 for k := n − 1, n − 2, · · · , 1 do
for j := k + 1, k + 2, · · · , n + 1 s := 0
do for i := k + 1, k + 2, · · · , n do
aij := aij − p · akj s := s + ak,i · xi
end end
aik := 0 xk := (ak,n+1 − s)/ak,k
end end
end
2. Matriks dan Sistem Persamaan Linear Contoh Eliminasi Gauss
Gunakan eliminasi Gauss untuk menentukan solusi dari SPL:



 2x1 + 5x2 − 4x3 − 5x4 = −2

 −2x + x
1 2 − 7x3 + 5x4 = 3

 8x 1 + 4x 2 + 16x 3 − 4x4 = 24
1 1

x1 + 1 2 x2 + 3x3 + 4 2 x4 = 16

 
2 5 −4 −5 | −2 {b}2 ← {b}2 − a21 /a11 · {b}1

 −2 1 −7 5 | 3  {b}3 ← {b}3 − a31 /a11 · {b}1

4 16 −4 | 24  {b}4 ← {b}4 − a41 /a11 · {b}1
 
 8
1 1, 5 3 4, 5 | 16
 
2 5 −4 −5 | −2

 0 6 −11 0 |  {b}3 ← {b}3 − a32 /a22 · {b}2
1 
0 −16 32 16 | 32  {b}4 ← {b}4 − a42 /a22 · {b}2
 

0 −1 5 7 | 17
2. Matriks dan Sistem Persamaan Linear Contoh Eliminasi Gauss
 
2 5 −4 −5 | −2

 0 6 −11 0 | 1  {b} ← {b} − a /a · {b}
 4 4 43 33 3
0 2, 6667 −16 | 34, 6667
 
 0 
0 0 3, 1667 7 | 17, 1667
 
2 5 −4 −5 | −2

 0 6 −11 0 | 1 

0 2, 6667 −16 | 34, 6667
 
 0 
0 0 0 −12 | 24
Selanjutnya dengan penyulihan mundur, diperoleh:
x4 := −24/(−12) = 2
x3 := (34, 6667 − 16 · 2)/2, 6667 = 1
x2 := (1 − (−11) · 1 − 0 · 2)/6 = 2
x1 := (−2 − 5 · 2 − (−4) · 1 − (−5) · 2)/2 = 1
2. Matriks dan Sistem Persamaan Linear Teknik Penumpuan
Teknik Penumpuan (Pivoting) pada Eliminasi Gauss

◮ Algoritma Eliminasi Gauss memiliki beberapa kelemahan, yaitu:
• Bila pada langkah ke k elemen penumpu bernilai nol, proses eliminasi gagal.
• Elemen penumpu yang dekat ke nol akan mengakibatkan galat pembulatan
menjadi besar.
◮ Untuk mengatasi hal ini dilakukan teknik penumpuan (pivoting), yaitu dengan
menukarkan baris atau kolom dari SPL semula supaya diperoleh elemen penumpu
yang nilai mutlaknya besar.
◮ Dikenal tiga macam teknik penumpuan: Penumpuan Total, Penumpuan Parsial,
dan Penumpuan Parsial Terskala.
◮ Penumpuan Total: Pada setiap langkah ke k, dipilih elemen pivot dengan kriteria
max |ai,j |
k≤i,j≤n
◮ Penumpuan Parsial Terskala: Pada setiap langkah ke k, dipilih elemen pivot

dengan kriteria max |ai,k /ak,k |
k≤i≤n
Catatan: Perkuliahan ini hanya akan membahas Teknik Penumpuan Parsial.

2. Matriks dan Sistem Persamaan Linear Teknik Penumpuan Parsial
Teknik Penumpuan Parsial pada Eliminasi Gauss

◮ Pada teknik penumpuan parsial, disetiap langkah ke k, dipilih elemen
penumpu dengan kriteria max |ai,k |. Setelah itu dilakukan pertukaran baris
k≤i≤n
agar elemen tersebut berada di posisi elemen penumpu, baru dilakukan
proses eliminasi.
   
1 2 1 4 13 4 2 2 1 20
b2 ← b2 − 24 b1
 2 0 4 3 28   2 0 4 3 28 
 b1 ↔ b3   b3 ← b3 − 1 b1
 4 4
2 2 1 20   1 2 1 4 13 
b4 ← b4 − −34 b1
−3 1 3 2 6 −3 1 3 2 6
   
4 2 2 1 20 4 2 2 1 20
1,5
 0 −1 3 2.5 18   b ↔ b4 
 0 2, 5 4, 5 2, 75 21   b3 ← b3 − 2,5 b2
0.5 3, 75 8  2

 0 −1
1.5  0 1, 5 0, 5 3, 75 8 b4 ← b4 − 2,5
 b2
0 2, 5 4, 5 2, 75 21 0 −1 3 2, 5 18
 
4 2 2 1 20
 0 2, 5 4, 5 2, 75 21  b ↔ b4
−2, 2 2, 1 −4, 6  3

 0 0
0 0 4, 8 3, 6 26, 4
2. Matriks dan Sistem Persamaan Linear Teknik Penumpuan Parsial
 
