Dosen pengajar :
Oni Soesanto, S.Si.,M.Si
Mata Kuliah Metode Numerik.
Ditulis oleh :
Nama : Annisa Humaira
NIM : 1911017220019
2
Persamaan koefisien muai panas, α=a1 +a2 T +a3 T , diperoleh dengan menggunakan
analisis regresi dimana konstanta model ditemukan dengan menyelesaikan persamaan
linier simultan berikut.
24 7 .26×105 a1 1 .057×10−4
[ ][ ] [ ]
−2860
−2860 7 . 26×10 5 −1 .86472×108 a 2 = −1. 04162×10−2
7 . 26×105 −1. 86472×108 5 . 24357×1010 a 2. 56799
3
a
Temukan nilai dari a1 , a2 , dan 3 menggunakan eliminasi Gauss naïve.
Solusi :
Langkah pertama
Bagilah Baris/Row 1 dengan 24 lalu kalikan dengan −2860, yaitu mengalikan Row 1
dengan −2860/24=−119.17
Row 1×(−119 . 17 ) =[−2860 3 . 4082×10 5 −8 . 6515×10 7 ] [ −0 . 012596 ]
Kurangi hasil dari Row 2 untuk mendapatkan
24 7 . 26×10 5 a1 1 .057×10−4
[ ][ ] [ ]
−2860
5 7
0 3 . 8518×10 −9 . 9957×10 a 2 = 2 . 1797×10−3
7 . 26×105 −1. 86472×108 5. 243×1010 a3 2. 56799
5
Bagilah Baris/Row 1 dengan 24 lalu kalikan dengan 7 .26×10 , yaitu mengalikan Row
5
1 dengan 7 .26×10 /24=30250 .
Row 1×( 30250 ) =[7 . 26×105 8 . 6515×10 7 2 .1962×1010 ] [ 3 . 1974 ]
Kurangi hasil dari Row 3 untuk mendapatkan
24 7 .26×105 a1 1 .057×10−4
[ ][ ] [ ]
−2860
0 3 . 8518×10 5 −9 . 9957×107 a 2 = 2 . 1797×10−3
0 −9 . 9957×107 3 . 04742×1010 a3 −0. 62944
Langkah kedua
5
Kita sekarang membagi Row 2 dengan 3 .8518×10 lalu kalikan dengan
−9 . 9957×10 7 , yaitu mengalikan Row 2 dengan
7 5
−9. 9957×10 /3 .8518×10 =−259 .50
Row 2×(−259 . 50 )= [0 −9. 9957×107 2. 5939×1010 ] [−0 . 56565 ]
Kurangi hasil dari Row 3 untuk mendapatkan
24 7 . 26×105 a1 1 . 057×10−4
[ ][ ] [ ]
−2860
0 3 . 8518×105 −9 . 9957×10 7 a2 = 2. 1797×10−3
0 0 4 . 5349×10 9 a3 −6. 3788×10−2
Substitusi balik
Dari persamaan ketiga
9 −2
4 . 5349×10 a3 =−6. 3788×10
−6 . 3788×10−2
a3 =
4 . 5349×10 9
=−1 . 4066×10−11
Substitusi nilai
a3 ke persamaan kedua,
3 .8518×105 a 2 + (−9. 9957×107 ) a3 =2. 1797×10−3
2. 1797×10−3 −(−9 . 9957×10 7 ) a 3
a2 =
3 . 8518×105
2. 1797×10−3− (−9 . 9957×107 ) ×(−1. 4066×10−11 )
=
3 .8518×105
=2 .0087×10−9
Substitusi nilai
a2 and a3 ke persamaan pertama
5 −4
24 a 1 + (−2860 ) a2 +7. 26×10 a 3=1 . 057×10
−4 5
1. 057×10 −(−2860 ) a 2−7 . 26×10 a3
a1 =
24
1. 057×10−4 − (−2860 )×( 2 . 0087×10−9 ) −7 .26×105 ×(−1 . 4066×10−11 )
=
24
=5 .0690×10−6
[ ][
a2 = 2. 0087×10−9
a3 −1 . 4066×10
−11 ]
Simulasikan dengan matlab
clear all
clc
n=3;
A=[24,-2860,7.26e+05;
-2860,7.26e+05,-1.86472e+08;
7.26e+05,-1.86472e+08,5.24357e+10];
RHS=[1.057e-4;-1.04162e-2;2.56799];
A1=A;
A=num2str(A,'%10.5g')
A=A1;
RHS1=RHS;
RHS=num2str(RHS1,'%10.5g')
RHS=RHS1;
C1=horzcat(A,RHS);
C=num2str(C1,'%10.5g')
C=C1;
% Tahap Eliminasi
for k=1:(n-1)
disp(sprintf('================== Tahap %d',k))
disp(sprintf('\b ======================='))
for i=k+1:n
pengali=(C(i,k)/C(k,k));
for j=k:n+1
C(i,j)=(C(i,j)-pengali*C(k,j));
end
end
C1=C;
C=num2str(C1,'%10.5g')
C=C1;
end
% Substitusi balik
A1=zeros(n,n);
for i=1:n
for j=1:n
A1(i,j)=C(i,j);
end
end
RHS1=zeros(n,1);
for i=1:n
RHS1(i,1)=C(i,(n+1));
end
A2=A1;
A=num2str(A2,'%10.5g')
A=A1;
RHS2=RHS1;
RHS=num2str(RHS2,'%10.5g')
RHS=RHS1;
X=zeros(1,n);
X(n)=RHS1(n)/A1(n,n);
for i=(n-1):-1:1
summ=0;
for j=i+1:n
summ=summ+A1(i,j)*X(j);
end
X(i)=(RHS1(i)-summ)/A1(i,i);
end
X;
disp(sprintf('\n\nDengan substitusi balik, didapatkan:'))
X=rot90(X)
Didapatkan
B. Dekomposisi LU
Teknik Mesin
Contoh 1
Sebuah trunnion dengan diameter 12.363 } {¿ harus didinginkan dari suhu kamar dengan
80 ° F sebelum mengerut dipasang ke steel hub (Gambar 1).
