Mata Kuliah Komputasi Matematika

MAKALAH
SISTEM PERSAMAAN LINEAR

OLEH :
KELOMPOK IV (EMPAT)

MUHAMMAD ABDUL RAZAK

F1A1 16 035

PROGRAM STUDI MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDARI
2019
 KATA PEGANTAR

Assalamu’alaikum Warahmatullahi Wabarakatuh,

Puji syukur penulis panjatkan kepada Allah SWT, karena telah

memberikan rahmat serta hidayah-Nya kepada kami sehingga dapat

menyelesaikan Makalah Komputasi Matematika yang berjudul “Sistem

Persamaan Linear” tepat pada waktunya. Tujuan makalah ini ialah agar dapat

menambah pengetahuan para mahasiswa. Selain itu juga harapan penulis setelah

membuat makalah ini agar mahasiswa lebih mengetahui dan memahami lebih

dalam tentang macam-macam materi Komputasi Matematika. “Tak Ada Gading

yang Tak Retak”, begitu juga dalam pembuatan makalah ini masih jauh dari

kesempurnaan. Oleh karena itu penulis menerima kritik serta saran yang bersifat

membangun untuk kebaikan dan kesempurnaan makalah seperti ini di masa

mendatang.

Dalam kesempatan ini penulis mengucapkan terima kasih kepada Dosen

penanggung jawab mata kuliah Komputasi Matematika yang telah memberikan
tugas kepada kami. Selain itu penulis juga berterima kasih kepada semua pihak
yang telah memberikan bantuan dalam penyelesaian makalah ini baik bantuan
secara langsung maupun tidak langsung.
Penulis berharap semoga tugas yang peulis buat ini dapat bermanfaat bagi
para pembaca, khususnya Mahasiswa Universitas Haluoleo FMIPA Jurusan
Matematika.
Wasalamu’alaykum warrahmatullahi Wabarakatuh

Kendari, 02 Oktober 2019

Penulis

i
 DAFTAR ISI
SAMPUL .........................................................................................................
KATA PENGANTAR ..................................................................................... i
DAFTAR ISI .................................................................................................... ii
BAB I PENDAHULUAN ................................................................................ 1
1.1. Latar Belakang .......................................................................................... 2
1.2. Rumusan Masalah ..................................................................................... 2
1.3. Tujuan ....................................................................................................... 2
1.4. Manfaat ..................................................................................................... 2
BAB II PEMBAHASAN ................................................................................. 3
2.1. Matriks Dan Operasi Matriks .................................................................... 3
2.2. Eliminasi Gauss Naif................................................................................ 6
2.3. Metode Iteratif ........................................................................................... 13
BAB III PENUTUP ......................................................................................... 23
3.1. Kesimpulan ............................................................................................... 23
3.2. saran .......................................................................................................... 24
DAFTAR PUSTAKA

ii
 BAB I
PENDAHULUAN
1.1. Latar Belakang

Matematika adalah ilmu tentang kuantitas, struktur, ruang, dan

perubahan. Istilah mathematics (inggris), mathematic (German), wiskunde (Belan
da), berasal dari bahasa Yunani dari akar kata mathema yang berarti pengetahuan
atau ilmu, atau dari kata lain yang serupa yaitu mathanein yang berarti belajar atau
berpikir. Jadi, secara etimologis perkataan matematika berarti “ilmu pengetahuan
yang diperoleh dengan bernalar”, yang lebih menekankan pada aktifitas penalaran
ratio. Matematika terbentuk sebagai hasil pemikiran manusia yang berhubungan
dengan ide, proses, dan penalaran.
Dalam perkembangan ilmu dan teknologi, matematika memegang peranan
penting karena dengan bantuan matematika semua ilmu pengetahuan menjadi
lebih sempurna. Beberapa contoh tentang hubungan matematika dengan bidang
studi- bidang studi lain. Salah satunya adalah bidang studi fisika. Dalam setiap
buku fisika dapat kita ketahui bahwa setiap aturan atau prinsip akhirnya berbentuk
matematik seperti hukum gravitasi disajikan dalam bentuk persamaan : Hubungan
antara fisika dan matematika menjadi semakin jelas karena banyak soal soal fisika
yang berbentuk soal cerita untuk menyelesaikannyav digunakan persamaan atau
tidak persamaan.
Matematika komputasi (computational mathematics) adalah salah satu
cabang matematika yang mempelajari penyelesaian persoalan matematika secara
komputasi. Cabang matematika ini sangat bermanfaat untuk menyelesaikan
masalah matematika secara cepat berbantuan komputer. Dalam matematika
komputasi, terdapat satu atau lebih cara menyelesaikan sebuah persoalan
matematika. Keunggulan dari suatu metode biasanya diukur dari kompleksitas
waktu (time complexity) algoritma yang digunakan. Sering muncul pertanyaan
apakah cara penyelesaian matematika yang dipelajari disekolah atau dibangku
kuliah dapat digunakan dalam matematika komputasi.

