METODE NUMERIK
BAB II
MODEL MATEMATIKA
Model matematika secara luas dapat didefinisikan sebagai
perumusan atau persamaan yang mengekspresikan feature pokok
dari sistem atau proses fisis dalam istilah matematis. Dalam
penalaran yang sangat umum , model matematis dapat dinyatakan
sebagai suatu hubungan fungsional yang berbentuk
Peubah tak bebas = f ( peubah bebas, parameter, fungsi pemaksa )
..................................( 2. 1 )
peubah tak bebas : suatu karakteristik yang biasanya
mencerminkan keadaan atau perilaku sistem
peubah bebas : dimensi, seperti waktu dan ruang,
sepanjang mana perilaku sistem sedang ditentukan
parameter : pencerminan sifat – sifat atau komposisi sistem
fungsi pemaksa : pengaruh eksternal yang bekerja
padanya
Ekspresi matematis yang sebenarnya dari persamaan 2. 1 dapat
berkisar dari suatu hubungan aljabar sederhana sampai himpunan
persamaan diferensial besar yang rumit. Sebagai contohnya
perhatikan model matematis dari hukum kedua Newton dalam
persamaan
F = m.a
............................................................................................................
......................(2.2 )
Persamaan 2.2 mempunyai sejumlah ciri yang khas dari model
matematis di dunia fisik
1. persamaan tersebut menggambarkan suatu proses atau
sistem biasa dalam istilah – istilah matematis.
2. Persamaan tersebut menyatakan suatu idealisasi dan
penyedderhanaan dari keadaan yang sebenarnya. Yakni
rincian yang sederhana dari proses almiah diabaikan dan
perhatian dipusatkan pada manifestasi yang penting.
3. Persamaan tersebut memberikan hasil yang dapat
direproduksi, sehingga dapat dipakai untuk tujuan
peramalan.
Contoh 2.1
Pernyataan masalah : seorang penerjun payung dengan massa
68.100 gram melompat keluar dari pesawat. Gunakan persamaan
v(t )
gm
c
1 e ( c / m ) t untuk menghitung kecepatan ( velocity )
Menghasilkan : 2 1640,00
4 2777,00
6 3564,00
10 4487,00
5339,00
980(68.100)
v(t ) [1 e (12.500 / 68.100) t ]
12.500
= v (t ) 5339,0[1 e 0,18355t ]
Persamaan v(t )
gm
c
1 e ( c / m )t disebut penyelesaian
persamaan v(t )
gm
c
1 e ( c / m )t dapat digunakan untuk
BAB III
APROKSIMASI DAN GALAT
3.1 Kekeliruan , Kesalahan perumusan dan Ketidakpastian
Data
Walau sumber kesalahan di bawah ini secara langsung
tak dihubungkan dalam metode numerik, dampak dari
kesalahan ini cukup besar.
Kekeliruan.
Kesalahan bruto/kekeliruan.
Tahun awal penggunaan komputer, komputer sering kali gagal
pakai (malfunction).
Sekarang kekeliruan ini dihubungkan dengan
ketidaksempurnaan manusianya.
Kekeliruan dapat terjadi pada sembarang
langkah proses pemodelan matematika dan dapat
mengambil bagian terhadap semua komponen kesalahan
lainnya. Ia hanya dapat dicegah oleh pengetahuan yang baik
tentang prinsip dasar dan berhati-hatilah dalam melakukan
pendekatan dan mendesain solusi untuk masalah anda.
Biasanya tak dianggap dalam pembahasan metode numerik.
Ini terjadi, karena kesalahan bruto sampai taraf tertentu tak
dapat dihindari. Tapi tentu saja pasti ada cara untuk
memperbaiki keadaan ini.
Misalnya: kebiasaan pemrograman yang baik, seperti yang
dibahas dalam bab 2, sangat berguna untuk mengurangi
kekeliruan pemrograman. Sebagai tambahan, terdapat juga
cara-cara sederhana untuk memeriksa apakah suatu
metode numerik tertentu bekerja secara sempurna.
Kesalahan Perumusan.