2
Persamaan koefisien muai panas, α=a1 +a2 T +a3 T , diperoleh dengan
menggunakan analisis regresi dimana konstanta model ditemukan dengan
menyelesaikan persamaan linier simultan berikut.
24 7 .26×105 a1 1 .057×10−4
[ ][ ] [ ]
−2860
−2860 7 . 26×10 5 −1 .86472×108 a 2 = −1. 04162×10−2
7 . 26×105 −1. 86472×108 5 . 24357×1010 a3 2. 56799
a
Temukan nilai dari a1 , a2 , dan 3 menggunakan Dekomposisi LU.
Solusi :
1 0 0 u11 u12 u13
[
[ A ] =[ L ] [ U ] = ℓ21
ℓ31
1
ℓ32 ][
0 0 u22
1 0 0
u23
u33 ]
Matriks [ U ] sama dengan yang ada di akhir langkah eliminasi forward dari metode
eliminasi Gauss naïve.
Eliminasi Forward Tidak Diketahui
Karena ada tiga persamaan, akan ada dua langkah untuk eliminasi forward yang tidak
diketahui.
24 7 .26×105
[ ]
−2860
−2860 7 . 26×10 5 −1 .86472×108
7 . 26×105 −1. 86472×108 5 . 24357×1010
Langkah pertama
Bagilah Row 1 dengan 24 lalu kalikan dengan −2860, yaitu mengalikannya dengan
−2860/24=−119.17 . Lalu kurangi hasil dari Row 2.
24 7 . 26×105
[ ]
−2860
Row 2−( Row 1×(−119. 17 ) ) = 0 3 . 8518×105 −99 . 957×106
7 . 26×10 5 −1 . 8647×10 8 5. 2436×1010
5
Bagilah Row 1 dengan 24 lalu kalikan dengan 7 .26×10 , yaitu mengalikannya dengan
5
7 .26×10 /24=30250 . Lalu kurangi hasil dari Row 3.
24 7 . 26×105
[ ]
−2860
Row 3− ( Row 1×30250 ) = 0 3 . 8518×105 −99 . 957×106
0 −99 . 957×10 6 30 . 474×109
Langkah kedua
5
Kita sekarang membagi Row 2 dengan 3 .8518×10 lalu kalikan dengan
6 6 5
−99 . 957×10 , yaitu mengalikannya dengan −99 .957×10 /3 .8518×10 =−259. 50
. Lalu kurangi hasil dari Row 3.
24 7 . 26×105
[ ]
−2860
Row 3− ( Row 2× (−259. 50 ) ) = 0 3 . 8518×105 −99. 957×106
0 0 4 .5349×109
24 7 .26×105
[ ]
−2860
[ U ] = 0 3 .8518×105 −99 . 957×106
0 0 4 . 5349×10 9
Sekarang tentukan [ L] .
1 0 0
[
[ L ] = ℓ 21 1 0
ℓ 31 ℓ32 1 ]
Dari langkah pertama untuk eleminasi forward,
−2860
ℓ 21= =−119.17
24
5
7 . 26×10
ℓ 31= =30250
24
[
[ L ] = −119.17
30250
1 0
−259 .50 1 ]
Sekarang [ L] dan [U ]diketakui, dipecahkan [ L ][ Z ] =[ C ] .
