Referensi :
Chapra, Steven C; Canale, Raymond P; Metode Numerik Untuk
Teknik, dengan penerapan pada komputer pribadi; UI Press, 1991.
Analisa Numerik 1
BAB I PENDAHULUAN
Masalah matematika
Komputer
Analisa Numerik 3
Beberapa angka nol tidak selalu termasuk angka signifikan karena mereka
diperlakukan sekedar menempatkan sebuah titik desimal, misal
0,00001845; 0,0001845; 0,001845 semua memiliki empat angka signifikan
Jika angka nol dipakai di bagian ekor bilangan besar, tidak jelas berapa
banyak nol yang signifikan. Misal 45.300 dapat memiliki 3, 4 atau 5 angka
signifikan tergantung apakah harga nol telah diketahui dengan yakin
Ketidakpastian ini dapat diatasi dengan notasi ilmiah :
4,53 x 104 memiliki 3 angka signifikan
4,530 x 104 memiliki 4 angka signifikan
4,5300 x 104 memiliki 5 angka signifikan
Analisa Numerik 4
Presisi mengacu pada :
• Jumlah angka signifikan yang menyatakan suatu besaran
• Penyebaran dalam bacaan berulang dari sebuah alat ukur
DEFINISI KESALAHAN
Kesalahan pemotongan dihasilkan sewaktu aproksimasi digunakan untuk
menyatakan suatu prosedur matematika eksak, sedangkan
Kesalahan pembulatan dihasilkan bila angka-angka aproksimasi
digunakan untuk menyatakan angka-angka pasti
Hubungan antara hasil eksak dan aproksimasi :
Harga sebenarnya = pendekatan + kesalahan
Sehingga kesalahan numerik adalah setara terhadap ketidakcocokan
antara yang sebenarnya dan aproksimasi :
Et = harga sebenarnya - aproksimasi
Analisa Numerik 5
Et menyatakan harga pasti dari kesalahan dan subscript t menunjukkan
kesalahan sebenarnya. Untuk memperhitungkan besaran yang dievaluasi
dengan menormalisasikan kesalahan terhadap harga sebenarnya :
kesalahan
Kesalahan relatif fraksional
harga sebenarnya
Kesalahan relatif dalam bentuk prosen :
kesalahan sebenarnya
t 100%
harga sebenarnya
Alternatif untuk menormalisasi kesalahan dengan menggunakan taksiran
terbaik dari harga sebenarnya terhadap aproksimasi itu sendiri :
kesalahan aproksimasi
a 100%
aproksimasi
Analisa Numerik 6
Dimana subscript a menunjukkan bahwa kesalahan dinormalisasi
terhadap sebuah harga aproksimasi. Tetapi dalam aplikasinya penentuan
taksiran kesalahan tanpa adanya harga sebenarnya yang telah diketahui,
sehingga dipakai metode iterasi dengan suatu aproksimasi sekarang
berdasarkan aproksimasi sebelumnya.
Kesalahan relatif dalam bentuk prosen :
kesalahan aproksimasi
a 100%
aproksimasi
Tingkat kesalahan dapat bertanda positip atau negatip. Positip jika
aproksimasi lebih kecil dari harga sebenarnya, demikian sebaliknya.
Untuk itu diberlakukan harga absolut yang dibandingkan dengan
toleransi praspesifikasi sehingga komputasi diulangi sampai :
a s dimana a adalah toleransi praspesifikasi
Analisa Numerik 7
Kesalahan-kesalahan juga dapat dihubungkan dengan jumlah angka
signifikan pada pendekatan, sehingga dapat dijamin bahwa hasilnya
adalah betul hingga sekurang-kurangnya n angka signifikan.
s 0,5 10 2n %
KESALAHAN PEMBULATAN
Keterbatasan komputer menyimpan sejumlah angka signifikan selama
perhitungan. Misal jika menyimpan 7 angka maka p = 3,141592
Pembulatan yang dilakukan pada perhitungan manual juga
menghasilkan kesalahan sehingga dipakai aturan pembulatan
Aturan pembulatan :
5,6723 5,67 3 angka signifikan
10,406 10,41 4 angka signifikan
Analisa Numerik 8
KESALAHAN PEMOTONGAN
Kesalahan yang dihasilkan dari penggunaan suatu aproksimasi
pengganti prosedur matematika eksak
Analisa Numerik 9
BAB II METODE ALOKADE
Dalam problem matematika banyak dijumpai persamaan :
f(x) = ax2 + bx + c = 0
Dengan rumus kuadratik untuk mencari akar persamaan :
b b 4ac
2
x
2a
Metode Akolade adalah metode yang menggali fakta bahwa fungsi
berdasar jenisnya akan berubah tanda di sekitar suatu harga akar. Dalam
hal ini dibutuhkan dua tebakan awal untuk akar. Terdiri dari :
• metode grafik
• metode bagi dua
• metode posisi salah atau palsu
• metode inkremental dan penentuan tebakan awal
Analisa Numerik 10
2.1. METODE GRAFIK
Yaitu metode penyelesaian suatu fungsi f(x) = 0 dengan menggambarkan
grafik fungsi tersebut dan mengamati dimana fungsi memotong sumbu x,
yang memberikan pendekatan kasar akarnya.
