CHAPTER 5 METODE BRACKET

Bab tentang akar persamaan ini membahas metode yang mengeksploitasi fakta bahwa
fungsi biasanya mengubah tanda di sekitar akar. Teknik-teknik ini disebut metode bracketing
karena dua inisial awal untuk root diperlukan. Seperti namanya, insial ini harus "bracket," atau
berada di kedua sisi, root. Metode-metode khusus yang dijelaskan disini menggunakan strategi
berbeda yang secara sistematis mengurangi lebar dari braket dan karenanya, memberikan
jawaban yang benar.

5.1 Metode Grafis

Sebuah metode sederhana untuk memperoleh perkiraan akar persamaan f ( x )=0 adalah
dengan membuat sebuah perencanaan dari fungsi dan mengamati titik yang melewati sumbu x,
dimana titik tersebut mewakili nilai x untuk f ( x )=0 menggambarkan secara kasar dari root
tersebut.

Contoh 5.1 Pendekatan Grafis

Pernyataan Masalah Gunakan pendekatan grafis untuk menentukan koefisien hambatan c yang
dibutuhkan untuk parasut bermassa m = 68,1 kg yang memiliki kecepatan 40 m/s setelah jatuh
bebas dalam waktu t = 10 s. Catatan: percepatan gravitasi = 9,8 m/s2.

Solusi. Masalah ini dapat diselesaikan dengan menentukan akar Persamaan. persamaan (PT2.4)
menggunakan parameter t = 10, g = 9.8, v = 40, dan m = 68.1:

9.8(68.1)
f ( c) = (1−e−(c/ 68.1) 10)- 40
c

Atau

667.38
f ( c) = (1−e−0,146843 c )- 40
c

variasi nilai c dapat digantikan ke dalam persamaan ini untuk dihitung

C f(c)
4 34.115
8 17.653
12 6.067
 16 -2.269
20 -8.401

Titik-titik ini diplot pada Gambar. 5.1. Kurva yang dihasilkan melintasi sumbu c diantara 12 dan
16. Inspeksi visual dari plot memberikan perkiraan kasar dari akar 14.75. Validitas estimasi
grafis dapat diperiksa dengan menggantikannya menjadi persamaan (E5.1.1) untuk menghasilkan

667.38
f ( 14.75 ) = (1−e−0,146843(14.75) )– 40 = 0.059
14.75

Yang mana mendekati angka nol. Ini juga dapat diperiksa dengan menggantinya menjadi
persamaan. (PT2.4) bersamaan dengan nilai parameter dari contoh ini untuk menyampaikan
bahwa

9.8(68.1)
v= (1−e−(14.75/ 68.1) 10)– 40 = 40.059
14.75

yang mana sangat dekat dengan kecepatan jatuh yang diinginkan sebesar 40 m/s.

Gambar 5.1

Pendekatan grafis untuk menentukan akar dari suatu persamaan.

Teknik grafis memiliki nilai praktis yang terbatas karena tidak tepat. Namun, metode
grafis dapat digunakan untuk memperoleh perkiraan kasar dari akar. Perkiraan ini dapat
 digunakan sebagai tebakan awal untuk metode numerik yang dibahas dalam bab ini dan bab
berikutnya.

Selain memberikan perkiraan kasar dari akar, interpretasi grafis adalah alat
penting untuk memahami sifat-sifat fungsi dan mengantisipasi perangkap
metode numerik. Sebagai contoh, Gambar. 5.2 menunjukkan sejumlah cara
di mana akar dapat terjadi (atau tidak ada) dalam interval yang ditentukan

oleh batas bawah x dan batas atas x . Gambar 5.2b menggambarkan kasus di
l u

mana akar tunggal dikurung oleh nilai negatif dan positif dari . Namun,
f (x)

pada Gambar 5.2d, di mana f (x ) dan f x juga berada di sisi berlawanan

l ( u)
dari sumbu x, menunjukkan tiga akar yang terjadi dalam interval. Secara

umum, jika f ( x ) dan f x memiliki tanda yang berlawanan, akarnya

l ( u)
berjumlah ganjil di dalam interval. Seperti ditunjukkan oleh Gambar 5.2a

dan c, jika f ( x ) dan f x memiliki tanda yang sama, tidak ada akar atau
l ( u)
akarnya berjumlah genap di antara nilai-nilai tersebut.

Meskipun generalisasi ini biasanya benar, ada beberapa kasus yang

terpengaruh. Misalnya, fungsi yang bersinggungan dengan sumbu x (Gambar
Gambar 5.2 Ilustrasi
5.3a) dan fungsi terputus-putus (Gambar 5.3b) dapat melanggar prinsip-
sejumlah cara umum bahwa
akar dapat terjadi dalam prinsip ini. Contoh fungsi yang tangensial terhadap sumbu adalah persamaan
interval yang ditentukan oleh
kubik . Perhatikan bahwa x = 2 membuat dua suku
f ( x )=(x−2)( x−2)(x−4)
batas bawah dan batas

dalam polinomial ini sama dengan nol. Secara matematis, x = 2 disebut

atas . Bagian (a) dan (c)
menunjukkan bahwa jika multiple root. Di akhir Chapter. 6, kami akan menyajikan teknik yang secara
tegas dirancang untuk menemukan beberapa akar (multiple root). Adanya
antara dan
kasus yang digambarkan pada Gambar 5.3 menyulitkan untuk
memiliki tanda yang
mengembangkan algoritma komputer umum yang dijamin untuk menemukan
sama, tidak akan ada akar
atau akan ada jumlah genap
pada akar dalam interval.
Bagian (b) dan (d)
menunjukkan bahwa jika
 semua akar dalam suatu interval. Namun, ketika digunakan bersama dengan pendekatan grafis,
metode yang dijelaskan berikut ini akan sangat berguna untuk memecahkan banyak akar masalah
persamaan yang dihadapi secara rutin oleh para insinyur dan matematikawan terapan.

Contoh 5.2 Penggunaan Grafik Komputer untuk Menemukan Akar

Pernyataan masalah. Grafik komputer dapat mempercepat dan

meningkatkan upaya Anda untuk menemukan akar persamaan. Diberikan
fungsi

f ( x )=sin10 x +cos 3 x

memiliki beberapa akar di atas rentang x = 0 hingga x = 5. Gunakan

grafik komputer untuk mendapatkan wawasan tentang perilaku fungsi
ini.

Solusi. Paket seperti perangkat lunak Excel dan MATLAB dapat

digunakan untuk menghasilkan plot. Gambar 5.4a adalah plot dari x

f (x)
Gambar 5.3 Ilustrasi dari
= 0 hingga x = 5. Plot ini menunjukkan adanya beberapa akar, termasuk
beberapa pengecualian untuk
kasus-kasus umum yang
akar ganda yang mungkin di sekitar x = 4.2 di mana tampaknya
digambarkan pada Gambar. f (x)
5.2. (A) Multiple root yang
terjadi ketika fungsi ini
bersinggungan dengan sumbu x. Gambaran yang lebih rinci tentang
bersinggungan dengan
perilaku diperoleh dengan mengubah rentang plot dari x = 3
sumbu x. Untuk kasus ini, f (x)
meskipun titik akhir adalah
tanda yang berlawanan, ada menjadi x = 5, seperti ditunjukkan pada Gambar 5.4b. Akhirnya, pada
sejumlah persimpangan
Gambar. 5.4c, skala vertikal menyempit lebih jauh ke = - 0,15
sumbu untuk interval f (x)
tersebut. (B) Fungsi terputus-
putus di mana titik akhir dari
tanda braket berlawanan
bahkan jumlahnya genap
pada akar. Strategi khusus
hingga f (x) = 0,15 dan skala horizontal dipersempit menjadi x = 4,2 menjadi x = 4,3. Plot ini
menunjukkan dengan jelas bahwa akar ganda tidak ada di wilayah ini dan bahwa sebenarnya ada
dua akar yang berbeda di sekitar x = 4,23 dan x = 4,26.

Grafik komputer akan sangat bermanfaat dalam studi metode numerik Anda. Kemampuan ini
juga akan banyak digunakan pada aplikasi lain di kelas Anda dan kegiatan profesional lainnya.

Gambar 5.4

Pembesaran progresif dari f ( x )=sin10 x +cos 3 x oleh komputer. Grafik interaktif seperti itu
memungkinkan analis untuk menentukan bahwa ada dua akar yang berbeda antara x = 4.2 dan x
= 4.3
5.2 Metode Pembelahan

Saat menerapkan teknik grafis pada Contoh 5.1, Anda telah mengamati (Gambar 5.1)
bahwa f (x) tandanya berubah pada sisi yang berlawanan dari akarnya. Secara umum, jika f (x)
adalah nyata dan kontinu dalam interval dari x l ke x u lalu f ( x l) dan f ( x u) memiliki tanda yang
berlawanan

f ( x l) f (x u) < 0

maka setidaknya ada satu akar asli antara x ldan x u

Metode pencarian inkremental memanfaatkan pengamatan dengan menempatkan interval

dimana fungsinya berubah tanda. Kemudian lokasi perubahan tanda (dan akibatnya pada akar)
diidentifikasi lebih tepat dengan membagi interval menjadi sejumlah subinterval. Masing-masing
subinterval ini dicari untuk menemukan perubahan tanda. Proses ini diulang dan perkiraan akar
disempurnakan dengan membagi subintervals menjadi perincian yang lebih baik. Kami akan
kembali ke topik umum pencarian tambahan di Sec. 5.4.

Metode pembelahan, yang secara alternatif disebut pemotongan biner, interval setengah,
atau metode Bolzano, adalah salah satu jenis metode pencarian tambahan di mana interval selalu
dibagi menjadi dua. Jika suatu fungsi mengubah tanda selama suatu interval, nilai fungsi pada
titik tengah dievaluasi. Lokasi akar kemudian ditentukan sebagai tanda di titik tengah subinterval
di mana perubahan tanda terjadi. Proses ini diulang untuk mendapatkan perkiraan yang lebih
halus. Algoritma sederhana untuk penghitungan pembelahan tercantum dalam Gambar 5.5, dan
penggambaran grafis dari metode ini disediakan pada Gambar 5.6. Contoh berikut melewati
perhitungan aktual yang terlibat dalam metode ini.

Gambar 5.5

Langkah 1: Pilih dan tebakan yang lebih rendah untuk akar sehingga fungsi berubah tanda

selama interval. Ini dapat diperiksa dengan memastikan bahwa <0

Langkah 2: Perkiraan akar ditentukan oleh

Langkah 3: Buatlah evaluasi berikut untuk menentukan di mana yang terbawah sebagai akar

kebohongan: (a) Jika < 0, akar terletak di subinterval bawah. Oleh karena itu,

atur = dan kembali ke langkah 2.

(b) Jika > 0, akar terletak di bagian atas subinterval. Oleh karena itu, atur
Gambar 5.6 Penggambaran grafis dari
metode pembelahan. Plot ini sesuai
dengan tiga iterasi pertama dari
Contoh 5.3.

Contoh 5.3 Pembelahan

Pernyataan masalah. Gunakan pembelahan untuk memecahkan masalah yang sama didekati
secara grafis di Contoh 5.1

Solusi. Langkah pertama dalam membagi dua adalah menebak dua nilai dari yang tidak
diketahui (dalam masalah ini, c) yang memberikan nilai untuk f (c ) dengan tanda yang berbeda.
Dari Gambar 5.1, kita dapat melihat bahwa fungsi mengubah tanda antara nilai 12 dan 16. Oleh
karena itu, perkiraan awal dari akar x r terletak di titik tengah interval

12+16
x r= =14
2

Perkiraan ini mewakili kesalahan relatif persen benar dari εt = 5,3% (perhatikan bahwa nilai
sebenarnya dari akar adalah 14,7802). Selanjutnya kita menghitung produk dari nilai fungsi di
batas bawah dan di titik tengah:

f (12) f (14)=6 . 067(1. 569)=9 . 517

Yang mana lebih besar dari nol, dan karenanya tidak ada perubahan tanda terjadi antara batas
bawah dan titik tengah. Akibatnya, akar harus berada di antara 14 dan 16. Oleh karena itu, kita
membuat interval baru dengan mendefinisikan ulang batas bawah sebagai 14 dan menentukan
perkiraan akar yang direvisi sebagai

14+ 16
x r= =15
2

Yang merupakan kesalahan persen benar dari εt = 1,5%. Proses ini dapat diulang untuk
mendapatkan estimasi yang lebih halus. Sebagai contoh,

f (14) f (15)=1 . 569(−0 . 425)=−0 .666

Oleh karena itu, akar adalah antara 14 dan 15. Batas atas didefinisikan ulang sebagai 15, dan
perkiraan akar untuk iterasi ketiga dihitung sebagai

14+ 15
x r= =14.5
2

yang mewakili kesalahan relatif persen dari εt = 1,9%. Metode ini dapat diulang hingga hasilnya
cukup akurat untuk memenuhi kebutuhan Anda.

Dalam contoh sebelumnya, Anda mungkin telah memperhatikan bahwa kesalahan

sebenarnya tidak berkurang dengan setiap iterasi. Namun demikian, interval di mana akar itu
berada dibelah dua dengan setiap langkah dalam proses. Sebagaimana dibahas pada bagian
berikutnya, lebar interval memberikan perkiraan pasti dari batas atas kesalahan untuk metode
pembelahan.
5.2.1 Kriteria Pengakhiran dan Taksiran Kesalahan

Kami mengakhiri Contoh 5.3 dengan pernyataan bahwa metode ini dapat dilanjutkan
untuk mendapatkan perkiraan akar yang disempurnakan. Kita sekarang harus mengembangkan
kriteria obyektif untuk memutuskan kapan mengakhiri metode.

Saran awal mungkin untuk mengakhiri perhitungan ketika kesalahan yang benar jatuh di
bawah beberapa tingkat yang ditentukan. Misalnya, dalam Contoh 5.3, kesalahan relatif turun
dari 5,3 menjadi 1,9 persen selama proses perhitungan. Kami mungkin memutuskan bahwa kami
harus mengakhiri ketika kesalahan turun di bawah, katakanlah, 0,1 persen. Strategi ini cacat
karena perkiraan kesalahan dalam contoh didasarkan pada pengetahuan tentang akar sebenarnya
dari fungsi tersebut. Ini tidak akan terjadi dalam situasi yang sebenarnya karena tidak akan ada
gunanya menggunakan metode ini jika kita sudah mengetahui akarnya.

Oleh karena itu, kami memerlukan estimasi kesalahan yang tidak bergantung pada pengetahuan
awal dari akar. Seperti yang dikembangkan sebelumnya di Sec. 3.3, perkiraan persen relatif
kesalahan εa dapat dihitung, [ingat Persamaan. (3.5)]

x new old
ε a=
| r −x r

x new
r
|
100 %

Dimana x new
r adalah akar iterasi saat ini dan x old
r adalah akar iterasi sebelumnya. Nilai absolut
digunakan karena kita biasanya peduli dengan besarnya εa daripada dengan tandanya. Ketika εa
menjadi kurang dari kriteria penghentian yang ditentukan εs sebelumnya, perhitungan diakhiri.

Contoh 5.4 Perkiraan Kesalahan untuk Biseksi

Pernyataan masalah. Lanjutkan Contoh 5.3 hingga kesalahan perkiraan jatuh di bawah kriteria
penghentian εs = 0,5%. Gunakan Persamaan. (5.2) untuk menghitung kesalahan.

Solusi. Hasil dari dua iterasi pertama untuk Contoh 5.3 adalah 14 dan 15. Mengganti nilai-nilai
ini menjadi Persamaan. (5.2) hasilnya

|ε a|= |15−14
15 |
100 %=6.667 %
Ingat bahwa kesalahan relatif persen sebenarnya untuk perkiraan akar 15 adalah 1,5%. Oleh
karena itu, εa lebih besar dari εt. Perilaku ini dimanifestasikan untuk iterasi lainnya:

Iterasi xl xu xr εa (%) εt (%)

1 12 16 14 5.279
2 14 16 15 6.667 1.487
3 14 15 14.5 3.448 1.896
4 14.5 15 14.75 1.695 0.204
5 14.75 15 14.875 0.840 0.641
6 14.75 14.875 14.8125 0.422 0.219

Jadi, setelah enam iterasi εa akhirnya jatuh di bawah εs = 0,5%, dan perhitungannya dapat
diakhiri.

Hasil ini diringkas dalam Gambar 5.7."compang-camping" sifat kesalahan yang benar adalah
karena fakta bahwa, untuk pembelahan, akar yang benar dapat terletak di mana saja dalam
kurung interval. Kesalahan yang sebenarnya dan perkiraan jauh terpisah ketika interval terjadi
untuk berpusat pada akar yang benar. Mereka dekat ketika akar sejati jatuh di kedua ujung
interval.

Meskipun kesalahan perkiraan tidak memberikan perkiraan pasti dari kesalahan yang
sebenarnya, Gambar 5.7 menunjukkan bahwa εa menangkap tren penurunan umum εt. Selain itu,
plot menunjukkan karakteristik yang sangat menarik bahwa εa selalu lebih besar daripada εt.
Jadi, ketika εa turun di bawah εs, perhitungan dapat diakhiri dengan keyakinan bahwa akar
diketahui setidaknya sama akuratnya dengan tingkat yang dapat diterima sebelumnya.

GAMBAR 5.7

Kesalahan untuk metode

pembagian. Kesalahan yang
benar dan perkiraan diplot
versus jumlah iterasi.
Meskipun selalu berbahaya untuk menarik kesimpulan umum dari satu contoh, dapat ditunjukkan
bahwa εa akan selalu lebih besar daripada εt untuk metode pembelahan. Ini karena setiap kali
akar perkiraan terletak menggunakan pembelahan sebagai x r=(x l+ x u)/2 , kita tahu bahwa akar
sejati terletak di suatu tempat dalam selang waktu ( x u−x l )/2=∆ x /2. Oleh karena itu, akar
harus berada dalam ± X/2 dari perkiraan kami (Gambar 5.8). Misalnya, ketika Contoh 5.3
dihentikan, kita bisa membuat pernyataan definitif itu .

xr=14,5 ± 0,5

∆ x new old
Karena =xr −x r (gambar 5.9), Persamaan (5.2) memberikan batas atas yang tepat pada
2
kesalahan yang sebenarnya. Untuk ini harus dilampaui, dimana akar yang benar harus jatuh di
luar kurung interval yang menurut definisi, tidak pernah bisa terjadi untuk metode pembelahan.
Seperti yang diilustrasikan pada contoh berikutnya (Contoh 5.7), teknik-teknik penempatan-akar
lainnya tidak selalu baik. Meskipun pembelahan umumnya lebih lambat daripada metode lain,
kerapian analisis kesalahannya tentu merupakan aspek positif yang dapat membuatnya menarik
untuk aplikasi rekayasa tertentu.

GAMBAR 5.8

Tiga cara di mana interval dapat

memotong akar. Dalam (a) nilai
sebenarnya terletak di pusat interval,
sedangkan di (b) dan (c) nilai sebenarnya
terletak di dekat ekstrim. Perhatikan
bahwa perbedaan antara nilai sebenarnya
dan titik tengah interval tidak pernah

melebihi setengah panjang interval, atau

X / 2.
GAMBAR 5.9

Gambaran grafis tentang mengapa estimasi

kesalahan untuk membagi ( X / 2) setara

dengan perkiraan akar untuk iterasi ini
(xrnew) dikurangi perkiraan root untuk
iterasi sebelumnya (xrold).
Sebelum melanjutkan ke program komputer untuk membagi dua, kita harus mencatat bahwa
hubungannaya (Gambar 5.9)

new old x u−x l

x r −x r =
2

Dan

new xu + x l
xr =
2

dapat diganti menjadi Persamaan. (5.2) untuk mengembangkan formulasi alternatif untuk
perkiraan persen kesalahan relatif.

x u−x l
ε a=| |x u + xl
100 %

Persamaan ini menghasilkan hasil yang identik dengan Persamaan. (5.2) untuk pembelahan.
Selain itu, memungkinkan kami untuk menghitung perkiraan kesalahan berdasarkan dugaan awal
kami yaitu, pada iterasi pertama kami Misalnya, pada iterasi pertama dari Contoh 5.2, kesalahan
perkiraan dapat dihitung sebagai

ε a=|16−12
16+12 |
100 %=14.29 %

Manfaat lain dari metode pembelahan adalah bahwa jumlah iterasi yang diperlukan untuk
mencapai kesalahan mutlak dapat dihitung sebagai prioritas, sebelum memulai iterasi. Ini dapat
dilihat dengan mengakui bahwa sebelum memulai teknik, kesalahan mutlaknya

E0a =x 0u−x 0l =∆ x 0
di mana superskrip menunjuk iterasi. Oleh karena itu, sebelum memulai metode, kita berada di
"nol iterasi." Setelah iterasi pertama, kesalahan menjadi

1 ∆ x0
Ea =
2

Karena setiap iterasi berikutnya membagi dua kesalahan, rumus umum yang menghubungkan
kesalahan dan jumlah iterasi, n, adalah

n ∆ x0
Ea =
2n

Jika Ea . d adalah kesalahan yang diinginkan, persamaan ini dapat dipecahkan

∆ x0
log ( ) ∆ x0
n= Ea,d
log 2
= log(2
Ea,d )
Mari kita coba rumusnya. Untuk Contoh 5.4, interval awal adalah ∆ x 0=16−12=4 Setelah enam
iterasi, kesalahan mutlaknya adalah

|14.875−14.75|
Ea = = 0.0625
log 2

Kita dapat mengganti nilai-nilai ini menjadi Persamaan. (5.5) memberi

4
log ( )
n = log 0.0625 = 6
log 2

Dengan demikian, jika kita tahu sebelumnya bahwa kesalahan kurang dari 0,0625 dapat diterima,
rumus memberitahu kita bahwa enam iterasi akan menghasilkan hasil yang diinginkan.

5.2.2 Algoritma Biseksi

Algoritma pada Gambar 5.5 sekarang dapat diperluas untuk menyertakan pemeriksaan
kesalahan (Gambar 5.10). Algoritma menggunakan fungsi yang ditentukan pengguna untuk
membuat lokasi akar dan evaluasi fungsi lebih efisien. Selain itu, batas atas ditempatkan pada
jumlah iterasi. Akhirnya, pemeriksaan kesalahan disertakan untuk menghindari pembagian oleh
nol selama evaluasi kesalahan. Seperti itu akan terjadi ketika kurung interval berpusat pada nol.
Untuk situasi ini Persamaan. (5.2) menjadi tidak terbatas. Jika ini terjadi, program melewatkan
evaluasi kesalahan untuk iterasi tersebut.

Algoritma pada Gambar 5.10 tidak mudah digunakan; itu dirancang secara ketat untuk
mendapatkan jawabannya. In Prob. 5.14 pada akhir bab ini, Anda akan memiliki tugas untuk
membuatnya lebih mudah digunakan dan dipahami.

FUNCTION Bisect(xl, xu, es, imax, xr, iter, ea)

iter = 0
GAMBAR 5.10 DO
xrold = xr
Pseudocode berfungsi untuk xr = (xl = xu) / 2
iter = iter +1
mengimplementasikan pembelahan.
IF xr 0 THEN
ea = ABS ((xr - xrold) / xr) * 100
END IF
test = f(xl) * f(xr)
IF test < 0 THEN
xu = xr
ELSE IF test > 0 THEN
xl = xr
ELSE
ea = 0
END IF
IF ea < es OR iter ≥ imax EXIT
END DO
Bisect = XR

END BISECT

5.2.3 Meminimalkan Evaluasi Fungsi

Algoritma pembelahan pada Gambar 5.10 baik-baik saja jika Anda melakukan evaluasi
akar tunggal untuk fungsi yang mudah dievaluasi. Namun, ada banyak contoh di bidang teknik
saat ini tidak terjadi. Misalnya, anggaplah Anda mengembangkan program komputer yang harus
menemukan akar beberapa kali. Dalam kasus seperti itu Anda dapat memanggil algoritmA dari
Gambar. 5,10 beribu atau bahkan jutaan kali selama satu lompatan.

Lebih lanjut, dalam arti yang paling umum, fungsi univariat hanyalah entitas yang
mengembalikan nilai tunggal sebagai imbalan untuk satu nilai yang Anda kirimkan kepadanya.
Dirasakan dalam pengertian ini, fungsi tidak selalu merupakan rumus sederhana seperti
persamaan satu baris yang dipecahkan dalam contoh sebelumnya dalam bab ini. Sebagai contoh,
 suatu fungsi mungkin terdiri dari banyak baris kode yang dapat mengambil sejumlah besar waktu
eksekusi untuk dievaluasi. Dalam beberapa kasus, fungsi ini bahkan dapat mewakili program
komputer independen.

Karena kedua faktor ini, sangat penting bahwa algoritma numerik meminimalkan evaluasi
fungsi. Dalam cahaya ini, algoritma dari Gambar 5.10 kurang. Secara khusus, perhatikan bahwa
dalam membuat dua evaluasi fungsi per iterasi, ia menghitung kembali salah satu fungsi yang
ditentukan pada iterasi sebelumnya.

Gambar 5.11 menyediakan algoritma yang dimodifikasi yang tidak memiliki kekurangan ini.
Kami telah menyoroti garis yang berbeda dari Gambar 5.10. Dalam hal ini, hanya nilai fungsi
baru pada estimasi root yang dihitung. Nilai yang dihitung sebelumnya disimpan dan hanya
ditetapkan ulang saat braket menyusut. Jadi, evaluasi fungsi n + 1 dilakukan, bukan 2n.

