Anda di halaman 1dari 187

Komputasi untuk Sains dan Teknik

-Dalam Matlab-

Supriyanto Suparno
( Website: http://supriyanto.fisika.ui.edu )
( Email: supri@fisika.ui.ac.id atau supri92@gmail.com )

Edisi III
Revisi terakhir tgl: 25 Agustus 2008

Departemen Fisika-FMIPA, Univeristas Indonesia


Dipublikasikan pertama kali pada September 2007
Untuk
Nina Marliyani
Muflih Syamil
dan
Hasan Azmi
Ketekunan adalah jalan yang terpercaya untuk mengantarkan kita menuju kesuksesan

(Supriyanto, 2007)
Kata Pengantar

Alhamdulillah, buku ini memasuki edisi ke-3. Penomoran edisi ini sebenarnya hanya untuk
menandakan perubahan isi buku yang semakin kaya metode numerik dibandingkan dengan
edisi-edisi sebelumnya. Pengayaan isi buku ini, sejujurnya, berasal dari sejumlah pertanyaan
yang sampai ke mailbox saya, entah itu dalam bentuk konsultasi Tugas Akhir mahasiswa S1
sebagaimana yang penulis terima dari mahasiswa UNPAD, UDAYANA, UNESA dan UNSRI
serta UI sendiri, ataupun sekedar pertanyaan seputar pekerjaan rumah seperti yang biasa di-
tanyakan oleh para mahasiswa dari Univ. Pakuan, Bogor.
Pertanyaan-pertanyaan itu menjadikan saya sadar bahwa buku edisi ke-II yang berjumlah
187 halaman, ternyata belum bisa memenuhi kebutuhan banyak mahasiswa yang memerlukan
teknik pengolahan data secara numerik. Karenanya, insya Allah, pada edisi ke-III ini, saya akan
menyajikan sebagian besar yang masih kurang lengkap itu secara bertahap.
Ibarat pohon yang akan terus tumbuh semakin besar, buku ini pun memiliki tabiat per-
tumbuhan sebagaimana pohon itu. Mulai ditulis pada tahun 2005 dengan isi yang seadanya,
pokoknya asal tercatat. Kemudian di tahun 2006akhir menjadi catatan perkuliahan Komputasi
Fisika. Pengayaan isi terus berlangsung hingga akhir 2007. Lalu di awal tahun 2008 diisi den-
gan tambahan materi perkuliahan Analisis Numerik. Itulah yang saya maksud dengan tabiat
pertumbuhan dari buku ini. Jika saya ditugaskan untuk mengajar mata kuliah Komputasi
Fisika lagi pada awal September 2008, saya bertekad akan menurunkan seluruh isi buku ini
kepada mahasiswa yang akan mengambil kuliah tersebut. Jadi materi Komputasi Fisika tahun
2007 dan materi Analisis Numerik 2008, digabung jadi satu kedalam satu semester dengan na-
ma mata kuliah Komputasi Fisika. Kepada rekan-rekan mahasiswa yang akan ngambil mata
kuliah tersebut, saya sampaikan permohonan maaf jika rencana ini akan membuat anda ku-
rang tidur karena bakal semakin lama berada di depan komputer, menyelesaikan tugas dan
report.
Secara garis besar, ilmu fisika dapat dipelajari lewat 3 jalan, yaitu pertama, dengan meng-
gunakan konsep atau teori fisika yang akhirnya melahirkan fisika teori. Kedua, dengan cara
eksperimen yang menghasilkan aliran fisika eksperimental, dan ketiga, fisika bisa dipelajari
lewat simulasi fenomena alam yang sangat mengandalkan komputer serta algoritma numerik.
Tujuan penyusunan buku ini adalah untuk meletakkan pondasi dasar dari bangunan pema-
haman akan metode-metode komputasi yang banyak digunakan untuk mensimulasikan fenom-
ena fisika.
Rujukan utama buku ini bersumber pada buku teks standar yang sangat populer di dunia
komputasi, yaitu buku yang ditulis oleh Richard L. Burden dan J. Douglas Faires dengan judul
Numerical Analysis edisi ke-7, diterbitkan oleh Penerbit Brooks/Cole, Thomson Learning Aca-
demic Resource Center. Disamping itu, buku ini dilengkapi oleh sejumlah contoh aplikasi
komputasi pada upaya penyelesaian problem-problem fisika.

iii
iv

Pada edisi ke-3 ini saya mulai mencoba membiasakan diri menulis script dalam lingkungan
Python dan Octave. Padahal, dalam edisi ke-2 yang lalu, script numerik disalin ke dalam 2
bahasa pemrograman, yaitu Fortran77 dan Matlab. Namun mayoritas ditulis dalam Matlab.
Saya ingin ganti ke Python, lantaran dengan Python ataupun Octave, saya dan juga maha-
siswa saya tidak perlu menginstal Matlab bajakan ke dalam komputer kami masing-masing.
Buku yang sedang anda baca ini masih jauh dari sempurna. Keterkaitan antar Bab berikut
isi-nya masih perlu perbaikan. Kondisi ini berpotensi membuat anda bingung, atau setidaknya
menjadi kurang fokus. Oleh karena itu saya menghimbau kepada pembaca untuk menfokuskan
diri melalui penjelasan singkat berikut ini:

• Bab 1 berisi pengenalan matrik, operasi matrik, inisialisasi matrik pada Matlab dan For-
tran. Saran saya, setiap pembaca yang masih pemula di dunia pemrograman, harus
menguasai Bab I terlebih dahulu. Disamping itu penjelasan lebih terperinci tentang
bagaimana menentukan indeks i, j dan k dalam proses looping disajikan pada Bab I, un-
tuk memberi pondasi yang kokoh bagi berdirinya bangunan pemahaman akan teknik-
teknik numerik selanjutnya.

• Untuk mempelajari metode Finite-Difference, dianjurkan mulai dari Bab 1, Bab 2, Bab 4,
Bab 7, dan Bab 8.

• Untuk mempelajari dasar-dasar inversi, dianjurkan mulai dari Bab 1, Bab 2, dan Bab 3.

Akhirnya saya ingin mengucapkan rasa terima kasih yang tak terhingga kepada Dede
Djuhana yang telah berkenan memberikan format LATEX-nya sehingga tampilan tulisan pada
buku ini benar-benar layaknya sebuah buku yang siap dicetak. Tak lupa, saya pun sepatutnya
berterima kasih kepada seluruh rekan diskusi yaitu para mahasiswa yang telah mengambil
mata kuliah Komputasi Fisika PTA 2006/2007 di Departemen Fisika, FMIPA, Universitas In-
donesia. Kepada seluruh mahasiswa dari berbagai universitas di Timur dan di Barat Indonesia
juga perlu saya tulis disini sebagai ungkapan terima kasih atas pertanyaan-pertanyaan mereka
yang turut memperkaya isi buku ini.
Walaupun buku ini masih jauh dari sempurna, namun semoga ia dapat menyumbangkan
kontribusi yang berarti bagi terciptanya gelombang kebangkitan ilmu pengetahuan pada diri
anak bangsa Indonesia yang saat ini sedang terpuruk. Saya wariskan ilmu ini untuk siswa
dan mahasiswa Indonesia dimanapun mereka berada. Kalian berhak memanfaatkan buku ini.
Saya izinkan kalian untuk meng-copy dan menggunakan buku ini selama itu ditujukan untuk
belajar dan bukan untuk tujuan komersial, kecuali kalau saya dapat bagian komisi-nya :) . Bagi
yang ingin berdiskusi, memberikan masukan, kritikan dan saran, silakan dikirimkan ke email:
supri92@gmail.com

Depok, 8 Juni 2008


Supriyanto Suparno
Daftar Isi

Lembar Persembahan i

Kata Pengantar iii

Daftar Isi iv

Daftar Gambar vii

Daftar Tabel x

1 Matrik dan Komputasi 1


1.1 Pengenalan matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Inisialisasi matrik dalam memori komputer . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Macam-macam matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Matrik transpose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Matrik bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.3 Matrik simetrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.4 Matrik diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.5 Matrik identitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.6 Matrik upper-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.7 Matrik lower-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.8 Matrik tridiagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.9 Matrik diagonal dominan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.10 Matrik positive-definite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.11 Vektor-baris dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Operasi matematika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Komputasi penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.3 Perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.4 Komputasi perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.5 Perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . . 14
1.4.6 Komputasi perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . . 15
1.5 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2 Metode Eliminasi Gauss 17


2.1 Sistem persamaan linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Triangularisasi dan Substitusi Mundur . . . . . . . . . . . . . . . . . . . . . . . . . 18

v
vi

2.3 Matrik dan Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21


2.4 Algoritma eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5.1 Menghitung arus listrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Menghitung invers matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.7 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3 Aplikasi Eliminasi Gauss pada Masalah Inversi 39


3.1 Inversi Model Garis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Script matlab inversi model garis . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Inversi Model Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.1 Script matlab inversi model parabola . . . . . . . . . . . . . . . . . . . . . 48
3.3 Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.4.1 Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . . 53

4 Metode LU Decomposition 61
4.1 Faktorisasi matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

5 Metode Iterasi 71
5.1 Kelebihan Vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.2 Pengertian Norm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.1 Script perhitungan norm dalam Matlab . . . . . . . . . . . . . . . . . . . . 72
5.2.2 Perhitungan norm-selisih . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3 Iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3.1 Script Matlab metode iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . 76
5.3.2 Optimasi script Matlab untuk menghitung iterasi . . . . . . . . . . . . . . 79
5.3.3 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.3.4 Program dalam Fortran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.4 Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.4.1 Script iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.2 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.4.3 Script iterasi Gauss-Seidel dalam Fortran . . . . . . . . . . . . . . . . . . . 86
5.5 Iterasi dengan Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5.1 Algoritma Iterasi Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

6 Interpolasi 91
6.1 Interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 Interpolasi Cubic Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
vii

7 Diferensial Numerik 101


7.1 Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.2 Metode Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.2.1 Aplikasi: Pengisian muatan pada kapasitor . . . . . . . . . . . . . . . . . . 110
7.3 Metode Finite Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.3.1 Script Finite-Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
7.3.2 Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.4 Persamaan Diferensial Parsial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
7.5 PDP eliptik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
7.5.1 Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
7.5.2 Script Matlab untuk PDP Elliptik . . . . . . . . . . . . . . . . . . . . . . . . 130
7.5.3 Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.6 PDP parabolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.6.1 Metode Forward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.6.2 Contoh ketiga: One dimensional heat equation . . . . . . . . . . . . . . . . . 134
7.6.3 Metode Backward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.6.4 Metode Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.7 PDP Hiperbolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
7.7.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
7.8 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

8 Integral Numerik 151


8.1 Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
8.2 Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
8.3 Metode Composite-Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
8.4 Adaptive Quardrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
8.5 Gaussian Quadrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.5.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.5.2 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

9 Mencari Akar 159


9.1 Metode Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159

10 Metode Monte Carlo 161


10.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

11 Inversi 165
11.1 Inversi Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
11.2 Inversi Non-Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168

Daftar Pustaka 171

Indeks 173
viii
Daftar Gambar

3.1 Sebaran data observasi antara temperatur dan kedalaman . . . . . . . . . . . . . 40


3.2 Grafik data pengukuran gerak batu . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3 Grafik hasil inversi parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

6.1 Fungsi f (x) dengan sejumlah titik data . . . . . . . . . . . . . . . . . . . . . . . . 93


6.2 Pendekatan dengan polinomial cubic spline . . . . . . . . . . . . . . . . . . . . . . 93
6.3 Profil suatu object . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.4 Sampling titik data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.5 Hasil interpolasi cubic spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.6 Hasil interpolasi lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

7.1 Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebe-
sar h. Pasangan t1 adalah y(t1 ), pasangan t2 adalah y(t2 ), begitu seterusnya. Kanan:
Garis singgung yang menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis
singgung tersebut, ditentukan pasangan t1 sebagai w1 . Perhatikan gambar itu sekali
lagi! w1 dan y(t1 ) beda tipis alias tidak sama persis. . . . . . . . . . . . . . . . . . . . . 102
7.2 Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu
nilai wi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.3 Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta
orde 4, yaitu nilai wi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.4 Rangkaian RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.5 Kurva pengisian muatan q (charging) terhadap waktu t . . . . . . . . . . . . . . . 115
7.6 Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah X0 = a hingga batas atas
x6 = b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.7 Skema grid lines dan mesh points pada aplikasi metode Finite-Difference . . . . . . 126
7.8 Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu . . . . . . . . . . . . . . . . . . . . . . . . 128
7.9 Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur.
Jarak antar titik ditentukan sebesar h = 0, 1. . . . . . . . . . . . . . . . . . . . . . . . . 135
7.10 Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005 . . . . . . . 135

ix
x DAFTAR GAMBAR

7.11 Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forward-
difference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat . . . . 135

8.1 Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara
metode Trapesoida menghitung luas area integrasi, dimana luas area adalah sama den-
gan luas trapesium di bawah kurva f (x) dalam batas-batas a dan b . . . . . . . . . . . 152
8.2 Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara
metode Simpson menghitung luas area integrasi, dimana area integrasi di bawah kurva
f (x) dibagi 2 dalam batas-batas a dan b . . . . . . . . . . . . . . . . . . . . . . . . . . 152
8.3 Metode Composite Simpson. Kurva fungsi f (x) dengan batas bawah integral adalah a
dan batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-
masing adalah h. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154

9.1 Metode Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

10.1 Lingkaran dan bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161


10.2 Dart yang menancap pada bidang lingkaran dan bujursangkar . . . . . . . . . . . 162
10.3 Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar . . . . . . . . 163
Daftar Tabel

3.1 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 39


3.2 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 45
3.3 Data ketinggian terhadap waktu dari planet X . . . . . . . . . . . . . . . . . . . . 53

5.1 Hasil akhir elemen-elemen vektor x hingga iterasi ke-10 . . . . . . . . . . . . . . . 79


5.2 Hasil perhitungan norm-selisih (dengan ℓ2 ) hingga iterasi ke-10 . . . . . . . . . . 80
5.3 Hasil Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4 Hasil perhitungan iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.5 Hasil perhitungan iterasi Relaksasi dengan ω = 1, 25 . . . . . . . . . . . . . . . . . 88

7.1 Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih
antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.2 Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact
y(ti ) serta selisih antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.3 Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan
hasil perhitungan dari solusi exact, yaitu persamaan (7.16) . . . . . . . . . . . . . 114
7.4 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2 adalah
solusi analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forward-difference. Kolom
ke-4 dan ke-6 adalah selisih antara solusi analitik dan numerik . . . . . . . . . . . . . . 139
7.5 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backward-
difference dimana k = 0, 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.6 Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan
metode backward-difference dan Crank-Nicolson . . . . . . . . . . . . . . . . . . . . 146

8.1 Polinomial Legendre untuk n=2,3,4 dan 5 . . . . . . . . . . . . . . . . . . . . . . . 156

xi
xii DAFTAR TABEL
Bab 1

Matrik dan Komputasi

✍ Objektif :
⊲ Mengenalkan matrik dan jenis-jenis matrik.
⊲ Mengenalkan operasi penjumlahan dan perkalian matrik.
⊲ Mendeklarasikan elemen-elemen matrik ke dalam memori komputer.
⊲ Membuat script operasi matrik.

1.1 Pengenalan matrik

Notasi suatu matrik berukuran n x m ditulis dengan huruf besar dan dicetak tebal, misalnya
An×m . Huruf n menyatakan jumlah baris, dan huruf m jumlah kolom. Suatu matrik tersusun
dari elemen-elemen yang dinyatakan dengan huruf kecil diikuti angka-angka indeks, misalnya
aij , dimana indeks i menunjukan posisi baris ke-i dan indeks j menentukan posisi kolom ke-j.
 
a11 a12 . . . a1m
 a21 a22 . . . a2m 
 
A = (aij ) = 
 .. .. ..  (1.1)
 . . . 

an1 an2 . . . anm

Contoh 1: Matrik A2×3 " #


3 8 5
A=
6 4 7
dimana masing-masing elemennya adalah a11 = 3, a12 = 8, a13 = 5, a21 = 6, a22 = 4, dan
a23 = 7.
Contoh 2: Matrik B3×2
 
1 3
B = 5 9
 

2 4

1
2 BAB 1. MATRIK DAN KOMPUTASI

dimana masing-masing elemennya adalah b11 = 1, b12 = 3, b21 = 5, b22 = 9, b31 = 2, dan
b32 = 4.

1.2 Inisialisasi matrik dalam memori komputer

Dalam bahasa pemrograman Fortran77, cara mengisi memori komputer dengan elemen-elemen
matrik A2×3 , sesuai dengan Contoh 1 adalah

1 A(1,1) = 3
2 A(1,2) = 8
3 A(1,3) = 5
4 A(2,1) = 6
5 A(2,2) = 4
6 A(2,3) = 7

Sedangkan untuk matrik B3×2 , sesuai Contoh 2 adalah

1 B(1,1) = 1
2 B(1,2) = 3
3 B(2,1) = 5
4 B(2,2) = 9
5 B(3,1) = 2
6 B(3,2) = 4

Sementara dalam Matlab, cara mengisi memori komputer dengan elemen-elemen matrik
A2×3 , sesuai dengan Contoh 1 adalah

1 clear all
2 clc
3
4 A(1,1) = 3;
5 A(1,2) = 8;
6 A(1,3) = 5;
7 A(2,1) = 6;
8 A(2,2) = 4;
9 A(2,3) = 7;
10 A

Sedangkan untuk matrik B3×2 , sesuai Contoh 2 adalah

1 clear all
2 clc
3
4 B(1,1) = 1;
5 B(1,2) = 3;
6 B(2,1) = 5;
7 B(2,2) = 9;
8 B(3,1) = 2;
9 B(3,2) = 4;
10 B

Ini bukan satu-satunya cara menginisialisasi suatu matrik, disamping itu, ada juga cara lain
yang relatif lebih mudah. Misalnya untuk matrik A bisa ditulis sebagai berikut
1.3. MACAM-MACAM MATRIK 3

1 clear all
2 clc
3
4 A=[ 3 8 5
5 6 4 7 ];
6
7 B=[ 1 3
8 5 9
9 2 4 ];

atau

1 clear all
2 clc
3
4 A=[ 3 8 5 ; 6 4 7 ];
5 B=[ 1 3 ; 5 9 ; 2 4];

1.3 Macam-macam matrik

1.3.1 Matrik transpose

Operasi transpose terhadap suatu matrik akan menukar elemen-elemen dalam satu kolom
menjadi elemen-elemen dalam satu baris; demikian pula sebaliknya. Notasi matrik tranpose
adalah AT atau At .
Contoh 3: Operasi transpose terhadap matrik A
 
" # 3 6
3 8 5
A= At = 8 4
 
6 4 7
5 7

1.3.2 Matrik bujursangkar

Matrik bujursangkar adalah matrik yang jumlah baris dan jumlah kolomnya sama.
Contoh 4: Matrik bujursangkar berukuran 3x3 atau sering juga disebut matrik bujursangkar
orde 3  
1 3 8
A = 5 9 7
 

2 4 6

1.3.3 Matrik simetrik

Matrik simetrik adalah matrik bujursangkar yang elemen-elemen matrik A bernilai sama den-
gan matrik transpose-nya (At ).
4 BAB 1. MATRIK DAN KOMPUTASI

Contoh 5: Matrik simetrik


   
2 −3 7 1 2 −3 7 1
   
−3 5 6 −2 −3 5 6 −2
t
A=   A =
 
 7 6 9 8 
  7 6 9 8 

1 −2 8 10 1 −2 8 10

1.3.4 Matrik diagonal

Matrik diagonal adalah matrik bujursangkar yang seluruh elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonalnya.

Contoh 6: Matrik diagonal orde 3


 
11 0 0
A =  0 29 0
 

0 0 61

1.3.5 Matrik identitas

Matrik identitas adalah matrik bujursangkar yang semua elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonal yang seluruhnya bernilai 1.

Contoh 7: Matrik identitas orde 3


 
1 0 0
I = 0 1 0
 

0 0 1

1.3.6 Matrik upper-triangular

Matrik upper-tringular adalah matrik bujursangkar yang seluruh elemen dibawah elemen di-
agonal bernilai 0 (nol).

Contoh 8: Matrik upper-triangular


 
3 6 2 1
 
0 4 1 5
A=
0

 0 8 7

0 0 0 9

1.3.7 Matrik lower-triangular

Matrik lower-tringular adalah matrik bujursangkar yang seluruh elemen diatas elemen diago-
nal bernilai 0 (nol).
1.3. MACAM-MACAM MATRIK 5

Contoh 9: Matrik lower-triangular


 
12 0 0 0
 
 32 −2 0 0
A=
 
8 7 11 0

−5 10 6 9

1.3.8 Matrik tridiagonal

Matrik tridiagonal adalah matrik bujursangkar yang seluruh elemen bukan 0 (nol) berada dis-
ekitar elemen diagonal, sementara elemen lainnya bernilai 0 (nol).

Contoh 10: Matrik tridiagonal


 
3 6 0 0
 
2 −4 1 0 
A=
 
0 5 8 −7

0 0 3 9

1.3.9 Matrik diagonal dominan

Matrik diagonal dominan adalah matrik bujursangkar yang memenuhi

n
X
|aii | > |aij | (1.2)
j=1,j6=i

dimana i=1,2,3,..n. Coba perhatikan matrik-matrik berikut ini


   
7 2 0 6
−3 4
A = 3 5 −1 B =  4 −2 0 
   

0 5 −6 −3 0 1

Pada elemen diagonal aii matrik A, |7| > |2|+|0|, lalu |5| > |3|+|−1|, dan |−6| > |5|+|0|. Maka
matrik A disebut matrik diagonal dominan. Sekarang perhatikan elemen diagonal matrik B,
|6| < |4| + | − 3|, | − 2| < |4| + |0|, dan |1| < | − 3| + |0|. Dengan demikian, matrik B bukan matrik
diagonal dominan.

1.3.10 Matrik positive-definite

Suatu matrik dikatakan positive-definite bila matrik tersebut simetrik dan memenuhi

xt Ax > 0 (1.3)
6 BAB 1. MATRIK DAN KOMPUTASI

Contoh 11: Diketahui matrik simetrik berikut


 
2 −1 0
A = −1 2
−1
 

0 −1 2
untuk menguji apakah matrik A bersifat positive-definite, maka
  
h i 2 −1 0 x1
xt Ax = x1 x2 x3 −1 2 −1 x2 
  

0 −1 2 x3
 
h i 2x1 − x2
= x1 x2 x3 −x1 + 2x2 − x3 
 

−x2 + 2x3
= 2x21 − 2x1 x2 + 2x22 − 2x2 x3 + 2x23
= x21 + (x21 − 2x1 x2 + x22 ) + (x22 − 2x2 x3 + x23 ) + x23
= x21 + (x1 − x2 )2 + (x2 − x3 )2 + x23

Dari sini dapat disimpulkan bahwa matrik A bersifat positive-definite, karena memenuhi

x21 + (x1 − x2 )2 + (x2 − x3 )2 + x23 > 0

kecuali jika x1 =x2 =x3 =0.

1.3.11 Vektor-baris dan vektor-kolom

Notasi vektor biasanya dinyatakan dengan huruf kecil dan dicetak tebal. Suatu matrik dina-
makan vektor-baris berukuran m, bila hanya memiliki satu baris dan m kolom, yang diny-
atakan sebagai berikut
h i h i
a = a11 a12 . . . a1m = a1 a2 . . . am (1.4)

Sedangkan suatu matrik dinamakan vektor-kolom berukuran n, bila hanya memiliki satu kolom
dan n baris, yang dinyatakan sebagai berikut
   
a11 a1
 a21   a2 
   
a=
 ..  =  .. 
   (1.5)
 .  .
an1 an
1.4. OPERASI MATEMATIKA 7

1.4 Operasi matematika

1.4.1 Penjumlahan matrik

Operasi penjumlahan pada dua buah matrik hanya bisa dilakukan bila kedua matrik tersebut
berukuran sama. Misalnya matrik C2×3
" #
9 5 3
C=
7 2 1

dijumlahkan dengan matrik A2×3 , lalu hasilnya (misalnya) dinamakan matrik D2×3

D=A+C

" # " #
3 8 5 9 5 3
D = +
6 4 7 7 2 1
" #
3+9 8+5 5+3
=
6+7 4+2 7+1
" #
12 13 8
=
13 6 8

Tanpa mempedulikan nilai elemen-elemen masing-masing matrik, operasi penjumlahan antara


matrik A2×3 dan C2×3 , bisa juga dinyatakan dalam indeks masing-masing dari kedua matrik
tersebut, yaitu " # " #
d11 d12 d13 a11 + c11 a12 + c12 a13 + c13
=
d21 d22 d23 a21 + c21 a22 + c22 a23 + c23
Dijabarkan satu persatu sebagai berikut

d11 = a11 + c11


d12 = a12 + c12
d13 = a13 + c13 (1.6)
d21 = a21 + c21
d22 = a22 + c22
d23 = a23 + c23

Dari sini dapat diturunkan sebuah rumus umum penjumlahan dua buah matrik

dij = aij + cij (1.7)

dimana i=1,2 dan j=1,2,3.


8 BAB 1. MATRIK DAN KOMPUTASI

1.4.2 Komputasi penjumlahan matrik

Berdasarkan contoh operasi penjumlahan di atas, indeks j pada persamaan (1.7) lebih cepat
berubah dibanding indeks i sebagaimana ditulis pada persamaan (1.6),

d11 = a11 + c11


d12 = a12 + c12
d13 = a13 + c13

Jelas terlihat, ketika indeks i masih bernilai 1, indeks j sudah berubah dari nilai 1 sampai
3. Hal ini membawa konsekuensi pada script pemrograman, dimana looping untuk indeks j
harus diletakkan di dalam looping indeks i. Pokoknya yang looping-nya paling cepat harus
diletakkan paling dalam; sebaliknya, looping paling luar adalah looping yang indeksnya
paling jarang berubah.
Dalam matlab, algoritma penjumlahan dua matrik ditulis sebagai berikut:

1 for i=1:2
2 for j=1:3
3 D(i,j)=A(i,j)+C(i,j);
4 end
5 end

Sedangkan dalam Fortran77, operasi penjumlahan antara matrik ditulis sebagai berikut: A2×3
dan C2×3 adalah

1 do i=1,2
2 do j=1,3
3 D(i,j)=A(i,j)+C(i,j)
4 end do
5 end do

Perhatikan kedua script di atas! Penulisan indeks i harus didahulukan daripada indeks j.
Perlu dicatat bahwa ukuran matrik tidak terbatas hanya 2x3. Tentu saja anda bisa men-
gubah ukurannya sesuai dengan keperluan atau kebutuhan anda. Jika ukuran matrik diny-
atakan secara umum sebagai n x m, dimana n adalah jumlah baris dan m adalah jumlah kolom,
maka bentuk pernyataan komputasinya dalam matlab menjadi

1 for i=1:n
2 for j=1:m
3 D(i,j)=A(i,j)+C(i,j);
4 end
5 end

sedangkan dalam Fortran77

1 do i=1,n
2 do j=1,m
3 D(i,j)=A(i,j)+C(i,j)
1.4. OPERASI MATEMATIKA 9

4 end do
5 end do

Sekarang, mari kita lengkapi dengan contoh sebagai berikut: diketahui matrik A2×3
" #
3 8 5
A=
6 4 7

dan matrik C2×3 " #


9 5 3
C=
7 2 1
Program untuk menjumlahkan kedua matrik tersebut dalam matlab adalah:

1 clear all
2 clc
3
4 A(1,1) = 3;
5 A(1,2) = 8;
6 A(1,3) = 5;
7 A(2,1) = 6;
8 A(2,2) = 4;
9 A(2,3) = 7;
10 C(1,1) = 9;
11 C(1,2) = 5;
12 C(1,3) = 3;
13 C(2,1) = 7;
14 C(2,2) = 2;
15 C(2,3) = 1;
16 n=2
17 m=3
18 for i=1:n
19 for j=1:m
20 D(i,j)=A(i,j)+C(i,j);
21 end
22 end

sedangkan dalam Fortran77

1 A(1,1) = 3
2 A(1,2) = 8
3 A(1,3) = 5
4 A(2,1) = 6
5 A(2,2) = 4
6 A(2,3) = 7
7 C(1,1) = 9
8 C(1,2) = 5
9 C(1,3) = 3
10 C(2,1) = 7
11 C(2,2) = 2
12 C(2,3) = 1
13 n=2
14 m=3
15 do i=1,n
16 do j=1,m
10 BAB 1. MATRIK DAN KOMPUTASI

17 D(i,j)=A(i,j)+C(i,j)
18 end do
19 end do

1.4.3 Perkalian matrik

Operasi perkalian dua buah matrik hanya bisa dilakukan bila jumlah kolom matrik pertama
sama dengan jumlah baris matrik kedua. Jadi kedua matrik tersebut tidak harus berukuran
sama seperti pada penjumlahan dua matrik. Misalnya matrik A2×3 dikalikan dengan matrik
B3×2 , lalu hasilnya (misalnya) dinamakan matrik E2×2

E2×2 = A2×3 .B3×2

 
" # 1 3
3 8 5 
E = 5 9

6 4 7
2 4
" #
3.1 + 8.5 + 5.2 3.3 + 8.9 + 5.4
=
6.1 + 4.5 + 7.2 6.3 + 4.9 + 7.4
" #
53 101
=
40 82

Tanpa mempedulikan nilai elemen-elemen masing-masing matrik, operasi perkalian antara


matrik A2×3 dan B3×2 , bisa juga dinyatakan dalam indeks masing-masing dari kedua matrik
tersebut, yaitu
" # " #
e11 e12 a11 .b11 + a12 .b21 + a13 .b31 a11 .b12 + a12 .b22 + a13 .b32
=
e21 e22 a21 .b11 + a22 .b21 + a23 .b31 a21 .b12 + a22 .b22 + a23 .b32

Bila dijabarkan, maka elemen-elemen matrik E2×2 adalah

e11 = a11 .b11 + a12 .b21 + a13 .b31 (1.8)


e12 = a11 .b12 + a12 .b22 + a13 .b32 (1.9)
e21 = a21 .b11 + a22 .b21 + a23 .b31 (1.10)
e22 = a21 .b12 + a22 .b22 + a23 .b32 (1.11)

Sejenak, mari kita amati perubahan pasangan angka-angka indeks yang mengiringi elemen e,
a dan b pada persamaan (1.8) sampai persamaan (1.11). Perhatikan perubahan angka indeks
1.4. OPERASI MATEMATIKA 11

pertama pada elemen e seperti berikut ini

e1.. = ..
e1.. = ..
e2.. = ..
e2.. = ..

Pola perubahan yang sama akan kita dapati pada angka indeks pertama dari elemen a

e1.. = a1.. .b... + a1.. .b... + a1.. .b...


e1.. = a1.. .b... + a1.. .b... + a1.. .b...
e2.. = a2.. .b... + a2.. .b... + a2.. .b...
e2.. = a2.. .b... + a2.. .b... + a2.. .b...

Dengan demikian kita bisa mencantumkan huruf i sebagai pengganti angka-angka indeks
yang polanya sama

ei.. = ai.. .b... + ai.. .b... + ai.. .b...


ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...

dimana i bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan i=1,2. Selanjutnya,
masih dari persamaan (1.8) sampai persamaan (1.11), marilah kita perhatikan perubahan angka
indeks masih pada elemen e dan elemen b,

ei1 = ai.. .b..1 + ai.. .b..1 + ai.. .b..1


ei2 = ai.. .b..2 + ai.. .b..2 + ai.. .b..2
ei1 = ai.. .b..1 + ai.. .b..1 + ai.. .b..1
ei2 = ai.. .b..2 + ai.. .b..2 + ai.. .b..2

Dengan demikian kita bisa mencantumkan huruf j sebagai pengganti angka-angka indeks
yang polanya sama

eij = ai.. .b..j + ai.. .b..j + ai.. .b..j


eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
12 BAB 1. MATRIK DAN KOMPUTASI

dimana j bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan j=1,2. Selanjutnya,
masih dari persamaan (1.8) sampai persamaan (1.11), mari kita perhatikan perubahan angka
indeks masih pada elemen a dan elemen b, dimana kita akan dapati pola sebagai berikut

eij = ai1 .b1j + ai2 .b2j + ai3 .b3j


eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j

Dan kita bisa mencantumkan huruf k sebagai pengganti angka-angka indeks yang polanya
sama, dimana k bergerak mulai dari angka 1 hingga angka 3, atau kita nyatakan k=1,2,3.

eij = aik .bkj + aik .bkj + aik .bkj


eij = aik .bkj + aik .bkj + aik .bkj
eij = aik .bkj + aik .bkj + aik .bkj
eij = aik .bkj + aik .bkj + aik .bkj

Kemudian secara sederhana dapat ditulis sebagai berikut

eij = aik .bkj + aik .bkj + aik .bkj (1.12)

Selanjutnya dapat ditulis pula formula berikut

3
X
eij = aik bkj (1.13)
k=1

dimana i=1,2; j=1,2; dan k=1,2,3.


Berdasarkan contoh ini, maka secara umum bila ada matrik An×m yang dikalikan dengan ma-
trik Bm×p , akan didapatkan matrik En×p dimana elemen-elemen matrik E memenuhi

m
X
eij = aik bkj (1.14)
k=1

dengan i=1,2,. . . ,n; j=1,2. . . ,p; dan k=1,2. . . ,m.

1.4.4 Komputasi perkalian matrik

Komputasi operasi perkalian antara matrik A2×3 dan B3×2 dilakukan melalui 2 tahap; pertama
adalah memberikan nilai 0 (nol) pada elemen-elemen matrik E2×2 dengan cara (dalam matlab)

1 for i=1:2
2 for j=1:2
3 E(i,j)=0.0;
4 end
5 end
1.4. OPERASI MATEMATIKA 13

dalam Fortran77

1 do i=1,2
2 do j=1,2
3 E(i,j)=0.0
4 end do
5 end do

kedua adalah menghitung perkalian matrik dengan cara (dalam matlab)

1 for i=1:2
2 for j=1:2
3 for k=1:3
4 E(i,j)=E(i,j)+A(i,k)*B(k,j);
5 end
6 end
7 end

dalam Fortran77

1 do i=1,2
2 do j=1,2
3 do k=1,3
4 E(i,j)=E(i,j)+A(i,k)*B(k,j)
5 end do
6 end do
7 end do

Sebentar.., sebelum dilanjut tolong perhatikan penempatan indeks i, j dan k pada script di atas.
Mengapa indeks i didahulukan daripada indeks j dan k? Ini bukan sesuatu yang kebetulan.
Dan ini juga bukan sekedar mengikuti urutan huruf abjad i,j,k. Sekali lagi ingin saya tegaskan
bahwa penempatan yang demikian semata-mata mengikuti aturan umum yaitu looping yang
indeksnya berubah paling cepat harus diletakkan paling dalam; sebaliknya, looping paling
luar adalah looping yang indeksnya paling jarang berubah. Kalau anda perhatikan dengan
teliti, pasti anda akan menemukan fakta bahwa indeks k paling cepat berubah. Kemudian
disusul oleh indeks j. Lalu yang paling jarang berubah adalah indeks i. Itulah sebabnya,
penempatan urutan indeks pada script di atas harus dimulai dari i terlebih dahulu sebagai
looping terluar, kemudian indeks j, dan yang terakhir indeks k sebagai looping terdalam.
Tentu saja anda bisa mengubah ukurannya sesuai dengan keperluan atau kebutuhan anda.
Jika ukuran matrik A dinyatakan secara umum sebagai n x m dan matrik B berukuran m x p,
maka bentuk pernyataan komputasinya dalam Matlab menjadi

1 for i=1:n
2 for j=1:p
3 E(i,j)=0.0;
4 end
5 end
6 for i=1:n
14 BAB 1. MATRIK DAN KOMPUTASI

7 for j=1:p
8 for k=1:m
9 E(i,j)=E(i,j)+A(i,k)*B(k,j);
10 end
11 end
12 end

dalam Fortran77

1 do i=1,n
2 do j=1,p
3 E(i,j)=0.0
4 end do
5 end do
6 do i=1,n
7 do j=1,p
8 do k=1,m
9 E(i,j)=E(i,j)+A(i,k)*B(k,j)
10 end do
11 end do
12 end do

dimana akan diperoleh hasil berupa matrik E yang berukuran n x p.

1.4.5 Perkalian matrik dan vektor-kolom

Operasi perkalian antara matrik dan vektor-kolom sebenarnya sama saja dengan perkalian an-
tara dua matrik. Hanya saja ukuran vektor-kolom boleh dibilang spesial yaitu m x 1, dimana
m merupakan jumlah baris sementara jumlah kolomnya hanya satu. Misalnya matrik A, pa-
da contoh 1, dikalikan dengan vektor-kolom x yang berukuran 3 x 1 atau disingkat dengan
mengatakan vektor-kolom x berukuran 3, lalu hasilnya (misalnya) dinamakan vektor-kolom y

y = Ax

 
" # 2
3 8 5  
y = 3
6 4 7
4
" #
3.2 + 8.3 + 5.4
=
6.2 + 4.3 + 7.4
" #
50
=
52

Sekali lagi, tanpa mempedulikan nilai elemen-elemen masing-masing, operasi perkalian antara
matrik A dan vektor-kolom x, bisa juga dinyatakan dalam indeksnya masing-masing, yaitu
" # " #
y1 a11 .x1 + a12 .x2 + a13 .x3
=
y2 a21 .x1 + a22 .x2 + a23 .x3
1.4. OPERASI MATEMATIKA 15

Bila dijabarkan, maka elemen-elemen vektor-kolom y adalah

y1 = a11 .x1 + a12 .x2 + a13 .x3


y2 = a21 .x1 + a22 .x2 + a23 .x3

kemudian secara sederhana dapat diwakili oleh rumus berikut

3
X
yi = aij xj
j=1

dimana i=1,2.
Berdasarkan contoh tersebut, secara umum bila ada matrik A berukuran n x m yang dikalikan
dengan vektor-kolom x berukuran m, maka akan didapatkan vektor-kolom y berukuran n x 1
dimana elemen-elemen vektor-kolom y memenuhi
m
X
yi = aij xj (1.15)
j=1

dengan i=1,2,. . . ,n.