Kesalahan perumusan model dihubungkan dengan
penyimpangan yang dapat dianggap berasal dari model
matematika yang tak sempurna.
Contoh: fakta bahwa hukum Newton kedua tak menghitung
efek relativistik. Ini tak mengurangi
kelayakan solusi pada contoh sebelumnya, karena
kesalahan-kesalahan ini adalah minimal pada skala waktu dan
ruang dari seorang penerjun payung.
Anggap bahwa tahanan udara bukan proporsi linier
terhadap kecepatan jatuh seperti dalam persamaan tetapi
merupakan sebuah fungsi kuadrat kecepatan. Kalau hal ini
benar, baik
kedua solusi analitis maupun numerik yang diperoleh
dalam bab 1 hasilnya menjadi salah
karena kesalahan perumusan.
Ketidakpastian Data.
Kesalahan-kesalahan seringkali masuk ke dalam suatu
analisis karena ketidakpastian data fisika yang mendasari suatu
model.
Misalnya kita ingin menguji model penerjun payung dengan
loncatan-loncatan berulang yang dibuatnya, mengukur
kecepatan orang tersebut setelah interval waktu tertentu.
Ketidakpastian yang menyertai pengukuran-pengukuran
ini tak diragukan, karena penerjun akan jatuh lebih cepat
selama beberapa loncatan daripada loncatan lainnya.
Kesalahan-
kesalahan ini dapat memunculkan ketidak akuratan dan ketidak
presisian.
Jika instrumen kita menaksir terlalu rendah atau terlalu
tinggi terhadap kecepatan, kita menghadapi suatu alat yang
tak akurat atau menyimpang.
Pada keadaan lainnya, jika pengukuran tinggi dan rendah
secara acak, kita akan berhadapan dengan sebuah pertanyaan
mengenai kepresisian.
Kesalahan-kesalahan pengukuran dapat dikuantifikasikan
dengan meringkaskan data dengan satu atau lebih statistik
yang dipilih yang membawa sebanyak mungkin informasi
mengenai sifat-sifat data tertentu.
Statistik yang deskriptif ini kebanyakan sering dipilih untuk
menyatakan (1) letak pusat distribusi data, dan (2) tingkat
penyebaran data. Hal demikian memberikan suatu ukuran
penyimpangan dan ketidakpresisian.
Soal
1. Misalkan nilai sejati = 10/3 dan nilai hampiran = 3.333.
hitunglah galat, galat mutlak, dan galat relatif hampiran.
2. Prosedur iterasi sebagai berikut x r 1 ( x r3 3) / 6 r = 0,
1, 2, 3, ...
x0 0.5 dan s = 0.00001
( x1 2 / xi )
menghitung xi 1 untuk i 0,1,2,...
2
Salah satu masalah yang sering terjadi pada bidang ilmiah adalah
masalah untuk mencari akar-akar persamaan berbentuk f(x) = 0
………………….(1)
Metode Grafik.
Untuk memperoleh taksiran akar persamaan f(x) = 0 ialah
dengan membuat grafik fungsi itu dan mengamati dimana ia
memotong sumbu x. Titik ini, yang menyatakan harga x untuk
f(x) = 0, memberikan suatu pendekatan kasar dari akar
tersebut.
X f(x)
0,0 1,000
0,619
0,4 0,270
0,6 -0,051
Gambar 4.1
Gambar 4.1. Ilustrasi pendekatan grafik untuk memecahkan
persamaan aljabar dan transendental. Grafik f(x) = e -x – x terhadap
x. Akar sesuai dengan harga x dimana
f(x) = 0, yaitu titik dimana fungsi memotong sumbu x. Pemeriksaan
secara visual mengenai plot memberikan taksiran kasar 0,57.
Harga sebenarnya adalah 0,56714329…
Teknik grafik praktis digunakan, dan dapat memberikan
taksiran akar secara kasar, tapi tidak presisi.
Ia dapat digunakan sebagai tebakan awal dalam metode numerik.
interpretasi grafik penting untuk memahami sifat-sifat
fungsi dan dapat memperkirakan jebakan pada metode numerik,
seperti terlihat pada gambar 4.2 di bawah ini.