1
 Komputasi adalah kegiatan mendapatkan penyelesaian atau solusi atas
persoalan yang dinyatakan dalam model matematis. Teknik komputasi adalah
perangkat ilmu tentang alat (biasanya sebuah komputer), metode (yang disebut
algoritma) dan teori (bukti matematis bahwa komputasi memberi hasil yang
benar) yang diperlukan untuk melaksanakan komputasi tersebut. Teori Komputasi
dapat dianggap sebagai model penciptaan dari seluruh cabang dalam bidang ilmu
komputer (computer science). Maka dari itu, logika dan matematika digunakan
dalam teori komputasi sehingga diperkenalkan konsep-konsep pemrograman yang
sering digunakan, tool untuk melakukan perhitungan, dan beberapa algoritma
pada matematika komputasi.
1.2. Rumusan Masalah

Adapun rumusan masalah dalam makalah ini adalah sebagai berikut :

1. Bagaimana konsep matriks dan pengoperasian matrix ?
2. Bagaimana penghapusan Gauss ?
3. Bagaimana MetodeIteratif ?
1.3. Tujuan
Tujuan dari penulisan makalah ini adalah sebagai berikut :
1. Untuk mengetahui konsep matriks dan pengoperasian matrix
2. Untuk mengetahui penghapusan Gauss
3. Untuk mengetahui MetodeIteratif
1.4. Manfaat
Manfaat dari penulisan makalah ini adalah sebagai berikut :
1. Dapat mengetahui konsep matriks dan pengoperasian matrix
2. Dapat mengetahui penghapusan Gauss
3. Dapat mengetahui MetodeIteratif

2
 BAB II
PEMBAHASAN

2.1. MATRIKS DAN OPERASI MATRIKS

Sistem persamaan linear muncul dalam banyak masalah di bidang teknik
dan sains, serta dalam matematika, seperti studi tentang solusi numerik masalah
nilai batas dan persamaan diferensial parsial. Algoritma solusi untuk jenis
masalah ini bisa langsung atau berulang. Dalam metode langsung, solusi diperoleh
dalam sejumlah langkah tetap yang hanya tunduk pada kesalahan pembulatan,
sedangkan metode iteratif didasarkan pada peningkatan berturut-turut dari tebakan
awal untuk solusi.
Dalam bab ini, kedua teknik akan dipertimbangkan untuk menyelesaikan
sistem linear

a11 x1  a12 x 2  . . .  a1n x n  b1

a 21 x1  a 22 x 2  . . .  a 2 n x n  b2
4.1
    
a n1 x1  a n 2 x 2  . . .  a nn x n  bn

untuk yang tidak diketahui 𝑥1, 𝑥2, . . . , 𝑥𝑛, diberi koefisien 𝑎𝑖𝑗, 𝑖, 𝑗 = 1, 2 , . . . , 𝑛

dan konstanta 𝑏𝑖, 𝑖 = 1, 2, . . . , 𝑛.

Sebelum mempelajari sistem persamaan linear, ada baiknya

mempertimbangkan beberapa aljabar dengan matriks.

DEFINISI 4.1 Matriks n oleh m adalah array persegi panjang dari bilangan real
atau kompleks yang dapat ditulis sebagai :

𝑎11 𝑎12 … 𝑎1𝑚

𝑎21 𝑎22 … 𝑎2𝑚
.
𝐴 = (𝑎𝑖𝑗 ) =
.
.
[𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑚]

3
 𝑎𝑖𝑗 menunjukkan elemen atau entri yang terjadi di baris 𝑖 dan kolom 𝑗 dari
𝐴, dan Ukuran matriks dijelaskan dengan menentukan jumlah baris dan kolom itu
terjadi dalam matriks. Jika sebuah matriks hanya memiliki satu baris, kita
menyebutnya vektor baris, dan 𝑎 matriks yang hanya memiliki satu kolom disebut
vektor kolom. Huruf kapital akan menjadi digunakan untuk menunjukkan matriks
dan huruf kecil untuk menunjukkan entri mereka.

Matriks 𝐴 dengan 𝑛 baris dan kolom 𝑛 disebut matriks kuadrat dari urutan
𝑛, dan elemen 𝑎11, 𝑎22, . . . , 𝑎𝑛𝑛 disebut diagonal utama 𝐴.

Contoh 4.1

Membiarkan

−1 3 4 0 𝜋
𝐴 = [ 5 − 6 2 7 ] , 𝐵 = [1 −3 4 2], 𝐶 = [3 ]
3 0 1 2 0

DEFINISI 4.2

𝑖) Jika 𝐴 dan 𝐵 adalah dua matriks orde 𝑛 × 𝑚, maka jumlah 𝐴 dan 𝐵 adalah
𝑛 × 𝑚 matrix 𝐶 = 𝐴 + 𝐵 yang isinya adalah

𝑐𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗

𝑖𝑖) Jika 𝐴 adalah matriks orde 𝑛 × 𝑚 dan 𝜆 bilangan real, maka produk dari 𝜆
dan 𝐴 adalah n × m matrix 𝐶 = 𝜆𝐴 yang isinya adalah

𝑐𝑖𝑗 = 𝜆𝑎𝑖𝑗

𝑖𝑖𝑖) Jika 𝐴 adalah matriks orde 𝑛 × 𝑚 dan 𝐵 adalah matriks orde 𝑚 × 𝑝, maka
matriks produk dari 𝐴 dan 𝐵 adalah matriks 𝑛 × 𝑝,𝐶 = 𝐴𝐵 yang isinya
𝑚

𝑐𝑖𝑗 = ∑ 𝑎𝑖𝑘 𝑏𝑘𝑗

𝑘=1

𝑖𝑣) Jika 𝐴 adalah matriks orde 𝑛 × 𝑚, maka transpos 𝐴 adalah matriks 𝑚 ×

𝑛,𝐶 = 𝐴𝑇 yang isinya adalah

4
 𝑐𝑖𝑗 = 𝑎𝑗𝑖

Jika

1 −2 4 0 3 −7
𝐴=[ ],𝐵 = [ ]
3 5 −6 1 −3 8

Maka

1 1 −3 0 −9 21
𝐴+𝐵 =[ ] , −3𝐵 = [ ],
4 2 2 −3 9 − 24

1 3
1 −5 11
𝐴−𝐵 =[ ] , 𝐴𝑇 = [−2 5]
2 8 − 14
4 −6

Jika

1 3 −1 2 1
𝐴 = [2 0 − 1 ] , 𝐵 = [−3 2]
4 2 −2 3 0

Maka

−10 7 3 1 −2
𝐴𝐵 = [ 1 2 ] , 𝐴𝐴 = 𝐴2 [ −2 4 0]
−4 8 0 8 −2

Matriks persegi tertentu memiliki sifat khusus. Misalnya kalau elemen di

bawah diagonal utama adalah nol, matriksnya disebut matriks segitiga atas.