FUNCTION Bisect(xl, xu, es, imax, xr, iter, ea)

GAMBAR 5.11 iter = 0
fl = f(xl)
Pseudocode untuk subprogram biseks yang DO
xrold = xr
meminimalkan evaluasi fungsi. xr = (xl + xu) / 2
fr = f(xr)
iter = iter + 1

IF xr 0 THEN
ea = ABS((xr - xrold) / xr) * 100
END IF
test = fl * fr
IF test < 0 THEN
xu = xr
ELSE IF test > 0 THEN
xl = xr
fl = fr
ELSE
ea = 0
END IF
IF ea < es OR iter imax EXIT
 END DO
Bisect = xr
END Bisect

5.3 METODE PALSU-POSISI

Meskipun pembelahan adalah teknik yang sangat valid untuk menentukan akar,
pendekatan “brute-force” relatif tidak efisien. Posisi yang salah adalah alternatif berdasarkan
wawasan grafis.

Kelemahan metode pembelahan adalah bahwa, dalam membagi interval dari xl ke xu

menjadi bagian yang sama, tidak ada akun yang diambil dari besaran f (xl) dan f (xu). Sebagai
contoh, jika f (xl) jauh lebih dekat ke nol daripada f (xu), kemungkinan bahwa akar lebih dekat
ke xl daripada xu (Gambar 5.12). Metode alternatif yang memanfaatkan wawasan grafis ini
adalah dengan menggabungkan f (xl) dan f (xu) dengan garis lurus. Perpotongan garis ini dengan
sumbu x mewakili perkiraan akar yang lebih baik. Kenyataan bahwa penggantian kurva dengan
garis lurus memberikan "posisi salah" dari akar adalah asal nama, metode posisi salah, atau
dalam bahasa Latin, regula falsi. Ini juga disebut metode interpolasi linier.

Menggunakan segitiga serupa (Gambar 5.12), perpotongan garis lurus dengan sumbu x
dapat diperkirakan sebagai

f ( x 1) f ( x ¿¿ u)
= ¿
xr−x 1 x r −xu

yang dapat dipecahkan (lihat Kotak 5.1 untuk rinciannya).

f ( x ¿¿ u)( x 1−xu )
xr = xu - ¿
f ( x 1 ) −f ( x u )
 GAMBAR 5.12

Penggambaran grafis dari metode posisi

salah. Segitiga yang sama digunakan untuk
menurunkan rumus untuk metode yang
diarsir.

Kotak 5.1 Penurunan Metode Posisi Palsu

Persamaan Cross-Multiply. (5.6) untuk menghasilkan

f ( x l ) ( x r −xu ) =f ( x u ) ( x r−x l )

Kumpulkan persyaratan dan atur ulang:

x r= [ f ( x l )−f (x u ) ]=x u f ( xl ) −x l f ( x u)

Dibagi oleh f (xl) − f (xu):

x u f ( x l )−x l f (x u )
x r=
f ( x l )−f ( x u)

Ini adalah salah satu bentuk metode posisi salah. Perhatikan bahwa ini memungkinkan
perhitungan xr root sebagai fungsi dari dugaan bawah dan atas xl dan xu. Ini dapat dimasukkan
ke dalam bentuk alternatif dengan mengembangkannya:

x l f (x l)
x r=
x l f ( x u)
f (x ¿¿l)−f (x u)− ¿
f ( x ¿¿ l)−f (x u )¿

lalu tambahkan dan kurangi xu di sisi kanan:

 xl f ( xl )
x r=x u +
xl f (x u)
f ( x¿¿ l)−f (x u)−x u − ¿
f (x ¿¿ l)−f (x u )¿

Mengumpulkan hasil ketentuan

xl f ( xl )
x r=x u +
xl f (x u)
f ( x¿¿ l)−f (x u)−x u − ¿
f (x ¿¿ l)−f (x u )¿

atau

f ( x u ) (x l−x u )
x r=x u −
f ( x ¿¿ l)−f ( x u )¿

yang sama dengan Persamaan. (5.7). Kami menggunakan formulir ini karena melibatkan satu
evaluasi fungsi kurang dan satu perkalian kurang dari Persamaan. (B5.1.1). Selain itu, langsung
sebanding dengan metode potong yang akan dibahas dalam Bab. 6

Ini adalah formula posisi-salah. Nilai xr dihitung dengan Persamaan. (5.7) kemudian
menggantikan yang mana dari dua tebakan awal, xl atau xu, menghasilkan nilai fungsi dengan
tanda yang sama dengan f (xr). Dengan cara ini, nilai-nilai xl dan xu selalu meng-bracket root
yang benar. Proses ini diulang hingga akar diperkirakan memadai. Algoritma ini identik dengan
yang untuk pembelahan (Gambar 5.5) dengan pengecualian bahwa Persamaan. (5.7) digunakan
untuk langkah 2. Selain itu, kriteria penghentian yang sama [Persamaan. (5.2)] digunakan untuk
mengakhiri perhitungan.

CONTOH 5.5 Posisi Palsu

Pernyataan masalah. Gunakan metode posisi-palsu untuk menentukan akar persamaan yang
sama yang diselidiki pada Contoh 5.1 [Persamaan. (E5.1.1)].

Solusi. Seperti pada Contoh 5.3, jalankan perhitungan dengan tebakan xl = 12 dan xu = 16.

Iterasi pertama:

x l=12 f ( x l )=6.0699

x u=16 f ( x u ) =−2.2688
 −2.2688 ( 12−16 )
x r=16− =14.9113
6.0669−(−2.2688 )

yang memiliki kesalahan relatif benar 0,89 persen.

Iterasi kedua:

f ( x l ) f ( x r )=−1.5426

Oleh karena itu, akar terletak di subinterval pertama, dan x r menjadi batas atas untuk iterasi
berikutnya, x u = 14.9113:

x l=12 f ( x l )=6.0699

x u=14.9113 f ( xu ) =−0.2543

−0.2543 ( 12−14.9113 )
x r=14.9113− =14.7942
6.0669−(−0.2543 )

yang memiliki kesalahan relatif benar dan mendekati 0,09 dan 0,79 persen. Iterasi tambahan
dapat dilakukan untuk memperbaiki perkiraan akar.

Perasaan untuk efisiensi relatif dari metode pembagian dan posisi-palsu dapat diapresiasi dengan
mengacu pada Gambar 5.13, di mana kita telah merencanakan kesalahan relatif persen
sebenarnya untuk Contoh 5.4 dan 5.5. Perhatikan bagaimana kesalahan untuk posisi palsu
berkurang lebih cepat daripada pembelahan karena skema yang lebih efisien untuk lokasi akar
dalam metode posisi-palsu.

Ingat dengan metode pembagian bahwa interval antara x l dan x u semakin kecil selama proses
perhitungan. Interval, sebagaimana didefinisikan oleh ∆ X /2=¿ xu−xl∨¿ 2 untuk iterasi
pertama, oleh karena itu memberikan ukuran kesalahan untuk pendekatan ini. Ini bukan kasus
untuk metode posisi salah karena salah satu tebakan awal mungkin tetap tetap di seluruh
perhitungan saat tebakan lainnya menyatu di akar. Misalnya, dalam Contoh 5.6, dugaan x l yang
lebih rendah tetap pada 12 sementara x u berkumpul di root. Untuk kasus-kasus seperti itu,
interval tidak menyusut tetapi mendekati nilai konstan.
 GAMBAR 5.13

Perbandingan kesalahan relatif dari

pembelahan dan metode posisi-palsu.

Contoh 5.6 menunjukkan bahwa Persamaan. (5.2) merupakan kriteria kesalahan yang
sangat konservatif. Bahkan, Persamaan. (5.2) sebenarnya merupakan perkiraan dari perbedaan
iterasi sebelumnya. Ini karena untuk kasus seperti Contoh 5.6, di mana metode ini konvergen
dengan cepat (misalnya, kesalahan dikurangi hampir satu urutan besarnya per iterasi), akar untuk
iterasi saat ini x new
r adalah perkiraan yang jauh lebih baik dari yang benar. nilai dari hasil x old
r

iterasi sebelumnya. Jadi, kuantitas dalam pembilang Persamaan. (5.2) sebenarnya mewakili
perbedaan dari iterasi sebelumnya. Akibatnya, kami yakin bahwa Persamaan. (5.2) memastikan
bahwa akar akan dikenal dengan akurasi yang lebih tinggi daripada toleransi yang ditentukan.
Namun, seperti yang dijelaskan di bagian berikutnya, ada kasus-kasus di mana posisi palsu
menyatu dengan lambat. Untuk kasus-kasus ini, Persamaan. (5.2) menjadi tidak dapat
diandalkan, dan kriteria penghentian alternatif harus dikembangkan.

5.3.1 Kesalahan Metode Posisi Palsu

Meskipun metode posisi-palsu tampaknya selalu menjadi metode kurung preferensi, ada
beberapa kasus yang kinerjanya buruk. Faktanya, seperti pada contoh berikut, ada kasus-kasus
tertentu di mana pembelahan menghasilkan hasil yang unggul.
CONTOH 5.6 Sebuah Kasus di mana Biseksi Lebih Baik daripada Posisi Palsu

Pernyataan masalah. Gunakan pembelahan dan posisi salah untuk mencari akar

f ( x )=x 10−1

antara x = 0 dan 1,3.

Solusi. Dengan menggunakan pembelahan, hasilnya dapat diringkas menjadi

Iterasi xl xu xr ε a (%) ε t (% )
1 0 1.3 0.65 100.0 35
2 0.65 1.3 0.975 33.3 2.5
3 0.975 1.3 1.1375 14.3 13.8
4 0.975 1.1375 1.05625 7.7 5.6
5 0.975 1.05625 1.015625 4.0 1.6

Jadi, setelah lima iterasi, kesalahan yang sebenarnya berkurang menjadi kurang dari 2 persen.
Untuk posisi salah, hasil yang sangat berbeda diperoleh:

Iterasi xl xu xr ε a (%) ε t (% )
1 0 1.3 0.09430 90.6
2 0.09430 1.3 0.18176 48.1 81.8
3 0.18176 1.3 0.26287 30.9 73.7
4 0.26287 1.3 0.33811 22.3 66.2
5 0.33811 1.3 0.40788 17.1 59.2
 GAMBAR 5.14

Plot f (x) = x10 - 1, mengilustrasikan konvergensi lambat dari metode posisi-palsu.

Setelah lima iterasi, kesalahan yang sebenarnya hanya berkurang menjadi sekitar 59
persen. Selain itu, perhatikan bahwa εa < εt. Dengan demikian, kesalahan perkiraan
menyesatkan. Pengetahuan tentang hasil ini dapat diperoleh dengan memeriksa plot dari
fungsi. Seperti pada Gambar 5.14, kurva melanggar premis yang menjadi dasar posisi
palsu yaitu, jika f ( x l) lebih dekat ke nol daripada f (x u), maka akar lebih dekat ke x l
daripada x u (ingat Gambar 5.12). Karena bentuk fungsi saat ini, kebalikannya benar.

Contoh forgoing menggambarkan bahwa generalisasi selimut mengenai metode lokasi-

root biasanya tidak dimungkinkan. Meskipun metode seperti posisi salah sering lebih unggul
daripada pembelahan, ada banyak kasus yang melanggar kesimpulan umum ini. Karena itu,
selain menggunakan Persamaan. (5.2), hasilnya harus selalu diperiksa dengan mengganti
estimasi root ke dalam persamaan asli dan menentukan apakah hasilnya mendekati nol.
Pemeriksaan semacam itu harus dimasukkan ke dalam semua program komputer untuk lokasi
akar.
 Contoh ini juga mengilustrasikan kelemahan utama dari metode posisi-salah:
kelurusannya. Artinya, saat iterasi berlangsung, salah satu poin bracketing akan cenderung tetap.
Ini dapat menyebabkan konvergensi yang buruk, terutama untuk fungsi dengan kelengkungan
yang signifikan. Bagian berikut memberikan solusi.

5.3.2 Modifikasi Posisi Palsu

Salah satu cara untuk mengurangi sifat salah-sisi “dari posisi salah adalah dengan
mendeteksi algoritma ketika salah satu batasan macet. Jika ini terjadi, nilai fungsi pada batas
stagnan dapat dibagi menjadi dua. Ini disebut metode posisi-palsu yang dimodifikasi.

Algoritma pada Gambar. 5.15 mengimplementasikan strategi ini. Perhatikan bagaimana

penghitung digunakan untuk menentukan kapan salah satu batasan tetap ditetapkan untuk dua
iterasi. Jika ini terjadi, nilai fungsi pada batas stagnan ini dibelah dua.

Efektivitas algoritma ini dapat ditunjukkan dengan menerapkannya pada Contoh 5.6. Jika
kriteria penghentian 0,01% digunakan, metode pembagian-pasangan dan standar posisi-palsu
akan bertemu dalam 14 dan 39 iterasi, masing-masing. Sebaliknya, metode falseposisi yang
dimodifikasi akan bertemu dalam 12 iterasi. Jadi, untuk contoh ini, itu agak lebih efisien
daripada pembelahan dan jauh lebih unggul daripada metode posisi-palsu yang tidak
dimodifikasi.

FUNCTION ModFalsePos(xl, xu, es, imax, xr, iter, ea)

GAMBAR 5.15 Iter = 0
fl = f(xl)
fu = f(xu)
Pseudocode untuk metode DO
posisi-palsu yang xrold = xr
xr = xu - fu * (xl - xu) / (fl - fu)
dimodifikasi. fr = f(xr)
iter = iter + 1
IF xr <> 0 THEN
ea = Abs((xr - xrold) / xr) * 100
END IF
test = fl * fr
IF test < 0 THEN
xu = xr
fu = f(xu)
iu = 0
il = il + 1

If il 2 THEN fl = fl / 2
ELSE IF test > 0 THEN
xl = xr
fl = f(xl)
il = 0
iu = iu + 1
 IF iu 2 THEN fu = fu / 2
ELSE
ea = 0
END IF
IF ea < es OR iter imax THEN EXIT
END DO
ModFalsePos = xr
END ModFalsePos

5.4 PENCARIAN INKREMENTAL DAN MENENTUKAN TINJAUAN AWAL

Selain memeriksa jawaban individu, Anda harus menentukan apakah semua akar yang
mungkin telah ditemukan. Seperti yang disebutkan sebelumnya, sebidang fungsi biasanya sangat
berguna dalam membimbing Anda dalam tugas ini. Pilihan lain adalah menggabungkan
pencarian tambahan di awal program komputer. Ini terdiri dari memulai di salah satu ujung
wilayah minat dan kemudian membuat evaluasi fungsi dengan sedikit peningkatan di seluruh
kawasan. Ketika tanda perubahan fungsi, diasumsikan bahwa akar jatuh di dalam kenaikan.
Nilai-nilai x di awal dan akhir dari kenaikan kemudian dapat berfungsi sebagai tebakan awal
untuk salah satu teknik bracketing yang dijelaskan dalam bab ini.

Masalah potensial dengan pencarian tambahan adalah pilihan penambahan panjang. Jika
panjangnya terlalu kecil, pencarian bisa sangat memakan waktu. Di sisi lain, jika panjangnya
terlalu besar, ada kemungkinan akar yang berjarak dekat mungkin terlewatkan (Gambar 5.16).
Masalahnya diperparah oleh kemungkinan adanya akar ganda. Obat tambahan untuk kasus-kasus
seperti itu adalah menghitung turunan pertama dari fungsi f (X ) pada awal dan akhir setiap
interval. Jika tanda perubahan turunan, itu menunjukkan bahwa minimum atau maksimum
mungkin telah terjadi dan bahwa interval harus diperiksa lebih dekat untuk keberadaan akar yang
mungkin.

Meskipun modifikasi semacam itu atau penggunaan peningkatan yang sangat baik dapat
meringankan masalah, harus jelas bahwa metode brute-force seperti pencarian tambahan tidak
mudah dibuktikan. Anda akan bijaksana untuk melengkapi teknik otomatis seperti itu dengan
informasi lain yang memberikan wawasan ke lokasi akar. Informasi tersebut dapat ditemukan
dalam merencanakan dan memahami masalah fisik dari mana persamaan berasal.
GAMBAR 5.16

Kasus di mana akar bisa dilewatkan

karena penambahan panjang prosedur
pencarian terlalu besar. Perhatikan
bahwa akar terakhir di sebelah kanan
adalah banyak dan akan terlewatkan
tanpa memperhitungkan penambahan
panjangnya.
 CHAPTER 6 METODE TERBUKA
Untuk metode bracketing di Chap. 5, akar terletak dalam interval yang ditentukan oleh
batas bawah dan atas. Penerapan berulang dari metode ini selalu menghasilkan perkiraan yang
lebih mendekati nilai akar yang sebenarnya. Metode seperti itu dikatakan konvergen karena
mereka bergerak mendekati kebenaran saat komputasi berlangsung (Gambar 6.1a).
Sebaliknya, metode terbuka yang diuraikan dalam bab ini didasarkan pada rumus yang
hanya membutuhkan satu nilai awal dari x atau dua nilai awal yang tidak selalu
mengelompokkan akar.
 GAMBAR 6.1 Penggambaran grafis dari perbedaan mendasar antara (a) bracketing dan (b) dan (c)
metode terbuka untuk lokasi akar. Di (a), yang merupakan metode pembelahan, akarnya dibatasi dalam
interval yang ditentukan oleh xl dan xu. Sebaliknya, untuk metode terbuka digambarkan dalam (b) dan
(c), rumus a digunakan untuk proyeksi dari xi ke xi + 1 secara berulang. Dengan demikian, metode dapat
(b) menyimpang atau (c) menyatu dengan cepat, tergantung pada nilai dari tebakan awal.

Dengan demikian, mereka kadang-kadang menyimpang atau menjauh dari akar yang sebenarnya
ketika komputasi berlangsung (Gambar 6.1b). Namun, ketika metode terbuka bertemu (Gambar
6.1c), mereka biasanya melakukan jauh lebih cepat daripada metode bracketing. Kita akan
memulai diskusi tentang teknik terbuka dengan versi sederhana yang berguna untuk
menggambarkan bentuk umum mereka dan juga untuk menunjukkan konsep konvergensi.

6.1 ITERASI TITIK TETAP SEDERHANA

Sebagaimana disebutkan di atas, metode terbuka menggunakan rumus untuk memprediksi akar.
Rumus semacam itu dapat dikembangkan untuk iterasi fixed-point (atau, seperti juga disebut,
satu-point iterasi atau substitusi berurutan) dengan menata ulang fungsi f (x) = 0 sehingga x
berada di sisi kiri persamaan:
x=g( x ) (6.1)
Transformasi ini dapat dicapai baik dengan manipulasi aljabar atau hanya dengan menambahkan
x ke kedua sisi persamaan asli. Sebagai contoh,
x 2−2 x+3=0
dapat dengan mudah dimanipulasi untuk menghasilkan
x 2+3
x=
2
sedangkan sin x = 0 dapat dimasukkan ke dalam bentuk Persamaan. (6.1) dengan menambahkan
x ke kedua sisi untuk menghasilkan
x=sinx+ x
Utilitas Persamaan. (6.1) menyediakan rumus untuk memprediksi nilai baru dari x sebagai fungsi
dari nilai x yang lama. Jadi, diberi tebakan awal pada akar x i, Persamaan. (6.1) dapat digunakan
untuk menghitung estimasi baru x i+1 seperti yang diungkapkan oleh rumus iterasi
x i+1=g( xi ) (6.2)
Seperti halnya rumus berulang lainnya dalam buku ini, kesalahan perkiraan untuk persamaan ini
dapat ditentukan dengan menggunakan pengukur kesalahan [Persamaan. (3.5)]:
x i+1−x i
|
ε a= |
x i+1
100 %

CONTOH 6.1 Iterasi Titik Tetap Sederhana

Pernyataan masalah. Gunakan iterasi titik tetap sederhana untuk mencari akar f ( x )=e−x −x .
Solusi. Fungsi dapat dipisahkan secara langsung dan diekspresikan dalam bentuk Persamaan.
(6.2) sebagai
x i+1=e−x
Dimulai dengan tebakan awal x 0=0 , persamaan iterasi ini dapat diterapkan untuk menghitung
i xi ε a (%) ε t (% )
0 0 100.0
1 1.000000 100.0 76.3
2 0.367879 171.8 35.1
3 0.692201 46.9 22.1
4 0.500473 38.3 11.8
5 0.606244 17.4 6.89
6 0.545396 11.2 3.83
7 0.579612 5.90 2.20
8 0.560115 3.48 1.24
9 0.571143 1.93 0.705
10 0.564879 1.11 0.399
Dengan demikian, setiap iterasi membawa perkiraan lebih dekat ke nilai akar sebenarnya:
0.56714329.

6.1.1 Konvergensi
Perhatikan bahwa persentasi kesalahan relatif benar untuk setiap iterasi dari Contoh 6.1 secara
kasar proporsional (dengan faktor sekitar 0,5 hingga 0,6) terhadap kesalahan dari iterasi
sebelumnya. Properti ini, disebut konvergensi linier, adalah karakteristik iterasi fixed-point.
Selain dari "laju" konvergensi, kita harus berkomentar pada titik ini tentang
"kemungkinan" konvergensi. Konsep konvergensi dan divergensi dapat digambarkan secara
grafis. Ingat bahwa di Sec. 5.1, kami membuat grafik fungsi untuk memvisualisasikan struktur
dan perilakunya (Contoh 5.1). Pendekatan semacam itu digunakan dalam Gambar. 6.2a untuk
fungsi f ( x )=e−x −x . Pendekatan grafis alternatif adalah memisahkan persamaan menjadi dua
bagian komponen, seperti pada
f 1 ( x )=f 2 ( x )
Kemudian dua persamaan
y 1=f 1 ( x) (6.3)
dan
y 2=f 2 (x) (6.4)
dapat diplot secara terpisah (Gambar 6.2b). Nilai-nilai x yang sesuai dengan persimpangan
fungsi-fungsi ini mewakili akar f (x) = 0.

CONTOH 6.2 Metode Grafis Dua Kurva

Pernyataan masalah. Pisahkan persamaan e− x −x=0 menjadi dua bagian dan tentukan akarnya
secara grafis.
Solusi. Merumuskan ulang persamaan sebagai y 1=x dan y 2=e−x. Nilai-nilai berikut dapat
dihitung:
x y1 y2
0.0 0.0 1.000
0.2 0.2 0.819
0.4 0.4 0.670
0.6 0.6 0.549
0.8 0.8 0.449
1.0 1.0 0.368

Titik-titik ini diplot pada Gambar. 6.2b. Persimpangan dari dua kurva menunjukkan perkiraan
akar kira-kira x = 0,57, yang sesuai dengan titik di mana kurva tunggal pada Gambar 6.2a
melintasi sumbu x.
 GAMBAR 6.2 Dua metode grafis alternatif untuk menentukan akar f ( x )=e−x −x . (a) akar pada titik di
mana ia melintasi sumbu x; (b) akar di persimpangan fungsi komponen.

Metode dua kurva sekarang dapat digunakan untuk menggambarkan konvergensi dan divergensi
iterasi fixed-point. Pertama, Persamaan. (6.1) dapat diekspresikan kembali sebagai pasangan
persamaan y 1=x dan y 2=g( x). Kedua persamaan ini kemudian dapat diplot secara terpisah.
Seperti halnya dengan Persamaan. (6.3) dan (6.4), akar f (x) = 0 sesuai dengan nilai absis pada
perpotongan dua kurva. Fungsi y 1=x dan empat bentuk berbeda untuk y 2=g( x) diplot dalam
Gambar 6.3.
Untuk kasus pertama (Gambar 6.3a), tebakan awal x0 digunakan untuk menentukan titik yang
sesuai pada kurva y2 [x0, g (x0)]. Titik (x1, x1) terletak dengan bergerak ke kiri secara horizontal
ke kurva y1. Gerakan-gerakan ini setara dengan iterasi pertama dalam metode fixed-point:
x 1=g( x 0 )
Jadi, baik dalam persamaan maupun dalam plot, nilai awal x 0 digunakan untuk memperoleh
perkiraan x1. Iterasi selanjutnya terdiri dari perpindahan ke [x1, g (x1)] dan kemudian ke (x2, x2).
GAMBAR 6.3 Penggambaran grafis dari (a) dan (b) konvergensi dan (c) dan (d) divergensi iterasi fixed-
point sederhana. Grafik (a) dan (c) disebut pola monoton, sedangkan (b) dan (d) disebut pola berosilasi

atau spiral. Perhatikan bahwa konvergensi terjadi ketika |g' ( x )<1|.