Gambar 4.2 memperlihatkan sejumlah cara dimana
akar bisa berada dalam interval yang dijelaskan oleh suatu
batas bawah a dan batas atas b.
Gambar 4.2b memperlihatkan kasus dmana sebuah
akar tunggal dikurung oleh harga-harga positif dan negatif dari
f(x).
Gambar 4.2
xl xu
xr
2
Step 3 : Buat evaluasi yang berikut untuk menentukan
subinterval, di dalam mana akar terletak:
a. Jika f(xl) f(xr) < 0, akar terletak pada
subinterval pertama, maka xu = xr, dan
lanjutkan ke step 2.
b. Jika f(xl) f(xr) > 0, akar terletak pada
subinterval kedua, maka xl = xr, dan lanjutkan
ke step 2.
c. f(xl) f(xr) = 0, akar = xr, komputasi selesai.
Contoh Metode Bagidua.
Gunakan Bagidua untuk menentukan akar dari f(x) = e-x - x.
Dari gra fik fungsi tersebut (gambar 4.1) terlihat bahwa
harga akar terletak diantara 0 dan 1.
Karenanya interval awal dapat dipilih dari xl = 0 hingga
xu = 1. Dengan sendirinya, taksiran awal akar terletak di tengah
interval tersebut:
0 1
xr 0,5
2
0,56714329
t x100% 11,8%
0,06714329
dimana indeks t menunjukkan bahwa kesalahan diacu terhadap
harga sebenarnya. Lalu:
f(0) f(0,5) = (1) (0,10653) = 0,10653
yang lebih besar dari nol, dengan sendirinya tak ada
perubahan tanda terjadi antara xl dan xr.
Karena itu, akar terletak pada interval antara x = 0,5 dan
1,0. Batas bawah didefinisikan lagi
0,5 1
xr 0,75
2
(0,63212)(1 0)
xr 1 0,6127
0,63212 1
0,56714329 0,6127
t x100% 8%
0,56714329
Iiterasi ke-2
f(xl) f(xr) = -0,0708
akar pada subinterval I. xr di batas atas berikutnya
xl = 0 f(xl) = 1
xu = 0,6127 f(xu) = -0,0708
(0,0708)(0,6127 0)
x r 0,6127 0,572179
0,63212 1
0,572179 0,6127
t x100% 7,8%
0,572179
33
Kesalahan untuk Regula Falsi berkurang lebih cepat
daripada Bagidua disebabkan rancangan yang lebih efisien untuk
penempatan akar dalam Regula Falsi.
34
tebakan awal kondisinya tetap selama komputasi, sedangkan
tebakan lainnya konvergen terhadap akar.
Pada contoh metode regulasi falsi di atas, xl tetap pada
0, sedangkan xu konvergen terhadap akar. Didapat,
interval tak mengkerut, tapi agak mendekati suatu harga
konstan.
f(x) = x10 – 1.
Dengan Bagidua, didapat:
Iterasi xl Xu Xr | t|% | a|%
1 0 1,3 0,65 35
2 0,65 1,3 0,975 2,5 33,3
3 0,975 1,3 1,1375 13,8 14,3
4 0,975 1,1375 1,05625 5,6 7,7
5 0,975 1,05625 1,015625 1,6 4,0
Setelah 5 iterasi, t < 2%.
Kemudian dengan Regula Falsi, didapat:
Iteras Xl Xu Xr | t|% | a|%
i
35
1 0 1,3 0,09430 90,6
2 0,09430 1,3 0,18176 81,8 48,1
3 0,18176 1,3 0,26287 73,7 30,9
4 0,26287 1,3 0,33811 66,2 22,3
5 0,33811 1,3 0,40788 59,2 17,1
Setelah 5 iterasi, t < 60%.
