SISTEM PERSAMAAN LINEAR

Systems of Linear Algebraic Equations

 Sistem Persamaan Linear
2

 Acuan
 Chapra, S.C., Canale R.P., 1990, Numerical Methods for Engineers,
2nd Ed., McGraw-Hill Book Co., New York.
 Chapter 7, 8, dan 9, hlm. 201-290.
 Sistem Persamaan Linear
3

 Serangkaian n persamaan linear:

a11x1  a12 x2  ...  a1n xn  c1
a21x1  a22 x2  ...  a2n xn  c2 Sejumlah n persamaan linear
. ini harus diselesaikan secara
simultan untuk mendapatkan
.
x1, x2,…, xn yang memenuhi
. setiap persamaan tsb.
a1n x1  a2n x2  ...  a nn xn  c n
 Metode Penyelesaian
4

Jml. pers. sedikit, n « Jml. pers. banyak, n »

 Penyelesaian  Penyelesaian langsung
 Grafis  Eliminasi Gauss
 Cramer  Gauss-Jordan
 Eliminasi  Iteratif
 Jacobi
 Gauss-Seidel
 Successive Over Relaxation
 Metode Grafis
5

x2

x2 = …

x1
x1 = …
 Metode Grafis
6

x2 hampir sejajar x2 berimpit x2 sejajar

x1 x1 x1
ill-conditioned system singular system singular system
 Metode Cramer
7

 Variabel tak diketahui, xi, merupakan perbandingan dua determinan

matrix
 Penyebut : determinan, D, matrix koefisien sistem persamaan
 Pembilang : determinan matrix koefisien sistem persamaan seperti penyebut,
namun koefisien kolom ke i diganti dengan koefisien ci
 Contoh
 3 persamaan linear a11x1  a12 x2  a13 x3  c1
a21x1  a22 x2  a23 x3  c2
a31x1  a32 x2  a33 x3  c3
 Metode Cramer
8

a11 a12 a13  a11 a12 a13

A  A  a21 a22 a23  D  det A  a21 a22 a23
a31 a32 a33  a31 a32 a33

c1 a12 a13 a11 c1 a13 a11 a12 c1

c2 a22 a23 a21 c2 a23 a21 a22 c2
c3 a23 a33 a c a33 a a a3
x1  x2  31 3 x3  31 23
D D D
 Determinan Matrix
9

 Matrix bujur sangkar: n  n

 Mencari determinan matrix
 Hitungan manual
 MSExcel, dengan fungsi =MDETERM()
 Contoh hitungan determinan matrix 2  2 dan 3  3
a11 a12 a13 
A  A  
a11 a12 
 B  B  a21 a22 a23 
a21 a22  a31 a32 a33 
 Determinan Matrix
10

a11 a12
D  det A   a11a22  a12a21
a21 a22

a11 a12 a13

a a23 a21 a23 a21 a22
D  det B  a21 a22 a23  a11 22  a12  a13
a32 a33 a31 a33 a31 a32
a31 a32 a33

 a11a22a33  a23a32   a12 a21a33  a23a31  a13 a21a32  a22a31

 Metode Cramer
11

 Contoh: 3 persamaan linear AX  C

3x1  0.1x2  0.2x3  7.85  3  0.1  0.2  x1   7.85 
 0.1   x    19.3
0.1x1  7 x2  0.3x3  19.3  7 0.3 2   
0.3x1  0.2x2  10x3  71.4 0.3  0.2 10  x3   71.4 

det A  37 10   0.3 0.2   0.10.110   0.30.3 

 0.20.1 0.2  7 0.3
 210.353
 Metode Cramer
12

 7.85  0.1  0.2 3 7.85  0.2  3  0.1 7.85 

A1   19.3 7  0.3 A2    0.1  19.3  0.3 A3    0.1 7  19.3
 71.4  0.2 10  0.3 71.4 10  0.3  0.2 71.4 

det A1  A1  631.059 det A2  A2  525.883 det A3  A3  1472.471

det A1 631.059 det A2  525.883 det A3 1472.471

x1   3 x2    2.5 x3   7
det A 210.353 det A 210.353 det A 210.353
 Metode Eliminasi
13

