Buku Komputasi PDF

Komputasi untuk Sains dan Teknik
-Menggunakan Matlab-
Supriyanto Suparno
( Website: http://supriyanto.fisika.ui.ac.id )
( Email: supriyanto@sci.ui.ac.id atau supri92@gmail.com )
Edisi Pertama
Revisi terakhir tgl: 24 Oktober 2014
Departemen Fisika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Univeristas Indonesia
2014
Untuk
Muflih Syamil
Hasan Azmi
Farah Raihana
Nina Marliyani
Usia bukan ukuran kedewasaan
Ketekunan adalah jalan terpercaya menuju kesuksesan

Kata Pengantar
Segala puji saya panjatkan kepada Tuhan Yang Maha Esa atas kesempatan yang telah Dia dibe-
rikan untuk menulis Buku Komputasi untuk Sains dan Teknik. Buku ini disusun dengan tujuan
yaitu, pertama, untuk memperkenalkan sejumlah metode komputasi numerik kepada maha-
siswa sarjana ilmu fisika; kedua, memperkenalkan tahap-tahap pembuatan program komputer
(script) dan logika pemrograman dalam bahasa Matlab untuk memecahkan problem fisika seca-
ra numerik. Rujukan utama buku adalah pada buku teks standar yang sangat populer di dunia
komputasi, yaitu buku yang ditulis oleh Richard L. Burden dan J. Douglas Faires dengan judul
Numerical Analysis edisi ke-7, diterbitkan oleh Penerbit Brooks/Cole, Thomson Learning Aca-
demic Resource Center. Namun demikian, buku ini telah dilengkapi dengan sejumlah contoh
script yang mudah dipahami oleh programmer pemula.
Walaupun buku ini masih jauh dari sempurna, semoga ia dapat memberikan sumbangan
yang berarti untuk peningkatan kapasitas dan kompetensi anak bangsa generasi penerus. Bagi
yang ingin berdiskusi, memberikan masukan, kritikan dan saran, silakan dikirimkan ke email:
supriyanto@sci.ui.ac.id
Akhirnya saya ingin mengucapkan rasa terima kasih yang tak terhingga kepada Dede Dju-
hana yang telah berkenan memberikan format LATEX-nya sehingga tampilan tulisan pada buku
ini benar-benar layaknya sebuah buku yang siap dicetak. Tak lupa, saya pun berterima kasih
kepada seluruh mahasiswa yang telah mengambil mata kuliah Komputasi Fisika dan Anaisis Nu-
merik di Departemen Fisika, FMIPA, Universitas Indonesia atas diskusi yang berlangsung selama
kuliah. Kepada seluruh mahasiswa dari berbagai universitas di Timur dan di Barat Indonesia
juga saya ungkapkan terima kasih atas pertanyaan-pertanyaan yang turut memperkaya isi buku
ini. Tak lupa saya ingin sampaikan rasa terima kasih kepada Dikti, Kementerian Pendidikan dan
Kebudayaan, RI atas segala dukungan dan apresiasi terhadap penerbitan buku ini.
Depok, 24 Oktober 2014

Supriyanto Suparno
iii
iv
Daftar Isi
Lembar Persembahan i
Kata Pengantar iii
Daftar Isi iii
Daftar Gambar ix
Daftar Tabel xiii
1 Pendahuluan 1
1.1 Inisialisasi variabel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Perhitungan yang berulang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Mengenal cara membuat grafik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Gerak mobil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Osilasi teredam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Baris-baris pembuka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Membuat 2 grafik dalam satu gambar . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Matriks dan Komputasi 15

2.1 Mengenal matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Vektor-baris dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Inisialisasi matriks dalam memori komputer . . . . . . . . . . . . . . . . . . . . . 16
2.4 Macam-macam matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.1 matriks transpose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.2 matriks bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3 Matrik simetrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.4 matriks diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.5 matriks identitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.6 matriks upper-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.7 matriks lower-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.8 matriks tridiagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.9 matriks diagonal dominan . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.10 matriks positive-definite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 Operasi matematika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.1 Penjumlahan matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5.2 Komputasi penjumlahan matriks . . . . . . . . . . . . . . . . . . . . . . . 21
v
vi
2.5.3 Perkalian matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.5.4 Komputasi perkalian matriks . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5.5 Perkalian matriks dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . 35
2.5.6 Komputasi perkalian matriks dan vektor-kolom . . . . . . . . . . . . . . . 36
2.6 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.7 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3 Fungsi 41
3.1 Fungsi internal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Fungsi eksternal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Fungsi eksternal pada operasi matrik . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4 Fungsi eksternal penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5 Fungsi eksternal perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.6 Fungsi eksternal perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . . . 49
3.7 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.8 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 Aplikasi dalam Sains 55

4.1 Metode gravitasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5 Mencari Solusi Satu Variabel 65

5.1 Definisi akar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2 Metode bisection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2.1 Script Matlab metode bisection . . . . . . . . . . . . . . . . . . . . . . . . 69
5.3 Metode Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3.1 Contoh 1: penerapan metode Newton . . . . . . . . . . . . . . . . . . . . 72
5.3.2 Script metode Newton untuk contoh 1 . . . . . . . . . . . . . . . . . . . . 75
5.3.3 Contoh 2: penerapan metode Newton . . . . . . . . . . . . . . . . . . . . 76
5.4 Soal-soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6 Integral Numerik 79
6.1 Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.2 Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.3 Peran faktor pembagi, n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.3.1 Source code metode integrasi . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.4 Metode Composite-Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.5 Adaptive Quardrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.6 Gaussian Quadrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.6.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.6.2 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
vii
7 Diferensial Numerik 89
7.1 Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.2 Metode Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.2.1 Aplikasi: Pengisian muatan pada kapasitor . . . . . . . . . . . . . . . . . . 98
7.3 Latihan I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.4 Metode Finite Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.4.1 Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.5 Latihan II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.6 Persamaan Diferensial Parsial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.7 PDP eliptik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.7.1 Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.7.2 Script Matlab untuk PDP Elliptik . . . . . . . . . . . . . . . . . . . . . . . 119
7.7.3 Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.8 PDP parabolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.8.1 Metode Forward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.8.2 Contoh ketiga: One dimensional heat equation . . . . . . . . . . . . . . . . 124
7.8.3 Metode Backward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7.8.4 Metode Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.9 PDP Hiperbolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.9.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
7.10 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
8 Metode Iterasi 141

8.1 Kelebihan Vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
8.2 Pengertian Norm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
8.2.1 Script perhitungan norm dua . . . . . . . . . . . . . . . . . . . . . . . . . 142
8.2.2 Script perhitungan norm tak hingga . . . . . . . . . . . . . . . . . . . . . 143
8.2.3 Perhitungan norm-selisih . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
8.3 Iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
8.3.1 Script metode iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8.3.2 Stopping criteria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
8.3.3 Fungsi eksternal iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . 157
8.4 Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
8.4.1 Script iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.4.2 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
8.4.3 Script iterasi Gauss-Seidel dalam Fortran . . . . . . . . . . . . . . . . . . . 166
8.5 Iterasi dengan Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
8.5.1 Algoritma Iterasi Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
9 Metode Eliminasi Gauss 171

9.1 Sistem persamaan linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
9.2 Teknik penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
viii
9.2.1 Cara menghilangkan sebuah variabel . . . . . . . . . . . . . . . . . . . . . 173

9.2.2 Permainan indeks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
9.3 Triangularisasi dan Substitusi Mundur . . . . . . . . . . . . . . . . . . . . . . . . 174
9.3.1 Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
9.3.2 Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
9.4 Matrik dan Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
9.4.1 Matrik Augmentasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
9.4.2 Penerapan pada contoh pertama . . . . . . . . . . . . . . . . . . . . . . . 178
9.4.3 Source-code dasar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
9.4.4 Optimasi source code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
9.4.5 Pentingnya nilai n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
9.4.6 Jangan puas dulu.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
9.4.7 Pivoting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
9.5 Function Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
9.6 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
9.6.1 Menghitung arus listrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
9.6.2 Mencari invers matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
9.7 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
10 Aplikasi Eliminasi Gauss pada Masalah Inversi 205

10.1 Inversi Model Garis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
10.1.1 Script matlab inversi model garis . . . . . . . . . . . . . . . . . . . . . . . 208
10.2 Inversi Model Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
10.2.1 Script matlab inversi model parabola . . . . . . . . . . . . . . . . . . . . . 213
10.3 Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
10.4 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
10.4.1 Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . 216
11 Metode LU Decomposition 223

11.1 Faktorisasi matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
11.2 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
12 Interpolasi 233
12.1 Interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
12.2 Interpolasi Cubic Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
13 Solusi Sistem Persamaan Non Linear 247

13.1 Fungsi ber-input vektor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
13.2 Fungsi ber-output vektor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
13.3 Fungsi ber-output matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
13.4 Metode Newton untuk sistem persamaan . . . . . . . . . . . . . . . . . . . . . . . 249
13.5 Aplikasi: Mencari sumber sinyal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
13.6 Aplikasi: Mencari pusat gempa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
ix
14 Metode Monte Carlo 257

14.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
15 Inversi 261
15.1 Inversi Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
15.2 Inversi Non-Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
16 Lampiran 267
16.1 Script Iterasi Jacobi, jcb.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
16.2 Script Iterasi Gauss-Seidel, itgs.m . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
Indeks 269
x
Daftar Gambar
1.1 Data perubahan kecepatan terhadap waktu . . . . . . . . . . . . . . . . . . . . . 4

1.2 Data perubahan kecepatan terhadap waktu dengan keterangan gambar . . . . . . 4
1.3 Kurva simpangan benda yang mengalami gerak osilasi teredam . . . . . . . . . . 5
1.4 Grafik gelombang berfrekuensi 5 Hz dalam rentang waktu dari 0 hingga 1 detik . 7
1.5 Grafik yang dilengkapi dengan keterangan sumbu-x dan sumbu-y serta judul . . . 8
1.6 Grafik yang dilengkapi dengan font judul 14pt . . . . . . . . . . . . . . . . . . . . 8
1.7 Dua buah grafik dalam sebuah gambar . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Tiga buah grafik dalam sebuah gambar . . . . . . . . . . . . . . . . . . . . . . . . 10
1.9 Lintasan elektron ketika memasuki medan magnet . . . . . . . . . . . . . . . . . 11
1.10 Kapasitor dan induktor masing-masing terhubung seri dengan sumber tegangan
bolak-balik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1 Kurva lintasan gerak parabola yang dihasilkan oleh fungsi eksternal parabol() . . 43
4.1 Vektor percepatan gravitasi dalam arah vertikal akibat benda anomali dan akibat
bumi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2 Benda anomali berupa bola berada dibawah permukaan bumi . . . . . . . . . . . 57
4.3 Variasi nilai percepatan gravitasi terhadap perubahan jarak horizontal . . . . . . 63
5.1 Fungsi dengan dua akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = −2 dan x = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.2 Fungsi dengan satu akar yang ditandai oleh lingkaran kecil berwarna merah, ya-
itu pada x = −1, 2599 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.3 Fungsi kuadrat yang memiliki 2 akar . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.4 Awal perhitungan: batas kiri adalah a = 0, batas kanan adalah b = 1; sementara
p adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.5 Iterasi kedua: batas kiri adalah a = 0,5, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.6 Iterasi ketiga: batas kiri adalah a = 0,5, batas kanan adalah b = 0,75; sementara
p adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.7 Perubahan f (p) dan p terhadap bertambahnya iterasi . . . . . . . . . . . . . . . . 71
5.8 Nilai akar ditandai oleh lingkaran kecil pada kurva yang memotong sumbu-x . . . 72
xi
xii DAFTAR GAMBAR
6.1 Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara meto-
de Trapesoida menghitung integral dengan cara menghitung luas area integrasi, dimana
luas area integrasi sama dengan luas trapesium di bawah kurva f (x) dalam batas-batas a
dan b. Jika anda perhatikan dengan teliti, ada area kecil dibawah garis kurva dan diatas
garis miring yang berada diluar bidang trapesium. Metode Trapesoida tidak menghitung
luas area kecil tersebut. Disinilah letak kelemahan metode trapezoida. . . . . . . . . . . 80
6.2 Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara me-
tode Simpson menghitung luas area integrasi, dimana area integrasi di bawah kurva f (x)
dibagi 2 dalam batas interval a − x1 dan x1 − b dengan lebar masing-masing adalah h . . 81
6.3 Metode Composite Simpson. Kurva fungsi f (x) dengan batas bawah integral adalah a
dan batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-
masing adalah h. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.1 Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebesar
h. Pasangan t1 adalah y(t1 ), pasangan t2 adalah y(t2 ), begitu seterusnya. Kanan: Garis
singgung yang menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis singgung
tersebut, ditentukan pasangan t1 sebagai w1 . Perhatikan gambar itu sekali lagi! w1 dan
y(t1 ) beda tipis alias tidak sama persis. . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.2 Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu
nilai wi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.3 Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta
orde 4, yaitu nilai wi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.4 Rangkaian RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.5 Kurva pengisian muatan q (charging) terhadap waktu t . . . . . . . . . . . . . . . 104
7.6 Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah x0 = a hingga batas atas
x6 = b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.8 Skema grid lines dan mesh points pada aplikasi metode Finite-Difference . . . . . . 115
7.9 Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu . . . . . . . . . . . . . . . . . . . . . . . 117
7.10 Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur. Ja-
rak antar titik ditentukan sebesar h = 0, 1. . . . . . . . . . . . . . . . . . . . . . . . . 124
7.11 Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005 . . . . . . . 124
7.12 Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forward-
difference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat . . . . 125
DAFTAR GAMBAR xiii
10.1 Sebaran data observasi antara suhu dan kedalaman . . . . . . . . . . . . . . . . . 206

10.2 Kurva hasil inversi data observasi antara suhu dan kedalaman . . . . . . . . . . . 209
10.3 Kurva hasil inversi data observasi antara suhu dan kedalaman . . . . . . . . . . . 214
10.4 Grafik data pengukuran gerak batu . . . . . . . . . . . . . . . . . . . . . . . . . . 218
10.5 Grafik hasil inversi parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
12.1 Kurva hasil interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236

12.2 Sejumlah titik terdistribusi pada koordinat kartesian. Masing-masing titik memi-
liki pasangan koordinat (x, y) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
12.3 Kurva interpolasi cubic spline yang menghubungkan semua titik . . . . . . . . . . 238
12.4 Sejumlah polinomial cubic yaitu S0 , S1 , S2 ... dan seterusnya yang saling sambung-
menyambung sehingga mampu menghubungkan seluruh titik . . . . . . . . . . . 238
12.5 Profil suatu object . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
12.6 Sampling titik data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
12.7 Hasil interpolasi cubic spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
12.8 Hasil interpolasi lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
13.1 Koordinat sumber sinyal berada pada x = −4 dan y = −8 . . . . . . . . . . . . . 251
14.1 Lingkaran dan bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257

14.2 Dart yang menancap pada bidang lingkaran dan bujursangkar . . . . . . . . . . . 258
14.3 Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar . . . . . . . . 259
xiv DAFTAR GAMBAR
Daftar Tabel
5.1 Perubahan nilai f (p) dan p hingga iterasi ke-20 . . . . . . . . . . . . . . . . . . . 67
6.1 Polinomial Legendre untuk n=2,3,4 dan 5 . . . . . . . . . . . . . . . . . . . . . . 86
7.1 Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih
antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.2 Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact
y(ti ) serta selisih antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.3 Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan
hasil perhitungan dari solusi exact, yaitu persamaan (7.16) . . . . . . . . . . . . 103
7.4 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2 adalah
solusi analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forward-difference. Ko-
lom ke-4 dan ke-6 adalah selisih antara solusi analitik dan numerik . . . . . . . . . . . 128
7.5 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backward-
difference dimana k = 0, 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.6 Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan
metode backward-difference dan Crank-Nicolson . . . . . . . . . . . . . . . . . . . 136
8.1 Hasil akhir elemen-elemen vektor x hingga iterasi ke-10 . . . . . . . . . . . . . . 154

8.2 Hasil perhitungan norm2-selisih hingga iterasi ke-10 . . . . . . . . . . . . . . . . 155
8.3 Hasil Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.4 Hasil perhitungan iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . 169
8.5 Hasil perhitungan iterasi Relaksasi dengan ω = 1, 25 . . . . . . . . . . . . . . . . 169
10.1 Data suhu bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . . . 205

10.2 Data suhu bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . . . 210
10.3 Data ketinggian terhadap waktu dari planet X . . . . . . . . . . . . . . . . . . . . 217
13.1 Koordinat Sumber Sinyal dan Waktu Tempuh Sinyal . . . . . . . . . . . . . . . . 251

13.2 Data Gempa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
xv
xvi DAFTAR TABEL
Bab 1
Pendahuluan
✍ Objektif :
⊲ Mengenal cara inisialisasi variabel.
⊲ Mengenal operasi matematika.
⊲ Mengenal fungsi-fungsi dasar.
⊲ Mengenal cara membuat grafik.
1.1 Inisialisasi variabel
Salah satu perbedaan utama antara komputer dan kalkulator adalah pemanfaatan variabel da-
lam proses perhitungan. Kebanyakan kalkulator tidak menggunakan variabel dalam proses per-
hitungan; sebaliknya, komputer sangat memanfaatkan variabel dalam proses perhitungan.
Misalnya kita ingin mengalikan 2 dengan 3. Dengan kalkulator, langkah pertama yang akan
kita lakukan adalah menekan tombol angka 2, kemudian diikuti menekan tombol ×, lalu me-
nekan tombol angka 3, dan diakhiri dengan menekan tombol =; maka keluarlah hasilnya yaitu
angka 6. Kalau di komputer, proses perhitungan seperti ini dapat dilakukan dengan memanfa-
atkan variabel. Pertama-tama kita munculkan sebuah variabel yang diinisialisasi1 dengan angka
2, misalnya A = 2. Kemudian kita munculkan variabel lain yang diinisialisasi dengan angka 3,
misalnya B = 3. Setelah itu kita ketikkan A ∗ B; maka pada layar monitor akan tampil angka 6.
Bahkan kalau mau, hasil perhitungannya dapat disimpan dalam variabel yang lain lagi, misalnya
kita ketikkan C = A ∗ B; maka hasil perhitungan, yaitu angka 6 akan disimpan dalam variabel
C. Skrip2 Matlab untuk melakukan proses perhitungan seperti itu adalah sebagai berikut
A = 2;
B = 3;
C = A * B
1
inisialisasi adalah proses memberi nilai awal pada suatu variabel
2
Skrip atau dalam bahasa Inggris ditulis Script adalah daftar baris-baris perintah yang akan dikerjakan (di-
eksekusi) oleh komputer
1
2 BAB 1. PENDAHULUAN
Nama suatu variabel tidak harus hanya satu huruf, melainkan dapat berupa sebuah kata.
Misalnya kita ingin menyatakan hukum Newton kedua, yaitu F = ma, dengan m adalah massa,
a adalah percepatan dan F adalah gaya. Maka, script Matlab dapat ditulis seperti berikut ini
massa = 2;
percepatan = 3;
gaya = massa * percepatan
Atau bisa jadi kita memerlukan variabel yang terdiri atas dua patah kata. Dalam hal ini, kedua
kata tadi mesti dihubungkan dengan tanda underscore. Perhatikan contoh berikut
besar_arus = 2;
beda_potensial = 3;
nilai_hambatan = beda_potensial / besar_arus
Semua contoh di atas memperlihatkan perbedaan yang begitu jelas antara penggunaan kom-
puter dan kalkulator dalam menyelesaikan suatu perhitungan.
1.2 Perhitungan yang berulang
Di dalam Matlab, suatu variabel dapat diinisialisasi dengan urutan angka. Misalnya jika variabel
t hendak diinisialisasi dengan sejumlah angka yaitu 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 dan 10, caranya
sangat mudah, cukup dengan mengetikkan
t = 0:10;
Angka 0 pada script di atas merupakan nilai awal; sedangkan angka 10 adalah nilai akhir.
Contoh lainnya, jika Anda hanya menginginkan bilangan genap, cukup ketikkan
t = 0:2:10;
angka 2 bertindak sebagai nilai interval dari 0 sampai 10. Sehingga angka-angka yang muncul
adalah 0, 2, 4, 6, 8 dan 10. Urutan angka dapat dibalik dengan mengetikkan
t = 10:-2:0;
sehingga angka yang muncul adalah 10, 8, 6, 4, 2 dan 0. Adakalanya proses perhitungan
meminta kita untuk memulainya dari angka kurang dari nol, misalnya
t = -10:3:4;
maka angka-angka yang tersimpan pada variabel t adalah -10, -7, -4, -1 dan 2.
Dengan adanya kemampuan dan sekaligus kemudahan inisialisasi urutan angka seperti ini,
maka kita dimudahkan dalam melakukan perhitungan yang berulang. Sebagai contoh, kita
ingin mensimulasikan perubahan kecepatan mobil balap yang punya kemampuan akselerasi 2
m/s2 . Rumus gerak lurus berubah beraturan sangat memadai untuk maksud tersebut
v = vo + at (1.1)
1.3. MENGENAL CARA MEMBUAT GRAFIK 3
Jika kita hendak mengamati perubahan kecepatan mobil balap dari detik pertama di saat se-
dang diam hingga detik ke-5, kita dapat menghitung perubahan tersebut setiap satu detik, yaitu
pada t=1 ⇒ v1 = (0) + (2)(1) ⇒ 2m/s

pada t=2 ⇒ v2 = (0) + (2)(2) ⇒ 4m/s
pada t=3 ⇒ v3 = (0) + (2)(3) ⇒ 6m/s
pada t=4 ⇒ v4 = (0) + (2)(4) ⇒ 8m/s
pada t=5 ⇒ v5 = (0) + (2)(5) ⇒ 10m/s
skrip Matlab untuk tujuan di atas adalah

a = 2;
t = 1:5;
vo = 0;
v = vo + a * t
Jarak tempuh mobil juga dapat ditentukan oleh persamaan berikut
1
s = vo t + at2 (1.2)
2
Untuk menentukan perubahan jarak tempuh tersebut, skrip sebelumnya mesti ditambah satu
baris lagi
1 a = 2;
2 t = 1:5;
3 vo = 0;
4 s = vo * t + 1/2 * a * t.^2
Ada hal penting yang perlu diperhatikan pada baris ke-4 di atas, yaitu penempatan tanda titik
pada t.∧ 2. Maksud dari tanda titik adalah setiap angka yang tersimpan pada variabel t harus di-
kuadratkan. Jika Anda lupa menempatkan tanda titik, sehingga tertulis t∧ 2, maka skrip tersebut
tidak akan bekerja.
1.3 Mengenal cara membuat grafik
1.3.1 Gerak mobil
Seringkali suatu informasi lebih mudah dianalisis setelah informasi tersebut ditampilkan dalam
bentuk grafik. Pada contoh mobil balap di atas, kita bisa menggambar data perubahan kece-
patan mobil terhadap waktu dengan menambahkan perintah plot seperti ditunjukkan oleh skrip
dibawah ini
1 a = 2;
2 t = 1:5;
3 vo = 0;
4 v = vo + a * t
5 plot(t,v,’o’)
10
2
1 1.5 2 2.5 3 3.5 4 4.5 5
Gambar 1.1: Data perubahan kecepatan terhadap waktu
Jika skrip tersebut di-run, akan muncul Gambar 1.1. Untuk melengkapi keterangan gambar,
beberapa baris perlu ditambahkan
1 a = 2;
2 t = 1:5;
3 vo = 0;
4 v = vo + a * t;
5 plot(t,v,’o’);
6 xlabel(’Waktu (s)’);
7 ylabel(’Kecepatan (m/s)’)
8 title(’Data Kecepatan vs Waktu’)
Data Kecepatan vs Waktu

10
8
Kecepatan (m/s)
2
1 1.5 2 2.5 3 3.5 4 4.5 5
Waktu (s)
Gambar 1.2: Data perubahan kecepatan terhadap waktu dengan keterangan gambar
1.3. MENGENAL CARA MEMBUAT GRAFIK 5
1.3.2 Osilasi teredam
Gerak dari suatu benda yang mengalami osilasi teredam (damped oscillations) memenuhi persa-
maan berikut:
y = Ae−(b/2m)t cos(ωt + θ) (1.3)
dengan A = amplitudo, b = faktor redaman (damping factor), m = massa benda, ω = frekuensi

angular dan t = waktu. Adapun frekuensi angular (ω) dirumuskan oleh
s 2
k b
ω= + (1.4)
m 2m
dengan k = kontanta pegas.

Diketahui suatu benda bermassa 10,6 kg, digantung pada ujung pegas yang memiliki kon-
stanta pegas sebesar 2,05×104 N/m serta faktor redaman sebesar 63,50 N.s/m. Jika efek gravi-
tasi diabaikan dan benda diberi simpangan awal sebesar 0,1 m, maka gerak osilasi benda akan
nampak seperti Gambar 1.3.
0.1
0.08
0.06
0.04
Simpangan (meter)
0.02
−0.02
−0.04
−0.06
−0.08
−0.1
0 0.5 1 1.5 2
Waktu (detik)
Gambar 1.3: Kurva simpangan benda yang mengalami gerak osilasi teredam
Skrip Matlab untuk menghasilkan Gambar 1.3 adalah
1 m = 10.6;
2 k = 2.05e4;
3 b = 63.50;
4 A = 0.1;
5 theta = 0;
6 t = 0:0.001:2;
7
8 w = sqrt((k/m)+(b/(2*m))^2);
9 y = A*exp((-b/(2*m))*t).*cos(w*t+theta);
10
11 plot(t,y)
12 xlabel(’Waktu (detik)’);
13 ylabel(’Simpangan (meter)’);
1.4 Baris-baris pembuka
Ketika Anda membuat skrip di komputer, Anda mesti menyadari bahwa skrip yang sedang Anda
buat akan memodifikasi isi memory komputer. Oleh karena itu disarankan agar sebelum kom-
puter menjalankan skrip, maka pastikan bahwa memory komputer dalam keadaan bersih. Cara
membersihkan memory komputer, di dalam Matlab, adalah dengan menuliskan perintah clear.
Alasan yang sama diperlukan untuk membersihkan gambar dari layar monitor. Untuk maksud
ini, cukup dengan menuliskan perintah close. Sedangkan untuk membersihkan teks atau tulis-
an di layar monitor, tambahkan perintah clc. Ketiga perintah tersebut disarankan ditulis pada
baris-baris pembuka suatu skrip Matlab, seperti contoh berikut
1 clear
2 close
3 clc
4
5 a = 2;
6 t = 1:5;
7 vo = 0;
8 v = vo + a * t;
9 plot(t,v,’o’);
10 xlabel(’Waktu (dt)’);
11 ylabel(’Kecepatan (m/dt)’)
12 title(’Data Kecepatan vs Waktu’)
1.5 Membuat 2 grafik dalam satu gambar
Misalnya, sebuah gelombang dinyatakan oleh persamaan
y = A sin(2πf t + θ) (1.5)
dengan A = amplitudo; f = frekuensi; t = waktu; θ = sudut fase gelombang. Jika suatu

gelombang beramplitudo 1 memiliki frekuensi tunggal 5 Hz dan sudut fase-nya nol, maka skrip
untuk membuat grafik gelombang tersebut adalah
1 clc
2 clear
3 close
4
5 A = 1; % amplitudo
6 f = 5; % frekuensi
7 theta = 0; % sudut fase gelombang
8 t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
9 y = A * sin(2*pi*f*t + theta); % persamaan gelombang
10
11 plot(t,y) % menggambar grafik persamaan gelombang
1.5. MEMBUAT 2 GRAFIK DALAM SATU GAMBAR 7
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Gambar 1.4: Grafik gelombang berfrekuensi 5 Hz dalam rentang waktu dari 0 hingga 1 detik
Grafik di atas muncul karena ada perintah plot(t,y) yang diletakkan di baris paling akhir pada
skrip. Kata atau kalimat yang ditulis setelah tanda % tidak akan dikerjakan oleh komputer.
Modifikasi skrip perlu dilakukan untuk memberi keterangan pada sumbu-x dan sumbu-y serta
menambahkan judul grafik
1 clc
2 clear
3 close
4
5 A = 1; % amplitudo
6 f = 5; % frekuensi
7 theta = 0; % sudut fase gelombang
9 y = A * sin(2*pi*f*t + theta); % persamaan gelombang
10
11 plot(t,y) % menggambar grafik persamaan gelombang
12 xlabel(’Waktu, t (detik)’); % melabel sumbu-x
13 ylabel(’Amplitudo’); % melabel sumbu-y
14 title(’Gelombang berfrekuensi 5 Hz’); % judul grafik
Untuk memperbesar font judul grafik, tambahkan kata fontsize{14} pada title(), contohnya
title(’\fontsize{14} Gelombang berfrekuensi 5 Hz’); % judul grafik
Untuk menggambar dua buah grafik, contoh skrip berikut ini bisa digunakan
1 clc
2 clear
3 close
4
6
7 A1 = 1; % amplitudo gelombang 1
Gelombang berfrekuensi 5 Hz
1
0.8
0.6
0.4
0.2
Amplitudo
−0.2
−0.4
−0.6
−0.8
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Waktu, t (detik)
Gambar 1.5: Grafik yang dilengkapi dengan keterangan sumbu-x dan sumbu-y serta judul
1
0.8
0.6
0.4
0.2
Amplitudo
−0.2
−0.4
−0.6
−0.8
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Waktu, t (detik)
Gambar 1.6: Grafik yang dilengkapi dengan font judul 14pt

1.5. MEMBUAT 2 GRAFIK DALAM SATU GAMBAR 9
8 f1 = 5; % frekuensi gelombang 1
9 theta1 = 0; % sudut fase gelombang 1
10 y1 = A1 * sin(2*pi*f1*t + theta1); % persamaan gelombang 1
11
14 theta2 = pi/4; % sudut fase gelombang 2
16
17 figure
18
19 subplot(2,1,1)
20 plot(t,y1) % menggambar grafik persamaan gelombang 1
21 xlabel(’Waktu, t (detik)’);
22 ylabel(’Amplitudo’);
23 title(’\fontsize{14} Gelombang berfrekuensi 5 Hz’);
24
25 subplot(2,1,2)
29 title(’\fontsize{14} Gelombang berfrekuensi 3 Hz, fase pi/4’);
1
0.5
Amplitudo
−0.5
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Waktu, t (detik)
Gelombang berfrekuensi 3 Hz, fase pi/4
1
0.5
Amplitudo
−0.5
−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Waktu, t (detik)
Gambar 1.7: Dua buah grafik dalam sebuah gambar
Sekarang, jika ingin melihat tampilan superposisi kedua gelombang di atas, maka skrip berikut
ini bisa digunakan
1 clc
2 clear
3 close
4
6
9 theta1 = 0; % sudut fase gelombang 1

11
14 theta2 = pi/4; % sudut fase gelombang 2
16
17 y3 = y1 + y2; % superposisi gelombang
18
19 figure
20
21 subplot(3,1,1)
25 title(’\fontsize{14} Gelombang berfrekuensi 5 Hz’);
26
27 subplot(3,1,2)
31 title(’\fontsize{14} Gelombang berfrekuensi 3 Hz, fase pi/4’);
32
33 subplot(3,1,3)
34 plot(t,y3) % menggambar grafik superposisi gelombang
37 title(’\fontsize{14} Superposisi gelombang 5 Hz dan 3 Hz’);
1
Amplitudo
−1
0 0.2 0.4 0.6 0.8 1
Waktu, t (detik)
Gelombang berfrekuensi 3 Hz, fase pi/4
1
Amplitudo
−1
0 0.2 0.4 0.6 0.8 1
Waktu, t (detik)
Superposisi gelombang 5 Hz dan 3 Hz
2
Amplitudo
−2
0 0.2 0.4 0.6 0.8 1
Waktu, t (detik)
Gambar 1.8: Tiga buah grafik dalam sebuah gambar

1.6. LATIHAN 11
1.6 Latihan
1. Jarak tempuh mobil balap yang bergerak dengan percepatan 2 m/s2 dari posisi diam di-
tentukan oleh rumus berikut
1
s = vo t + at2
2
Buatlah skrip untuk menggambarkan grafik jarak tempuh terhadap waktu dimulai dari t
= 0 hingga t = 20 dt.
2. Sebuah elektron memasuki daerah yang dipengaruhi oleh medan listrik seperti Gambar
1.9
Gambar 1.9: Lintasan elektron ketika memasuki medan magnet
diketahui besar muatan elektron = 1,6×10−19 C, massa elektron = 9,11×10−31 kg, kece-
patan v = 3×106 m/s, kuat medan listrik E = 200 N/C , dan panjang plat ℓ = 0,1 meter.
Posisi koordinat elektron memenuhi persamaan
1 eE 2 eE
x = vt y=− t dengan percepatan a=
2 m m
Buatlah skrip untuk menentukan variasi posisi elektron (x, y) terhadap waktu (t), mulai
dari t = 0 detik hingga t = 3,33×10−8 detik dengan interval waktu 3,33×10−10 detik.
3. Berkali-kali bola ditendang dari depan gawang ke tengah lapangan oleh penjaga gawang
yang sedang berlatih. Misalnya bola ditendang sedemikian rupa sehingga bola selalu ber-
gerak dengan kecepatan awal 5 m/dt. Diketahui konstanta gravitasi adalah 9,8 m/s2 .
(a) Plot variasi ketinggian maksimum bola bila sudut tendangan bervariasi dari 30◦ hing-
ga 60◦ dengan interval 5◦ . Persamaan untuk menghitung ketinggian maksimum ada-
lah
vo2 sin2 α
hmaks =
2g
(b) Plot variasi jangkauan maksimum bola bila sudut tendangan bervariasi dari 30◦ hing-
ga 60◦ dengan interval 5◦ . Persamaan untuk menghitung jangkauan maksimum ada-
lah
vo2 sin 2α
xmaks =
g
4. Tuliskan sebuah skrip untuk menggambar superposisi gelombang yang terbentuk dari 9
gelombang berfrekuensi 9 Hz, 18 Hz, 27 Hz, 35 Hz, 47 Hz, 57 Hz, 65 Hz, 74 Hz dan 82
Hz.
5. Sebuah kapasitor 8 µF dan sebuah induktor sebesar 25 mH, masing-masing dihubungkan

ke sumber tegangan bolak-balik 150 Volt dengan frekuensi 60 Hz seperti terlihat pada
Gambar 1.10
Gambar 1.10: Kapasitor dan induktor masing-masing terhubung seri dengan sumber tegangan
bolak-balik
(a) Tentukan nilai reaktansi kapasitif pada rangkaian (a); dan reaktansi induktif pada
rangkaian (b).
(b) Tuliskan skrip Matlab untuk menggambarkan kurva arus dan tegangan pada rangka-
ian (a); kemudian plot gambar kurva-nya.
(c) Tuliskan skrip Matlab untuk menggambarkan kurva arus dan tegangan pada rangka-
ian (b); kemudian plot gambar kurva-nya.
6. Muatan Q1 sebesar 4µC terletak pada x = -1; sementara Q2 = 20µC terletak pada x = 1.
Buatlah skrip Matlab untuk tujuan:
(a) plot kurva medan listrik dari x = -10 hingga x = 10 dengan interval 0.1
(b) menghitung medan listrik pada x = 0 (cek: dititik ini, medannya TIDAK NOL; dima-
nakah posisi yang medannya NOL ?)
(c) mencari titik x yang medan-nya nol pada -1 < x < 1
(d) mencari titik-titik x yang medannya bernilai 20000
7. Muatan Q1 sebesar 4µC terletak pada x = -1; sementara Q2 = 4µC terletak pada x = 1.
(a) menghitung potensial listrik pada x = -2

1.6. LATIHAN 13
(b) menghitung potensial listrik pada x = 0

(c) menghitung potensial listrik pada x = 2 (cek: besar potensial harus sama dengan
point pertanyaan (a))
(d) menghitung medan listrik pada -1 < x < 1 dengan interval 0.1
(e) plot kurva perhitungan di atas. (cek: nilai potensial listrik terkecil ada di x = 0; dan
nilai potensial listrik meningkat ketika mendekati x = -1 atau x = 1)
(f) menghitung potensial listrik pada -10 < x < -1 dengan interval 0.1
(g) plot kurva perhitungan di atas. (cek: nilai potensial listrik harus meningkat ketika
mendekati x = -1)
(h) menghitung potensial listrik pada 1 < x < 10 dengan interval 0.1
(i) plot kurva perhitungan di atas. (cek: nilai potensial harus meningkat ketika mende-
kati x = 1)
(j) plot kurva potensial listrik dari x = -10 hingga x = 10 dengan interval 0.1
8. Muatan Q1 sebesar 4µC terletak pada x = -1; sementara Q2 = -20µC terletak pada x = 1.
(a) plot kurva potensial listrik dari x = -10 hingga x = 10 dengan interval 0.1
(b) menghitung potensial listrik pada x = 0
9. Sebuah bola pejal memiliki jari-jari sebesar 0,75 meter. Kuat medan listrik yang terukur
pada permukaan bola diketahui sebesar 890 N/C dan mengarah keluar bola. Dengan
memanfaatkan hukum Gauss, tentukan:
(a) Total muatan yang terdapat pada kulit bola

(b) Apakah muatan-nya positif atau negatif ?
(c) Kuat medan listrik pada jarak 1 meter dari pusat bola
(d) Kuat medan listrik pada jarak 0,5 meter dari pusat bola
(e) Buatlah skrip Matlab untuk menggambarkan kurva kuat medan listrik terhadap jarak
mulai dari pusat bola sampai ke jarak 3 meter
Bab 2
Matriks dan Komputasi
✍ Objektif :
⊲ Mengenalkan matriks, vektor dan jenis-jenis matriks.
⊲ Mendeklarasikan elemen-elemen matriks ke dalam memori komputer.
⊲ Mengenalkan operasi penjumlahan dan perkalian matriks.
⊲ Membuat skrip operasi matriks.
2.1 Mengenal matriks
Notasi suatu matriks berukuran n × m ditulis dengan huruf besar dan dicetak tebal, misalnya
An×m . Huruf n menyatakan jumlah baris, dan huruf m jumlah kolom. Suatu matriks tersusun
atas elemen-elemen yang dinyatakan dengan huruf kecil lalu diikuti oleh angka-angka indeks,
misalnya aij . Indeks i menunjukkan posisi baris ke-i dan indeks j menentukan posisi kolom
ke-j.
 
a11 a12 . . . a1m
 a21 a22 . . . a2m 
 
A = (aij ) = 
 .. .. ..  (2.1)
 . . . 

an1 an2 . . . anm
Pada matriks ini, a11 , a12 , ..., a1m adalah elemen-elemen yang menempati baris pertama. Se-
mentara a12 , a22 , ..., an2 adalah elemen-elemen yang menempati kolom kedua.
Contoh 1: Matriks A2×3 " #
3 8 5
A=
6 4 7
dengan masing-masing elemennya adalah a11 = 3, a12 = 8, a13 = 5, a21 = 6, a22 = 4, dan
a23 = 7.
15
16 BAB 2. MATRIKS DAN KOMPUTASI
Contoh 2: Matriks B3×2

 
1 3
B = 5 9
 
2 4
dengan masing-masing elemennya adalah b11 = 1, b12 = 3, b21 = 5, b22 = 9, b31 = 2, dan
b32 = 4.
2.2 Vektor-baris dan vektor-kolom
Notasi vektor biasanya dinyatakan dengan huruf kecil dan dicetak tebal. Suatu matriks dina-
makan vektor-baris berukuran m, bila hanya memiliki satu baris dan m kolom, yang dinyatakan
sebagai berikut h i h i
a = a11 a12 . . . a1m = a1 a2 . . . am (2.2)
Sedangkan suatu matriks dinamakan vektor-kolom berukuran n, bila hanya memiliki satu kolom
dan n baris, yang dinyatakan sebagai berikut
   
a11 a1
 a21   a2 
   
 ..  =  .. 
a=    (2.3)
 .  .
an1 an
2.3 Inisialisasi matriks dalam memori komputer
Sebelum dilanjutkan, disarankan agar Anda mencari tahu sendiri bagaimana cara membuat m-
file di Matlab dan bagaimana cara menjalankannya. Karena semua skrip yang terdapat dalam
buku ini ditulis dalam m-file. Walaupun sangat mudah untuk melakukan copy-paste, namun
dalam upaya membiasakan diri menulis skrip di m-file, sangat dianjurkan Anda menulis ulang
semuanya.
Dalam Matlab terdapat 3 cara inisialisasi matriks. Cara pertama1 , sesuai dengan Contoh 1,
adalah
1 clear all
2 clc
3
4 A(1,1) = 3;
5 A(1,2) = 8;
6 A(1,3) = 5;
7 A(2,1) = 6;
8 A(2,2) = 4;
9 A(2,3) = 7;
10 A
Sedangkan untuk matriks B3×2 , sesuai Contoh 2 adalah

1
Cara ini bisa diterapkan pada bahasa C, Fortran, Pascal, Delphi, Java, Basic, dll. Sementara cara kedua dan cara
ketiga hanya akan dimengerti oleh Matlab
2.4. MACAM-MACAM MATRIKS 17
1 clear all
2 clc
3
4 B(1,1) = 1;
5 B(1,2) = 3;
6 B(2,1) = 5;
7 B(2,2) = 9;
8 B(3,1) = 2;
9 B(3,2) = 4;
10 B
Cara kedua relatif lebih mudah dan benar-benar merepresentasikan dimensi matriksnya, dengan
jumlah baris dan jumlah kolom terlihat dengan jelas.
1 clear all
2 clc
3
4 A=[ 3 8 5
5 6 4 7 ];
6
7 B=[ 1 3
8 5 9
9 2 4 ];
Cara ketiga jauh lebih singkat, namun tidak menunjukkan dimensi matriks lantaran ditulis ha-
nya dalam satu baris.
1 clear all
2 clc
3
4 A=[ 3 8 5 ; 6 4 7 ];
5 B=[ 1 3 ; 5 9 ; 2 4];
2.4 Macam-macam matriks
2.4.1 matriks transpose
Operasi transpose terhadap suatu matriks akan menukar elemen-elemen kolom menjadi elemen-
elemen baris. Notasi matriks tranpose adalah AT atau At .
Contoh 3: Operasi transpose terhadap matriks A
 
" # 3 6
3 8 5
A= AT = 8 4
 
6 4 7
5 7
Dengan Matlab, operasi transpose cukup dilakukan dengan menambahkan tanda petik tunggal
di depan nama matriksnya
1 clear all
2 clc
3
4 A=[ 3 8 5
5 6 4 7 ];
6
7 AT = A’;
2.4.2 matriks bujursangkar
matriks bujursangkar adalah matriks yang jumlah baris dan jumlah kolomnya sama.
Contoh 4: Matrik bujursangkar berukuran 3x3 atau sering juga disebut matriks bujursangkar
orde 3  
1 3 8
A = 5 9 7
 
2 4 6
2.4.3 Matrik simetrik
matriks simetrik adalah matriks bujursangkar yang elemen-elemen matriks transpose-nya ber-
nilai sama dengan matriks asli-nya.
Contoh 5: matriks simetrik
   
2 −3 7 1 2 −3 7 1
   
−3 5 6 −2 −3 5 6 −2
T
A= 7
 A =
 
 6 9 8   7 6 9 8 

1 −2 8 10 1 −2 8 10
2.4.4 matriks diagonal
matriks diagonal adalah matriks bujursangkar yang seluruh elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonalnya.
Contoh 6: matriks diagonal orde 3
 
11 0 0
A =  0 29 0
 
0 0 61
2.4.5 matriks identitas
matriks identitas adalah matriks bujursangkar yang semua elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonal yang seluruhnya bernilai 1.
Contoh 7: matriks identitas orde 3
 
1 0 0
I = 0 1 0
 
0 0 1
2.4. MACAM-MACAM MATRIKS 19
2.4.6 matriks upper-triangular
matriks upper-tringular adalah matriks bujursangkar yang seluruh elemen dibawah elemen di-
agonal bernilai 0 (nol).
Contoh 8: matriks upper-triangular
 
3 6 2 1
 
0 4 1 5
A=
 
0 0 8 7

0 0 0 9
2.4.7 matriks lower-triangular
matriks lower-tringular adalah matriks bujursangkar yang seluruh elemen diatas elemen diago-
nal bernilai 0 (nol).
Contoh 9: matriks lower-triangular
 
12 0 0 0
 
 32 −2 0 0
A=
 
 8 7 11 0 

−5 10 6 9
2.4.8 matriks tridiagonal
matriks tridiagonal adalah matriks bujursangkar yang seluruh elemen bukan 0 (nol) berada
disekitar elemen diagonal, sementara elemen lainnya bernilai 0 (nol).
Contoh 10: matriks tridiagonal
 
3 6 0 0
 
2 −4 1 0 
A=
 
0 5 8 −7

0 0 3 9
2.4.9 matriks diagonal dominan
matriks diagonal dominan adalah matriks bujursangkar yang memenuhi

n
X
|aii | > |aij | (2.4)
j=1,j6=i
dengan i=1,2,3,..n. Coba perhatikan matriks-matriks berikut ini

   
7 2 0 6
−3 4
A = 3 5 −1 B =  4 −2 0 
   
0 5 −6 −3 0 1
Pada elemen diagonal aii matriks A, |7| > |2|+|0|, lalu |5| > |3|+|−1|, dan |−6| > |5|+|0|. Maka
matriks A disebut matriks diagonal dominan. Sekarang perhatikan elemen diagonal matriks B,
|6| < |4| + | − 3|, | − 2| < |4| + |0|, dan |1| < | − 3| + |0|. Dengan demikian, matriks B bukan
matriks diagonal dominan.
2.4.10 matriks positive-definite
Suatu matriks dikatakan positive-definite bila matriks tersebut simetrik dan memenuhi
xT Ax > 0 (2.5)
Contoh 11: Diketahui matriks simetrik berikut

 
2 −1 0
A = −1 2 −1
 
0 −1 2
untuk menguji apakah matriks A bersifat positive-definite, maka

  
h i 2 −1 0 x1
xT Ax = x1 x2 x3 −1 2 −1 x2 
  
0 −1 2 x3
 
h i 2x1 − x2
= x1 x2 x3 −x1 + 2x2 − x3 
 
−x2 + 2x3
= 2x21 − 2x1 x2 + 2x22 − 2x2 x3 + 2x23
= x21 + (x21 − 2x1 x2 + x22 ) + (x22 − 2x2 x3 + x23 ) + x23
= x21 + (x1 − x2 )2 + (x2 − x3 )2 + x23
Dari sini dapat disimpulkan bahwa matriks A bersifat positive-definite, karena memenuhi
x21 + (x1 − x2 )2 + (x2 − x3 )2 + x23 > 0
kecuali jika x1 =x2 =x3 =0.
2.5 Operasi matematika
2.5.1 Penjumlahan matriks
Operasi penjumlahan pada dua buah matriks hanya bisa dilakukan bila kedua matriks tersebut
berukuran sama. Misalnya matriks C2×3
" #
9 5 3
C=
7 2 1
2.5. OPERASI MATEMATIKA 21
dijumlahkan dengan matriks A2×3 , lalu hasilnya (misalnya) dinamakan matriks D2×3
D =A+C
" # " #
3 8 5 9 5 3
D = +
6 4 7 7 2 1
" #
3+9 8+5 5+3
=
6+7 4+2 7+1
" #
12 13 8
=
13 6 8
Tanpa mempedulikan nilai elemen-elemen masing-masing matriks, operasi penjumlahan antara

matriks A2×3 dan C2×3 , bisa juga dinyatakan dalam indeks masing-masing dari kedua matriks
tersebut, yaitu " # " #
d11 d12 d13 a11 + c11 a12 + c12 a13 + c13
=
d21 d22 d23 a21 + c21 a22 + c22 a23 + c23
Dijabarkan satu persatu sebagai berikut
d11 = a11 + c11

d12 = a12 + c12
d13 = a13 + c13 (2.6)
d21 = a21 + c21
d22 = a22 + c22
d23 = a23 + c23
Dari sini dapat diturunkan sebuah rumus umum penjumlahan dua buah matriks
dij = aij + cij (2.7)
dengan i=1,2 dan j=1,2,3. Perhatikan baik-baik! Batas i hanya sampai angka 2 semen-
tara batas j sampai angka 3. Kemampuan Anda dalam menentukan batas indeks sangat
penting dalam dunia programming.
2.5.2 Komputasi penjumlahan matriks
Berdasarkan contoh operasi penjumlahan di atas, indeks j pada persamaan (2.7) lebih cepat
berubah dibanding indeks i sebagaimana ditulis pada 3 baris pertama dari Persamaan (2.6),
d11 = a11 + c11

d12 = a12 + c12
d13 = a13 + c13
Jelas terlihat, ketika indeks i masih bernilai 1, indeks j sudah berubah dari nilai 1 sampai 3.
Hal ini membawa konsekuensi pada skrip pemrograman, dengan looping untuk indeks j harus
diletakkan di dalam looping indeks i. Aturan mainnya adalah yang looping-nya paling cepat
harus diletakkan paling dalam; sebaliknya, looping terluar adalah looping yang indeksnya
paling jarang berubah.
Bila Anda masih belum paham terhadap kalimat yang dicetak tebal, saya akan berikan con-
toh source code dasar yang nantinya akan kita optimasi selangkah demi selangkah. OK, kita
mulai dari source code paling mentah berikut ini.
1 clear all
2 clc
3
4 A=[3 8 5; 6 4 7]; % inisialisasi matriks A
5
6 C=[9 5 3; 7 2 1]; % inisialisasi matriks B
7
8 % ---proses penjumlahan matriks----
9 D(1,1)=A(1,1)+C(1,1);
10 D(1,2)=A(1,2)+C(1,2);
11 D(1,3)=A(1,3)+C(1,3);
12 D(2,1)=A(2,1)+C(2,1);
13 D(2,2)=A(2,2)+C(2,2);
14 D(2,3)=A(2,3)+C(2,3);
15
16 % ---menampilkan matriks A, C dan D----
17 A
18 C
19 D
Tanda % berfungsi untuk memberikan komentar atau keterangan. Komentar atau keterangan
tidak akan diproses oleh Matlab. Saya yakin Anda paham dengan logika yang ada pada bagian %
—proses penjumlahan matriks—- dalam source code di atas. Misalnya pada baris ke-9, elemen
d11 adalah hasil penjumlahan antara elemen a11 dan c11 , sesuai dengan baris pertama Persamaan
2.6.
Tahap pertama penyederhanaan source code dilakukan dengan menerapkan perintah for -
end untuk proses looping. Source code tersebut berubah menjadi
1 clear all
2 clc
3
5
7
9 for j=1:3
10 D(1,j)=A(1,j)+C(1,j);
11 end
12
13 for j=1:3
14 D(2,j)=A(2,j)+C(2,j);
15 end
16
18 A
19 C
20 D
Pada baris ke-9 dan ke-13, saya mengambil huruf j sebagai nama indeks dengan j bergerak dari
1 sampai 3. Coba Anda pikirkan, mengapa j hanya bergerak dari 1 sampai 3?
Modifikasi tahap kedua adalah sebagai berikut
1 clear all
2 clc
3
5
7
9 i=1
10 for j=1:3
11 D(i,j)=A(i,j)+C(i,j);
12 end
13
14 i=2
15 for j=1:3
16 D(i,j)=A(i,j)+C(i,j);
17 end
18
20 A
21 C
22 D
Saya gunakan indeks i pada baris ke-9 dan ke-14 yang masing-masing berisi angka 1 dan 2.
Dengan begitu indeks i bisa menggantikan angka 1 dan 2 yang semula ada di baris ke-11 dan
ke-16. Nah sekarang coba Anda perhatikan, statemen pada baris ke-10, ke-11 dan ke-12 sama
persis dengan statemen pada baris ke-15, ke-16 dan ke-17, sehingga mereka bisa disatukan
kedalam sebuah looping yang baru dengan i menjadi nama indeksnya.
1 clear all
2 clc
3
5
7
9 for i=1:2
10 for j=1:3
11 D(i,j)=A(i,j)+C(i,j);
12 end
13 end
14
16 A
17 C
18 D
Coba Anda pahami dari baris ke-9, mengapa indeks i hanya bergerak dari 1 sampai 2?
Source code di atas memang sudah tidak perlu dimodifikasi lagi, namun ada sedikit saran
untuk penulisan looping bertingkat dimana sebaiknya looping terdalam ditulis agak menjorok
kedalam seperti berikut ini
1 clear all
2 clc
3
5
7
9 for i=1:2
10 for j=1:3
11 D(i,j)=A(i,j)+C(i,j);
12 end
13 end
14
16 A
17 C
18 D
Sekarang Anda lihat bahwa looping indeks j ditulis lebih masuk kedalam dibandingkan looping
indeks i. Semoga contoh ini bisa memperjelas aturan umum pemrograman dimana yang lo-
oping-nya paling cepat harus diletakkan paling dalam; sebaliknya, looping terluar adalah
looping yang indeksnya paling jarang berubah. Dalam contoh ini looping indeks j bergerak
lebih cepat dibanding looping indeks i.
2.5.3 Perkalian matriks
Operasi perkalian dua buah matriks hanya bisa dilakukan bila jumlah kolom matriks pertama
sama dengan jumlah baris matriks kedua. Jadi kedua matriks tersebut tidak harus berukuran
sama seperti pada penjumlahan dua matriks. Misalnya matriks A2×3 dikalikan dengan matriks
B3×2 , lalu hasilnya (misalnya) dinamakan matriks E2×2
E2×2 = A2×3 .B3×2

 
" # 1 3
3 8 5 
E = 5 9

6 4 7
2 4
" #
3.1 + 8.5 + 5.2 3.3 + 8.9 + 5.4
=
6.1 + 4.5 + 7.2 6.3 + 4.9 + 7.4
" #
53 101
=
40 82
Tanpa mempedulikan nilai elemen-elemen masing-masing matriks, operasi perkalian antara ma-
triks A2×3 dan B3×2 , bisa juga dinyatakan dalam indeks masing-masing dari kedua matriks ter-
sebut, yaitu
" # " #
e11 e12 a11 .b11 + a12 .b21 + a13 .b31 a11 .b12 + a12 .b22 + a13 .b32
=
e21 e22 a21 .b11 + a22 .b21 + a23 .b31 a21 .b12 + a22 .b22 + a23 .b32
Bila dijabarkan, maka elemen-elemen matriks E2×2 adalah
e11 = a11 .b11 + a12 .b21 + a13 .b31 (2.8)

e12 = a11 .b12 + a12 .b22 + a13 .b32 (2.9)
e21 = a21 .b11 + a22 .b21 + a23 .b31 (2.10)
e22 = a21 .b12 + a22 .b22 + a23 .b32 (2.11)
Sejenak, mari kita amati perubahan pasangan angka-angka indeks yang mengiringi elemen e,
elemen a dan elemen b mulai dari persamaan (2.8) sampai persamaan (2.11). Perhatikan peru-
bahan angka-indeks-pertama pada elemen e seperti berikut ini
e1.. = ..
e1.. = ..
e2.. = ..
e2.. = ..
Pola perubahan yang sama akan kita dapati pada angka-indeks-pertama dari elemen a
e1.. = a1.. .b... + a1.. .b... + a1.. .b...

e1.. = a1.. .b... + a1.. .b... + a1.. .b...
e2.. = a2.. .b... + a2.. .b... + a2.. .b...
e2.. = a2.. .b... + a2.. .b... + a2.. .b...
Dengan demikian kita bisa mencantumkan huruf i sebagai pengganti angka-angka indeks yang
polanya sama
ei.. = ai.. .b... + ai.. .b... + ai.. .b...

ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
dengan i bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan i=1,2. Selanjut-
nya, masih dari persamaan (2.8) sampai persamaan (2.11), marilah kita perhatikan perubahan
angka-indeks-kedua pada elemen e dan elemen b,
ei1 = ai.. .b..1 + ai.. .b..1 + ai.. .b..1

ei2 = ai.. .b..2 + ai.. .b..2 + ai.. .b..2
ei1 = ai.. .b..1 + ai.. .b..1 + ai.. .b..1
ei2 = ai.. .b..2 + ai.. .b..2 + ai.. .b..2
Dengan demikian kita bisa mencantumkan huruf j sebagai pengganti angka-angka indeks yang
polanya sama
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j

dengan j bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan j=1,2. Selanjut-
nya, masih dari persamaan (2.8) sampai persamaan (2.11), mari kita perhatikan perubahan
angka-indeks-kedua elemen a dan angka-indeks-pertama elemen b, dimana kita akan dapati
pola sebagai berikut
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j

Dan kita bisa mencantumkan huruf k sebagai pengganti angka-angka indeks yang polanya sama,
dengan k bergerak mulai dari angka 1 hingga angka 3, atau kita nyatakan k=1,2,3.
eij = aik .bkj + aik .bkj + aik .bkj

Kemudian secara sederhana dapat ditulis sebagai berikut
eij = aik .bkj + aik .bkj + aik .bkj (2.12)
Selanjutnya dapat ditulis pula formula berikut
3
X
eij = aik bkj (2.13)
k=1
dengan i=1,2; j=1,2; dan k=1,2,3.

Berdasarkan contoh ini, maka secara umum bila ada matriks An×m yang dikalikan dengan ma-
triks Bm×p , akan didapatkan matriks En×p dengan elemen-elemen matriks E memenuhi
m
X
eij = aik bkj (2.14)
k=1
dengan i=1,2,. . . ,n; j=1,2. . . ,p; dan k=1,2. . . ,m.
2.5.4 Komputasi perkalian matriks
Mari kita mulai lagi dari source code paling dasar dari operasi perkalian matriks sesuai dengan
contoh di atas.
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matriks A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matriks B
6
7 % ---proses perkalian matriks----
8 E(1,1)=A(1,1)*B(1,1)+A(1,2)*B(2,1)+A(1,3)*B(3,1);
9 E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
10 E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
11 E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);
12
13 % ---menampilkan matriks A, B dan E----
14 A
15 B
16 E
Sejenak, mari kita amati dengan cermat statemen dari baris ke-9 sampai ke-12 sambil dikaitkan
dengan bentuk umum penulisan indeks pada perkalian matriks yaitu
eij = aik .bkj + aik .bkj + aik .bkj (2.15)
Dari sana ada 4 point yang perlu dicatat:

• elemen e memiliki indeks i dan indeks j dengan indeks j lebih cepat berubah dibanding
indeks i.
• pada baris statemen ke-8 sampai ke-11 ada tiga kali operasi perkalian dan dua kali operasi
penjumlahan yang semuanya melibatkan indeks i, indeks j dan indeks k. Namun indeks k
selalu berubah pada masing-masing perkalian. Jadi indeks k paling cepat berubah diban-
ding indeks i dan indeks j.
• elemen a memiliki indeks i dan indeks k dimana indeks k lebih cepat berubah dibanding
indeks i.
• elemen b memiliki indeks k dan indeks j dimana indeks k lebih cepat berubah dibanding
indeks j.
Tahapan modifikasi source code perkalian matriks tidak semudah penjumlahan matriks. Dan
mengajarkan logika dibalik source code perkalian matriks jauh lebih sulit daripada sekedar me-
modifikasi source code tersebut. Tapi akan saya coba semampu saya lewat tulisan ini walau
harus perlahan-lahan. Mudah-mudahan mudah untuk dipahami.
Saya mulai dengan memecah operasi pada statemen baris ke-8 yang bertujuan menghitung
nilai E(1, 1)
1 clear all
2 clc
3
6
8 % ---E(1,1) dihitung 3 kali
9 E(1,1)=A(1,1)*B(1,1);
10 E(1,1)=E(1,1)+A(1,2)*B(2,1);
11 E(1,1)=E(1,1)+A(1,3)*B(3,1);
12
13 % ---E(1,2); E(2,1); dan E(2,2) masih seperti semula
14 E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
15 E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
16 E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);
17
19 A
20 B
21 E
Agar baris ke-9 memiliki pola yang sama dengan baris ke-11 dan ke-12, upaya yang dilakukan
adalah
1 clear all
2 clc
3
6
8 % ---E(1,1) dihitung 3 kali
9 E(1,1)=0;
10 E(1,1)=E(1,1)+A(1,1)*B(1,1);
11 E(1,1)=E(1,1)+A(1,2)*B(2,1);
12 E(1,1)=E(1,1)+A(1,3)*B(3,1);
13
15 E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
16 E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
17 E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);
18
20 A
21 B
22 E
Dari sini kita bisa munculkan indeks k
1 clear all
2 clc
3
6
8 E(1,1)=0;
9 for k=1:3 % k bergerak dari 1 sampai 3
10 E(1,1)=E(1,1)+A(1,k)*B(k,1);
11 end
12
14 E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
15 E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
16 E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);
17
19 A
20 B
21 E
Kemudian cara yang sama dilakukan pada E(1, 2), E(2, 1), dan E(2, 2). Anda mesti cermat dan
hati-hati dalam menulis angka-angka indeks!!!
1 clear all
2 clc
3
6

8 E(1,1)=0;
9 for k=1:3
10 E(1,1)=E(1,1)+A(1,k)*B(k,1);
11 end
12
13 E(1,2)=0;
14 for k=1:3
15 E(1,2)=E(1,2)+A(1,k)*B(k,2);
16 end
17
18 E(2,1)=0;
19 for k=1:3
20 E(2,1)=E(2,1)+A(2,k)*B(k,1);
21 end
22
23 E(2,2)=0;
24 for k=1:3
25 E(2,2)=E(2,2)+A(2,k)*B(k,2);
26 end
27
29 A
30 B
31 E
Inisialisasi elemen-elemen matriks E dengan angka nol, bisa dilakukan diawal proses perkalian
yang sekaligus memunculkan indeks i dan j untuk elemen E
1 clear all
2 clc
3
6
8 for i=1:2 % i bergerak dari 1 sampai 2
9 for j=1:2 % j bergerak dari 1 sampai 2
10 E(i,j)=0;
11 end
12 end
13
14 for k=1:3
15 E(1,1)=E(1,1)+A(1,k)*B(k,1);
16 end
17
18 for k=1:3
19 E(1,2)=E(1,2)+A(1,k)*B(k,2);
20 end
21
22 for k=1:3
23 E(2,1)=E(2,1)+A(2,k)*B(k,1);
24 end
25
26 for k=1:3
27 E(2,2)=E(2,2)+A(2,k)*B(k,2);
28 end
29

31 A
32 B
33 E
Sekarang coba Anda perhatikan statemen pada baris ke-15 dan ke-19, lalu bandingkan indeks
i dan indeks j pada elemen E. Indeks mana yang berubah? Ya. Jawabannya adalah indeks j.
Dengan demikian kita bisa munculkan indeks j
1 clear all
2 clc
3
6
10 E(i,j)=0;
11 end
12 end
13
14 j=1;
15 for k=1:3
16 E(1,j)=E(1,j)+A(1,k)*B(k,j);
17 end
18
19 j=2;
20 for k=1:3
21 E(1,j)=E(1,j)+A(1,k)*B(k,j);
22 end
23
24 for k=1:3
25 E(2,1)=E(2,1)+A(2,k)*B(k,1);
26 end
27
28 for k=1:3
29 E(2,2)=E(2,2)+A(2,k)*B(k,2);
30 end
31
33 A
34 B
35 E
Lihatlah, statemen dari baris ke-15 sampai ke-17 memiliki pola yang sama dengan statemen
dari baris ke-20 sampai ke-22, sehingga mereka bisa disatukan kedalam looping indeks j
1 clear all
2 clc
3
6

10 E(i,j)=0;
11 end
12 end
13
14 for j=1:2
15 for k=1:3
16 E(1,j)=E(1,j)+A(1,k)*B(k,j);
17 end
18 end
19
20 for k=1:3
21 E(2,1)=E(2,1)+A(2,k)*B(k,1);
22 end
23
24 for k=1:3
25 E(2,2)=E(2,2)+A(2,k)*B(k,2);
26 end
27
29 A
30 B
31 E
Sekarang coba sekali lagi Anda perhatikan statemen pada baris ke-21 dan ke-25, lalu bandingk-
an indeks i dan indeks j pada elemen E. Indeks mana yang berubah? Ya. Jawabannya tetap
indeks j. Dengan demikian kita bisa munculkan juga indeks j disana
1 clear all
2 clc
3
6
10 E(i,j)=0;
11 end
12 end
13
14 for j=1:2
15 for k=1:3
16 E(1,j)=E(1,j)+A(1,k)*B(k,j);
17 end
18 end
19
20 j=1;
21 for k=1:3
22 E(2,j)=E(2,j)+A(2,k)*B(k,j);
23 end
24
25 j=2;
26 for k=1:3
27 E(2,j)=E(2,j)+A(2,k)*B(k,j);
28 end
29

31 A
32 B
33 E
Cermatilah, statemen dari baris ke-21 sampai ke-23 memiliki pola yang sama dengan statemen
dari baris ke-25 sampai ke-27, sehingga mereka pun bisa disatukan kedalam looping indeks j
1 clear all
2 clc
3
6
10 E(i,j)=0;
11 end
12 end
13
14 for j=1:2
15 for k=1:3
16 E(1,j)=E(1,j)+A(1,k)*B(k,j);
17 end
18 end
19
20 for j=1:2
21 for k=1:3
22 E(2,j)=E(2,j)+A(2,k)*B(k,j);
23 end
24 end
25
27 A
28 B
29 E
Akhirnya kita sampai pada bagian akhir tahapan modifikasi. Perhatikan baris ke-16 dan ke-22.
Indeks i pada elemen E dan A bergerak dari 1 ke 2, sehingga indeks i bisa dimunculkan
1 clear all
2 clc
3
6
10 E(i,j)=0;
11 end
12 end
13
14 i=1;
15 for j=1:2
16 for k=1:3
17 E(i,j)=E(i,j)+A(i,k)*B(k,j);
18 end
19 end
20
21 i=2;
22 for j=1:2
23 for k=1:3
24 E(i,j)=E(i,j)+A(i,k)*B(k,j);
25 end
26 end
27
29 A
30 B
31 E
Sekarang, statemen dari baris ke-15 sampai ke-19 memiliki pola yang sama dengan statemen
dari baris ke-22 sampai ke-26. Mereka bisa disatukan oleh looping indeks i
1 clear all
2 clc
3
6
8 for i=1:2
9 for j=1:2
10 E(i,j)=0;
11 end
12 end
13
14 for i=1:2
15 for j=1:2
16 for k=1:3
17 E(i,j)=E(i,j)+A(i,k)*B(k,j);
18 end
19 end
20 end
21
23 A
24 B
25 E
Inilah hasil akhir dari tahapan-tahapan modifikasi yang selanjutnya saya sebut sebagai proses
optimasi. Upaya yang baru saja saya perlihatkan, sebenarnya penuh dengan jebakan-jebakan
kesalahan, terutama jika Anda kurang cermat membaca indeks dan pola. Upaya seperti itu
memerlukan konsentrasi dan perhatian yang tidak sebentar. Upaya semacam itu tidak semudah
meng-copy hasil akhir optimasi. Walaupun bisa di-copy, namun saya menyarankan agar Anda
mencoba melakukan proses optimasi itu sekali lagi di komputer tanpa melihat catatan ini dan
tanpa bantuan orang lain. Kalau Anda gagal, cobalah berfikir lebih keras untuk mencari jalan
keluarnya. Jika masih tetap gagal, silakan lihat catatan ini sebentar saja sekedar untuk mencari
tahu dimana letak kesalahannya. Hanya dengan cara begitu ilmu programming ini akan bisa
menyatu pada diri Anda.
2.5.5 Perkalian matriks dan vektor-kolom
Operasi perkalian antara matriks dan vektor-kolom sebenarnya sama saja dengan perkalian an-
tara dua matriks. Hanya saja ukuran vektor-kolom boleh dibilang spesial yaitu m x 1, dengan
m merupakan jumlah baris sementara jumlah kolomnya hanya satu. Misalnya matriks A, pa-
da contoh 1, dikalikan dengan vektor-kolom x yang berukuran 3 x 1 atau disingkat dengan
mengatakan vektor-kolom x berukuran 3, lalu hasilnya (misalnya) dinamakan vektor-kolom y
y = Ax
 
" # 2
3 8 5  
y = 3
6 4 7
4
" #
3.2 + 8.3 + 5.4
=
6.2 + 4.3 + 7.4
" #
50
=
52
Sekali lagi, tanpa mempedulikan nilai elemen-elemen masing-masing, operasi perkalian antara
matriks A dan vektor-kolom x, bisa juga dinyatakan dalam indeksnya masing-masing, yaitu
" # " #
y1 a11 .x1 + a12 .x2 + a13 .x3
=
y2 a21 .x1 + a22 .x2 + a23 .x3
Bila dijabarkan, maka elemen-elemen vektor-kolom y adalah
y1 = a11 .x1 + a12 .x2 + a13 .x3

y2 = a21 .x1 + a22 .x2 + a23 .x3
kemudian secara sederhana dapat diwakili oleh rumus berikut
3
X
yi = aij xj
j=1
dengan i=1,2.
Berdasarkan contoh tersebut, secara umum bila ada matriks A berukuran n x m yang dikalikan
dengan vektor-kolom x berukuran m, maka akan didapatkan vektor-kolom y berukuran n x 1
dengan elemen-elemen vektor-kolom y memenuhi

m
X
yi = aij xj (2.16)
j=1
dengan i=1,2,. . . ,n.
2.5.6 Komputasi perkalian matriks dan vektor-kolom
Mari kita mulai lagi dari source code paling dasar dari operasi perkalian antara matriks dan
vektor-kolom sesuai dengan contoh di atas
1 clear all
2 clc
3
5 x = [2; 3; 4]; % inisialisasi vektor x
6
7 % ---proses perkalian matriks dan vektor----
8 y(1,1)=A(1,1)*x(1,1)+A(1,2)*x(2,1)+A(1,3)*x(3,1);
9 y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
10
12 A
13 x
14 y
Sejenak, mari kita amati dengan cermat statemen dari baris ke-8 dan ke-9 sambil dikaitkan
dengan bentuk umum penulisan indeks pada perkalian antara matriks dan vektor-kolom yaitu
yi1 = aij .xj1 + aij .xj1 + aij .xj1 (2.17)
Dari sana ada 3 point yang perlu dicatat:
• elemen y dan elemen x sama-sama memiliki indeks i yang berpasangan dengan angka 1.
• pada baris statemen ke-8 dan ke-9 ada tiga kali operasi perkalian dan dua kali operasi
penjumlahan yang semuanya melibatkan indeks i dan indeks j. Namun indeks j sela-
lu berubah pada masing-masing perkalian. Jadi indeks j lebih cepat berubah dibanding
indeks i.
• elemen a memiliki indeks i dan indeks j dengan indeks j lebih cepat berubah dibanding
indeks i.
Kita mulai dengan memecah operasi pada statemen baris ke-8 yang bertujuan menghitung
nilai y(1, 1)
1 clear all
2 clc
3

6
8 y(1,1)=A(1,1)*x(1,1);
9 y(1,1)=y(1,1)+A(1,2)*x(2,1);
10 y(1,1)=y(1,1)+A(1,3)*x(3,1);
11
12 y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
13
15 A
16 x
17 y
Agar baris ke-8 memiliki pola yang sama dengan baris ke-9 dan ke-10, upaya yang dilakukan
adalah
1 clear all
2 clc
3
6
8 y(1,1)=0;
9 y(1,1)=y(1,1)+A(1,1)*x(1,1);
10 y(1,1)=y(1,1)+A(1,2)*x(2,1);
11 y(1,1)=y(1,1)+A(1,3)*x(3,1);
12
13 y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
14
16 A
17 x
18 y
Dari sini kita bisa munculkan indeks j
1 clear all
2 clc
3
6
8 y(1,1)=0;
9 for j=1:3
10 y(1,1)=y(1,1)+A(1,j)*x(j,1);
11 end
12
13 y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
14
16 A
17 x
18 y
Dengan cara yang sama, baris ke-13 dimodifikasi menjadi
1 clear all
2 clc
3
6
8 y(1,1)=0;
9 for j=1:3
10 y(1,1)=y(1,1)+A(1,j)*x(j,1);
11 end
12
13 y(2,1)=0;
14 for j=1:3
15 y(2,1)=y(2,1)+A(2,j)*x(j,1);
16 end
17
19 A
20 x
21 y
Inisialisasi vektor y dengan angka nol dapat dilakukan diawal proses perkalian, sekaligus me-
munculkan indeks i
1 clear all
2 clc
3
6
8 for i=1:2
9 y(i,1)=0;
10 end
11
12 for j=1:3
13 y(1,1)=y(1,1)+A(1,j)*x(j,1);
14 end
15
16 for j=1:3
17 y(2,1)=y(2,1)+A(2,j)*x(j,1);
18 end
19
21 A
22 x
23 y
Kemudian, untuk menyamakan pola statemen baris ke-13 dan ke-17, indeks i kembali dimun-
culkan
1 clear all
2 clc
2.6. PENUTUP 39
3
6
8 for i=1:2
9 y(i,1)=0;
10 end
11
12 i=1;
13 for j=1:3
14 y(i,1)=y(i,1)+A(i,j)*x(j,1);
15 end
16
17 i=2;
18 for j=1:3
19 y(i,1)=y(i,1)+A(i,j)*x(j,1);
20 end
21
23 A
24 x
25 y
Akhir dari proses optimasi adalah sebagai berikut
1 clear all
2 clc
3
6
8 for i=1:2
9 y(i,1)=0;
10 end
11
12 for i=1:2
13 for j=1:3
14 y(i,1)=y(i,1)+A(i,j)*x(j,1);
15 end
16 end
17
19 A
20 x
21 y
2.6 Penutup
Demikianlah catatan singkat dan sederhana mengenai jenis-jenis matriks dasar dan operasi pen-
jumlahan dan perkalian yang seringkali dijumpai dalam pengolahan data secara numerik. Se-
muanya akan dijadikan acuan atau referensi pada pembahasan topik-topik numerik yang akan
datang.
2.7 Latihan
1. Diketahui matriks A, matriks B, dan vektor x sebagai berikut

     
1 3 −6 −2 8 1 4 21 0.4178
     
5 9 7 5.6  3 10 5 0.1 −2.9587
A=
  B=
  x=
 
 2 4 8 −1 
  7 −2 9 −5 
  56.3069 

2.3 1.4 0.8 −2.3 2.7 −12 −8.9 5.7 8.1
(a) Buatlah skrip untuk menyelesaikan penjumlahan matriks A dan matriks B.

(b) Buatlah skrip untuk menyelesaikan perkalian matriks A dan matriks B.
(c) Buatlah skrip untuk menyelesaikan perkalian matriks A dan vektor x.
(d) Buatlah skrip untuk menyelesaikan perkalian matriks B dan vektor x.
Bab 3
Fungsi
✍ Objektif :
⊲ Mengenalkan fungsi internal.
⊲ Membuat fungsi ekstenal.
⊲ Membuat fungsi ekternal untuk penjumlahan matrik.
⊲ Membuat fungsi ekternal untuk perkalian matrik.
3.1 Fungsi internal
Fungsi internal adalah fungsi bawaan yang sudah tersedia di dalam Matlab; contohnya: sqrt(),
sind() dan log10(). Ketika kita hendak mencari akar kuadrat dari angka 49, maka cukup dengan
mengetikkan
>> sqrt(49)
ans =
Untuk mencari nilai sinus dari 30◦ C

>> sind(30)
ans =
0.5000
dan untuk mendapatkan nilai logaritma berbasis 10 dari angka 10000

>> log10(10000)
ans =
Selain sqrt(), sind() dan log10(), masih banyak lagi fungsi internal yang dimiliki Matlab. Adanya
fungsi internal sangat memudahkan kita dalam membuat script dengan Matlab.
41
42 BAB 3. FUNGSI
3.2 Fungsi eksternal
Fungsi-fungsi yang tidak tersedia di matlab dapat dibuat sendiri sebagai fungsi eksternal. Ca-
ra membuat fungsi eksternal tidak sulit. Misalnya kita ingin membuat fungsi eksternal untuk
menghitung jarak vertikal dari gerak jatuh bebas yang persamaannya adalah
1 2
h= gt (3.1)
2
dimana h = adalah jarak vertikal, t adalah waktu (detik) dan konstanta gravitasi g = 9, 8m/dt2 .
Bukalah window Matlab editor, kemudian ketik script berikut
1 function y = gjb(t)
2
3 g = 9.8;
4 y = 0.5*g*t^2;
lalu simpan dengan nama gjb.m. Sampai disini, kita sudah selesai membuat fungsi eksternal
dengan nama gjb(). Sebagai bukti, misalnya kita ingin hitung jarak jatuh setelah 2 detik, coba
jalankan perintah berikut di window command
>> gjb(2)
ans =
19.6000
diperoleh jawaban sebesar 19,6 meter.

Contoh lain, persamaan lintasan gerak parabola adalah sebagai berikut
gx2
y = (tan θo )x − (3.2)
2(vo cos θo )2
Jika vo = 5 m/dt dan θo = 30◦ sementara variabel x berubah-ubah, maka fungsi eksternal-nya
dapat ditulis sebagai berikut
1 function y = parabol(x)
2
3 vo = 5;
4 g = 9.8;
5 tetha = 30;
6
7 y = tand(tetha)*x - (g*x.^2)/(2*(vo*cosd(tetha))^2);
Sekarang fungsi eksternal parabol() siap digunakan

>> x = 1.2;
>> parabol(x)
ans =
0.3165
3.2. FUNGSI EKSTERNAL 43
Seperti fungsi lainnya, ia bisa menerima input berupa angka yang banyak, misalnya
>> x=0:0.01:2;
>> y=parabol(x);
>> plot(x,y)
>> xlabel(’Jangkauan (meter)’);
>> ylabel(’Tinggi (meter)’);
>> title(’Lintasan Gerak Parabola’)
Lintasan Gerak Parabola

0.35
0.3
0.25
Tinggi (meter)
0.2
0.15
0.1
0.05
0
0 0.5 1 1.5 2
Jangkauan (meter)
Gambar 3.1: Kurva lintasan gerak parabola yang dihasilkan oleh fungsi eksternal parabol()
Dalam contoh di atas, fungsi parabol() dibuat hanya bisa menerima sebuah input, yaitu x. Jika
inputnya mau dimodifikasi dengan memasukkan faktor sudut awal dan kecepatan awal, maka
fungsi eksternal diubah menjadi
1 function y = parabol(x,vo,theta)
2
3 g = 9.8;
4
5 y = tand(theta)*x - (g*x.^2)/(2*(vo*cosd(theta))^2);
Contoh pemanfaatan fungsi eksternal yang telah dimodifikasi tersebut adalah
>> vo = 5;
>> theta = 30;
>> x=0:0.01:2;
>> y=parabol(x,vo,theta);
>> plot(x,y)
>> xlabel(’Jangkauan (meter)’);
>> ylabel(’Tinggi (meter)’);
>> title(’Lintasan Gerak Parabola’)
44 BAB 3. FUNGSI
3.3 Fungsi eksternal pada operasi matrik
Pada bab terdahulu kita sudah melakukan proses optimasi penjumlahan matrik dengan source
code akhir seperti ini
1 clear all
2 clc
3
4 A=[3 8 5; 6 4 7]; % inisialisasi matrik A
5 C=[9 5 3; 7 2 1]; % inisialisasi matrik B
6
7 % ---proses penjumlahan matrik----
8 for i=1:2
9 for j=1:3
10 D(i,j)=A(i,j)+C(i,j);
11 end
12 end
13
14 % ---menampilkan matrik A, C dan D----
15 A
16 C
17 D
Pertanyaan yang segera muncul adalah apakah source code tersebut bisa digunakan untuk me-
nyelesaikan penjumlahan matrik yang dimensinya bukan 2x3 ? Misalnya
D =A+C
   
4 3 8 6 2 6 7 2
D = 5 1 2 3 + 9 1 3 8
   
6 7 9 1 5 8 4 7
Tentu saja bisa, asal indeks i bergerak dari 1 sampai 3 dan indeks j bergerak dari 1 sampai 4.
Lihat source code berikut
1 clear all
2 clc
3
4 A=[4 3 8 6; 5 1 2 3; 6 7 9 1]; % inisialisasi matrik A
5 C=[2 6 7 2; 9 1 3 8; 5 8 4 7]; % inisialisasi matrik B
6
8 for i=1:3
9 for j=1:4
10 D(i,j)=A(i,j)+C(i,j);
11 end
12 end
13
15 A
16 C
17 D
3.3. FUNGSI EKSTERNAL PADA OPERASI MATRIK 45
Walaupun bisa digunakan, namun cara modifikasi seperti itu sangat tidak fleksibel dan beresiko
salah jika kurang teliti. Untuk menghindari resiko kesalahan dan agar lebih fleksibel, source
code tersebut perlu dioptimasi sedikit lagi menjadi
1 clear all
2 clc
3
6
8 dim=size(A);
9 n=dim(1);
10 m=dim(2);
11 for i=1:n
12 for j=1:m
13 D(i,j)=A(i,j)+C(i,j);
14 end
15 end
16
18 A
19 C
20 D
Perhatikan, ada tambahan 3 statemen yaitu mulai dari baris ke-8 sampai ke-10. Sementara
baris ke-11 dan ke-12 hanya mengalami sedikit perubahan. Statemen di baris ke-8 bermaksud
mendeklarasikan variabel dim untuk diisi oleh hasil perhitungan fungsi internal yang bernama
size. Matrik A dijadikan parameter input fungsi size. Fungsi size berguna untuk menghitung
jumlah baris dan jumlah kolom dari matrik A. Hasilnya adalah dim(1) untuk jumlah baris dan
dim(2) untuk jumlah kolom. Pada baris ke-9, variabel n dideklarasikan untuk menerima infor-
masi jumlah baris dari dim(1), sementara variabel m diisi dengan informasi jumlah kolom dari
dim(2) pada baris ke-10. Adapun baris ke-11 dan ke-12 hanya mengubah angka indeks batas
atas, masing-masing menjadi n dan m.
Sekarang kalau kita balik lagi menghitung penjumlahan matrik dari contoh sebelumnya yang
berukuran 2x3, maka source code akan seperti ini
1 clear all
2 clc
3
6
8 dim=size(A);
9 n=dim(1);
10 m=dim(2);
11 for i=1:n
12 for j=1:m
13 D(i,j)=A(i,j)+C(i,j);
14 end
15 end
46 BAB 3. FUNGSI
16
18 A
19 C
20 D
Ajaib bukan!? Tidak ada statemen yang berubah kecuali hanya pada baris ke-4 dan ke-5. Per-
ubahan itu tidak bisa dihindari karena memang di kedua baris itulah deklarasi elemen-elemen
matrik A dan matrik C dilakukan.
3.4 Fungsi eksternal penjumlahan matrik
Saatnya kita memasuki topik tentang pembuatan fungsi eksternal. Dari source code yang terakhir
tadi, mari kita ambil bagian proses penjumlahan matrik-nya saja
1 dim=size(A);
2 n=dim(1);
3 m=dim(2);
4 for i=1:n
5 for j=1:m
6 D(i,j)=A(i,j)+C(i,j);
7 end
8 end
Kita akan jadikan potongan source code ini menjadi fungsi eksternal, dengan menambahkan
statemen function seperti ini
1 function D=jumlah(A,C)
2 dim=size(A);
3 n=dim(1);
4 m=dim(2);
5 for i=1:n
6 for j=1:m
7 D(i,j)=A(i,j)+C(i,j);
8 end
9 end
kemudian ia harus di-save dengan nama jumlah.m. Sampai dengan langkah ini kita telah mem-
buat fungsi eksternal dan diberi nama fungsi jumlah. Sederhana sekali bukan? Untuk menguji
kerja fungsi eksternal tersebut, coba jalankan source code berikut ini
1 clear all
2 clc
3
6
8 D=jumlah(A,C)
9
11 A
3.5. FUNGSI EKSTERNAL PERKALIAN MATRIK 47
12 C
13 D
atau anda jalankan source code yang berikut ini
1 clear all
2 clc
3
6
8 D=jumlah(A,C)
9
11 A
12 C
13 D
atau coba iseng-iseng anda ganti matrik-nya menjadi
1 clear all
2 clc
3
4 V=[4 3; 5 1]; % inisialisasi matrik V
5 W=[2 6; 9 3]; % inisialisasi matrik W
6
8 U=jumlah(V,W)
9
10 % ---menampilkan matrik V, W dan U----
11 W
12 V
13 U
Periksa hasilnya, betul atau salah? Pasti betul! Kesimpulannya adalah setelah fungsi eksternal
berhasil anda dapatkan, maka seketika itu pula anda tidak perlu menggubrisnya lagi. Bahkan
anda tidak perlu mengingat nama matrik aslinya yang tertulis di fungsi jumlah yaitu matrik
A, matrik C dan matrik D. Ditambah lagi, source code anda menjadi terlihat lebih singkat dan
elegan. Dan kini, perhatian anda bisa lebih difokuskan pada deklarasi matrik-nya saja.
3.5 Fungsi eksternal perkalian matrik
Mari kita beralih ke perkalian matrik. Kita akan membuat fungsi eksternal untuk perkalian
matrik. Berikut ini adalah source code perkalian matrik hasil akhir optimasi yang telah ditulis
panjang lebar pada bab sebelumnya
1 clear all
2 clc
3
4 A = [3 8 5; 6 4 7]; % inisialisasi matrik A
5 B = [1 3; 5 9; 2 4]; % inisialisasi matrik B
48 BAB 3. FUNGSI
6
7 % ---proses perkalian matrik----
8 for i=1:2
9 for j=1:2
10 E(i,j)=0;
11 end
12 end
13
14 for i=1:2
15 for j=1:2
16 for k=1:3
17 E(i,j)=E(i,j)+A(i,k)*B(k,j);
18 end
19 end
20 end
21
22 % ---menampilkan matrik A, B dan E----
23 A
24 B
25 E
Source code tersebut digunakan untuk menghitung perkalian matrik berikut
E2×2 = A2×3 · B3×2
Dan kita bisa sepakati simbol indeks m, n, dan p untuk men-generalisir dimensi matrik
Em×n = Am×p · Bp×n
Dengan demikian, source code tersebut dapat dioptimasi menjadi
1 clear all
2 clc
3
6
8 dim=size(A);
9 m=dim(1);
10 p=dim(2);
11 dim=size(B);
12 n=dim(2);
13 for i=1:m
14 for j=1:n
15 E(i,j)=0;
16 end
17 end
18
19 for i=1:m
20 for j=1:n
21 for k=1:p
22 E(i,j)=E(i,j)+A(i,k)*B(k,j);
23 end
24 end
25 end
3.6. FUNGSI EKSTERNAL PERKALIAN MATRIK DAN VEKTOR-KOLOM 49
26
28 A
29 B
30 E
Selanjutnya kita ambil bagian proses perkalian matrik nya untuk dibuat fungsi eksternal
1 function E=kali(A,B)
2 dim=size(A);
3 m=dim(1);
4 p=dim(2);
5 dim=size(B);
6 n=dim(2);
7 for i=1:m
8 for j=1:n
9 E(i,j)=0;
10 end
11 end
12
13 for i=1:m
14 for j=1:n
15 for k=1:p
16 E(i,j)=E(i,j)+A(i,k)*B(k,j);
17 end
18 end
19 end
lalu di-save dengan nama kali.m, maka terciptalah fungsi eksternal yang bernama fungsi kali.
Kemudian coba anda uji fungsi kali tersebut dengan menjalankan source code berikut
1 clear all
2 clc
3
6
8 E = kali(A,B)
9
11 A
12 B
13 E
Silakan anda periksa hasil perhitungannya. Pasti betul! Anda bisa mencoba perkalian matrik
lainnya dengan menggunakan source code tersebut. Bahkan anda bisa mengganti nama matrik-
nya untuk selain A, B dan E.
3.6 Fungsi eksternal perkalian matrik dan vektor-kolom
Mari kita beralih ke perkalian matrik dan vektor-kolom. Kita akan membuat fungsi eksternal
untuk perkalian matrik dan vektor-kolom. Berikut ini adalah source code perkalian matrik dan
vektor-kolom hasil akhir optimasi yang telah ditulis panjang lebar pada bab sebelumnya
50 BAB 3. FUNGSI
1 clear all
2 clc
3
6
7 % ---proses perkalian matrik dan vektor----
8 for i=1:2
9 y(i,1)=0;
10 end
11
12 for i=1:2
13 for j=1:3
14 y(i,1)=y(i,1)+A(i,j)*x(j,1);
15 end
16 end
17
19 A
20 x
21 y
Source code tersebut digunakan untuk menghitung perkalian matrik dan vektor-kolom berikut
y2×1 = A2×3 · x3×1
Dan kita bisa sepakati simbol indeks m dan n untuk men-generalisir dimensi matrik
ym×1 = Am×n · xn×1
Dengan demikian, source code tersebut dapat dioptimasi menjadi
1 clear all
2 clc
3
6
8 dim=size(A);
9 m=dim(1);
10 n=dim(2);
11 for i=1:m
12 y(i,1)=0;
13 end
14
15 for i=1:m
16 for j=1:n
17 y(i,1)=y(i,1)+A(i,j)*x(j,1);
18 end
19 end
20
22 A
23 x
3.7. PENUTUP 51
24 y
Selanjutnya kita ambil bagian proses perkalian matrik dan vektor nya untuk dibuat fungsi eks-
ternal
1 function y=kalivektor(A,x)
2 dim=size(A);
3 m=dim(1);
4 n=dim(2);
5 for i=1:m
6 y(i,1)=0;
7 end
8
9 for i=1:m
10 for j=1:n
11 y(i,1)=y(i,1)+A(i,j)*x(j,1);
12 end
13 end
lalu di-save dengan nama kalivektor.m, maka terciptalah fungsi eksternal yang bernama fungsi
kalivektor. Kemudian coba anda uji fungsi kalivektor tersebut dengan menjalankan source code
berikut
1 clear all
2 clc
3
6
8 y = kalivektor(A,x);
9
11 A
12 x
Silakan anda periksa hasil perhitungannya. Pasti betul! Anda bisa mencoba perkalian matrik dan
vektor-kolom dengan angka elemen yang berbeda menggunakan source code tersebut. Bahkan
anda bisa mengganti nama matrik dan vektor nya untuk selain A, x dan y.
3.7 Penutup
Ada tiga pilar yang harus dikuasai oleh seorang calon programmer. Pertama, ia harus tahu
bagaimana cara mendeklarasikan data. Kedua, ia harus tahu bagaimana mendayagunakan flow-
control, yang dalam bab ini dan bab sebelumnya menggunakan pasangan for-end. Dan ketiga,
ia harus bisa membuat fungsi eksternal.
Tidak ada yang melarang anda beralih ke Fortran, atau ke Delphi, atau ke C++, atau ke
Python, atau bahasa pemrograman apa saja. Saran saya, ketika anda berkenalan dengan suatu
bahasa pemrograman, yang pertama kali anda lakukan adalah menguasai ketiga pilar itu. Insya
Allah ia akan membantu anda lebih cepat mempelajari bahasa pemrograman yang sedang anda
geluti.
52 BAB 3. FUNGSI
Penguasaan atas ketiga pilar tersebut akan mengarahkan programmer untuk membuat so-
urce code yang bersifat modular atau extention. Ini adalah modal untuk memasuki apa yang
disebut object oriented programming.
Sesungguhnya Matlab memiliki banyak fungsi internal yang bisa langsung dipakai. Anda
bisa coba sendiri suatu saat nanti. Kekuatan bahasa pemrograman salah satunya terletak pada
seberapa kaya dia memilik banyak fungsi. Library adalah kata lain untuk fungsi. Jadi, suatu
bahasa pemrograman akan semakin unggul bila dia memiliki semakin banyak library. Menurut
saya, yang terdepan saat ini masih dimenangkan oleh Python. Dengan Python, source code anda
akan bisa berjalan di Windows, Linux dan Machintos serta beberapa platform lainnya.
3.8 Latihan
1. Diketahui gelombang elektromagnetik bergerak dari medium 1 (permitivitas ǫ1 = 1) ke

medium 2 (permitivitas, ǫ2 = 80) dengan sudut datang (θI ) bervariasi dari 0 o hingga 70
o. Persamaan koefisien refleksi gelombang elektromagnetik adalah sbb:
q
ǫ2 ǫ2
EoR

α−β

ǫ1 cos θI − ǫ1 − sin2 θI
= = q
EoI α+β ǫ2
cos θI + ǫ2
− sin2 θI
ǫ1 ǫ1
(a) Buatlah script untuk menghitung koefisien refleksi dengan interval sudut per 5 o
(b) Buatlah gambar grafik Koefisien Refleksi vs Sudut
(c) Buatlah fungsi eksternal untuk perhitungan koefisien refleksi tersebut.
2. Diketahui gelombang elektromagnetik bergerak dari medium 1 (permitivitas ǫ1 = 1) ke

medium 2 (permitivitas, ǫ2 = 80) dengan sudut datang (θI ) bervariasi dari 0 o hingga 70
o. Persamaan koefisien transmisi gelombang elektromagnetik adalah sbb:

EoT 2 2
= = q
EoI α+β ǫ2
cos θI + ǫ2
− sin2 θI
ǫ1 ǫ1
(a) Buatlah script untuk menghitung koefisien transmisi dengan interval sudut per 5 o
(b) Buatlah gambar grafik Koefisien Transmisi vs Sudut
(c) Buatlah fungsi eksternal untuk perhitungan koefisien transmisi tersebut.
3. Soal berikut ini berkaitan dengan superposisi gelombang
(a) Buatlah script untuk mem-plot gelombang sinusoidal berfrekuensi 200 Hz dengan
amplitudo 10 dalam fungsi waktu (t) dari 0 ms sampai 10 ms.
(b) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar ge-
lombang sinusoidal berfrekuensi 500 Hz dengan amplitudo 6; kemudian di-plot pada
grafik yang sama.
3.8. LATIHAN 53
(c) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar ge-
lombang sinusoidal berfrekuensi 1000 Hz dengan amplitudo 6; kemudian di-plot
pada grafik yang sama.
(d) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar su-
perposisi ketiga gelombang di atas; kemudian di-plot pada grafik yang sama.
(e) Buatlah fungsi eksternal hanya untuk ketiga persamaan gelombang-nya saja. Semen-
tara perhitungan superposisi dan plot grafik tetap ditulis pada main program.
54 BAB 3. FUNGSI
Bab 4
Aplikasi dalam Sains
✍ Objektif :
⊲ Mengaplikasikan teori yang diuraikan pada Bab sebelumnya.
⊲ Menganalisis respon gaya gravitasi.
⊲ Menganalisis respon gaya potensial listrik.
⊲ Menganalisis respon gaya gravitasi dari banyak buah bola.
Keterampilan paling mendasar yang harus dimiliki oleh seorang programmer aplikasi sains
ada 4 yaitu mampu melakukan inisialisasi variabel, mampu membuat proses berulang (looping
process) dan mampu membuat fungsi eksternal serta mampu memvisualisasi dalam bentuk gra-
fik. Pada Bab ini, akan dihadirkan contoh proses pembuatan suatu script/program setahap demi
setahap, dimulai dari program yang paling sederhana, lalu dimodifikasi berulang kali, hingga
akhirnya diperoleh program final yang paling efektif dan efisien dilengkapi fungsi eksternal.
Kasus-kasus yang dihadirkan disini adalah respon gravitasi, respon potensial listrik, serta seis-
mik
4.1 Metode gravitasi
Gaya gravitasi diperkenalkan pertama kali oleh Newton. Gaya yang muncul antara dua benda
yang masing-masing bermassa m1 dan m2 berbanding lurus dengan perkalian massa dua benda
dan berbanding terbalik dengan jarak kuadrat r 2 yang memisahkan pusat massa kedua benda
tersebut.
m1 m2
F =G (4.1)
r2
Dalam satuan Standar Internasional konstanta gravitasi G bernilai 6.672 × 10−11 N m2 /kg2 ;
sementara dalam cgs, G = 6.672 × 10−8 Dyne cm2 /g2 .
Gaya gravitasi menyebabkan benda kedua m2 merasakan percepatan gravitasi akibat penga-
ruh benda pertama m1 , yaitu
m1
g=G (4.2)
r2
55
56 BAB 4. APLIKASI DALAM SAINS
Jika m1 adalah massa bumi Me , g menjadi percepatan gravitasi bumi, yaitu
Me
g=G (4.3)
Re2
dimana Re adalah jari-jari bumi. Percepatan gravitasi pertama kali diukur oleh Galileo di Mena-
ra Miring Pisa. Nilai g dipermukaan bumi adalah 980 cm/dt2 . Sebagai penghargaan terhadap
Galileo, 1 cm/dt2 disebut 1 galileo atau 1 gal. Gravimeter adalah alat ukur percepatan gravitasi
bumi di permukaan bumi. Sensitifitas gravimeter memiliki orde 10−5 gal atau 0.01 mgal.
Gambar 4.1 memperlihatkan diagram vektor respon gravitasi bumi g dan respon gravitasi
yang berasal dari suatu benda anomali δg dengan komponen horizontal δgx dan komponen ver-
tikal δgz . Karena δgz jauh lebih kecil dibanding g, maka sudut θ tidak signifikan atau relatif
sangat kecil sehingga bisa diasumsikan δg ≈ δgz . Artinya respon gravitasi komponen vertikal
dari benda anomali dianggap sama persis atau mendekati respon gravitasi yang arah-nya me-
nuju benda anomali tersebut. Sehingga, total percepatan gravitasi dalam arah vertikal adalah
g + δgz , terdiri atas percepatan gravitasi bumi dan percepatan gravitasi akibat benda anomali.
Gambar 4.1: Vektor percepatan gravitasi dalam arah vertikal akibat benda anomali dan akibat
bumi
Pusat massa sebuah bola, berjari-jari a dengan densitas ρ, berada pada kedalaman z memiliki
pengaruh gaya gravitasi pada benda yang ada disekitarnya. Alat gravimeter diletakkan di titik P
sebagaimana tampak pada Gambar 4.2. Komponen vertikal percepatan gravitasi δgz dirumuskan
sebagai berikut
m mz mz
δgz = G 2
cos θ = G 2 = G 3 (4.4)
r r r r
4.1. METODE GRAVITASI 57
√
karena m = ρV dan r = x2 + z 2 , sementara V = 43 πa3 , maka
4 z
δgz = G πa3 ρ 2 (4.5)
3 (x + z 2 )3/2
atau disederhanakan menjadi

z
δgz = ka3 ρ (4.6)
(x2 + z 2 )3/2
dimana k = 43 Gπ
Gambar 4.2: Benda anomali berupa bola berada dibawah permukaan bumi
Sebuah bola berjari-jari 50 m dengan densitas 2500 kg/m3 berada di kedalaman 3000 m.
Besarnya percepatan gravitasi yang terukur oleh gravimeter di titik stasiun yang berjarak hori-
zontal x = 200 m dihitung menggunakan script Matlab berikut
1 G = 6.672*1e-11; % konstanta gravitasi

2 k = (4*G*pi)/3;
3 a = 50; % jari-jari bola
4 rho = 2500; % densitas bola
5 z = 3000; % kedalaman pusat bola
6 x = 200; % jarak horizontal
7
8 dgz = (k*rho*a^3*z)/(x^2+z^2)^(3/2);
Pada bagian awal script, perlu ditambahkan clc dan clear all
1 clc
2 clear all
3
5 k = (4*G*pi)/3;
10
11 dgz = (k*rho*a^3*z)/(x^2+z^2)^(3/2);
Agar lebih informatif, perlu ditambahkan keterangan tujuan program serta mempertegas bagian
inisialisasi dan perhitungan dgz
1 % PROGRAM Menghitung percepatan gravitasi pada arah vertikal

2 % Depok, 2 Maret 2013
3
4 clc
5 clear all
6
7 % ========== inisialisasi variabel ====================
9 k = (4*G*pi)/3;
14
15 % ========== menghitung dgz ===========================
16 dgz = (k*rho*a^3*z)/(x^2+z^2)^(3/2);
Ketika terdapat 2 variasi jarak horizontal, maka dgz dihitung 2 kali

3
4 clc
5 clear all
6
9 k = (4*G*pi)/3;
13
14 % ------- Ada variasi x1 dan x2 -----------------------
15 x1 = 200; % jarak horizontal x1
16 x2 = 300; % jarak horizontal x2
17
18 % ======== dgz dihitung 2 kali ========================
19 dgz1 = (k*rho*a^3*z)/(x1^2+z^2)^(3/2);
20 dgz2 = (k*rho*a^3*z)/(x2^2+z^2)^(3/2);
Variasi jarak horizontal disimpan dalam sebuah variabel, yaitu variabel x. Hasil perhitungan
dgz juga disimpan dalam sebuah variabel, yaitu variabel dgz

3
4 clc
5 clear all
6
9 k = (4*G*pi)/3;

13
14 % ------- Ada 2 variasi disimpan dalam variabel x -----
15 x = [200 300]; % variasi jarak horizontal x
16
17 % ======== dgz dihitung 2 kali melibatkan indeks ======
18 dgz(1) = (k*rho*a^3*z)/(x(1)^2+z^2)^(3/2);
19 dgz(2) = (k*rho*a^3*z)/(x(2)^2+z^2)^(3/2);
Jika terdapat 3 variasi jarak horizontal, maka variabel x diisi dengan 3 angka. Adapun perhi-
tungan dgz mengikuti jumlah angka pada variabel x

3
4 clc
5 clear all
6
9 k = (4*G*pi)/3;
13
15 x = [-100 200 300]; % variasi jarak horizontal x
16
17 % ======== dgz dihitung 3 kali melibatkan indeks ======
18 dgz(1) = (k*rho*a^3*z)/(x(1)^2+z^2)^(3/2);
19 dgz(2) = (k*rho*a^3*z)/(x(2)^2+z^2)^(3/2);
20 dgz(3) = (k*rho*a^3*z)/(x(3)^2+z^2)^(3/2);
Selanjutnya looping process diterapkan untuk perhitungan dgz yang berulang 3 kali

3
4 clc
5 clear all
6
9 k = (4*G*pi)/3;
13
16
17 % ======== perhitungan dgz menggunakan looping for-end ===================
18 % -------- karena x menyimpan 3 angka, maka looping dilakukan 3 kali -----
19 for j = 1:3
20 dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
21 end
Banyaknya angka pada variabel x dapat dihitung secara otomatis menggunakan perintah le-
ngth()

3
4 clc
5 clear all
6
9 k = (4*G*pi)/3;
13
16 n = length(x); % menghitung jumlah angka pada variabel x
17
19 % -------- angka 3 diganti dengan n --------------------------------------
20 for j = 1:n
21 dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
22 end
Selanjutnya, jarak horizontal dapat divariasikan dengan angka yang lebih banyak lagi, misalnya
x dimulai dari -10000 hingga 10000 dengan interval 10 m.

3
4 clc
5 clear all
6
9 k = (4*G*pi)/3;
13 x = -10000:10:10000; % variasi jarak horizontal x
15
17 for j = 1:n
18 dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
19 end
Sebagai tahap akhir, tampilkan grafik x vs dgz dengan perintah plot()

3
4 clc
5 clear all
6
9 k = (4*G*pi)/3;
15
17 for j = 1:n
18 dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
19 end
20
21 % ======== visualisasi grafik x vs dgz ===================================
22 plot(x,dgz);
23 xlabel(’jarak horizontal’);
24 ylabel(’percepatan gravitasi’);
25 grid on;
Tambahkan perintah close all pada bagian awal script agar setiap kali script dijalankan ia akan
menghapus semua grafik

3
4 clc
5 clear all
6 close all
7
10 k = (4*G*pi)/3;
16
18 for j = 1:n
19 dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
20 end
21
23 plot(x,dgz);
26 grid on;
Berikutnya adalah pembuatan fungsi eksternal untuk perhitungan dgz. Mula-mula script per-
hitungan dgz diatur kembali agar memperjelas bagian mana yang akan di copy-paste menjadi
fungsi eksternal

3
4 clc
5 clear all
6 close all
7
10 k = (4*G*pi)/3;
15
16 % ========== perhitungan dgz ==========================
18 for j = 1:n
19 dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
20 end
21
23 plot(x,dgz);
26 grid on;
Sederatan baris perintah yang berisi perhitungan dgz di-copy-paste kedalam file fungsi eksternal
yang diberinama gravbola()
1 function dgz = gravbola(k,rho,a,z,x)

2
4 for j = 1:n
5 dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
6 end
Sekarang didapatkan script final perhitungan dgz dengan variasi jarak horizontal

3
4 clc
5 clear all
6 close all
7
10 k = (4*G*pi)/3;
15
16 % ========== perhitungan dgz menggunakan fungsi gravbola =================
17 dgz = gravbola(k,rho,a,z,x)
18
20 plot(x,dgz);
23 grid on;
−8
x 10
1
0.9
0.8
0.7
percepatan gravitasi
0.6
0.5
0.4
0.3
0.2
0.1
0
−1 −0.5 0 0.5 1
jarak horizontal 4
x 10
Gambar 4.3: Variasi nilai percepatan gravitasi terhadap perubahan jarak horizontal
Bab 5
Mencari Solusi Satu Variabel
✍ Objektif :
⊲ Mengetahui definisi akar
⊲ Mengenalkan metode Bisection
⊲ Mengenalkan metode Newton
⊲ Mengaplikasikan metode Bisection dan Newton
5.1 Definisi akar
Bab ini akan dimulai dengan mengetengahkan sebuah permasalahan klasik yaitu mencari akar
suatu persamaan matematika atau fungsi. Yang dimaksud akar adalah titik perpotongan antara
kurva fungsi f (x) dengan sumbu x, sehingga nilai f (x) sama dengan nol. Perhatikan Gambar
5.1 dan Gambar 5.2 berikut ini
5.2 Metode bisection
Apakah anda masih ingat rumus abc yang pernah diajarkan di bangku SMP? Itu adalah rumus
untuk mencari akar dari fungsi kuadrat. Lewat pendekatan numerik, ada dua cara alternatif
untuk menemukan akar dari suatu fungsi, yaitu metode bisection dan metode Newton. Dengan
kedua metode tersebut, anda dapat menemukan akar dari sembarang fungsi; tidak hanya ter-
batas pada fungsi kuadrat saja.
Langkah-langkah penerapan metode bisection adalah sebagai berikut:
• Tentukan a = batas kiri dan b = batas kanan, kemudian hitung p dengan rumus
a+b
p= (5.1)
2
• jika f (p) = 0, maka p adalah akar, perhitungan selesai
• jika f (p) dikali f(a) lebih besar dari nol, maka a = p
65
66 BAB 5. MENCARI SOLUSI SATU VARIABEL
f(x) = x2 − 4
25
20
15
f(x)
10
−5
−5 0 5
x
Gambar 5.1: Fungsi dengan dua akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = −2 dan x = 2
• jika f (p) dikali f(a) lebih kecil dari nol, maka b = p
Agar lebih memperjelas cara kerja metode bisection, saya demonstrasikan untuk mencari
salah satu akar dari fungsi kuadrat f (x) = x2 + 3x − 2. Gambar 5.3 memperlihatkan kurva
fungsi tersebut yang didalamnya terdapat 2 nilai akar.
Dengan metode bisection, akar yang di sebelah kanan akan dicari. Secara visual terlihat
bahwa posisi akar tersebut ada diantara 0 dan 1. Ketika perhitungan baru dimulai, batas kiri
adalah a = 0. Batas kanan adalah b = 1. Sementara p adalah posisi tengah antara a dan b.
Posisi p belum berada pada titik perpotongan dengan sumbu x; sehingga saat ini nilai p bukan
nilai akar (lihat Gambar 5.4). Absis titik p ditentukan oleh
a+b 0+1
p= = = 0, 5
2 2
Langkah berikutnya adalah mengevaluasi perkalian f (a) dan f (p). Terlihat dari Gambar 5.4,
nilai f (a) adalah negatif, demikian juga dengan f (p), maka f (a) dikali f (p) hasilnya positif.
Berdasarkan hasil ini, nilai a yang lama (angka 0) harus diganti dengan nilai p = 0,5. Adapun
nilai b tidak berubah sama sekali, yaitu 1. Ini adalah perhitungan iterasi pertama.
Iterasi kedua dimulai dengan menetapkan a dan b. Berdasarkan hasil iterasi pertama, nilai
a = 0,5 dan nilai b = 1. Berikutnya menentukan nilai p kembali menggunakan
a+b 0, 5 + 1
p= = = 0, 75
2 2
Langkah berikutnya adalah mengevaluasi kembali perkalian f (a) dan f (p). Terlihat dari Gambar
5.5, nilai f (a) adalah negatif, sebaliknya nilai f (p) positif, maka f (a) dikali f (p) hasilnya negatif.
Berdasarkan hasil ini, nilai b yang lama (angka 1) harus diganti dengan nilai p = 0,75. Adapun
nilai a tidak berubah sama sekali, yaitu 0,5. Ini adalah perhitungan iterasi kedua.
5.2. METODE BISECTION 67
Fungsi f(x) = x3 + 2
150
100
50
f(x)
−50
−100
−150
−5 0 5
x
Gambar 5.2: Fungsi dengan satu akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = −1, 2599
Iterasi ketiga dimulai dengan menetapkan a dan b. Berdasarkan hasil iterasi kedua, nilai a
= 0,5 dan nilai b = 0,75. Berikutnya menentukan nilai p kembali menggunakan
a+b 0, 5 + 0, 75
p= = = 0, 625
2 2
Langkah berikutnya adalah mengevaluasi kembali perkalian f (a) dan f (p). Terlihat dari Gambar
5.6, nilai f (a) adalah negatif, adapun nilai f (p) tetap positif, maka f (a) dikali f (p) hasilnya
negatif. Berdasarkan hasil ini, nilai b yang lama (angka 0,75) harus diganti dengan nilai p =
0,625. Adapun nilai a tidak berubah sama sekali, yaitu 0,5. Ini adalah perhitungan iterasi
ketiga.
Jika iterasi dilanjutkan hingga iterasi ke-20, maka f (p) akan bervariasi dengan kecende-
rungan menuju nol. Sementara nilai p cenderung menuju ke nilai kestabilan tertentu. Pada saat
f (p) = 0, nilai akar adalah nilai p. Tabel 5.1 memperlihatkan nilai p cenderung stabil pada p =
0,5615. Sehingga dapat disimpulkan salah satu akar dari f (x) = x2 + 3x − 2 adalah 0,5615.
Tabel 5.1: Perubahan nilai f (p) dan p hingga iterasi ke-20

iterasi 1 2 3 4 5 ... 18 19 20
f (p) -0,25 0,8125 0,2656 0,0039 -0,124 ... -1,1×10 −5 -3,1×10−6 7,7×10−7
p 0,5 0,75 0,625 0,5625 0,5313 ... 0,5615 0,5615 0,5615
Gambar 5.7 memperlihatkan secara grafik mengenai pola perubahan f (p) dan p seiring de-
ngan bertambahnya iterasi.
Kurva f(x)=x2+3x−2
30
25
20
15
f(x)
10
−5
−4 −3 −2 −1 0 1 2 3 4
x
Gambar 5.3: Fungsi kuadrat yang memiliki 2 akar
2 f(b)
1.5
0.5
f(x)
0
f(p)
−0.5
−1
−1.5
−2
f(a)
a= 0 0.2 0.4 0.6 0.8 b=1
x
Gambar 5.4: Awal perhitungan: batas kiri adalah a = 0, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b
2.5
2
f(b)
1.5
f(x)
f(p)
0.5
f(a)
−0.5
0.4 0.5 0.6 0.7 0.8 0.9 1 1.1

x
Gambar 5.5: Iterasi kedua: batas kiri adalah a = 0,5, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b
5.2.1 Script Matlab metode bisection
Script Matlab untuk aplikasi metode bisection telah ditulis seperti di bawah ini. Script ini perlu
dukungan fungsi eksternal f.m untuk menyimpan persamaan matematika. Variabel toleransi
perlu diberikan untuk membatasi jumlah iterasi. Nilai toleransi berisi batasan nilai terkecil yang
dapat dianggap bernilai nol.
1 % PROGRAM APLIKASI METODE BISECTION

