DASAR-DASAR METODA DAN ANALISA

NUMERIK

PROF. DR. IR. BAMBANG TEGUH P., DEA

BTMP – BPPT
KAWASAN PUSPIPTEK SERPONG
PENDAHULUAN

PERMASALAHAN Contoh 1: f(x) = 2x; a = 1; b = 3

b
∫ f ( x ) dx
3
I= 3
2
I = ∫ 2x dx = x 2 = 8
a
1 2 1

8
SOLUSI ANALITIS / EKSAK
• Berguna untuk memberikan 6
pengertian yg lengkap thd perilaku

f(x)
4
beberapa sistem, 2 I
• Hanya bisa diturunkan untuk kelas
0
permasalahan terbatas : 0 1 2 3 4
 model linier,
x
 Geometri sederhana dan
berdimensi rendah
I : luas dibawah kurva yg dibatasi
f(a), f(b) dan sumbu x
PENDAHULUAN
SOLUSI ANALITIS / EKSAK “ZAMAN PRA-KOMPUTER”

Contoh 2.
3
I = ∫ 2 x x ln ( 5− x ) dx = ?
2

1
Banyak permasalahan yg kompleks
susah dan tidak mempunyai solusi analitis

Contoh 3.
Menentukan debit aliran dari hasil pengukuran kecepatan aliran di
dalam pipa
π
Debit = v . D2
4
R Dimana : v adalah kecepatan rata-rata aliran
D 1 R
v= ∫ v ( r )dr = ?
D −R
v(r) v(r) tidak diketahui
PENDAHULUAN

SOLUSI GRAFIS “ZAMAN PRA-KOMPUTER”

• Untuk mencirikan perilaku suatu sistem, f(x)

biasanya dibentuk oleh gambar atau
homograf,
• Dapat untuk menyelesaikan masalah yg
cukup rumit, tapi hasilnya kurang presis
• Hanya bisa diturunkan bisa digunakan
untuk permasalahan berdimensi rendah

1 2 3 x
PENDAHULUAN

METODA RESOLUSI NUMERIK “ZAMAN KOMPUTER”

3
3
2
Contoh 1: f(x) = 2x; a = 1; b = 3 I = ∫ 2 x dx = x 2 = 8
1 2 1

8
6
f(x)

4 I : luas dibawah kurva yg

2 I dibatasi f(a), f(b) dan
0 sumbu x
0 1 2 3 4
x
 PENDAHULUAN
METODA RESOLUSI NUMERIK “ZAMAN KOMPUTER”
• Teknik dimana masalah matematika diformulasikan sedemikian rupa shg
dapat diselesaikan oleh pengoperasian aritmetika (ilmu hitung –
bilangan),
• Metoda pendekatan, namun berkat kemajuan komputer mampu untuk
menyelesaikan masalah yg rumit
Contoh 2.
I = [ f ( 1) + f ( 2 ) ]
( 2 − 1) +
f(x)
3 2
I = ∫ 2 x x ln ( 5− x ) dx = ?
2

f(1) [ f ( 2 ) + f ( 3) ] ( 3 − 2 )
[ f (1) + f ( 3) ] ( 3 − 1)
1

I= 2
2 f(3)
f(x) Kurang teliti
1 2 3 x

f(1) Lebih teliti , dengan cara:

• Diperbanyak segmen,
f(3)
• Dengan komputer bisa cepat
1 2 3 x
PENDAHULUAN
METODA RESOLUSI NUMERIK PROBLEM INTEGRAL

• Contoh : METODA TRAPESIUM

• ADA BERBAGAI CARA
UNTUK f(1)
MENYELESAIKANNYA f(x) f(0) f(N-1)
SECARA NUMERIK f(N)

 METODA TRAPESIUM
 METODA SIMPSON
 METODA ROMBERG, a b
 METODA KUADRATUR GAUSS x
0 1 2 N-1 N
 DLL i= N
f ( 0 ) + 2 ∑ f ( i) + f ( n )
I = ( b − a) i= 1

2n

Kesalahan: Ea = −
( b − a) 3 f "
12n2
f " : harga rata-rata turunan kedua fungsi
PENDAHULUAN
METODA RESOLUSI NUMERIK PROBLEM INTEGRAL
• Contoh : METODA SIMPSON 1/3
i = N− 1 i= N− 2
f(1) f ( 0) + 4 ∑ f ( i) + 2 ∑ f ( i ) + f ( n )
f(x) f(0) f(N-1) I = ( b − a) i= 1 , 3 ,... i = 2 , 4 ,...