 Contoh: 2 persamaan linear

a11x1  a12 x2  c1  a21 a11x1  a12 x2  c1  a11a21x1  a12a21x2  c1a21
a21x1  a22 x2  c1  a11 a21x1  a22 x2  c2   a21a11x1  a22a11x2  c2a11

a22a11x2  a12a21x2  c2a11  c1a21

c2a11  c1a21
x2 
a22a11  a12a21

c2a22  c1a12
x1 
a22a11  a12a21
 Eliminasi Gauss
14

 Strategi
 Forward elimination
 Back substitution
 Contoh
 3 persamaan linear a11x1  a12 x2  a13 x3  c1 (1)
a21x1  a22 x2  a23 x3  c2 (2)
a31x1  a32 x2  a33 x3  c3 (3)
 Eliminasi Gauss
15

 Forward elimination #1
 Hilangkan x1 dari pers. kedua dan ketiga dengan operasi perkalian koefisien dan
pengurangan dengan pers. pertama.
pivot equation
pivot coefficient

a11x1  a12 x2  a13 x3  c1

 a   a  a a11x1  a12 x2  a13 x3  c1 (1)
 a22  21 a12  x2   a23  21 a13  x3  c2  21 c1
 a11   a11  a11  x2  a23
a22  x3  c2 (2')
 a   a  a  x2  a33
a32  x3  c3 (3')
 a32  31 a12  x2   a33  31 a13  x3  c3  31 c1
 a11   a11  a11
 Eliminasi Gauss
16

 Forward elimination #2
 Hilangkan x2 dari pers. ketiga dengan operasi perkalian koefisien dan
pengurangan dengan pers. kedua.

pivot coefficient
pivot equation
a11x1  a12 x2  a13 x3  c1
a11x1  a12 x2  a13 x3  c1 (1)
 x2  a23
a22  x3  c2
 x2  a23
a22  x3  c2 (2')
 a  a
  32 a23
 a33   x3  c3  32 c2  x3  c3
a33 (3'')
 
a22  
a22
 Eliminasi Gauss
17

 Back substitution
 Hitung x3 dari pers. (3''), hitung x2 dari pers. (2’), dan x1 dari pers. (1)

c3 c2  a23

 x3 c1  a12 x2  a13 x3
x3  x2  x1 

a33 
a22 a11
 Eliminasi Gauss
18

 Forward elimination  Back substitution

a11x1  a12 x2  a13 x3  ...  a1n xn  c1 c nn 1
x n  n 1
 x2  a23
a22  x3  ...  a2 n xn  c2 a nn
 x3  ...  a2n xn  c2
a23
.
c ii 1  a
j  i 1
i 1
ij x j

xi  i 1
, i  n  1, n  2,...,1
. a ii

.
a nnn 1xn  c nn 1
 Eliminasi Gauss
19

 Contoh: 3 persamaan linear

(1) 3x1  0.1x2  0.2x3  7.85
(2) 0.1x1  7 x2  0.3x3  19.3
(3) 0.3x1  0.2x2  10x3  71.4
 Eliminasi Gauss
20

 Forward elimination
 Eliminasi x2 dari Pers. 2 dan 3, Pers. 1 sebagai pivot
(1) 3x1  0.1x2  0.2x3  7.85
(2) 0x1  7.0033x2  0.2933x3  19.5617
(3) 0x1  0.19x2  10.02x3  70.615

 Eliminasi x3 dari Pers. 3, Pers. 2 sebagai pivot

(1) 3x1  0.1x2  0.2x3  7.85
(2) 0x1  7.0033x2  0.2933x3  19.5617
(3) 0x1  0x2  10.0120x3  70.0843
 Eliminasi Gauss
21

 Backward substitution
 Menghitung x3 dari Pers. 3''
70.0843
x3  7
10.0120

 Substitusi x3 ke Pers. 2' untuk menghitung x2

 19.5617  0.29337 
x2   2.5
7.0033
 Substitusi x3 dan x2 ke Pers. 1 untuk menghitung x1
7.85  0.2 7   0.1 2.5
x1  3
3
 Metode Eliminasi
22

 Strategi
 Eliminasi variabel tak diketahui, xi, dengan penggabungan dua persamaan.
 Hasil eliminasi adalah satu persamaan yang dapat diselesaikan untuk
mendapatkan satu variabel xi.
 Kelemahan Metode Eliminasi
23