Kotak 6.1 Konvergensi Iterasi Titik-Tetap

Dari mempelajari Gambar 6.3, harus jelas bahwa iterasi fixed-point menyatu jika, di wilayah
yang diminati, | g (x) | <1. Dengan kata lain, konvergensi terjadi jika magnitudo kemiringan g (x)
kurang dari kemiringan garis f (x) = x. Pengamatan ini dapat ditunjukkan secara teoritis. Ingat
bahwa persamaan iterasi adalah
x i+1=g( xi )
Anggaplah bahwa solusi yang benar adalah
x r=g ( x r )
Mengurangi hasil persamaan ini
x r−x i +1=g ( x r )−g( xi ) (B6.1.1)
Teorema nilai rata-rata derivatif (ingat Bagian 4.1.1) menyatakan bahwa jika fungsi g (x) dan
turunan pertamanya terus menerus selama interval a ≤ x ≤ b, maka paling tidak ada satu nilai x =
ξ dalam selang waktu seperti itu
g ( b )−g(a)
g' ( ξ ) = (B6.1.2)
b−a
 Sisi kanan persamaan ini adalah kemiringan garis yang menghubungkan g (a) dan g (b). Dengan
demikian, teorema nilai rata-rata menyatakan bahwa paling tidak ada satu titik antara a dan b
yang memiliki kemiringan, yang ditentukan oleh g'(ξ), yang sejajar dengan garis yang
menghubungkan g (a) dan g (b) (ingat Gambar 4.3).
Sekarang, jika kita membiarkan a = x i dan b = xr, sisi kanan Persamaan (B6.1.1) dapat
diekspresikan sebagai
g ( x r ) −g ( x i ) =( x r−x i ) g ' (ξ)
di mana ξ berada di antara xi dan xr. Hasil ini kemudian dapat diganti menjadi Persamaan.
(B6.1.1) untuk menghasilkan
x r−x i +1=( x r−x i ) g' (ξ) (B6.1.3)
Jika kesalahan nyata untuk iterasi i didefinisikan sebagai
Et ,i=x r −x i
kemudian Persamaan. (B6.1.3) menjadi
Et ,i+1 =g ' ( ξ) Et , i
Akibatnya, jika | g'(x) | <1, kesalahan menurun dengan setiap iterasi. Untuk | g'(x) |> 1, kesalahan
meningkat. Perhatikan juga bahwa jika derivatif positif, kesalahan akan menjadi positif, dan
karenanya, solusi iteratif akan menjadi monotonik (Gambar 6.3a dan c). Jika turunan negatif,
kesalahan akan berosilasi (Gambar 6.3b dan d).
Suatu bagian dari analisis adalah bahwa hal itu juga menunjukkan bahwa ketika metode
menyatu, kesalahan secara kasar sebanding dengan dan kurang dari kesalahan dari langkah
sebelumnya. Untuk alasan ini, iterasi fixedpoint sederhana dikatakan konvergen linear.

iterasi ini setara dengan persamaan

x 2=g ( x 1 )
Solusi pada Gambar 6.3a adalah konvergen karena perkiraan x bergerak lebih dekat ke akar
dengan setiap iterasi. Hal yang sama berlaku untuk Gambar 6.3b. Namun, ini tidak berlaku untuk
Gambar 6.3c dan d, di mana iterasi menyimpang dari akarnya. Perhatikan bahwa onvergensi
tampaknya terjadi hanya ketika nilai absolut dari kemiringan y2 = g (x) kurang dari kemiringan y1
= x, yaitu, ketika | g (x) | <1. Kotak 6.1 menyediakan derivasi teoritis dari hasil ini.

6.1.2 Algoritma untuk Iterasi Titik Tetap

Algoritma komputer untuk iterasi fixed-point sangat sederhana. Ini terdiri dari loop untuk secara
iterasi menghitung rangsangan baru sampai kriteria pengakhiran telah dipenuhi. Gambar 6.4
menyajikan pseudocode untuk algoritma. Metode terbuka lainnya dapat diprogram dengan cara
yang sama, modifikasi utama adalah untuk mengubah rumus iterasi yang digunakan untuk
menghitung perkiraan akar baru.
 GAMBAR 6.4 Pseudocode untuk iterasi fixed-point. Perhatikan bahwa metode terbuka lainnya dapat
dilemparkan dalam format umum ini.

GAMBAR 6.5 Penggambaran grafis dari metode Newton-Raphson. Bersinggungan dengan fungsi x i
[yaitu, f’(xi)] diekstrapolasi ke sumbu x untuk memberikan perkiraan akar pada x i + 1.

6.2 METODE NEWTON-RAPHSON

Barangkali formula yang paling banyak digunakan dari semua rumus pencari-akar adalah
persamaan Newton-Raphson (Gambar 6.5). Jika tebakan awal pada root adalah x i, suatu tangen
dapat diperpanjang dari titik [xi, f(xi)]. Titik di mana garis singgung ini melintasi sumbu x
biasanya mewakili perkiraan akar yang diperbaiki.
Metode Newton-Raphson dapat diturunkan berdasarkan interpretasi geometri ini (metode
alternatif berdasarkan deret Taylor dijelaskan dalam Kotak 6.2). Seperti pada Gambar 6.5,
turunan pertama pada x setara dengan kemiringan:
 f (x i)−0
f ' ( x i )= (6.5)
x i−x i+1
yang dapat diatur ulang untuk menghasilkan
f (x i)
x i+1=x i− (6.6)
f '( xi )
yang disebut rumus Newton-Raphson.

CONTOH 6.3 Metode Newton-Raphson

Pernyataan masalah. Gunakan metode Newton-Raphson untuk memperkirakan akar f ( x )=e−x −x
menggunakan tebakan awal x 0=0 .
Solusi. Turunan pertama dari fungsi dapat dievaluasi sebagai
f ' ( x )=−e− x −1
yang dapat digantikan dengan fungsi asli menjadi persamaan (6.6) memberi
e− x −xi
i

x i+1=x i− − xi
−e −1
Dimulai dengan tebakan awal x0 = 0, persamaan iterasi ini dapat diterapkan untuk menghitung
i xi ε t (% )
0 0 100
1 0.500000000 11.8
2 0.566311003 0.147
3 0.567143165 0.0000220
4 0.567143290 <10−8

Dengan demikian, pendekatan dengan cepat menyatu pada akar yang benar. Perhatikan bahwa
persentase kesalahan relatif yang benar pada setiap iterasi menurun jauh lebih cepat daripada
yang terjadi pada iterasi fixed-point sederhana (bandingkan dengan Contoh 6.1).

6.2.1 Kriteria Pengakhiran dan Taksiran Kesalahan

Seperti metode lokasi akar lainnya, persamaan (3.5) dapat digunakan sebagai kriteria
pengakhiran. Selain itu, derivasi deret deret Taylor dari metode ini (Kotak 6.2) memberikan
pandangan teoretis mengenai laju konvergensi seperti yang diungkapkan oleh Ei +1=O(E21 ).
Dengan demikian kesalahan harus secara kasar sebanding dengan kuadrat dari kesalahan
sebelumnya.
 Kotak 6.2 Derivasi dan Analisis Kesalahan Metode Newton-Raphson
Selain dari derivasi geometrik [Persamaan. (6.5) dan (6.6)], Metode Newton-Raphson juga dapat
dikembangkan dari ekspansi deret Taylor. Derivasi alternatif ini berguna karena memberikan
wawasan tentang laju konvergensi metode.
Mengingat dari Bab. 4 bahwa ekspansi deret Taylor dapat direpresentasikan sebagai
' f ' ' (ξ )
f ( x i +1) =f ( x i ) + f ( x i ) ( x i+1−x i ) + ( x i+1−x i)2 (B6.2.1)
2!
di mana ξ terletak di suatu tempat di interval dari xi ke xi + 1. Versi perkiraan dapat diperoleh
dengan memotong seri setelah istilah turunan pertama:
f ( x i +1) ≅ f ( x i ) +f ' ( x i )( x i +1−x i)
Di persimpangan dengan sumbu x, f (xi + 1) akan sama dengan nol, atau
0=f ( x i ) + f ' ( x i ) ( x i+1−x i ) (B6.2.2)
yang bisa dipecahkan
f ( xi )
x i+1=x i− '
f ( xi )
yang identik dengan Persamaan. (6.6). Dengan demikian, kami telah menggunakan rumus
NewtonRaphson menggunakan deret Taylor.
Selain derivasi, deret Taylor juga bisa digunakan untuk memperkirakan kesalahan dari rumus. Ini
dapat dilakukan dengan menyadari bahwa jika rangkaian Taylor lengkap dipekerjakan, hasil
yang pasti akan diperoleh. Untuk situasi ini xi + 1 = xr, di mana x adalah nilai sebenarnya dari
akar. Mengganti nilai ini bersama dengan f (xr) = 0 menjadi Persamaan. (B6.2.1) menghasilkan
' f ' ' (ξ )
0=f ( x i ) + f ( x i ) ( x r−x i ) + (x r−x i)2 (B6.2.3)
2!
Persamaan (B6.2.2) dapat dikurangkan dari Persamaan. (B6.2.3) memberi
f '' (ξ )
0=f ' ( x i ) ( x r−x i+1 ) + ( x r −xi )2 (B6.2.4)
2!
Sekarang, sadarilah bahwa kesalahan itu sama dengan ketidaksesuaian antara xi + 1 dan nilai
sebenarnya xr, seperti pada
Et ,i+1 =xr −x i+1
dan Persamaan. (B6.2.4) dapat dinyatakan sebagai
f ' ' (ξ ) 2
0=f ' ( x i ) Et , i+1 + E
2! t ,i
(B6.2.5)
Jika kita mengasumsikan konvergensi, baik xi dan ξ akhirnya harus didekati oleh akar xr, dan
Persamaan. (B6.2.5) dapat menghasilkan
−f ' ' ( x r ) 2
Et ,i+1 = ' Et , i
2 f ( xr )
(B6.2.6)
Menurut Persamaan. (B6.2.6), kesalahan secara kasar sebanding dengan kuadrat dari kesalahan
sebelumnya. Ini berarti bahwa jumlah tempat desimal yang benar sekitar dua kali lipat dengan
setiap iterasi. Perilaku seperti ini disebut sebagai konvergensi kuadrat. Contoh 6.4
 memanifestasikan properti ini.

Dengan kata lain, jumlah angka akurasi signifikan sekitar dua kali lipat dengan setiap iterasi.
Perilaku ini diperiksa dalam contoh berikut.

CONTOH 6.4 Analisis Kesalahan Metode Newton-Raphson

Pernyataan masalah. Seperti yang diturunkan dalam Kotak 6.2, metode Newton-Raphson secara
kuadrat konvergen. Yaitu, kesalahan secara kasar sebanding dengan kuadrat kesalahan
sebelumnya, seperti pada
−f '' ( xr )
Et ,i+1 ≅ '
E2t ,i (E6.4.1)
2 f ( xr )
Periksa rumus ini dan lihat apakah ini berlaku untuk hasil Contoh 6.3.
Solusi. Turunan pertama dari f ( x )=e−x −x adalah
f ' ( x )=−e−x −1
yang dapat dievaluasi pada xr = 0,56714329 sebagai f'(0,56714329) = −1,56714329. Turunan
kedua adalah
f ' ' ( x )=e−x
yang dapat dievaluasi sebagai f''(0,56714329) = 0,56714329. Hasil ini dapat diganti menjadi
Persamaan. (E6.4.1) untuk menghasilkan
0.56714329
Et ,i+1 ≅− E2t , i=0.18095 E2t , i
2(−1.56714329)
Dari Contoh 6.3, kesalahan awal adalah Et,0 = 0,56714329, yang dapat digantikan ke dalam
persamaan kesalahan untuk diprediksi
Et ,1 ≅ 0.18095(0.56714329)2=0.0582
yang mendekati kesalahan sebenarnya dari 0.06714329. Untuk iterasi selanjutnya,
Et ,2 ≅ 0.18095(0.06714329)2=0.0008158
yang juga lebih baik dibandingkan dengan kesalahan sebenarnya dari 0,0008323. Untuk iterasi
ketiga,
Et ,3 ≅ 0.18095(0.0008323)2=0.000000125
yang merupakan kesalahan yang diperoleh pada Contoh 6.3. Perkiraan kesalahan meningkat
dengan cara ini karena, ketika kita mendekati akar, x dan ξ lebih baik didekati oleh x r [ingat
asumsi kita untuk beralih dari Persamaan. (B6.2.5) ke Persamaan. (B6.2.6) di Kotak 6.2].
Akhirnya,
Et ,4 ≅ 0.18095(0.000000125)2=2.83× 10−15
Dengan demikian, contoh ini menggambarkan bahwa kesalahan metode Newton-Raphson untuk
kasus ini, pada kenyataannya, secara kasar proporsional (dengan faktor 0,18095) ke kuadrat dari
kesalahan iterasi revious.

6.2.2 Kesalahan Metode Newton-Raphson

Meskipun metode Newton-Raphson sering sangat efisien, ada situasi di mana ia berkinerja
buruk. Sebuah kasus khusus — banyak akar — akan dibahas nanti dalam bab ini. Namun,
bahkan ketika berhadapan dengan akar sederhana, kesulitan juga bisa timbul, seperti pada contoh
berikut.

CONTOH 6.5 Contoh Fungsi Konvergensi Secara Bertahap dengan Newton-Raphson

Pernyataan masalah. Tentukan akar positif f (x) = x 10 - 1 menggunakan metode Newton-Raphson
dan tebakan awal x = 0,5.
Solusi. Rumus Newton-Raphson untuk kasus ini adalah
x 10
i −1
x i+1=x i− 9
10 x i
yang dapat digunakan untuk menghitung
Iterasi x
0 0.5
1 51.65
2 46.485
3 41.8365
4 37.65285
5 33.887565
.
.
.
∞ 1.0000000
Jadi, setelah prediksi pertama yang buruk, teknik ini menyatu pada akar sebenarnya dari 1, tetapi
pada tingkat yang sangat lambat.
Selain dari konvergensi lambat karena sifat dari fungsi, kesulitan lain dapat timbul, seperti yang
diilustrasikan pada Gambar. 6.6. Sebagai contoh, Gambar 6.6a menggambarkan kasus di mana
titik infleksi [yaitu, f''(x) = 0] terjadi di sekitar akar. Perhatikan bahwa iterasi yang dimulai pada
x0 semakin menyimpang dari akarnya. Gambar 6.6b mengilustrasikan kecenderungan teknik
Newton-Raphson untuk berosilasi sekitar maksimum atau minimum lokal. Osilasi seperti ini
dapat bertahan, atau seperti pada Gambar 6.6b, kemiringan hampir mencapai nol, dimana solusi
dikirim jauh dari area yang diinginkan. Gambar 6.6c menunjukkan bagaimana tebakan awal yang
mendekati satu akar dapat melompat ke lokasi beberapa akar. Kecenderungan ini untuk menjauh
dari area yang diminati adalah karena hampir nol lereng yang ditemui. Tentunya, kemiringan nol
[f'(x) = 0] adalah benar-benar bencana karena menyebabkan pembagian dengan nol dalam rumus
Newton-Raphson [Persamaan. (6.6)]. Secara grafis (lihat Gambar 6.6d), itu berarti bahwa solusi
memotret secara horizontal dan tidak pernah menyentuh sumbu x.
Dengan demikian, tidak ada kriteria konvergensi umum untuk Newton-Raphson.
Konvergensinya tergantung pada sifat fungsi dan keakuratan tebakan awal. Satu-satunya
perbaikan adalah memiliki tebakan awal yang "cukup" dekat ke akar. Dan untuk beberapa fungsi,
tebakan tidak akan berhasil! Tebakan yang baik biasanya didasarkan pada pengetahuan tentang
pengaturan masalah fisik atau pada perangkat seperti grafik yang memberikan wawasan tentang
perilaku solusi. Kurangnya kriteria konvergensi umum juga menunjukkan bahwa perangkat
lunak komputer yang baik harus dirancang untuk mengenali konvergensi atau divergensi yang
lambat. Bagian selanjutnya membahas beberapa masalah ini.

6.2.3 Algoritma untuk Newton-Raphson

Algoritma untuk metode Newton-Raphson mudah diperoleh dengan mengganti Persamaan. (6.6)
untuk rumus prediktif [Persamaan. (6.2)] pada Gambar. 6.4. Perhatikan, bagaimanapun, bahwa
program juga harus dimodifikasi untuk menghitung turunan pertama. Ini dapat dengan mudah
dicapai dengan memasukkan fungsi yang ditentukan oleh pengguna.
Selain itu, mengingat pembahasan sebelumnya tentang masalah potensial dari metode Newton-
Raphson, program akan ditingkatkan dengan memasukkan beberapa fitur tambahan:
GAMBAR 6.6 Empat kasus di mana metode Newton-Raphson menunjukkan konvergensi yang buruk

1. Sebuah rutinitas perencanaan harus dimasukkan dalam program.

2. Pada akhir perhitungan, perkiraan akar akhir harus selalu diganti dengan fungsi asli untuk
menghitung apakah hasilnya mendekati nol. Pemeriksaan ini secara parsial menjaga
terhadap kasus-kasus di mana konvergensi lambat atau berosilasi dapat menyebabkan
nilai εa yang kecil sementara solusinya masih jauh dari akar.
 3. Program harus selalu menyertakan batas atas jumlah iterasi untuk menjaga terhadap
solusi berosilasi, lambat konvergen, atau divergen yang dapat bertahan tanpa henti.
4. Program ini harus memperingatkan pengguna dan memperhitungkan kemungkinan
bahwa f'(x) mungkin sama dengan nol sewaktu-waktu selama perhitungan.

6.3 METODE GARIS POTONG

Masalah potensial dalam menerapkan metode Newton-Raphson adalah evaluasi turunan.
Meskipun ini tidak nyaman untuk polinomial dan banyak fungsi lainnya, ada fungsi-fungsi
tertentu yang turunannya mungkin sangat sulit atau tidak nyaman untuk dievaluasi. Untuk kasus-
kasus ini, turunan dapat didekati dengan perbedaan terbagi hingga yang terbagi, seperti pada
(Gambar 6.7)

'
f ( xi−1 ) −f ( x i )
f (x i ) ≅
x i−1−x i

GAMBAR 6.7 Penggambaran grafis dari metode garis potong. Teknik ini mirip dengan teknik Newton-
Raphson (Gambar 6.5) dalam arti bahwa perkiraan akar diprediksi dengan mengekstrapolasi tangen dari
fungsi ke sumbu x. Namun, metode garis potong menggunakan perbedaan daripada turunan untuk
memperkirakan kemiringan.

Pendekatan ini dapat diganti menjadi Persamaan. (6.6) untuk menghasilkan persamaan iterasi
berikut:
−f ( x i ) (x i−1−x i )
x i+1= (6.7)
f ( x i−1 )−f ( x i )
Persamaan (6.7) adalah rumus untuk metode garis potong. Perhatikan bahwa pendekatan ini
membutuhkan dua perkiraan awal x. Namun, karena f(x) tidak diperlukan untuk mengubah
tanda-tanda di antara perkiraan, itu tidak diklasifikasikan sebagai metode bracketing.

CONTOH 6.6 Metode Garis Potong

Pernyataan masalah. Gunakan metode garis potong untuk memperkirakan akar f(x) = e −x - x.
Mulai dengan perkiraan awal x−1 = 0 dan x0 = 1.0.
Solusi. Ingat bahwa akar yang benar adalah 0,56714329. . . .
Iterasi pertama:
x−1=0 f ( x −1 ) =1.00000
x 0=1 f ( x 0 ) =−0.63212
−0.63212(0−1)
x 1=1− =0.61270 ε t=8.0 %
1−(−0.63212)
Iterasi kedua:
x 0=1 f ( x 0 ) =−0.63212
x 1=0.61270 f ( x 1 ) =−0.07081
(Perhatikan bahwa kedua perkiraan sekarang berada di sisi akar yang sama.)
−0.07081(1−0.61270)
x 2=0.61270− =0.56384 ε t=0.58 %
−0.63212−(−0.07081)
Iterasi ketiga:
x 1=0.61270 f ( x 1 ) =−0.07081
x 2=0.56384 f ( x 2 ) =0.00518
0.00518(0.61270−0.56384)
x 3=0.56384− =0.56717 ε t=0.0048 %
−0.07081−(−0.00518)

6.3.1 Perbedaan Antara Metode Garis Potong dan Metode Posisi Palsu
Perhatikan kesamaan antara metode garis potong dan metode posisi-palsu. Misalnya, Persamaan.
(6.7) dan (5.7) identik pada basis-demi-istilah. Keduanya menggunakan dua perkiraan awal
untuk menghitung aproksimasi kemiringan fungsi yang digunakan untuk memproyeksikan ke
sumbu x untuk perkiraan baru dari akar. Namun, perbedaan penting antara metode adalah
bagaimana salah satu nilai awal diganti dengan perkiraan yang baru. Ingat bahwa dalam metode
posisi-palsu, perkiraan terbaru dari akar menggantikan yang mana dari nilai asli menghasilkan a
nilai fungsi dengan tanda yang sama dengan f(x r). Akibatnya, dua perkiraan selalu
mengelompokkan akar. Oleh karena itu, untuk semua tujuan praktis, metode ini selalu menyatu
karena akar disimpan dalam kurung. Sebaliknya, metode potong menggantikan nilai dalam
urutan yang ketat, dengan nilai baru x i + 1 menggantikan xi dan xi menggantikan xi −1. Akibatnya,
kedua nilai itu terkadang terletak di sisi yang sama dari akarnya. Untuk kasus-kasus tertentu, ini
dapat menyebabkan divergensi.

CONTOH 6.7 Perbandingan Konvergensi Teknik Posisi dan Posisi Palsu

Pernyataan masalah. Gunakan metode posisi-palsu dan metode garis potong untuk
memperkirakan akar f(x) = ln x. Mulai perhitungan dengan nilai x l = xi − 1 = 0,5 dan xu = xi =
5.0.

GAMBAR 6.8 Perbandingan metode posisi-palsu dan metode potong. Iterasi pertama (a) dan (b) untuk
kedua teknik itu identik. Namun, untuk iterasi kedua (c) dan (d), poin yang digunakan berbeda. Sebagai
akibatnya, metode garis potong dapat menyimpang, seperti yang ditunjukkan dalam (d).
 Solusi. Untuk metode posisi-palsu, penggunaan Persamaan. (5.7) dan kriteria bracketing untuk
menggantikan hasil estimasi dalam iterasi berikut:

Iteration xl xu xr
1 0.5 5.0 1.8546
2 0.5 1.8546 1.2163
3 0.5 1.2163 1.0585

Seperti dapat dilihat (Gambar 6.8a dan c), perkiraan berkumpul pada akar yang benar yang sama
dengan 1.
Untuk metode potong, gunakan Persamaan. (6.7) dan kriteria berurutan untuk
menggantikan hasil perkiraan dalam
Iteration x i−1 xi x i+1
1 0.5 5.0 1.8546
2 5.0 1.8546 -0.10438

Seperti pada Gambar 6.8d, pendekatannya berbeda.

Meskipun metode garis potong mungkin berbeda, ketika itu menyatu biasanya
melakukannya pada tingkat yang lebih cepat daripada metode posisi-palsu. Misalnya, Gambar
6.9 menunjukkan keunggulan metode garis potong dalam hal ini. Inferioritas dari metode posisi-
palsu adalah karena salah satu ujung tetap untuk menjaga bracketing root. Properti ini, yang
merupakan keuntungan karena mencegah terjadinya divergensi, adalah sebuah kekurangan
berkaitan dengan laju konvergensi; itu membuat perbedaan-finit memperkirakan pendekatan
yang kurang akurat dari turunan.

6.3.2 Algoritma untuk Metode Garis Potong

Seperti halnya metode terbuka lainnya, algoritma untuk metode garis potong diperoleh hanya
dengan memodifikasi Gambar 6.4 sehingga dua tebakan awal adalah input dan dengan
menggunakan Persamaan. (6.7) untuk menghitung akar. Selain itu, opsi yang disarankan di Sec.
6.2.3 untuk metode Newton-Raphson juga dapat diterapkan untuk keuntungan yang baik untuk
program garis potong.
6.3.3 Modifikasi Metode Garis Potong
Daripada menggunakan dua nilai sewenang-wenang untuk memperkirakan turunan, pendekatan
alternatif melibatkan gangguan pecahan dari variabel independen untuk memperkirakan f'(x),

'
f ( xi + δx i )−f ( x i)
f (x i ) ≅
δx i

GAMBAR 6.9 Perbandingan kesalahan relatif persen yang benar ε t pada metode untuk menentukan akar
f(x) = e−x - x.

di mana δ = fraksi perturbasi kecil. Pendekatan ini dapat diganti menjadi Persamaan. (6.6) untuk
menghasilkan persamaan iterasi berikut:
δ x i f (x i )
x i+1=x i− (6.8)
f ( x i +δ x i ) −f (x i )

CONTOH 6.8 Modifikasi Metode Garis Potong

Pernyataan masalah. Gunakan metode garis potong yang dimodifikasi untuk memperkirakan
akar f(x) = e−x - x. Gunakan nilai 0,01 untuk δ dan mulailah dengan x0 = 1,0. Ingat bahwa akar
yang sebenarnya adalah 0,56714329. . .
Solusi.
Iterasi pertama:
x 0=1 f ( x 0 ) =−0.63212
x 0 +δ x 0=1.01 f ( x 0 + δ x0 ) =−0.64578
0.01(−0.63212)
x 1=1−
−0.64578−(−0.63212)
=0.537263 |ε t|=5.3 %
Iterasi kedua:
x 0=0.537263 f ( x 0 ) =0.047083
x 0 +δ x 0=0.542635 f ( x 0 + δ x0 ) =0.038579
0.005373(0.047083)
x 1=0.537263− =0.56701 |ε t|=0.0236 %
0.038579−0.047083
Iterasi ketiga:
x 0=0.56701 f ( x 0 ) =0.000209
x 0 +δ x 0=0.572680 f ( x 0 + δ x0 ) =−0.00867
0.00567(0.000209)
x 1=0.56701−
−0.00867−0.000209
=0.567143 |ε t|=2.365× 10−5 %

Pilihan nilai yang tepat untuk δ tidak otomatis. Jika δ terlalu kecil, metode dapat dibanjiri
oleh kesalahan round-off yang disebabkan oleh pembatalan subtractif dalam penyebut
Persamaan. (6.8). Jika terlalu besar, tekniknya menjadi tidak efisien dan bahkan berbeda.
Namun, jika dipilih dengan benar, itu memberikan alternatif yang bagus untuk kasus-kasus di
mana mengevaluasi turunan sulit dan mengembangkan dua tebakan awal tidak nyaman.

