CIVIL ENGINEERING

OLEH : REDY LIANSYAH

PENGAMPUH :ADHI SURYA, ST, MT

METODE
ANALISIS NUMERIK

UNIVERSITAS ISLAM KALIMANTAN MUHAMMAD ARSYAD AL

BANJARI BANJARMASIN

FAKULTAS TEKNIK

PROGRAM STUDI (S1) TEKNIK SIPIL

BANJARMASIN 2021
 MATA KULIAH

ANALISIS NUMERIK

PENGAMPUH :

ADHI SURYA, ST, MT

NIDN.1126058001
OLEH :
REDY LIANSYAH
NPM. 18640011

KEMENTRIAN RISET TEKNOLOGI DAN PERGURUAN TINGGI

UNIVERSITAS ISLAM KALIMANTAN MUHAMMAD ARSYAD AL

BANJARI

BANJARMASIN

FAKULTAS TEKNIK

PROGRAM STUDI (S1) TEKNIK SIPIL

BANJARMASIN 2021
 KATA PENGANTAR

Assalamu’alaikum Warahmatllahi Wabarakatuh

Puji dan syukur saya haturkan Ke Hadirat Tuhan Yang Maha Esa, karena atas
bimbingan-Nya saya dapat menyelesaikan makalah ini. Saya juga berterima kasih kepada
semua pihak yang telah membantu saya dalam menyusun makalah ini dengan baik.

Makalah ini memuat tentang permasalahan yang berkaitan dengan Analisis Numerik.
Saya berharap dengan menyelesaikan makalah ini pemahaman kita semua sebagai mahasiswa
atau para pembaca dapat memahami matematika. Saya juga berharap makalah ini dapat
bermanfaat bagi para pembaca, terutama rekan semahasiswa saya untuk lebih menambah
wawasan dan sarana informasi.

Saya sadar bahwa makalah ini jauh dari kata sempurna, untuk itu dengan rendah hati saya
memohon maaf apabila ada salah dalam penulisan makalah ini sekian dan terimakasih.

Wassalamu’alaikum Warahmatullahi Wabarakatuh

Banjarmasin, 21 Januari 2021

Redy Liansyah
 DAFTAR ISI

KATA PENGANTAR ......................................................................................................... i

DAFTAR ISI ........................................................................................................................ ii

BAB I PENGANTAR ANALISIS NUMERIK

1.1. Pengertian Numerik ................................................................................................... 1

1.2. Metode Numerik Secara Umum ................................................................................ 1

1.3. Metode Langsung dan Iteratif.................................................................................... 2

1.4. Deskretisasi ................................................................................................................ 2

1.5. Penciptaan dan Penambatan Galat ............................................................................. 3

BAB II BILANGAN & KESALAHAN (NUMBER & ERROR/GALAT)

2.1. Pengertian Bilangan & Kesalahan ............................................................................ 4

2.2. Sistem Bilangan ......................................................................................................... 4

2.3. Sistem Kesalahan Absolut & Relatif ......................................................................... 6

BAB III PERMASALAHAN AKAR PERSAMAAN DAN BEBERAPA METODE

3.1. Metode Tertutup ........................................................................................................ 7

3.2. Metode Biseksi .......................................................................................................... 8

3.3. Metode Newton-Raphson .......................................................................................... 9

3.4. Metode Secant ........................................................................................................... 10

BAB IV PERMASALAHAN PERSAMAAN LINEAR SIMULTAN

4.1. Metode Eliminasi Gauss ............................................................................................ 11

4.2 Metode Iterasi Gauss – Seidel. ................................................................................... 12

4.3 Metode Eliminasi Gauss – Jordan ............................................................................. 13

4.4. Metode LU Dekomposisi (Lower – Upper) .............................................................. 14

4.5. Metode Iterasi Jacobi ................................................................................................. 14

BAB V PERAMALAN (FORECASTING) DENGAN ARITMETIK, GEOMETRIK,
CHI-SQUARE DAN REGRESI

5.1Pengertian Peramalan atau Forecasting ....................................................................... 15

5.2 Metode Aritmatika...................................................................................................... 16

5.3 Metode Geometrik ...................................................................................................... 16

5.4 Metode Chi-Square ..................................................................................................... 17

5.5 Metode Regresi ........................................................................................................... 17

BAB VI LATIHAN SOAL DAN TANYA JAWAB MATERI P2 (MATERI BILANGAN

DAN KESALAHAN) DAN P3 (MATERI PERMASALAHAN AKAR PERSAMAAN)

6.1 Latihan Soal Materi Bilangan Kesalahan .................................................................. 18

6.2 Latihan Soal Materi Permasalahan Akar Persamaan .................................................. 19

BAB VII LATIHAN SOAL DAN TANYA JAWAB MATERI P4 (PERMASALAHAN

PERSAMAAN LINEAR SIMULTAN) DAN P5 (PERAMALAN (FORECASTING)
DENGAN ARITMATIKA, GEOMETRIK, CHI-SQUARE DAN REGRESI

7.1 Latihan Soal Materi Permasalahan Linier Simultan ................................................... 20

7.2 Latihan Soal Materi Peramalan (Forecasting) ............................................................ 22

KESIMPULAN ....................................................................................................................

DAFTAR PUSTAKA ..........................................................................................................

PROFIL ................................................................................................................................
 BAB 1

PENGANTAR ANALISIS NUMERIK

1.1 Pengertian Numerik

Analisis numerik adalah studi algoritme untuk memecahkan masalah dalam

matematika kontinu (sebagaimana dibedakan dengan matematika diskret) Salah satu
tulisan matematika terdini adalah loh Babilonia YBC 7289, yang memberikan hampiran
numerik seksagesimal dari kuadrat 2, panjang diagonal dari persegi satuan. Kemampuan
untuk dapat menghitung sisi segitiga (dan berarti mampu menghitung akar kuadrat)
sangatlah penting, misalnya, dalam pertukangan kayu dan konstruksi.
Analisis numerik melanjutkan tradisi panjang perhitungan praktis matematika ini.
Seperti hampiran orang Babilonia terhadap kuadrat 2, analisis numerik modern tidak
mencari jawaban eksak, karena jawaban eksak dalam praktiknya tidak mungkin diperoleh.
Sebagai gantinya, kebanyakan analisis numerik memperhatikan bagaimana memperoleh
pemecahan hampiran, dalam batas galat yang beralasan.
Analisis numerik secara alami diterapkan di semua bidang rekayasa dan ilmu-ilmu
fisis, tetapi pada abad ke-21, ilmu-ilmu hayati dan seni mulai mengadopsi unsur-unsur
komputasi ilmiah. Persamaan diferensial biasa muncul dalam pergerakan benda langit
(planet, bintang dan galaksi. Optimisasi muncul dalam pengelolaan portofolio. Aljabar
linear numerik sangat penting dalam psikologi kuantitatif. Persamaan diferensial stokastik
dan rantai Markov penting dalam mensimulasikan sel hidup dalam kedokteran dan biologi
sebelum munculnya komputer modern metode numerik kerap kali tergantung pada
interpolasi menggunakan pada tabel besar yang dicetak. Sejak pertengahan abad ke-20,
sebagai gantinya, komputer menghitung fungsi yang diperlukan. Namun algoritme
interpolasi mungkin masih digunakan sebagai bagian dari peranti lunak untuk
memecahkan persamaan diferensial.