 Pembagian dengan nol

 Pivot coefficient sama dengan nol ataupun sangat kecil.
 Pembagian dengan nol dapat terjadi selama proses eliminasi ataupun substitusi.
 Round-off errors
 Selama proses eliminasi maupun substitusi, setiap langkah hitungan bergantung pada
langkah hitungan sebelumnya dan setiap kali terjadi kesalahan; kesalahan dapat
terakumulasi, terutama apabila jumlah persamaan sangat besar.
 Ill-conditioned systems
 Ill-condition adalah situasi dimana perubahan kecil pada satu atau beberapa
koefisien berakibat perubahan yang besar pada hasil hitungan.
 Perbaikan
24

 Pemilihan pivot (pivoting)

 Urutan persamaan dipilih sedemikian hingga yang menjadi pivot equation
adalah persamaan yang memberikan pivot coefficient terbesar.
 Metode Penyelesaian
25

 Matrix Inverse
 Gauss-Jordan
 Metode Iteratif
 Jacobi
 Gauss-Seidel
 Metode Gauss-Jordan
26

 Mirip dengan metode eliminasi Gauss, tetapi tidak diperlukan back

substitution.
 Contoh
 3 persamaan linear 3x1  0.1x2  0.2x3  7.85
0.1x1  7 x2  0.3x3  19.3
0.3x1  0.2x2  10x3  71.4
 Metode Gauss-Jordan
27

 3  0.1  0.2 7.85  1  0.0333  0.0667 2.6167

   
 0.1 7  0.3  19.3   0.1 7  0.3  19.3 
0.3  0.1 10 71.4 0.3  0.1 10 71.4

3 3  0.1 3  0.2 3 7.85 3  1  0.0333  0.0667 2.6167

   
 0.1 7  0.3  19.3   0 7.0033  0.2933  19.5617
0.3  0.1 10 71.4 0  0.1900 10.0200 70.6150
 Metode Gauss-Jordan
28

 1  0.0333  0.0667 2.6167

 
 0 7.0033  0.2933  19.5617
0  0.1900 10.0200 70.6150

 1  0.0333  0.0667 2.6167

 
 0 / 7.0033 7.0033/ 7.0033  0.2933/ 7.0033  19.5617 / 7.0033
 0  0.1900 10.0200 70.6150

 1  0.0333  0.0667 2.6167  1 0  0.0681 2.5236

   
 0 1  0.0419  2.7931
  0 1  0.0419  2.7931

0  0.1900 10.0200 70.6150 0 0 10.0120 70.0843
 Metode Gauss-Jordan
29

 1 0  0.0681 2.5236
 
 0 1  0 .0419  2.7931
0 / 10.0120 0 / 10.0120 10.0120/ 10.0120 70.0843/ 10.0120

 1 0  0.0681 2.5236 1 0 0 3   x1   3 
       
 0 1  0.0419  2.7931   0 1 0  2.5 x
 2   2.5
0 0 1 7  0 0 1 7  x   7 
 3  
 Gauss-Jordan vs Eliminasi Gauss
30

 Metode Gauss-Jordan
 Jumlah operasi lebih banyak (50%)
 Memiliki kelemahan yang sama dengan eliminasi Gauss
 Pembagian dengan nol
 Round-off error
 Inversi Matrix
31

A X  C  X  A  C

1

a11 a12 a13 1 0 0 1

 1 0 0 a11 1
a12 1
a13 
   1 1 1 
 a 21 a 22 a 23 0 1 0   0 1 0 a 21 a 22 a 23 
1 
a31 a31 a33 0 0 1 0 0 1 a31 a32 a33
1 1