Misal pendekatan dari f(x) = e-x – x. Harga-harga dihitung :
x f(x) f(x)
Grafiknya :
1.0
0.0 1.000
0.2 0.619
0.4 0.270
0.6 - 0.051 Akar 0 .57
0.8 - 0.351
1.0 - 0.632 1.0
Analisa Numerik 11
Dari grafik terlihat fungsi memotong sumbu x di antara 0.5 dan 0.6.
Diambil taksiran kasar 0.57. Keabsahannya diuji dengan memasukkan
harga taksiran ke persamaannya.
f(0.57) = e-0.57 – 0.57 = - mendekati nol
0.0045
Harga sebenarnya jika dihitung secara numerik adalah 0.56714329
Analisa Numerik 12
2.2. METODE BAGI DUA
Pada umumnya, jika f(x) riil dan kontinu dalam interval dari xl hingga
xu, serta f(xl) dan f (xu) berlainan tanda yakni f(xl) f(xu) < 0 maka
terdapat sekurang-kurangnya satu akar riil di antara interval tersebut.
Metode bagi dua, disebut juga pemotongan biner (binary chopping),
pembagian dua (interval halving) atau metode Bolzano, menggunakan
cara membagi interval menjadi dua bagian. Kalau suatu fungsi berubah
tanda pada interval, maka harga fungsi di tengahnya dievaluasi.Letak
akar ditentukan berada di tengah-tengah sub interval. Proses ini diulangi
dengan memperhalus perolehan taksiran (memperkecil interval).
Metode bagi dua ini merupakan teknik yang cukup baik untuk
menentukan akar-akar, tetapi proses yang harus dilalui cukup panjang.
Tetapi dibanding dengan metode grafik, hasil yang diperoleh menjadi
lebih baik.
Analisa Numerik 13
Algoritma metode bagi dua
Langkah 1 : memilih taksiran terendah xl dan tertinggi xu untuk akar
agar fungsi berubah tanda sepanjang interval. Periksa dengan
menerapkan persamaan f(xl) f(xu) < 0.
x x
Langkah 2 : Taksiran pertama akar xr ditentukan oleh : xr l u
2
Langkah 3 : Evaluasi letak akar dengan :
a. Jika f(xl) f(xr) < 0, akar terletak pada sub interval pertama,
maka xu = xr, dan lanjutkan ke langkah 4.
b. Jika f(xl) f(xr) > 0, akar terletak pada sub interval kedua,
maka xl = xr, dan lanjutkan ke langkah 4.
c. Jika f(xl) f(xr) = 0, akar = xr, hentikan komputasi
xl xu
Langkah 4 : Hitung taksiran baru akar dengan : xr
2
Langkah 5 : Putuskan apakah taksiran baru cukup akurat. Jika ya
hentikan komputasi, jika tidak kembali ke langkah 3.
Analisa Numerik 14
Contoh : Tentukan akar dari f(x) = e-x – x dengan metode bagi dua
Solusi : Dari metode grafik, akar terletak antara 0 dan 1. Interval awal
dapat dipilih xl = 0 dan xu = 1. Taksiran awal akar :
xr 0 1 0,5
2
Harga akar sebenarnya adalah 0,56714329…. sehingga kesalahannya :
Et = 0,56714329 – 0,5 = 0,06714329
Atau dalam bentuk relatif :
0,06714329
t 100% 11,8%
0,56714329
Lalu kita hitung :
f(0) f(0,5) = (1) (0,10653) = 0,10653
Yang lebih besar dari nol, dan tidak terjadi perubahan tanda pada
intervalnya. Karena itu akar terletak antara x = 0,5 dan 1.
Analisa Numerik 15
Batas bawah diganti dengan xl = 0,5 dan dilakukan iterasi kedua :
xr 0,5 1 0,75 t 32,2%
2
Iterasi diulangi untuk taksiran akar yang lebih baik. Misal iterasi ketiga :
f(0,5) f(0,75) = - 0,030 < 0
Karena itu akar terletak antara 0,5 dan 0,75 :
xu = 0,75 xr 0,5 0,75 0,625 t 10,2%
2
Iterasi ke empat :
f(0,5) f(0,625) = - 0,010 < 0
Karena itu akar terletak antara 0,5 dan 0,625 :
xu = 0,625 xr 0,5 0,625 0,5625 0,819%
2 t
Proses ini diulangi lagi untuk mendapatkan taksiran yang lebih baik
Analisa Numerik 16
2.3. METODE POSISI SALAH ATAU PALSU
Metode ini mengembangkan metode grafik dan bagi dua. Hal ini dilakukan
dengan menggabungkan titik-titik dengan sebuah garis lurus. Perpotongan
garis dengan sumbu x menyatakan sebuah taksiran perbaikan dari akar.