1.4.6 Komputasi perkalian matrik dan vektor-kolom

Sama seperti perkalian dua matrik, komputasi untuk operasi perkalian antara matrik A beruku-
ran n x m dan vektor-kolom x berukuran m dilakukan melalui 2 tahap; pertama adalah mem-
berikan nilai 0 (nol) pada elemen-elemen vektor-kolom y yang berukuran n. Lalu tahap kedua
adalah melakukan proses perkalian. Kedua tahapan ini digabung jadi satu dalam program
berikut ini

1 for i=1:n
2 b(i,1)=0.0;
3 end
4 for i=1:n
5 for j=1:m
6 b(i,1)=b(i,1)+A(i,j)*x(j,1);
7 end
8 end

dan dalam Fortran

1 do i=1,n
2 b(i,1)=0.0
3 end do
4 do i=1,n
5 do j=1,m
6 b(i,1)=b(i,1)+A(i,j)*x(j,1)
7 end do
8 end do
16 BAB 1. MATRIK DAN KOMPUTASI

1.5 Penutup

Demikianlah catatan singkat dan sederhana mengenai jenis-jenis matrik dasar yang seringkali
dijumpai dalam pengolahan data fisika secara numerik. Semuanya akan dijadikan acuan atau
referensi pada pembahasan topik-topik numerik yang akan datang.

1.6 Latihan

Diketahui matrik A, matrik B, dan vektor x sebagai berikut


     
1 3 −6 −2 8 1 4 21 0.4178
     
5 9 7 5.6  3 10 5 0.1 −2.9587
A=
  B=
  x=
 
2 4 8 −1  7 −2 9 −5  56.3069 

 
2.3 1.4 0.8 −2.3 2.7 −12 −8.9 5.7 8.1

1. Buatlah script untuk menyelesaikan penjumlahan matrik A dan matrik B.

2. Buatlah script untuk menyelesaikan perkalian matrik A dan matrik B.

3. Buatlah script untuk menyelesaikan perkalian matrik A dan vektor x.

4. Buatlah script untuk menyelesaikan perkalian matrik A dan vektor x.


Bab 2

Metode Eliminasi Gauss

✍ Objektif :
⊲ Mengenalkan sistem persamaan linear.
⊲ Mengenalkan teknik triangularisasi dan substitusi mundur.
⊲ Aplikasi metode Eliminasi Gauss menggunakan matrik.
⊲ Membuat algoritma metode Eliminasi Gauss.
⊲ Menghitung invers matrik menggunakan metode Eliminasi Gauss.

2.1 Sistem persamaan linear

Secara umum, sistem persamaan linear dinyatakan sebagai berikut

Pn : an1 x1 + an2 x2 + ... + ann xn = bn (2.1)

dimana a dan b merupakan konstanta, x adalah variable, n = 1, 2, 3, ....


Contoh pertama
Misalnya ada sistem persamaan linear yang terdiri dari empat buah persamaan yaitu P1 ,
P2 , P3 , dan P4 seperti berikut ini:

P1 : x1 + x2 + 3x4 = 4
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = -3
P4 : −x1 + 2x2 + 3x3 − x4 = 4

Problem dari sistem persamaan linear adalah bagaimana mencari nilai pengganti bagi vari-
abel x1 , x2 , x3 , dan x4 sehingga semua persamaan diatas menjadi benar. Langkah awal penye-
lesaian problem tersebut adalah dengan melakukan penyederhanaan sistem persamaan linear.

17
18 BAB 2. METODE ELIMINASI GAUSS

2.2 Triangularisasi dan Substitusi Mundur

Ada banyak jalan untuk mendapatkan bentuk yang lebih sederhana, namun masalahnya, ki-
ta ingin mendapatkan sebuah algoritma program yang nantinya bisa berjalan di komputer,
sedemikian rupa sehingga apapun persamaannya, bisa disederhanakan oleh komputer. Kita
akan berpatokan pada tiga buah aturan operasi untuk menyederhanakan sistem persamaan
linear di atas, yaitu

• Persamaan Pi dapat dikalikan dengan sembarang konstanta λ, lalu hasilnya ditempatkan


di posisi persamaan Pi . Simbol operasi ini adalah (λPi ) → (Pi ).

• Persamaan Pj dapat dikalikan dengan sembarang konstanta λ kemudian dijumlahkan


dengan persamaan Pi , lalu hasilnya ditempatkan di posisi persamaan Pi . Simbol operasi
ini adalah (Pi + λPj ) → (Pi ).

• Persamaan Pi dan Pj dapat bertukar posisi. Simbol operasi ini adalah (Pi ) ↔ (Pj ).

Maka dengan berpegang pada aturan-aturan tersebut, problem sistem persamaan linear di atas
akan diselesaikan dengan langkah-langkah berikut ini:

1. Gunakan persamaan P1 untuk menghilangkan variabel x1 dari persamaan P2 , P3 dan P4


dengan cara (P2 − 2P1 ) → (P2 ), (P3 − 3P1 ) → (P3 ) dan (P4 + P1 ) → (P4 ). Hasilnya akan
seperti ini

P1 : x1 + x2 + 3x4 = 4,
P2 : −x2 − x3 − 5x4 = −7,
P3 : −4x2 − x3 − 7x4 = −15,
P4 : 3x2 + 3x3 + 2x4 = 8

2. Gunakan persamaan P2 untuk menghilangkan variabel x2 dari persamaan P3 dan P4


dengan cara (P3 − 4P2 ) → (P3 ) dan (P4 + 3P2 ) → (P4 ). Hasilnya akan seperti ini

P1 : x1 + x2 + 3x4 = 4,
P2 : −x2 − x3 − 5x4 = −7,
P3 : 3x3 + 13x4 = 13,
P4 : −13x4 = −13

Kalau x3 masih ada di persamaan P4 , dibutuhkan satu operasi lagi untuk menghilangkan-
nya. Namun hasil operasi pada langkah ke-2 ternyata sudah otomatis menghilangkan x3 .
Bentuk akhir dari keempat persamaan di atas, dikenal sebagai bentuk triangular.
Sampai dengan langkah ke-2 ini, kita berhasil mendapatkan sistem persamaan linear
yang lebih sederhana. Apa yang dimaksud dengan sederhana dalam konteks ini? Su-
atu sistem persamaan linear dikatakan sederhana bila kita bisa mendapatkan seluruh ni-
lai pengganti variabelnya dengan cara yang lebih mudah atau dengan usaha yang tidak
2.2. TRIANGULARISASI DAN SUBSTITUSI MUNDUR 19

memakan waktu lama dibandingkan sebelum disederhanakan. Sekali kita mendapatkan


nilai pengganti bagi variabel x4 , maka x3 , x2 dan x1 akan diperoleh dengan mudah dan
cepat, sebagaimana yang dijelaskan pada langkah berikutnya.

3. Selanjutnya kita jalankan proses backward-substitution. Melalui proses ini, yang perta-
ma kali didapat adalah nilai pengganti bagi variabel x4 , kemudian x3 , lalu diikuti x2 , dan
akhirnya x1 .

−13
P4 : x4 = = 1,
−13
1 1
P3 : x3 = (13 − 13x4 ) = (13 − 13) = 0,
3 3
P2 : x2 = −(−7 + 5x4 + x3 ) = −(−7 + 5 + 0) = 2,
P1 : x1 = 4 − 3x4 − x2 = 4 − 3 − 2 = −1

Jadi solusinya adalah x1 = −1, x2 = 2, x3 = 0 dan x4 = 1. Coba sekarang anda cek,


apakah semua solusi ini cocok dan tepat bila dimasukan ke sistem persamaan linear yang
pertama, yaitu yang belum disederhanakan?

OK, mudah-mudahan ngerti ya... Kalau belum paham, coba diulangi bacanya sekali lagi.
Atau, sekarang kita beralih kecontoh yang lain.
20 BAB 2. METODE ELIMINASI GAUSS

Contoh kedua
Misalnya ada sistem persamaan linear, terdiri dari empat buah persamaan yaitu P1 , P2 , P3 ,
dan P4 seperti berikut ini:

P1 : x1 − x2 + 2x3 − x4 = -8
P2 : 2x1 − 2x2 + 3x3 − 3x4 = -20
P3 : x1 + x2 + x3 = -2
P4 : x1 − x2 + 4x3 + 3x4 = 4

Seperti contoh pertama, solusi sistem persamaan linear di atas akan dicari dengan langkah-
langkah berikut ini:

1. Gunakan persamaan P1 untuk menghilangkan x1 dari persamaan P2 , P3 dan P4 dengan


cara (P2 − 2P1 ) → (P2 ), (P3 − P1 ) → (P3 ) dan (P4 − P1 ) → (P4 ). Hasilnya akan seperti ini

P1 : x1 − x2 + 2x3 − x4 = −8,
P2 : −x3 − x4 = −4,
P3 : 2x2 − x3 + x4 = 6,
P4 : 2x3 + 4x4 = 12

Perhatikan persamaan P2 ! Akibat dari langkah yang pertama tadi, x2 hilang dari per-
samaan P2 . Kondisi ini bisa menggagalkan proses triangularisasi. Untuk itu, posisi P2
mesti ditukar dengan persamaan yang berada dibawahnya, yaitu P3 atau P4 . Supaya
proses triangularisasi dilanjutkan kembali, maka yang paling cocok adalah ditukar den-
gan P3 .

2. Tukar posisi persamaan P2 dengan persamaan P3 , (P2 ↔ P3 ). Hasilnya akan seperti ini

P1 : x1 − x2 + 2x3 − x4 = −8,
P2 : 2x2 − x3 + x4 = 6,
P3 : −x3 − x4 = −4,
P4 : 2x3 + 4x4 = 12

3. Gunakan persamaan P3 untuk menghilangkan x3 dari persamaan P4 dengan cara (P4 −


2P3 ) → (P4 ). Hasilnya akan seperti ini

P1 : x1 − x2 + 2x3 − x4 = −8,
P2 : 2x2 − x3 + x4 = 6,
P3 : −x3 − x4 = −4,
P4 : 2x4 = 4

Sampai disini proses triangularisasi telah selesai.


2.3. MATRIK DAN ELIMINASI GAUSS 21

4. Selanjutnya adalah proses backward-substitution. Melalui proses ini, yang pertama kali
didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 , dan akhirnya x1 .

4
P4 : x4 = = 2,
2
−4 + x4
P3 : x3 = = 2,
−1
6 + x3 − x4
P2 : x2 = = 3,
2
P1 : x1 = −8 + x2 − 2x3 + x4 = −7

Jadi solusinya adalah x1 = −7, x2 = 3, x3 = 2 dan x4 = 2.

Berdasarkan kedua contoh di atas, untuk mendapatkan solusi sistem persamaan linear, diper-
lukan operasi triangularisasi dan proses backward-substitution. Kata backward-substitution
kalau diterjemahkan kedalam bahasa indonesia, menjadi substitusi-mundur. Gabungan pros-
es triangularisasi dan substitusi-mundur untuk menyelesaikan sistem persamaan linear dike-
nal sebagai metode eliminasi gauss.

2.3 Matrik dan Eliminasi Gauss

Sejumlah matrik bisa digunakan untuk menyatakan suatu sistem persamaan linear. Sejenak,
mari kita kembali lagi melihat sistem persamaan linear secara umum seperti berikut ini:

a11 x1 + a12 x2 + . . . + a1n xn = b1


a21 x1 + a22 x2 + . . . + a2n xn = b2
............... = ...
............... = ...
an1 x1 + an2 x2 + . . . + ann xn = bn

Sementara, kalau dinyatakan dalam bentuk operasi matrik, maka akan seperti ini:
    
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n x2 b2
    
   
 . .. ..  .. = ..  (2.2)
 .
 . . . . .
   
   
an1 an2 . . . ann xn bn

Dalam mencari solusi suatu sistem persamaan linear dengan metode eliminasi gauss, bentuk
operasi matrik di atas dimanipulasi menjadi matrik augment, yaitu suatu matrik yang beruku-
22 BAB 2. METODE ELIMINASI GAUSS

ran n x (n + 1) seperti berikut ini:


   
a11 a12 . . . a1n | b1 a11 a12 . . . a1n | a1,n+1
 a21 a22 . . . a2n | b2   a21 a22 . . . a2n | a2,n+1
   

 . .. .. . = . .. .. ..  (2.3)
 .
| ..
  .
 . . .   . . . | .


an1 an2 . . . ann | bn an1 an2 . . . ann | an,n+1

Berdasarkan contoh pertama yang ada dihalaman depan catatan ini, saya akan tunjukkan pros-
es triangularisasi dan substitusi-mundur dalam operasi matrik terhadap sistem persamaan lin-
ear yang terdiri dari empat persamaan matematika, yaitu (silakan lihat kembali contoh pertama):
    
1 1 0 3 x1 4
    
 2 1 −1 1   x2   1 
  = 
 3 −1 −1 2   x   −3 
  3   
−1 2 3 −1 x4 4

Lalu kita dapat membuat matrik augment sebagai berikut:


 
1 1 0 3 | 4
 
 2 1 −1 1 | 1 
 
 3 −1 −1 2 | −3 
 
−1 2 3 −1 | 4

Kemudian kita lakukan operasi triangularisai terhadap matrik augment, dimulai dari kolom
pertama, yaitu
 
1 1 0 3 | 4
 
 0 −1 −1 −5 | −7 
 
 0 −4 −1 −7 | −15 
 
0 3 3 2 | 8

lalu dilanjutkan ke kolom berikutnya


 
1 1 0 3 | 4
 
 0 −1 −1 −5 | −7 
 
 0 0 3 13 | 13 
 
0 0 0 −13 | −13

Sebelum dilanjutkan ke substitusi-mundur, saya ingin menegaskan peranan angka-angka in-


deks dari masing-masing elemen matrik augment tersebut. Silakan perhatikan posisi masing-
2.4. ALGORITMA ELIMINASI GAUSS 23

masing elemen berikut ini:


   
1 1 0 3 | 4 a11 a12 a13 a14 | a15
   
 0 −1 −1 −5 | −7
 →  a21 a22 a23 a24 | a25
  
 
 0 0 3 13 | 13  a
 31 a32 a33 a34 | a35
 
  
0 0 0 −13 | −13 a41 a42 a43 a44 | a45

Dengan memperhatikan angka-angka indeks pada matrik augment di atas, kita akan menco-
ba membuat rumusan proses substitusi-mundur untuk mendapatkan seluruh nilai pengganti
variabel x. Dimulai dari x4 ,
a45 −13
x4 = = =1
a44 −13
ini dapat dinyatakan dalam rumus umum, yaitu

an,n+1
xn =
ann

lalu dilanjutkan dengan x3 , x2 , dan x1 .

a35 − a34 x4 13 − [(13)(1)]


x3 = = =0
a33 3
a25 − (a23 x3 + a24 x4 ) (−7) − [(−1)(0) + (−5)(1)]
x2 = = =2
a22 (−1)
a15 − (a12 x2 + a13 x3 + a14 x4 ) 4 − [(1)(2) + (0)(0) + (3)(1)]
x1 = = = −1
a11 1

ini juga dapat dinyatakan dalam rumus umum yaitu:


Pn
ai,n+1 − j=i+1 aij xj
xi =
aii

Proses triangularisasi dan substitusi-mundur dibakukan menjadi algoritma metode eliminasi


gauss yang dapat diterapkan dalam berbagai bahasa pemrograman komputer, misalnya for-
tran, C, java, pascal, matlab, dan lain-lain.

2.4 Algoritma eliminasi Gauss

Secara umum, sistem persamaan linear adalah sebagai berikut:

a11 x1 + a12 x2 + . . . + a1n xn = b1


a21 x1 + a22 x2 + . . . + a2n xn = b2
.. .. .
. . = ..
an1 x1 + an2 x2 + . . . + ann xn = bn

Algoritma dasar metode eliminasi gauss, adalah sebagai berikut:

1. Ubahlah sistem persamaan linear tersebut menjadi matrik augment, yaitu suatu matrik
24 BAB 2. METODE ELIMINASI GAUSS

yang berukuran n x (n + 1) seperti berikut ini:


   
a11 a12 . . . a1n | b1 a11 a12 . . . a1n | a1,n+1
 a21 a22 . . . a2n | b2   a21 a22 . . . a2n | a2,n+1
   

 . .. .. . = . .. .. ..  (2.4)
 .
| ..
  .
 . . .   . . . | .


an1 an2 . . . ann | bn an1 an2 . . . ann | an,n+1

Jelas terlihat bahwa elemen-elemen yang menempati kolom terakhir matrik augment
adalah nilai dari bi ; yaitu ai,n+1 = bi dimana i = 1, 2, ..., n.

2. Periksalah elemen-elemen pivot. Apakah ada yang bernilai nol? Elemen-elemen pivot
adalah elemen-elemen yang menempati diagonal suatu matrik, yaitu a11 , a22 , ..., ann
atau disingkat aii . Jika aii 6= 0, bisa dilanjutkan ke langkah no.3. Namun, jika ada elemen
diagonal yang bernilai nol, aii = 0, maka baris dimana elemen itu berada harus ditukar
posisinya dengan baris yang ada dibawahnya, (Pi ) ↔ (Pj ) dimana j = i + 1, i + 2, ..., n,
sampai elemen diagonal matrik menjadi tidak nol, aii 6= 0. (Kalau kurang jelas, silakan lihat
lagi contoh kedua yang ada dihalaman 3. Sebaiknya, walaupun elemen diagonalnya tidak nol,
namun mendekati nol (misalnya 0,03), maka proses pertukaran ini dilakukan juga).

3. Proses triangularisasi. Lakukanlah operasi berikut:

aji
Pj − Pi → Pj (2.5)
aii

dimana j = i + 1, i + 2, ..., n. Maka matrik augment akan menjadi:


 
a11 a12 a13 . . . a1n | a1,n+1
 
 0 a22 a23 . . . a2n | a2,n+1 
 
 0 0 a33 . . . a3n | a3,n+1 
  (2.6)
 . .. .. .. .. .. 
 .. . . . . | . 
 
0 0 0 0 ann | an,n+1

4. Hitunglah nilai xn dengan cara:


an,n+1
xn = (2.7)
ann

5. Lakukanlah proses substitusi-mundur untuk memperoleh xn−1 , xn−2 , ..., x2 , x1 dengan


cara: Pn
ai,n+1 − j=i+1 aij xj
xi = (2.8)
aii
dimana i = n − 1, n − 2, ..., 2, 1.

Demikianlan algoritma dasar metode eliminasi gauss. Selanjutnya algoritma dasar tersebut
perlu dirinci lagi sebelum dapat diterjemahkan kedalam bahasa pemrograman komputer.
2.4. ALGORITMA ELIMINASI GAUSS 25

2.4.1 Algoritma

Algoritma metode eliminasi gauss untuk menyelesaikan n x n sistem persamaan linear.

P1 : a11 x1 + a12 x2 + . . . + a1n xn = b1


P2 : a21 x1 + a22 x2 + . . . + a2n xn = b2
.. .. .. .
. . . = ..
Pn : an1 x1 + an2 x2 + . . . + ann xn = bn

INPUT: sejumlah persamaan linear dimana konstanta-konstanta-nya menjadi elemen-elemen


matrik augment A = (aij ), dengan 1 ≤ i ≤ n dan 1 ≤ j ≤ n + 1.
OUTPUT: solusi x1 , x2 , x3 , ..., xn atau pesan kesalahan yang mengatakan bahwa sistem per-
samaan linear tidak memiliki solusi yang unik.

• Langkah 1: Inputkan konstanta-konstanta dari sistem persamaan linear kedalam elemen-


elemen matrik augment, yaitu suatu matrik yang berukuran n x (n + 1) seperti berikut
ini:
   
a11 a12 . . . a1n | b1 a11 a12 . . . a1n | a1,n+1
 a21 a22 . . . a2n | b2   a21 a22 . . . a2n | a2,n+1
   

 . .. .. . = . .. .. ..  (2.9)
 .
| ..
  .
 . . .   . . . | .


an1 an2 . . . ann | bn an1 an2 . . . ann | an,n+1

• Langkah 2: Untuk i = 1, ..., n − 1, lakukan Langkah 3 sampai Langkah 5.

• Langkah 3: Definisikan p sebagai integer dimana i ≤ p ≤ n. Lalu pastikan bahwa


api 6= 0. Jika ada elemen diagonal yang bernilai nol (aii = 0), maka program harus
mencari dan memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang
sama dengan kolom tempat elemen diagonal tersebut berada. Jadi saat proses ini
berlangsung, integer i (indeks dari kolom) dibuat konstan, sementara integer p (in-
deks dari baris) bergerak dari p = i sampai p = n. Bila ternyata setelah mencapai
elemen paling bawah dalam kolom tersebut, yaitu saat p = n tetap didapat nilai
api = 0, maka sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki
solusi yang unik. Lalu program berakhir: STOP.

• Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh


elemen yang tidak nol (api 6= 0), maka bisa dipastikan p 6= i. Jika p 6= i maka
lakukan proses pertukaran (Pp ) ↔ (Pi ).

• Langkah 5: Untuk j = i + 1, .., n, lakukan Langkah 6 dan Langkah 7.

• Langkah 6: Tentukan mji ,


aji
mji =
aii
26 BAB 2. METODE ELIMINASI GAUSS

• Langkah 7: Lakukan proses triangularisasi,

(Pj − mji Pi ) → (Pj )

• Langkah 8: Setelah proses triangularisasi dilalui, periksalah ann . Jika ann = 0, kirimkan
pesan: sistem persamaan linear tidak memiliki solusi yang unik. Lalu program berakhir:
STOP.

• Langkah 9: Jika ann 6= 0, lakukan proses substitusi mundur, dimulai dengan menentukan
xn ,
an,n+1
xn =
ann

• Langkah 10: Untuk i = n − 1, ..., 1 tentukan xi ,


Pn
ai,n+1 − j=i+1 aij xj
xi =
aii

• Langkah 11: Diperoleh solusi yaitu x1 , x2 , ..., xn . Algoritma telah dijalankan dengan suk-
ses. STOP.

Saya telah membuat program sederhana dalam fortran untuk mewujudkan algoritma elim-
inasi gauss. Saya berasumsi bahwa anda sudah menguasai dasar-dasar pemrograman dalam
fortran. Program ini sudah dicoba di-compile dengan fortran77 under Linux Debian dan
visual-fortran under windows-XP.
Langkah-langkah yang tercantum pada program ini disesuaikan dengan langkah-langkah
yang tertulis di atas. Dalam program ini, ukuran maksimum matrik augment adalah 10 x
11, untuk mencari 10 variabel yang tidak diketahui. Jika anda bermaksud memperbesar atau
memperkecil ukuran matrik augment, silakan sesuaikan angka ukuran matrik yang anda in-
ginkan pada statemen pertama dari program ini, yaitu statemen DIMENSION. Inilah program-
nya,

1 DIMENSION A(10,11), X(10)


2 REAL MJI
3 WRITE (*,*) ’=PROGRAM ELIMINASI GAUSS=’
4 WRITE (*,*)
5 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK AUGMENT
6 WRITE (*,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
7 READ (*,*) N
8 WRITE (*,*)
9 WRITE (*,*) ’MASUKAN ELEMEN-ELEMEN MATRIK AUGMENT’
10 M = N + 1
11 DO 50 I = 1,N
12 DO 60 J = 1,M
13 WRITE (*,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
14 READ (*,*) A(I,J)
15 60 CONTINUE
16 50 CONTINUE
17 WRITE (*,*)
18 C MENAMPILKAN MATRIK AUGMENT
2.4. ALGORITMA ELIMINASI GAUSS 27

19 WRITE (*,’(1X,A)’) ’MATRIK AUGMENT:’


20 DO 110 I = 1,N
21 WRITE (*,’(1X,5(F14.8))’) (A(I,J),J=1,M)
22 110 CONTINUE
23 WRITE (*,*)
24 C LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT DAN PROSES TUKAR POSISI
25 NN = N-1
26 DO 10 I=1,NN
27 C LANGKAH 3: MENDEFINISIKAN P
28 P = I
29 100 IF (ABS(A(P,I)).GE.1.0E-20 .OR. P.GT.N) GOTO 200
30 P = P+1
31 GOTO 100
32 200 IF(P.EQ.N+1)THEN
33 C MENAMPILKAN PESAN TIDAK UNIK
34 WRITE(*,5)
35 GOTO 400
36 END IF
37 C LANGKAH 4: PROSES TUKAR POSISI
38 IF(P.NE.I) THEN
39 DO 20 JJ=1,M
40 C = A(I,JJ)
41 A(I,JJ) = A(P,JJ)
42 A(P,JJ) = C
43 20 CONTINUE
44 END IF
45 C LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI
46 JJ = I+1
47 DO 30 J=JJ,N
48 C LANGKAH 6: TENTUKAN MJI
49 MJI = A(J,I)/A(I,I)
50 C LANGKAH 7: MELAKUKAN PROSES TRIANGULARISASI
51 DO 40 K=JJ,M
52 A(J,K) = A(J,K)-MJI*A(I,K)
53 40 CONTINUE
54 A(J,I) = 0
55 30 CONTINUE
56 10 CONTINUE
57 C MENAMPILKAN HASIL TRIANGULARISASI
58 WRITE (*,’(1X,A)’) ’HASIL TRIANGULARISASI:’
59 DO 120 I = 1,N
60 WRITE (*,’(1X,5(F14.8))’) (A(I,J),J=1,M)
61 120 CONTINUE
62 C LANGKAH 8: MEMERIKSA ELEMEN A(N,N)
63 IF(ABS(A(N,N)).LT.1.0E-20) THEN
64 C MENAMPILKAN PESAN TIDAK UNIK
65 WRITE(*,5)
66 GOTO 400
67 END IF
68 C LANGKAH 9: MENGHITUNG X(N)
69 X(N) = A(N,N+1)/A(N,N)
70 C LANGKAH 10: PROSES SUBSTITUSI MUNDUR
71 L = N-1
72 DO 15 K=1,L
73 I = L-K+1
74 JJ = I+1
75 SUM = 0.0
76 DO 16 KK=JJ,N
77 SUM = SUM+A(I,KK)*X(KK)
28 BAB 2. METODE ELIMINASI GAUSS

78 16 CONTINUE
79 X(I) = (A(I,N+1)-SUM)/A(I,I)
80 15 CONTINUE
81 C LANGKAH 11: MENAMPILKAN HASIL PERHITUNGAN
82 WRITE (*,*)
83 WRITE (*,7)
84 DO 18 I = 1,N
85 WRITE (*,’(1X,A,I2,A,F14.8)’) ’X(’,I,’) = ’,X(I)
86 18 CONTINUE
87 400 STOP
88
89 5 FORMAT(1X,’SISTEM LINEAR TIDAK MEMILIKI SOLUSI YANG UNIK’)
90 7 FORMAT(1X,’SOLUSI UNIK’)
91 END

Script eliminasi gauss dalam matlab juga telah dibuat. Namun dalam anda perlu memodifikasi
elemen-elemen matrik A agar sesuai dengan data yang hendak anda olah.

1 clear all
2 clc
3 A(1,1)=1;
4 A(1,2)=1;
5 A(1,3)=-1;
6 A(1,4)=0;
7 A(2,1)=6;
8 A(2,2)=-4;
9 A(2,3)=0;
10 A(2,4)=24;
11 A(3,1)=6;
12 A(3,2)=0;
13 A(3,3)=2;
14 A(3,4)=10;
15 A
16 n=3 %jumlah persamaan
17 pause
18
19 %========== Proses Triangularisasi =========
20 for j=1:(n-1)
21
22 %----mulai proses pivot---
23 if (A(j,j)==0)
24 for p=1:n+1
25 u=A(j,p);
26 v=A(j+1,p);
27 A(j+1,p)=u;
28 A(j,p)=v;
29 end
30 end
31 %----akhir proses pivot---
32 jj=j+1;
33 for i=jj:n
34 m=A(i,j)/A(j,j);
35 for k=1:(n+1)
36 A(i,k)=A(i,k)-(m*A(j,k));
37 end
38 end
39 end
40 A
2.5. CONTOH APLIKASI 29

41 pause
42 %========= Akhir Proses Triangularisasi ===
43
44 %------Proses Substitusi mundur-------------
45 x(n,1)=A(n,n+1)/A(n,n);
46
47 for i=n-1:-1:1
48 S=0;
49 for j=n:-1:i+1
50 S=S+A(i,j)*x(j,1);
51 end
52 x(i,1)=(A(i,n+1)-S)/A(i,i);
53 end
54 x

2.5 Contoh aplikasi

2.5.1 Menghitung arus listrik

Gunakan metode Eliminasi Gauss untuk menentukan arus i1 , i2 dan i3 yang mengalir pada
rangkaian berikut ini

jawab:
Berdasarkan Hukum Kirchhoff:

I1 + I2 = I3
10 − 6I1 − 2I3 = 0
−14 + 6I1 − 10 − 4I2 = 0

Lalu kita susun ulang ketiga persamaan di atas menjadi seperti ini:

I1 + I2 − I3 = 0
6I1 + 2I3 = 10
6I1 − 4I2 = 24
30 BAB 2. METODE ELIMINASI GAUSS

Kemudian dinyatakan dalam bentuk matriks:


    
1 1 −1 I1 0
 6 −4 0   I2  =  24 
    

6 0 2 I3 10

Selanjutkan kita susun matriks augmentasi sebagai berikut:


 
1 1 −1 0
 6 −4 0 24 
 

6 0 2 10

Langkah berikutnya adalah menghitung matriks triangularisasi dengan langkah-langkah se-


bagai berikut:

a21 6
m= = = 6
a11 1
a21 = a21 − m.a11 = 6 − (6).(1) = 0
a22 = a22 − m.a12 = −4 − (6).(1) = −10
a23 = a23 − m.a13 = 0 − (6).(−1) = 6
a24 = a24 − m.a14 = 24 − (6).(0) = 24

a31 6
m= = = 6
a11 1
a31 = a31 − m.a11 = 6 − (6).(1) = 0
a32 = a32 − m.a12 = 0 − (6).(1) = −6
a33 = a33 − m.a13 = 2 − (6).(−1) = 8
a34 = a34 − m.a14 = 10 − (6).(0) = 10

Sampai disini matriks augment mengalami perubahan menjadi


 
1 1 −1 0
 0 −10 6 24 
 

0 −6 8 10
2.6. MENGHITUNG INVERS MATRIK 31

Kelanjutan langkah menuju triangularisasi adalah

a32 −6
m= =
a22 −10
−6
a31 = a31 − m.a21 = 0 − ( ).(0) = 0
−10
−6
a32 = a32 − m.a22 = −6 − ( ).(−10) = 0
−10
−6
a33 = a33 − m.a23 = 8 − ( ).(6) = 4, 4
−10
−6
a34 = a34 − m.a24 = 10 − ( ).(24) = −4, 4
−10

maka matriks triangularisasi berhasil didapat yaitu


 
1 1 −1 0
 0 −10 6 24 
 

0 0 4, 4 −4, 4

Sekarang tinggal melakukan proses substitusi mundur

a34 −4, 4
I3 = = = −1
a33 4, 4
a24 − a23 .I3 24 − (6).(−1)
I2 = = = −3
a22 −10
a14 − (a13 .I3 + a12 .I2 ) (0 − [(−1).(−1) + (1).(−3)]
I1 = = =2
a11 1

Dengan demikian, besar masing-masing arus pada rangkaian di atas adalah I1 = 2A, I2 = −3A
dan I3 = −1A. Tanda minus (-) memiliki arti bahwa arah arus yang sesungguhnya berlawanan
arah dengan asumsi awal yang kita gunakan.

2.6 Menghitung invers matrik

Sekali lagi saya ulangi apa yang pernah kita bahas di awal bab ini yaitu bahwa sistem per-
samaan linear dapat dinyatakan sebagai berikut:

a11 x1 + a12 x2 + . . . + a1n xn = b1


a21 x1 + a22 x2 + . . . + a2n xn = b2
............... = ...
............... = ...
an1 x1 + an2 x2 + . . . + ann xn = bn

Sistem persamaan linear tersebut dapat dinyatakan dalam bentuk operasi matrik,

Ax = b (2.10)
32 BAB 2. METODE ELIMINASI GAUSS

sehingga bentuknya menjadi seperti ini:


    
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n x2 b2
    
   
 . .. ..  .. = .. 
 .
 . . . . .
   
   
an1 an2 . . . ann xn bn

dimana
     
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n x2 b2
     
    
A=
 .. .. .. , x= .. , b= .. 
 . . . . .
    
    
an1 an2 . . . ann xn bn

Dalam kaitannya dengan invers matrik, matrik A disebut matrik non-singular jika matrik
A memiliki matrik invers dirinya yaitu A−1 . Atau dengan kata lain, matrik A−1 adalah invers
dari matrik A. Jika matrik A tidak memiliki invers, maka matrik A disebut singular. Bila
matrik A dikalikan dengan matrik A−1 maka akan menghasilkan matrik identitas I, yaitu suatu
matrik yang elemen-elemen diagonalnya bernilai 1.
 
1 0 ... 0
0 1 ... 0 
 
AA−1 = I = 

.. .. . . ..  (2.11)
. . . . 
 