1.2 Metode Numerik Secara Umum

Metode numerik merupakan suatu metode untuk menyelesaikan masalah-masalah

matematika dengan menggunakan sekumpulan aritmatik sederhana dan operasi logika
pada sekumpulan bilangan atau data numerik yang diberikan. Metode komputasi yang
digunakandisebut algoritma. Proses penyelesaiannya mungkin memerlukan puluhan
bahkan sampai jutaan operasi, tergantung pada kompleksitas masalah yang harus
diselesaikan, tingkat keakuratan yang diinginkan dan seterusnya.
Pendekatan yang digunakan dalam metode numerik merupakan pendekatan analitis
matematis. Sehingga dasar pemikirannya tidak keluar dari dasar pemikiran analitis, hanya
saja teknik perhitungan yang mudah merupakan pertimbangan dalam pemakaian metode
numerik. Mengingat bahwa algoritma yang dikembangkan dalam metode numerik adalah
algoritma pendekatan maka dalam algoritma tersebut akan muncul istilah iterasi yaitu
pengulangan proses perhitungan. Dengan kata lain perhitungan dengan metode numerik
 adalah perhitungan yang dilakukan secara berulang-ulang untuk terus-menerus
memperoleh hasil yang semakin mendekati nilai penyelesaian yang sebenarnya. Dengan
menggunakan metode pendekatan semacam ini, tentunya setiap nilai hasil perhitungan
akan mempunyai galat (error) atau nilai kesalahan. Kesalahan ini penting artinya, karena
kesalahan dalam pemakaian algoritma pendekatan akan menyebabkan nilai kesalahan
yang besar, tentunya ini tidak diharapkan. Sehingga pendekatan metode numerik selalu
membahas tingkat kesalahan dan tingkat kecepatan proses yang akan terjadi. Masalah-
masalah matematika yang sering kita hadapi merupakan masalah matematika yang
diselesaikan dengan metode analitik atau metode sejati, yaitu suatu metode yang
memberikan solusi sejati atau solusi yang sesungguhnya, karena memiliki galat (error)
yang bernilai nol.
Tetapi penyelesaian dengan menggunakan metode analitik hanya terbatas pada
masalah tertentu saja. Tujuan keseluruhan bidang analisis numerik adalah perancangan
dan analisis teknik untuk mendapatkan solusi hampiran yang akurat terhadap masalah-
masalah yang sukar.
Contoh masalah-masalah tersebut akan dipaparkan di bawah.
 Metode numerik lanjut sangat penting dalam membuat prakiraan cuaca numerik
yang layak
 Perhitungan trajektori wahana antariksa mensyaratkan pemecahan numerik yang
akurat dari sistem persamaan diferensial biasa.
 Perusahaan otomotif dapat meningkatkan keamanan kendaraan dengan
menggunakan simulasi tabrakan kendaraan. Simulasi seperti ini pada dasarnya
terdiri dari pemecahan persamaan diferensial parsial secara numerik.
 Lembaga dana investasi pribadi menggunakan alat-alat dari seluruh bidang
 Analisis numerik untuk menghitung nilai saham dan derivatif yang lebih tepat
daripada peserta pasar lainnya
 Maskapai penerbangan menggunakan algoritme optimisasi canggih untuk
menentukan harga tiket, pesawat terbang dan penugasan awak, serta keperluan
bahan bakar. Bidang ini juga dinamakan riset operasi
 Perusahaan asuransi menggunakan program numerik untuk analisis aktuaria.

1.3 Metode Langsung dan Iteratif

Metode langsung menghitung pemecahan suatu masalah dalam jumlah langkah

terhingga. Metode ini akan memberikan jawaban persis bila dilakukan dalam hitungan
dengan ketepatan takhingga. Contohnya adalah eliminasi Gauss, metode pemfaktoran QR
untuk memecahkan sistem persamaan linear, dan metode simpleks untuk pemrograman
linear. Pada praktiknya, yang digunakan adalah perhitungan ketepatan hingga (titik
kambang) dan hasilnya adalah hampiran terhadap pemecahan sebenarnya (dengan andaian
tercapai kestabilan numerik). Berbeda dengan metode langsung, metode iteratif tidak
diharapkan akan berakhir dalam jumlah langkah terhingga. Dimulai dari tebakan awal,
metode iteratif menghasilkanhampiran yang secara berturut-turut akan konvergen ke
pemecahan eksak. Uji kekonvergenan dilakukan untuk memutuskan kapan pemecahan
 yang cukup akurat dapat dicapai. Bahkan dengan menggunakan aritmetika ketepatan
takhingga sekali pun metode seperti ini secara umum tidak akan mencapai pemecahan
dalam jumlah langkah terhingga. Contohnya termasuk metode Newton, metode bagi dua,
dan iterasi Jacobi. Dalam aljabar komputasi matriks, metode iteratif biasanya diperlukan
untuk masalah besar dalam analisis numerik metode iteratif lebih jamak daripada metode
langsung. Beberapa metode pada intinya adalah langsung, tetapi biasanya diterapkan
seolah-olah bukan, seperti GMRES dan metode gradien sekawan. Untuk metode-metode
ini jumlah langkah yang diperlukan untuk mencapai solusi eksak sangat besar sehingga
hampiran dapat diterima seperti pada metode iteratif.

1.4 Dikresitasi

Masalah kontinu kadang-kadang mesti digantikan dengan masalah diskret yang

solusinya diketahui menghampiri masalah kontinu. Proses seperti ini dinamakan
diskretisasi. Sebagai contoh, solusi persamaan diferensial adalah sebuah fungsi. Fungsi ini
mesti direpresentasikan oleh data dalam jumlah terhingga, misalnya oleh nilai-nilainya
pada sejumlah terhingga titik dalam domainnya, meskipun domainnya adalah malaran.

1.5 Penciptaan dan Penambatan Galat

Galat pemenggalan dilakukan ketika metode iteratif diakhiri atau prosedur

matematika dihampiri, dan pemecahan hampiran berbeda dengan pemecahan eksak. Mirip
dengan hal ini, galat diskretisasi terjadi karena pemecahan masalah diskret tidak sama
dengan pemecahan masalah kontinu. Sebagai contoh pada iterasi untuk menghitung
pemecahan persamaan 3x^{3}+4=28} 3x^{3}+4=28}, setelah 10 atau lebih iterasi, kita
menyimpulkan bahwa akarnya kira-kira 1,99.
Dengan demikian kita memiliki galat pemenggalan 0,01. Sekali galat diciptakan, galat ini
akan merambat ke seluruh perhitungan. Sebagai contoh, kita telah mengetahui bahwa
operasi + pada kalkulator atau komputer tidaklah eksak. Karena itu penghitungan
a+b+c+d+e lebih tidak eksak lagi.
Apa artinya ketika kita mengaktan bahwa galat pemenggalan diciptakan ketika kita
menghampiri sebuah prosedur matematika? Kita mengetahui bahwa untuk
mengintegralkan fungsi dengan eksak kita perlu mengetahui jumlahan trapesium yang
banyaknya takhingga. Namun secara numerik kita hanya dapat menemukan jumlahan
trapesium hingga, dan karena itu hanyalah hampiran dari prosedur matematika itu. Mirip
dengan hal itu, untuk menurunkan suatu fungsi, elemen diferensial mendekati nol, tetapi
secara numerik kita hanya dapat memilih nilai hingga dari elemen diferensial.
 BAB II

BILANGAN & KESALAHAN (NUMBER & ERROR/GALAT)

2.1 PENGERTIAN BILANGAN & KESALAHAN

Bilangan adalah suatu konsep matematika yang digunakan dalam pencacahan dan
pengukuran. Simbol ataupun lambang yang digunakan untuk mewakili suatu bilangan
disebut sebagai angka atau lambang bilangan. Dalam matematika, konsep bilangan selama
bertahun-tahun lamanya telah diperluas untuk meliputi bilangan nol, bilangan negatif,
bilangan rasional, bilangan irasional, dan bilangan kompleks.
Kesalahan merupakan bentuk penyimpangan dari hal benar dan sifatnya sistematis,
konsisten maupun insidental pada bagian tertentu (Agustia, Ndia, & Ikman, 2016). Terkait
dengan pembelajaran matematika, siswa banyak melakukan kesalasan salah satunya pada
saat menyelesaikan soal matematika (Rahmania & Rahmawati, 2016).

