AKN - 06
METODE ITERASI UNTUK SISTEM PERSAMAAN
LINIER
Nama : Ratu
NPM : 140310190032
Hari/Tanggal : Selasa/7 April 2020
Waktu/Sesi : 7:30-12:30/Pagi
Asisten : Afina Faza H.
LABORATORIUM KOMPUTASI
DEPARTEMEN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2019
LEMBAR PENGESAHAN
AKN - 06
METODE ITERASI UNTUK SISTEM PERSAMAAN
LINIER
Nama : Ratu
NPM : 140310190032
Hari / Tanggal : Selasa / 7 April 2020
Waktu / Sesi : 7:30-12:30 / Pagi
Asisten : Afina Faza H.
( )
METODE ITERASI UNTUK SISTEM PERSAMAAN LINIER
AKN-06
I. TUJUAN
Mahasiswa diharapkan mampu menentukan solusi dari sistem
persamaan linier menggunakan metode iterasi serta mampu membedakan
penggunaan metode langsung dan metode tidak langsung dalam menentukan
solusi persamaan linier. Selain itu, mahasiswa juga diharapkan mampu
menentukan laju konvergensi dari metode iterasi yang digunakan.
1
tak berhingga, dan ketiga bisa tidak mempunyai penyelesaian. Sistem
persamaan linier banyak digunakan dalam berbagai bidang seperti
statistika, matematika, fisika, ekonomi, dll.[1]
Dalam menentukan himpunan penyelesaian suatu persamaan
linear terdapat banyak metode yang dapat digunakan, diantaranya adalah
metode grafik, metode eliminasi, metode substitusi, campuran ketiga
metode tersebut, dll. Setiap metode memiliki kekurangan dan
kelebihannya masing-masing, baik dalam tingkat efisiensi, tingkat
kecepatan menemukan hasil dari penyelesaian, maupun tingkat
kesederhanaannya. Metode grafik adalah metode dengan
menggambarkan persamaan linier ke dalam bentuk garis dalam grafik dan
mencari nilai persamaan dari titik pada sumbu yang dipotong oleh garis.
Metode eliminasi adalah metode dengan membuat nilai satu/lebih
variabel menjadi 0 sehingga nilai yang lainnya dapat diketahui. Metode
substitusi adalah metode dengan mencari nilai salah satu variabel, lalu
mensubtitusikan nilai dari variabel tersebut ke persamaan yang lainnya.[1]
Namun, bagaimana jika terdapat banyak variabel sehingga sulit untuk
mencari himpunan penyelesaiannya dengan menggunakan metode
metode di atas?
Persamaan persamaan tadi dapat dinyatakan dalam bentuk
matriks dengan persamaan:
𝐴𝑥 = 𝐵 (6.2)
Matriks A berisi nilai nilai koefisien dari variabel yang ada.
Matriks x merupakan matriks kolom yang berisi sederetan variabel para
persamaan dengan x= (𝑥1 , 𝑥2 , … , 𝑥𝑛 )𝑇 dengan T adalah transpose.
Matriks B merupakan matriks kolom yang berisi nilai persamaan linier
dengan B= (𝑏1 , 𝑏2 , … , 𝑏𝑛 )𝑇 [2][3]. Penyelesaian dilakukan dengan metode
reduksi baris dengan langkah-langkah berikut:
2
1. Mengalikan sebarang baris dengan sebuah konstanta bukan nol
2. Menjumlahkan atau mengurangkan hasil sebuah baris dengan baris
yang lainnya[3]
Langkah-langkah dilakukan sampai terbentuk matriks diagonal
pada matriks A yang diagonalnya tidak bernilai 0. Sehingga dari situ,
ketika matriks A dengan matriks x dikalikan, akan diperoleh persamaan
linier dengan satu variabel dan nilai dari variabel langsung dapat
ditemukan. Metode reduksi baris biasa disebut juga dengan metode
eliminasi Gauss.[2][3]
2.2 Metode Langsung
Pada dasarnya, terdapat dua macam metode yang digunakan
untuk menyelesaikan sistem persamaan linier, yaitu metode langsung dan
metode tidak langsung. Metode langsung adalah metode untuk mencari
penyelesaian sistem persamaan linier dengan langkah yang memiliki
hingga/batas dan dijamin berhasil. Metode langsung adalah metode
metode yang umum dalam menyelesaikan sistem persamaan linier.
