METODE
ANALISIS NUMERIK
FAKULTAS TEKNIK
BANJARMASIN 2021
MATA KULIAH
ANALISIS NUMERIK
PENGAMPUH :
BANJARMASIN
FAKULTAS TEKNIK
BANJARMASIN 2021
KATA PENGANTAR
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.
Redy Liansyah
DAFTAR ISI
KESIMPULAN ....................................................................................................................
PROFIL ................................................................................................................................
BAB 1
1.4 Dikresitasi
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).
› 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.
› 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
› 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
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)
› Ketika angka signifikan digunakan, digit terakhir dianggap tidak pasti. Ketidakpastian
dari digit terakhir tergantung pada alat yang digunakan dalam suatu pengukuran.
– 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.
› 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%
› Semakin kecil kesalahan relatifnya, maka nilai perkiraan yang diperoleh akan semakin baik.
CONTOH LATIHAN SOAL :
› Bulatkan angka-angka berikut hingga ketelitian yang diinginkan dan berapa tingkat
kesalahan hasil pembulatan:
Metode tertutup disebut juga metode bracketing. Disebut sebagai metode tertutup karena
dalam pencarian akar-akar persamaan non-linier dilakukan dalam suatu selang [a,b].
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].
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.
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
Algoritma Biseksi
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.
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
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
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.
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.
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).
Pn = Po + Ka (Tn – To)
Dengan
Tn = tahun ke-n
To = tahun dasar
Ka = konstanta arithmatik
Pn = Po (1 + r)n
Dengan
n = jumlah interval
5.4 METODE CHI-SQUARE
Y = a + bX
Dengan
a dan b = konstanta
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 .
𝑌 = 𝑎 + 𝑏𝑥
Keterangan :
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
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
𝑥=[𝑥𝑛𝑥𝑛−1𝑥𝑛−2...𝑥0]
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
𝑥=[0,𝑥1𝑥2𝑥3...𝑥𝑛]
𝑥=𝑥110−1+𝑥210−2+𝑥310−3+⋯+𝑥𝑛10−𝑛
Contoh :
5.10-3
x = (-x 2+ 3x +3)1/3
2. Persamaan iterasinya:
3. Errornya:
a =|𝑥1+1−𝑋1| x 100%
𝑥1+1
Sehingga akar persamaan x = 1,732050 degan error 0,000133 %
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
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
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
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.