ANALISIS NUMERIK

SISTEM PERSAMAAN LINEAR

DENGAN METODE ITERASI GAUSS SEIDEL

Disusun untuk Memenuhi Tugas Mata Kuliah Analisis Numerik

Dosen Pengampu: Dr. Sri Andayani, M.Kom

Oleh:
KELOMPOK 3
Rindang Maaris Aadzaar 18709251024
Eka Puspita sari 18709251035

PROGRAM STUDI PENDIDIKAN MATEMATIKA

PASCASARJANA UNIVERSITAS NEGERI YOGYAKARTA
2019
A. SISTEM PERSAMAAN LINEAR DENGAN METODE ITERASI GAUSS SEIDEL
Metode iterasi Gauss-Seidel digunakan untuk menyelesaikan Sistem Persamaan Linear
(SPL) dengan tingkat kerumitan yang tinggi. Selain dapat menghemat waktu pengerjaan,
metode ini juga dapat mengkontrol round-off error sehingga terjadinya galat dapat
diminimalisir.
Metode Iterasi Gauss-Seidel merupakan modifikasi dari metode Iterasi Jacobi. Pada
(𝑘) (𝑘) (𝑘)
metode iterasi Jacobi, nilai-nilai 𝑥1 , 𝑥2 , … , 𝑥𝑛 , yang diperoleh pada iterasi ke-𝑘, digunakan
(𝑘+1) (𝑘+1) (𝑘+1)
untuk menghitung nilai-nilai 𝑥1 , 𝑥2 , … , 𝑥𝑛 pada iterasi ke-(𝑘 + 1). Pada metode
iterasi Gauss-Seidel, nilai-nilai yang paling akhir dihitung digunakan di dalam semua
perhitungan.
B. ALGORITMA METODE ITERASI GAUSS SEIDEL
1. Diketahui n persamaan dan n bilangan
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
⋮
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + 𝑎𝑛3 𝑥3 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑛
2. Tulis persamaan dalam bentuk matriks.
3. Pastikan matriks merupakan matriks dominan diagonal agar penyelesaiannya
konvergen dengan kondisi
𝑛

|𝑎𝑖𝑖 | ≥ ∑ 𝑎𝑖𝑗
𝑗=1
𝑗≠𝑖

Jika bukan merupakan matriks dominan diagonal, maka dapat disusun ulang menjadi
sedemikian.
4. Jika elemen diagonal tidak nol, tuliskan kembali masing-masing persamaan untuk
menyelesaikan bilangan yang tak diketahui.
𝑐1 − 𝑎12 𝑥2 − 𝑎13 𝑥3 … − 𝑎1𝑛 𝑥𝑛
𝑥1 =
𝑎11
𝑐2 − 𝑎21 𝑥1 − 𝑎23 𝑥3 … − 𝑎2𝑛 𝑥𝑛
𝑥2 =
𝑎22
⋮
𝑐𝑛−1 − 𝑎𝑛−1.1 𝑥1 − 𝑎𝑛−1.2 𝑥2 … − 𝑎𝑛−1.𝑛−2 𝑥𝑛−2 − 𝑎𝑛−1.𝑛 𝑥𝑛
𝑥𝑛−1 =
𝑎𝑛−1.𝑛−1
𝑐𝑛 − 𝑎𝑛1 𝑥1 − 𝑎𝑛2 𝑥2 − ⋯ − 𝑎𝑛.𝑛−1 𝑥𝑛−1
𝑥𝑛 =
𝑎𝑛𝑛
 Atau