Contoh contohnya adalah metode metode yang sudah disinggung pada
subjudul sebelumnya, yaitu metode eliminasi, metode substitusi, metode
grafik, dan metode reduksi baris/eliminasi Gauss.[6]
2.3 Metode Tidak Langsung
Kebalikan dari metode langsung, metode tidak langusng, atau
yang disebut juga dengan metode iteratif adalah metode yang
menggunakan konsep perulangan dan bermula dari suatu hampiran
penyelesaian awal dan langkahnya konvergen. Biasanya metode tak
langsung digunakan untuk menyelesaikan sistem persamaan linier yang
tidak bmudah dipecahkan dengan metode langsung, seperti sistem
persamaan linier yang berukuran besar, dan proporsi koefisien nolnya
besar. Contoh dari metode tidak langsung adalah metode iterasi jacob,
metode Gauss-Seidel, dan SOR.[6]
3
2.4 Iterasi Jacobi
Metode ini adalah metode penyelesaian persamaan linier dengan
metode iterasi/pengulangan pada matriks 𝑛 × 𝑛. Prinsip pengulangannya
berupa pembaharuan nilai 𝑥 yang diperoleh dari setiap iterasi. Proses
penyelesaian diawali dengan nilai hampiran awal, atau nilai terkaan awal
untuk 𝑥0 hingga selanjutnya terbentuk suatu serangkaian vektor
𝑥1, 𝑥2, … , 𝑥𝑛 yang konvergen ke nilai 𝑥 sesungguhnya. Metode ini lebih
efisien daripada metode langsung dalam hal penggunaan memori
komputer dan waktu komputasi.[5]
Pada metode ini, akan dibutuhkan nilai iterasi maksimal, matriks
A, matriks B, matriks x, nilai hampiran awal, dan nilai toleransi T. Nilai
iterasi maksimal maksudnya adalah batasan berapa kali proses
iterasi/pengulangan akan perhitungan dilakukan. Matriks A berupa
koefisien koefisien dari variabel. Matriks B adalah nilai dari
persamaan/koefisien dari persamaan. Matriks x adalah matriks kolom
yang berisi variabel dari koefisien pada matriks A. Nilai hampiran awal
adalah nilai terkaan awal terhadap nilai x/nilai penyelesaian dari
persamaan. Nilai toleransi adalah seberapa besar akurasi nilai x yang
ingin dicapai dari proses iterasi.[5]
Cara kerja dari iterasi jacobi adalah tentukan nilai dari variabel
variabel yang ada dari persamaan yang diberikan, atau bisa disebut juga
menyatakan setiap variabel ke dalam semua variabel sisanya. Misal
diberikan 4 persamaan sebagai berikut:
−4𝑤 + 𝑦 + 3𝑧 = 1
𝑤 + 6𝑥 + 𝑦 = 1
𝑤 + 6𝑦 + 𝑧 = 1
3𝑤 + 𝑥 − 3𝑧 = 1
4
Maka persamaan dari variabel variabel yang ada pada
persamaan-persamaan tersebut adalah:
1 − 𝑦 − 3𝑧
𝑤=
−4
1−𝑤−𝑦
𝑥=
6
1−𝑥−𝑧
𝑦=
6
1 − 3𝑤 − 𝑥
𝑧=
−3
Kemudian tentukan nilai dari vektor x yang berisi nilai nilai
hampiran awal untuk setiap variabel. Misalnya nilai hampiran awal untuk
variabel w, x, y, dan z adalah 0. Maka nilai matriks x adalah 𝑥 =
[𝑤 𝑥 𝑦 𝑧]𝑇 = [0 0 0 0]𝑇 . Kemudian, substitusikan nilai variabel yang ada
dalam matriks x ke dalam persamaan variabel, sehingga menjadi:
1 − 𝑦 − 3𝑧 1 − 0 − 0 1
𝑤= = =−
−4 −4 4