6.4 METODE BRENT

Bukankah itu bagus untuk memiliki pendekatan hibrida yang menggabungkan keandalan
bracketing dengan kecepatan metode terbuka? Metode lokasi akar Brent adalah algoritma pintar
yang melakukan hal itu dengan menerapkan metode buka cepat sebisa mungkin, tetapi kembali
ke metode bracketing yang dapat diandalkan jika diperlukan. Pendekatan ini dikembangkan oleh
Richard Brent (1973) berdasarkan pada algoritma sebelumnya Theodorus Dekker (1969).
Teknik bracketing adalah metode pembagian kepercayaan (Sec. 5.2) sedangkan dua
metode terbuka yang berbeda digunakan. Yang pertama adalah metode rahasia yang dijelaskan
dalam Sec. 6.3. Seperti yang dijelaskan selanjutnya, yang kedua adalah interpolasi kuadrat
terbalik.

6.4.1 Interpolasi Kuadrat Terbalik

Inversasi kuadrat terbalik adalah serupa dalam semangat dengan metode garis potong. Seperti
pada Gambar 6.10a, metode potong didasarkan pada penghitungan garis lurus yang melewati dua
tebakan. Perpotongan garis lurus ini dengan sumbu x mewakili perkiraan akar baru. Untuk alasan
ini, kadang-kadang disebut sebagai metode interpolasi linear.

GAMBAR 6.10 Perbandingan (a) metode garis potong dan (b) interpolasi kuadrat terbalik. Perhatikan
bahwa parabola gelap yang melewati tiga titik dalam (b) disebut "terbalik" karena ditulis dalam y
daripada di x.

Sekarang anggaplah kita memiliki tiga poin. Dalam hal ini, kita dapat menentukan fungsi
kuadrat dari x yang melewati tiga titik (Gambar 6.10b). Sama seperti dengan metode garis
potong linier, perpotongan parabola ini dengan sumbu x akan mewakili perkiraan akar yang
baru. Dan seperti yang diilustrasikan pada Gambar 6.10b, menggunakan kurva daripada garis
lurus sering menghasilkan perkiraan yang lebih baik.
 Meskipun ini tampaknya merupakan perbaikan besar, pendekatan ini memiliki kelemahan
mendasar: Ada kemungkinan bahwa parabola mungkin tidak memotong sumbu x! Seperti itulah
yang terjadi ketika parabola yang dihasilkan memiliki akar yang kompleks. Ini diilustrasikan
oleh parabola, y = f(x), pada Gambar 6.11.
Kesulitan dapat diperbaiki dengan menggunakan interpolasi kuadrat terbalik. Artinya,
daripada menggunakan parabola di x, kita bisa memasangkan titik dengan parabola di y. Jumlah
ini membalik sumbu dan menciptakan parabola "menyamping" (kurva, x = f(y), pada Gambar
6.11).
Jika tiga titik ditetapkan sebagai (xi−2, yi−2), (xi−1, yi−1), dan (xi, yi), fungsi kuadrat y yang
melewati poin dapat dihasilkan sebagai
( y− y i−1 ) ( y− y i) ( y− y i−2 ) ( y − y i)
g ( y )= x i−2+ x i−1
( y i−2− y i−1 ) ( y i−2− y i ) ( y i−1− y i−2 ) ( y i−1− y i )
+ ( y− y i−2 ) ( y − y i−1)
xi (6.9)
( y i− y i−2 ) ( y i − y i−1)

GAMBAR 6.11 Dua parabola cocok untuk tiga poin. Parabola yang ditulis sebagai fungsi dari x, y = f(x),
memiliki akar yang kompleks dan karenanya tidak memotong sumbu x. Sebaliknya, jika variabel dibalik,
dan parabola dikembangkan sebagai x = f(y), fungsi tidak memotong sumbu x.
Seperti yang akan kita pelajari di Sec. 18.2, formulir ini disebut polinomial Lagrange. Akar, xi+1,
sesuai dengan y = 0, yang bila diganti menjadi Persamaan. (6.9) menghasilkan

y i−1 y i y i−2 y i
x i+1= x i−2+ x i−1
( y i−2− y i−1 ) ( y i−2− yi ) ( y i−1− yi −2 ) ( y i−1 − y i)
+ y i−2 y i−1
xi (6.10)
( y i− y i−2 ) ( y i− yi −1 )
Seperti ditunjukkan pada Gambar 6.11, parabola "menyamping" seperti itu selalu memotong
sumbu x.

CONTOH 6.9 Interpolasi Kuadrat Terbalik

Pernyataan masalah. Kembangkan persamaan kuadrat dalam x dan y untuk titik data yang
digambarkan pada Gambar 6.11: (1, 2), (2, 1), dan (4, 5). Untuk yang pertama, y = f(x), gunakan
rumus kuadrat untuk mengilustrasikan bahwa akar itu kompleks. Untuk yang terakhir, x = g(y),
gunakan interpolasi kuadrat terbalik (Persamaan 6.10) untuk menentukan perkiraan akar.
Larutan. Dengan membalik x dan y, Persamaan. (6.9) dapat digunakan untuk menghasilkan
kuadrat dalam x sebagai
( x−2 ) ( x−4) ( x−1 ) ( x−4) ( x−1 ) (x−2)
f ( x )= 2+ 1+ 5
( 1−2 ) (1−4) ( 2−1 ) (2−4) ( 4−1 ) (4−2)
atau mengumpulkan istilah
f ( x )=x 2−4 x +5
Persamaan ini digunakan untuk menghasilkan parabola, y = f (x), pada Gambar 6.11. Rumus
kuadrat dapat digunakan untuk menentukan bahwa akar untuk kasus ini rumit,
4 ± √(−4)2−4 ( 1 ) (5)
x= =2± i
2
Persamaan (6.9) dapat digunakan untuk menghasilkan kuadrat dalam y sebagai
( y−1 ) ( y −5) ( y−2 )( y−5) ( y−2 ) ( y−1)
g ( y )= 1+ 2+ 4
( 2−1 ) (2−5) ( 1−2 )( 1−5) ( 5−2 ) (5−1)
atau mengumpulkan istilah
g ( y )=0.5 x 2−2.5 x+ 4
Akhirnya, Persamaan. (6.10) dapat digunakan untuk menentukan akar sebagai
 −1(−5) −2(−5) −2(−1)
x i+1= 1+ 2+ 4=4
( 2−1 ) (2−5) ( 1−2 ) (1−5) ( 5−2 ) (5−1)

Sebelum melanjutkan ke algoritma Brent, kita perlu menyebutkan satu kasus lagi di mana
interpolasi kuadrat invers tidak berfungsi. Jika ketiga nilai y tidak berbeda (yaitu, y i−2 = yi−1 atau
yi−1 = yi), fungsi kuadrat terbalik tidak ada. Jadi di sinilah metode garis potong ikut bermain. Jika
kita sampai pada situasi di mana nilai y tidak berbeda, kita selalu dapat kembali ke metode garis
potong yang kurang efisien untuk menghasilkan akar menggunakan dua poin. Jika y i−2 = yi−1, kita
menggunakan metode garis potong dengan xi−1 dan xi. Jika yi−1 = yi, kita menggunakan xi−2 dan
xi−1.

6.4.2 Metode Algoritma Brent

Gagasan umum di balik metode pencarian akar Brent adalah kapan pun dimungkinkan untuk
menggunakan salah satu metode buka cepat. Dalam hal ini menghasilkan hasil yang tidak dapat
diterima (yaitu, perkiraan akar yang berada di luar braket), algoritma kembali ke metode
pembelahan yang lebih konservatif. Meskipun pembelahan mungkin lebih lambat, itu
menghasilkan perkiraan dijamin jatuh dalam kurung. Proses ini kemudian diulang hingga akar
berada dalam toleransi yang dapat diterima. Seperti yang diharapkan, pembelahan biasanya
mendominasi pada awalnya tetapi ketika akar didekati, teknik bergeser ke metode buka lebih
cepat.
Gambar 6.12 menyajikan pseudocode untuk algoritma berdasarkan MATLAB M-file
yang dikembangkan oleh Cleve Moler (2005). Ini merupakan versi dilucuti dari fungsi fzero
yang merupakan fungsi lokasi akar profesional yang digunakan dalam MATLAB. Untuk alasan
itu, kami memanggil versi yang disederhanakan: fzerosi mp. Perhatikan bahwa ini membutuhkan
fungsi lain, f, yang menyimpan persamaan yang mana akar sedang dievaluasi.
Fungsi fzerosi mp dilewatkan dua tebakan awal yang harus melapisi akar. Setelah
menetapkan nilai untuk mesin epsilon dan toleransi, tiga variabel yang mendefinisikan interval
pencarian (a, b, c) diinisialisasi, dan f dievaluasi pada titik akhir.
Sebuah loop utama kemudian diimplementasikan. Jika perlu, tiga poin disusun kembali
untuk memenuhi persyaratan yang diperlukan agar algoritme bekerja secara efektif. Pada titik
ini, jika kriteria berhenti terpenuhi, loop diakhiri. Jika tidak, struktur keputusan memilih di antara
tiga metode dan memeriksa apakah hasilnya dapat diterima. Bagian terakhir kemudian
mengevaluasi f pada titik baru dan loop diulang. Setelah kriteria berhenti terpenuhi, loop
berakhir dan perkiraan akar akhir dikembalikan.
Perhatikan bahwa Sec. 7.7.2 menyajikan aplikasi metode Brent di mana kami
mengilustrasikan cara kerja fungsi MATLAB fzero. Selain itu, digunakan dalam Studi Kasus 8.4
untuk menentukan faktor gesekan untuk aliran udara melalui tabung.
 GAMBAR 6.12 Pseudocode untuk algoritma pencarian akar Brent berdasarkan pada MATLAB m-file
yang dikembangkan oleh Cleve Moler (2005).

6.5 AKAR BANYAK

Sebuah akar berganda berkoresponden dengan suatu titik di mana suatu fungsi bersinggungan
dengan sumbu x. Misalnya, hasil root ganda dari
 f ( x )=( x−3 )( x−1 ) ( x−1 ) (6.11)
atau, mengalikan istilah, f (x) = x3 - 5x2 + 7x - 3. Persamaan memiliki akar ganda karena satu
nilai x membuat dua istilah dalam Persamaan. (6.11) sama dengan nol. Secara grafis, ini sesuai
dengan kurva yang menyentuh sumbu x secara tangensial di akar ganda. Periksa Gambar 6.13a
pada x = 1. Perhatikan bahwa fungsi menyentuh sumbu tetapi tidak melintasinya pada akar.
Sebuah akar rangkap tiga berhubungan dengan kasus di mana satu nilai x membuat tiga
istilah dalam persamaan sama dengan nol, seperti pada
f ( x )=( x−3 )( x−1 ) ( x−1 ) ( x−1)
atau, mengalikan istilah, f (x) = x4 - 6x3 + 12x2 - 10x + 3. Perhatikan bahwa penggambaran grafis
(Gambar 6.13b) lagi menunjukkan bahwa fungsi tersebut bersinggungan dengan sumbu di akar,
tetapi untuk ini case axis disilangkan. Secara umum, beberapa akar ganjil menyeberangi sumbu,
sedangkan yang mana pun tidak. Sebagai contoh, akar quadruple pada Gambar 6.13c tidak
memotong sumbu.
Beberapa akar menimbulkan beberapa kesulitan untuk banyak metode numerik yang
dijelaskan dalam Bagian Dua:
1. Fakta bahwa fungsi tidak mengubah tanda pada bahkan beberapa akar menghalangi
penggunaan metode bracketing yang dapat diandalkan yang dibahas dalam Bab. 5. Jadi,
dari metode yang dicakup dalam buku ini, Anda terbatas pada metode terbuka yang
mungkin berbeda.
2. Masalah lain yang mungkin berkaitan dengan fakta bahwa tidak hanya f (x) tetapi juga
f'(x) pergi ke nol di root. Ini menimbulkan masalah baik untuk metode Newton-Raphson
dan garis potong, yang keduanya mengandung turunan (atau perkiraannya) dalam
penyebut rumus masing-masing. Ini bisa menghasilkan pembagian dengan nol ketika
solusi menyatu sangat dekat dengan root. Cara sederhana untuk mengatasi masalah ini
didasarkan pada fakta bahwa itu dapat dibuktikan secara teoritis (Ralston dan
Rabinowitz, 1978) bahwa f(x) akan selalu mencapai nol sebelum f'(x). Oleh karena itu,
jika pemeriksaan nol untuk f (x) dimasukkan ke dalam program komputer, perhitungan
dapat diakhiri sebelum f'(x) mencapai nol.
3. Dapat ditunjukkan bahwa metode Newton-Raphson dan garis potong secara linier, bukan
secara kuadratik, konvergen untuk beberapa akar (Ralston dan Rabinowitz, 1978).
Modifikasi telah diusulkan untuk mengatasi masalah ini. Ralston dan Rabinowitz (1978)
 telah mengindikasikan bahwa sedikit perubahan dalam formulasi mengembalikannya ke
konvergensi kuadrat, seperti pada
f ( xi )
x i+1=x i−m ' (6.12)
f ( x i)
di mana m adalah multiplisitas dari akar (yaitu, m = 2 untuk akar ganda, m = 3 untuk akar
tripel, dll.). Tentu saja, ini mungkin merupakan alternatif yang tidak memuaskan karena
bergantung pada pengetahuan tentang banyaknya akar.

Alternatif lain, juga disarankan oleh Ralston dan Rabinowitz (1978), adalah mendefinisikan
fungsi baru u (x), yaitu rasio fungsi terhadap turunannya, seperti dalam
f (x)
u ( x )= (6.13)
f ' ( x)
Dapat ditunjukkan bahwa fungsi ini memiliki akar di semua lokasi yang sama dengan fungsi
aslinya. Oleh karena itu, Persamaan. (6.13) dapat diganti menjadi Persamaan. (6.6) untuk
mengembangkan bentuk alternatif dari metode Newton-Raphson:
u ( xi )
x i+1=x i− ' (6.14)
u ( x i)
Persamaan (6.13) dapat dibedakan untuk diberikan
' f ' ( x ) f ' ( x ) −f ( x ) f ' ' ( x )
u ( x)= 2 (6.15)
|f ' ( x )|
Persamaan (6.13) dan (6.15) dapat diganti menjadi Persamaan. (6.14) dan hasilnya
disederhanakan untuk menghasilkan
f (x i) f ' (x i)
x i+1=x i− 2 (6.16)
|f ' (x i)| −f ( x i )f ' ' (x i)
 GAMBAR 6.13 Contoh beberapa akar yang bersinggungan dengan sumbu x. Perhatikan bahwa fungsi
tidak melintasi sumbu di kedua sisi akar ganda bahkan (a) dan (c), sedangkan melintasi sumbu untuk
kasus-kasus aneh (b).

CONTOH 6.10 Modifikasi Metode Newton-Raphson untuk Akar Ganda

Pernyataan masalah. Gunakan kedua metode Newton-Raphson standar dan yang telah
dimodifikasi untuk mengevaluasi berbagai akar Persamaan. (6.11), dengan tebakan awal x0 = 0.
Solusi. Turunan pertama dari Persamaan. (6.11) adalah f'(x) = 3x 2 - 10x + 7, dan oleh karena itu,
metode Newton-Raphson standar untuk masalah ini adalah [Persamaan. (6.6)]
x 3i −5 x 2i +7 x i−3
x i+1=x i−
3 x 2i −10 x i+ 7
yang dapat diselesaikan secara iteratif untuk
i xi εt(%)
0 0 100
1 0.4285714 57
2 0.6857143 31
3 0.8328654 17
4 0.9133290 8.7
5 0.9557833 4.4
6 0.9776551 2.2

Seperti yang diantisipasi, metode ini konvergen linier terhadap nilai sebenarnya dari 1,0.
Untuk metode yang dimodifikasi, turunan kedua adalah f''(x) = 6x - 10, dan hubungan
iteratif adalah [Persamaan. (6.16)]
(x ¿¿ i 3−5 x2i +7 x i−3)(3 x 2i −10 xi +7)
x i+1=x i− ¿
(3 x 2i −10 x i+ 7)2−(x ¿¿ i 3−5 xi2+7 x i−3)(6 x i−10)¿
yang bisa dipecahkan
i xi εt(%)
0 0 100
1 1.105263 11
2 1.003082 0.31
3 1.000002 0.00024

Dengan demikian, formula yang dimodifikasi secara kuadrat konvergen. Kita juga dapat
menggunakan kedua metode untuk mencari akar tunggal di x = 3. Menggunakan tebakan awal x0
= 4 memberikan hasil berikut:
i Standard εt(%) Modified εt(%)
0 4 33 4 33
1 3.4 13 2.636364 12
2 3.1 3.3 2.820225 6.0
3 3.008696 0.29 2.961728 1.3
4 3.000075 0.0025 2.998479 0.051
5 3.000000 2×10-7 2.999998 7.7×10-5

Dengan demikian, kedua metode bertemu dengan cepat, dengan metode standar menjadi lebih
efisien.
 Contoh sebelumnya menggambarkan trade-off yang terlibat dalam memilih metode Newton-
Raphson yang dimodifikasi. Meskipun lebih disukai untuk beberapa akar, itu agak kurang efisien
dan membutuhkan usaha komputasi lebih dari metode standar untuk akar sederhana.
Perlu dicatat bahwa versi modifikasi dari metode potong cocok untuk beberapa akar juga
dapat dikembangkan dengan mengganti Persamaan. (6.13) menjadi Persamaan. (6.7). Rumus
yang dihasilkan adalah (Ralston dan Rabinowitz, 1978)
u ( x i ) (x i−1−xi )
x i+1=x i−
u ( xi−1 ) −u(x i)

6.6 SISTEM PERSAMAAN NONLINIER

Sampai titik ini, kami telah berfokus pada penentuan akar dari satu persamaan. Masalah terkait
adalah menemukan akar dari serangkaian persamaan simultan,
f 1 ( x 1 , x 2 , … , x n )=0
f 2 ( x 1 , x 2 , … , x n ) =0
..
.. (6.17)
..
f n ( x 1 , x 2 , … , x n ) =0
Solusi dari sistem ini terdiri dari satu set nilai x yang secara bersamaan menghasilkan semua
persamaan yang sama dengan nol.
Di Bagian Tiga, kami akan menyajikan metode-metode untuk kasus di mana persamaan
simultan adalah linier — yaitu, mereka dapat dinyatakan dalam bentuk umum
f ( x )=a1 x 1 +a2 x 2+∙ ∙∙+ an xn −b=0 (6.18)
di mana b dan a adalah konstanta. Persamaan aljabar dan transendental yang tidak sesuai dengan
format ini disebut persamaan nonlinier. Sebagai contoh,
x 2+ xy=10
dan
y +3 xy 2=57
adalah dua persamaan nonlinear simultan dengan dua yang tidak diketahui, x dan y. Mereka
dapat diungkapkan dalam bentuk Persamaan. (6.17) sebagai
 2
u ( x , y )=x + xy−10=0 (6.19a)
v ( x , y ) = y+ 3 xy 2−57=0 (6.19b)
Jadi, solusinya adalah nilai x dan y yang membuat fungsi u (x, y) dan v (x, y) sama dengan nol.
Sebagian besar pendekatan untuk menentukan solusi tersebut adalah perluasan metode terbuka
untuk memecahkan persamaan tunggal. Pada bagian ini, kita akan menyelidiki dua di antaranya:
iterasi fixed-point dan Newton-Raphson.

6.6.1 Iterasi Titik Tetap

Pendekatan fixed-point-iteration (Sec. 6.1) dapat dimodifikasi untuk menyelesaikan dua
persamaan simultan, nonlinier. Pendekatan ini akan diilustrasikan dalam contoh berikut.

CONTOH 6.11 Iterasi Titik Tetap untuk Sistem Nonlinear

Pernyataan masalah. Gunakan iterasi titik tetap untuk menentukan akar Persamaan. (6.19).
Perhatikan bahwa sepasang akar yang benar adalah x = 2 dan y = 3. Memulai perhitungan
dengan tebakan x = 1,5 dan y = 3,5
Solusi. Persamaan (6.19a) dapat dipecahkan untuk
10−x 2i
x i+1= ` (E6.11.1)
yi
dan Persamaan. (6.19b) dapat diselesaikan untuk
y i+1 =57−3 x i y 2i ` (E6.11.2)
Perhatikan bahwa kami akan menjatuhkan subskrip untuk sisa contoh.
Atas dasar tebakan awal, Persamaan. (E6.11.1) dapat digunakan untuk menentukan nilai
baru x:
10−(1.5)2
x= =2.21429
3.5
Hasil ini dan nilai awal y = 3,5 dapat diganti menjadi Persamaan. (E6.11.2) untuk menentukan
nilai baru y:
y=57−3 ( 2.21429 ) (3.5)2=−24.37516
Dengan demikian, pendekatan ini tampaknya berbeda. Perilaku ini bahkan lebih terasa pada
iterasi kedua:
 10−(2.21429)2
x= =−0.20910
−24.37516
y=57−3 (−0.20910 ) (−24.37516)2 =429.709
Jelas, pendekatannya memburuk.
Sekarang kita akan mengulang perhitungan tetapi dengan persamaan asli yang diatur dalam
format yang berbeda. Misalnya, formulasi alternatif dari Persamaan. (6.19a) adalah
x=√ 10−xy
dan Persamaan. (6.19b) adalah
57− y
y=
√ 3x
Sekarang hasilnya lebih memuaskan:
x=√ 10−1.5 (3.5) = 2.17945
57−3.5
y=
√ 3(2.17945)
=2.86051

x=√ 10−2.17945(2.86051) = 1.94053

57−2.86051
y=
√ 3(1.94053)
=3.04955

Dengan demikian, pendekatan ini menyatu pada nilai-nilai sebenarnya dari x = 2 dan y = 3.

Contoh sebelumnya menggambarkan kekurangan paling serius dari iterasi titik tetap
sederhana - yaitu, konvergensi sering tergantung pada cara di mana persamaan dirumuskan.
Selain itu, bahkan dalam contoh-contoh di mana konvergensi mungkin, perbedaan dapat terjadi
jika tebakan awal tidak cukup dekat dengan solusi yang sebenarnya. Menggunakan penalaran
yang serupa dengan yang ada pada Kotak 6.1, dapat ditunjukkan bahwa kondisi yang cukup
untuk konvergensi untuk kasus dua-persamaan adalah

|∂∂ ux|+|∂∂ uy|<1

dan

|∂∂ vx|+|∂∂ vy|<1

Kriteria ini sangat ketat untuk iterasi titik tetap yang memiliki solusi untuk sistem nonlinear.
Namun, seperti yang akan kami jelaskan nanti dalam buku ini, ini bisa sangat berguna untuk
pengaturan sistem linear.

6.6.2 Newton-Raphson
Ingat bahwa metode Newton-Raphson diprakarsai pada penggunaan turunan (yaitu, kemiringan)
suatu fungsi untuk memperkirakan interceptnya dengan sumbu variabel independen — yaitu,
akar (Gambar 6.5). Perkiraan ini didasarkan pada ekspansi deret pertama Taylor (ingat Kotak
6.2),
f ( x i +1) =f ( x i ) + ( x i+ 1−xi ) f ' (xi ) (6.20)
di mana xi adalah tebakan awal pada akar dan xi+1 adalah titik di mana kemiringan memotong
sumbu x. Pada intercept ini, f(xi+1) dengan definisi sama dengan nol dan Persamaan. (6.20) dapat
diatur ulang untuk menghasilkan
f (x i)
x i+1=x i− (6.21)
f '( xi )
yang merupakan bentuk persamaan tunggal dari metode Newton-Raphson.
Bentuk multiequation diturunkan dengan cara yang identik. Namun, deret Taylor multivariabel
harus digunakan untuk menjelaskan fakta bahwa lebih dari satu variabel independen
berkontribusi pada penentuan akar. Untuk kasus dua variabel, deret Taylor urutan pertama dapat
ditulis [ingat Persamaan. (4.26)] untuk setiap persamaan nonlinear sebagai
∂ui ∂ ui
ui +1=ui + ( x i+1−x i ) +( yi +1− y i ) (6.22a)
∂x ∂y
dan
∂ vi ∂ vi
vi +1=vi + ( x i +1−x i) +( y i+ 1− y i) (6.22b)
∂x ∂y
Sama seperti untuk versi persamaan tunggal, perkiraan akar sesuai dengan nilai x dan y, di mana
ui+1 dan vi+1 sama dengan nol. Untuk situasi ini, Persamaan. (6.22) dapat diatur ulang untuk
diberikan
∂u i ∂ui ∂ ui ∂ ui
x i+1 + y i+1=−ui + x i + yi (6.23a)
∂x ∂y ∂x ∂y
∂ vi ∂ vi ∂ vi ∂ vi
x i+1 + y i+1=−v i + x i + yi (6.23b)
∂x ∂y ∂x ∂y
Karena semua nilai yang dilanggankan dengan saya sudah diketahui (mereka sesuai dengan
tebakan atau perkiraan terbaru), satu-satunya yang tidak diketahui adalah xi+1 dan yi+1. Jadi,
Persamaan. (6.23) adalah satu set dua persamaan linier dengan dua yang tidak diketahui
[bandingkan dengan Persamaan. (6.18)]. Akibatnya, manipulasi aljabar (misalnya, aturan
Cramer) dapat digunakan untuk memecahkan
∂ vi ∂u
ui −v i i
∂y ∂y
x i+1=x i− (6.24a)
∂u i ∂ v i ∂ ui ∂ v i
−
∂x ∂ y ∂ y ∂x
∂ ui ∂v
vi −ui i
∂x ∂x
y i+1 = y i− (6.24b)
∂ ui ∂ v i ∂ ui ∂ v i
−
∂x ∂ y ∂ y ∂ x
Penyebut dari masing-masing persamaan ini secara resmi disebut sebagai determinan dari sistem
Jacobian.
Persamaan (6.24) adalah versi dua persamaan dari metode Newton-Raphson. Seperti pada
contoh berikut, ia dapat digunakan secara iteratif ke rumah di atas akar dari dua persamaan
simultan.