Penempatan kembali kurva dengan garis lurus memberikan suatu “posisi
salah” dari akar-akar. Metode posisi salah (method of false position) atau
regula falsi (bahasa Latin) juga dinamakan metode interpolasi linier.
f(x) f(x u) Perpotongan garis lurus dengan
sumbu x dapat ditaksir :
f xl f xu
xr xl xr xu
xr
Atau diselesaikan menjadi :
f xu xl xu
xl
xu x xr xu
f ( xl ) f ( xu )
f(x l)
Analisa Numerik 17
Contoh : Tentukan akar f(x) = e-x – x dengan metode posisi salah.
Solusi : dimulai dengan tebakan awal xl = 0 dan xu = 1.
Iterasi pertama :
xl = 0 f(xl) = 1 0,63212(0 1)
xr 1 0,6127
xu = 0 f(xu) = - 0,63212 1 (0,63212)
Kesalahan relatif sebenarnya dapat ditaksir oleh :
0,56714329 0,6127
t 100% 8,0%
0,56714329
Iterasi kedua dengan f(xl) f(xu) = - 0,0708. Akar terletak di sub interval
pertama dan xr menjadi batas atas untuk iterasi berikutnya, xu = 0,6127.
xl = 0 f(xl) = 1 xr = 0,57219
xu = 0,6127 f(xu) = - 0,0708 t 0,89%
Iterasi tambahan dapat dilakukan untuk mendapat taksiran yang lebih baik.
Analisa Numerik 18
BAB III METODE TERBUKA
Metode ini didasarkan pada formula yang membutuhkan sebuah harga
tunggal dari x, atau dua harga yang tidak perlu mengurung akar.
Pokok bahasan dalam metode ini :
1. Iterasi Satu Titik Sederhana 3. Secant
2. Newton – Raphson 4. Akar Ganda
Analisa Numerik 19
Dengan memberikan satu tebakan awal pada akar xi, persamaan x = g(x)
dapat digunakan untuk menghitung taksiran baru xi+1, seperti dinyatakan
oleh rumus iterasi :
xi+1 = g(xi)
Dengan taksiran kesalahan :
xi 1 xi
a 100%
xi 1
Contoh : Tentukan akar f(x) = e-x – x dengan metode iterasi satu titik
sederhana
Solusi : fungsi dipisahkan secara langsung dan dinyatakan dalam bentuk :
xi
xi 1 e
Dimulai dengan tebakan awal x0 = 0, persamaan iterasi ini diterapkan
untuk mendapatkan :
Analisa Numerik 20
Iterasi, i xi t % a %
0 0 100,000
1 1,000000 76,300 100,00
2 0,367879 35,100 171,8
3 0,692201 22,100 46,90
4 0,500473 11,800 38,30
5 0,606244 6,890 17,40
6 0,545396 3,830 11,20
7 0,579612 2,200 5,90
8 0,560115 1,240 3,48
9 0,571143 0,705 1,93
10 0,564879 0,399 1,11
Terlihat bahwa iterasi memberikan taksiran yang lebih mendekati harga
akar sebenarnya (0,56714329), dengan tingkat kesalahan semakin rendah
Analisa Numerik 21
3.2. METODE NEWTON - RAPHSON
Metode ini banyak digunakan dan merupakan interprestasi geometrik
(metode alternatif yang didasarkan pada deret Taylor).
Analisa Numerik 22
Contoh : Tentukan akar f(x) = e-x – x dengan metode Newton – Raphson
dengan tebakan awal x0 = 0.
Solusi : turunan pertama fungsi tersebut adalah f’(x) = -e-x – 1, yang
dapat disubstitusikan bersama ke formula Newton – Raphson :
x
e i xi
xi1 xi xi
e 1
Dimulai dengan tebakan awal x0 = 0, persamaan iteratif ini dapat
digunakan untuk menghitung :
Terlihat bahwa pendekatan
Iterasi, i xi t %
ini konvergen secara lebih
0 0 100 cepat ke akar sebenarnya.
1 0,500000000 11,8
Kesalahan relatif berkurang
2 0,566311003 0,147
lebih cepat daripada metode
3 0,567143165 0,000022 sebelumnya
4 0,567143290 < 10 -8
Analisa Numerik 23
Kelemahan metode Newton - Raphson
Metode ini kadang berlaku kurang baik pada kondisi tertentu, misalnya
kasus akar ganda. Bahkan seringkali juga mengalami kesulitan (fungsi
konvergen secara perlahan) dalam menangani suatu akar sederhana.