1−𝑤−𝑦 1−0−0 1
𝑥= = =
6 6 6
1−𝑥−𝑧 1−0−0 1
𝑦= = =
6 6 6
1 − 3𝑤 − 𝑥 1 − 0 − 0 1
𝑧= = =−
−3 −3 3
Dari proses substitusi tersebut, diperoleh nilai-nilai variabel
1 1 1 1
yang baru, yaitu 𝑤 = − 4 , 𝑥 = 6 , 𝑦 = 6 , 𝑧 = − 3. Inilah hasil dari proses
5
1 1
1 − (− 4) − (6) 13
𝑥= =
6 72
1 1
1 − (6) − (− 3) 7
𝑦= =
6 36
1 1
1 − 3 (− ) −
𝑧= 4 6 = − 19
−3 36
Iterasi ini diulang-ulang sampai mencapai batas toleransi/batas
iterasi yang diingingkan.[5]
Algoritma iterasi jacobi:
1. Input: Iterasi maksimal, matriks A, matriks B, toleransi T, dan
hampiran awal matriks x dengan variabel x=(𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥4 )𝑇
2. Output: x
3. Set iterasi=1
4. While 𝑘 ≤ 𝑖𝑡𝑒𝑟𝑎𝑠𝑖 𝑚𝑎𝑘𝑠𝑖𝑚𝑎𝑙, lakukan perhitungan 𝑥𝑖 =
𝑏𝑖 −∑𝑗≠𝑖 𝑎𝑖𝑗 𝑦𝑗
𝑎𝑖𝑖
5. Set 𝑥 = [𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ]𝑇
𝑥𝑖 −𝑦𝑖
6. Galat=𝑚𝑎𝑥 | |
𝑥𝑖
6
Keterangan:
𝑥 (𝑘) = Nilai hampiran ke k penyelesaian persamaan
𝑥0 = Nilai hampiran awal
𝐴 = L+D+U (L matriks segitiga bawah, D matriks diagonal, U
matriks segitiga atas)
Setelah itu, lakukan proses iterasi dengan persamaan:
1
𝑥𝑖 (𝑘) = 𝑎 (𝑏 − ∑𝑗≠𝑖 𝑎𝑖𝑗 𝑥𝑗 (𝑘−1) ), 𝑖 = 1,2,3, … , 𝑛; 𝑘 = 1,2,3, …[7] (6.4)
𝑖𝑖
Contoh script:
%Program Metode iterasi Jacobi%
clc;
clear all;
close all;
disp('METODE ITERASI JACOBI')
%--------------------------------------------------------%
A=input('Matriks A dengan format [elemen baris
1;...;elemen baris n]=');
B1=input('Matriks kolom b dengan format [elemen kolom]=');
Y=input('Matriks kolom x dengan formati [elemen kolom]=');
toleransi=input('Nilai toleransi=');
maksimal=input('Nilai iterasi=');
B=B1';
N=length(A);
P=Y';
X1=Y';
iterasi=0;
fprintf('\n \t iterasi \t \t x1 \t\t x2 \n');
for k=1:maksimal
iterasi=iterasi+1;
for j=1:N
X(j)=(B(j)-A(j,[1:j-1,j+1:N])*P([1:j-
1,j+1:N]))/A(j,j);
end
err=abs(norm(X'-P));
relerr=err/(norm(X)+eps);
P=X';
if (err<toleransi)||(relerr<toleransi)
break
end
fprintf('%11.0f %4.10f %4.10f %4.10f %4.10f\n',
[iterasi;X(1);X(2);X(3);X(4)])
end
Tampilan:
7
Gambar 6.1 Tampilan pada Percobaan Script Metode Iterasi Jacobi
8
Metode ini membutuhkan nilai nilai yang sama seperti pada
metode iterasi jacob, yaitu nilai iterasi maksimal, matriks A, matriks B,
matriks x, nilai hampiran awal, dan nilai toleransi T. Yang membedakan
antara cara kerja dari iterasi Gauss-Seidel dengan iterasi jacobi terdapat
pada persamaan yang digunakan dalam iterasi. Metode Gauss Seidel
menggunakan prinsip nilai yang paling akhir dihitung digunakan dalam
semua perhitungan.[8] Misalkan diberikan persamaan dan matris x sebagai
berikut pada Gauss Seidel:
1 − 𝑦 − 3𝑧
𝑤=
−4
1−𝑤−𝑦
𝑥=
6
1−𝑥−𝑧
𝑦=
6
1 − 3𝑤 − 𝑥
𝑧=
−3
𝑥 = [0,0,0,0]𝑇
Langkah pertama yang dikerjakan pada metode Gauss-Seidel
adalah substitusikan nilai dari matriks x ke salah satu persamaan yang
ada, misalnya persamaan variabel w.