4 2 2 1 20
 0 2, 5 4, 5 2, 75 21 
 b ← b4 − −2.2 b3
4, 8 3, 6 26, 4  4

 0 0 4.8
0 0 −2, 2 2, 1 −4, 6
 
4 2 2 1 20
 0 2, 5 4, 5 2, 75 21 
 
 0 0 4, 8 3, 6 26, 4 
0 0 0 3, 75 7, 5
Penyulihan mundur:
x4 := 7, 5/3, 75 = 2
x3 := (26, 4 − 2 ∗ 3.6)/4.8 = 4
x2 := (21 − 4, 5 ∗ 4 − 2, 75 · 2)/2.5 = −1
x4 := (20 − 2 · (−1) − 2 · 4 − 1 · 2)/4 = 3
Diskusi:
Bagaimana bila pada langkah eliminasi ke k, nilai aik = 0, i = k, k + 1, · · · , n ?
2. Matriks dan Sistem Persamaan Linear Algoritma E.G. dengan Penumpuan
Algoritma Eliminasi Gauss dengan Penumpuan Parsial
1 for k := 1,2,··· ,n − 1 do 2 if |an,n | < 1.0E − 12 then
m := k ”Proses gagal”, Stop
for i := k + 1,k + 2,··· ,n do end
a
if |aik | > amk then 3 xn := an,n+1
n,n
m := i
4 for k := n − 1,n − 2,··· ,1 do
end s := 0
end for i := k + 1,k + 2,··· ,n do
if m 6= k then s := s + ak,i · xi
for j := k,k + 1,··· ,n do end
s := akj xk := (ak,n+1 − s)/ak,k
akj := amj
end
amj := s
end
end
if |akk < 1.0E − 12 then
end
for i := k + 1,k + 2,··· ,n do
p := aik /akk
for j := k + 1,k + 2,··· ,n + 1 do
aij := aij − p · akj
end
aik := 0
end
end
2. Matriks dan Sistem Persamaan Linear Penyelesaian SPL secara Simultan
Penyelesaian Beberapa SPL dengan Matriks Koefisien Sama

Perhatikan dua buah SPL berikut ini:
 

 x1 + 2x2 + x3 + 4x4 = 13 
 x1 + 2x2 + x3 + 4x4 = 8
2x1 + 4x3 + 3x4 = 28 2x1 + 4x3 + 3x4 = 9
 

 4x1 + 2x2 + 2x3 + x4 = 20 
 4x1 + 2x2 + 2x3 + x4 = 9
 
−3x1 + x2 + 3x3 + 2x4 = 6 −3x1 + x2 + 3x3 + 2x4 = 3
Kedua SPL tersebut dapat kita selesaikan secara simultan.

Tuliskan SPL tersebut dalam bentuk matriks lengkap sebagai berikut:
   
1 2 1 4 | 13 8 x x x x | x x
 2 0 4 3 | 28 9   0 x x x | x x
 Lakukan eliminasi 

 
 4 2 2 1 | 20 9  Gauss =⇒  0 0 x x |
   
x x 
−3 1 3 2 | 6 3 0 0 0 x | x x
◮ Lakukan penyulihan mundur secara terpisah untuk masing-masing SPl.
◮ Selesaikan kedua SPL di atas dengan Eliminasi Gauss.
◮ Modifikasilah algoritma Eliminasi Gauss, agar dapat menyelesaikan dua
buah SPL seperti di atas. (hobby keluar di ujian)
2. Matriks dan Sistem Persamaan Linear Determinan
Perhitungan Determinan
◮ Untuk menghitung determinan, kita lakukan Eliminasi Gauss, untuk mengubah
matriks semula menjadi matriks segitiga atas.
n
◮ Teorema: Misalkan An×n matriks segitiga atas, maka det(A) = ∏ aii
i=1
◮ Pengaruh Operasi Baris ELementer terhadap nilai determinan:
1. Penukaran dua buah baris akan membuat nilai determinan matriks yang baru
merupakan negatif dari determinan matriks semula.
2. Bila suatu baris dikali dengan konstanta k maka nilai determinannya menjadi k
kali nilai determinan matriks semula.
3. Bila suatu baris ditambah dengan k kali baris yang lain, nilai determinannya
tidak berubah.
◮ Gunakan metode eliminasi Gauss dengan penumpuan parsial untuk menghitung
4.000 −5.000 −2.500 −0.500
 
 −2.000 2.000 −3.000 1.000 
determinan dari matriks A =   −2.000 −4.500

2.500 −5.000 
4.500 1.000 −3.500 3.000
◮ Latihan: Tuliskan Algoritma Eliminasi Gauss dengan penumpuan parsial untuk
menghitung determinan dari matriks An×n . (hobby keluar di ujian)
2. Matriks dan Sistem Persamaan Linear Invers Matriks
Perhitungan Invers Matriks, Metode Gauss Jordan

Diberikan matriks An×n . Untuk menghitung matriks inversnya, kita perluas
matriks A sebagai berikut:
 
a11 a12 a13 ··· a1n 1 0 0 ··· 0

 a21 a22 a23 ··· a2n 0 1 0 ··· 0 
a31 a32 a33 ··· a3n 0 0 1 ··· 0 
 


 .. .. .. .. 