CONTOH 6.12 Newton-Raphson untuk Sistem Nonlinier

Pernyataan masalah. Gunakan metode Newton-Raphson multi-persamaan untuk menentukan
akar Persamaan. (6.19). Perhatikan bahwa sepasang akar yang benar adalah x = 2 dan y = 3.
Mulailah perhitungan dengan tebakan x = 1,5 dan y = 3,5.
Solusi. Pertama hitung turunan parsial dan evaluasi mereka pada tebakan awal x dan y:
∂u 0 ∂u 0
=2 x + y=2 ( 1.5 ) +3.5=6.5 =x=1.5
∂x ∂y
∂ v0 2 2 ∂ v0
=3 y =3(3.5) =36.75 =1+6 xy=1+6 ( 1.5 ) ( 3.5 )=32.5
∂x ∂y
Dengan demikian, determinan dari Jacobian untuk iterasi pertama adalah
6.5 ( 32.5 )−1.5( 36.75)=156.125
Nilai-nilai fungsi dapat dievaluasi pada tebakan awal sebagai
u0 =(1.5)2+ 1.5 ( 3.5 )−10=−2.5
v 0=3.5+3 ( 1.5 ) (3.5)2−57=1.625
Nilai-nilai ini dapat diganti menjadi Persamaan. (6.24) memberi
−2.5 ( 32.5 ) −1.625(1.5)
x=1.5− =2.03603
156.125
1.625 ( 6.5 )−(−2.5 ) (36.75)
y=3.5− =2.84388
156.125
Dengan demikian, hasilnya konvergen ke nilai sebenarnya dari x = 2 dan y = 3. Perhitungan
dapat diulang sampai diperoleh akurasi yang dapat diterima.

Sama seperti dengan iterasi fixed-point, pendekatan Newton-Raphson akan sering

menyimpang jika tebakan awal tidak cukup dekat dengan akar yang benar. Sedangkan metode
grafis dapat digunakan untuk mendapatkan tebakan yang bagus untuk kasus persamaan tunggal,
tidak ada prosedur sederhana seperti itu yang tersedia untuk versi multiequation. Meskipun ada
beberapa pendekatan lanjutan untuk memperoleh perkiraan pertama yang dapat diterima,
seringkali tebakan awal harus diperoleh berdasarkan trial and error dan pengetahuan tentang
sistem fisik yang dimodelkan.
Pendekatan dua-persamaan Newton-Raphson dapat digeneralisasikan untuk menyelesaikan
persamaan n simultan. Karena cara yang paling efisien untuk melakukan ini melibatkan aljabar
matriks dan solusi persamaan linear simultan, kita akan menunda diskusi tentang pendekatan
umum ke Bagian Tiga.

CHAPTER 7 AKAR POLINOMIAL

Dalam bab ini, kita akan membahas metode untuk menemukan akar persamaan polinomial dari
bentuk umum

f n ( x )=a0 +a1 x+ a2 x 2 +…+ an x n

Dimana n = urutan polinomial dan a’s = koefisien konstanta. WalaupunKoefisien dapat berupa
bilangan kompleks, kami akan membatasi diskusi kami dengan kasus di mana mereka berada
nyata. Untuk kasus seperti itu, akar bisa nyata dan / atau kompleks.

Akar dari polinomial tersebut mengikuti beberapa aturan :

1. Untuk persamaan yang ke n, n adalah akar bilangan kompleks. Perlu dicatat

akar-akar itu tidak harus berbeda.
2. Jika n bilangan yang tak memungkinkan (aneh), setidaknya ada satu akar real.
3. Jika akar bilangan kompleks ada, berarti ada juga pasangan akar konjugasi ( itu adalah λ
+ μidan λ – μi), dimana i=√ −1.

Sebelum menjelaskan teknik untuk mencari akar polinomial, kami akan menyediakan
beberapa latar belakang. Bagian pertama menawarkan beberapa motivasi untuk mempelajari
teknik; itu penawaran kedua dengan beberapa manipulasi komputer mendasar yang melibatkan
polinomial.

7.1 POLINOMIAL DALAM TEKNIK DAN SAINS

Polinomial memiliki banyak aplikasi di bidang teknik dan sains. Misalnya, mereka
digunakan secara ekstensif dalam penyesuaian kurva. Namun, kami percaya bahwa salah satu
aplikasi mereka yang paling menarik dan kuat adalah dalam mengkarakterisasi sistem dinamis
dan, khususnya, sistem linier. Contohnya termasuk perangkat mekanik, struktur, dan sirkuit
listrik. Kami akan mengeksplorasi contoh-contoh spesifik di seluruh teks ini. Secara khusus,
mereka akan menjadi fokus dari beberapa aplikasi teknik di seluruh sisa teks ini.

Untuk saat ini, kita akan diskusi secara umum dan sederhana dengan berfokus padasistem
orde kedua sederhana yang didefinisikan oleh persamaan diferensial biasa linier berikut (atau
ODE):

d2 y dy
a2 2
+a1 +a 0 y=F (t)
dt dt

Dimana y dan t masing-masing adalah variabel dependen dan independen a ' s adalah koefisien
konstanta dan F(t) adalah fungsi gaya.

Selain itu, perlu dicatat bahwa Persamaan. (7.2) dapat diekspresikan secara alternatif
sebagai sepasang ODE orde pertama dengan mendefinisikan variabel baru z.
 dy
z=
dt

Persamaan (7.3) dapat digantikan dengan turunannya menjadi Persamaan. (7.2) untuk
menghapus istilah derivatif kedua ini. Ini mengurangi masalah untuk dipecahkan

dz F (t )−a1 z−a0 y
=
dt a2

dy
=z
dt

Dengan cara yang sama, ODE linear urutan-ke-7 selalu dapat dinyatakan sebagai sistem ODE
urutan pertama

Sekarang mari kita lihat solusinya. Fungsi pemaksaan mewakili efek dari exter-
dunia nal pada sistem. Solusi yang homogen atau umum dari persamaan berhubungan dengan
kasus ketika fungsi memaksa diatur ke nol,

d2 y dy
a2 2
+a1 +a 0 y=0
dt dt

Jadi, seperti namanya, solusi umum dapat memberi tahu kita sesuatu yang sangat
mendasar
tentang sistem yang disimulasikan yaitu, bagaimana sistem merespon dengan tidak adanya
rangsangan eksternal.

Sekarang, solusi umum untuk semua sistem linear unforced adalah bentuknya

y=ert . Jika fungsi ini dibedakan dan diganti menjadi Persamaan. (7.6), hasilnya

a 2 r 2 e rt + a1 r ert + a0 ert =0

atau membatalkan istilah eksponensial,

a 2 r 2 +a1 r +a 0=0

Perhatikan bahwa hasilnya adalah polinomial yang disebut persamaan karakteristik.

Akar dari polinomial ini adalah nilai r yang memuaskan Persamaan. (7.7). r’s ini disebut sebagai
nilai karakteristik sistem, atau nilai eigen.
 Jadi, inilah koneksi antara akar polinomial dan teknik dan sains. Nilai eigen memberi
tahu kita sesuatu yang mendasar tentang sistem yang kita peragakan, dan menemukan nilai eigen
melibatkan mencari akar polinomial. Dan, sementara menemukan akar persamaan orde kedua
mudah dengan rumus kuadrat, menemukan akar dari sistem orde tinggi (dan karenanya,
polinomial tingkat tinggi) adalah analitik yang sulit. Dengan demikian, pendekatan umum
terbaik membutuhkan metode numerik dari jenis yang dijelaskan dalam bab ini.

Sebelum melanjutkan ke metode ini, mari kita analisis kami sedikit lebih jauh dengan
menyelidiki nilai spesifik dari nilai eigen yang mungkin menyiratkan tentang perilaku fisik
sistem. Pertama, mari kita mengevaluasi akar Persamaan. (7.7) dengan rumus kuadrat

2
r 1 −a 1 ± √ a1−4 a2 a0
=
r2 a0

Jadi, kita mendapat dua akar. Jika diskriminan (a 21−4 a2 a0 ¿ positif, akar adalah nyata dan
solusi umum dapat direpresentasikan sebagai

y=c1 e r t +c 2 e r t
1 2

dimana c’s = koefisien konstanta yang dapat ditentukan dari kondisi awal. Ini disebut
kasus overdamped.

Jika diskriminan nol, hasil akar tunggal tunggal, dan solusi umum dapat diformulasikan sebagai

y=¿

Ini disebut kasus yang sangat teredam.

Jika diskriminan negatif, akar akan menjadi nomor konjugasi kompleks

r1
= λ ± μi
r2

dan solusi umum dapat dirumuskan sebagai

y=c1 e ( λ+μi) t + c2 e ( λ− μi ) t

GAMBAR 7.1
 Solusi umum untuk ODE linear dapat terdiri dari komponen (a) eksponensial dan (b)
sinusoidal. Kombinasi dari dua bentuk menghasilkan sinusoid yang teredam yang ditunjukkan
pada (c).

Perilaku fisik dari solusi ini dapat dijelaskan dengan menggunakan rumus Euler

e μit =cos μ t+i sin μ t

untuk merumuskan kembali solusi umum (lihat Boyce dan DiPrima, 1992, untuk rincian
derivasi)

y=c1 e λt cos μ t +c 2 e λt sin μ t

Ini disebut kasus teredam.

Persamaan (7.8), (7.9), dan (7.10) menyatakan cara yang mungkin bahwa sistem linear
merespons secara dinamis. Istilah eksponensial berarti bahwa solusi tersebut mampu membusuk
(bagian nyata negatif) atau tumbuh (bagian nyata positif) secara eksponensial dengan waktu
(Gambar 7.1 a). Istilah sinusoidal (bagian imajiner) berarti bahwa solusi dapat berosilasi
(Gambar 7.1 b). Jika nilai eigen memiliki bagian nyata dan imajiner, bentuk eksponensial dan
sinusoidal digabungkan (Gambar 7.1 c). Karena pengetahuan tersebut merupakan elemen kunci
dalam memahami, merancang, dan mengendalikan perilaku sistem fisik, polinomial karakteristik
sangat penting dalam teknik dan banyak cabang ilmu. Kami akan mengeksplorasi dinamika
beberapa sistem rekayasa dalam aplikasi yang dibahas dalam Bab. 8
7.2 POLINOMIAL DENGAN PROGRAM KOMPUTER

Sebelum menjelaskan metode lokasi-root, kita akan membahas beberapa operasi

komputer mendasar yang melibatkan polinomial. Ini memiliki utilitas di kanan mereka sendiri
serta memberikan dukungan untuk mencari akar.

7.2.1 Evaluasi dan Diferensiasi Polinomial

Meskipun ini adalah format yang paling umum, Persamaan. (7.1) menyediakan sarana yang
buruk untuk menentukan nilai polinomial untuk nilai tertentu x. Misalnya, mengevaluasi
polinomial urutan ketiga sebagai

f 3 ( x )=a3 x 3 +a2 x 2+ a1 x +a 0

melibatkan enam perkalian dan tiga tambahan. Secara umum, untuk polinomik n-order,
pendekatan ini membutuhkan n (n + 1) / 2 perkalian dan n tambahan. Sebaliknya, format
bertumpuk,

f 3 ( x )=(( a ¿ ¿ 3 x + a2) x+ a1) x+ a0 ¿

melibatkan tiga perkalian dan tiga tambahan. Untuk polinomial n-order, pendekatan ini
membutuhkan n perkalian dan penambahan n. Karena format bertingkat meminimalkan jumlah
operasi, itu juga cenderung meminimalkan kesalahan round-off. Perhatikan bahwa, tergantung
pada preferensi Anda, urutan peneluran dapat dibalik:

f 3 ( x )=a0 + x (a1 + x ( a2 +a3 x ))

Pseudocode singkat untuk mengimplementasikan bentuk bersarang dapat ditulis hanya sebagai

DOFOR j = n. 0. -1

p = p * x + a (j)

END DO

di mana p menyimpan nilai dari polinomial (didefinisikan oleh koefisiennya, nilai a) dievaluasi
pada x. Ada beberapa kasus (seperti dalam metode Newton-Raphson) di mana Anda mungkin
ingin mengevaluasi fungsi dan turunannya. Evaluasi ini juga dapat dimasukkan dengan rapi
dengan menambahkan satu baris ke pseudocode sebelumnya,
 DOFOR j = n. 0. -1

df = df * x + p

p = p * x + a (j)

END DO

di mana df memegang turunan pertama dari polinomial.

7.2.2 Deflasi Polinomial

Anggaplah Anda menentukan satu akar dari polinom n-order. Jika Anda mengulangi prosedur
lokasi asal Anda, Anda mungkin menemukan akar yang sama. Oleh karena itu, alangkah baiknya
menghapus root yang ditemukan sebelum melanjutkan. Proses penghilangan ini disebut sebagai
deflasi polinomial. Sebelum kami menunjukkan bagaimana hal ini dilakukan, beberapa orientasi
mungkin berguna. Polinomial biasanya diwakili dalam format Persamaan. (7.1). Sebagai contoh,
polinomial urutan kelima dapat ditulis sebagai

f 5 ( x )=−120−46 x +79 x 2−3 x3 −7 x 4 + x 5

Meskipun ini adalah format yang dikenal, itu belum tentu ekspresi terbaik untuk memahami
perilaku matematika polinomial. Sebagai contoh, polinomial orde-lima ini dapat diekspresikan
sebagai alternatif

f 5 ( x )=( x +1 ) ( x + 4 ) ( x+ 5 )( x +3 ) ( x−2)

Ini disebut bentuk faktor dari polinomial. Jika perkalian selesai dan seperti istilah yang
dikumpulkan, Persamaan. (7.14) akan diperoleh. Namun, format Persamaan. (7.15) memiliki
keuntungan yang dengan jelas menunjukkan akar fungsi. Dengan demikian, jelas bahwa x = −1,
4, 5, −3, dan 2 semuanya berakar karena masing-masing menyebabkan istilah individual dalam
Persamaan. (7.15) menjadi nol.

Sekarang, anggaplah kita membagi polinomial orde-kelima ini dengan salah satu faktornya,
misalnya, x + 3. Untuk kasus ini hasilnya adalah polinomial urutan keempat.

f 4 ( x )=( x+1 )( x−4 ) ( x−5 ) ( x−2 )=−40−2 x +¿27 x 2−10 x 3−x 4

dengan sisa nol.

Di masa lalu, Anda mungkin belajar membagi polinomial menggunakan pendekatan yang
disebut divisi sintetis. Beberapa algoritma komputer (berdasarkan divisi sintetis, serta metode
lain) tersedia untuk melakukan operasi. Satu skema sederhana disediakan oleh pseudocode
berikut, yang membagi polinomial n-order oleh a faktor monomial x - t:

r = a(n)

a(n) = 0

DOFOR i = n-1, 0, -1

S = a(i)

a(i) = r

r=s+r*t

END DO

Jika monomial adalah akar dari polinomial, sisa r akan nol, dan koefisien dari hasil bagi yang
disimpan dalam, pada akhir loop.

CONTOH 7.1 Deflasi Polinomial

Pernyataan masalah. Bagilah polinom orde kedua,

f ( x )=( x−4 )( x +6 ) =x2 +2 x−24

dengan faktor x – 4.

Solusi.Menggunakan pendekatan yang diuraikan dalam pseudocode di atas, parameternya adalah

n = 2, a 0 = −24, a 1 = 2, a 2= 1, dan t = 4. Ini dapat digunakan untuk menghitung

r =a2=1

a 2=0

Loop ini kemudian iterasi dari i = 2 - 1 = 1 hingga 0. Untuk i = 1,

s=a1=2

a 1=r=1
 r =s +rt=2+1 ( 4 )=6

Untuk i = 0,

s=a0=−24

a 0=r=6

r =−24+6 ( 4 ) =0

Dengan demikian, hasilnya adalah seperti yang diharapkan - hasil bagi adalah a 0 + a 1x = 6 + x,
dengan sisa nol.

Juga dimungkinkan untuk membagi dengan polinomial orde tinggi. Seperti yang akan kita lihat
nanti di bab ini, tugas yang paling umum melibatkan pembagian oleh polinomial orde kedua atau
parabola. Subroutine pada Gambar 7.2 membahas masalah yang lebih umum dalam membagi
polinomial nthorder a oleh sebuah polinom orde mth d. Hasilnya adalah sebuah polinomial orde-t
(n-m) q, dengan polinomial orde (m-1) sebagai sisanya.

Karena setiap akar yang dihitung hanya diketahui kira-kira, perlu dicatat bahwa deflasi sensitif
terhadap kesalahan round-off. Dalam beberapa kasus, mereka dapat tumbuh ke titik yang
hasilnya dapat menjadi tidak berarti.

Beberapa strategi umum dapat diterapkan untuk meminimalkan masalah ini. Sebagai contoh,
kesalahan roundoff dipengaruhi oleh urutan di mana ketentuan dievaluasi. Mengarahkan deflasi
mengacu

SUB poldiv (a, n, d, m, q, r)

DOFOR j = 0, n

r(j) = a(j)

q(j) = 0

END DO

DOFOR k = n-m, 0, -1

q(k+1) = r(m+k) / dm
 DOFOR j = m+k-1, k, -1

r(j) = r(j) – q(k+1) * b(j-k)

END DO

END DO

DOFOR j = m, n

r(j) = 0

END DO

n = n-m

DOFOR i = 0, n

a(i) = q (i+1)

END DO

END SUB

GAMBAR 7.2 Algoritma untuk membagi polinomial (didefinisikan oleh koefisiennya a) oleh
polinomial orde rendah d.

Untuk kasus di mana koefisien polinomial yang baru berada dalam urutan descending
powers dari x (yaitu, dari urutan tertinggi ke istilah zero-order). Untuk kasus ini, lebih baik
membagi dengan akar nilai absolut terkecil terlebih dahulu. Sebaliknya, untuk deflasi ke
belakang (yaitu dari urutan nol ke urutan tertinggi), lebih baik untuk membagi dengan akar nilai
mutlak terbesar terlebih dahulu.

Cara lain untuk mengurangi kesalahan round-off adalah dengan mempertimbangkan

setiap perkiraan root berturut-turut yang diperoleh selama deflasi sebagai tebakan pertama yang
baik. Ini kemudian dapat digunakan sebagai tebakan awal, dan akar ditentukan lagi dengan
polinomial nondeflated yang asli. Ini disebut sebagai root polishing.

Akhirnya, masalah muncul ketika dua akar yang kempes tidak cukup akurat sehingga
keduanya bertemu pada akar yang tidak terdefinisi sama. Dalam hal ini, Anda mungkin secara
keliru menuntun untuk percaya bahwa polinomial memiliki akar ganda (ingat Bagian 6,5). Salah
satu cara untuk mendeteksi masalah ini adalah dengan membandingkan setiap akar yang dipoles
dengan yang sebelumnya. Tekan et al. (1992) mendiskusikan masalah ini secara lebih rinci.

7.3 METODE KONVENSIONAL

Sekarang setelah kita bahas beberapa materi latar pada polinomial, kita dapat mulai
menggambarkan metode untuk menemukan akar mereka. Langkah pertama yang jelas adalah
menyelidiki keberlangsungan braket dan pendekatan terbuka yang dijelaskan dalam Bab. 5 dan
6.

Kemanjuran pendekatan ini tergantung pada apakah masalah yang diselesaikan

melibatkan akar yang kompleks. Jika hanya akar yang nyata ada, salah satu metode yang
dijelaskan sebelumnya bisa memiliki utilitas. Namun, masalah menemukan tebakan awal yang
baik menyulitkan pengelompokan dan metode terbuka, sedangkan metode terbuka bisa rentan
terhadap penyimpangan.

Ketika akar kompleks dimungkinkan, metode bracketing tidak dapat digunakan karena masalah
yang jelas bahwa kriteria untuk mendefinisikan braket (yaitu, perubahan tanda) tidak
diterjemahkan ke dugaan kompleks.

Dari metode terbuka, metode Newton-Raphson konvensional akan memberikan pendekatan yang
layak. Secara khusus, kode ringkas termasuk deflasi dapat dikembangkan. Jika bahasa yang
mengakomodasi variabel kompleks (seperti Fortran) digunakan, algoritma semacam itu akan
menemukan akar yang nyata dan kompleks. Namun, seperti yang diharapkan, itu akan rentan
masalah konvergensi. Untuk alasan ini, metode khusus telah dikembangkan untuk menemukan
akar polinomial yang nyata dan kompleks. Kami menjelaskan dua metode Müller dan Bairstow
di bagian berikut. Seperti yang Anda mau.

7.4 METODE MULLER

Ingat bahwa metode garis potong memperoleh perkiraan akar dengan memproyeksikan garis
lurus ke sumbu x melalui dua nilai fungsi (Gambar 7.3a). Metode Müller menggunakan
pendekatan serupa, tetapi memproyeksikan parabola melalui tiga titik (Gambar 7.3b).
Metode ini terdiri dari menurunkan koefisien parabola yang melewati tiga titik. Koefisien ini
kemudian dapat digantikan ke rumus kuadrat untuk mendapatkan titik di mana parabola
memotong sumbu x yaitu, perkiraan akar. Pendekatan difasilitasi dengan menulis persamaan
parabola dalam bentuk yang nyaman,

f 2 ( x )=a ( x −x2 ) + b ( x−x 2) + c

Kami ingin parabola ini untuk memotong tiga titik [x0, f ( x 0)], [ x 1, f ( x 1)], dan [ x 2, f ( x 2)].
Koefisien Persamaan. (7.17) dapat dievaluasi dengan mengganti masing-masing dari tiga poin
yang diberikan

f ( x 0 ) =a(x 0− x2 )2+ b(x 0−x 2)+ c

f ( x 1 ) =a(x 1−x 2)2 +b (x1 −x2 )+c

f ( x 2 ) =a( x 2−x 2)2 +b ( x 2−x 2)+c

GAMBAR 7.3 Perbandingan dua pendekatan terkait untuk menemukan akar: (a) metode garis
potong dan (b) metode Müller.

Perhatikan bahwa kami telah menjatuhkan subskrip "2" dari fungsi untuk kepincangan. Karena
kita memiliki tiga persamaan, kita dapat memecahkan untuk tiga koefisien yang tidak diketahui,
a, b, dan c. Karena dua istilah dalam Persamaan. (7.20) adalah nol, dapat segera diselesaikan
untuk c = f ( x 2). Jadi, itu koefisien c hanyalah sama dengan nilai fungsi yang dievaluasi pada
tebakan ketiga, x 2. Hasil ini kemudian dapat diganti menjadi Persamaan. (7.18) dan (7.19) untuk
menghasilkan dua persamaan dengan dua yang tidak diketahui:

f ( x 0 ) −f ( x 2 )=a ( x 0−x 2) 2+ b ( x 0−x 2)

f ( x 1 ) −f ( x 2 )=a(x 1−x 2)2 +b( x 1−x 2 )

Manipulasi aljabar kemudian dapat digunakan untuk memecahkan koefisien yang tersisa, a dan
b. Salah satu cara untuk melakukan ini adalah dengan mendefinisikan sejumlah perbedaan,

h0 =x 1−x 0 h1 =x2 −x1

f ( x 1 )−f ( x 0 ) f ( x 2 )−f ( x1 )
δ 0= δ 1=
x 1−x 0 x 2−x 1

Ini dapat diganti menjadi Persamaan. (7.21) dan (7.22) memberi

2
( h 0+ h1 ) b−( h0 +h1 ) a=h0 δ 0

h1 b−h21 a=h1 δ 1

yang dapat dipecahkan untuk a dan b. Hasilnya dapat diringkas sebagai

δ 1−δ 0
a=
h1 +h 0

b=a h1 +δ 1

c=f ( x 2)

Untuk menemukan akarnya, kami menerapkan rumus kuadrat ke Persamaan. (7,17). Namun,
karena potensi kesalahan round-off, daripada menggunakan bentuk konvensional, kami
menggunakan formulasi alternatif [Persamaan. (3.13)] untuk menghasilkan

−2 c
x 3−x 2=
b ± √b 2−4 ac

atau mengisolasi x3 yang tidak diketahui di sisi kiri tanda yang sama,

−2 c
x 3=x 2+
b ± √ b2−4 ac
Perhatikan bahwa penggunaan rumus kuadrat berarti bahwa akar nyata dan kompleks dapat
ditemukan. Ini adalah manfaat utama dari metode ini.

