METODE NUMERIK

SISTEM PERSAMAAN

Dosen Pengampu :

Prof. Dr. I Nengah Suparta, M.Si.

Oleh :

KELOMPOK 7

Ni Luh Putu Arik Juniantari 1613011023/VC

Rizki Putuhatul Maisuroh 1613011090/VC

Luh De Winda Maharani 1613011083/VD

PROGRAM STUDI PENDIDIKAN MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN GANESHA
2018
Pertimbangkan sistem n persamaan linear dan n tidak diketahui, yang diberikan oleh
a11x1 + a12x1 +…+ a1nxn = b1
a21x1 + a22x2 + … + a2nxn = b2
. .

. .

. .

an1x1 + an2x2 +… + amnxn = bn

operasi hitung
kita dapat menulis system ini dengan persamaan matrik
Ax =b
Dengan

3.1 Gauss Elimination

Algoritma numerik standar untuk menyelesaikan sistem persamaan linear disebut
Eliminasi Gaussian. kita dapat menggambarkan algoritma ini dengan contoh.
Pertimbangkan sistem persamaan.

Untuk melakukan eliminasi Gaussian, kami membentuk Augmented Matrix dengan

menggabungkan matriks A dengan vektor kolom b:

Kemudian reduksi baris dilakukan pada matriks ini. Operasi yang diizinkan adalah (1)
mengalikan setiap baris dengan konstanta, (2) menambahkan kelipatan dari satu baris ke baris
lain, (3) menukar urutan setiap baris. Tujuannya adalah untuk mengubah matriks asli menjadi
matriks segitiga atas.
 Kita mulai dengan baris pertama dari matriks dan bekerja dengan cara sebagai berikut.
Pertama kita mengalikan baris pertama dengan 2 dan menambahkannya ke baris kedua, dan
menambahkan baris pertama ke baris ketiga:

Kemudian kita pergi ke baris kedua. Kami mengalikan baris ini dengan −1 dan
menambahkannya ke baris ketiga:

Persamaan yang dihasilkan dapat ditentukan dari matriks dan diberikan oleh

Persamaan ini dapat diselesaikan dengan substitusi mundur, mulai dari persamaan terakhir dan
bekerja mundur. Kita punya

Karena itu

3.2 Dekomposisi LU
Proses Eliminasi Gaussian juga menghasilkan faktorisasi dari matriks A ke
A = LU,

Di mana L adalah matriks segitiga bawah dan U adalah matriks segitiga atas. Menggunakan
matriks A yang sama seperti pada bagian terakhir, kami menunjukkan bagaimana faktorisasi ini
direalisasikan. Kita punya,

Dimana

Perhatikan bahwa M1 matriks melakukan penghapusan baris pada kolom pertama. Dua kali
baris pertama ditambahkan ke baris kedua dan satu kali baris pertama ditambahkan
baris ketiga. Entri kolom M1 berasal dari dan
) seperti yang dibutuhkan untuk penghapusan baris. Angka −3 disebut pivot.
Langakah selanjutnya adalah

Dimana

Di sini, mengalikan baris kedua dengan −1 = - (- 2 / - 2) dan menambahkannya ke baris

ketiga
baris. Induknya adalah −2
kita sekarang memiliki

Atau

Matriks terbalik mudah ditemukan. Matriks mengalikan baris pertama dengan 2 dan
menambahkannya ke baris kedua, dan mengalikan baris pertama dengan 1 dan menambahkannya
ke baris ketiga. Untuk membalikkan operasi ini, kita perlu mengalikan baris pertama dengan by2
dan tambahkan ke baris kedua, dan gandakan baris pertama dengan −1 dan tambahkan ke yang
ketiga baris. Untuk memeriksa, dengan
Kita memiliki

Demikian pula

Itu untuk

Ini didapat dari

yang merupakan segitiga bawah. Elemen off-diagonal dan −1 adalah sederhana

digabungkan untuk membentuk L. Oleh karena itu, dekomposisi LU

Fitur bagus lainnya dari dekomposisi LU adalah dapat dilakukan dengan menimpa A, karena itu
menghemat memori jika matriks A sangat besar. Dekomposisi LU berguna ketika seseorang
perlu menyelesaikan Ax = b untuk x saat A sudah diperbaiki dan ada banyak b yang berbeda.
Yang pertama menentukan L dan U menggunakan Eliminasi gaussian. Lalu seseorang menulis
(LU)x = L(Ux) = b
Kita dapatkan

Dan pembuktian pertama

untuk y dengan substitusi maju. Kami kemudian memecahkannya

untuk x dengan substitusi mundur. Ketika kita menghitung operasi, kita akan melihat pemecahan
itu (LU) x = b secara signifikan lebih cepat begitu L dan U ada di tangan daripada menyelesaikan
Ax = b langsung oleh eliminasi Gaussian. Kami sekarang menggambarkan solusi LUx = b
menggunakan contoh kami sebelumnya, di mana

Dengan y=Ux, pertama kita buktikan Ly=b, yaitu

Menggunakan substitusi maju

Sekarang kita buktikan Ux=y, yaitu

Menggunakan substitusi kebelakang,

Dan kita memiliki satu determinan lagi

Contoh
Dari system peramaan linear diatas didapat persamaan matriks berikut.

Kita dapatkan

Selanjutnya

Sekarang kita sudah mempunyai

atau

Periksa kembali dengan

Kita dapatkan
Sekarang kita cari y dengan

Didapat

Selanjutnya cari nilai x dengan

Sehingga didapat
3.3 Partial Pivoting
Saat melakukan eliminasi Gauss, elemen diagonal yang digunakan selama prosedur
eliminasi disebut pivot. Untuk mendapatkan kelipatan yang benar, seseorang menggunakan pivot
sebagai pembagi elemen-elemen di bawah pivot. Eliminasi gauss dalam bentuk ini akan gagal
jika pivot adalah nol. dalam situasi ini, pertukaran baris harus dilakukan.
Bahkan jika pivot tidak identik nol, nilai yang kecil dapat menghasilkan kesalahan
pembulatan besar. Untuk matriks yang sangat besar, seseorang dapat dengan mudah kehilangan
semua akurasi dalam solusi. Untuk menghindari kesalahan pembulatan yang timbul dari pivot
kecil ini, susunan baris dibuat, dan teknik ini disebut pivot parsial (pivot parsial berbeda dengan
pivot lengkap, di mana baris dan kolom dipertukarkan). Kita akan menggambarkan dengan
contoh dekomposisi LU menggunakan pivot parsial.

Contoh :

kita menukar baris untuk menempatkan elemen terbesar (dalam nilai absolut) di posisi pivot, atau
a11. itu adalah,

Dimana,
Merupakan matriks permutasi yang ketika dikalikan di sebelah kiri, menukar baris pertama dan
kedua dari matriks. perhatikan bahwa . Kemudian langkah eliminas,

Dimana

Langkah terakhir membutuhkan satu persimpangan baris lagi:

Karena matriks permutasi yang diberikan oleh P adalah invers mereka sendiri, kita dapat menulis
hasilnya sebagai

Perkalian M di sebelah kiri oleh P menukar baris sedangkan perkalian di sebelah kanan oleh P
menukar kolom. Ini merupakan,

Hasil bersih pada M1 adalah pertukaran elemen non diagonal 1/3 dan -1/2. Kita dapat
mengalikan dengan kebalikan dari (P23M1P23) untuk mendapatkan
yang kita tulis sebagai

sebagai ganti L, MATLAB akan menulis ini sebagai

Untuk kenyamanan, kita hanya akan menunjukkan (P-1L) oleh L, tetapi L di sini kami
maksudkan matriks segitiga bawah permutasi.
misalnya, di MATLAB, untuk menyelesaikan Ax = b untuk x menggunakan eliminasi
gauss, satu jenis

di mana untuk memecahkan x menggunakan algoritma yang paling efisien yang

tersedia, tergantung pada bentuk A. Jika A adalah umum n x n matriks, yang pertama
dekomposisi LU dari A ditemukan menggunakan pivot parsial, dan kemudian x ditentukan dari
substitusi maju dan mundur permutasi. jika A adalah segitiga atas atau bawah, maka substitusi
maju atau mundur (atau versi permutasi) digunakan secara langsung.
Jika ada banyak sisi kanan yang berbeda, pertama-tama orang akan langsung
menemukan dekomposisi LU dari A menggunakan pemanggilan fungsi, dan kemudian
menyelesaikan penggunaan. yaitu, orang akan beralih untuk berbeda b ekspresi berikut:

di mana garis kedua dan ketiga dapat disingkat

Dimana tanda kurung diperlukan, saya akan menunjukkan solusi ini di MATLAB menggunakan
matriks A =[-2,2,-1; 6,-6,7; 3,-8,4] ;yang merupakan contoh dalam catatan.
3.4 Operasi Hitung