 . . . . 
an1 an2 an3 ··· ann 0 0 0 ··· 1
Lakukan serangkaian OBE, untuk mengubah matriks tersebut menjadi:
 
1 0 0 ··· 0 c11 c12 c13 ··· c1n

 0 1 0 ··· 0 c21 c22 c23 ··· c2n 

0 0 1 ··· 0 c31 c32 c33 ··· c3n
 
 

 .. .. .. .. 

 . . . . 
0 0 0 ··· 1 cn1 cn2 cn3 ··· cnn
Matriks Cn×n di sebelah kanan adalah matriks invers dari A
Metode ini dinamakan Metode Gauss-Jordan.
2. Matriks dan Sistem Persamaan Linear Contoh Invers Matriks
Contoh: Terapkan Metode Gauss-Jordan −5.000 −2.500 −0.500

 
4.000
 −2.000 2.000 −3.000 1.000 
dengan penumpuan parsial terhadap matriks 
 −2.000 −4.500 2.500

−5.000 
di samping kanan. 4.500 1.000 −3.500 3.000
4.000 −5.000 −2.500 −0.500 |
 
1.000 0.000 0.000 0.000
 −2.000 2.000 −3.000 1.000 | 0.000 1.000 0.000 0.000 
 b ↔ b4
0.000  1

 −2.000 −4.500 2.500 −5.000 | 0.000 0.000 1.000
4.500 1.000 −3.500 3.000 | 0.000 0.000 0.000 1.000
1.000 −3.500 |
 
4.500 3.000 0.000 0.000 0.000 1.000
 −2.000 2.000 −3.000 1.000 | 0.000 1.000 0.000 0.000 
 b /a
0.000  1 11

 −2.000 −4.500 2.500 −5.000 | 0.000 0.000 1.000
4.000 −5.000 −2.500 −0.500 | 1.000 0.000 0.000 0.000
0.222 −0.778 |
 
1.000 0.667 0.000 0.000 0.000 0.222
 −2.000 2.000 −3.000 1.000 | 0.000 1.000 0.000 0.000 
  eliminasi kolom 1
 −2.000 −4.500 2.500 −5.000 | 0.000 0.000 1.000 0.000 
4.000 −5.000 −2.500 −0.500 | 1.000 0.000 0.000 0.000
0.222 −0.778 0.667 |
 
1.000 0.000 0.000 0.000 0.222
 0.000 2.444 −4.556 2.333 | 0.000 1.000 0.000 0.444 
 b ↔ b4
0.444  2

 0.000 −4.056 0.944 −3.667 | 0.000 0.000 1.000
0.000 −5.889 0.611 −3.167 | 1.000 0.000 0.000 −0.889
−0.778 |
 
1.000 0.222 0.667 0.000 0.000 0.000 0.222
 0.000 −5.889 0.611 −3.167 | 1.000 0.000 0.000 −0.889   b := b2 /a22
0.444  2

 0.000 −4.056 0.944 −3.667 | 0.000 0.000 1.000
0.000 2.444 −4.556 2.333 | 0.000 1.000 0.000 0.444
−0.778 | 0.000
 
1.000 0.222 0.667 0.000 0.000 0.222
 0.000
 1.000 −0.104 0.538 | −0.170 0.000 0.000 0.151  eliminasi kolom 2
 0.000 −4.056 0.944 −3.667 | 0.000 0.000 1.000 0.444 
0.000 2.444 −4.556 2.333 | 0.000 1.000 0.000 0.444
−0.755 | 0.038
 
1.000 0.000 0.547 0.000 0.000 0.189
 0.000 1.000 −0.104 0.538 | −0.170 0.000 0.000 0.151  b ↔ b4
1.057  3

 0.000 0.000 0.524 −1.486 | −0.689 0.000 1.000
0.000 0.000 −4.302 1.019 | 0.415 1.000 0.000 0.075
−0.755 | 0.038
 
1.000 0.000 0.547 0.000 0.000 0.189
 0.000 1.000 −0.104 0.538 | −0.170 0.000 0.000 0.151  b := b3 /a33
0.075  3

 0.000 0.000 −4.302 1.019 | 0.415 1.000 0.000
0.000 0.000 0.524 −1.486 | −0.689 0.000 1.000 1.057
−0.755 | 0.038
 
1.000 0.000 0.547 0.000 0.000 0.189
 0.000
 1.000 −0.104 0.538 | −0.170 0.000 0.000 0.151 
 eliminasi kolom 3
 0.000 0.000 1.000 −0.237 | −0.096 −0.232 0.000 −0.018 
0.000 0.000 0.524 −1.486 | −0.689 0.000 1.000 1.057
| −0.035 −0.175
 