Contoh : Tentukan akar positip dari f(x) = x10 – 1 menggunakan metode
Newton – Raphson dengan tebakan awal x = 0,5.
Solusi : formula Newton – Raphsonnya :
xi 1
10
Iterasi, i xi
xi1 xi 9 Hasil perhitungan :
10 xi 0 0,5
1 51,65
2 46,485
Terlihat bahwa setelah taksiran kasar 3 41,8365
pertama, teknik tersebut konvergen 4 37,65285
pada akar sebenarnya, tetapi terjadi 5 33,887565
secara perlahan
Analisa Numerik 24
3.3. METODE SECANT
Metode Newton – Raphson juga mengalami kesulitan pada evaluasi
turunan fungsi karena pada beberapa kasus, turunan fungsi sulit dilakukan.
Untuk itu fungsi didekati dengan suatu diferensiasi terbagi hingga.
f(x) f xi1 f ( xi )
f ( xi )
'
xi1 xi
f(x i)
Persamaan ini disubstitusikan ke
formula Newton – Raphson :
f ( xi )( xi1 xi )
xi1
f(x i-1) f ( xi1 ) f ( xi )
Analisa Numerik 25
Contoh : Tentukan akar f(x) = e-x – x dengan metode Secant, taksiran
awal x-1 = 0 dan x0 = 1.
Solusi : Iterasi pertama : x-1 = 0 f(x-1) = 1,0000
x0 = 1 f(x0) = - 0,63212
0,63212(0 1)
x 1 0,6127 |t| = 8,0 %
1 (0,63212)
1
Analisa Numerik 27
Solusi : turunan pertama fungsi adalah f’(x) = 3x2 – 10x + 7, dengan
metode standar :
xi 5 xi 7 xi 3
3 2
xi1 xi
3 xi 10 xi 7
2
Analisa Numerik 28
Untuk metode yang dimodifikasi, turunan kedua adalah f”(x) = 6x –10,
dan hubungan iterasinya adalah :
( xi 5 xi 7 xi 3)(3xi 10 xi 7)
3 2 2
xi1 xi
(3xi 10 xi 7) 2 ( xi 5 xi 7 xi 3)(6 xi 10)
2 3 2
Analisa Numerik 29
Kita juga dapat memakai kedua metode ini untuk mencari akar tunggal
pada x = 3. Dengan tebakan awal x0 = 4, diperoleh hasil :
i Standar, t Modifikasi, t
0 4 (33 %) 4 (33 %)
1 3,4 (13 %) 2,636363637 (12 %)
2 3,1 (3,3 %) 2,820224720 (6,0 %)
3 3,008695652 (0,29 %) 2,961728211 (1,3 %)
4 3,000074641 (2,5 x 10-3 %) 2,998478719 (0,051 %)
Analisa Numerik 30
BAB IV ELIMINASI GAUSS
Metode ini menggunakan teknik eliminasi (menghilangkan) yang tidak
diketahui pada suatu persamaan aljabar linier simultan yang memiliki
bentuk umum :
a11x1 + a12x2 + … + a1n xn = c1
Analisa Numerik 31
4.1. PENYELESAIAN PERSAMAAN BERJUMLAH SEDIKIT
Yaitu metode untuk menyelesaikan persamaan simultan yang berjumlah
3. Termasuk di dalamnya metode grafik, aturan Cramer dan eliminasi
yang tidak diketahui.
Analisa Numerik 32
Contoh : gunakan metode grafik untuk menyelesaikan :
3x1 + 2x2 = 18 - x1 + 2x2 = 2
Solusi : penyelesaian persamaan di atas untuk x2 :
x2 = (-3/2)x1 + 9 x2 = (1/2)x1 + 1
X2
Perpotongan dua garis terjadi pada x1 = 4
8 dan x2 = 3, yang merupakan solusinya
3X 1
Solusi :
+2
4
3x1 + 2x2 = 18 3(4) + 2(3) = 18
2 =2 - x1 + 2x2 = 2 - 4 + 2(3) = 2
X2
+2
-X 1 Hasil-hasilnya ekuivalen terhadap
0 ruas kanan persamaan
2 4 6 X1
Analisa Numerik 34
Solusi : determinan D dapat ditulis sebagai :
0,3 0,52 1
D 0,5 1 1,9 0,0022 Sehingga :
0,1 0,3 0,5
0,01 0,52 1 0,3 0,01 1
0,67 1 1,9 0,5 0,67 1,9
0,44 0,3 0,5 0,1 0,44 0,5
x1 14,9 x2 29,5
0,0022 0,0022
0,3 0,52 0,01
0,5 1 0,67 Aturan ini tidak praktis untuk banyak
0,1 0,3 0,44 persamaan karena kesulitan perhitungan
x3 19,8
0,0022 determinan secara manual.