Untuk memperkirakan berapa banyak waktu komputasi yang diperlukan untuk suatu
algoritma, seseorang dapat menghitung jumlah operasi yang diperlukan (perkalian, divisi,
penambahan dan pengurangan). Biasanya, yang menarik adalah bagaimana skala algoritma
dengan ukuran masalah. Sebagai contoh, misalkan seseorang ingin melipatgandakan dua matriks
penuh . Perhitungan setiap elemen membutuhkan n perkalian dan penambahan ,
atau katakanlah operasi Ada elemen n2 untuk dikomputasi sehingga total operasinya
hitungannya adalah . Jika n besar, kita mungkin ingin tahu apa yang akan terjadi
waktu komputasi jika n dua kali lipat. Yang paling penting adalah yang paling cepat
berkembang, istilah urutan-terkemuka dalam hitungan operasi. Dalam contoh penggandaan
matriks ini, jumlah operasi adalah . = dan istilah urutan-teratas
adalah . Faktor 2 tidak penting untuk penskalaan, dan kami mengatakan bahwa algoritme
tersebut berskala seperti O ( ), yang dibaca sebagai "Oh besar n potong dadu." Saat
menggunakan notasi Oh besar, kami akan menghapus istilah pesanan rendah dan pengganda
konstan.

Notasi-Oh besar memberi tahu kita bagaimana waktu komputasi suatu skala berskala.
Sebagai contoh, anggaplah bahwa perkalian dua matriks besar mengambil a waktu
komputasi Tn detik. Dengan hitungan operasi diketahui seperti O ( ), kita bisa menulis

untuk beberapa konstanta yang tidak diketahui k. Untuk menentukan berapa lama perkalian dua
matriks akan mengambil, kami menulis

sehingga menggandakan ukuran matriks diharapkan dapat meningkatkan komputasi waktu

dengan faktor = 8.
 Menjalankan MATLAB di komputer saya, perkalian dua matriks 2048 × 2048
membutuhkan waktu sekitar 0,75 detik. Penggandaan dua matriks 4096 × 4096 berlangsung 6
detik, yang 8 kali lebih lama. Waktu kode dalam MATLAB dapat ditemukan menggunakan
fungsi stopwatch built-in tic dan toc.

Berapa jumlah operasi dan karenanya skala dari eliminasi Gaussian? Pertimbangkan
langkah eliminasi dengan pivot di baris ke-i dan kolom ke-i. Sana keduanya n - i baris di bawah
pivot dan kolom di sebelah kanan pivot. Untuk melakukan penghapusan satu baris, setiap
elemen matriks di sebelah kanan pivot harus dikalikan dengan faktor dan ditambahkan ke baris
di bawahnya. Ini harus dilakukan untuk semua baris. Karenanya ada
penambahan - perkalian yang harus dilakukan untuk poros ini. Karena kami hanya tertarik pada
penskalaan algoritma, saya hanya akan menghitung penambahan perkalian sebagai satu operasi.

Untuk mengetahui jumlah total operasi, kita perlu melakukan eliminasi menggunakan n
– 1 poros, jadi itu

Tiga rumus penjumlahan akan berguna. Mereka

yang dapat dibuktikan dengan induksi matematika, atau diturunkan oleh beberapa trik.

Karenanya, hitungan operasi untuk eliminasi Gaussian

Oleh karena itu istilah urutan-terkemuka adalah / 3, dan kami mengatakan bahwa eliminasi
Gaussian sisik seperti O ( ). Karena dekomposisi LU dengan pivot parsial pada dasarnya
adalah eliminasi Gaussian, algoritma tersebut juga berskala seperti O ( ).

Namun, begitu dekomposisi LU dari matriks A diketahui, solusinya Ax = b dapat

melanjutkan dengan substitusi maju dan mundur. Bagaimana substitusi mundur, katakanlah,
skala? Untuk substitusi mundur, persamaan matriks menjadi dipecahkan adalah dari bentuk

Solusi untuk ditemukan setelah menyelesaikan untuk dengan Solusi eksplisit untuk
diberikan oleh

Solusi untuk xi membutuhkan perkalian-penambahan, dan karena ini harus dilakukan

untuk n i0s seperti itu, yang kita miliki
Istilah urutan-terkemuka adalah / 2 dan penskalaan substitusi mundur adalah O ( ). Setelah
dekomposisi LU dari matriks A ditemukan, hanya penggantian maju dan mundur tunggal
diperlukan untuk menyelesaikan Ax = b, dan penskalaan algoritma untuknkarena itu,
memecahkan persamaan matriks ini masih O ( ). Untuk n besar, orang harus berharap bahwa
menyelesaikan Ax = b dengan substitusi maju dan mundur harus jauh lebih cepat daripada solusi
langsung menggunakan eliminasi Gaussian.
 METODE NUMERIK
“Taksiran Kuadrat Terkecil”

Dosen Pengampu:
Prof. Dr. I Nengah Suparta, M.Si.

Oleh:
Kelompok 8/ Kelas 5C
I Wayan Arlan Suputra (1613011015)
I Dewa Gede Limarta Yusadi Putra (1613011018)

PROGRAM STUDI S1 PENDIDIKAN MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN GANESHA
SINGARAJA
2018
Taksiran Kuadrat Terkecil
Metode kuadrat-terkecil biasanya digunakan agar sesuai dengan kurva parameter data
eksperimental. Secara umum, kurva fitting tidak diharapkan melewati sepanjang titik-titik
pada data, membuat masalah ini sangat berbeda dari interpolasi.
Disini hanya kasus paling sederhana dari kesalahan eksperimental yang sama untuk semua
titik data. Biarkan data yang akan dipasang diberikan oleh (xi , yi), dengan i = 1 smpai n.

4.1 Pemasangan garis lurus

Misalkan kurva fitting adalah garis. Kita dapat menuliskan kurva fitting sebagai berikut :
y ( x)   x  

Jarak ri dari titik data (xi , yi),dan kurva fitting diberikan oleh
ri  yi  y( xi )
 yi  ( xi   )
Kuadrat terkecil meminimalkan jumlah kuadrat dari ri. Minimum ini bisa ditunjukkan untuk
menghasilkan nilai yang paling mungkin dari  dan  .
Kita definisikan,
n
   ri 2
i 1
n
  ( yi  ( xi   )) 2
i 1

Untuk meminimalkan  dengan memperhatikan  dan  , kita selsaikan

 
 0, 0
 
Dengan menggunakan turunan parsial, kita dapatkan
 n
  2( xi )( yi  ( xi   ))  0
 i 1
 n
  2(1)( yi  ( xi   ))  0
 i 1

Persamaan ini membentuk sistem persamaan linear 2 variabel dengan variabel  dan 
yang tidak diketahui , yang terbukti ketika ditulis ulang dalam bentuk
 n n n
  xi2    xi   xi yi
i 1 i 1 i 1
n n
  xi2  n   yi
i 1 i 1

Persamaan ini dapat diselesaikan baik secara analitik, atau numerik dalam MATLAB, di
mana bentuk matriks adalah
 n 2 n
  n 
  xi  xi       xi y 
 i 1 i 1     i 1 
 n     n 
  xi2    y 
n     i 
 i 1   i 1 
Perlakuan statistik yang tepat untuk masalah ini juga harus mempertimbangkan perkiraan
error dalam  dan  serta perkiraan untuk memodelkan data.