2.2 SISTEM BILANGAN

› Sistem bilangan (numeral system) adalah sistem tulisan untuk mengungkapkan angka,
yaitu notasi matematis untuk mewakili nomor dari satu set tertentu, menggunakan angka
atau simbol-simbol lainnya secara konsisten.
› Simbol "11" harus ditafsirkan sebagai simbol biner untuk tiga, simbol desimal untuk
sebelas atau simbol untuk nomor lainnya dalam basis yang berbeda.
› Simbol „11‟ dan „XI‟ adalah simbol yang berbeda tetapi dapat mempunyai tafsir yang
sama yaitu sebagai representasi angka „sebelas‟ jika simbol „11‟ sebagai simbol desimal,
sedangkan simbol „XI‟ sebagai simbol angka Romawi.
› Nomor yang mewakili angka disebut nilainya.

2.2.1 PENYAJIAN SISTEM BILANGAN BULAT

› Bilangan bulat yang sering digunakan adalah bilangan bulat dalam sistem bilangan
desimal yang didefiniskan:
𝑁 = (𝑎𝑛𝑎𝑛−1𝑎𝑛−2 … . 𝑎0)c
𝑁 = 𝑎𝑛10𝑛 + 𝑎𝑛−110𝑛−1 + 𝑎𝑛−210𝑛−2 + ⋯ + 𝑎0100
Contoh: 2673 = 2.103 + 6.102 + 7.101 +3.100
› Bilangan bulat dengan bilangan dasar c didefinisikan dengan:
𝑁 = 𝑎𝑛𝑎𝑛−1𝑎𝑛−2 … . 𝑎0 𝑐
𝑁 = 𝑎𝑛𝑐𝑛 + 𝑎𝑛−1𝑐𝑛−1 + 𝑎𝑛−2𝑐𝑛−2 + ⋯ + 𝑎0𝑐0
 › Bilangan biner dapat diformulisikan menggunakan rumus di atas dengan mengganti c
dengan 2, sehingga:
𝑁 = (𝑎𝑛𝑎𝑛−1𝑎𝑛−2 … . 𝑎0 2)
𝑁 = 𝑎𝑛2𝑛 + 𝑎𝑛−12𝑛−1 + 𝑎𝑛−22𝑛−2 + ⋯ + 𝑎020
Contoh: (1101)2 = 1.23 + 1.22 + 0.21 + 1.22

2.2.2 KONVERSI BILANGAN BULAT

› Algoritma:

› Algoritma ini banyak digunakan untuk menghitung konversi bilangan secara cepat karena
tidak menggunakan pangkat yang membuat kesalahan numerik menjadi lebih besar.
› Contoh: Konversi bilangan biner (1101)2 ke desimal dapat dihitung:
b3 = 1
b2 = a2 + b3 B = 1 + 1.2 = 3
b1 = a1 + b2 B = 0 + 3.2 = 6
b0 = a0 + b1 B = 1 + 6.2 = 13

Jadi (1101)2 = 13
(1101)2 = 1x23 + 1x22 + 0x21 + 1x20= 8 + 4 + 0 + 1 = 13

2.2.3 KONVERSI BILANGAN BULAT

› Contoh: Konversi bilangan oktal (721)8 ke desimal

b2 = 7 › Latihan:

– (187)10 = (……..)2
b1 = a1 + b2 B = 2 + 7.8 = 58
– (530)8 = (……..)2
b0 = a0 + b1 B = 1 + 58.8 = 465
– (1022)8 = (……..)10
Jadi (721)8 = 465
– (101101)2 = (……..)8

– (530)10 = (……..)8
 2.2.4 ANGKA SIGNIFIKAN (ANGKA BENA)

› Angka signifikan merupakan banyaknya digit yang diperhitungkan di dalam suatu

kuantitas yang diukur atau dihitung.

› Ketika angka signifikan digunakan, digit terakhir dianggap tidak pasti. Ketidakpastian
dari digit terakhir tergantung pada alat yang digunakan dalam suatu pengukuran.

› Aturan penulisan angka signifikan:

– Setiap angka yang tidak nol merupakan angka signifikan. Contoh: 91 memiliki 2 angka
signifikan (9 dan 1) dan 123,45 memiliki 5 angka signifikan (1,2,3,4dan 5).

– Angka-angka nol yang terletak di antara angka bukan nol merupakan angka signifikan.
Contoh: 2,008 memiliki 4 angka signifikan (2, 0, 0, dan 8).

– Angka nol terakhir di sebelah kanan koma desimal merupakan angka signifikan.
Seperti 10.070 memiliki lima angka signifikan.

– Angka nol di sebelah kiri dari angka pertama bukan nol merupakan angka tak
signifikan. Contoh: 0,00008 memiliki 1 angka signifikan (8).

– Nol yang terdapat di ujung dari deret angka dan disebelah kiri dari koma desimal dapat
atau tidak dapat menjadi angka signifikan.

2.3 SISTEM KESALAHAN ABSOLUT & RELATIF

› Kesalahan absolut menunjukkan besarnya perbedaan antara nilai eksak dengan nilai
perkiraan.

𝑒 = [𝑥 – 𝑥]

› Kesalahan absolut tidak menunjukkan besarnya tingkat kesalahan, tetapi hanya sekedar
menunjukkan selisih perbedaan antara nilai eksak dengan nilai perkiraan.

› Kesalahan relatif menunjukkan besarnya tingkat kesalahan antara nilai perkiraan dengan
nilai eksaknya yang dihitung dengan membandingkan kesalahan absolut terhadap nilai
eksaknya.

∈=𝑒/𝑥 ∗ 100%

𝑥 = nilai eksak (nilai yang sebenarnya)

𝑒 = nilai kesalahan mutlak

∈ = nilai kesalaha relatif

› Semakin kecil kesalahan relatifnya, maka nilai perkiraan yang diperoleh akan semakin baik.
CONTOH LATIHAN SOAL :

› Diketahui deret MacLaurin untuk cos x:

Cos x = 1 - x2/2! + x4/4! – x6/6! + ....

Tentukan nilai taksiran kesalahannya apabila penghitungan

dilakukan hanya dengan memperhitung
0,525322}.

› Bulatkan angka-angka berikut hingga ketelitian yang diinginkan dan berapa tingkat
kesalahan hasil pembulatan:

a. 12.934,5000 ( seperseribuan terdekat)

b. 100.001,99 (ribuan terdekat)

c. 2,71828200 (seperseratusan terdekat)

d. 0,55555 (sepersejutaan terdekat)

e. 96,50000 (satuan terdekat)

f. 76,66666 (puluhan terdekat)

 BAB III

PERMASALAHAN AKAR PERSAMAAN DAN BEBERAPA METODE

3.1 METODE TERTUTUP

Metode tertutup disebut juga metode bracketing. Disebut sebagai metode tertutup karena
dalam pencarian akar-akar persamaan non-linier dilakukan dalam suatu selang [a,b].