1.000 0.000 0.000 0.368 0.000 0.175
 0.000 1.000 0.000 0.513 | −0.180 −0.024 0.000 0.149  b := b4 /a44
−0.018  4

 0.000 0.000 1.000 −0.237 | −0.096 −0.232 0.000
0.000 0.000 0.000 −1.362 | −0.638 0.122 1.000 1.066
| −0.035 −0.175
 
1.000 0.000 0.000 0.368 0.000 0.175
 0.000
 1.000 0.000 0.513 | −0.180 −0.024 0.000 0.149  eliminasi kolom 4
 0.000 0.000 1.000 −0.237 | −0.096 −0.232 0.000 −0.018 
0.000 0.000 0.000 1.000 | 0.469 −0.089 −0.734 −0.783
| −0.208 −0.143
 
1.000 0.000 0.000 0.000 0.271 0.464
 0.000 1.000 0.000 0.000 | −0.420 0.022 0.377 0.551  b ↔ b4
−0.203  3

 0.000 0.000 1.000 0.000 | 0.014 −0.254 −0.174
0.000 0.000 0.000 1.000 | 0.469 −0.089 −0.734 −0.783
 
−0.208 −0.143 0.271 0.464
 −0.420 0.022 0.377 0.551 
Dengan demikian diperoleh A−1 = 
 
0.014 −0.254 −0.174 −0.203

 
0.469 −0.089 −0.734 −0.783
2. Matriks dan Sistem Persamaan Linear SPL Tridiagonal
Modifikasi Eliminasi Gauss untuk SPL Tridiagonal

◮ Diberikan
 SPL tridiagonal sebagai berikut:

 a 11 x 1 + a12 x2 = b1
+ a22 x2 + a23 x3 =



 a 21 x 1 b2

a32 x2 + a33 x3 + a34 x4 = b3


 a43 x3 + a44 x4 + a45 x5 = b4




 a54 x4 + a55 x5 + a56 x6 = b5
a65 x5 + a66 x6 = b6

◮ Penyimpanan balam bentuk matriks tidak efisien karena memerlukan tempat n ×

(n+1) variabel, padahal banyak elemen yang bernilai nol.
◮ Dilakukan
 alternatif, penyimpanan menggunakan 4 buah vektor sebagai berikut,

 d 1 x 1 + c1 x2 = b1
+ + = b2



 a 2 x 1 d 2 x 2 c 2 x 3

a 3 x2 + d 3 x3 + c3 x4 = b3


 a 4 x3 + d 4 x4 + c4 x5 = b4




 a 5 x 4 + d 5 x 5 + c 5 x 6 = b5
a 6 x5 + d 6 x6 = b 6

2. Matriks dan Sistem Persamaan Linear SPL Tridiagonal
Dengan demikian, SPL tridiagonal kita

◮   representasikan sebagai berikut,
d 1 c1 | b1
 a d c
 2 2 2 | b2 

 a 3 d 3 c3 | b3 
a 4 d 4 c4 | b4 
 

 
 a 5 d 5 c5 | b 5 
a6 d6 | b6
◮ Untuk mempertahankan kondisi tridiagonal, selama proses, Eliminasi Gauss
dijalankan tanpa penumpuan.
◮ Pada setiap langkah, yang perlu dieliminasi hanya satu elemen di bawah diagonal.
◮ Latihan: Tentukan solusi dari SPL berikut dengan metode Eliminasi Gauss untuk
sistem
 tridiagonal.

 4x 1 + 6x2 = 14

 2x1 − 3x2 + x3 = 3


9x2 − 4x3 − x4 = 0
5x3 − x4 − 2x5 = 5





 − 4x4 + 4x5 = 4
2. Matriks dan Sistem Persamaan Linear Algoritma SPL Tridiagonal
Algoritma Eliminasi Gauss untuk SPL Tridiagonal

ai , di , ci , bi , i := 1, 2, · · · , n, j := 1, 2, · · · , n
Keluaran: xi , i := 1, 2, · · · , n, solusi SPL
Langkah-Langkah:
| b1
 
1 for k := 1, 2, · · · , n − 1 do
d1 c1
if |dk | < 1.0E − 12 then
 0 d2
 c2 | b2 


 0 d3 c3 | b3 

end
 .. .. . 
. . | ..
 
 0 
p := ak+1 /dk 
 ..


d := d − p · c
k+1 k+1 k
 . dn-1 cn-1 | bn-1 
bk+1 := bk+1 − pbk 0 dn | bn
ak+1 := 0
end
2 if |dn | < 1.0E − 12 then
”Matriks koefisien singular”, Stop
end
xn := bn /dn
for k := n − 1, n − 1, · · · , 1 do
xk := (bk − ck · xk+1 ) /dk
end
2. Matriks dan Sistem Persamaan Linear Dekomposisi / Faktorisasi Segitiga
Dekomposisi / Faktorisasi Segitiga

◮ Misalkan A matriks persegi ukuran n × n.
◮ Akan ditentukan matriks segitiga bawah dan segitiga atas L dan U supaya:
A = L · U . Proses ini disebut Dekomposisi / Faktorisasi Segitiga.
◮ Perhatikan hubungan dekomposisi segitiga terhadap penyelesaian SPL:
A~x = ~b ⇐⇒ (LU)~x = ~b ⇐⇒ L (U~x) = ~b