1 1
1 − 6 − 3(− 3) 1
𝑤= =−
−4 4
1
Ditemukan nilai w yang baru yaitu − 4. Kemudian, nilai w ini
9
Algoritma iterasi Gauss Seidel:
1. Input: Iterasi maksimal, matriks A, matriks B, toleransi T, dan
hampiran awal matriks x dengan variabel x=(𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥4 )𝑇
2. Output: x
3. Set iterasi=1
4. While 𝑘 ≤ 𝑖𝑡𝑒𝑟𝑎𝑠𝑖 𝑚𝑎𝑘𝑠𝑖𝑚𝑎𝑙, lakukan perhitungan 𝑥𝑖 =
𝑏𝑖 −∑𝑗≠𝑖 𝑎𝑖𝑗 𝑦𝑗− ∑𝑛
𝑗=1+1 𝑎𝑖𝑗 𝑦𝑗
𝑎𝑖𝑖
5. Set 𝑥 = [𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ]𝑇
𝑥𝑖 −𝑦𝑖
6. Galat=𝑚𝑎𝑥 | |
𝑥𝑖
Contoh script:
%Program Metode iteratif Gauss Seidel%
clc;
clear all;
close all;
disp('METODE ITERASI GAUSS SEIDEL')
%---------------------------------------------------------
------%
10
B=B1';
N=length(B);
P=Y';
X1=Y';
iterasi=0;
fprintf('\n\t iterasi \t\t x1 \t\t x2 \t\t x3 \t\t x4
\n');
for k=1:maksimal
iterasi=iterasi+1;
for j=1:N
if j==1
X(1)=(B(1)-A(1,2:N)*P(2:N))/A(1,1);
elseif j==N
X(N)=(B(N)-A(N,1:N-1)*(X(1:N-1))')/A(N,N);
else
X(j)=(B(j)-A(j,1:j-1)*X(1:j-1)'-
A(j,j+1:N)*P(j+1:N))/A(j,j);
end
end
galat=max(abs((X'-P)./X'));
P=X';
if (galat<toleransi)
break
end
fprintf('%11.0f \t %4.10f %4.10f %4.10f %4.10f\n',
[iterasi;X(1);X(2);X(3);X(4)] )
end
Tampilan:
11
Gambar 6.2 Tampilan pada Percobaan Script Metode Gauss-Seidel
12
dan nilai ω. ω adalah sebuah faktor yang muncul dari hasil ekstrapolasi
metode iterasi Gauss-Seidel. Nilai omega ini muncul dari Omega Weight
Age Idea. Jika nilai dari 𝜔 = 1, maka tidak terjadi perubahan pada
persamaan, atau dapat dikatakan bahwa persamaan tersebut dalah
persamaan untuk metode Gauss-Seidel. Jika nilai 𝜔 < 1, maka dapat
dikatakan persamaan tersebut adalah Successive Under-Relaxation.
Sedangkan jika nilai 𝜔 > 1, baru bisa disebut dengan Successive Over
Relaxation (SOR). Syarat nilai ω untuk SOR ini adalah 1 < 𝜔 < 2[4].
Persamaan untuk metode SOR ini adalah:
𝜔
𝑥𝑖 (𝑘+1) = (1 − 𝜔)𝑥𝑖 (𝑘) + 𝑎 [𝑏𝑖 − ∑𝑖−1
𝑗=1 𝑎𝑖𝑗 𝑥𝑖
(𝑘+1)
− ∑𝑛𝑗=1+1 𝑎𝑖𝑗 𝑥𝑗 (𝑘) ][4]
𝑖𝑖
(6.6)
Jika diberikan persamaan sebagai berikut:
2𝑥1 + 𝑥3 = 6
2𝑥1 + 𝑥3 = 3
𝑥2 + 2𝑥3 = 4.5
Dengan nilai ω=1.1 dan matriks 𝑥 = (0 0 0)𝑇 , variabel tiap
persamaan dipiindah ke ruas kiri menjadi:
6 − 𝑥3 (𝑘+1)
𝑥1 (𝑘+1) = 𝜔 ( ) − 0.1𝑥1 (𝑘)
2
3 − 𝑥3 (𝑘+1)
𝑥2 (𝑘+1) = 𝜔 ( ) − 0.1𝑥2 (𝑘)
2
4.5 − 𝑥2 (𝑘+1)
𝑥3 (𝑘+1) = 𝜔 ( ) − 0.1𝑥3 (𝑘)
2
Kerjakan langkah seperti Metode Gauss-Seidel dengan jumlah
iterasi yang telah ditetapkan, sehingga akan diperoleh hasil dengan lebih
cepat, yaitu x1=2, x2=0.5, dan x3=2[4].