2 % Program ini memerlukan fungsi eksternal f.m
3 % berisi persamaan matematika yang akan dicari akarnya.
4
5 clc; clear all; close all
6
7 % ----- Menggambar Kurva -----------------------------------------
8 x = -4:0.001:4;
9 y = f(x);
10 plot(x,y); grid on; hold on;
11 xlabel(’nilai x’); ylabel(’nilai f(x)’);
12 title(’\fontsize{14} Kurva f(x) = x^2 + 3x - 2’);
13
14 % ----- Mencari akar dengan Metode Bisection ---------------------
15 batas_kiri = 0; % angka batas kiri
16 batas_kanan = 1; % angka batas kanan
17 a = batas_kiri;
18 b = batas_kanan;
19 itermaks = 100; % iterasi maksimum
20 toleransi = 1e-7; % toleransi nilai yang dianggap sudah nol
21
22 for j = 1:itermaks
23 p = (a+b)/2;
1.2
1
f(b)
0.8
0.6
0.4
f(x)
f(p)
0.2
−0.2 f(a)
−0.4
−0.6
0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85
x
Gambar 5.6: Iterasi ketiga: batas kiri adalah a = 0,5, batas kanan adalah b = 0,75; sementara
p adalah posisi tengah antara a dan b
24 if abs(f(p)) < toleransi

25 break; % perintah untuk selesai/berhenti
26 end
27 if f(p)*f(a) > 0
28 a = p;
29 else
30 b = p;
31 end
32 end
33
34 plot(p,f(p),’ro’); % menampilkan lingkaran merah menunjukkan akar
35 akar = p % tidak diakhiri dengan titik-koma
36 jumlah_iterasi = j % agar bisa muncul di akhir program
Fungsi eksternal f.m adalah sebagai berikut
1 function y = f(x)
2
3 n = length(x);
4 for j = 1:n
5 y(j) = x(j)^2 + 3*x(j) - 2;
6 end
Fungsi eksternal f.m juga bisa dituliskan dalam bentuk lain, yaitu
1 function y = f(x)
2
3 y = x.^2 + 3*x - 2;
Bentuk penulisan seperti di atas, tidak bisa diterapkan dalam bahasa Fortran ataupun bahasa C.
Perubahan nilai f(p) vs iterasi

1
0.8
0.6
0.4
nilai f(p)
0.2
−0.2
−0.4
0 5 10 15 20 25
Jumlah iterasi
Perubahan nilai p vs iterasi

0.75
0.7
0.65
nilai p
0.6
0.55
0.5
0 5 10 15 20 25
Jumlah iterasi
Gambar 5.7: Perubahan f (p) dan p terhadap bertambahnya iterasi

Kurva f(x) = x2 + 3x − 2
30
25
20
15
nilai f(x)
10
akar = 0,5615
5
−5
−4 −3 −2 −1 0 1 2 3 4
nilai x
Gambar 5.8: Nilai akar ditandai oleh lingkaran kecil pada kurva yang memotong sumbu-x
5.3 Metode Newton
Metode Newton sangat populer dan powerfull untuk mencari akar suatu fungsi yang kontinyu.
Metode ini melakukan perhitungan secara berulang-ulang (iterasi) sampai diperoleh nilai akhir
yang akurat; yang tidak lain adalah nilai akar itu sendiri. Formulasi metode Newton adalah
f (xlama )
xbaru = xlama − (5.2)
f ′ (xlama )
atau dinyatakan dalam xn dan xn−1 adalah
f (xn−1 )
xn = xn−1 − , n≥1 (5.3)
f ′ (xn−1 )
5.3.1 Contoh 1: penerapan metode Newton
Mari kita terapkan metode ini untuk mencari akar dari fungsi f (x) = x2 − 4, dimana kurva
fungsinya sudah tergambar pada Gambar 5.1. Fungsi tersebut mempunyai turunan pertama
f ′ (x) = 2x. Untuk mencari akar-akar-nya, langkah penyelesaian dimulai dengan menentukan
nilai awal, misalnya xlama = −4. Kemudian persamaan (5.2) diterapkan untuk mendapatkan
5.3. METODE NEWTON 73
xbaru
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(−4)2 − 4
= −4 −
2(−4)
= −2, 5000
Walaupun xbaru telah didapat, belum tentu nilai xbaru tersebut adalah akar f (x). Perlu ada
kriteria untuk memastikan apakah nilai xbaru merupakan akar yang dicari atau bukan. Saat ini
saya ingin ulangi lagi proses perhitungan di atas dengan terlebih dahulu memindahkan xbaru
(hasil perhitungan pertama tadi) menjadi xlama . Hasil pengulangan perhitungan ini disebut
hasil iterasi ke-2.
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(−2, 5000)2 − 4
= −2, 5000 −
2(−2, 5000)
= −2, 0500
Saya ulangi perhitungannya sekali lagi sebagai iterasi ke-3
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(−2, 0500)2 − 4
= −2, 0500 −
2(−2, 0500)
= −2, 0006
Selanjutnya, iterasi ke-4
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(−2, 0006)2 − 4
= −2, 0006 −
2(−2, 0006)
= −2, 0000
sedangkan pada iterasi ke-5
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(−2, 0000)2 − 4
= −2, 0000 −
2(−2, 0000)
= −2, 0000
Tampak jelas hasil iterasi ke-4 dan iterasi ke-5 tidak berbeda. Kalau dilanjutkan iterasi ke-6,
dipastikan hasilnya akan tetap sama, yaitu -2,0000. Kesimpulannya, akar dari f (x) = x2 − 4
adalah pada x = −2, 0000.
Tetapi bukankah akar dari f (x) = x2 − 4 ada dua (lihat Gambar 5.1)? Hasil perhitungan di
atas baru menemukan salah satu akarnya saja. Lalu bagaimana dengan akar yang satunya lagi?
Ok, untuk akar yang lainnya, kita tetap bisa mengandalkan metode Newton, namun nilai
awalnya perlu diubah. Misalnya saya pilih nilai awalnya xlama = 1. Maka hasil iterasi ke-1
yang akan didapat adalah
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
2
(1) − 4
= 1−
2(1)
= 2, 5000
Saya lanjut ke iterasi ke-2, hasilnya
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(2, 5000)2 − 4
= 2, 5000 −
2(2, 5000)
= 2, 0500
Saya ulangi perhitungannya sekali lagi sebagai iterasi ke-3
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(2, 0500)2 − 4
= 2, 0500 −
2(2, 0500)
= 2, 0006
Selanjutnya, iterasi ke-4
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(2, 0006)2 − 4
= 2, 0006 −
2(2, 0006)
= 2, 0000
sedangkan pada iterasi ke-5
f (xlama )
xbaru = xlama −
f ′ (xlama )
x2 −4
= xlama − lama
2xlama
(2, 0000)2 − 4
= 2, 0000 −
2(2, 0000)
= 2, 0000
Tampak jelas hasil iterasi ke-4 dan iterasi ke-5 tidak berbeda. Kalau dilanjutkan iterasi ke-6,
dipastikan hasilnya akan tetap sama, yaitu 2,0000. Kesimpulannya, akar dari f (x) = x2 − 4
selain x = −2, 0000 adalah x = 2, 0000.
5.3.2 Script metode Newton untuk contoh 1
Script metode Newton terbagi tiga, yaitu script utama, script fungsi f (x) yang dinyatakan dalam
fungsi eksternal, dan script turunan pertama f ′ (x) yang juga dinyatakan dalam fungsi eksternal.
Ini adalah script utamanya
1 clear all
2 close all
3 clc
4
5 itermaks = 1000; % batas iterasi maksimum
6 epsilon = 10^(-5); % batas toleransi
7 xlama = 1; % nilai awal
8
9 for k = 1:itermaks
10 xbaru = xlama - (fs(xlama))/ft(xlama);
11 if abs(xbaru-xlama) < epsilon
12 break;
13 end
14 xlama = xbaru;
15 end
dan ini adalah script fungsi eksternal untuk menyatakan f (x)
1 function y = fs(x)
2 y = x.^2 - 4;
sementara script fungsi eksternal untuk menyatakan f ′ (x) adalah
1 function y = ft(x)
2 y = 2*x;
5.3.3 Contoh 2: penerapan metode Newton
Sekarang kita beralih ke fungsi f (x) = x3 + 2. Turunan pertama fungsi ini adalah f ′ (x) = 3x2 .
Maka script untuk fungsi-nya dan untuk turunan pertama-nya, masing-masing adalah
1 function y = fs(x)
2 y = x.^3 + 2;
dan
1 function y = ft(x)
2 y = 3*x.^2;
Sedangkan script utamanya tetap sama, kecuali hanya merubah nilai awalnya saja. Misalnya
anda pilih nilai awalnya xlama = 0.5, maka script utamanya ditulis sebagai berikut
1 clear all
2 close all
3 clc
4
7 xlama = 0.5; % nilai awal
8
12 break;
13 end
14 xlama = xbaru;
15 end
jika script ini dijalankan, maka akan diperoleh akar pada x = −1.2599. Coba iseng-iseng anda
ganti nilai awalnya dengan angka 4,5 atau -3,21 atau angka-angka lainnya, apakah akarnya
tetap x = −1.2599 ? Jawabannya tentu iya. Tapi cobalah anda ganti nilai awalnya dengan
angka 1, apakah akarnya tetap x = −1.2599 ? Jawabannya pasti tidak. Mengapa bisa begitu?
Mari kita periksa formulasi metode Newton. Ketika anda memilih xlama = 1, maka iterasi
pertamanya akan seperti ini
f (xlama )
xbaru = xlama −
f ′ (xlama )
x3 +2
= xlama − lama 2
3xlama
(1)2 + 2
= 1−
3(1)2
= 0
jika hasil ini diumpankan pada iterasi ke-2, maka f ′ (x) akan bernilai nol. Efeknya adalah kom-
puter akan menemukan operasi pembagian dimana bagian penyebutnya (dalam hal ini turunan
pertamanya) bernilai nol, sehingga komputer akan mengeluarkan pesan kesalahan devided by
zero. Seketika komputer langsung hang (berhenti memproses perhitungan). Perlu ada modifi-
kasi untuk mengantisipasi hal ini. Salah satu caranya adalah dengan mengubah angka xlama
jika ditemukan nilai turunan pertama bernilai nol. Berikut ini script utama dengan modifikasi
1 clear all
2 close all
3 clc
4
7 xlama = 1; % nilai awal
8
10 if ft(xlama) == 0 % antisipasi jika turunan pertamanya = 0
11 xlama = xlama + 0.001; % sekedar ditambah 0.001 aja. Pakai angka lain juga bisa.
12 end
15 break;
16 end
17 xlama = xbaru;
18 end
19 xbaru
5.4 Soal-soal Latihan
1. Buatlah script matlab rumus abc untuk mencari nilai-nilai akar persamaan kuadrat. Tam-
pilkan kurva fungsi kuadrat dalam bentuk grafik dan tandai posisi akarnya
Bab 6
Integral Numerik
✍ Objektif :
⊲ Mengenalkan metode Trapezoida
⊲ Mengenalkan metode Simpson
⊲ Mengenalkan metode Composite-Simpson
⊲ Mengenalkan metode Adaptive Quardrature
⊲ Mengenalkan metode Gaussian Quadrature
6.1 Metode Trapezoida
Integral terhadap suatu fungsi, f(x), yang dievaluasi dari a hingga b dapat dinyatakan oleh
rumus berikut ini Z b
f (x)dx (6.1)
a
Pendekatan numerik yang paling dasar dalam memecahkan masalah integral adalah metode
Trapezoida, yang dirumuskan sebagai berikut
b
h h3
Z
f (x)dx = [f (x0 ) + f (x1 )] − f ′′ (ξ) (6.2)
a 2 12
dimana x0 = a, x1 = b dan h = b − a. Akan tetapi, suku yang terakhir pada ruas kanan
dimana terdapat faktor turunan ke-2, f ′′ , seringkali diabaikan dengan tujuan agar persamaan
(6.2) menjadi lebih sederhana.
b
h
Z
f (x)dx = [f (x0 ) + f (x1 )] (6.3)
a 2
Akibatnya pendekatan Trapezoida hanya bekerja efektif pada fungsi-fungsi yang turunan kedua-
nya bernilai nol (f ′′ = 0). Gambar (6.1) memperlihatkan prinsip metode trapezoida dalam
bentuk grafik. Sementara, script berikut ini dibuat berdasarkan persamaan (6.3).
79
80 BAB 6. INTEGRAL NUMERIK
f(x)
f(x1) f(x)
f(x0)
x0=a x1=b x0=a x1=b
Gambar 6.1: Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Trapesoida
menghitung integral dengan cara menghitung luas area integrasi, dimana luas area integrasi sama de-
ngan luas trapesium di bawah kurva f (x) dalam batas-batas a dan b. Jika anda perhatikan dengan teliti,
ada area kecil dibawah garis kurva dan diatas garis miring yang berada diluar bidang trapesium. Metode
Trapesoida tidak menghitung luas area kecil tersebut. Disinilah letak kelemahan metode trapezoida.
1 clear all
2 clc
3
4 a = ... %batas bawah integral;
5 b = ... %batas atas integral;
6
7 x0 = a;
8 x1 = b;
9 h = b-a;
10
11 % -- metode trapezoida --
12 Int_trapezoida = h/2*(f(x0)+f(x1))
Dengan fungsi eksternal fungsi f(x) adalah
1 function y = f(x)
2 y = ... % rumus fungsi yang di-integralkan;
6.2 Metode Simpson
Metode pendekatan yang lebih baik dibanding metode Trapezoida dalam integral numerik ada-
lah metode Simpson yang diformulasikan sebagai berikut
b
h h5
Z
f (x)dx = [f (x1 ) + 4f (x2 ) + f (x3 )] − f 4 (ξ) (6.4)
a 3 90
dengan x1 = a, x3 = b, dan x2 = a + h dimana h = (b − a)/2. Jika suku terakhir diabaikan,

maka
b
h
Z
f (x)dx = [f (x1 ) + 4f (x2 ) + f (x3 )] (6.5)
a 3
Gambar (6.2) memperlihatkan prinsip metode trapezoida dalam bentuk grafik. Sementara,
script berikut ini dibuat berdasarkan persamaan (6.5).
6.2. METODE SIMPSON 81
f(x)
f(x2) f(x)
f(x1)
f(x0)
h
h
x0=a x1=b x0=a x1 x2=b
Gambar 6.2: Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Simpson
menghitung luas area integrasi, dimana area integrasi di bawah kurva f (x) dibagi 2 dalam batas interval
a − x1 dan x1 − b dengan lebar masing-masing adalah h
1 clc
2 clear all
3
4 a = ... %batas bawah integrasi ;
5 b = ... %batas atas integrasi ;
6
7 x1 = a;
8 x3 = b;
9 h = (b-a)/2;
10 x1 = a + h;
11
12 % -- metode simpson --
13 Int_simpson = h/3*(f(x1)+4*f(x2)+f(x3))
Contoh
Metode Trapezoida untuk fungsi f pada interval [0,2] adalah
Z 2
f (x)dx ≈ f (0) + f (2)
0
dimana x0 = 0, x1 = 2 dan h = 2 − 0 = 2. Sedangkan metode Simpson untuk fungsi f pada

interval [0,2] adalah
2
1
Z
f (x)dx ≈ [f (0) + 4f (1) + f (2)]
0 3
dengan x0 = 0, x2 = 2, dan x1 = a + h = 1 dimana h = (b − a)/2 = 1.
Tabel berikut ini memperlihatkan evaluasi integral numerik terhadap beberapa fungsi dalam
interval [0,2] beserta solusi exact-nya. Jelas terlihat, metode Simpson lebih baik dibanding
Trapezoida. Karena hasil intergral numerik metode Simpson lebih mendekati nilai exact
√
f (x) x2 x4 1/(x + 1) 1 + x2 sin x ex
Nilai exact 2,667 6,400 1,099 2,958 1,416 6,389
Trapezoida 4,000 16,000 1,333 3,236 0,909 8,389
Simpson 2,667 6,667 1,111 2,964 1,425 6,421
6.3 Peran faktor pembagi, n
Kalau diamati lebih teliti, akan kita dapatkan bahwa interval [0,2] telah dibagi 2 pada metode
Simpson, sementara pada metode Trapesoida tidak dibagi sama sekali. Sebenarnya dengan
membagi interval lebih kecil lagi, maka error -nya akan semakin kecil. Misalnya, banyaknya
pembagian interval dinyatakan dengan n
ketika n = 1: Trapesioda
x2
h h3
Z
f (x)dx = [f (x1 ) + f (x2 )] − f ′′ (ξ) (6.6)
x1 2 12
ketika n = 2: Simpson
x3
h h5
Z
f (x)dx = [f (x1 ) + 4f (x2 ) + f (x3 )] − f 4 (ξ) (6.7)
x1 3 90
ketika n = 3: Simpson tiga-per-delapan

x4
3h 3h5 4
Z
f (x)dx = [f (x1 ) + 3f (x2 ) + 3f (x3 ) + f (x4 )] − f (ξ) (6.8)
x1 8 80
ketika n = 4:
Z x5
2h 8h7 6
f (x)dx = [7f (x1 ) + 32f (x2 ) + 12f (x3 ) + 32f (x4 ) + 7f (x5 )] − f (ξ) (6.9)
x1 45 945
6.3.1 Source code metode integrasi
Source code untuk persamaan (6.8) disajikan sebagai berikut
1 clc
2 clear all
3
4 % -- batas integrasi --
5 a = 0;
6 b = 2;
7
8 x0 = a;
9 x3 = b;
10 h = (b-a)/3;
11 x1 = a + h;
12 x2 = a + 2*h;
13 % ---------------------
14
15 % -- metode simpson 3/8 --
16 Int_38 = 3*h/8*(f(x0)+3*f(x1)+3*f(x2)+f(x3))
Sementara, source code untuk persamaan (6.9) disajikan sebagai berikut
1 clc
2 clear all
3
6.4. METODE COMPOSITE-SIMPSON 83
4 % -- batas integrasi --
5 a = 0;
6 b = 2;
7
8 x0 = a;
9 x4 = b;
10 h = (b-a)/4;
11 x1 = a + h;
12 x2 = a + 2*h;
13 x3 = a + 3*h;
14 % ---------------------
15
16 % -- metode simpson n=4 --
17 Int_n4 = 2*h/45*(7*f(x0)+32*f(x1)+12*f(x2)+32*f(x3)+7*f(x4))
Perbandingan tingkat akurasi hasil perhitungan seluruh metode integral numerik yang sudah
dibahas adalah sebagai berikut
√
f (x) x2 x4 1/(x + 1) 1 + x2 sin x ex
Nilai exact 2,667 6,400 1,099 2,958 1,416 6,389
Trapezoida 4,000 16,000 1,333 3,236 0,909 8,389
Simpson n=2 2,667 6,667 1,111 2,964 1,425 6,421
Simpson n=3 2,667 6,519 1,105 2,960 1,420 6,403
Simpson n=4 2,667 6,400 1,099 2,958 1,416 6,389
Keempat bentuk persamaan integral numerik di atas dikenal dengan closed Newton-Cotes
formulas. Keterbatasan metode Newton-Cotes terlihat dari jumlah pembagian interval. Di
atas tadi pembagian interval baru sampai pada n = 4. Bagaimana bila interval evaluasinya
dipersempit supaya solusi numeriknya lebih mendekati solusi exact? Atau dengan kata lain
n > 4.
6.4 Metode Composite-Simpson
Persamaan (6.9) terlihat lebih rumit dibandingkan persamaan-persamaan sebelumnya. Bisakah

anda bayangkan bentuk formulasi untuk n = 5 atau n = 6 dan seterusnya? Pasti akan lebih
kompleks dibandingkan persamaan (6.9).
Metode Composite Simpson menawarkan cara mudah menghitung intergal numerik ketika
R4
nilai n > 4. Perhatikan contoh berikut, tentukan solusi numerik dari 0 ex dx. Metode Simpson
dengan h = 2 (atau interval evaluasi integral dibagi 2 , n = 2) memberikan hasil
4
2 0
Z
ex dx ≈ e + 4e2 + e4 = 56, 76958

0 3
Padahal solusi exact dari integral tersebut adalah e4 − e0 = 53, 59815, artinya terdapat error
sebesar 3,17143 yang dinilai masih terlampau besar untuk ditolerir. Bandingkan dengan metode
f(x)
x0=a x1 x2 x3 x4 x5 x6 x7 xn=b
Gambar 6.3: Metode Composite Simpson. Kurva fungsi f (x) dengan batas bawah integral adalah a dan
batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-masing adalah h.
yang sama namun dengan h = 1 (atau interval evaluasi integral dibagi 4 , n = 4)

Z 4 Z 2 Z 4
ex dx = ex dx + ex dx
0 0 2
1 0 1 2
e + 4e + e2 + e + 4e3 + e4

≈
3 3
1 0
e + 4e + 2e2 + 4e3 + e4

=
3
= 53, 86385
Hasil ini memperlihatkan error yang makin kecil, yaitu menjadi 0,26570. Jadi dengan memper-
kecil h, error menjadi semakin kecil dan itu artinya solusi integral numerik semakin mendekati
1
solusi exact. Sekarang kita coba kecilkan lagi nilai h menjadi h = 2 (atau interval evaluasi
integral dibagi 8 , n = 8),
Z 4 Z 1 Z 2 Z 3 Z 4
x x x x
e dx = e dx +
e dx + e dx + ex dx
0 0 1 2 3
1 0 1
≈ e + 4e1/2 + e + e + 4e3/2 + e2 +
6 6
1 2 5/2 3
1
e + 4e + e + e3 + 4e7/2 + e4
6 6
1 0
= e + 4e1/2 + 2e + 4e3/2 + 2e2 + 4e5/2 + 2e3 + 4e7/2 + e4
6
= 53, 61622
dan seperti yang sudah kita duga, error -nya semakin kecil menjadi 0,01807.
Prosedur ini dapat digeneralisir menjadi suatu formula sebagai berikut
Z b n/2 Z x2j
X
f (x)dx = f (x)dx
a j=1 x2j−2
n/2
h5 (4)

X h
= [f (x2j−2 ) + 4f (x2j−1 ) + f (x2j )] − f (ξj ) (6.10)
3 90
j=1
6.5. ADAPTIVE QUARDRATURE 85
dimana h = (b − a)/n dan xj = a + jh, untuk j = 1, ..., n/2, dengan x0 = a dan xn = b. Formula
ini dapat direduksi menjadi
 
b (n/2)−1 n/2 n/2
h h5 X (4)
Z X X
f (x)dx = f (x0 ) + 2 f (x2j ) + 4 f (x2j−1 ) + f (xn ) − f (ξj ) (6.11)
a 3 90
j=1 j=1 j=1
Formula ini dikenal sebagai metode Composite Simpson.
6.5 Adaptive Quardrature
Metode composite mensyaratkan luas area integrasi dibagi menjadi sejumlah region dengan ja-
rak interval yang seragam yaitu sebesar nilai h. Akibatnya, bila metode composite diterapkan
pada fungsi yang memiliki variasi yang tinggi dan rendah sekaligus, maka interval h yang kecil
menjadi kurang efektif, sementara interval h yang besar mengundang error yang besar pula.
Metode Adaptive Quadrature muncul untuk mendapatkan langkah yang paling efektif dimana
nilai interval h tidak dibuat seragam, melainkan mampu beradaptasi sesuai dengan tingkat va-
riasi kurva fungsinya.
Rb
Misalnya kita bermaksud mencari solusi numerik dari integral a f (x)dx dengan toleransi
ǫ > 0. Sebagai langkah awal adalah menerapkan metode Simpson dimana step size h = (b−a)/2
b
h5 (4)
Z
f (x)dx = S(a, b) − f (µ) (6.12)
a 90
dengan
h
S(a, b) = [f (a) + 4f (a + h) + f (b)]
3
Langkah berikutnya adalah men
b
h h 3h
Z
f (x)dx = f (a) + 4f a + + 2f (a + h) + 4f a + + f (b)
a 6 2 2
4
h (b − a) (4)
− f (µ̃) (6.13)
2 180
6.6 Gaussian Quadrature
Suatu integral dapat ditransformasi kedalam bentuk Gaussian quadrature melalui formulasi ber-
ikut
b 1
(b − a)t + (b + a) (b − a)
Z Z
f (x)dx = f dt (6.14)
a −1 2 2
dimana perubahan variabel memenuhi
2x − a − b 1
t= ⇔ x = [(b − a)t + a + b] (6.15)
b−a 2
Berikut adalah table polinomial Legendre untuk penyelesaian Gaussian quadrature

Tabel 6.1: Polinomial Legendre untuk n=2,3,4 dan 5

n Akar rn,i Koefisien cn,i
2 0,5773502692 1,0000000000
-0,5773502692 1,0000000000
3 0,7745966692 0,5555555556
0,0000000000 0,8888888889
-0,7745966692 0,5555555556
4 0,8611363116 0,3478548451
0,3399810436 0,6521451549
-0,3399810436 0,6521451549
-0,8611363116 0,3478548451
5 0,9061798459 0,2369268850
0,5384693101 0,4786286705
0,0000000000 0,5688888889
-0,5384693101 0,4786286705
-0,9061798459 0,2369268850
6.6.1 Contoh
Selesaikan integrasi berikut ini Z 1,5

2
e−x dx (6.16)
1
(Solusi exact integral diatas adalah: 0.1093643)
jawab:
Pertama, integral tersebut ditransformasikan kedalam Gaussian quadrature melalui persamaan
(6.14)
1,5 1
1 −(t+5)2
Z Z
−x2
e dx = e 16 dt (6.17)
1 4 −1
Kedua, Gaussian quadrature dihitung menggunakan konstanta-konstanta yang tercantum pada

tabel polinomial Legendre. Untuk n = 2
1,5
1 h (−(0,5773502692+5)2 /16)
Z i
2 2
e−x dx ≈ e + e(−(−0,5773502692+5) /16) = 0, 1094003
1 4
Untuk n = 3
1,5
1
Z
2 2 2
e−x dx ≈ [(0, 5555555556)e(−(0,7745966692+5) /16) + (0, 8888888889)e(−(5) /16)
1 4
2 /16)
+ (0, 5555555556)e(−(−0,7745966692+5) ] = 0, 1093642
6.6.2 Latihan
Selesaikan integrasi berikut ini

0,35
2
Z
dx
0 x2 −4
6.6. GAUSSIAN QUADRATURE 87
Selesaikan integrasi berikut ini

3,5
x
Z
√ dx
3 x2 −4
Latihan
1. Hitunglah integral-integral berikut ini dengan metode Composite Simpson!

Z 2
a. x ln xdx, n=4
1
2
2
Z
b. dx, n=6
0 x2 +4
3
x
Z
c. 2
dx, n=8
1 x +4
Z 2
d. x3 ex dx, n=4
−2
Z 3π/8
e. tan xdx, n=8
0
5
1
Z
f. √ dx, n=8
3 x2 − 4
2. Tentukan nilai n dan h untuk mengevaluasi

Z 2
e2x sin 3xdx
0
dengan metode Composite Simpson, bila error yang ditolerir harus lebih kecil dari 10−4 .
3. Dalam durasi 84 detik, kecepatan sebuah mobil balap formula 1 yang sedang melaju di arena
grandprix dicatat dalam selang interval 6 detik:
time(dt) 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84
speed(f t/dt) 124 134 148 156 147 133 121 109 99 85 78 89 104 116 123
Gunakan metode integral numerik untuk menghitung panjang lintasan yang telah dilalui mobil
tersebut selama pencatatan waktu di atas!
Bab 7
Diferensial Numerik
✍ Objektif :
⊲ Mengenalkan metode Euler
⊲ Mengenalkan metode Runge Kutta orde 4
⊲ Mengenalkan metode Finite Difference
⊲ Mengenalkan Persamaan Diferensial Parsial Eliptik
⊲ Mengenalkan Persamaan Diferensial Parsial Hiperbolik
⊲ Mengenalkan Persamaan Diferensial Parsial Parabolik
7.1 Metode Euler
Suatu persamaan diferensial ( dy

dt ) dinyatakan dalam fungsi f (t, y), dimana y(t) adalah persama-
an asalnya
dy
= f (t, y), a ≤ t ≤ b, y(a) = α (7.1)
dt
Nilai t dibatasi dari a hingga ke b. Sementara, syarat awal telah diketahui yaitu pada saat
t = a maka y bernilai α. Akan tetapi kita sama sekali tidak tahu bentuk formulasi persamaan
asalnya y(t). Gambar 7.1 memperlihatkan kurva persamaan asal y(t) yang tidak diketahui ben-
tuk formulasinya. Tantangannya adalah bagaimana kita bisa mendapatkan solusi persamaan
diferensial untuk setiap nilai y(t) yang t-nya terletak diantara a dan b ?
Tahap awal solusi pendekatan numerik adalah dengan menentukan point-point dalam jarak
yang sama di dalam interval [a,b]. Jarak antar point dirumuskan sebagai
b−a
h= (7.2)
N
dengan N adalah bilangan integer positif. Nilai h ini juga dikenal dengan nama step size.
Selanjutnya nilai t diantara a dan b ditentukan berdasarkan
ti = a + ih, i = 0, 1, 2, ..., N (7.3)
89
90 BAB 7. DIFERENSIAL NUMERIK
y y
y(tN)=y(b) y(t)
y’=f(t,y) y(t)
y(a)=a
y(t2) y’=f(t,y)
y(a)=a
y(t1) w1 y’(a)=f(a,a)
y(t0)=a a
h h
t0=a t1 t2 ..... tN=b t t0=a t1 t2 ..... tN=b t
Gambar 7.1: Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebesar
h. Pasangan t1 adalah y(t1 ), pasangan t2 adalah y(t2 ), begitu seterusnya. Kanan: Garis singgung yang
menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis singgung tersebut, ditentukan pasangan
t1 sebagai w1 . Perhatikan gambar itu sekali lagi! w1 dan y(t1 ) beda tipis alias tidak sama persis.
Metode Euler diturunkan dari deret Taylor. Misalnya, fungsi y(t) adalah fungsi yang konti-
nyu dan memiliki turunan dalam interval [a,b]. Dalam deret Taylor, fungsi y(t) tersebut diru-
muskan sebagai
(ti+1 − ti )2 ′′
y(ti+1 ) = y(ti ) + (ti+1 − ti )y ′ (ti ) + y (ξi ) (7.4)
2
dengan memasukkan h = (ti+1 − ti ), maka
h2 ′′
y(ti+1 ) = y(ti ) + hy ′ (ti ) + y (ξi ) (7.5)
2
dan, karena y(t) memenuhi persamaan diferensial (7.1), dimana y ′ (ti ) tak lain adalah fungsi
turunan f (ti , y(ti )), maka
h2 ′′
y(ti+1 ) = y(ti ) + hf (ti , y(ti )) + y (ξi ) (7.6)
2
Metode Euler dibangun dengan pendekatan bahwa suku terakhir dari persamaan (7.6), yang
memuat turunan kedua, dapat diabaikan. Disamping itu, pada umumnya, notasi penulisan bagi
y(ti ) diganti dengan wi . Sehingga metode Euler diformulasikan sebagai
wi+1 = wi + hf (ti , wi ) dengan syarat awal w0 = α (7.7)
dimana i = 0, 1, 2, .., N − 1.
Contoh
Diketahui persamaan diferensial
y ′ = y − t2 + 1 batas interval: 0 ≤ t ≤ 2 syarat awal: y(0) = 0, 5 (7.8)
dimana N = 10. Disini terlihat bahwa batas awal interval, a = 0; dan batas akhir b = 2.
Dalam penerapan metode euler, pertama kali yang harus dilakukan adalah menghitung step-
7.1. METODE EULER 91
size (h), caranya

b−a 2−0
h= = = 0, 2
N 10
kemudian dilanjutkan dengan menentukan posisi titik-titik ti berdasarkan rumus
ti = a + ih = 0 + i(0, 2) sehingga ti = 0, 2i
serta menetapkan nilai w0 yang diambil dari syarat awal y(0) = 0, 5
w0 = 0, 5
Dengan demikian persamaan euler dapat dinyatakan sebagai
wi+1 = wi + h(wi − t2i + 1)

= wi + 0, 2(wi − 0, 04i2 + 1)
= 1, 2wi − 0, 008i2 + 0, 2
dimana i = 0, 1, 2, ..., N − 1. Karena N = 10, maka i = 0, 1, 2, ..., 9.

Pada saat i = 0 dan dari syarat awal diketahui w0 = 0, 5, kita bisa menghitung w1
w1 = 1, 2w0 − 0, 008(0)2 + 0, 2 = 0, 8000000
Pada saat i = 1
w2 = 1, 2w1 − 0, 008(1)2 + 0, 2 = 1, 1520000
Pada saat i = 2
w3 = 1, 2w2 − 0, 008(2)2 + 0, 2 = 1, 5504000
Demikian seterusnya, hingga mencapai i = 9
w10 = 1, 2w9 − 0, 008(9)2 + 0, 2 = 4, 8657845
Berikut ini adalah script matlab untuk menghitung w1 , w2 , sampai w10
1 clear all
2 clc
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 t1=a+1*h;
15 t2=a+2*h;
16 t3=a+3*h;
17 t4=a+4*h;
18 t5=a+5*h;
19 t6=a+6*h;
20 t7=a+7*h;
21 t8=a+8*h;
22 t9=a+9*h;
23 t10=a+10*h;
24
25 % solusinya:
26 w1=w0+h*(w0-t0^2+1)
27 w2=w1+h*(w1-t1^2+1)
28 w3=w2+h*(w2-t2^2+1)
29 w4=w3+h*(w3-t3^2+1)
30 w5=w4+h*(w4-t4^2+1)
31 w6=w5+h*(w5-t5^2+1)
32 w7=w6+h*(w6-t6^2+1)
33 w8=w7+h*(w7-t7^2+1)
34 w9=w8+h*(w8-t8^2+1)
35 w10=w9+h*(w9-t9^2+1)
Atau bisa dipersingkat sebagai berikut
1 clear all
2 clc
3
4 format long
5
12
14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 w(1)=w0+h*(w0-t0^2+1);
20 for i=2:N
21 k=i-1;
22 w(i)=w(k)+h*(w(k)-t(k)^2+1);
23 end
24 w
Disisi lain, solusi exact persamaan diferensial (7.8) adalah
y(t) = (t + 1)2 − 0, 5et (7.9)
Script matlab untuk mendapatkan solusi exact ini adalah:
1 clear all
2 clc
7.1. METODE EULER 93
3
4 format long
5
10
12 for i=1:N
13 t(i)=a+(i*h);
14 end
15
16 % solusi exact:
17 for i=1:N
18 y(i)=(t(i)+1)^2-0.5*exp(t(i));
19 end
20 y
Tabel 7.1: Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih antara
keduanya
i ti wi yi = y(ti ) |wi − yi |
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8000000 0,8292986 0,0292986
2 0,4 1,1520000 1,2140877 0,0620877
3 0,6 1,5504000 1,6489406 0,0985406
4 0,8 1,9884800 2,1272295 0,1387495
5 1,0 2,4581760 2,6408591 0,1826831
6 1,2 2,9498112 3,1799415 0,2301303
7 1,4 3,4517734 3,7324000 0,2806266
8 1,6 3,9501281 4,2834838 0,3333557
9 1,8 4,4281538 4,8151763 0,3870225
10 2,0 4,8657845 5,3054720 0,4396874
Coba anda perhatikan sejenak bagian kolom selisih |wi − yi |. Terlihat angkanya tumbuh semakin
besar seiring dengan bertambahnya ti . Artinya, ketika ti membesar, akurasi metode euler justru
berkurang. Untuk lebih jelasnya, mari kita plot hasil-hasil ini dalam suatu gambar.
Gambar (7.2) memperlihatkan sebaran titik-titik merah yang merupakan hasil perhitungan
metode euler (wi ). Sementara solusi exact y(ti ) diwakili oleh titik-titik biru. Tampak jelas bah-
wa titik-titik biru dan titik-titik merah –pada nilai t yang sama– tidak ada yang berhimpit alias
ada jarak yang memisahkan mereka. Bahkan semakin ke kanan, jarak itu semakin melebar.
Adanya jarak, tak lain menunjukkan keberadaan error (kesalahan). Hasil perhitungan metode
euler yang diwakili oleh titik-titik merah ternyata menghadirkan tingkat kesalahan yang sema-
kin membesar ketika menuju ke-N atau ketika ti bertambah. Untuk mengatasi hal ini, salah
satu pemecahannya adalah dengan menerapkan metode Runge-Kutta orde-4. Namun sebelum
masuk ke pembahasan tersebut, ada baiknya kita memodifikasi script matlab yang terakhir tadi.
Saya kira tidak ada salahnya untuk mengantisipasi kesalahan pengetikan fungsi turunan
yang terdapat dalam script sebelumnya yaitu,
5.5
4.5
3.5
y(t)
2.5
1.5
0.5
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
t
Gambar 7.2: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu nilai wi .
w(1)=w0+h*(w0-t0^2+1);
dan
w(i)=w(k)+h*(w(k)-t(k)^2+1);
Ketika fungsi turunan memiliki formulasi yang berbeda dengan contoh di atas, bisa jadi
kita akan lupa untuk mengetikkan formulasi yang baru di kedua baris tersebut. Oleh karena
itu, lebih baik fungsi turunan tersebut dipindahkan kedalam satu file terpisah. Di lingkungan
matlab, file tersebut disebut file function. Jadi, isi file function untuk contoh yang sedang kita
bahas ini adalah
function y = futur(t,w)
y = w - t^2 + 1;
File function ini mesti di-save dengan nama file yang sama persis dengan nama fungsinya, dalam
contoh ini nama file function tersebut harus bernama futur.m. Kemudian file ini harus disimpan
dalam folder yang sama dimana disana juga terdapat file untuk memproses metode euler.
Setelah itu, script metode euler dimodifikasi menjadi seperti ini
1 clear all
2 clc
3
4 format long
5
7.2. METODE RUNGE KUTTA 95

12
14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 w(1)=w0+h*futur(t0,w0);
20 for i=2:N
21 k=i-1;
22 w(i)=w(k)+h*futur(t(k),w(k));
23 end
24 w
Mulai dari baris ke-13 sampai dengan baris ke-24, tidak perlu diubah-ubah lagi. Artinya, jika
ada perubahan formulasi fungsi turunan, maka itu cukup dilakukan pada file futur.m saja.
Ok. Sekarang mari kita membahas metode Runge Kutta.
7.2 Metode Runge Kutta
Pada saat membahas metode Euler untuk penyelesaian persamaan diferensial, kita telah sampai
pada kesimpulan bahwa truncation error metode Euler terus membesar seiring dengan bertam-
bahnya iterasi (ti ). Dikaitkan dengan hal tersebut, metode Runge-Kutta Orde-4 menawarkan
penyelesaian persamaan diferensial dengan pertumbuhan truncation error yang jauh lebih ke-
cil. Persamaan-persamaan yang menyusun metode Runge-Kutta Orde-4 adalah
w0 = α
k1 = hf (ti , wi ) (7.10)
h 1
k2 = hf (ti + , wi + k1 ) (7.11)
2 2
h 1
k3 = hf (ti + , wi + k2 ) (7.12)
2 2
k4 = hf (ti+1 , wi + k3 ) (7.13)
1
wi+1 = wi + (k1 + 2k2 + 2k3 + k4 ) (7.14)
6
dimana fungsi f (t, w) adalah fungsi turunan.

Contoh
Saya ambilkan contoh yang sama seperti contoh yang sudah kita bahas pada metode Euler.
Diketahui persamaan diferensial
y ′ = y − t2 + 1, 0 ≤ t ≤ 2, y(0) = 0, 5
Jika N = 10, maka step-size bisa dihitung terlebih dahulu
b−a 2−0
h= = = 0, 2
N 10
dan
ti = a + ih = 0 + i(0, 2) → ti = 0, 2i
serta
w0 = 0, 5
Sekarang mari kita terapkan metode Runge-Kutta Orde-4 ini. Untuk menghitung w1 , tahap-
tahap perhitungannya dimulai dari menghitung k1
k1 = hf (t0 , w0 )
= h(w0 − t20 + 1)
= 0, 2((0, 5) − (0, 0)2 + 1)
= 0, 3
lalu menghitung k2
h k1
k2 = hf (t0 + , w0 + )
2 2
k1 h
= h[(w0 + ) − (t0 + )2 + 1)]
2 2
0, 3 0, 2 2
= 0, 2[(0, 5 + ) − (0, 0 + ) + 1)]
2 2
= 0, 328
dilanjutkan dengan k3
h k2
k3 = hf (t0 + , w0 + )
2 2
k2 h
= h[(w0 + ) − (t0 + )2 + 1)]
2 2
0, 328 0, 2 2
= 0, 2[(0, 5 + ) − (0, 0 + ) + 1)]
2 2
= 0, 3308
kemudian k4
k4 = hf (t1 , w0 + k3 )
= h[(w0 + k3 ) − t21 + 1]
= 0, 2[(0, 5 + 0, 3308) − (0, 2)2 + 1]
= 0, 35816
akhirnya diperoleh w1
1
w1 = w0 + (k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 5 + (0, 3 + 2(0, 328) + 2(0, 3308) + 0, 35816)
6
1
= 0, 5 + (0, 3 + 0, 656 + 0, 6616 + 0, 35816)
6
= 0, 8292933
Dengan cara yang sama, w2 , w3 , w4 dan seterusnya dapat dihitung dengan program komputer.
Script matlab-nya sebagai berikut1 :
1 clear all
2 clc
3
4 format long
5
6 b=2; % batas akhir interval
7 a=0; % batas awal interval
12
14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 k1=h*futur(t0,w0);
20 k2=h*futur(t0+h/2,w0+k1/2);
21 k3=h*futur(t0+h/2,w0+k2/2);
22 k4=h*futur(t(1),w0+k3);
23 w(1)=w0+1/6*(k1+2*k2+2*k3+k4);
24
25 for i=2:N
26 k=i-1;
27 k1=h*futur(t(k),w(k));
28 k2=h*futur(t(k)+h/2,w(k)+k1/2);
29 k3=h*futur(t(k)+h/2,w(k)+k2/2);
30 k4=h*futur(t(i),w(k)+k3);
31 w(i)=w(k)+1/6*(k1+2*k2+2*k3+k4);
32 end
33 w
Dibandingkan dengan metode Euler, tingkat pertumbuhan truncation error, pada kolom |wi −yi |
(lihat Tabel 7.2), jauh lebih rendah sehingga metode Runge-Kutta Orde Empat lebih disukai
untuk membantu menyelesaikan persamaan-diferensial-biasa.
Contoh tadi tampaknya dapat memberikan gambaran yang jelas bahwa metode Runge-Kutta
Orde Empat dapat menyelesaikan persamaan diferensial biasa dengan tingkat akurasi yang lebih
1
Jangan lupa, file futur.m mesti berada dalam satu folder dengan file Runge Kutta nya!
Tabel 7.2: Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact y(ti )
serta selisih antara keduanya
i ti wi yi = y(ti ) |wi − yi |
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8292933 0,8292986 0,0000053
2 0,4 1,2140762 1,2140877 0,0000114
3 0,6 1,6489220 1,6489406 0,0000186
4 0,8 2,1272027 2,1272295 0,0000269
5 1,0 2,6408227 2,6408591 0,0000364
6 1,2 3,1798942 3,1799415 0,0000474
7 1,4 3,7323401 3,7324000 0,0000599
8 1,6 4,2834095 4,2834838 0,0000743
9 1,8 4,8150857 4,8151763 0,0000906
10 2,0 5,3053630 5,3054720 0,0001089
5.5
4.5
3.5
y(t)
2.5
1.5
0.5
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
t
Gambar 7.3: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta orde 4, yaitu nilai wi .
tinggi. Namun, kalau anda jeli, ada suatu pertanyaan cukup serius yaitu apakah metode ini
dapat digunakan bila pada persamaan diferensialnya tidak ada variabel t ? Misalnya pada kasus
pengisian muatan pada kapasitor berikut ini.
7.2.1 Aplikasi: Pengisian muatan pada kapasitor
Sebuah kapasitor yang tidak bermuatan dihubungkan secara seri dengan sebuah resistor dan
baterry (Gambar 7.4). Diketahui ǫ = 12 volt, C = 5,00 µF dan R = 8,00 ×105 Ω. Saat sa-
klar dihubungkan (t=0), muatan belum ada (q=0). Berdasarkan hukum Kirchoff II, bentuk
persamaan diferensial yang sesuai dengan rangkaian tersebut adalah
dq ǫ q
= − (7.15)
dt R RC
Adapun solusi exact persamaan (7.15) adalah

qexact = q(t) = Cǫ 1 − e−t/RC (7.16)
Anda bisa lihat semua suku di ruas kanan persamaan (7.15) tidak mengandung variabel t. Pa-
Gambar 7.4: Rangkaian RC
dahal persamaan-persamaan turunan pada contoh sebelumnya mengandung variabel t. Apakah

persamaan (7.15) tidak bisa diselesaikan dengan metode Runge-Kutta? Belum tentu. Sekarang,
kita coba selesaikan, pertama kita nyatakan
ǫ
m1 = = 1, 5 × 10−5
R
1
m2 = = 0, 25
RC
sehingga persamaan (7.15) dimodifikasi menjadi
dq
= f (qi ) = m1 − qi m2
dt
ti = a + ih
Jika t0 = 0, maka a = 0, dan pada saat itu (secara fisis) diketahui q0 = 0, 0. Lalu jika ditetapkan
h = 0, 1 maka t1 = 0, 1 dan kita bisa mulai menghitung k1 dengan menggunakan q0 = 0, 0,
walaupun t1 tidak dilibatkan dalam perhitungan ini
k1 = hf (q0 )
= h(m1 − q0 m2 )
= 0, 1((1, 5 × 10−5 ) − (0, 0)(0, 25))
= 0, 150 × 10−5
lalu menghitung k2
k1
k2 = hf (q0 + )
2
k1
= h[(m1 − (q0 + )m2 )]
2
0, 15 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 0) + )(0, 25)]
2
= 0, 14813 × 10−5
k2
k3 = hf (q0 + )
2
k2
= h[(m1 − (q0 + )m2 )]
2
0, 14813 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 0) + )(0, 25)]
2
= 0, 14815 × 10−5
kemudian k4
k4 = hf (q0 + k3 )
= h[(m1 − (q0 + k3 )m2 )]
= 0, 1[(1, 5 × 10−5 − ((0, 0) + 0, 14815 × 10−5 )(0, 25)]
= 0, 14630 × 10−5
akhirnya diperoleh q1
1
q1 = q0 + (k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 0 + (0, 150 + 2(0, 14813) + 2(0, 14815) + 0, 14630) × 10−5
6
= 0, 14814 × 10−5
Selanjutnya q2 dihitung. Tentu saja pada saat t2 , dimana t2 = 0, 2, namun sekali lagi, t2 tidak
terlibat dalam perhitungan ini. Dimulai menghitung k1 kembali
k1 = hf (q1 )
= h(m1 − q1 m2 )
= 0, 1((1, 5 × 10−5 ) − (0, 14814 × 10−5 )(0, 25))
= 0, 14630 × 10−5
lalu menghitung k2
k1
k2 = hf (q1 + )
2
k1
= h[(m1 − (q1 + )m2 )]
2
0, 14630 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 14814 × 10−5 ) + )(0, 25)]
2
= 0, 14447 × 10−5
k2
k3 = hf (q1 + )
2
k2
= h[(m1 − (q1 + )m2 )]
2
0, 14447 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 14814 × 10−5 ) + )(0, 25)]
2
= 0, 14449 × 10−5
kemudian k4
k4 = hf (q1 + k3 )
= h[(m1 − (q1 + k3 )m2 )]
= 0, 1[(1, 5 × 10−5 − ((0, 14814 × 10−5 ) + 0, 14449 × 10−5 )(0, 25)]
= 0, 14268 × 10−5
akhirnya diperoleh q2
1
q2 = q1 + (k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 14814 × 10−5 + (0, 14630 + 2(0, 14447) + 2(0, 14449) + 0, 14268) × 10−5
6
= 0, 29262 × 10−5
Dengan cara yang sama, q3 , q4 , q5 dan seterusnya dapat dihitung. Berikut ini adalah script dalam
matlab yang dipakai untuk menghitung q
1 clear all
2 clc
3
4 format long
5
6 b=1; % batas akhir interval
7 a=0; % batas awal interval
8 h=0.1; % interval waktu
9 N=(b-a)/h; % nilai step-size
10 q0=0.0; % muatan mula-mula
11 t0=0.0; % waktu awal
12
14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 k1=h*futur(q0);
20 k2=h*futur(q0+k1/2);
21 k3=h*futur(q0+k2/2);
22 k4=h*futur(q0+k3);
23 q(1)=q0+1/6*(k1+2*k2+2*k3+k4);
24
25 for i=2:N
26 k=i-1;
27 k1=h*futur(q(k));
28 k2=h*futur(q(k)+k1/2);
29 k3=h*futur(q(k)+k2/2);
30 k4=h*futur(q(k)+k3);
31 q(i)=q(k)+1/6*(k1+2*k2+2*k3+k4);
32 end
33 q
Adapun script fungsi turunannya (futur.m) adalah sebagai berikut:
1 function y=futur(q)
2 E=12; % tegangan (volt)
3 R=800000; % hambatan (ohm)
4 C=5e-6; % kapasitansi (farad)
5 m1=E/R;
6 m2=1/(R*C);
7 y=m1-(m2*q);
Luar biasa!! Tak ada error sama sekali. Mungkin, kalau kita buat 7 angka dibelakang koma,
error nya akan terlihat. Tapi kalau anda cukup puas dengan 5 angka dibelakang koma, hasil ini
sangat memuaskan. Gambar 7.5 memperlihatkan kurva penumpukan muatan q terhadap waktu
t – dengan batas atas interval waktu dinaikkan hingga 20 –.
Sampai disini mudah-mudahan jelas dan bisa dimengerti. Silakan anda coba untuk kasus
yang lain, misalnya proses pembuangan (discharging ) q pada rangkaian yang sama, atau bisa
juga anda berlatih dengan rangkaian RL dan RLC. Saya akhiri dulu uraian saya sampai disini.
7.3. LATIHAN I 103
Tabel 7.3: Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan hasil
perhitungan dari solusi exact, yaitu persamaan (7.16)
i ti qi qexact = q(ti ) |qi − qexact |
0 0,0 0,00000×10 −5 0,00000×10 −5 0,00000
1 0,1 0,14814×10−5 0,14814×10−5 0,00000
2 0,2 0,29262×10−5 0,29262×10−5 0,00000
3 0,3 0,43354×10−5 0,43354×10−5 0,00000
4 0,4 0,57098×10−5 0,57098×10−5 0,00000
5 0,5 0,70502×10−5 0,70502×10−5 0,00000
6 0,6 0,83575×10−5 0,83575×10−5 0,00000
7 0,7 0,96326×10 −5 0,96326×10 −5 0,00000
8 0,8 1,0876×10−5 1,0876×10−5 0,00000
9 0,9 1,2089×10−5 1,2089×10−5 0,00000
10 1,0 1,3272×10 −5 1,3272×10 −5 0,00000
7.3 Latihan I
1. Sebuah benda bersuhu 50o F diletakkan di dalam ruangan bersuhu 100o F. Laju perubahan
suhu terhadap waktu diformulasikan oleh hukum Newton sebagai berikut
dT
= k(Tr − Tb )
dt
dimana Tr = suhu ruang; Tb = suhu benda yang berubah-ubah dan k = konstanta bernilai
0,045.
(a) Buatlah kurva peningkatan suhu benda terhadap waktu berdasarkan analisis numerik
menggunakan medote Runge-kutta orde-4. Parameter waktu divariasikan mulai dari
0 menit hingga 20 menit.
(b) Berapakah suhu benda setelah 5 menit? Berapakah suhu benda setelah 20 menit?.
2. Peluruhan zat radioaktif diformulasikan sebagai
dN
− kN = 0
dt
dimana N = massa zat radioaktif pada waktu tertentu; k = konstanta bernilai peluruhan.
Jika mula-mula adalah 50 miligram dan k = -0,053,
(a) Buatlah kurva peluruhan zat radioaktif terhadap waktu berdasarkan analisis numerik
menggunakan medote Runge-kutta orde-4. Parameter waktu divariasikan mulai dari
0 jam hingga 20 jam.
(b) Berapakah masa zat radioaktif setelah 4 jam? Berapakah masa zat radioaktif setelah
15 jam?
3. Saat saklar baru dihubungkan, yaitu pada t = 0 dan I = 0, arus mulai mengalir dari
−5
x 10
6
0
0 2 4 6 8 10 12 14 16 18 20
Gambar 7.5: Kurva pengisian muatan q (charging) terhadap waktu t
sumber tegangan. Persamaan Kirchhoff untuk rangkaian ini adalah
dI
ǫ − IR − L =0 I(0) = 0
dt
(a) Tentukan konstanta waktu (τ )

(b) Tentukan fungsi turunan yang siap digunakan pada metode Runge-Kutta orde 4.
(c) Tuliskan metode Runge-Kutta orde 4 untuk menghitung perubahan arus sampai 12
ms.
(d) Berapakah besarnya arus pada t = 2 ms?
(e) Gambarkan kurva hubungan antara arus (Ampere) terhadap waktu (milisecond) yang
didapat dari metode Runge-Kutta orde 4.
7.3. LATIHAN I 105
(f) Solusi analitik persamaan diferensial di atas adalah I(t) = Rǫ 1 − e−Rt/L . Gambark-

an kurva hubungan antara arus (Ampere) terhadap waktu (milisecond) yang didapat
dari solusi analitik dan bandingkan dengan kurva yang diperoleh dari metode Runge-
Kutta orde 4.
Gambar 7.6: Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah x0 = a hingga batas atas x6 = b
7.4 Metode Finite Difference
Suatu persamaan diferensial dapat dinyatakan sebagai berikut:
d2 y dy
2
(x) = p(x) (x) + q(x)y(x) + r(x), a ≤ x ≤ b, y(a) = α, y(b) = β (7.17)
dx dx
atau juga dapat dituliskan dalam bentuk lain
y ′′ = p(x)y ′ + q(x)y + r(x) (7.18)
Persamaan tersebut dapat diselesaikan dengan melakukan pendekatan numerik terhadap y ′′

dan y ′ . Caranya adalah pertama, kita memilih angka integer sembarang yaitu N dimana N > 0
dan membagi interval [a, b] dengan (N + 1), hasilnya dinamakan h (lihat Gambar 7.6)
b−a
h= (7.19)
N +1
Dengan demikian maka titik-titik x yang merupakan sub-interval antara a dan b dapat dinyatak-
an sebagai
xi = a + ih, i = 1, 2, 3, ..., N (7.20)
Pencarian solusi persamaan diferensial melalui pendekatan numerik dilakukan dengan meman-
faatkan polinomial Taylor untuk mengevaluasi y ′′ dan y ′ pada xi+1 dan xi−1 seperti berikut
ini
h2 ′′
y(xi+1 ) = y(xi + h) = y(xi ) + hy ′ (xi ) + y (xi ) (7.21)
2
dan
h2 ′′
y(xi−1 ) = y(xi − h) = y(xi ) − hy ′ (xi ) + y (xi ) (7.22)
2
7.4. METODE FINITE DIFFERENCE 107
Jika kedua persamaan ini dijumlahkan
y(xi+1 ) + y(xi−1 ) = 2y(xi ) + h2 y ′′ (xi )
Dari sini y ′′ dapat ditentukan
h2 y ′′ (xi ) = y(xi+1 ) − 2y(xi ) + y(xi−1 )
y(xi+1 ) − 2y(xi ) + y(xi−1 )

y ′′ (xi ) = (7.23)
h2
Dengan cara yang sama, y ′ (xi ) dapat dicari sebagai berikut
y(xi+1 ) − y(xi−1 )
y ′ (xi ) = (7.24)
2h
Selanjutnya persamaan (7.23) dan (7.24) disubstitusikan ke persamaan (7.18) maka
y(xi+1 ) − 2y(xi ) + y(xi−1 ) y(xi+1 ) − y(xi−1 )

= p(xi ) + q(xi )y(xi ) + r(xi )
h2 2h
−y(xi+1 ) + 2y(xi ) − y(xi−1 ) y(xi+1 ) − y(xi−1 )
2
= −p(xi ) − q(xi )y(xi ) − r(xi )
h 2h
−y(xi+1 ) + 2y(xi ) − y(xi−1 ) y(xi+1 ) − y(xi−1 )
2
+ p(xi ) + q(xi )y(xi ) = −r(xi )
h 2h
Sebelum dilanjut, saya nyatakan bahwa y(xi+1 )=wi+1 dan y(xi )=wi serta y(xi−1 )=wi−1 . Maka
persamaan di atas dapat ditulis sebagai berikut

−wi+1 + 2wi − wi−1 wi+1 − wi−1
+ p(xi ) + q(xi )wi = −r(xi )
h2 2h
h
(−wi+1 + 2wi − wi−1 ) + p(xi ) (wi+1 − wi−1 ) + h2 q(xi )wi = −h2 r(xi )
2
h h
−wi+1 + 2wi − wi−1 + p(xi )wi+1 − p(xi )wi−1 + h2 q(xi )wi = −h2 r(xi )
2 2
h h
−wi−1 − p(xi )wi−1 + 2wi + h2 q(xi )wi − wi+1 + p(xi )wi+1 = −h2 r(xi )
2 2
h h
− 1 + p(xi ) wi−1 + 2 + h2 q(xi ) wi − 1 − p(xi ) wi+1 = −h2 r(xi )

(7.25)
2 2
dimana i=1,2,3...sampai N, karena yang ingin kita cari adalah w1 , w2 , w3 ,..., wN . Sementara,
satu hal yang tak boleh dilupakan yaitu w0 dan wN +1 biasanya selalu sudah diketahui. Pada
persamaan (7.17), jelas-jelas sudah diketahui bahwa w0 =α dan wN +1 =β; keduanya dikenal
sebagai syarat batas atau istilah asingnya adalah boundary value. Topik yang sedang bahas
ini juga sering disebut sebagai Masalah Syarat Batas atau Boundary Value Problem.
Sampai disini kita mendapatkan sistem persamaan linear yang selanjutnya dapat dinyatakan
sebagai bentuk operasi matrik
Aw = b (7.26)
dimana A adalah matrik tridiagonal dengan orde N × N
2 + h2 q(x1 ) −1 + h2 p(x1 )
 
0 ... ... ... 0
 − h2 p(x2 )
−1 2 + h2 q(x2 ) −1 + h2 p(x2 ) 0 ... ... 0 

 0 −1 − h2 p(x3 ) 2 + h2 q(x3 ) −1 + h2 p(x3 ) 0 ... 0 

A = 
 0 0 −1 − h2 p(x4 ) 2 + h2 q(x4 ) −1 + h2 p(x4 ) 0 0 

 ... ... ... ... ... ... ... 
... ... ... ... −1 − h2 p(xN−1 ) 2 + h2 q(xN−1 ) −1 + h2 p(xN−1 )
 
0 ... ... ... ... −1 − h2 p(xN ) 2
2 + h q(xN )
sedangkan vektor w dan b adalah

   
−h2 r(x1 ) + 1 + h2 p(x1 ) w0

w1
−h2 r(x2 )
   
 w2   
   
 w 
 3 

 −h2 r(x3 ) 

−h2 r(x4 )
   
 w4 
w= b=
 
 ..  ..
 