 Inversi Matrix
32

 3  0.1  0.2 1 0 0  1  0.0333  0.0667 0.3333 0 0

A   0.1 7  0.3 0 1 0 A   0.1 7  0.3 0 1 0
0.3  0.2 10 0 0 1 0.3  0.2 10 0 0 1

 1  0.0333  0.0667 0.3333 0 0

A  0 7.0033  0.2933  0.0333 1 0
0  0.1900 10.0200  0.0999 0 1
 Inversi Matrix
33

 1  0.0333  0.0667 0.3333 0 0

A  0 1  0.0417  0.0047 0.1422 0
0  0.1900 10.0200  0.0999 0 1

 1 0  0.0681 0.3318 0.0047 0

A  0 1  0.0417  0.0047 0.1422 0
0 0 10.0121  0.1009 0.0270 1
 Inversi Matrix
34

 1 0  0.0681 0.3318 0.0047 0

A  0 1  0.0417  0.0047 0.1422 0
0 0 1  0.0101 0.0027 0.0999

1 0 0 0.3325 0.0049 0.0068

A  0 1 0  0.0052 0.1423 0.0042
0 0 1  0.0101 0.0027 0.0999

A1
 Inversi Matrix
35

X  A1  C

 x1   0.3325 0.0049 0.0068  7.85 

   0.0052 0.1423 0.0042   19.3
x2      
x    0.0101 0.0027 0.0999  71.4 
 3

 x1   3.0004 
   
x
 2   2.4881
x   7.0002 
 3  
 Metode Iteratif: Jacobi
36

a11x1  a12 x2  a13 x3  c1 x10  0 nilai awal,

a21x1  a22 x2  a23 x3  c2 x20  0 biasanya xi0 = 0 iterasi diteruskan
sampai konvergen
a31x1  a32 x2  a33 x3  c3 x30  0 xin+1  xin, xi

c  a x  a13 x3 c1  a12 x20  a13 x30 c1  a12 x2n  a13 x3n

x1  1 12 2 x 
1
1
n 1
x
1 
a11 a11 a11
c  a21x1  a23 x3 c2  a21x10  a23 x30 c2  a21x1n  a23 x3n
x2  2 x 
1 n 1
x 
a22 2
a22
2
a22
c3  a31x1  a32 x2 c3  a31x10  a32 x20 c3  a31x1n  a32 x2n
x3  x 
1 n 1
x 
a33 3
a33
3
a33
 Metode Iteratif: Gauss-Seidel
37

c1  a12 x20  a13 x30 n 1 c1  a12 x2n  a13 x3n

x 
1
1 x1 
a11 a11
n 1
iterasi diteruskan
c2  a x  a x
1 0
c2  a x  a x n
sampai konvergen
x12  21 1 23 3
x2n 1  21 1 23 3
a22 a22 xin+1  xin, xi
c3  a31x11  a32 x12 n 1 c3  a31x1n 1  a32 x2n 1
x 
1
3 x3 
a33 a33
 Jacobi vs Gauss-Seidel
38

Jacobi Gauss-Seidel


x11  c1  a12 x20  a13 x30 a11  
x11  c1  a12 x20  a13 x30 a11 
x12  c 2  a21x10  a23 x a
0
3 22 x12  c 2  a21x11  a23 x a
0
3 22

x13  c 3  a31x10  a32 x a

0
2 33 x13  c 3  a31x11  a32 x a
1
2 33


x12  c1  a12 x12  a13 x13 a11  
x12  c1  a12 x12  a13 x13 a11 
x22  c 2  a21x11  a23 x a
1
3 22 x22  c 2  a21x12  a23 x a
1
3 22

x32  c 3  a31x11  a32 x a

1
2 33 x32  c 3  a31x12  a32 x a
2
2 33
 Successive Over-relaxation Method
39

 Dalam setiap iterasi, nilai variabel terbaru (yang baru saja dihitung), xn+1,
tidak langsung dipakai pada iterasi selanjutnya
 Pada iterasi selanjutnya, nilai tsb dimodifikasi dengan memasukkan
pengaruh nilai variabel lama (pada iterasi sebelumnya), xn

x1new  l xin 1  1 l  xin

 faktor relaxasi l dimaksudkan untuk mempercepat konvergensi hitungan (iterasi)
 under-relaxation: 0 < l < 1
 over-relaxation: 1 < l < 2
 Successive Over-relaxation Method
40

c  a x n
 a x n
x1n 1  1 12 2 13 3
a11

xn 1

 
c2  a21 l x1n 1  1 l  x1n  a23 x3n
2
a22
c
x3n 1  3
 a 31 l 
x1
n 1
 1 l  x1
n

 a 32 
l x2
n 1
 1 l  x2
n

a33