Jadi,

1 −2 −1
𝑈=[0 3 6]
0 0 2

adalah segitiga atas. Matriks kuadrat, 𝐴 di mana semua elemen di atas

utama diagonal adalah nol, disebut segitiga bawah. Kalau saja elemen-elemen di

5
main diagonal adalah nol, matriks disebut matriks diagonal. Contoh dari 𝑎 matriks
diagonal adalah

1 0 ⋯ 0
0 1 ⋱ ⋮
𝐼𝑛 = [ ]
⋮ ⋱ ⋱ 0
0 ⋯ 0 1

yang disebut matriks identitas.

Program Matlab
clc;
clear;
A=input('Masukkan elemen matriks A = ');
B=input('Masukkan elemen matriks B = ');
A
B
disp('Penjumlahan matriks')
C=A+B
disp('Perkalian dengan skalar')
D=3.*A
disp('Transpose matriks')
E=transpose(A);
E
Hasil run:

2.2.ELIMINASI GAUSS NAIF (Naive Gaussian Elimination)

Pertimbangkan sistem (4.1) dalam bentuk matriks

𝐴𝑥 = 𝑏.

Akan ditunjukkan sistem asli dari 𝐴(1) 𝑥 = 𝑏 (1) . Itu adalah,

6
 (1) (1) (1) (1)
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑥1 𝑏1
⋯ 𝑎2𝑛 [𝑥2 ] = 𝑏2
(1) (1) (1) (1)
𝑎21 𝑎22 (4.3)
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
(1) (1) (1) 𝑥𝑛 (1)
[𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 ] [𝑏𝑛 ]

Eliminasi Gauss adalah suatu metode mereduksi sistem persamaan (4.3) ke

sistem persamaan yang ekivalen yaitu 𝑈𝑥 = 𝑑, dengan 𝑈 adalah matriks segitiga
atas. Sistem persamaan baru ini akan dengan mudah diselesaikan dengan subtitusi
kembali (Back Substitution)

(1)
Langkah 1: Asumsi 𝑎11 ≠ 0. Maka penggandaan baris dengan

(1)
𝑎𝑖1
𝑚𝑖1 = (1)
𝑎11

Lipat gandakan baris pertama dengan 𝑚𝑖1 dan kurangi dari baris ke-𝑖(𝑖 =
2, . . . , 𝑛) untuk mendapatkan

(2) (1) (1)

𝑎𝑖𝑗 = 𝑎𝑖𝑗 − 𝑚𝑖1 𝑎1𝑗 , 𝑗 = 2,3, ⋯ , 𝑛

(2) (1) (1)

𝑏𝑖 = 𝑏𝑖 − 𝑚𝑖1 𝑏1

Di sini, baris pertama 𝐴 dan 𝑏 dibiarkan tidak berubah, dan entri dari kolom
(1)
pertama dari 𝐴 di bawah ini 𝑎11 diatur ke nol.

Hasil dari sistem yang ditransformasikan adalah

(1) (1) (1) (1)

𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑥1 𝑏1
⋯ 𝑎2𝑛 [𝑥2 ] = 𝑏2
(2) (2) (2)
0 𝑎22
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
(2) (2) 𝑥𝑛 (2)
[ 0 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 ] [𝑏𝑛 ]

Lanjutkan dengan cara ini. Pada langkah k yang kita miliki

(𝑘)
Langkah 𝑘: Asumsikan 𝑎𝑘𝑘 ≠ 0. Maka pengganda baris dengan

(𝑘)
𝑎𝑖𝑘
𝑚𝑖𝑘 = (𝑘)
𝑎𝑘𝑘

7
Lipat gandakan baris k dengan mik dan kurangi dari baris ke-𝑖(𝑖 = 𝑘 +
1, . . . , 𝑛) untuk mendapatkan

(𝑘+1) (𝑘) (𝑘)

𝑎𝑖𝑗 = 𝑎𝑖𝑗 − 𝑚𝑖𝑘 𝑎𝑘𝑗 , 𝑗 = 𝑘 + 1, ⋯ , 𝑛

(𝑘+1) (𝑘) (𝑘)

𝑏𝑖 = 𝑏𝑖 − 𝑚𝑖𝑘 𝑏𝑘

Pada langkah ini, entri kolom 𝑘 di bawah elemen diagonal diatur ke nol, dan baris
1 sampai 𝑘 dibiarkan tidak terganggu. Hasil dari sistem yang ditransformasikan
adalah

(1) (1) (1) (1) (1) (1)

𝑎11 𝑎12 ⋯ 𝑎1𝑘 𝑎1,𝑘+1 ⋯ 𝑎1𝑛 𝑏1
(2) (2) (2) (2)
𝑥1
(2)
0 𝑎22 ⋯ 𝑎2𝑘 𝑎1,𝑘+1 ⋯ 𝑎2𝑛 𝑥2 𝑏2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
(𝑘) (𝑘) (𝑘) 𝑥𝑛 = (𝑘)
0 0 ⋯ 𝑎𝑘𝑘 𝑎𝑘,𝑘+1 ⋯ 𝑎𝑘𝑛 𝑏𝑘
(𝑘) (𝑘+1) (𝑘+1) 𝑥𝑘+1 (𝑘+1)
0 0 ⋯ 𝑎𝑘𝑘 𝑎𝑘+1,𝑘+1 ⋯ 𝑎𝑘+1,𝑛 ⋮ 𝑏𝑘+1
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ [ 𝑥𝑛 ] ⋮
(𝑘+1) (𝑘+1) (𝑘+1)
[0 0 ⋯ 0 𝑎𝑛,𝑘+1 ⋯ 𝑎𝑛,𝑛 ] [𝑏𝑛 ]