4.2 Membangun Kombinasi Linear Dari Fungsi

Tinjau bentuk umum fungsi fitting
m
y ( x)   c j f j ( x)
j 1

Dimana kita mengasumsikan m fungsi f j (x) . Misalnya, jika kita ingin memasukkan

polinomial kubik ke dalam data, maka kita akan memiliki m = 4 dan mengambil f1 = 1, f2 = x,
f3 = x2 dan f4 = x3. Biasanya, banyaknya fungsi fj kurang dari banyaknya data titik, yaitu,
m<n, sehingga upaya langsung untuk menyelesaikan cj sedemikian sehingga
fungsi fitting melewati n titik data akan menghasilkan n persamaan dan m yang tidak
diketahui. Ini akan menjadi sistem persamaan linear yang ditentukan secara umum tanpa
mempunya solusi.
Kita definisikan vektor
 y1   c1 
   
 y2   c2 

y .  , c  . 
   
.  . 
   
 yn   cm 
Dan matriks Amn
  f1 ( x1 ) f 2 ( x1 ) . . . f m ( x1 ) 
 
 f1 ( x2 ) f 2 ( x2 ) . . . f m ( x2 ) 
A . . . 
 
 . . . 
 
 f1 ( xn ) f 2 ( xn ) . . . f m ( xn ) 
Dengan m  n , persamaan Ac  y yang telah ditentukan. Kita dapat
r  y  Ac
Dengan vektor sisanya, dan didapat
n
   ri 2
i 1

Metode kuadrat terkecil meminimalkan  dengan memperhatikan komponen c. Sekarang,

gunakan T untuk menandakan transpose dari sebuah matriks, kita memiliki
  rT r
 ( y  Ac ) T ( y  Ac )
 y T y  c T AT y  y T Ac  c T AT Ac
Karena  adalah skalar, setiap istilah dalam ekspresi di atas harus skalar, dan karena transpos
skalar sama dengan skalar, kita miliki


c T AT y  c T A T y 
T
 y T Ac
Oleh karena itu,
  y T y  2 y T Ac  cT AT Ac

Untuk menemukan minimum dari  , kita perlu menyelesaikan  0 untuk j = 1,...,m.
c j
Untuk mendapatkan turunan dari  , kita beralih ke notasi tensor, menggunakan penjumlahan
konvensi Einstein, di mana indeks berulang dijumlahkan pada rentangannya. Kita bisa
menuliskan
  yi yi  2 yi Aik ck  ci AikT Akl cl
Dengan parsial derivative, kita mempunyai
 c c c
 2 yi Aik k  i AikT Akl cl  ci AikT Akl l
c j c j c j c j

Sekarang,
c j
 1, jika i  j dan 0 untuk lainnya
c j
Oleh karena itu,

 2 yi Aij  ATjk Akl cl  ci AikT Akj
c j
Sekarang,
ci AikT Akj  ci Aki Akj
 Akj Aki ci
 ATjk Aki ci
 ATjk Akl cl

Oleh karena itu,


 2 yi Aij  2 ATjk Akl cl
c j

Dengan himpunan parsial yang sama dengan nol, kita memiliki

ATjk Akl cl  yi Aij atau ATjk Akl cl  ATji yi

Dalam notasi vektor, kita memiliki

AT Ac  AT y
AT Ac  AT y disebut persamaan normal, dan dapat diselesaikan untuk c oleh Gaussian
Eliminasi dengan menggunakan operator backslash MATLAB. Setelah membangun matriks
A dan vektor y dari data, seseorang dapat mengkodekan dalam MATLAB
c   A ' A / A ' y 
Tetapi sebenarnya operator back slash MATLAB akan secara otomatis menyelesaikan yang
persamaan normal ketika matriks A tidak kuadrat, sehingga kode MATLAB
c  A/ y
yang menghasilkan hasil yang sama.
 METODE NUMERIK
“INTERPOLASI”

Dosen Pengampu:
Prof. Dr. I Nengah Suparta, M.Si.

Oleh:
Kelompok 9
I Kadek Dwi Mandala Putra NIM. 1613011080/VD

PROGRAM STUDI PENDIDIKAN MATEMATIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PENDIDIKAN GANESHA

SINGARAJA

2018

i
Interpolasi
Di bangku sekolah sering kita menghitung nilai fungsi atau koordinat ketika
telah diberikan f (x) dan himpunan titik x (domain) atau mencari domain dari fungsi
ketika diberikan ‘range’nya. Misalnya diberikan f (x) = x2 + 2 dengan x = 1, 2 dan 3,
maka dengan cara mensubstitusi nilai x ke f (x) diperoleh (1, 3),(2, 6), dan (3, 11).
Yang jadi pertanyaannya sekarang, jika diketahui himpunan titik-titik (koordinat),
bagaimana cara mendefinisikan atau mengkonstruksikan fungsinya? Salah satu cara
yang biasa dilakukan adalah dengan Interpolasi.
Interpolasi adalah metode atau proses pencarian dan perhitungan nilai suatu
fungsi yang grafiknya melalui sekumpulan titik yang diberikan. Titik-titik tersebut
mungkin merupakan hasil eksperimen dalam sebuah percobaan, atau diperoleh dari
sebuah fungsi yang diketahui. Fungsi interpolasi biasanya dipilih dari sekelompok
fungsi tertentu, salah satunya adalah fungsi polinomial yang paling banyak dipakai.
Pertimbangkan masalah berikut: diberikan nilai dari sebuah fungsi yang telah
diketahui y = f(x) pada sebuah barisan titik x0, x1, x2, …, xn, temukan f(x) untuk
sembarang x. Ketika x0 < x < xn, masalah tersebut dinamakan Interpolasi. Ketika x <
x0 atau x > xn, masalah tersebut dinamakan Ekstrapolasi.
Dengan yi = f(xi), masalah interpolasi pada dasarnya adalah salah satu
penggambaran sebuah kurva halus yang melalui titik-titik yang diketahui (x0, y0), (x1,
y1), …,(xn, yn). Permasalahan ini tidak sama dengan menggambar sebuah kurva halus
yang mendekati himpunan titik data yang mempunyai kesalahan percobaan. Masalah
yang terakhir ini dinamakan pendekatan kuadrat terkecil.
Disini, kita akan meninjau tiga algoritma interpolasi: (1) interpolasi
polinomial, (2) interpolasi linear sebagian, dan (3) interpolasi cubic spline.
1. Interpolasi Polinomial
n + 1 titik (x0, y0), (x1, y1), …,(xn, yn) bisa diinterpolasi dengan polinomial unik
berderajat n. Ketika n = 1, polinomial tersebut adalah fungsi linear, ketika n = 2,
polinomial tersebut adalah fungsi kuadrat. Ada tiga algoritma standar yang bisa
digunakan untuk mengkonstruksi interpolasi polinomial unik ini, dan kami akan

1
menyajikan ketiganya disini, tidak terlalu banyak namun berguna, dan sangat menarik
untuk dipelari bagaimana ketiga algoritma tersebut dikontruksi.
Ketika mendiskusikan setiap algoritma, kita mendefinisikan Pn(x) untuk
polinomial berderajat ke-n yang melewati n + 1 titik data yang diberikan.
1.1 Polinomial Vandermonde
Polinomial vandermonde ini adalah konstruksi paling mudah dari interpolasi
polinomial Pn(x). Dengan sederhana, kita dapat tuliskan
Pn ( x)  c0 x n  c1 x n 1  ...  c n

Maka kita bisa langsung membentuk n + 1 persamaan linear untuk n + 1 koefisien

yang tidak diketahui c0, c1, …, cn menggunakan n + 1 titik yang telah diketahui :
n 1
y 0  c0 x0  c1 x0  ...  c n 1 x0  c n
n

n 1
y1  c0 x1  c1 x1  ...  c n1 x1  c n
n


n 1
y n  c0 x n  c1 x n  ...  c n 1 x n  c n
n

Sistem persamaan diatas dalam bentuk matriks yaitu:

 x0 n x0
n 1
 x0 1  c 0   y0 
 n n 1
   
 x1 x1  x1 1   c1   y1 
    =   
        
x n 1  c n  y 
n 1
 n xn  xn  n
Contoh soal :
Cari interpolasi polinomial pada data (-1,0), (0,0), (1,0), dan (2,6) menggunakan
polinomial Vandermonde.
Penyelesaian :
Diketahui 4 titik yaitu (x0, y0) = (-1, 0), (x1, y1) = (0, 0), (x2, y2) = (1,0), dan (x3, y3) =
(2,6) maka rumusnya yaitu