Juga | a| < | t|
Ternyata dengan Regula Falsi, a ternyata meleset. Lebih
jelas terlihat dalam grafik:
36
Grafik dari f(x) = x10 – 1, menunjukkan konvergensi metode
Regula Falsi yang lambat
Terlihat, kurva menyalahi perjanjian yang mendasar Regula
Falsi, yakni jika f(xl) lebih mendekati 0 dibanding f(xu),
sehingga akan lebih dekat ke xl daripada ke xu
Karena bentuk fungsi yang sekarang, kebalikannya tentu
juga benar. Yang harus dilakukan adalah memasukkan taksiran
akar ke dalam persamaan semula dan ditentukan apakah hasil
itu mendekati nol. Pengecekan semacam ini juga harus dilakukan
pada program komputer untuk penempatan akar.
37
Gmbar 5.2
f xi
xi 1 xi
f ' xi
Dimana i = 0,1,2,3, …
Syarat f’(xi) ≠ 0
f’(xi) = 0 maka garis singgung sejajar sumbu x
Algoritma Metode Newton Rapson
Masukan: f(x), f’(x), x0 (tebakan awal), (criteria penghentian), M
38
(maksimum iterasi
Keluaran : akar
Langkah-langkah
Iterasi
Jika f’(x0) = 0, proses gagal, stop
f x0
1. xbaru x0
f ' x0
xbaru x 0
2. jika , maka stopdan x(akar) x baru
xbaru
3. x0 = xbaru
4. Iterasi: I = i + 1
5. Jika iterasi I ≤ M kembali ke langkah 2
6. Prosesnya konvegen atau divergen
4.4.1 Iterasi N-R untuk menentukan
n
A
Ambil N = 2
A 0, N ge nap
A 0 l
A R, N ga nji
barisan x k k 0
lim x
x
k
yaitu : A =
Bukti : A>0
Missal x = A
X2 = A
X2 – A = 0, f(x) = 0 maka f(x) = x2 - A
F(x) = x2-A
f x
g x x
F’(x) = 2x f ' x
Defenisi fungsi iterasi Newton Rapson
g x x
x A
2
Atau xk 1 g xk 2x
g x x
2 x 2 x 2 A
4.5. MetodepSecant.A
k 1 pk 1 2x
pk , K 1,2,3,... x A
2 g x x
2 2x
x A
g x
2 2x
1 A
g x x
2 x
x x A
g ( x)
2
40
Masalah yang didapat dalam metode Newton-Raphson adalah
terkadang sulit mendapatkan turunan pertama, yakni f’(x).
Sehingga dengan jalan pendekatan
f xn f xn 1
f ' x
xn xn 1
Menjadi
f ( xi ) f ( xi xi 1 )
xi 1 xi yi
f ( xi ) f ( xi 1 )
41
Gambar 5.3
42
4.5.1 Perbedaan Metode Secant dan Regula Falsi.
Persamaan di metode Secant maupun Regula Falsi identik
suku demi suku.
Keduanya menggunakan 2 taksiran awal untuk menghitung
aproksimasi slope fungsi yang digunakan untuk berproyek
terhadap sumbu x untuk taksiran baru akar.
Perbedaannya pada harga awal yang digantikan oleh
taksiran baru.
Dalam Regula Falsi, taksiran terakhir akar menggantikan
harga asli mana saja yang mengandung suatu harga fungsi
dengan tanda yang sama seperti f(xr). Sehingga 2 taksiran
senantiasa mengurung akar.
Secant mengganti harga-harga dalam deretan yang
ketat, dengan harga baru xi+1 menggantikan xi, dan xi
menggantikan xi-1. Sehingga 2 harga terkadang dapat terletak
pada ruas akar yang sama. Pada kasus tertentu ini bisa divergen.
44
Gambar 5.3.2
f(x) = x3 - 5x2 + 7x - 3
45
membuat kedua suku dalam persamaan itu sama dengan nol.
Secara grafik, ini sesuai dengan kurva yang menyentuh sumbu x
secara tangensial pada akar dobel. Ini dapat dilihat pada gambar
5.4a di bawah ini pada
x = 1.
Gambar 5.4
Gambar 5.4 Contoh akar ganda yang menyinggung sumbu
x. Perhatikan bahwa fungsi tak memotong sumbu pada kedua sisi
akar ganda genap (a) dan (c), sedangkan ia memotong sumbu
46
untuk kasus ganjil (b) ([CHA1998] hal. 159).