 
 .   . 
   
w 
 N −1 

 −h2 r(xN −1 ) 

−h2 r(xN ) + 1 − h2 p(xN ) wN +1

wN
Dalam hal ini vektor w dapat dicari dengan mudah, yaitu
w = A−1 b (7.27)
Agar lebih jelas, mari kita lihat contoh berikut; diketahui persamaan diferensial dinyatakan
sebagai
2 2 sin(ln x)
y ′′ = − y ′ + 2 y + , 1 ≤ x ≤ 2, y(1) = 1, y(2) = 2
x x x2
Dengan metode Finite-Difference, solusi pendekatan dapat diperoleh dengan membagi interval
1 ≤ x ≤ 2 menjadi sub-interval, misalnya kita gunakan N = 9, sehingga spasi h diperoleh
b−a 2−1
h= = = 0, 1
N +1 9+1
Dari persamaan diferensial tersebut, kita dapat menentukan fungsi p, fungsi q dan fungsi r
sebagai berikut:
2
p(xi ) = −
xi
2
q(xi ) =
x2i
sin(ln xi )
r(xi ) =
x2i
Script matlab telah dibuat untuk menyelesaikan contoh soal ini. Isi script fungsi p yang disimpan
dengan nama file p.m:
1 function u = p(x)
2
3 u = -2/x;
lalu inilah script fungsi q yang disimpan dengan nama file q.m:
1 function u = q(x)
2
3 u = 2./x.^2;
kemudian ini script fungsi r yang disimpan dengan nama file r.m::
1 function u = r(x)
2
3 u = sin(log(x))./x.^2;
dan terakhir, inilah script utamanya:
1 % PROGRAM - Aplikasi Metode Finite Difference (FD)

2 % Hasil FD dibandingkan dengan hasil solusi analitik
3 % yang ditampilkan dalam bentuk grafik
4 %
5 % Dibuat oleh : Supriyanto, 10 Desember 2012
6
7 clc;clear;close
8 %============== MENENTUKAN SYARAT BATAS =====================
9 a = 1; b = 2;
10 alpha = 1; beta = 2;
11 N = 9;
12 h = (b-a)/(N+1);
13 for k = 1:N
14 x(k) = a + k*h;
15 end
16 %============== MEMBUAT MATRIKS A ===========================
17 A = zeros(N);
18 for k = 1:N
19 A(k,k) = 2 + h^2*q(x(k));
20 end
21
22 for k = 2:N
23 A(k-1,k) = -1 + (h/2) * p(x(k-1));
24 A(k,k-1) = -1 - (h/2) * p(x(k));
25 end
26 %============== MEMBUAT VEKTOR b ============================
27 b(1,1) = -h^2*r(x(1)) + (1+(h/2)*p(x(1)))*alpha;
28 for k = 2:N-1
29 b(k,1) = -h^2*r(x(k));
30 end
31 b(N,1) = -h^2*r(x(N)) + (1-(h/2)*p(x(N)))*beta;
32 %============== MENGHITUNG w ================================
33 w = inv(A) * b;
34 %============== MEMPLOT HASIL FINITE DIFFERENCE =============
35 plot(x,w,’*b’)
36 xlabel(’nilai x’);
37 hold on
38 %============== MEMPLOT HASIL SOLUSI ANALITIK ===============
39 h = 0.1;
40 x = 1:h:2;
41 y = sol_analitik(x);
42 plot(x,y,’sr’);
43 ylabel(’nilai y’);
44 title(’\fontsize{14} Kesesuaian Antara Solusi FD dan Solusi Analitik’);
Dalam script di atas, hasil perhitungan metode FD tersimpan pada baris 33 dan di-plot pada
baris 35. Disisi lain, solusi analitik dari persamaan diferensial
2 2 sin(ln x)
y ′′ = − y ′ + 2 y + , 1 ≤ x ≤ 2, y(1) = 1, y(2) = 2
x x x2
adalah
c2 3 1
y = c1 x + 2
− sin(ln x) − cos(ln x),
x 10 10
dimana
1
c2 = [8 − 12 sin(ln 2) − 4 cos(ln 2)] ≈ −0, 03920701320
70
dan
11
c1 = − c2 ≈ 1, 1392070132.
10
Pada script di atas, solusi analitik akan didapat pada baris 41, dimana sol_analitik() adalah
fungsi eksternal untuk menyimpan persamaan solusi analitik di atas.
Tabel berikut ini memperlihatkan hasil perhitungan dengan pendekatan metode FD wi dan
hasil perhitungan dari solusi exact y(xi ), dilengkapi dengan selisih antara keduanya |wi − y(xi )|.
Tabel ini memperlihatkan tingkat kesalahan (error) berada pada orde 10−5 . Untuk memperkecil
orde kesalahan, kita bisa menggunakan polinomial Taylor berorde tinggi. Akan tetapi proses
kalkulasi menjadi semakin banyak dan disisi lain penentuan syarat batas lebih kompleks di-
bandingkan dengan pemanfaatan polinomial Taylor yang sekarang. Untuk menghindari hal-hal
yang rumit itu, salah satu jalan pintas yang cukup efektif adalah dengan menerapkan ekstrapo-
lasi Richardson.
Contoh
Pemanfaatan ekstrapolasi Richardson pada metode Finite Difference untuk persamaan diferen-
Kesesuaian Antara Solusi FD dan Solusi Analitik

2
1.9
solusi FD
1.8 solusi analitik
1.7
1.6
nilai y
1.5
1.4
1.3
1.2
1.1
1
1 1.2 1.4 1.6 1.8 2
nilai x
Gambar 7.7:
sial seperti berikut ini
2 2 sin(ln x)
y ′′ = − y ′ + 2 y + , 1 ≤ x ≤ 2, y(1) = 1, y(2) = 2,
x x x2
dengan h = 0, 1, h = 0, 05, h = 0, 025. Ekstrapolasi Richardson terdiri atas 3 tahapan, yaitu

ekstrapolasi yang pertama
4wi (h = 0, 05) − wi (h = 0, 1)
Ext1i =
3
kemudian ekstrapolasi yang kedua
4wi (h = 0, 025) − wi (h = 0, 05)

Ext2i =
3
dan terakhir ekstrapolasi yang ketiga
16Ext2i − Ext1i
Ext3i =
15
Tabel berikut ini memperlihatkan hasil perhitungan tahapan-tahapan ekstrapolasi tersebut. Jika
seluruh angka di belakang koma diikut-sertakan, maka akan terlihat selisih antara solusi exact
dengan solusi pendekatan sebesar 6, 3 × 10−11 . Ini benar-benar improvisasi yang luar biasa.
xi wi y(xi ) |wi − y(xi )|

1,0 1,00000000 1,00000000
1,1 1,09260052 1,09262930 2,88 × 10−5
1,2 1,18704313 1,18708484 4,17 × 10−5
1,3 1,28333687 1,28338236 4,55 × 10−5
1,4 1,38140205 1,38144595 4,39 × 10−5
1,5 1,48112026 1,48115942 3,92 × 10−5
1,6 1,58235990 1,58239246 3,26 × 10−5
1,7 1,68498902 1,68501396 2,49 × 10−5
1,8 1,78888175 1,78889853 1,68 × 10−5
1,9 1,89392110 1,89392951 8,41 × 10−6
2,0 2,00000000 2,00000000
xi wi (h = 0, 1) wi (h = 0, 05) wi (h = 0, 025) Ext1i Ext2i Ext3i

1,0 1,00000000 1,00000000 1,00000000 1,00000000 1,00000000 1,00000000
1,1 1,09260052 1,09262207 1,09262749 1,09262925 1,09262930 1,09262930
1,2 1,18704313 1,18707436 1,18708222 1,18708477 1,18708484 1,18708484
1,3 1,28333687 1,28337094 1,28337950 1,28338230 1,28338236 1,28338236
1,4 1,38140205 1,38143493 1,38144319 1,38144598 1,38144595 1,38144595
1,5 1,48112026 1,48114959 1,48115696 1,48115937 1,48115941 1,48115942
1,6 1,58235990 1,58238429 1,58239042 1,58239242 1,58239246 1,58239246
1,7 1,68498902 1,68500770 1,68501240 1,68501393 1,68501396 1,68501396
1,8 1,78888175 1,78889432 1,78889748 1,78889852 1,78889853 1,78889853
1,9 1,89392110 1,89392740 1,89392898 1,89392950 1,89392951 1,89392951
2,0 2,00000000 2,00000000 2,00000000 2,00000000 2,00000000 2,00000000
7.4.1 Aplikasi
Besar simpangan terhadap waktu (y(t)) suatu sistem osilator mekanik yang padanya diberikan
gaya secara periodik (forced-oscilations) memenuhi persamaan diferensial seperti dibawah ini
berikut syarat-syarat batasnya
d2 y dy π π
2
= + 2y + cos(t), 0≤t≤ , y(0) = −0, 3, y( ) = −0, 1
dt dt 2 2
Dengan metode Finite-Difference, tentukanlah besar masing-masing simpangan di setiap inte-

rval h = π/8. Buatlah table untuk membandingkan hasil finite-difference dengan solusi analitik
1
yang memenuhi y(t) = − 10 [sin(t) + 3cos(t)].
jawab:
Secara umum, persamaan diferensial dapat dinyatakan sbb:
d2 y dy
(x) = p(x) (x) + q(x)y(x) + r(x), a ≤ x ≤ b, y(a) = α, y(b) = β
dx2 dx
Dengan membandingkan kedua persamaan di atas, kita bisa definisikan
π
p(t) = 1 q(t) = 2 r(t) = cos(t) a=0 b= α = −0, 3 β = −0, 1
2
7.5. LATIHAN II 113
Adapun persamaan finite-difference adalah

h h
− 1 + p(xi ) wi−1 + 2 + h q(xi ) wi − (1 − p(xi ) wi+1 = −h2 r(xi )
2

2 2
Persamaan diatas dikonversi kedalam operasi matriks
Aw = b (7.28)
dimana A adalah matrik tridiagonal dengan orde N × N
2 + h2 q(x1 ) −1 + h2 p(x1 )
 
0 ... ... ... 0
−1 − h2 p(x2 ) 2 + h2 q(x2 ) −1 + h2 p(x2 ) 0 ... ... 0 

 0 −1 − h2 p(x3 ) 2 + h2 q(x3 ) −1 + h2 p(x3 ) 0 ... 0 

A = 
 0 0 −1 − h2 p(x4 ) 2 + h2 q(x4 ) −1 + h2 p(x4 ) 0 0 

 ... ... ... ... ... ... ... 
... ... ... ... −1 − h2 p(xN−1 ) 2 + h2 q(xN−1 ) −1 + h2 p(xN−1 )
 
0 ... ... ... ... −1 − h2 p(xN ) 2
2 + h q(xN )
   
−h2 r(x1 ) + 1 + h2 p(x1 ) w0

w1
−h2 r(x2 )
   
 w2   
   
 w 
 3 

 −h2 r(x3 ) 

−h2 r(x4 )
   
 w4 
w= b=
 
 ..  ..
 
 
 .   . 
   
w 
 N −1 

 −h2 r(xN −1 ) 

−h2 r(xN ) + 1 − h2 p(xN ) wN +1

wN
Jumlah baris matrik ditentukan oleh bilangan n. Namun disoal hanya tersedia informasi nilai
h = π/8, sehingga n harus dihitung terlebih dahulu:
π
b−a b−a −0
h= n= −1= 2 −1=3
n+1 h π/8
perhitungan ini dilakukan didalam script matlab. Selanjutnya seluruh elemen matrik A dan
vektor b dihitung dengan matlab
    
2, 3084 −0, 8037 0 w1 −0, 5014
 −1, 1963 2, 3084 −0, 8037   w2  =  −0, 1090 
    
0 −1, 1963 2, 3084 w3 −0, 1394
Proses diteruskan dengan metode Eliminasi Gauss dan didapat hasil akhir berikut ini
w1 = −0.3157 w2 = −0.2829 w3 = −0.2070
7.5 Latihan II
1.
7.6 Persamaan Diferensial Parsial
Dalam sub-bab ini, penulisan ’persamaan diferensial parsial’ akan dipersingkat menjadi PDP.
PDP dapat dibagi menjadi 3 jenis, yaitu persamaan diferensial eliptik, parabolik dan hiperbolik.
PDP eliptik dinyatakan sebagai berikut
∂2u ∂2u
(x, y) + (x, y) = f (x, y) (7.29)
∂x2 ∂y 2
Dalam ilmu fisika, persamaan (7.29) dikenal sebagai Persamaan Poisson. Persamaan tersebut
akan lebih sederhana jika f (x, y)=0,
∂2u ∂2u
(x, y) + (x, y) = 0 (7.30)
∂x2 ∂y 2
yang biasa disebut sebagai Persamaan Laplace. Contoh masalah PDP eliptik di bidang fisika
adalah distribusi panas pada kondisi steady-state pada obyek 2-dimensi dan 3-dimensi.
Jenis PDP kedua adalah PDP parabolik yang dinyatakan sebagai berikut
∂u ∂2u
(x, t) − α2 2 (x, t) = 0 (7.31)
∂t ∂x
Fenomena fisis yang bisa dijelaskan oleh persamaan ini adalah masalah aliran panas pada suatu
obyek dalam fungsi waktu t.
Terakhir, PDP ketiga adalah PDP hiperbolik yang dinyatakan sebagai berikut
∂2u ∂2u
α2 (x, t) = (x, t) (7.32)
∂2x ∂t2
biasa digunakan untuk menjelaskan fenomena gelombang.
Sekarang, mari kita bahas lebih dalam satu-persatu, difokuskan pada bagaimana cara me-
nyatakan semua PDP di atas dalam formulasi Finite-Difference.
7.7 PDP eliptik
Kita mulai dari persamaan aslinya
∂2u ∂2u
(x, y) + (x, y) = f (x, y) (7.33)
∂x2 ∂y 2
dimana R = [(x, y)|a < x < b, c < y < d]. Maksudnya, variasi titik-titik x berada di antara a dan
b. Demikian pula dengan variasi titik-titik y, dibatasi mulai dari c sampai d (lihat Gambar 7.8).
Jika h adalah jarak interval antar titik yang saling bersebelahan pada titik-titik dalam rentang
horizontal a dan b, maka titik-titik variasi di antara a dan b dapat diketahui melalui rumus ini
xi = a + ih, dimana i = 1, 2, . . . , n (7.34)

7.7. PDP ELIPTIK 115
mesh points
d
ym
......
y2 grid lines
k
y1
a x1 x2 ... xn b
h
Gambar 7.8: Skema grid lines dan mesh points pada aplikasi metode Finite-Difference
dimana a adalah titik awal pada sumbu horisontal x. Demikian pula pada sumbu y. Jika k
adalah jarak interval antar titik yang bersebelahan pada titik-titik dalam rentang vertikal c dan
d, maka titik-titik variasi di antara c dan d dapat diketahui melalui rumus ini
yj = c + jk, dimana j = 1, 2, . . . , m (7.35)
dimana c adalah titik awal pada sumbu vertikal y. Perhatikan Gambar 7.8, garis-garis yang
sejajar sumbu horisontal, y = yi dan garis-garis yang sejajar sumbu vertikal, x = xi disebut grid
lines. Sementara titik-titik perpotongan antara garis-garis horisontal dan vertikal dinamakan
mesh points.
Bentuk diskrit turunan kedua persamaan (7.33) dapat dinyatakan dalam rumus centered-
difference sebagai berikut
∂2u u(xi+1 , yj ) − 2u(xi , yj ) + u(xi−1 , yj ) h2 ∂ 4 u

(x i , y j ) = − (ξi , yj ) (7.36)
∂x2 h2 12 ∂x4
∂2u u(xi , yj+1 ) − 2u(xi , yj ) + u(xi , yj−1 ) k2 ∂ 4 u

(x ,
i jy ) = − (xi , ηj ) (7.37)
∂y 2 k2 12 ∂y 4
Metode Finite-Difference biasanya mengabaikan suku yang terakhir, sehingga cukup dinyatakan
sebagai
∂2u u(xi+1 , yj ) − 2u(xi , yj ) + u(xi−1 , yj )
2
(xi , yj ) = (7.38)
∂x h2
∂2u u(xi , yj+1 ) − 2u(xi , yj ) + u(xi , yj−1 )
2
(xi , yj ) = (7.39)
∂y k2
Pengabaian suku terakhir otomatis menimbulkan error yang dinamakan truncation error. Jadi,
ketika suatu persamaan diferensial diolah secara numerik dengan metode Finite-Difference, ma-
ka solusinya pasti meleset alias keliru "sedikit", dikarenakan adanya truncation error tersebut.
Akan tetapi, nilai error tersebut dapat ditolerir hingga batas-batas tertentu yang uraiannya akan
dikupas pada bagian akhir bab ini.
Ok. Mari kita lanjutkan! Sekarang persamaan (7.38) dan (7.39) disubstitusi ke persamaan
(7.33), hasilnya adalah
u(xi+1 , yj ) − 2u(xi , yj ) + u(xi−1 , yj ) u(xi , yj+1 ) − 2u(xi , yj ) + u(xi , yj−1 )

+ = f (xi , yj ) (7.40)
h2 k2
dimana i = 1, 2, ..., n − 1 dan j = 1, 2, ..., m − 1 dengan syarat batas sebagai berikut
u(x0 , yj ) = g(x0 , yj ) u(xn , yj ) = g(xn , yj )

u(xi , y0 ) = g(xi , y0 ) u(xi , ym ) = g(xi , ym )
Pengertian syarat batas disini adalah bagian tepi atau bagian pinggir dari susunan mesh points.
Pada metode Finite-Difference, persamaan (7.40) dinyatakan dalam notasi w, sebagai berikut
wi+1,j − 2wi,j + wi−1,j wi,j+1 − 2wi,j + wi,j−1

2
+ = f (xi , yj )
h k2
h 2
wi+1,j − 2wi,j + wi−1,j + 2 (wi,j+1 − 2wi,j + wi,j−1 ) = h2 f (xi , yj )
k
h2 h2 h2
wi+1,j − 2wi,j + wi−1,j + 2 wi,j+1 − 2 2 wi,j + 2 wi,j−1 = h2 f (xi , yj )
k k k
h2 h2
−2[1 + 2 ]wi,j + (wi+1,j + wi−1,j ) + 2 (wi,j+1 + wi,j−1 ) = h2 f (xi , yj )
k k
h2 h2
2[1 + 2 ]wi,j − (wi+1,j + wi−1,j ) − 2 (wi,j+1 + wi,j−1 ) = −h2 f (xi , yj ) (7.41)
k k
dimana i = 1, 2, ..., n − 1 dan j = 1, 2, ..., m − 1, dengan syarat batas sebagai berikut
w0,j = g(x0 , yj ) wn,j = g(xn , yj ) j = 1, 2, ..., m − 1;

wi,0 = g(xi , y0 ) wi,m = g(xi , ym ) i = 1, 2, ..., n − 1.
Persamaan (7.41) adalah rumusan akhir metode Finite-Difference untuk PDP Eliptik.
7.7.1 Contoh pertama
Misalnya kita diminta mensimulasikan distribusi panas pada lempengan logam berukuran 0, 5
m x 0, 5 m. Temperatur pada 2 sisi tepi lempengan logam dijaga pada 0◦ C, sementara pada
2 sisi tepi lempengan logam yang lain, temperaturnya diatur meningkat secara linear dari 0◦ C
hingga 100◦ C. Problem ini memenuhi PDP Eliptik:
∂2u ∂2u
(x, y) + (x, y) = 0; 0 < x < 0, 5, 0 < y < 0, 5
∂x2 ∂y 2
Y U(x,0.5)=200x
W1,4 W2,4 W3,4
0.5
W1,3 W2,3 W3,3
U(0.5,y)=200y
W0,3 W4,3
U(0,y)=0 W1,2 W2,2 W3,2
W0,2 W4,2
W1,1 W2,1 W3,1

W0,1 W4,1
W1,0 W2,0 W3,0 0.5 X

U(x,0)=0
Gambar 7.9: Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu
dengan syarat-syarat batas
u(0, y) = 0, u(x, 0) = 0, u(x, 0.5) = 200x, u(0.5, y) = 200y
Jika n = m = 4 sedangkan ukuran lempeng logam adalah 0, 5 m x 0, 5 m, maka
0, 5 0, 5
h= = 0, 125 k= = 0, 125
4 4
Grid lines berikut mesh points dibuat berdasarkan nilai h dan k tersebut (lihat Gambar 7.9).
Langkah berikutnya adalah menyusun persamaan Finite-Difference, dimulai dari persamaan asal-
nya (persamaan 7.41)
h2 h2
2[1 + ]wi,j − (wi+1,j + wi−1,j ) − (wi,j+1 + wi,j−1 ) = −h2 f (xi , yj )
k2 k2
Karena h = k = 0, 125 dan f (xi , yj ) = 0, maka
4wi,j − wi+1,j − wi−1,j − wi,j−1 − wi,j+1 = 0 (7.42)
Disisi lain, karena n = 4, maka nilai i yang bervariasi i = 1, 2, ..., n − 1 akan menjadi i =
1, 2, 3. Demikian hal-nya dengan j, karena m = 4, maka variasi j = 1, 2, ..., m − 1 atau j =
1, 2, 3. Dengan menerapkan persamaan (7.42) pada setiap mesh point yang belum diketahui
temperaturnya, diperoleh
4w1,3 − w2,3 − w1,2 = w0,3 + w1,4

4w2,3 − w3,3 − w2,2 − w1,3 = w2,4
4w3,3 − w3,2 − w2,3 = w4,3 + w3,4
4w1,2 − w2,2 − w1,1 − w1,3 = w0,2
4w2,2 − w3,2 − w2,1 − w1,2 − w2,3 = 0
4w3,2 − w3,1 − w2,2 − w3,3 = w4,2
4w1,1 − w2,1 − w1,2 = w0,1 + w1,0
4w2,1 − w3,1 − w1,1 − w2,2 = w2,0
4w3,1 − w2,1 − w3,2 = w3,0 + w4,1
Semua notasi w yang berada diruas kanan tanda sama-dengan sudah ditentukan nilainya ber-
dasarkan syarat batas, yaitu
w1,0 = w2,0 = w3,0 = w0,1 = w0,2 = w0,3 = 0,

w1,4 = w4,1 = 25, w2,4 = w4,2 = 50, dan
w3,4 = w4,3 = 75
Dengan memasukkan syarat batas tersebut ke dalam sistem persamaan linear, maka
4w1,3 − w2,3 − w1,2 = 25

4w2,3 − w3,3 − w2,2 − w1,3 = 50
4w3,3 − w3,2 − w2,3 = 150
4w1,2 − w2,2 − w1,1 − w1,3 = 0
4w2,2 − w3,2 − w2,1 − w1,2 − w2,3 = 0
4w3,2 − w3,1 − w2,2 − w3,3 = 50
4w1,1 − w2,1 − w1,2 = 0
4w2,1 − w3,1 − w1,1 − w2,2 = 0
4w3,1 − w2,1 − w3,2 = 25
Kemudian dijadikan operasi perkalian matrik

    
4 −1 0 −1 0 0 0 0 0 w1,3 25
 −1 4 −1 0 −1 0 0 0 0   w2,3   50 
    
    
 0 −1 4 0 0 −1 0 0 0   w3,3   150 
    
 −1 0 0 4 −1 0 −1 0 0   w1,2   0 
    
    
 0 −1 0 −1 4 −1 0 −1 0   w2,2 = 0 
    
 0 0 −1 0 −1 4 0 0 −1   w3,2   50 
    
    
 0 0 0 −1 0 0 4 −1 0 
  w1,1
   0 
   
 0 0 0 0 −1 0 −1 4 −1   w2,1   0 
    
0 0 0 0 0 −1 0 −1 4 w3,1 25
Mari kita perhatikan sejenak susunan elemen-elemen angka pada matrik berukuran 9x9 di atas.
Terlihat jelas pada elemen diagonal selalu berisi angka 4. Ini sama sekali bukan ketidakse-
ngajaan. Melainkan susunan itu sengaja direkayasa sedemikian rupa sehingga elemen-elemen
tri-diagonal terisi penuh oleh angka bukan 0 dan pada diagonal utamanya diletakkan angka
yang terbesar. Metode Eliminasi Gauss dan Iterasi Gauss-Seidel telah diaplikasikan untuk me-
nyelesaikan persamaan matrik di atas.
7.7.2 Script Matlab untuk PDP Elliptik
Inilah script Matlab yang dipakai untuk menghitung nila-nilai w menggunakan metode Eliminasi
Gauss.
1 clear all
2 clc
3 n=9;
4 A=[ 4 -1 0 -1 0 0 0 0 0;
5 -1 4 -1 0 -1 0 0 0 0;
6 0 -1 4 0 0 -1 0 0 0;
7 -1 0 0 4 -1 0 -1 0 0;
8 0 -1 0 -1 4 -1 0 -1 0;
9 0 0 -1 0 -1 4 0 0 -1;
10 0 0 0 -1 0 0 4 -1 0;
11 0 0 0 0 -1 0 -1 4 -1;
12 0 0 0 0 0 -1 0 -1 4];
13
14 b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
15
16 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
17 %====== Menggabungkan Vektor b kedalam matrik A ========
18 %====== sehingga terbentuk matrik Augmentasi. ========
19 for i=1:n
20 A(i,n+1)=b(i,1);
21 end
22
23 %---------Proses Triangularisasi-----------
24 for j=1:(n-1)
25
26 %----mulai proses pivot---
27 if (A(j,j)==0)
28 for p=1:n+1
29 u=A(j,p);
30 v=A(j+1,p);
31 A(j+1,p)=u;
32 A(j,p)=v;
33 end
34 end
35 %----akhir proses pivot---
36 jj=j+1;
37 for i=jj:n
38 m=A(i,j)/A(j,j);
39 for k=1:(n+1)
40 A(i,k)=A(i,k)-(m*A(j,k));
41 end
42 end
43 end
44 %-------------------------------------------
45
46 %------Proses Substitusi mundur-------------
47 x(n,1)=A(n,n+1)/A(n,n);
48
49 for i=n-1:-1:1
50 S=0;
51 for j=n:-1:i+1
52 S=S+A(i,j)*x(j,1);
53 end
54 x(i,1)=(A(i,n+1)-S)/A(i,i);
55 end
56 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
57
58 %===== Menampilkan Vektor w =================
59 w=x
Sementara berikut ini adalah script Matlab untuk menghitung nila-nilai w menggunakan metode
Iterasi Gauss-Seidel.
1 clear all
2 clc
3
4 n=9;
5 A=[ 4 -1 0 -1 0 0 0 0 0;
6 -1 4 -1 0 -1 0 0 0 0;
7 0 -1 4 0 0 -1 0 0 0;
8 -1 0 0 4 -1 0 -1 0 0;
9 0 -1 0 -1 4 -1 0 -1 0;
10 0 0 -1 0 -1 4 0 0 -1;
11 0 0 0 -1 0 0 4 -1 0;
12 0 0 0 0 -1 0 -1 4 -1;
13 0 0 0 0 0 -1 0 -1 4];
14
15 b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
16
17 %&&&&&&& ITERASI GAUSS-SEIDEL &&&&&&&&&&&&&&&&&&
18 itermax=100; %iterasi maksimum
19 %----nilai awal-----------
20 xl=[0; 0; 0; 0; 0; 0; 0; 0; 0];
21 xb=xl;
22 %----stopping criteria-----------
23 sc=0.001;
24 %----memulai iterasi-------------
25 for iterasi=1:itermax
26 smtr1=0;
27 for j=2:n
28 smtr1=smtr1+A(1,j)*xl(j,1);
29 end
30 xb(1,1)=(-smtr1+b(1,1))/A(1,1);
31 %----------------------------------------------
32 for i=2:n-1
33 smtr2=0;
34 for j=i+1:n
35 smtr2=smtr2-A(i,j)*xl(j,1);
36 end
37 smtr3=0;
38 for k=1:i-1
39 smtr3=smtr3-A(i,k)*xb(k,1);
40 end
41 xb(i,1)=(smtr3+smtr2+b(i,1))/A(i,i);
42 end
43 %----------------------------------------------
44 smtr4=0;
45 for k=1:n-1
46 smtr4=smtr4-A(n,k)*xb(k,1);
47 end
48 xb(n,1)=(smtr4+b(n,1))/A(n,n);
49 %------perhitungan norm2 -------------
50 s=0;
51 for i=1:n
52 s=s+(xb(i,1)-xl(i,1))^2;
53 end
54 epsilon=sqrt(s);
55 %-------------------------------------
56 xl=xb;
57 %------memeriksa stopping criteria--------
58 if epsilon<sc
59 w=xb
60 break
61 end
62 %-----------------------------------------
63 end
Tabel berikut memperlihatkan hasil pemrosesan dengan metode Eliminasi Gauss (disingkat: EG)
dan iterasi Gauss-Seidel (disingkat: GS)
w1,3 w2,3 w3,3 w1,2 w2,2 w3,2 w1,1 w2,1 w3,1

EG 18.7500 37.5000 56.2500 12.5000 25.0000 37.5000 6.2500 12.5000 18.7500
GS 18.7497 37.4997 56.2498 12.4997 24.9997 37.4998 6.2498 12.4998 18.7499
Inilah solusi yang ditawarkan oleh Finite-Difference. Kalau diamati dengan teliti, angka-
angka distribusi temperatur pada 9 buah mesh points memang logis dan masuk akal. Dalam
kondisi riil, mungkin kondisi seperti ini hanya bisa terjadi bila lempengan logam tersebut terbuat
dari bahan yang homogen.
Hasil EG dan GS memang berbeda, walaupun perbedaannya tidak significant. Namun perlu
saya tegaskan disini bahwa jika sistem persamaan linear yang diperoleh dari Finite Difference
berorde 100 atau kurang dari itu, maka lebih baik memilih metode Eliminasi Gauss sebagai
langkah penyelesaian akhir. Alasannya karena, direct method seperti eliminasi Gauss, lebih sta-
bil dibandingkan metode iterasi. Tapi jika orde-nya lebih dari 100, disarankan memilih metode
iterasi seperti iterasi Gauss-Seidel, atau menggunakan metode SOR yang terbukti lebih efisien
dibanding Gauss-Seidel. Jika matrik A bersifat positive definite, metode Court Factorization ada-
lah pilihan yg paling tepat karena metode ini sangat efisien sehingga bisa menghemat memori
komputer.
7.7.3 Contoh kedua
Diketahui persamaan poisson sebagai berikut
∂2u ∂2u
(x, y) + (x, y) = xey , 0 < x < 2, 0 < y < 1,
∂x2 ∂y 2
dengan syarat batas
u (0, y) = 0, u (2, y) = 2ey , 0 ≤ y ≤ 1,

u (x, 0) = x, u (x, 1) = ex, 0 ≤ x ≤ 2,
Solusi numerik dihitung dengan pendekatan finite-difference gauss-seidel dimana batas toleran-
si kesalahan ditentukan
(l) (l−1)
wij − wij ≤ 10−10
7.8 PDP parabolik
PDP parabolik yang kita pelajari disini adalah persamaan difusi
∂u ∂2u
(x, t) = α2 2 (x, t), 0 < x < ℓ, t > 0, (7.43)
∂t ∂x
yang berlaku pada kondisi

u(0, t) = u(ℓ, t) = 0, t > 0,
dan
u(x, 0) = f (x), 0 ≤ x ≤ ℓ,
dimana t dalam dimensi waktu, sementara x berdimensi jarak.

7.8. PDP PARABOLIK 123
7.8.1 Metode Forward-difference
Solusi numerik diperoleh menggunakan forward-difference2 dengan langkah-langkah yang

hampir mirip seperti yang telah dibahas pada PDP eliptik. Langkah pertama adalah menen-
tukan sebuah angka m > 0, yang dengannya, nilai h ditentukan oleh rumus h = ℓ/m. Langkah
kedua adalah menentukan ukuran time-step k dimana k > 0. Adapun mesh points ditentukan
oleh (xi , tj ), dimana xi = ih, dengan i = 0, 1, 2, ..., m, dan tj = jk dengan j = 0, 1, ....
Berdasarkan deret Taylor, turunan pertama persamaan (7.43) terhadap t, dengan time step
k, adalah
∂u u (xi , tj + k) − u (xi , tj ) k ∂ 2 u
(xi , tj ) = − (xi , µj ) (7.44)
∂t k 2 ∂t2
Namun, sebagaimana pendekatan finite-difference pada umumnya, pendekatan forward-difference
selalu mengabaikan suku terakhir, sehingga persamaan di atas ditulis seperti ini
∂u u (xi , tj + k) − u (xi , tj )
(xi , tj ) = (7.45)
∂t k
Sementara itu, turunan kedua persamaan (7.43) terhadap x berdasarkan deret Taylor adalah
∂2u u (xi + h, tJ ) − 2u (xi , tj ) + u (xi − h, tJ ) h2 ∂ 4 u

(x i , t j ) = − (ξi , tj ) (7.46)
∂x2 h2 12 ∂x4
Pengabaian suku terakhir menjadikan persamaan di atas ditulis kembali sebagai berikut
∂2u u (xi + h, tj ) − 2u (xi , tj ) + u (xi − h, tj )

2
(xi , tj ) = (7.47)
∂x h2
Kemudian persamaan (7.45) dan (7.47) disubstitusi kedalam persamaan (7.43), maka diperoleh
u (xi , tj + k) − u (xi , tj ) u (xi + h, tj ) − 2u (xi , tj ) + u (xi − h, tj )

= α2 (7.48)
k h2
atau dapat dinyatakan dalam notasi w
wi,j+1 − wi,j wi+1,j − 2wi,j + wi−1,j

− α2 =0 (7.49)
k h2
Dari sini diperoleh solusi untuk wi,j+1 , yaitu
2α2 k

k
wi,j+1 = 1− 2 wi,j + α2 (wi+1,j + wi−1,j ) (7.50)
h h2
jika
α2 k
λ= (7.51)
h2
maka
(1 − 2λ) wi,j + λwi+1,j + λwi−1,j = wi,j+1 (7.52)
2
Pada Bab ini ada beberapa istilah yang masing-masing menggunakan kata difference, yaitu finite difference, for-
ward difference, centered difference dan backward difference. Setiap istilah punya arti yang berbeda.
7.8.2 Contoh ketiga: One dimensional heat equation
Misalnya diketahui, distribusi panas satu dimensi (1D) sebagai fungsi waktu (t) pada sebatang
logam memenuhi persamaan berikut
∂u ∂2u
(x, t) − 2 (x, t) = 0, 0 < x < 1 0 ≤ t,
∂t ∂x
dengan syarat batas

u(0, t) = u(1, t) = 0, 0 < t,
dan kondisi mula-mula

u(x, 0) = sin(πx), 0 ≤ x ≤ 1,
Solusi analitik atas masalah ini adalah
2
u(x, t) = e−π t sin(πx)
Adapun sebaran posisi mesh-points dalam 1-D diperlihatkan pada Gambar 7.10. Sementara
h=0.1
Gambar 7.10: Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur.
Jarak antar titik ditentukan sebesar h = 0, 1.
Gambar 7.11 melengkapi Gambar 7.10, dimana perubahan waktu tercatat setiap interval k =
0, 0005. Sepintas Gambar 7.11 terlihat seolah-olah obyek yang mau disimulasikan berbentuk
2-dimensi, padahal bendanya tetap 1-dimensi yaitu hanya sebatang logam.
t
0.0.....
k=0.0005
0 1 x
h=0.1
Gambar 7.11: Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005
Selanjutnya, Gambar 7.12 memperlihatkan tepi-tepi syarat batas yaitu angka 0 di ujung kiri
dan angka 1 di ujung kanan pada sumbu horisontal x. Diantara batas-batas itu terdapat sebaran
titik simulasi berjarak h = 0, 1. Sementara, sumbu vertikal menunjukan perubahan dari waktu
ke waktu dengan interval k = 0, 0005. Karena α = 1, h = 0, 1 dan k = 0, 0005 maka λ dapat
0.0.....
0.0015
0.0010
0.0005
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 x
Gambar 7.12: Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forward-
difference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat
dihitung dengan persamaan (7.51)
α2 k 0, 0005
λ= 2
= = 0, 05
h 0, 12
Berdasarkan persamaan (7.52), sistem persamaan linear dapat disusun sebagai berikut
0, 9w1,j + 0, 5w2,j = w1,j+1 − 0, 5w0,j

0, 9w2,j + 0, 5w3,j + 0, 5w1,j = w2,j+1
0, 9w3,j + 0, 5w4,j + 0, 5w2,j = w3,j+1
0, 9w4,j + 0, 5w5,j + 0, 5w3,j = w4,j+1
0, 9w5,j + 0, 5w6,j + 0, 5w4,j = w5,j+1
0, 9w6,j + 0, 5w7,j + 0, 5w5,j = w6,j+1
0, 9w7,j + 0, 5w8,j + 0, 5w6,j = w7,j+1
0, 9w8,j + 0, 5w9,j + 0, 5w7,j = w8,j+1
0, 9w9,j + 0, 5w8,j = w9,j+1 − 0, 5w10,j
Syarat batas menetapkan bahwa w0,j = w10,j = 0. Lalu dinyatakan dalam bentuk operasi matrik
    
0, 9 0, 5 0 0 0 0 0 0 0 w1,j w1,j+1
0, 5 0, 9 0, 5 0 0 0
0  0 0 w2,j   w2,j+1 
    

    

 0 0, 5 0, 9 0, 5 0 0 0 0 0  
 w3,j  
  w3,j+1 

0 0 0, 5 0, 9 0, 5 0 0 0 0  w4,j   w4,j+1 
    

    
0 0 0 0, 5 0, 9 0, 5 0 0 0  =
w5,j  w5,j+1  (7.53)
  
  
0 0 0 0 0, 5 0, 9 0, 5 0 0  w6,j   w6,j+1 
    

    

 0 0 0 0 0 0, 5 0, 9 0, 5 0  
 w7,j  
  w7,j+1 

0 0 0 0 0 0 0, 5 0, 9 0, 5   w8,j   w8,j+1 
    

0 0 0 0 0 0 0 0, 5 0, 9 w9,j w9,j+1
Persamaan matriks di atas dapat direpresentasikan sebagai
Aw(j) = w(j+1) (7.54)
Proses perhitungan dimulai dari j = 0. Persamaan matrik menjadi

    
0, 9 0, 5 0 0 0 0 0 0 0 w1,0 w1,1
0, 5 0, 9 0, 5 0 0 0
0  0 0 w2,0   w2,1 
    

    

 0 0, 5 0, 9 0, 5 0 0 0 0 0  
 w3,0  
  w3,1 

0 0 0, 5 0, 9 0, 5 0 0 0 0  w4,0   w4,1 
    

    
0 0 0 0, 5 0, 9 0, 5 0 0 0  =
w5,0  w5,1 
  
  
0 0 0 0 0, 5 0, 9 0, 5 0 0  w6,0   w6,1 
    

    

 0 0 0 0 0 0, 5 0, 9 0, 5 0  
 w7,0  
  w7,1 

0 0 0 0 0 0 0, 5 0, 9 0, 5   w8,0   w8,1 
    

0 0 0 0 0 0 0 0, 5 0, 9 w9,0 w9,1
Nilai w1,0 , w2,0 , ..., w9,0 sudah ditentukan oleh kondisi awal, yaitu
u(x, 0) = sin πx, 0 ≤ x ≤ 1,
Jika h = 0, 1, maka x1 = h = 0, 1; x2 = 2h = 0, 2; x3 = 3h = 0, 3;....; x9 = 9h = 0, 9.

Lalu masing-masing dimasukkan ke sin πx untuk mendapatkan nilai u(x, 0). Kemudian notasi
u(x, 0) diganti dengan notasi w yang selanjutnya dinyatakan sebagai berikut: w1,0 = u(x1 , 0) =
u(0.1, 0) = sin π(0.1) = 0, 3090. Dengan cara yang sama: w2,0 = 0, 5878; w3,0 = 0, 8090;
w4,0 = 0, 9511; w5,0 = 1, 0000; w6,0 = 0, 9511; w7,0 = 0, 8090; w8,0 = 0, 5878; dan w9,0 = 0, 3090.
Maka persamaan matriks menjadi
    
0, 9 0, 5 0 0 0 0 0 0 0 0, 3090 w1,1
0, 5 0, 9 0, 5 0 0 0 0  0 0 0, 5878   w2,1 
    

    

 0 0, 5 0, 9 0, 5 0 0 0 0 0  
 0, 8090  
  w3,1 

0 0 0, 5 0, 9 0, 5 0 0 0 0  0, 9511   w4,1 
    

    
0 0 0 0, 5 0, 9 0, 5 0 0 0  =
1, 0000  w5,1 
  
  
0 0 0 0 0, 5 0, 9 0, 5 0 0  0, 9511   w6,1 
    

    

 0 0 0 0 0 0, 5 0, 9 0, 5 0  
 0, 8090  
  w7,1 

0 0 0 0 0 0 0, 5 0, 9 0, 5   0, 5878   w8,1 
    

0 0 0 0 0 0 0 0, 5 0, 9 0, 3090 w9,1
Ini hanya perkalian matrik biasa 3 . Hasil perkalian itu adalah: w1,1 = 0, 3075; w2,1 = 0, 5849;
w3,1 = 0, 8051; w4,1 = 0, 9464; w5,1 = 0, 9951; w6,1 = 0, 9464; w7,1 = 0, 8051; w8,1 = 0, 5849; dan
w9,1 = 0, 3075. Semua angka ini adalah nilai temperatur kawat di masing-masing mesh points
setelah selang waktu 0, 0005 detik4 .
3
Topik tentang perkalian matrik sudah diulas pada Bab 1
4
karena step time k-nya sudah ditentukan sebesar 0, 0005
Selanjutnya, hasil ini diumpankan lagi ke persamaan matriks yang sama untuk mendapatkan
wx,2
    
0, 9 0, 5 0 0 0 0 0 0 0 0, 3075 w1,2
0, 5 0, 9 0, 5 0 0 0 0
0  0 0, 5849   w2,2 
    

    

 0 0, 5 0, 9 0, 5 0 0 0 0 0  
 0, 8051  
  w3,2 

0 0 0, 5 0, 9 0, 5 0 0 0 0  0, 9464   w4,2 
    

    
0 0 0 0, 5 0, 9 0, 5 0 0 0  =
0, 9951  w5,2 
  
  
0 0 0 0 0, 5 0, 9 0, 5 0 0  0, 9464   w6,2 
    

    

 0 0 0 0 0 0, 5 0, 9 0, 5 0  
 0, 8051  
  w7,2 

0 0 0 0 0 0 0, 5 0, 9 0, 5   0, 5849   w8,2 
    

0 0 0 0 0 0 0 0, 5 0, 9 0, 3075 w9,2
Perhitungan dengan cara seperti ini diulang-ulang sampai mencapai waktu maksimum. Jika
waktu maksimum adalah T = 0, 5 detik, berarti mesti dilakukan 1000 kali iterasi5 . Untuk
sampai 1000 kali, maka indeks j bergerak dari 1 sampai 1000. Dengan bantuan script Matlab,
proses perhitungan menjadi sangat singkat.
7.8.2.1 Script Forward-Difference
Script matlab Forward-Difference untuk menyelesaikan contoh masalah ini, dimana h = 0, 1 dan
k = 0, 0005
1 clear all
2 clc
3
4 n=9;
5 alpha=1.0;
6 k=0.0005;
7 h=0.1;
8 lambda=(alpha^2)*k/(h^2);
9
10 % Kondisi awal
11 for i=1:n
12 suhu(i)=sin(pi*i*0.1);
13 end
14
15 %Mengcopy kondisi awal ke w
16 for i=1:n
17 w0(i,1)=suhu(i);
18 end
19
20 A=[ (1-2*lambda) lambda 0 0 0 0 0 0 0;
21 lambda (1-2*lambda) lambda 0 0 0 0 0 0;
22 0 lambda (1-2*lambda) lambda 0 0 0 0 0 ;
23 0 0 lambda (1-2*lambda) lambda 0 0 0 0;
24 0 0 0 lambda (1-2*lambda) lambda 0 0 0;
25 0 0 0 0 lambda (1-2*lambda) lambda 0 0;
26 0 0 0 0 0 lambda (1-2*lambda) lambda 0 ;
5
cara menghitung jumlah iterasi: T /k = 0, 5/0, 0005 = 1000
27 0 0 0 0 0 0 lambda (1-2*lambda) lambda ;

28 0 0 0 0 0 0 0 lambda (1-2*lambda) ];
29
30 iterasi=1000;
31 for k=1:iterasi
32 disp(’perkalian matriks’)
33 %======================================
34 for i=1:n
35 w(i,1)=0.0;
36 end
37
38 for i=1:n
39 for j=1:n
40 w(i,1)=w(i,1)+A(i,j)*w0(j,1);
41 end
42 end
43 %====================================
44 w
45 w0=w;
46 end
Tabel 7.4 memperlihatkan hasil perhitungan yang diulang-ulang hingga 1000 kali. Tabel ter-
sebut juga menunjukkan hasil perbandingan antara pemilihan nilai interval k = 0, 0005 dan
k = 0, 01. Tabel ini menginformasikan satu hal penting, yaitu pada saat interval k = 0, 0005,
forward-difference berhasil mencapai konvergensi yang sangat baik. Namun pada saat interval
k = 0.01, dengan jumlah iterasi hanya 50 kali untuk mencapai time maksimum 0, 5 detik, ter-
lihat jelas hasil forward-difference tidak konvergen (Bandingkan kolom ke-4 dan kolom ke-6!),
dan ini dianggap bermasalah. Masalah ini bisa diatasi dengan metode backward-difference.
Tabel 7.4: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2 adalah solusi
analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forward-difference. Kolom ke-4 dan ke-6 adalah
selisih antara solusi analitik dan numerik
wi,1000 wi,50
xi u(xi , 0.5) k = 0, 0005 |u(xi , 0.5) − wi,1000 | k = 0, 01 |u(xi , 0.5) − wi,50 |
0,0 0 0 0
0,1 0,00222241 0,00228652 6, 411 × 10−5 8, 19876 × 107 8, 199 × 107
0,2 0,00422728 0,00434922 1, 219 × 10−4 −1, 55719 × 108 1, 557 × 108
0,3 0,00581836 0,00598619 1, 678 × 10−4 2, 13833 × 108 2, 138 × 108
0,4 0,00683989 0,00703719 1, 973 × 10−4 −2, 50642 × 108 2, 506 × 108
0,5 0,00719188 0,00739934 2, 075 × 10−4 2, 62685 × 108 2, 627 × 108
0,6 0,00683989 0,00703719 1, 973 × 10−4 −2, 49015 × 108 2, 490 × 108
0,7 0,00581836 0,00598619 1, 678 × 10−4 2, 11200 × 108 2, 112 × 108
0,8 0,00422728 0,00434922 1, 219 × 10−4 −1, 53086 × 108 1, 531 × 108
0,9 0,00222241 0,00228652 6, 511 × 10−5 8, 03604 × 107 8, 036 × 107
1,0 0 0 0
7.8.3 Metode Backward-difference
Kalau kita ulang lagi pelajaran yang lalu tentang forward-difference, kita akan dapatkan formula
forward-difference adalah sebagai berikut (lihat persamaan (7.49))

− α2 =0
k h2
Sekarang, dengan sedikit modifikasi, formula backward-difference dinyatakan sebagai
wi,j − wi,j−1 wi+1,j − 2wi,j + wi−1,j

− α2 =0 (7.55)
k h2
jika ditetapkan
α2 k
λ=
h2
maka backward-difference disederhanakan menjadi
(1 + 2λ) wi,j − λwi+1,j − λwi−1,j = wi,j−1 (7.56)
coba sejenak anda bandingkan dengan formula forward-difference dalam λ sebagaimana dinya-
takan oleh persamaan (7.52)
(1 − 2λ) wi,j + λwi+1,j + λwi−1,j = wi,j+1
O.K., mari kita kembali ke contoh soal kita yang tadi, dimana ada perubahan nilai k yang semula
k = 0, 0005 menjadi k = 0, 01. Sementara α dan h nilainya tetap. Maka λ dapat dihitung dengan
persamaan (7.51) kembali
α2 k 0, 1
λ= 2
= =1
h 0, 012
Berdasarkan persamaan (7.56), sistem persamaan linear mengalami sedikit perubahan
3w1,j − 1w2,j = w1,j−1 + 1w0,j

3w2,j − 1w3,j − 1w1,j = w2,j−1
3w3,j − 1w4,j − 1w2,j = w3,j−1
3w4,j − 1w5,j − 1w3,j = w4,j−1
3w5,j − 1w6,j − 1w4,j = w5,j−1
3w6,j − 1w7,j − 1w5,j = w6,j−1
3w7,j − 1w8,j − 1w6,j = w7,j−1
3w8,j − 1w9,j − 1w7,j = w8,j−1
3w9,j − 1w8,j = w9,j−1 + 1w10,j
Syarat batas masih sama, yaitu w0,j = w10,j = 0. Lalu jika dinyatakan dalam bentuk operasi
matrik
    
3 −1 0 0 0 0 0 0 0 w1,j w1,j−1
−1 3 −1 0 0  0 0 0 0 w2,j   w2,j−1 
    

    

 0 −1 3 −1 0 0 0 0 0 

 w3,j  
  w3,j−1 

0 0 −1 3 −1 0 0 0 0  w4,j   w4,j−1 
    

    
0 0 0 −1 3 −1 0 0 0  =
w5,j  w5,j−1 
  
  
0 0 0 0 −1 3 −1 0 0  w6,j   w6,j−1 
    

    

 0 0 0 0 0 −1 3 −1 0 

 w7,j  
  w7,j−1 

0 0 0 0 0 0 −1 3 −1   w8,j   w8,j−1 
    

0 0 0 0 0 0 0 −1 3 w9,j w9,j−1
Persamaan matriks di atas dapat direpresentasikan sebagai
Aw(j) = w(j−1) (7.57)
Perhitungan dimulai dari iterasi pertama, dimana j = 1

    
3 −1 0 0 0 0 0 0 0 w1,1 w1,0
−1 3 −1 0
0  0 0 0 0 w2,1   w2,0 
    

    

 0 −1 3 −1 0 0 0 0 0 

 w3,1  
  w3,0 

0 0 −1 3 −1 0 0 0 0  w4,1   w4,0 
    

    
0 0 0 −1 3 −1 0 0 0  =
w5,1  w5,0 
  
  
0 0 0 0 −1 3 −1 0 0  w6,1   w6,0 
    

    

 0 0 0 0 0 −1 3 −1 0 

 w7,1  
  w7,0 

0 0 0 0 0 0 −1 3 −1   w8,1   w8,0 
    

0 0 0 0 0 0 0 −1 3 w9,1 w9,0
Dengan memasukan kondisi awal, ruas kanan menjadi

    
3 −1 0 0 0 0 0 0 0 w1,1 0, 3090
−1 3 −1 0 0 0 0 0 0 w2,1 0, 5878
    
    
    

 0 −1 3 −1 0 0 0 0 0 
 w3,1  
  0, 8090 

0 0 −1 3 −1 0 0 0 0 w4,1 0, 9511
    
    
    
 0 0 0 −1 3 −1 0 0 0  w5,1 = 1, 0000 
    
0 0 0 0 −1 3 −1 0 0 w6,1 0, 9511
    
    
    