1 0 0 z1 1. 057×10−4
[ −119.17
30250
1
][ ] [
0 z 2 = −1 .04162×10−2
−259. 50 1 z 3 2 . 56799 ]
Didapatkan
z 1=1 . 057×10−4
−119 . 17 z 1 + z 2 =−1 . 04162×10−2
30250 z 1 + (−259. 50 ) +z 3 =2. 56799
[ ][
[ Z ] = z 2 = 0 . 0021797
z3 −0 .063788 ]
Sekarang dipecahkan
[ U ][ A ]= [ Z ]
24 7 . 26×10 5 a1 1 . 057×10−4
[ ][ ] [
−2860
0 3 . 8518×105 −99 . 957×10 6 a 2 = 0 . 0021797
0 0 4 . 5349×10 9 a3 −0 . 063788 ]
5 −4
24 a 1 + (−2860 ) a2 +7. 26×10 a 3=1 . 057×10
3 .8518×105 a 2 + (−99. 957×106 ) a3 =0 . 0021797
9
4 . 5349×10 a3 =−0. 063788
a
Substitusi nilai 3 ke persamaan kedua,
3 .8518×105 a 2 + (−99. 957×106 ) a3 =0 . 0021797
0 .0021797−(−99. 957×106 ) a3
a2 =
3. 8518×105
0 . 00217975−(−99. 957×106 )×(−1 . 4066×10−11 )
=
3 .8518×105
=2 . 0087×10−9
Substitusi nilai
a2 and a3 ke persamaan pertama
5 −4
24 a 1 +(−2860 )a 2 +7 . 26×10 a3 =1. 057×10
−4 5
1. 057×10 −(−2860 )a2 −7 .26×10 a3
a1 =
24
1 . 057×10−4 −(−2860 ) ×2. 0087×10−9 −7 . 26×10 5×( −1. 4066×10−11 )
=
24
−6
=5.0690×10
Solusi vektornya adalah
a1 5. 0690×10−6
[ ][
a2 = 2. 0087×10−9
a3 −1 . 4066×10
−11 ]
Simulasikan dengan matlab
clear all
clc
n=3;
A=[24,-2860,7.26e+05;
-2860,7.26e+05,-1.86472e+08;
7.26e+05,-1.86472e+08,5.24357e+10];
RHS=[1.057e-4;-1.04162e-2;2.56799];
format short g
A1=A;
A=num2str(A,'%10.5g')
A=A1;
disp(sprintf('\n\n\n '))
RHS1=RHS;
RHS=num2str(RHS1,'%10.5g')
RHS=RHS1;
L=zeros(n,n);
U=zeros(n,n);
for i = 1:n
L(i,i)=1.0;
end
for i=1:n
for j=1:n
AA(i,j)=A(i,j);
end
end
for k=1:n-1
for i=(k+1):n
multiplier=AA(i,k)/AA(k,k);
L(i,k)=multiplier;
for j=(k+1):n
AA(i,j)=AA(i,j)-multiplier*AA(k,j);
end
end
end
for i=1:n
for j=i:n
U(i,j)=AA(i,j);
end
end
L1=L;
L=num2str(L1,'%15.5g')
L=L1;
U1=U;
U=num2str(U1,'%15.5g')
U=U1;
Z=zeros(1,n);
Z(1)=RHS(1)/L(1,1);
for i=2:n
sum=0;
for j=1:(i-1)
sum=sum+L(i,j)*Z(j);
end
Z(i)=(RHS(i)-sum)/L(i,i);
end
Z=transpose(Z)
X=zeros(1,n);
X(n)=Z(n)/U(n,n);
for i=(n-1):-1:1
sum=0;
for j=(i+1):n
sum=sum+U(i,j)*X(j);
end
X(i)=(Z(i)-sum)/U(i,i);
end
X=transpose(X)
Didapatkan
C. Metode Gauss-Seidel
Teknik Mesin
Contoh 1
Sebuah trunnion dengan diameter 12.363 } {¿ harus didinginkan dari suhu kamar dengan
80 ° F sebelum mengerut dipasang ke steel hub (Gambar 1).
2
Persamaan koefisien muai panas, α=a1 +a2 T +a3 T , diperoleh dengan menggunakan
analisis regresi dimana konstanta model ditemukan dengan menyelesaikan persamaan
linier simultan berikut.