0 0 ... 1

Misalnya diketahui,

− 29 5
− 19
   
1 2 −1 9
A= 2 1 0 , A−1 =  4
− 91 2
   
9 9 
−1 1 2 − 13 3
1 1
3

Bila keduanya dikalikan, maka akan menghasilkan matrik identitas,

− 29 5
− 19
    
1 2 −1 9 1 0 0
AA−1 =  2 1 0   49 − 91 2
= 0 1 0 
    
9
−1 1 2 − 13 3
1 1
3 0 0 1

Lalu bagaimana cara mendapatkan matrik invers, A−1 ? Persamaan (2.11) bisa dijadikan
pedoman..
AA−1 = I

    
1 2 −1 i11 i12 i13 1 0 0
2 1 0   i21 i22 i23  =  0 1 0 
    

−1 1 2 i31 i32 i33 0 0 1
2.6. MENGHITUNG INVERS MATRIK 33

dalam hal ini matrik A−1 adalah


 
i11 i12 i13
A−1 =  i21 i22 i23 
 

i31 i32 i33

Elemen-elemen matrik invers, A−1 dapat diperoleh dengan menerapkan metode eliminasi
gauss. Diawali dengan membentuk matrik augment:
 
1 2 −1 | 1 0 0
2 1 0 | 0 1 0 
 

−1 1 2 | 0 0 1

Lalu dilanjutkan dengan proses triangularisasi: (P2 −2P1 )→(P2 ) dan (P3 +P1 )→(P3 ), kemudian
diikuti oleh (P3 + P2 )→(P3 ):
   
1 2 −1 | 1 0 0 1 2 −1 | 1 0 0
 0 −3 2 | −2 1 0  →  0 −3 2 | −2 1 0 
   

0 3 1 | 1 0 1 0 0 3 | −1 1 1

Langkah berikutnya, matrik augment yang telah mengalami triangularisasi tersebut dipecah
menjadi tiga buah matrik augment seperti berikut ini:
     
1 2 −1 | 1 1 2 −1 | 0 1 2 −1 | 0
 0 −3 2 | −2   0 −3 2 | 1   0 −3 2 | 0 
     

0 0 3 | −1 0 0 3 | 1 0 0 3 | 1

Langkah pamungkasnya adalah melakukan proses substitusi mundur pada ketiga matrik aug-
ment di atas, sehingga diperoleh:

i11 = − 92 i12 = 5
9 i13 = − 19
4
i21 = 9 i22 = − 91 i23 = 2
9
i31 = − 13 i32 = 1
3 i33 = 1
3

Hasil tersebut digabung menjadi sebuah matrik, yaitu matrik A−1 ,

− 29 5
− 19
 
9
A−1 =  4
− 91 2
 
9 9 
− 13 1
3
1
3

Keberadaan matrik A−1 bisa digunakan untuk menyelesaikan sistem persamaan linear
34 BAB 2. METODE ELIMINASI GAUSS

(mencari nilai x ), dengan cara sebagai berikut

Ax = b
A−1 Ax = A−1 b
Ix = A−1 b
x = A−1 b (2.12)

Contoh berikut ini akan menjelaskan prosesnya secara lebih rinci. Misalnya diketahui sistem
persamaan linear

x1 + 2x2 − x3 = 2
2x1 + x2 = 3
−x1 + x2 + 2x3 = 4

Bila dikonversikan kedalam operasi matrik menjadi


    
1 2 −1 x1 2
2 1 0   x2  =  3 
    

−1 1 2 x3 4

Berdasarkan persamaan (2.12), maka elemen-elemen vektor x dapat dicari dengan cara

x = A−1 b

− 92 5
− 91 7
    
9 2 9
4
x= − 19 2
 3  =  13
    
9 9 9 
− 13 1
3
1
3 4 5
3

Akhirnya diperoleh solusi x1 = 7/9, x2 = 13/9, dan x3 = 5/3. Penyelesaian sistem persamaan
linear menjadi lebih mudah bila matrik A−1 sudah diketahui. Sayangnya, untuk mendap-
atkan matrik A−1 , diperlukan langkah-langkah, seperti yang sudah dibahas pada contoh per-
tama di atas, yang berakibat in-efisiensi proses penyelesaian (secara komputasi) bila diband-
ingkan dengan metode eliminasi gauss untuk memecahkan sistem persamaan linear. Namun
bagaimanapun, secara konseptual kita dianjurkan mengetahui cara bagaimana mendapatkan
matrik A−1 .
Saya telah memodifikasi program eliminasi gauss yang terdahulu, untuk keperluan perhi-
tungan matrik invers. Program ini ditulis dengan bahasa fortran, sudah berhasil dikompilasi
dalam Linux Debian (g77) dan Windows XP (Visual Fortran). Inilah programnya,

1 DIMENSION A(10,20), D(10,10), X(10)


2 REAL MJI
3 INTEGER TKR, BK, TK, Q
4 WRITE (*,*) ’=PROGRAM INVERS MATRIK DENGAN ELIMINASI GAUSS=’
5 WRITE (*,*)
2.6. MENGHITUNG INVERS MATRIK 35

6 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A


7 WRITE (*,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
8 READ (*,*) N
9 WRITE (*,*)
10 WRITE (*,*) ’MASUKAN ELEMEN-ELEMEN MATRIK A’
11 M = N + 1
12 DO 50 I = 1,N
13 DO 60 J = 1,N
14 WRITE (*,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
15 READ (*,*) A(I,J)
16 60 CONTINUE
17 50 CONTINUE
18 C LANGKAH 2: MENDEFINISIKAN MATRIK IDENTITAS
19 WRITE (*,*) ’MENDEFINISIKAN MATRIK IDENTITAS’
20 DO 70 I = 1,N
21 DO 80 J = M,N+N
22 A(I,J) = 0
23 IF (I+N .EQ. J) THEN
24 A(I,J) = 1
25 END IF
26 80 CONTINUE
27 70 CONTINUE
28 WRITE (*,*)
29 C MENAMPILKAN MATRIK AUGMENT
30 WRITE (*,’(1X,A)’) ’MATRIK AUGMENT:’
31 DO 110 I = 1,N
32 WRITE (*,’(1X,5(F14.8))’) (A(I,J),J=1,N+N)
33 110 CONTINUE
34 WRITE (*,*)
35 C MENGHITUNG JUMLAH TUKAR (TKR) POSISI. MULA2 TKR = 0
36 TKR = 0
37 C MENGHITUNG JUMLAH OPERASI BAGI/KALI (BK).
38 BK = 0
39 C MENGHITUNG JUMLAH OPERASI TAMBAH/KURANG (TK).
40 TK = 0
41 C LANGKAH 3: MEMERIKSA ELEMEN2 PIVOT DAN PROSES TUKAR POSISI
42 NN = N-1
43 DO 10 I=1,NN
44 C LANGKAH 4: MENDEFINISIKAN P
45 P = I
46 100 IF (ABS(A(P,I)).GE.1.0E-20 .OR. P.GT.N) GOTO 200
47 P = P+1
48 GOTO 100
49 200 IF(P.EQ.N+1)THEN
50 C MENAMPILKAN PESAN SINGULAR
51 WRITE(*,5)
52 GOTO 400
53 END IF
54 C LANGKAH 5: PROSES TUKAR POSISI
55 IF(P.NE.I) THEN
56 DO 20 JJ=1,N+N
57 C = A(I,JJ)
58 A(I,JJ) = A(P,JJ)
59 A(P,JJ) = C
60 TKR = TKR + 1
61 20 CONTINUE
62 END IF
63 C LANGKAH 6: PERSIAPAN PROSES TRIANGULARISASI
64 JJ = I+1
36 BAB 2. METODE ELIMINASI GAUSS

65 DO 30 J=JJ,N
66 C LANGKAH 7: TENTUKAN MJI
67 MJI = A(J,I)/A(I,I)
68 BK = BK + 1
69 C LANGKAH 8: MELAKUKAN PROSES TRIANGULARISASI
70 DO 40 K=JJ,N+N
71 A(J,K) = A(J,K)-MJI*A(I,K)
72 BK = BK + 1
73 TK = TK + 1
74 40 CONTINUE
75 A(J,I) = 0
76 30 CONTINUE
77 10 CONTINUE
78 C MENAMPILKAN HASIL TRIANGULARISASI
79 WRITE (*,’(1X,A)’) ’HASIL TRIANGULARISASI:’
80 DO 120 I = 1,N
81 WRITE (*,’(1X,5(F14.8))’) (A(I,J),J=1,N+N)
82 120 CONTINUE
83 C LANGKAH 9: MEMERIKSA ELEMEN A(N,N)
84 IF(ABS(A(N,N)).LT.1.0E-20) THEN
85 C MENAMPILKAN PESAN SINGULAR
86 WRITE(*,5)
87 GOTO 400
88 END IF
89 DO 500 J = 1,N
90 Q=N+J
91 C LANGKAH 10: MENGHITUNG A(N,N)
92 D(J,N) = A(N,Q)/A(N,N)
93 BK = BK + 1
94 C LANGKAH 11: PROSES SUBSTITUSI MUNDUR
95 L = N-1
96 DO 15 K=1,L
97 I = L-K+1
98 JJ = I+1
99 SUM = 0.0
100 DO 16 KK=JJ,N
101 SUM = SUM+A(I,KK)*D(J,KK)
102 BK = BK + 1
103 TK = TK + 1
104 16 CONTINUE
105 D(J,I) = (A(I,Q)-SUM)/A(I,I)
106 BK = BK + 1
107 TK = TK + 1
108 15 CONTINUE
109 500 CONTINUE
110 C LANGKAH 12: MENAMPILKAN HASIL PERHITUNGAN
111 WRITE (*,*)
112 WRITE (*,’(1X,A)’) ’MATRIK INVERS:’
113 DO 220 I = 1,N
114 WRITE (*,’(1X,5(F14.8))’) (D(J,I),J=1,N)
115 220 CONTINUE
116 WRITE(*,8) TKR
117 WRITE(*,9) BK
118 WRITE(*,11) TK
119 400 STOP
120 5 FORMAT(1X,’MATRIK A BERSIFAT SINGULAR’)
121 8 FORMAT(1X,’JUMLAH TUKAR POSISI = ’,3X,I5)
122 9 FORMAT(1X,’JUMLAH OPERASI BAGI/KALI = ’,3X,I6)
123 11 FORMAT(1X,’JUMLAH OPERASI JUMLAH/KURANG = ’,3X,I6)
2.7. PENUTUP 37

124 END

2.7 Penutup

Silakan anda coba aplikasikan program di atas dengan berbagai sistem persamaan linear yang
pernah dijadikan contoh pada catatan terdahulu. Saya cukupkan sementara sampai disini.
Insya Allah akan saya sambung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan
hubungi saya melalui email yang tercantum di halaman paling depan.
Bab 3

Aplikasi Eliminasi Gauss pada Masalah


Inversi

✍ Objektif :
⊲ Mengenalkan model garis.
⊲ Mengenalkan model parabola.
⊲ Mengenalkan model bidang.

Pada bab ini, saya mencoba menuliskan aplikasi Metode Eliminasi Gauss sebagai dasar-
dasar teknik inversi yaitu meliputi model garis, model parabola dan model bidang. Uraian ap-
likasi tersebut diawali dari ketersediaan data observasi, lalu sejumlah parameter model mesti
dicari dengan teknik inversi. Mari kita mulai dari model garis.

3.1 Inversi Model Garis

Pengukuran temperatur terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa


semakin dalam, temperatur semakin tinggi. Misalnya telah dilakukan sebanyak empat kali (N
= 4) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel pengukuran
secara sederhana disajikan seperti ini:

Tabel 3.1: Data temperatur bawah permukaan tanah terhadap kedalaman


Pengukuran ke-i Kedalaman (m) Temperatur (O C)
1 z1 = 5 T1 = 35
2 z2 = 16 T2 = 57
3 z3 = 25 T3 = 75
4 z4 = 100 T4 = 225

Grafik sebaran data observasi ditampilkan pada Gambar (3.1). Lalu kita berasumsi bahwa
variasi temperatur terhadap kedalaman ditentukan oleh rumus berikut ini:

m1 + m2 zi = Ti (3.1)

39
40 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

Variasi temperatur terhadap kedalaman


250

200
Temperatur (Celcius)

150

100

50

0
0 10 20 30 40 50 60 70 80 90 100
Kedalaman (meter)

Gambar 3.1: Sebaran data observasi antara temperatur dan kedalaman

dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut model
matematika. Sedangkan m1 dan m2 disebut parameter model. Pada model matematika di atas
terdapat dua buah parameter model, (M = 2). Sementara jumlah data observasi ada empat,
(N = 4), yaitu nilai-nilai kedalaman, zi , dan temperatur, Ti . Berdasarkan model tersebut, kita
bisa menyatakan temperatur dan kedalaman masing-masing sebagai berikut:

m1 + m2 z1 = T1
m1 + m2 z2 = T2
m1 + m2 z3 = T3
m1 + m2 z4 = T4

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
   
1 z1 T1
 " #  
 1 z2  m1  T2 

 1 z

 m =
 T

 (3.2)
 3  2  3 
1 z4 T4

Lalu ditulis secara singkat


Gm = d (3.3)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
3.1. INVERSI MODEL GARIS 41

patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya

Gt Gm = Gt d (3.4)

dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:

1. Tentukan transpos dari matrik kernel, yaitu Gt


 
1 z1 " #
 
 1 z2  1 1 1 1
G=
  ⇒ Gt =
 1 z 
3  z1 z2 z3 z4
1 z4

2. Tentukan Gt G
 
" # 1 z1
 " P #
1 1 1 1  1 z2 N zi
Gt G =

 = P P 2
z1 z2 z3 z4 
 1 z3

 zi zi
1 z4

dimana N = 4 dan i = 1, 2, 3, 4.

3. Kemudian tentukan pula Gt d


 
" # T1
 " P #
t 1 1 1 1  T2  T i
Gd=  = P
z1 z2 z3 z4 
 T3 
 z i Ti
T4

4. Sekarang persamaan (3.4) dapat dinyatakan sebagai


" P #" # " P #
N zi m1 Ti
P P 2 = P (3.5)
zi zi m2 z i Ti

5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
" P P #
N zi | Ti
P P 2 P
zi zi | z i Ti

6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
42 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

tabel pengukuran dihalaman depan.


" #
4 146 | 392
146 10906 | 25462

7. Lakukan proses triangularisasi dengan operasi (P2 − (36, 5)P1 ) → P2 . Saya sertakan
pula indeks masing-masing elemen pada matrik augment sebagaimana yang telah saya
lakukan pada catatan kuliah yang berjudul Metode Eliminasi Gauss. Hasilnya adalah
" # " #
4 146 | 392 a11 a12 | a13
=
0 5577 | 11154 a21 a22 | a23

8. Terakhir, tentukan konstanta m1 dan m2 yang merupakan elemen-elemen vektor kolom


m, dengan proses substitusi mundur. Pertama tentukan m2

a23 11154
m2 = = =2
a22 5577

lalu tentukan m1
a13 − a12 m2 392 − (146)(2)
m1 = = = 25
a11 4

3.1.1 Script matlab inversi model garis

Script inversi model garis ini dibangun dari beberapa script yang sudah kita pelajari sebelum-
nya, yaitu script transpose matriks, perkalian matrik dan script eliminasi gauss. Silakan pela-
jari maksud tiap-tiap baris pada script ini.

1 clc
2 clear all
3
4 disp(’Data observasi’)
5 z1=5;
6 z2=16;
7 z3=25;
8 z4=100;
9
10 T(1,1)=35;
11 T(2,1)=57;
12 T(3,1)=75;
13 T(4,1)=225;
14
15 disp(’Elemen-elemen matriks kernel G’)
16 G(1,1)=1;
17 G(1,2)=z1;
18 G(2,1)=1;
19 G(2,2)=z2;
20 G(3,1)=1;
21 G(3,2)=z3;
22 G(4,1)=1;
23 G(4,2)=z4;
24 G
3.1. INVERSI MODEL GARIS 43

25 d=T;
26 d
27
28 N=4; %jumlah data
29 M=2; %model parameter
30
31 disp(’Mencari G transpos’)
32 for i=1:N
33 for j=1:M
34 GT(j,i)=G(i,j);
35 end
36 end
37 GT
38
39 disp(’Perkalian GT dan G’)
40 for i=1:M
41 for j=1:M
42 GTG(i,j)=0;
43 end
44 end
45 for i=1:M
46 for j=1:M
47 for k=1:N
48 GTG(i,j)=GTG(i,j)+GT(i,k)*G(k,j);
49 end
50 end
51 end
52 GTG
53
54 disp(’Perkalian GT dan d’)
55 for i=1:M
56 for j=1:1
57 GTd(i,j)=0;
58 end
59 end
60 for i=1:M
61 for j=1:1
62 for k=1:N
63 GTd(i,j)=GTd(i,j)+GT(i,k)*d(k,j);
64 end
65 end
66 end
67 GTd
68
69 A=GTG;
70 %====== Menggabungkan Vektor GTd kedalam matrik A ========
71 n=M;
72 for i=1:n
73 A(i,n+1)=GTd(i,1);
74 end
75 A
76
77 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
78 %---------Proses Triangularisasi-----------
79 for j=1:(n-1)
80
81 %----mulai proses pivot---
82 if (A(j,j)==0)
83 for p=1:n+1
44 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

84 u=A(j,p);
85 v=A(j+1,p);
86 A(j+1,p)=u;
87 A(j,p)=v;
88 end
89 end
90 %----akhir proses pivot---
91 jj=j+1;
92 for i=jj:n
93 m=A(i,j)/A(j,j);
94 for k=1:(n+1)
95 A(i,k)=A(i,k)-(m*A(j,k));
96 end
97 end
98 end
99 %-------------------------------------------
100
101 %------Proses Substitusi mundur-------------
102 x(n,1)=A(n,n+1)/A(n,n);
103
104 for i=n-1:-1:1
105 S=0;
106 for j=n:-1:i+1
107 S=S+A(i,j)*x(j,1);
108 end
109 x(i,1)=(A(i,n+1)-S)/A(i,i);
110 end
111 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
112 disp(’Model parameter yang dicari’)
113 m=x

Sebetulnya, matlab telah menyediakan fungsi-fungsi intrinsik yang bisa digunakan sehing-
ga dapat memperkecil jumlah baris pada script di atas. Dari line 28 sampai line 113 dapat
dipangkas menjadi

1 m=inv(G’*G)*G’*d %Proses inversi linear

Lalu mengapa kita harus bersusah payah membangun script yang begitu panjang bila mat-
lab bisa melakukannya dengan mudah? Karena kita sedang mempelajari teknik-teknik kom-
putasi untuk menyelesaikan problem sains dan teknik. Kita tidak sedang belajar matlab. Ja-
di teknik-teknik yang dipelajari disini harus bisa diterapkan di selain matlab. Script singkat
m = inv(G′ ∗ G) ∗ G′ ∗ d hanya berlaku di matlab, sementara script yang panjangnya 113 line
dapat diterjemahkan dengan sangat mudah ke dalam bahasa pemrograman selain matlab.
Demikianlah contoh aplikasi metode Eliminasi Gauss dengan substitusi mundur. Anda
bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki ben-
tuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model persamaan
garis atau disingkat model garis: y = m1 + m2x. Selanjutnya mari kita pelajari inversi model
parabola.
3.2. INVERSI MODEL PARABOLA 45

3.2 Inversi Model Parabola

Pengukuran temperatur terhadap kedalaman di bawah permukaan bumi menunjukkan bah-


wa semakin dalam, temperatur semakin tinggi. Misalnya telah dilakukan sebanyak delapan
kali (N = 8) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel pen-
gukuran secara sederhana disajikan seperti ini:

Tabel 3.2: Data temperatur bawah permukaan tanah terhadap kedalaman


Pengukuran ke-i Kedalaman (m) Temperatur (O C)
1 z1 = 5 T1 = 21, 75
2 z2 = 8 T2 = 22, 68
3 z3 = 14 T3 = 25, 62
4 z4 = 21 T4 = 30, 87
5 z5 = 30 T5 = 40, 5
6 z6 = 36 T6 = 48, 72
7 z7 = 45 T7 = 63, 75
8 z8 = 60 T8 = 96

Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus
berikut ini:
m1 + m2 zi + m3 zi2 = Ti (3.6)

dimana m1 , m2 dan m3 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut
model. Sedangkan m1 , m2 dan m3 disebut model parameter. Jadi pada model di atas terdapat
tiga buah model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai
temperatur T1 , T2 ,..., dan T8 . Berdasarkan model tersebut, kita bisa menyatakan temperatur
dan kedalaman masing-masing sebagai berikut:

m1 + m2 z1 + m3 z12 = T1
m1 + m2 z2 + m3 z22 = T2
m1 + m2 z3 + m3 z32 = T3
m1 + m2 z4 + m3 z42 = T4
m1 + m2 z5 + m3 z52 = T5
m1 + m2 z6 + m3 z62 = T6
m1 + m2 z7 + m3 z72 = T7
m1 + m2 z8 + m3 z82 = T8
46 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
   
1 z1 z12 T1
1 z2 z22 
   
  T2 
   
 1 z3 z32 
    T3 

m

1
1 z4 z42 
   
   T4 
  m2  = 
  (3.7)
 1 z5 z52  T
 5 

m
 
3
1 z6 z62 
   
  T6 
   

 1 z7 z72 

 T 
 7 
1 z8 z82 T8

Lalu ditulis secara singkat


Gm = d (3.8)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
patkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya

Gt Gm = Gt d (3.9)

dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:

1. Tentukan transpos dari matrik kernel, yaitu Gt


 
1 z1 z12
1 z2 z22 
 

 
 1 z3 z32   
1 1 1 1 1 1 1 1
 
2
 
1 z4 z4 
Gt =  z1 z2 z3 z4 z5 z6 z7 z8 

G= ⇒
  
 1 z5 z52 
z12 z22 z32 z42 z52 z62 z72 z82
 
2
 

 1 z6 z6 

 1 z7 z72 

1 z8 z82

2. Tentukan Gt G
 
1 z1 z12
1 z2 z22 
 

 
  1 z3 z32 
  P P 2 
1 1 1 1 1 1 1 1 N z zi

i
1 z4 z42 
 
t 
G G =  z1 z2 z3 z4 z5 z6 z7 = zi2 zi3 
P P P
z8   zi
  
 2
1 z5 z5 
z12 z22 z32 z42 z52 z62 z72 2
P 2 P 3 P 4
z8  zi zi zi

2


 1 z6 z6 

 1 z7 z72 

1 z8 z82
3.2. INVERSI MODEL PARABOLA 47

dimana N = 8 dan i = 1, 2, 3, ..., 8.

3. Kemudian tentukan pula Gt d


 
T1
 

 T2 

  T3 
  P 
1 1 1 1 1 1 1 1 Ti

 
t  T4 
G d =  z1 z2 z3 z4 z5 z6 z7 = P
z8   z i Ti 
 

 T5 

z12 z22 z32 z42 z52 z62 z72 z82 
P 2
z i Ti



 T6 


 T7 

T8

4. Sekarang persamaan (3.14) dapat dinyatakan sebagai (ini khan least square juga...!?)
 P P 2    P 
N zi zi m1 Ti
P 2 P 3 
zi   m2  = 
 P   P
zi zi z i Ti  (3.10)


P 2 P 3 P 4 P 2
zi zi zi m3 z i Ti

5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
 P P 2 P 
N zi zi | Ti
 P P 2 P 3 P
zi zi zi | z i Ti 


P 2 P 3 P 4 P 2
zi zi zi | z i Ti

6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
 
8 219 8547 | 349, 89
 219 8547 393423 | 12894, 81 
 

8547 393423 19787859 | 594915, 33

7. Lakukan proses triangularisasi dengan operasi (P2 − (219/8)P1 ) → P2 . Hasilnya adalah


 
8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57 
 

8547 393423 19787859 | 594915, 33

8. Masih dalam proses triangularisai, operasi berikutnya (P3 − (8547/8)P1 ) → P3 . Hasilnya


48 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

adalah
 
8 219 8547 | 349, 89
 0 2551, 88 159448, 88 | 3316, 57 
 

0 159448.88 10656457, 88 | 221101, 6

9. Masih dalam proses triangularisai, operasi berikutnya (P3 − (159448, 88/2551, 88)P2 ) →
P3 . Hasilnya adalah
 
8 219 8547 | 349, 89
 0 2551, 88 159448, 88 | 3316, 57  (3.11)
 

0 0 693609, 48 | 13872, 19

Seperti catatan yang lalu, saya ingin menyertakan pula notasi masing-masing elemen
pada matrik augment sebelum melakukan proses substitusi mundur.
   
8 219 8547 | 349, 89 a11 a12 a13 | a14
 0 2551, 88 159448, 88 | 3316, 57  ⇔  a21 a22 a23 | a24 
   

0 0 693609, 48 | 13872, 19 a31 a32 a33 | a34

10. Terakhir, tentukan konstanta m1 , m2 dan m3 yang merupakan elemen-elemen vektor


kolom m, dengan proses substitusi mundur. Pertama tentukan m3

a34 13872, 19
m3 = = = 0, 02
a33 693609, 48

lalu m2
a24 − a23 m3 3316, 57 − (159448, 88)(0, 02)
m2 = = = 0, 05
a22 2551, 88
dan m1

a14 − (a12 m2 + a13 m3 ) 349, 89 − [(219)(0, 05) + (8547)(0, 02)


m1 = = = 21
a11 8

3.2.1 Script matlab inversi model parabola

Perbedaan utama script ini dengan script inversi model garis terletak pada inisialisasi elemen-
elemen matrik kernel. Elemen-elemen matrik kernel sangat ditentukan oleh model matematika
yang digunakan. Seperti pada script ini, matrik kernelnya diturunkan dari persamaan parabo-
la.

1 clc
2 clear all
3
4 z1=5;
5 z2=8;
6 z3=14;
7 z4=21;
3.2. INVERSI MODEL PARABOLA 49

8 z5=30;
9 z6=36;
10 z7=45;
11 z8=60;
12
13 T(1,1)=21.75;
14 T(2,1)=22.68;
15 T(3,1)=25.62;
16 T(4,1)=30.87;
17 T(5,1)=40.5;
18 T(6,1)=48.72;
19 T(7,1)=63.75;
20 T(8,1)=96;
21
22 G(1,1)=1;
23 G(1,2)=z1;
24 G(1,3)=z1^2;
25 G(2,1)=1;
26 G(2,2)=z2;
27 G(2,3)=z2^2;
28 G(3,1)=1;
29 G(3,2)=z3;
30 G(3,3)=z3^2;
31 G(4,1)=1;
32 G(4,2)=z4;
33 G(4,3)=z4^2;
34 G(5,1)=1;
35 G(5,2)=z5;
36 G(5,3)=z5^2;
37 G(6,1)=1;
38 G(6,2)=z6;
39 G(6,3)=z6^2;
40 G(7,1)=1;
41 G(7,2)=z7;
42 G(7,3)=z7^2;
43 G(8,1)=1;
44 G(8,2)=z8;
45 G(8,3)=z8^2;
46
47 G
48 d=T;
49 d
50
51 N=8; %jumlah data
52 M=3; %model parameter
53 pause
54
55
56 %%%%%===========Proses inversi==============
57 disp(’Mencari G transpos’)
58 for i=1:N
59 for j=1:M
60 GT(j,i)=G(i,j);
61 end
62 end
63 GT
64
65 disp(’Perkalian GT dan G’)
66 for i=1:M
50 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

67 for j=1:M
68 GTG(i,j)=0;
69 end
70 end
71 for i=1:M
72 for j=1:M
73 for k=1:N
74 GTG(i,j)=GTG(i,j)+GT(i,k)*G(k,j);
75 end
76 end
77 end
78 GTG
79
80 disp(’Perkalian GT dan d’)
81 for i=1:M
82 for j=1:1
83 GTd(i,j)=0;
84 end
85 end
86 for i=1:M
87 for j=1:1
88 for k=1:N
89 GTd(i,j)=GTd(i,j)+GT(i,k)*d(k,j);
90 end
91 end
92 end
93 GTd
94
95 A=GTG;
96 %====== Menggabungkan Vektor GTd kedalam matrik A ========
97 n=M;
98 for i=1:n
99 A(i,n+1)=GTd(i,1);
100 end
101 A
102 pause
103
104 disp(’Hasil Eliminasi Gauss’)
105 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
106 %---------Proses Triangularisasi-----------
107 for j=1:(n-1)
108
109 %----mulai proses pivot---
110 if (A(j,j)==0)
111 for p=1:n+1
112 u=A(j,p);
113 v=A(j+1,p);
114 A(j+1,p)=u;
115 A(j,p)=v;
116 end
117 end
118 %----akhir proses pivot---
119 jj=j+1;
120 for i=jj:n
121 m=A(i,j)/A(j,j);
122 for k=1:(n+1)
123 A(i,k)=A(i,k)-(m*A(j,k));
124 end
125 end
3.3. INVERSI MODEL BIDANG 51

126 end
127 %-------------------------------------------
128
129 %------Proses Substitusi mundur-------------
130 x(n,1)=A(n,n+1)/A(n,n);
131
132 for i=n-1:-1:1
133 S=0;
134 for j=n:-1:i+1
135 S=S+A(i,j)*x(j,1);
136 end
137 x(i,1)=(A(i,n+1)-S)/A(i,i);
138 end
139 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
140 %%%%%%%%%%%=====AKHIR DARI INVERSI MODEL GARIS==========
141 m=x

Demikianlah contoh aplikasi metode Eliminasi Gauss dengan substitusi mundur. Anda
bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki ben-
tuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu memiliki tiga buah
model parameter yang tidak diketahui dalam bentuk persamaan parabola: y = m1 + m2 x +
m3 x2 . Pada catatan berikutnya, saya akan membahas model yang mengandung tiga model
parameter dalam 2 dimensi.

3.3 Inversi Model Bidang

Dalam catatan ini saya belum sempat mencari contoh pengukuran yang sesuai untuk model
2-dimensi. Maka, saya ingin langsung saja mengajukan sebuah model untuk 2-dimensi berikut
ini:
m1 + m2 xi + m3 yi = di (3.12)

dimana m1 , m2 dan m3 merupakan model parameter yang akan dicari. Adapun yang berlaku
sebagai data adalah d1 , d2 , d3 , ..., di . Berdasarkan model tersebut, kita bisa menyatakan temper-
atur dan kedalaman masing-masing sebagai berikut:

m1 + m2 x1 + m3 y1 = d1
m1 + m2 x2 + m3 y2 = d2
m1 + m2 x3 + m3 y3 = d3
.. .. .. .. ..
. . . . .
m1 + m2 xN + m3 yN = dN
52 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
   
1 x1 y1 d1
    

 1 x2 y2  m1
 d2 
 

 1 x3 y3   m2  =  d3 
   
 .. .. .. 

 ... 
 

 . . .  m3  
1 xN yN dN

Lalu ditulis secara singkat


Gm = d (3.13)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
patkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya

Gt Gm = Gt d (3.14)

dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu Gt
 
1 x1 y1
 
1 x2 y2 
 

  1 1 1 ··· 1
G= 1 x3 y3  ⇒ Gt =  x1 x2 x3 · · · xN 
  

 .. .. .. 

 . . . 
 y1 y2 y3 · · · yN
1 xN yN

2. Tentukan Gt G
 
1 x1 y1
  
1 x2 y2 
 P P 
1 1 1 ··· 1 
  N xi yi
Gt G =  x1 x2 x3 · · · xN 1 x3 y3 
P 2 P
=
 P
xi xi xi yi 
  

 .. .. ..  P P P 2
y1 y2 y 3 · · · yN 
 . . . 
 yi xi yi yi
1 xN yN

dimana N = jumlah data. dan i = 1, 2, 3, ..., N .

3. Kemudian tentukan pula Gt d


 
d1
   P
d2 
 
1 1 1 ··· 1 
  di
Gt d =  x1 x2 x3 · · · xN d3 =
 P
xi di 
  

 .. 
 P
y1 y2 y3 · · · yN 
 .  yi d i
dN
3.4. CONTOH APLIKASI 53

4. Sekarang, persamaan (3.14) dapat dinyatakan sebagai


 P P    P 
N xi yi m1 di
P 2 P
xi yi   m2  = 
 P   P
xi xi xi di  (3.15)
 

P P P 2 P
yi xi yi yi m3 yi d i

5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
 P P P 
N xi yi | di
 P P 2 P P
xi xi xi yi | xi di 


P P P 2 P
yi xi yi yi | yi d i

6. Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model lin-
ear dan model parabola)

Anda bisa mengaplikasikan data pengukuran yang anda miliki, dengan syarat kasus yang
anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan
ini, yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan
bidang (atau 2-dimensi): d = m1 + m2 x + m3 y.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email: supri@f isika.ui.ac.id.

3.4 Contoh aplikasi

3.4.1 Menghitung gravitasi di planet X

Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera mengelu-
arkan kamera otomatis, lalu melakukan ekperimen kinematika yaitu dengan melempar batu
vertikal ke atas. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut

Tabel 3.3: Data ketinggian terhadap waktu dari planet X


Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m)
0,00 5,00 2,75 7,62
0,25 5,75 3,00 7,25
0,50 6,40 3,25 6,77
0,75 6,94 3,50 6,20
1,00 7,38 3,75 5,52
1,25 7,72 4,00 4,73
1,50 7,96 4,25 3,85
1,75 8,10 4,50 2,86
2,00 8,13 4,75 1,77
2,25 8,07 5,00 0,58
2,50 7,90

Plot data pengukuran waktu vs ketinggian diperlihatkan sebagai berikut


54 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

6
Tinggi (meter)

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Waktu (detik)

Gambar 3.2: Grafik data pengukuran gerak batu

Anda diminta untuk membantu pengolahan data di atas. Jika anda menggunakan asumsi
model matematik dari Gerak-Lurus-Berubah-Beraturan (GLBB) seperti ini

1
ho + vo t − gt2 = h
2

maka gunakanlah prinsip-prinsip inversi untuk menentukan kecapatan awal, vo dan konstanta
gravitasi, g pada planet tersebut.

jawab:
Berdasarkan tabel di atas, diketahui terdapat 21 data. Ketinggian pada saat t = 0 adalah ho = 5
m. Untuk mencari vo dan g menggunakan metode inversi, mula-mula kita definisikan terlebih
dahulu m1 dan m2 :
1
m1 = vo m2 = − g
2
sehingga persamaan model GLBB menjadi

5 + m1 ti + m2 t2i = hi

dimana i menunjukkan data ke-i. Langkah selanjutnya adalah menentukan nilai tiap-tiap ele-
3.4. CONTOH APLIKASI 55

men matrik kernel, yaitu dengan memasukan semua data kedalam persamaan model GLBB

5 + m1 t1 + m2 t21 = h1
5 + m1 t2 + m2 t22 = h2
5 + m1 t3 + m2 t23 = h3
.. .. .
. . = ..
5 + m1 t20 + m2 t220 = h20

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
 
5 t1 t21  
h1
t22 
 
 5 t2
 h2
   
t23 


 5 t3 " # 
 h3

 m1 
t24 

 5 t4 =

 .

 ..
 m 
.. .. .. 

 2 
 . . .   
 h19
   
2

 5 t19 t19 
h20

5 t20 t220

Sebelum dilanjut, coba perhatikan dengan teliti operasi matrik di atas. Adakah yang janggal??
Yep.. matrik kernel G berukuran 20x3 sementara vektor m berukuran 2x1, tentu saja operasi
perkalian matrik akan gagal. Untuk menghindarinya, kita tambahkan m0 pada vektor m, se-
hingga operasi tersebut menjadi
 
5 t1 t21  
h1
t22 
 
 5 t2
  h2
   
t23 

 5 t3  m0  
  h3
  
t24 
 
 5 t4 
m1 =  .

 ..
  
.. .. .. 
  
m2

 . . .   
 h19
   
2

 5 t19 t19 
h20

5 t20 t220

Namun, perlu dicatat bahwa m0 harus punya syarat, yaitu harus bernilai 1 atau m0 =1. Ini
boleh dibilang sebagai sebuah aksioma, atau sesuatu yang tak perlu dibuktikan lagi tapi tak
bisa dibantah. Tinggal nanti bisa kita periksa hasil inversinya. Bila m0 bernilai 1, maka proses
inversi dianggap sukses. Kemudian operasi matrik tersebut bisa ditulis secara singkat

Gm = d

Untuk menyelesaikan persamaan matrik ini, diperlukan modifikasi berikut

GT Gm = GT d (3.16)
56 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

dimana T disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
m0 , m1 dan m2 , diperlukan langkah-langkah perhitungan berikut ini:

1. Tentukan transpos dari matrik kernel, yaitu Gt


 
5 t1 t21
t22 
 

 5 t2 
5 t3 t23 
 
5 5 5 5 ... 5 5

 
t24  GT =  t1 t2 t3 t4 . . . t19 t20 
 
G= 5 t4 ⇒
 
.. .. .. 
 
t21 t22 t23 t24 . . . t219 t220


 . . . 


 5 t19 t219 

5 t20 2
t20

2. Tentukan GT G
 
5 t1 t21
t22 
 
 5 t2
  
5 t3 t23  25N 5 ti 5 t2i
 P P 
5 5 5 5 ... 5 5

 
T  t24 
  P
5 t4
P 2 P 3 
G G =  t1 t2 t3 t4 . . . t19 t20    =  5 P ti P ti t 


.. .. ..  P i4
t21 t22 t23 t24 . . . t219 2
t20  5 ti 2 3
ti ti

 . . . 

 5 t19 2
t19 

5 t20 t220

dimana N = 20 dan i = 1, 2, ..., 20.

3. Kemudian tentukan pula GT d


 
h1
 
 h2 
   P
h3 
 
5 5 5 5 ... 5 5 5 hi

 
T    P
G d =  t1 t2 t3 t4 . . . t19

t20   h4  =  P ti hi 

.. 

t21 t22 t23 t24 . . . t219 t220  t2i hi

 . 


 h19 

h20

4. Sekarang persamaan (3.16) dapat dinyatakan sebagai

25N 5 ti 5 t2i
 P P    P 
m0 5 hi
P 2 P 3 
ti   m1  = 
 P   P
 5 ti ti ti hi  (3.17)

5 t2i
P P 3 P 4 P 2
ti ti m2 ti hi
3.4. CONTOH APLIKASI 57

6
Ketinggian (m)

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Waktu (dt)

Gambar 3.3: Grafik hasil inversi parabola

    
500 262, 5 896, 9 m0 607, 5
 262, 5 179, 4 689, 1   m1  =  273, 7 
    

896, 9 689, 1 2822, 9 m2 796, 3

Hasil operasi matriks ini dapat diselesaikan dengan metode Eliminasi Gauss, yaitu
   
m0 0, 9999
 m1  =  3, 2009 
   

m2 −0, 8169

Lihatlah! m0 = 0,9999 atau mendekati 1. Dan ini sesuai dengan aksioma yang telah dinyatakan
di awal bahwa memang m0 harus bernilai 1. Jika m0 tidak bernilai 1 berarti teknik inversinya
salah total.

Hasil inversi juga menunjukkan bahwa kecepatan awal yaitu saat batu dilempar ke atas
adalah sebesar m1 = vo = 3,2009 m/dt. Adapun percepatan gravitasi diperoleh dari m2 dimana
m2 = − 21 g = -0,8169. Sehingga nilai g adalah sebesar 1,6338 m/dt2 .

Gambar 3.3 memperlihatkan grafik kurva hasil inversi. Garis berwarna biru merupakan
garis kurva fitting hasil inversi parabola. Sedangkan bulatan berwarna merah adalah data pen-
gukuran ketinggian (m) terhadap waktu (dt). Jelas terlihat bahwa garis kurva berwarna biru
benar-benar cocok melewati semua titik data pengukuran. Ini menunjukkan tingkat akurasi
yang sangat tinggi. Sehingga nilai kecepatan awal dan gravitasi hasil inversi cukup valid un-
tuk menjelaskan gerak batu di planet X.
58 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

Berikut adalah script inversi dalam Matlab untuk memecahkan masalah ini

1 clear all
2 clc;
3
4 N=20; %jumlah data
5 M=3; %model parameter
6 for i=1:N
7 t(i)=i*0.25;
8 end
9 h(1)=5.75;
10 h(2)=6.40;
11 h(3)=6.94;
12 h(4)=7.38;
13 h(5)=7.72;
14 h(6)=7.96;
15 h(7)=8.10;
16 h(8)=8.13;
17 h(9)=8.07;
18 h(10)=7.90;
19 h(11)=7.62;
20 h(12)=7.25;
21 h(13)=6.77;
22 h(14)=6.20;
23 h(15)=5.52;
24 h(16)=4.73;
25 h(17)=3.85;
26 h(18)=2.86;
27 h(19)=1.77;
28 h(20)=0.58;
29
30 for i=1:N
31 G(i,1)=5;
32 G(i,2)=t(i);
33 G(i,3)=t(i)^2;
34 end
35 G
36 for i=1:N
37 d(i,1)=h(i);
38 end
39 d
40
41 %%%%%===========Proses inversi==============
42 disp(’Mencari G transpos’)
43 for i=1:N
44 for j=1:M
45 GT(j,i)=G(i,j);
46 end
47 end
48 GT
49
50 disp(’Perkalian GT dan G’)
51 for i=1:M
52 for j=1:M
53 GTG(i,j)=0;
54 end
55 end
56 for i=1:M
57 for j=1:M
3.4. CONTOH APLIKASI 59

58 for k=1:N
59 GTG(i,j)=GTG(i,j)+GT(i,k)*G(k,j);
60 end
61 end
62 end
63 GTG
64
65 disp(’Perkalian GT dan d’)
66 for i=1:M
67 for j=1:1
68 GTd(i,j)=0;
69 end
70 end
71 for i=1:M
72 for j=1:1
73 for k=1:N
74 GTd(i,j)=GTd(i,j)+GT(i,k)*d(k,j);
75 end
76 end
77 end
78 GTd
79
80 A=GTG;
81 %====== Menggabungkan Vektor GTd kedalam matrik A ========
82 n=M;
83 for i=1:n
84 A(i,n+1)=GTd(i,1);
85 end
86 A
87 pause
88
89 disp(’Hasil Eliminasi Gauss’)
90 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
91 %---------Proses Triangularisasi-----------
92 for j=1:(n-1)
93
94 %----mulai proses pivot---
95 if (A(j,j)==0)
96 for p=1:n+1
97 u=A(j,p);
98 v=A(j+1,p);
99 A(j+1,p)=u;
100 A(j,p)=v;
101 end
102 end
103 %----akhir proses pivot---
104 jj=j+1;
105 for i=jj:n
106 m=A(i,j)/A(j,j);
107 for k=1:(n+1)
108 A(i,k)=A(i,k)-(m*A(j,k));
109 end
110 end
111 end
112 %-------------------------------------------
113 %------Proses Substitusi mundur-------------
114 x(n,1)=A(n,n+1)/A(n,n);
115
116 for i=n-1:-1:1
60 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

117 S=0;
118 for j=n:-1:i+1
119 S=S+A(i,j)*x(j,1);
120 end
121 x(i,1)=(A(i,n+1)-S)/A(i,i);
122 end
123 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
124 %%%%%%%%%%%===== AKHIR DARI PROSES INVERSI ==========
125 m=x
126
127 %-------MENGGAMBAR GRAFIK----------------------
128 plot(t,h,’ro’);
129 xlabel(’Waktu (dt)’);ylabel(’Ketinggian (m)’);
130 hold on;
131 for i=1:20
132 hi(i)=5+m(2)*t(i)+m(3)*t(i)^2;
133 end
134 plot(t,hi);
135 hold off;
Bab 4

Metode LU Decomposition

✍ Objektif :
⊲ Mengenalkan teknik faktorisasi matrik.
⊲ Mengenalkan aplikasi LU Decomposition pada sistem persamaan linear.
⊲ Merumuskan algoritma LU Decomposition.

