LAPORAN PRAKTIKUM

ALGORITMA DAN KOMPUTASI NUMERIK

AKN - 3
METODE ITERASI UNTUK SISTEM PERSAMAAN LINEAR

Nama : Dhifa Shalshabilla A.

NPM : 140310200002
Hari/Tanggal : Selasa, 23 Maret 2021
Waktu : 7.30 – 12.30
Asisten : Albiruni Mbani

LABORATORIUM KOMPUTASI
DEPARTEMEN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2021
 LEMBAR PENGESAHAN

AKN - 3
METODE ITERASI UNTUK SISTEM PERSAMAAN
LINEAR

Nama : Dhifa Shalshabilla A.

NPM : 140310200002
Hari/Tanggal : Selasa, 23 Maret 2021
Waktu : 7.30 – 12.30
Asisten : Albiruni Mbani

Laporan Awal Presentasi Praktikum Laporan Akhir

Jatinangor, 23 Maret 2021

Asisten

( Albiruni Mbani )
 MODUL 3
METODE ITERASI UNTUK SISTEM PERSAMAAN LINEAR

I. TUJUAN
1.1 Mahasiswa diharapkan mampu menentukan solusi dari sistem
persamaan linear menggunakan metode iterasi.
1.2 Mahasiswa mampu membedakan penggunaan metode langsung dan
metode tidak langsung dalam menentukan solusi persamaan linear.
1.3 Mahasiswa diharapkan mampu menentukan laju konvergensi dari
metode iterasi yang digunakan.

II. TEORI DASAR

2.1 Pengertian Sistem Persamaan Linear
Sistem persamaan adalah sebuah himpunan persamaan-persamaan yang
melibatkan variabel-variabel yang sama. Secara umum Sistem
Persamaan Linear (SPL) dengan dengan n peubah dinyatakan sebagai :
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
𝑎31 𝑥1 + 𝑎32 𝑥2 + ⋯ + 𝑎3𝑛 𝑥𝑛 = 𝑏3
: : : : :
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛 (2.1)

Persamaan 2.1 dapat juga dinyatakan dalam bentuk matriks menjadi Persamaan 2.2
Ax = b (2.2)
Dengan A merupakan matriks yang terdiri dari koefisien-koefisien pada SPL dan
berukuran n x n, 𝑥 merupakan matriks vektor yang merupakan solusi dari SPL, serta
matriks 𝑏 yang terdiri dari nilai-nilai pada sisi kanan SPL. Elemen-elemen pada
matriks 𝐴 dan vektor 𝑏 mempunyai nilai yang di dapat dari formulasi permasalahan
sedangkan elemen-elemen pada vektor 𝑥 merupakan jawaban permasalahan yang
harus dihitung.
A = [aij] adalah matriks berukuran n × n x = [xj] adalah matriks berukuran n × 1 b =
[bj] adalah matriks berukuran n × 1 (disebut juga vektor kolom) yaitu:

2.1.1 Metode Langsung

Solusi persamaan 4.1 adalah himpunan nilai x1, x2, …, xn yang memenuhi
n buah persamaan. Metode penyelesaian sistem persamaan linear dengan
determinan (aturan Cramer) tidak praktis untuk sistem yang besar. Beberapa
metode penyelesaian praktis sistem persamaan linier yang kita bahas di sini adalah:
1. Metode eliminasi Gauss
2. Metode eliminasi Gauss-Jordan
3. Metode matriks balikan
4. Metode dekomposisi LU

Walaupun metode penyelesaian SPL beragam, namun sebagian besar

metode tersebut, terutama metode 1 sampai 4, tetap didasarkan kepada metode yang
paling dasar, yaitu eliminasi Gauss. (Rinaldi, 2013)