Misalkan U~x =~y, maka tahapan untuk mencari solusi SPL adalah:
• Selesaikan SPL L~y = ~b dengan penyulihan maju.
• Selesaikan SPL U~x =~y dengan penyulihan mundur.
◮ Faktorisasi ini tidak tunggal, L dan U bisa bermacam-macam.
◮ Dikenal tiga bentuk khusus: dekomposisi Doolitle, Crout, Cholesky.
2. Matriks dan Sistem Persamaan Linear Dekomposisi Doolitle
Dekomposisi Doolitle
··· ··· ···
     
a11 a12 a13 a1n 1 0 0 0 u11 u12 u13 u1n
     
 a
 21 a22 a23 ··· a2n  
  l21 1 0 ··· 0   0
 u22 u23 ··· u2n 

     
 a
 31 a32 a33 ··· a3n   l31 l32 1 ··· 0   0
 0 u33 ··· u3n 
= ·
  
 
 . ..  .. .. 
  .. .. 
 
 .   
 . .  . . 
  . . 
 
   
     
an1 an2 an3 ··· ann ln1 ln2 ln3 ··· 1 0 0 0 ··· unn
     
a11 a12 a13 ··· a1n 1 0 0 ··· 0 u11 u12 u13 ··· u1n
     
 a21
 a22 a23 ··· a2n  
  l21 1 0 ··· 0   0
 u22 u23 ··· u2n 

     
 a
 31 a32 a33 ··· a3n   l31 l32 1 ··· 0   0
 0 u33 ··· u3n 
= ·
  
 
 . ..  .. .. 
  .. .. 
 
 .   
 . .  . . 
  . . 
 
   
     
an1 an2 an3 ··· ann ln1 ln2 ln3 ··· 1 0 0 0 ··· unn
··· ··· ···

     
a11 a12 a13 a1n 1 0 0 0 u11 u12 u13 u1n
     
 a
21 a22
MATNUM a23 · · · a2n 

 l
21
 MA3171 1 0 ··· 0    0
 u22 u23 ··· u2n  
 / MA-ITB / W.D. / 2016 (ITB)   Matematika Numerik   August 16, 2016 31 / 43
2. Matriks dan Sistem Persamaan Linear Dekomposisi Crout
Dekomposisi Crout
··· ··· ···
     
a11 a12 a13 a1n l11 0 0 0 1 u12 u13 u1n
     

 a21 a22 a23 ··· a2n  
  l21 l22 0 ··· 0  
  0 1 u23 ··· u2n 

     
 a31 a32 a33 ··· a3n   l31 l32 l33 ··· 0   0 0 1 ··· u3n 
= ·
     
 

 .. ..  
  .. ..  
  .. .. 


 . .  
  . .  
  . . 

     
an1 an2 an3 ··· ann ln1 ln2 ln3 ··· lnn 0 0 0 ··· 1
Langkah-langkah Perhitungan Dekomposisi Crout:

◮ Kalikan L dengan kolom satu U, diperoleh l11 , l21 , l31 , · · · , ln1
◮ Kalikan baris satu L dengan U, diperoleh u12 , u13 , l14 , · · · , l1n
◮ Kalikan L dengan kolom dua U, diperoleh l22 , l32 , l42 , · · · , un2
◮ Kalikan baris dua L dengan U, diperoleh u23 , u24 , u25 , · · · , l2n
◮ Lakukan proses yang serupa sampai semua elemen L dan U diperoleh.
Latihan: Susun algoritma Dekomposisi Crout
2. Matriks dan Sistem Persamaan Linear Dekomposisi Cholesky
Dekomposisi Cholesky
··· ··· ···
     
a11 a12 a13 a1n l11 0 0 0 l11 l21 l31 ln1
     

 a12 a22 a23 ··· a2n  
  l21 l22 0 ··· 0  
  0 l22 l32 ··· ln2 

     
 a13 a23 a33 ··· a3n   l31 l32 l33 ··· 0   0 0 l33 ··· ln3 
= ·
     
 

 .. ..  
  .. ..  
  .. .. 


 . .  
  . .  
  . . 

     
a1n a2n a3n ··· ann ln1 ln2 ln3 ··· lnn 0 0 0 ··· lnn
Langkah-langkah Perhitungan Dekomposisi Cholesky:

◮ Kalikan baris satu L dengan U, diperoleh l11 , l21 , l31 , · · · , ln1
◮ Kalikan baris dua L dengan U, diperoleh l22 , l32 , l42 , · · · , ln2
◮ Kalikan baris tiga L dengan U, diperoleh l33 , l43 , l53 , · · · , ln3
◮ Lakukan proses yang serupa sampai semua elemen L dan U diperoleh.
Latihan: Susun algoritma Dekomposisi Cholesky
2. Matriks dan Sistem Persamaan Linear Metode Jacobi untuk SPL:
Metode Jacobi untuk SPL

Perhatikan SPL berikut:


 a11 x1 + a12 x2 + a13 x3 + ··· + a1n xn = b1

 a21 x1 + a22 x2 + a23 x3 + ··· + a2n xn = b2



a31 x1 + a32 x2 + a33 x3 + ··· + a3n xn = b3

 .. .. ..