Analisa Numerik 35
4.1.3. Eliminasi Yang Tidak Diketahui
Metode ini dilakukan dengan cara mengalikan persamaan-persamaan
dengan konstanta agar satu yang tidak diketahui akan dieliminasi
sewaktu kedua persamaan digabungkan. Hasilnya adalah sebuah
persamaan tunggal yang dapat diselesaikan untuk yang tidak diketahui
selebihnya. Harga ini dapat dimasukkan ke dalam persamaan awal
untuk menghitung variabel lainnya.
Ditinjau dua persamaan :
a11x1 + a12x2 = c1 dikalikan a21 menjadi a11a21x1 + a12a21x2 = c1a21
a21x1 + a22x2 = c2 dikalikan a11 menjadi a21a11x1 + a22a11x2 = c2a11
Dilakukan pengurangan untuk mengeliminasi x1 agar memenuhi :
a22a11x2 – a12a21x2 = c1a21
Analisa Numerik 36
Persamaan tersebut dapat diselesaikan menjadi :
a c a21c1
x2 11 2
a11a22 a12 a21
Solusi ini dimasukkan ke persamaan awal untuk mendapatkan :
a22 c1 a12 c2
x1
a11a22 a12 a21
Kedua solusi ini secara langsung mengikuti aturan Cramer :
c1 a12 a11 c1
c a22 c a a12 c2 a c a c c a
x1 2 1 22 x1 21 2 11 2 1 21
a11 a12 a11a22 a12 a21 a11 a12 a11a22 a12 a21
a21 a22 a21 a22
Analisa Numerik 37
Contoh : gunakan eliminasi yang tidak diketahui untuk menyelesaikan :
3x1 + 2x2 = 18
- x1 + 2x2 = 2
Solusi :
2(18) 2(2)
x1 4
3(2) 2(1)
3(2) (1)18
x2 3
3(2) 2(1)
Bandingkan solusi di atas dengan contoh pada metode grafik.
Analisa Numerik 38
4.2. ELIMINASI GAUSS NAIF
Metode eliminasi Gauss naif tidak mencegah kondisi-kondisi yang dapat
mengakibatkan kesalahan perhitungan, misalnya pembagian dengan nol.
Tinjau lagi persamaan simultan berbentuk umum :
a11x1 + a12x2 + … + a1n xn = c1
a21x1 + a22x2 + … + a2n xn = c2
Analisa Numerik 39
a11 a12 a13 c1
a a22 a23 c2
21
a31 a32 a33 c3
Eliminasi ke depan
x3 = c3”/a33”
x2 = (c2’ – a23’x3)/a22’ Substitusi ke belakang
x1 = (c1 – a12x2 – a13x3)/a11
Analisa Numerik 40
Contoh : gunakan eliminasi Gauss untuk menyelesaikan :
3x1 – 0,1x2 – 0,2x3 = 7,85 pers. 1
0,1x1 + 7x2 – 0,3x3 = -19,3 pers. 2
0,3x1 – 0,2x2 + 10x3 = 71,4 pers. 3
Gunakan 6 angka signifikan selama perhitungan.
Solusi :
3x1 – 0,1x2 – 0,2x3 = 7,85 pers. 1 dibagi 3 (koef. pertama)
x1 – 0,333333x2 – 0,0666667x3 = 2,61667 dikali 0,1 (koef. kedua)
Analisa Numerik 41
x1 – 0,333333x2 – 0,0666667x3 = 2,61667 dikali 0,3 (koef. ketiga)
dibagi 7,033333
7,033333x2 – 0,293333x3 = -19,5617 pers. 4
dikali –0,19
-0,19x2 + 10,02x3 = 70,615 hasil
-0,19x2 + 0,007924x3 = 0,528444
pengurangan
10,012x3 = 70,0843
x3 = 7,00003
Analisa Numerik 42
Hasil perhitungan x3 disubstitusikan ke persamaan 4 :
7,033333x2 – 0,293333x3 = -19,5617
7,033333x2 – 0,293333(7,00003) = -19,5617
x2 = -2,5
Hasil perhitungan x2 dan x3 disubstitusikan ke persamaan 1 :
3x1 – 0,1x2 – 0,2x3 = 7,85
3x1 – 0,1(-2,5) – 0,2(7,00003) = 7,85
x1 = 3,00
Hasil perhitungan dapat dibandingkan dengan solusi eksak, dimana terjadi
sedikit kesalahan karena pembulatan :
x1 x2 x3
Gauss 3 -2,5 7,00003
Eksak 3 -2,5 7
Analisa Numerik 43
4.3. KELEMAHAN METODE ELIMINASI
1. Pembagian dengan nol. Hal ini mungkin terjadi pada suatu sistem
persamaan dimana salah satu koefisien (misal koefisien x1 pada
persamaan pertama) berharga nol.