Pada 𝑘 = 𝑛 − 1, kita memperoleh sistem segitiga final

(1) (1) (1) (1)

𝑎11 𝑥1 + 𝑎12 𝑥2 + … + 𝑎1𝑛 𝑥𝑛 = 𝑏1
(2) (2) (2)
𝑎22 𝑥2 + … + 𝑎2𝑛 𝑥𝑛 = 𝑏2
… = …
(𝑛−1) (𝑛−1) (𝑛−1)
𝑎𝑛−1,𝑛−1 𝑥𝑛−1 + 𝑎𝑛−1,𝑛 𝑥𝑛 = 𝑏𝑛−1
(𝑛) (𝑛)
𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛
Menggunakan substitusi kembali, kami mendapatkan solusi sistem berikut

(𝑛)
𝑏𝑛
𝑥𝑛 = (𝑛)
𝑎𝑛𝑛
(𝑛−1) (𝑛−1)
𝑏𝑛−1 − 𝑎𝑛−1,𝑛 𝑥𝑛
𝑥𝑛−1 = (𝑛−1)
𝑎𝑛−1,𝑛−1
(𝑖) (𝑖) (𝑖)
𝑏𝑖 − (𝑎𝑖,𝑖+1 𝑥𝑖+1 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 )
𝑥𝑖 = (𝑖)
𝑎𝑖𝑖

8
 (𝑖) (𝑖)
𝑏𝑖 − ∑𝑛𝑗=𝑖+1 𝑎𝑖𝑗 𝑥𝑗
= (𝑖)
, 𝑖 = 𝑛 − 2, 𝑛 − 3, … ,1.
𝑎𝑖𝑖
Keterangan : Dalam algoritma eliminasi Gaussian yang dijelaskan di
atas, kami menggunakan persamaan dalam tatanan alami mereka dan kami
(𝑘)
mengasumsikan pada setiap langkah bahwa elemen pivot 𝑎𝑘𝑘 = 0. Jadi algoritma
gagal jika elemen pivot menjadi nol selama proses eliminasi. Untuk menghindari
pivot nol yang tidak disengaja, kami menggunakan metode Eliminasi gaussian
dengan pivot parsial berskala. Metode ini akan dijelaskan di bagian selanjutnya.

Hitungan operasi. Salah satu cara mengukur efisiensi algoritma

Eliminasi Gaussian Naif adalah untuk menghitung jumlah operasi aritmatika yang
diperlukan dapatkan solusi dari sistem 𝐴𝑥 = 𝑏. Konvensi saat ini adalah untuk
menghitung jumlah perkalian dan pembagian hanya karena sebagian besar
komputer melakukan penambahan dan pengurangan jauh lebih cepat. Selanjutnya,
jumlah perkalian dan divisi dihitung bersama. Pertimbangkan algoritma eliminasi
Gaussian yang naif dijelaskan di atas.

Langkah 𝑘 membutuhkan

(𝑛 − 𝑘)2 + (𝑛 − 𝑘) operasi untuk menemukan aij baru

Dan

(𝑛 − 𝑘) operasi untuk menemukan bi baru.

Operasi harus dilakukan untuk 𝑘 = 1, 2,· · ·, 𝑛 − 1. Oleh karena itu,

menggunakan rumus
𝑛 𝑛
𝑛(𝑛 + 1) 𝑛(𝑛 + 1)(2𝑛 + 1)
∑𝑘 = , ∑ 𝑘2 =
2 6
𝑘=1 𝑘=1

jumlah total operasi ditemukan

𝑛3 −𝑛
operasi yang diterapkan pada matriks A
3
dan

9
 𝑛2 −𝑛
operasi yang diterapkan pada matriks b
2

Untuk menyelesaikan sistem segitiga yang dihasilkan, seseorang perlu (𝑛 − 𝑖)

perkalian dan satu divisi untuk mendapatkan 𝑥𝑖. Dengan menjumlahkan ini di atas
𝑖 = 1, 2, . . . , 𝑛, kita dapatkan

𝑛(𝑛+1)
operasi untuk solusi sistem segitiga
2

Dengan demikian, kami memiliki hasil sebagai berikut:

LEMMA 4.1

Jumlah total perkalian dan divisi yang diperlukan untuk mendapatkan

solusi dari suatu 𝑛 × 𝑛 sistem linear menggunakan eliminasi Gauss naif

𝑛3 𝑛
+ 𝑛2 −
3 3
Oleh karena itu, untuk 𝑛 besar jumlah total operasi adalah sekitar 𝑛3 / 3.

Contoh Soal:

Memecahkan sistem persamaan

1 1 1 1 𝑥1 10
2 3 1 5 𝑥2
[−1 ] [ ] = [ 31 ]
1 −5 3 𝑥3 −2
3 1 7 −2 𝑥4 18
Matriks yang diperbesar bersama dengan pengganda baris mi1 adalah

Pivot elemen→ 1 1 1 1 10
𝑚21 = 2 2 3 1 5 31
𝑚31 = -1 [−1 | ]
1 −5 3 −2
𝑚41 = 3 3 1 7 −2 18

10
Mengurangi kelipatan dari persamaan pertama dari tiga lainnya memberi

Pivot elemen→ 1 1 1 1 10
𝑚32 = 2 0 1 −1 3 11
[0 | ]
𝑚42 = -2 2 −4 4 8
0 −2 4 −5 −12

Mengurangi kelipatan, dari persamaan kedua dari dua yang terakhir, berikan
Pivot elemen→ 1 1 1 1 10
𝑚43 = -1 0 1 −1 3 11
[0 | ]
0 −2 −1 −14
0 0 2 1 10

Mengurangi kelipatan, dari persamaan kedua dari dua yang terakhir, berikan...