 . . .

 a x + a x +
n1 1 n2 2 an3 x3 + ··· + ann xn = bn
Dari SPL di atas kita susun rumus iterasi sebagai berikut:

 k+1
 x1 = b1 − (a12xk2 + a13xk3 + · · · + a1nxkn ) /a11
xk+1
i


 q
 xk+1 = b2 − (a21xk + a23xk + · · · + a2nxkn ) /a22

  
2 1 3 n
.. bi − ∑ aij xk  /aii


 . j=1
j
j6=i



 k+1
= bn − (an1xk1 + an2xk2 + · · · + an,n-1 xkn-1 ) /ann

xn
Indeks k di atas bukan pangkat, tapi nomor iterasi
2. Matriks dan Sistem Persamaan Linear Metode Jacobi untuk SPL:
Dimulai dengan tebakan awal~x0 = (x01 , x02 , · · · , x0n ), secara berturutan kita hitung:
~x1 = (x11 , x12 , · · · , x1n )
~x2 = (x21 , x22 , · · · , x1n )

..
.
~xk = (xk1 , xk2 , · · · , xkn )

..
. k+1 k
x −x
Kriteria penghentian iterasi: max i k+1 i < eps
1≤i≤n xi
Contoh: Terapkan metode Jacobi terhadap SPL berikut:

8.00x1 + 3.00x2 + −2.00x3 + 1.00x4 =

 2.00

4.00x1 + 12.00x2 + 4.00x3 + 3.00x4 = −7.00


 2.00x 1 + −2.00x 2 + 9.00x 3 + 3.00x4 = 10.00

1.00x1 + 2.00x2 + 4.00x3 + 8.00x4 = −5.00
Gunakan tebakan awal~x0 = (2, 2, 6, 3) dan batas galat eps = 1.0E − 6.
2. Matriks dan Sistem Persamaan Linear Contoh Metode Jacobi:
Rumus iterasinya
 k+1
x = (2.00 − 3.00xk2 + 2.00xk3 − 1.00xk4)/8.00
 1



 xk+1 = (−7.00 − 4.00xk1 − 4.00xk3 − 3.00xk4)/12.00


2

 xk+1
3 = (10.00 − 2.00xk1 + 2.00xk2 − 3.00xk4)/9.00


 k+1
 x4
 = (−5.00 − 1.00xk1 − 2.00xk2 − 4.00xk3)/8.00
Berikut disajikan hasil perhitungan Metode Jacobi,

k x1 x2 x3 x4
1 0.62500 − 4.00000 0.11111 − 4.37500
2 2.32465 0.26505 1.54167 0.24132
3 0.50586 −1.93244 0.57298 −1.75268
.. .. .. .. ..
. . . . .
27 1.00000 −1.00000 1.00000 −1.00000
28 1.00000 −1.00000 1.00000 −1.00000
29 1.00000 −1.00000 1.00000 −1.00000
30 1.00000 −1.00000 1.00000 −1.00000
31 1.00000 −1.00000 1.00000 −1.00000
2. Matriks dan Sistem Persamaan Linear Algoritma Metode Jacobi
Algoritma Metode Jacobi

Masukan: n, aij , i := 1, 2, · · · , n, j := 1, 2, · · · , n
bi , i := 1, 2, · · · , n xi , i := 1, 2, · · · , n
eps, maksiter
Keluaran: xi , i := 1, 2, · · · , n
Langkah-Langkah:
1 iter := 0
2 galat := 0
4 for i := 1, 2, · · · , n do
3 for i := 1, 2, · · · , n do
xi := xbarui
s := 0
end
for j := 1, 2, · · · , n do
5 if galat < eps then
if j 6= i then
s := s + aij · xj Stop
end end
6 iter := iter + 1
end
7 if iter > maksiter then
xbarui := (bi − s)/aii
”Proses belum konvergen”
s := |(xbarui − xi ) /xbarui |
Stop.
if s > galat then end
galat := s
8 Ulangi langkah 2
end
end
2. Matriks dan Sistem Persamaan Linear Metode Gauss-Seidel untuk SPL:
Metode Gauss-Seidel untuk SPL

Perhatikan SPL berikut:

a x + a12 x2 + a13 x3 + ··· + a1n xn = b1
 11 1


 a21 x1 + a22 x2 + a23 x3 + ··· + a2n xn = b2



a31 x1 + a32 x2 + a33 x3 + ··· + a3n xn = b3

 .. .. ..