4.1 Faktorisasi matrik

Pada semua catatan yang terdahulu, telah diulas secara panjang lebar bahwa sistem persamaan
linear dapat dicari solusinya secara langsung dengan metode eliminasi gauss. Namun perlu
juga diketahui bahwa eliminasi gauss bukan satu-satunya metode dalam mencari solusi sistem
persamaan linear, misalnya ada metode matrik inversi seperti yang dijelaskan pada catatan
yang paling terakhir. Terlepas dari masalah in-efisiensi penyelesaiannya, yang jelas metode
invers matrik bisa digunakan untuk menyelesaikan sistem persamaan linear.
Nah, pada catatan kali ini, saya ingin mengetengahkan sebuah metode yang lain untuk
menyelesaikan sistem persamaan linear, yaitu metode faktorisasi matrik yang umum dikenal
sebagai LU-decomposition. Metode ini sekaligus menjadi pengantar menuju metode Singular
Value Decomposition, (SVD), suatu metode yang saat ini paling “handal” dalam menyelesaikan
sistem persamaan linear dan merupakan bagian dari metode least square.
Seperti biasa, kita berasumsi bahwa sistem persamaan linear dapat dinyatakan dalam op-
erasi matrik
Ax = b (4.1)

Pada metode LU-decomposition, matrik A difaktorkan menjadi matrik L dan matrik U, dimana
dimensi atau ukuran matrik L dan U harus sama dengan dimensi matrik A. Atau dengan kata
lain, hasil perkalian matrik L dan matrik U adalah matrik A,

A = LU (4.2)

61
62 BAB 4. METODE LU DECOMPOSITION

sehingga persamaan (6.4) menjadi

LU x = b

Langkah penyelesaian sistem persamaan linear dengan metode LU-decomposition, diawali den-
gan menghadirkan vektor y dimana,
Ux = y (4.3)

Langkah tersebut tidak bermaksud untuk menghitung vektor y, melainkan untuk menghitung
vektor x. Artinya, sebelum persamaan (4.3) dieksekusi, nilai-nilai yang menempati elemen-
elemen vektor y harus sudah diketahui. Lalu bagaimana cara memperoleh vektor y? Begini
caranya,
Ly = b (4.4)

Kesimpulannya, metode LU-decomposition dilakukan dengan tiga langkah sebagai berikut:

• Melakukan faktorisasi matrik A menjadi matrik L dan matrik U → A = LU .

• Menghitung vektor y dengan operasi matrik Ly = b. Ini adalah proses forward-substitution


atau substitusi-maju.

• Menghitung vektor x dengan operasi matrik U x = y. Ini adalah proses backward-substitution


atau substitusi-mundur.

Metode LU-decomposition bisa dibilang merupakan modifikasi dari eliminasi gauss, karena
beberapa langkah yang mesti dibuang pada eliminasi gauss, justru harus dipakai oleh LU-
decomposition. Untuk lebih jelasnya, perhatikan contoh berikut ini. Diketahui sistem persamaan
linear sebagai berikut

P1 : x1 + x2 + 3x4 = 4
P2 : 2x1 + x2 − x3 + x4 = 1
P3 : 3x1 − x2 − x3 + 2x4 = -3
P4 : −x1 + 2x2 + 3x3 − x4 = 4

Sistem tersebut dapat dinyatakan dalam operasi matrik Ax = y,


    
1 1 0 3 x1 4
    
 2 1 −1
1 
  x2  =  1
   
  (4.5)

 3 −1 −1 2   x3 
 
  −3
 

−1 2 3 −1 x4 4

Pada metode eliminasi gauss, matrik A dikonversi menjadi matrik triangular melalui urutan
operasi-operasi berikut: (P2 − 2P1 ) → (P2 ), (P3 − 3P1 ) → (P3 ), (P4 − (−1)P1 ) → (P4 ), (P3 −
4P2 ) → (P3 ), (P4 − (−3)P2 ) → (P4 ). Disisi lain, vektor b ikut berubah nilainya menyesuaikan
4.1. FAKTORISASI MATRIK 63

proses triangularisasi,
    
1 1 0 3 x1 4
    
 0 −1 −1 −5   x2   −7 
  x  =  13 (4.6)
    
 0 0 3 13 
  3   
0 0 0 −13 x4 −13

Lain halnya dengan metode LU-decomposition dimana vektor b tidak mengalami perubahan.
Yang berubah hanya matrik A saja, yaitu menjadi matrik L dan matrik U, A = LU
    
1 1 0 3 1 0 0 0 1 1 0 3
    
 2 1 1 −1
= 2
 1 0 0 
  0 −1 −1 −5
 
A= 

 3 −1 −1 2   3
  4 1 0 

 0 0 3 13 

−1 2 3 −1 −1 −3 0 1 0 0 0 −13

Jadi matrik L dan U masing-masing adalah


   
1 0 0 0 1 1 0 3
   
 2
1 0 0   0 −1 −1 −5 
L=  U = 

 3 4 1 0 

 0
 0 3 13 

−1 −3 0 1 0 0 0 −13

Coba bandingkan matrik U di atas dengan matrik hasil triangularisasi dari metode eliminasi
gauss pada persamaan (4.6), sama persis bukan? Jadi, cara memperoleh matrik U adalah den-
gan proses triangularisasi! Lantas, bagaimana cara memperoleh matrik L? Begini caranya: (1)
elemen-elemen diagonal matrik L diberi nilai 1 (Asal tahu saja, cara ini dikenal dengan metode
Doolittle). (2) elemen-elemen matrik L yang berada di atas elemen-elemen diagonal diberi ni-
lai 0. (3) sedangkan, elemen-elemen matrik L yang berada di bawah elemen-elemen diago-
nal diisi dengan faktor pengali yang digunakan pada proses triangularisasi eliminasi gauss.
Misalnya pada operasi (P2 − 2P1 ) → (P2 ), maka faktor pengalinya adalah 2; pada operasi
(P3 − 3P1 ) → (P3 ), maka faktor pengalinya adalah 3, dan seterusnya.

Inilah letak perbedaannya, seluruh faktor pengali tersebut sangat dibutuhkan pada metode
LU-decomposition untuk membentuk matrik L. Padahal dalam metode eliminasi gauss, seluruh
faktor pengali tersebut tidak dimanfaatkan alias dibuang begitu saja. Disisi lain, vektor b tidak
mengalami proses apapun sehingga nilainya tetap. Jadi, proses konversi matrik pada metode
LU-decomposition hanya melibatkan matrik A saja!

Setelah langkah faktorisasi matrik A dilalui, maka operasi matrik pada persamaan (4.5)
menjadi,
     
1 0 0 0 1 1 0 3 x1 4
     
 2
1 0 0 
  0 −1 −1 −5
   x2   1 
  x  =  −3 (4.7)
    

 3 4 1 0 
 0
 0 3 13  3  


−1 −3 0 1 0 0 0 −13 x4 4
64 BAB 4. METODE LU DECOMPOSITION

Langkah berikutnya adalah menentukan vektor y, dimana Ly = b,


    
1 0 0 0 y1 4
    

 2   y2  =  1
1 0 0     


 3   y3   −3
4 1 0     

−1 −3 0 1 y4 4

Dengan proses substitusi-maju, elemen-elemen vektor y dapat ditentukan,

y1 = 4,
2y1 + y2 = 1,
3y1 + 4y2 + y3 = −3,
−y1 − 3y2 + y4 = 4

maka diperoleh y1 = 4, y2 = −7, y3 = 13, y4 = −13.

Langkah terakhir adalah proses substitusi-mundur untuk menghitung vektor x, dimana U x =


y,
    
1 1 0 3 x1 4
    
 0 −1 −1 −5   x2   −7 
  = 
 0 0 3 13   x   13 
  3   
0 0 0 −13 x4 −13

Melalui proses ini, yang pertama kali didapat solusinya adalah x4 , kemudian x3 , lalu diikuti
x2 , dan akhirnya x1 .

x4 = 1
1
x3 = (13 − 13x4 ) = 0
3
x2 = −(−7 + 5x4 + x3 ) = 2
x1 = 4 − 3x4 − x2 = −1

akhirnya diperoleh solusi x1 = −1, x2 = 2, x3 = 0, dan y4 = 1. Demikianlah contoh penyelesa-


ian sistem persamaan linear dengan metode LU-decomposition.

Sekali matrik A difaktorkan, maka vektor b bisa diganti nilainya sesuai dengan sistem per-
samaan linear yang lain, misalnya seluruh nilai di ruas kanan diganti menjadi

P1 : x1 + x2 + 3x4 = 8
P2 : 2x1 + x2 − x3 + x4 = 7
P3 : 3x1 − x2 − x3 + 2x4 = 14
P4 : −x1 + 2x2 + 3x3 − x4 = -7
4.2. ALGORITMA 65

Dalam operasi matrik menjadi


    
1 1 0 3 x1 8
    
 2 1 −1   x2  =  7
1     
  (4.8)

 3 −1 −1   x3   14
2     

−1 2 3 −1 x4 −7

Perhatikan baik-baik! Matrik A sama persis dengan contoh sebelumnya. Perbedaannya hanya
pada vektor b. Selanjutnya, dengan metode LU-decomposition, persamaan (4.8) menjadi
     
1 0 0 0 1 1 0 3 x1 8
     
 2 1 0 0 
  0 −1 −1 −5
   x2   7 
=
   (4.9)

 3 4 1 0 

 0 0 3 13   x   14 
 3   
−1 −3 0 1 0 0 0 −13 x4 −7

Silakan anda lanjutkan proses perhitungannya dengan mencari vektor y sesuai contoh yang
telah diberikan sebelumnya. Pada akhirnya akan diperoleh solusi sebagai berikut: x1 = 3,
x2 = −1, x3 = 0, dan y4 = 2.

4.2 Algoritma

Sekarang saatnya saya tunjukkan algoritma metode LU decomposition. Algoritma ini dibuat
untuk menyelesaikan sistem persamaan linear, dengan cara menfaktorkan matrik A = (aij )
berukuran n x n menjadi matrik L = (lij ) dan matrik U = (uij ) dengan ukuran yang sama.
Algoritma LU-decomposition yang anda lihat sekarang merupakan modifikasi dari algorit-
ma eliminasi gauss. Silakan anda periksa langkah-langkah mana saja yang telah mengalami
modifikasi! Tapi asal tahu saja bahwa ini bukan satu-satunya algoritma untuk mendapatkan
matrik LU. Sejauh yang saya tahu, ada algoritma lain untuk tujuan yang sama, dimana algo-
ritma tersebut membutuhkan matrik permutasi untuk menggeser elemen pivot yang bernilai
nol agar terhindar dari singular. Nah, sedangkan algoritma yang akan anda baca saat ini, sama
sekali tidak “berurusan” dengan matrik permutasi. Algoritma ini cuma memanfaatkan “trik”
tukar posisi yang sudah pernah dibahas di awal-awal catatan khususnya ketika membahas
konsep eliminasi gauss.
Satu lagi yang harus saya sampaikan juga adalah bahwa dalam algoritma ini, elemen-
elemen matrik L dan matrik U digabung jadi satu dan menggantikan seluruh elemen-elemen
matrik A. Perhatian! cara ini jangan diartikan sebagai perkalian matrik L dan matrik U menjadi
matrik A kembali. Cara ini dimaksudkan untuk menghemat memori komputer. Suatu aspek
yang tidak boleh diabaikan oleh para programer. Marilah kita simak algoritmanya bersama-
sama!

INPUT: dimensi n; nilai elemen aij , 1 ≤ i, j ≤ n; nilai elemen bi .

OUTPUT: solusi x1 , x2 , x3 , ..., xn atau pesan kesalahan yang mengatakan bahwa faktorisasi
tidak mungkin dilakukan.
66 BAB 4. METODE LU DECOMPOSITION

• Langkah 1: Inputkan konstanta-konstanta dari sistem persamaan linear kedalam elemen-


elemen matrik A dan vektor b, seperti berikut ini:
   
a11 a12 . . . a1n b1
 a21 a22 . . . a2n b2
   
  
A=
 .. .. ..  b= ..  (4.10)
 . . . .
  
  
an1 an2 . . . ann bn

• Langkah 2: Untuk i = 1, ..., n − 1, lakukan Langkah 3 sampai Langkah 5.

• Langkah 3: Definisikan p sebagai integer dimana i ≤ p ≤ n. Lalu pastikan bahwa


api 6= 0. Langkah dilakukan bila ditemukan elemen diagonal yang bernilai nol (aii =
0). Ketika ada elemen diagonal yang bernilai nol, maka program harus mencari dan
memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang sama dengan
kolom tempat elemen diagonal tersebut berada. Jadi saat proses ini berlangsung,
integer i (indeks dari kolom) dibuat konstan, sementara integer p (indeks dari baris)
bergerak dari p = i sampai p = n. Bila ternyata setelah mencapai elemen paling
bawah dalam kolom tersebut, yaitu saat p = n tetap didapat nilai api = 0, maka
sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki solusi yang
unik. Lalu program berakhir: STOP.

• Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh


elemen yang tidak sama dengan nol (api 6= 0), maka bisa dipastikan p 6= i. Jika p 6= i
maka lakukan proses pertukaran (Pp ) ↔ (Pi ).

• Langkah 5: Untuk j = i + 1, .., n, lakukan Langkah 6 dan Langkah 7.

• Langkah 6: Tentukan mji ,


aji
mji =
aii
• Langkah 7: Lakukan proses triangularisasi,

(Pj − mji Pi ) → (Pj )

• Langkah 8: Nilai mji disimpan ke aji ,

aji = mji

• Langkah 9: Nilai b1 dicopy ke y1 , lalu lakukan substitusi-maju.

y 1 = b1

Untuk i = 2, ..., n tentukan xi ,


i−1
X
y i = bi − aij yj
j=1
4.2. ALGORITMA 67

• Langkah 10: Lakukan proses substitusi-mundur, dimulai dengan menentukan xn ,

an,n+1
xn =
ann

Untuk i = n − 1, ..., 1 tentukan xi ,


Pn
ai,n+1 − j=i+1 aij xj
xi =
aii

• Langkah 11: Diperoleh solusi yaitu x1 , x2 , ..., xn . Algoritma telah dijalankan dengan suk-
ses. STOP.

Algoritma di atas telah diimplementasi kedalam program yang ditulis dengan bahasa For-
tran. Program tersebut sudah berhasil dikompilasi dengan visual fortran (windows) dan g77
(debian-linux). Inilah programnya:

1 DIMENSION A(10,11), B(10), Y(10), X(10)


2 REAL MJI
3 WRITE(*,*)
4 WRITE(*,*) ’==> FAKTORISASI MATRIK: LU DECOMPOSITION <==’
5 WRITE (*,*)
6 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
7 WRITE (*,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
8 READ (*,*) N
9 WRITE (*,*)
10 WRITE (*,*) ’MASUKAN ELEMEN-ELEMEN MATRIK A’
11 DO 50 I = 1,N
12 DO 60 J = 1,N
13 WRITE (*,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
14 READ (*,*) A(I,J)
15 60 CONTINUE
16 WRITE (*,’(1X,A,I2,A)’) ’B(’,I,’) ? ’
17 READ (*,*) B(I)
18 WRITE (*,*)
19 50 CONTINUE
20 WRITE (*,*)
21 C MENAMPILKAN MATRIK A
22 WRITE (*,’(1X,A)’) ’MATRIK A:’
23 DO 110 I = 1,N
24 WRITE (*,6) (A(I,J),J=1,N)
25 110 CONTINUE
26 WRITE (*,*)
27 C LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT
28 NN = N-1
29 DO 10 I=1,NN
30 C LANGKAH 3: MENDEFINISIKAN P
31 P = I
32 100 IF (ABS(A(P,I)).GE.1.0E-20 .OR. P.GT.N) GOTO 200
33 P = P+1
34 GOTO 100
35 200 IF(P.EQ.N+1)THEN
36 C MENAMPILKAN PESAN TIDAK DAPAT DIFAKTORKAN
37 WRITE(*,8)
38 GOTO 400
68 BAB 4. METODE LU DECOMPOSITION

39 END IF
40 C LANGKAH 4: PROSES TUKAR POSISI
41 IF(P.NE.I) THEN
42 DO 20 JJ=1,N
43 C = A(I,JJ)
44 A(I,JJ) = A(P,JJ)
45 A(P,JJ) = C
46 20 CONTINUE
47 END IF
48 C LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI
49 JJ = I+1
50 DO 30 J=JJ,N
51 C LANGKAH 6: TENTUKAN MJI
52 MJI = A(J,I)/A(I,I)
53 C LANGKAH 7: PROSES TRIANGULARISASI
54 DO 40 K=JJ,N
55 A(J,K) = A(J,K)-MJI*A(I,K)
56 40 CONTINUE
57 C LANGKAH 8: MENYIMPAN MJI KE A(J,I)
58 A(J,I) = MJI
59 30 CONTINUE
60 10 CONTINUE
61 C MENAMPILKAN MATRIK LU
62 WRITE (*,’(1X,A)’) ’MATRIK LU:’
63 DO 120 I = 1,N
64 WRITE (*,6) (A(I,J),J=1,N)
65 120 CONTINUE
66 WRITE (*,*)
67 C LANGKAH 9: SUBSTITUSI-MAJU
68 Y(1) = B(1)
69 DO 15 I=2,N
70 SUM = 0.0
71 DO 16 J=1,I-1
72 SUM = SUM+A(I,J)*Y(J)
73 16 CONTINUE
74 Y(I) = B(I)-SUM
75 15 CONTINUE
76 C MENAMPILKAN VEKTOR Y
77 WRITE (*,’(1X,A)’) ’VEKTOR Y:’
78 DO 138 I = 1,N
79 WRITE (*,6) Y(I)
80 138 CONTINUE
81 WRITE (*,*)
82 C LANGKAH 10: SUBSTITUSI-MUNDUR
83 X(N) = Y(N)/A(N,N)
84 DO 24 K=1,N-1
85 I = N-K
86 JJ = I+1
87 SUM = 0.0
88 DO 26 KK=JJ,N
89 SUM = SUM+A(I,KK)*X(KK)
90 26 CONTINUE
91 X(I) = (Y(I)-SUM)/A(I,I)
92 24 CONTINUE
93 C LANGKAH 11: MENAMPILKAN SOLUSI DAN SELESAI
94 WRITE (*,’(1X,A)’) ’SOLUSI:’
95 DO 18 I = 1,N
96 WRITE (*,’(1X,A,I2,A,F14.8)’) ’X(’,I,’) = ’,X(I)
97 18 CONTINUE
4.2. ALGORITMA 69

98 WRITE(*,*)
99 WRITE(*,*) ’SELESAI --> SUKSES’
100 WRITE(*,*)
101 400 CONTINUE
102 6 FORMAT(1X,5(F14.8))
103 8 FORMAT(1X,’TIDAK DAPAT DIFAKTORKAN’)
104 END

Demikianlah, sekarang kita punya tiga buah algoritma untuk memecahkan problem sistem
persamaan linear, yaitu eliminasi gauss, invers matrik, dan lu-decomposition. Diantara ketiga-
nya, eliminasi gauss adalah algoritma yang paling simpel dan efisien. Dia hanya butuh proses
triangularisasi dan substitusi-mundur untuk mendapatkan solusi. Sedangkan dua algoritma
yang lainnya membutuhkan proses-proses tambahan untuk mendapatkan solusi yang sama.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email.
Bab 5

Metode Iterasi

✍ Objektif :
⊲ Mengenalkan konsep Norm.
⊲ Mengenalkan iterasi Jacobi.
⊲ Mengenalkan iterasi Gauss-Seidel.
⊲ Mengenalkan iterasi Succesive-Over-Relaxation (SOR).

5.1 Kelebihan Vektor-kolom

Sebelum kita membahas metode iterasi untuk menyelesaikan problem sistem persamaan lin-
ear, saya ingin menyampaikan satu hal yang sangat sederhana, yaitu tentang cara merepresen-
tasikan elemen-elemen suatu vektor-kolom. Sebagaimana tertulis pada bab-bab sebelumnya,
biasanya suatu vektor-kolom ditulis sebagai
 
x1
 x2 
 
x=
 .. 
 (5.1)
 . 
xn

Dengan operasi transpose, vektor-kolom tersebut dapat dinyatakan sebagai


h it
x = x1 ; x2 ; . . . xn (5.2)

Contoh:  
3
  h
−2 it
x=
8
 = 3; −2; 8; 5
 
5

71
72 BAB 5. METODE ITERASI

Cara penulisan seperti ini digunakan untuk menyatakan vektor-kolom pada suatu kalimat di
dalam paragraf. Alasannya supaya tidak terlalu menyita banyak ruang penulisan. Sementara,
persamaan (5.1), lebih sering digunakan pada penulisan operasi matrik. Satu hal lagi, pada
paragraf-paragraf berikutnya, saya persingkat penulisan istilah vektor-kolom menjadi vektor
saja.

5.2 Pengertian Norm

Vektor x=(x1 ; x2 ; ...; xn )t memiliki norm ℓ2 dan ℓ∞ yang didefinisikan sebagai

Xn
ℓ2 = kxk2 = { x2i }1/2 (5.3)
i=1

dan
ℓ∞ = kxk∞ = max |xi | (5.4)
1≤i≤n

Contoh: x=(3; −2; 8; 5)t memiliki norm ℓ2 yaitu


p
ℓ2 = kxk2 = (3)2 + (−2)2 + (8)2 + (5)2 = 10, 0995

dan norm ℓ∞ yaitu


ℓ∞ = kxk∞ = max{(3), (−2), (8), (5)} = 8

Saya menyarankan agar kedua norm ini diingat-ingat dengan baik, karena akan banyak dis-
inggung pada catatan-catatan berikutnya.

5.2.1 Script perhitungan norm dalam Matlab

Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)

1 clear all
2 clc
3 x(1,1)=3;
4 x(2,1)=-2;
5 x(3,1)=8;
6 x(4,1)=5;
7 x %menampilkan vektor x
8 %=========menghitung norm2=============
9 s=0;
10 for i=1:4
11 s=s+x(i,1)^2;
12 end
13 norm2=sqrt(s) %menampilkan hasil norm2
14 %======================================

Mohon diperhatikan untuk mengganti angka 4 pada statemen for i=1:4 dengan angka yang
lain disesuaikan dengan jumlah elemen vektor yang mau dihitung norm2-nya.
5.3. ITERASI JACOBI 73

5.2.2 Perhitungan norm-selisih

Misalnya kita punya vektor bernama xlama. Lalu ada vektor lainnya bernama xbaru. Norm
selisih dari xlama dan xbaru dapat dihitung dengan bantuan script berikut ini

1 clear all
2 clc
3 xlama(1,1)=3;
4 xlama(2,1)=-2;
5 xlama(3,1)=8;
6 xlama(4,1)=5;
7 xlama %menampilkan elemen vektor xlama
8
9 xbaru(1,1)=9;
10 xbaru(2,1)=4;
11 xbaru(3,1)=6;
12 xbaru(4,1)=1;
13 xbaru %menampilkan elemen vektor xbaru
14
15 n=4; %jumlah elemen vektor
16
17 %--------menghitung norm2 selisih -------------
18 s=0;
19 for i=1:n
20 s=s+(xbaru(i,1)-xlama(i,1))^2;
21 end
22 norm2=sqrt(s)
23 %----------------------------------------------

Cara perhitungan norm-selisih seperti ini akan diterapkan pada kebanyakan metode iterasi.
Jadi tolong diingat baik-baik!!

5.3 Iterasi Jacobi

Sekarang kita akan mulai membahas metode iterasi sekaligus penerapannya untuk menyele-
saikan sistem persamaan linear. Perbedaan metode iterasi dengan metode-metode yang telah
dijelaskan sebelumnya, adalah ia dimulai dari penentuan nilai awal (initial value) untuk setiap
elemen vektor x. Kemudian berdasarkan nilai awal tersebut, dilakukan langkah perhitungan
untuk mendapatkan elemen-elemen vektor x yang baru.

x(baru) = T x(lama) + c (5.5)

atau
xk = T xk−1 + c (5.6)

dimana k = 1, 2, 3, ..., n.

untuk lebih jelasnya, silakan perhatikan baik-baik contoh berikut ini. Diketahui sistem per-
74 BAB 5. METODE ITERASI

samaan linear berikut ini

10x1 − x2 + 2x3 = 6
−x1 + 11x2 − x3 + 3x4 = 25
2x1 − x2 + 10x3 − x4 = −11
3x2 − x3 + 8x4 = 15

yang mana solusinya adalah x=(1; 2; −1; 1)t . Silakan simpan dulu solusi ini, anggap saja kita
belum tahu. Lalu perhatikan baik-baik bagaimana metode iterasi Jacobi bisa menemukan so-
lusi tersebut dengan caranya yang khas.

Langkah pertama dan merupakan langkah terpenting dari metode iterasi Jacobi adalah dengan
mengubah cara penulisan sistem persamaan linear di atas menjadi seperti ini

1 2 6
x1 = x2 − x3 +
10 10 10
1 1 3 25
x2 = x1 + x3 − x4 +
11 11 11 11
2 1 1 11
x3 = − x1 + x2 + x4 −
10 10 10 10
3 1 15
x4 = − x2 + x3 +
8 8 8

Kita bisa menyatakan bahwa nilai x1 , x2 , x3 dan x4 yang berada di ruas kiri tanda = (baca: sama
dengan) sebagai x(baru) . Sementara nilai x1 , x2 , x3 dan x4 yang berada di ruas kanan tanda =
(baca: sama dengan) sebagai x(lama) . Sehingga sistem persamaan tersebut ditulis seperti ini

(baru) 1 (lama) 2 (lama) 6


x1 = x − x3 +
10 2 10 10
(baru) 1 (lama) 1 (lama) 3 (lama) 25
x2 = x1 + x3 − x4 +
11 11 11 11
(baru) 2 (lama) 1 1 (lama) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(baru) 3 (lama) 1 (lama) 15
x4 = − x2 + x3 +
8 8 8

yang secara umum dapat diformulasikan sebagaimana persamaan (5.5)

(baru) (lama)
      
1 2 6
x1 0 10 − 10 0 x1 10
 (baru) 1 1   x2(lama)
3  25
     
 x2   11 0 11 − 11   11

 =  +  (5.7)
 x(baru)   −2 1
0 1   (lama) 11
− 10
10   x3
  
 3   10 10   
(baru) (lama)
x4 0 − 38 1
8 0 x4 15
8
5.3. ITERASI JACOBI 75

Atau dapat pula ditulis seperti ini

(k) 1 (k−1) 2 (k−1) 6


x1 = x − x3 +
10 2 10 10
(k) 1 (k−1) 1 (k−1) 3 (k−1) 25
x2 = x1 + x3 − x4 +
11 11 11 11
(k) 2 (k−1) 1 (k−1) 1 (k−1) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(k) 3 (k−1) 1 (k−1) 15
x4 = − x2 + x3 +
8 8 8

yang secara umum dapat diformulasikan sebagaimana persamaan (5.6)

(k) (k−1)
      
1 2 6
x1 0 10 − 10 0 x1 10
 (k) 1 1   x(k−1)
3  25
     
 x2 0 − 11  2
  11 11
  11

 = +  (5.8)
 x(k)   −2 1
0 1   (k−1) 11
− 10
10   x3
  
 3   10 10   
(k) (k−1)
x4 0 − 38 1
8 0 x4 15
8

Pada persamaan di atas, indeks k menunjukan jumlah berapa kali perhitungan iterasi telah
dilakukan. Mari kita fokuskan sejenak pada indeks k ini; Pada k = 1, maka penulisan sistem
persamaan linear menjadi seperti ini

(1) 1 (0) 2 (0) 6


x1 = x2 − x3 +
10 10 10
(1) 1 (0) 1 (0) 3 (0) 25
x2 = x + x3 − x4 +
11 1 11 11 11
(1) 2 (0) 1 (0) 1 (0) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(1) 3 (0) 1 (0) 15
x4 = − x2 + x3 +
8 8 8
(0) (0) (0) (0)
Jika kita tentukan nilai-nilai awal x(0) sebagai berikut x1 = 0, x2 = 0, x3 = 0 dan x4 = 0.
Atau dinyatakan seperti ini x(0) = (0; 0; 0; 0)t . Maka kita akan memperoleh nilai-nilai x(1) , yaitu
hasil iterasi pertama, sebagai berikut

(1) 6
x1 =
10
(1) 25
x2 =
11
(1) 11
x3 = −
10
(1) 15
x4 =
8

atau x(1) = (0, 6000; 2, 2727; −1, 1000; 1, 8750)t . Setelah memperoleh nilai-nilai x(1) , perhitun-
gan tersebut diulang kembali guna mendapatkan hasil iterasi kedua, dimana nilai k = 2.
Caranya adalah dengan memasukan nilai-nilai x(1) = (0, 6000; 2, 2727; −1, 1000; 1, 8750)t ke
76 BAB 5. METODE ITERASI

ruas kanan tanda sama-dengan,

(2) 1 (1) 2 (1) 6


x1 = x − x3 +
10 2 10 10
(2) 1 (1) 1 (1) 3 (1) 25
x2 = x1 + x3 − x4 +
11 11 11 11
(2) 2 (1) 1 (1) 1 (1) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(2) 3 (1) 1 (1) 15
x4 = − x2 + x3 +
8 8 8

maka nilai-nilai x(2) yang kita dapat adalah x(2) = (1, 0473; 1, 7159; −0, 8052; 0, 8852)t . Sete-
lah diperoleh nilai-nilai x(2) , perhitungan tersebut diulangi kembali guna mendapatkan hasil
iterasi ketiga, dimana nilai k = 3. Caranya adalah dengan memasukan nilai-nilai x(2) =
(1, 0473; 1, 7159; −0, 8052; 0, 8852)t ke ruas kanan kembali,

(3) 1 (2) 2 (2) 6


x1 = x2 − x3 +
10 10 10
(3) 1 (2) 1 (2) 3 (2) 25
x2 = x + x3 − x4 +
11 1 11 11 11
(3) 2 (2) 1 (2) 1 (2) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(3) 3 (2) 1 (2) 15
x4 = − x2 + x3 +
8 8 8

maka kita akan memperoleh nilai-nilai x(3) = (0, 9326; 2, 0530; −1, 0493; 1, 1309)t . Lalu proses
perhitungan diulangi lagi dengan k = 4. Begitulah seterusnya. Proses ini diulangi lagi berkali-
kali untuk nilai-nilai k berikutnya. Proses yang berulang ini disebut proses iterasi. Sampai
dengan x(3) di atas, kita sudah melakukan tiga kali proses iterasi. Lantas sampai kapan proses
iterasi ini terus berlanjut? Jawabnya adalah sampai x(baru) mendekati solusi yang sesungguh-
nya, yaitu
x = (1; 2; −1; 1)t

Dengan kata lain, proses iterasi harus dihentikan bila x(baru) sudah mendekati solusi. Lalu
kriteria apa yang digunakan sehingga suatu hasil iterasi bisa dikatakan paling dekat dengan
solusi yang sebenarnya? OK, simpan dulu pertanyaan ini, sebagai gantinya marilah kita pela-
jari script Matlab untuk metode iterasi Jacobi.

5.3.1 Script Matlab metode iterasi Jacobi

Sebagai upaya pembelajaran, sengaja saya mulai dengan menampilkan script yang paling kasar
terlebih dahulu, lalu selangkah demi selangkah dimodifikasi hingga menjadi script efektif.
Pertama-tama kita buat script seperti ini

1 clear all
2 clc
3 %----nilai awal-----------
4 xlama(1,1)=0;
5 xlama(2,1)=0;
5.3. ITERASI JACOBI 77

6 xlama(3,1)=0;
7 xlama(4,1)=0;
8 xlama
9
10 %------nilai baru-------------
11 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
12 xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
13 xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
14 xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
15 xbaru

xbaru yang didapat tak lain adalah hasil iterasi pertama, yaitu x(1) = (0, 6000; 2, 2727; −1, 1000;
1, 8750)t . Kemudian, untuk iterasi ke-2, script di atas dimodifikasi menjadi seperti ini

1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10 %------nilai baru-------------
11 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
12 xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
13 xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
14 xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
15 xbaru
16
17 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
18
19 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
20 xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
21 xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
22 xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
23 xbaru

Sampai disini, xbaru yang didapat adalah hasil iterasi ke-2, yaitu x(2) = (1, 0473; 1, 7159;
− 0, 8052; 0, 8852)t . Kemudian, untuk iterasi ke-3, script di atas dimodifikasi menjadi seperti ini

1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10 %------nilai baru-------------
11 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
12 xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
13 xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
14 xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
15 xbaru
78 BAB 5. METODE ITERASI

16
17 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
18
19 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
20 xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
21 xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
22 xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
23 xbaru
24
25 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
26
27 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
28 xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
29 xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
30 xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
31 xbaru

Sampai disini, xbaru yang didapat adalah hasil iterasi ke-3, yaitu x(3) = (0, 9326; 2, 0530;
− 1, 0493; 1, 1309)t . Kemudian, untuk iterasi ke-4, script di atas dimodifikasi dengan cara yang
sama. Tapi konsekuensinya script tersebut akan tidak efektif karena akan bertambah panjang.
Guna menghindari hal itu, script di atas perlu dioptimasi dengan pasangan for-end sebagai
berikut

1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 for i=1:4
12 %------nilai update-------------
13 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
14 xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
15 xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
16 xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
17 xbaru
18
19 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
20 end

Angka 4 pada statemen for i=1:4 dapat diganti sesuai dengan jumlah iterasi maksimal yang
kita kehendaki. Karena itu, perlu disisipkan variabel baru yang saya kasih nama itermaks,
singkatan dari iterasi maksimum. Lalu statemen for i=1:4 saya ganti menjadi for i=1:itermaks

1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
5.3. ITERASI JACOBI 79

7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 itermaks=4 %jumlah iterasi maksimum
12
13 for i=1:itermaks
14 %------nilai update-------------
15 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
16 xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
17 xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
18 xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
19 xbaru
20
21 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
22 end

Untuk mendapatkan hasil iterasi yang ke-10, silakan nyatakan itermaks=10 pada script di atas.
Hasil dari keseluruhan iterasi dari iterasi ke-1 hingga iterasi ke-10 disajikan pada tabel berikut

Tabel 5.1: Hasil akhir elemen-elemen vektor x hingga iterasi ke-10


k 0 1 2 3 4 ... 9 10
(k)
x1 0,0000 0,6000 1,0473 0,9326 1,0152 ... 0,9997 1,0001
(k)
x2 0,0000 2,2727 1,7159 2,0530 1,9537 ... 2,0004 1,9998
(k)
x3 0,0000 -1,1000 -0,8052 -1,0493 -0,9681 ... -1,0004 -0,9998
(k)
x4 0,0000 1,8852 0,8852 1,1309 0,9739 ... 1,0006 0,9998

Kita bisa saksikan bahwa hasil iterasi ke-1, x(1) = (0, 6000; 2, 2727; −1, 1000; 1, 8852) adalah
hasil yang paling tidak mendekati solusi, x = (1; 2; −1; 1)t . Coba bandingkan dengan hasil it-
erasi ke-2! Jelas terlihat bahwa hasil iterasi ke-2 lebih mendekati solusi. Kalau terus diurutkan,
maka hasil iterasi ke-10 merupakan hasil yang paling dekat dengan solusi.