Contoh script:
% Metode Successive Over Relaxation (SOR)
clc;
13
clear all;
close all;
disp('METODE SUCCESSIVE OVER RELAXATION')
%---------------------------------------------------------
----%
k = 1;
while k <= m
err = 0;
for i = 1 : n
s = 0;
for j = 1 : n
s = s-A(i,j)*x1(j);
end
s = w*(s+A(i,n+1))/A(i,i);
if abs(s) > err
err = abs(s);
end
x1(i) = x1(i)+s;
end
14
Gambar 6.3 Tampilan pada Percobaan Metode SOR
Dapat disimpulkan bahwa laju konvergensi dari metode ini
sangatlah cepat jika dibandingkan dengan metode gauss seidel, karena
metode ini adalah pengembangan dari metode SOR.
15
𝑎11 𝑎12 𝑎13
𝑈=[ 0 𝑎22 − 𝑎12 𝑎23− 𝑎13 ]
0 0 𝑎33 − 𝑎23
Tentukan matriks Z dengan persamaan LZ=b
1 0 0
𝑎21 𝑧1 𝑏1
1 0
𝑎11 (𝑧2 ) = (𝑏2 )
𝑎31 𝑎32 𝑧3 𝑏3
1
(𝑎11 𝑎22 )
𝑧1 = 𝑧𝑏
𝑎 𝑎
𝑧2 = 𝑏2 − 𝑧1 [𝑎21 ] = 𝑏2 − 𝑏1 [𝑎21 ]
11 11
𝑎31 𝑎32
𝑧3 = 𝑏3 − 𝑧1 [ ] − 𝑧2 [ ]
𝑎11 𝑎22
𝑎31 𝑎21 𝑎32
𝑧3 = 𝑏3 − 𝑧1 [ ] − (𝑏2 − 𝑏1 [ ]) [ ]
𝑎11 𝑎11 𝑎22
Tentukan nilai-nilai x dengan persamaan Ux=Z
𝑎11 𝑎12 𝑎13 𝑥1
( 0 𝑎22 − 𝑎12 𝑎23 − 𝑎13 ) (𝑥2 )
0 0 𝑎33 − 𝑎23 𝑥3
𝑏1
𝑎21
𝑏2 − 𝑏1 [
]
= 𝑎11
𝑎32 𝑎31 𝑎21 𝑎32
𝑏3 − 𝑏2 [ ] − 𝑏1 [ (− )]
( 𝑎22 𝑎11 𝑎11 𝑎22 )
𝑎32 𝑎31 𝑎21 𝑎32
(𝑎33 − 𝑎23 )𝑥3 = 𝑏3 − 𝑏2 [ ] − 𝑏1 [ (− )]
𝑎22 𝑎11 𝑎11 𝑎22
𝑎32 𝑎31 𝑎21 𝑎32
𝑎33 ′𝑥3 = 𝑏3 ± 𝑏2 [ ] ± 𝑏1 [ (± )]
𝑎22 𝑎11 𝑎11 𝑎22
1 𝑎32 𝑎31 𝑎21 𝑎32 1
𝑥3 = (±𝑏2 [ ] ± 𝑏1 [ (± )]) + (𝑏 )
𝑎33′ 𝑎22 𝑎11 𝑎11 𝑎22 𝑎33 ′ 3
𝑥 = 𝐷 −1 (𝐿 + 𝑈) + 𝐷 −1 𝑏
Nilai x1 dan x2
𝑎
(𝑎22 − 𝑎12 )𝑥2 = 𝑏2 − 𝑏1 [𝑎21 ] − [(𝑎23 − 𝑎13 )𝑥3 ]
11
16
1 𝑎21
𝑥2 = (𝑏2 − 𝑏1 [ ] − [(𝑎23 − 𝑎13 )𝑥3 ])
𝑎22′ 𝑎11
1
𝑥1 = (𝑏 − 𝑎12 𝑥2 − 𝑎13 𝑥3 )
𝑎11 ′ 1
Pembuktian persamaan 4.8
Ax=b
(𝐿 + 𝑈)𝑥 = 𝑏
𝐿𝑥 = 𝑏 − 𝑈𝑥
𝐿𝑥 (𝑘+1) = 𝑏 − 𝑈𝑥 (𝑘)