2. Kesalahan pembulatan, seperti terlihat pada contoh sebelumnya.
3. Sistem kondisi timpang, dimana perubahan kecil pada koefisien
akan berakibat perubahan besar pada solusinya.
Perbaikan dapat dilakukan dengan :
1. Penggunaan angka signifikan lebih banyak.
2. Pemutaran atau pengaturan kembali persamaan untuk memudahkan
perhitungan
3. Penskalaan, jika menghadapi masalah teknik yang berhubungan
dengan besaran yang bernilai tinggi.
4. Penerapan faktor koreksi
Analisa Numerik 44
BAB V GAUSS-JORDAN, MATRIKS
INVERSI DAN GAUSS-SEIDEL
5.1. METODE GAUSS-JORDAN a11 a12 a13 c1
Metode ini adalah variasi eliminasi a a22 a23 c2
Gauss. Perbedaanya adalah sebuah 21
a31 a32 a33 c3
yang tidak diketahui dieliminasikan
dari setiap persamaan lainnya daripada
hanya dari persamaan berikutnya. 1 0 0 c1 *
Tidak perlu dilakukan substitusi ke 0 1 0 c *
belakang untuk mendapatkan 2
0 0 1 c3 *
solusinya. Bentuk matriknya adalah :
x1 c1 *
x2 c2 *
x3 c3 *
Analisa Numerik 45
Contoh :, gunakan eliminasi Gauss-Jordan untuk menyelesaikan
persamaan yang sama :
3x1 – 0,1x2 – 0,2x3 = 7,85
0,1x1 + 7x2 – 0,3x3 = -19,3
0,3x1 – 0,2x2 + 10x3 = 71,4
Solusi : dirubah dalam bentuk matriks :
3 0,1 0,2 7,85
0,1 7 0,3 19,3
0,3 0,2 10 71,4
Normalisasi baris pertama dengan membagi dengan elemen pivot, 3 :
1 0,0333333 0,0666667 2,61667
0,1 7 0,3 19,3
0,3 0,2 10 71,4
Analisa Numerik 46
Suku x1 dieliminasikan dari baris kedua dengan mengurangkan 0,1 kali
baris pertama dari baris kedua. Dengan cara yang sama, mengurangkan
0,3 kali baris pertama dari baris ketiga akan mengeliminasi suku x1 dari
baris ketiga :
1 0,0333333 0,0666667 2,61667
0 7,00333 0,293333 19,5617
0 0,190000 10,0200 70,6150
Selanjutnya normalisasikan baris kedua dengan membaginya dengan
7,00333 sehingga didapat :
1 0,0333333 0,0666667 2,61667
0 1 0,0418848 2,79320
0 0,190000 10,0200 70,6150
Analisa Numerik 47
Reduksi suku x2 dari persamaan pertama dan ketiga memberikan :
1 0 0,0680629 2,52356
0 1 0,0418848 2,79320
0 0 10,0200 70,0843
Baris ketiga dinormalisasikan dengan membaginya dengan 10,0120 :
1 0 0,0680629 2,52356
0 1 0,0418848 2,79320
0 0 1 7,00003
Suku x3 direduksi dari persamaan pertama dan kedua, memberikan :
1 0 0 3,00000
0 1 0 2,50001
0 0 1 7,00003
Analisa Numerik 48
5.2. METODE MATRIKS INVERSI
Metode ini menerapkan metode Gauss-Jordan dengan menggunakan
prinsip operasi matriks inversi.