 0 0 0 0 0 −1 3 −1 0 
 w7,1  
  0, 8090 

0 0 0 0 0 0 −1 3 −1 w8,1 0, 5878
    
    
0 0 0 0 0 0 0 −1 3 w9,1 0, 3090
Berbeda dengan operasi matrik forward difference, operasi matrik backward difference ini bukan
perkalian matrik biasa. Operasi matrik tersebut akan dipecahkan oleh metode Eliminasi Gauss6 .
Untuk jumlah iterasi hingga j = 50, perhitungannya dilakukan dalam script Matlab.
7.8.3.1 Script Backward-Difference dengan Eliminasi Gauss
1 clear all
2 clc
3
4 n=9;
5 alpha=1.0;
6 k=0.01;
7 h=0.1;
9
10 %Kondisi awal
11 for i=1:n
13 end
14
16 for i=1:n
17 w0(i,1)=suhu(i);
18 end
19
20 AA=[ (1+2*lambda) -lambda 0 0 0 0 0 0 0;
21 -lambda (1+2*lambda) -lambda 0 0 0 0 0 0;
22 0 -lambda (1+2*lambda) -lambda 0 0 0 0 0 ;
23 0 0 -lambda (1+2*lambda) -lambda 0 0 0 0;
24 0 0 0 -lambda (1+2*lambda) -lambda 0 0 0;
25 0 0 0 0 -lambda (1+2*lambda) -lambda 0 0;
26 0 0 0 0 0 -lambda (1+2*lambda) -lambda 0 ;
27 0 0 0 0 0 0 -lambda (1+2*lambda) -lambda ;
28 0 0 0 0 0 0 0 -lambda (1+2*lambda) ];
29
30 iterasi=50;
31 for i=1:iterasi
33 A=AA; %Matriks Backward Difference dicopy supaya fix
34
35 for i=1:n
36 A(i,n+1)=w0(i,1);
37 end
38
40 for j=1:(n-1)
41
43 if (A(j,j)==0)
44 for p=1:n+1
45 u=A(j,p);
46 v=A(j+1,p);
47 A(j+1,p)=u;
48 A(j,p)=v;
49 end
6
Uraian tentang metode Eliminasi Gauss tersedia di Bab 2
50 end
52 jj=j+1;
53 for i=jj:n
54 m=A(i,j)/A(j,j);
55 for k=1:(n+1)
56 A(i,k)=A(i,k)-(m*A(j,k));
57 end
58 end
59 end
60 %-------------------------------------------
61
63 w(n,1)=A(n,n+1)/A(n,n);
64
65 for i=n-1:-1:1
66 S=0;
67 for j=n:-1:i+1
68 S=S+A(i,j)*w(j,1);
69 end
70 w(i,1)=(A(i,n+1)-S)/A(i,i);
71 end
72 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
73 w0=w;
74 end
75 w
Hasilnya menunjukkan bahwa kinerja metode backward-difference lebih baik dibanding metode
forward-difference, ini ditunjukkan dari selisih yang relatif kecil antara solusi numerik dan solusi
analitik, sebagaimana bisa terlihat dari kolom ke-4 pada tabel berikut
Tabel 7.5: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backward-
difference dimana k = 0, 01
xi u(xi , 0.5) wi,50 |u(xi , 0.5) − wi,50 |
0,0 0 0
0,1 0,00222241 0,00289802 6, 756 × 10−4
0,2 0,00422728 0,00551236 1, 285 × 10−3
0,3 0,00581836 0,00758711 1, 769 × 10−3
0,4 0,00683989 0,00891918 2, 079 × 10−3
0,5 0,00719188 0,00937818 2, 186 × 10−3
0,6 0,00683989 0,00891918 2, 079 × 10−3
0,7 0,00581836 0,00758711 1, 769 × 10−3
0,8 0,00422728 0,00551236 1, 285 × 10−3
0,9 0,00222241 0,00289802 6, 756 × 10−4
1,0 0 0
7.8.4 Metode Crank-Nicolson
Metode ini dimunculkan disini karena metode ini memiliki performa yang lebih unggul dari
dua metode sebelumnya. Namun begitu pondasi metode Crank-Nicolson terdiri atas metode
Forward-Difference dan metode Backward-Difference. Mari kita ulang lagi pelajaran yang sudah
kita lewati. Formula Forward-Difference adalah

− α2 =0
k h2
sedangkan Backward-Difference adalah
wi,j − wi,j−1 wi+1,j − 2wi,j + wi−1,j

− α2 =0
k h2
Ketika Backward-Difference berada pada iterasi ke j + 1, maka
wi,j+1 − wi,j wi+1,j+1 − 2wi,j+1 + wi−1,j+1

− α2 =0 (7.58)
k h2
Jika formula ini dijumlahkan dengan formula forward-difference, kemudian hasilnya dibagi 2,
maka akan diperoleh
α2 wi+1,j − 2wi,j + wi−1,j

wi,j+1 − wi,j wi+1,j+1 − 2wi,j+1 + wi−1,j+1
− + =0 (7.59)
k 2 h2 h2
inilah formula Crank-Nicolson. Adapun λ tetap dinyatakan sebagai
α2 k
λ=
h2
maka
λ
wi,j+1 − wi,j − [wi+1,j − 2wi,j + wi−1,j + wi+1,j+1 − 2wi,j+1 + wi−1,j+1 ] = 0
2
λ λ λ λ
wi,j+1 − wi,j − wi+1,j + λwi,j − wi−1,j − wi+1,j+1 + λwi,j+1 − wi−1,j+1 = 0
2 2 2 2
λ λ λ λ
− wi−1,j+1 + wi,j+1 + λwi,j+1 − wi+1,j+1 − wi−1,j − wi,j + λwi,j − wi+1,j = 0
2 2 2 2
λ λ λ λ
− wi−1,j+1 + wi,j+1 + λwi,j+1 − wi+1,j+1 = wi−1,j + wi,j − λwi,j + wi+1,j
2 2 2 2
dan akhirnya
λ λ λ λ
− wi−1,j+1 + (1 + λ)wi,j+1 − wi+1,j+1 = wi−1,j + (1 − λ)wi,j + wi+1,j (7.60)
2 2 2 2
Dalam bentuk persamaan matrik dinyatakan sebagai
Aw(j+1) = Bw(j) , untuk j = 0, 1, 2, ... (7.61)
Dengan menggunakan contoh soal yang sama, yang sebelumnya telah diselesaikan dengan me-
tode Forward-Difference dan Backward-Difference, maka penyelesaian soal tersebut dengan me-
tode Crank-Nicolson juga akan didemonstrasikan di sini. Dengan nilai k = 0, 01; h = 0, 1; λ = 1
dan berdasarkan persamaan (7.60) diperoleh
−0, 5wi−1,j+1 + 2wi,j+1 − 0, 5wi+1,j+1 = 0, 5wi−1,j + 0wi,j + 0, 5wi+1,j
Script Matlab untuk menyelesaikan persamaan ini adalah
1 clear all
2 clc
3
4 n=9;
5 iterasi=50;
6 alpha=1.0;
7 k=0.01;
8 h=0.1;
10
11 %Kondisi awal
12 for i=1:n
14 end
15
17 for i=1:n
18 w0(i,1)=suhu(i);
19 end
20
21 AA=[(1+lambda) -lambda/2 0 0 0 0 0 0 0;
22 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0 0;
23 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0;
24 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0;
25 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0;
26 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0;
27 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0;
28 0 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2;
29 0 0 0 0 0 0 0 -lambda/2 (1+lambda)];
30
31 B=[(1-lambda) lambda/2 0 0 0 0 0 0 0;
32 lambda/2 (1-lambda) lambda/2 0 0 0 0 0 0;
33 0 lambda/2 (1-lambda) lambda/2 0 0 0 0 0;
34 0 0 lambda/2 (1-lambda) lambda/2 0 0 0 0;
35 0 0 0 lambda/2 (1-lambda) lambda/2 0 0 0;
36 0 0 0 0 lambda/2 (1-lambda) lambda/2 0 0;
37 0 0 0 0 0 lambda/2 (1-lambda) lambda/2 0;
38 0 0 0 0 0 0 lambda/2 (1-lambda) lambda/2;
39 0 0 0 0 0 0 0 lambda/2 (1-lambda)];
40
41 iterasi=50;
42 for iter=1:iterasi
43
44 %===perkalian matriks===================
45 for i=1:n
46 b(i,1)=0.0;
47 end
48 for i=1:n
49 for j=1:n
50 b(i,1)=b(i,1)+B(i,j)*w0(j,1);
51 end
52 end
7.9. PDP HIPERBOLIK 135
53 %======================================
54
56 A=AA; %Matriks Backward Difference dicopy supaya fix
57
58 for i=1:n
59 A(i,n+1)=b(i,1);
60 end
61
63 for j=1:(n-1)
64
66 if (A(j,j)==0)
67 for p=1:n+1
68 u=A(j,p);
69 v=A(j+1,p);
70 A(j+1,p)=u;
71 A(j,p)=v;
72 end
73 end
75 jj=j+1;
76 for i=jj:n
77 m=A(i,j)/A(j,j);
78 for k=1:(n+1)
79 A(i,k)=A(i,k)-(m*A(j,k));
80 end
81 end
82 end
83 %-------------------------------------------
84
86 w(n,1)=A(n,n+1)/A(n,n);
87
88 for i=n-1:-1:1
89 S=0;
90 for j=n:-1:i+1
91 S=S+A(i,j)*w(j,1);
92 end
93 w(i,1)=(A(i,n+1)-S)/A(i,i);
94 end
95 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
96 w0=w;
97 end
98 iter
99 w
Terlihat disini bahwa orde kesalahan metode Crank-Nicolson (kolom ke-6) sedikit lebih kecil di-
bandingkan metode Backward-Difference (kolom ke-5). Ini menunjukkan tingkat akurasi Crank-
Nicolson lebih tinggi dibandingkan Backward-Difference.
7.9 PDP Hiperbolik
Pada bagian ini, kita akan membahas solusi numerik untuk persamaan gelombang yang meru-
pakan salah satu contoh PDP hiperbolik. Persamaan gelombang dinyatakan dalam persamaan
Tabel 7.6: Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan metode
backward-difference dan Crank-Nicolson
BD CN Backward-Diff Crank-Nicolson
xi u(xi , 0.5) wi,50 wi,50 |u(xi , 0.5) − wi,50 | |u(xi , 0.5) − wi,50 |
0,0 0 0 0
0,1 0,00222241 0,00289802 0,00230512 6, 756 × 10−4 8, 271 × 10−5
0,2 0,00422728 0,00551236 0,00438461 1, 285 × 10 −3 1, 573 × 10−4
0,3 0,00581836 0,00758711 0,00603489 1, 769 × 10−3 2, 165 × 10−4
0,4 0,00683989 0,00891918 0,00709444 2, 079 × 10 −3 2, 546 × 10−4
0,5 0,00719188 0,00937818 0,00745954 2, 186 × 10 −3 2, 677 × 10−4
0,6 0,00683989 0,00891918 0,00709444 2, 079 × 10−3 2, 546 × 10−4
0,7 0,00581836 0,00758711 0,00603489 1, 769 × 10 −3 2, 165 × 10−4
0,8 0,00422728 0,00551236 0,00438461 1, 285 × 10 −3 1, 573 × 10−4
0,9 0,00222241 0,00289802 0,00230512 6, 756 × 10−4 8, 271 × 10−5
1,0 0 0 0
diferensial sebagai berikut
∂2u 2
2∂ u
(x, t) − α (x, t) = 0, 0 < x < ℓ, t>0 (7.62)
∂t2 ∂x2
dengan suatu kondisi

u (0, t) = u (ℓ, t) = 0, untuk t > 0,
∂u
u (x, 0) = f (x) , dan (x, 0) = g (x) , untuk 0 ≤ x ≤ ℓ
∂t
dimana α adalah konstanta. Kita tentukan ukuran time-step sebesar k, jarak tiap mesh point
adalah h.
xi = ih dan tj = jk
dengan i = 0, 1, ..., m dan j = 0, 1, .... Pada bagian interior, posisi mesh points ditentukan oleh
koordinat (xi , tj ), karenanya persamaan gelombang ditulis menjadi
∂2u 2
2∂ u
(x i , t j ) − α (xi , tj ) = 0 (7.63)
∂t2 ∂x2
Formula centered-difference digunakan sebagai pendekatan numerik persamaan gelombang pada

tiap-tiap suku. Untuk turunan kedua terhadap t
∂2u u (xi , tj+1 ) − 2u (xi , tj ) + u (xi , tj−1 )

(xi , tj ) =
∂t2 k2
dan turunan kedua terhadap x
∂2u u (xi+1 , tj ) − 2u (xi , tj ) + u (xi−1 , tj )

2
(xi , tj ) =
∂x h2
7.9. PDP HIPERBOLIK 137
Dengan mensubtitusikan kedua persamaan di atas kedalam persamaan (7.63)
u (xi , tj+1 ) − 2u (xi , tj ) + u (xi , tj−1 ) u (xi+1 , tj ) − 2u (xi , tj ) + u (xi−1 , tj )

− α2 =0
k2 h2
maka dapat diturunkan formula finite-difference untuk PDP hiperbolik sebagai berikut
wi,j+1 − 2wi,j + wi,j−1 wi+1,j − 2wi,j + wi−1,j

2
− α2 =0 (7.64)
k h2
Jika λ = αk/h, maka persamaan ini dapat ditulis kembali
wi,j+1 − 2wi,j + wi,j−1 − λ2 wi+1,j + 2λ2 wi,j − λ2 wi−1,j = 0
sehingga wi,j+1 selaku solusi numerik dapat dihitung dengan merubah sedikit suku-suku pada
formula di atas
wi,j+1 = 2 1 − λ2 wi,j + λ2 (wi+1,j + wi−1,j ) − wi,j−1

(7.65)
dengan i = 1, 2, ..., m − 1 dan j = 1, 2, .... Kondisi syarat batas ditentukan sebagai berikut
w0,j = wm,j = 0, untuk j = 1, 2, 3, ... (7.66)
sementara kondisi awal dinyatakan
wi,0 = f (xi ) , untuk i = 1, 2, ..., m − 1 (7.67)
Berbeda dengan PDP eliptik dan PDP parabolik, pada PDP hiperbolik, untuk menghitung mesh
point (j + 1), diperlukan informasi mesh point (j) dan (j − 1). Hal ini sedikit menimbulkan
masalah pada langkah/iterasi pertama karena nilai untuk j = 0 sudah ditentukan oleh persa-
maan (7.67) sementara nilai untuk j = 1 untuk menghitung wi,2 , harus diperoleh lewat kondisi
kecepatan awal
∂u
(x, 0) = g (x) , 0≤x≤ℓ (7.68)
∂t
Salah satu cara pemecahan dengan pendekatan forward-difference adalah
∂u u (xi , t1 ) − u (xi , 0)
(xi , 0) = (7.69)
∂t k
∂u
u (xi , t1 ) = u (xi , 0) + k (xi , 0)
∂t
= u (xi , 0) + kg (xi )
konsekuensinya
wi,1 = wi,0 + kg(xi ), untuk i = 1, 2, ..., m − 1 (7.70)
7.9.1 Contoh
Tentukan solusi dari persamaan gelombang berikut ini
∂2u ∂2u
− 2 = 0, 0 < x < 1, 0<t
∂t2 ∂x
dengan syarat batas

u (0, t) = u (ℓ, t) = 0, untuk 0 < t,
dan kondisi mula-mula

u (x, 0) = sin πx, 0≤x≤1
∂u
= 0, 0≤x≤1
∂t
menggunakan metode finite-difference, dengan m = 4, N = 4, dan T = 1, 0. Bandingkan hasil
yang diperoleh dengan solusi analitik u(x, t) = cos πt sin πx.
Jika persamaan gelombang pada contoh soal ini dibandingkan dengan persamaan (7.62),
maka diketahui nilai α = 1 dan ℓ = 1. Dari sini, nilai h dapat dihitung, yaitu h = ℓ/m = 1/4 =
0, 25. Sementara nilai k diperoleh dari k = T /N = 1, 0/4 = 0, 25. Dengan diketahuinya nilai α,
h, dan k, maka λ dapat dihitung, yaitu λ = αk/h = 1. Selanjutnya, nilai λ ini dimasukkan ke
persamaan (7.65)
wi,j+1 = 2 1 − λ2 wi,j + λ2 (wi+1,j + wi−1,j ) − wi,j−1

wi,j+1 = 2 1 − 12 wi,j + 12 (wi+1,j + wi−1,j ) − wi,j−1

wi,j+1 = 0wi,j + (wi+1,j + wi−1,j ) − wi,j−1
dimana i bergerak dari 0 sampai m, atau i = 0, 1, 2, 3, 4. Sementara j, bergerak dari 0 sampai

T /k = 4, atau j = 0, 1, 2, 3, 4.
Catatan kuliah baru sampai sini!!
7.10 Latihan
1. Carilah solusi persamaan differensial elliptik berikut ini dengan pendekatan numerik meng-
gunakan metode Finite Difference
∂2u ∂2u
+ 2 = (x2 + y 2 )exy , 0 < x < 2, 0 < y < 1;
∂x2 ∂y
gunakan h = 0, 2 dan k = 0, 1
u(0, y) = 1, u(2, y) = e2y , 0≤y≤1

x
u(x, 0) = 1, u(x, 1) = e , 0≤x≤2
Bandingkan hasilnya dengan solusi analitik u(x, t) = exy .

7.10. LATIHAN 139
2. Carilah solusi persamaan differensial parabolik berikut ini dengan pendekatan numerik
menggunakan metode Finite Difference Backward-Difference
∂u 1 ∂2u
− = 0, 0 < x < 1, 0 < t;
∂t 16 ∂x2
u(0, t) = u(1, t) = 0, 0 < t;

u(x, 0) = 2 sin 2πx, 0 ≤ x ≤ 1;
gunakan m = 3, T = 0, 1, dan N = 2. Bandingkan hasilnya dengan solusi analitik
2 /4)t
u(x, t) = 2e−(π sin 2πx
∂u k2 ∂ 2 u k3 ∂ 3 u
u (xi , t1 ) = u (xi , 0) + k (xi , 0) + (x i , 0) + (xi , µ̂i ) (7.71)
∂t 2 ∂t2 6 ∂t3
∂2u 2
2∂ u 2 d
f
(x i , 0) = α (x i , 0) = α (xi ) = α2 f ” (xi ) (7.72)
∂t2 ∂x2 dx2
α2 k2 k3 ∂ 3 u
u (xi , t1 ) = u (xi , 0) + kg (xi ) + f ” (xi ) + (xi , µ̂i ) (7.73)
2 6 ∂t3
α2 k2
wi1 = wi0 + kg (xi ) + f ” (xi ) (7.74)
2
f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 (4)

f ” (xi ) = − f ξ̃ (7.75)
h2 12
k2 α2
f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 + O k3 + h2 k2 (7.76)

u (xi , t1 ) = u (xi , 0) + kg (xi ) + 2
2h
λ2
f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 + O k3 + h2 k2

u (xi , t1 ) = u (xi , 0) + kg (xi ) + (7.77)
2
λ2 λ2
= 1 − λ2 f (xi ) + f (xi+1 ) + f (xi−1 ) + kg (xi ) + O k3 + h2 k2

(7.78)
2 2
λ2 λ2
wi,1 = 1 − λ2 f (xi ) + f (xi+1 ) + f (xi−1 ) + kg (xi )

(7.79)
2 2
Bab 8
Metode Iterasi
✍ Objektif :
⊲ Mengenalkan konsep Norm.
⊲ Mengenalkan iterasi Jacobi.
⊲ Mengenalkan iterasi Gauss-Seidel.
⊲ Mengenalkan iterasi Succesive-Over-Relaxation (SOR).
8.1 Kelebihan Vektor-kolom
Sebelum kita membahas metode iterasi untuk menyelesaikan problem sistem persamaan linear,
saya ingin menyampaikan satu hal yang sangat sederhana, yaitu tentang cara merepresentasikan
elemen-elemen suatu vektor-kolom. Sebagaimana tertulis pada bab-bab sebelumnya, biasanya
suatu vektor-kolom ditulis sebagai
 
x1
 x2 
 
x=
 .. 
 (8.1)
 . 
xn
Dengan operasi transpose, vektor-kolom tersebut dapat dinyatakan sebagai

h iT
x = x1 ; x2 ; . . . xn (8.2)
Contoh:  
3
  h
−2 iT
x=
8
 = 3; −2; 8; 5
 
5
Cara penulisan seperti ini digunakan untuk menyatakan vektor-kolom pada suatu kalimat di
dalam paragraf. Alasannya supaya tidak terlalu menyita banyak ruang penulisan. Sementara,
141
142 BAB 8. METODE ITERASI
persamaan (8.1), lebih sering digunakan pada penulisan operasi matrik. Satu hal lagi, pada
paragraf-paragraf berikutnya, saya persingkat penulisan istilah vektor-kolom menjadi vektor
saja.
8.2 Pengertian Norm
Vektor x=(x1 ; x2 ; ...; xn )T memiliki norm ℓ2 dan ℓ∞ yang didefinisikan sebagai
Xn
ℓ2 = kxk2 = { x2i }1/2 (8.3)
i=1
dan
ℓ∞ = kxk∞ = max |xi | (8.4)
1≤i≤n
Contoh: x=(3; −2; 8; 5)T memiliki norm ℓ2 yaitu

p
ℓ2 = kxk2 = (3)2 + (−2)2 + (8)2 + (5)2 = 10, 0995
dan norm ℓ∞ yaitu

ℓ∞ = kxk∞ = max{(3), (−2), (8), (5)} = 8
Saya menyarankan agar kedua norm ini diingat-ingat dengan baik, karena akan banyak dising-
gung pada catatan-catatan berikutnya.
8.2.1 Script perhitungan norm dua
Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)
1 clear all
2 clc
3
4 x = [ 3 ; -2 ; 8 ; 5 ];
5
6 n = length(x);
7 S = 0;
8 for i = 1:n
9 S = S + x(i,1)^2;
10 end
11 hasil = sqrt(S);
Berdasarkan script di atas, dapat dibuat fungsi eksternal sebagai berikut:
1 function hasil = norm2(x)

2
3 n = length(x);
4 S = 0;
5 for i = 1:n
6 S = S + x(i,1)^2;
8.2. PENGERTIAN NORM 143
7 end
8 hasil = sqrt(S);
8.2.2 Script perhitungan norm tak hingga
Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)
1 clear all
2 clc
3
4 x = [ 3 ; -9 ; 8 ; 5 ];
5
6 n = length(x);
7 xx = x;
8 for i=1:n
9 if xx(i,1) < 0
10 xx(i,1) = xx(i,1) * -1;
11 end
12 end
13 hasil = max(xx);
Script ini menggunakan fungsi internal yang bernama max() untuk mendapatkan nilai elemen
terbesar diantara elemen-elemen yang ada dalam vektor x. Berdasarkan script di atas, dapat
dibuat fungsi eksternal sebagai berikut:
1 function hasil = normth(x)

2
3 n = length(x);
4 xx = x;
5 for i=1:n
6 if xx(i,1) < 0
7 xx(i,1) = xx(i,1) * -1;
8 end
9 end
10 hasil = max(xx);
8.2.3 Perhitungan norm-selisih
Misalnya kita punya vektor bernama xlama. Lalu ada vektor lainnya bernama xbaru. Norm
selisih dari xlama dan xbaru dapat dihitung dengan bantuan fungsi eksternal yang baru saja
kita buat di atas, yaitu bernama norm2() dan normth().
1 clear all
2 clc
3
4 xlama = [ 3 ; -2 ; 8 ; 5 ];
5 xbaru = [ 9 ; 4 ; 6 ; 1 ];
6
7 xselisih = xbaru-xlama;
8 hasil1 = norm2(xselisih);
9 hasil2 = normth(xselisih);
Cara perhitungan norm-selisih seperti ini akan diterapkan pada kebanyakan metode iterasi.
Jadi tolong diingat baik-baik!!
8.3 Iterasi Jacobi
Sekarang kita akan mulai membahas metode iterasi sekaligus penerapannya untuk menyele-
saikan sistem persamaan linear. Perbedaan metode iterasi dengan metode-metode yang telah
dijelaskan sebelumnya, adalah ia dimulai dari penentuan nilai awal (initial value) untuk setiap
elemen vektor x. Kemudian berdasarkan nilai awal tersebut, dilakukan langkah perhitungan
untuk mendapatkan elemen-elemen vektor x yang baru. Untuk lebih jelasnya, silakan perhatik-
an baik-baik contoh berikut. Diketahui sistem persamaan linear terdiri atas empat persamaan,
yaitu
10x1 − x2 + 2x3 = 6
−x1 + 11x2 − x3 + 3x4 = 25
2x1 − x2 + 10x3 − x4 = −11
3x2 − x3 + 8x4 = 15
yang mana solusinya adalah x=(1; 2; −1; 1)T . Silakan simpan dulu solusi ini, anggap saja kita
belum tahu. Lalu perhatikan baik-baik bagaimana metode iterasi Jacobi bisa menemukan solusi
tersebut dengan caranya yang khas.
Langkah pertama dan merupakan langkah terpenting dari metode iterasi Jacobi adalah
mengubah cara penulisan sistem persamaan linear di atas menjadi seperti ini
1 2 6
x1 = x2 − x3 +
10 10 10
1 1 3 25
x2 = x1 + x3 − x4 +
11 11 11 11
2 1 1 11
x3 = − x1 + x2 + x4 −
10 10 10 10
3 1 15
x4 = − x2 + x3 +
8 8 8
Kita bisa menyatakan bahwa nilai x1 , x2 , x3 dan x4 yang berada di ruas kiri tanda = (baca: sama
dengan) sebagai x(baru) . Sementara nilai x1 , x2 , x3 dan x4 yang berada di ruas kanan tanda =
(baca: sama dengan) sebagai x(lama) . Sehingga sistem persamaan tersebut dapat ditulis seperti
ini
(baru) 1 (lama) 2 (lama) 6

x1 = x2 − x3 +
10 10 10
(baru) 1 (lama) 1 (lama) 3 (lama) 25
x2 = x + x3 − x4 +
11 1 11 11 11
(baru) 2 (lama) 1 1 (lama) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(baru) 3 (lama) 1 (lama) 15
x4 = − x2 + x3 +
8 8 8
8.3. ITERASI JACOBI 145
yang secara umum dapat diformulasikan sebagai persamaan matrik berikut ini
x(baru) = Jx(lama) + u (8.5)
dimana
(baru) (lama)
      
1 2 6
x1 0 10 − 10 0 x1 10
 (baru) 1 1 3   x(lama) 25
     
 x2 0 − 11  2
  11 11
  11

 = + 
 x(baru)   −2 1
0 1   (lama)
− 11
10   x3
  
 3   10 10   10 
(baru) (lama)
x4 0 − 38 1
8 0 x4 15
8
Atau dapat pula ditulis seperti ini

xk = Jxk−1 + u (8.6)
dimana k = 1, 2, 3, ..., n; sehingga persamaan matrik dapat dinyatakan sebagai berikut
(k) (k−1)
      
1 2 6
x1 0 10 − 10 0 x1 10
 (k) 1 1   x(k−1)
3  25
     
 x2 0 − 11  2
  11 11
  11

 = + 
 x(k)   −2 1
0 1   (k−1)
− 11
10   x3
  
 3   10 10   10 
(k) (k−1)
x4 0 − 38 1
8 0 x4 15
8
Pada persamaan di atas, indeks k menunjukan jumlah perhitungan iterasi. Pada k = 1, maka
penulisan sistem persamaan linear menjadi
(1) 1 (0) 2 (0) 6

x1 = x − x3 +
10 2 10 10
(1) 1 (0) 1 (0) 3 (0) 25
x2 = x1 + x3 − x4 +
11 11 11 11
(1) 2 (0) 1 (0) 1 (0) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(1) 3 (0) 1 (0) 15
x4 = − x2 + x3 +
8 8 8
(0) (0) (0) (0)
Jika kita tentukan nilai-nilai awal x(0) sebagai berikut x1 = 0, x2 = 0, x3 = 0 dan x4 = 0.
Atau dinyatakan seperti ini x(0) = (0; 0; 0; 0)T . Maka kita akan memperoleh nilai-nilai x(1) yang
tidak lain adalah hasil perhitungan iterasi pertama, yaitu
(1) 6
x1 =
10
(1) 25
x2 =
11
(1) 11
x3 = −
10
(1) 15
x4 =
8
atau x(1) = (0, 6000; 2, 2727; −1, 1000; 1, 8750)T . Setelah nilai-nilai x(1) diperoleh, perhitungan
tersebut diulang kembali guna mendapatkan hasil iterasi kedua, yaitu ketika k = 2. Caranya
adalah dengan memasukan nilai-nilai x(1) = (0, 6000; 2, 2727; −1, 1000; 1, 8750)T ke suku-suku
pada ruas kanan tanda sama-dengan,
(2) 1 (1) 2 (1) 6

x1 = x2 − x3 +
10 10 10
(2) 1 (1) 1 (1) 3 (1) 25
x2 = x1 + x3 − x4 +
11 11 11 11
(2) 2 (1) 1 (1) 1 (1) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(2) 3 (1) 1 (1) 15
x4 = − x2 + x3 +
8 8 8
maka nilai-nilai x(2) yang kita dapat adalah x(2) = (1, 0473; 1, 7159; −0, 8052; 0, 8852)T . Sete-
lah diperoleh nilai-nilai x(2) , perhitungan tersebut diulangi kembali guna mendapatkan ha-
sil iterasi ketiga, dimana nilai k = 3. Caranya adalah dengan memasukan nilai-nilai x(2) =
(1, 0473; 1, 7159; −0, 8052; 0, 8852)T ke ruas kanan kembali,
(3) 1 (2) 2 (2) 6

x1 = x2 − x3 +
10 10 10
(3) 1 (2) 1 (2) 3 (2) 25
x2 = x1 + x3 − x4 +
11 11 11 11
(3) 2 (2) 1 (2) 1 (2) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(3) 3 (2) 1 (2) 15
x4 = − x2 + x3 +
8 8 8
maka kita akan memperoleh nilai-nilai x(3) = (0, 9326; 2, 0530; −1, 0493; 1, 1309)T . Lalu proses
perhitungan diulangi lagi dengan k = 4. Begitulah seterusnya. Proses ini diulangi lagi berkali-
kali untuk nilai-nilai k berikutnya. Proses yang berulang ini disebut proses iterasi.
Sampai dengan x(3) di atas, kita sudah melakukan tiga kali proses iterasi. Lantas sampai
kapan proses iterasi ini terus berlanjut? Jawabnya adalah sampai x(baru) mendekati solusi yang
tepat, yaitu
x = (1; 2; −1; 1)T
Dengan kata lain, proses iterasi harus dihentikan bila x(baru) sudah mendekati solusi. Lalu
kriteria apa yang digunakan sehingga suatu hasil iterasi bisa dikatakan paling dekat dengan
solusi yang sebenarnya? OK, simpan dulu pertanyaan ini, sebagai gantinya marilah kita pelajari
terlebih dahulu script Matlab untuk metode iterasi Jacobi.
8.3.1 Script metode iterasi Jacobi
Sebagaimana biasa, saya tidak akan memberikan script yang sudah matang kepada anda. Saya
lebih suka mengajak anda mengikuti proses optimalisasi script; mulai dari yang mentah hingga
matang. Sebagai upaya pembelajaran, sengaja saya mulai dengan menampilkan script yang
paling kasar terlebih dahulu, lalu selangkah demi selangkah dimodifikasi hingga menjadi script
efisien.
Mari kita mulai dengan menampilkan kembali sistem persamaan linear pada contoh diatas,
yaitu
10x1 − x2 + 2x3 = 6
−x1 + 11x2 − x3 + 3x4 = 25
2x1 − x2 + 10x3 − x4 = −11
3x2 − x3 + 8x4 = 15
Sistem persamaan linear tersebut dapat dinyatakan dalam persamaan matrik

    
10 −1 2 0 x1 6
    
 −1 11 −1 3   x2   25 
  = 
 2 −1 10 −1   x   −11 
  3   
0 3 −1 8 x4 15
Langkah pertama adalah mendeklarasikan matrik A dan vektor b sebagai berikut
1 clear all
2 clc
3
4 %--- inisialisasi matrik A --
5 A = [10 -1 2 0
6 -1 11 -1 3
7 2 -1 10 -1
8 0 3 -1 8];
9
10 %--- inisialisasi vektor b ---
11 b = [6 ; 25 ; -11 ; 15];
Kemudian, sistem persamaan linear di atas dimodifikasi menjadi
1 2 6
x1 = x2 − x3 +
10 10 10
1 1 3 25
x2 = x1 + x3 − x4 +
11 11 11 11
2 1 1 11
x3 = − x1 + x2 + x4 −
10 10 10 10
3 1 15
x4 = − x2 + x3 +
8 8 8
Dan ditulis kembali dalam persamaan matrik sebagai berikut
(k) (k−1)
      
1 2 6
x1 0 10 − 10 0 x1 10
 (k) 1 1   x(k−1)
3  25
     
 x2 0 − 11  2
  11 11
  11

 = + 
 x(k)   −2 1
0 1   (k−1)
− 11
10   x3
  
 3   10 10   10 
(k) (k−1)
x4 0 − 38 1
8 0 x4 15
8
Saya nyatakan suatu matrik J dan vektor u sebagai berikut

   
1 2 6
0 10 − 10 0 10
 1 1 3   25 
 11 0 11 − 11   11

J =
 −2 1 1 
 u= 
 10 10 0 10 

 − 11
10


0 − 83 1
8 0 15
8
Inilah script untuk membuat matrik J dan vektor u,
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A); % n = jumlah baris
12
13 J = zeros(4); % ---- inisialisasi matrik J dengan angka nol
14
15 %---- inisialisasi elemen-elemen matrik J dan vektor u
16 J(1,2) = -A(1,2)/A(1,1);
17 J(1,3) = -A(1,3)/A(1,1);
18 J(1,4) = -A(1,4)/A(1,1);
19 u(1,1) = b(1,1)/A(1,1);
20
21 J(2,1) = -A(2,1)/A(2,2);
22 J(2,3) = -A(2,3)/A(2,2);
23 J(2,4) = -A(2,4)/A(2,2);
24 u(2,1) = b(2,1)/A(2,2);
25
26 J(3,1) = -A(3,1)/A(3,3);
27 J(3,2) = -A(3,2)/A(3,3);
28 J(3,4) = -A(3,4)/A(3,3);
29 u(3,1) = b(3,1)/A(3,3);
30
31 J(4,1) = -A(4,1)/A(4,4);
32 J(4,2) = -A(4,2)/A(4,4);
33 J(4,3) = -A(4,3)/A(4,4);
34 u(4,1) = b(4,1)/A(4,4);
Statemen baris 16 sampai 34 berfungsi menghitung elemen matrik J dan vektor u. Untuk me-
nyederhanakan baris 16 hingga 19, kita buat proses looping dengan indeks k, tetapi dengan
pengecualian pada k=1.
for k = 1:4
if (k ~= 1)
J(1,k) = -A(1,k)/A(1,1);
end
end
u(1,1) = b(1,1)/A(1,1);
Mulai dari baris 21 hingga 24 juga bisa dibuat proses looping dengan pengecualian pada k=2.
for k = 1:4
if (k ~= 2)
J(2,k) = -A(2,k)/A(2,2);
end
end
u(2,1) = b(2,1)/A(2,2);
Proses looping yang sama juga diterapkan terhadap baris ke-26 hingga ke-29.
for k = 1:4
if (k ~= 3)
J(3,k) = -A(3,k)/A(3,3);
end
end
u(3,1) = b(3,1)/A(3,3);
Sementara untuk baris ke-31 hingga ke-34, penyerderhanaan dilakukan dengan cara yang sama
pula
for k = 1:4
if (k ~= 4)
J(4,k) = -A(4,k)/A(4,4);
end
end
u(4,1) = b(4,1)/A(4,4);
Kalau seluruh penyederhanaan ini digabung, maka scriptnya akan seperti ini
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(4);
14
15 for k = 1:4
16 if (k ~= 1)
17 J(1,k) = -A(1,k)/A(1,1);
18 end
19 end
20 u(1,1) = b(1,1)/A(1,1);
21
22 for k = 1:4
23 if (k ~= 2)
24 J(2,k) = -A(2,k)/A(2,2);
25 end
26 end
27 u(2,1) = b(2,1)/A(2,2);
28
29 for k = 1:4
30 if (k ~= 3)
31 J(3,k) = -A(3,k)/A(3,3);
32 end
33 end
34 u(3,1) = b(3,1)/A(3,3);
35
36 for k = 1:4
37 if (k ~= 4)
38 J(4,k) = -A(4,k)/A(4,4);
39 end
40 end
41 u(4,1) = b(4,1)/A(4,4);
Selanjutnya, saya tampilkan indeks p. Perhatikan penempatannya
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(4);
14
15 p = 1;
16 for k = 1:4
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22
23 p = 2;
24 for k = 1:4
25 if (k ~= p)
26 J(p,k) = -A(p,k)/A(p,p);
27 end
28 end
29 u(p,1) = b(p,1)/A(p,p);
30
31 p = 3;
32 for k = 1:4
33 if (k ~= p)
34 J(p,k) = -A(p,k)/A(p,p);
35 end
36 end
37 u(p,1) = b(p,1)/A(p,p);
38
39 p = 4;
40 for k = 1:4
41 if (k ~= p)
42 J(p,k) = -A(p,k)/A(p,p);
43 end
44 end
45 u(p,1) = b(p,1)/A(p,p);
Selanjutnya saya buat proses looping menggunakan indeks p tersebut. Perhatikan baik-baik
perubahannya
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(4);
14
15 for p = 1:4
16 for k = 1:4
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22 end
Dan akhirnya, angka 4 dapat digantikan dengan huruf n agar script tersebut tidak dibatasi oleh
matrik 4x4 saja.
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(n);
14
15 for p = 1:n
16 for k = 1:n
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22 end
Selanjutnya, vektor xlama diinisialisasi; dan proses iterasi pertama dimulai
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = size(A);
12
13 J = zeros(n);
14
15 for p = 1:n
16 for k = 1:n
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22 end
23
24 xlama = [ 0 ; 0 ; 0 ; 0 ]; % --- inisialisasi xlama
25 xbaru = J*xlama + u; % --- iterasi pertama
xbaru yang didapat tak lain adalah hasil iterasi pertama, yaitu x(1) = (0, 6000; 2, 2727; −1, 1000;
1, 8750)T . Kemudian, sebelum iterasi ke-2 dilakukan, xbaru tersebut mesti disimpan sebagai
xlama.
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(n);
14
15 for p = 1:n
16 for k = 1:n
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22 end
23
26
27 xlama = xbaru;
28 xbaru = J*xlama + u; % --- iterasi kedua
Sampai disini, xbaru yang didapat dari hasil iterasi ke-2 adalah x(2) = (1, 0473; 1, 7159;
−0, 8052; 0, 8852)T . Setelah itu, untuk iterasi ke-3, xbaru tersebut mesti disimpan sebagai xlama
kembali,
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(n);
14
15 for p = 1:n
16 for k = 1:n
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22 end
23
26
27 xlama = xbaru;
28 xbaru = J*xlama + u; % --- iterasi kedua
29
30 xlama = xbaru;
31 xbaru = J*xlama + u; % --- iterasi ketiga
Sampai disini, xbaru yang didapat adalah hasil iterasi ke-3, yaitu x(3) = (0, 9326; 2, 0530;
− 1, 0493; 1, 1309)T . Kemudian, untuk iterasi ke-4, script di atas dimodifikasi dengan cara yang
sama. Tapi konsekuensinya script tersebut akan semakin bertambah panjang. Guna menghindari
hal itu, script di atas perlu dioptimasi dengan proses looping sebagai berikut
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 J = zeros(n);
14
15 for p = 1:n
16 for k = 1:n
17 if (k ~= p)
18 J(p,k) = -A(p,k)/A(p,p);
19 end
20 end
21 u(p,1) = b(p,1)/A(p,p);
22 end
23
25
26 itermaks = 10; % --- iteraksi maksimum sampai 10 kali
28 xbaru = J*xlama + u;
29 xlama = xbaru;
30 end
Dalam script di atas, jumlah iterasi dibatasi hanya sampai 10 kali saja. Maka keluaran dari script
di atas adalah hanya sampai hasil perhitungan iterasi yang ke-10. Hasil dari keseluruhan iterasi,
mulai dari iterasi ke-1 hingga iterasi ke-10 disajikan pada Tabel 8.1.
Tabel 8.1: Hasil akhir elemen-elemen vektor x hingga iterasi ke-10

k 0 1 2 3 4 ... 9 10
(k)
x1 0,0000 0,6000 1,0473 0,9326 1,0152 ... 0,9997 1,0001
(k)
x2 0,0000 2,2727 1,7159 2,0530 1,9537 ... 2,0004 1,9998
(k)
x3 0,0000 -1,1000 -0,8052 -1,0493 -0,9681 ... -1,0004 -0,9998
(k)
x4 0,0000 1,8852 0,8852 1,1309 0,9739 ... 1,0006 0,9998
Berdasarkan Tabel 8.1, terlihat bahwa hasil iterasi ke-1, x(1) = (0, 6000; 2, 2727; −1, 1000; 1, 8852)T
adalah hasil yang paling jauh dari solusi, x = (1; 2; −1; 1)T . Coba bandingkan dengan hasil ite-
rasi ke-2! Jelas terlihat bahwa hasil iterasi ke-2 lebih mendekati solusi. Kalau terus diurutkan,
maka hasil iterasi ke-10 merupakan hasil yang paling dekat dengan solusi.
Sebelum dilanjutkan, saya ingin tuliskan script yang sudah dimodifikasi, dimana semua ba-
gian inisialisasi saya letakkan di baris-baris awal
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8 b = [ 6 ; 25 ; -11 ; 15 ];
9 xlama = [ 0 ; 0 ; 0 ; 0 ];
10 itermaks = 10;
11
12 n = length(A);
13
14 % --- membuat matrik J dan vektor u ---
15 J = zeros(n);
16 for p = 1:n
17 for k = 1:n
18 if (k ~= p)
19 J(p,k) = -A(p,k)/A(p,p);
20 end
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 % --- proses iterasi jacobi ---
28 xlama = xbaru;
29 end
8.3.2 Stopping criteria
Tabel 8.2 memperlihatkan perhitungan norm2-selisih antara xbaru dan xlama dari iterasi ke-1
hingga iterasi ke-10. Hasil perhitungan norm2-selisih tersebut, saya beri nama epsilon, ǫ, dima-
na semakin kecil nilai epsilon (ǫ), menandakan hasil iterasinya semakin dekat dengan solusi.
Hasil norm2-selisih yang semakin kecil pada iterasi ke-10 menunjukan bahwa hasil iterasi ke-10
adalah hasil yang paling dekat dengan solusi yang sebenarnya.
Tabel 8.2: Hasil

(2) perhitungan norm2-selisih
(4) hingga
iterasi ke-10
x − x(1)
(3)
x − x(2) x − x(3) ... x(10) − x(9) 2

norm ℓ2 2 2 2
ǫ 0,6000 0,4473 0,1146 ... 0,0004
Berikut ini adalah script untuk mendapatkan nilai epsilon
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8 b = [ 6 ; 25 ; -11 ; 15 ];
9 xlama = [ 0 ; 0 ; 0 ; 0 ];
10 itermaks = 10;
11
12 n = length(A);
13
15 J = zeros(n);
16 for p = 1:n
17 for k = 1:n
18 if (k ~= p)
19 J(p,k) = -A(p,k)/A(p,p);
20 end
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
28 xselisih = xbaru - xlama;
29 epsilon = norm2(xselisih)
30 xlama = xbaru;
31 end
Tanda titik-koma pada baris ke-29 sengaja dihilangkan agar nilai epsilon selalu ditampilkan
ketika script tersebut dijalankan.
Nilai epsilon ini begitu penting untuk menentukan kapan proses iterasi harus dihentikan.
Oleh karenanya, nilai epsilon difungsikan sebagai stopping criteria. Berdasarkan Tabel 8.2, ji-
ka nilai ǫ ditentukan sebesar 0,2 , maka proses iterasi akan berhenti pada iterasi ke-4. Atau
kalau nilai ǫ ditentukan sebesar 0,0001 , maka proses iterasi akan berhenti pada iterasi ke-10.
Kesimpulannya, semakin kecil nilai ǫ, semakin panjang proses iterasinya, namun hasil akhirnya
semakin akurat.
Di bawah ini adalah script iterasi Jacobi yang memanfaatkan nilai epsilon untuk menghen-
tikan proses iterasi
1 clear all
2 clc
3
4 A = [ 10 -1 2 0
5 -1 11 -1 3
6 2 -1 10 -1
7 0 3 -1 8];
8 b = [ 6 ; 25 ; -11 ; 15 ];
9 xlama = [ 0 ; 0 ; 0 ; 0 ];
10 itermaks = 1000;
11 epsilon = 0.0001;
12
13 n = length(A);
14
16 J = zeros(n);
17 for p = 1:n
18 for k = 1:n
19 if (k ~= p)
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 end
23 u(p,1) = b(p,1)/A(p,p);
24 end
25
30 if (norm2(xselisih) < epsilon)
31 break;
32 end
33 xlama = xbaru;
34 end
35 iterasi = k
36 x = xbaru
Pada baris ke-11 saya tetapkan nilai epsilon sebesar 0,0001. Sementara baris ke-10, dimana
itermaks saya batasi hingga 1000 kali iterasi. Akan tetapi dengan adanya baris ke-30, maka jika
norm2(xselisih) lebih kecil nilainya dari nilai epsilon yang dinyatakan pada baris ke-11, proses
iterasi akan dihentikan. Sementara, statemen baris ke-35 sengaja saya tambahkan hanya untuk
sekedar mengetahui berapa kali komputer kita melakukan proses iterasi. Dengan nilai epsilon
0,0001, proses iterasi akan dihentikan pada iterasi yang ke-10. Jadi, walaupun itermaks telah
ditentukan yaitu 1000, komputer hanya melakukan proses iterasi sampai iterasi yang ke-10 saja.
8.3.3 Fungsi eksternal iterasi Jacobi
Fungsi eksternal metode iterasi Jacobi dapat diambil dari script yang terakhir di atas adalah
1 function [k,xbaru] = ijcb(A,b,xlama,itermaks,epsilon)

2
3 n = length(A);
4
6 J = zeros(n);
7 for p = 1:n
8 for k = 1:n
9 if (k ~= p)
10 J(p,k) = -A(p,k)/A(p,p);
11 end
12 end
13 u(p,1) = b(p,1)/A(p,p);
14 end
15
20 if (norm2(xselisih) < epsilon)
21 break;
22 end
23 xlama = xbaru;
24 end
Dengan fungsi eksternal ini, maka untuk menyelesaikan suatu sistem persamaan linear, anda
dapat menyusun program sederhana. Contohnya adalah
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 xlama = [ 0 ; 0 ; 0 ; 0 ]; %nilai awal
12 itermaks = 1000; % iterasi maksimum
13 epsilon = 0.0001; % stopping criteria
14
15 [k,xbaru] = iterjacobi(A,b,xlama,itermaks,epsilon);
16 x = xbaru
17 iterasi = k
Demikianlah penjelasan tentang metode iterasi Jacobi dilengkapi dengan cara membuat script-
nya. Sebagai catatan, metode iterasi Jacobi ini selalu sukses mencapai solusi hanya jika matrik A
memiliki pola diagonal dominan dimana nilai elemen-elemen diagonal harus lebih besar diban-
dingkan nilai elemen setiap barisnya. Sekarang mari kita beralih ke metode iterasi Gauss-Seidel.
8.4 Iterasi Gauss-Seidel
Metode Iterasi Gauss-Seidel hampir sama dengan metode Iterasi Jacobi. Perbedaannya hanya
terletak pada penggunaan nilai elemen vektor xbaru yang langsung digunakan pada persamaan
dibawahnya. Untuk lebih jelasnya, perhatikan sistem persamaan linear berikut, yang diturunkan
dari contoh terdahulu
1 lama 2 6
xbaru
1 = x2 − xlama 3 +
10 10 10
1 baru 1 lama 3 25
xbaru
2 = x1 + x3 − xlama 4 +
11 11 11 11
2 baru 1 baru 1 lama 11
xbaru
3 = − x1 + x2 + x4 −
10 10 10 10
3 baru 1 baru 15
xbaru
4 = − x2 + x3 +
8 8 8
Pada baris pertama, xbaru

1 dihitung berdasarkan xlama
2 dan xlama
3 . Kemudian xbaru
1 tersebut lang-
sung dipakai pada baris kedua untuk menghitung xbaru
2 . Selanjutnya xbaru
1 dan xbaru
2 digunakan
pada baris ketiga untuk mendapatkan xbaru
3 . Begitu seterusnya hingga xbaru
4 pun diperoleh pada
baris keempat. Sistem persamaan tersebut dapat dinyatakan dalam indeks k seperti dibawah ini
dimana k adalah jumlah iterasi.
(k) 1 (k−1) 2 (k−1) 6

x1 = x2 − x3 +
10 10 10
(k) 1 (k) 1 (k−1) 3 (k−1) 25
x2 = x + x3 − x4 +
11 1 11 11 11
(k) 2 (k) 1 (k) 1 (k−1) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(k) 3 (k) 1 (k) 15
x4 = − x2 + x3 +
8 8 8
(0) (0) (0)
Misalnya kita tentukan nilai-nilai awal x(0) sebagai berikut x1 = 0, x2 = 0, x3 = 0 dan
(0)
x4 = 0. Atau dinyatakan seperti ini x(0) = (0; 0; 0; 0)t . Maka pada k = 1 kita akan memperoleh
8.4. ITERASI GAUSS-SEIDEL 159
nilai-nilai x(1) sebagai berikut
(1)
x1 = 0, 6000
(1)
x2 = 2, 3272
(1)
x3 = −0, 9873
(1)
x4 = 0, 8789
Lalu proses perhitungan diulangi lagi dengan k = 2. Begitu seterusnya proses ini diulang-ulang
lagi untuk nilai-nilai k berikutnya sampai x(k) mendekati solusi yang sesungguhnya, yaitu
x = (1; 2; −1; 1)t
Marilah kita amati hasil seluruh iterasi. Tabel di bawah ini menampilkan hasil perhitungan
hingga iterasi yang ke-5. Kita bisa saksikan bahwa dibandingkan dengan iterasi Jacobi, problem
sistem persamaan linear yang sama, bisa diselesaikan oleh metode iterasi Gauss-Seidel hanya
dalam 5 kali iterasi. Dari kasus ini, bisa kita simpulkan bahwa iterasi Gauss-Seidel bekerja lebih
Tabel 8.3: Hasil Iterasi Gauss-Seidel

k 0 1 2 3 4 5
(k)
x1 0,0000 0,6000 1,030 1,0065 1,0009 1,0001
(k)
x2 0,0000 2,3272 2,037 2,0036 2,0003 2,0000
(k)
x3 0,0000 -0,9873 -1,014 -1,0025 -1,0003 -1,0000
(k)
x4 0,0000 0,8789 0,9844 0,9983 0,9999 1,0000
efektif dibandingkan iterasi Jacobi. Ya.., memang secara umum demikian, akan tetapi ternyata
ditemukan kondisi yang sebaliknya pada kasus-kasus yang lain.
8.4.1 Script iterasi Gauss-Seidel
Pembuatan script iterasi Gauss-Seidel dimulai dari sistem persamaan linear yang telah dibahas
di atas, yaitu
1 lama 2 6
xbaru
1 = x2 − xlama 3 +
10 10 10
1 baru 1 lama 3 25
xbaru
2 = x1 + x3 − xlama 4 +
11 11 11 11
2 baru 1 baru 1 lama 11
xbaru
3 = − x1 + x2 + x4 −
10 10 10 10
3 baru 1 baru 15
xbaru
4 = − x2 + x3 +
8 8 8
Pada pembahasan iterasi Jacobi, saya telah membuat matrik J berisi konstanta yang menemani
variabel x. Matrik J ini akan saya gunakan lagi untuk menyusun script metode iterasi Gauss-
Seidel
 
1 2
0 10 − 10 0
 1 1 3 
 11 0 11 − 11 
J =
 −2 1 1 

 10 10 0 10 
0 − 38 1
8 0
Kemudian matrik J dipecah menjadi matrik L dan matrik U, dimana J = L + U

     
1 2 1 2
0 10 − 10 0 0 0 0 0 0 10 − 10 0
 1 1 3   1   1 3 
 11
 0 11− 11   11
= 0 + 0
0 0   0 11 − 11 

 −2 1
0 1  2 1 1 
 − 10  0
0 0   0 0
 
 10 10 10  10 10 
0 − 83 1
8 0 0 − 3
8
1
8 0 0 0 0 0
Sampai disini saya nyatakan matrik L, matrik U dan vektor u sebagai berikut
     
1 2 6
0 0 0 0 0 10 − 10 0 10
 1   1 3   25 
 11 0 0 0   0 0 11 − 11   11

L=
 −2 1
 U = 
1 
u= 
 10 10 00 

 0
 0 0 10 

 − 11
10


0 − 83 1
8 0 0 0 0 0 15
8
Karena matrik L dan U berasal dari matrik J, maka pembuatan script iterasi Gauss-Seidel akan
saya mulai dari script perhitungan matrik J yang telah dibuat sebelumnya. Inilah script untuk
membuat matrik J,
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
13 %---- Perhitungan matrik J dan vektor u-----
14 J = zeros(4);
15 for p = 1:n-1
16 for k = 1:n
17 if k == p
18 k = k+1;
19 end
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 for k = 1:n-1
26 J(n,k) = -A(n,k)/A(n,n);
27 end
28 u(n,1) = b(n,1)/A(n,n);
Untuk memperoleh matrik L, pertama-tama matrik J dicopy ke matrik L. Kemudian seluruh

elemen segitiga di atas elemen diagonal diganti dengan angka nol. Proses ini dilakukan mulai
dari baris ke-34 hingga ke-43.
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
14 J = zeros(4);
15 for p = 1:n-1
16 for k = 1:n
17 if k == p
18 k = k+1;
19 end
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 for k = 1:n-1
26 J(n,k) = -A(n,k)/A(n,n);
27 end
28 u(n,1) = b(n,1)/A(n,n);
29 %-------------------------------------------
30 L = J; % matrik J dicopy ke matrik L
31 for k = 2:4
32 L(1,k) = 0;
33 end
34 for k = 3:4
35 L(2,k) = 0;
36 end
37 for k = 4:4
38 L(3,k) = 0;
39 end
Proses perhitungan mulai dari baris ke-35 hingga ke-43 akan disederhanakan dengan langkah-
langkah berikut. Saya munculkan indeks p,
L = J; % matrik J dicopy ke matrik L

p = 1;
for k = 2:4
L(p,k) = 0;
end
p = 2;
for k = 3:4
L(p,k) = 0;
end
p = 3;
for k = 4:4
L(p,k) = 0;
end
Dengan adanya indeks p, bagian looping dapat dimodifikasi menjadi

p = 1;
for k = p+1:4
L(p,k) = 0;
end
p = 2;
for k = p+1:4
L(p,k) = 0;
end
p = 3;
for k = p+1:4
L(p,k) = 0;
end
Kemudian, berdasarkan indeks p, dibuatlah proses looping,

for p = 1:3
for k = p+1:4
L(p,k) = 0;
end
end
Selanjutnya, angka 3 dan 4 dapat diganti dengan variabel n agar bisa digabung dengan script
utamanya. Perhatikan baris ke-35 dan ke-36 pada script berikut
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
14 J = zeros(4);
15 for p = 1:n-1
16 for k = 1:n
17 if k == p
18 k = k+1;
19 end
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 for k = 1:n-1
26 J(n,k) = -A(n,k)/A(n,n);
27 end
28 u(n,1) = b(n,1)/A(n,n);
29 %-------------------------------------------
31 for p = 1:n-1
32 for k = p+1:n
33 L(p,k) = 0;
34 end
35 end
OK, dengan demikian matrik L telah terbentuk dan tersimpan di memory komputer. Sekarang
kita akan membentuk matrik U. Prosesnya sama seperti saat pembentukan matrik L, yaitu di-
mulai dengan mencopy matrik J ke dalam matrik U. Perhatikan mulai dari baris ke-41 berikut
ini,
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
14 J = zeros(4);
15 for p = 1:n-1
16 for k = 1:n
17 if k == p
18 k = k+1;
19 end
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 for k = 1:n-1
26 J(n,k) = -A(n,k)/A(n,n);
27 end
28 u(n,1) = b(n,1)/A(n,n);
29 %-------------------------------------------
31 for p = 1:n-1
32 for k = p+1:n
33 L(p,k) = 0;
34 end
35 end
36 %-------------------------------------------
37 U = J; % matrik J dicopy ke matrik U
38 for k = 2:4
39 U(k,1) = 0;
40 end
41 for k = 3:4
42 U(k,2) = 0;
43 end
44 for k = 4:4
45 U(k,3) = 0;
46 end
Kemudian, indeks p dimunculkan mulai diantara baris ke-42 hingga ke-50,
U = J; % matrik J dicopy ke matrik U

p = 1;
for k = p+1:4
U(k,p) = 0;
end
p = 2;
for k = p+1:4
U(k,p) = 0;
end
p = 3;
for k = p+1:4
U(k,p) = 0;
end
Selanjutnya, berdasarkan indeks p dibuatlah proses looping yang baru
U = J; % matrik J dicopy ke matrik U

for p = 1:3
for k = p+1:4
U(k,p) = 0;
end
end
Akhirnya, script ini digabungkan ke script utamanya setelah mengganti angkan 3 dan 4 dengan
variabel n.
1 clear all
2 clc
3
4 A = [ 10 -1 2 0;
5 -1 11 -1 3;
6 2 -1 10 -1;
7 0 3 -1 8];
8
9 b = [ 6 ; 25 ; -11 ; 15 ];
10
11 n = length(A);
12
14 J = zeros(4);
15 for p = 1:n-1
16 for k = 1:n
17 if k == p
18 k = k+1;
19 end
20 J(p,k) = -A(p,k)/A(p,p);
21 end
22 u(p,1) = b(p,1)/A(p,p);
23 end
24
25 for k = 1:n-1
26 J(n,k) = -A(n,k)/A(n,n);
27 end
28 u(n,1) = b(n,1)/A(n,n);
29 %-------------------------------------------
31 for p = 1:n-1
32 for k = p+1:n
33 L(p,k) = 0;
34 end
35 end
36 %-------------------------------------------
37 U = J; % matrik J dicopy ke matrik U
38 for p = 1:n-1
39 for k = p+1:n
40 U(k,p) = 0;
41 end
42 end
Secara umum, script iterasi Gauss-Seidel yang saya tuliskan disini hampir sama dengan itera-
si Jacobi. Perbedaan kecil-nya terletak pada bagian nilai update, dimana elemen xbaru hasil
perhitungan dilibatkan langsung untuk menghitung elemen xbaru selanjutnya.
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 n=4 %jumlah elemen vektor
12 itermaks=10 %jumlah iterasi maksimal
13 sc=0.001 %stopping-criteria
14
15 for i=1:itermaks
16 %------nilai update-------------
17 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
18 xbaru(2,1)=(1/11)*xbaru(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
19 xbaru(3,1)=-(2/10)*xbaru(1,1)+(1/10)*xbaru(2,1)+(1/10)*xlama(4,1)-(11/10);
20 xbaru(4,1)=-(3/8)*xbaru(2,1)+(1/8)*xbaru(3,1)+(15/8);
21 xbaru
22
23 %------norm selisih-------------
24 s=0;
25 for i=1:n
26 s=s+(xbaru(i,1)-xlama(i,1))^2;
27 end
28 epsilon=sqrt(s)
29
30 %------memeriksa stopping criteria, sc--------
31 if epsilon<sc
32 break
33 end
34
35 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
36 end
Perumusan metode Iterasi Gauss-Seidel dapat dinyatakan sebagai berikut:

Pi−1 (k)
P
n

(k−1)

− j=1 a x
ij j − j=i+1 a x
ij j + bi
(k)
xi = (8.7)
aii
dimana i=1,2,3,...,n.
8.4.2 Algoritma
• Langkah 1: Tentukan k=1
• Langkah 2: Ketika (k ≤ N ) lakukan Langkah 3-6
– Langkah 3: Untuk i=1,...,n, hitunglah

Pi−1 Pn
− j=1 aij xj − j=i+1 aij XOj + bi
xi =
aii
– Langkah 4: Jika kx − XOk < ǫ, maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
– Langkah 5: Tentukan k=k+1
– Langkah 6: Untuk i=1,...n, tentukan XOi = xi
• Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP
8.4.3 Script iterasi Gauss-Seidel dalam Fortran
1 IMPLICIT NONE
2 DIMENSION A(10,10),B(10),X(10),XO(10)
3 REAL A,B,X,XO,EPS,NORM,S1,S2
4 INTEGER N,I,J,K,ITMAX
5 WRITE(*,*)
6 WRITE(*,*) ’==> ITERASI GAUSS-SEIDEL UNTUK SISTEM LINEAR <==’
7 WRITE(*,*)
8 WRITE (*,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
9 READ (*,*) N
10 WRITE (*,*) ’MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B’
11 DO 52 I = 1,N
12 DO 62 J = 1,N
13 WRITE (*,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
14 READ (*,*) A(I,J)
15 62 CONTINUE
16 WRITE (*,’(1X,A,I2,A)’) ’B(’,I,’) ? ’
17 READ (*,*) B(I)
18 WRITE (*,*)
19 52 CONTINUE
20 WRITE (*,’(1X,A)’) ’JUMLAH ITERASI MAKSIMUM ? ’
21 READ (*,*) ITMAX
22 WRITE (*,’(1X,A)’) ’NILAI EPSILON ATAU TOLERANSI ? ’
23 READ (*,*) EPS
24 WRITE (*,*) ’MASUKAN NILAI AWAL UNTUK XO’
25 DO 72 I = 1,N
26 WRITE (*,’(1X,A,I2,A)’) ’XO(’,I,’) ? ’
27 READ (*,*) XO(I)
28 72 CONTINUE
29 WRITE (*,*)
30 C MENAMPILKAN MATRIK A
31 WRITE (*,’(1X,A)’) ’MATRIK A:’
32 DO 110 I = 1,N
33 WRITE (*,6) (A(I,J),J=1,N)
34 110 CONTINUE
35 WRITE (*,*)
36 C MENAMPILKAN VEKTOR B
37 WRITE (*,’(1X,A)’) ’VEKTOR B:’
38 DO 111 I = 1,N
39 WRITE (*,6) B(I)
40 111 CONTINUE
41 WRITE (*,*)
42 C LANGKAH 1
43 K = 1
44 C LANGKAH 2
45 100 IF(K.GT.ITMAX) GOTO 200
46 C LANGKAH 3
47 DO 10 I = 1,N
48 S1 = 0.0
49 DO 20 J=I+1,N
50 S1 = S1-A(I,J)*XO(J)
51 20 CONTINUE
52 S2 = 0.0
53 DO 23 J=1,I-1
54 S2 = S2-A(I,J)*X(J)
55 23 CONTINUE
56 X(I) = (S2+S1+B(I))/A(I,I)
57 10 CONTINUE
58 C SAYA PILIH NORM-2. ANDA BOLEH PAKAI NORM YANG LAIN!
59 NORM = 0.0
60 DO 40 I=1,N
61 NORM = NORM + (X(I)-XO(I))*(X(I)-XO(I))
62 40 CONTINUE
63 NORM = SQRT(NORM)
64 WRITE(*,’(1X,A,I3)’) ’ITERASI KE-’, K
65 WRITE(*,’(1X,A,F14.8)’) ’NORM-2 = ’, NORM
66 WRITE(*,’(1X,A,I3,A,F14.8)’) (’X(’,I,’) = ’, X(I),I=1,N)
67 WRITE(*,*)
68 C LANGKAH 4
69 IF(NORM.LE.EPS) THEN
70 WRITE(*,7) K,NORM
71 GOTO 400
72 END IF
73 C LANGKAH 5
74 K = K+1
75 C LANGKAH 6
76 DO 30 I=1,N
77 XO(I) = X(I)
78 30 CONTINUE
79 GOTO 100
80 C LANGKAH 7
81 200 CONTINUE
82 WRITE(*,9)
83 400 STOP
84
85 5 FORMAT(1X,I3)
86 6 FORMAT(1X,(6(1X,F14.8)))
87 7 FORMAT(1X,’KONVERGEN PADA ITERASI YANG KE- ’,I3,
88 *’ , NORM= ’,F14.8)
89 9 FORMAT(1X,’MELEBIHI BATAS MAKSIMUM ITERASI’)
90 END
8.5 Iterasi dengan Relaksasi
Metode Iterasi Relaksasi (Relaxation method ) dinyatakan dengan rumus berikut:

 
i−1 n
(k) (k−1) ω  X (k)
X (k−1) 
xi = (1 − ω) xi + bi − aij xj − aij xj (8.8)
aii
j=1 j=i+1
dimana i=1,2,3,...,n.
Untuk lebih jelasnya, marilah kita perhatikan contoh berikut, diketahui sistem persamaan
linear Ax = b yaitu
4x1 + 3x2 + = 24
3x1 + 4x2 − x3 = 30
−x2 + 4x3 = −24
memiliki solusi (3, 4, −5)t . Metode Gauss-Seidel dan Relaksasi dengan ω = 1, 25 akan digunakan
untuk menyelesaikan sistem persamaan linear di atas dengan x(0) = (1, 1, 1)t . Untuk setiap nilai
k = 1, 2, 3, ..., persamaan Gauss-Seidelnya adalah
(k) (k−1)
x1 = −0, 75x2 +6
(k) (k) (k−1)
x2 = −0, 75x1 + 0, 25x3 + 7, 5
(k) (k)
x3 = 0, 25x2 − 6
Sedangkan persamaan untuk metode Relaksasi dengan ω = 1, 25 adalah
(k) (k−1) (k−1)

x1 = −0, 25x1 − 0, 9375x2 + 7, 5
(k) (k) (k−1) (k−1)
x2 = −0, 9375x1 − 0, 25x2 + 0, 3125x3 + 9, 375
(k) (k) (k−1)
x3 = 0, 3125x2 − 0, 25x3 − 7, 5
Tabel berikut ini menampilkan perhitungan dari masing-masing metode hingga iterasi ke-7.
8.5. ITERASI DENGAN RELAKSASI 169
Tabel 8.4: Hasil perhitungan iterasi Gauss-Seidel

k 0 1 2 3 4 5 6 7
(k)
x1 1 5,2500 3,1406 3,0879 3,0549 3,0343 3,0215 3,0134
(k)
x2 1 3,8125 3,8828 3,9267 3,9542 3,9714 3,9821 3,9888
(k)
x3 1 -5,0468 -5,0293 -5,0183 -5,0114 -5,0072 -5,0044 -5,0028
Tabel 8.5: Hasil perhitungan iterasi Relaksasi dengan ω = 1, 25

k 0 1 2 3 4 5 6 7
(k)
x1 1 6,3125 2,6223 3,1333 2,9570 3,0037 2,9963 3,0000
(k)
x2 1 3,5195 3,9585 4,0102 4,0075 4,0029 4,0009 4,0002
(k)
x3 1 -6,6501 -4,6004 -5,0967 -4,9735 -5,0057 -4,9983 -5,0003
Dari kasus ini, bisa kita simpulkan bahwa iterasi Relaksasi memerlukan proses iterasi yang
lebih singkat dibandingkan iterasi Gauss-Seidel. Jadi, pada kasus ini (dan juga secara umum),
Relaksasi lebih efektif dibandingkan Gauss-Seidel. Pertanyaannya sekarang, bagaimana menen-
tukan nilai ω optimal?
Metode Relaksasi dengan pilihan nilai ω yang berkisar antara 0 dan 1 disebut metode under-
relaxation, dimana metode ini berguna agar sistem persamaan linear bisa mencapai kondisi
konvergen walaupun sistem tersebut sulit mencapai kondisi konvergen dengan metode Gauss-
Seidel. Sementara bila ω nilainya lebih besar dari angka 1, maka disebut metode successive
over-relaxation (SOR), yang mana metode ini berguna untuk mengakselerasi atau mempercepat
kondisi konvergen dibandingkan dengan Gauss-Seidel. Metode SOR ini juga sangat berguna
untuk menyelesaikan sistem persamaan linear yang muncul dari persamaan diferensial-parsial
tertentu.
8.5.1 Algoritma Iterasi Relaksasi
• Langkah 1: Tentukan k=1
• Langkah 2: Ketika (k ≤ N ) lakukan Langkah 3-6
– Langkah 3: Untuk i=1,...,n, hitunglah

P
ω − i−1
Pn
j=1 a ij x j − j=i+1 a ij XOj + b i
xi = (1 − ω) XOi +
aii
– Langkah 4: Jika kx − XOk < ǫ, maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
– Langkah 5: Tentukan k=k+1
– Langkah 6: Untuk i=1,...n, tentukan XOi = xi
• Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP
Demikianlah catatan singkat dari saya tentang metode iterasi untuk menyelesaikan problem
sistem persamaan linear. Saya cukupkan sementara sampai disini. Insya Allah akan saya sam-
bung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email:
supri92@gmail.com.
Bab 9
Metode Eliminasi Gauss
✍ Objektif :
⊲ Mengenalkan sistem persamaan linear.
⊲ Mengenalkan teknik triangularisasi dan substitusi mundur.
⊲ Aplikasi metode Eliminasi Gauss menggunakan matrik.
⊲ Membuat algoritma metode Eliminasi Gauss.
⊲ Menghitung invers matrik menggunakan metode Eliminasi Gauss.
9.1 Sistem persamaan linear
Secara umum, sistem persamaan linear dinyatakan sebagai berikut
Pn : an1 x1 + an2 x2 + ... + ann xn = bn (9.1)
dimana a dan b merupakan konstanta, x adalah variable, n = 1, 2, 3, ....

Berikut ini adalah sistem persamaan linear yang terdiri dari empat buah persamaan yaitu
P1 , P2 , P3 , dan P4
P1 : x1 + x2 + 3x4 = 4
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = -3
P4 : −x1 + 2x2 + 3x3 − x4 = 4
Problem dari sistem persamaan linear adalah bagaimana mencari nilai pengganti bagi vari-
abel x1 , x2 , x3 , dan x4 sehingga semua persamaan diatas menjadi benar. Langkah awal penye-
lesaian problem tersebut adalah dengan melakukan penyederhanaan sistem persamaan linear.
171
172 BAB 9. METODE ELIMINASI GAUSS
9.2 Teknik penyederhanaan
Ada banyak jalan untuk menyederhanakan sistem persamaan linear. Namun tantangannya, kita
ingin agar pekerjaan ini dilakukan oleh komputer. Oleh karena itu, kita harus menciptakan algo-
ritma yang nantinya bisa berjalan di komputer. Untuk mencapai tujuan itu, kita akan berpatokan
pada tiga buah aturan operasi matematika, yaitu
• Persamaan Pi dapat dikalikan dengan sembarang konstanta λ, lalu hasilnya ditempatkan

di posisi persamaan Pi . Simbol operasi ini adalah (λPi ) → (Pi ). Contoh
P1 : x1 + x2 + 3x4 = 4
jika λ = 2, maka
2P1 : 2x1 + 2x2 + 6x4 = 8
• Persamaan Pj dapat dikalikan dengan sembarang konstanta λ kemudian dijumlahkan de-

ngan persamaan Pi , lalu hasilnya ditempatkan di posisi persamaan Pi . Simbol operasi ini
adalah (Pi − λPj ) → (Pi ). Contoh
P2 : 2x1 + x2 − x3 + x4 = 1
2P1 : 2x1 + 2x2 + 6x4 = 8
maka operasi (P2 − 2P1 ) → (P2 ) mengakibatkan perubahan pada P2 menjadi
P2 : −x2 − x3 − 5x4 = −7
Dengan cara ini, maka variabel x1 berhasil dihilangkan dari P2 . Upaya untuk menghi-
langkan suatu variabel merupakan tahapan penting dalam metode Eliminasi Gauss.
• Persamaan Pi dan Pj dapat bertukar posisi. Simbol operasi ini adalah (Pi ) ↔ (Pj ). Contoh
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = −3
maka operasi (P2 ) ↔ (P3 ) mengakibatkan pertukaran posisi masing-masing persamaan,

menjadi
P2 : 3x1 − x2 − x3 + 2x4 = −3
P3 : 2x1 + x2 − x3 + x4 = 1
9.2. TEKNIK PENYEDERHANAAN 173
9.2.1 Cara menghilangkan sebuah variabel
Sebelum dilanjut, saya ingin mengajak anda untuk fokus memahami aturan operasi yang kedua.
Misalnya ada 2 persamaan linear yaitu
P1 : 3x1 + 2x2 − 5x3 + 8x4 = 3

P2 : 4x1 + 7x2 − x3 + 6x4 = 9
Kemudian anda diminta untuk menghilangkan variabel x1 dari P2 . Itu artinya, anda diminta
untuk memodifikasi P2 sedemikian rupa sehingga didapat P2 yang baru, yang didalamnya tidak
ada x1 .
Berdasarkan rumus operasi (Pi − λPj ) → (Pi ), maka operasi yang tepat adalah (P2 − 43 P1 ) →
(P2 ). Perhatikan! Bilangan λ, yaitu 43 , harus dikalikan dengan P1 , BUKAN dengan P2 . Sedangk-
4
an angka 3 adalah satu-satunya angka yang bisa menghapus variabel x1 dari P2 lewat operasi
4
(P2 − 3 P1 ). Selengkapnya adalah sebagai berikut
P2 : 4x1 + 7x2 − x3 + 6x4 = 9

4 4 4 4 4 4
P1 : 3x1 + 2x2 − 5x3 + 8x4 = 3
3 3 3 3 3 3
Kemudian, hasil operasi (P2 − 43 P1 ) disimpan sebagai P2 yang baru

4 4 4 4 4
P2 : 4 − 3 x1 + 7 − 2 x2 − 1 − 5 x3 + 6 − 8 x4 = 9 − 3
3 3 3 3 3
Dengan sendirinya x1 akan lenyap dari P 2. Mudah-mudahan jelas sampai disini. Demikianlah
cara untuk menghilangkan x1 dari P 2.
9.2.2 Permainan indeks
Sekarang, mari kita tinjau hal yang sama, yaitu menghilangkan x1 dari P2 , namun menggunakan
’permainan’ indeks. Secara umum, P1 dan P2 bisa dinyatakan sebagai
P1 : a11 x1 + a12 x2 + a13 x3 + a14 x4 = a15

P2 : a21 x1 + a22 x2 + a23 x3 + a24 x4 = a25
a21
Agar x1 hilang dari P2 , operasi yang benar adalah (P2 − λP1 ) → (P2 ), dimana λ = a11 . Dengan
demikian, P2 yang baru akan memenuhi

a21 a21 a21 a21 a21
P2 : a21 − a11 x1 + a22 − a12 x2 + a23 − a13 x3 + a24 − a14 x4 = a25 − a15
a11 a11 a11 a11 a11
Perhatikanlah variasi indeks pada persamaan diatas. Semoga intuisi anda bisa menangkap ke-
beradaan suatu pola perubahan indeks. Jika belum, mari kita kembangkan persoalan ini.
Sekarang saya ketengahkan kehadapan anda tiga buah persamaan, yaitu P1 , P2 dan P3
P1 : a11 x1 + a12 x2 + a13 x3 + a14 x4 = a15

P2 : a21 x1 + a22 x2 + a23 x3 + a24 x4 = a25
P3 : a31 x1 + a32 x2 + a33 x3 + a34 x4 = a35
Bagaimana cara menghilangkan x1 dari P3 dengan memanfaatkan P1 ??

a31
Begini caranya, (P3 − λP1 ) → (P3 ), dengan λ = a11 ..

a31 a31 a31 a31 a31
a11 a11 a11 a11 a11
Mudah-mudahan, pola perubahan indeksnya semakin jelas terlihat. Selanjutnya jika ada persa-
maan P4 yang ingin dihilangkan x1 nya dengan memanfaatkan P1 , bagaimana caranya?
a41
Tentu saja operasinya adalah (P4 − λP1 ) → (P4 ), dengan λ = a11

a41 a41 a41 a41 a41
a11 a11 a11 a11 a11
9.3 Triangularisasi dan Substitusi Mundur
9.3.1 Contoh pertama
Sekarang, mari kita kembali kepada sistem persamaan linear yang sudah ditulis di awal bab ini
P1 : x1 + x2 + 3x4 = 4
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = -3
P4 : −x1 + 2x2 + 3x3 − x4 = 4
Sekali lagi saya tegaskan bahwa problem dari sistem persamaan linear adalah bagaimana
mendapatkan angka-angka yang bisa menggantikan variabel x1 , x2 , x3 , dan x4 sehingga semua
persamaan di atas menjadi benar. Dengan berpegang pada ketiga teknik penyederhanaan tadi,
maka sistem persamaan linear di atas dapat disederhanakan dengan langkah-langkah berikut
ini:
1. Gunakan persamaan P1 untuk menghilangkan variabel x1 dari persamaan P2 , P3 dan P4

dengan cara (P2 − 2P1 ) → (P2 ), (P3 − 3P1 ) → (P3 ) dan (P4 + P1 ) → (P4 ). Hasilnya akan
seperti ini
P1 : x1 + x2 + 3x4 = 4,
P2 : −x2 − x3 − 5x4 = −7,
P3 : −4x2 − x3 − 7x4 = −15,
P4 : 3x2 + 3x3 + 2x4 = 8
Silakan anda cermati bahwa x1 kini telah hilang dari P2 , P3 dan P4 .

9.3. TRIANGULARISASI DAN SUBSTITUSI MUNDUR 175
2. Gunakan persamaan P2 untuk menghilangkan variabel x2 dari persamaan P3 dan P4 de-

ngan cara (P3 − 4P2 ) → (P3 ) dan (P4 + 3P2 ) → (P4 ). Hasilnya akan seperti ini
P1 : x1 + x2 + 3x4 = 4,
P2 : −x2 − x3 − 5x4 = −7,
P3 : 3x3 + 13x4 = 13,
P4 : −13x4 = −13
Kalau x3 masih ada di persamaan P4 , dibutuhkan satu operasi lagi untuk menghilang-
kannya. Namun hasil operasi pada langkah ke-2 ternyata sudah otomatis menghilangkan
x3 dari P4 . Bentuk akhir dari sistem persamaan linear di atas, dikenal sebagai bentuk
triangular.
Sampai dengan langkah ke-2 ini, kita berhasil mendapatkan sistem persamaan linear yang
lebih sederhana. Apa yang dimaksud dengan sederhana dalam konteks ini? Suatu sistem
persamaan linear dikatakan sederhana bila kita bisa mendapatkan seluruh nilai pengganti
variabelnya dengan cara yang lebih mudah atau dengan usaha yang tidak memakan waktu
lama dibandingkan sebelum disederhanakan.
3. Selanjutnya kita jalankan proses backward-substitution untuk mendapatkan angka-angka

pengganti bagi x1 , x2 , x3 dan x4 . Melalui proses backward-substitution, yang pertama
kali didapat adalah angka pengganti bagi variabel x4 , kemudian x3 , lalu diikuti x2 , dan
akhirnya x1 . Silakan cermati yang berikut ini
−13
P4 : x4 = = 1,
−13
1 1
P3 : x3 = (13 − 13x4 ) = (13 − 13) = 0,
3 3
P2 : x2 = −(−7 + 5x4 + x3 ) = −(−7 + 5 + 0) = 2,
P1 : x1 = 4 − 3x4 − x2 = 4 − 3 − 2 = −1
Jadi solusinya adalah x1 = −1, x2 = 2, x3 = 0 dan x4 = 1. Coba sekarang anda cek,

apakah semua solusi ini cocok dan tepat bila dimasukan ke sistem persamaan linear yang
pertama, yaitu yang belum disederhanakan?
OK, mudah-mudahan ngerti ya... Kalau belum paham, coba dibaca sekali lagi. Atau, seka-
rang kita beralih kecontoh yang lain.
9.3.2 Contoh kedua
Diketahui sistem persamaan linear, terdiri dari empat buah persamaan yaitu P1 , P2 , P3 , dan P4
seperti berikut ini:
P1 : x1 − x2 + 2x3 − x4 = -8
P2 : 2x1 − 2x2 + 3x3 − 3x4 = -20
P3 : x1 + x2 + x3 = -2
P4 : x1 − x2 + 4x3 + 3x4 = 4
Seperti contoh pertama, solusi sistem persamaan linear di atas akan dicari dengan langkah-
langkah berikut ini:
1. Gunakan persamaan P1 untuk menghilangkan x1 dari persamaan P2 , P3 dan P4 dengan

cara (P2 − 2P1 ) → (P2 ), (P3 − P1 ) → (P3 ) dan (P4 − P1 ) → (P4 ). Hasilnya akan seperti ini
P1 : x1 − x2 + 2x3 − x4 = −8,
P2 : −x3 − x4 = −4,
P3 : 2x2 − x3 + x4 = 6,
P4 : 2x3 + 4x4 = 12
Perhatikan persamaan P2 ! Akibat dari langkah yang pertama tadi, ternyata tidak hanya
x1 saja yang hilang dari persamaan P2 , variabel x2 pun turut hilang dari persamaan P2 .
Kondisi ini bisa menggagalkan proses triangularisasi. Untuk itu, posisi P2 mesti ditukar
dengan persamaan yang berada dibawahnya, yang masih memiliki variabel x2 . Maka
yang paling cocok adalah ditukar dengan P3 .
2. Tukar posisi persamaan P2 dengan persamaan P3 , (P2 ↔ P3 ). Hasilnya akan seperti ini
P1 : x1 − x2 + 2x3 − x4 = −8,
P2 : 2x2 − x3 + x4 = 6,
P3 : −x3 − x4 = −4,
P4 : 2x3 + 4x4 = 12
3. Agar sistem persamaan linear di atas menjadi berbentuk triangular, maka kita harus meng-
hilangkan variabel x3 dari persamaan P4 . Karenanya, gunakan persamaan P3 untuk meng-
hilangkan x3 dari persamaan P4 dengan cara (P4 + 2P3 ) → (P4 ). Hasilnya akan seperti
ini
P1 : x1 − x2 + 2x3 − x4 = −8,
P2 : 2x2 − x3 + x4 = 6,
P3 : −x3 − x4 = −4,
P4 : 2x4 = 4
9.4. MATRIK DAN ELIMINASI GAUSS 177
Sampai disini proses triangularisasi telah selesai.
4. Selanjutnya adalah proses backward-substitution. Melalui proses ini, yang pertama kali
didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 , dan akhirnya x1 .
4
P4 : x4 = = 2,
2
−4 + x4
P3 : x3 = = 2,
−1
6 + x3 − x4
P2 : x2 = = 3,
2
P1 : x1 = −8 + x2 − 2x3 + x4 = −7
Jadi solusinya adalah x1 = −7, x2 = 3, x3 = 2 dan x4 = 2.
Berdasarkan kedua contoh di atas, untuk mendapatkan solusi sistem persamaan linear, diper-
lukan operasi triangularisasi dan proses backward-substitution. Kata backward-substitution
kalau diterjemahkan kedalam bahasa indonesia, menjadi substitusi-mundur. Gabungan pro-
ses triangularisasi dan substitusi-mundur untuk menyelesaikan sistem persamaan linear dikenal
sebagai metode Eliminasi Gauss.
9.4 Matrik dan Eliminasi Gauss
9.4.1 Matrik Augmentasi
Sejumlah matrik bisa digunakan untuk menyatakan suatu sistem persamaan linear. Sejenak,
mari kita kembali lagi melihat sistem persamaan linear secara umum seperti berikut ini:
a11 x1 + a12 x2 + . . . + a1n xn = b1

a21 x1 + a22 x2 + . . . + a2n xn = b2
............... = ...
............... = ...
an1 x1 + an2 x2 + . . . + ann xn = bn
Sementara, kalau dinyatakan dalam bentuk operasi matrik, maka akan seperti ini:
    
a11 a12 . . . a1n x1 b1
a21 a22 . . . a2n x2 b2
    
    
 .. .. ..  .. = ..  (9.2)
. . . . .
    
    
an1 an2 . . . ann xn bn
Dalam mencari solusi suatu sistem persamaan linear dengan metode eliminasi gauss, bentuk
operasi matrik di atas dimanipulasi menjadi matrik augment, yaitu suatu matrik yang berukur-
an n x (n + 1) seperti berikut ini:

   
a11 a12 . . . a1n | b1 a11 a12 . . . a1n | a1,n+1
 a21 a22 . . . a2n | b2   a21 a22 . . . a2n | a2,n+1
   

 . .. .. . = . .. .. ..  (9.3)
 .
| ..
  .
 . . .   . . . | .


an1 an2 . . . ann | bn an1 an2 . . . ann | an,n+1
Inilah source code Matlab untuk membentuk matrik augmentasi yang terdiri atas matrik A dan
vektor b,
1 clear all
2 clc
3
4 %---- inisialisasi matrik A ----
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
10 %---- inisialisasi vektor b ----
11 b = [4 ; 1 ; -3 ; 4];
12
13 %---- membentuk matrik augmentasi ----
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
9.4.2 Penerapan pada contoh pertama
Pada contoh pertama di atas, diketahui sistem persamaan linear yang terdiri dari empat buah
persamaan yaitu P1 , P2 , P3 , dan P4
P1 : x1 + x2 + 3x4 = 4
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = -3
P4 : −x1 + 2x2 + 3x3 − x4 = 4
Sistem persamaan linear tersebut dapat dinyatakan dalam operasi matrik

    
1 1 0 3 x1 4
    
 2 1 −1 1   x2   1 
  x  =  −3
    
 3 −1 −1 2 
  3   
−1 2 3 −1 x4 4
Setelah itu matrik augment disusun seperti ini (perhatikan angka-angka indeks pada matriks
disebelahnya)
   
1 1 0 3 | 4 a11 a12 a13 a14 | a15
   
 2 1 −1 1 | 1   a21 a22 a23 a24 | a25 
 ⇒ 
 3 −1 −1 2 | −3 
  a31 a32 a33 a34 | a35 
  
−1 2 3 −1 | 4 a41 a42 a43 a44 | a45
Kemudian kita lakukan operasi triangularisai terhadap matrik augment, dimulai dari kolom
pertama (yang tujuannya untuk menghilangkan variabel x1 dari P2 , P3 , dan P4 ), yaitu

a21 a21 a21 a21 a21
a11 a11 a11 a11 a11

a31 a31 a31 a31 a31
a11 a11 a11 a11 a11

a41 a41 a41 a41 a41
a11 a11 a11 a11 a11
Sekarang akan saya tulis source code Matlab untuk menyelesaikan perhitungan diatas. Saran
saya, anda jangan hanya duduk sambil membaca buku ini, kalau bisa nyalakan komputer/laptop
dan ketik ulang source-code ini agar anda memperoleh feeling-nya! OK, mari kita mulai..
1 clear all
2 clc
3
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
11 b = [4 ; 1 ; -3 ; 4];
12
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
20 %---- menghilangkan variabel x1 ----
21 m=A(2,1)/A(1,1); % huruf m mewakili simbol lambda
22 A(2,1)=A(2,1)-m*A(1,1);
23 A(2,2)=A(2,2)-m*A(1,2);
24 A(2,3)=A(2,3)-m*A(1,3);
25 A(2,4)=A(2,4)-m*A(1,4);
26 A(2,5)=A(2,5)-m*A(1,5);
27
28 m=A(3,1)/A(1,1);
29 A(3,1)=A(3,1)-m*A(1,1);
30 A(3,2)=A(3,2)-m*A(1,2);
31 A(3,3)=A(3,3)-m*A(1,3);
32 A(3,4)=A(3,4)-m*A(1,4);
33 A(3,5)=A(3,5)-m*A(1,5);
34
35 m=A(4,1)/A(1,1);
36 A(4,1)=A(4,1)-m*A(1,1);
37 A(4,2)=A(4,2)-m*A(1,2);
38 A(4,3)=A(4,3)-m*A(1,3);
39 A(4,4)=A(4,4)-m*A(1,4);
40 A(4,5)=A(4,5)-m*A(1,5);
Hasilnya akan seperti ini

   
1 1 0 3 | 4 a11 a12 a13 a14 | a15
   
 0 −1 −1 −5 | −7 
 ⇒  a21 a22 a23 a24 | a25
 
 
 0 −4 −1 −7 | −15   a
 31 a32 a33 a34 | a35

  
0 3 3 2 | 8 a41 a42 a43 a44 | a45
Pada kolom pertama, seluruh elemen berubah menjadi nol (a21 = 0, a31 = 0, dan a41 = 0)
kecuali elemen yang paling atas a11 . Itu berarti kita sudah menghilangkan variabel x1 dari P2 ,
P3 , dan P4 . Sekarang dilanjutkan ke kolom kedua, dengan operasi yang hampir sama, untuk
membuat elemen a32 dan a42 bernilai nol

a32 a32 a32 a32 a32
a22 a22 a22 a22 a22

a42 a42 a42 a42 a42
a22 a22 a22 a22 a22
Source-code berikut ini adalah kelanjutan dari source-code diatas. Jadi jangan dipisah dalam file
lain!!!
1 m=A(3,2)/A(2,2);
2 A(3,1)=A(3,1)-m*A(2,1);
3 A(3,2)=A(3,2)-m*A(2,2);
4 A(3,3)=A(3,3)-m*A(2,3);
5 A(3,4)=A(3,4)-m*A(2,4);
6 A(3,5)=A(3,5)-m*A(2,5);
7
8 m=A(4,2)/A(2,2);
9 A(4,1)=A(4,1)-m*A(2,1);
10 A(4,2)=A(4,2)-m*A(2,2);
11 A(4,3)=A(4,3)-m*A(2,3);
12 A(4,4)=A(4,4)-m*A(2,4);
13 A(4,5)=A(4,5)-m*A(2,5);
14
Hasilnya akan seperti dibawah ini. Itu berarti kita telah menghilangkan variabel x2 dari P3 , dan
P4 ; bahkan tanpa disengaja x3 juga hilang dari P4 . Inilah bentuk triangular
   
1 1 0 3 | 4 a11 a12 a13 a14 | a15
   
 0 −1 −1 −5 | −7
 ⇒  a21 a22 a23 a24 | a25
  
 
 0 0 3 13 | 13  a
 31 a32 a33 a34 | a35
 
  
0 0 0 −13 | −13 a41 a42 a43 a44 | a45
Walaupun x3 sudah hilang dari P4 , sebaiknya source-code penghapusan x3 dari P4 tetap ditam-
bahkan pada source-code sebelumnya agar source-code tersebut menjadi lengkap.
1 m=A(4,3)/A(3,3);
2 A(4,1)=A(4,1)-m*A(3,1);
3 A(4,2)=A(4,2)-m*A(3,2);
4 A(4,3)=A(4,3)-m*A(3,3);
5 A(4,4)=A(4,4)-m*A(3,4);
6 A(4,5)=A(4,5)-m*A(3,5);
Dengan memperhatikan angka-angka indeks pada matrik augment di atas, kita akan men-
coba membuat rumusan proses substitusi-mundur untuk mendapatkan seluruh nilai pengganti
variabel x. Dimulai dari x4 ,
a45 −13
x4 = = =1
a44 −13
lalu dilanjutkan dengan x3 , x2 , dan x1 .
a35 − a34 x4 13 − [(13)(1)]

x3 = = =0
a33 3
a25 − (a23 x3 + a24 x4 ) (−7) − [(−1)(0) + (−5)(1)]
x2 = = =2
a22 (−1)
a15 − (a12 x2 + a13 x3 + a14 x4 ) 4 − [(1)(2) + (0)(0) + (3)(1)]
x1 = = = −1
a11 1
Inilah source code proses substitusi mundur sesuai rumusan di atas
1 x(4,1)=A(4,5)/A(4,4);
2 x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
3 x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
4 x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);
9.4.3 Source-code dasar
Proses triangularisasi dan substitusi-mundur dibakukan menjadi algoritma metode eliminasi

gauss. Berikut ini saya tampilkan source-code dalam Matlab sebagaimana langkah-langkah diatas
1 clear all
2 clc
3
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
11 b = [4 ; 1 ; -3 ; 4];
12
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
20 %==== Proses Triangularisasi ====
21 %---- menghilangkan variabel x1 dari P2, P3 dan P4 ----
23 A(2,1)=A(2,1)-m*A(1,1);
24 A(2,2)=A(2,2)-m*A(1,2);
25 A(2,3)=A(2,3)-m*A(1,3);
26 A(2,4)=A(2,4)-m*A(1,4);
27 A(2,5)=A(2,5)-m*A(1,5);
28
29 m=A(3,1)/A(1,1);
30 A(3,1)=A(3,1)-m*A(1,1);
31 A(3,2)=A(3,2)-m*A(1,2);
32 A(3,3)=A(3,3)-m*A(1,3);
33 A(3,4)=A(3,4)-m*A(1,4);
34 A(3,5)=A(3,5)-m*A(1,5);
35
36 m=A(4,1)/A(1,1);
37 A(4,1)=A(4,1)-m*A(1,1);
38 A(4,2)=A(4,2)-m*A(1,2);
39 A(4,3)=A(4,3)-m*A(1,3);
40 A(4,4)=A(4,4)-m*A(1,4);
41 A(4,5)=A(4,5)-m*A(1,5);
42
43 %---- menghilangkan variabel x2 dari P3 dan P4 ----
44 m=A(3,2)/A(2,2);
45 A(3,1)=A(3,1)-m*A(2,1);
46 A(3,2)=A(3,2)-m*A(2,2);
47 A(3,3)=A(3,3)-m*A(2,3);
48 A(3,4)=A(3,4)-m*A(2,4);
49 A(3,5)=A(3,5)-m*A(2,5);
50
51 m=A(4,2)/A(2,2);
52 A(4,1)=A(4,1)-m*A(2,1);
53 A(4,2)=A(4,2)-m*A(2,2);
54 A(4,3)=A(4,3)-m*A(2,3);
55 A(4,4)=A(4,4)-m*A(2,4);
56 A(4,5)=A(4,5)-m*A(2,5);
57
58 %---- menghilangkan variabel x3 dari P4 ----
59 m=A(4,3)/A(3,3);
60 A(4,1)=A(4,1)-m*A(3,1);
61 A(4,2)=A(4,2)-m*A(3,2);
62 A(4,3)=A(4,3)-m*A(3,3);
63 A(4,4)=A(4,4)-m*A(3,4);
64 A(4,5)=A(4,5)-m*A(3,5);
65
66 %==== Proses Substitusi Mundur ====
67 x(4,1)=A(4,5)/A(4,4);
68 x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
69 x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
70 x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);
9.4.4 Optimasi source code
Singkatnya, tujuan dari dilakukannya proses optimasi adalah untuk memperkecil jumlah baris
statemen pada source code dasar. Seperti kita ketahui bersama, source code dasar eliminasi gauss
yang tertulis di atas terdiri atas 70 baris statemen, sehingga perlu dilakukan proses optimasi
untuk memperkecil jumlah baris statemen (tanpa menyalahi hasil perhitungan).
9.4.4.1 Optimasi source code bagian triangular
Langkah optimasi source code bagian triangularisasi dimulai dari baris statemen ke 23 hingga
ke 27, yaitu
m=A(2,1)/A(1,1); % huruf m mewakili simbol lambda

A(2,1)=A(2,1)-m*A(1,1);
A(2,2)=A(2,2)-m*A(1,2);
A(2,3)=A(2,3)-m*A(1,3);
A(2,4)=A(2,4)-m*A(1,4);
A(2,5)=A(2,5)-m*A(1,5);
Bagian ini dapat dioptimasi menjadi
for k = 1:5
A(2,k) = A(2,k)-m*A(1,k);
end
Langkah optimasi yang sama juga bisa diterapkan untuk rangkaian baris statemen dari baris
ke 30 hingga 34 dan baris ke 37 hingga 41 (yang terdapat pada source-code dasar), sehingga
masing-masing akan menjadi
for k = 1:5
A(3,k) = A(3,k)-m*A(1,k);
end
dan
for k = 1:5
A(4,k) = A(4,k)-m*A(1,k);
end
Ternyata, pola optimasi yang sama juga masih bisa ditemui mulai baris ke 45 hingga baris
statemen ke 64. Dengan demikian, setidaknya, tahapan pertama ini akan menghasil source-code
baru hasil optimasi awal yaitu
1 clear all
2 clc
3
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
11 b = [4 ; 1 ; -3 ; 4];
12
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
23 for k = 1:5
24 A(2,k) = A(2,k)-m*A(1,k);
25 end
26
27 m=A(3,1)/A(1,1);
28 for k = 1:5
29 A(3,k) = A(3,k)-m*A(1,k);
30 end
31
32 m=A(4,1)/A(1,1);
33 for k = 1:5
34 A(4,k) = A(4,k)-m*A(1,k);
35 end
36
38 m=A(3,2)/A(2,2);
39 for k = 1:5
40 A(3,k) = A(3,k)-m*A(2,k);
41 end
42
43 m=A(4,2)/A(2,2);
44 for k = 1:5
45 A(4,k) = A(4,k)-m*A(2,k);
46 end
47
49 m=A(4,3)/A(3,3);
50 for k = 1:5
51 A(4,k) = A(4,k)-m*A(3,k);
52 end
53
55 x(4,1)=A(4,5)/A(4,4);
56 x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
57 x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
58 x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);
Sekarang, source-code eliminasi gauss telah mengecil menjadi hanya 58 baris statemen saja (se-
belumnya ada 70 baris statemen). Namun ini belum merupakan akhir proses optimasi. Source-
code yang terakhir ini masih bisa dioptimasi kembali.
Coba anda perhatikan pola yang nampak mulai pada baris statemen ke-22 hingga ke-35.
Optimasi tahap dua dilakukan untuk menyederhanakan bagian tersebut, yaitu
for j = 2:4
m=A(j,1)/A(1,1);
for k = 1:5
A(j,k) = A(j,k)-m*A(1,k);
end
end
Demikian halnya untuk baris ke-38 sampai baris ke-46
for j = 3:4
m=A(j,2)/A(2,2);
for k = 1:5
A(j,k) = A(j,k)-m*A(2,k);
end
end
serta baris ke-49 hingga baris ke-52
for j = 4:4
m=A(j,3)/A(3,3);
for k = 1:5
A(j,k) = A(j,k)-m*A(3,k);
end
end
Dengan demikian hasil optimasi sampai dengan tahap ini adalah
1 clear all
2 clc
3
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
11 b = [4 ; 1 ; -3 ; 4];
12
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
22 for j = 2:4
23 m=A(j,1)/A(1,1);
24 for k = 1:5
25 A(j,k) = A(j,k)-m*A(1,k);
26 end
27 end
28

30 for j = 3:4
31 m=A(j,2)/A(2,2);
32 for k = 1:5
33 A(j,k) = A(j,k)-m*A(2,k);
34 end
35 end
36
38 for j = 4:4
39 m=A(j,3)/A(3,3);
40 for k = 1:5
41 A(j,k) = A(j,k)-m*A(3,k);
42 end
43 end
44
46 x(4,1)=A(4,5)/A(4,4);
47 x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
48 x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
49 x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);
Jika saya munculkan indeks i pada bagian proses triangularisasi
%==== Proses Triangularisasi ====

%---- menghilangkan variabel x1 dari P2, P3 dan P4 ----
i = 1;
for j = i+1:4
m=A(j,i)/A(i,i);
for k = 1:5
A(j,k) = A(j,k)-m*A(i,k);
end
end
%---- menghilangkan variabel x2 dari P3 dan P4 ----

i = 2;
for j = i+1:4
m=A(j,i)/A(i,i);
for k = 1:5
end
end
%---- menghilangkan variabel x3 dari P4 ----

i = 3;
for j = i+1:4
m=A(j,i)/A(i,i);
for k = 1:5
end
end
maka saya bisa gabungkan semua i tersebut menjadi
%==== Proses Triangularisasi ====

for i = 1:3
for j = i+1:4
m=A(j,i)/A(i,i);
for k = 1:5
end
end
end
Sehingga hasil optimasi sampai tahapan ini telah mengecilkan jumlah baris statemen dari se-
mula 70 baris menjadi hanya 34 baris saja. Inilah hasilnya
1 clear all
2 clc
3
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
11 b = [4 ; 1 ; -3 ; 4];
12
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
21 for i = 1:3
22 for j = i+1:4
23 m=A(j,i)/A(i,i);
24 for k = 1:5
25 A(j,k) = A(j,k)-m*A(i,k);
26 end
27 end
28 end
29
31 x(4,1)=A(4,5)/A(4,4);
32 x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
33 x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
34 x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);
9.4.4.2 Optimasi source code bagian substitusi-mundur
OK, sekarang kita beralih ke bagian substitusi-mundur. Saya mulai dengan memodifikasi bagian
tersebut menjadi seperti ini
%==== Proses Substitusi Mundur ====

x(4,1)=A(4,5)/A(4,4);
S = 0;
S = S + A(3,4)*x(4,1);
x(3,1)=(A(3,5)-S)/A(3,3);
S = 0;
S = S + A(2,3)*x(3,1);
S = S + A(2,4)*x(4,1);
x(2,1)=(A(2,5)-S)/A(2,2);
S = 0;
S = S + A(1,2)*x(2,1);
S = S + A(1,3)*x(3,1);
S = S + A(1,4)*x(4,1);
x(1,1)=(A(1,5)-S)/A(1,1);
Dari situ, saya modifikasi kembali menjadi seperti ini

x(4,1)=A(4,5)/A(4,4);
S = 0;
for k = 4:4
S = S + A(3,k)*x(k,1);
end
x(3,1)=(A(3,5)-S)/A(3,3);
S = 0;
for k = 3:4
S = S + A(2,k)*x(k,1);
end
x(2,1)=(A(2,5)-S)/A(2,2);
S = 0;
for k = 2:4
S = S + A(1,k)*x(k,1);
end
x(1,1)=(A(1,5)-S)/A(1,1);
Lalu saya munculkan indeks i, coba perhatikan dengan teliti

x(4,1)=A(4,5)/A(4,4);
i = 3;
S = 0;
for k = i+1:4
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,5)-S)/A(i,i);
i = 2;
S = 0;
for k = i+1:4
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,5)-S)/A(i,i);
i = 1;
S = 0;
for k = i+1:4
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(1,5)-S)/A(i,i);
dengan demikian saya bisa ringkas menjadi seperti ini

x(4,1)=A(4,5)/A(4,4);
for i = 3:-1:1
S = 0;
for k = i+1:4
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,5)-S)/A(i,i);
end
Dan inilah hasil optimasi sampai tahapan yang terakhir
1 clear all
2 clc
3
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
11 b = [4 ; 1 ; -3 ; 4];
12
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
21 for i = 1:3
22 for j = i+1:4
23 m=A(j,i)/A(i,i);
24 for k = 1:5
25 A(j,k) = A(j,k)-m*A(i,k);
26 end
27 end
28 end
29
31 x(4,1)=A(4,5)/A(4,4);
32
33 for i = 3:-1:1
34 S = 0;
35 for k = i+1:4
36 S = S + A(i,k)*x(k,1);
37 end
38 x(i,1)=(A(i,5)-S)/A(i,i);
39 end
9.4.5 Pentingnya nilai n
Pada baris ke-15, nilai n adalah nilai ukuran matrik A yang berbentuk bujursangkar. Dalam
contoh ini, n bernilai 4. Dengan menggunakan angka 4 (atau n) sebagai acuan, maka source
code hasil optimasi terakhir dimodifikasi kembali menjadi seperti ini
1 clear all
2 clc
3
5 A = [1 1 0 3
6 2 1 -1 1
7 3 -1 -1 2
8 -1 2 3 -1];
9
11 b = [4 ; 1 ; -3 ; 4];
12
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
21 for i = 1:n-1
22 for j = i+1:n
23 m=A(j,i)/A(i,i);
24 for k = 1:n+1
25 A(j,k) = A(j,k)-m*A(i,k);
26 end
27 end
28 end
29
31 x(n,1)=A(n,n+1)/A(n,n);
32
33 for i = n-1:-1:1
34 S = 0;
35 for k = i+1:n
36 S = S + A(i,k)*x(k,1);
37 end
38 x(i,1)=(A(i,n+1)-S)/A(i,i);
39 end
Sekarang, source code di atas akan bisa memproses matrik bujursangkar yang ukurannya sem-
barang; tidak hanya 4x4. Demikianlah akhir dari proses optimasi yang cukup melelahkan.
9.4.6 Jangan puas dulu..
Walaupun memiliki jumlah baris statemen yang lebih sedikit, source-code ini masih mengandung
bug yang bisa berakibat fatal. Sekarang coba anda ganti angka-angka pada bagian inisialisasi
matrik menjadi angka-angka baru yang disesuaikan dengan sistem persamaan linear berikut ini
P1 : x1 − x2 + 2x3 − x4 = -8
P2 : 2x1 − 2x2 + 3x3 − 3x4 = -20
P3 : x1 + x2 + x3 = -2
P4 : x1 − x2 + 4x3 + 3x4 = 4
Saya jamin source code yang tadi akan berhenti sebelum tugasnya selesai. Artinya ia gagal
menjalankan tugas mencari solusi sistem persamaan linear. Mengapa bisa begitu?
9.4.7 Pivoting
Pada baris ke-23, yang merupakan bagian dari proses triangularisasi dalam source code di atas,
terdapat
m=A[j,i]/A[i,i]
elemen A[i, i] tentunya tidak boleh bernilai nol. Jika itu terjadi, maka proses triangularisasi
otomatis akan berhenti dan itu sekaligus menggagalkan metode eliminasi Gauss. Dilihat dari
indeks-nya yang kembar yaitu [i, i], maka tidak diragukan lagi bahwa ia pasti menempati posisi
di elemen diagonal dari matrik A. Nama lain elemen ini adalah elemen pivot. Jadi apa yang
harus dilakukan jika secara tidak disengaja didalam aliran proses terdapat elemen pivot yang
bernilai nol?
Salah satu cara untuk mengatasinya adalah dengan menukar seluruh elemen yang sebaris
dengan elemen diagonal bernilai nol. Ia harus ditukar posisinya dengan baris yang ada diba-
wahnya, sampai elemen diagonal matrik menjadi tidak nol, aii 6= 0. Cara ini disebut pivoting.
Penambahan proses pivoting kedalam source code eliminasi Gauss dimulai dari baris ke-23 sam-
pai baris ke-30 berikut ini
1 clear all
2 clc
3
5 A = [1 -1 2 -1
6 2 -2 3 -3
7 1 1 1 0
8 1 -1 4 3];
9
11 b = [-8 ; -20 ; -2 ; 4];
12
14 dim = size(A);
15 n = dim(1);
16 for i = 1:n
17 A(i,n+1) = b(i);
18 end
19
21 for i = 1:n-1
22 %---- awal proses pivoting -----
23 if A(i,i) == 0
24 for s = 1:n+1
25 v = A(i,s);
26 u = A(i+1,s);
27 A(i,s) = u;
28 A(i+1,s) = v;
29 end
30 end
31 %---- akhir proses pivoting -----
32
33 for j = i+1:n
34 m=A(j,i)/A(i,i);
35 for k = 1:n+1
36 A(j,k) = A(j,k)-m*A(i,k);
37 end
38 end
39 end
40
42 x(n,1)=A(n,n+1)/A(n,n);
43
44 for i = n-1:-1:1
45 S = 0;
46 for k = i+1:n
47 S = S + A(i,k)*x(k,1);
48 end
49 x(i,1)=(A(i,n+1)-S)/A(i,i);
50 end
9.5 Function Eliminasi Gauss
Pendefinisian function eliminasi gauss, yang akan diberi nama elgauss merupakan langkah paling
akhir dari proses optimasi source code ini. Berdasarkan source code di atas, function eliminasi
gauss bisa dimulai dari baris ke-13 hingga baris ke-50. Berikut ini adalah cara pendefinisiannya
1 function x=elgauss(A,b)
2
4 dim = size(A);
5 n = dim(1);
6 for i = 1:n
7 A(i,n+1) = b(i);
8 end
9
11 for i = 1:n-1
12 %---- awal proses pivoting -----
13 if A(i,i) == 0
14 for s = 1:n+1
9.5. FUNCTION ELIMINASI GAUSS 193
15 v = A(i,s);
16 u = A(i+1,s);
17 A(i,s) = u;
18 A(i+1,s) = v;
19 end
20 end
21 %---- akhir proses pivoting -----
22
23 for j = i+1:n
24 m=A(j,i)/A(i,i);
25 for k = 1:n+1
26 A(j,k) = A(j,k)-m*A(i,k);
27 end
28 end
29 end
30
32 x(n,1)=A(n,n+1)/A(n,n);
33
34 for i = n-1:-1:1
35 S = 0;
36 for k = i+1:n
37 S = S + A(i,k)*x(k,1);
38 end
39 x(i,1)=(A(i,n+1)-S)/A(i,i);
40 end
Dengan adanya function elgauss, maka source-code untuk menyelesaikan sistem persamaan linear
dengan metode eliminasi gauss dapat ditulis secara sangat sederhana. Berikut ini contohnya..
1 clear all
2 clc
3
5 A = [1 -1 2 -1
6 2 -2 3 -3
7 1 1 1 0
8 1 -1 4 3];
9
11 b = [-8 ; -20 ; -2 ; 4];
12
13 x=elgauss(A,b)
9.6 Contoh aplikasi
9.6.1 Menghitung arus listrik
Gunakan metode Eliminasi Gauss untuk menentukan arus i1 , i2 dan i3 yang mengalir pada
rangkaian berikut ini
jawab:
Berdasarkan Hukum Kirchhoff:
I1 + I2 = I3
−14 + 6I1 − 10 − 4I2 = 0
10 − 6I1 − 2I3 = 0
Lalu kita susun ulang ketiga persamaan di atas menjadi seperti ini:
I1 + I2 − I3 = 0
6I1 − 4I2 = 24
6I1 + 2I3 = 10
Kemudian dinyatakan dalam bentuk matriks:

    
1 1 −1 I1 0
 6 −4 0   I2  =  24 
    
6 0 2 I3 10
Selanjutkan kita susun matriks augmentasi sebagai berikut:

 
1 1 −1 0
 6 −4 0 24 
 
6 0 2 10
9.6. CONTOH APLIKASI 195
Langkah berikutnya adalah menghitung matriks triangularisasi dengan langkah-langkah sebagai

berikut:
a21 6
m= = = 6
a11 1
a21 = a21 − m.a11 = 6 − (6).(1) = 0
a22 = a22 − m.a12 = −4 − (6).(1) = −10
a23 = a23 − m.a13 = 0 − (6).(−1) = 6
a24 = a24 − m.a14 = 24 − (6).(0) = 24
a31 6
m= = = 6
a11 1
a31 = a31 − m.a11 = 6 − (6).(1) = 0
a32 = a32 − m.a12 = 0 − (6).(1) = −6
a33 = a33 − m.a13 = 2 − (6).(−1) = 8
a34 = a34 − m.a14 = 10 − (6).(0) = 10
Sampai disini matriks augment mengalami perubahan menjadi

 
1 1 −1 0
 0 −10 6 24 
 
0 −6 8 10
Kelanjutan langkah menuju triangularisasi adalah
a32 −6
m= =
a22 −10
−6
a31 = a31 − m.a21 = 0 − ( ).(0) = 0
−10
−6
a32 = a32 − m.a22 = −6 − ( ).(−10) = 0
−10
−6
a33 = a33 − m.a23 = 8 − ( ).(6) = 4, 4
−10
−6
a34 = a34 − m.a24 = 10 − ( ).(24) = −4, 4
−10
maka matriks triangularisasi berhasil didapat yaitu

 
1 1 −1 0
 0 −10 6 24 
 
0 0 4, 4 −4, 4
Sekarang tinggal melakukan proses substitusi mundur
a34 −4, 4
I3 = = = −1
a33 4, 4
a24 − a23 .I3 24 − (6).(−1)
I2 = = = −3
a22 −10
a14 − (a13 .I3 + a12 .I2 ) (0 − [(−1).(−1) + (1).(−3)]
I1 = = =2
a11 1
Jadi besar masing-masing arus pada rangkaian di atas adalah I1 = 2A, I2 = −3A dan I3 = −1A.
Tanda minus (-) memiliki arti bahwa arah arus yang sesungguhnya berlawanan arah dengan
asumsi awal yang kita gunakan. Keseluruhan tahapan perhitungan di atas cukup diselesaikan
oleh source-code berikut ini
1 clear all
2 clc
3
5 A = [1 1 -1
6 6 -4 0
7 6 0 2];
8
10 b = [0 ; 24 ; 10];
11
12 I=elgauss(A,b)
Isi matrik A diturunkan dari sistem persamaan linear yang mengacu kepada Hukum Kirchhoff
sebagai berikut
I1 + I2 − I3 = 0
6I1 − 4I2 = 24
6I1 + 2I3 = 10
yang kemudian dinyatakan dalam bentuk matrik A dan vektor b:

    
1 1 −1 I1 0
 6 −4 0   I2  =  24 
    
6 0 2 I3 10
9.6.2 Mencari invers matrik
Dalam kaitannya dengan invers matrik, matrik A disebut matrik non-singular jika matrik A
memiliki matrik invers dirinya yaitu A−1 . Atau dengan kata lain, matrik A−1 adalah invers dari
matrik A. Jika matrik A tidak memiliki invers, maka matrik A disebut singular. Bila matrik A
dikalikan dengan matrik A−1 maka akan menghasilkan matrik identitas I, yaitu suatu matrik
yang elemen-elemen diagonalnya bernilai 1.

 
1 0 ... 0
0 1 ... 0 
 
−1

AA =I= .. .. . . ..  (9.4)
. . . . 
 