3.1.1 Metode Tabel

Penyelesaian persamaan non-linier menggunakan metode tabel dilakukan dengan

membagi persamaan menjadi beberapa area, dimana untuk x=[a,b]dibagi sebanyak N
bagian dan pada masing-masing bagian dihitung nilai f(x) sehingga diperoleh nilai f(x)
pada setian N bagian.

Bila nilai f(xk)=0 atau mendekati nol, dimana a≤ k≤ b, maka dikatakan bahwa xk
adalah penyelesaian persamaan f(x). Bila tidak ditemukan, dicari nilai f(xk) dan
f(xk+1)yang berlawanan tanda. Bila tidak ditemukan, maka persamaan tersebut dapat
dikatakan tidak mempunyai akar untuk rentang [a,b].

Bila akar persamaan tidak ditemukan, maka ada dua kemungkinan untuk menentukan
akar persamaan, yaitu:

1. Akar persamaan ditentukan oleh nilai mana yang lebih dekat. Bila f(xk)≤f(xk+1),
maka akarnya xk. Bila f(xk+1)≤f(xk), maka akarnya xk+1.
2. Perlu dicari lagi menggunakan rentang x=[xk,xk+1].

Secara grafis penyelesaian persamaan non-linier menggunakan metode table disajikan

pada Gambar 3.1.1.
3.2 METODE BISEKSI

Prinsip metode bagi dua adalah mengurung akar fungsi pada interval x=[a,b] atau
pada nilai x batas bawah a dan batas atas b. Selanjutnya interval tersebut terus menerus
dibagi 2 hingga sekecil mungkin, sehingga nilai hampiran yang dicari dapat ditentukan
dengan tingkat toleransi tertentu.

Metode Biseksi adalah cara menyelesaikan persamaan non-linier dengan membagi dua
nilai x1 dan x2 dilakukan berulang-ulang sampai nilai x lebih kecil dari nilai tolerasi yang
ditentukan. Metode biseksi melakukan pengamatan terhadap nilai f(x) dengan berbagai
nilai x, yang mempunyai perbedaan tanda.

Untuk lebih memahami metode biseksi, perhatikan visualisasi pada Gambar 3.2

metode biseksi merupakan metode yang paling mudah dan paling sederhana dibanding
metode lainnya. adapun sifat metode ini antara lain:

1. konvergensi lambat
2. caranya mudah
3. tidak dapat digunakan untuk mencari akar imaginer
4. hanya dapat mencari satu akar pada satu siklus.

3.2.1 Metode Regula Falsi

Metode regula falsi merupakan metode yang menyerupai metode biseksi, dimana iterasi
dilakukan dengan terus melakukan pembaharuan rentang untuk memperoleh akar
persamaan. Hal yang membedakan metode ini dengan metode biseksi adalah pencarian akar
didasarkan pada slope (kemiringan) dan selisih tinggi dari kedua titik rentang. Titik
pendekatan pada metode regula-falsi disajikan pada Persamaan.
 Algoritma Metode Regula Falsi

1. Definisikan fungsi f(x)

2. Tentukan rentang untuk x yang berupa batas bawah adan batas atas b.
3. Tentukan nilai toleransi Medan iterasi maksimum N
4. Hitung f(a) dan f(b)
5. Untuk iterasi i=1 s/d N
 Hitung nilai x berdasarkan
 Hitung f(x)
 Hitung error=|f(x)|
 Jika f(x).f(a)<0 , maka b=X dan f(b)=f(x). Jika tidak, a=x dan f(a)=f(x).
6. Akar persamaan adalah x

Algoritma Biseksi

1. Algoritma Biseksi Pertama Tentukan a 1 dan b 1, dan δ

2. Algoritma Biseksi Pertama Tentukan a 1 dan b 1, dan δ Kedua Tentukan n terkecil
yang memenuhi ( ) 1 n 2δ 2 L
3. Algoritma Biseksi Pertama Tentukan a 1 dan b 1, dan δ Kedua Tentukan n terkecil
yang memenuhi ( ) 1 n 2δ 2 L ketiga Penentuan λ k adalah sebagai berikut: λ k = a k +
bk2
4. Algoritma Biseksi Pertama Tentukan a 1 dan b 1, dan δ Kedua Tentukan n terkecil
yang memenuhi ( ) 1 n 2δ 2 L ketiga Penentuan λ k adalah sebagai berikut: λ k = a k +
b k 2 keempat Kondisi 1: Jika f (λ k ) > 0, λ k = b k+1 dan a k = a k+1 Kondisi 2: Jika f
(λ k ) < 0, λ k = a k+1 dan b k = b k+1
5. Algoritma Biseksi Pertama Tentukan a 1 dan b 1, dan δ Kedua Tentukan n terkecil
yang memenuhi ( ) 1 n 2δ 2 L ketiga Penentuan λ k adalah sebagai berikut: λ k = a k +
b k 2 keempat Kondisi 1: Jika f (λ k ) > 0, λ k = b k+1 dan a k = a k+1 Kondisi 2: Jika f
(λ k ) < 0, λ k = a k+1 dan b k = b k+1 kelima iterasi berhenti ketika b k a k < 2δ.

3.3 METODE NEWTON-RAPHSON

Metode Newton-Raphson merupakan metode penyelesaian persamaan non-linier

dengan menggunakan pendekatan satu titik awal dan mendekatinya dengan memperhatikan
slope atau gradien.
 Algoritma Metode Newton-Raphson

1. Definisikan f(x) dan f′(x)

2. Tentukan nilai toleransi edan iterasi masimum (N)
3. Tentukan tebakan awal x0
4. Hitung
5. f(x0) dan f′(x0)
6. Untuk iterasi i=1 s/d N atau |f(x)|≥e, hitung x
7. Akar persamaan merupakan nilai xi terakhir yang diperoleh.

3.4 METODE SECANT

Metode Secant merupakan perbaikan dari metode regula-falsi dan Newton Raphson,
dimana kemiringan dua titik dinyatakan secara diskrit dengan mengambil bentuk garis lurus
yang melalui satu titik.

Algoritma Metode Secant

1. Definisikan f(x) dan f′(x)

2. Tentukan nilai toleransi e dan iterasi masimum (N)
3. Tentukan tebakan awal x0 dan x1
4. Hitung f(x0) dan f(x1)
5. Untuk iterasi i=1 s/d N atau |f(x)|≥e, hitung x
6. Akar persamaan adalah nilai x yang terakhir.

Metode Biseksi adalah cara menyelesaikan persamaan non-linier dengan membagi dua
nilai x1 dan x2 dilakukan berulang-ulang sampai nilai x lebih kecil dari nilai tolerasi yang
ditentukan. Metode biseksi melakukan pengamatan terhadap nilai f(x) dengan berbagai nilai
x, yang mempunyai perbedaan tanda.