[A] [I]
a11 a12 a13 1 0 0
a a22 a23 0 1 0
21
a31 a32 a33 0 0 1
1 0 0 a111 a12
1 1
a13
1 1 1
0 1 0 a 21 a22 a23
0 0 1 a311 a32
1
a33
1
[I] [A]-1
Analisa Numerik 49
Contoh :, gunakan eliminasi Gauss-Jordan dengan menggunakan matriks
inversi untuk menyelesaikan persamaan yang sama :
3x1 – 0,1x2 – 0,2x3 = 7,85
0,1x1 + 7x2 – 0,3x3 = -19,3
0,3x1 – 0,2x2 + 10x3 = 71,4
Dapatkan solusi dengan mengalikan [A]-1 dengan vektor di ruas kanan
[C] = [7,85 -19,3 71,4]
Solusi : perluas matriks koefisien dengan sebuah matriks koefisien :
3 0,1 0,2 1 0 0
[ A] 0,1 7 0,3 0 1 0
0,3 0,2 10 0 0 1
Analisa Numerik 50
Gunakan a11 sebagai elemen pivot, normalisasikan baris pertama dan
gunakan untuk mengeliminasi x1 dari baris-baris lainnya :
1 0,0333333 0,0666667 0,333333 0 0
0 7,03333 0,293333 0,0333333 1 0
0 0,190000 10,0200 0,0999999 0 1
Selanjutnya a22 digunakan sebagai elemen pivot dan x2 dieliminasi dari
baris-baris lainnya :
1 0 0,068057 0,333175 0,004739329 0
0 1 0,0417061 0,00473933 0,142180 0
0 0 10,0121 0,10090 0,0270142 1
Akhirnya a33 digunakan sebagai elemen pivot dan x3 dieliminasikan dari
baris-baris lainnya :
Analisa Numerik 51
1 0 0 0,332489 0,00492297 0,00679813
0 1 0 0,0051644 0,14223 0,00418346
0 0 1 0,0100779 0,00269816 0,0998801
Sehingga inversi matriksnya :
0,332489 0,00492297 0,00679813
[ A]1 0,0051644 0,142293 0,00418346
0,0100779 0,00269816 0,0998801
Inversi dikalikan matriks ruas kanan untuk mendapatkan solusi :
x1 = 7,85(0,332489)-19,3(0,00492297)+71,4(0,00679813) = 3,00041181
x2 = 7,85(-0,0051644)-19,3(0,142293)+71,4(0,00418346) = -2,48809640
x3 = 7,85(-0,0100779)-19,3(0,00269816)+71,4(0,0998801) = 7,00025314
Analisa Numerik 52
5.3. METODE GAUSS SEIDEL
Metode ini menggunakan cara iteratif. Misal ditinjau sekumpulan n
persamaan [A][X] = [C].
Jika semua elemen diagonal tidak nol, persamaan pertama diselesaikan
untuk x1, persamaan kedua untuk x2, dan seterusnya menurut :
c1 a12 x2 a13 x3 a1n xn
x1
a11
c a21 x1 a23 x3 a2 n xn
x2 2
a22
c a x a x a3 n x n
x3 3 31 1 32 2
a33
cn an1 x1 an 2 x2 an , n 1 xn 1
xn
ann
Analisa Numerik 53
Selanjutnya proses solusi dimulai dengan tebakan awal untuk setiap harga
x. Cara paling mudah adalah memberi semua harga x dengan nol dan
dimasukkan ke persamaan pertama untuk mendapatkan harga x1 = c1/a11.
Harga baru ini bersama dengan harga-harga nol lainnya dimasukkan ke
persamaan kedua untuk x2. Proses ini dilakukan sampai persamaan ke n.
Setelah itu kembali ke persamaan pertama dan mengulangi seluruh
prosedur sampai solusinya konvergen dan cukup dekat dengan harga
sebenarnya. Hal ini dicek dengan menghitung tingkat kesalahan.
Contoh :, gunakan eliminasi Gauss-Jordan dengan menggunakan matriks
inversi untuk menyelesaikan persamaan yang sama :
3x1 – 0,1x2 – 0,2x3 = 7,85
0,1x1 + 7x2 – 0,3x3 = -19,3
0,3x1 – 0,2x2 + 10x3 = 71,4
Ingat bahwa solusi sebenarnya adalah x1 = 3, x2 = -2,5 dan x3 = 7.
Analisa Numerik 54
Solusi : selesaikan tiap persamaan untuk yang tidak diketahui pada
diagonal :
7,85 0,1x2 0,2 x3
x1
3
19,3 0,1x1 0,3 x3
x2
7
71,4 0,3 x1 0,2 x2
x3
10
Dengan menganggap bahwa x2 dan x3 adalah nol, x1 dapat dihitung :
7,85
x1 2,616666667
3
Harga ini bersama x3 = 0 dipakai untuk menghitung x2 :
19,3 0,1(2,616666667)
x2 2,794523810
7
Analisa Numerik 55
Iterasi pertama diselesaikan dengan memasukkan harga-harga x1 dan x2
untuk menghitung x3 :
71,4 0,3(2,616666667) 0,2(2,794523810)
x3 7,005609524
10
Iterasi kedua dilakukan dengan harga-harga baru sehingga didapat :
x1 = 2,990556508 |t = 0,31 %
x2 = -2,499624684 |t = 0,015 %
x3 = 7,00029081 |t = 0,0042 %
Terlihat bahwa solusinya semakin konvergen terhadap hasil
sebenarnya. Iterasi tambahan dapat dilakukan untuk mendapatkan
hasil lebih baik.