𝑥 (𝑘+1) = 𝐿−1 (𝑏 − 𝑈𝑥 (𝑘) )
Jika matriks L adalah
𝑎11 0
𝐿=( )
𝑎12 𝑎22
1
0
1 𝑎 0 𝑎11
𝐿= ( 22 )=
𝑎11 𝑎22 −𝑎12 𝑎11 −𝑎12 1
(𝑎11 𝑎22 𝑎22 )
Misalkan matriks U dan b adalah
𝑎
𝑈 = ( 12 )
0
𝑏
𝑏 = ( 1)
𝑏2
Maka
𝑥 (𝑘+1) = 𝐿−1 (𝑏 − 𝑈𝑥 (𝑘) )
1
0
𝑎11 𝑏 𝑎
𝑥 (𝑘+1)
= [( 1 ) − ( 12 )]
−𝑎12 1 𝑏2 0
(𝑎11 𝑎22 𝑎22 )
1 1
0 0
𝑎11 𝑏 𝑎11 𝑎12
𝑥 (𝑘+1)
= ( 1) − ( )
−𝑎12 1 𝑏2 −𝑎12 1 0
(𝑎11 𝑎22 𝑎22 ) (𝑎11 𝑎22 𝑎22 )
17
𝑏1 𝑎12
𝑎11 𝑎11
𝑥 (𝑘+1) = −
−𝑎12 𝑏1 −(𝑎12 )2
( 𝑎11 𝑎22 )
( 𝑎11 𝑎22 )
1
[𝑏1 − 𝑎12 ]
𝑥1 𝑎11
( )=
𝑥2 1
[(𝑎12 )2 − 𝑎12 𝑏1 ]
(𝑎11 𝑎22 )
1
𝑥1 = 𝑎 [𝑏1 − 𝑎12 ]
11
1
𝑥2 = [(𝑎12 )2 − 𝑎12 𝑏1 ]
𝑎11 𝑎22
1 1
0 𝑏 0 𝑎12
𝑎11 𝑎11
𝑥 (𝑘+1) = ( −𝑎12 1 ) ( 1) − ( −𝑎12 1 )( )
𝑏2 0
𝑎11 𝑎22 𝑎22 𝑎11 𝑎22 𝑎22
1 1
0 𝑏 0 𝑎12 𝑘
𝑎11 𝑎11
𝑘
𝑥 𝑥= ( −𝑎12 1 ) ( 1) 𝑥 − ( −𝑎12 1 )( )𝑥
𝑏2 0
𝑎11 𝑎22 𝑎22 𝑎11 𝑎22 𝑎22
1 1
𝑎11
0 𝑏 𝑎11
0 𝑎12 (𝑘−1)
𝑘
𝑥 = ( −𝑎12 1 ) ( 1) − ( −𝑎12 1 )( )𝑥
𝑏2 0
𝑎11 𝑎22 𝑎22 𝑎11 𝑎22 𝑎22
18
Misalkan 𝑘 = 0
𝑥 (𝑘) = (𝐷 + 𝜔𝐿)−1 (𝜔𝑏 − [𝜔𝑈 + (𝜔 − 1)𝐷])
Maka nilai untuk (𝐷 + 𝜔𝐿)−1
−1
𝑎 0 𝑎 0
(𝐷 + 𝜔𝐿) −1
= (( 11 ) + 𝜔 ( 11 ))
0 𝑎22 𝑎12 𝑎22
1
𝑎11 (1+𝜔)
0
(𝐷 + 𝜔𝐿) −1
= ( −𝜔𝑎12 1 )
𝑎11 𝑎22 (1+𝜔)2 𝑎22 (1+𝜔)
Sehingga
𝜔𝑏1 −𝜔𝑎12 +𝑎11 (𝜔−1)
𝑥1 = 𝑎11 (1+𝜔)
19
L2 norm, dan maximum norm. L1 norm adalah perhitungan penjumlah
nilai absolut dalam komponen vektor maupun komponen matriks. Jika
matriks A memiliki 2 elemen matriks bernilai -1 dan 3, maka L1 normnya
adalah mutlak -1 dijumlahkan mutlak 3, hasilnya 4. L2 Norm adalah
perhitungan besarnya vektor atau matriks dengan rumus |𝑎⃗| =
√𝑎𝑥2 + 𝑎𝑦2 + 𝑎𝑧2 dengan a adalah elemen matriksnya. Sedangkan
maksimum norm adalah nilai absolut terbesar dari tiap elemen matriks A.