Akar tripel untuk kasus dimana satu harga x membuat 3
suku dalam suatu persamaan menjadi nol, misal:
f(x) = (x – 3)(x – 1)(x – 1)(x – 1)
atau dengan pengalian suku-suku:
47
BAB IV
SISTEM PERSAMAAN LINIER
Bentuk Umum :
a11 x1 a12 x 2 ... a1n x n b1
a 21 x1 a 22 x 2 ... a 2 n x n b2
.
.
a m1 x1 a m 2 x 2 ... a mn x n bm
Bentuk Matriks
48
A. Dekomposis LU
Jika terdapat matriks A non singular maka dapat
difaktorkan / diuraikan / dikomposisikan menjadi matriks Segitiga
Bawah L ( Lower ) dan matriks Segitiga atas U ( Upper ).
A = LU
a11 a12 . a1n 1 0 . 0 u11 u12 . u1n
a a 22 . a 2 n l 21 1 . 0
0 u 22 . u 2 n
21 =
. . . . . . . . . . . .
a m1 . . a mn l m1 . . 1 0 . . u mn
maju )
Ly b
1 0 . 0 y1 b1
l 1 . 0
y b
21 2 = 2
. . . . . .
l m1 . . 1 y m bm
49
Ux y
50
Soal .
Tentukan solusi dari :
4 x1 3 x 2 x3 2
2 x1 4 x 2 5 x3 20
x1 2 x 2 6 x3 7
a 21
l 21u11 a 21 l 21
u11
Dst.......
51
Iterasi Jacobi
(k ) (k )
k 1 b1 a12 x 2 ... a1n x n
x1
a11
(k ) (k )
k 1 b2 a 21 x1 ... a 2 n x n
x2
a 22
(k ) (k )
k 1 bm a m1 x1 ... a mn 1 x n 1
xn
a mn
Iterasi Seidel
(k ) (k )
k 1 b1 a12 x 2 ... a1n x n
x1
a11
( k 1) (k )
k 1 b2 a 21 x1 ... a1n x n
x2
a 22
( k 1) (k )
k 1 bm a m1 x1 ... a mn 1 x n 1
xn
a mn
Dengan k = 0, 1, 2, ....
Untuk menghitung kekonvergenan atau berhentinya iterasi
digunakan galat relative
( k 1) (k )
xi xi
( k 1)
i= 1, 2, 3, ....n
xi
Syarat cukup iterasi konvergen : Dominan secara diagonal.
52
a ij a
j 1, j i
ij i= 1, 2, 3, ... n
8 4 1
5 2 1
BAB V
INTERPOLASI DAN EKSTRAPOLASI
53
5.1 Interpolasi
Interpolasi dapat digunakan untuk menghitung prakiraan nilai
yang terletak dalam rentangan titik-titik data, (Chapra, 1990).
Bentuk interpolasi yang paling banyak digunakan adalah interpolasi
polinom orde n.
Bentuk umum persamaan polinom orde n adalah sebagai berikut:
f ( x ) a 0 a1 x a 2 x 2 a3 x 3 ..... a n x n , a n 0 .......................
...........(1)
Untuk n+1 titik data hanya terdapat satu polinom orde n atau
kurang yang melalui sebuah titik. Misal polinom orde (1) terdapat 2
titik data dengan grafik garis lurus, dan polinom orde 2 terdapat 3
titik data dengan grafik berbentuk parabol. Di dalam operasi
interpolasi ditentukan suatu persamaan polinom orde n yang
melalui n+1 titik data yang kemudian digunakan untuk menentukan
suatu nilai di antara titik-titik data tersebut.
a.Interpolasi Linier
Interpolasi linier merupakan bentuk interpolasi yang paling
sederhana, yang hanya membutuhkan dua titik data.
f(x1) E
54
f(x) C
f(x0)
AX XB X D
0 1
sehingga
f 1 ( x) f ( x 0 ) f ( x1 ) f ( x0 )
x x0 x1 x 0
f ( x1 ) f ( x 0 )
f1 ( x) f ( x0 ) x x0
x1 x0
f ( x1 ) f ( x 0 )
f1 ( x) f ( x0 ) x x0 ..........................
x1 x0
55
f 2 ( x) b0 b1 ( x x 0 ) b2 ( x x0 )( x x1 ) ................