Selain itu, Persamaan. (7.27a) menyediakan cara yang rapi untuk menentukan kesalahan
perkiraan. Karena sisi kiri menunjukkan perbedaan antara perkiraan akar saat ini (x3) dan
sebelumnya (x2), kesalahan dapat dihitung sebagai

x 3−x 2
ε a=| | x3
100 %

Sekarang, masalah dengan Persamaan. (7.27a) adalah bahwa ia menghasilkan dua akar, sesuai
dengan ± istilah dalam penyebutnya. Dalam metode Müller, tanda dipilih untuk menyetujui tanda
b. Pilihan ini akan menghasilkan penyebut terbesar, dan karenanya, akan memberikan perkiraan
akar yang paling dekat dengan x 2.

Setelah x3 ditentukan, proses akan diulang. Ini memunculkan masalah tentang titik mana yang
dibuang. Dua strategi umum biasanya digunakan:

1. Jika hanya akar sebenarnya yang ditemukan, kami memilih dua titik asli yang terdekat dengan
perkiraan akar baru, x 3.

2. Jika akar nyata dan kompleks sedang dievaluasi, pendekatan sekuensial digunakan. Yaitu,
seperti metode garis potong, x 1, x 2, dan x 3 mengambil tempat x 0, x 1, dan x 2.

CONTOH 7.2 Metode Müller

Pernyataan masalah. Gunakan metode Müller dengan tebakan x 0, x 1, dan x 2 = 4,5, 5.5, dan 5,
masing-masing, untuk menentukan akar persamaan

f ( x )=x 3−13 x−12

Perhatikan bahwa akar dari persamaan ini adalah −3, −1, dan 4.
Solusi. Pertama, kami mengevaluasi fungsi pada tebakan

f ( 4.5 )=20.625 f ( 5.5 ) =82.875 f ( 5 )=48

yang dapat digunakan untuk menghitung

h0 =5.5−4.5=1 h1=5−5.5=−0,5
 82.875−20.625 48−82.875
δ 0= =62.25 δ 1= =69,75
5.5−4.5 5−5.5

Nilai-nilai ini pada gilirannya dapat diganti menjadi Pers. (7.24) hingga (7.26) untuk dihitung

69.75−62.25 48−82.875
a= =15 b= =62.25 c=48
−0,5+1 5−5.5

Akar kuadrat dari diskriminan dapat dievaluasi sebagai

√(62.25)2−4 ( 15 ) 48=31.54461
Kemudian, karena | 62.25 + 31.54451 | > | 62.25 - 31.54451 |, tanda positif digunakan dalam
penyebut Persamaan. (7.27b), dan perkiraan akar yang baru dapat ditentukan sebagai

−2(48)
x 3=5+ =3.976487
62.25+31.54451

dan mengembangkan perkiraan kesalahan

ε a= |−1.023513
3.976487 |
100 %=25.74 %

Karena kesalahannya besar, tebakan baru diberikan; x 0 diganti dengan x 1, x 1 diganti dengan x 2,
dan x 2 diganti dengan x 3. Oleh karena itu, untuk iterasi baru,

x 0=5.5 x 1=5 x2 =3.976487

dan perhitungannya berulang. Hasilnya, ditabulasikan di bawah ini, menunjukkan bahwa metode
tersebut menyatu dengan cepat di root, x r = 4:

i xr ε a (%)
0 5
1 3.976487 25.74
2 4.00105 0.6139
3 4 0.0262
4 4 0.0000119
Pseudocode untuk menerapkan metode Müller untuk akar sebenarnya disajikan pada Gambar
7.4. Perhatikan bahwa rutin ini diatur untuk mengambil satu tebakan nol nol yang kemudian
terganggu

GAMBAR 7.4

Pseudocode untuk metode Müller.

SUB Muller (xr, h, eps, maxit)

x 2=x r

x 1=x r +h∗x r

x 0=x r −h∗x r

DO

iter = iter +1

d 0=( f ( x 1 ) −f ( x 0 ) )/h0

d 1=(f ( x 2 )−f ( x 1 ))/h 1

a=(d ¿ ¿1−d 0 )/¿ ¿)

b = a*h1 +d 1

c = f( x ¿¿ 2)¿

rad = SQRT (b*b – 4*a*c)

if |b+ rad|>|b−rad|THEN

den = b + rad

ELSE

den = b – rad

END IF

dx r =−2∗c /den
 x r=x 2 +d x r

PRINT iter. x r

IF (|d x r|< eps∗xr ∨iter≥maxit ¿ EXIT

x 0=x 1

x 1=x 2

x 2=x r

END DO

END MULLER

mengembangkan dua tebakan lainnya. Tentu saja, algoritma ini juga dapat diprogram untuk
mengakomodasi tiga tebakan. Untuk bahasa seperti Fortran, kode akan menemukan akar
kompleks jika variabel yang tepat dinyatakan sebagai kompleks.

7.5 METODE BAIRSTOW

Metode Bairstow adalah pendekatan iteratif yang terkait secara longgar dengan metode Müller
dan Newton Raphson. Sebelum meluncurkan ke deskripsi matematis teknik, ingat bentuk faktor
dari polinomial,

f 5 ( x )=( x +1 ) ( x −4 )( x−5 )( x +3 ) ( x−2)

Jika kita membagi berdasarkan faktor yang bukan root (misalnya, x + 6), hasil bagi akan menjadi
polinomial urutan keempat. Namun, untuk kasus ini, sisanya akan dihasilkan.

Atas dasar di atas, kita dapat menguraikan suatu algoritma untuk menentukan akar polinomial:
(1) menebak nilai untuk root x = t, (2) membagi polinomial dengan faktor x - t, dan (3) )
tentukan apakah ada sisanya. Jika tidak, tebakan itu sempurna dan akar sama dengan t. Jika ada
sisanya, tebakan dapat disesuaikan secara sistematis dan prosedur diulang hingga sisanya hilang
dan akar berada. Setelah ini selesai, seluruh prosedur dapat diulang untuk hasil bagi untuk
menemukan akar lain.
Metode Bairstow umumnya didasarkan pada pendekatan ini. Akibatnya, ia bergantung pada
proses matematika membagi suatu polinomial oleh suatu faktor. Ingatlah kembali dari diskusi
kita tentang deflasi polinomial (Bagian 7.2.2) bahwa pembagian sintetis melibatkan pembagian
polinomial oleh faktor x - t. Misalnya, polinomial umum [Persamaan. (7.1)]

f n ( x )=a0 +a1 x+ a1 x 2 +…+ an x n

dapat dibagi dengan faktor x - t untuk menghasilkan polinomial kedua yaitu satu urutan lebih
rendah,

f n−1 ( x )=b 1+ b2 x +b 3 x 2 +…+b n x n−1

dengan sisa R = b 0, di mana koefisien dapat dihitung oleh hubungan pengulangan

b n=an

b i=ai +b i+1 t untuk i = n-1 sampai 0

Perhatikan bahwa jika t adalah akar dari polinomial asli, sisa b0 akan sama dengan nol.
Untuk memungkinkan evaluasi akar kompleks, metode Bairstow membagi polinomial dengan
faktor kuadrat x 2−rx−s Jika ini dilakukan untuk Persamaan. (7.29), hasilnya adalah polinomial
baru

f n−2 ( x )=b 2+ b3 x+ …+ bn−1 xn−3 +b n x n−2

dengan sisanya

R=b1 ( x −r ) +b0

Seperti pembagian sintetis normal, hubungan kekambuhan sederhana dapat digunakan untuk
melakukan pembagian oleh faktor kuadrat:

b n=an

b n−1=an−1 +r bn

b i=ai +r bi +1+ s b i+2 untuki=n−2 sampai 0

Faktor kuadrat diperkenalkan untuk memungkinkan penentuan akar kompleks. Ini berkaitan
dengan fakta bahwa, jika koefisien dari polinomial asli adalah nyata, akar kompleks terjadi
dalam pasangan konjugasi. Jika x 2−rx−s adalah pembagi yang tepat dari polinomial, akar
kompleks dapat ditentukan dengan rumus kuadrat. Dengan demikian, metode mengurangi untuk
menentukan nilai r dan s yang membuat faktor kuadrat pembagi yang tepat. Dengan kata lain,
kami mencari nilai-nilai yang membuat istilah sisanya sama dengan nol.

Pemeriksaan Persamaan. (7.31) mengarahkan kita untuk menyimpulkan bahwa untuk sisanya
menjadi nol, b0 dan b1 harus nol. Karena tidak mungkin bahwa dugaan awal kita pada nilai r dan
s akan mengarah pada hasil ini, kita harus menentukan cara sistematis untuk memodifikasi
tebakan kita sehingga b 0 dan b1 mendekati nol. Untuk melakukan ini, metode Bairstow
menggunakan strategi yang mirip dengan pendekatan Newton- Raphson. Karena keduanya b 0
dan b 1 adalah fungsi dari r dan s, mereka dapat diperluas menggunakan deret Taylor, seperti
dalam [ingat Persamaan. (4.26)]

∂ b1 ∂ b1
b 1 ( r +∆ r , s+ ∆ s )=b1 + ∆ r+ ∆s
∂r ∂s

∂ b0 ∂ b0
b 0 ( r + ∆ r , s+ ∆ s )=b 0+ ∆r+ ∆s
∂r ∂s

di mana nilai-nilai di sisi kanan semuanya dievaluasi pada r dan s. Perhatikan bahwa persyaratan
urutan kedua dan lebih tinggi telah diabaikan. Ini merupakan asumsi implisit bahwa −r dan −s
cukup kecil sehingga persyaratan orde tinggi dapat diabaikan. Cara lain untuk
mengekspresikannya. Asumsi ini adalah untuk mengatakan bahwa tebakan awal cukup dekat
dengan nilai r dan s di akar.

Perubahan, ∆ r dan ∆ s, diperlukan untuk meningkatkan tebakan kami dapat diperkirakan dengan
menetapkan Persamaan. (7.33) sama dengan nol untuk diberikan

∂ bi ∂ bi
∆r+ ∆ s=−bi
∂r ∂s

∂ b0 ∂ b0
∆ r+ ∆ s=−b0
∂r ∂s
Jika turunan parsial dari b dapat ditentukan, ini adalah sistem dua persamaan yang dapat
diselesaikan secara bersamaan untuk dua tidak diketahui,∆ r dan ∆ s. Bairstow menunjukkan
bahwa derivatif parsial dapat diperoleh dengan divisi sintetis dari b dengan cara yang serupa ke
cara di mana b itu sendiri berasal:

c n=bn

c n−1=b n−1+ r cn

c i=ai+ r bi+1 + s bi +2 untuki=n−2 sampai 1

di mana ∂b0 / ∂r = c1, ∂b0 / ∂s = ∂b1 / ∂r = c2, dan ∂b1 / ∂s = c3. Dengan demikian, derivatif
parsial diperoleh oleh divisi sintetis dari b's. Kemudian derivatif parsial dapat diganti menjadi
Persamaan. (7.34) dan (7.35) bersama dengan b untuk diberikan

c 2 ∆ r +c 3 ∆ s=−b1

c 1 ∆ r +c 2 ∆ s=−b0

Persamaan ini dapat dipecahkan untuk r dan? s, yang pada gilirannya dapat digunakan untuk
meningkatkan tebakan awal r dan s. Pada setiap langkah, kesalahan perkiraan dalam r dan s
dapat diperkirakan, seperti pada

|ε a ,r|=|∆rr |100 %
dan

|∆ss|100 %
|ε a , s|=

Ketika kedua perkiraan kesalahan ini berada di bawah kriteria penghentian yang ditentukan
sebelumnya, nilai dari akar dapat ditentukan oleh

r ± √ r 2 +4 s
x=
2

Pada titik ini, ada tiga kemungkinan:

1. Hasil bagi adalah polinomial orde ketiga atau lebih besar. Untuk kasus ini, metode Bairstow
akan diterapkan pada hasil bagi untuk mengevaluasi nilai baru untuk r dan s. Nilai r dan s
sebelumnya dapat berfungsi sebagai tebakan awal untuk aplikasi ini.

2. Hasil bagi adalah kuadrat. Untuk kasus ini, dua akar yang tersisa dapat dievaluasi secara
langsung dengan Persamaan. (7,39).

3. Hasil bagi adalah polinom orde pertama. Untuk kasus ini, akar tunggal yang tersisa dapat
dievaluasi hanya sebagai

−s
x=
r

CONTOH 7.3 Metode Bairstow

Pernyataan masalah. Gunakan metode Bairstow untuk menentukan akar dari polinomial

f 5 ( x )=x 5−3.5 x 4 +2.75 x 3−2.125 x 2−3.875 x+1.25

Gunakan tebakan awal r = s = −1 dan iterate ke level ε s = 1%.

Solusi. Persamaan (7.32) dan (7.36) dapat diterapkan untuk menghitung

b 5=1 b4 =−4.5 b 3=6.25 b2=0.375b 1=−10.5 b0 =11.375

c 5=1 c 4 =−5.5 c 3=10.75 c 2=−4.875 c1=−16.375

Dengan demikian, persamaan simultan untuk memecahkan adalah ∆ r dan ∆ s

−4.875 ∆ r +10.75 ∆ s=10.5

−16.375 ∆ r + 4.875 ∆ s=−11.375

yang dapat diselesaikan untuk ∆ r = 0,3558 dan ∆ s = 1,1381. Oleh karena itu, tebakan asli kami
dapat diperbaiki

r =−1+ 0.3558=−0.6442

s=−1+ 1.1381=0.1381

dan kesalahan perkiraan dapat dievaluasi oleh Persamaan. (7.37) dan (7.38),
 | 0.3558 |100 %=55,23%|ε |=|1.1381
|ε a ,r|= −0.6442 0.1381|
a ,s 100 %=824,1 %

Selanjutnya, perhitungan diulangi menggunakan nilai yang direvisi untuk r dan s. Menerapkan
Persamaan. (7,32) dan (7,36) menghasilkan

b 5=1 b4 =−4.1442 b3=5.5578b 2=2.0276 b1=−1.8013b 0=2.1304

c 5=1 c 4 =−4.7884 c3 =8.7806 c 2=−8.3454 c1 =4.7874

Karena itu, kita harus menyelesaikannya

−8.3454 ∆ r +8.7806 ∆ s=1.8013

4.7874 ∆ r +0.3316 ∆ s=0,4697

untuk ∆ r = 0,1331 dan ∆ s = 0,3316, yang dapat digunakan untuk mengoreksi perkiraan akar
sebagai

r =−0.6442+0.1331=−0.5111|ε a ,r|=26.0 %

s=0.1381+ 0,3316=0.4697|ε a , s|=70.6 %

Perhitungan dapat dilanjutkan, dengan hasil bahwa setelah empat iterasi, metode ini menyatu
pada nilai r = −0,5 (| εa, r | = 0,063%) dan s = 0,5 (| εa, s | = 0,040%). Persamaan (7.39)
kemudian dapat digunakan untuk mengevaluasi akar sebagai

−0.5 ± √ (−0.5)2−4 (0.5)

x= =0.5−1.0
2

Pada titik ini, hasil bagi adalah persamaan kubik

f ( x )=x 3−4 x 2 +5.25 x−2.5

Metode Bairstow dapat diterapkan pada polinomial ini menggunakan hasil dari langkah
sebelumnya, r = −0.5 dan s = 0,5, sebagai tebakan awal. Lima iterasi menghasilkan perkiraan r =
2 dan s = −1.249, yang dapat digunakan untuk menghitung
 2± √ (2)2−4(−1.249)
x= =1 ±0.499 i
2

Pada titik ini, hasil bagi adalah polinom orde pertama yang dapat langsung dievaluasi oleh
Persamaan. (7.40) untuk menentukan akar kelima: 2.

Perhatikan bahwa jantung metode Bairstow adalah evaluasi b dan c melalui Pers. (7,32) dan
(7,36). Salah satu kekuatan utama dari metode ini adalah cara ringkas di mana hubungan
pengulangan ini dapat diprogram.

Gambar 7.5 mencantumkan pseudocode untuk mengimplementasikan metode Bairstow. Inti dari
algoritma terdiri dari loop untuk mengevaluasi b's dan c's. Perhatikan juga bahwa kode untuk
menyelesaikan persamaan simultan memeriksa untuk mencegah pembagian dengan nol. Jika ini
kasusnya, nilai r dan s terganggu sedikit dan prosedur dimulai lagi. Selain itu, algoritma
menempatkan batas atas yang ditentukan pengguna pada jumlah iterasi (MAXIT) dan harus
dirancang untuk menghindari pembagian dengan nol saat menghitung perkiraan kesalahan.
Akhirnya, algoritma membutuhkan tebakan awal untuk r dan s (rr dan ss dalam kode). Jika tidak
ada pengetahuan sebelumnya dari akar yang ada, mereka dapat diatur ke nol dalam program
panggilan.
GAMBAR 7.5 (a) Algoritma untuk menerapkan metode Bairstow, bersama dengan (b) algoritma
untuk menentukan akar kuadrat.

7.6 METODE LAINNYA

Metode lain tersedia untuk menemukan akar polinomial. Metode Jenkins-Traub (Jenkins dan
Traub, 1970) umumnya digunakan dalam pustaka perangkat lunak. Ini cukup rumit, dan titik
awal yang baik untuk memahami itu ditemukan di Ralston dan Rabinowitz (1978).

Metode Laguerre, yang mendekati akar nyata dan kompleks dan memiliki konvergensi kubik,
adalah salah satu pendekatan terbaik. Diskusi lengkap dapat ditemukan di Householder (1970).
Selain itu, Tekan et al. (1992) menyajikan algoritma yang bagus untuk menerapkan metode ini.

7.7 ROOT LOCATION DENGAN PAKET PERANGKAT LUNAK

Paket perangkat lunak memiliki kemampuan luar biasa untuk menemukan akar. Di bagian ini,
kami akan memberi Anda rasa beberapa yang lebih bermanfaat.

7.7.1 Excel

Spreadsheet seperti Excel dapat digunakan untuk menemukan root dengan trial and error.
Misalnya, jika kita ingin mencari root

f ( x )=x−cos x

pertama, Anda dapat memasukkan nilai untuk x dalam sel. Kemudian atur sel lain untuk f (x)
yang akan mendapatkan nilainya untuk x dari sel pertama. Anda kemudian dapat memvariasikan
sel x sampai sel f (x) mendekati nol. Proses ini dapat lebih ditingkatkan dengan menggunakan
kemampuan merencanakan Excel untuk mendapatkan tebakan awal yang baik (Gambar 7.6).

Meskipun Excel memang memfasilitasi pendekatan trial-and-error, ia juga memiliki dua alat
standar yang dapat digunakan untuk lokasi root: Goal Seek and Solver. Kedua alat ini dapat
digunakan untuk menyesuaikan dugaan awal secara sistematis. Goal Seek secara tegas digunakan
untuk menggerakkan persamaan ke nilai (dalam kasus kami, nol) dengan memvariasikan satu
parameter.

GAMBAR 7.6 Sebuah spreadsheet dibentuk untuk menentukan akar f (x) = x - cos x dengan trial
and error. Plot ini digunakan untuk mendapatkan tebakan awal yang bagus.

CONTOH 7.4 Menggunakan Alat Pencarian Goal Excel untuk Menemukan Single Root
Pernyataan masalah. Gunakan Goal Seek untuk menentukan akar fungsi transendental
f (x) = x - cos x

Solusi. Seperti pada Gambar 7.6, kunci untuk memecahkan persamaan tunggal dengan Excel
adalah membuat sel untuk menyimpan nilai fungsi yang dimaksud dan kemudian membuat nilai
bergantung pada sel lain. Setelah ini selesai, pemilihan Goal Seek dipilih dari tombol What-If
Analysis di Anda Pita data. Pada titik ini kotak dialog akan ditampilkan, meminta Anda untuk
mengatur sel ke nilai dengan mengubah sel lain. Sebagai contoh, anggaplah bahwa seperti pada
Gambar 7.6, tebakan Anda dimasukkan dalam sel A11 dan fungsi Anda menghasilkan sel B11.
Kotak dialog Goal Seek akan diisi sebagai
Ketika tombol OK dipilih, kotak pesan menampilkan hasil,

Sel-sel pada spreadsheet juga akan dimodifikasi ke nilai-nilai baru (seperti yang ditunjukkan
pada Gambar 7.6).

Alat Solver lebih canggih daripada Goal Seek karena (1) ia dapat memvariasikan beberapa sel
secara bersamaan dan (2) bersama dengan menggerakkan sel target ke nilai, ia dapat
meminimalkan dan memaksimalkan nilainya. Contoh berikut mengilustrasikan bagaimana hal itu
dapat digunakan untuk memecahkan sistem persamaan nonlinier.

CONTOH 7.5 Menggunakan Solver Excel untuk Sistem Nonlinear

Pernyataan masalah. Ingat bahwa di Sec. 6.6 kami memperoleh solusi dari serangkaian
persamaan simultan berikut ini,

u ( x , y )=x 2 + xy−10=0

v ( x , y ) = y+ 3 x y 2−57=0
Perhatikan bahwa sepasang akar yang benar adalah x = 2 dan y = 3. Gunakan Solver untuk
menentukan akar menggunakan tebakan awal x = 1 dan y = 3,5.

Solusi. Seperti ditunjukkan di bawah ini, dua sel (B1 dan B2) dapat dibuat untuk menahan
tebakan untuk x dan y. Nilai fungsi itu sendiri, u (x, y) dan v (x, y) kemudian dapat dimasukkan
ke dalam dua sel lain (B3 dan B4). Seperti dapat dilihat, tebakan awal menghasilkan nilai fungsi
yang jauh dari nol.

Selanjutnya, sel lain dapat dibuat yang berisi satu nilai yang mencerminkan seberapa dekat kedua
fungsi tersebut menjadi nol. Salah satu cara untuk melakukan ini adalah dengan menjumlahkan
kuadrat dari nilai fungsi. Ini dilakukan dan hasilnya dimasukkan ke dalam sel B6. Jika kedua
fungsi nol, fungsi ini juga harus nol. Selanjutnya, menggunakan fungsi kuadrat menghindari
kemungkinan bahwa kedua fungsi bisa memiliki nilai bukan nol yang sama, tetapi dengan tanda
yang berlawanan. Untuk kasus ini, sel target (B6) akan menjadi nol, tetapi akarnya tidak benar.

Setelah spreadsheet dibuat, pemilihan Solver dipilih dari pita Data.1 Pada titik ini kotak dialog
akan ditampilkan, menanyakan Anda untuk informasi terkait. Sel-sel yang bersangkutan dari
kotak dialog Solver akan diisi sebagai
Catatan bahwa Anda mungkin harus menginstal Solver dengan memilih Office, Opsi Excel,
Add-Ins. Pilih Excel Add-Ins dari kotak Kelola drop-down di bagian bawah menu opsi Excel dan
klik Pergi. Kemudian, periksa kotak Solver. Solver kemudian harus diinstal dan tombol untuk
mengaksesnya akan muncul di pita Data Anda.

Ketika tombol OK dipilih, kotak dialog akan terbuka dengan laporan tentang keberhasilan
operasi. Untuk kasus ini, Solver mendapatkan solusi yang tepat:

Perlu dicatat bahwa Solver bisa gagal. Keberhasilannya tergantung pada (1) kondisi sistem
persamaan dan / atau (2) kualitas tebakan awal. Dengan demikian, hasil yang sukses dari contoh
sebelumnya tidak dijamin. Meskipun demikian, kami telah menemukan Solver yang cukup
berguna untuk menjadikannya pilihan yang layak untuk mendapatkan akar dengan cepat dalam
berbagai aplikasi rekayasa.

7.7.2 MATLAB
Seperti dirangkum dalam Tabel 7.1, perangkat lunak MATLAB mampu menemukan akar
persamaan aljabar dan transendental tunggal. Ini luar biasa dalam memanipulasi dan menemukan
akar polinomial.

Fungsi fzero dirancang untuk menemukan satu akar dari satu fungsi. Representasi sintaksnya
yang disederhanakan adalah fzero (f, x0, opsi) di mana f adalah fungsi yang Anda analisis, x0
adalah tebakan awal, dan opsi adalah parameter pengoptimalan (ini diubah menggunakan fungsi
optimet). Jika opsi diabaikan, nilai default digunakan. Perhatikan bahwa satu atau dua tebakan
dapat digunakan. Jika dua tebakan digunakan, mereka diasumsikan menyematkan root. Contoh
berikut menggambarkan bagaimana fzero dapat digunakan.

TABEL 7.1 Fungsi umum dalam MATLAB terkait dengan root lokasi dan manipulasi
polinomial.