𝑐1 −∑𝑛
𝑗=1 𝑎1𝑗 .𝑥𝑗 𝑐𝑛−1 −∑𝑛𝑗=1 𝑎𝑛−1,𝑗 .𝑥𝑗
𝑗≠1 𝑗≠𝑛−1
𝑥1 = 𝑥𝑛−1 =
𝑎11 𝑎𝑛−1,𝑛−1

𝑐2 −∑𝑛
𝑗=1 𝑎2𝑗 .𝑥𝑗 𝑐𝑛 −∑𝑛
𝑗=1 𝑎𝑛𝑗 .𝑥𝑗
𝑗≠2 𝑗≠𝑛
𝑥2 = 𝑥𝑛 =
𝑎22 𝑎𝑛𝑛

5. Asumsikan suatu nilai perkiraan untuk [X].

6. Gunakan persamaan yang telah ditulis ulang untuk menyelesaikan masing-masing
nilai 𝑥𝑖 . (Penting: Gunakan nilai terbaru 𝑥𝑖 untuk setiap iterasi persamaan berikutnya).
7. Hentikan iterasi bila nilai |𝑒𝑎 | kurang dari nilai kesalahan yang ditoleransikan untuk
semua bilangan tidak diketahui tersebut. Nilai absolut dari kesalahan relatif |𝑒𝑎 |:
𝑥𝑖𝑏𝑎𝑟𝑢 − 𝑥𝑖𝑙𝑎𝑚𝑎
|𝑒𝑎 | = | | 100%
𝑥𝑖𝑏𝑎𝑟𝑢
C. CONTOH SOAL
Diberikan Sistem Persamaan Aljabar Linear sebagai berikut (𝑒𝑠 = 1%)

12𝑥1 + 3𝑥2 − 5𝑥3 = 1

𝑥1 + 5𝑥2 + 3𝑥3 = 28
3𝑥1 + 7𝑥2 + 13𝑥3 = 76
Penyelesaian Secara Manual :
1. Membentuk persamaan menjadi matriks
12 3 −5 𝑥1 1
[1 5 3 ] [𝑥2 ] = [28]
3 7 13 𝑥3 76
2. Memastikan matriks merupakan matriks dominan diagonal
12 3 −5
[𝐴] = [ 1 5 3]
3 7 13

|𝑎11 | = |12| = 12 ≥ |𝑎12 | + |𝑎13 | = |3| + |−5| = 8

|𝑎22 | = |5| = 5 ≥ |𝑎21 | + |𝑎23 | = |1| + |3| = 4
|𝑎33 | = |13| = 13 ≥ |𝑎31 | + |𝑎32 | = |3| + |7| = 10
 Dapat dilihat bahwa semua koefisien matriks tidak sama, dan salah satu baris bernilai lebih
besar.
Oleh karen itu: Penyelesaian dengan Metode Gauss-Siedel akan konvergen.
3. Menulis kembali persamaan menjadi
1 − 3𝑥2 + 5𝑥3
𝑥1 =
12
28 − 𝑥1 − 3𝑥3
𝑥2 =
5
76 − 3𝑥1 − 7𝑥2
𝑥3 =
13

4. Diasumsikan suatu nilai perkiraan untuk [X] sebagai berikut

𝑥1 1
[𝑥2 ] = [0]
𝑥3 1
5. Menggunakan persamaan yang telah ditulis ulang untuk menyelesaikan masing-masing
nilai 𝑥𝑖 dan menentukan nilai absolut kesalahan relatif
a. Iterasi 1

1 − 3(0) + 5(1)
𝑥1 = = 0,50000
12
28 − (0,5) − 3(1)
𝑥2 = = 4,9000
5
76 − 3(0,5000) − 7(4,9000)
𝑥3 = = 3,0923
13

Nilai absolut kesalahan relatif :

0,5000 − 1,000
|𝑒𝑎 |1 = | | 100% = 100,00%
0,5000
4,9000 − 0
|𝑒𝑎 |2 = | | 100% = 100,00%
4,9000
3,0923 − 1,000
|𝑒𝑎 |3 = | | 100% = 67,662%
3,0923

Nilai terbesar dari kesalahan relatif adalah 100%.

b. Iterasi 2
1 − 3(4,9) + 5(3,0923)
𝑥1 = = 0,14679
12
28 − (0,14679) − 3(3,0923)
𝑥2 = = 3,71525
5
76 − 3(0,14679) − 7(3,71525)
𝑥3 = = 3,8118
13

Nilai absolut kesalahan relatif :

0,14679 − 0,5000
|𝑒𝑎 |1 = | | 100% = 240,61%
0,14679
3,7153 − 4,9000
|𝑒𝑎 |2 = | | 100% = 31,889%
3,7153
3,8118 − 3,0923
|𝑒𝑎 |3 = | | 100% = 18,874%
3,8118

Nilai terbesar dari kesalahan relatif adalah 240,61%.