0 0 ... 1
Misalnya diketahui,
− 29 5
− 19
   
1 2 −1 9
A= 2 1 0 , A−1 =  4
− 91 2
   
9 9 
−1 1 2 − 31 3
1 1
3
Bila keduanya dikalikan, maka akan menghasilkan matrik identitas,
− 92 5
− 91
    
1 2 −1 9 1 0 0
AA−1 =  2 1 0   94 − 19 2
= 0 1 0 
    
9
−1 1 2 − 31 1
3
1
3 0 0 1
Lalu bagaimana cara memperoleh matrik invers, A−1 ? Itulah bahan diskusi kita kali ini. Ba-
iklah.., anggap saja kita tidak tahu isi dari A−1 . Tapi yang jelas matrik A−1 ukurannya mesti
sama dengan matrik A, yaitu 3x3.
AA−1 = I
    
1 2 −1 i11 i12 i13 1 0 0
2 1 0   i21 i22 i23  =  0 1 0  (9.5)
    

−1 1 2 i31 i32 i33 0 0 1
dalam hal ini matrik A−1 adalah

 
i11 i12 i13
A−1 =  i21 i22 i23 
 
i31 i32 i33
Elemen-elemen matrik invers, A−1 dapat diperoleh dengan menerapkan metode eliminasi gauss
pada persamaan 9.5 yang telah dipecah 3 menjadi
    
1 2 −1 i11 1
2 1 0   i21  =  0 
    

−1 1 2 i31 0
    
1 2 −1 i21 0
2 1 0   i22  =  1 
    

−1 1 2 i23 0
    
1 2 −1 i31 0
2 1 0   i32  =  0 
    

−1 1 2 i32 1
Ketiganya dapat diselesaikan satu persatu menggunakan source code Eliminasi Gauss. Source
code untuk mendapatkan kolom pertama dari matrik invers adalah
1 clear all
2 clc
3
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
10 for j = 1:3
11 b(j,1) = 0;
12 end
13 b(1,1) = 1;
14
15 I=elgauss(A,b)
Sementara, source code untuk mendapatkan kolom kedua dari matrik invers adalah
1 clear all
2 clc
3
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
10 for j = 1:3
11 b(j,1) = 0;
12 end
13 b(2,1) = 1;
14
15 I=elgauss(A,b)
Dan untuk memperoleh kolom ketiga matrik invers, caranya adalah
1 clear all
2 clc
3
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
10 for j = 1:3
11 b(j,1) = 0;
12 end
13 b(3,1) = 1;
14
15 I=elgauss(A,b)
Memang pada prinsipnya, dengan menjalankan tiga source-code di atas, akan diperoleh ma-
trik invers. Namun cara seperti ini tentunya kurang efektif. Mungkinkah ketiganya digabung
menjadi satu? Jelas bisa!
1 clear all
2 clc
3
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
9
11 for j = 1:3
12 b(j,1) = 0;
13 end
14 b(1,1) = 1;
15 I=elgauss(A,b);
16 for k = 1:3
17 AI(k,1) = I(k,1);
18 end
19
20 for j = 1:3
21 b(j,1) = 0;
22 end
23 b(2,1) = 1;
24 I=elgauss(A,b);
25 for k = 1:3
26 AI(k,2) = I(k,1);
27 end
28
29 for j = 1:3
30 b(j,1) = 0;
31 end
32 b(3,1) = 1;
33 I=elgauss(A,b);
34 for k = 1:3
35 AI(k,3) = I(k,1);
36 end
Jika kita munculkan indeks i seperti ini
1 clear all
2 clc
3
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
9
11 i = 1;
12 for j = 1:3
13 b(j,1) = 0;
14 end
15 b(i,1) = 1;
16 I=elgauss(A,b);
17 for k = 1:3
18 AI(k,i) = I(k,1);
19 end
20
21 i = 2;
22 for j = 1:3
23 b(j,1) = 0;
24 end
25 b(i,1) = 1;
26 I=elgauss(A,b);
27 for k = 1:3
28 AI(k,i) = I(k,1);
29 end
30
31 i = 3;
32 for j = 1:3
33 b(j,1) = 0;
34 end
35 b(i,1) = 1;
36 I=elgauss(A,b);
37 for k = 1:3
38 AI(k,i) = I(k,1);
39 end
maka source code tersebut dapat dioptimasi menjadi
1 clear all
2 clc
3
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
9
10 %---- menghitung matrik invers ----
11 for i = 1:3
12 for j = 1:3
13 b(j,1) = 0;
14 end
15 b(i,1) = 1;
16 I=elgauss(A,b);
17 for k = 1:3
18 AI(k,i) = I(k,1);
19 end
20 end
Diperlukan sedikit lagi modifikasi agar source code tersebut dapat berlaku umum
1 clear all
2 clc
3
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
10 dim = size(A);
11 n = dim(1);
12 for i = 1:n
13 for j = 1:n
14 b(j,1) = 0;
15 end
16 b(i,1) = 1;
17 I=elgauss(A,b);
18 for k = 1:n
19 AI(k,i) = I(k,1);
20 end
21 end
9.6.2.1 function invers matrik
Berdasarkan source code yang sudah teroptimasi di atas, kita bisa membuat function untuk
menghitung matrik invers.

2 function AI = Ainv(A)
3 dim = size(A);
4 n = dim(1);
5 for i = 1:n
6 for j = 1:n
7 b(j,1) = 0;
8 end
9 b(i,1) = 1;
10 I=elgauss(A,b);
11 for k = 1:n
12 AI(k,i) = I(k,1);
13 end
14 end
Dengan demikian, untuk mendapatkan matrik invers, cara termudahnya adalah
1 clear all
2 clc
3
5 A = [1 2 -1
6 2 1 0
7 -1 1 2];
8
10 AI = Ainv(A);
Keberadaan matrik A−1 bisa digunakan untuk menyelesaikan sistem persamaan linear (men-
cari nilai x ), dengan cara sebagai berikut
Ax = b
A−1 Ax = A−1 b
Ix = A−1 b
x = A−1 b (9.6)
Contoh berikut ini akan menjelaskan prosesnya secara lebih rinci. Misalnya diketahui sistem
persamaan linear
x1 + 2x2 − x3 = 2
2x1 + x2 = 3
−x1 + x2 + 2x3 = 4
Bila dikonversikan kedalam operasi matrik menjadi

    
1 2 −1 x1 2
2 1 0   x2  =  3 
    

−1 1 2 x3 4
Berdasarkan persamaan (9.6), maka elemen-elemen vektor x dapat dicari dengan cara
x = A−1 b
− 92 5
− 91 7
    
9 2 9
4
x= − 19 2
 3  =  13
    
9 9 9 
− 31 1
3
1
3 4 5
3
Akhirnya diperoleh solusi x1 = 7/9, x2 = 13/9, dan x3 = 5/3. Penyelesaian sistem persamaan
linear menjadi lebih mudah bila matrik A−1 sudah diketahui. Sayangnya, untuk mendapatk-
an matrik A−1 , diperlukan langkah-langkah, seperti yang sudah dibahas pada contoh pertama
di atas, yang berakibat in-efisiensi proses penyelesaian (secara komputasi) bila dibandingkan
dengan metode eliminasi gauss untuk memecahkan sistem persamaan linear. Namun bagai-
manapun, secara konseptual kita dianjurkan mengetahui cara bagaimana mendapatkan matrik
A−1 .
9.7. PENUTUP 203
9.7 Penutup
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu. Ka-
lau ada yang mau didiskusikan, silakan hubungi saya melalui email yang tercantum di halaman
paling depan.
Bab 10
Aplikasi Eliminasi Gauss pada Masalah

Inversi
✍ Objektif :
⊲ Mengenalkan model garis.
⊲ Mengenalkan model parabola.
⊲ Mengenalkan model bidang.
Pada bab ini, saya mencoba menuliskan aplikasi Metode Eliminasi Gauss sebagai dasar-dasar
teknik inversi yaitu meliputi model garis, model parabola dan model bidang. Uraian aplikasi
tersebut diawali dari ketersediaan data observasi, lalu sejumlah parameter model mesti dicari
dengan teknik inversi. Mari kita mulai dari model garis.
10.1 Inversi Model Garis
Pengukuran suhu terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin
dalam, suhu semakin tinggi. Misalnya telah dilakukan sebanyak empat kali (N = 4) pengukur-
an suhu (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel pengukuran secara sederhana
disajikan seperti ini:
Tabel 10.1: Data suhu bawah permukaan tanah terhadap kedalaman

Pengukuran ke-i Kedalaman (m) suhu (O C)
1 z1 = 5 T1 = 35
2 z2 = 16 T2 = 57
3 z3 = 25 T3 = 75
4 z4 = 100 T4 = 225
Grafik sebaran data observasi ditampilkan pada Gambar (10.2). Lalu kita berasumsi bahwa
variasi suhu terhadap kedalaman ditentukan oleh rumus berikut ini:
m1 + m2 zi = Ti (10.1)
205
206 BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
Variasi temperatur terhadap kedalaman

250
200
Temperatur (Celcius)
150
100
50
0
0 10 20 30 40 50 60 70 80 90 100
Kedalaman (meter)
Gambar 10.1: Sebaran data observasi antara suhu dan kedalaman
dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut model
matematika. Sedangkan m1 dan m2 disebut parameter model. Pada model matematika di atas
terdapat dua buah parameter model, (M = 2). Sementara jumlah data observasi ada empat,
(N = 4), yaitu nilai-nilai kedalaman, zi , dan suhu, Ti . Berdasarkan model tersebut, kita bisa
menyatakan suhu dan kedalaman masing-masing sebagai berikut:
m1 + m2 z1 = T1
m1 + m2 z2 = T2
m1 + m2 z3 = T3
m1 + m2 z4 = T4
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
   
1 z1 T1
 " #  
 1 z2  m1  T2 

 1 z

 m =
 T

 (10.2)
 3  2  3 
1 z4 T4
Lalu ditulis secara singkat

Gm = d (10.3)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
10.1. INVERSI MODEL GARIS 207
patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
GT Gm = GT d (10.4)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu Gt
 
1 z1 " #
 
 1 z2 1 1 1 1
Gt =

G=
 1 z
 ⇒
 3

 z1 z2 z3 z4
1 z4
2. Tentukan GT G
 
" # 1 z1
 " P #
1 1 1 1  1 z2 N zi
Gt G =

 = P P 2
z1 z2 z3 z4 
 1 z3

 zi zi
1 z4
dimana N = 4 dan i = 1, 2, 3, 4.
3. Kemudian tentukan pula GT d

 
T1
" #  " P #
1 1 1 1  T2  T i
Gt d =  = P
z1 z2 z3 z4 
 T3 
 zi Ti
T4
4. Sekarang persamaan (10.4) dapat dinyatakan sebagai

" P #" # " P #
N zi m1 Ti
P P 2 = P (10.5)
zi zi m2 zi Ti
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
" P P #
N zi | Ti
P P 2 P
zi zi | zi Ti
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
" #
4 146 | 392
146 10906 | 25462
7. Lakukan proses triangularisasi dengan operasi (P2 − (36, 5)P1 ) → P2 . Saya sertakan pula
indeks masing-masing elemen pada matrik augment sebagaimana yang telah saya lakukan
pada catatan kuliah yang berjudul Metode Eliminasi Gauss. Hasilnya adalah
" # " #
4 146 | 392 a11 a12 | a13
=
0 5577 | 11154 a21 a22 | a23
8. Terakhir, tentukan konstanta m1 dan m2 yang merupakan elemen-elemen vektor kolom

m, dengan proses substitusi mundur. Pertama tentukan m2
a23 11154
m2 = = =2
a22 5577
lalu tentukan m1
a13 − a12 m2 392 − (146)(2)
m1 = = = 25
a11 4
10.1.1 Script matlab inversi model garis
Script inversi model garis ini dibangun dari beberapa script yang sudah kita pelajari sebelumnya,
yaitu script transpose matriks, perkalian matrik dan script eliminasi gauss. Silakan pelajari
maksud tiap-tiap baris pada script ini.
1 clc
2 clear all
3 close all
4
5 % ---- data observasi ----
6 N = 4; % jumlah data
7 z = [ 5 ; 16 ; 25 ; 100 ];
8 T = [ 35 ; 57 ; 75 ; 225 ];
9
10
11 % ---- menentukan matrik kernel, G ----
12 for i = 1:N
13 G(i,1) = 1;
14 G(i,2) = z(i,1);
15 end
16
17 % ---- menentukan vektor d ----
18 d=T;
19
20 % ---- proses inversi ----
21 A = G’*G;
22 b = G’*d;
23 m = elgauss(A,b);
24
25 %-------MENGGAMBAR GRAFIK----------------------
26 plot(z,T,’ro’);
27 xlabel(’Kedalaman (meter)’);ylabel(’Suhu (derajat Celcius)’);
28 title(’Data variasi suhu terhadap kedalaman’)
29 hold on;
30 for i=1:max(z)
10.2. INVERSI MODEL PARABOLA 209
31 zi(i)=i;
32 Ti(i)=m(1)+m(2)*zi(i);
33 end
34 plot(zi,Ti);
35 hold off;
Data variasi suhu terhadap kedalaman

250
200
Suhu (derajat Celcius)
150
100
50
0
0 10 20 30 40 50 60 70 80 90 100
Kedalaman (meter)
Gambar 10.2: Kurva hasil inversi data observasi antara suhu dan kedalaman
Demikianlah contoh aplikasi metode Eliminasi Gauss pada model garis. Anda bisa meng-
aplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki bentuk model
yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model persamaan garis atau
disingkat model garis: y = m1 + m2x. Selanjutnya mari kita pelajari inversi model parabola.
10.2 Inversi Model Parabola
Pengukuran suhu terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin
dalam, suhu semakin tinggi. Misalnya telah dilakukan sebanyak delapan kali (N = 8) pengu-
kuran suhu (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel 10.2 menyajikan data observasi
pada kasus ini.
Lalu kita berasumsi bahwa variasi suhu terhadap kedalaman ditentukan oleh rumus berikut
ini:
m1 + m2 zi + m3 zi2 = Ti (10.6)
dimana m1 , m2 dan m3 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut
model. Sedangkan m1 , m2 dan m3 disebut model parameter. Jadi pada model di atas terdapat
tiga buah model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai
Tabel 10.2: Data suhu bawah permukaan tanah terhadap kedalaman

Pengukuran ke-i Kedalaman (m) suhu (O C)
1 z1 = 5 T1 = 21, 75
2 z2 = 8 T2 = 22, 68
3 z3 = 14 T3 = 25, 62
4 z4 = 21 T4 = 30, 87
5 z5 = 30 T5 = 40, 5
6 z6 = 36 T6 = 48, 72
7 z7 = 45 T7 = 63, 75
8 z8 = 60 T8 = 96
suhu T1 , T2 ,..., dan T8 . Berdasarkan model tersebut, kita bisa menyatakan suhu dan kedalaman
masing-masing sebagai berikut:
m1 + m2 z1 + m3 z12 = T1
m1 + m2 z2 + m3 z22 = T2
m1 + m2 z3 + m3 z32 = T3
m1 + m2 z4 + m3 z42 = T4
m1 + m2 z5 + m3 z52 = T5
m1 + m2 z6 + m3 z62 = T6
m1 + m2 z7 + m3 z72 = T7
m1 + m2 z8 + m3 z82 = T8
   
1 z1 z12 T1
1 z2 z22 
   
  T2 
   
 1 z3 z32 
   T3 

 m1

1 z4 z42 
  
   T4 
  m2  = 
  (10.7)
 1 z5 z52   T5 

m
 
3
1 z6 z62 
   
  T6 
   

 1 z7 z72 

 T 
 7 
1 z8 z82 T8

Gm = d (10.8)
patkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d (10.9)

 
1 z1 z12
1 z2 z22 
 

 
 1 z3 z32   
1 1 1 1 1 1 1 1
 
2
 
1 z4 z4 
Gt =  z1

G= ⇒ z2 z3 z4 z5 z6 z7 z8 
  
 1 z5 z52 
z12 z22 z32 z42 z52 z62 z72 z82
 
2
 

 1 z6 z6 

 1 z7 z72 

1 z8 z82
2. Tentukan Gt G
 
1 z1 z12
1 z2 z22 
 

 
  1 z3 z32 
  P P 2 
1 1 1 1 1 1 1 1 N z z

i
1 z4 z42  P 2 P i3 
 
t 
G G =  z1 z2 z3 z4 z5 z6 z7 = P
z8   zi z z 

1 z5 z52  P 2 P i3 P i4
 
z12 z22 z32 z42 z52 z62 z72 z82  zi zi zi
 
1 z6 z62 


 

 1 z7 z72 

1 z8 z82
dimana N = 8 dan i = 1, 2, 3, ..., 8.
3. Kemudian tentukan pula Gt d

 
T1
 

 T2 

  T3 
  P 
1 1 1 1 1 1 1 1 Ti

 
t  T4 
G d =  z1 z2 z3 z4 z5 z6 z7 = P
z8   zi Ti 
 

 T5 

z12 z22 z32 z42 z52 z62 z72 z82 
P 2
zi Ti



 T6 


 T7 

T8
4. Sekarang persamaan (10.14) dapat dinyatakan sebagai (ini khan least square juga...!?)
 P P 2    P 
N zi zi m1 Ti
P 2 P 3 
zi   m2  = 
 P   P
zi zi zi Ti  (10.10)


P 2 P 3 P 4 P 2
zi zi zi m3 zi Ti
matrik augment-nya
 P P 2 P 
N zi zi | Ti
 P P 2 P 3 P
zi zi zi | zi Ti 


P 2 P 3 P 4 P 2
zi zi zi | zi Ti
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
 
8 219 8547 | 349, 89
 219 8547 393423 | 12894, 81 
 
8547 393423 19787859 | 594915, 33
7. Lakukan proses triangularisasi dengan operasi (P2 − (219/8)P1 ) → P2 . Hasilnya adalah

 
8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57 
 

8547 393423 19787859 | 594915, 33
8. Masih dalam proses triangularisai, operasi berikutnya (P3 − (8547/8)P1 ) → P3 . Hasilnya

adalah
 
8 219 8547 | 349, 89
 0 2551, 88 159448, 88 | 3316, 57 
 
0 159448.88 10656457, 88 | 221101, 6
9. Masih dalam proses triangularisai, operasi berikutnya (P3 −(159448, 88/2551, 88)P2 ) → P3 .
Hasilnya adalah
 
8 219 8547 | 349, 89
 0 2551, 88 159448, 88 | 3316, 57  (10.11)
 
0 0 693609, 48 | 13872, 19
Seperti catatan yang lalu, saya ingin menyertakan pula notasi masing-masing elemen pada
matrik augment sebelum melakukan proses substitusi mundur.
   
8 219 8547 | 349, 89 a11 a12 a13 | a14
 0 2551, 88 159448, 88 | 3316, 57  ⇔  a21 a22 a23 | a24 
   
0 0 693609, 48 | 13872, 19 a31 a32 a33 | a34
10. Terakhir, tentukan konstanta m1 , m2 dan m3 yang merupakan elemen-elemen vektor ko-
lom m, dengan proses substitusi mundur. Pertama tentukan m3
a34 13872, 19
m3 = = = 0, 02
a33 693609, 48
lalu m2
a24 − a23 m3 3316, 57 − (159448, 88)(0, 02)
m2 = = = 0, 05
a22 2551, 88
dan m1
a14 − (a12 m2 + a13 m3 ) 349, 89 − [(219)(0, 05) + (8547)(0, 02)

m1 = = = 21
a11 8
10.2.1 Script matlab inversi model parabola
Perbedaan utama script ini dengan script inversi model garis terletak pada inisialisasi elemen-
elemen matrik kernel. Elemen-elemen matrik kernel sangat ditentukan oleh model matematika
yang digunakan. Seperti pada script ini, matrik kernelnya diperoleh dari model parabola.
1 clc
2 clear all
3 close all
4
6 N = 8; % Jumlah data
7 z = [5; 8; 14; 21; 30; 36; 45; 60];
8 T = [21.75; 22.68; 25.62; 30.87; 40.5; 48.72; 63.75; 96];
9
11 for i = 1:N
12 G(i,1) = 1;
13 G(i,2) = z(i,1);
14 G(i,3) = z(i,1)^2;
15 end
16
18 d=T;
19
21 A = G’*G;
22 b = G’*d;
24
26 plot(z,T,’ro’);
27 xlabel(’Kedalaman (meter)’);ylabel(’Suhu (derajat Celcius)’);
28 title(’Data variasi suhu terhadap kedalaman’);
29 hold on;
30 for i=1:max(z)
31 zi(i)=i;
32 Ti(i)=m(1)+m(2)*zi(i)+m(3)*zi(i)^2;
33 end
34 plot(zi,Ti);
35 hold off;
Data variasi suhu terhadap kedalaman

100
90
80
Suhu (derajat Celcius)
70
60
50
40
30
20
0 10 20 30 40 50 60
Kedalaman (meter)
Gambar 10.3: Kurva hasil inversi data observasi antara suhu dan kedalaman
Demikianlah contoh aplikasi metode Eliminasi Gauss pada model parabola. Anda bisa meng-
aplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki bentuk model
yang sama dengan yang telah dikerjakan pada catatan ini, yaitu memiliki tiga buah model pa-
rameter yang tidak diketahui dalam bentuk persamaan parabola: y = m1 + m2 x + m3 x2 . Pada
catatan berikutnya, saya akan membahas model yang mengandung tiga model parameter dalam
2 dimensi.
10.3 Inversi Model Bidang
Dalam catatan ini saya belum sempat mencari contoh pengukuran yang sesuai untuk model
2-dimensi. Maka, saya ingin langsung saja mengajukan sebuah model untuk 2-dimensi berikut
ini:
m1 + m2 xi + m3 yi = di (10.12)
dimana m1 , m2 dan m3 merupakan model parameter yang akan dicari. Adapun yang berlaku
sebagai data adalah d1 , d2 , d3 , ..., di . Berdasarkan model tersebut, kita bisa menyatakan suhu
10.3. INVERSI MODEL BIDANG 215
dan kedalaman masing-masing sebagai berikut:
m1 + m2 x1 + m3 y1 = d1
m1 + m2 x2 + m3 y2 = d2
m1 + m2 x3 + m3 y3 = d3
.. .. .. .. ..
. . . . .
m1 + m2 xN + m3 yN = dN
   
1 x1 y1 d1
    

 1 x2 y2  m 1
 d2 
 

 1 x3 y3   m2  =  d3 
   
 .. .. ..   . 
 .. 
. .  m3
. 

  
1 xN yN dN

Gm = d (10.13)
patkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d (10.14)

 
1 x1 y1
 
1 x2 y2 
 

  1 1 1 ··· 1
G= 1 x3 y3  ⇒ Gt =  x1 x2 x3 · · · xN 
  

 .. .. .. 

 . . . 
 y1 y2 y3 · · · yN
1 xN yN
2. Tentukan Gt G
 
1 x1 y1
  
1 x2 y2 
 P P 
1 1 1 ··· 1 
  N xi yi
Gt G =  x1 x2 x3 · · · xN 1 x3 y3 
P 2 P
=
 P
xi xi xi y i 
  

 .. .. .. 

yi2
P P P
y1 y2 y3 · · · yN 
 . . .  yi xi y i
1 xN yN
dimana N = jumlah data. dan i = 1, 2, 3, ..., N .
3. Kemudian tentukan pula Gt d

 
d1
   P
d2 
 
1 1 1 ··· 1 
  di
Gt d =  x1 x2 x3 · · · xN d3 =
 P
xi di 
  

 ..  P
y1 y2 y3 · · · yN 
 . 
 yi di
dN
4. Sekarang, persamaan (10.14) dapat dinyatakan sebagai

 P P    P 
N xi yi m1 di
P 2 P
xi y i   m 2  = 
 P   P
xi xi xi di  (10.15)
 

P P P 2 P
yi xi y i yi m3 yi di
matrik augment-nya
 P P P 
N xi yi | di
 P P 2 P P
xi xi xi y i | xi di 


P P P 2 P
yi xi y i yi | yi di
6. Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model linear
dan model parabola)
Anda bisa mengaplikasikan data pengukuran yang anda miliki, dengan syarat kasus yang
anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan
ini, yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan
bidang (atau 2-dimensi): d = m1 + m2 x + m3 y.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email: supri@f isika.ui.ac.id.
10.4 Contoh aplikasi
10.4.1 Menghitung gravitasi di planet X
Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera menge-
luarkan kamera otomatis, lalu melakukan ekperimen kinematika yaitu dengan melempar batu
vertikal ke atas. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut
Plot data pengukuran waktu vs ketinggian diperlihatkan pada Gambar 10.4. Anda diminta un-
tuk membantu proses pengolahan data sehingga diperoleh nilai konstanta gravitasi di planet
tersebut dan kecepatan awal batu. Jelas, ini adalah persoalan inversi, yaitu mencari unkown
parameter (konstanta gravitasi dan kecepatan awal batu) dari data observasi (hasil foto gerak
sebuah batu).
Tabel 10.3: Data ketinggian terhadap waktu dari planet X

Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m)
0,00 5,00 2,75 7,62
0,25 5,75 3,00 7,25
0,50 6,40 3,25 6,77
0,75 6,94 3,50 6,20
1,00 7,38 3,75 5,52
1,25 7,72 4,00 4,73
1,50 7,96 4,25 3,85
1,75 8,10 4,50 2,86
2,00 8,13 4,75 1,77
2,25 8,07 5,00 0,58
2,50 7,90
Langkah awal untuk memecahkan persoalan ini adalah dengan mengajukan asumsi model
matematika, yang digali dari konsep-konsep fisika, yang kira-kira paling cocok dengan situasi
pengambilan data observasi. Salah satu konsep dari fisika yang bisa diajukan adalah konsep
tentang Gerak-Lurus-Berubah-Beraturan (GLBB), yang formulasinya seperti ini
1
ho + vo t − gt2 = h
2
Berdasarkan tabel data observasi, ketinggian pada saat t = 0 adalah 5 m. Itu artinya ho = 5 m.
Sehingga model matematika (formulasi GLBB) dapat dimodifikasi sedikit menjadi
1
vo t − gt2 = h − ho (10.16)
2
Selanjut, didefinisikan m1 dan m2 sebagai berikut
1
m 1 = vo m2 = − g (10.17)
2
sehingga persamaan model GLBB menjadi
m1 ti + m2 t2i = hi − 5 (10.18)
dimana i menunjukkan data ke-i.

Langkah berikutnya adalah menentukan nilai tiap-tiap elemen matrik kernel, yaitu dengan
memasukan data observasi kedalam model matematika (persamaan (10.18))
m1 t1 + m2 t21 = h1 − 5
m1 t2 + m2 t22 = h2 − 5
m1 t3 + m2 t23 = h3 − 5
.. .. .
. . = ..
m1 t20 + m2 t220 = h20 − 5
6
Tinggi (meter)
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Waktu (detik)
Gambar 10.4: Grafik data pengukuran gerak batu
 
t1 t21  
h1 − 5
t22
 
 t2 
 h2 − 5
   
t23


 t3 "
 # 
 h3 − 5

 m1 
t24

 t4 
 m =

 ..


.. ..  .

 2  
 . .   
 h19 − 5
   
t219 

 t19
h20 − 5
 
t20 t220
Operasi matrik di atas memenuhi persamaan matrik
Gm = d
Seperti yang sudah dipelajari pada bab ini, penyelesaian masalah inversi dimulai dari proses
manipulasi persamaan matrik sehingga perkalian antara Gt dan G menghasilkan matriks bujur-
sangkar
Gt Gm = Gt d (10.19)
Selanjutnya, untuk mendapatkan m1 dan m2 , prosedur inversi dilakukan satu-per-satu

1. Menentukan transpos matrik kernel, yaitu Gt

 
t1 t21
 t2 t22
 

 
 t 2
 3 t3
 " #

2 t1 t2 t3 t4 . . . t19 t20
Gt =
 
 t4 t4
G= ⇒

 .. ..

 t21 t22 t23 t24 . . . t219 t220
 . . 
 
 t 2
 19 t19


t20 t220
2. Menentukan Gt G
 
t1 t21
t22 
 

 t2 
" #
 t3 t23 
 " P 2 P 3 #
t t1 t2 t3 t4 . . . t19 t20  2  ti ti
GG=  t4 t4  = P t3 P t4
t21 t22 t23 t24 . . . t219 t220 
 .. ..  i i

 . . 


 t19 t219 

t20 t220
dimana N = 20 dan i = 1, 2, ..., N .
3. Kemudian menentukan hasil perkalian Gt d

 
h1
 

 h2 
" #
 h3  " P #
t1 t2 t3 t4 . . . t19 t20 t i hi
Gt d =
 
 h4  = P t2 h
t21 t22 t23 t24 . . . t219 t220 
 ..  i i

 . 


 h19 

h20
4. Sekarang persamaan (10.19) dapat dinyatakan sebagai

" P #" # " P #
t2i t3i
P
m1 ti hi
= (10.20)
t3i t4i t2i hi
P P P
m2
Berdasarkan data observasi, diperoleh

" #" # " #
179, 4 689, 1 m1 273, 7
=
689, 1 2822, 9 m2 796, 3
Hasil inversinya adalah nilai kecepatan awal yaitu saat batu dilempar ke atas adalah sebesar
m1 = vo = 3,2009 m/dt. Adapun percepatan gravitasi diperoleh dari m2 dimana m2 = − 12 g =
6
Ketinggian (m)
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Waktu (dt)
Gambar 10.5: Grafik hasil inversi parabola
-0,8169; maka disimpulkan nilai g adalah sebesar 1,6338 m/dt2 .

Gambar 10.5 memperlihatkan kurva hasil inversi berserta sebaran titik data observasi. Garis
berwarna biru merupakan garis kurva fitting hasil inversi parabola. Sedangkan bulatan berwar-
na merah adalah data pengukuran ketinggian (m) terhadap waktu (dt). Jelas terlihat bahwa
garis kurva berwarna biru benar-benar cocok melewati semua titik data pengukuran. Ini me-
nunjukkan tingkat akurasi yang sangat tinggi. Sehingga nilai kecepatan awal dan gravitasi hasil
inversi cukup valid untuk menjelaskan gerak batu di planet X.
Berikut adalah script inversi dalam Matlab untuk memecahkan masalah ini
1 clc
2 clear all
3 close all
4
6 N = 20; % jumlah data
7 for i=1:N
8 t(i)=i*0.25;
9 end
10 h = [5.75;6.40;6.94;7.38;7.72;7.96;8.10;8.13;8.07;
11 7.90;7.62;7.25;6.77;6.20;5.52;4.73;3.85;2.86;1.77;0.58];
12
14 for i=1:N
15 G(i,1)=t(i);
16 G(i,2)=t(i)^2;
17 end
18
20 for i=1:N
21 d(i,1)=h(i)-5;
22 end
23
25 A = G’*G;
26 b = G’*d;
28
30 plot(t,h,’ro’);
31 xlabel(’Waktu (detik)’);ylabel(’ketinggian (meter)’);
32 title(’Data variasi waktu terhadap ketinggian’)
33 hold on;
34 for i=1:N
35 hi(i)=m(1)*t(i)+m(2)*t(i)^2+5;
36 end
37 plot(t,hi);
38 hold off;
Bab 11
Metode LU Decomposition
✍ Objektif :
⊲ Mengenalkan teknik faktorisasi matrik.
⊲ Mengenalkan aplikasi LU Decomposition pada sistem persamaan linear.
⊲ Merumuskan algoritma LU Decomposition.
11.1 Faktorisasi matrik
Pada semua catatan yang terdahulu, telah diulas secara panjang lebar bahwa sistem persamaan
linear dapat dicari solusinya secara langsung dengan metode eliminasi gauss. Namun perlu
juga diketahui bahwa eliminasi gauss bukan satu-satunya metode dalam mencari solusi sistem
persamaan linear, misalnya ada metode matrik inversi seperti yang dijelaskan pada catatan yang
paling terakhir. Terlepas dari masalah in-efisiensi penyelesaiannya, yang jelas metode invers
matrik bisa digunakan untuk menyelesaikan sistem persamaan linear.
Nah, pada catatan kali ini, saya ingin mengetengahkan sebuah metode yang lain untuk
menyelesaikan sistem persamaan linear, yaitu metode faktorisasi matrik yang umum dikenal
sebagai LU-decomposition. Metode ini sekaligus menjadi pengantar menuju metode Singular
Value Decomposition, (SVD), suatu metode yang saat ini paling “handal” dalam menyelesaikan
sistem persamaan linear dan merupakan bagian dari metode least square.
Seperti biasa, kita berasumsi bahwa sistem persamaan linear dapat dinyatakan dalam ope-
rasi matrik
Ax = b (11.1)
Pada metode LU-decomposition, matrik A difaktorkan menjadi matrik L dan matrik U, dimana
dimensi atau ukuran matrik L dan U harus sama dengan dimensi matrik A. Atau dengan kata
lain, hasil perkalian matrik L dan matrik U adalah matrik A,
A = LU (11.2)
223
224 BAB 11. METODE LU DECOMPOSITION
sehingga persamaan (12.4) menjadi
LU x = b
Langkah penyelesaian sistem persamaan linear dengan metode LU-decomposition, diawali de-
ngan menghadirkan vektor y dimana,
Ux = y (11.3)
Langkah tersebut tidak bermaksud untuk menghitung vektor y, melainkan untuk menghitung
vektor x. Artinya, sebelum persamaan (11.3) dieksekusi, nilai-nilai yang menempati elemen-
elemen vektor y harus sudah diketahui. Lalu bagaimana cara memperoleh vektor y? Begini
caranya,
Ly = b (11.4)
Kesimpulannya, metode LU-decomposition dilakukan dengan tiga langkah sebagai berikut:
• Melakukan faktorisasi matrik A menjadi matrik L dan matrik U → A = LU .
• Menghitung vektor y dengan operasi matrik Ly = b. Ini adalah proses forward-substitution

atau substitusi-maju.
• Menghitung vektor x dengan operasi matrik U x = y. Ini adalah proses backward-substitution

atau substitusi-mundur.
Metode LU-decomposition bisa dibilang merupakan modifikasi dari eliminasi gauss, kare-
na beberapa langkah yang mesti dibuang pada eliminasi gauss, justru harus dipakai oleh LU-
decomposition. Untuk lebih jelasnya, perhatikan contoh berikut ini. Diketahui sistem persamaan
linear sebagai berikut
P1 : x1 + x2 + 3x4 = 4
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = -3
P4 : −x1 + 2x2 + 3x3 − x4 = 4
Sistem tersebut dapat dinyatakan dalam operasi matrik Ax = y,

    
1 1 0 3 x1 4
    
 2 1 −1
1   x2   1
=

   (11.5)

 3 −1 −1 2 
  x3   −3
   

−1 2 3 −1 x4 4
Pada metode eliminasi gauss, matrik A dikonversi menjadi matrik triangular melalui urutan
operasi-operasi berikut: (P2 − 2P1 ) → (P2 ), (P3 − 3P1 ) → (P3 ), (P4 − (−1)P1 ) → (P4 ), (P3 −
4P2 ) → (P3 ), (P4 − (−3)P2 ) → (P4 ). Disisi lain, vektor b ikut berubah nilainya menyesuaikan
11.1. FAKTORISASI MATRIK 225
proses triangularisasi,
    
1 1 0 3 x1 4
    
 0 −1 −1 −5   x2   −7 
  =  (11.6)
 0 0 3 13   x   13 
  3   
0 0 0 −13 x4 −13
Lain halnya dengan metode LU-decomposition dimana vektor b tidak mengalami perubahan.
Yang berubah hanya matrik A saja, yaitu menjadi matrik L dan matrik U, A = LU
    
1 1 0 3 1 0 0 0 1 1 0 3
    
 2 = 2
1 1 −1

  0 −1 −1 −5
1 0 0   
A= 

 3 −1 −1   3
2  
 0
4 1 0   0 3 13 

−1 2 3 −1 −1 −3 0 1 0 0 0 −13
Jadi matrik L dan U masing-masing adalah

   
1 0 0 0 1 1 0 3
   
 2
1 0 0   0 −1 −1 −5 
L=  U = 

 3 4 1 0 

 0
 0 3 13 

−1 −3 0 1 0 0 0 −13
Coba bandingkan matrik U di atas dengan matrik hasil triangularisasi dari metode eliminasi
gauss pada persamaan (11.6), sama persis bukan? Jadi, cara memperoleh matrik U adalah
dengan proses triangularisasi! Lantas, bagaimana cara memperoleh matrik L? Begini caranya:
(1) elemen-elemen diagonal matrik L diberi nilai 1 (Asal tahu saja, cara ini dikenal dengan
metode Doolittle). (2) elemen-elemen matrik L yang berada di atas elemen-elemen diagonal
diberi nilai 0. (3) sedangkan, elemen-elemen matrik L yang berada di bawah elemen-elemen
diagonal diisi dengan faktor pengali yang digunakan pada proses triangularisasi eliminasi gauss.
Misalnya pada operasi (P2 − 2P1 ) → (P2 ), maka faktor pengalinya adalah 2; pada operasi
(P3 − 3P1 ) → (P3 ), maka faktor pengalinya adalah 3, dan seterusnya.
Inilah letak perbedaannya, seluruh faktor pengali tersebut sangat dibutuhkan pada metode
LU-decomposition untuk membentuk matrik L. Padahal dalam metode eliminasi gauss, seluruh
faktor pengali tersebut tidak dimanfaatkan alias dibuang begitu saja. Disisi lain, vektor b tidak
mengalami proses apapun sehingga nilainya tetap. Jadi, proses konversi matrik pada metode
LU-decomposition hanya melibatkan matrik A saja!
Setelah langkah faktorisasi matrik A dilalui, maka operasi matrik pada persamaan (11.5)
menjadi,
     
1 0 0 0 1 1 0 3 x1 4
     
 2   0 −1 −1 −5
1 0 0     x2   1 
  x  =  −3 (11.7)
    

 3 4 1 0 
 0
 0 3 13  3  


−1 −3 0 1 0 0 0 −13 x4 4
Langkah berikutnya adalah menentukan vektor y, dimana Ly = b,

    
1 0 0 0 y1 4
    

 2 1 0 0 

 y2 
= 1
 


 3 4 1 0 

 y3  

 −3


−1 −3 0 1 y4 4
Dengan proses substitusi-maju, elemen-elemen vektor y dapat ditentukan,
y1 = 4,
2y1 + y2 = 1,
3y1 + 4y2 + y3 = −3,
−y1 − 3y2 + y4 = 4
maka diperoleh y1 = 4, y2 = −7, y3 = 13, y4 = −13.
Langkah terakhir adalah proses substitusi-mundur untuk menghitung vektor x, dimana U x = y,

    
1 1 0 3 x1 4
    
 0 −1 −1 −5   x2   −7 
  = 
 0 0 3 13   x   13 
  3   
0 0 0 −13 x4 −13
Melalui proses ini, yang pertama kali didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 ,
dan akhirnya x1 .
x4 = 1
1
x3 = (13 − 13x4 ) = 0
3
x2 = −(−7 + 5x4 + x3 ) = 2
x1 = 4 − 3x4 − x2 = −1
akhirnya diperoleh solusi x1 = −1, x2 = 2, x3 = 0, dan y4 = 1. Demikianlah contoh penyelesai-

an sistem persamaan linear dengan metode LU-decomposition.
Sekali matrik A difaktorkan, maka vektor b bisa diganti nilainya sesuai dengan sistem per-
samaan linear yang lain, misalnya seluruh nilai di ruas kanan diganti menjadi
P1 : x1 + x2 + 3x4 = 8
P2 : 2x1 + x2 − x3 + x4 = 7
P3 : 3x1 − x2 − x3 + 2x4 = 14
P4 : −x1 + 2x2 + 3x3 − x4 = -7
11.2. ALGORITMA 227
Dalam operasi matrik menjadi

    
1 1 03 x1 8
    
 2 1 −1   x2  =  7
1     
  (11.8)

 3 −1 −1 2   x3 
 
  14
 

−1 2 3 −1 x4 −7
Perhatikan baik-baik! Matrik A sama persis dengan contoh sebelumnya. Perbedaannya hanya
pada vektor b. Selanjutnya, dengan metode LU-decomposition, persamaan (11.8) menjadi
     
1 0 0 0 1 1 0 3 x1 8
     
 2 1 0 0 
  0 −1 −1 −5
   x2   7 
  x  =  14 (11.9)
    

 3  0
4 1 0   0 3 13  3  


−1 −3 0 1 0 0 0 −13 x4 −7
Silakan anda lanjutkan proses perhitungannya dengan mencari vektor y sesuai contoh yang
telah diberikan sebelumnya. Pada akhirnya akan diperoleh solusi sebagai berikut: x1 = 3,
x2 = −1, x3 = 0, dan y4 = 2.
11.2 Algoritma
Sekarang saatnya saya tunjukkan algoritma metode LU decomposition. Algoritma ini dibuat
untuk menyelesaikan sistem persamaan linear, dengan cara menfaktorkan matrik A = (aij ) ber-
ukuran n x n menjadi matrik L = (lij ) dan matrik U = (uij ) dengan ukuran yang sama. Algori-
tma LU-decomposition yang anda lihat sekarang merupakan modifikasi dari algoritma eliminasi
gauss. Silakan anda periksa langkah-langkah mana saja yang telah mengalami modifikasi! Tapi
asal tahu saja bahwa ini bukan satu-satunya algoritma untuk mendapatkan matrik LU. Sejauh
yang saya tahu, ada algoritma lain untuk tujuan yang sama, dimana algoritma tersebut mem-
butuhkan matrik permutasi untuk menggeser elemen pivot yang bernilai nol agar terhindar dari
singular. Nah, sedangkan algoritma yang akan anda baca saat ini, sama sekali tidak “berurus-
an” dengan matrik permutasi. Algoritma ini cuma memanfaatkan “trik” tukar posisi yang sudah
pernah dibahas di awal-awal catatan khususnya ketika membahas konsep eliminasi gauss.
Satu lagi yang harus saya sampaikan juga adalah bahwa dalam algoritma ini, elemen-elemen
matrik L dan matrik U digabung jadi satu dan menggantikan seluruh elemen-elemen matrik A.
Perhatian! cara ini jangan diartikan sebagai perkalian matrik L dan matrik U menjadi matrik A
kembali. Cara ini dimaksudkan untuk menghemat memori komputer. Suatu aspek yang tidak
boleh diabaikan oleh para programer. Marilah kita simak algoritmanya bersama-sama!
INPUT: dimensi n; nilai elemen aij , 1 ≤ i, j ≤ n; nilai elemen bi .
OUTPUT: solusi x1 , x2 , x3 , ..., xn atau pesan kesalahan yang mengatakan bahwa faktorisasi tidak
mungkin dilakukan.
• Langkah 1: Inputkan konstanta-konstanta dari sistem persamaan linear kedalam elemen-

elemen matrik A dan vektor b, seperti berikut ini:

   
a11 a12 . . . a1n b1
a21 a22 . . . a2n b2
   
   
A= .. .. ..  b= ..  (11.10)
. . . .
   
   
an1 an2 . . . ann bn
• Langkah 2: Untuk i = 1, ..., n − 1, lakukan Langkah 3 sampai Langkah 5.
• Langkah 3: Definisikan p sebagai integer dimana i ≤ p ≤ n. Lalu pastikan bahwa

api 6= 0. Langkah dilakukan bila ditemukan elemen diagonal yang bernilai nol (aii =
0). Ketika ada elemen diagonal yang bernilai nol, maka program harus mencari dan
memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang sama dengan
kolom tempat elemen diagonal tersebut berada. Jadi saat proses ini berlangsung,
integer i (indeks dari kolom) dibuat konstan, sementara integer p (indeks dari baris)
bergerak dari p = i sampai p = n. Bila ternyata setelah mencapai elemen paling
bawah dalam kolom tersebut, yaitu saat p = n tetap didapat nilai api = 0, maka
sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki solusi yang unik.
Lalu program berakhir: STOP.
• Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh

elemen yang tidak sama dengan nol (api 6= 0), maka bisa dipastikan p 6= i. Jika p 6= i
maka lakukan proses pertukaran (Pp ) ↔ (Pi ).
• Langkah 5: Untuk j = i + 1, .., n, lakukan Langkah 6 dan Langkah 7.
• Langkah 6: Tentukan mji ,

aji
mji =
aii
• Langkah 7: Lakukan proses triangularisasi,
(Pj − mji Pi ) → (Pj )
• Langkah 8: Nilai mji disimpan ke aji ,
aji = mji
• Langkah 9: Nilai b1 dicopy ke y1 , lalu lakukan substitusi-maju.
y 1 = b1
Untuk i = 2, ..., n tentukan xi ,

i−1
X
y i = bi − aij yj
j=1
11.2. ALGORITMA 229
• Langkah 10: Lakukan proses substitusi-mundur, dimulai dengan menentukan xn ,
an,n+1
xn =
ann
Untuk i = n − 1, ..., 1 tentukan xi ,

Pn
ai,n+1 − j=i+1 aij xj
xi =
aii
• Langkah 11: Diperoleh solusi yaitu x1 , x2 , ..., xn . Algoritma telah dijalankan dengan suk-
ses. STOP.
Algoritma di atas telah diimplementasi kedalam program yang ditulis dengan bahasa For-
tran. Program tersebut sudah berhasil dikompilasi dengan visual fortran (windows) dan g77
(debian-linux). Inilah programnya:
1 DIMENSION A(10,11), B(10), Y(10), X(10)

2 REAL MJI
3 WRITE(*,*)
4 WRITE(*,*) ’==> FAKTORISASI MATRIK: LU DECOMPOSITION <==’
5 WRITE (*,*)
6 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
7 WRITE (*,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
8 READ (*,*) N
9 WRITE (*,*)
10 WRITE (*,*) ’MASUKAN ELEMEN-ELEMEN MATRIK A’
11 DO 50 I = 1,N
12 DO 60 J = 1,N
13 WRITE (*,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
14 READ (*,*) A(I,J)
15 60 CONTINUE
16 WRITE (*,’(1X,A,I2,A)’) ’B(’,I,’) ? ’
17 READ (*,*) B(I)
18 WRITE (*,*)
19 50 CONTINUE
20 WRITE (*,*)
21 C MENAMPILKAN MATRIK A
22 WRITE (*,’(1X,A)’) ’MATRIK A:’
23 DO 110 I = 1,N
24 WRITE (*,6) (A(I,J),J=1,N)
25 110 CONTINUE
26 WRITE (*,*)
27 C LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT
28 NN = N-1
29 DO 10 I=1,NN
30 C LANGKAH 3: MENDEFINISIKAN P
31 P = I
32 100 IF (ABS(A(P,I)).GE.1.0E-20 .OR. P.GT.N) GOTO 200
33 P = P+1
34 GOTO 100
35 200 IF(P.EQ.N+1)THEN
36 C MENAMPILKAN PESAN TIDAK DAPAT DIFAKTORKAN
37 WRITE(*,8)
38 GOTO 400
39 END IF
40 C LANGKAH 4: PROSES TUKAR POSISI
41 IF(P.NE.I) THEN
42 DO 20 JJ=1,N
43 C = A(I,JJ)
44 A(I,JJ) = A(P,JJ)
45 A(P,JJ) = C
46 20 CONTINUE
47 END IF
48 C LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI
49 JJ = I+1
50 DO 30 J=JJ,N
51 C LANGKAH 6: TENTUKAN MJI
52 MJI = A(J,I)/A(I,I)
53 C LANGKAH 7: PROSES TRIANGULARISASI
54 DO 40 K=JJ,N
55 A(J,K) = A(J,K)-MJI*A(I,K)
56 40 CONTINUE
57 C LANGKAH 8: MENYIMPAN MJI KE A(J,I)
58 A(J,I) = MJI
59 30 CONTINUE
60 10 CONTINUE
61 C MENAMPILKAN MATRIK LU
62 WRITE (*,’(1X,A)’) ’MATRIK LU:’
63 DO 120 I = 1,N
64 WRITE (*,6) (A(I,J),J=1,N)
65 120 CONTINUE
66 WRITE (*,*)
67 C LANGKAH 9: SUBSTITUSI-MAJU
68 Y(1) = B(1)
69 DO 15 I=2,N
70 SUM = 0.0
71 DO 16 J=1,I-1
72 SUM = SUM+A(I,J)*Y(J)
73 16 CONTINUE
74 Y(I) = B(I)-SUM
75 15 CONTINUE
76 C MENAMPILKAN VEKTOR Y
77 WRITE (*,’(1X,A)’) ’VEKTOR Y:’
78 DO 138 I = 1,N
79 WRITE (*,6) Y(I)
80 138 CONTINUE
81 WRITE (*,*)
82 C LANGKAH 10: SUBSTITUSI-MUNDUR
83 X(N) = Y(N)/A(N,N)
84 DO 24 K=1,N-1
85 I = N-K
86 JJ = I+1
87 SUM = 0.0
88 DO 26 KK=JJ,N
89 SUM = SUM+A(I,KK)*X(KK)
90 26 CONTINUE
91 X(I) = (Y(I)-SUM)/A(I,I)
92 24 CONTINUE
93 C LANGKAH 11: MENAMPILKAN SOLUSI DAN SELESAI
94 WRITE (*,’(1X,A)’) ’SOLUSI:’
95 DO 18 I = 1,N
96 WRITE (*,’(1X,A,I2,A,F14.8)’) ’X(’,I,’) = ’,X(I)
97 18 CONTINUE
11.2. ALGORITMA 231
98 WRITE(*,*)
99 WRITE(*,*) ’SELESAI --> SUKSES’
100 WRITE(*,*)
101 400 CONTINUE
102 6 FORMAT(1X,5(F14.8))
103 8 FORMAT(1X,’TIDAK DAPAT DIFAKTORKAN’)
104 END
Demikianlah, sekarang kita punya tiga buah algoritma untuk memecahkan problem sistem
persamaan linear, yaitu eliminasi gauss, invers matrik, dan lu-decomposition. Diantara ketiga-
nya, eliminasi gauss adalah algoritma yang paling simpel dan efisien. Dia hanya butuh proses
triangularisasi dan substitusi-mundur untuk mendapatkan solusi. Sedangkan dua algoritma
yang lainnya membutuhkan proses-proses tambahan untuk mendapatkan solusi yang sama.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email.
Bab 12
Interpolasi
✍ Objektif :
⊲ Mengenalkan Interpolasi Lagrange
⊲ Mengenalkan Interpolasi Spline-cubic
12.1 Interpolasi Lagrange
Interpolasi Lagrange diterapkan untuk mendapatkan fungsi polinomial P (x) berderajat tertentu
yang melewati sejumlah titik data. Misalnya, kita ingin mendapatkan fungsi polinomial berde-
rajat satu yang melewati dua buah titik yaitu (x0 , y0 ) dan (x1 , y1 ). Langkah pertama yang kita
lakukan adalah mendefinisikan fungsi berikut
x − x1
L0 (x) =
x0 − x1
dan
x − x0
L1 (x) =
x1 − x0
kemudian kita definisikan fungsi polinomial sebagai berikut
P (x) = L0 (x)y0 + L1 (x)y1
Jika semua persamaan diatas kita gabungkan, maka akan didapat
P (x) = L0 (x)y0 + L1 (x)y1

x − x1 x − x0
P (x) = y0 + y1
x0 − x1 x1 − x0
dan ketika x = x0
x0 − x1 x0 − x0
P (x0 ) = y0 + y1 = y0
x0 − x1 x1 − x0
233
234 BAB 12. INTERPOLASI
dan pada saat x = x1

x1 − x1 x1 − x0
P (x1 ) = y0 + y1 = y1
x0 − x1 x1 − x0
dari contoh ini, kira-kira apa kesimpulan sementara anda? Ya.. kita bisa sepakat bahwa fungsi
polinomial
x − x1 x − x0
P (x) = y0 + y1 (12.1)
x0 − x1 x1 − x0
benar-benar melewati titik (x0 , y0 ) dan (x1 , y1 ).
Sekarang mari kita perhatikan lagi contoh lainnya. Misalnya ada tiga titik yaitu (x0 , y0 ), (x1 , y1 )
dan (x2 , y2 ). Tentukanlah fungsi polinomial yang melewati ketiganya! Dengan pola yang sama
kita bisa awali langkah pertama yaitu mendefinisikan
(u − x1 )(u − x2 )
L0 (u) =
(x0 − x1 )(x0 − x2 )
lalu
(u − x0 )(u − x2 )
L1 (u) =
(x1 − x0 )(x1 − x2 )
dan
(u − x0 )(u − x1 )
L2 (u) =
(x2 − x0 )(x2 − x1 )
kemudian kita definisikan fungsi polinomial sebagai berikut
P (u) = L0 (u)y0 + L1 (u)y1 + L2 (u)y2
Jika semua persamaan diatas kita gabungkan, maka akan didapat fungsi polinomial
(u − x1 )(u − x2 ) (u − x0 )(u − x2 ) (u − x0 )(u − x1 )

P (u) = y0 + y1 + y2
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
Kita uji sebentar. Ketika x = x0
(x0 − x1 )(x0 − x2 ) (x0 − x0 )(x0 − x2 ) (x0 − x0 )(x0 − x1 )

P (x0 ) = y0 + y1 + y2 = y0
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
pada saat x = x1
(x1 − x1 )(x1 − x2 ) (x1 − x0 )(x1 − x2 ) (x1 − x0 )(x1 − x1 )

P (x1 ) = y0 + y1 + y2 = y1
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
pada saat x = x2
(x2 − x1 )(x2 − x2 ) (x2 − x0 )(x2 − x2 ) (x2 − x0 )(x2 − x1 )

P (x2 ) = y0 + y1 + y2 = y2
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
12.1. INTERPOLASI LAGRANGE 235
Terbukti bahwa fungsi polonomial
(x − x1 )(x − x2 ) (x − x0 )(x − x2 ) (x − x0 )(x − x1 )

P (x) = y0 + y1 + y2 (12.2)
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
melewati ketiga titik tadi.
Kalau kita bandingkan antara persamaan (12.1) dan persamaan (12.2), terlihat bahwa derajat
persamaan (12.2) lebih tinggi dibandingkan dengan derajat persamaan (12.1). Hal ini terlihat
dari x2 pada persamaan (12.2) sementara pada persamaan (12.1) hanya ada x. persamaan
(12.2) disebut fungsi polinomial berderajat 2, sedangkan persamaan (12.1) disebut fungsi poli-
nomial berderajat 1.
Script matlab untuk polinomial Lagrange berderajat 2 yang sesuai persamaan (12.2) adalah
sebagai berikut:
1 clc; clear all; close all

2
3 x = [2 7.2 -6];
4 y = [4 6.3 5];
5
7 axis([-8 8 0 8]);
8
9 u = 5;
10 % =========== Menghitung koefisien Lagrange ============
11 L1 = (u-x(2))*(u-x(3)) / ((x(1)-x(2))*(x(1)-x(3)));
12 L2 = (u-x(1))*(u-x(3)) / ((x(2)-x(1))*(x(2)-x(3)));
13 L3 = (u-x(1))*(u-x(2)) / ((x(3)-x(1))*(x(3)-x(2)));
14 % =========== Menghitung interpolasi Lagrange ==========
15 P = L1*y(1) + L2*y(2) + L3*y(3);
16
17 hold on
18 plot(u,P,’*’); grid on;
19 xlabel(’\fontsize{12} x’);
20 ylabel(’\fontsize{12} P(x)’);
Script matlab untuk polinomial Lagrange yang bisa menyesuaikan jumlah pasangan titik
adalah sebagai berikut:
1 clc; clear all; close all;