2
 x0 3 x0
2
x0 1  c 0   y0 
 3    
 x1 x1
2
x1 1  c1   y1 
 3  =
1  c 2  y 
2
 x2 x2 x2
   2
x 3 1  c 3  y 
2
 3 x3 x3  3

1 1 1 1  c 0   0 
    
0 0 0 1  c1   0 
=
1 1 1 1  c 2   0 
    
8 1  c 3   6 
 4 2

1 1 1 1 0
 
0 0 0 1 0
1 1 1 1 0
 
8 6 
 4 2 1
Untuk mendapatkan solusinya, digunakan Gauss Elemination
1 1 1 1 0
 
0 0 0 1 0
1 baris ke-2, ke-3, dan ke-4 dikurangi baris ke-1
1 1 1 0
 
8 6 
 4 2 1

1 1 1 1 0
 
 1 1 1 0 0
2 0 baris ke-3 dibagi dengan 2, baris 3 dibagi dengan 3
2 0 0
 
9 6 
 3 3 0

1 1 1 1 0
 
 1 1 1 0 0
1 baris ke-3 dikurangi baris ke-2
0 1 0 0
 
3 1 1 2 
 0

1 1 1 1 0
 
 1 1 1 0 0
0 1 baris ke-4 dikurangi baris ke-2
0 0 0
 
3 1 1 2 
 0

3
1 1 1 1 0
 
 1 1 1 0 0
0 1 baris ke-4 dibagi dengan 2
0 0 0
 
2 2 0 2 
 0

1 1 1 1 0
 
 1 1 1 0 0
0 1 baris ke-4 dikurangi baris ke-3
0 0 0
 
1 1 1 
 0 0

1 1 1 1 0
 
 1 1 1 0 0
0 1 0 0 0
 
1 1 
 0 0 0
Didapatkan persamaan linear dari persamaan matriks diatas
 c0  c1  c 2  c3  0  c3  0
c0  c1  c 2  0  c 2  1
c1  0
c0  1
Jadi, interpolasinya adalah
Pn ( x)  c0 x n  c1 x n 1  ...  c n

P3 ( x)  x 3  x

Grafik hasil interpolasi.

4
1.2 Polinomial Lagrange
Polinomial lagrange adalah konstruksi paling bagus dari polinomial
interpolasi Pn(x), dan mengarah langsung ke formula analitik. Polinomial lagrange
adalah jumlah dari n + 1 bentuk dan setiap bentuk itu sendiri adalah polinomial
berderajat n. Perhitungan dimulai dari 0, bentuk ke-i dari polinomial lagrange
dikonstruksi dengan mengharuskannya menjadi nol pada xj, dengan j i, dan sama
dengan y ketika j = i. polinomial lagrange bisa ditulis dengan

( x  x1 )( x  x2 )...( x  xn ) y 0 ( x  x0 )( x  x2 )...( x  xn ) y1 ( x  x0 )( x  x1 )...( x  xn 1 ) y n

Pn ( x)    ... 
( x0  x1 )( x0  x2 )...( x0  xn ) ( x1  x0 )( x1  x2 )...( x1  x ) ( xn  x0 )( xn  x1 )...( xn  xn 1 )

Dapat dilihat dengan jelas bahwa bentuk pertama sama dengan nol ketika x =
x1, x2, …,xn dan sama dengan y0 ketika x = x0. Bentuk kedua sama dengan nol ketika x
= x0, x2, …, xn dan sama dengan y1 ketika x = x1. Dan bentuk yang terakhir sama

5
dengan nol ketika x = x0, x1, …, xn-1 dan sama dengan yn ketika x = xn. Keunikan
interpolasi polinomial mengartikan bahwa polinomial lagrange harus polinomial
interpolasi.

Contoh soal:
Konstruksikan P2(x) dari titik-titik yang diketahui berikut (0,-1), (1,-1) dan (2,7).
Penyelesaian :
Diketahui 3 titik yaitu (x0, y0) = (0, -1), (x1, y1) = (1, -1), dan (x2, y2) = (2, 7), maka
rumusnya yaitu
( x  x1 )( x  x2 ) y0 ( x  x0 )( x  x2 ) y1 ( x  x0 )( x  x1 ) y 2
P2 ( x)   
( x0  x1 )( x0  x2 ) ( x1  x0 )( x1  x2 ) ( x2  x0 )( x2  x1 )
( x  1)( x  2)( 1) ( x  0)( x  2)( 1) ( x  0)( x  1)(7)
P2 ( x)   
(0  1)(0  2) (1  0)(1  2) (2  0)( 2  1)

( x 2  3x  2)( 1) ( x 2  2 x)( 1) ( x 2  x)(7)

P2 ( x)   
2 1 2
 x 2  3x  2 2 x 2  4 x 7 x 2  7 x
P2 ( x)   
2 2 2
8x 2  8x  2
P2 ( x) 
2
P2 ( x)  4 x 2  4 x  1
Grafik hasil interpolasi.

6
1.3 Polinomial Newton

Polinomial Newton agak lebih bagus dari pada polinomial Vandermonde

karena menghasilkan sistem persamaan linear yang segitiga lebih rendah, dan
karenanya dapat diselesaikan dengan substitus imaju. Polinomial interpolasi ditulis
dalam bentuk

yang jelas merupakan polinomial derajat n. n + 1 koefisien tidak diketahui yang

diberikan oleh c dapat ditemukan dengan mengganti poin untuk :

7
Sistem persamaan linear ini adalah segitiga yang lebih rendah seperti yang dapat
dilihat dari bentuk matriks

Dan secara teoritis dapat diselesaikan lebih cepat dari pada polinomial
Vandermonde. Namun dalam praktiknya, ada sedikit perbedaan karena interpolasi
polinomial hanya berguna ketika jumlah titik yang diinterpolasi kecil.

Contoh soal:
Konstruksikan P2(x) dari titik-titik yang diketahui berikut (2,3), (6,5), (10, 6) dan
(12,8) dengan menggunakan polinomial newton.
Penyelesaian :

8
 Substitusi ke persamaan,

maka,

9
2. Interpolasi Linier Piecewise

Alih-alih membangun polinomial global tunggal yang melewati semua titik,

seseorang dapat membangun polinomial lokal yang kemudian dihubungkan bersama.
Di bagian berikut ini, kita akan membahas bagaimana hal ini dapat dilakukan dengan
menggunakan polinomial kubik. Disini, kita membahas kasus polinomial linier yang
lebih sederhana. Ini adalah interpolasi default yang biasanya digunakan ketika
merencanakan data.

Misalkan fungsi interpolasi adalah , dan seperti sebelumnya, ada

titik untuk diinterpolasi. Kami membangun fungsi dari polinomial
linear lokal. Kami menulis

g ( x)  g i ( x), untuk xi  x  xi 1

Dimana

dan

10
Kita sekarang membutuhkan untuk melewati titik akhir dan
. Kita punya

Oleh karena itu, koefisien ditentukan menjadi

Meskipun interpolasi linier piecewise banyak digunakan, terutama dalam

merencanakan rutinitas, ia mengalami ketidakkontinuitasan dalam turunan pada
setiap titik. Ini menghasilkan suatu fungsi yang mungkin tidak terlihat mulus jika
titik-titiknya terlalu luas. Kami selanjutnya mempertimbangkan algoritma yang lebih
menantang yang menggunakan polinomial kubik.

Contoh soal:
Pada data percobaan pemanasan sampel bahan diketahui bahwa setelah pemanasan 5
menit suhu bahan 42° Celcius dan setelah pemanasan 10 menit suhu bahan menjadi
48° Celcius. Perkiraan suhu benda setelah pemanasan 7 menit dengan interpolasi
linear piecewise!
Pembahasan :
x1= 5 menit
y1 = 42° Celcius
x2 = 10 menit
y2 = 48° Celcius
x = 7 menit
( y 2  y1 )
y x  x1   y1
( x2  x1 )
(48  42)
y 7  5  42
(10  5)
11
y
(6)
2  42
(5)
y  2,4  42
y  44,4
Jadi, suhu bahan 44, 4° Celcius.
3. Interpolasi Spline Kubik

Poin n + 1 yang akan diinterpolasi lagi

Disini kami menggunakan polinomial n piecewise kubik untuk interpolasi,

Dengan fungsi interpolasi global ditulis sebagai

Untuk mencapai interpolasi yang mulus kami memaksakan g(x) dan yang pertama
dan kedua turunannya kontinu. Persyaratan bahwa g(x) adalah kontinu (dan berjalan
melalui semua n + 1 poin) menghasilkan dua kendala

Persyaratan bahwa

Dan persyaratan itu adalah hasil yang berkelanjutan di

12
Ada n polynomial kubik dan setiap polynomial kubik memiliki empat
koefisiensi; Oleh karena itu ada total koefisien 4n yang tidak diketahui. Jumlah
membatasi persamaan dari (5.1)-(5.4) adalah . Dengan
menipustraints dan 4n tidak diketahui, diperlakukan dua kondisi lagi untuk
solusi yang unik. Ini biasanya dipilih sebagai kondisi tambahan pada pertama
dan polynomial terakhir. Kami akan membahas kondisi tambahan ini nanti.