5.3.2 Optimasi script Matlab untuk menghitung iterasi

Sekarang mari kita hitung norm-selisih dari masing-masing hasil iterasi secara berurutan. Dim-
ulai dari mencari norm-selisih antara hasil iterasi ke-1 dan ke-2. Lalu dilanjutkan dengan hasil
iterasi ke-2 dan ke-3, begitu seterusnya hingga antara hasil iterasi yang ke-9 dan ke-10. Dalam
prakteknya, kita cukup menambahkan script norm-selisih pada script yang tadi

1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10 n=4 %jumlah elemen vektor
80 BAB 5. METODE ITERASI

11 itermaks=10 %jumlah iterasi maksimal


12
13 for i=1:itermaks
14 %------nilai update-------------
15 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
16 xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
17 xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
18 xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
19 xbaru
20
21 %------norm selisih-------------
22 s=0;
23 for i=1:n
24 s=s+(xbaru(i,1)-xlama(i,1))^2;
25 end
26 epsilon=sqrt(s)
27 %-------------------------------
28
29 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
30 end

Tabel dibawah ini memperlihatkan hasil norm-selisih hingga iterasi ke-10. Hasil perhitungan
norm-selisih tersebut, saya beri nama epsilon, ǫ, dimana semakin kecil nilai epsilon, ǫ, menan-
dakan hasil iterasinya semakin dekat dengan solusi. Hasil norm-selisih yang semakin kecil
pada iterasi ke-10 menunjukan bahwa hasil iterasi ke-10 adalah hasil yang paling dekat den-
gan solusi yang sebenarnya.

Tabel 5.2: Hasil perhitungan


norm-selisih (dengan ℓ2 ) hingga iterasi ke-10
norm ℓ2 x(2) − x(1) 2 x(3) − x(2) 2 x(4) − x(3) 2 ... x(10) − x(9) 2

ǫ 1,2557 0,4967 0,2189 ... 0,0012

Kembali ke pertanyaan penting yang tadi yaitu kriteria apa yang digunakan sehingga su-
atu hasil iterasi bisa dikatakan paling dekat dengan solusi yang sebenarnya? Jawabnya: ter-
gantung besar kecilnya nilai ǫ. Artinya kalau nilai ǫ ditentukan sebesar 0,2 , maka iterasi akan
berhenti pada iterasi ke-4. Atau kalau nilai ǫ ditentukan sebesar 0,001 , maka proses iterasi akan
berhenti pada iterasi ke-10. Kesimpulannya, semakin kecil nilai ǫ, semakin panjang proses it-
erasinya, namun hasil akhirnya semakin akurat. Jadi nilai ǫ berperan penting untuk menghen-
tikan proses iterasi. Dalam hal ini, ǫ lebih umum dikenal dengan istilah stopping-criteria.
Di bawah ini adalah script iterasi Jacobi setelah mengalami optimasi beberapa kali,

1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 n=4 %jumlah elemen vektor
5.3. ITERASI JACOBI 81

12 itermaks=10 %jumlah iterasi maksimal


13 sc=0.001 %stopping-criteria
14
15 for i=1:itermaks
16 %------nilai update-------------
17 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
18 xbaru(2,1)=(1/11)*xlama(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
19 xbaru(3,1)=-(2/10)*xlama(1,1)+(1/10)*xlama(2,1)+(1/10)*xlama(4,1)-(11/10);
20 xbaru(4,1)=-(3/8)*xlama(2,1)+(1/8)*xlama(3,1)+(15/8);
21 xbaru
22
23 %------norm selisih-------------
24 s=0;
25 for i=1:n
26 s=s+(xbaru(i,1)-xlama(i,1))^2;
27 end
28 epsilon=sqrt(s)
29
30 %------memeriksa stopping criteria, sc--------
31 if epsilon<sc
32 break
33 end
34
35 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
36 end

Metode yang baru saja kita bahas ini disebut metode Iterasi Jacobi. Metode ini bertujuan
mencari nilai-nilai pengganti variabel-variabel x dengan perumusan
 
Pn (k−1)
j=1 −aij xj + bi
(k)
xi = (5.9)
aii

dimana i=1,2,3,...,n.

5.3.3 Algoritma

• Langkah 1: Tentukan k=1

• Langkah 2: Ketika (k ≤ N ) lakukan Langkah 3-6

– Langkah 3: Untuk i=1,...,n, hitunglah


Pn
− j=1 (aij XOj ) + bi
xi =
aii

– Langkah 4: Jika kx − XOk < ǫ, maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP

– Langkah 5: Tentukan k=k+1

– Langkah 6: Untuk i=1,...n, tentukan XOi = xi

• Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP


82 BAB 5. METODE ITERASI

5.3.4 Program dalam Fortran

1 IMPLICIT NONE
2 DIMENSION A(10,10),B(10),X(10),XO(10)
3 REAL A,B,X,XO,EPS,NORM,S
4 INTEGER N,I,J,K,ITMAX
5 WRITE(*,*) ’==> ITERASI JACOBI UNTUK SISTEM LINEAR <==’
6 WRITE(*,*)
7 WRITE (*,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
8 READ (*,*) N
9 WRITE (*,*) ’MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B’
10 DO 52 I = 1,N
11 DO 62 J = 1,N
12 WRITE (*,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
13 READ (*,*) A(I,J)
14 62 CONTINUE
15 WRITE (*,’(1X,A,I2,A)’) ’B(’,I,’) ? ’
16 READ (*,*) B(I)
17 WRITE (*,*)
18 52 CONTINUE
19 WRITE (*,’(1X,A)’) ’JUMLAH ITERASI MAKSIMUM ? ’
20 READ (*,*) ITMAX
21 WRITE (*,’(1X,A)’) ’NILAI EPSILON ATAU TOLERANSI ? ’
22 READ (*,*) EPS
23 WRITE (*,*) ’MASUKAN NILAI AWAL UNTUK XO’
24 DO 72 I = 1,N
25 WRITE (*,’(1X,A,I2,A)’) ’XO(’,I,’) ? ’
26 READ (*,*) XO(I)
27 72 CONTINUE
28 WRITE (*,*)
29 C MENAMPILKAN MATRIK A
30 WRITE (*,’(1X,A)’) ’MATRIK A:’
31 DO 110 I = 1,N
32 WRITE (*,6) (A(I,J),J=1,N)
33 110 CONTINUE
34 WRITE (*,*)
35 C MENAMPILKAN VEKTOR B
36 WRITE (*,’(1X,A)’) ’VEKTOR B:’
37 DO 111 I = 1,N
38 WRITE (*,6) B(I)
39 111 CONTINUE
40 WRITE (*,*)
41 C LANGKAH 1
42 K = 1
43 C LANGKAH 2
44 100 IF(K.GT.ITMAX) GOTO 200
45 C LANGKAH 3
46 NORM = 0.0
47 DO 10 I = 1,N
48 S = 0.0
49 DO 20 J=1,N
50 S = S-A(I,J)*XO(J)
51 20 CONTINUE
52 S = (S+B(I))/A(I,I)
53 IF (ABS(S).GT.NORM) NORM=ABS(S)
54 X(I) = XO(I)+S
55 10 CONTINUE
56 WRITE(*,’(1X,A,I3)’) ’ITERASI KE-’, K
5.4. ITERASI GAUSS-SEIDEL 83

57 WRITE(*,’(1X,A,F14.8)’) ’NORM = ’, NORM


58 WRITE(*,’(1X,A,I3,A,F14.8)’) (’X(’,I,’) = ’, X(I),I=1,N)
59 WRITE(*,*)
60 C LANGKAH 4
61 IF(NORM.LE.EPS) THEN
62 WRITE(*,7) K,NORM
63 GOTO 400
64 END IF
65 C LANGKAH 5
66 K = K+1
67 C LANGKAH 6
68 DO 30 I=1,N
69 XO(I) = X(I)
70 30 CONTINUE
71 GOTO 100
72 C LANGKAH 7
73 200 CONTINUE
74 WRITE(*,9)
75 400 STOP
76
77 5 FORMAT(1X,I3)
78 6 FORMAT(1X,(6(1X,F14.8)))
79 7 FORMAT(1X,’KONVERGEN PADA ITERASI YANG KE- ’,I3,
80 *’ , NORM= ’,F14.8)
81 9 FORMAT(1X,’MELEBIHI BATAS MAKSIMUM ITERASI’)
82 END

5.4 Iterasi Gauss-Seidel

Metode Iterasi Gauss-Seidel hampir sama dengan metode Iterasi Jacobi. Perbedaannya hanya
terletak pada penggunaan nilai elemen vektor xbaru yang langsung digunakan pada per-
samaan dibawahnya. Untuk lebih jelasnya, perhatikan sistem persamaan linear berikut, yang
diturunkan dari contoh terdahulu

1 lama 2 6
xbaru
1 = x2 − xlama3 +
10 10 10
1 baru 1 lama 3 25
xbaru
2 = x1 + x3 − xlama 4 +
11 11 11 11
2 baru 1 baru 1 lama 11
xbaru
3 = − x1 + x2 + x4 −
10 10 10 10
3 baru 1 baru 15
xbaru
4 = − x2 + x3 +
8 8 8

Pada baris pertama, xbaru


1 dihitung berdasarkan xlama
2 dan xlama
3 . Kemudian xbaru
1 tersebut
langsung dipakai pada baris kedua untuk menghitung xbaru
2 . Selanjutnya xbaru
1 dan xbaru
2 di-
gunakan pada baris ketiga untuk mendapatkan xbaru
3 . Begitu seterusnya hingga xbaru
4 pun
diperoleh pada baris keempat. Sistem persamaan tersebut dapat dinyatakan dalam indeks k
84 BAB 5. METODE ITERASI

seperti dibawah ini dimana k adalah jumlah iterasi.

(k) 1 (k−1) 2 (k−1) 6


x1 = x − x3 +
10 2 10 10
(k) 1 (k) 1 (k−1) 3 (k−1) 25
x2 = x1 + x3 − x4 +
11 11 11 11
(k) 2 (k) 1 (k) 1 (k−1) 11
x3 = − x1 + x2 + x4 −
10 10 10 10
(k) 3 (k) 1 (k) 15
x4 = − x2 + x3 +
8 8 8
(0) (0) (0)
Misalnya kita tentukan nilai-nilai awal x(0) sebagai berikut x1 = 0, x2 = 0, x3 = 0 dan
(0)
x4 = 0. Atau dinyatakan seperti ini x(0) = (0; 0; 0; 0)t . Maka pada k = 1 kita akan memperoleh
nilai-nilai x(1) sebagai berikut

(1)
x1 = 0, 6000
(1)
x2 = 2, 3272
(1)
x3 = −0, 9873
(1)
x4 = 0, 8789

Lalu proses perhitungan diulangi lagi dengan k = 2. Begitu seterusnya proses ini diulang-
ulang lagi untuk nilai-nilai k berikutnya sampai x(k) mendekati solusi yang sesungguhnya,
yaitu
x = (1; 2; −1; 1)t

Marilah kita amati hasil seluruh iterasi. Tabel di bawah ini menampilkan hasil perhitungan
hingga iterasi yang ke-5. Kita bisa saksikan bahwa dibandingkan dengan iterasi Jacobi, prob-
lem sistem persamaan linear yang sama, bisa diselesaikan oleh metode iterasi Gauss-Seidel
hanya dalam 5 kali iterasi. Dari kasus ini, bisa kita simpulkan bahwa iterasi Gauss-Seidel bek-

Tabel 5.3: Hasil Iterasi Gauss-Seidel


k 0 1 2 3 4 5
(k)
x1 0,0000 0,6000 1,030 1,0065 1,0009 1,0001
(k)
x2 0,0000 2,3272 2,037 2,0036 2,0003 2,0000
(k)
x3 0,0000 -0,9873 -1,014 -1,0025 -1,0003 -1,0000
(k)
x4 0,0000 0,8789 0,9844 0,9983 0,9999 1,0000

erja lebih efektif dibandingkan iterasi Jacobi. Ya.., memang secara umum demikian, akan tetapi
ternyata ditemukan kondisi yang sebaliknya pada kasus-kasus yang lain.

5.4.1 Script iterasi Gauss-Seidel

Secara umum, script iterasi Gauss-Seidel yang saya tuliskan disini hampir sama dengan it-
erasi Jacobi. Perbedaan kecil-nya terletak pada bagian nilai update, dimana elemen xbaru hasil
perhitungan dilibatkan langsung untuk menghitung elemen xbaru selanjutnya.
5.4. ITERASI GAUSS-SEIDEL 85

1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 n=4 %jumlah elemen vektor
12 itermaks=10 %jumlah iterasi maksimal
13 sc=0.001 %stopping-criteria
14
15 for i=1:itermaks
16 %------nilai update-------------
17 xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
18 xbaru(2,1)=(1/11)*xbaru(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
19 xbaru(3,1)=-(2/10)*xbaru(1,1)+(1/10)*xbaru(2,1)+(1/10)*xlama(4,1)-(11/10);
20 xbaru(4,1)=-(3/8)*xbaru(2,1)+(1/8)*xbaru(3,1)+(15/8);
21 xbaru
22
23 %------norm selisih-------------
24 s=0;
25 for i=1:n
26 s=s+(xbaru(i,1)-xlama(i,1))^2;
27 end
28 epsilon=sqrt(s)
29
30 %------memeriksa stopping criteria, sc--------
31 if epsilon<sc
32 break
33 end
34
35 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
36 end

Perumusan metode Iterasi Gauss-Seidel dapat dinyatakan sebagai berikut:


Pi−1  (k)
 Pn 
(k−1)

− j=1 aij xj − j=i+1 aij xj + bi
(k)
xi = (5.10)
aii

dimana i=1,2,3,...,n.

5.4.2 Algoritma

• Langkah 1: Tentukan k=1

• Langkah 2: Ketika (k ≤ N ) lakukan Langkah 3-6

– Langkah 3: Untuk i=1,...,n, hitunglah


Pi−1 Pn
− j=1 aij xj − j=i+1 aij XOj + bi
xi =
aii
86 BAB 5. METODE ITERASI

– Langkah 4: Jika kx − XOk < ǫ, maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
– Langkah 5: Tentukan k=k+1
– Langkah 6: Untuk i=1,...n, tentukan XOi = xi

• Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP

5.4.3 Script iterasi Gauss-Seidel dalam Fortran

1 IMPLICIT NONE
2 DIMENSION A(10,10),B(10),X(10),XO(10)
3 REAL A,B,X,XO,EPS,NORM,S1,S2
4 INTEGER N,I,J,K,ITMAX
5 WRITE(*,*)
6 WRITE(*,*) ’==> ITERASI GAUSS-SEIDEL UNTUK SISTEM LINEAR <==’
7 WRITE(*,*)
8 WRITE (*,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
9 READ (*,*) N
10 WRITE (*,*) ’MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B’
11 DO 52 I = 1,N
12 DO 62 J = 1,N
13 WRITE (*,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
14 READ (*,*) A(I,J)
15 62 CONTINUE
16 WRITE (*,’(1X,A,I2,A)’) ’B(’,I,’) ? ’
17 READ (*,*) B(I)
18 WRITE (*,*)
19 52 CONTINUE
20 WRITE (*,’(1X,A)’) ’JUMLAH ITERASI MAKSIMUM ? ’
21 READ (*,*) ITMAX
22 WRITE (*,’(1X,A)’) ’NILAI EPSILON ATAU TOLERANSI ? ’
23 READ (*,*) EPS
24 WRITE (*,*) ’MASUKAN NILAI AWAL UNTUK XO’
25 DO 72 I = 1,N
26 WRITE (*,’(1X,A,I2,A)’) ’XO(’,I,’) ? ’
27 READ (*,*) XO(I)
28 72 CONTINUE
29 WRITE (*,*)
30 C MENAMPILKAN MATRIK A
31 WRITE (*,’(1X,A)’) ’MATRIK A:’
32 DO 110 I = 1,N
33 WRITE (*,6) (A(I,J),J=1,N)
34 110 CONTINUE
35 WRITE (*,*)
36 C MENAMPILKAN VEKTOR B
37 WRITE (*,’(1X,A)’) ’VEKTOR B:’
38 DO 111 I = 1,N
39 WRITE (*,6) B(I)
40 111 CONTINUE
41 WRITE (*,*)
42 C LANGKAH 1
43 K = 1
44 C LANGKAH 2
45 100 IF(K.GT.ITMAX) GOTO 200
46 C LANGKAH 3
47 DO 10 I = 1,N
48 S1 = 0.0
5.5. ITERASI DENGAN RELAKSASI 87

49 DO 20 J=I+1,N
50 S1 = S1-A(I,J)*XO(J)
51 20 CONTINUE
52 S2 = 0.0
53 DO 23 J=1,I-1
54 S2 = S2-A(I,J)*X(J)
55 23 CONTINUE
56 X(I) = (S2+S1+B(I))/A(I,I)
57 10 CONTINUE
58 C SAYA PILIH NORM-2. ANDA BOLEH PAKAI NORM YANG LAIN!
59 NORM = 0.0
60 DO 40 I=1,N
61 NORM = NORM + (X(I)-XO(I))*(X(I)-XO(I))
62 40 CONTINUE
63 NORM = SQRT(NORM)
64 WRITE(*,’(1X,A,I3)’) ’ITERASI KE-’, K
65 WRITE(*,’(1X,A,F14.8)’) ’NORM-2 = ’, NORM
66 WRITE(*,’(1X,A,I3,A,F14.8)’) (’X(’,I,’) = ’, X(I),I=1,N)
67 WRITE(*,*)
68 C LANGKAH 4
69 IF(NORM.LE.EPS) THEN
70 WRITE(*,7) K,NORM
71 GOTO 400
72 END IF
73 C LANGKAH 5
74 K = K+1
75 C LANGKAH 6
76 DO 30 I=1,N
77 XO(I) = X(I)
78 30 CONTINUE
79 GOTO 100
80 C LANGKAH 7
81 200 CONTINUE
82 WRITE(*,9)
83 400 STOP
84
85 5 FORMAT(1X,I3)
86 6 FORMAT(1X,(6(1X,F14.8)))
87 7 FORMAT(1X,’KONVERGEN PADA ITERASI YANG KE- ’,I3,
88 *’ , NORM= ’,F14.8)
89 9 FORMAT(1X,’MELEBIHI BATAS MAKSIMUM ITERASI’)
90 END

5.5 Iterasi dengan Relaksasi

Metode Iterasi Relaksasi (Relaxation method ) dinyatakan dengan rumus berikut:


 
i−1 n
(k) (k−1) ω X (k)
X (k−1) 
xi = (1 − ω) xi + bi − aij xj − aij xj (5.11)
aii
j=1 j=i+1

dimana i=1,2,3,...,n.

Untuk lebih jelasnya, marilah kita perhatikan contoh berikut, diketahui sistem persamaan
88 BAB 5. METODE ITERASI

linear Ax = b yaitu

4x1 + 3x2 + = 24
3x1 + 4x2 − x3 = 30
−x2 + 4x3 = −24

memiliki solusi (3, 4, −5)t . Metode Gauss-Seidel dan Relaksasi dengan ω = 1, 25 akan digu-
nakan untuk menyelesaikan sistem persamaan linear di atas dengan x(0) = (1, 1, 1)t . Untuk
setiap nilai k = 1, 2, 3, ..., persamaan Gauss-Seidelnya adalah

(k) (k−1)
x1 = −0, 75x2 +6
(k) (k) (k−1)
x2 = −0, 75x1 + 0, 25x3 + 7, 5
(k) (k)
x3 = 0, 25x2 − 6

Sedangkan persamaan untuk metode Relaksasi dengan ω = 1, 25 adalah

(k) (k−1) (k−1)


x1 = −0, 25x1 − 0, 9375x2 + 7, 5
(k) (k) (k−1) (k−1)
x2 = −0, 9375x1 − 0, 25x2 + 0, 3125x3 + 9, 375
(k) (k) (k−1)
x3 = 0, 3125x2 − 0, 25x3 − 7, 5

Tabel berikut ini menampilkan perhitungan dari masing-masing metode hingga iterasi ke-7.

Tabel 5.4: Hasil perhitungan iterasi Gauss-Seidel


k 0 1 2 3 4 5 6 7
(k)
x1 1 5,2500 3,1406 3,0879 3,0549 3,0343 3,0215 3,0134
(k)
x2 1 3,8125 3,8828 3,9267 3,9542 3,9714 3,9821 3,9888
(k)
x3 1 -5,0468 -5,0293 -5,0183 -5,0114 -5,0072 -5,0044 -5,0028

Tabel 5.5: Hasil perhitungan iterasi Relaksasi dengan ω = 1, 25


k 0 1 2 3 4 5 6 7
(k)
x1 1 6,3125 2,6223 3,1333 2,9570 3,0037 2,9963 3,0000
(k)
x2 1 3,5195 3,9585 4,0102 4,0075 4,0029 4,0009 4,0002
(k)
x3 1 -6,6501 -4,6004 -5,0967 -4,9735 -5,0057 -4,9983 -5,0003

Dari kasus ini, bisa kita simpulkan bahwa iterasi Relaksasi memerlukan proses iterasi yang
lebih singkat dibandingkan iterasi Gauss-Seidel. Jadi, pada kasus ini (dan juga secara umum),
Relaksasi lebih efektif dibandingkan Gauss-Seidel. Pertanyaannya sekarang, bagaimana menen-
tukan nilai ω optimal?
Metode Relaksasi dengan pilihan nilai ω yang berkisar antara 0 dan 1 disebut metode under-
relaxation, dimana metode ini berguna agar sistem persamaan linear bisa mencapai kondisi
konvergen walaupun sistem tersebut sulit mencapai kondisi konvergen dengan metode Gauss-
5.5. ITERASI DENGAN RELAKSASI 89

Seidel. Sementara bila ω nilainya lebih besar dari angka 1, maka disebut metode successive
over-relaxation (SOR), yang mana metode ini berguna untuk mengakselerasi atau mempercepat
kondisi konvergen dibandingkan dengan Gauss-Seidel. Metode SOR ini juga sangat berguna
untuk menyelesaikan sistem persamaan linear yang muncul dari persamaan diferensial-parsial
tertentu.

5.5.1 Algoritma Iterasi Relaksasi

• Langkah 1: Tentukan k=1

• Langkah 2: Ketika (k ≤ N ) lakukan Langkah 3-6

– Langkah 3: Untuk i=1,...,n, hitunglah


 P 
i−1
aij xj − nj=i+1 aij XOj + bi
P
ω − j=1
xi = (1 − ω) XOi +
aii

– Langkah 4: Jika kx − XOk < ǫ, maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
– Langkah 5: Tentukan k=k+1
– Langkah 6: Untuk i=1,...n, tentukan XOi = xi

• Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP

Demikianlah catatan singkat dari saya tentang metode iterasi untuk menyelesaikan prob-
lem sistem persamaan linear. Saya cukupkan sementara sampai disini. Insya Allah akan saya
sambung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui
email: supri92@gmail.com.
Bab 6

Interpolasi

✍ Objektif :
⊲ Mengenalkan Interpolasi Lagrange
⊲ Mengenalkan Interpolasi Spline-cubic

6.1 Interpolasi Lagrange

Interpolasi Lagrange diterapkan untuk mendapatkan fungsi polinomial P (x) berderajat ter-
tentu yang melewati sejumlah titik data. Misalnya, kita ingin mendapatkan fungsi polinomial
berderajat satu yang melewati dua buah titik yaitu (x0 , y0 ) dan (x1 , y1 ). Langkah pertama yang
kita lakukan adalah mendefinisikan fungsi berikut

x − x1
L0 (x) =
x0 − x1

dan
x − x0
L1 (x) =
x1 − x0
kemudian kita definisikan fungsi polinomial sebagai berikut

P (x) = L0 (x)y0 + L1 (x)y1

Jika semua persamaan diatas kita gabungkan, maka akan didapat

P (x) = L0 (x)y0 + L1 (x)y1


x − x1 x − x0
P (x) = y0 + y1
x0 − x1 x1 − x0

dan ketika x = x0
x0 − x1 x0 − x0
P (x0 ) = y0 + y1 = y0
x0 − x1 x1 − x0

91
92 BAB 6. INTERPOLASI

dan pada saat x = x1


x1 − x1 x1 − x0
P (x1 ) = y0 + y1 = y1
x0 − x1 x1 − x0
dari contoh ini, kira-kira apa kesimpulan sementara anda? Ya.. kita bisa sepakat bahwa fungsi
polinomial
x − x1 x − x0
P (x) = y0 + y1 (6.1)
x0 − x1 x1 − x0
benar-benar melewati titik (x0 , y0 ) dan (x1 , y1 ).

Sekarang mari kita perhatikan lagi contoh lainnya. Misalnya ada tiga titik yaitu (x0 , y0 ), (x1 , y1 )
dan (x2 , y2 ). Tentukanlah fungsi polinomial yang melewati ketiganya! Dengan pola yang sama
kita bisa awali langkah pertama yaitu mendefinisikan

(x − x1 )(x − x2 )
L0 (x) =
(x0 − x1 )(x0 − x2 )

lalu
(x − x0 )(x − x2 )
L1 (x) =
(x1 − x0 )(x1 − x2 )
dan
(x − x0 )(x − x1 )
L2 (x) =
(x2 − x0 )(x2 − x1 )
kemudian kita definisikan fungsi polinomial sebagai berikut

P (x) = L0 (x)y0 + L1 (x)y1 + L2 (x)y2

Jika semua persamaan diatas kita gabungkan, maka akan didapat fungsi polinomial

(x − x1 )(x − x2 ) (x − x0 )(x − x2 ) (x − x0 )(x − x1 )


P (x) = y0 + y1 + y2
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )

Kita uji sebentar. Ketika x = x0

(x0 − x1 )(x0 − x2 ) (x0 − x0 )(x0 − x2 ) (x0 − x0 )(x0 − x1 )


P (x0 ) = y0 + y1 + y2 = y0
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )

pada saat x = x1

(x1 − x1 )(x1 − x2 ) (x1 − x0 )(x1 − x2 ) (x1 − x0 )(x1 − x1 )


P (x1 ) = y0 + y1 + y2 = y1
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )

pada saat x = x2

(x2 − x1 )(x2 − x2 ) (x2 − x0 )(x2 − x2 ) (x2 − x0 )(x2 − x1 )


P (x2 ) = y0 + y1 + y2 = y2
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )
6.2. INTERPOLASI CUBIC SPLINE 93

Terbukti bahwa fungsi polonomial

(x − x1 )(x − x2 ) (x − x0 )(x − x2 ) (x − x0 )(x − x1 )


P (x) = y0 + y1 + y2 (6.2)
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 )

melewati ketiga titik tadi.

Kalau kita bandingkan antara persamaan (6.1) dan persamaan (6.2), terlihat bahwa derajat per-
samaan (6.2) lebih tinggi dibandingkan dengan derajat persamaan (6.1). Hal ini terlihat dari x2
pada persamaan (6.2) sementara pada persamaan (6.1) hanya ada x. persamaan (6.2) disebut
funsi polinomial berderajat 2, sedangkan persamaan (6.1) disebut fungsi polinomial berderajat
1.

6.2 Interpolasi Cubic Spline

Gambar 6.1: Fungsi f (x) dengan sejumlah titik data

Gambar 6.2: Pendekatan dengan polinomial cubic spline


94 BAB 6. INTERPOLASI

Diketahui suatu fungsi f (x) (Figure 6.1) yang dibatasi oleh interval a dan b, dan memiliki
sejumlah titik data a = x0 < x1 < ... < xn = b. Interpolasi cubic spline S(x) adalah sebuah po-
tongan fungsi polinomial kecil-kecil (Figure 6.2) berderajat tiga (cubic ) yang menghubungkan
dua titik data yang bersebelahan dengan ketentuan sebagai berikut:

1. Sj (x) adalah potongan fungsi yang berada pada sub-interval dari xj hingga xj+1 untuk
nilai j = 0, 1, ..., n − 1;

2. S(xj ) = f (xj ), artinya pada setiap titik data (xj ), nilai f (xj ) bersesuaian dengan S(xj )
dimana j = 0, 1, ..., n;

3. Sj+1 (xj+1 ) = Sj (xj+1 ). Perhatikan titik xj+1 pada Figure 6.2. Ya.. tentu saja jika fungsi
itu kontinyu, maka titik xj+1 menjadi titik sambungan antara Sj dan Sj+1 .

4. Sj+1 (xj+1 ) = Sj′ (xj+1 ), artinya kontinyuitas menuntut turunan pertama dari Sj dan Sj+1
pada titik xj+1 harus bersesuaian.
′′ (x
5. Sj+1 ′′
j+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan kedua dari Sj dan Sj+1
pada titik xj+1 harus bersesuaian juga.

6. Salah satu syarat batas diantara 2 syarat batas x0 dan xn berikut ini mesti terpenuhi:

• S ′′ (x0 ) = S ′′ (xn ) = 0 ini disebut natural boundary


• S ′ (x0 ) = f ′ (x0 ) dan S ′ (xn ) = f ′ (xn ) ini disebut clamped boundary

Polinomial cubic spline S (polinomial pangkat 3) untuk suatu fungsi f berdasarkan ketentuan
di atas adalah
Sj (x) = aj + bj (x − xj ) + cj (x − xj )2 + dj (x − xj )3 (6.3)

dimana j = 0, 1, ..., n − 1. Maka ketika x = xj

Sj (xj ) = aj + bj (xj − xj ) + cj (xj − xj )2 + dj (xj − xj )3


Sj (xj ) = aj = f (xj )

Itu artinya, aj selalu jadi pasangan titik data dari xj . Dengan pola ini maka pasangan titik data
xj+1 adalah aj+1 , konsekuensinya S(xj+1 ) = aj+1 . Berdasarkan ketentuan (3), yaitu ketika
x = xj+1 dimasukan ke persamaan (11.7)

aj+1 = Sj+1 (xj+1 ) = Sj (xj+1 ) = aj + bj (xj+1 − xj ) + cj (xj+1 − xj )2 + dj (xj+1 − xj )3

dimana j = 0, 1, ..., n − 2. Sekarang, kita nyatakan hj = xj+1 − xj , sehingga

aj+1 = aj + bj hj + cj h2j + dj h3j (6.4)

Kemudian, turunan pertama dari persamaan (11.7) adalah

Sj′ (x) = bj + 2cj (x − xj ) + 3dj (x − xj )2


6.2. INTERPOLASI CUBIC SPLINE 95

ketika x = xj ,
Sj′ (xj ) = bj + 2cj (xj − xj ) + 3dj (xj − xj )2 = bj

dan ketika x = xj+1 ,

bj+1 = Sj′ (xj+1 ) = bj + 2cj (xj+1 − xj ) + 3dj (xj+1 − xj )2

Ini dapat dinyatakan sebagai

bj+1 = bj + 2cj (xj+1 − xj ) + 3dj (xj+1 − xj )2

dan dinyatakan dalam hj


bj+1 = bj + 2cj hj + 3dj h2j (6.5)

Berikutnya, kita hitung turunan kedua dari persamaan (11.7)

Sj′′ (x) = 2cj + 6dj (x − xj ) (6.6)

tapi dengan ketentuan tambahan yaitu S ′′ (x)/2, sehingga persamaan ini dimodifikasi menjadi

Sj′′ (x) = cj + 3dj (x − xj )

dengan cara yang sama, ketika x = xj

Sj′′ (xj ) = cj + 3dj (xj − xj ) = cj

dan ketika x = xj+1

cj+1 = Sj′′ (xj+1 ) = cj + 3dj (xj+1 − xj )


cj+1 = cj + 3dj hj (6.7)

dan dj bisa dinyatakan


1
dj = (cj+1 − cj )
3hj
dari sini, persamaan (6.4) dapat ditulis kembali

aj+1 = aj + bj hj + cj h2j + dj h3j


h2j
= aj + bj hj + cj h2j + (cj+1 − cj )
3
h2j
= aj + bj hj + (2cj + cj+1 ) (6.8)
3
96 BAB 6. INTERPOLASI

sementara persamaan (6.5) menjadi

bj+1 = bj + 2cj hj + 3dj h2j


= bj + 2cj hj + hj (cj+1 − cj )
= bj + hj (cj + cj+1 ) (6.9)

Sampai sini masih bisa diikuti, bukan? Selanjutnya, kita coba mendapatkan bj dari persamaan
(6.8)
1 hj
bj = (aj+1 − aj ) − (2cj + cj+1 ) (6.10)
hj 3
dan untuk bj−1
1 hj−1
bj−1 = (aj − aj−1 ) − (2cj−1 + cj ) (6.11)
hj−1 3
Langkah berikutnya adalah mensubtitusikan persamaan (6.10) dan persamaan (6.11) kedalam
persamaan (6.9),

3 3
hj−1 cj−1 + 2(hj−1 + hj )cj + hj cj+1 = (aj+1 − aj ) − (aj − aj−1 ) (6.12)
hj hj−1

n−1
dimana j = 1, 2, ..., n − 1. Dalam sistem persamaan ini, nilai {hj }j=0 dan nilai {aj }nj=0 su-
dah diketahui, sementara nilai {cj }nj=0 belum diketahui dan memang nilai inilah yang akan
dihitung dari persamaan ini.

Sekarang coba perhatikan ketentuan nomor (6), ketika S ′′ (x0 ) = S ′′ (xn ) = 0, berapakah nilai c0
dan cn ? Nah, kita bisa evaluasi persamaan (6.6)

S ′′ (x0 ) = 2c0 + 6d0 (x0 − x0 ) = 0

jelas sekali c0 harus berharga nol. Demikian halnya dengan cn harganya harus nol. Jadi untuk
natural boundary, nilai c0 = cn = 0.

Persamaan (6.12) dapat dihitung dengan operasi matrik Ax = b dimana


 
1 0 0 ... ... ... 0
 
 h0 2(h0 + h1 ) h1 0 ... ... 0 
 
0 h1 2(h1 + h2 ) h2 0 ... 0 
A=
 

. . . ... ... ... ... ... ... 
 
. . . ... ... . . . hn−2 2(hn−2 + hn−1 ) hn−1 
 
0 ... ... ... 0 0 1

 
c0
 c1 
 
x=
 .. 

.
cn
6.2. INTERPOLASI CUBIC SPLINE 97

 
0
3 3
h1 (a2 − a1 ) − h0 (a1 − a0 )
 
 
..
 
b=
 
 . 

 3 (a − a 3
n−1 ) − hn−2 (an−1 − an−2 )

 hn−1 n
0

Sekarang kita beralih ke clamped boundary dimana S ′ (a) = f ′ (a) dan S ′ (b) = f ′ (b). Nah, kita
bisa evaluasi persamaan (6.10) dengan j = 0, dimana f ′ (a) = S ′ (a) = S ′ (x0 ) = b0 , sehingga

1 h0
f ′ (a) = (a1 − a0 ) − (2c0 + c1 )
h0 3

konsekuensinya,
3
2h0 c0 + h0 c1 = (a1 − a0 ) − 3f ′ (a) (6.13)
h0
Sementara pada xn = bn dengan persamaan (6.9)

f ′ (b) = bn = bn−1 + hn−1 (cn−1 + cn )

sedangkan bn−1 bisa didapat dari persamaan (6.11) dengan j = n − 1

1 hn−1
bn−1 = (an − an−1 ) − (2cn−1 j + cn )
hn−1 3

Jadi

1 hn−1
f ′ (b) = (an − an−1 ) − (2cn−1 j + cn ) + hn−1 (cn−1 + cn )
hn−1 3
1 hn−1
= (an − an−1 + (cn−1 j + 2cn )
hn−1 3

dan akhirnya kita peroleh

3
hn−1 cn−1 + 2hn−1 Cn = 3f ′ (b) − (an − an−1 ) (6.14)
hn−1

Persamaan (6.13) dan persamaan (6.14) ditambah persamaan (6.12 membentuk operasi matrik
Ax = b dimana
 
2h0 h0 0 ... ... ... 0
 
 h0 2(h0 + h1 ) h1 0 ... ... 0 
 
 0 h1 2(h1 + h2 ) h2 0 ... 0 
A=
 

... ... ... ... ... ... ... 
 
... ... ... . . . hn−2 2(hn−2 + hn−1 ) hn−1 
 
0 ... ... ... 0 hn−1 2hn−1
98 BAB 6. INTERPOLASI

Gambar 6.3: Profil suatu object

 
c0
 c1 
 
x=
 .. 

.
cn
 
3
h0 (a1 − a0 ) − 3f ′ (a)
3 3
h1 (a2 − a1 ) − h0 (a1 − a0 )
 
 
.
 
b=
 .. 

 
 3 (a − a 3
n−1 ) − hn−2 (an−1 − an−2 )

 hn−1 n
3
3f ′ (b) − hn−1 (an − an−1 )
6.2. INTERPOLASI CUBIC SPLINE 99

Gambar 6.4: Sampling titik data

Gambar 6.5: Hasil interpolasi cubic spline


j xj aj bj cj dj
0 0,9 1,3 5,4 0,00 -0,25
1 1,3 1,5 0,42 -0,30 0,95
2 1,9 1,85 1,09 1,41 -2,96
3 2,1 2,1 1,29 -0,37 -0,45
4 2,6 2,6 0,59 -1,04 0,45
5 3,0 2,7 -0,02 -0,50 0,17
6 3,9 2,4 -0,5 -0,03 0,08
7 4,4 2,15 -0,48 0,08 1,31
8 4,7 2,05 -0,07 1,27 -1,58
9 5,0 2,1 0,26 -0,16 0,04
10 6,0 2,25 0,08 -0,03 0,00
11 7,0 2,3 0,01 -0,04 -0,02
12 8,0 2,25 -0,14 -0,11 0,02
13 9,2 1,95 -0,34 -0,05 -0,01
14 10,5 1,4 -0,53 -0,1 -0,02
15 11,3 0,9 -0,73 -0,15 1,21
16 11,6 0,7 -0,49 0,94 -0,84
17 12,0 0,6 -0,14 -0,06 0,04
18 12,6 0,5 -0,18 0 -0,45
19 13,0 0,4 -0,39 -0,54 0,60
20 13,3 0,25

Gambar 6.6: Hasil interpolasi lagrange


Bab 7

Diferensial Numerik

✍ Objektif :
⊲ Mengenalkan metode Euler
⊲ Mengenalkan metode Runge Kutta orde 4
⊲ Mengenalkan metode Finite Difference
⊲ Mengenalkan Persamaan Diferensial Parsial Eliptik
⊲ Mengenalkan Persamaan Diferensial Parsial Hiperbolik
⊲ Mengenalkan Persamaan Diferensial Parsial Parabolik

7.1 Metode Euler

Suatu persamaan diferensial ( dy


dt ) dinyatakan dalam fungsi f (t, y), dimana y(t) adalah per-
samaan asalnya
dy
= f (t, y), a ≤ t ≤ b, y(a) = α (7.1)
dt
Nilai t dibatasi dari a hingga ke b. Sementara, syarat awal telah diketahui yaitu pada saat
t = a maka y bernilai α. Akan tetapi kita sama sekali tidak tahu bentuk formulasi persamaan
asalnya y(t). Gambar 7.1 memperlihatkan kurva persamaan asal y(t) yang tidak diketahui ben-
tuk formulasinya. Tantangannya adalah bagaimana kita bisa mendapatkan solusi persamaan
diferensial untuk setiap nilai y(t) yang t-nya terletak diantara a dan b ?
Tahap awal solusi pendekatan numerik adalah dengan menentukan point-point dalam
jarak yang sama di dalam interval [a,b]. Jarak antar point dirumuskan sebagai

b−a
h= (7.2)
N

dengan N adalah bilangan integer positif. Nilai h ini juga dikenal dengan nama step size.
Selanjutnya nilai t diantara a dan b ditentukan berdasarkan

ti = a + ih, i = 0, 1, 2, ..., N (7.3)

101
102 BAB 7. DIFERENSIAL NUMERIK

y y

y(tN)=y(b) y(t)
y’=f(t,y) y(t)
y(a)=a
y(t2) y’=f(t,y)
y(a)=a
y(t1) w1 y’(a)=f(a,a)
y(t0)=a a
h h

t0=a t1 t2 ..... tN=b t t0=a t1 t2 ..... tN=b t

Gambar 7.1: Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebe-
sar h. Pasangan t1 adalah y(t1 ), pasangan t2 adalah y(t2 ), begitu seterusnya. Kanan: Garis singgung
yang menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis singgung tersebut, ditentukan
pasangan t1 sebagai w1 . Perhatikan gambar itu sekali lagi! w1 dan y(t1 ) beda tipis alias tidak sama
persis.