CONTOH 7.6 Menggunakan MATLAB untuk Lokasi Akar

Pernyataan masalah. Gunakan fungsi MATLAB fzero untuk menemukan akar

f ( x )=x 10−1

dalam interval xl = 0 dan xu = 4. Jelas dua akar terjadi pada −1 dan 1. Ingat bahwa dalam Contoh
5.6, kami menggunakan metode posisi-salah dengan tebakan awal 0 dan 1.3 untuk menentukan
akar positif.

Solusi. Dengan menggunakan kondisi awal yang sama seperti pada Contoh 5.6, kita dapat
menggunakan MATLAB untuk menentukan akar positif seperti pada

>> x0=[0 1.3];

>> x=fzero(@(x) x^10–1,x0)
x =1
Dengan cara yang sama, kita dapat menggunakan tebakan awal −1.3 dan 0 untuk menentukan
akar negatif,

>> x0=[–1.3 0];

>> x=fzero(@(x) x^10–1,x0)
x = –1
Kami juga bisa menggunakan tebakan tunggal. Kasus yang menarik adalah menggunakan
tebakan awal 0,

>> x0=0;
>> x=fzero(@(x) x^10–1,x0)
x = –1
Jadi, untuk tebakan ini, algoritma yang mendasari terjadi pada rumah di pada akar negatif.
Penggunaan optimset dapat diilustrasikan dengan menggunakannya untuk menampilkan iterasi
yang sebenarnya saat solusi berlangsung:

>> x0=0;
>> option=optimset('DISP','ITER');
>> x=fzero(@(x) x^10–1,x0,option)
Hasil ini menggambarkan strategi yang digunakan oleh fzero ketika diberikan dengan tebakan
tunggal. Pertama, pencarian di sekitar tebakan sampai mendeteksi perubahan tanda. Kemudian ia
menggunakan kombinasi pembelahan dan interpolasi ke rumah di atas akar. Interpolasi
melibatkan kedua metode sekan dan interpolasi kuadrat terbalik (ingat Bagian 7.4). itu perlu
dicatat bahwa algoritma fzero memiliki lebih dari itu deskripsi dasar ini mungkin menyiratkan.
Anda dapat berkonsultasi dengan Press et al. (1992) untuk detail tambahan.

CONTOH 7.7 Menggunakan MATLAB untuk Memanipulasi dan Menentukan Akar

Polinomial
Pernyataan masalah. Jelajahi bagaimana MATLAB dapat digunakan untuk memanipulasi dan
menentukan akar polinomial. Gunakan persamaan berikut dari Contoh 7.3,

f 5 ( x )=x 5 +3.5 x 4 +2.75 x3 +2.125 x 2−3.875 x+1.2

yang memiliki tiga akar nyata: 0,5, −1.0, dan 2, dan satu pasang akar kompleks: 1 ± 0,5i.
Solusi. Polinomial dimasukkan ke MATLAB dengan menyimpan koefisien sebagai vektor.
Sebagai contoh, pada prompt MATLAB (>>) mengetik dan memasuki baris berikut menyimpan
koefisien dalam vektor a,

>> a=[1 –3.5 2.75 2.125 –3.875 1.25];

Kami kemudian dapat melanjutkan untuk memanipulasi polinomial. Sebagai contoh, kita dapat
mengevaluasinya pada x = 1 dengan mengetik
>> polyval(a,1)

dengan hasilnya 1(1)5 − 3.5(1)4 + 2.75(1)3 + 2.125(1)2 − 3.875(1) + 1.25=−0.25,

ans =
–0.2500

Kita dapat mengevaluasi turunannya f _ (x) = 5x4 − 14x3 + 8.25x2 + 4.25x − 3.875 dengan

>> polyder(a)
ans =
5.0000 –14.0000 8.2500 4.2500 –3.8750

Selanjutnya, mari kita membuat polinomial kuadrat yang memiliki akar yang sesuai dengan dua
akar asli Persamaan. (E7.7.1): 0,5 dan −1. Kuadrat ini adalah (x - 0,5) (x + 1) = x2 + 0,5x - 0,5
dan dapat dimasukkan ke MATLAB sebagai vektor b,

>> b=[1 0.5 –0.5];

Kita dapat membagi polinomial ini menjadi polinomial asli oleh

>> [d,e]=deconv(a,b)

dengan hasil menjadi hasil bagi (polinomial urutan ketiga d) dan sisanya (e),

d = 1.0000 –4.0000 5.2500 –2.5000

e=000000
Karena polinomial adalah pembagi sempurna, polinomial sisanya memiliki koefisien nol.
Sekarang, akar dari polinomial quotient dapat ditentukan sebagai

>> roots(d)

dengan hasil yang diharapkan bahwa akar sisa polinomial asli (E7.7.1) ditemukan,

ans = 2.0000
1.0000 + 0.5000i
1.0000 – 0.5000i

Kita sekarang dapat menggandakan d oleh b untuk datang dengan polinomial asli,

>> conv(d,b)
ans = 1.0000 –3.5000 2.7500 2.1250 –3.8750 1.2500
Akhirnya, kita dapat menentukan semua akar dari polinomial asli oleh
>> r=roots(a)
r = –1.0000 2.0000
1.0000 + 0.5000i
1.0000 – 0.5000i
0.5000

7.7.3 Mathcad

Mathcad memiliki fungsi mode numerik yang disebut root yang dapat digunakan untuk
menyelesaikan persamaan a variabel tunggal. Metode ini mengharuskan Anda menyediakan
fungsi f (x) dan tebakan awal atau sebuah braket. Ketika nilai tebakan tunggal digunakan, root
menggunakan metode Secant dan Müller. Di kasus di mana dua dugaan bahwa braket root
disediakan, ia menggunakan kombinasi dari Metode Ridder (variasi posisi salah) dan metode
Brent. Ini iterasi hingga besarnya dari f (x) pada akar yang diusulkan kurang dari nilai TOL yang
telah ditentukan sebelumnya. Implementasi Mathcad memiliki kelebihan dan kerugian yang
sama dengan metode lokasi akar konvensional seperti masalah mengenai kualitas tebakan awal
dan laju konvergensi. Mathcad dapat menemukan semua akar polinomial yang nyata atau
kompleks dengan polyroots. Angka ini atau fungsi mode simbolik didasarkan pada metode
Laguerre. Fungsi ini tidak membutuhkan tebakan awal, dan semua akarnya dikembalikan pada
saat yang bersamaan.

Mathcad berisi fungsi mode numerik bernama Find yang dapat digunakan untuk menyelesaikan
hingga 50 persamaan aljabar nonlinier simultan. Fungsi Cari memilih yang sesuai
metode dari sekelompok metode yang tersedia, tergantung apakah masalahnya linear atau
nonlinear, dan atribut lainnya. Nilai yang dapat diterima untuk solusi mungkin tidak dibatasi atau
dibatasi jatuh dalam batas yang ditentukan. Jika Temukan gagal menemukan solusi yang
memenuhi persamaan dan kendala, ia mengembalikan pesan kesalahan "tidak menemukan
solusi." Namun, Mathcad juga mengandung fungsi serupa yang disebut Minerr. Fungsi ini
memberikan hasil solusi yang meminimalkan kesalahan dalam batasan bahkan ketika solusi yang
tepat tidak dapat ditemukan. Jadi, masalahnya pemecahan untuk akar persamaan nonlinier erat
terkait dengan kedua optimasi dan kuadrat terkecil nonlinier. Area dan Minerr ini dibahas secara
rinci di Bagian Empat dan Lima.

Gambar 7.7 menunjukkan lembar kerja Mathcad yang khas. Menu di bagian atas menyediakan
cepat akses ke operator dan fungsi aritmatika umum, berbagai dua dan tiga dimensi
 GAMBAR 7.7 layar Mathcad untuk menemukan akar dari persamaan tunggal.

jenis plot, dan lingkungan untuk membuat subprogram. Persamaan, teks, data, atau grafik bisa
ditempatkan di mana saja di layar. Anda dapat menggunakan berbagai jenis font, warna, dan
gaya untuk dibuat lembar kerja dengan hampir semua desain dan format yang menyenangkan
Anda. Konsultasikan ringkasannya dari manual Pengguna Mathcad di App. C atau manual
lengkap tersedia dari MathSoft. Perhatikan bahwa dalam semua contoh Mathcad kami, kami
telah mencoba menyesuaikan seluruh sesi Mathcad satu layar. Anda harus menyadari bahwa
grafik harus ditempatkan di bawah perintah berfungsi dengan benar.
Mari mulai dengan contoh yang memecahkan akar f (x) = x - cos x. Langkah pertama adalah
untuk masuk ke fungsi. Ini dilakukan dengan mengetik f (x): yang secara otomatis dikonversi ke
f (x): = oleh Mathcad. The: = disebut simbol definisi. Selanjutnya tebakan awal adalah input
yang serupa cara menggunakan simbol definisi. Sekarang, soln didefinisikan sebagai root (f (x),
x), yang memanggil metode potong dengan nilai awal 1,0. Iterasi dilanjutkan sampai f (x)
dievaluasi pada akar yang diusulkan kurang dari TOL. Nilai TOL diatur dari tarik Matematika /
Opsi menu bawah. Akhirnya nilai dari soln ditampilkan menggunakan tanda sama normal (=).
Nomor angka signifikan ditetapkan dari menu tarik turun Format / Nomor. Label teks
dan definisi persamaan dapat ditempatkan di mana saja di layar dalam sejumlah berbeda
font, gaya, ukuran, dan warna. Grafik dapat ditempatkan di mana saja pada lembar kerja dengan
mengklik ke lokasi yang diinginkan. Ini menempatkan rambut salib merah di lokasi itu.
Kemudian gunakan Masukkan / Grafik / X-Y Plot pull down menu untuk menempatkan plot
kosong pada lembar kerja dengan placeholder untuk ekspresi yang akan digambarkan dan untuk
rentang sumbu x dan y. Cukup ketik f (z) di placeholder pada sumbu y dan −10 dan 10 untuk
rentang z-axis. Mathcad melakukan semuanya sisanya untuk menghasilkan grafik yang
ditunjukkan pada Gambar 7.7. Setelah grafik dibuat, Anda dapat menggunakan
Format / Grafik / X-Y Plot menu pull down untuk memvariasikan jenis grafik; ubah warnanya,
jenis, dan berat jejak fungsi; dan tambahkan judul, label, dan fitur lainnya.
Gambar 7.8 menunjukkan bagaimana Mathcad dapat digunakan untuk menemukan akar dari
suatu polinomial menggunakan fungsi polyroots. Pertama, p (x) dan v adalah input menggunakan
simbol: = definisi. Perhatikan bahwa v adalah vektor yang berisi koefisien dari polinomial
dimulai dengan urutan nol dan berakhir dalam kasus ini dengan istilah orde ketiga. Selanjutnya, r
didefinisikan (menggunakan: =) sebagai polyroots (v), yang memanggil metode Laguerre. Akar
yang terkandung dalam r ditampilkan sebagai rT menggunakan tanda sama dengan yang normal
(=). Selanjutnya, plot dibangun dengan cara yang mirip dengan di atas, kecuali sekarang dua
variabel rentang, x dan j, digunakan untuk menentukan kisaran sumbu x dan lokasi dari akar.
Variabel rentang untuk x dikonstruksi dengan mengetik x dan kemudian “:” (yang muncul
sebagai: =) dan kemudian −4, dan kemudian "," dan kemudian −3.99, dan kemudian ";" (yang
ditransformasikan ke ..by Mathcad), dan akhirnya 4. Ini menciptakan vektor nilai x mulai dari
−4 sampai 4 dengan kenaikan 0,01 untuk sumbu x dengan nilai yang sesuai untuk p (x) pada
sumbu y. Variabel rentang j digunakan untuk membuat tiga nilai untuk r dan p (r) yang diplot
sebagai lingkaran kecil individu. Perhatikan itu lagi, dalam upaya kami untuk menyesuaikan
seluruh sesi Mathcad satu layar, kami telah menempatkan grafik di atas perintah. Anda harus
menyadari bahwa grafik harus di bawah perintah untuk berfungsi dengan benar.
Contoh terakhir menunjukkan solusi dari sistem persamaan nonlinier menggunakan a
Mathcad Solve Block (Gambar 7.9). Prosesnya dimulai dengan menggunakan simbol definisi
untuk buat tebakan awal untuk x dan y. Kata Diberikan kemudian memberi tahu Mathcad bahwa
yang berikutnya adalah sistem persamaan. Kemudian muncul persamaan dan ketidaksetaraan
(tidak digunakan di sini). Perhatikan itu untuk aplikasi ini Mathcad membutuhkan penggunaan
tanda sama simbolis yang diketik sebagai [Ctrl] = atau <dan> untuk memisahkan sisi kiri dan
kanan dari sebuah persamaan. Sekarang, variabel vec didefinisikan sebagai Find (x, y) dan nilai
vec ditampilkan menggunakan tanda yang sama.
 GAMBAR 7.8 layar Mathcad untuk memecahkan akar polinomial.

GAMBAR 7.9 layar Mathcad untuk memecahkan sistem persamaan nonlinier.

 CHAPTER 8 STUDY KASUS : PERSAMAAN AKAR

Bab ini mngguakann prosedur numerik yang disisipkkan dalam bab 7 untuk memecahkan
masalah rekayasa aktual. Teknorasi numerik penting untuk praktis applikasi karena insinyur
sering mengalami masalah yang tidak dapat didektii dengan menggunakan teknik analitik.
Misalnya, model matematika sederhana yang bisa dipecahkan analitis mungkin tidak berlaku
ketika masalah nyata dilibatkan. Dengan demikian, lebih banyak compli model yang
dikukuhkan harus digunakan. Untuk kasus-kasus ini, sangat tepat untuk mengimplementasikan
suatu numerical pada komputer. Dalam situasi lain, masalah desain teknik mungkin diperlukan
solusi untuk variiabel implisitt dalam persamaan yang rumit.

Studi kasus berikut ini adalah tipikal dari mereka yang secara rutin ditemui selama kursus kelas
atas dan studi pascasarjana. Lebih jauh lag,, mereka mewakili masalah annda akan berbicara
seacara profesional. Masalahnya diambil dari empat disiiplin utama rekayasa; kimia, sipil,
listrik, dan mekanis. Aplikasi inii juga berfungsi untukmenggambarkan trade-off di antara
berbagai teknik numerik.

Aplikasi pertama, yang diambbil dari teknnik kimia, memberikan conntoh yang sangat bagus
tenntang bagaimana metoode roo-location memungkinkan anda menggunakan rumus realistis
dalam praktik enginneriing. Selain itu, ia juga menunjukkan bagaimana efisiensi teknik
Newton-Rapshoon digunakan untuk keuntungan ketika sjumlah besar perhitungan lokasi akar
diperlukan. Masalah desain teknik berikut diambil dari sipil, listrik dan mekanis bagian 8.2
menggunakan pembelahan untuk menentukan perubahan dalam kimia air hujan karena
peningkatan karbon dioksiida atmosfer. Bagian 8.3 menunjukkan bagaimana akar transendenasi
dapat digunukan dalam desain sirkit listrik. Bagian 8.2 dan 8.3 juga mengilustrasikan
bagaimana metode grafis memberikan wawasan ke dalam proses lokasi-root, Finallv. Detik 8.4
menggunakan Berbagai metode numerik untuk menghitung faktor gesekan untuk aliran fluida
dalam sebuah pipa.

8.1 Senyawa Ideal dan Nonideal

Senyawa gas ideal diberikan

ρV =n R T (8.1)

Di mana ρ adalah tekanan konstan, V adalah volume, n adalah jumlah molekul, R adalah
konstanta gas universal, dan T adalah suhu. Meskipun persamaan ini secara luas digunakan oleh
para insinyur dan ilmuan, ini akurat hanya pada rentang terbatas dan suhu. Selanjutnya,
persamaan (8.1) lebih tepat untuk beberapa gas daripada yang lain.

Persamaan alternatif untuk gas diberikan oleh

( ρ+ va ) ( v−b) =RT
2 (8.2)

Dikenal sebagai persamaan Van Der Walls, di mana v=V /n adalah volume molal dan a dan b
adalah konstanta emmpiris yang bergantung pada gas tertentu.

Proyek desain teknik kimia mengharuskan anda memperkirakan molal secara akurat volume (v)
dari kedua karbon dioksida dan oksigen untuk sejumlah temperatur yang berbeda dan kombinasi
tekanan sehingga bejana penahanan yang sesuai dapat dipilih. Ini juga untuk memeriksa seberapa
baik setiap gas sesuai dengan hukum gas ideal dengan membandingkan volume molal
sebagaimana dihitung pada persamaan (8.1) dan (8.2). perhatikan data yang disediakan berikut
ini:

R=0.082054 L atm/(mol K )

a=3.592 karbon diokksida

b=0.04267 }
a=1.360 oksigen
b=0.03183 }
Tekanan desain yang menarik adalah 1, 10, dan 100 atm untuk kombinasi temperatur 300, 500,
dan 700 K.

Solusi:

Volume molal untuk kedua gas dihitung menggunakan hukum gas ideal, dengan n= 1. Misalnya
jika ρ=1atmdan T = 300 K,

V RT L atm 300 K L
v= = =0,082054 =24,6162
n P mol K 1 atm mol

Perhitungan volume molal dari persamaan van der Waals dapat dicapai menggunakan salah satu
metode numerik untuk menemukan akar dari persamaan yang dibahas dalam Bab. 5, 6 dan 7,
dengan
 ( va )( v−b )−RT
f ( v )= p + 2 (8.3)

Dalam kasus ini, turunan dari f (v) mudah untuk menentukan dan metode Newton-Raphson
nyaman dan efisien untuk menerapkan. Turunan dari f (v) sehubungan dengan v diberikan oleh

a 2ab
f ( v )= p− + (8.4)
v 2 v3

Metode Newton-Raphson digambarkan oleh EQ (6.6):

f (v1 )
v1 +1=v 1−
f ' ( v 1)

yang dapat digunakan untuk memperkirakan akar. Misalnya, menggunakan kira awal dari
24.6162, molal jumlah karbon dioksida di atm 300 K dan 1 dihitung sebagai 24.5126 L/mol. Ini
hasil diperoleh setelah hanya dua iterasi dan memiliki εa kurang dari 0.001 persen. Perhitungan
yang sama untuk semua kombinasi tekanan dan temperatur untuk kedua gas disajikan dalam
tabel 8.1. Hal ini terlihat bahwa hasil untuk persamaan ideal gas berbeda dari untuk van der
Waals persamaan untuk kedua gas, tergantung pada nilai-nilai yang tertentu untuk p dan T.
selanjutnya, karena beberapa hasil ini secara signifikan berbeda, desain pembuluh penahanan
akan sangat berbeda, tergantung pada mana persamaan keadaan digunakan. Dalam kasus ini,
persamaan keadaan rumit diteliti menggunakan Newton-Raphson metode. Hasil bervariasi secara
signifikan dari persamaan ideal gas untuk beberapa kasus. Dari sudut pandang praktis, metode
Newton-Raphson ini cocok untuk aplikasi ini karena (v) adalah mudah untuk menghitung.
Dengan demikian, sifat cepat konvergensi Newton-Metode Raphson bisa dimanfaatkan. Selain
menunjukkan kekuatannya untuk komputasi tunggal, desain yang sekarangmasalah juga
menggambarkan bagaimana metode Newton-Raphson menarik khususnya ketika
banyakperhitungan diperlukan. Karena kecepatan komputer digital, efisiensiberbagai metode
numerik untuk sebagian akarnya persamaan tidak dapat dibedakan untuk satu perhitungan.
Bahkan 1-s perbedaan antara mentah bagi-dua pendekatan yang efisien Newton Raphson tidak
jumlah kerugian signifikan waktu ketika hanya satu perhitungan dilakukan. Tetapi, anggap
bahwa jutaan akar evaluasi diperlukan untuk memecahkan masalah. Dalam kasus ini, efisiensi
metode bisa menjadi faktor penentu dalam pilihan teknik. Misalnya, bahwa Anda dipanggil
untuk desain otomatis terkomputerisasi sistem kontrol untuk proses produksi bahan kimia.
Sistem ini memerlukan perkiraan yang akurat molal volume pada dasar pada dasarnya kontinyu
benar pembuatan final produk. Alat pengukur dipasang yang menyediakan seketika pembacaan
tekanan dan temperatur. Evaluasi v harus diperoleh untuk berbagai gas yang digunakan dalam
proses. Untuk suatu aplikasi, mengurung metode seperti posisi bagi-dua atau palsu akan mungkin
terlalu memakan waktu. Selain itu, dua dugaan awal diperlukan untuk pendekatan ini juga dapat
menyisipkan penundaan kritis dalam prosedur. Kekurangan ini adalah berkaitan dengan Metode
sekan, yang juga membutuhkan dua perkiraan awal. Sebaliknya, metode Newton-Raphson
memerlukan hanya satu menebak untuk root. The persamaan ideal gas dapat digunakan untuk
mendapatkan ini menebak di inisiasi dari proses. Kemudian, dengan asumsi bahwa kerangka
waktu cukup singkat sehingga tekanan dan suhu tidak berubah liar antara perhitungan, solusi
akar sebelumnya akan memberikan menebak yang baik untuk aplikasi berikutnya. Dengan
demikian, kira dekat yang sering prasyarat untuk konvergensi metode Newton-Raphson yang
secara otomatis akan tersedia. Semua pertimbangan tersebut diatas akan sangat mendukung
Newton-Raphson teknik untuk masalah tersebut.

8.2 GRENHOUSE GASES AND RAINWATER (CIVIL/ENVIRONMENTAL

ENGINEERING)

Latar belakang. Teknik sipil adalah bidang yang luas yang mencakup berbagai bidang-bidang
seperti struktural, Geotechnical, transportasi, sumber daya air, dan teknik lingkungan. Daerah
terakhir telah secara tradisional berurusan dengan pengendalian polusi. Namun, dalam beberapa
tahun terakhir, lingkungan insinyur (sebagai kimia serta insinyur) telah membahas masalah-
masalah yang lebih luas seperti perubahan iklim. Ia telah didokumentasikan bahwa tingkat
atmosfer beberapa gas rumah kaca telah meningkat selama 50 tahun. Sebagai contoh, Gambar
8.1 menunjukkan data untuk tekanan parsial karbon dioksida (CO2) dikumpulkan di Mauna Loa,
Hawaii dari tahun 1958 hingga 2003. The tren dalam data dapat baik cocok dengan polinomial
kuadrat (bagian dalam lima, kita akan belajar Bagaimana untuk menentukan polinomial seperti),

pCO2 = 0.011825 (t − 1980.5) 2 + 1.356975(t − 1980.5) + 339 mana pCO2 = tekanan parsial
CO2 di atmosfer [ppm].

Data menunjukkan bahwa tingkat telah meningkat lebih dari 19% selama periode dari 315 ke
376 ppm
GAMBAR 8.1

Selain pemanasan global, gas rumah kaca juga dapat mempengaruhi Kimia atmosfer. Satu
pertanyaan yang kami dapat alamat adalah bagaimana tren karbon dioksida mempengaruhi pH
air hujan. Di luar area perkotaan dan industri, ia telah didokumentasikan bahwa karbon dioksida
adalah penentu utama pH hujan. pH adalah ukuran dari aktivitas ion hidroge dan oleh karena itu
keasaman. Untuk encer larutan, itu bisa dihitung sebagai

p H=−log 10 ¿ (8.5)

mana [H +] adalah molar konsentrasi ion hidrogen.

Sistem nonlinier berikut lima persamaan mengatur kimia air hujan,

PERSAMAAN 8.6 – 8.10

K 1=10 6 ¿ ¿ (8.6)

K 2=¿ ¿ (8.7)

K w =¿ (8.8)

K HPCO
cT = 6
2
+¿ (8.9)
10
 K HPCO2
0= +2 ¿ (8.10)
106

mana KH = Henry's konstan, dan K1, K2 dan Kw koefisien keseimbangan. Lima

tidak diketahui apakah cT = total anorganik karbon, [HCO− 3] = bikarbonat, [CO2−3] =

karbonat, [H +] = ion hidrogen, dan [OH−] = hidroksil ion. Perhatikan bagaimana tekanan
parsial CO2 muncul dalam persamaan. (8.6) dan (8.9).

Menggunakan persamaan ini untuk menghitung pH air hujan yang diberikan KH itu = 10−1.46,
K1 = 10−6.3, K2 = 10−10.3, dan Kw = 10−14.Membandingkan hasil pada tahun 1958 ketika
pCO2315 dan pada 2003 ketika itu 375 ppm. Ketika memilih sebuah metode numerik untuk
Andakomputasi, pertimbangkan hal berikut:

• Anda tahu dengan pasti bahwa pH hujan di daerah-daerah yang murni selalu jatuh antara 2 dan
12.

• Anda juga tahu bahwa perangkat pengukuran Anda hanya dapat mengukur pH untuk dua
tempat presisi desimal.