Mengurangi kelipatan, dari persamaan ketiga dari yang terakhir, memberikan

yang atas sistem segitiga
1 1 1 1 10
0 1 −1 3 11
[0 | ]
0 −2 −2 −14
0 0 0 −1 −4

Proses algoritma substitusi kembali diterapkan pada sistem segitiga menghasilkan

solusinya

𝑥4= −4
=4
−1

𝑥3= −14+2𝑥4 −6
= −2=4
−2

𝑥2= 11+𝑥3−3𝑋3=11+3−12=2

𝑥1= 10−𝑥2−𝑋3−𝑥4=10−2−3−4=1

Contoh Programnya Mengunakan Octave:

Selesaikan system persamaanberikutdenganEliminasi Gauss Naif
1 1 1 1 𝑥1 10
2 3 1 5 𝑥2
[−1 ] [ ] = [ 31 ]
1 −5 3 𝑥3 −2
3 1 7 −2 𝑥4 18

11
A=[1 1 1 1;2 3 1 5;-1 1 -5 3;3 1 7 -2];
b=[10 31 -2 18]';
A
B
n=length(b);
x=zeros(n,1);
fprintf('\n');
disp(' The augmented matrix is')
augm =[A b]
for k=1:n-1
for i=k+1:n
m=A(i,k)/A(k,k);
for j=k+1:n
A(i,j)=A(i,j)-m*A(k,j);
end
A(i,k)=m;
b(i)=b(i)-m*b(k);
end
end
x(n)=b(n)/A(n,n);
for i=n-1:-1:1
S=b(i);
for j=i+1:n
S=S-A(i,j)*x(j);
end
x(i)=S/A(i,i);
end
% Print the results
fprintf('\n');
disp(' The transformed upper triangular augmented matrix C is =')
fprintf('\n');
for i=1:n
for j=1:n
if (j<i) A(i,j)=0; end
end
end
C=[A b]
fprintf('\n');
disp(' The vector solution is =')
x

12
Hasil run:

2.3. METODE ITERATIF

Karena kesalahan pembulatan, metode langsung menjadi kurang efisien

daripada metode iteratif ketika diterapkan pada sistem besar, kadang-kadang
dengan sebanyak 100.000 variabel. Contoh dari sistem besar ini muncul dalam
solusi diferensial persamaan parsial. Dalam kasus ini, metode berulang lebih
disukai. Selain pembulatan kesalahan, jumlah ruang penyimpanan yang
diperlukan untuk solusi berulang pada komputer jauh lebih sedikit daripada yang
diperlukan untuk metode langsung ketika koefisien matriks sistem jarang, yaitu,
matriks yang mengandung proporsi nol yang tinggi. Jadi,untuk matriks jarang,

13
metode berulang lebih menarik daripada metode langsung.Skema berulang untuk
sistem linier terdiri dari konversi sistem (2.1) keformulir.
x  b1  Bx

Setelah tebakan awal, x ( 0) dipilih, urutan vektor solusi aproksimasidihasilkan

oleh komputasi
x ( k )  b1  Bx ( k 1)
untuk setiap k = 1 , 2 , 3 , .......

2.3.1 Metode berulang Jacobi

Menggambarkan metode untuk sistem linear 3 × 3.
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 = 𝑏2
𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 = 𝑏3

di mana di sumsikan bahwa istilah diagonal 𝑎 11 , 𝑎 22 , dan 𝑎 33 semuanya nol.

Dengan skema berulang dapat menyelesaikan setiap persamaan untuk salah satu
variabel, memilih, bila mungkin, untuk menyelesaikan variabel dengan koefisien
terbesar.
𝑥1 = 𝑢12 𝑥2 + 𝑢13 𝑥3 + 𝑐1
𝑥2 = 𝑢21 𝑥1 + 𝑢23 𝑥3 + 𝑐2
𝑥3 = 𝑢31 𝑥1 + 𝑢32 𝑥2 + 𝑐3
dimana :
aijbi
u ij   , ci 
, i  1,2,3
aii aiii
menjadi perkiraan awal dari solusi. ( 𝑛 + 1) diperoleh dari
𝑥1 = 𝑢12 𝑥2 + 𝑢13 𝑥3 + 𝑐1
𝑥2 = 𝑢21 𝑥1 + 𝑢23 𝑥3 + 𝑐2
𝑥3 = 𝑢31 𝑥1 + 𝑢32 𝑥2 + 𝑐3
untuk n = 0 , 1 , 2 , ... .
Dalam bentuk algoritmik, metode iteratif Jacobi dapat disajikan sebagai
berikut untuksebuah sistem linear n × n :
Pertimbangkan (4.1) dan memecahkan untuk x i di i th persamaan untuk
mendapatkan, asalkan sebuah ii = 0,

14
 n  aij x j  bi
xi      ,
 a i  1,2, ...., n
j 1  aii  ii
j 1

dan menghasilkan x ( k ) i untuk k ≥ 1 oleh

 a  b
n k 1
j 1 ij xj i
k  j 1
xi  , i  1, 2,.....,n (2.12)
aii

Proses berulang diakhiri ketika kriteria konvergensi terpenuhi. Satu kriteria

berhenti yang umum digunakan, yang dikenal sebagai kriteria perubahan relatif ,
adalah untuk mengulang
|𝑥 (𝑘) − 𝑥 (𝑘−1) |
, 𝑥 (𝑘) = (𝑥1 (𝑘) , ⋯ , 𝑥𝑛 (𝑘) )𝑇
|𝑥 (𝑘) |
kurang dari toleransi yang ditentukan ϵ> 0. Berlawanan dengan metode Newton
untuk menemukan akar dari suatu persamaan, konvergensi atau divergensi dari
proses iteratif dalam metode Jacobi tidak tergantung pada tebakan awal, tetapi
hanya bergantung pada karakter dari matriks itu sendiri. Namun, tebakan pertama
yang baik dalam kasus konvergensi akan menghasilkan iterasi yang relatif
sedikit. Ini juga benar untuk metode Gauss-Seidel yang akan disajikan pada
bagian selanjutnya.