3n
f(N)
( b − a) 5 f 4
Kesalahan: E a = −
180n4
a b x f 4 : harga rata-rata turunan keempatfungsi
0 1 2 N-1 N

Metoda Simpson lebih teliti dibanding metoda Trapesium

PENDAHULUAN
METODA RESOLUSI NUMERIK PROBLEM INTEGRAL
• Contoh : f ( x ) = 0,2 + 25 x − 200 x 2 + 675 x 3 − 900 x 4 + 400 x 5
b= 0 ,8
I= ∫ f ( x ) dx dengan N=2 atau h=0,4
a= 0

• Penyelesaian :
 Solusi analitis eksal I = 1,64053334

 Dengan metoda Trapesium : I = 1,0688

Kesalahan : Ea = 0,64
 Dengan metoda Simpson 1/3 : I = 1,6234667
Kesalahan : Ea = 0,01706667
PENDAHULUAN

KESIMPULAN SEMENTARA :

• METODA NUMERIK DAPAT MENYELESAIKAN

PROBLEM YG RUMIT,
• METODA NUMERIK ADALAH METODA
APROKSIMATIF SHG ADA KESALAHAN,
• KESALAHAN BISA DIATASI :
♦ DGN MEMPERKECIL LANGKAH
♦ MEMILIH METODA RESOLUSI YG
TEPAT
PENDAHULUAN KESIMPULAN SEMENTARA :

PENEKANAN AKTIVITAS PENYELESAIAN MASALAH

ZAMAN PRA-KOMPUTER ZAMAN KOMPUTER

Hukum dasar yg Eksposisi mendalam dari

FORMULASI hubungan masalah terhadap
diterangkan secara
singkat
MATEMATIS hukum dasar

Perluasan dan sering dgn

SOLUSI Metoda numerik
cara yg rumit untuk mudah digunakan
mempermudah masalah

Kalkulasi yg mudah
INTERPRETASI
Analisis mendalam dibatasi memberikan pemikiran holistik
oleh solusi yg memakan dan intuisi buat
waktu pengembangan sensitivitas
serta perilaku sistem dapat
dipelajari

Catatan: ukuran kotak menunjukkan tingkat penekanan aktivitas

PENDAHULUAN
KEUNTUNGAN METODA RESOLUSI NUMERIK

• Dapat menyelesaikan masalah yg rumit (sistem persamaan yg besar,

tidak linier, geometri kompleks), dan seringkali tidak mungkin
diselesaikan secara analitis ⇒ meningkatkan kemampuan kita
untuk menyelesaikan permasalahan
• Dalam bekerja seringkali kita menggunakan paket program komputer yg
mencakup metoda numerik ⇒ memudahkan dlm memahami dan
pemakaian paket program
• Banyak permasalahan yg tidak/belum tersedia di pasaran paket program
penyelesaiannya ⇒ bisa mengembangkan sendiri metoda resolusi
dan dikemas dlm paket program
• Merupakan sarana untuk memperkuat kembali pengertian kita terhadap
matematika, karena tugas metoda numerik adalah mengurangi
matematika tinggi menjadi operasi aritmatika dasar.
FORMULASI MATEMATIKA
Didefinisikan sebagai : sebuah formulasi atau persamaan yg
mengungkapkan segi/unsur utama suatu sistem atau proses fisika ke dalam
istilah matematika
Contoh : Hukum Newton kedua, F= m.a
Dapat dibuat model matematik yg lebih komplek untuk menggambarkan
perilaku lain dlm proses fisika
Misal: menetukan kecepatan jatuh seorang penerjun bebas
dv
Fu m a = F ⇒ m = F F : gaya netto yg bekerja (N)
dt
= Fu +Fd
m: massa penerjun (kg)
Fu : gaya keatas akibat gesekan udara
a : percepatan (m/dt2)
v : kecepatan (m/dt) = -c.v
Fd : gaya kebawah akibat gravitasi
Fd
dv = m.g
m = m.g − c.v
dt
dv c  c 
= g− v dv =  g − v  dt
dt m  m 
FORMULASI MATEMATIKA
Bila
 c  m = 68,1 kg;
Solusi analitis: dv =  g − v  dt
 m  c = 12,5 kg/dt; t (detik) v (m/dt)
g =9,8 m/dt2 0 0
m  c   c 
− d g − v =  g − v  dt 2 16,41
c  m   m 
Fu 4 27,77
 c 
d g − v 6 35,64
 m  c
∫ = − ∫ dt 8 41,10
 c  m
g− v
∞ 53,39
 m  Fd