Selanjutnya menentukan persamaan untuk koefisien tidak diketahui dari

polynomial kubik. Polynomial dan dua turunan pertamanya diberikan oleh

Kami akan mempertimbangkan empat kondisi (5.1) – (5.4) secara bergantian. Dari
(5.1) dan (5.5) kami memiliki

Yang secara langsung memecahkan semua koefisien d. Untuk mmenemukan (5.2),

pertama-tama kita mendefinisikan

dan

Sekarang, dari (5.2) dan (5.5), menggunakan (5.8) kita memperoleh n persamaan

13
Dari (5.3) dan (5.6) kami memperoleh persamaan n-1

Dari (5.4) dan (5.7) kami memperoleh n-1 persamaan

Akan bermanfaat untuk memasukkan definisi koefisien bn, yang sekarang hilang.
(indeks koefisien polynomial kubik hanya naik ke n-1.) kami cukup memperpanjang
(5.11) hingga I = n-1 dan ditulis

Yang dapat dilihat sebagai definisi bn.

Kita sekarang melanjutkan untuk menghilangkan set koefisien a dan c (dengan

koefisien d sudah dihilangkan pada (5.8)) untuk menemukan system persamaan linier
untuk koefisien b. Dari (5.11) dan (5.12), kita dapat mencari n koefisien a untuk
ditemukan

Dari (5.9), kita dapat menyelesaikan koefisien n sebagai berikut:

Kita sekarang dapat menemukan persamaan untuk koefisien b dengan mensubstitusi

(5.8), (5.13) dan (5.14) ke (5.10):
14
Yang disederhanakan menjadi

Persamaan yang valid untuk i=0 sampai n-2. Oleh karena itu (5.15) mewakili n-1
persamaan untuk koefisien b yang tidak diketahui. Oleh karena itu, kami menulis
persamaan matriks untuk koefisien b, membiarkan baris pertama dan terakhir tidak
ada, sebagai

Setelah persamaan pertama dan terakhir yang hilang ditentukan, persamaan

matriks untuk koefisien b dapat diselesaikan dengan eliminasi Gaussian. Dan begitu
koefisien b adalah ditentukan, koefisien a dan c juga dapat ditentukan dari (5.13) dan
(5.14), dengan koefisien d yang sudah diketahui dari (5.8). Polinomial kubik
piecewise, kemudian, diketahui dan g(x) dapat digunakan untuk interpolasi ke nilai
apa pun x yang mendekati
15
Persamaan pertama dan terakhir yang hilang dapat ditentukan dalam beberapa cara,
dan disini kami menunjukkan dua cara yang diizinkan oleh fungsi MATLAB
spline.m. Itu cara pertama harus digunakan saat turunannya g0(x) diketahui di titik
akhir x0 dan xn; yaitu, misalkan kita tahu nilai-nilai dan sedemikian rupa.

Dari nilai yang diketahui, dan menggunakan (5.6) dan (5.14), kita memiliki

Oleh karena itu, persamaan pertama yang hilang ditentukan

Beri nilai yang diketahui, dan menggunakan (5.6), (5.13), dan (5.14), kita memiliki

Yang disederhanakan menjadi

Untuk digunakan sebagai persamaan terakhir yang hilang.

Cara kedua menentukan persamaan pertama dan terakhir yang hilang disebut kondisi
tidak simpul, yang menganggap itu

16
Mempertimbangkan persamaan pertama, dari (5.5) yang kita miliki

Sekarang dua polynomial kubik dapat dibuktikan identik jika pada beberapa nilai x,
polynomial dan tiga turunan pertamanya adalah identik. Kondisi kami kontinuitas
pada x = x1 sudah mensyaratkan bahwa pada nilai x kedua polynomial ini dan dua
turunan pertama mereka identic. Polinomial itu sendiri akan identic kemudian jika
turunan ketiganya juga identic pada x = x1, atau jika

Dari (5.13) kami mempunyai

Atau setelah penyederhanakan

Yang memberikan kita persamaan pertama yang hilang. Argumen serupa di x = xn-1
juga memberi kita persamaan terakhir kami,

17
MATLAB subroutines spline.m dan ppval.m dapat digunakan untuk spline kubik
interpolasi (lihat juga interp1.m). Saya akan menggambarkan rutinitas ini dikelas dan
pos kode sampel di situs web khusus.

Contoh soal :

Buatlah interpolasi spline kubik untuk data berikut ini.

x 0 1 2 3

y 0 1 4 5

Terhadap syarat batas: S`(x0) = s`(0) = c0 = 2 dan s`(xn) = s`(3) = cn = 2

Penyelesaian:

Lebar subinterval pada sumbu x:

h1 = h2 = h3 = h4 = 1

Dan beda terbagi pertama, dengan mengingat bahwa di = f(xi) = yi, yaitu :

d1  d 0 d  d1 d  d2
 1, 2  3, 3 1
h0 h1 h2

Persamaan matriks dapat dituliskan sebagai

2 1 0 0   b0  1  2   3 
     
1 4 1 0   b1   3  1 6 
. 3
0 1 4 1   b2   1  3   6 
     
0 2   b3   2  1 3 
 0 1

Yang mempunyai penyelesaian

b0 = -3, b1 = 6, b2 = -6, b3 = -3

Disubstitusikan penyelesaian tersebut kepersamaan untuk memperoleh koefisien-

koefisien lain dari spline kubik:
18
d0 = 0, d1 = 1, d2 = 4

1
c0  1  (3  2(3))  2
3
1
c1  3  (3  2(3))  2
3
1
c 2  3  (3  2(3))  2
3

3  (3)
a0  2
3
33
a1  2
3
3  (3)
a2  2
3

Terakhir, kita dapat menuliskan persamaan spline kubik seperti berikut:

s 0  2 x 3  3x 2  2 x, untuk x [0,1]

s1  2( x  1) 3  3( x  1) 2  2( x  1)  1, untuk x [1,2]

s 2  2( x  2) 3  3( x  2) 2  2( x  2)  1, untuk x [2,3]

19
 RESUME METODE NUMERIK
BAB VI
INTEGRASI

Oleh:

I Putu Yuda Ari Juliada 1613011025

Mega Krisdayanti 1613011107

Kelas : V C

PROGRAM STUDI PENDIDIKAN MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN GANESHA
2018
Untuk membuat algoritma numerik yang dapat melakukan integral tertentu dari
bentuk

∫ ( ) ( )

menghitung integral tertentu ini secara numerik disebut integrasi numerik, kuadrat
numerik, atau kudrat sederhana lainnya.