Algoritma Biseksi

1. Algoritma Biseksi Pertama Tentukan a 1 dan b 1, dan δ

2. Algoritma Biseksi Pertama Tentukan a 1 dan b 1, dan δ Kedua Tentukan n terkecil yang
memenuhi ( ) 1 n 2δ 2 L
3. Algoritma Biseksi Pertama Tentukan a 1 dan b 1, dan δ Kedua Tentukan n terkecil yang
memenuhi ( ) 1 n 2δ 2 L ketiga Penentuan λ k adalah sebagai berikut: λ k = a k + b k 2
4. Algoritma Biseksi Pertama Tentukan a 1 dan b 1, dan δ Kedua Tentukan n terkecil yang
memenuhi ( ) 1 n 2δ 2 L ketiga Penentuan λ k adalah sebagai berikut: λ k = a k + b k 2
keempat Kondisi 1: Jika f (λ k ) > 0, λ k = b k+1 dan a k = a k+1 Kondisi 2: Jika f (λ k )
< 0, λ k = a k+1 dan b k = b k+1
5. Algoritma Biseksi Pertama Tentukan a 1 dan b 1, dan δ Kedua Tentukan n terkecil yang
memenuhi ( ) 1 n 2δ 2 L ketiga Penentuan λ k adalah sebagai berikut: λ k = a k + b k 2
keempat Kondisi 1: Jika f (λ k ) > 0, λ k = b k+1 dan a k = a k+1 Kondisi 2: Jika f (λ k )
< 0, λ k = a k+1 dan b k = b k+1 kelima iterasi berhenti ketika b k a k < 2δ.
 BAB IV

PERMASALAHAN PERSAMAAN LINEAR SIMULTAN

4.1 METODE ELIMINASI GAUSS

Eliminasi Gauss adalah suatu metode untuk mengoperasikan nilai-nilai di dalam

matriks sehingga menjadi matriks yang lebih sederhana lagi. Ini dapat digunakan
sebagai salah satu metode penyelesaian persamaan linear dengan menggunakan
matriks.
Suatu matriks memiliki bentuk eselon baris jika memenuhi 3 kriteria berikut :
1. Jika didalam baris terdapat elemen-elemen yang tidak semuanya nol, maka
bilangan tak nol pertama di dalam baris tersebut adalah 1.
2. Nah kalau ada baris-baris yang semua elemennya bernilai 0 semua, maka baris-
baris tersebut harus dikelompokkan dan diletakkan dibagian bawah matriks.
3. Jika terdapat dua baris berurutan yang memenuhi kriteria pertama, maka angka 1
(pertama/utama) dari baris yang lebih rendah berada lebih kekanan dari angka
1(pertama/utama) baris yang diatasnya.

Gambaran diatas merupakan ilustrasi proses pemecahan Sistem Persamaan

Linear (SPL), dimana urutan langkah-langkahnya dinamakan “Eliminasi Gauss”
dan operasi yang dilakukan dinamakan “Operasi Baris Elementer (OBE)” dimana
eliminasi gauss ini bertujuan membentuk Eselon Baris.
Contoh 1 (Solusi Tunggal)
Diberikan sistem persamaan linear sebagai berikut :
2x+5y+3z=1
3x+4y+2z=-33x+4y+2z=−3
x+3y+z=2x+3y+z=2
Tentukan pemecahan sistem persamaan linear di atas dengan metode eliminasi
gauss.
Penyelesaian :
Mula-mula kita representasikan sistem tersebut kedalam bentuk matriks.
Kita akan membuat 1 pertama pada baris pertama dengan beberapa pilihan operasi :
 1. Kita bisa menukar baris ke-1 dengan baris ke-3, dinotasikan R_{1}
\leftrightarrow R_{3}R 1↔R3
2. Dengan mengganti baris ke-1 dengan hasil kali baris ke-1dengan
\frac{1}{2}21dinotasikan : \frac{1}{2}R_{1} \rightarrow R_{1} 21R 1→R 1

4.2 METODE ITERASI GAUSS – SEIDEL

Metode Gauss-Seidel digunakan untuk menyelesaikan sistem persamaan linear

(SPL) berukuran besar dan proporsi koefisien nolnya besar, seperti sistem-sistem yang
banyak ditemukan dalam sistem persamaan diferensial. Metode iterasi Gauss-Seidel
dikembangkan dari gagasan metode iterasi pada solusi persamaan tak linier.

Algoritme Iterasi Gauss-Seidel

Untuk menyelesaikan sistem persamaan linier AX = b dengan A adalah matriks
koefisien n × n, b vektor konstanta n × 1, dan X vektor n × 1 yang perlu di cari.
INPUT: n, A, b dan hampiran awal Y = (y1 y2 y3 ...yn)T, batas toleransi T dan
maksimum iterasi N.
OUTPUT: X = (x1 x2 x3 ...xn)T atau pesan "gagal".
LANGKAH-LANGKAH:
1. Set penghitung iterasi k = 1
2. WHILE k <= N DO
(a) FOR i = 1, 2, 3, ..., n, (b) Set X = (x1 x2 x3 ...xn)T
(c) IF ||X - Y|| < T THEN STOP
(d) Tambah penghitung iterasi, k = k + 1
(e) FOR i = 1, 2, 3, ..., n, Set yi = xi
(f) Set Y = (y1 y2 y3 ...yn)T
3. Tulis pesan "metode gagal setelah N iterasi"
4. STOP.

Implementasi dengan MATLAB

function [X1,g,H] = seidel(A,b,X0,T,N)

H = X0';

n = length(b);

X1 = X0 ;

for k=1:N,

for i=1:n,

S=b(i)-A(i,1:i-1)*X1(1:i-1)-A(i,i+1:n)*X0(i+1:n);

X1(i)=S/A(i,i);

endg=abs(X1-X0);
 err=norm(g);

relerr=err/(norm(X1)+eps);

X0=X1;

H=[H,X0'];

if(err<T)|(relerr<T),break,end

4.3 METODE ELIMINASI GAUSS – JORDAN

Eliminasi Gauss-Jordan adalah prosedur pemecahan sistem persamaan linear
dengan mengubahnya menjadi bentuk matriks eselon baris tereduksi dengan Operasi
Baris Elementer.
Perhatikan ilutrasi berikut :

Bentuk Eselon Baris Tereduksi

Matriks Eselon Baris Tereduksi adalah sebuah bentuk matriks eselon baris yang
lebih disederhanakan yang bertujuan agar lebih mudah dalam pencarian pemecahan
(solusi) dari suatu sistem persamaan .
Agar mencapai bentuk eselon baris tereduksi diperlukan 4 sifat yang terdiri 3 sifat
bentuk eselon baris dan 1 sifat khusus.
Berikut 4 sifat agar terbentuk eselon baris tereduksi :
1. Jika suatu baris yang semua elemennya tidak nol semua, maka bilangan tidak nol
pertama dalam baris tersebut adalah 1. Bisa kita sebut dengan 1 utama/pertama.
2. Jika terdapat baris yang semuanya elemennya bernilai nol, maka semua baris yang
seperti itu harus dikelompokkan dan diletakkan di bawah matriks.
3. Setiap dua baris yang berurutan yang memenuhi sifat ke-1, maka 1 utama dalam
baris yang lebih rendah letaknya harus lebih kekanan dari 1 utama dalam baris
yang lebih tinggi.
4. Sifat ke-4 ini merupakan sifat khusus yaitu setiap kolom yang mengandung 1
utama maka elemen-elemen lain selain 1 utama bernilai nol.
 Penerapan Eliminasi Gauss-Jordan

Eliminasi gauss-jordan akan lebih terasa bermanfaat jika sistem persamaan linear
tersebut terdiri dari banyak persamaan dan variabel, semisal sistem tersebut
mempunyai 5 persamaan dan 5 variabel di dalamnya. Selain itu, eliminasi gauss dan
eliminasi gauss-jordan juga dapat diterapkan pada sistem persamaan taklinear tertentu.