.........................(13)
f 2 ( x) merupakan polinom orde dua sehingga
fungsinya merupakan fungsi kuadrat.
dari titik data yang diketahui
( x 0 , f ( x 0 )), ( x1 , f ( x1 )), ( x 2 , f ( x 2 )), digunakan
f ( x 0 ) b0 .................................................................
.................... (14)
b0 f ( x0 )
o Hitung b1
Dengan mensubtitusi persamaan (14) ke persamaan
(13) dan subtitusi x x1 ke persamaan (13)
diperoleh
56
f ( x1 ) f ( x 0 ) b1 ( x1 x 0 ) b2 ( x1 x 0 )( x1 x1 )
f ( x1 ) f ( x 0 ) b1 ( x1 x 0 ) 0
b1 ( x1 x 0 ) f ( x1 ) f ( x 0 )
f ( x1 ) f ( x0 )
b1 f x1, x 0 .......... .......... .......... ....
x1 x 0
o Hitung b2
57
Substitusi persamaan 14 ke persamaan 15 dan juga
subtitusi x=x2 ke persamaan
58
f ( x1 ) f ( x0 )
f ( x2 ) f ( x0 ) x 2 x 0 b2 ( x 2
x1 x 0
f ( x1 ) f (
b2 ( x 2 x 0 )( x 2 x1 ) f ( x 2 ) f ( x 0 )
x1 x 0
f ( x1 ) f ( x 0 )
f ( x 2 ) f ( x0 ) x 2 x1
x1 x 0
f ( x1 ) f ( x 0 )
f ( x2 ) f ( x0 ) x 2 x1
x1 x 0
f ( x1 ) f ( x 0 )
f ( x 2 ) f ( x1 ) x 2 x1
x1 x 0
f ( x1 ) f ( x 0 )
f ( x 2 ) f ( x1 ) x 2 x1
x1 x 0
b2
( x 2 x 0 )( x 2 x1 )
f ( x 2 ) f ( x1 ) f ( x1 ) f ( x0 )
( x 2 x1 ) x1 x0
x2 x 0
f x 2, x1 f x1 , x 0
b2 .......... .......... .......... ........
x 2 x0
59
60
atau b2 f x2 , x1 , x0 maka
f 2 ( x) f ( x0 ) f x1 , x0 ( x x0 ) f x2 , x1 , x0 ( x x0 )( x x1 )
b0 b1 ( x x0 ) b2 ( x x0 )( x x1 )
f ( x1 ) f ( x0 )
f x1 , x0
x1 x0
f x 2, x1 f x1 , x0
f x 2 , x 1 , x0
x 2 x0
f ( x2 ) f ( x1 ) f ( x1 ) f ( x0 )
( x2 x1 ) x1 x0
( x 2 x0 )
f x3 , x 2 , x1 f x2 , x1 , x0
f x 3, x 2 , x 1 , x 0
x3 x 0
f x3, x2 f x 2 , x1 f x 2 , x1 , x0
x3 x 0
c. Interpolasi Polinomial
Untuk polinomial orde n digunakan n 1 titik data. Bentuk
umum Polinom orde n adalah
f n ( x) b0 b1 ( x x0 ) b2 ( x x0 )( x x1 )
....bn ( x x 0 )( x x1 )...( x x n 1 )...............................
b1 f [ x1 , x 0 ] ....................................................
........................19
61
b2 f [ x 2 , x1 , x 0 ] ...............................................
.........................20
bn f [ x n , x n 1 .....x1 , x 0 ] ..............................
...............................21
Dengan [] adalah pembagian beda hingga
n 3 maka
f 3 ( x ) b0 b1 ( x x 0 )( x x1 ) b3 ( x x 0 )( x x1 )( x x 2 )........