2
3 x = [2 7.2 -6 4 -1];
4 y = [4 6.3 5 3 0];
5 u = -5:0.001:7;
6
7 plot(x,y,’sr’)
8 axis([-7 8 -6 7]);
9
10 n = length(x);
11 w = length(u);
12 for h = 1:w
13 for q = 1:n
14 M = 1;
2
P(x)
−2
−4
−6
−6 −4 −2 0 2 4 6 8
x
Gambar 12.1: Kurva hasil interpolasi Lagrange
15 for k = 1:n
16 if k ~= q
17 M = M * (u(h)-x(k));
18 end
19 end
20 N = 1;
21 for k = 1:n
22 if k ~= q
23 N = N * (x(q)-x(k));
24 end
25 end
26 L(q) = M/N;
27 end
28 P = 0;
29 for k = 1:n
30 P = P + L(k)*y(k);
31 end
32 B(h) = P;
33 end
34 hold on
35 plot(u,B); grid on;
36 xlabel(’\fontsize{12} x’);
37 ylabel(’\fontsize{12} P(x)’);
12.2. INTERPOLASI CUBIC SPLINE 237
12.2 Interpolasi Cubic Spline
Sekarang mari kita bahas konsep dari interpolasi cubic spline. Ngomong-ngomong, kapan anda
biasa mendengar kata cubic (baca: kubik)? Kata kubik sering dihubungkan dengan satuan vo-
lume, misalnya meter-kubik (m3 ) atau centimeter-kubik (cm3 ). Kubik itu sendiri artinya adalah
pangkat 3. Bandingkan dengan kata persegi yang berhubungan dengan satuan luas, misalnya
meter-persegi (m2 ) atau kilometer-persegi (km2 ). Dalam konteks pembahasan interpolasi cu-
bic spline, kita akan menggunakan pendekatan polinomial pangkat 3 atau berderajat 3 untuk
menghubungkan sejumlah titik dalam suatu koordinat.
Apa bedanya dengan Lagrange? Disini kita akan menciptakan segmen-segmen kurva poli-
nomial berderajat 3 diantara titik-titik yang sudah diketahui. Itulah penjelasan dari kata spline
yang merupakan singkatan dari separation line. Ok, mari kita masuki pembahasan ini lebih
dalam lagi..
Gambar (12.2) memperlihatkan sebaran dari sejumlah titik yang masing-masing memiliki
pasangan koordinat (x, y). Pertanyaannya adalah bagaimanakah cara cubic spline menciptak-
an suatu kurva yang bisa menghubungkan semua titik tersebut? Atau pertanyaan yang lebih
tepat adalah bagaimanakah cara cubic spline menciptakan fungsi polinomial yang bisa meng-
hubungkan semua titik tersebut? Agar nantinya fungsi polinomial itu dapat digunakan untuk
memperkirakan titik-titik yang belum terlihat pada Gambar (12.2) sehingga kita akan dapatkan
kurvanya seperti Gambar (12.3)
Gambar 12.2: Sejumlah titik terdistribusi pada koordinat kartesian. Masing-masing titik memi-
liki pasangan koordinat (x, y)
Untuk bisa menghasilkan kurva seperti yang tampak pada Gambar (12.3), interpolasi cubic
spline menciptakan sejumlah fungsi polinomial S(x) yang merupakan potongan fungsi polino-
mial kecil-kecil (Gambar 12.4) berderajat tiga (cubic ) yang saling sambung-menyambung untuk
menghubungkan dua titik yang bersebelahan
Agar tujuan interpolasi cubic spline dapat tercapai, diperlukan sejumlah ketentuan-ketentuan
sebagai berikut:
1. Sj (x) adalah potongan fungsi yang berada pada sub-interval dari xj hingga xj+1 untuk
Gambar 12.3: Kurva interpolasi cubic spline yang menghubungkan semua titik
Gambar 12.4: Sejumlah polinomial cubic yaitu S0 , S1 , S2 ... dan seterusnya yang saling sambung-
menyambung sehingga mampu menghubungkan seluruh titik
nilai j = 0, 1, ..., n − 1;
2. S(xj ) = f (xj ), artinya pada setiap titik data (xj ), nilai f (xj ) bersesuaian dengan S(xj )
dimana j = 0, 1, ..., n;
3. Sj+1 (xj+1 ) = Sj (xj+1 ). Perhatikan titik xj+1 pada Gambar (12.4). Ya.. tentu saja jika
fungsi itu kontinyu, maka titik xj+1 menjadi titik sambungan antara Sj dan Sj+1 .
′
4. Sj+1 (xj+1 ) = Sj′ (xj+1 ), artinya kontinyuitas menuntut turunan pertama dari Sj dan Sj+1
pada titik xj+1 harus bersesuaian.
′′ (x
5. Sj+1 ′′
j+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan kedua dari Sj dan Sj+1
pada titik xj+1 harus bersesuaian juga.
6. Salah satu syarat batas diantara 2 syarat batas x0 dan xn berikut ini mesti terpenuhi:
• S ′′ (x0 ) = S ′′ (xn ) = 0 ini disebut natural boundary

• S ′ (x0 ) = f ′ (x0 ) dan S ′ (xn ) = f ′ (xn ) ini disebut clamped boundary
Suatu potongan fungsi polinomial cubic spline Sj (x) dinyatakan oleh
Sj (x) = aj + bj (x − xj ) + cj (x − xj )2 + dj (x − xj )3 (12.3)
dimana j = 0, 1, ..., n − 1. Maka ketika x = xj
Sj (xj ) = aj + bj (xj − xj ) + cj (xj − xj )2 + dj (xj − xj )3

Sj (xj ) = aj = f (xj )
Itu artinya, aj selalu jadi pasangan titik data dari xj . Dengan pola ini maka pasangan titik data
xj+1 adalah aj+1 , konsekuensinya S(xj+1 ) = aj+1 . Berdasarkan ketentuan (3), yaitu ketika
x = xj+1 dimasukan ke persamaan (12.3)
aj+1 = Sj+1 (xj+1 ) = Sj (xj+1 ) = aj + bj (xj+1 − xj ) + cj (xj+1 − xj )2 + dj (xj+1 − xj )3
dimana j = 0, 1, ..., n − 2. Sekarang, kita nyatakan hj = xj+1 − xj , sehingga
aj+1 = aj + bj hj + cj h2j + dj h3j (12.4)
Kemudian, turunan pertama dari persamaan (12.3) adalah
Sj′ (x) = bj + 2cj (x − xj ) + 3dj (x − xj )2
ketika x = xj ,
Sj′ (xj ) = bj + 2cj (xj − xj ) + 3dj (xj − xj )2 = bj
dan ketika x = xj+1 ,
bj+1 = Sj′ (xj+1 ) = bj + 2cj (xj+1 − xj ) + 3dj (xj+1 − xj )2
Ini dapat dinyatakan sebagai
bj+1 = bj + 2cj (xj+1 − xj ) + 3dj (xj+1 − xj )2
dan dinyatakan dalam hj

bj+1 = bj + 2cj hj + 3dj h2j (12.5)
Berikutnya, kita hitung turunan kedua dari persamaan (12.3)
Sj′′ (x) = 2cj + 6dj (x − xj ) (12.6)
tapi dengan ketentuan tambahan yaitu S ′′ (x)/2, sehingga persamaan ini dimodifikasi menjadi
Sj′′ (x) = cj + 3dj (x − xj )

dengan cara yang sama, ketika x = xj
Sj′′ (xj ) = cj + 3dj (xj − xj ) = cj
dan ketika x = xj+1
cj+1 = Sj′′ (xj+1 ) = cj + 3dj (xj+1 − xj )

cj+1 = cj + 3dj hj (12.7)
dan dj bisa dinyatakan

1
dj = (cj+1 − cj ) (12.8)
3hj
dari sini, persamaan (12.4) dapat ditulis kembali
aj+1 = aj + bj hj + cj h2j + dj h3j

h2j
= aj + bj hj + cj h2j + (cj+1 − cj )
3
h2j
= aj + bj hj + (2cj + cj+1 ) (12.9)
3
sementara persamaan (12.5) menjadi
bj+1 = bj + 2cj hj + 3dj h2j

= bj + 2cj hj + hj (cj+1 − cj )
= bj + hj (cj + cj+1 ) (12.10)
Sampai sini masih bisa diikuti, bukan? Selanjutnya, kita coba mendapatkan bj dari persamaan
(12.9)
1 hj
bj = (aj+1 − aj ) − (2cj + cj+1 ) (12.11)
hj 3
dan untuk bj−1
1 hj−1
bj−1 = (aj − aj−1 ) − (2cj−1 + cj ) (12.12)
hj−1 3
Langkah berikutnya adalah mensubtitusikan persamaan (12.11) dan persamaan (12.12) keda-
lam persamaan (12.10),
3 3
hj−1 cj−1 + 2(hj−1 + hj )cj + hj cj+1 = (aj+1 − aj ) − (aj − aj−1 ) (12.13)
hj hj−1
n−1
dimana j = 1, 2, ..., n − 1. Dalam sistem persamaan ini, nilai {hj }j=0 dan nilai {aj }nj=0 sudah
diketahui, sementara nilai {cj }nj=0 belum diketahui dan memang nilai inilah yang akan dihitung
dari persamaan ini.
Sekarang coba perhatikan ketentuan nomor (6), ketika S ′′ (x0 ) = S ′′ (xn ) = 0, berapakah nilai
c0 dan cn ? Nah, kita bisa evaluasi persamaan (12.6)
S ′′ (x0 ) = 2c0 + 6d0 (x0 − x0 ) = 0
jelas sekali c0 harus berharga nol. Demikian halnya dengan cn harganya harus nol. Jadi untuk
natural boundary, nilai c0 = cn = 0.
Persamaan (12.13) dapat dihitung dengan operasi matrik Hc = d dimana

 
1 0 0 ... ... ... 0
 
 h0 2(h0 + h1 ) h1 0 ... ... 0 
 
0 h1 2(h1 + h2 ) h2 0 ... 0 
H=
 

. . . ... ... ... ... ... ... 
 
. . . ... ... . . . hn−2 2(hn−2 + hn−1 ) hn−1 
 
0 ... ... ... 0 0 1
 
c0
 c1 
 
c=
 .. 

.
cn
 
0
3 3
h1 (a2 − a1 ) −
(a1 − a0 )
 
h
 
0
..
 
d=
 
 . 

 3 (a − a 3
n−1 ) − hn−2 (an−1 − an−2 )

 hn−1 n
0
Sekarang kita beralih ke clamped boundary dimana S ′ (a) = f ′ (a) dan S ′ (b) = f ′ (b). Nah, kita
bisa evaluasi persamaan (12.11) dengan j = 0, dimana f ′ (a) = S ′ (a) = S ′ (x0 ) = b0 , sehingga
1 h0
f ′ (a) = (a1 − a0 ) − (2c0 + c1 )
h0 3
konsekuensinya,
3
2h0 c0 + h0 c1 = (a1 − a0 ) − 3f ′ (a) (12.14)
h0
Sementara pada xn = bn dengan persamaan (12.10)
f ′ (b) = bn = bn−1 + hn−1 (cn−1 + cn )
sedangkan bn−1 bisa didapat dari persamaan (12.12) dengan j = n − 1
1 hn−1
bn−1 = (an − an−1 ) − (2cn−1 j + cn )
hn−1 3
Jadi
1 hn−1
f ′ (b) = (an − an−1 ) − (2cn−1 j + cn ) + hn−1 (cn−1 + cn )
hn−1 3
1 hn−1
= (an − an−1 + (cn−1 j + 2cn )
hn−1 3
dan akhirnya kita peroleh
3
hn−1 cn−1 + 2hn−1 Cn = 3f ′ (b) − (an − an−1 ) (12.15)
hn−1
Persamaan (12.14) dan persamaan (12.15) ditambah persamaan (12.13 membentuk operasi
matrik Ax = b dimana
 
2h0 h0 0 ... ... ... 0
 
 h0 2(h0 + h1 ) h1 0 ... ... 0

 
 0 h1 2(h1 + h2 ) h2 0 ... 0 
A=
 

... ... ... ... ... ... ... 
 
... ... ... . . . hn−2 2(hn−2 + hn−1 ) hn−1 
 
0 ... ... ... 0 hn−1 2hn−1
 
c0
 c1 
 
x=
 .. 

.
cn
 
3
h0 (a1 − a0 ) − 3f ′ (a)
3
(a2 − a1 ) − h30 (a1 − a0 )
 
h
 1

..
 
b=

.


 
 3 (a − a 3
n−1 ) − hn−2 (an−1 − an−2 )

 hn−1 n
3
3f ′ (b) − hn−1 (an − an−1 )
1 % ==============================================================
2 % PROGRAM - Interpolasi Cubic Spline
3 % diaplikasikan pada punggung burung
4 % dibuat oleh Supriyanto, 17 Desember 2012
5 % ==============================================================
6
7 clc
8 close
9 clear
10
11 data = load(’burung.txt’);
12 x = data(:,1);
13 y = data(:,2);
14
16
17 n = length(x);
18 for k = 1:n-1
19 h(k) = x(k+1) - x(k);
20 end
21
22 H = zeros(n);
23 H(1,1) = 1;
24 H(n,n) = 1;
25
26 a = y;
27 r(1,1) = 0;
28 for k = 2:n-1
29 H(k,k) = 2*(h(k-1)+h(k));
30 H(k,k-1) = h(k-1);
31 H(k,k+1) = h(k);
32 r(k,1) = 3/h(k)*(a(k+1)-a(k)) - 3/h(k-1)*(a(k)-a(k-1));
33 end
34 r(n,1) = 0;
35
36 c = inv(H)*r;
37
38 for k = 1:n-1
39 b(k,1) = 1/h(k)*(a(k+1)-a(k)) - h(k)/3*(2*c(k)+c(k+1));
40 d(k,1) = 1/(3*h(k))*(c(k+1)-c(k));
41 end
42
43 hold on
44
45 for k = 2:n
46 xx = x(k-1):0.01:x(k);
47 S = a(k-1)+b(k-1)*(xx-x(k-1))+c(k-1)*(xx-x(k-1)).^2+d(k-1)*(xx-x(k-1)).^3;
48 plot(xx,S);
49 end
Gambar 12.5: Profil suatu object
Gambar 12.6: Sampling titik data

2.5
1.5
0.5
0
0 2 4 6 8 10 12 14
Gambar 12.7: Hasil interpolasi cubic spline
−1
−2
0 2 4 6 8 10 12 14
Gambar 12.8: Hasil interpolasi lagrange

j xj aj bj cj dj
0 0,9 1,3 0,54 0,00 -0,25
1 1,3 1,5 0,42 -0,30 0,95
2 1,9 1,85 1,09 1,41 -2,96
3 2,1 2,1 1,29 -0,37 -0,45
4 2,6 2,6 0,59 -1,04 0,45
5 3,0 2,7 -0,02 -0,50 0,17
6 3,9 2,4 -0,5 -0,03 0,08
7 4,4 2,15 -0,48 0,08 1,31
8 4,7 2,05 -0,07 1,27 -1,58
9 5,0 2,1 0,26 -0,16 0,04
10 6,0 2,25 0,08 -0,03 0,00
11 7,0 2,3 0,01 -0,04 -0,02
12 8,0 2,25 -0,14 -0,11 0,02
13 9,2 1,95 -0,34 -0,05 -0,01
14 10,5 1,4 -0,53 -0,1 -0,02
15 11,3 0,9 -0,73 -0,15 1,21
16 11,6 0,7 -0,49 0,94 -0,84
17 12,0 0,6 -0,14 -0,06 0,04
18 12,6 0,5 -0,18 0 -0,45
19 13,0 0,4 -0,39 -0,54 0,60
20 13,3 0,25
Bab 13
Solusi Sistem Persamaan Non Linear
✍ Objektif :
⊲ Mengenalkan fungsi ber-input vektor
⊲ Mengenalkan fungsi ber-output vektor
⊲ Mengenalkan fungsi ber-output matrik
⊲ Menerapkan metode Newton pada sistem persamaan non linear
13.1 Fungsi ber-input vektor
Pada bab terdahulu, telah dibahas cara membuat fungsi eksternal dengan parameter input ber-
upa konstanta. Kali ini kita akan mencoba membuat fungsi eksternal dengan parameter input
berupa vektor1 .
Misalnya terdapat vektor kolom x sebagai berikut
 
3
 
−2
x=
8

 
5
itu artinya x1 = 3; x2 = -2; x3 = 8 dan x4 = 5. Kemudian vektor kolom x tersebut diinputkan

ke dalam suatu persamaan
y = x31 + 2x22 − 4x3 − x4
dan diperoleh nilai y = -2. Di dalam Matlab, fungsi ini ditulis sebagai fungsi eksternal yang
diberinama fun.m sebagai berikut
1 function y = fun(x)
2
3 y = x(1)^3 + 2*x(2)^2 - 4*x(3) - x(4);
1
Yang dimaksud vektor disini adalah matrik yang hanya terdiri dari satu kolom atau satu baris
247
248 BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR
Pada script di atas, cara penulisan y = fun(x) memiliki pola yang sama dengan penulisan
fungsi eksternal sebelum-sebelumnya. Namun sebenarnya berbeda makna-nya. Parameter input
x disini bermakna vektor yang didalamnya terdapat 4 buah angka. Untuk lebih jelasnya, coba
anda bandingkan dengan script berikut
2
3 y = x^3;
Disini parameter input x pada y = fun(x) bermakna sebuah angka tunggal.

Penggunaan fungsi ekternal berinput vektor adalah sebagai berikut
>> x = [3 -2 8 5];
>> y = fun(x)
y =
-2
13.2 Fungsi ber-output vektor
Pada pelajaran sebelumnya, fungsi eksternal hanya menghasilkan output berupa konstanta atau
angka. Sekarang kita akan membuat fungsi eksternal dengan output berupa vektor. Misalnya
ada 3 persamaan linear sebagai berikut:
y1 = x31 + 2x22 − 4x3

y2 = x21 + 3x22 − x3
1 x2
y3 = − 2x2 + 3
x1 2
Output y1 , y2 dan y3 dinyatakan dalam fungsi eksternal berikut ini
2
3 y = [x(1)^3 + 2*x(2)^2 - 4*x(3)
4 x(1)^2 + 3*x(2)^2 - x(3)
5 1/x(1) - 2*x(2) + x(3)^2/2];
Contoh penggunaannya adalah sebagai berikut
>> x = [3 -2 8];
>> y = fun(x)
y =
3.0000
13.3. FUNGSI BER-OUTPUT MATRIK 249
13.0000
36.3333
sehingga
x31 + 2x22 − 4x3 = 3

x21 + 3x22 − x3 = 13 (13.1)
1 x2
− 2x2 + 3 = 36.3333
x1 2
13.3 Fungsi ber-output matrik
Jika fungsi eksternal dapat menghasilkan vektor, maka tentu saja ia juga dapat menghasilkan
matriks. Misalnya matriks J berbentuk
 
3x21 4x2 −4
 
 2x1
J(x) =  6x2 −1

− x12 −2 x3
1
kemudian dinyatakan dalam fungsi eksternal berikut ini
1 function J = jaco(x)
2
3 J = [3*x(1)^2 4*x(2) -4
4 2*x(1) 6*x(2) -1
5 -1/x(1)^2 -2 x(3)];
Contoh penggunaannya adalah sebagai berikut
>> x = [3 -2 8];
>> J = jaco(x)
J =
27.0000 -8.0000 -4.0000

6.0000 -12.0000 -1.0000
-0.1111 -2.0000 8.0000
13.4 Metode Newton untuk sistem persamaan
Pada permulaan Bab ini telah dibahas metode Newton untuk mencari akar yang hanya satu
buah angka saja. Formulasinya adalah sebagai berikut
f (xlama )
xbaru = xlama −
f ′ (xlama )
Metode Newton juga bisa diterapkan untuk mencari solusi sistem persamaan yang terdiri atas
sejumlah angka. Untuk maksud tersebut, formula di atas dimodifikasi menjadi
xb = x − (J(x))−1 f (x) (13.2)
dimana J(x) = matriks Jacobian dan f(x) = fungsi sistem persamaan. Untuk membahas hal
ini mari kita perhatikan contoh berikut. Misalnya diketahui sistem persamaan berikut
x31 + 2x22 − 4x3 = 3

x21 + 3x22 − x3 = 13
1 x2
− 2x2 + 3 = 36.3333
x1 2
Tentukan solusi x1 , x2 dan x3 . Langkah pertama penyelesaian adalah dengan membentuk vektor
fungsi, yaitu
x31 + 2x22 − 4x3 − 3
   
f1
f(x) = f2  =  x21 + 3x22 − x3 − 13 
   
1 x23
f3 x1 − 2x2 + 2 − 36.3333
kemudian membentuk matriks Jacobian

 ∂f1  
∂f1 ∂f1 3x21

∂x ∂x2 ∂x3
4x2 −4
 ∂f21 ∂f2 ∂f2 
 
J(x) =  ∂x 1 ∂x2 ∂x3   2x1
= 6x2 −1

∂f3
∂x1
∂f3
∂x2
∂f3
∂x3
− x12 −2 x3
1
langkah berikutnya adalah menerapkan metode Newton (persamaan (13.2)) dengan nilai awal
x = [1;2;1]. Setelah iterasi ke-27, diperoleh solusi xb = [3;-2;8] atau x1 = 3, x2 = -2 dan
x3 = 8. Script utama untuk masalah ini adalah
1 clear all
2 clc
3
4 itermaks = 10000;
5 tol = 10^(-10);
6 x = [1; 2; 1];
8 if det(jaco(x))==0
9 x = x + 0.0000000001;
10 end
11 xb = x - inv(jaco(x))*fun(x);
12 if abs(xb-x) < tol
13 break;
14 end
15 x = xb;
16 end
17 xb
18 iterasi = k
adapun fungsi eksternal fun.m dan jaco.m sudah dibuat pada contoh sebelumnya.
13.5. APLIKASI: MENCARI SUMBER SINYAL 251
13.5 Aplikasi: Mencari sumber sinyal
Metode Newton bisa diaplikasikan untuk mencari koordinat sumber sinyal atau pulsa yang me-
rambat pada suatu medium. Misalnya, suatu sumber sinyal terletak pada koordinat (-4,-8),
kemudian ada 4 detektor yang menangkap sinyal yang dipancarkan oleh sumber tadi. Masing-
masing detektor memiliki koordinat dan waktu tempuh sinyal dari sumber ke tiap detektor
sudah diketahui dengan asumsi kecepatan rambat sinyal adalah 28 m/dt. Informasi mengenai
koordinat detektor serta waktu tempuh sinyal diperlihatkan oleh Tabel 13.1
Tabel 13.1: Koordinat Sumber Sinyal dan Waktu Tempuh Sinyal

Detektor X Y Waktu tempuh (dt)
Detektor 1 6 10 0.7354
Detektor 2 7 -6 0.3992
Detektor 3 2 9 0.6438
Detektor 4 -3 -8 0.0357
Posisi Sumber Sinyal dan Posisi 4 Detektor

10
2
Y
−2
−4
−6
−8
−4 −2 0 2 4 6 8
X
Gambar 13.1: Koordinat sumber sinyal berada pada x = −4 dan y = −8
Hubungan antara waktu tempuh sinyal (t) dan koordinat suatu detektor adalah
p
(xp − x)2 + (yp − y)2
t= (13.3)
v
dimana (xp , yp ) adalah koordinat sumber sinyal; (x, y) adalah koordinat detektor; v adalah ke-
cepatan rambat sinyal; dan t adalah waktu tempuh sinyal. Dengan demikian, sistem persamaan
untuk detektor-1 hingga detektor-4 adalah

p
(xp − x1 )2 + (yp − y1 )2
t1 =
p v
(xp − x2 )2 + (yp − y2 )2
t2 =
p v
(xp − x3 ) + (yp − y3 )2
2
t3 =
p v
(xp − x4 )2 + (yp − y4 )2
t4 =
v
atau dapat diformulasikan sebagai

p
(xp − xi )2 + (yp − yi )2
ti = (13.4)
v
dimana i = 1,2,3 dan 4.
Sekarang anggap saja kita tidak tahu koordinat sumber sinyal. Lalu kita percayakan ke-
pada inversi non-linear (dengan metode Newton) untuk menemukan koordinat sumber sinyal
tersebut. Untuk membahas ini lebih jauh, saya mulai dengan memunculkan kembali formulasi
metode Newton yaitu
f (lama)
(baru) = (lama) −
f ′ (lama)
Berdasarkan formulasi tersebut, yang pertama harus dilakukan adalah menentukan fungsi f (lama).
Dalam kasus ini, fungsi f (lama) diperoleh dengan memodifikasi persamaan 13.4 dimana varia-
bel ti yang semula terletak di sebelah kiri tanda sama-dengan, dipindah ke sebelah kanan tanda
sama-dengan, sehingga menjadi
p
(xp − xi )2 + (yp − yi )2
fi (xp , yp ) = − ti (13.5)
v
Mengingat jumlah detektor-nya ada 4, maka fungsi f untuk masing-masing detektor adalah
p
(xp − x1 )2 + (yp − y1 )2
f1 (xp , yp ) = − t1 (13.6)
p v
(xp − x2 ) + (yp − y2 )2
2
f2 (xp , yp ) = − t2 (13.7)
p v
(xp − x3 )2 + (yp − y3 )2
f3 (xp , yp ) = − t3 (13.8)
p v
(xp − x4 )2 + (yp − y4 )2
f4 (xp , yp ) = − t4 (13.9)
v
dimana nilai-nilai x1 , y1 , t1 , x2 , y2 , t2 , x3 , y3 , t3 , x4 , y4 , t4 sudah tertera di dalam Tabel 13.1 dan

v sudah diketahui yaitu 28 m/dt. Kemudian saya kumpulkan setiap fungsi f (xp , yp ) kedalam
13.5. APLIKASI: MENCARI SUMBER SINYAL 253
sebuah vektor f  
f1 (xp , yp )
 
f2 (xp , yp )
f(xp , yp ) = 
  (13.10)
f3 (xp , yp )

f4 (xp , yp )
Parameter yang belum diketahui (unknown parameters) adalah xp dan yp , yang tidak lain adalah
koordinat sumber sinyal; dan itu yang akan kita cari dengan metode Newton. Formulasi metode
Newton untuk xp dan yp adalah
f ((xp , yp )lama )
(xp , yp )baru = (xp , yp )lama −
f ′ ((xp , yp )lama )
atau saya tulis lebih simple sebagai berikut
f (xp , yp )
(xbp , ypb ) = (xp , yp ) − (13.11)
f ′ (xp , yp )
atau lebih tepatnya lagi seperti ini
fi (xp , yp )
(xbp , ypb ) = (xp , yp ) − (13.12)
fi′ (xp , yp )
dimana i = 1, 2, 3 dan 4 sesuai dengan jumlah detektor. Karena fi telah dinyatakan sebagai
sebuah vektor f (lihat persamaan 13.10), maka
f(xp , yp )
(xbp , ypb ) = (xp , yp ) − (13.13)
fi′ (xp , yp )
Nah sekarang bagaimana cara mendapatkan fi′ (xp , yp )? Untuk menjawab pertanyaan terse-
but, mari kita ambil fungsi f1 dari detektor 1 (persamaan 13.7)
p
(xp − x1 )2 + (yp − y1 )2
f1 (xp , yp ) = − t1
v
Operasi turunan terhadap fungsi f1 hanya dilakukan terhadap unknown-paramters saja yaitu xp
dan yp . Dengan demikian, turunan fungsi f1 terhadap xp adalah
∂f1 (xp − x1 )
= p
∂xp v (xp − x1 )2 + (yp − y1 )2
Sedangkan, turunan terhadap yp adalah
∂f1 (yp − y1 )
= p
∂yp v (xp − x1 )2 + (yp − y1 )2
Tentu dengan cara yang sama, kita bisa mendapatkan nilai-nilai untuk f2′ (xp , yp ), f3′ (xp , yp ) dan
f4′ (xp , yp ); disesuaikan dengan jumlah detektor. Semua nilai tersebut dapat digabung dalam
sebuah matrik yaitu
(xp −x1 ) (yp −y1 )

√ √
 
 ∂f1 ∂f1 
v (xp −x1 )2 +(yp −y1 )2 2
v (xp −x1 ) +(yp −y1 ) 2
∂xp ∂yp
 √ (xp −x2 ) (yp −y2 )
 
 ∂f2 ∂f2 
 v (xp −x2 )2 +(yp −y2 )2 √ 
′
 ∂xp ∂yp 
 v (xp −x2 )2 +(yp −y2 )2 
f (xp , yp ) = 
 ∂f3 ∂f3  = 
 √ (xp −x3 ) (yp −y3 )

 ∂xp ∂yp   v (x −x )2 +(y −y )2 √ 
v (xp −x3 )2 +(yp −y3 )2 

p 3 p 3
∂f4 ∂f4 
∂xp ∂yp √ (xp −x 4)
√ (yp −y4 )
v (xp −x4 )2 +(yp −y4 )2 v (xp −x4 )2 +(yp −y4 )2
Setiap elemen matrik adalah turunan pertama dari suatu unknown-parameter (bisa terhadap xp
maupun yp ). Matrik yang tiap elemennya berbentuk turunan pertama dikenal dengan nama
matrik Jacobian. Jumlah baris matrik Jacobian ditentukan oleh banyaknya detektor atau oleh
banyaknya data. Sedangkan jumlah kolomnya ditentukan oleh banyaknya jumlah unknown-
parameter.
 ∂f1 ∂f1 
∂xp ∂yp
 ∂f2 ∂f2 
 ∂xp ∂yp 

J(xp , yp ) = 
 ∂f3 ∂f3 
 ∂xp ∂yp 
∂f4 ∂f4
∂xp ∂yp
Nah, sekarang formulasi metode Newton saya tulis kembali dalam bentuk
f(xp , yp )
(xbp , ypb ) = (xp , yp ) − (13.14)
J(xp , yp )
dimana f(xp , yp ) berupa vektor dan J(xp , yp ) berupa matrik. Lalu bagaimana cara menghitung
pembagian antara vektor dan matrik dalam komputasi? Kalau anda masih ingat dengan persa-
maan matrik Gm = d, tentu anda masih ingat juga bagaimana caranya mendapatkan vektor m,
yaitu
m = [GT G]−1 GT d
dalam hal ini bukankah

d
m=
G
dimana d berupa vektor dan G berupa matrik? Bentuknya sama persis dengan vektor f dibagi
matrik Jacobian pada Persamaan 13.14. Dengan demikian formulasi Newton dalam komputasi
dapat saya nyatakan sebagai
(xbp , ypb ) = (xp , yp ) − [J T (xp , yp )J(xp , yp )]−1 J T (xp , yp )f(xp , yp ) (13.15)
Jika saya munculkan vektor m dimana

" # " #
m1 xp
m= =
m2 yp
maka formulasi Newton di atas dapat saya modif menjadi
mb = m − [J T (m)J(m)]−1 J T (m)f(m) (13.16)

13.6. APLIKASI: MENCARI PUSAT GEMPA 255
dimana mb adalah vektor yang berisi unknown-parameters ter-update hasil iterasi sekian kali.
Untuk mengakhiri catatan ini, berikut saya tuliskan script Matlab untuk kasus mencari koo-
rdinat sumber sinyal. Dalam hal ini saya membuat fungsi eksternal untuk menghitung elemen-
elemen vektor f dan elemen-elemen matrik Jacobian J. Sebagai nilai awal, saya pilih xp = -2
dan yp = 5. Saat iterasi berakhir, akan didapat xp = -3,9986 dan yp = -7,9997 dengan jumlah
iterasi = 8. Sedangkan solusi yang sesungguhnya adalah xp = -4 dan yp = -8.
1 % PROGRAM - Mencari Sumber Sinyal

2 % Diketahui 4 stasiun menerima sinyal dari sumber yang sama. Tiap-tiap
3 % stasiun memiliki koordinat (x,y). Waktu tempuh sinyal untuk tiap-tiap
4 % stasiun sudah diketahui. Tentukan koordinat sumber sinyal tersebut.
5 % Supriyanto, Fisika-UI, 15-12-2012
6
7 clc
8 clear all
9 close all
10
11 x = [6 7 2 -3]; % koordinat x tiap stasiun
12 y = [10 -6 9 -8]; % koordinat y tiap stasiun
13 t = [0.7354 0.3992 0.6438 0.0357]; % waktu tempuh sinyal di tiap stasiun
14 v = 28; % kecepatan rambat sinyal
15
16 m = [-2 5]; % dugaan awal posisi sumber sinyal xp = -2 dan yp = 5
17
18 epsilon = 1e-12; % batas ketelitian hasil perhitungan
20
21 % ============ INVERSI NON-LINEAR =======================================
22 for p = 1:itermaks
23 xl = m(1);
24 yl = m(2);
25 fungsi = f(x,y,xl,yl,v,t); % mendapatkan vektor f
26 [dtdxp,dtdyp] = ft(x,y,xl,yl,v); % menghitung turunan tiap detektor
27 % ==== Menghitung elemen-elemen matrik Jacobian ====================
28 for k = 1:4 % kebetulan jumlah datanya hanya 4
29 J(k,1) = dtdxp(k);
30 J(k,2) = dtdyp(k); % kebetulan matrik Jacobiannya cuma 2 kolom
31 end
32 m = [xl;yl] - inv(J’*J)*J’*fungsi’;
33 if sqrt((m(1)-xl)^2+(m(2)-yl)^2) < epsilon
34 break
35 end
36 end
37
38 % ============ HASIL INVERSI : POSISI SUMBER SINYAL =====================
39 xp = m(1) % koordinat x sumber sinyal
40 yp = m(2) % koordinat y sumber sinyal
41 Jml_iterasi = p % jumlah iterasi
13.6 Aplikasi: Mencari pusat gempa
Sekarang kita akan membahas aplikasi metode Newton untuk menyelesaikan masalah riil, yaitu
mencari pusat gempa.
Tabel 13.2: Data Gempa

No Lokasi stasiun Bujur (UTM) Lintang (UTM) Elevasi (m) Waktu tempuh (dt)
1 Bayah 637832,12 9233524,43 24 14,3969
2 Cisolok 663404,05 9230887,17 47 18,7538
3 Pelabuhan Ratu 672826,09 9227840,52 225 20,4636
4 Sukabumi 716515,83 9243720,59 1303 30,9577
5 Jakarta 704103,18 9313254,00 13 37,1075
6 Serpong 685530,76 9301381,24 45 32,1874
7 Serang 626149,27 9321631,57 54 29,8686
8 Merak 610679,32 9341758,86 6 33,8572
9 Rajabasa 572069,29 9354831,95 7 37,2062
10 Krakatau 548069,44 9319709,03 279 31,0471
11 Bandar Lampung 529521,76 9397735,04 4 49,5118
12 Ulu Belu 448850,75 9419854,84 1090 62,9535
13 Cibaliung 538002,47 9257238,94 95 20,7673
14 Labuhan 591398,14 9298007,77 7 23,8196
15 Pandeglang 622310,20 9302623,36 249 25,4868
16 Rangkasbitung 641858,34 9295866,68 66 25,5319
17 Pangandaran 641645,15 9148191,79 1 86,2979
18 Garut 821353,91 9197731,98 829 53,8889
Bab 14
Metode Monte Carlo
✍ Objektif :
⊲ Mengenalkan metode Monte Carlo
14.1 Penyederhanaan
Kita awali pembahasan metode Monte Carlo dengan mengetengahkan contoh yang sangat terke-
nal yaitu menghitung luas suatu lingkaran. Fugure 1 memperlihatkan lingkaran dengan radius
r = 1 berada di dalam kotak bujursangkar. Luas lingkaran adalah πr 2 = π(1)2 = π sementara
luas bujursangkar adalah (2)2 = 4. Rasio antara luas lingkaran dan luas bola adalah
luas lingkaran π
ρ= = = 0, 7853981633974483 (14.1)
luas bujursangkar 4
Gambar 14.1: Lingkaran dan bujursangkar
257
258 BAB 14. METODE MONTE CARLO
Jadi, dengan mengetahui nilai ρ, maka kita bisa menghitung luas lingkaran dengan cara
luas lingkaran = ρ × luas bujursangkar (14.2)
Bayangkan anda punya satu set permainan dart. Anda lemparkan sejumlah dart ke arah
lingkaran tadi. Misalnya, total dart yang menancap di papan dart ada 1024 buah. Sebanyak
812 dart berada di dalam lingkaran, dan yang lainnya di luar lingkaran. Rasio antara keduanya
dart di dalam lingkaran 812

ρ= = = 0, 79296875 (14.3)
total dart di dalam bujursangkar 1024
Gambar 14.2: Dart yang menancap pada bidang lingkaran dan bujursangkar
Dengan pendekatan ke persamaan (14.2) maka luas lingkaran adalah
luas lingkaran = ρ × luas bujursangkar

= 0, 79296875 × 4
= 3, 171875
Apakah angka ini make sense ? Mungkin anda masih ragu. Sekarang mari kita coba hitung nilai
π dengan mengacu pada rumus di atas. Kita sepakati saja bahwa dart yang berada di dalam
lingkaran mesti memenuhi x2i + yi2 ≤ 1. Dalam perhitungan, semua dart diganti dengan bi-
langan acak (random number ). Dari 1000 dart, yang masuk lingkaran ada 787 buah, sehingga,
mengacu persamaan (14.3)
787
ρ= = 0, 787
1000
maka berdasarkan persamaan (14.1)
π = ρ × 4 = 0, 787 × 4 = 3, 148
Lumayan akurat bukan? Semakin banyak jumlah dart, semakin akurat nilai π yang anda pero-
14.1. PENYEDERHANAAN 259
Gambar 14.3: Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar
leh.
Sekarang mari kita kembangkan metode Monte Carlo ini untuk menghitung luas suatu area
yang terletak di bawah garis kurva suatu fungsi f (x). Atau sebut saja menghitung integral suatu
fungsi f (x) yang dievaluasi antara batas a dan b. Luas kotak R yang melingkupi luas bidang
integral A adalah
R = {(x, y) : a ≤ x ≤ b dan 0 ≤ y ≤ d} (14.4)
dimana
d = maksimum f (x) , a≤x≤b (14.5)
260 BAB 14. METODE MONTE CARLO
Bab 15
Inversi
✍ Objektif :
⊲ Mengenalkan inversi linear
⊲ Mengenalkan inversi non-linear
15.1 Inversi Linear
Diketahui data eksperimen tersaji dalam tabel berikut ini
xi yi xi yi
1 1,3 6 8,8
2 3,5 7 10,1
3 4,2 8 12,5
4 5,0 9 13,0
5 7,0 10 15,6
Lalu data tersebut di-plot dalam sumbu x dan y. Sekilas, kita bisa melihat bahwa data yang
16
14
12
10
Y 8
0
1 2 3 4 5 6 7 8 9 10
X
telah di-plot tersebut dapat didekati dengan sebuah persamaan garis, yaitu a1 xi + a0 . Artinya,
261
262 BAB 15. INVERSI
kita melakukan pendekatan secara linear, dimana fungsi pendekatan-nya adalah
P (xi ) = a1 xi + a0 (15.1)
Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa, sehingga posisi
garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas?
Dengan kata lain, sebisa mungkin yi sama dengan P (xi ) atau dapat diformulasikan sebagai
m
X
yi − P (xi ) = 0 (15.2)
i=1
m
X
yi − (a1 xi + a0 ) = 0 (15.3)
i=1
dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu
m
X
E(a0 , a1 ) = yi − (a1 xi + a0 ) (15.4)
i=1
Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Ja-
di, tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. Namun
demikian, kita masih bisa berharap agar fungsi error menghasilkan suatu nilai, dimana nilai
tersebut adalah nilai yang paling minimum atau paling mendekati nol. Harapan tersebut di-
wujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga
menjadi
m
X
E(a0 , a1 ) = [yi − (a1 xi + a0 )]2 (15.5)
i=1
Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
∂E(a0 , a1 )
=0 (15.6)
∂ai
dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a0 dan a1 . Maka mesti ada dua
buah turunan yaitu:
m
∂E(a0 , a1 ) ∂ X
= [yi − (a1 xi + a0 )]2 = 0
∂a0 ∂a0
i=1
m
X
2 (yi − a1 xi − a0 )(−1) = 0
i=1
m
X m
X
a0 .m + a1 xi = yi (15.7)
i=1 i=1
15.1. INVERSI LINEAR 263
dan
m
∂E(a0 , a1 ) ∂ X
= [yi − (a1 xi + a0 )]2 = 0
∂a1 ∂a1
i=1
m
X
2 (yi − a1 xi − a0 )(−xi ) = 0
i=1
m
X m
X m
X
a0 x i + a1 x2i = xi y i (15.8)
i=1 i=1 i=1
Akhirnya persamaan (15.7) dan (15.8) dapat dicari solusinya berikut ini:
Pm 2
Pm Pm Pm
i=1 xi i=1 yi − i=1 xi yi i=1 xi
a0 = Pm 2 Pm 2 (15.9)
m i=1 xi − ( i=1 xi )
dan Pm Pm Pm
m i=1 xi yi − i=1 xi yi
a1 = Pm 2 Pm i=12 (15.10)
m i=1 xi − ( i=1 xi )
Coba anda bandingkan kedua hasil di atas dengan rumus least square yang terdapat pada buku
Praktikum Fisika Dasar keluaran Departemen Fisika-UI. Mudah-mudahan sama persis. OK,
berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka didapat:
385(81) − 55(572, 4)
a0 = = −0, 360 (15.11)
10(385) − (55)2
dan
10(572, 4) − 55(81)
a1 = = 1, 538 (15.12)
10(385) − (55)2
Jadi, fungsi pendekatan-nya, P (xi ), adalah
P (xi ) = 1, 538xi − 0, 360 (15.13)
Solusi least square dengan pendekatan persamaan garis seperti ini juga dikenal dengan nama
lain yaitu regresi linear. Sedangkan nilai a0 dan a1 disebut koefisien regresi. Gambar di
bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya
Tentu saja anda sudah bisa menduga bahwa selain regresi linear, mungkin saja terdapat regresi
parabola atau quadratik dimana fungsi pendekatannya berupa persamaan parabola, yaitu:
P (xi ) = a2 x2i + a1 xi + a0 (15.14)
dimana koefisien regresinya ada tiga yaitu a0 , a1 dan a2 . Kalau anda menduga demikian, maka
dugaan anda benar! Bahkan sebenarnya tidak terbatas sampai disitu. Secara umum, fungsi
pendekatan, P (xi ), bisa dinyatakan dalam aljabar polinomial berikut ini:
P (xi ) = an xni + an−1 xin−1 + ... + a2 x2i + a1 xi + a0 (15.15)

264 BAB 15. INVERSI
16
P(x) = 1.538*x − 0.36

14
12
10
−2
0 2 4 6 8 10
Namun untuk saat ini, saya tidak ingin memperluas pembahasan hingga regresi parabola, dan
polinomial. Saya masih ingin melibatkan peranan metode eliminasi gauss dalam menyelesaikan
problem least square seperti yang selalu saya singgung pada catatan-catatan kuliah saya yang
terdahulu. Nah, kalau metode eliminasi gauss hendak digunakan untuk mencari solusi regresi
linear, kita bisa mulai dari persamaan (15.7) dan (15.8), yaitu:
m
X m
X
a0 .m + a1 xi = yi
i=1 i=1
m
X Xm Xm
a0 x i + a1 x2i = xi y i
i=1 i=1 i=1
Keduanya bisa dinyatakan dalam operasi matrik:

" Pm #" # " P #
m
m i=1 xi a0 i=1 yi
Pm Pm 2
= Pm (15.16)
i=1 xi i=1 xi a1 i=1 xi yi
Kalau anda mengikuti catatan-catatan terdahulu, pasti anda tidak asing lagi dengan dengan se-
mua elemen-elemen matrik di atas. Semua sudah saya ulas pada catatan yang berjudul Aplikasi
Elimininasi Gauss: Model Garis. Silakan anda lanjutkan perhitungan matrik tersebut hingga
diperoleh koefisien regresi a0 dan a1 . Selamat mencoba!
15.2 Inversi Non-Linear
Persamaan least squares linear adalah sebagai berikut:
[Gt G]δm = Gt δd (15.17)
Persamaan least squares non-linear dapat dinyatakan sebagai berikut:
[Gt G + λI]δm = Gt δd (15.18)

15.2. INVERSI NON-LINEAR 265
dimana G adalah matrik kernel, namun dia juga biasa dikenal dengan sebutan matrik Jaco-
bian, sementara λ adalah faktor pengali Lagrange, dan I adalah matrik identitas yang ordenya
disesuaikan dengan Gt G. Adapun definisi δm dan δd akan dijelaskan pada bagian akhir catatan
ini.
Langkah-langkah untuk menyelesaikan problem least squares non-linear adalah:
1. Menentukan model, misal f (x) = xm
2. Menghitung jacobian, G. Caranya adalah menghitung turunan pertama dari model terha-
dap model-parameter, m. Sesuai permisalan pada point 1, didapat
∂f (x)
G= = xm ln(x) (15.19)
∂m
3. Membuat perhitungan simulasi, misalnya ditentukan m = 2. Nilai m adalah nilai yang

hendak dicari. Dalam simulasi, nilai m dianggap sudah diketahui bahkan ditentukan. Lalu
hitunglah f (x) = xm dengan x bergerak dari x = 1, 2, 3.., 10. Jadi, nanti akan didapat 10
buah f (x). Mau lebih dari 10 juga boleh, terserah saja. Hasil hitungannya dikasih nama d,
jadi d = f (x). Karena dalam simulasi ini x-nya bergerak hanya sampai 10, maka hasilnya
mesti ada 10 d, yaitu d1 , d2 , .., d10 .
4. Buatlah perhitungan untuk m sembarang, misal mula-mula dipilih m = 5. Ini adalah nilai
awal dari m yang akan diiterasikan sedemikian rupa hingga nantinya m akan menuju 2
sesuai dengan nilai m pada simulasi (point 3). Bagusnya dibedakan penulisannya, atau
tulis saja m0 = 5, dimana m0 maksudnya adalah m mula-mula. Lalu hitung lagi nilai
0
f (x) = xm . Sekarang dinamakan dc = f (x). Jangan lupa bahwa saat perhitungan, nilai
x bergerak dari 1 sampai 10. Jadi, nanti didapat 10 dc .
5. Hitunglah δd, dimana δd = dc − d. Sebelumnya sudah dinyatakan bahwa dc ada 10 buah,

demikian juga d ada 10 buah, maka δd harus ada 10 buah juga.
6. Selanjutnya hitung ||δd|| yang rumusnya seperti ini
1 1
||δd|| = Σ(dc − d)2 = Σδd2 (15.20)
N N
dimana N = 10 karena δd-nya ada 10. Rumus ini tidak mutlak harus demikian, anda bisa
juga menggunakan norm 2, ℓ2 .
7. Tentukan nilai epsilon, ǫ, misal ǫ = 0.000001. Lalu lakukan evaluasi sederhana. Cek,
apakah ||δd|| < ǫ ? Pasti awalnya ||δd|| > ǫ, kenapa? Karena m 6= m0 . Kalau begini
situasinya, δd yang ada 10 biji itu dimasukan kedalam proses berikutnya.
8. Hitunglah operasi matriks berikut ini untuk mendapatkan δm
[Gt G + λI]δm = Gt δd (15.21)

266 BAB 15. INVERSI
dengan λ-nya dikasih nilai sembarang antara 0 dan 1, misalnya λ = 0.005. Perhitungan
ini bisa diselesaikan dengan metode eliminasi gauss.
9. Ganti nilai m0 menjadi m1 sesuai dengan rumus
m1 = m0 + δm (15.22)
Nah, m1 ini dimasukan ke proses yang dijelaskan pada point 4 kemudian proses diulangi
hingga point 9, begitu seterusnya. Dari sinilah dimulai proses iterasi. Iterasi akan berhenti
bila ||δd|| < ǫ. Pada saat itu, nilai mk akan mendekati m = 2 sesuai dengan m simulasi.
Selamat mencoba! Saya juga telah menulis beberapa persamaan non-linear sebagai bahan
latihan. Lihat saja di Latihan 1. Tapi tolong diperiksa lagi, apakah jacobiannya sudah benar
atau ada kekeliruan. Selanjutnya, kalau ada pertanyaan atau komentar, silakan kirim ke sup-
ri92@gmail.com
Bab 16
Lampiran
16.1 Script Iterasi Jacobi, jcb.m
1 % Fungsi Eksternal - METODE ITERASI JACOBI

2 % Script ini adalah hasil akhir dari proses penyempurnaan script
3 % berulang-ulang yang diajarkan pada kuliah Analisis Numerik
4 % di Ruang B203, Gedung B, FMIPA-UI.
5 %
6 % Perhatikan bahwa elemen diagonal matrik A harus berisi angka
7 % yang paling besar. Contoh penggunaan script ini adalah
8 % A = [ 10 -1 2 0;
9 % -1 11 -1 3;
10 % 2 -1 10 -1;
11 % 0 3 -1 8];
12 %
13 % b = [ 6 ; 25 ; -11 ; 15 ];
14 %
15 % xawal = [12 ; 0.3; -0.12; 6];
16 %
17 % [xakhir,L2,k] = jcb(A,b,xawal)
18 % atau
19 % [xakhir,L2] = jcb(A,b,xawal)
20 % atau
21 % [xakhir] = jcb(A,b,xawal)
22 %
23 % script ini disusun oleh Supriyanto (1 Feb 2011)
24
25 function [xbaru, L2, k] = jcb(A,b,xlama)
26 % L2 diatas ini menyimpan nilai norm2-selisih antara xbaru dan xlama;
27 % Sementara k menyimpan jumlah iterasi aktual.
28
29 % epsilon adalah batas nilai selisih antara xbaru dan xlama yang
30 % dihitung secara norm-2. Epsilon bisa diartikan sebagai batas
31 % toleransi. Anda bisa merubahnya sesuai kebutuhan.
32 epsilon = 10^(-5);
33
34 % itermaks adalah jumlah iterasi maksimum yang mampu dilakukan
35 % oleh function ini. Anda bisa merubahnya sesuai kebutuhan.
36 itermaks = 1000;
37
38 n = length(A);
267
268 BAB 16. LAMPIRAN
39 for p = 1:n
40 J(p,p) = 0;
41 for k = 1:n
42 if k ~= p
43 J(p,k) = -A(p,k)/A(p,p);
44 end
45 end
46 u(p,1) = b(p)/A(p,p);
47 end
50 L2 = norm2(xlama-xbaru);
51 if L2 < epsilon
52 break;
53 end
54 xlama = xbaru;
55 end
16.2 Script Iterasi Gauss-Seidel, itgs.m
1 % Fungsi Eksternal - METODE GAUSS-SEIDEL

2 % Script ini adalah hasil akhir dari proses penyempurnaan script
3 % berulang-ulang yang diajarkan pada kuliah Analisis Numerik
4 % di Ruang B203, Gedung B, FMIPA-UI.
5 %
6 % Perhatikan bahwa elemen diagonal matrik A harus berisi angka
7 % yang paling besar. Contoh penggunaan script ini adalah
8 % A = [ 10 -1 2 0;
9 % -1 11 -1 3;
10 % 2 -1 10 -1;
11 % 0 3 -1 8];
12 %
13 % b = [ 6 ; 25 ; -11 ; 15 ];
14 %
15 % xawal = [12 ; 0.3; -0.12; 6];
16 %
17 % [xakhir,L2,v] = jcb(A,b,xawal)
18 % atau
19 % [xakhir,L2] = jcb(A,b,xawal)
20 % atau
21 % [xakhir] = jcb(A,b,xawal)
22 %
23 % script ini disusun oleh Supriyanto (1 Feb 2011)
24 function [xbaru,L2,v] = itgs(A,b,xlama)
25 % L2 diatas ini menyimpan nilai norm2-selisih antara xbaru dan xlama;
26 % Sementara v menyimpan jumlah iterasi aktual.
27
28 % epsilon adalah batas nilai selisih antara xbaru dan xlama yang
29 % dihitung secara norm-2. Epsilon bisa diartikan sebagai batas
30 % toleransi. Anda bisa merubahnya sesuai kebutuhan.
31 epsilon = 10^(-5);
32
33 % itermaks adalah jumlah iterasi maksimum yang mampu dilakukan
34 % oleh function ini. Anda bisa merubahnya sesuai kebutuhan.
35 itermaks = 1000;
36 n = length(A);
37 for k = 1:n
16.2. SCRIPT ITERASI GAUSS-SEIDEL, ITGS.M 269
38 J(k,k) = 0;
39 for q = 1:n
40 if q ~= k
41 J(k,q) = -A(k,q)/A(k,k);
42 end
43 end
44 p(k,1) = b(k)/A(k,k);
45 end
46 L = zeros(n);
47 U = zeros(n);
48 for q = 1:n-1
49 for k = q+1:n
50 L(k,q) = J(k,q);
51 U(q,k) = J(q,k);
52 end
53 end
54 for v = 1:itermaks
55 xsmt = U*xlama + p;
56 xbaru(1,1) = xsmt(1,1);
57 for q = 1:n-1
58 sum = 0;
59 for k = 1:q
60 sum = sum + L(q+1,k)*xbaru(k,1);
61 end
62 xbaru(q+1,1) = sum + xsmt(q+1,1);
63 end
64 L2 = norm2(xbaru-xlama);
65 if L2 < epsilon
66 break;
67 end
68 xlama = xbaru;
69 end

Buku Komputasi PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

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

Buku Komputasi PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Komputasi untuk Sains dan Teknik

Ketekunan adalah jalan terpercaya menuju kesuksesan

Depok, 24 Oktober 2014

Kata Pengantar iii

Daftar Isi iii

Daftar Tabel xiii

2 Matriks dan Komputasi 15

2.5.3 Perkalian matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

4 Aplikasi dalam Sains 55

5 Mencari Solusi Satu Variabel 65

8 Metode Iterasi 141

9 Metode Eliminasi Gauss 171

9.2.1 Cara menghilangkan sebuah variabel . . . . . . . . . . . . . . . . . . . . . 173

10 Aplikasi Eliminasi Gauss pada Masalah Inversi 205

11 Metode LU Decomposition 223

13 Solusi Sistem Persamaan Non Linear 247

14 Metode Monte Carlo 257

1.1 Data perubahan kecepatan terhadap waktu . . . . . . . . . . . . . . . . . . . . . 4

10.1 Sebaran data observasi antara suhu dan kedalaman . . . . . . . . . . . . . . . . . 206

12.1 Kurva hasil interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236

13.1 Koordinat sumber sinyal berada pada x = −4 dan y = −8 . . . . . . . . . . . . . 251

14.1 Lingkaran dan bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257

5.1 Perubahan nilai f (p) dan p hingga iterasi ke-20 . . . . . . . . . . . . . . . . . . . 67

6.1 Polinomial Legendre untuk n=2,3,4 dan 5 . . . . . . . . . . . . . . . . . . . . . . 86

8.1 Hasil akhir elemen-elemen vektor x hingga iterasi ke-10 . . . . . . . . . . . . . . 154

10.1 Data suhu bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . . . 205

13.1 Koordinat Sumber Sinyal dan Waktu Tempuh Sinyal . . . . . . . . . . . . . . . . 251

1.1 Inisialisasi variabel

1.2 Perhitungan yang berulang

pada t=1 ⇒ v1 = (0) + (2)(1) ⇒ 2m/s

skrip Matlab untuk tujuan di atas adalah

Jarak tempuh mobil juga dapat ditentukan oleh persamaan berikut

1.3 Mengenal cara membuat grafik

1.3.1 Gerak mobil

Gambar 1.1: Data perubahan kecepatan terhadap waktu

Data Kecepatan vs Waktu

1.3.2 Osilasi teredam

dengan A = amplitudo, b = faktor redaman (damping factor), m = massa benda, ω = frekuensi

dengan k = kontanta pegas.

Skrip Matlab untuk menghasilkan Gambar 1.3 adalah

1.4 Baris-baris pembuka

1.5 Membuat 2 grafik dalam satu gambar

Misalnya, sebuah gelombang dinyatakan oleh persamaan

dengan A = amplitudo; f = frekuensi; t = waktu; θ = sudut fase gelombang. Jika suatu

Gambar 1.6: Graﬁk yang dilengkapi dengan font judul 14pt

Gambar 1.7: Dua buah graﬁk dalam sebuah gambar

10 y1 = A1 * sin(2*pi*f1*t + theta1); % persamaan gelombang 1

Gambar 1.8: Tiga buah graﬁk dalam sebuah gambar

Gambar 1.9: Lintasan elektron ketika memasuki medan magnet

5. Sebuah kapasitor 8 µF dan sebuah induktor sebesar 25 mH, masing-masing dihubungkan

(a) menghitung potensial listrik pada x = -2

(b) menghitung potensial listrik pada x = 0

(a) Total muatan yang terdapat pada kulit bola

Matriks dan Komputasi

2.1 Mengenal matriks

an1 an2 . . . anm

Contoh 2: Matriks B3×2

2.2 Vektor-baris dan vektor-kolom

2.3 Inisialisasi matriks dalam memori komputer

Sedangkan untuk matriks B3×2 , sesuai Contoh 2 adalah

2.4 Macam-macam matriks

2.4.1 matriks transpose

2.4.2 matriks bujursangkar

10 y1 = A1 * sin(2pif1*t + theta1); % persamaan gelombang 1