Sebenarnya pemecahan SPL dengan metode eliminasi gauss-jordan sudah

diterapkan pada postingan sebelumnnya, yaitu pada materi Pemecahan SPL dengan
Operasi Baris Elementer yang mana terdapat 3 contoh unik (solusi tunggal, banyak
solusi dan tidak punya solusi). Ketiga contoh tersebut dikerjakan dengan prosedur
eliminasi gauss-jordan yang dilakukan secara jelas dan runtut.

4.4. METODE LU DEKOMPOSISI (LOWER – UPPER)

• Jika matriks A non-singular maka ia dapat difaktorkan (diuraikan atau di-

dekomposisi) menjadi matriks segitiga bawah L (lower) dan matriks segitiga atas U
(upper):
A = LU
• Sekali A difaktorkan menjadi L dan U, kedua matriks tersebut dapat digunakan untuk
menyelesaikan Ax = b.
• Metode penyelesaian SPL dengan cara ini dikenal dengan nama metode dekomposisi
LU.
• Metode ini dinamakan juga metode pemfaktoran segitiga (triangular factorization).
•K menyelesaikan persamaan linear serentak ordo
tinggi, dengan hasil yang sangat mendekati nilai eksaknya.
• Kelemah kompleks.
Langkah-langkah menghitung solusi SPL dengan metode dekomposi LU dapat
diringkas sebagai berikut:
1. Bentuklah matriks L dan U dari A
2. Pecahkan Ly = b, lalu hitung y dengan teknik penyulihan
3. Pecahkan Ux = y, lalu hitung x dengan teknik penyulihan mundur

4.5. METODE ITERASI JACOBI

Metode iterasi Jacobi merupakan salah satu metode tak langsung, yang bermula
dari suatu hampiran Metode iterasi Jacobi ini digunakan untuk menyelesaikan
persamaan linier yang proporsi koefisien nol nya besar. Iterasi dapat diartikan sebagai
suatu proses atau metode yang digunakan secara berulang-ulang (pengulangan) dalam
menyelesaikan suatu permasalahan matematika ditulis dalam bentuk . Pada metode
iterasi Gauss-Seidel, nilai-nilai yang paling akhir dihitung digunakan di dalam semua
perhitungan.
Kalau kita mengubah dalam Sistem Persamaan Linear, maka dapat ditulis sebagai
berikut
Kemudian, diketahui bahwa [A=D+ (L+U)]
 BAB V
PERAMALAN (FORECASTING) DENGAN ARITMETIK, GEOMETRIK, CHI-
SQUARE DAN REGRESI

5.1 PENGERTIAN PERAMALAN ATAU FORECASTING

Peramalan atau forecasting yaitu aktivitas memprediksi atau memperkirakan apa yang
akan terjadi di masa yang akan datang dengan waktu yang relatif lama. Pengertian lain dari
peramaan (forecasting) adalah suatu teknik analisa perhitungan yang dilakukan dengan
pendekatan kualitatif ataupun keuantitatif untuk melakukan perkiraan peristiwa pada masa
depan dengan penggunaan referensi data-data pada masa lalu.
Peramalan memiliki tujuan untuk memprediksi prospek ekonomi dan aktivitas usaha
dan juga pengaruh lingkungan kepada prospek tersebut. Peramalan (forecasting) adalah
suatu bagian yang paling penting untuk setiap perusahaan maupun organisai bisnis dalam
saat mengambil keputusan manajemen.
Peramalan sendiri dapat menjadi dasar untuk suatu rencana jangka pendek mengengah
ataupun jangka panjang sebuah perusahaan. Dalam suatu peramalan (forecasting)
diperlukan seminim mungkin kesalahan (error) didalamnya. Supaya bisa meminimalisir
tingkat kesalahan tersebut maka akan lebih baik apabila peramalan itu dilaksanakan dalam
satuan angka atau kuantitatif.
Menurut Heizer dan Render (2009:47), peramalan (forecasting) mempunyai tujuan
antara lain:
 Sebagai pengkaji kebijakan perusahaan yang berlaku disaat ini dan dimasa lalu
dan juga melihat sejauh mana pengaruh dimasa dating.
 Peramalan dibutuhkan karena terdapat time lag atau delay antara ketika suatu
kebijakan perusahaan ditetapkan dengan ketika implementasi.
 Peramalan adalah dasar penyusutan bisnis di suatu perusahaan sehinga bisa
meningkatkan efektivitas sebuah rencana bisnis.

Fungsi dari peramaalan akan diketahui ketika pengambilan keputusan. Keputusan

yang baik adalah keputusan yang berdasarkan atas pertimbangan apa yang akan terjadi di
waktu keputusan tersebut dijalankan. Jika kurang tepat ramalan yang sudah disusun, maka
masalah peramalan juga merupakan masalah yang sering dihadapi (Gingting, 2007).

Kegunaan atau manfaat dari peramalan adalah sebagai berikut:

 Sebagai alat bantu untuk merencanakan yang efektif dan efisien

 Untuk menetapkan kebutuhan sumber daya pada masa yang akan dating
 Untuk membuat keputusan yang tepat
 Metode peramalan ialah suatu cara mengestimasi atau memperkirakan dengan
kuantitatif ataupun kualitatif apa yang terjadi di masa depan menurut data yang relevan di
masa lalu. Penggunaan metode peramalan ini yaitu untuk memprediksi dengan sistematis
dan pragmatis atas dasar data yang relevan di masa lalu. Dengan demikian metode
peramalan bisa memberikan objektivitas yang lebih besar.

Adapun jenis metode peramalan, antara lain sebagai berikut:

 Metode peramalan yang berdasar pada pemakaian analisa keterkaitan antar variabel
yang diperkirakan dengan variabel waktu dengan deret berkala (time series).
 Metode peramalan yang berdasar pada pemakaian analisis pola hubungan antar
variabel yang hendak diperkirakan dengan variabel lain yang menjadi pengaruh,
yang bukan waktu disebut Metode Korelasi atau sebab akibat (metode causal).

5.2 METODE ARITMATIKA

Metode Aritmatik (Stefan Rayer & Stanley K Smith, 2008: h6)

Pn = Po + Ka (Tn – To)

Dengan

Pn = jumlah penduduk pada tahun ke-n

Po = jumlah penduduk pada tahun dasar

Tn = tahun ke-n

To = tahun dasar

Ka = konstanta arithmatik

5.3 METODE GEOMETRIK

Metode Geometrik (United Nations Publications, 1952: h29)

Pn = Po (1 + r)n

Dengan

Pn = jumlah penduduk pada tahun ke-n

Po = jumlah penduduk pada tahun dasar

r = laju pertumbuhan penduduk

n = jumlah interval
5.4 METODE CHI-SQUARE

Metode Least Square (Rinaldi Munir, 2003: h246)

Y = a + bX

Dengan

Yˆ = jumlah penduduk pada tahun ke-n

X = selisih antara tahun ke-n dengan tahun ke-1 yang diketahui

a dan b = konstanta

𝑎 = (∑ 𝑦)(∑ 𝑥 2 ) − (∑ 𝑥)(∑ 𝑥𝑦)

𝑛 ∑ 𝑥2 − (∑ 𝑥) ^2
𝑏 = 𝑛(∑ 𝑥𝑦) − (∑ 𝑥)(∑ 𝑦)
𝑛 ∑ 𝑥2 − (∑ 𝑥)^2

5.5 METODE REGRESI

Jika dalam analisis korelasi peneliti hanya tertarik pada derajat asosiasi atau
kecenderungan umum dua buah peubah atau lebih, maka dalam analisis regresi peneliti ingin
memperoleh hubungan fungsional antara dua peubah yang dinyatakan dalam bentuk , Y a bX
= + yang merupakan penduga dari fungsi yang ada pada populasi yang biasa dinotasikan
dengan 0 1 , atau = , Y X Y X α βββ = ++ atau untuk peubah bebas lebih dari satu dinyatakan
sebagai = ,… Y X X β ββ ++ Melalui analisis regresi peneliti ingin menghitung nilai penduga
untuk j β yang sesuai dengan data. Selain melakukan penghitungan nilai penduga untuk j β
juga sekaligus melakukan uji apakah nilainya signifikan atau dapat diabaikan (tidak
signifikan). Regresi mengukur seberapa besar suatu variabel mempengaruhi variabel yang
lain, sehingga dapat digunakan untuk melakukan peramalan nilai suatu variabel berdasarkan
variabel lain. Analisa regresi ada dua : Analisa Regresi Sederhana dan Analisis Regresi
Berganda.