Dengan b0 f ( x0 )
f ( x1 ) f ( x0 )
b1 f [ x1 , x 0 ]
x1 x 0
f [ x 2 , x1 ] f [ x1 , x0 ]
b2 f [ x 2 , x1 , x 0 ]
x2 x0
b3 f [ x3 , x 2 , x1 , x 0 ]
f [ x3 , x 2 , x1 ] f [ x 2 , x1 , x 0 ]
x3 x0
( f [ x3 , x 2 f [ x 2 , x0 ]) f [ x 2 , x1 , x 0 ]
=
x3 x 0
62
Pembagian beda hingga kedua
f [ xi , x j ] f [ x j , x k ]
f [ xi , x j , x k ] .................................24
xi x k
5
Pembagian beda hingga ke-n
f [ x n , x n 1, ... x1 , x 0 ]
f [ x n , x n 1 ,....x1 ] f [ x n 1 ,....x1 , x 0 ]
................................
xn x0
...26
Bentuk pembagian beda hingga digunakan untuk menghitung
koefisien b0, b1,...,bn kemudian disubstitusikan ke dalam
persamaan (17). untuk mendapatkan interpolasi polinomial
ordo n.
fn(x ) =
f ( x0 ) f [ x1 , x 0 ]( x x 0 ) f [ x 2 , x1 , x0 ]( x x 0 )( x x1 ) f [ x3 ,
63
i xi f ( xi ) Pertama Kedua Ketiga
0 x0 f ( x0 ) f [ x1 , x 0 ] f [ x 2 , x1 , x 0 ] f [ x3 , x 2 , x1 , x 0 ]
1 x1 f ( x1 ) f [ x 2 , x1 ] f [ x3 , x 2 , x1 ] f [ x 4 , x3 , x 2 , x1 ]
f
2 x2 f ( x 2 ) f [ x3 , x 2 ] f [ x 4 , x3 , x 2 ]
3 x3 f ( x3 ) f [ x 4 , x3 ]
4 x4 f ( x4 )
..........................27
f ( x1 ) f ( x 0 )
f 1 [ x1 , x0 ]
x1 x 0
f ( x1 ) f ( x0 )
Atau f x1 , x0
x1 x0 x0 x1
................................................................28
Substitusi 27 ke 28
x x0 x x0
f 1 ( x) f ( x 0 ) f ( x1 ) f ( x0 )
x1 x0 x0 x1
64
x x1 x x0 x x0
f1 ( x0 ) 0 f ( x0 ) f ( x1 )
x0 x1 x0 x1 x1 x0
x x1 x x0
= f ( x 0 ) f ( x1 )
x x x x
0 1 1 0
.......................................................29
Dengan prosedur yang sama diperoleh IPL orde-orde sebagai
berikut
( x x1 )( x x 2 ) x x0 x x2
f 2 ( x) f ( x0 ) f (x )
( x0 x1 )( x0 x 2 ) x1 x0 x1 x2 1
( x x0 )( x x1 )
f ( x 2 ) ...........................................
( x 2 x0 )( x 2 x1 )
..........................30
( x x1 )( x x 2 )( x x3 ) ( x x 0 )( x x 2 )( x
f 3 ( x) f ( x0 )
( x0 x1 )( x0 x 2 )( x 0 x3 ) ( x1 x0 )( x1 x 2 )( x1
( x x 0 )( x x1 )( x x 3 ) ( x x 0 )( x x1 )( x
f ( x1 ) f (x2 )
( x 2 x 0 )( x 2 x1 )( x 2 x 3 ) ( x3 x 0 )( x3 x1 )( x
...........................31
65
n x xj
Li ( x)
j 0 xi x j
atau
n n
x xi
f n ( x) f ( xi )
i 0 j 0 xi x j
ji
2.5.1. Ekstrapolasi
Ekstrapolasi adalah penaksiran nilai f(x) untuk x yang terletak di
x0 1971 f ( x 0 ) 2295279
luar selang
x 1 titik data,
1990 fdan analisis
(x ) 3268644kecendrungan dari masalah
1
x 1980 f 1( x ) ........... ?
ekstrapolasi diarahkan dengan menggunakan polinomial
f ( x1 ) f ( x 0 )
f ( x)
interpolasi.