 . . .

 a x + a x +
n1 1 n2 2 an3 x3 + ··· + ann xn = bn
Dari SPL di atas kita susun rumus iterasi sebagai berikut:
 k+1

 x1 = b1 − (a12xk2 + a13 xk3 + · · · + a1nxkn ) /a11



+ a23xk3 + · · · + a2nxk)

xk+1 = b2 − (a21xk+1 n /a22




 2 1

 ..
.
k+1
= bi − (ai1 xk+1 k+1 k+1 k k

1 + ai2 x2 + · · · + ai,i-1 xi-1 + ai,i+1 xi+1 + · · ·ain xn ) /aii



 xi
..






 .

 k+1
= bn − (an1xk+1 k+1 k+1

xn 1 + an2 x2 + · · · + an,n-1 xn-1 ) /ann
2. Matriks dan Sistem Persamaan Linear Metode Gauss-Seidel untuk SPL:
Dalam notasi somasi, rumus iterasi Gauss-Seidel dapat dituliskan:

!
i−1 n
xk+1
i := bi − ∑ aij xk+1
j + ∑ aij xkj /aii
j=1 j=i+1
Iterasi dimulai dengan tebakan awal~x0 = (x01 , x02 , · · · , x0n ).

k+1 k
x −x
Kriteria penghentian iterasi: max i k+1 i < eps
x 1≤i≤n i
Contoh: Terapkan metode Jacobi terhadap SPL berikut:

8.00x1 + 3.00x2 + −2.00x3 + 1.00x4 =

 2.00

4.00x1 + 12.00x2 + 4.00x3 + 3.00x4 = −7.00


 2.00x 1 + −2.00x 2 + 9.00x 3 + 3.00x4 = 10.00

1.00x1 + 2.00x2 + 4.00x3 + 8.00x4 = −5.00
Gunakan tebakan awal~x0 = (2, 2, 6, 3) dan batas galat eps = 1.0E − 6.
2. Matriks dan Sistem Persamaan Linear Contoh Metode Gauss-Seidel:
Rumus iterasinya
 k+1
x = (2.00 − 3.00xk2 + 2.00xk3 − 1.00xk4)/8.00
 1



 xk+1 = (−7.00 − 4.00xk+1 k k
1 − 4.00x3 − 3.00x4 )/12.00


2

 xk+1
3 = (10.00 − 2.00xk+1 k+1 k
1 + 2.00x2 − 3.00x4 )/9.00


 xk+1 (−5.00 − 1.00xk+1 k+1 k+1


4 = 1 − 2.00x2 − 4.00x3 )/8.00
Berikut disajikan hasil perhitungan Gauss-Seidel,

k x1 x2 x3 x4
0 0.62500 − 3.54167 − 0.81481 0.58970
1 1.30071 −0.89272 0.42712 −0.77797
2 0.78880 −0.79415 1.01867 −1.03440
3 0.93177 −0.97488 1.03221 −1.01386
.. .. .. .. ..
. . . . .
9 1.00000 −1.00001 1.00000 −1.00000
10 1.00000 −1.00000 1.00000 −1.00000
11 1.00000 −1.00000 1.00000 −1.00000
12 1.00000 −1.00000 1.00000 −1.00000
2. Matriks dan Sistem Persamaan Linear Algoritma Metode Gauss-Seidel
Algoritma Metode Gauss-Seidel

Masukan: n, aij , i := 1, 2, · · · , n, j := 1, 2, · · · , n
bi , i := 1, 2, · · · , n xi , i := 1, 2, · · · , n
eps, maksiter
Keluaran: xi , i := 1, 2, · · · , n
Langkah-Langkah:
1 iter := 0
4 if galat < eps then
Stop
2 galat := 0
end
3 for i := 1, 2, · · · , n do
s := 0 5 iter := iter + 1
for j := 1, 2, · · · , n do 6 if iter > maksiter then
”Proses belum konvergen”
if j 6= i then
s := s + aij · xj Stop.
end end
end 7 Ulangi langkah 2
xbaru := (bi − s)/aii
s := |(xbaru − xi ) /xbaru|
if s > galat then
galat := s
end
xi := xbaru
end
2. Matriks dan Sistem Persamaan Linear Kekonvergenan Metode Metode Jac
Bagimana kekonvergenan metode Jacobi dan Gauss-Seidel?

Apakah tebakan awal mempengaruhi kekonvergenan?

x + 3y = 4
Untuk ilustrasi, perhatikan SPL berikut:
5x + 2y = 7
Rumus iterasi Jacobi: xk+1 = 4 − 3yk ; yk+1 = (7 − 5xk)/2
Berikut disajikan hasil perhitungan Jacobi,
k xk yk
0 2 8
1 −20 −1, 5
2 8, 5 53, 5
3 −156, 5 −17, 75
4 57, 25 394, 75
.. .. ..
. . .
9 −66444, 3125 −7909, 15625
10 23731.46875 166114.2813
11 −498338.8438 −59325.17188
.. .. ..
. . .
2. Matriks dan Sistem Persamaan Linear Kekonvergenan Metode Metode Jac
Teorema
Bila matriks koefisien dari sebuah SPL bersifat dominan diagonal, yaitu
n
|aii | > ∑ |aij | , i := 1, 2, · · · , n maka metode Jacobi dan Gauss-Seidel dijamin
j=1
j6=i
konvergen. jelaskan!
Pada dua SPL berikut, adakah yang memenuhi syarat dominan diagonal?,
Bila tidak, dapatkah dibuat jadi dominan diagonal?
8.00x1 + 3.00x2 + −2.00x3 + 1.00x4 =