Analisis regresi linier berganda adalah hubungan secara linear antara dua atau lebih
variabel independen (X1, X2,….Xn) dengan variabel dependen (Y). Analisis ini untuk
mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah
masing-masing variabel independen berhubungan positif atau negatif dan untuk memprediksi
nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau
penurunan. Data yang digunakan biasanya berskala interval atau rasio.

Analisis regresi sederhana hanya terdiri atas satu peubah bebas (peubah
penjelas/eksplanatori) X dan satu peubah terikat (respon) Y dengan hubungan linier. Kedua
peubah ini merupakan peubah kuantitatif, khusus untuk Y harus dengan skala interval atau
rasio. Dengan visualisasi secara geometris dapat ditafsirkan bahwa dengan analisis regresi
kita ingin menduga garis populasi yang sesungguhnya tidak pernah diketahui (garis lurus
putus-putus) berdasarkan sampel pasangan data pada sampel. Persoalanvini merupakan
persoalan estimasi uji inferensi daam regresi. Garis regresi penduga ini dapat dipergunakan
untuk meramal (prediksi) rentang rata-rata nilai Y pada saat nilai X diketahui, demikian juga
rentang nilai-nilai Y pada saat nilai tertentu dari X .

Berikut ini adalah contoh rumus :

𝑌 = 𝑎 + 𝑏𝑥

Keterangan :

Y = nilai yang diukur/dihitung pada variabel tidak bebas

x = nilai tertentu dari variabel bebas

a = intersep/perpotongan garis regresi dengan sumbu y

b = koefisien regresi /kemiringan dari garis regresi/untuk mengukur kenaikan atau penurunan
y untuk setiap perubahan satu-satuan x /untuk mengukur besarnya pengaruh x terhadap y
kalau x naik satu unit.
 BAB VI

LATIHAN SOAL DAN TANYA JAWAB MATERI P2 (MATERI BILANGAN DAN

KESALAHAN) DAN P3 (MATERI PERMASALAHAN AKAR PERSAMAAN)

6.1 LATIHAN SOAL MATERI BILANGAN KESALAHAN

6.1.1 Bilangan Bulat

Bilangan bulat dengan basis adinyatakan sebagai:
𝑥=[𝑥𝑛𝑥𝑛−1𝑥𝑛−2...𝑥0]

𝑥=𝑥𝑛𝑎𝑛+𝑥𝑛−1𝑎𝑛−1+𝑥𝑛−2𝑎𝑛−2+⋯+𝑥0
Contoh :
x = 2503 dengan basis 8 (octal)
𝑥=2.83+5.82+0.8+3
=1024+320+3
=1347

6.1.2 Algoritma Bilangan Bulat

Bila xadalah bilangan dasar ayang ditulis dengan:

𝑥=[𝑥𝑛𝑥𝑛−1𝑥𝑛−2...𝑥0]

Maka xbisa dihitung dengan:

𝑏𝑛=𝑥𝑛

𝑏𝑛−1=𝑥𝑛−1+𝑏𝑛𝑎

𝑏𝑛−2=𝑥𝑛−2+𝑏𝑛−1𝑎

𝑏0=𝑥0+𝑏1𝑎

Contoh :

x=316 adalah bilangan octal (bilangan dasar 8) Maka nilai desimalnya bisa dihitung
dengan:

𝑏2=3

𝑏1=1+(3)(8)=25

𝑏0=6+258=206
 6.1.3 Bilangan Pecahan

Bilangan pecahan adalah desimal sehingga basisnya adalah 10

𝑥=[0,𝑥1𝑥2𝑥3...𝑥𝑛]

𝑥=𝑥110−1+𝑥210−2+𝑥310−3+⋯+𝑥𝑛10−𝑛

Contoh :

0,625 = 6.10-1 + 2.10-2

5.10-3

6.2 LATIHAN SOAL MATERI PERMASALAHAN AKAR PERSAMAAN

6.2.1 Contoh Metode Secant

Penyelesaian dari x2 – (x+1) e-x = 0 ?

 Ambil x0 = 0,8 an x1 = 0,9 maka dapat dihitung
Y0 = F(x0) = -0,16879
Y1 = F(x1) = 0,037518
 Iterasi Metode Secant adalah sebagai berikut :
❖ Iterasi 1 : x2 = xi – yi 𝑥𝑖−𝑥0= 0,881815
𝑦𝑖−𝑦0
y2 = 0,00153
❖ Iterasi 2 x3 = x2 – y2 𝑥2−𝑥1 = 0,882528
𝑦2−𝑦𝑖
y3 = 1,3.10-5
❖ Iterasi 3 x4 = x4 – y3 𝑥3−𝑥2= 0,882534
𝑦3−𝑦2
y3 = 4,91.e-9
 Diperoleh akar x = 0,88534

6.2.2 Contoh soal Direct Method (Metode Iterasi)

Hitung salah satu akar dari persamaan pangkat tiga:

f(x) = x3+ x2–3x–3 = 0

Jawab :

1. Ubah persamaan diatas kedalam bentuk x = g(x)

X 3= (-x 2+ 3x +3), atau

x = (-x 2+ 3x +3)1/3

2. Persamaan iterasinya:

X2= (-x12+ 3x1+3)1/3

3. Errornya:

a =|𝑥1+1−𝑋1| x 100%
𝑥1+1
Sehingga akar persamaan x = 1,732050 degan error 0,000133 %

6.2.3 Contoh Metode Newton

Selesaiakan persamaan x-e-x = 0 dengan titik pendekatan awal x0 = 0

• f(x) = x- e -x f ‟ (x) = 1+e-x
• f(x0) = 0 – e-0 = -1
• f‟(x0) = 1 – e-0 = -2
x1 = x0 -𝑓(𝑥0) = 0 - −1= 0,5
𝑓1(𝑥0) 2
 f(x1) = -0.106631 dan f1(x1) = 1.60653
x1 - 𝑓(𝑥1) = 0,5 -−0,1065311,60653=0,56631
𝑓1(𝑥1)
 f(x2) = -0.00130451 dan f1(x2) = 1.56762
x2 - 𝑓(𝑥2) = 0,566311 - −0,00130451 = 0,567143
𝑓1(𝑥2) 1,56762
 f(x3) = -1.96.10-7. Suatu bilangan yang sangat kecil.
 Sehingga akar persamaan x = 0,567143
 BAB VII