CONTOH 2.11
Selesaikan sistem berikut ini dengan menggunakan metode iteratif
Jacobi. Gunakan EPS = 10-3ITMAX =30 , dan x (0) = 0 sebagai vektor awal.
7𝑥1 − 2𝑥2 + 𝑥3 = 17
𝑥1 − 9𝑥2 + 3𝑥3 − 𝑥4 = 13
2𝑥1 + 10𝑥3 + 𝑥4 = 15
𝑥1 − 𝑥2 + 𝑥3 − 6𝑥4 = 10
Persamaan ini dapat diatur ulang untuk diberikan
𝑥1 = (17 + 2𝑥2 − 𝑥3 )/7
𝑥2 = (−13 + 𝑥1 + 3𝑥3 − 𝑥4 )/9
𝑥3 = (15 − 2𝑥1 − 𝑥4 )/10
𝑥4 = (10 − 𝑥1 + 𝑥2 − 𝑥3 )/6

15
yang menyediakan proses berulang Jacobi berikut:
𝑥1 (𝑘+1) = (17 + 2𝑥2 (𝑘) − 𝑥3 (𝑘) )/7
𝑥2 (𝑘+1) = (−13 + 𝑥1 (𝑘) + 3𝑥3 (𝑘) − 𝑥4 (𝑘) )/9
𝑥3 (𝑘+1) = (15 − 2𝑥1 (𝑘) − 𝑥4 (𝑘) )/10
𝑥4 (𝑘+1) = (10 − 𝑥1 (𝑘) + 𝑥2 (𝑘) − 𝑥3 (𝑘) )/6
Pengganti 𝒙 (0) = (0 , 0 , 0 , 0) ke sisi kanan masing-masing persamaan ini
untuk mendapatkan
17 + 2(0) − 0
𝑥1 (1) = = 2.428571429
7
−13 + 0 + 3(0) − 0
𝑥2 (1) = = −1.444444444
9
15 − 2(0) − 0
𝑥3 (1) = = 1.5
10
10 − 0 + 0 − 0
𝑥4 (1) = = 1.666666667
6
dan 𝒙 (1) = (2 . 428 571 429 , − 1 . 444 444 444 , 1 . 5 , 1 . 666 666 667) 𝑇 .
Prosedur serupa menghasilkan urutan yang konvergen ke (lihat Tabel 4.4)
𝒙 (9) = (2 . 000.127.203 , − 1 . 000.100.162 , 1 . 000.118.096 , 1 . 000.162.172) T .

2.3.2 Metode iteratif Gauss-Seidel

Algoritma untuk Gauss-Seidel hampir sama dengan untuk Jacobi, kecuali
itusetiap x -nilai ditingkatkan menggunakan perkiraan terbaru untuk nilai-
nilaivariabel lain. Dalam hal ini, ( 𝑛 + 1) pendekatan diperoleh
dari 𝑛 diperkiraan untuk sistem 3 × 3 dengan menulis.
(𝑛+1) (𝑛) (𝑛)
𝑥1 = 𝑢12 𝑥2 + 𝑢13 𝑥3 + 𝑐1
(𝑛+1) (𝑛+1) (𝑛)
𝑥2 = 𝑢21 𝑥1 + 𝑢23 𝑥3 + 𝑐2
(𝑛+1) (𝑛+1) (𝑛+1)
𝑥3 = 𝑢31 𝑥1 + 𝑢32 𝑥2 + 𝑐3
Dalam bentuk algoritmik, Gauss-Seidel dapat disajikan sebagai berikut:
𝑥( 𝑘 ) dihasilkan untuk 𝑘 ≥ 1 oleh
(𝑘) (𝑘−1)
(1) − ∑𝑖−1 𝑛
𝑗=1(𝑎𝑖𝑗 𝑥𝑗 )−∑𝑗=𝑖+1(𝑎𝑖𝑗 𝑥𝑗 )+𝑏𝑖
𝑥𝑖 = (4.13)
𝑎𝑖𝑖

Program Matlab:

16
A=[7 -2 1 0;1 -9 3 -1;2 0 10 1;1 -1 1 6];
b=[17 13 15 10]';
x0=[0 0 0 0]';
n=length(b);
x=zeros(n,1);
fprintf('\n');
disp(' The augmented matrix is =')
Augm=[A b]
Y=zeros(n,1);
Y=x0;
itmax=100;tol=0.00001;
for k=1:itmax+1
for i=1:n
S=0;
for j=1:n
if (j~=i)
S=S+A(i,j)*x0(j);
end
end
if(A(i,i)==0)
break
end
x(i)=(-S+b(i))/A(i,i);
end
err=abs(norm(x-x0));
rerr=err/(norm(x)+eps);
x0=x;
Y=[Y x];
if(rerr<tol)
break
end
end
% Print the results
if(A(i,i)==0)
disp(' division by zero')
elseif (k==itmax+1)
disp(' No convergence')
else
fprintf('\n');
disp(' The solution vectors are:')
fprintf('\n');
disp('iter # 0 1 2 3 4 ...')
fprintf('\n');
for i=1:n
fprintf('x%1.0f = ',i)
fprintf('%10.6f',Y(i,[1:k+1]))
fprintf('\n');
end
fprintf('\n');
disp(['The method converges after ',num2str(k),' iterations
to']);
x
end
Tabel 2.4 Metode berulang Jacobi untuk Contoh 2.11.