 2.00

4.00x1 + 12.00x2 + 4.00x3 + 3.00x4 = −7.00

 1.00x1 +
 2.00x2 + 4.00x3 + 8.00x4 = −5.00

2.00x1 + −2.00x2 + 9.00x3 + 3.00x4 = 10.00
2.00x1 + −2.00x2 + 6.00x3 + 3.00x4 = 10.00



8.00x1 + 3.00x2 + −2.00x3 + 1.00x4 = 2.00


 1.00x 1 + 2.00x 2 + 8.00x 3 + 4.00x 4 = −5.00

4.00x1 + 12.00x2 + 4.00x3 + 3.00x4 = −7.00
Susun Algoritma Jacobi dan Algoritma Gauss-Seidel untuk sistem Tridiagonal
(bobby keluar di ujian)

03 Matriks Dan SPL

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

03 Matriks Dan SPL

Diunggah oleh

Hak Cipta:

Format Tersedia

MA3171 Matematika Numerik

Prodi Matematika, FMIPA - ITB

Sistem Persamaan Linear (SPL)

Carilah solusi dari SPL-SPL berikut ini:

◮ Apa syarat agar sebuah SPL solusinya tunggal?

Matriks Lengkap Sistem Persamaan Linear

an1 an2 an3 ··· ann | an,n+1

Sistem Persamaan Linear Segitiga Atas

◮ Penulisan dalam bentuk matriks lengkap SPL,

Solusi Sistem Persamaan Linear Segitiga Atas

Solusi SPL segitiga atas dapat dihitung sebagai berikut:

Penyelesaian dengan cara di atas disebut Penyulihan Mundur

Algoritma Penyulihan Mundur

Sistem Persamaan Linear Segitiga Bawah

SPL UMUM, Metode Eliminasi Gauss

Langkah-Langkah Rinci Eliminasi Gauss

◮ Untuk memudahkan penulisan, isi baris ke i akan dinotasikan {b}i

Mengeliminasi ai1 , Mengeliminasi kolom ke 1,

Matriks lengkap dari SPL semula sekarang sudah berubah menjadi:

Mengeliminasi a32 , Mengeliminasi a42 ,

Mengeliminasi ai2 , Mengeliminasi kolom ke 2,

Perhatikan kembali bagian algoritma berikut:

Algoritma Eliminasi Gauss

Gunakan eliminasi Gauss untuk menentukan solusi dari SPL:

Teknik Penumpuan (Pivoting) pada Eliminasi Gauss

◮ Penumpuan Parsial Terskala: Pada setiap langkah ke k, dipilih elemen pivot

Catatan: Perkuliahan ini hanya akan membahas Teknik Penumpuan Parsial.

Teknik Penumpuan Parsial pada Eliminasi Gauss

Penyelesaian Beberapa SPL dengan Matriks Koefisien Sama

Kedua SPL tersebut dapat kita selesaikan secara simultan.

Perhitungan Invers Matriks, Metode Gauss Jordan

Contoh: Terapkan Metode Gauss-Jordan −5.000 −2.500 −0.500

Modifikasi Eliminasi Gauss untuk SPL Tridiagonal

◮ Penyimpanan balam bentuk matriks tidak efisien karena memerlukan tempat n ×

Dengan demikian, SPL tridiagonal kita

Algoritma Eliminasi Gauss untuk SPL Tridiagonal

Dekomposisi / Faktorisasi Segitiga

A~x = ~b ⇐⇒ (LU)~x = ~b ⇐⇒ L (U~x) = ~b

··· ··· ···

Langkah-langkah Perhitungan Dekomposisi Crout:

Langkah-langkah Perhitungan Dekomposisi Cholesky:

Metode Jacobi untuk SPL

Dari SPL di atas kita susun rumus iterasi sebagai berikut:

Indeks k di atas bukan pangkat, tapi nomor iterasi

~x1 = (x11 , x12 , · · · , x1n )

~x2 = (x21 , x22 , · · · , x1n )

~xk = (xk1 , xk2 , · · · , xkn )

Contoh: Terapkan metode Jacobi terhadap SPL berikut:

Berikut disajikan hasil perhitungan Metode Jacobi,

Algoritma Metode Jacobi

Metode Gauss-Seidel untuk SPL

Dalam notasi somasi, rumus iterasi Gauss-Seidel dapat dituliskan:

Iterasi dimulai dengan tebakan awal~x0 = (x01 , x02 , · · · , x0n ).

Contoh: Terapkan metode Jacobi terhadap SPL berikut:

Berikut disajikan hasil perhitungan Gauss-Seidel,

Algoritma Metode Gauss-Seidel

Bagimana kekonvergenan metode Jacobi dan Gauss-Seidel?

Anda mungkin juga menyukai