1 f ( x0 )
x1 x 0
x x0
3268644 2295279
2295279 (1980 1971)
1.1.1 Interpolasi Polinomial Newton
1990 1971
2756346,63
4.2.1.1selisih
Manual 2756,347
2756346,63 2737166
REInterpolasi dan2737166 x100
ekstrapolasi polinomial orde I
0,7%
x0 1971 f 1971 2295279
x1 2000 f 2000 3808477
x 1990 f 1 x ........... ?
3808477 2295279
f 1 ( x ) 2295279 (1990 1971)
2000 1971
3286684,59
selisih 18040,59
3286684,59 - 3268644
RE x100
3268644
0,5%
x0 1980 f 1980 2737166
x1 2000 f 2000 3808477
x 1990 f 1 x ........... ?
3808477 2737166
f1 ( x) 2737166 (1990 1980)
2000 1980
3272821,5
selisih 4177,5
3272821,5 - 3268644
RE x100
3268644
0,3%
66
Model pertumbuhan penduduk NTT berdasarkan Teknik
Ekstrapolasi yang diarahkan dengan polinom interpolasi
x0 1980 f 1980 2737166
x1 1990 f 1990 3268644
3268644 2737166
b1
10
53147.8
67
f1 x 2737166 53147.8(20)
3800122
Selisih = - 8355
Gallat =0,2%
68
Interpolasi dan ekstrapolasi polinomial orde 2
Ekstrapolasi kuadrat diarahkan dengan menggunakan
polinomial interpolasi orde 2
69
f x 2 , x1 f x1 , x 0
b2 f x 2 , x1 , x 0
x2 x0
53147,8 49098,5
1990 1971
4049,3
19
213,12
70
Prediksi jumlah penduduk pada tahun 2004
i xi Pertama
f ( xi ) Kedua Ketiga
0 197 2295279 49098,5 213,12 -5.908
1
1 198 2737166 53147,8 41,775f
0
2 199 326864 53983,3
0 4
3 200 380847
0 7
f ( x1 ) f ( x0 )
b1 f x1, x0
x1 x0
2737166 2295279
1980 1971
49098,5
f ( x2 ) f ( x1 )
f x2 , x1
x2 x1
3268644 2737166
1990 1980
53147,8
f x3 , x2 f x2 , x1
f x3 , x2 , x1
x3 x1
53983,3 53147,8
2000 1980
41,775
71
f x3 , x2 , x1 x2 , x1 , x0
b3 f x3 , x2 , x1 , x0
x3 x0
41,775 213,12
2000 1971
5,908
( x x1 )( x x2 ) x x0 x x2
f 2 ( x) 2295279 2737166
( x0 x1 )( x0 x 2 ) x1 x0 x1 x2
( x x 0 )( x x1 )
3268644 .....................................
( x 2 x 0 )( x 2 x1 )
................................30
73
Sedangkan model pertumbuhan penduduk NTT
berdasarkan polinom Langrange orde ke III
( x x1 )( x x 2 )( x x3 ) ( x x 0 )( x x 2 )( x x3 )
f 3 ( x) 2295279
( x0 x1 )( x0 x 2 )( x0 x3 ) ( x1 x 0 )( x1 x 2 )( x1 x3 )
( x x 0 )( x x1 )( x x3 ) ( x x 0 )( x x1 )( x x 2 )
2737166 3268644
( x 2 x 0 )( x 2 x1 )( x 2 x 3 ) ( x3 x 0 )( x 3 x1 )( x3 x 2 )
74
2004 1980 2004 1990 2004 2000
p3 x 2295279
1971 19801971 19901971 2000
2737166
2004 19871 2004 1990 2004 2000
1980 19711980 19901980 2000
3268644
2004 1971 2004 1980 2004 2000
1990 19711990 19801990 2000
3808477
2004 1971 2004 1980 2004 1990
2000 1971 2000 1980 2000 1990
2295279
2414 4 2737166 3314 4
9 19 29 9 10 10
3268644
33 24 4 3808477 33 2414
1910 10 29 2010
622071.985 2810157.093 5450033.785 7280757.410
4018808,733
4018809
4018809 4188774
RE
4188774
4.5%
75
76