 c  c
ln g − v  = − t + C1 50
 m  m
40

kecepatan (m/detik)
30
Kondisi inisial:
t = 0; v = 0, didapat C1 = ln g 20

10
mg  
c
− t 0
v( t) = 1 − e m

c   0 2 4 6 8
waktu (detik)
FORMULASI MATEMATIKA
Solusi numerik:
• Memformulasikan masalah matematik sedemikian rupa agar dapat diselesaikan dgn
operasi aritmatika
• Digunakan metoda finite different untuk pendekatan turunan pertama v thd t
Kemiringan
 C 
sebenarnya Kemiringan v ( t i+ 1 ) = v ( t i ) +  g − v ( t i )  ( t i+ 1 − t i )
pendekatan  m 
v(ti+1)
t (detik) v (m/dt) 50
∆v

kecepatan (m/dt)
0 0 40
v(ti)
2 19,60 30
20 eksak
4 32,01
ti ti+1 10
numerik
Poly. (eksak)
∆t 6 39,86
0
8 44,83
dv Δv v ( t i+ 1) ) − v ( t i ) 0 2 4 6 8
≈ = ∞ 53,39 waktu (detik)
dt Δt t i+ 1 − t i
• Ada perbedaan akibat pendekatan dgn garis lurus,
v ( t i+ 1) ) − v ( t i ) C • Secara umum, metoda numerik memenuhi solusi eksak
= g− v( ti ) • Untuk mengurangi perbedaan, perlu interval lebih kecil
t i+ 1 − t i m
⇒ perhitungan bertambah ⇒ perlu kompromi
TEORI KESALAHAN BEBERAPA TERMINOLOGI
 ANGKA SIGNIFIKAN :
• Dikembangkan secara resmi untuk menandakan sebUah nilai numerik
• Banyaknya angka signifikan adalah banyaknya digit tertentu yg dapat dipakai
dengan meyakinkan
Contoh :
• Bilangan 45300, bisa mempunyai 3, 4, atau 5 buah digit signifikan, tergantung
apakah harga nol itu telah diketahui dgn yakin,
• Ketidak pastian semacam ini bisa diselesaikan dgn memakai notasi ilmiah:

4,53 x 104 4,530 x 104 4,5300 x 104

3 4 5 Angka signifikan

• Dua arti penting konsep angka signifikan :

 Memutuskan kebenaran dari suatu pendekatan,
 Memaklumi bahwa ada besaran yg tidak pernah bisa dinyatakan secara
eksak (misal π = 3,141592653589……..)
⇒ Pengabaian dari angka signifikan sisa dinamakan kesalahan pembulatan

Untuk menyatakan tingkat keyakinan

suatu hasil numerik
TEORI KESALAHAN BEBERAPA TERMINOLOGI

 AKURASI DAN PRESISI

• Akurasi / Akurat : mengacu pada dekatnya sebuah angka pendekatan atau

pengukuran terhadap harga sebenarnya yg hendak dinyatakan,
• Presisi : mengacu pada :

1. Jumlah angka signifikan yg menyatakan suatu besaran, atau

2. Penyebaran dlm bacaan berulang dari sebuah

a). b). c). d).

a). Tidak akurat dan tidak presisi c). Akurat dan tidak presisi
b). Tidak akurat, presisi b). Akurat dan presisi

⇒ Untuk menyatakan kedua hal tsb , digunakan istilah kesalahan

TEORI KESALAHAN

APROKSIMASI / OPERASI DAN BESARAN /

PENDEKATAN MATEMATIK YG PASTI

KESALAHAN NUMERIK

KESALAHAN PEMOTONGAN KESALAHAN PEMBULATAN

(TRUNCATION ERROR) (ROUND-OFF ERROR)

• Terjadi sewaktu aproksimasi • Terjadi bila angka2 aproksimasi

digunakan untuk menyatakan suatu dipakai untuk menyatakan angka2
prosedur matematika pasti
dv Δv
≈ π ≈ 3,14
dt Δt
TEORI KESALAHAN KESALAHAN NUMERIK