Analisa Numerik 56
BAB VI FORMULA INTEGRASI
NEWTON COTES
Formula ini adalah perencanaan integrasi numerik yang paling umum,
didasarkan pada strategi penggantian sebuah fungsi yang rumit atau
data yang ditabulasikan dengan beberapa fungsi aproksimasi yang
mudah diintegrasikan :
Analisa Numerik 57
6.1. ATURAN TRAPESIUM
Aturan ini adalah formula pertama integrasi tertutup Newton-Cotes,
yang bersesuaian dengan kasus polinomial orde pertama :
I ab f ( x)dx ab f1 ( x)dx
Sebuah garis lurus dapat dinyatakan sebagai :
f (b) f (a )
f1 ( x) f (a ) ( x a)
ba
Luasan di bawah garis lurus ini adalah suatu taksiran harga integral f(x)
antara batas-batas a dan b :
f (b) f (a)
f1 ( x) cb f (a) ( x a)dx
ba
Analisa Numerik 58
Hasil integrasinya adalah aturan trapesium berikut :
f (a ) f (b)
I (b a )
2 f(x)
f(b)
Secara geometrik aturan trapesium
adalah ekuivalen dengan aproksimasi f(a)
luas trapesium di bawah garis lurus f(a)
dan f(b). Luas trapesium adalah tinggi
a b x
dikali rata-rata alas. Tetapi dalam kasus
ini, tinggi dan alas posisinya terbalik, alas
sehingga :
tinggi
I = lebar x tinggi rata-rata
alas
= (b-a) x tinggi rata-rata
Dimana tinggi rata-rata sama dengan
tinggi
tinggi
rata-rata harga fungsi pada titik-titik lebar
ujung, atau [f(a) + f(b)]/2
Analisa Numerik 59
6.1.1. Kesalahan Aturan Trapesium
Kesalahan ini dapat dijelaskan secara grafis. Misal integrasi numerik
dari persamaan f(x) = 0,2 + 25x – 200x2 + 675x3 –900x4 + 400x5, dari
a = 0 sampai b = 0,8.
Solusi : harga-harga fungsi :
f(x)
f(0) = 0,2
f(0,8) = 0,232
Gambar grafiknya :
0,4
Terlihat bahwa kesalahan
kesalahan
yang terjadi sangat besar
karena luas di bawah garis
lurus mengabaikan porsi
penting integral di atasnya. Taksiran integral
0 0,8 x
Analisa Numerik 60
6.2. ATURAN TRAPESIUM SEGMEN BERGANDA
Aturan ini dikembangkan untuk f(x)
memperbaiki akurasi dengan cara membagi
interval integrasi dari a ke b menjadi
sejumlah segmen dan menerapkan metode
tersebut ke setiap segmen. Semakin banyak
segmennya, semakin baik hasilnya.
Bentuk umum solusi integralnya : x0 x1 x2 x3 x
n 1
f ( x 0 ) 2 f ( xi ) f ( x n ) f(x)
I (b a ) i 1
2n
x0 x1 x2 x3 x4 x5 x
Analisa Numerik 61
6.3. ATURAN SIMPSON
Aturan ini menggunakan aturan trapesium dengan segmentasi yang
lebih halus dan polinomial dengan orde yang lebih tinggi. Hal ini
dilakukan dengan memberikan titik tambahan antara f(a) dan f(b) dan
menghubungkan ketiga titik dengan parabola.
f(x)
Gambar di samping adalah aturan
Simpson 1/3. Jika kurva dihubungkan
dengan 4 titik maka berlaku luas di
bawah persamaan kubik yang
mengikuti aturan Simpson 3/8.
x
6.2.1. Aturan Simpson 1/3.
Aturan Simpson 1/3 merupakan integrasi tertutup Newton-Cotes kedua,
yang melibatkan polinomial orde kedua.
Analisa Numerik 62
Persamaan umum aturan Simpson 1/3 :
I f x0 4 f x1 f x2
h
3
dimana h = (b – a)/2
Atau dapat pula dinyatakan sebagai :
f x0 4 f x1 f x2
I b a
6
Analisa Numerik 63
Persamaan umumnya :
n 1 n2
f ( x 0 ) 4 f ( xi ) 2 f ( x j ) f ( xn )
i 1, 3, 5 j 2, 4, 6
I (b a )
3n
I
3h
f x0 3 f x1 3 f x2 f ( x3 )
8
dengan h = (b - a)/3
Analisa Numerik 64
Atau dapat pula dinyatakan sebagai :
f x0 3 f x1 3 f x2 f ( x3 )
I b a
8
0 x
Analisa Numerik 65
6.5. KUADRATUR GAUSS
Aturan Trapesium memiliki tingkat f(x)
kesalahan yang cukup tinggi.
Kuadratur Gauss memperbaiki metode
ini dengan jalan menempatkan dua
buah titik pada kurva integrasi secara Trapesium
bijaksana. Dari dua buah titik ini
didapat sebuah garis lurus dengan 0 x
luasan di bawahnya yang dapat f(x)
mengimbangi tingkat kesalahan.
Persamaan umumnya :
ba ba Kuadratur
I f (a) f (b)
2 2 Gauss
Yang ekuivalen dengan aturan
trapesium 0 x
Analisa Numerik 66