2.1.3 Metode Tidak Langsung

Metode eliminasi Gauss melibatkan banyak kesalahan pembulatan. Kesalahan

pembulatan yang terjadi pada eliminasi Gauss (maupun eliminasi Gauss-Jordan) dapat
menyebabkan solusi yang diperoleh “jauh” dari solusi sebenarnya. Gagasan metoda
iterasi pada pencarian akar persamaan non-linier dapat juga diterapkan untuk
menyelesaikan SPL. Dengan metode iterasi, kesalahan pembulatan dapat diperkecil,
karena kita dapat meneruskan iterasi sampai solusinya seteliti mungkin, sesuai dengan
batas kesalahan yang kita perbolehkan. Dengan kata lain, besar kesalahan dapat
dikendalikan sampai batas yang bisa diterima.
Jika metode eliminasi Gauss dan variasi-variasinya dinamakan metode langsung
(direct) -karena solusi SPL diperoleh tanpa iterasi- maka metode iterasi dinamakan
metode tidak langsung (indirect) atau metode iteratif.
(Rinaldi, 2013)
Metode iterasi melibatkan sebuah proses yang mengonversi system Ax = b
menjadi system ekuivalen \𝑥 = 𝑇𝑥 + 𝑐, untuk matriks T dan vector c yang tetap.
Metode ini diawali dengan aprosimaksi awal 𝑥(0)untuk mencapai solusi x dengan
menggenerasi vector barisan yang konvergen terhadap x, atau dapat ditulis

𝑥𝑘 = 𝑇𝑥𝑘−1 + 𝑐, 𝑢𝑛𝑡𝑢𝑘 𝑠𝑒𝑡𝑖𝑎𝑝 𝑘 = 1,2,3, … (2.3)

Persamaan 4.3 dapat didekomposisis menjadi Persamaan 2.4.

A=L+D+U (2.4)

dengan L merupakan lower triangular dengan nilai nol pada diagonal, D merupakan
matriks diagonal dengan elemen yang tidak nol, dan U merupakan matriks upper
triangular dengan nilai nol pada elemen diagonalnya. (Hidayat, 2019)
 Perbedaan metode iterasi dengan metode-metode yang telah dijelaskan
sebelumnya, adalah ia dimulai dari penentuan nilai awal (initial value) untuk setiap
elemen vektor x. Kemudian berdasarkan nilai awal tersebut, dilakukan langkah
perhitungan untuk mendapatkan elemen-elemen vektor x yang baru. (Suparno, 2014)

2.2 Metode Iterasi Jacobi

Metode iterasi Jacobi dilakukan dengan mengubah Persamaan 2.2 menjadi

Persamaan 2.3 dengan terlebih dahulu didekomposisikan matriks 𝐴 sesuai dengan
Persamaan 2.4. Metode ini dapat ditulis dalam bentuk matriks menjadi Persamaan 2.5.

𝑥 𝑘 = 𝐷−1 (𝐿 + 𝑈)𝑥 𝑘−1 + 𝐷−1 𝑏, 𝑑𝑒𝑛𝑔𝑎𝑛 𝑘 = 1,2, … (2.5)

Secara komponen, Persamaan 2.5 dapat ditulis menjadi Persamaan 2.6.

(2.6)

𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2, … , 𝑛
Norm yang sering digunakan adalah 𝑙∞ norm. Sedangkan kriteria konvergensi untuk
metode iterasi ditunjukkan oleh Persamaan 2.7.
𝑝(𝑇) < 1 (2.7)

Dengan 𝜌(𝑇) menyatakan spektral radius dari matriks 𝑇.

2.3 Metode Gauss-Seidel

Metode Iterasi Gauss-Seidel hampir sama dengan metode Iterasi Jacobi.

Perbedaannya hanya terletak pada penggunaan nilai elemen vektor xbaru atau 𝑥𝑘 yang
langsung digunakan pada persamaan dibawahnya (Suparno, 2014)
𝑥𝑘 = (𝐷 − 𝐿)−1 + 𝑈𝑥𝑘+1 + (𝐷 − 𝐿)−1𝑏 (2.8)

𝑑𝑒𝑛𝑔𝑎𝑛 𝑘 = 1,2, …

Secara umum, Persamaan 2.8 dapat ditulis menjadi Persaman 2.9.