Metode Euler diturunkan dari deret Taylor. Misalnya, fungsi y(t) adalah fungsi yang kon-
tinyu dan memiliki turunan dalam interval [a,b]. Dalam deret Taylor, fungsi y(t) tersebut diru-
muskan sebagai
(ti+1 − ti )2 ′′
y(ti+1 ) = y(ti ) + (ti+1 − ti )y ′ (ti ) + y (ξi ) (7.4)
2
dengan memasukkan h = (ti+1 − ti ), maka

h2 ′′
y(ti+1 ) = y(ti ) + hy ′ (ti ) + y (ξi ) (7.5)
2

dan, karena y(t) memenuhi persamaan diferensial (7.1), dimana y ′ (ti ) tak lain adalah fungsi
turunan f (ti , y(ti )), maka

h2 ′′
y(ti+1 ) = y(ti ) + hf (ti , y(ti )) + y (ξi ) (7.6)
2

Metode Euler dibangun dengan pendekatan bahwa suku terakhir dari persamaan (7.6),
yang memuat turunan kedua, dapat diabaikan. Disamping itu, pada umumnya, notasi penulisan
bagi y(ti ) diganti dengan wi . Sehingga metode Euler diformulasikan sebagai

wi+1 = wi + hf (ti , wi ) dengan syarat awal w0 = α (7.7)

dimana i = 0, 1, 2, .., N − 1.

Contoh
Diketahui persamaan diferensial

y ′ = y − t2 + 1 batas interval: 0 ≤ t ≤ 2 syarat awal: y(0) = 0, 5 (7.8)

dimana N = 10. Disini terlihat bahwa batas awal interval, a = 0; dan batas akhir b = 2.
7.1. METODE EULER 103

Dalam penerapan metode euler, pertama kali yang harus dilakukan adalah menghitung
step-size (h), caranya
b−a 2−0
h= = = 0, 2
N 10
kemudian dilanjutkan dengan menentukan posisi titik-titik ti berdasarkan rumus

ti = a + ih = 0 + i(0, 2) sehingga ti = 0, 2i

serta menetapkan nilai w0 yang diambil dari syarat awal y(0) = 0, 5

w0 = 0, 5

Dengan demikian persamaan euler dapat dinyatakan sebagai

wi+1 = wi + h(wi − t2i + 1)


= wi + 0, 2(wi − 0, 04i2 + 1)
= 1, 2wi − 0, 008i2 + 0, 2

dimana i = 0, 1, 2, ..., N − 1. Karena N = 10, maka i = 0, 1, 2, ..., 9.


Pada saat i = 0 dan dari syarat awal diketahui w0 = 0, 5, kita bisa menghitung w1

w1 = 1, 2w0 − 0, 008(0)2 + 0, 2 = 0, 8000000

Pada saat i = 1
w2 = 1, 2w1 − 0, 008(1)2 + 0, 2 = 1, 1520000

Pada saat i = 2
w3 = 1, 2w2 − 0, 008(2)2 + 0, 2 = 1, 5504000

Demikian seterusnya, hingga mencapai i = 9

w10 = 1, 2w9 − 0, 008(9)2 + 0, 2 = 4, 8657845

Berikut ini adalah script matlab untuk menghitung w1 , w2 , sampai w10

1 clear all
2 clc
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 t1=a+1*h;
104 BAB 7. DIFERENSIAL NUMERIK

15 t2=a+2*h;
16 t3=a+3*h;
17 t4=a+4*h;
18 t5=a+5*h;
19 t6=a+6*h;
20 t7=a+7*h;
21 t8=a+8*h;
22 t9=a+9*h;
23 t10=a+10*h;
24
25 % solusinya:
26 w1=w0+h*(w0-t0^2+1)
27 w2=w1+h*(w1-t1^2+1)
28 w3=w2+h*(w2-t2^2+1)
29 w4=w3+h*(w3-t3^2+1)
30 w5=w4+h*(w4-t4^2+1)
31 w6=w5+h*(w5-t5^2+1)
32 w7=w6+h*(w6-t6^2+1)
33 w8=w7+h*(w7-t7^2+1)
34 w9=w8+h*(w8-t8^2+1)
35 w10=w9+h*(w9-t9^2+1)

Atau bisa dipersingkat sebagai berikut

1 clear all
2 clc
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 w(1)=w0+h*(w0-t0^2+1);
20 for i=2:N
21 k=i-1;
22 w(i)=w(k)+h*(w(k)-t(k)^2+1);
23 end
24 w

Disisi lain, solusi exact persamaan diferensial (7.8) adalah

y(t) = (t + 1)2 − 0, 5et (7.9)

Script matlab untuk mendapatkan solusi exact ini adalah:

1 clear all
2 clc
7.1. METODE EULER 105

3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10
11 % perubahan t sesuai step-size h adalah:
12 for i=1:N
13 t(i)=a+(i*h);
14 end
15
16 % solusi exact:
17 for i=1:N
18 y(i)=(t(i)+1)^2-0.5*exp(t(i));
19 end
20 y

Tabel 7.1: Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih antara
keduanya
i ti wi yi = y(ti ) |wi − yi |
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8000000 0,8292986 0,0292986
2 0,4 1,1520000 1,2140877 0,0620877
3 0,6 1,5504000 1,6489406 0,0985406
4 0,8 1,9884800 2,1272295 0,1387495
5 1,0 2,4581760 2,6408591 0,1826831
6 1,2 2,9498112 3,1799415 0,2301303
7 1,4 3,4517734 3,7324000 0,2806266
8 1,6 3,9501281 4,2834838 0,3333557
9 1,8 4,4281538 4,8151763 0,3870225
10 2,0 4,8657845 5,3054720 0,4396874

Coba anda perhatikan sejenak bagian kolom selisih |wi − yi |. Terlihat angkanya tumbuh se-
makin besar seiring dengan bertambahnya ti . Artinya, ketika ti membesar, akurasi metode
euler justru berkurang. Untuk lebih jelasnya, mari kita plot hasil-hasil ini dalam suatu gambar.
Gambar (7.2) memperlihatkan sebaran titik-titik merah yang merupakan hasil perhitungan
metode euler (wi ). Sementara solusi exact y(ti ) diwakili oleh titik-titik biru. Tampak jelas bah-
wa titik-titik biru dan titik-titik merah –pada nilai t yang sama– tidak ada yang berhimpit alias
ada jarak yang memisahkan mereka. Bahkan semakin ke kanan, jarak itu semakin melebar.
Adanya jarak, tak lain menunjukkan keberadaan error (kesalahan). Hasil perhitungan metode
euler yang diwakili oleh titik-titik merah ternyata menghadirkan tingkat kesalahan yang se-
makin membesar ketika menuju ke-N atau ketika ti bertambah. Untuk mengatasi hal ini, salah
satu pemecahannya adalah dengan menerapkan metode Runge-Kutta orde-4. Namun sebelum
masuk ke pembahasan tersebut, ada baiknya kita memodifikasi script matlab yang terakhir ta-
di.
Saya kira tidak ada salahnya untuk mengantisipasi kesalahan pengetikan fungsi turunan
106 BAB 7. DIFERENSIAL NUMERIK

5.5

4.5

3.5
y(t)

2.5

1.5

0.5
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
t

Gambar 7.2: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu nilai wi .

yang terdapat dalam script sebelumnya yaitu,


w(1)=w0+h*(w0-t0^2+1);

dan
w(i)=w(k)+h*(w(k)-t(k)^2+1);

Ketika fungsi turunan memiliki formulasi yang berbeda dengan contoh di atas, bisa jadi
kita akan lupa untuk mengetikkan formulasi yang baru di kedua baris tersebut. Oleh karena
itu, lebih baik fungsi turunan tersebut dipindahkan kedalam satu file terpisah. Di lingkungan
matlab, file tersebut disebut file function. Jadi, isi file function untuk contoh yang sedang kita
bahas ini adalah
function y = futur(t,w)
y = w - t^2 + 1;

File function ini mesti di-save dengan nama file yang sama persis dengan nama fungsinya,
dalam contoh ini nama file function tersebut harus bernama futur.m. Kemudian file ini harus
disimpan dalam folder yang sama dimana disana juga terdapat file untuk memproses metode
euler.
Setelah itu, script metode euler dimodifikasi menjadi seperti ini

1 clear all
2 clc
3
7.2. METODE RUNGE KUTTA 107

4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 w(1)=w0+h*futur(t0,w0);
20 for i=2:N
21 k=i-1;
22 w(i)=w(k)+h*futur(t(k),w(k));
23 end
24 w

Mulai dari baris ke-13 sampai dengan baris ke-24, tidak perlu diubah-ubah lagi. Artinya, jika
ada perubahan formulasi fungsi turunan, maka itu cukup dilakukan pada file futur.m saja.
Ok. Sekarang mari kita membahas metode Runge Kutta.

7.2 Metode Runge Kutta

Pada saat membahas metode Euler untuk penyelesaian persamaan diferensial, kita telah sam-
pai pada kesimpulan bahwa truncation error metode Euler terus membesar seiring dengan
bertambahnya iterasi (ti ). Dikaitkan dengan hal tersebut, metode Runge-Kutta Orde-4 menawarkan
penyelesaian persamaan diferensial dengan pertumbuhan truncation error yang jauh lebih ke-
cil. Persamaan-persamaan yang menyusun metode Runge-Kutta Orde-4 adalah

w0 = α
k1 = hf (ti , wi ) (7.10)
h 1
k2 = hf (ti + , wi + k1 ) (7.11)
2 2
h 1
k3 = hf (ti + , wi + k2 ) (7.12)
2 2
k4 = hf (ti+1 , wi + k3 ) (7.13)
1
wi+1 = wi + (k1 + 2k2 + 2k3 + k4 ) (7.14)
6

dimana fungsi f (t, w) adalah fungsi turunan.


Contoh
Saya ambilkan contoh yang sama seperti contoh yang sudah kita bahas pada metode Euler.
Diketahui persamaan diferensial

y ′ = y − t2 + 1, 0 ≤ t ≤ 2, y(0) = 0, 5
108 BAB 7. DIFERENSIAL NUMERIK

Jika N = 10, maka step-size bisa dihitung terlebih dahulu

b−a 2−0
h= = = 0, 2
N 10

dan
ti = a + ih = 0 + i(0, 2) → ti = 0, 2i

serta
w0 = 0, 5

Sekarang mari kita terapkan metode Runge-Kutta Orde-4 ini. Untuk menghitung w1 , tahap-
tahap perhitungannya dimulai dari menghitung k1

k1 = hf (t0 , w0 )
= h(w0 − t20 + 1)
= 0, 2((0, 5) − (0, 0)2 + 1)
= 0, 3

lalu menghitung k2

h k1
k2 = hf (t0 + , w0 + )
2 2
k1 h
= h[(w0 + ) − (t0 + )2 + 1)]
2 2
0, 3 0, 2 2
= 0, 2[(0, 5 + ) − (0, 0 + ) + 1)]
2 2
= 0, 328

dilanjutkan dengan k3

h k2
k3 = hf (t0 + , w0 + )
2 2
k2 h
= h[(w0 + ) − (t0 + )2 + 1)]
2 2
0, 328 0, 2 2
= 0, 2[(0, 5 + ) − (0, 0 + ) + 1)]
2 2
= 0, 3308

kemudian k4

k4 = hf (t1 , w0 + k3 )
= h[(w0 + k3 ) − t21 + 1]
= 0, 2[(0, 5 + 0, 3308) − (0, 2)2 + 1]
= 0, 35816
7.2. METODE RUNGE KUTTA 109

akhirnya diperoleh w1

1
w1 = w0 + (k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 5 + (0, 3 + 2(0, 328) + 2(0, 3308) + 0, 35816)
6
1
= 0, 5 + (0, 3 + 0, 656 + 0, 6616 + 0, 35816)
6
= 0, 8292933

Dengan cara yang sama, w2 , w3 , w4 dan seterusnya dapat dihitung dengan program komputer.
Script matlab-nya sebagai berikut1 :

1 clear all
2 clc
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 k1=h*futur(t0,w0);
20 k2=h*futur(t0+h/2,w0+k1/2);
21 k3=h*futur(t0+h/2,w0+k2/2);
22 k4=h*futur(t(1),w0+k3);
23 w(1)=w0+1/6*(k1+2*k2+2*k3+k4);
24
25 for i=2:N
26 k=i-1;
27 k1=h*futur(t(k),w(k));
28 k2=h*futur(t(k)+h/2,w(k)+k1/2);
29 k3=h*futur(t(k)+h/2,w(k)+k2/2);
30 k4=h*futur(t(i),w(k)+k3);
31 w(i)=w(k)+1/6*(k1+2*k2+2*k3+k4);
32 end
33 w

Dibandingkan dengan metode Euler, tingkat pertumbuhan truncation error, pada kolom |wi −
yi | (lihat Tabel 7.2), jauh lebih rendah sehingga metode Runge-Kutta Orde Empat lebih disukai
untuk membantu menyelesaikan persamaan-diferensial-biasa.
Contoh tadi tampaknya dapat memberikan gambaran yang jelas bahwa metode Runge-
Kutta Orde Empat dapat menyelesaikan persamaan diferensial biasa dengan tingkat akurasi
1
Jangan lupa, file futur.m mesti berada dalam satu folder dengan file Runge Kutta nya!
110 BAB 7. DIFERENSIAL NUMERIK

Tabel 7.2: Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact y(ti )
serta selisih antara keduanya
i ti wi yi = y(ti ) |wi − yi |
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8292933 0,8292986 0,0000053
2 0,4 1,2140762 1,2140877 0,0000114
3 0,6 1,6489220 1,6489406 0,0000186
4 0,8 2,1272027 2,1272295 0,0000269
5 1,0 2,6408227 2,6408591 0,0000364
6 1,2 3,1798942 3,1799415 0,0000474
7 1,4 3,7323401 3,7324000 0,0000599
8 1,6 4,2834095 4,2834838 0,0000743
9 1,8 4,8150857 4,8151763 0,0000906
10 2,0 5,3053630 5,3054720 0,0001089

5.5

4.5

3.5
y(t)

2.5

1.5

0.5
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
t

Gambar 7.3: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta orde 4, yaitu nilai wi .

yang lebih tinggi. Namun, kalau anda jeli, ada suatu pertanyaan cukup serius yaitu apakah
metode ini dapat digunakan bila pada persamaan diferensialnya tidak ada variabel t ? Misal-
nya pada kasus pengisian muatan pada kapasitor berikut ini.

7.2.1 Aplikasi: Pengisian muatan pada kapasitor

Sebuah kapasitor yang tidak bermuatan dihubungkan secara seri dengan sebuah resistor dan
baterry (Gambar 7.4). Diketahui ǫ = 12 volt, C = 5,00 µF dan R = 8,00 ×105 Ω. Saat saklar
7.2. METODE RUNGE KUTTA 111

dihubungkan (t=0), muatan belum ada (q=0).

dq ǫ q
= − (7.15)
dt R RC

Solusi exact persamaan (7.15) adalah


 
qexact = q(t) = Cǫ 1 − e−t/RC (7.16)

Anda bisa lihat semua suku di ruas kanan persamaan (7.15) tidak mengandung variabel

Gambar 7.4: Rangkaian RC

t. Padahal persamaan-persamaan turunan pada contoh sebelumnya mengandung variabel t.


Apakah persamaan (7.15) tidak bisa diselesaikan dengan metode Runge-Kutta? Belum tentu.
Sekarang, kita coba selesaikan, pertama kita nyatakan

ǫ
m1 = = 1, 5 × 10−5
R
1
m2 = = 0, 25
RC

sehingga persamaan (7.15) dimodifikasi menjadi

dq
= f (qi ) = m1 − qi m2
dt
ti = a + ih

Jika t0 = 0, maka a = 0, dan pada saat itu (secara fisis) diketahui q0 = 0, 0. Lalu jika ditetapkan
h = 0, 1 maka t1 = 0, 1 dan kita bisa mulai menghitung k1 dengan menggunakan q0 = 0, 0,
walaupun t1 tidak dilibatkan dalam perhitungan ini

k1 = hf (q0 )
= h(m1 − q0 m2 )
= 0, 1((1, 5 × 10−5 ) − (0, 0)(0, 25))
= 0, 150 × 10−5
112 BAB 7. DIFERENSIAL NUMERIK

lalu menghitung k2

k1
k2 = hf (q0 + )
2
k1
= h[(m1 − (q0 + )m2 )]
2
0, 15 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 0) + )(0, 25)]
2
= 0, 14813 × 10−5

dilanjutkan dengan k3

k2
k3 = hf (q0 + )
2
k2
= h[(m1 − (q0 + )m2 )]
2
0, 14813 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 0) + )(0, 25)]
2
= 0, 14815 × 10−5

kemudian k4

k4 = hf (q0 + k3 )
= h[(m1 − (q0 + k3 )m2 )]
= 0, 1[(1, 5 × 10−5 − ((0, 0) + 0, 14815 × 10−5 )(0, 25)]
= 0, 14630 × 10−5

akhirnya diperoleh q1

1
q1 = q0 + (k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 0 + (0, 150 + 2(0, 14813) + 2(0, 14815) + 0, 14630) × 10−5
6
= 0, 14814 × 10−5

Selanjutnya q2 dihitung. Tentu saja pada saat t2 , dimana t2 = 0, 2, namun sekali lagi, t2 tidak
terlibat dalam perhitungan ini. Dimulai menghitung k1 kembali

k1 = hf (q1 )
= h(m1 − q1 m2 )
= 0, 1((1, 5 × 10−5 ) − (0, 14814 × 10−5 )(0, 25))
= 0, 14630 × 10−5
7.2. METODE RUNGE KUTTA 113

lalu menghitung k2

k1
k2 = hf (q1 + )
2
k1
= h[(m1 − (q1 + )m2 )]
2
0, 14630 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 14814 × 10−5 ) + )(0, 25)]
2
= 0, 14447 × 10−5

dilanjutkan dengan k3

k2
k3 = hf (q1 + )
2
k2
= h[(m1 − (q1 + )m2 )]
2
0, 14447 × 10−5
= 0, 1[(1, 5 × 10−5 − ((0, 14814 × 10−5 ) + )(0, 25)]
2
= 0, 14449 × 10−5

kemudian k4

k4 = hf (q1 + k3 )
= h[(m1 − (q1 + k3 )m2 )]
= 0, 1[(1, 5 × 10−5 − ((0, 14814 × 10−5 ) + 0, 14449 × 10−5 )(0, 25)]
= 0, 14268 × 10−5

akhirnya diperoleh q2

1
q2 = q1 + (k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 14814 × 10−5 + (0, 14630 + 2(0, 14447) + 2(0, 14449) + 0, 14268) × 10−5
6
= 0, 29262 × 10−5

Dengan cara yang sama, q3 , q4 , q5 dan seterusnya dapat dihitung. Berikut ini adalah script
dalam matlab yang dipakai untuk menghitung q

1 clear all
2 clc
3
4 format long
5
6 b=1; % batas akhir interval
7 a=0; % batas awal interval
8 h=0.1; % interval waktu
9 N=(b-a)/h; % nilai step-size
10 q0=0.0; % muatan mula-mula
11 t0=0.0; % waktu awal
12
114 BAB 7. DIFERENSIAL NUMERIK

13 % perubahan t sesuai step-size h adalah:


14 for i=1:N
15 t(i)=a+(i*h);
16 end
17
18 % solusinya:
19 k1=h*futur(q0);
20 k2=h*futur(q0+k1/2);
21 k3=h*futur(q0+k2/2);
22 k4=h*futur(q0+k3);
23 q(1)=q0+1/6*(k1+2*k2+2*k3+k4);
24
25 for i=2:N
26 k=i-1;
27 k1=h*futur(q(k));
28 k2=h*futur(q(k)+k1/2);
29 k3=h*futur(q(k)+k2/2);
30 k4=h*futur(q(k)+k3);
31 q(i)=q(k)+1/6*(k1+2*k2+2*k3+k4);
32 end
33 q

Adapun script fungsi turunannya (futur.m) adalah sebagai berikut:

1 function y=futur(q)
2 E=12; % tegangan (volt)
3 R=800000; % hambatan (ohm)
4 C=5e-6; % kapasitansi (farad)
5 m1=E/R;
6 m2=1/(R*C);
7 y=m1-(m2*q);

Tabel 7.3: Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan hasil
perhitungan dari solusi exact, yaitu persamaan (7.16)
i ti qi qexact = q(ti ) |qi − qexact |
0 0,0 0,00000×10 −5 0,00000×10−5 0,00000
1 0,1 0,14814×10 −5 0,14814×10 −5 0,00000
2 0,2 0,29262×10−5 0,29262×10−5 0,00000
3 0,3 0,43354×10−5 0,43354×10−5 0,00000
4 0,4 0,57098×10 −5 0,57098×10 −5 0,00000
5 0,5 0,70502×10−5 0,70502×10−5 0,00000
6 0,6 0,83575×10−5 0,83575×10−5 0,00000
7 0,7 0,96326×10−5 0,96326×10−5 0,00000
8 0,8 1,0876×10−5 1,0876×10−5 0,00000
9 0,9 1,2089×10 −5 1,2089×10 −5 0,00000
10 1,0 1,3272×10−5 1,3272×10−5 0,00000

Luar biasa!! Tak ada error sama sekali. Mungkin, kalau kita buat 7 angka dibelakang koma,
error nya akan terlihat. Tapi kalau anda cukup puas dengan 5 angka dibelakang koma, hasil
ini sangat memuaskan. Gambar 7.5 memperlihatkan kurva penumpukan muatan q terhadap
waktu t – dengan batas atas interval waktu dinaikkan hingga 20 –.
7.3. METODE FINITE DIFFERENCE 115

−5
x 10
6

0
0 2 4 6 8 10 12 14 16 18 20

Gambar 7.5: Kurva pengisian muatan q (charging) terhadap waktu t

Sampai disini mudah-mudahan jelas dan bisa dimengerti. Silakan anda coba untuk kasus
yang lain, misalnya proses pembuangan (discharging ) q pada rangkaian yang sama, atau bisa
juga anda berlatih dengan rangkaian RL dan RLC. Saya akhiri dulu uraian saya sampai disini.

7.3 Metode Finite Difference

Suatu persamaan diferensial dapat dinyatakan sebagai berikut:

d2 y dy
(x) = p(x) (x) + q(x)y(x) + r(x), a ≤ x ≤ b, y(a) = α, y(b) = β (7.17)
dx2 dx

atau juga dapat dituliskan dalam bentuk lain

y ′′ = p(x)y ′ + q(x)y + r(x) (7.18)

Persamaan tersebut dapat diselesaikan dengan melakukan pendekatan numerik terhadap y ′′


dan y ′ . Caranya adalah pertama, kita memilih angka integer sembarang yaitu N dimana N > 0
dan membagi interval [a, b] dengan (N + 1), hasilnya dinamakan h (lihat Gambar 7.6)

b−a
h= (7.19)
N +1
116 BAB 7. DIFERENSIAL NUMERIK

Gambar 7.6: Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah X0 = a hingga batas atas x6 = b

Dengan demikian maka titik-titik x yang merupakan sub-interval antara a dan b dapat diny-
atakan sebagai
xi = a + ih, i = 0, 1, ..., N + 1 (7.20)

Pencarian solusi persamaan diferensial melalui pendekatan numerik dilakukan dengan me-
manfaatkan polinomial Taylor untuk mengevaluasi y ′′ dan y ′ pada xi+1 dan xi−1 seperti berikut
ini
h2 ′′
y(xi+1 ) = y(xi + h) = y(xi ) + hy ′ (xi ) + y (xi ) (7.21)
2
dan
h2 ′′
y(xi−1 ) = y(xi − h) = y(xi ) − hy ′ (xi ) + y (xi ) (7.22)
2
Jika kedua persamaan ini dijumlahkan

y(xi+1 ) + y(xi−1 ) = 2y(xi ) + h2 y ′′ (xi )

Dari sini y ′′ dapat ditentukan

h2 y ′′ (xi ) = y(xi+1 ) − 2y(xi ) + y(xi−1 )

y(xi+1 ) − 2y(xi ) + y(xi−1 )


y ′′ (xi ) = (7.23)
h2
Dengan cara yang sama, y ′ (xi ) dapat dicari sebagai berikut

y(xi+1 ) − y(xi−1 )
y ′ (xi ) = (7.24)
2h
7.3. METODE FINITE DIFFERENCE 117

Selanjutnya persamaan (7.23) dan (7.24) disubstitusikan ke persamaan (7.18) maka

y(xi+1 ) − 2y(xi ) + y(xi−1 ) y(xi+1 ) − y(xi−1 )


2
= p(xi ) + q(xi )y(xi ) + r(xi )
h 2h
−y(xi+1 ) + 2y(xi ) − y(xi−1 ) y(xi+1 ) − y(xi−1 )
= −p(xi ) − q(xi )y(xi ) − r(xi )
h2 2h
−y(xi+1 ) + 2y(xi ) − y(xi−1 ) y(xi+1 ) − y(xi−1 )
2
+ p(xi ) + q(xi )y(xi ) = −r(xi )
h 2h

Sebelum dilanjut, saya nyatakan bahwa y(xi+1 )=wi+1 dan y(xi )=wi serta y(xi−1 )=wi−1 . Maka
persamaan di atas dapat ditulis sebagai berikut
   
−wi+1 + 2wi − wi−1 wi+1 − wi−1
+ p(xi ) + q(xi )wi = −r(xi )
h2 2h
h
p(xi ) (wi+1 − wi−1 ) + h2 q(xi )wi
(−wi+1 + 2wi − wi−1 ) + = −h2 r(xi )
2
h h
−wi+1 + 2wi − wi−1 + p(xi )wi+1 − p(xi )wi−1 + h2 q(xi )wi = −h2 r(xi )
2 2
h h
−wi−1 − p(xi )wi−1 + 2wi + h2 q(xi )wi − wi+1 + p(xi )wi+1 = −h2 r(xi )
 2   2 
h 2 h
= −h2 r(xi )

− 1 + p(xi ) wi−1 + 2 + h q(xi ) wi − (1 − p(xi ) wi+1 (7.25)
2 2

dimana i=1,2,3...sampai N, karena yang ingin kita cari adalah w1 , w2 , w3 ,..., wN . Sementara,
satu hal yang tak boleh dilupakan yaitu w0 dan wN +1 biasanya selalu sudah diketahui. Pada
persamaan (7.17), jelas-jelas sudah diketahui bahwa w0 =α dan wN +1 =β; keduanya dikenal se-
bagai syarat batas atau istilah asingnya adalah boundary value. Topik yang sedang bahas ini
juga sering disebut sebagai Masalah Syarat Batas atau Boundary Value Problem.

Sampai disini kita mendapatkan sistem persamaan linear yang selanjutnya dapat dinyatakan
sebagai bentuk operasi matrik
Aw = b (7.26)

dimana A adalah matrik tridiagonal dengan orde N × N

2 + h2 q(x1 ) −1 + h
 
2
p(x1 ) 0 ... ... ... 0
−1 − h2 p(x2 ) 2 + h2 q(x2 ) −1 + h
2
p(x2 ) 0 ... ... 0 

 0 −1 − h
2
p(x3 ) 2 + h2 q(x3 ) −1 + h
2
p(x3 ) 0 ... 0 

A = 
 0 0 −1 − h
2
p(x4 ) 2 + h2 q(x4 ) −1 + h2
p(x4 ) 0 0 

 ... ... ... ... ... ... ... 
... ... ... ... −1 − h p(xN −1 ) 2 + h2 q(xN −1 ) −1 + h p(x )
 
2 2 N −1
0 ... ... ... ... −1 − h2
p(xN ) 2 + h2 q(xN )
118 BAB 7. DIFERENSIAL NUMERIK

   
−h2 r(x1 ) + 1 + h2 p(x1 ) w0

w1
−h2 r(x2 )
   
 w2   
   
 w 
 3 

 −h2 r(x3 ) 

2
   
 w4 
w= b= −h r(x4 )
 
 ..  ..
 
 
 .   . 
   
w 
 N −1 

 −h2 r(xN −1 ) 

2 h

wN −h r(xN ) + 1 − 2 p(xN ) wN +1

7.3.1 Script Finite-Difference

1 clear all
2 clc
3

4 a=1.0; %ganti angkanya sesuai data yang anda miliki


5 b=2.0; %ganti angkanya sesuai data yang anda miliki
6 n=9; %ganti angkanya sesuai data yang anda miliki
7 h=(b-a)/(n+1);
8 alpha=1; %ganti angkanya sesuai data yang anda miliki
9 beta=2; %ganti angkanya sesuai data yang anda miliki
10

11 %====== Mencari Elemen Matrik A ========


12 for i=1:n
13 x=a+i*h;
14 A(i,i)=2+h^2*fungsiQ(x);
15 end
16 for i=1:n-1
17 x=a+i*h;
18 A(i,i+1)=-1+((h/2)*fungsiP(x));
19 end
20 for i=2:n
21 x=a+i*h;
22 A(i,i-1)=-1-((h/2)*fungsiP(x));
23 end
24 A
25 %====== Mencari Elemen Vektor b ========
26 x=a+h;
27 b(1,1)=-h^2*fungsiR(x)+(1+((h/2)*fungsiP(x)))*alpha;
28 for i=2:8
29 x=a+i*h;
30 b(i,1)=-h^2*fungsiR(x);
31 end
32 xn=a+n*h
33 b(n,1)=-h^2*fungsiR(xn)+(1-((h/2)*fungsiP(xn)))*beta;
34 b
7.3. METODE FINITE DIFFERENCE 119

Pada akhirnya, elemen-elemen matrik A dan vektor b sudah diketahui. Sehingga vektor w
dapat dihitung dengan berbagai metode pemecahan sistem persamaan linear, seperti Eliminasi
Gauss, Gauss-Jourdan, Iterasi Jacobi dan Iterasi Gauss-Seidel.

Contoh
Diketahui persamaan diferensial seperti berikut ini

2 2 sin(ln x)
y ′′ = − y ′ + 2 y + , 1 ≤ x ≤ 2, y(1) = 1, y(2) = 2
x x x2

memiliki solusi exact


c2 3 1
y = c1 x + 2
− sin(ln x) − cos(ln x),
x 10 10
dimana
1
c2 = [8 − 12 sin(ln 2) − 4 cos(ln 2)] ≈ −0, 03920701320
70
dan
11
c1 = − c2 ≈ 1, 1392070132.
10
Dengan metode Finite-Difference, solusi pendekatan dapat diperoleh dengan membagi inter-
val 1 ≤ x ≤ 2 menjadi sub-interval, misalnya kita gunakan N = 9, sehingga spasi h diperoleh

b−a 2−1
h= = = 0, 1
N +1 9+1

Dari persamaan diferensial tersebut juga didapat

2
p(xi ) = −
xi
2
q(xi ) =
x2i
sin(ln xi )
r(xi ) =
x2i

Script matlab telah dibuat untuk menyelesaikan contoh soal ini. Untuk memecahkan persoalan
ini, saya membuat 4 buah script, terdiri dari script utama, script fungsiP, script fungsiQ dan
script fungsiR. Berikut ini adalah script fungsiP yang disimpan dengan nama file fungsiP.m:

1 function y = fungsiP(x)
2 y = -2/x;

lalu inilah script fungsiQ yang disimpan dengan nama file fungsiQ.m:

1 function y = fungsiQ(x)
2 y = 2/x^2;

kemudian ini script fungsiR yang disimpan dengan nama file fungsiR.m::
120 BAB 7. DIFERENSIAL NUMERIK

1 function y = fungsiR(x)
2 y = sin(log(x))/x^2;

dan terakhir, inilah script utamanya:

1 clear all
2 clc
3

4 a=1.0;
5 b=2.0;
6

7 alpha=1;
8 beta=2;
9

10 %=======jika diketahui n, maka h dihitung ====


11 n=9;
12 h=(b-a)/(n+1);
13

14 %=======jika diketahui h, maka n dihitung ====


15 %h=0.1;
16 %n=((b-a)/h)-1;
17

18 %====== Mencari Elemen Matrik A ========


19 for i=1:n
20 x=a+i*h;
21 A(i,i)=2+h^2*fungsiQ(x);
22 end
23 for i=1:n-1
24 x=a+i*h;
25 A(i,i+1)=-1+((h/2)*fungsiP(x));
26 end
27 for i=2:n
28 x=a+i*h;
29 A(i,i-1)=-1-((h/2)*fungsiP(x));
30 end
31 A
32 %====== Mencari Elemen Vektor b ========
33 x=a+h;
34 b(1,1)=-h^2*fungsiR(x)+(1+((h/2)*fungsiP(x)))*alpha;
35 for i=2:8
36 x=a+i*h;
37 b(i,1)=-h^2*fungsiR(x);
38 end
39 xn=a+n*h
40 b(n,1)=-h^2*fungsiR(xn)+(1-((h/2)*fungsiP(xn)))*beta;
41 b
7.3. METODE FINITE DIFFERENCE 121

42 %====== Menggabungkan Vektor b kedalam matrik A ========


43 for i=1:n
44 A(i,n+1)=b(i,1);
45 end
46 A
47

48 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&


49 %---------Proses Triangularisasi-----------
50 for j=1:(n-1)
51

52 %----mulai proses pivot---


53 if (A(j,j)==0)
54 for p=1:n+1
55 u=A(j,p);
56 v=A(j+1,p);
57 A(j+1,p)=u;
58 A(j,p)=v;
59 end
60 end
61 %----akhir proses pivot---
62 jj=j+1;
63 for i=jj:n
64 m=A(i,j)/A(j,j);
65 for k=1:(n+1)
66 A(i,k)=A(i,k)-(m*A(j,k));
67 end
68 end
69 end
70 %-------------------------------------------
71

72 %------Proses Substitusi mundur-------------


73 x(n,1)=A(n,n+1)/A(n,n);
74

75 for i=n-1:-1:1
76 S=0;
77 for j=n:-1:i+1
78 S=S+A(i,j)*x(j,1);
79 end
80 x(i,1)=(A(i,n+1)-S)/A(i,i);
81 end
82 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
83

84 %===== Menampilkan Vektor w =================


85 w=x

Tabel berikut ini memperlihatkan hasil perhitungan dengan pendekatan metode Finite-Difference
wi dan hasil perhitungan dari solusi exact y(xi ), dilengkapi dengan selisih antara keduanya
122 BAB 7. DIFERENSIAL NUMERIK

|wi − y(xi )|. Tabel ini memperlihatkan tingkat kesalahan (error) berada pada orde 10−5 . Un-

xi wi y(xi ) |wi − y(xi )|


1,0 1,00000000 1,00000000
1,1 1,09260052 1,09262930 2,88 × 10−5
1,2 1,18704313 1,18708484 4,17 × 10−5
1,3 1,28333687 1,28338236 4,55 × 10−5
1,4 1,38140205 1,38144595 4,39 × 10−5
1,5 1,48112026 1,48115942 3,92 × 10−5
1,6 1,58235990 1,58239246 3,26 × 10−5
1,7 1,68498902 1,68501396 2,49 × 10−5
1,8 1,78888175 1,78889853 1,68 × 10−5
1,9 1,89392110 1,89392951 8,41 × 10−6
2,0 2,00000000 2,00000000

tuk memperkecil orde kesalahan, kita bisa menggunakan polinomial Taylor berorde tinggi.
Akan tetapi proses kalkulasi menjadi semakin banyak dan disisi lain penentuan syarat batas
lebih kompleks dibandingkan dengan pemanfaatan polinomial Taylor yang sekarang. Untuk
menghindari hal-hal yang rumit itu, salah satu jalan pintas yang cukup efektif adalah dengan
menerapkan ekstrapolasi Richardson.