6.1 Rumus Dasar

Pertama kita menghitung integrasi dari 0 sampai h, dengan h sangtlah kecil.
Kita mendefinisikan sebagai berikut

∫ ( ) ( )

Untuk mendapatkan nilai integral, kita menghitung menggunakan deret

Taylor ( ) diekspansi dengan nilai

( ) ( )
( ) ( ) ( ) ( ) ( ) ( )

( )
( )

6.1.1 Aturan Titik Tengah

Aturan titik tengah hanya menggunakan suku pertama pada perluasan
deret Taylor. Kita akan menentukan perkiraan galat. Mengintegrasikan

( ) ( )
( ) ∫ ( ) ( ) ( ) ( )

( )
( )

)
Substitusi variabel dengan dan . Kemudian
sederhanakan dengan menentukan apakah dia fungsi genap atau ganjil,
sehingga didapatkan
 ( ) ( )
( ) ∫ ( ( ) ( ) ( )

( )
( ) )

( ) ∫ ( ( ) ) ( ) )

integral yang kita butuhkan di sini adalah

∫ ∫

Sehingga :

( ) ( ) ( )

6.1.2 Aturan Trapesium

Dari perluasan deret Taylor dari ( ) dengan kita dapatkan

( ) ( ) ( ) ( ) ( ) ( )

dan

( ) ( ) ( ) ( ) ( ) ( )

Jumlahkan dan kalikan dengan h/2 kita dapatkan

( ( ) ( )) ( ) ( ) ( )

Selanjutnya substitusi suku pertama di sisi kanan menggunakan aturan

titik tengah

( ( ) ( ))

( ( ) ( )) ( ) ( )

Selesaikan untuk , sehingga didapatkan

( ( ) ( )) ( ) ( ) ( )
 6.1.3 Aturan Simpson’s
Untuk memperoleh aturan simpson’s kita menggabungkan aturan titik
tengah dan aturan trapesium untuk mengeliminasi galat untuk .
Mengalikan (6.3) dengan 2 dan menambahkan ke (6.4). kita dapatkan

( ( ) ( ( ) ( ))) ( ) ( )

atau

( ( ) ( ) ( )) ( )

Biasanya aturan simpson’s ditulis dengan mempertimbangkan tiga titik

berurutan yaitu dan . Substitusi dan diperoleh hasil

( ( ) ( ) ( )) ( ) ( )

6.2 Aturan Gabungan

Sekarang kami menggunakan rumus dasar yang di peroleh dari ∫ ( )

untuk melakukan suatu peintegralan yang di berikan oleh ∫ ( )

6.2.1 Aturan Trapesium

Kita mengira bahwa fungsi f(x) diketahui pada titik n+1 yang di beri label
X0,X1,…,Xn dengan titik akhir yang di berikan oleh x0=a , x1=b. Mendefinisikan :

fi=f(xi), hi = xi+1 - xi

Maka integral dari ∫ ( ) dapat didekomposisi sebagai :

∫ ( ) =∑ ∫ ( )

=∑ ∫ ( )

Dimana persamaan terakhir muncul dari perubahan variable s = x – xi ,

menerapkan aturan trapezium ke integral, yang kita miliki :

∫ ( ) ∑ ( )
Jika titik-titik tersebut tidak diberikan jarak secara merata , data adalah suatu

exsperimental , maka hi dapat berbeda untuk setiap nilai i dan ∫ ( )

∑ ( ) harus digunakan secara langsung.

Namun,jika titik-titiknya diberi jarak secara merata,karena f(x) dapat dihitung,

kita memiliki hi = h terlepas dari i. Kemudian kita dapat mendefinisikan:

Xi = a + ih , i = 0,1,…,n

Dan karena titi akhir b memenuhi , kita memiliki :

Aturan trapezium komposit untuk titik-titik ruang yang merata kemudian akan
menjadi :

∫ ( ) ∑ ( ))

( )

Istilah pertama dan terakhir memiliki kelipatan satu, semua istilah lainnya

memiliki kelipatan dua dan seluruh jumlah dikalikan dengan .

6.2.2 Aturan Simpson’S

Kami telah mempertimbangkan aturan simpson komposit untuk titik ruang yang
merata. Kami menerapkan aturan simpson pada interval 2h, mulai dari a dan
berakhir pada b.

∫ ( ) ( ) ( )

( )

Perhatikan bahwa n harus genap agar skema ini berfungsi menggabungkan istilah,
kami mempunyai :

∫ ( ) ( )
Istilah pertama dan terakhir memiliki kelipatan satu, istilah yang diindeks genap
memiliki kelipatan 2,istilah yang diindeks ganjil memiliki kelipatan 4 dan seluruh

jumlah dikalikan dengan .

6.3 Kesalahan lokal versus global

Pertimbangkan rumus dasar (6.4) untuk aturan trapesium, yang ditulis dalam
bentuk

dimana ξ adalah beberapa nilai yang memuaskan 0 ≤ ξ ≤ h, dan kami telah

menggunakan teorema Taylor dengan bentuk nilai rata-rata sisanya. Kami juga
dapat mewakili sisanya sebagai

dimana O (h3) menandakan bahwa ketika h kecil, membagi dua jarak grid h
mengurangi kesalahan dalam aturan trapesium elementer dengan faktor delapan.
Kami menyebut istilah yang diwakili oleh O (h3) sebagai Kesalahan Lokal.
Yang lebih penting adalah Kesalahan Global yang diperoleh dari rumus
komposit (6.7) untuk aturan trapesium. Dengan kata lain, kita punya

dimana ξi adalah nilai yang memuaskan xi ≤ ξi ≤ xi + 1. Sisanya dapat ditulis

ulang sebagai

dimana nilai rata-rata dari semua . Sekarang,

sehingga istilah kesalahan menjadi

Oleh karena itu, kesalahan global adalah O (h2). Yaitu, separuh dari jarak grid
hanya mengurangi kesalahan global dengan faktor empat.
Demikian pula, aturan Simpson memiliki kesalahan lokal O (h5) dan kesalahan
global O (h4).

6.4 Integrasi adaptif

Membiarkan komputasi itu sendiri memutuskan ukuran selang yang diperlukan
untuk mencapai tingkat akurasi tertentu. Selain itu, ukuran selang tidak harus
sama di seluruh wilayah integrasi. Kita memulai integrasi adaptif pada apa yang
disebut langkah 1. Titik-titik yang berjarak seragam di mana fungsi f (x) akan
dievaluasi ditunjukkan pada Gambar 6.1. Jarak antara titik a dan b dianggap 2h,
jadi
ba
h
2
Integrasi menggunakan aturan Simpson (6.5) dengan ukuran selang h,

h h5
I  ( f (a)  4 f (c)  f (b))  f ' ' ' ' ( ) ,
3 90

di mana  adalah beberapa nilai yang memenuhi a    b

Integrasi menggunakan aturan Simpson dua kali dengan ukuran selang h / 2,
h (h 2) 5 (h 2) 5
I  ( f (a)  4 f (d )  2 f (c)  4 f (e)  f (b))  f ' ' ' ' ( I )  f ' ' ' ' ( r )
6 90 90
,
Dengan  I dan  r adalah beberapa nilai yang memenuhi a   I  c dan
c  r  b
Dengan mendefinisikan
h
S1  ( f (a)  4 f (c)  f (b)) ,
3
h
S2  ( f (a)  4 f (d )  2 f (c)  4 f (e)  f (b)) ,
6
h5
E1   f ' ' ' ' ( ) ,
90
 h5
E2   ( f ' ' ' ' ( I )  f ' ' ' ' ( r ))
2 5.90

Apakah S 2 cukup akurat, atau haruskah kita memperbaiki perhitungan lebih

lanjut dan pergi ke tahap 2? Untuk menjawab pertanyaan ini, kita membuat
perkiraan penyederhanaan bahwa semua turunan urutan keempat dari f (x) dalam
istilah eror adalah sama,
f ' ' ' ' ( )  f ' ' ' ' ( I )  f ' ' ' ' ( r )  C

Selanjutnya
h5
E1   C,
90

h5 1
E2   4
C  E1
2 .90 16

diperoleh

S1  E1  S 2  E2

Dan

E1  16E 2

Kita dapatkan estimasi untuk bentuk E2,

1
E2  ( S 2  S1 )
15

Oleh karena itu, diberi nilai toleransi tol tertentu, jika

1
( S 2  S1 )  tol,
15

maka kita dapat menerima S 2 sebagai I. Jika toleransi tidak tercapai untuk I,
maka kita melanjutkan ke tahap 2.
Perhitungan di tahap 2 selanjutnya membagi interval integrasi dari a ke b ke
dalam dua interval integrasi a ke c dan c ke b, dan melanjutkan dengan prosedur
di atas secara independen pada kedua bagian. Integrasi dapat dihentikan pada
salah satu setengah asalkan toleransi kurang dari tol / 2 (karena jumlah kedua
kesalahan harus kurang dari tol). Jika tidak, setengahnya dapat dilanjutkan ke
tahap 3, dan seterusnya.
Sebagai catatan, dua nilai yang saya berikan di atas (untuk integrasi dengan
ukuran langkah h dan h / 2) dapat digabungkan untuk memberikan nilai yang lebih
akurat
16S 2  S1
I  O(h 7 )
15

di mana istilah kesalahan O(h 5 ) kira-kira membatalkan. Rumus ini bisa disebut
ekstrapolasi Richardson.
 METODE NUMERIK

PENYELESAIAN NUMERIK DARI PERSAMAAN DIFERENSIAL BIASA

Oleh
KELOMPOK 11
KELAS V D

NOVIA HANUM 1613011029

I WAYAN WIANA 1613011038

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN GANESHA
SINGARAJA
2018

BAB VIII
 PENYELESAIAN NUMERIK DARI PERSAMAAN DIFERENSIAL BIASA

1. Metode Euler

Metode ini adalah metode terlama dan paling sederhana. Pada metode ini, ditentukan
perubahan ∆y (positif atau negative) pada y yang sesuai pada pertambahan argument x.