(2.9)

𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2, … , 𝑛

2.4 Successive Over Relaxation (SOR)

Metode ini diperoleh dengan cara mengektrapolasi metode iterasi

Gauss-Seidel sehingga muncul faktor relaksasi ω. (Hidayat, 2019)

𝑥𝑘 = (𝐷 − 𝜔𝐿)−1𝑏 − (𝐷 − 𝜔𝐿)−1[𝜔𝑈 + (1 − 𝜔)𝐷]𝑥𝑘+1 (2.10)

 Metode Relaksasi dengan pilihan nilai ω yang berkisar antara 0 dan 1
disebut metode underrelaxation, dimana metode ini berguna agar sistem
persamaan linear bisa mencapai kondisi konvergen walaupun sistem tersebut
sulit mencapai kondisi konvergen dengan metode Gauss-Seidel. Sementara bila
ω nilainya lebih besar dari angka 1, maka disebut metode successive
overrelaxation (SOR), yang mana metode ini berguna untuk mengakselerasi
atau mempercepat kondisi konvergen dibandingkan dengan Gauss-Seidel.
Metode SOR ini juga sangat berguna untuk menyelesaikan sistem persamaan
linear yang muncul dari persamaan diferensial-parsial tertentu. (Suparno, 2014)

III. TUGAS PENDAHULUAN

1. Turunkan Persamaan 4.5, 4.8, dan 4.10 menggunakan metode dekomposisi

matriks serta nyatakan dalam bentuk komponen.

Jawab :

 Persamaan 4.5

𝐴𝑥 = 𝑏

(𝐿 + 𝐷 + 𝑈)𝑥 = 𝑏

𝐿𝑥 + 𝐷𝑥 + 𝑈𝑥 = 𝑏

𝐷𝑥 + (𝐿 + 𝑈)𝑥 = 𝑏

𝐷𝑥 = 𝑏 − (𝐿 + 𝑈)𝑥

𝑥 = 𝐷−1[𝑏 − (𝐿 + 𝑈)

𝑥𝑘 = 𝐷−1𝑏 − 𝐷−1(𝐿 + 𝑈)𝑥𝑘+1 (4.5)

 Persamaan 4.8

𝐴𝑥 = 𝑏

(𝐿 + 𝐷 + 𝑈)𝑥 = 𝑏

𝐿𝑥 + 𝐷𝑥 + 𝑈𝑥 = 𝑏

(𝐷 + 𝐿)𝑥 + 𝑈𝑥 = 𝑏

(𝐷 + 𝐿)𝑥 = 𝑏 − 𝑈𝑥

𝑥 = (𝐷 + 𝐿)−1[𝑏 − 𝑈𝑥]

𝑥𝑘 = (𝐷 + 𝐿)−1𝑏 − (𝐷 + 𝐿)−1𝑈𝑥𝑘+1 (4.8)

3.1 Persamaan 4.10
 𝐴𝑥 = 𝑏

𝜔(𝐿 + 𝐷 + 𝑈)𝑥 = 𝜔𝑏

(𝜔𝐿 + 𝜔𝐷 + 𝜔𝑈)𝑥 = 𝜔𝑏

𝜔𝐿𝑥 + (1 − (𝜔 − 1))𝐷𝑥 + 𝜔𝑈𝑥 = 𝜔𝑏

𝜔𝐿𝑥 + 𝐷𝑥 − (𝜔 − 1)𝐷𝑥 + 𝜔𝑈𝑥 = 𝜔𝑏

(𝐷 + 𝜔𝐿)𝑥 + [(𝜔 − 1)𝐷 + 𝜔𝑈]𝑥 = 𝜔𝑏

(𝐷 + 𝜔𝐿)𝑥 = 𝜔𝑏 − [(𝜔 − 1)𝐷 + 𝜔𝑈]𝑥

𝑥𝑘 = (𝐷 − 𝜔𝐿)−1𝑏 − (𝐷 − 𝜔𝐿)−1[𝜔𝑈 + (1 − 𝜔)𝐷]𝑥𝑘+1 (4.10)

2. Bagaimana peranan nilai spektral radius dalam menentukan solusi sistem persamaan
linier?
Jawab:

Nilai spectral radius memiliki peranan dalam menentukan solusi system persamaan
linier yaitu, jika kita mengasumsikan misal A adalah matriks dan
adalah nilai eigen dari matriks A, maka nilai spektral radius (𝐴) dari matriks 𝐴 di
definisikan dengan persamaan berikut :
(𝐴)=max|𝜆|