3.3 Hitunglah solusi dari sistem persamaan linier di bawah menggunakan
iterasi Jacobi hingga iterasi ke-3.
−3𝑥1 − 0.1𝑥2 − 0.2𝑥3 = 7.85
0.1𝑥1 + 7𝑥2 − 0.3𝑥3 = −19.3
0.3𝑥1 − 0.2𝑥2 + 10𝑥3 = 71.4
Untuk menggunakan metode iterasi Jacobi, ubah persamaan ke dalam
bentuk matriks terlebih dahulu, yaitu matriks A, matriks b, dan matriks x.
Lalu tentukan nilai toleransi dan nilai maksimum iterasi.
−3 −0.1 −0.2
𝐴 = (0.1 7 −0.3)
0.3 −0.2 10
7.85
𝑏 = (−19.3)
71.4
0
𝑥 = (0)
0
Nilai toleransi= 0.0000000001 / 10-10
Nilai iterasi maksimum= 100
Script:
%Program Metode iterasi Jacobi%
clc;
clear all;
close all;
disp('METODE ITERASI JACOBI')
%--------------------------------------------------------%
20
A=input('Matriks A dengan format [elemen baris
1;...;elemen baris n]=');
B1=input('Matriks kolom b dengan format [elemen kolom]=');
Y=input('Matriks kolom x dengan formati [elemen kolom]=');
toleransi=input('Nilai toleransi=');
maksimal=input('Nilai iterasi=');
B=B1';
N=length(A);
P=Y';
X1=Y';
iterasi=0;
fprintf('\n \t iterasi \t \t x1 \t\t x2 \t\t x3 \n');
for k=1:maksimal
iterasi=iterasi+1;
for j=1:N
X(j)=(B(j)-A(j,[1:j-1,j+1:N])*P([1:j-
1,j+1:N]))/A(j,j);
end
err=abs(norm(X'-P));
relerr=err/(norm(X)+eps);
P=X';
if (err<toleransi)||(relerr<toleransi)
break
end
fprintf('%11.0f %4.10f %4.10f %4.10f \n',
[iterasi;X(1);X(2);X(3)])
end
Tampilan:
21
IV. ALGORITMA PROGRAM
4.1 Flowchart Metode Iterasi Jacobi
22
Gambar 6.6 Flowchart Iterasi Gauss-Seidel
23
Gambar 6.7 Flowchart SOR
24
DAFTAR PUSTAKA
[2]
Alatas, H. 2012. Buku Pelengkap Fisika Matematika. Institut Pertanian Bogor.
Bogor.
[5]
Frayudha, AD. 2016. Iterasi Jacobi. Educational Technology Journal. 1(2): 3-5.
[7]
Hidayat, S. 2019. Modul Praktikum Algoritma dan Komputasi Numerik. Universitas
Padjadjaran. Jatinangor.
[6]
Niyyaka, SS. 2016. Perbandingan Metode Iterasi Jacobi dan Iterasi Gauss-Seidel
dalam Penyelesaian Sistem Persamaan Linier dengan Menggunakan Simulasi
Komputasi. Skripsi. Universitas Lampung.
[3]
Sahid. 2005. Pengantar Komputasi Numerik dengan MATLAB. Penerbit Andi.
Yogyakarta
[1]
Sinaga, Bornok dkk. 2014. Matematika SMA/MA/SMK/MAK Kelas X Semester 1.
(Edisi ke-2). Pusat Kurikulum dan Perbukuan, Balitbang, Kemdikbud. Jakarta.
[8]
Sudiadi, I, Ir. Rizani Teguh. 2015. Metode Numerik. STMIK MDP. Palembang.
[4]
Syafriani, AP, Syamsudhuha, Zulkarnain. 2016. Metode Iterasi KSOR untuk
Menyelesaikan Sistem Persamaan Linear. Jurnal Matematika. 1(1): 4-6
25