Contoh
Pemanfaatan ekstrapolasi Richardson pada metode Finite Difference untuk persamaan difer-
ensial seperti berikut ini

2 2 sin(ln x)
y ′′ = − y ′ + 2 y + , 1 ≤ x ≤ 2, y(1) = 1, y(2) = 2,
x x x2

dengan h = 0, 1, h = 0, 05, h = 0, 025. Ekstrapolasi Richardson terdiri atas 3 tahapan, yaitu


ekstrapolasi yang pertama

4wi (h = 0, 05) − wi (h = 0, 1)
Ext1i =
3

kemudian ekstrapolasi yang kedua

4wi (h = 0, 025) − wi (h = 0, 05)


Ext2i =
3

dan terakhir ekstrapolasi yang ketiga

16Ext2i − Ext1i
Ext3i =
15

Tabel berikut ini memperlihatkan hasil perhitungan tahapan-tahapan ekstrapolasi tersebut. Ji-
ka seluruh angka di belakang koma diikut-sertakan, maka akan terlihat selisih antara solusi
exact dengan solusi pendekatan sebesar 6, 3 × 10−11 . Ini benar-benar improvisasi yang luar
biasa.
7.3. METODE FINITE DIFFERENCE 123

xi wi (h = 0, 1) wi (h = 0, 05) wi (h = 0, 025) Ext1i Ext2i Ext3i


1,0 1,00000000 1,00000000 1,00000000 1,00000000 1,00000000 1,00000000
1,1 1,09260052 1,09262207 1,09262749 1,09262925 1,09262930 1,09262930
1,2 1,18704313 1,18707436 1,18708222 1,18708477 1,18708484 1,18708484
1,3 1,28333687 1,28337094 1,28337950 1,28338230 1,28338236 1,28338236
1,4 1,38140205 1,38143493 1,38144319 1,38144598 1,38144595 1,38144595
1,5 1,48112026 1,48114959 1,48115696 1,48115937 1,48115941 1,48115942
1,6 1,58235990 1,58238429 1,58239042 1,58239242 1,58239246 1,58239246
1,7 1,68498902 1,68500770 1,68501240 1,68501393 1,68501396 1,68501396
1,8 1,78888175 1,78889432 1,78889748 1,78889852 1,78889853 1,78889853
1,9 1,89392110 1,89392740 1,89392898 1,89392950 1,89392951 1,89392951
2,0 2,00000000 2,00000000 2,00000000 2,00000000 2,00000000 2,00000000

7.3.2 Aplikasi

Besar simpangan terhadap waktu (y(t)) suatu sistem osilator mekanik yang padanya diberikan
gaya secara periodik (forced-oscilations) memenuhi persamaan diferensial seperti dibawah ini
berikut syarat-syarat batasnya

d2 y dy π π
= + 2y + cos(t), 0≤t≤ , y(0) = −0, 3, y( ) = −0, 1
dt2 dt 2 2

Dengan metode Finite-Difference, tentukanlah besar masing-masing simpangan di setiap inter-


val h = π/8. Buatlah table untuk membandingkan hasil finite-difference dengan solusi analitik
1
yang memenuhi y(t) = − 10 [sin(t) + 3cos(t)].

jawab:
Secara umum, persamaan diferensial dapat dinyatakan sbb:

d2 y dy
2
(x) = p(x) (x) + q(x)y(x) + r(x), a ≤ x ≤ b, y(a) = α, y(b) = β
dx dx

Dengan membandingkan kedua persamaan di atas, kita bisa definisikan

π
p(t) = 1 q(t) = 2 r(t) = cos(t) a=0 b= α = −0, 3 β = −0, 1
2

Adapun persamaan finite-difference adalah


   
h h
− 1 + p(xi ) wi−1 + 2 + h q(xi ) wi − (1 − p(xi ) wi+1 = −h2 r(xi )
2

2 2

Persamaan diatas dikonversi kedalam operasi matriks

Aw = b (7.27)
124 BAB 7. DIFERENSIAL NUMERIK

dimana A adalah matrik tridiagonal dengan orde N × N

2 + h2 q(x1 ) −1 + h
 
2
p(x1 ) 0 ... ... ... 0
−1 − h2 p(x2 ) 2 + h2 q(x2 ) −1 + h
2
p(x2 ) 0 ... ... 0 

 0 −1 − h
2
p(x3 ) 2 + h2 q(x3 ) −1 + h
2
p(x3 ) 0 ... 0 

A = 
 0 0 −1 − h
2
p(x4 ) 2 + h2 q(x4 ) −1 + h2
p(x4 ) 0 0 

 ... ... ... ... ... ... ... 
... ... ... ... −1 − h p(xN −1 ) 2 + h2 q(xN −1 ) −1 + h p(x )
 
2 2 N −1
0 ... ... ... ... −1 − h2
p(xN ) 2
2 + h q(xN )

   
−h2 r(x1 ) + 1 + h2 p(x1 ) w0

w1

 w2 
 
−h2 r(x ) 
 

 2 

 w 
 3 

 −h2 r(x3 ) 

2
   
 w4 
w= b= −h r(x4 )
  
 ..  ..

 
 .   . 
   
w 
 N −1 

 −h2 r(xN −1 ) 

2 h

wN −h r(xN ) + 1 − 2 p(xN ) wN +1
Jumlah baris matrik ditentukan oleh bilangan n. Namun disoal hanya tersedia informasi nilai
h = π/8, sehingga n harus dihitung terlebih dahulu:
π
b−a b−a −0
h= n= −1= 2 −1=3
n+1 h π/8

perhitungan ini dilakukan didalam script matlab. Selanjutnya seluruh elemen matrik A dan
vektor b dihitung dengan matlab
    
2, 3084 −0, 8037 0 w1 −0, 5014
 −1, 1963 2, 3084 −0, 8037   w2  =  −0, 1090 
    

0 −1, 1963 2, 3084 w3 −0, 1394

Proses diteruskan dengan metode Eliminasi Gauss dan didapat hasil akhir berikut ini

w1 = −0.3157 w2 = −0.2829 w3 = −0.2070

7.4 Persamaan Diferensial Parsial

Dalam sub-bab ini, penulisan ’persamaan diferensial parsial’ akan dipersingkat menjadi PDP.
PDP dapat dibagi menjadi 3 jenis, yaitu persamaan diferensial eliptik, parabolik dan hiperbo-
lik. PDP eliptik dinyatakan sebagai berikut

∂2u ∂2u
(x, y) + (x, y) = f (x, y) (7.28)
∂x2 ∂y 2
7.5. PDP ELIPTIK 125

Di bidang fisika, persamaan (7.28) dikenal sebagai Persamaan Poisson. Jika f (x, y)=0, maka
diperoleh persamaan yang lebih sederhana

∂2u ∂2u
(x, y) + (x, y) = 0 (7.29)
∂x2 ∂y 2

yang biasa disebut sebagai Persamaan Laplace. Contoh masalah PDP eliptik di bidang fisika
adalah distribusi panas pada kondisi steady-state pada obyek 2-dimensi dan 3-dimensi.
Jenis PDP kedua adalah PDP parabolik yang dinyatakan sebagai berikut

∂u ∂2u
(x, t) − α2 2 (x, t) = 0 (7.30)
∂t ∂x

Fenomena fisis yang bisa dijelaskan oleh persamaan ini adalah masalah aliran panas pada su-
atu obyek dalam fungsi waktu t.
Terakhir, PDP ketiga adalah PDP hiperbolik yang dinyatakan sebagai berikut

∂2u ∂2u
α2 2
(x, t) = 2 (x, t) (7.31)
∂ x ∂t

biasa digunakan untuk menjelaskan fenomena gelombang.


Sekarang, mari kita bahas lebih dalam satu-persatu, difokuskan pada bagaimana cara meny-
atakan semua PDP di atas dalam formulasi Finite-Difference.

7.5 PDP eliptik

Kita mulai dari persamaan aslinya

∂2u ∂2u
(x, y) + (x, y) = f (x, y) (7.32)
∂x2 ∂y 2

dimana R = [(x, y)|a < x < b, c < y < d]. Maksudnya, variasi titik-titik x berada di antara a
dan b. Demikian pula dengan variasi titik-titik y, dibatasi mulai dari c sampai d (lihat Gambar
7.7). Jika h adalah jarak interval antar titik yang saling bersebelahan pada titik-titik dalam
rentang horizontal a dan b, maka titik-titik variasi di antara a dan b dapat diketahui melalui
rumus ini
xi = a + ih, dimana i = 1, 2, . . . , n (7.33)

dimana a adalah titik awal pada sumbu horisontal x. Demikian pula pada sumbu y. Jika k
adalah jarak interval antar titik yang bersebelahan pada titik-titik dalam rentang vertikal c dan
d, maka titik-titik variasi di antara c dan d dapat diketahui melalui rumus ini

yj = c + jk, dimana j = 1, 2, . . . , m (7.34)

dimana c adalah titik awal pada sumbu vertikal y. Perhatikan Gambar 7.7, garis-garis yang
sejajar sumbu horisontal, y = yi dan garis-garis yang sejajar sumbu vertikal, x = xi disebut grid
lines. Sementara titik-titik perpotongan antara garis-garis horisontal dan vertikal dinamakan
126 BAB 7. DIFERENSIAL NUMERIK

mesh points
d
ym

......
y2 grid lines
k
y1

a x1 x2 ... xn b

h
Gambar 7.7: Skema grid lines dan mesh points pada aplikasi metode Finite-Difference

mesh points.
Turunan kedua sebagaimana yang ada pada persamaan (7.32) dapat dinyatakan dalam rumus
centered-difference sebagai berikut

∂2u u(xi+1 , yj ) − 2u(xi , yj ) + u(xi−1 , yj ) h2 ∂ 4 u


(x ,
i jy ) = − (ξi , yj ) (7.35)
∂x2 h2 12 ∂x4

∂2u u(xi , yj+1 ) − 2u(xi , yj ) + u(xi , yj−1 ) k 2 ∂ 4 u


(xi , yj ) = − (xi , ηj ) (7.36)
∂y 2 k2 12 ∂y 4
Metode Finite-Difference biasanya mengabaikan suku yang terakhir, sehingga cukup dinyatakan
sebagai
∂2u u(xi+1 , yj ) − 2u(xi , yj ) + u(xi−1 , yj )
(xi , yj ) = (7.37)
∂x2 h2
∂2u u(xi , yj+1 ) − 2u(xi , yj ) + u(xi , yj−1 )
2
(xi , yj ) = (7.38)
∂y k2
Pengabaian suku terakhir otomatis menimbulkan error yang dinamakan truncation error. Ja-
di, ketika suatu persamaan diferensial diolah secara numerik dengan metode Finite-Difference,
maka solusinya pasti meleset alias keliru "sedikit", dikarenakan adanya truncation error terse-
but. Akan tetapi, nilai error tersebut dapat ditolerir hingga batas-batas tertentu yang uraiannya
akan dikupas pada bagian akhir bab ini.
Ok. Mari kita lanjutkan! Sekarang persamaan (7.37) dan (7.38) disubstitusi ke persamaan (7.32),
hasilnya adalah

u(xi+1 , yj ) − 2u(xi , yj ) + u(xi−1 , yj ) u(xi , yj+1 ) − 2u(xi , yj ) + u(xi , yj−1 )


+ = f (xi , yj ) (7.39)
h2 k2
7.5. PDP ELIPTIK 127

dimana i = 1, 2, ..., n − 1 dan j = 1, 2, ..., m − 1 dengan syarat batas sebagai berikut

u(x0 , yj ) = g(x0 , yj ) u(xn , yj ) = g(xn , yj )


u(xi , y0 ) = g(xi , y0 ) u(xi , ym ) = g(xi , ym )

Pengertian syarat batas disini adalah bagian tepi atau bagian pinggir dari susunan mesh points.
Pada metode Finite-Difference, persamaan (7.39) dinyatakan dalam notasi w, sebagai berikut

wi+1,j − 2wi,j + wi−1,j wi,j+1 − 2wi,j + wi,j−1


2
+ = f (xi , yj )
h k2
h 2
wi+1,j − 2wi,j + wi−1,j + 2 (wi,j+1 − 2wi,j + wi,j−1 ) = h2 f (xi , yj )
k
h2 h2 h2
wi+1,j − 2wi,j + wi−1,j + 2 wi,j+1 − 2 2 wi,j + 2 wi,j−1 = h2 f (xi , yj )
k k k
h2 h2
−2[1 + 2 ]wi,j + (wi+1,j + wi−1,j ) + 2 (wi,j+1 + wi,j−1 ) = h2 f (xi , yj )
k k
h2 h2
2[1 + 2 ]wi,j − (wi+1,j + wi−1,j ) − 2 (wi,j+1 + wi,j−1 ) = −h2 f (xi , yj ) (7.40)
k k

dimana i = 1, 2, ..., n − 1 dan j = 1, 2, ..., m − 1, dengan syarat batas sebagai berikut

w0,j = g(x0 , yj ) wn,j = g(xn , yj ) j = 0, 1, ..., m − 1;


wi,0 = g(xi , y0 ) wi,m = g(xi , ym ) i = 1, 2, ..., n − 1.

Persamaan (7.40) adalah rumusan akhir metode Finite-Difference untuk PDP Eliptik.

7.5.1 Contoh pertama

Misalnya kita diminta mensimulasikan distribusi panas pada lempengan logam berukuran 0, 5
m x 0, 5 m. Temperatur pada 2 sisi tepi lempengan logam dijaga pada 0◦ C, sementara pada 2
sisi tepi lempengan logam yang lain, temperaturnya diatur meningkat secara linear dari 0◦ C
hingga 100◦ C. Problem ini memenuhi PDP Eliptik:

∂2u ∂2u
(x, y) + (x, y) = 0; 0 < x < 0, 5, 0 < y < 0, 5
∂x2 ∂y 2

dengan syarat-syarat batas

u(0, y) = 0, u(x, 0) = 0, u(x, 0.5) = 200x, u(0.5, y) = 200y

Jika n = m = 4 sedangkan ukuran lempeng logam adalah 0, 5 m x 0, 5 m, maka

0, 5 0, 5
h= = 0, 125 k= = 0, 125
4 4

Grid lines berikut mesh points dibuat berdasarkan nilai h dan k tersebut (lihat Gambar 7.8).
Langkah berikutnya adalah menyusun persamaan Finite-Difference, dimulai dari persamaan
128 BAB 7. DIFERENSIAL NUMERIK

Y U(x,0.5)=200x
W1,4 W2,4 W3,4
0.5
W1,3 W2,3 W3,3

U(0.5,y)=200y
W0,3 W4,3
U(0,y)=0 W1,2 W2,2 W3,2
W0,2 W4,2

W1,1 W2,1 W3,1


W0,1 W4,1

W1,0 W2,0 W3,0 0.5 X


U(x,0)=0

Gambar 7.8: Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu

asalnya (persamaan 7.40)

h2 h2
2[1 + ]w i,j − (w i+1,j + w i−1,j ) − (wi,j+1 + wi,j−1 ) = −h2 f (xi , yj )
k2 k2

Karena h = k = 0, 125 dan f (xi , yj ) = 0, maka

4wi,j − wi+1,j − wi−1,j − wi,j−1 − wi,j+1 = 0 (7.41)

Disisi lain, karena n = 4, maka nilai i yang bervariasi i = 1, 2, ..., n − 1 akan menjadi i =
1, 2, 3. Demikian hal-nya dengan j, karena m = 4, maka variasi j = 1, 2, ..., m − 1 atau j =
1, 2, 3. Dengan menerapkan persamaan (7.41) pada setiap mesh point yang belum diketahui
temperaturnya, diperoleh

4w1,3 − w2,3 − w1,2 = w0,3 + w1,4


4w2,3 − w3,3 − w2,2 − w1,3 = w2,4
4w3,3 − w3,2 − w2,3 = w4,3 + w3,4
4w1,2 − w2,2 − w1,1 − w1,3 = w0,2
4w2,2 − w3,2 − w2,1 − w1,2 − w2,3 = 0
4w3,2 − w3,1 − w2,2 − w3,3 = w4,2
4w1,1 − w2,1 − w1,2 = w0,1 + w1,0
4w2,1 − w3,1 − w1,1 − w2,2 = w2,0
4w3,1 − w2,1 − w3,2 = w3,0 + w4,1
7.5. PDP ELIPTIK 129

Semua notasi w yang berada diruas kanan tanda sama-dengan sudah ditentukan nilainya
berdasarkan syarat batas, yaitu

w1,0 = w2,0 = w3,0 = w0,1 = w0,2 = w0,3 = 0,


w1,4 = w4,1 = 25, w2,4 = w4,2 = 50, dan
w3,4 = w4,3 = 75

Dengan memasukkan syarat batas tersebut ke dalam sistem persamaan linear, maka

4w1,3 − w2,3 − w1,2 = 25


4w2,3 − w3,3 − w2,2 − w1,3 = 50
4w3,3 − w3,2 − w2,3 = 150
4w1,2 − w2,2 − w1,1 − w1,3 = 0
4w2,2 − w3,2 − w2,1 − w1,2 − w2,3 = 0
4w3,2 − w3,1 − w2,2 − w3,3 = 50
4w1,1 − w2,1 − w1,2 = 0
4w2,1 − w3,1 − w1,1 − w2,2 = 0
4w3,1 − w2,1 − w3,2 = 25

Kemudian dijadikan operasi perkalian matrik


    
4 −1 0 −1 0 0 0 0 0 w1,3 25
−1 4 −1 0 −1
0  0 0 0 w2,3   50 
    

    

 0 −1 4 0 0 −1 0 0 0 

 w3,3  
  150 

−1 0 0 4 −1 0 −1 0 0  w1,2   0 
    

    
0 −1 0 −1 4 −1 0 −1 0  =
w2,2  0 
  
  
0 0 −1 0 −1 4 0 0 −1   w3,2   50 
    

    

 0 0 0 −1 0 0 4 −1 0 

 w1,1  
  0 
0 0 0 0 −1 0 −1 4 −1   w2,1   0 
    

0 0 0 0 0 −1 0 −1 4 w3,1 25

Mari kita perhatikan sejenak susunan elemen-elemen angka pada matrik berukuran 9x9 di atas.
Terlihat jelas pada elemen diagonal selalu berisi angka 4. Ini sama sekali bukan ketidaksenga-
jaan. Melainkan susunan itu sengaja direkayasa sedemikian rupa sehingga elemen-elemen tri-
diagonal terisi penuh oleh angka bukan 0 dan pada diagonal utamanya diletakkan angka yang
terbesar. Metode Eliminasi Gauss dan Iterasi Gauss-Seidel telah diaplikasikan untuk menyele-
saikan persamaan matrik di atas.
130 BAB 7. DIFERENSIAL NUMERIK

7.5.2 Script Matlab untuk PDP Elliptik

Inilah script Matlab yang dipakai untuk menghitung nila-nilai w menggunakan metode Elimi-
nasi Gauss.

1 clear all
2 clc
3 n=9;
4 A=[ 4 -1 0 -1 0 0 0 0 0;
5 -1 4 -1 0 -1 0 0 0 0;
6 0 -1 4 0 0 -1 0 0 0;
7 -1 0 0 4 -1 0 -1 0 0;
8 0 -1 0 -1 4 -1 0 -1 0;
9 0 0 -1 0 -1 4 0 0 -1;
10 0 0 0 -1 0 0 4 -1 0;
11 0 0 0 0 -1 0 -1 4 -1;
12 0 0 0 0 0 -1 0 -1 4];
13
14 b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
15
16 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
17 %====== Menggabungkan Vektor b kedalam matrik A ========
18 %====== sehingga terbentuk matrik Augmentasi. ========
19 for i=1:n
20 A(i,n+1)=b(i,1);
21 end
22
23 %---------Proses Triangularisasi-----------
24 for j=1:(n-1)
25
26 %----mulai proses pivot---
27 if (A(j,j)==0)
28 for p=1:n+1
29 u=A(j,p);
30 v=A(j+1,p);
31 A(j+1,p)=u;
32 A(j,p)=v;
33 end
34 end
35 %----akhir proses pivot---
36 jj=j+1;
37 for i=jj:n
38 m=A(i,j)/A(j,j);
39 for k=1:(n+1)
40 A(i,k)=A(i,k)-(m*A(j,k));
41 end
42 end
43 end
44 %-------------------------------------------
45
46 %------Proses Substitusi mundur-------------
47 x(n,1)=A(n,n+1)/A(n,n);
48
49 for i=n-1:-1:1
50 S=0;
51 for j=n:-1:i+1
52 S=S+A(i,j)*x(j,1);
53 end
7.5. PDP ELIPTIK 131

54 x(i,1)=(A(i,n+1)-S)/A(i,i);
55 end
56 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
57
58 %===== Menampilkan Vektor w =================
59 w=x

Sementara berikut ini adalah script Matlab untuk menghitung nila-nilai w menggunakan metode
Iterasi Gauss-Seidel.

1 clear all
2 clc
3
4 n=9;
5 A=[ 4 -1 0 -1 0 0 0 0 0;
6 -1 4 -1 0 -1 0 0 0 0;
7 0 -1 4 0 0 -1 0 0 0;
8 -1 0 0 4 -1 0 -1 0 0;
9 0 -1 0 -1 4 -1 0 -1 0;
10 0 0 -1 0 -1 4 0 0 -1;
11 0 0 0 -1 0 0 4 -1 0;
12 0 0 0 0 -1 0 -1 4 -1;
13 0 0 0 0 0 -1 0 -1 4];
14
15 b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
16
17 %&&&&&&& ITERASI GAUSS-SEIDEL &&&&&&&&&&&&&&&&&&
18 itermax=100; %iterasi maksimum
19 %----nilai awal-----------
20 xl=[0; 0; 0; 0; 0; 0; 0; 0; 0];
21 xb=xl;
22 %----stopping criteria-----------
23 sc=0.001;
24 %----memulai iterasi-------------
25 for iterasi=1:itermax
26 smtr1=0;
27 for j=2:n
28 smtr1=smtr1+A(1,j)*xl(j,1);
29 end
30 xb(1,1)=(-smtr1+b(1,1))/A(1,1);
31 %----------------------------------------------
32 for i=2:n-1
33 smtr2=0;
34 for j=i+1:n
35 smtr2=smtr2-A(i,j)*xl(j,1);
36 end
37 smtr3=0;
38 for k=1:i-1
39 smtr3=smtr3-A(i,k)*xb(k,1);
40 end
41 xb(i,1)=(smtr3+smtr2+b(i,1))/A(i,i);
42 end
43 %----------------------------------------------
44 smtr4=0;
45 for k=1:n-1
46 smtr4=smtr4-A(n,k)*xb(k,1);
47 end
48 xb(n,1)=(smtr4+b(n,1))/A(n,n);
132 BAB 7. DIFERENSIAL NUMERIK

49 %------perhitungan norm2 -------------


50 s=0;
51 for i=1:n
52 s=s+(xb(i,1)-xl(i,1))^2;
53 end
54 epsilon=sqrt(s);
55 %-------------------------------------
56 xl=xb;
57 %------memeriksa stopping criteria--------
58 if epsilon<sc
59 w=xb
60 break
61 end
62 %-----------------------------------------
63 end

Tabel berikut memperlihatkan hasil pemrosesan dengan metode Eliminasi Gauss (disingkat:
EG) dan iterasi Gauss-Seidel (disingkat: GS)

w1,3 w2,3 w3,3 w1,2 w2,2 w3,2 w1,1 w2,1 w3,1


EG 18.7500 37.5000 56.2500 12.5000 25.0000 37.5000 6.2500 12.5000 18.7500
GS 18.7497 37.4997 56.2498 12.4997 24.9997 37.4998 6.2498 12.4998 18.7499

Inilah solusi yang ditawarkan oleh Finite-Difference. Kalau diamati dengan teliti, angka-
angka distribusi temperatur pada 9 buah mesh points memang logis dan masuk akal. Dalam
kondisi riil, mungkin kondisi seperti ini hanya bisa terjadi bila lempengan logam tersebut ter-
buat dari bahan yang homogen.

Hasil EG dan GS memang berbeda, walaupun perbedaannya tidak significant. Namun per-
lu saya tegaskan disini bahwa jika sistem persamaan linear yang diperoleh dari Finite Dif-
ference berorde 100 atau kurang dari itu, maka lebih baik memilih metode Eliminasi Gauss
sebagai langkah penyelesaian akhir. Alasannya karena, direct method seperti eliminasi Gauss,
lebih stabil dibandingkan metode iterasi. Tapi jika orde-nya lebih dari 100, disarankan memilih
metode iterasi seperti iterasi Gauss-Seidel, atau menggunakan metode SOR yang terbukti lebih
efisien dibanding Gauss-Seidel. Jika matrik A bersifat positive definite, metode Court Factoriza-
tion adalah pilihan yg paling tepat karena metode ini sangat efisien sehingga bisa menghemat
memori komputer.

7.5.3 Contoh kedua

Diketahui persamaan poisson sebagai berikut

∂2u ∂2u
(x, y) + (x, y) = xey , 0 < x < 2, 0 < y < 1,
∂x2 ∂y 2
7.6. PDP PARABOLIK 133

dengan syarat batas

u (0, y) = 0, u (2, y) = 2ey , 0 ≤ y ≤ 1,


u (x, 0) = x, u (x, 1) = ex, 0 ≤ x ≤ 2,

Solusi numerik dihitung dengan pendekatan finite-difference gauss-seidel dimana batas toler-
ansi kesalahan ditentukan
(l) (l−1)
wij − wij ≤ 10−10

7.6 PDP parabolik

PDP parabolik yang kita pelajari disini adalah persamaan difusi

∂u ∂2u
(x, t) = α2 2 (x, t), 0 < x < ℓ, t > 0, (7.42)
∂t ∂x

yang berlaku pada kondisi


u(0, t) = u(ℓ, t) = 0, t > 0,

dan
u(x, 0) = f (x), 0 ≤ x ≤ ℓ,

dimana t dalam dimensi waktu, sementara x berdimensi jarak.

7.6.1 Metode Forward-difference

Solusi numerik diperoleh menggunakan forward-difference2 dengan langkah-langkah yang


hampir mirip seperti yang telah dibahas pada PDP eliptik. Langkah pertama adalah menen-
tukan sebuah angka m > 0, yang dengannya, nilai h ditentukan oleh rumus h = ℓ/m. Langkah
kedua adalah menentukan ukuran time-step k dimana k > 0. Adapun mesh points ditentukan
oleh (xi , tj ), dimana xi = ih, dengan i = 0, 1, 2, ..., m, dan tj = jk dengan j = 0, 1, ....

Berdasarkan deret Taylor, turunan pertama persamaan (7.42) terhadap t, dengan time step
k, adalah
∂u u (xi , tj + k) − u (xi , tj ) k ∂ 2 u
(xi , tj ) = − (xi , µj ) (7.43)
∂t k 2 ∂t2
Namun, sebagaimana pendekatan finite-difference pada umumnya, pendekatan forward-difference
selalu mengabaikan suku terakhir, sehingga persamaan di atas ditulis seperti ini

∂u u (xi , tj + k) − u (xi , tj )
(xi , tj ) = (7.44)
∂t k

2
Pada Bab ini ada beberapa istilah yang masing-masing menggunakan kata difference, yaitu finite difference, for-
ward difference, centered difference dan backward difference. Setiap istilah punya arti yang berbeda.
134 BAB 7. DIFERENSIAL NUMERIK

Sementara itu, turunan kedua persamaan (7.42) terhadap x berdasarkan deret Taylor adalah

∂2u u (xi + h, tJ ) − 2u (xi , tj ) + u (xi − h, tJ ) h2 ∂ 4 u


(xi , t j ) = − (ξi , tj ) (7.45)
∂x2 h2 12 ∂x4

Pengabaian suku terakhir menjadikan persamaan di atas ditulis kembali sebagai berikut

∂2u u (xi + h, tj ) − 2u (xi , tj ) + u (xi − h, tj )


2
(xi , tj ) = (7.46)
∂x h2

Kemudian persamaan (7.44) dan (7.46) disubstitusi kedalam persamaan (7.42), maka diperoleh

u (xi , tj + k) − u (xi , tj ) u (xi + h, tj ) − 2u (xi , tj ) + u (xi − h, tj )


= α2 (7.47)
k h2

atau dapat dinyatakan dalam notasi w

wi,j+1 − wi,j wi+1,j − 2wi,j + wi−1,j


− α2 =0 (7.48)
k h2

Dari sini diperoleh solusi untuk wi,j+1 , yaitu

2α2 k
 
k
wi,j+1 = 1− 2 wi,j + α2 (wi+1,j + wi−1,j ) (7.49)
h h2

jika
α2 k
λ= (7.50)
h2
maka
(1 − 2λ) wi,j + λwi+1,j + λwi−1,j = wi,j+1 (7.51)

7.6.2 Contoh ketiga: One dimensional heat equation

Misalnya diketahui, distribusi panas satu dimensi (1D) sebagai fungsi waktu (t) pada sebatang
logam memenuhi persamaan berikut

∂u ∂2u
(x, t) − 2 (x, t) = 0, 0 < x < 1 0 ≤ t,
∂t ∂x

dengan syarat batas


u(0, t) = u(1, t) = 0, 0 < t,

dan kondisi mula-mula


u(x, 0) = sin(πx), 0 ≤ x ≤ 1,

Solusi analitik atas masalah ini adalah

2
u(x, t) = e−π t sin(πx)

Adapun sebaran posisi mesh-points dalam 1-D diperlihatkan pada Gambar 7.9. Sementara
7.6. PDP PARABOLIK 135

h=0.1

Gambar 7.9: Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur. Jarak
antar titik ditentukan sebesar h = 0, 1.

Gambar 7.10 melengkapi Gambar 7.9, dimana perubahan waktu tercatat setiap interval k =
0, 0005. Sepintas Gambar 7.10 terlihat seolah-olah obyek yang mau disimulasikan berbentuk
2-dimensi, padahal bendanya tetap 1-dimensi yaitu hanya sebatang logam.
t

0.0.....

k=0.0005

0 1 x
h=0.1

Gambar 7.10: Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005

Selanjutnya, Gambar 7.11 memperlihatkan tepi-tepi syarat batas yaitu angka 0 di ujung
kiri dan angka 1 di ujung kanan pada sumbu horisontal x. Diantara batas-batas itu terdapat
sebaran titik simulasi berjarak h = 0, 1. Sementara, sumbu vertikal menunjukan perubahan
dari waktu ke waktu dengan interval k = 0, 0005. Karena α = 1, h = 0, 1 dan k = 0, 0005 maka
t

0.0.....

0.0015

0.0010

0.0005

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 x

Gambar 7.11: Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forward-
difference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat

λ dapat dihitung dengan persamaan (7.50)

α2 k 0, 1
λ= 2
= = 0, 05
h 0, 00052
136 BAB 7. DIFERENSIAL NUMERIK

Berdasarkan persamaan (7.51), sistem persamaan linear dapat disusun sebagai berikut

0, 9w1,j + 0, 5w2,j = w1,j+1 − 0, 5w0,j


0, 9w2,j + 0, 5w3,j + 0, 5w1,j = w2,j+1
0, 9w3,j + 0, 5w4,j + 0, 5w2,j = w3,j+1
0, 9w4,j + 0, 5w5,j + 0, 5w3,j = w4,j+1
0, 9w5,j + 0, 5w6,j + 0, 5w4,j = w5,j+1
0, 9w6,j + 0, 5w7,j + 0, 5w5,j = w6,j+1
0, 9w7,j + 0, 5w8,j + 0, 5w6,j = w7,j+1
0, 9w8,j + 0, 5w9,j + 0, 5w7,j = w8,j+1
0, 9w9,j + 0, 5w8,j = w9,j+1 − 0, 5w10,j

Syarat batas menetapkan bahwa w0,j = w10,j = 0. Lalu dinyatakan dalam bentuk operasi
matrik
    
0, 9 0, 5 0 0 0 0 0 0 0 w1,j w1,j+1
0, 5 0, 9 0, 5 0 0 0 00 0 w2,j   w2,j+1 
    

    

 0 0, 5 0, 9 0, 5 0 0 0 0 0  
 w3,j  
  w3,j+1 

0 0 0, 5 0, 9 0, 5 0 0 0 0  w4,j   w4,j+1 
    

    
0 0 0 0, 5 0, 9 0, 5 0 0 0  =
w5,j  w5,j+1  (7.52)
  
  
0 0 0 0 0, 5 0, 9 0, 5 0 0  w6,j   w6,j+1 
    

    

 0 0 0 0 0 0, 5 0, 9 0, 5 0  
 w7,j  
  w7,j+1 

0 0 0 0 0 0 0, 5 0, 9 0, 5   w8,j   w8,j+1 
    

0 0 0 0 0 0 0 0, 5 0, 9 w9,j w9,j+1

Persamaan matriks di atas dapat direpresentasikan sebagai

Aw(j) = w(j+1) (7.53)

Proses perhitungan dimulai dari j = 0. Persamaan matrik menjadi


    
0, 9 0, 5 0 0 0 0 0 0 0 w1,0 w1,1
0, 5 0, 9 0, 5 0 0 0 0
0  0 w2,0   w2,1 
    

    

 0 0, 5 0, 9 0, 5 0 0 0 0 0  
 w3,0  
  w3,1 

0 0 0, 5 0, 9 0, 5 0 0 0 0  w4,0   w4,1 
    

    
0 0 0 0, 5 0, 9 0, 5 0 0 0  =
w5,0  w5,1 
  
  
0 0 0 0 0, 5 0, 9 0, 5 0 0  w6,0   w6,1 
    

    

 0 0 0 0 0 0, 5 0, 9 0, 5 0  
 w7,0  
  w7,1 

0 0 0 0 0 0 0, 5 0, 9 0, 5   w8,0   w8,1 
    

0 0 0 0 0 0 0 0, 5 0, 9 w9,0 w9,1
7.6. PDP PARABOLIK 137

Nilai w1,0 , w2,0 , ..., w9,0 sudah ditentukan oleh kondisi awal, yaitu

u(x, 0) = sin πx, 0 ≤ x ≤ 1,

Jika h = 0, 1, maka x1 = h = 0, 1; x2 = 2h = 0, 2; x3 = 3h = 0, 3;....; x9 = 9h = 0, 9.


Lalu masing-masing dimasukkan ke sin πx untuk mendapatkan nilai u(x, 0). Kemudian notasi
u(x, 0) diganti dengan notasi w yang selanjutnya dinyatakan sebagai berikut: w1,0 = u(x1 , 0) =
u(0.1, 0) = sin π(0.1) = 0, 3090. Dengan cara yang sama: w2,0 = 0, 5878; w3,0 = 0, 8090; w4,0 =
0, 9511; w5,0 = 1, 0000; w6,0 = 0, 9511; w7,0 = 0, 8090; w8,0 = 0, 5878; dan w9,0 = 0, 3090. Maka
persamaan matriks menjadi
    
0, 9 0, 5 0 0 0 0 0 0 0 0, 3090 w1,1
0, 5 0, 9 0, 5 0 0 0 0
0  0 0, 5878   w2,1 
    

    

 0 0, 5 0, 9 0, 5 0 0 0 0 0  
 0, 8090  
  w3,1 

0 0 0, 5 0, 9 0, 5 0 0 0 0  0, 9511   w4,1 
    

    
0 0 0 0, 5 0, 9 0, 5 0 0 0  =
1, 0000  w5,1 
  
  
0 0 0 0 0, 5 0, 9 0, 5 0 0  0, 9511   w6,1 
    

    

 0 0 0 0 0 0, 5 0, 9 0, 5 0  
 0, 8090  
  w7,1 

0 0 0 0 0 0 0, 5 0, 9 0, 5   0, 5878   w8,1 
    

0 0 0 0 0 0 0 0, 5 0, 9 0, 3090 w9,1

Ini hanya perkalian matrik biasa 3 . Hasil perkalian itu adalah: w1,1 = 0, 3075; w2,1 = 0, 5849;
w3,1 = 0, 8051; w4,1 = 0, 9464; w5,1 = 0, 9951; w6,1 = 0, 9464; w7,1 = 0, 8051; w8,1 = 0, 5849; dan
w9,1 = 0, 3075. Semua angka ini adalah nilai temperatur kawat di masing-masing mesh points
setelah selang waktu 0, 0005 detik4 .
Selanjutnya, hasil ini diumpankan lagi ke persamaan matriks yang sama untuk mendap-
atkan wx,2
    
0, 9 0, 5 0 0 0 0 0 0 0 0, 3075 w1,2
0, 5 0, 9 0, 5 0 0 0 0
0  0 0, 5849   w2,2 
    

    

 0 0, 5 0, 9 0, 5 0 0 0 0 0  
 0, 8051  
  w3,2 

0 0 0, 5 0, 9 0, 5 0 0 0 0  0, 9464   w4,2 
    

    
0 0 0 0, 5 0, 9 0, 5 0 0 0  =
0, 9951  w5,2 
  
  
0 0 0 0 0, 5 0, 9 0, 5 0 0  0, 9464   w6,2 
    

    

 0 0 0 0 0 0, 5 0, 9 0, 5 0  
 0, 8051  
  w7,2 

0 0 0 0 0 0 0, 5 0, 9 0, 5   0, 5849   w8,2 
    

0 0 0 0 0 0 0 0, 5 0, 9 0, 3075 w9,2

Perhitungan dengan cara seperti ini diulang-ulang sampai mencapai waktu maksimum. Jika
waktu maksimum adalah T = 0, 5 detik, berarti mesti dilakukan 1000 kali iterasi5 . Untuk

3
Topik tentang perkalian matrik sudah diulas pada Bab 1
4
karena step time k-nya sudah ditentukan sebesar 0, 0005
5
cara menghitung jumlah iterasi: T /k = 0, 5/0, 0005 = 1000
138 BAB 7. DIFERENSIAL NUMERIK

sampai 1000 kali, maka indeks j bergerak dari 1 sampai 1000. Dengan bantuan script Matlab,
proses perhitungan menjadi sangat singkat.