17
Hasil run:

untuk setiap 𝑖 = 1 , 2 , . . . , 𝑛 .
Komentar yang mengikuti algoritma Jacobi mengenai kriteria berhenti dan start-
vektor juga berlaku untuk algoritma Gauss-Seidel. Karena nilai-nilai baru bisa
disimpan di lokasi yang memiliki nilai lama, kebutuhan penyimpanan
untuk x dengan metode Gauss-Seidel adalah setengah dari apa yang akan terjadi
dengan Jacobimetode dan laju konvergensi lebih cepat.

CONTOH 2.12

Selesaikan sistem berikut ini dengan menggunakan metode iteratif Gauss-

Seidel. Gunakan 𝐸𝑃𝑆 = 10 − 3, 𝐼𝑇𝑀𝐴𝑋 = 30 , 𝑑𝑎𝑛 𝒙 (0) = 𝟎 sebagai
vektor awal.
7𝑥1 − 2𝑥2 + 𝑥3 = 17
𝑥1 − 9𝑥2 + 3𝑥3 − 𝑥4 = 13
2𝑥1 + 10𝑥3 + 𝑥4 = 15
𝑥1 − 𝑥2 + 𝑥3 − 6𝑥4 = 10
Dari Contoh 4.11, kita punya
𝑥1 = (17 + 2𝑥2 − 𝑥3 )/7
𝑥2 = (−13 + 𝑥1 + 3𝑥3 − 𝑥4 )/9
𝑥3 = (15 − 2𝑥1 − 𝑥4 )/10
𝑥4 = (10 − 𝑥1 + 𝑥2 − 𝑥3 )/6
yang menyediakan proses iteratif Gauss-Seidel berikut:
(𝑘+1) (𝑘) (𝑘)
𝑥1 = (17 + 2𝑥2 − 𝑥3 )/7
𝑥2 (𝑘+1) = (−13 + 𝑥1 (𝑘+1) + 3𝑥3 (𝑘) − 𝑥4 (𝑘) )/9

18
 𝑥3 (𝑘+1) = (15 − 2𝑥1 (𝑘+1) − 𝑥4 (𝑘) )/10
𝑥4 (𝑘+1) = (10 − 𝑥1 (𝑘+1) + 𝑥2 (𝑘+1) − 𝑥3 (𝑘+1) )/6
Pengganti 𝒙 (0) = (0 , 0 , 0 , 0) ke sisi kanan masing-masing persamaan ini
untuk mendapatkan
17 + 2(0) − 0
𝑥1 (1) = = 2.428571429
7
−13 + 2.428571429 + 3(0) − 0
𝑥2 (1) = = −1.1746031746
9
15 − 2(2.428571429) − 0
𝑥3 (1) = = 1.0142857143
10
10 − 2.428571429 − 1.1746031746 − 1.0142857143
𝑥4 (1) = = 0.8970899472
6
dan sebagainya
𝑥 (1) = (2.428571429, −1.1746031746,1.0142857143,0.8970899472)𝑇
prosedur serupa menghasilkan urutan yang konvergen ke (lihat Tabel 4.5)
𝑥 (5) = (2.000025, −1.000130,1.000020,0.999971)𝑇
Program Octave
A=[7 -2 1 0;1 -9 3 -1;2 0 10 1;1 -1 1 6];
b=[17 13 15 10]';
x0=[0 0 0 0]';
n=length(b);
x=zeros(n,1);
fprintf('\n');
disp(' The augmented matrix is =')
Augm=[A b]
Y=zeros(n,1);
Y=x0;
tmax=100;tol=0.00001;
for k=1:tmax+1;
for i=1:n
S=0;
for j=1:i-1
S=S+A(i,j)*x(j);
end
for j=i+1:n
S=S+A(i,j)*x0(j);
end
if(A(i,i)==0)
break
end
x(i)=(-S+b(i))/A(i,i);

19
 end
err=abs(norm(x-x0));
rerr=err/(norm(x)+eps);
x0=x;
Y=[Y x];
if(rerr<tol)
break
end
end
% Print the results
if(A(i,i)==0)
disp(' division by zero')
elseif (k==tmax+1)
disp(' No convergence')
else
fprintf('\n');
disp(' The solution vectors are:')
fprintf('\n');
disp('iter # 0 1 2 3 4 ...')
fprintf('\n');
for i=1:n
fprintf('x%1.0f = ',i)
fprintf('%10.6f',Y(i,[1:k+1]))
fprintf('\n');
end
fprintf('\n');
disp(['The method converges after ',num2str(k),' iterations to']);
x
end
Hasil run:

20
 Tabel 2.5 Metode iteratif Gauss-Seidel untuk Contoh 4.12.

2.5.3 Konvergensi

Formulasi matriks dari metode iteratif Jacobi dan Gauss-Seidel dapat dilakukan
diperoleh dengan memecah matriks A menjadi jumlah
𝐴 = 𝐷 + 𝐿 + 𝑈

di mana D adalah diagonal A , L bagian segitiga bawah A , dan U bagian atas

segitiga bagian dari A . Itu adalah,

Dengan demikian, sistem (4.1) dapat ditulis sebagai

(𝐷 + 𝐿 + 𝑈)𝒙 = 𝒃.
Metode Jacobi dalam bentuk matriks adalah

𝐷 𝒙 ( 𝑘 ) = − ( 𝐿 + 𝑈 ) 𝒙 ( 𝑘 − 1) + 𝒃

dan metode Gauss-Seidel dalam bentuk matriks adalah

( 𝐷 + 𝐿 ) 𝒙 ( 𝑘 ) = − 𝑈 𝒙 ( 𝑘 − 1) + 𝒃 .