Pandang PD : ( ) ( )

Dengan syarat awal : y = y0 dan x = x0

Mengingat definisi :

untuk ∆x kecil, terdapat :

Jika x bertmbah menjadi x+∆x, maka :

Pendekatan : y1 = y0 + ∆y : dimana ∆x = f(x,y) ∆x

Pada gambar ini Y = P(x) merupakan penyelesaian

persamaan diferensial yang sebenarnya.

Mulai dari x0 , dimana y = y0 , dapat dibuat suatu daftar

dari y untuk langkah ∆x=h dalam x

Contoh 1 : Dapatkan penyelesaian di x = 0,1

( )

= ( )
Penyelesaian :

a. Dikerjakan secara langsung :

b. Dikerjakan secara bertahap :

Langkah 1 :

Langkah 2 :

Langkah 3 :

Cara ini dilanjutkan sampai pada x = 0,1

Hasilnya dapat dibaca pada table berikut :

x y y+x y-x

0,00 1,0000 1,0000 1,0000 1,0000 0,02000

0,02 1,0200 1,0400 1,0000 0,962 0,0192
0,04 1,0392 1,0792 0,9992 0,926 0,0185
0,06 1,0577 1,1177 0,9977 0,892 0,0179
0,08 1,0756 1,1556 0,9956 0,862 0,0172
0,10 1,0928 1,1928 0,9928 0,832 0,0166
Contoh 2 : Dapatkan nilai nilai y di x = 0,02 ; 0,04 ; 0,06 ; 0,08 ; 0,1 ; dari

PD :

( )

Penyelesaian ;

Karena untuk x=0 didapat

Maka ;

Maka ; ( )

Maka ; ( )

Maka ; ( )

Maka ; ( )
2. Metode Euler yang dimodifikasi
Pandang PD ; y’ = f(x,y) ; y(x0) = y0 ............................................................................ (1)
Persamaan (1) diselesaikan untuk nilai-nilai y pada x = xs = x0 + sh ; (s = 1, 2, .............).
Dengan mengintegralkan (1) diperoleh :

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

Selanjutnya dengan menggunakan aturan trapezoidal didapat :

⟦ ( ) ( )⟧............................................................................ (3)

Maka diperoleh rumus iterasi sebagai berikut :

( ) ( )
* ( ) ( )+............................ (4); (n = 0, 1, 2, .........)
( )
Dimana adalah pendekatan ke n pada y1.
( )
Rumus iterasi (4) dapat dimulai dengan memilih dari rumus Euler :
( )
( )
Contoh :
Diberikan : PD y1 = x2 + y ; y(0) = 1
Ditanyakan : y (0.1)
Penyelesaian :
Ambil h = 0.05 ; x0 = 0 ; y0 = 1.0
F(x0, y0) = 1.0
Dengan rumus diperoleh :
( )
( ) ( )( )
( )
Selanjutnya, x1 = 0.05 dan f(x1 , ) = 1.0525

( ) ( )
* ( ) ( )+

( )

( )
Diulang lagi diperoleh :
Jadi diambil y1 = 1.0513 ; (benar s/d 4 D)
 Berilutnya dengan x1 = 0.05 , y1 = 1.0513 dan h = 0.05 ;
Untuk memperoleh y2 inilah nilai y pada x = 0.1
( )
Hasil-hasil itu adalah :
( )

( )

Jadi nlai y pada x = 0.1 adalah 1.1055.

Pandang PD : ( ) ............................................................ (1)

Dengan syarat y = y0 bila x = x0 .

Bentuk (1) diintegralkan, didapat :

∫ ( )

( )
Pendekatan pertama: ( ) ∫ ( )
( ) ( )
Pendekatan Kedua : ( ) ∫ ( ( ))

( ) ( )
Pendekatan Ketiga : ( ) ∫ ( ( ))

3. Metode Picard

dy
Pandang PD:  f ( x, y) .........................................................................................(1):
dx

Dengan syarat y=y0 bila x=x0.

Bnetuk (1) diintegralkan didapat:

x
y  y0   f ( x, y
x0
0 )dx

Pendekatan

x
Pertama: y (1) ( x)  y 0   f ( x, y)dx
x0

Pendekatan
 x
Kedua: y ( 2) ( x)  y 0   f ( x, y
x0
(1) ( x))dx

Pendekatan

x
Ketiga: y (3) ( x)  y 0   f ( x, y
x0
( 2) ( x))dx

Jika dilakukan pendektan sebnayak n+1 kali maka tersapat pendekatanb kle n+1 yaitu:

x
y ( n1) ( x)  y 0   f ( x, y
x0
( n) ( x))dx

Karena x masih sembarang, maka tiap pendektakan merupakan deret kuasa dari x.

Contoh:

Dapatkan bentukderet dari y dalam x pada sekitar x=0, jika:

dy
 x2  y2
dx

Dengan syrata awaln untuk x=0 dan y=0

Penyelesaian

Ambil sebagai penyelesaian pertama:

y (1)  y 0  0

x
1
y ( 2) ( x)   x 2 dx  x 3
0 3

 1 
x
1 1
y (3) ( x)    x 2  x 6 dx  x 3  x 7
0 9  3 63

x
 2  1 3 1 7 2  1 1 7 1 11 1
y ( 4 ) ( x)    x   x  x  dx  x 3  x  x  x15
 5 63   3 63 2079 59535
0
  
x
1 2 10 13 14 1 1 2 11 13
y (5) ( x)    x 2  x 6  x  x  ....dx  x 3  x 7  x  x15  ....
0 9 189 14553  3 63 2079 218295

Contoh 2

Dapatkan penyelsesaian persamaan:

dy
x y
dx

Dengan syarta y=1 bila x=0

Juga dapatkan y(0.1) dan y(0,2)

Penyeleseian:

x
1 2
y (1) ( x)  1   ( x  1)dx  1  x  x
0
2

x
1 2 1
y ( 2) ( x)  1   (1  x  x )dx  1  x  x 2  x 3
0 2 3!

x
x ........1
1 3 1 1 4
y (3) ( x)  1   (1  x  x 2  x )dx  1  x  x 2  x 3 
0 3! 3 24

Untuk x=0.1 masukkan pada (!) terdapar:

0,001 0,0001
y(0.1)= 1  0,1  0,01    1,1103
3 24

lalu untuk x=0,1 maka y=1,1103 ini diambil sebAgai syarta pokok

x
1 2
y (1) ( x)  1,1103   ( x  1,1103)dx  0,9943  1,1103 x  x
0,1 2

x
1 2 1
y ( 2) ( x)  1,1103   ( x  x  1,1103 x  0,9943)dx  1,001  9943 x  1,0552 x 2  x 3
0 2 6
 x
1 3 1 4
y (3) ( x)  1,1103   (1,001  0,9943 x  1,0552 x 2  x  x)dx  1  1,001x  0,9972 x 2  0,351`7 x 3  x
0 6 24

Di x=0,2 didapat:

0,1
4

y(0.2)= 1  0,11,001  0.99720,1  0,35170,1   1,2438

2 3

24
 METODE NUMERIK

RANGKUMAN PERTEMUAN KE-12

OLEH:

Kadek Heryantoni Adi Juni Artha (1613011084/VD)

Kadek Sumara Putra (1613011097/VD)
Damurrosysyi Mujahidain (1613011092/VC)