• Kesalahan Numerik (Et) = Harga sebenarnya – Aproksimasi

⇒ (tidak menunjukkan orde besara dari nilai yg diperiksa)

Kesalahan
• Kesalahan Relatif Fraksional = x100%
H arg a Sebenarnya
Et
εt = x100%
H arg a Sebenarnya

Contoh :
• Pengukuran panjang jembatan dan panjang paku masing-masing 9999 cm dan 9 cm
• Kalau harga sebenarnya masing-masing 10000 cm dan 10 cm, berapa kesalahan
dan kesalahan relatif
Kesalahan Jembatan Paku
Et (cm) 10000 – 9999 = 1 cm 10 – 9 = 1 cm
εt (%) (1/10000) x 100 % = 0,01 % (1/10) x 100 % = 10 %

Teliti Tergantung
TEORI KESALAHAN
• DALAM PERMASALAHAN YG KOMPLEKS, JARANG HARGA YG SEBENARNYA
DAPAT DIKETAHUI DGN MUDAH, KECUALI FUNGSI-FUNGSI YG DAPAT
DISELESAIKAN SECARA ANALITIS
• PERLU DIDEFINISIKAN KESALAHAN APROKSIMASI

Contoh : dalam perhitungan iteratif

• Kesalahan Aproksimasi (Ea) = Aproks. sekarang – Aproks. sebelumnya

⇒ (tidak menunjukkan orde besara dari nilai yg diperiksa)

Ea
εa = x100%
Aproksimasi Sekarang

• Tanda εa bisa(-) atau (+), dan biasanya iterasi berhenti bila : ε a < ε s
- dimana εs adalah toleransi praspesifikasi,
(
- menurut Scarborough/1966/ : ε s = 0,5x10 2 − n % )
• artinya: bila kondisi tsb di atas dapat dipenuhi, maka dapat dijamin bahwa
hasilnya adalah betul sampai sekurang-kurangnya “n” angka signifikan
TEORI KESALAHAN
Contoh : Taksiran kesalahan untuk metoda iterasi
2 3 4 5
• Perluasan Deret Mac Laurin : e x = 1 + x + x + x + x + x + ........
2! 3! 4! 5!
Tentukan kesalahan untuk x = 0,5 guna meyakinkan suatu hasil sampai
sekurang-kurangnya tiga angka signifikan :
( )
ε s = 0,5x102 − 3 % = 0,05%

Penyelesaian :  Solusi eksak : ε 0 ,5 = 1,648721271

 Solusi numerik : Iterasi Suku ke Hasil εt (%) εa (%)

1 1 1 39,3
2 2 1,5 9,02 33,3
3 3 1,625 1,44 7,69
4 4 1,645833333 0,175 1,27
5 5 1,648437500 0,0172 0,158
6 6 1,648697917 0,00142 0,0158

• Berhenti pada iterasi ke 7 karena εa < εs

• Ketelitian sampai 4 angka signifikan
TEORI KESALAHAN KESALAHAN PEMOTONGAN
(TRUNCATION ERROR)
DERET TAYLOR
f ' ' ( x i ) 2 f '' ' ( x i ) 3 f ( n) ( xi ) n
f ( x i+ 1 ) = f ( xi ) + f ( xi ) h +
'
h + h .... + h + Rn
2! 3! ( n) !
f ( n+ 1) [ ξ ] n+ 1
Dimana suku sisa Rn = h
( n + 1)!
Contoh : Gunakan perluasan deret Taylor orde ke nol s/d orde ke empat untuk
menaksir fungsi :
f ( x ) = − 0,1x 4 − 0,15 x 3 − 0,5 x 2 − 0,25 x + 1,2
Dimana xi = 0 dan h = 1, artinya xi+1 = 1
Penyelesaian : Orde nol
1.5 f ( xi+ 1 ) = f ( xi )
n f(xi+1) Et
0 1,2 -1 1 Orde ke 1
f ( xi+ 1 ) = f ( xi ) + f ' ( xi ) h
f(x)