Solusi. Ada berbagai cara untuk memecahkan sistem Persamaan lima ini nonlinier. Salah satu
cara adalah untuk menghilangkan yang tidak diketahui dengan menggabungkan mereka untuk
menghasilkan satu fungsi yang hanya tergantung pada [H +]. Untuk melakukan ini, terlebih
dahulu memecahkan persamaan. (8.6) dan (8.7) untuk

¿ (8.11)

¿ (8.12)

¿ (8.13)

Persamaan (8.11) dan (8.13) dapat digantikan dengan EQ (8.8) ke EQ (8,10) untuk memberikan

K1
O= (8.14)
106 ¿ ¿

Meskipun ini mungkin tidak jelas, hasil ini adalah ketiga ketertiban polinomial [H +]. Dengan
demikian, yang akar dapat digunakan untuk menghitung pH air hujan. Sekarang kita harus
memutuskan metode numerik untuk mempekerjakan untuk mendapatkan solusi. Ada adalah dua
alasan mengapa bagi-dua akan menjadi pilihan yang baik. Pertama, fakta bahwa pH selalu jatuh
dalam kisaran dari 2-12, memberikan dua dugaan awal yang baik. Kedua, karena pH dapat
diukur untuk dua angka desimal presisi, kita akan puas dengan kesalahan mutlak Ea, d = 0.005.
Ingat bahwa diberikan braket awal dan kesalahan relatif yang diinginkan, kita dapat menghitung
jumlah iterasi apriori. Menggunakan EQ (5.5), Hasilnya adalah n = log2 (10) 0.005 = 10.9658.
Dengan demikian, sebelas iterasi dari bagi-dua akan menghasilkan presisi diinginkan. Jika hal ini
dilakukan, hasilnya untuk 1958 akan pH 5.6279 dengan error relatif 0.0868%. Kita dapat yakin
bahwa hasil bulat 5,63 benar untuk dua desimal tempat-tempat. Ini dapat diverifikasi dengan
melakukan lain berjalan dengan lebih iterasi. Sebagai contoh, Jika kita melakukan 35 iterasi,
hasil dari 5.6304 yang diperoleh dengan perkiraan kesalahan relatif dari εa = % 5.17 × 10−9.
Perhitungan yang sama dapat diulang untuk kondisi 2003 untuk memberikan pH = 5.59 dengan
εa = 0.0874%.Menariknya, hasil ini menunjukkan bahwa memiliki 19% kenaikan tingkat CO2
atmosfer diproduksi hanya 0,67% penurunan pH. Meskipun hal ini memang benar, ingat bahwa
pH mewakili skala logarithmic seperti yang didefinisikan oleh EQ (8.5). Akibatnya, mewakili
unit penurunan pH peningkatan 10 kali dalam ion hidrogen. Konsentrasi bisa dihitung sebagai [H
+] = 10−pH dan persen dihasilkan perubahan dapat dihitung sebagai 9,1%. Oleh karena itu,
konsentrasi ion hidrogen telah meningkat sekitar 9%. Ada cukup banyak kontroversi yang
berkaitan dengan makna sebenarnya dari tren gas rumah kaca. Namun, terlepas dari implikasi
utama, sangat cukup serius untuk mewujudkan bahwa sesuatu yang besar sebagai atmosfer kita
telah berubah begitu banyak selama periode waktu yang relatif singkat. Studi kasus ini
menggambarkan bagaimana numerik metode dapat digunakan untuk menganalisis dan
menafsirkan tren seperti itu. Selama tahun-tahun mendatang, insinyur dan ilmuwan dapat
mudah-mudahan menggunakan seperti alat-alat untuk memperoleh pemahaman yang meningkat
dan membantu merasionalisasi konsekuensi atas perdebatan mereka.

8.3 DESAIN OF AN ELECTRIC CIRCUIT (ELECTRICAL ENGINEERING)

Latar belakang. Electrical engineers sering menggunakan hukum Kirchhoff untuk mempelajari
keadaan stabil (tidak waktu-bervariasi) perilaku sirkuit listrik. Perilaku mapan seperti itu akan
diteliti di Sec. 12.3. Masalah penting lain melibatkan sirkuit yang bersifat sementara mana tiba-
tiba perubahan sementara berlangsung. Situasi seperti ini terjadi setelah penutupan
Switch di Fig.2. Dalam kasus ini, akan ada periode penyesuaian berikut penutupan beralih
sebagai kesetimbangan baru tercapai. Panjang periode penyesuaian ini terkait erat dengan sifat
penyimpanan kapasitor dan induktor. Penyimpanan energi

FIGURE 8.2

dapat berosilasi antara kedua unsur ini selama periode sementara. Namun, perlawanan sirkuit
akan menghilang besarnya osilasi.

Aliran arus melalui resistor menyebabkan penurunan tegangan (VR) yang diberikan oleh

VR = iR

Mana I = arus dan R = hambatan dari resistor. Ketika R dan I memiliki unit Ohm dan
ampere, masing-masing, VR memiliki unit Volt.

Demikian pula, sebuah induktor menolak perubahan dalam arus, sedemikian rupa sehingga
tegangan drop VL di seluruh itu

VL = L, di DT dimana L = induktansi. Ketika L dan saya memiliki unit henrys dan

ampere, masing-masing, VL memiliki unit volt dan t memiliki unit detik.

Drop tegangan di kapasitor (VC) tergantung pada muatan (q) di atasnya:

q
V c= (8.15)
C

mana C = kapasitansi. Ketika muatan dinyatakan dalam satuan coulombs, unit C adalah farad.

Hukum Kirchhoff kedua menyatakan bahwa jumlah aljabar tegangan tetes di sekitar tertutup
sirkuit adalah nol. Setelah saklar ditutup kami memiliki
 di q
L + Ri + =0 (8.16)
dt C

Namun, saat ini berhubungan dengan muatan menurut

dq
i= (8.17)
dt

Oleh karena itu,

d2 q dq 1
L 2
+ R + q=0 (8.18)
dt dr C

Ini adalah urutan kedua linear persamaan diferensial biasa yang dapat diselesaikan dengan
menggunakan metode kalkulus. Solusi ini diberikan oleh

q ( t )=q 0 e−Rt /(2 L) cos ¿ (8.19)

mana pada t = 0, t = q0 = V0C, dan V0 = tegangan dari pengisian baterai. Persamaan (8.19)
menjelaskan variasi waktu charge pada kapasitor. Q(t) solusi adalah diplot di Fig. 8.3.

Masalah desain khas teknik elektro yang mungkin melibatkan menentukan tepat resistor untuk
menghilangkan energi pada tingkat tertentu, dengan nilai-nilai yang dikenal untuk L dan C.
Untuk masalah ini, menganggap tuduhan harus dihamburkan untuk 1 persen dari nilai asli (q q0
= 0.01) dalam t = 0.05 s, l = 5 H dan C = 10-4 F.

Solusi. Hal ini diperlukan untuk memecahkan EQ (8.19) R, dengan nilai-nilai yang dikenal q, q0,
L dan C. Namun, teknik numerik pendekatan yang harus digunakan karena R implisit variabel di
EQ (8.19). Metode bagi-dua akan digunakan untuk tujuan ini. Metode lain dibahas dalam bab. 5
dan 6 yang juga sesuai, meskipun Newton-Raphson metode mungkin dianggap merepotkan
karena turunan dari EQ (8.19) sedikit rumit.

Mengatur EQ (8.19),

q ( t )=q 0e−Rt ∨(2 L) cos [√ 1

( ) t]
−
R
LC 2 L
2
❑

R 2
f ( R )=e−Rt /(2 L) cos
[√ 1
−
LC 2 L( ) q
t − 0
q ]
atau gunakan nilai numerik yang diberikan,

f ( R ) e−0,005 R cos [ √( 2000−0,01 R2)(0.05) ]−0.01 (8.20)

Pemeriksaan persamaan ini menunjukkan bahwa berbagai awal wajar untuk R adalah 0-
400 (karena 2000−0.01 R 2harus lebih besar dari nol). Gambar 8.4, sebidang EQ (8,20)
menegaskan ini. Dua puluh satu iterasi dari metode bagi-dua memberikan R= 328.1515, dengan
kesalahan kurang dari 0,0001 persen.Dengan demikian, Anda dapat menentukan sebuah resistor
dengan rating ini untuk sirkuit ditampilkan dalam Fig. 8.2 danberharap untuk mencapai kinerja
disipasi yang konsisten dengan persyaratanmasalah. Masalah desain ini √ 2000−0,01 R2 ( 0.05 )
dapat tidak diselesaikan secara efisien tanpa menggunakan numerikmetode dalam bab 5 dan 6.

8.4 PIPE RICTIOM

Latar belakang. Menentukan aliran fluida melalui pipa dan tabung memiliki relevansi yang
besar di banyak bidang teknik dan ilmu pengetahuan. Dalam teknik mesin dan Dirgantara, khas
aplikasi termasuk aliran cairan dan gas melalui sistem pendingin. Perlawanan mengalir dalam
saluran tersebut diberi parameter oleh sejumlah berdimensi disebut Faktor gesekan. Untuk aliran
turbulent, persamaan Colebrook menyediakan sarana untuk menghitung faktor gesekan,

1 ε 2.51
0=
√f
+2.0 log
3.7(D
+
ℜ √f ) (8.21)
FIGURE 8.4

mana ε = kekasaran (m), D = diameter (m), dan Re = nomor Reynolds, Re = ρVDΜ mana ρ
= cairan kepadatan [kg/m3], V = kecepatan [m/s], dan μ = viskositas dinamis [N s/m2].
Selain muncul di EQ (8.21), nomor Reynolds juga berfungsi sebagai kriteria untuk aliran
Apakah bergolak (Re > 4000).

Dalam studi kasus yang hadir, kami akan menjelaskan bagaimana metode numerik yang tercakup
dalam ini. Bagian dari buku dapat digunakan untuk menentukan f untuk aliran udara melalui
suatu tabung tipis, halus. Untuk kasus ini, parameter yang ρ = 1.23 kg/m3, μ = 1.79 × 10 – 5 N
s/m2, D = 0.005 m, V = 40 m/s dan ε = 0.0015 mm. Catatan bahwa gesekan faktor berkisar dari
sekitar 0.008 untuk 0,08. Di samping itu, perumusan eksplisit yang disebut Swamee-Jain
persamaan menyediakan perkiraan perkiraan,

1.325
f= 2
ε 5.74 (8.22)
[(
ln + 0.9
3.7 D ℜ )]
Solusi. Nomor Reynolds bisa dihitung sebagai

ρVD 1.23 ( 40 ) 0.005

ℜ= = =13,743
μ 1.79 x 10−5
Nilai ini bersama dengan parameter lain bisa diganti menjadi EQ (8.21) untuk memberikan

1 0.00005 2.51
g ( f )=
√f
+2.0 log
( +
3.7 (0.005) 13,743 √ f )
Sebelum menentukan akar, disarankan untuk plot fungsi untuk memperkirakan awal menebak
dan untuk mengantisipasi kesulitan-kesulitan yang mungkin. Ini dapat dilakukan dengan mudah
dengan alat-alat seperti MATLAB, Excel, atau Mathcad. Sebagai contoh, sebuah plot fungsi
dapat dihasilkan dengan perintah MATLAB berikut

>> rho = 1.23; mu = 1.79e-5; D = 0.005; V = 40; e = 0.0015 / 1000;

>> Re = rho * V * D/mu;

>> g=@(f) 1/sqrt(f)+2*log10(e/(3.7*D)+2.51/(Re*sqrt(f)));

>> fplot (g, [0.008 0.08]),grid,xlabel('f'),ylabel('g(f)')

Seperti di Fig. 8.5, akar terletak di sekitar 0.03.

Karena kami disediakan dugaan awal (xl = 0.008 dan xu = 0,08), baik dari mengurung metode
dari bab 5 dapat digunakan. Misalnya, bagi-dua memberikan nilai f = 0.0289678 dengan error
relatif persen kesalahan 5.926 × 10-5 di 22 iterasi. Palsu posisi menghasilkan hasil yang serupa
presisi dalam 26 iterasi. Dengan demikian, meskipun mereka menghasilkan hasil yang benar,
mereka agak tidak efisien. Ini tidak akan menjadi penting untuk aplikasi tunggal, tapi bisa
menjadi mahal jika banyak evaluasi dibuat. Kita bisa mencoba untuk mencapai peningkatan
kinerja dengan metode open. Karena EQ (8.21) relatif mudah untuk membedakan, metode
Newton-Raphson calon yang baik. Misalnya, menggunakan perkiraan awal di ujung bawah
kisara (x 0 = 0.008), Newton-Raphson menyatu dengan cepat untuk 0.0289678 dengan perkiraan
kesalaha 6.87 × 10 – 6% di hanya 6 iterasi. Namun, ketika kira awal ini terletak di ujung atas
jangkauan (x 0 = 0,08), rutin yang ada!

Seperti yang dapat dilihat dengan memeriksa gambar 8.5, hal ini terjadi karena fungsi lereng di
awal menebak menyebabkan iterasi pertama untuk melompat ke nilai negatif. Berjalan lebih
lanjut menunjukkan bahwa untuk kasus ini, konvergensi hanya terjadi ketika kira awal di bawah
ini tentang 0.066. Sehingga kita dapat melihat bahwa meskipun Newton-Raphson sangat efisien,
hal itu memerlukan baik awal menebak. Untuk persamaan Colebrook, strategi yang baik
mungkin akan mempekerjakan Swamee-Jain persamaan (EQ 8.22) untuk menyediakan kira awal
seperti dalam

1.325
f= 2
=0.029031
0.0000015 5.74
[(
ln +
3.7 (0.005) 137430.9 )]
Untuk kasus ini, Newton-Raphson menyatu dalam hanya 3 iterasi untuk dengan cepat untuk
0.0289678 dengan kesalahan perkiraan 8.51 × 10-10%. Selain fungsi kami buatan sendiri, kita
juga dapat menggunakan akar profesional finders seperti MATLAB's built-in fzero fungsi.
Namun, seperti halnya dengan metode Newton-Raphson, perbedaan ini juga terjadi ketika fungsi
fzero digunakan dengan menebak tunggal. Namun, dalam hal ini kasus, dugaan di ujung bawah
kisaran menyebabkan masalah. Sebagai contoh,

>> rho = 1.23; mu = 1.79e-5; D = 0.005; V = 40; e = 0.0015 / 1000;

>> Re = rho * V * D mu

>> g=@(f) 1/sqrt(f)+2*log10(e/(3.7*D)+2.51/(Re*sqrt(f)));

>> fzero(g,0.008)
Keluar fzero: aborting mencari interval yang mengandung tanda berubah karena mengalami
kompleks fungsi nilai selama pencarian. (Nilai fungsi di-0.0028 adalah-4.92028- 20.2423i.)
Periksa fungsi atau coba lagi dengan nilai awal yang berbeda.

Ans = NaN

Jika iterasi yang ditampilkan menggunakan optimset (ingat Sec. 7.7.2), terungkap bahwa negatif
nilai terjadi selama fase Cari sebelum tanda perubahan terdeteksi dan rutin aborts. Namun, untuk
satu perkiraan awal di atas sekitar 0.016, rutin bekerja dengan baik. Misalnya, untuk menebak
0,08 yang menyebabkan masalah untuk Newton-Raphson, fzero melakukan saja,

>> fzero(g,0.08)

Ans =0.02896781017144

Sebagai catatan akhir, mari kita melihat konvergensi Apakah mungkin untuk sederhana Fixed-
Point mengubah iterasi. Versi termudah dan paling langsung melibatkan pemecahan untuk f
pertama di EQ (8.21),

0.25
f i+1= 2
ε 2.51 (8.23)
( (
log +
3.7 D ℜ √ fi ))
Tampilan dua-kurva fungsi ini digambarkan menunjukkan hasil yang mengejutkan (Fig. 8.6).
Ingat bahwa iterasi Fixed-Point mengubah menyatu ketika kurva y2 memiliki lereng yang relatif
datar
(i . e . ,|g' ( ξ )|<1 ) .Seperti yang ditunjukkan oleh gambar 8.6, fakta bahwa kurva y2 cukup
datar di kisaran dari f = 0.008 untuk 0,08 berarti bahwa tidak hanya Apakah Fixed-Point
mengubah iterasi berkumpul, tapi itu menyatucukup cepat! Bahkan, untuk awal menebak di
mana saja antara 0.008 dan 0,08, fixedpointiterasi menghasilkan prediksi dengan kesalahan
relatif persen kurang dari 0.008% dalam enam ataulebih sedikit iterasi. Dengan demikian,
pendekatan ini sederhana yang membutuhkan hanya satu menebak dan derivatif tidakperkiraan
melakukan sangat baik untuk kasus ini.Kesimpulan dari studi kasus ini adalah besar bahwa
bahkan, dikembangkan secara profesiona perangkat lunak seperti MATLAB ini tidak selalu
sangat mudah. Lebih jauh lagi, biasanya ada tidak ada metode tunggalyang terbaik untuk semua
masalah. Canggih pengguna memahami kekuatan dan kelemahanteknik numerik yang tersedia.
Selain itu, mereka mengerti cukup yang mendasariteori sehingga mereka dapat secara efektif
menangani situasi dimana metode yang rusak.

PROBLEM

Teknik kimia Bio

8.1 Lakukan perhitungan sama sebagai Sec. 8.1, tapi aseton (= 14.09 dan b = 0.0994) pada suhu
400 K dan p 2,5 ATM. Bandingkan hasil Anda dengan persamaan ideal gas. Menggunakan salah
satu metode numerik yang dibahas dalam bab. 5 dan 6 untuk melakukan perhitungan.
Membenarkan pilihan Anda teknik.

8.2Teknik kimia, pasang reaktor aliran (yaitu orang-orang di cairan yang mengalir dari satu
ujung ke yang lain dengan minimal pencampuran sepanjang sumbu longitudinal) sering
digunakan untuk mengkonversi reaktan menjadi produk. Telah ditetapkan bahwa efisiensi
konversi dapat kadang-kadang ditingkatkan dengan daur ulang sebagian dari aliran produk
sehingga itu kembali ke pintu masuk untuk tambahan melewati reaktor (FIG. P8.2). tingkat daur
ulang didefinisikan sebagai

volume cairan yang masuk

R=
volume cairan yang keluar

Anggaplah bahwa kita adalah pengolahan kimia A untuk menghasilkan produk B. Dalam kasus
mana bentuk B menurut reaksi autocatalytic (itu adalah, di mana salah satu produk yang
bertindak sebagai katalis atau stimulus untuk reaksi), bisa menunjukkan bahwa tingkat optimal
daur ulang harus memenuhi seperti gambar 8.2.

dimana XAf = sebagian kecil dari reactant yang akan dikonversi ke produk B. Tingkat daur
ulang optimal sesuai dengan minimal berukuran

reaktor yang diperlukan untuk mencapai tingkat konversi yang diinginkan. Penggunaan

metode numerik untuk menentukan rasio daur ulang yang diperlukan untuk meminimalkan
reaktor ukuran untuk konversi pecahan XAf = 0.96.

8.3 reversibel reaksi kimia2 A + B ⇌Cdapat dicirikan oleh keseimbangan hubungan

CC
K=
C a2+ C b

Di mana c1 nomenklatur mewakili konsentrasi konstituen i. Kira-kita mendefinisikan sebuah

variabel x sebagai mewakili jumlah mol c yang diproduksi. Hukum kekekalan massa dapat
digunakan untuk merevisi keseimbangan hubungan sebagai

( C c , 0+ x )
K=
( C c ,0−2 x ¿ ¿ ¿ 2 ) ( C b ,0−x )

Yang mana subskrip 0 menunjuk konsentrasi awal dari masing-masing konstituen. Jika K =
0.016, ca, 0 = 42, cb, 0 = 28, dan cc, 0 = 4, menentukan nilai x. (a) mendapatkan solusi grafis. (b)
pada dasar (a), memecahkan akar dengan dugaan-dugaan awal XL = 0 dan Xu = 20 untuk εs =
0.5%. Memilih bagi-dua atau posisi palsu untuk mendapatkan solusi Anda. Membenarkan
pilihan Anda.

8.4 berikut reaksi kimia yang berlangsung dalam sistem tertutup

2 A + B ⇌C

A+ D ⇌C

Keseimbangan, mereka dapat dicirikan oleh

Cc
K 1=
C 2a C b
 Cc
K 2=
C❑a C d

Yangg mana C 1 nomenklatur mewakili konsentrasi konstituen 1. Jika x1 dan x2 adalah jumlah
mol c yang diproduksi karena reaksi pertama dan kedua, masing-masing, menggunakan
pendekatan yang sama yang Prob. 8.3 untuk merevisi keseimbangan hubungan dalam istilah
konsentrasi awal konstituen. Kemudian, gunakan Metode Newton-Raphson untuk memecahkan
sepasang simultan nonlinier persamaan untuk x1 dan x2 jika K 1=4 x 10−4, K 2=3.7 x 10−2,
Ca,0= 50, Cb,0 = 20, Cc,0 = 5, dan Cd,0 = 10. Menggunakan grafis pendekatan untuk
mengembangkan dugaan-dugaan awal Anda.

8.5 Dalam proses teknik kimia, uap air (H2O) adalahdipanaskan sampai suhu cukup tinggi
bahwa porsi yang signifikanair berdisosiasi, atau membagi terpisah, untuk bentuk oksigen (O 2)
dan hidrogen (H2):

1
H 2 O ⇌ H 2+ O 2
2

Jika diasumsikan bahwa ini adalah reaksi hanya terlibat, mol sebagian kecil x dari H 2O yang
berdisosiasi dapat diwakili oleh

x 2 pt
K=
1−x √ 2+ x

mana K = reaksi keseimbangan konstan dan pt = total tekanan campuran. Jika pt = 3.5 atm dan K
= 0.04, tentukan nilai x yang memenuhi EQ (P8.3).

8.6 persamaan berikut yang berkaitan dengan konsentrasi kimia dalam sebuah reaktor yang
benar-benar campuran:

c=c ¿ ( 1−e−0.04 t ) +c 0 e−0.04 t

Jika konsentrasi awal c0 = 4 dan konsentrasi aliran Cin = 10, hitung waktu yang dibutuhkan
untuk c 93 persen Cin. The Redlich-Kwong persamaan keadaan 8.7 diberikan oleh

RT a
p= −
v−b v ( v+ b ) √T
Di mana R = konstan gas universal [= 0.518 kJ /(kg K)], T = suhu absolut (K), p = tekanan
mutlak (kPa), dan v = volume kg gas (m3/kg). Parameter dan b dihitung dengan

R 2 T 2.5
C
a=0.427
pc

mana pc = tekanan kritis (kPa) dan Tc = suhu kritis (K). sebagai seorang chemical engineer,
Anda akan diminta untuk menentukan jumlah bahan bakar metana (pc = 4600 kPa dan Tc =191
K) yang akan diadakan di 3-m3 tangki di of−40◦C suhu dengan tekanan 65.000 kPa. Gunakan
metode mencari akar pilihan Anda untuk menghitung v dan kemudian menentukan massa metana
yang terkandung di dalam tangki.

8.8 Volume V cairan dalam silinder horisontal berongga jari-jari r dan L panjang berkaitan
dengan kedalaman h cair oleh

[
V = r 2 cos−1 ( r−hr )− ( r−h ) √ 2 rh−h ] L
2

Tentukan h jika diberikan r = 2 m, L = 5 m, dan V = 8 m3. Perhatikan bahwa jika Anda

menggunakan pemrograman alat bahasa atau perangkat lunak yang tidak kaya fungsi
trigonometri, kosinus arc bisa dihitung dengan

ADA PERSAMAAN

8.9 Volume V cairan dalam tangki bulat jari-jari r terkait kedalaman h cairan oleh

ADA PERSAMAAN

Tentukan h jka diberikan r = 1 m dan V = 0, 5 m3.

8.10 Untuk tangki bulat dalam Prob. 8.9, dimungkinkan untuk mengembangkan rumus Fixed-
Point mengubah dua berikut:

ADA PERSAMAAN

Jika r = 1 m dan V = 0.75 m3, menentukan apakah salah satu dari ini stabil, dan berbagai
dugaan-dugaan awal mereka stabil.
8.11 Persamaan Ergun, ditunjukkan di bawah ini, digunakan untuk menggambarkan aliran fluida
melalui tempat makan. P adalah penurunan tekanan, berhingga kepadatan cairan, Go
adalah massa kecepatan (laju aliran massa dibagi dengan penampang), Dp adalah diameter
partikel dalam tempat tidur, μ viskositas cairan, L adalah panjang tempat tidur, dan ε fraksi batal
tempat tidur.

ADA PERSAMAAN

Mengingat parameter nilai-nilai yang tercantum di bawah ini, menemukan ε Batal sebagian kecil
dari tempat tidur

ADA PERSAMAAN

8.12 Penurunan tekanan dalam bagian pipa dapat dihitung sebagai

ADA PERSAMAAN

Di mana p = penurunan tekanan (Pa), f = faktor gesekan, L = panjang pipa [m], ρ = kepadatan
(kg/m3), V = kecepatan (m/s) dan D = diameter (m). Untuk arus turbulent, persamaan
Colebrookmenyediakan sarana untuk menghitung faktor gesekan,

ADA PERSAMAAN

mana ε = kekasaran (m), dan Re = nomor Reynolds, mana μ = viskositas dinamis (N · s/m2).

(a) menentukan p untuk peregangan horisontal 0.2-m-panjang dari halus ditarik tabung diberikan
ρ = 1.23 kg/m3, μ = 1,79 × 10−5 N · s/m2, D = 0.005 m, V = 40 m/s, dan ε = 0.0015 mm.
penggunaan numerik metode untuk menentukan faktor gesekan. Catatan yang halus pipa dengan
Re < 105, menebak awal yang baik dapat diperoleh menggunakan Blasius formula, f =
0.316/Re0.25.

(b) ulangi perhitungan tetapi untuk komersial baja kasar pipa (ε = 0.045 mm)