24 7 .26×105 a1 1 .057×10−4
[ ][ ] [ ]
−2860
−2860 7 . 26×10 5 −1 .86472×108 a 2 = −1. 04162×10−2
7 . 26×105 −1. 86472×108 5 . 24357×1010 a3 2. 56799
a
Temukan nilai dari a1 , a2 , dan 3 menggunakan Metode Gauss-Seidel. Gunakan
a1 0
[ ][]
a2
a3
=
Solusi :
Iterasi #1
Diberikan tebakan awal dari vektor solusi berikut
a1 0
Kita dapatkan
[ ][]
a2
a3
= 0
0
−4 5
1. 057×10 −(−2860 )×0−7 . 26×10 ×0
a1 =
24
−6
=4.4042×10
−2 −6 8
−1. 04162×10 −(−2860)×4 . 4042×10 −(−1. 86472×10 )×0
a2 =
7 . 26×10 5
−9
=3 .0024×10
5 −6 8 −9
2. 56799−7 . 26×10 ×4 . 4042×10 −(−1 . 86472×10 )×3 . 0024×10
a3 =
5. 24357×1010
−12
=−1 .3269×10
Perkiraan kesalahan relatif absolut untuk masing-masing adalah
−6
4.4042×10 −0
|∈a|1=| |×100
4.4042×10−6
=100 %
3 .0024×10−9 −0
|∈a|2=| |×100
3. 0024×10−9
=100 %
−12
−1. 3269×10 −0
|∈a|3=| |×100
−1 .3269×10−12
=100 %
[ ][
a2 = 3 . 0024×10−9
a3 −1. 3269×10
−12 ]
dan kesalahan perkiraan relatif absolut maksimum adalah 100% .
Iterasi #2
Estimasi vektor solusi pada akhir Iterasi # 1 adalah
a1 4 . 4042×10−6
4.2291×10−9 −3.0024×10−9
|∈a|2=| |×100
4.2291×10−9
=29.007%
[ ][
a2 = 4 . 2291×10−9
a3 −2 . 4738×10
−12 ]
dan kesalahan perkiraan relatif absolut maksimum adalah 46 . 360 % .
Melakukan lebih banyak iterasi memberikan nilai berikut untuk vektor solusi dan
kesalahan perkiraan relatif absolut yang sesuai.
Iteration a1 |∈ | %
a1
a2 |∈ | % a2
a3 |∈a|3 %
1 4 . 4042×10−6 100 3 .0024×10−9 100 −1. 3269×10−12 100
2 4 . 8021×10−6 8.2864 4 . 2291×10−9 29.0073 −2. 4738×10−12 46.3605
3 4 . 9830×10−6 3.6300 4 . 6471×10−9 8.9946 −3 . 4917×10−12 29.1527
4 5.0636×10−6 1.5918 4 . 7032×10−9 1.1922 −4 . 4083×10−12 20.7922
5 5.0980×10−6 0.6749 4 . 6033×10−9 2.1696 −5 .2399×10−12 15.8702
6 5 .1112×10−6 0.2593 4 . 4419×10−9 3.6330 −5 .9972×10−12 12.6290
Setelah enam iterasi, kesalahan perkiraan relatif absolut berkurang, tetapi masih tinggi.
Mengizinkan untuk lebih banyak iterasi, kesalahan perkiraan relatif absolut berkurang
secara signifikan.
Iteratio a1 |∈a|1 % a2 |∈a|2 % a3 |∈a|3 %
n
75 5 .0692×10−6 2. 2559×10−4 2. 0139×10−9 0.024280 −1. 4049×10−11 0.011250
76 5 .0691×10−6 2. 0630×10−4 2. 0135×10−9 0.02221 −1. 4051×10−11 0.01029
[ ][
x 2 = 2. 0087×10−9
x 3 −1 . 4066×10
−11 ]
Simulasikan dengan matlab
clear all
clc
n=3;
A=[24,-2860,7.26e+05;
-2860,7.26e+05,-1.86472e+08;
7.26e+05,-1.86472e+08,5.24357e+10];
RHS=[1.057e-4;-1.04162e-2;2.56799];
X =[0 0 0];
maxit=50;
A
RHS
X
maxit
abs_ea=zeros(n);
for k=1:maxit
disp(sprintf('Iterasi ke-%d',k))
disp(sprintf('Vektor solusi sebelumnya'))
Xold=X;
Xold
for i=1:n
summ=0;
for j=1:n
if (i<j)
summ=summ+A(i,j)*X(j);
end
if (i>j)
summ=summ+A(i,j)*X(j);
end
end
X(i)=(RHS(i)-summ)/A(i,i);
end
Max_abs_ea=0.0;
for i=1:n
abs_ea(i)=abs((X(i)-Xold(i))/X(i))*100.0;
if abs_ea(i)>Max_abs_ea
Max_abs_ea=abs_ea(i);
end
end
disp(sprintf('Vektor solusi baru:'))
X
disp(sprintf('Persentase Absolute relative approximate
error'))
Y=rot90(abs_ea);
abs_e=Y(n,1:n)
disp(sprintf('Persentase Maximum absolute
relativeapproximate error'))
Max_abs_ea
end
Didapatkan