1 0,95 -0,75
0.5 eksak
2 0,45 -0,25 Orde ke 2
3 0,2 0 f ( xi+ 1 ) = f ( xi ) + f ' ( xi ) h +
0
4 Tak perlu *) 0 0.2 0.4 0.6 0.8 1 f '' ( xi ) 2
h
f ( 5 ) ( ξ ) h5 x
2!
*) karena R 4 = = 0
5!
TEORI KESALAHAN KESALAHAN PEMOTONGAN
(TRUNCATION ERROR)
DERET TAYLOR

Kesimpulan :
• Makin tinggi ordenya (makin banyak suku-suku) akan memperkecil kesalahan,
• Dalam hal-hal yg praktis, dgn menambahkan beberapa suku saja sudah
menghasilkan aproksimasi yg cukup

 Dalam banyak hal penentuan banyaknya suku dimulai dengan menghitung suku
sisa dari deret
 Dilema : - harga ξ tidak pasti,
 Untuk itu suku sisa sering ditulis Rn=O(hn+1), yg berarti kesalahan pemotongan
berorde hn+1
 Hal penting :
• Jika kesalahan O(h) ⇒ dgn memperkecil langkah h menjadi ½ h,
kesalahan menjadi setengahnya,
• Jika kesalahan O(h2) ⇒ dgn memperkecil langkah h menjadi ½ h,
kesalahan menjadi seperempatnya
TEORI KESALAHAN KESALAHAN PEMOTONGAN
(TRUNCATION ERROR)

PENGGUNAAN DERET TAYLOR UNTUK MEMPERKIRAKAN KESALAHAN

PEMOTONGAN
f ' ' ( x i ) 2 f '' ' ( x i ) 3 f ( n) ( xi ) n
f ( x i+ 1 ) = f ( xi ) + f ( xi ) h +
'
h + h .... + h + Rn
2! 3! ( n) !
Bila dipotong setelah turunan pertama :
f ( x i+ 1 ) − f ( x i ) R 1
f ( x i+ 1 ) = f ( x i ) + f ' ( x i ) h + R 1 ⇒ f ' ( xi ) = −
h h
Dlm metoda numerik disebut “DiferensiTerbagi Hingga” atau “Beda Hingga”
R1 f " ( ξ ) R1
Taksiran kesalahan : = h atau = O( h )
h 2! h
f ( x i+ 1 ) − f ( x i )
Shg secara umum : f ' ( xi ) = − O( h )
h Beda hingga
pertama kedepan
h : ukuran langkah
 DIFERENSIASI NUMERIK METODA BEDA HINGGA

KEDEPAN TERPUSAT KEBELAKANG

f(xi+1) f(xi+1) f(xi)

f(xi)

h f(xi-1) f(xi-1)
h h h
xi xi+1 xi+1 xi-1 xi
xi-1 xi

Turunan Pertama

f ( x i+ 1 ) − f ( x i ) f ( x i+ 1 ) − f ( x i− 1 ) f ( x i ) − f ( x i− 1 )
f ' ( xi ) =
h
+ O( h ) f ' ( xi ) =
2h
+ O h2 ( ) f ' ( xi ) =
h
+ O( h )

Turunan Kedua
f ( x i + 2 ) − 2f ( x i + 1 ) + f ( x i ) f ( x i + 1 ) − 2f ( x i ) + f ( x i − 1 ) f ( x i ) − 2 f ( x i − 1 ) + f ( x i− 2 )
f ( xi ) =
"
+ O( h ) f ( xi ) =
"
( )
+ O h2 f " ( xi ) = + O( h )
h2 h 2 h2
TEORI KESALAHAN KESALAHAN TOTAL

KESALAHAN PEMOTONGAN + KESALAHAN PEMBULATAN

(TRUNCATION ERROR) (ROUND-OFF ERROR)

(+) Diperbaiki dgn KESALAHAN (+) Diperbaiki dgn

memperkecil langkah TOTAL memperbanyak angka
signifikan
(-) Menambah jumlah
komputasi (-) Kesalahan akan bertambah
jika jumlah komputasi
dinaikkan

• Perlu kompromi, h an
al a

Kesalahan, log
• Merupakan seni dlm metoda numerik, s
Ke al
• Tergantung pada penyelesaian trial&error, intuisi, tot
pengalaman, n K
l a ha an esala
• Kemajuan komputer : sa ng pemb han
Angka signifikan mudah diperbanyak (+) Ke moto ulat
an
pe
Ukuran langkah bisa diperkecil (+)
Ukuran Langkah, log