3. Selain dari nilai toleransi dan spektral radiusnya, bagaimanakah perbedaan syarat
konvergensi pada metode iterasi Jacobi dan Gauss-Seidel?
Jawab:

Syarat konvergensi pada metode iterasi jacobi dan gauss seidel ,yaitu selain nilai
toleransi dan spectral radial adalah pada syarat metode iterasi Jacobi dan Gauss-
Seidel konvergen adalah matriks koe-fisien A bersifat diagonally dominant.
4. Apa yang dimaksud dengan matriks diagonal dominan dan definit positif suatu
matriks? Bagaimana hubungan keduanya dalam menentukan solusi sistem persamaan
linier?
Jawab :

Matriks dominan diagonal yaitu koefisien diagonal harus sama atau lebih besar dari
jumlah semua koefisien pada baris itu, dan minimal satu baris harus
memiliki diagonal yang lebih besar dari jumlah koefisien pada baris itu atau biasa juga
disebut matriks yang mempunyai elemen tidak nol hanya pada elemen diagonal,
sedangkan semua elemen off-diagonal adalah nol.
Lalu, definit positif suatu matriks digunakan untuk fungsi yang selalu positif atau selalu
negative dalam bentuk kuadrat. Hubungan keduanya dalam menentukan solusi sistem
persamaan linier untuk fungsi kuadrat f(x) = ax2 + bx + c , kondisi definit dialami ketika
D < 0 dengan D = b2 – 4ac, yaitu:
Definit positif terjadi jika a > 0 dan D , 0
Definit negative terjadi jika a < 0 dan D < 0
Jika determinan matriks diagonal dominan bernilai lebih dari 0 (|matriks dominan| >
0), maka matriks diagonal dominan bernilai definit positif.

5. Apakah yang dimaksud dengan norm matriks dan norm vektor?

Jawab:

Norm adalah suatu fungsi yang memberikan ukuran panjang atau size pada semua
vektor dalam sebuah vektor space. Oleh karena itu, Euclidean norm disebut sebagai
magnitude atau besaran dari vektor. Kadangkala kita membutuhkan suatu nilai skalar
untuk mengukur suatu besaran dari vektor atau matrik, maka kita membutuhkan norm.

6. Hitung solusi dari sistem persamaan linier di bawah ini menggunakan cara analitik
(eliminasi/substitusi). Lalu hitung solusi dari sistem persamaan linier di bawah
menggunakan iterasi Jacobi hingga iterasi ke-2.
−3𝑥1 − 0.1𝑥2 − 0.2𝑥3 = 7.85

0.1𝑥1 + 7𝑥2 − 0.3𝑥3 = −19.3

0.3𝑥1 − 0.2𝑥2 + 10𝑥3 = 71.4

Jawab :

Dengan

• Iterasi Ke-1
• Iterasi Ke-2

⸫ Solusi pada iterasi ke-2 adalah

IV. ALGORITMA DAN PEMROGRAMAN

4.1 Metode Iterasi Jacobi

4.2 Metode Gauss-Seidel
4.3 Iterasi SOR
 DAFTAR PUSTAKA

(n.d.). Retrieved from eprints.uny.ac.id:

http://eprints.uny.ac.id/20116/2/4.%20BAB%20II.pdf Gozali, S. M.
(n.d.). Retrieved from file.upi.edu:
http://file.upi.edu/Direktori/FPMIPA/JUR._PEND._MATEMATIKA/1974
11242005011SUMANANG_MUHTAR_GOZALI/NORM_VEKTOR_DAN
_NOR_MATRIKS.pdf
Hidayat, S. (2019). Modul Praktikum Algoritma dan Komputasi Numerik. Jatinangor.
Rinaldi, M. (2013). Metode Numerik. Bandung: Informatika.
Rustamaji, H. (2013). Pengantar Komputasi Teknik Kimia dengan Matlab dan
Simulink. Bandar Lampung: Aura.
Setianto. (2020). Retrieved from classroom.google.com:
https://classroom.google.com/u/3/c/NTM0Njk5OTI3NjNa/m/NTM0Njk5
OTUzODRa/details
Suparno, S. (2014). Komputasi untuk Sains dan Teknik Menggunakan Matlab. Depok.