PROGRAM STUDI S1 PENDIDIKAN MATEMATIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PENDIDIKAN GANESHA

2018
I. Metode Taylor
dy
Pandang PD :  f ( x, y ) .................................................................... (1)
dx
di sini f (x, y) merupakan fungsi bernilai tunggal untuk setiap x dan y.
Andaikan diketahui untuk x = xo maka y = yo. Untuk mendapatkan nilai-
nilai pendekatan dari y di titik-titik:
x1 = xo + h ; x2 = xo + 2h ... xk = xo + kh. ;
di mana h adalah jarak yang dipilih sepanjang ab – x, digunakan metode
“selangkah demi selangkah”.
Jika x = xo bukan titik singular dari fungsi, maka fungsi y dapat
diperderetkan menurut deret Taylor, yaitu:

y = yo + (x – xo) yo(1) + 1 ( x  x ) 2 y (2) + .........

o 21 o

atau :

h (1) h 2 ( 2) h 3 (3)
y( xo  h)  yo  yo  yo  yo  
1! 2! 3!
di sini:

yo  y( xo )

 dy 
  , x  xo
(1)
yo
 dx 
atau:

h (1) h 2 ( 2) h (3)
y1  yo  yo  yo  yo  ................................................ (2)
1! 2! 3!
maka untuk menghitung yk+1 dengan diketahui x = xk , adalah:
( 2)
h yk
y k 1  y k  y k  h 2  ............................................................ (3)
(1)

1! 2!
Karena y’ ditentukan dalam bentuk (1) dalam suku-suku x dan y, maka
koefisien-koefisien dalam (2) atau (3) dapat ditentukan dari (1).
Contoh : 1. Tentukan ekspansi dari y, jika diketahui PD :
dy
 0,1( x 3  y 2 ); y (0)  1.
dx
Penyelesaian :
Di sini xo = 0 dan yo = 1.
  0,1( x 3  y 2 ) 0  0,1( x03  y02 )  0,1
(1)
yo

 0,1(3x 2  2 y y (1) ) 0  0,1(0  0,2)  0,02

( 2)
y0

 0,1(6 x  2 y y ( 2)  2( y (1) ) 2 ) 0  0,006

(3)
y0

 0,1(6  6 y (1) y ( 2)  2 y y (3) ) 0  0,6024

( 4)
y0

 0,2( y y ( 4)  4 y (1) y (3)  3( y ( 2) ) 2 ) 0  0,1212

( 5)
y0

 0,2( y y (5)  5 y (1) y ( 4)  10 y ( 2) y (3) ) 0  0,08472

( 6)
y0

 0,2( yy (6)  6 y (1) y (5)  15 y ( 2) y ( 4)  10( y (3) ) 2 ) 0  0,06770

(7)
y0

 0,2( yy (7)  7 y (1) y (6)  21y ( 2) y (5)  35 y (3) y ( 4) ) 0  0,06088

(8)
y0

 0,2( yy (8)  8 y (1) y ( 7 )  28 y ( 2) y ( 6)  56 y (3) y (5)  35( y ( 4) ) 2 ) 0

(9)
y0
 2,58084
Maka penyelesaian :

y  1  0,1x  0,01x 2  0,001x 3  0,0251x 4  0,00101x 5  0,000117 x 6

 0,000013 x 7  0,0000015 x 8  0,0000071 x 9  
Contoh: 2. Tentukan Penyelesaian PD :
dy
 y  x ; jika y(0)  2
dx
Dapatkan nilai-nilai pendekatan y di x = 0,1; 0,2.
Penyelesaian:
dy
 y  x  y (1)  y  x
dx

y ( 2)  y (1)  1; y (3)  y (2) ; y ( 4)  y (3)

Karena untuk xo = 0 dan yo = 2, maka :

 2; y0  1; y0  1 ext.
(1) ( 2) (3)
y0

Maka bentuk penyelesaian adalah :

y  2  2x  0,5x 2  0,167 x 3  

Jadi untuk x = 0,1 didapat :

y  2  0,2000  0,0050  0,0002  
 2,2052

Selanjutnya, di x = 0,1; dengan y1 = 2,2052; dan

 2,1052 ; y1  1,1052 ; y1  1,1052 ; maka bentuk penyelesaian :

(1) ( 2) ( 3)
y1

y2  y1  2,1052 h  0,5526 h 2  0,1842 h3  

Jadi untuk h = 0,1 di x = 0,2 didapat

y2  2,2052  0,215  0,0055  0,002  2,4214

Contoh 3. Dapatkan deret kanan dalam t untuk x dan y yang memenuhi

P.D. serentak :

=x+y+t

= x – t ; jika :

untuk t = 0 , maka y = 1, x = 0, = -1

Penyelesaian :

Misalkan z = , maka bentuk P.D. menjadi :

x(1) = x + y + t
y(1) = z
z(1) = x – t
dengan memasukkan syarat pokok, didapat :
x0(1) = (x + y + t)0 = 1
y0(1) = z0 = -1
z0(1) = (x – t)0 = 0
x0(2) = (x(1) + y(1) + 1)0 = 1
y0(2) = z0(1) = 0
z0(2) = (x0(1) – 1) = 0
x0(3) = (x0(2) + y0(2)) = 1
y0(3) = z0(2) = 0
z0(3) = (x0(2)) = 1
 x0(4) = x0(3) + y0(3) = 1
y0(4) = z0(3) = 0
z0(4) = x0(3) = 1

II. Metode Milne

Metode ini cukup teliti dan sederhana. Pandang rumus Newton-maju untuk
, yaitu :

+……………………………………………………(1)

Dimana atau

Bentuk (1) diintegralkan dari sampai atau dari s/d ,

dan oleh karena , maka didapat :

[ ( )

( )

……………………(2)

Karena :

(3)

Maka setelah disubstitusikan ke (2), didapat :

………………………………….(4)
Diketahui disini bahwa , maka :

…………………………….(5)

Bentuk (5) ini adalah rumus extrapolasi dari Milne. Untuk mendapatkan
rumus “Checking” bentuk (1) diintegralkan dari sampai atau
dari s/d maka :

( ).

Sekarang mengganti dan dengan nilai-nilai didepan, didapat :

...……………………………………(6)

Disini , maka :

………………………………...(7)

Bentuk (7) ini adalah rumus kedua dari Milne.

Suku yang memuat tak digunakan langsung dalam pemakaian, tetapi
hanya sebagai indikator dari ketelitian dari hasil.
Bentuk rumus yang lebih umum dari Milne adalah :

………………………………(8)

…………………………………(9)

Rumus (8) disebut predictor, sedangkan rumus (9) disebut Corector.

Contoh :

Diketeahui nilai-nilai :
Yx Y y’
0,0 1,000 1,000
0,1 1,1103 1,2103
0,2 1,2428 1,4428
0,3 1,3997 1,6997
dari persamaan differensial ini :

=x+y

dengan syarat pokok, untuk x=0 maka y=1.

Dapatkan nilai-nilai y untuk x = 0,4 dan 0,5
Penyelesaian :
 Disini h=0,1 , dan digunakan pertama rumus (8) kemudian di chek dengan
rumus (9).

y0,4 = 1 + [2(1,2103) – 1,4428 + 2(1,6997)] = 1,5836

y0,4 = 0,4 + 1,5836 = 1,9836

Sekarang di check dengan (9)

y0,4 = 1,2428 + (1,4428 + 4(1,6997) + 1,9836) = 1,5836

Kemudan, untuk nilai berikutnya :

y0,5 = 1,1103 + [2(1,4428) – 1,6997 + 2(1,9836)] = 1,7974

y0,5 = 1,7974 + 0,5 = 2,2974

sekarang di check :

y0,5 = 1,3997 + (1,6997 + 4(1,9836) + 2,2974) = 1,7974

III. Metode Runge-Kutta

Pandang PD : …………………………………(1)
Metode Runge-Kutta menggunakan rata-rata berpemberat dari nilai-nilai
f(x,y) yang diambil pada titik-titik yang berlainan dalam selang
. Ini diberikan oleh :

………………………...(2)
dimana :

(3)

Contoh :

Diberikan PD :
 Ditanyakan : a) y(0,2) ; b) y(0,4).

Penyelesaian :

a.
4
44
888

Jadi di , diperoleh nilai :

b. Untuk selang berikutnya :

Jadi di , diperoleh nilai :