Sebelum menyatakan teorema tentang konvergensi Jacobi dan Gauss-Seidel

metode, kami membuat definisi berikut:

DEFINISI 2.3

Sebuah 𝑛 × 𝑛 matriks 𝐴 adalah ketat diagonal dominan jika

𝑛

|𝑎𝑖𝑖 | > ∑|𝑎𝑖𝑗 |, 𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2, ⋯ 𝑛.

𝑗=1
𝑗≠1

Kami sekarang memberikan kondisi yang cukup untuk Jacobi dan Gauss-Seidel
untuk konvergensi.

THEOREM 2.1 (teorema konvergensi Jacobi dan Gauss-Seidel)

21
Jika A benar-benar dominan secara diagonal, maka metode Jacobi dan Gauss-
Seidel bertemupilihan vektor awal x (0) .

Bukti: Bukti dapat ditemukan dalam teks lanjutan tentang analisis numerik.

CONTOH 2.13

Pertimbangkan sistem persamaanMatriks koefisien sistem secara dominan

dominan secara diagonal.

Oleh karena itu, jika metode Jacobi atau Gauss-Seidel digunakan untuk
menyelesaikan sistem persamaan,maka itu akan bertemu untuk setiap pilihan
vektor awal x ( 0 ).

22
 BAB III
PENUTUP
3.1. Kesimpulan
Kesimpulan yang di peroleh pada makalah ini yaitu sebagai berikut:
1. Ukuran matriks dijelaskan dengan menentukan jumlah baris dan kolom itu
terjadi dalam matriks. Jika sebuah matriks hanya memiliki satu baris, kita
menyebutnya vektor baris, dan 𝑎 matriks yang hanya memiliki satu kolom
disebut vektor kolom. Huruf kapital akan menjadi digunakan untuk
menunjukkan matriks dan huruf kecil untuk menunjukkan entri mereka.
Matriks persegi tertentu memiliki sifat khusus. Misalnya kalau elemen di
bawah diagonal utama adalah nol, matriksnya disebut matriks segitiga. adalah
segitiga atas. Matriks kuadrat, 𝐴 di mana semua elemen di atas utama
diagonal adalah nol, disebut segitiga bawah. Kalau saja elemen-elemen di
main diagonal adalah nol, matriks disebut matriks diagonal.
2. Pertimbangkan sistem (4.1) dalam bentuk matriks
𝐴𝑥 = 𝑏.
Mari kita menunjukkan sistem aslinya dengan 𝐴(1) 𝑥 = 𝑏 (1) . Itu adalah,
(1) (1) (1) (1)
𝑎11 𝑎12 ⋯ 𝑎1𝑛𝑥1 𝑏1
(1) (1) (1) 𝑥 (1)
𝑎21 𝑎22 ⋯ 𝑎2𝑛 [ 2 ] = 𝑏2
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
(1) (1) (1) 𝑥𝑛 (1)
[𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 ] [𝑏𝑛 ]
Eliminasi Gaussian terdiri dari pengurangan sistem (2.3) menjadi setara
sistem 𝑈𝑥 = 𝑑, di mana 𝑈 adalah matriks segitiga atas. Sistem baru ini bisa
mudah diselesaikan dengan substitusi kembali.
3. Metode langsung menjadi kurang efisien daripada iteratifmetode ketika
mereka diterapkan pada sistem besar, kadang-kadang dengan sebanyak
100.000variabel. Contoh dari sistem besar ini muncul dalam solusi diferensial
parsialpersamaan. Dalam kasus ini, metode berulang lebih disukai. Selain
pembulatankesalahan, jumlah ruang penyimpanan yang diperlukan untuk
solusi berulang pada komputerjauh lebih sedikit daripada yang diperlukan
untuk metode langsung ketika koefisien matriksSistem jarang, yaitu, matriks

23
 yang mengandung proporsi nol yang tinggi. Jadi,untuk matriks jarang,
metode berulang lebih menarik daripada metode langsung.Skema berulang
untuk sistem linier terdiri dari konversi sistem (2.1) keformulir.
x  b1  Bx

Setelah tebakan awal, x ( 0) dipilih, urutan vektor solusi

aproksimasidihasilkan oleh komputasi
x ( k )  b1  Bx ( k 1) untuk setiap k = 1 , 2 , 3 , .......

3.2 Saran
Dengan penjelasan yang dapat penulis jabarkan, semoga bermanfaat bagi
kita semua. Besar harapan penulis kepada pembaca untuk dapat memahami dan
mampu untuk mengaplikasikannya dengan baik.

24
 DAFTAR PUSTAKA

Kharab Abdelwahab, Guenther Ronaldo B. 2000. An Introduction to Numerical Methods

MATLAB Approach.
Kutz j Nathan. 2013. Data-Driven Modeling & Scienific Computation.
Departemen Of Applied Mathematics : University Of Washington.
Sasongko, SB. 2010. Metode Numerik dengan Scilab. Yogyakarta: Andi.
Paulus, Erick, dkk. 2018. Perangkat Komputasi Numerik Scilab Berbasis Open-
Source: Algoritma dan Penerapannya. Yogyakarta: Deepublish.
Utomo, ABS. 2018. Pengantar Metode Komputasi Untuk Sains dan Teknik.
Yogyakarta : Gadjha Mada University Press.
Siahaan, V. dan RH Sianipar. 2018. Konsep dan Praktek Pemrograman Matlab.
Medan: Sparta Publishing.
Strang Gilbert. 2000. Computational Science and Engineering. Massachusetts
Institute of Technology: WELLESLEY-CAMBRIDGE

25