MODUL IV
(METODE SPNL NEWTON-RAPHSON, METODI JACOBI, METODE
GAUSS -SIEDEL)
NAMA : VINCENTIUS
NRP : 02211740000095
ASISTEN : FIKRAN SAHID
HARI/TANGGAL PRAKTIKUM : SELASA/ 23 OKTOBER 2019
I. Metode Newton-Raphson
I.1. Tujuan Praktikum
Praktikum ini bertujuan untuk mempelajari dan memahami metode Newton-Raphson
dalam menyelesaikan persamaan non-linier secara numerik
I.2. Dasar Teori
Persamaan non-linier adalah suatu bentuk f(x)=0 dimana pangkat dari variable idak
hanya berpangkat 1, namun terdapat pangkat bulat positif, bulat negatif, maupun desimal
dan dapat berbentuk operasi sin, cos, tan, dll sedangkan sistem persamaan non linear
adalah kumpulan dari persamaan non linear yang saling berkaitan,, dimana setiap
persamaan terdapat lebih dari 1 variabel. Contohnya system persamaan non-linear dua
variable y=sin x dan y=x 2. Metode yang sering digunakan dalam penyelesaian system
persamaan non linear adalah Newton-Raphson. Missal terdapat n buah persamaan non
linear:
f 1 ( x 1 , x2 , … , xn ) =0
f 2 ( x 1 , x 2 , … , x n ) =0
f n ( x 1 , x 2 , … , x n ) =0
Dengan metode Newton-Raphson, harga x 1 , x 2 , … , x n ditentukan dengan rumus
iterasi
k+1 k k −1
x =x −{ f ( x ) } { f ( x k ) } … .(1)
Dimana f ' ( x¿¿k)¿ merupakan jacobian matrix yang elemennya adalah fig’(x) atau
dfi
( x ) sebagai contoh untuk n=3, persamaan (1) menjadi:
dxj
[ ]
1 dx 2 dx 3
k+1 k
x x
[ ][]
1
k+1
x
2
k+1
x
3 x
1
k
= x =
2
k
3
df 2
dx 1
df 3
dx 1
df 2
dx 2
df 3
dx 2
df 2
dx 3
df 3
dx 3
f1
f2
f3 []
Kelebihan metode ini yaitu memerlukan 2 titik awal, iterasi lebih cepat dan bisa
untuk menentukan x dari persamaan pangkat tinggi. Sedangkan kekurangannya adalah
diperlukan pencarian turunan fungsi dan inversnya
I.3. Algoritma
Prosedur metode Newton-Raphson secara sistematis adalah :
1. Menentukan harga awal x k1 , x k2 , x3k , … , x kn dan toleransinya
LABORATORIUM SIMULASI DAN KOMPUTASI
DEPARTEMEN TEKNIK KIMIA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
2019
METODE SPNL Newton-Raphson 3
2. Menghitung f1,f2,f3,…,fn
df 1 df 1 df 2 df 2 df 3 df 3
3. Menghitung ,… ; ,… , ; ,… ,
dx 1 dxn dx 1 dxn dx 1 dxn
4. Menghitung nilai x k+1 k+1 k+1
1 , x2 ,… , x n dengan persamaan (1)
I.4. Flowchart
1 c ii n aij k−1
dengan persamaan x i = −∑ x ; k=2,3 ,… , n … ..(1)
aii j=1 aii j
Dimana x ki adalah harga x i pada pendekatan ke k, iterasi dihentikan bila harga x ki
x ki −x k−1
mendekati harga x k−1
i yaitu
| x k−1
i
i
|
≤ ϵ ……(2)
Dimana ϵ adalah batas kesalahan maksimum (toleransi), metode ini konvergen bila:
n
Kelebihan metode ini adalah dapat menyelesaikan persamaan linear berukuran besar
dan proporsi koefisien 0nya besar. Kekurangannya adalah perlunya menganilisi turunan
dan konvergensinya lambat
II.3. Algoritma
Prosedur metode yacobi secara sistematis adalah :
1. Menentukan pendekatan awal x(i)
2. Menghitung masing masing komponen x untuk i=1,2,…,n dengan persamaan
(1)
3. Iterasi x 1 dihentikan bila nilai error lebih kecil dari toleransi, sebagaimana
persamaan (2)
II.4. Flowchart
Start
n, tol
a=[ ]
b=[ ]
i=1:n
input x(i)
tic
anew = zeros(n,n)
cnew = zeros(n,1)
i=1:n
z~=0
no
abs(a(i,p)>abs(a(i,l))
yes
l=p
no
p==n
p=p+1
yes z=1
z=0
j=1:n
B A
B A
anew(l,j)=a(i,j)
cnew(l,1)=c(i,1)
(a)
(c)
e=1 ; ite=0
max(e)>=tol
Ite=ite+1
i=1:n
jum=0
j=1:n
no
j~=i
yes
jum=jum+(a(i,j)*(x(j))
xnew(i)=(c(i,1)-jum)/(a(i,i))
i=1:n
e(i)=abs((xnew(i)-x(i))/x(i)
x(i)=xnew(i)
i=1:n
D C
D C
disp(i)=x(i)
Ite ; disp(e)
toc
end
Dimana ε adalah toleransi atau batas kesalahan maksimum yang diijinkan, adapun
syarat konvergensi metode ini sama seperti metode Yacobi, yaitu;
n
Metode Yacobi lebih effisien dari metode ini dalam penggunaan memori maupun
waktu iterasi. Kelebiha metode ini yaitu pembulatan dapat diperkecil dan iterasi lebih
cepat. Kekurangan adalah tidak dapat digunakan untuk SPL ukuran kecil dan kurang
effisien
III.3.Algoritma
Prosedur metode Gauss-Siedel secara sistematis adalah :
1. Menentukan pendekatan awal x 1i
2. Menghilangkan masing masing komponen x ki untuk i=1,2,…,n dengan
persamaan (1)
3. Iterasi dehentikan bila harga x ki mendekati harga x k−1
i sehingga memenuhi
persamaan (2)
III.4.Flowchart
Start
n ; tol
a=[matriks]
c=[matriks]
i=1:n
x(i)
tic
anew=zeros(n,n)
cnew=zeros(n,1)
i=1:n
Z~=1
abs(a(i,p))>abs(a(i,l))
l=p
p==n
p=p+1
z=1
z=0
j=1:n
anew(l,j)=a(i,j)
C B A
C B A
cnew(l,1)=c(i,1)
a=anew ; c=cnew
(a)
(c)
e=1 ; ite=0
max(e)>=tol
ite=ite+1
i=1:n
jum=0
j=1:n
yes
j ~= i
no
jum=jum+a(i,j)*x(j)
xnew(i)=(c(i,1)-jum)/a(i,i)
e(i)=abs((xnew(i)-x(i))/x(i))
x(i)=xnew(i)
i=1:n
Disp(i) = x(i)
Ite ; maks(e)
toc
end