c. Iterasi 3
1 − 3(3,7153) + 5(3,8118)
𝑥1 = = 0,74275
12
28 − (0,74275) − 3(3,8118)
𝑥2 = = 3,16439
5
76 − 3(0,74275) − 7(3,16439)
𝑥3 = = 3,97084
13
Nilai absolut kesalahan relatif :
0,74275 − 0,14679
|𝑒𝑎 |1 = | | 100% = 80,2363%
0,74275
3,164344 − 3,7152
|𝑒𝑎 |2 = | | 100% = 17,4081%
3,164344
3,9708 − 3,8118
|𝑒𝑎 |3 = | | 100% = 4,0064%
3,9708
Nilai terbesar dari kesalahan relatif adalah 80,2363%.
d. Iterasi 4
1 − 3(3,1644) + 5(3,9708)
𝑥1 = = 0,9468
12
28 − (0,9468) − 3(3,9708)
𝑥2 = = 3,0281
5
 76 − 3(0,9468) − 7(3,0281)
𝑥3 = = 3,9971
13
Nilai absolut kesalahan relatif :
0,9468 − 0,7428
|𝑒𝑎 |1 = | | 100% = 21,5475%
0,9468
3,0281 − 3,1644
|𝑒𝑎 |2 = | | 100% = 4,4996%
3,0281
3,9971 − 3,9708
|𝑒𝑎 |3 = | | 100% = 0,6577%
3,9971
Nilai terbesar dari kesalahan relatif adalah 21,5475%.
e. Iterasi 5
1 − 3(3,0281) + 5(3,9971)
𝑥1 = = 0,9918
12
28 − (0,9918) − 3(3,9971)
𝑥2 = = 3,0034
5
76 − 3(0,9918) − 7(3,0034)
𝑥3 = = 4,00009
13
Nilai absolut kesalahan relatif :
0,9918 − 0,9468
|𝑒𝑎 |1 = | | 100% = 4,5391%
0,9918
3,0034 − 3,0281
|𝑒𝑎 |2 = | | 100% = 0,82499%
3,0034
4,00009 − 3,9971
|𝑒𝑎 |3 = | | 100% = 0,0738%
4,00009
Nilai terbesar dari kesalahan relatif adalah 4,5391%.
f. Iterasi 6
1 − 3(3,0034) + 5(4,00009)
𝑥1 = = 0,9992
12
28 − (0,9992) − 3(4,00009)
𝑥2 = = 3,0001
5
76 − 3(0,9992) − 7(3,0001)
𝑥3 = = 4,0001
13
Nilai absolut kesalahan relatif :
0,9992 − 0,9918
|𝑒𝑎 |1 = | | 100% = 0,7431%
0,9992
3,0001 − 3,0034
|𝑒𝑎 |2 = | | 100% = 0,1086%
3,0001
 4,0001 − 4,00009
|𝑒𝑎 |3 = | | 100% = 0,00101%
4,0001
Nilai terbesar dari kesalahan relatif adalah 0,7431%.
6. Iterasi berhenti karena nilai terbesar dari kesalahan relatif ≤ 1%.
7. Sehingga hasil akhir iterasi

𝑥1 0,99919
[𝑥2 ] = [ 3,0001 ]
𝑥3 4,0001

Penyelesaian dengan Menggunakan Excel

Penyelesaian dengan Menggunakan Matlab

 Sintak
A=[12 3 -5;1 5 3;3 7 13]
b=[1 28 76]'
x=[1 0 1]'
n=size(x,1);
normVal=Inf;
%%
% * _*Tolerence for method*_
tol=1e-2; itr=0;
%% Algorithm: Gauss Seidel Method
%%
while normVal>tol
x_old=x;

for i=1:n

sigma=0;

for j=1:i-1
sigma=sigma+A(i,j)*x(j);
end

for j=i+1:n
sigma=sigma+A(i,j)*x_old(j);
end
 x(i)=(1/A(i,i))*(b(i)-sigma);
end

itr=itr+1;
normVal=norm(x_old-x);
end
%%
fprintf('Solution of the system is : \n%f\n%f\n%f\n%f in %d
iterations',x,itr);

 Output
A=
12 3 -5
1 5 3
3 7 13
b=
1
28
76
x=
1
0
1
Solution of the system is :
0.999195
3.000109
4.000127