LATIHAN SOAL DAN TANYA JAWAB MATERI P4 (PERMASALAHAN

PERSAMAAN LINEAR SIMULTAN) DAN P5 (PERAMALAN (FORECASTING)
DENGAN ARITMATIKA, GEOMETRIK, CHI-SQUARE DAN REGRESI

7.1 LATIHAN SOAL MATERI PERMASALAHAN LINIER SIMULTAN

7.1.1 Eleminasi Gauss
Tentukan Pemecahan SPL :
x + y + 2z = 9
2x + 4y – 3z = 1
3x + 6y – 5z = 0
Penyelesaian :
Matriks ekuivalen dengan SPL di atas adalah :
Bentuk matriks eselon baris (yang ditulis terakhir) kita ubah kembali dalam system
persamaan linear menjadi :
x + y + 2z = 9
y – 7/2 z = -17/2
z=3
Dengan cara subtitusi balik kita peroleh x dan y :
Untuk z = 3
Maka : y – 7/2 z = -17/2
y = -17/2 + 7/2 z
y = - 17/2 + 21 /2
y = 4/2
y=2
Untuk y =2 dan z =3 maka : x + y + 2 z = 9
x = 9 – y – 2z
x=9–2–6
x=1
Jadi pemecahan untuk SPL di atas adalah x = 1, y = 2 , dan z , 3

7.1.2 eleminasi gauss – jordan

Tentukan Pemecahan SPL :
x + y + 2z = 9
2x + 4y – 3z = 1
3x + 6y – 5z = 0
 Penyelesaian :
Matriks ekuivalen dengan SPL di atas adalah :
Matrik ini berbentuk matriks eselon baris terreduksi yang dapat dituliskan kembali ke
dalam bentuk SPL sebagai berikut :
X1 = 1 ; x2 = 2 ; x3 = 3
Jadi pemecahan untuk SPL tersebut adalah : X1 = 1 ; x2 = 2 ; x3 = 3

7.1.3 Metode Iterasi Jacoby

Carilah galat/error dengan mengunakan metode iterasi jacoby dan gauss seidel sampai 3
iterasi
4x - y + z = 7
4x - 8y + z = -21
-2z + y + 5z = 15
Dengan Psolusi = (x,y,z) = (2,4,6)
P0 = (x,y,z) = (1,2,2)
Penyelesaian :
X, Y ,Z = 1,2,2
4x – y + z = 7 => 4x = 7 + y – z => x =7+𝑦−𝑧
4
4x – 8y + z = -21 => -8y = -21 – 4x – z => y =21+4𝑥+𝑧
8
-2z + y + 5z = 15 => 5z = 15 + 2x – y => z =15+2𝑥−𝑦
5
7.1.4 Metode Iterasi Gauss Seide
Carilah galat/error dengan mengunakan metode iterasi jacoby dan gauss seidel sampai 3
iterasi
4x - y + z = 7
4x - 8y + z = -21
-2z + y + 5z = 15
Dengan Psolusi = (x,y,z) = (2,4,6)
P0 = (x,y,z) = (1,2,2)
Penyelesaian :
4x – y + z = 7 => 4x = 7 + y – z => x = 7+𝑦−𝑧
4
4x – 8y + z = -21 => -8y = -21 – 4x – z => y = 21+4𝑥+𝑧
8
-2z + y + 5z = 15 => 5z = 15 + 2x – y => z = 15+2𝑥−𝑦
5
7.2 LATIHAN SOAL MATERI PERAMALAN (FORECASTING)

7.2.1 Latihan Soal

Lulusan pada tahun 2013 = 500 orang, kelulusan selama 5 tahun terakhir ini (2008- 2012)
rata-rata 10 orang per tahun, maka berapa jumlah kelulusan pada tahun 2023 ?
Penyelesaian :
Pn = Po ( 1 + rn )
P2023 = 500 (1 + 5 x 10) = 551 siswa

7.2.2 Latihan Soal

Jumlah kelulusan pada tahun 2013 sebesar 400 siswa, dengan angka peningkatan
kelulusan siswa sebesar 3 persen per tahun, maka berapa jumlah kelulusan pada tahun
2020?
Penyelesaian :
Pn = Po ( 1 + r ) n
P2020 = 400 (1 + 0,03)7= 491,95 siswa

7.2.3 Latihan Soal

Suatu survey ingin mengetahui apakah ada hubungan Asupan Lauk dengan kejadian
Anemia pada penduduk desa X. Kemudian diambil sampel sebanyak 120 orang yang
terdiri dari 50 orang asupan lauknya baik dan 70 orang asupan lauknya kurang. Setelah
dilakukan pengukuran kadar Hb ternyata dari 50 orang yang asupan lauknya baik, ada 10
orang yang dinyatakan anemia. Sedangkan dari 70 orang yang asupan lauknya kurang
ada 20 orang yang anemia. Ujilah apakah ada perbedaan proporsi anemia pada kedua
kelompok tersebut.
Penyelesaian :
HIPOTESIS :
Ho : P1 = P2 (Tidak ada perbedaan proporsi anemia pada kedua kelompok tersebut)
Ho : P1 ≠ P2 (Ada perbedaan proporsi anemia pada kedua kelompok tersebut)
 KESIMPULAN

Berdasarkan hasil analisis data dari PT Primajaya Pantes Garment, dapat disimpulkan bahwa
metode peramalan yang paling tepat untuk digunakan perusahaan adalah metode regresi
linear dengan nilai MAD dan MSE terkecil, sehingga hasil peramalan dengan metode regresi
linear dapat digunakan oleh perusahaan sebagai standar ukuran untuk periode berikutnya.
Dengan perhitungan menggunakan metode Linear Programming, laba maksimal yang dapat
dicapai perusahaan pada periode berikutnya adalah sebesar Rp157.089.900,00 dengan
memproduksi 1065 lembar polo shirt pria, 579 lembar polo shirt wanita, dan 293 lembar polo
shirt anak-anak. Selain itu, terdapat slack pada bahan baku kain sebesar 703,6567 m2 dan
pada jam kerja tenaga kerja sebesar 4223,6617 jam. Dengan menganalisis 2 alternatif yang
dapat menjadi bahan pertimbangan perusahaan dengan menggunakan pohon keputusan,
maka dapat disimpulkan bahwa perusahaan sebaiknya memilih alternatif B2, yaitu
meningkatkan kapasitas produksi.
 DAFTAR PUTAKA

Dimyati, T. T. & Dimyati, A. (2006). Operations Research. Bandung: Sinar Baru

Algensindo.
Fariza, A. (2007). Time Series (Deret Berkala), Statistik Ekonomi. Jurusan Teknologi
Informasi
Politeknik Elektronika Negeri Institut Teknologi Sepuluh Nopember.
Hasibuan.
(2011).
Diakses 15 Juli 2012 dari
http://repository.usu.ac.id/bitstream/123456789/24360/3/Chapter%20II.pdf.

Heizer, J. & Render, B. (2009). Operations Management (Manajemen Operasi). Buku 1,

Edisi 9, Edisi
Indonesia. Jakarta: Salemba Empat.
Mulyono, S. (2007). Riset Operasi. Jakarta: Lembaga Penerbit Fakultas Ekonomi
Universitas
Indonesia.
Murahartawaty. (2009).
Diakses 15 Juli 2012 dari
http://if29noltiga.9.forumer.com/index.php?s=1b665dad463ec7e2954e9a7fb5dc80d2&At
tach&type=post&id=105.

Murugan, N. & Manivel, S. (2009). Profit planning of an NGO run enterprise using
linear
programming approach. Internasional Research Journal of Finance and Economics, 23,
443–454.
Nugroho, K. W. (2002). Eksentrik Digraf dari Graf Star, Graf Double Star dan Graf
Komplit Bipartit.
Jember: Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas
Jember.