7.6.2.1 Script Forward-Difference

Script matlab Forward-Difference untuk menyelesaikan contoh masalah ini, dimana h = 0, 1 dan
k = 0, 0005

1 clear all
2 clc
3
4 n=9;
5 alpha=1.0;
6 k=0.0005;
7 h=0.1;
8 lambda=(alpha^2)*k/(h^2);
9
10 % Kondisi awal
11 for i=1:n
12 suhu(i)=sin(pi*i*0.1);
13 end
14
15 %Mengcopy kondisi awal ke w
16 for i=1:n
17 w0(i,1)=suhu(i);
18 end
19
20 A=[ (1-2*lambda) lambda 0 0 0 0 0 0 0;
21 lambda (1-2*lambda) lambda 0 0 0 0 0 0;
22 0 lambda (1-2*lambda) lambda 0 0 0 0 0 ;
23 0 0 lambda (1-2*lambda) lambda 0 0 0 0;
24 0 0 0 lambda (1-2*lambda) lambda 0 0 0;
25 0 0 0 0 lambda (1-2*lambda) lambda 0 0;
26 0 0 0 0 0 lambda (1-2*lambda) lambda 0 ;
27 0 0 0 0 0 0 lambda (1-2*lambda) lambda ;
28 0 0 0 0 0 0 0 lambda (1-2*lambda) ];
29
30 iterasi=1000;
31 for k=1:iterasi
32 disp(’perkalian matriks’)
33 %======================================
34 for i=1:n
35 w(i,1)=0.0;
36 end
37
38 for i=1:n
39 for j=1:n
40 w(i,1)=w(i,1)+A(i,j)*w0(j,1);
41 end
42 end
43 %====================================
44 w
45 w0=w;
46 end
7.6. PDP PARABOLIK 139

Tabel 7.4 memperlihatkan hasil perhitungan yang diulang-ulang hingga 1000 kali. Tabel terse-
but juga menunjukkan hasil perbandingan antara pemilihan nilai interval k = 0, 0005 dan
k = 0, 01. Tabel ini menginformasikan satu hal penting, yaitu pada saat interval k = 0, 0005,
forward-difference berhasil mencapai konvergensi yang sangat baik. Namun pada saat interval
k = 0.01, dengan jumlah iterasi hanya 50 kali untuk mencapai time maksimum 0, 5 detik, ter-
lihat jelas hasil forward-difference tidak konvergen (Bandingkan kolom ke-4 dan kolom ke-6!),
dan ini dianggap bermasalah. Masalah ini bisa diatasi dengan metode backward-difference.

Tabel 7.4: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2 adalah
solusi analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forward-difference. Kolom ke-4 dan
ke-6 adalah selisih antara solusi analitik dan numerik
wi,1000 wi,50
xi u(xi , 0.5) k = 0, 0005 |u(xi , 0.5) − wi,1000 | k = 0, 01 |u(xi , 0.5) − wi,50 |
0,0 0 0 0
0,1 0,00222241 0,00228652 6, 411 × 10−5 8, 19876 × 107 8, 199 × 107
0,2 0,00422728 0,00434922 1, 219 × 10−4 −1, 55719 × 108 1, 557 × 108
0,3 0,00581836 0,00598619 1, 678 × 10−4 2, 13833 × 108 2, 138 × 108
0,4 0,00683989 0,00703719 1, 973 × 10−4 −2, 50642 × 108 2, 506 × 108
0,5 0,00719188 0,00739934 2, 075 × 10−4 2, 62685 × 108 2, 627 × 108
0,6 0,00683989 0,00703719 1, 973 × 10−4 −2, 49015 × 108 2, 490 × 108
0,7 0,00581836 0,00598619 1, 678 × 10−4 2, 11200 × 108 2, 112 × 108
0,8 0,00422728 0,00434922 1, 219 × 10−4 −1, 53086 × 108 1, 531 × 108
0,9 0,00222241 0,00228652 6, 511 × 10−5 8, 03604 × 107 8, 036 × 107
1,0 0 0 0

7.6.3 Metode Backward-difference

Kalau kita ulang lagi pelajaran yang lalu tentang forward-difference, kita akan dapatkan formula
forward-difference adalah sebagai berikut (lihat persamaan (7.48))

wi,j+1 − wi,j wi+1,j − 2wi,j + wi−1,j


− α2 =0
k h2

Sekarang, dengan sedikit modifikasi, formula backward-difference dinyatakan sebagai

wi,j − wi,j−1 wi+1,j − 2wi,j + wi−1,j


− α2 =0 (7.54)
k h2

jika ditetapkan
α2 k
λ=
h2
maka backward-difference disederhanakan menjadi

(1 + 2λ) wi,j − λwi+1,j − λwi−1,j = wi,j−1 (7.55)


140 BAB 7. DIFERENSIAL NUMERIK

coba sejenak anda bandingkan dengan formula forward-difference dalam λ sebagaimana diny-
atakan oleh persamaan (7.51)

(1 − 2λ) wi,j + λwi+1,j + λwi−1,j = wi,j+1

O.K., mari kita kembali ke contoh soal kita yang tadi, dimana ada perubahan nilai k yang
semula k = 0, 0005 menjadi k = 0, 01. Sementara α dan h nilainya tetap. Maka λ dapat
dihitung dengan persamaan (7.50) kembali

α2 k 0, 1
λ= 2
= =1
h 0, 012

Berdasarkan persamaan (7.55), sistem persamaan linear mengalami sedikit perubahan

3w1,j − 1w2,j = w1,j−1 + 1w0,j


3w2,j − 1w3,j − 1w1,j = w2,j−1
3w3,j − 1w4,j − 1w2,j = w3,j−1
3w4,j − 1w5,j − 1w3,j = w4,j−1
3w5,j − 1w6,j − 1w4,j = w5,j−1
3w6,j − 1w7,j − 1w5,j = w6,j−1
3w7,j − 1w8,j − 1w6,j = w7,j−1
3w8,j − 1w9,j − 1w7,j = w8,j−1
3w9,j − 1w8,j = w9,j−1 + 1w10,j

Syarat batas masih sama, yaitu w0,j = w10,j = 0. Lalu jika dinyatakan dalam bentuk operasi
matrik
    
3 −1 0 0 0 0 0 0 0 w1,j w1,j−1
−1 3 −1 0 0 0 0 0 0 w2,j   w2,j−1 
    

    

 0 −1 3 −1 0 0 0 0 0 

 w3,j  
  w3,j−1 

0 0 −1 3 −1 0 0 0 0  w4,j   w4,j−1 
    

    
0 0 0 −1 3 −1 0 0 0  =
w5,j  w5,j−1 
  
  
0 0 0 0 −1 3 −1 0 0  w6,j   w6,j−1 
    

    

 0 0 0 0 0 −1 3 −1 0 
 w7,j  
  w7,j−1 

0 0 0 0 0 0 −1 3 −1   w8,j   w8,j−1 
    

0 0 0 0 0 0 0 −1 3 w9,j w9,j−1

Persamaan matriks di atas dapat direpresentasikan sebagai

Aw(j) = w(j−1) (7.56)


7.6. PDP PARABOLIK 141

Perhitungan dimulai dari iterasi pertama, dimana j = 1


    
3 −1 0 0 0 0 0 0 0 w1,1 w1,0
−1 3 −1 0
0  0 0 0 0 w2,1   w2,0 
    

    

 0 −1 3 −1 0 0 0 0 0 

 w3,1  
  w3,0 

0 0 −1 3 −1 0 0 0 0  w4,1   w4,0 
    

    
0 0 0 −1 3 −1 0 0 0  =
w5,1  w5,0 
  
  
0 0 0 0 −1 3 −1 0 0  w6,1   w6,0 
    

    

 0 0 0 0 0 −1 3 −1 0 

 w7,1  
  w7,0 

0 0 0 0 0 0 −1 3 −1   w8,1   w8,0 
    

0 0 0 0 0 0 0 −1 3 w9,1 w9,0

Dengan memasukan kondisi awal, ruas kanan menjadi


    
3 −1 0 0 0 0 0 0 0 w1,1 0, 3090
−1 3 −1 0 0  0 0 0 0 w2,1   0, 5878 
    

    

 0 −1 3 −1 0 0 0 0 0 

 w3,1  
  0, 8090 

0 0 −1 3 −1 0 0 0 0  w4,1   0, 9511 
    

    
0 0 0 −1 3 −1 0 0 0  =
w5,1  1, 0000 
  
  
0 0 0 0 −1 3 −1 0 0  w6,1   0, 9511 
    

    

 0 0 0 0 0 −1 3 −1 0 
 w7,1  
  0, 8090 

0 0 0 0 0 0 −1 3 −1   w8,1   0, 5878 
    

0 0 0 0 0 0 0 −1 3 w9,1 0, 3090

Berbeda dengan operasi matrik forward difference, operasi matrik backward difference ini bukan
perkalian matrik biasa. Operasi matrik tersebut akan dipecahkan oleh metode Eliminasi Gauss6 .
Untuk jumlah iterasi hingga j = 50, perhitungannya dilakukan dalam script Matlab.

7.6.3.1 Script Backward-Difference dengan Eliminasi Gauss

1 clear all
2 clc
3
4 n=9;
5 alpha=1.0;
6 k=0.01;
7 h=0.1;
8 lambda=(alpha^2)*k/(h^2);
9
10 %Kondisi awal
11 for i=1:n
12 suhu(i)=sin(pi*i*0.1);
13 end
14
15 %Mengcopy kondisi awal ke w
16 for i=1:n

6
Uraian tentang metode Eliminasi Gauss tersedia di Bab 2
142 BAB 7. DIFERENSIAL NUMERIK

17 w0(i,1)=suhu(i);
18 end
19
20 AA=[ (1+2*lambda) -lambda 0 0 0 0 0 0 0;
21 -lambda (1+2*lambda) -lambda 0 0 0 0 0 0;
22 0 -lambda (1+2*lambda) -lambda 0 0 0 0 0 ;
23 0 0 -lambda (1+2*lambda) -lambda 0 0 0 0;
24 0 0 0 -lambda (1+2*lambda) -lambda 0 0 0;
25 0 0 0 0 -lambda (1+2*lambda) -lambda 0 0;
26 0 0 0 0 0 -lambda (1+2*lambda) -lambda 0 ;
27 0 0 0 0 0 0 -lambda (1+2*lambda) -lambda ;
28 0 0 0 0 0 0 0 -lambda (1+2*lambda) ];
29
30 iterasi=50;
31 for i=1:iterasi
32 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
33 A=AA; %Matriks Backward Difference dicopy supaya fix
34
35 for i=1:n
36 A(i,n+1)=w0(i,1);
37 end
38
39 %---------Proses Triangularisasi-----------
40 for j=1:(n-1)
41
42 %----mulai proses pivot---
43 if (A(j,j)==0)
44 for p=1:n+1
45 u=A(j,p);
46 v=A(j+1,p);
47 A(j+1,p)=u;
48 A(j,p)=v;
49 end
50 end
51 %----akhir proses pivot---
52 jj=j+1;
53 for i=jj:n
54 m=A(i,j)/A(j,j);
55 for k=1:(n+1)
56 A(i,k)=A(i,k)-(m*A(j,k));
57 end
58 end
59 end
60 %-------------------------------------------
61
62 %------Proses Substitusi mundur-------------
63 w(n,1)=A(n,n+1)/A(n,n);
64
65 for i=n-1:-1:1
66 S=0;
67 for j=n:-1:i+1
68 S=S+A(i,j)*w(j,1);
69 end
70 w(i,1)=(A(i,n+1)-S)/A(i,i);
71 end
72 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
73 w0=w;
74 end
75 w
7.6. PDP PARABOLIK 143

Hasilnya menunjukkan bahwa kinerja metode backward-difference lebih baik dibanding metode
forward-difference, ini ditunjukkan dari selisih yang relatif kecil antara solusi numerik dan solusi
analitik, sebagaimana bisa terlihat dari kolom ke-4 pada tabel berikut

Tabel 7.5: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backward-
difference dimana k = 0, 01
xi u(xi , 0.5) wi,50 |u(xi , 0.5) − wi,50 |
0,0 0 0
0,1 0,00222241 0,00289802 6, 756 × 10−4
0,2 0,00422728 0,00551236 1, 285 × 10−3
0,3 0,00581836 0,00758711 1, 769 × 10−3
0,4 0,00683989 0,00891918 2, 079 × 10−3
0,5 0,00719188 0,00937818 2, 186 × 10−3
0,6 0,00683989 0,00891918 2, 079 × 10−3
0,7 0,00581836 0,00758711 1, 769 × 10−3
0,8 0,00422728 0,00551236 1, 285 × 10−3
0,9 0,00222241 0,00289802 6, 756 × 10−4
1,0 0 0

7.6.4 Metode Crank-Nicolson

Metode ini dimunculkan disini karena metode ini memiliki performa yang lebih unggul dari
dua metode sebelumnya. Namun begitu pondasi metode Crank-Nicolson terdiri atas metode
Forward-Difference dan metode Backward-Difference. Mari kita ulang lagi pelajaran yang sudah
kita lewati. Formula Forward-Difference adalah

wi,j+1 − wi,j wi+1,j − 2wi,j + wi−1,j


− α2 =0
k h2

sedangkan Backward-Difference adalah

wi,j − wi,j−1 wi+1,j − 2wi,j + wi−1,j


− α2 =0
k h2

Ketika Backward-Difference berada pada iterasi ke j + 1, maka

wi,j+1 − wi,j wi+1,j+1 − 2wi,j+1 + wi−1,j+1


− α2 =0 (7.57)
k h2

Jika formula ini dijumlahkan dengan formula forward-difference, kemudian hasilnya dibagi 2,
maka akan diperoleh

α2 wi+1,j − 2wi,j + wi−1,j


 
wi,j+1 − wi,j wi+1,j+1 − 2wi,j+1 + wi−1,j+1
− + =0 (7.58)
k 2 h2 h2
144 BAB 7. DIFERENSIAL NUMERIK

inilah formula Crank-Nicolson. Adapun λ tetap dinyatakan sebagai

α2 k
λ=
h2

maka

λ
wi,j+1 − wi,j − [wi+1,j − 2wi,j + wi−1,j + wi+1,j+1 − 2wi,j+1 + wi−1,j+1 ] = 0
2

λ λ λ λ
wi,j+1 − wi,j − wi+1,j + λwi,j − wi−1,j − wi+1,j+1 + λwi,j+1 − wi−1,j+1 = 0
2 2 2 2
λ λ λ λ
− wi−1,j+1 + wi,j+1 + λwi,j+1 − wi+1,j+1 − wi−1,j − wi,j + λwi,j − wi+1,j = 0
2 2 2 2
λ λ λ λ
− wi−1,j+1 + wi,j+1 + λwi,j+1 − wi+1,j+1 = wi−1,j + wi,j − λwi,j + wi+1,j
2 2 2 2
dan akhirnya

λ λ λ λ
− wi−1,j+1 + (1 + λ)wi,j+1 − wi+1,j+1 = wi−1,j + (1 − λ)wi,j + wi+1,j (7.59)
2 2 2 2

Dalam bentuk persamaan matrik dinyatakan sebagai

Aw(j+1) = Bw(j) , untuk j = 0, 1, 2, ... (7.60)

Dengan menggunakan contoh soal yang sama, yang sebelumnya telah diselesaikan dengan
metode Forward-Difference dan Backward-Difference, maka penyelesaian soal tersebut dengan
metode Crank-Nicolson juga akan didemonstrasikan di sini. Dengan nilai k = 0, 01; h = 0, 1;
λ = 1 dan berdasarkan persamaan (7.59) diperoleh

−0, 5wi−1,j+1 + 2wi,j+1 − 0, 5wi+1,j+1 = 0, 5wi−1,j + 0wi,j + 0, 5wi+1,j

Script Matlab untuk menyelesaikan persamaan ini adalah

1 clear all
2 clc
3
4 n=9;
5 iterasi=50;
6 alpha=1.0;
7 k=0.01;
8 h=0.1;
9 lambda=(alpha^2)*k/(h^2);
10
11 %Kondisi awal
12 for i=1:n
13 suhu(i)=sin(pi*i*0.1);
14 end
15
16 %Mengcopy kondisi awal ke w
17 for i=1:n
18 w0(i,1)=suhu(i);
7.6. PDP PARABOLIK 145

19 end
20
21 AA=[(1+lambda) -lambda/2 0 0 0 0 0 0 0;
22 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0 0;
23 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0;
24 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0;
25 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0;
26 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0;
27 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0;
28 0 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2;
29 0 0 0 0 0 0 0 -lambda/2 (1+lambda)];
30
31 B=[(1-lambda) lambda/2 0 0 0 0 0 0 0;
32 lambda/2 (1-lambda) lambda/2 0 0 0 0 0 0;
33 0 lambda/2 (1-lambda) lambda/2 0 0 0 0 0;
34 0 0 lambda/2 (1-lambda) lambda/2 0 0 0 0;
35 0 0 0 lambda/2 (1-lambda) lambda/2 0 0 0;
36 0 0 0 0 lambda/2 (1-lambda) lambda/2 0 0;
37 0 0 0 0 0 lambda/2 (1-lambda) lambda/2 0;
38 0 0 0 0 0 0 lambda/2 (1-lambda) lambda/2;
39 0 0 0 0 0 0 0 lambda/2 (1-lambda)];
40
41 iterasi=50;
42 for iter=1:iterasi
43
44 %===perkalian matriks===================
45 for i=1:n
46 b(i,1)=0.0;
47 end
48 for i=1:n
49 for j=1:n
50 b(i,1)=b(i,1)+B(i,j)*w0(j,1);
51 end
52 end
53 %======================================
54
55 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
56 A=AA; %Matriks Backward Difference dicopy supaya fix
57
58 for i=1:n
59 A(i,n+1)=b(i,1);
60 end
61
62 %---------Proses Triangularisasi-----------
63 for j=1:(n-1)
64
65 %----mulai proses pivot---
66 if (A(j,j)==0)
67 for p=1:n+1
68 u=A(j,p);
69 v=A(j+1,p);
70 A(j+1,p)=u;
71 A(j,p)=v;
72 end
73 end
74 %----akhir proses pivot---
75 jj=j+1;
76 for i=jj:n
77 m=A(i,j)/A(j,j);
146 BAB 7. DIFERENSIAL NUMERIK

78 for k=1:(n+1)
79 A(i,k)=A(i,k)-(m*A(j,k));
80 end
81 end
82 end
83 %-------------------------------------------
84
85 %------Proses Substitusi mundur-------------
86 w(n,1)=A(n,n+1)/A(n,n);
87
88 for i=n-1:-1:1
89 S=0;
90 for j=n:-1:i+1
91 S=S+A(i,j)*w(j,1);
92 end
93 w(i,1)=(A(i,n+1)-S)/A(i,i);
94 end
95 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
96 w0=w;
97 end
98 iter
99 w

Tabel 7.6: Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan
metode backward-difference dan Crank-Nicolson
BD CN Backward-Diff Crank-Nicolson
xi u(xi , 0.5) wi,50 wi,50 |u(xi , 0.5) − wi,50 | |u(xi , 0.5) − wi,50 |
0,0 0 0 0
0,1 0,00222241 0,00289802 0,00230512 6, 756 × 10−4 8, 271 × 10−5
0,2 0,00422728 0,00551236 0,00438461 1, 285 × 10−3 1, 573 × 10−4
0,3 0,00581836 0,00758711 0,00603489 1, 769 × 10 −3 2, 165 × 10−4
0,4 0,00683989 0,00891918 0,00709444 2, 079 × 10 −3 2, 546 × 10−4
0,5 0,00719188 0,00937818 0,00745954 2, 186 × 10−3 2, 677 × 10−4
0,6 0,00683989 0,00891918 0,00709444 2, 079 × 10 −3 2, 546 × 10−4
0,7 0,00581836 0,00758711 0,00603489 1, 769 × 10−3 2, 165 × 10−4
0,8 0,00422728 0,00551236 0,00438461 1, 285 × 10 −3 1, 573 × 10−4
0,9 0,00222241 0,00289802 0,00230512 6, 756 × 10 −4 8, 271 × 10−5
1,0 0 0 0

Terlihat disini bahwa orde kesalahan metode Crank-Nicolson (kolom ke-6) sedikit lebih ke-
cil dibandingkan metode Backward-Difference (kolom ke-5). Ini menunjukkan tingkat akurasi
Crank-Nicolson lebih tinggi dibandingkan Backward-Difference.

7.7 PDP Hiperbolik

Pada bagian ini, kita akan membahas solusi numerik untuk persamaan gelombang yang meru-
pakan salah satu contoh PDP hiperbolik. Persamaan gelombang dinyatakan dalam persamaan
diferensial sebagai berikut

∂2u 2
2∂ u
(x, t) − α (x, t) = 0, 0 < x < ℓ, t>0 (7.61)
∂t2 ∂x2
7.7. PDP HIPERBOLIK 147

dengan suatu kondisi


u (0, t) = u (ℓ, t) = 0, untuk t > 0,
∂u
u (x, 0) = f (x) , dan (x, 0) = g (x) , untuk 0≤x≤ℓ
∂t
dimana α adalah konstanta. Kita tentukan ukuran time-step sebesar k, jarak tiap mesh point
adalah h.
xi = ih dan tj = jk

dengan i = 0, 1, ..., m dan j = 0, 1, .... Pada bagian interior, posisi mesh points ditentukan oleh
koordinat (xi , tj ), karenanya persamaan gelombang ditulis menjadi

∂2u 2
2∂ u
(x ,
i jt ) − α (xi , tj ) = 0 (7.62)
∂t2 ∂x2

Formula centered-difference digunakan sebagai pendekatan numerik persamaan gelombang pa-


da tiap-tiap suku. Untuk turunan kedua terhadap t

∂2u u (xi , tj+1 ) − 2u (xi , tj ) + u (xi , tj−1 )


2
(xi , tj ) =
∂t k2

dan turunan kedua terhadap x

∂2u u (xi+1 , tj ) − 2u (xi , tj ) + u (xi−1 , tj )


2
(xi , tj ) =
∂x h2

Dengan mensubtitusikan kedua persamaan di atas kedalam persamaan (7.62)

u (xi , tj+1 ) − 2u (xi , tj ) + u (xi , tj−1 ) u (xi+1 , tj ) − 2u (xi , tj ) + u (xi−1 , tj )


2
− α2 =0
k h2

maka dapat diturunkan formula finite-difference untuk PDP hiperbolik sebagai berikut

wi,j+1 − 2wi,j + wi,j−1 wi+1,j − 2wi,j + wi−1,j


2
− α2 =0 (7.63)
k h2

Jika λ = αk/h, maka persamaan ini dapat ditulis kembali

wi,j+1 − 2wi,j + wi,j−1 − λ2 wi+1,j + 2λ2 wi,j − λ2 wi−1,j = 0

sehingga wi,j+1 selaku solusi numerik dapat dihitung dengan merubah sedikit suku-suku pada
formula di atas
wi,j+1 = 2 1 − λ2 wi,j + λ2 (wi+1,j + wi−1,j ) − wi,j−1

(7.64)

dengan i = 1, 2, ..., m − 1 dan j = 1, 2, .... Kondisi syarat batas ditentukan sebagai berikut

w0,j = wm,j = 0, untuk j = 1, 2, 3, ... (7.65)


148 BAB 7. DIFERENSIAL NUMERIK

sementara kondisi awal dinyatakan

wi,0 = f (xi ) , untuk i = 1, 2, ..., m − 1 (7.66)

Berbeda dengan PDP eliptik dan PDP parabolik, pada PDP hiperbolik, untuk menghitung
mesh point (j + 1), diperlukan informasi mesh point (j) dan (j − 1). Hal ini sedikit menim-
bulkan masalah pada langkah/iterasi pertama karena nilai untuk j = 0 sudah ditentukan oleh
persamaan (7.66) sementara nilai untuk j = 1 untuk menghitung wi,2 , harus diperoleh lewat
kondisi kecepatan awal
∂u
(x, 0) = g (x) , 0≤x≤ℓ (7.67)
∂t
Salah satu cara pemecahan dengan pendekatan forward-difference adalah

∂u u (xi , t1 ) − u (xi , 0)
(xi , 0) = (7.68)
∂t k

∂u
u (xi , t1 ) = u (xi , 0) + k (xi , 0)
∂t

= u (xi , 0) + kg (xi )

konsekuensinya
wi,1 = wi,0 + kg(xi ), untuk i = 1, 2, ..., m − 1 (7.69)

7.7.1 Contoh

Tentukan solusi dari persamaan gelombang berikut ini

∂2u ∂2u
− 2 = 0, 0 < x < 1, 0<t
∂t2 ∂x

dengan syarat batas


u (0, t) = u (ℓ, t) = 0, untuk 0 < t,

dan kondisi mula-mula


u (x, 0) = sin πx, 0≤x≤1
∂u
= 0, 0≤x≤1
∂t
menggunakan metode finite-difference, dengan m = 4, N = 4, dan T = 1, 0. Bandingkan hasil
yang diperoleh dengan solusi analitik u(x, t) = cos πt sin πx.

Jika persamaan gelombang pada contoh soal ini dibandingkan dengan persamaan (7.61),
maka diketahui nilai α = 1 dan ℓ = 1. Dari sini, nilai h dapat dihitung, yaitu h = ℓ/m = 1/4 =
0, 25. Sementara nilai k diperoleh dari k = T /N = 1, 0/4 = 0, 25. Dengan diketahuinya nilai α,
h, dan k, maka λ dapat dihitung, yaitu λ = αk/h = 1. Selanjutnya, nilai λ ini dimasukkan ke
7.8. LATIHAN 149

persamaan (7.64)

wi,j+1 = 2 1 − λ2 wi,j + λ2 (wi+1,j + wi−1,j ) − wi,j−1




wi,j+1 = 2 1 − 12 wi,j + 12 (wi+1,j + wi−1,j ) − wi,j−1




wi,j+1 = 0wi,j + (wi+1,j + wi−1,j ) − wi,j−1

dimana i bergerak dari 0 sampai m, atau i = 0, 1, 2, 3, 4. Sementara j, bergerak dari 0 sampai


T /k = 4, atau j = 0, 1, 2, 3, 4.

Catatan kuliah baru sampai sini!!

7.8 Latihan

1. Carilah solusi persamaan differensial elliptik berikut ini dengan pendekatan numerik
menggunakan metode Finite Difference

∂2u ∂2u
+ 2 = (x2 + y 2 )exy , 0 < x < 2, 0 < y < 1;
∂x2 ∂y

gunakan h = 0, 2 dan k = 0, 1

u(0, y) = 1, u(2, y) = e2y , 0≤y≤1


x
u(x, 0) = 1, u(x, 1) = e , 0≤x≤2

Bandingkan hasilnya dengan solusi analitik u(x, t) = exy .

2. Carilah solusi persamaan differensial parabolik berikut ini dengan pendekatan numerik
menggunakan metode Finite Difference Backward-Difference

∂u 1 ∂2u
− = 0, 0 < x < 1, 0 < t;
∂t 16 ∂x2

u(0, t) = u(1, t) = 0, 0 < t;


u(x, 0) = 2 sin 2πx, 0 ≤ x ≤ 1;

gunakan m = 3, T = 0, 1, dan N = 2. Bandingkan hasilnya dengan solusi analitik

2 /4)t
u(x, t) = 2e−(π sin 2πx

∂u k2 ∂ 2 u k3 ∂ 3 u
u (xi , t1 ) = u (xi , 0) + k (xi , 0) + (xi , 0) + (xi , µ̂i ) (7.70)
∂t 2 ∂t2 6 ∂t3

∂2u 2
2∂ u 2 d
f
(xi , 0) = α (xi , 0) = α (xi ) = α2 f ” (xi ) (7.71)
∂t2 ∂x2 dx2
150 BAB 7. DIFERENSIAL NUMERIK

α2 k 2 k3 ∂ 3 u
u (xi , t1 ) = u (xi , 0) + kg (xi ) + f ” (xi ) + (xi , µ̂i ) (7.72)
2 6 ∂t3

α2 k 2
wi1 = wi0 + kg (xi ) + f ” (xi ) (7.73)
2

f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 (4)  ˜


f ” (xi ) = − f ξ (7.74)
h2 12

k 2 α2  2
 3 2 2

u (xi , t1 ) = u (xi , 0) + kg (xi ) + f (xi+1 ) − 2f (xi ) + f (xi−1 ) h + O k + h k (7.75)
2h2

λ2 
f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 + O k 3 + h2 k 2
 
u (xi , t1 ) = u (xi , 0) + kg (xi ) + (7.76)
2

λ2 λ2
= 1 − λ2 f (xi ) + f (xi+1 ) + f (xi−1 ) + kg (xi ) + O k 3 + h2 k 2
 
(7.77)
2 2

λ2 λ2
wi,1 = 1 − λ2 f (xi ) + f (xi+1 ) + f (xi−1 ) + kg (xi )

(7.78)
2 2
Bab 8

Integral Numerik

✍ Objektif :
⊲ Mengenalkan metode Trapezoida
⊲ Mengenalkan metode Simpson
⊲ Mengenalkan metode Composite-Simpson
⊲ Mengenalkan metode Adaptive Quardrature
⊲ Mengenalkan metode Gaussian Quadrature

8.1 Metode Trapezoida

Suatu persamaan integral


Z b
f (x)dx (8.1)
a

disebut numerical quadrature. Pendekatan numerik untuk menyelesaikan integral tersebut


adalah
n
X
ai f (xi ) (8.2)
i=0

Adapun metode pendekatan yang paling dasar dalam memecahkan masalah integral secara
numerik adalah metode Trapezoida yang rumusnya seperti ini

b
h h3
Z
f (x)dx = [f (x0 ) + f (x1 )] − f ′′ (ξ) (8.3)
a 2 12

dimana x0 = a, x1 = b dan h = b − a. Karena bagian error pada Trapezoida adalah f ′′ , maka


pendekatan Trapezoida bekerja efektif pada fungsi-fungsi yang turunan kedua-nya bernilai nol
(f ′′ = 0).

151
152 BAB 8. INTEGRAL NUMERIK

f(x)

x0=a x1=b

Gambar 8.1: Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Trapesoida
menghitung luas area integrasi, dimana luas area adalah sama dengan luas trapesium di bawah kurva
f (x) dalam batas-batas a dan b

f(x)

x0=a x1=b

Gambar 8.2: Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Simpson
menghitung luas area integrasi, dimana area integrasi di bawah kurva f (x) dibagi 2 dalam batas-batas
a dan b

8.2 Metode Simpson

Metode pendekatan yang lebih baik dalam integral numerik adalah metode Simpson yang
formulasinya seperti ini

b
h h5
Z
f (x)dx = [f (x0 ) + 4f (x1 ) + f (x2 )] − f 4 (ξ) (8.4)
a 3 90

dengan x0 = a, x2 = b, dan x1 = a + h dimana h = (b − a)/2.


Contoh
Metode Trapezoida untuk fungsi f pada interval [0,2] adalah
Z 2
f (x)dx ≈ f (0) + f (2)
0

dimana x0 = 0, x1 = 2 dan h = 2 − 0 = 2,
sedangkan metode Simpson untuk fungsi f pada interval [0,2] adalah

2
1
Z
f (x)dx ≈ [f (0) + 4f (1) + f (2)]
0 3
8.3. METODE COMPOSITE-SIMPSON 153

dengan x0 = 0, x2 = 2, dan x1 = a + h = 1 dimana h = (b − a)/2 = 1.


Tabel berikut ini memperlihatkan evaluasi integral numerik terhadap beberapa fungsi dalam
interval [0,2] beserta solusi exact-nya. Jelas terlihat, metode Simpson lebih baik dibanding
Trapezoida. Karena hasil intergral numerik metode Simpson lebih mendekati nilai exact

f (x) x2 x4 1/(x + 1) 1 + x2 sin x ex
Nilai exact 2,667 6,400 1,099 2,958 1,416 6,389
Trapezoida 4,000 16,000 1,333 3,326 0,909 8,389
Simpson 2,667 6,667 1,111 2,964 1,425 6,421

Kalau diamati lebih teliti, akan kita dapatkan bahwa interval [0,2] telah dibagi 2 pada metode
Simpson, sementara pada metode Trapesoida tidak dibagi sama sekali. Sebenarnya dengan
membagi interval lebih kecil lagi, maka error -nya akan semakin kecil. Misalnya, banyaknya
pembagian interval dinyatakan dengan n
ketika n = 1: Trapesioda

x1
h h3
Z
f (x)dx = [f (x0 ) + f (x1 )] − f ′′ (ξ) (8.5)
x0 2 12

ketika n = 2: Simpson

x2
h h5
Z
f (x)dx = [f (x0 ) + 4f (x1 ) + f (x2 )] − f 4 (ξ) (8.6)
x0 3 90

ketika n = 3: Simpson tiga-per-delapan

x3
3h 3h5 4
Z
f (x)dx = [f (x0 ) + 3f (x1 ) + 3f (x2 ) + f (x3 )] − f (ξ) (8.7)
x0 8 80

ketika n = 4:
Z x4
2h 8h7 6
f (x)dx = [7f (x0 ) + 32f (x1 ) + 12f (x2 ) + 32f (x3 ) + 7f (x4 )] − f (ξ) (8.8)
x0 45 945

Keempat bentuk persamaan integral numerik di atas dikenal dengan closed Newton-Cotes
formulas. Keterbatasan metode Newton-Cotes terlihat dari jumlah pembagian interval. Di
atas tadi pembagian interval baru sampai pada n = 4. Bagaimana bila interval evaluasinya
dipersempit supaya solusi numeriknya lebih mendekati solusi exact? Atau dengan kata lain
n > 4.

8.3 Metode Composite-Simpson

Persamaan (8.8) terlihat lebih rumit dibandingkan persamaan-persamaan sebelumnya. Bisakah


anda bayangkan bentuk formulasi untuk n = 5 atau n = 6 dan seterusnya? Pasti akan lebih
kompleks dibandingkan persamaan (8.8).
154 BAB 8. INTEGRAL NUMERIK

f(x)

x0=a x1 x2 x3 x4 x5 x6 x7 xn=b

Gambar 8.3: Metode Composite Simpson. Kurva fungsi f (x) dengan batas bawah integral adalah a
dan batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-masing adalah
h.

Metode Composite Simpson menawarkan cara mudah menghitung intergal numerik ketika
R4
nilai n > 4. Perhatikan contoh berikut, tentukan solusi numerik dari 0 ex dx. Metode Simpson
dengan h = 2 (atau interval evaluasi integral dibagi 2 , n = 2) memberikan hasil

4
2 0
Z
ex dx ≈ e + 4e2 + e4 = 56, 76958

0 3

Padahal solusi exact dari integral tersebut adalah e4 − e0 = 53, 59815, artinya terdapat er-
ror sebesar 3,17143 yang dinilai masih terlampau besar untuk ditolerir. Bandingkan dengan
metode yang sama namun dengan h = 1 (atau interval evaluasi integral dibagi 4 , n = 4)
Z 4 Z 2 Z 4
ex dx = ex dx + ex dx
0 0 2
1 0  1 2
e + 4e + e2 + e + 4e3 + e4


3 3
1 0
e + 4e + 2e2 + 4e3 + e4

=
3
= 53, 86385

Hasil ini memperlihatkan error yang makin kecil, yaitu menjadi 0,26570. Jadi dengan mem-
perkecil h, error menjadi semakin kecil dan itu artinya solusi integral numerik semakin mendekati
1
solusi exact. Sekarang kita coba kecilkan lagi nilai h menjadi h = 2 (atau interval evaluasi in-
tegral dibagi 8 , n = 8),
Z 4 Z 1 Z 2 Z 3 Z 4
x x x x
e dx = e dx +
e dx + e dx + ex dx
0 0 1 2 3
1 0  1 
≈ e + 4e1/2 + e + e + 4e3/2 + e2 +
6 6
1 2 5/2 3
 1 
e + 4e + e + e3 + 4e7/2 + e4
6 6
1 0 
= e + 4e1/2 + 2e + 4e3/2 + 2e2 + 4e5/2 + 2e3 + 4e7/2 + e4
6
= 53, 61622
8.4. ADAPTIVE QUARDRATURE 155

dan seperti yang sudah kita duga, error -nya semakin kecil menjadi 0,01807.

Prosedur ini dapat digeneralisir menjadi suatu formula sebagai berikut

Z b n/2 Z x2j
X
f (x)dx = f (x)dx
a j=1 x2j−2

n/2 
h5 (4)

X h
= [f (x2j−2 ) + 4f (x2j−1 ) + f (x2j )] − f (ξj ) (8.9)
3 90
j=1

dimana h = (b − a)/n dan xj = a + jh, untuk j = 1, ..., n/2, dengan x0 = a dan xn = b. Formula
ini dapat direduksi menjadi
 
b (n/2)−1 n/2 n/2
h h5 X (4)
Z X X
f (x)dx = f (x0 ) + 2 f (x2j ) + 4 f (x2j−1 ) + f (xn ) − f (ξj ) (8.10)
a 3 90
j=1 j=1 j=1

Formula ini dikenal sebagai metode Composite Simpson.

8.4 Adaptive Quardrature

Metode composite mensyaratkan luas area integrasi dibagi menjadi sejumlah region dengan
jarak interval yang seragam yaitu sebesar nilai h. Akibatnya, bila metode composite diterapkan
pada fungsi yang memiliki variasi yang tinggi dan rendah sekaligus, maka interval h yang kecil
menjadi kurang efektif, sementara interval h yang besar mengundang error yang besar pula.
Metode Adaptive Quadrature muncul untuk mendapatkan langkah yang paling efektif dimana
nilai interval h tidak dibuat seragam, melainkan mampu beradaptasi sesuai dengan tingkat
variasi kurva fungsinya.

Rb
Misalnya kita bermaksud mencari solusi numerik dari integral a f (x)dx dengan toleransi
ǫ > 0. Sebagai langkah awal adalah menerapkan metode Simpson dimana step size h = (b −
a)/2
b
h5 (4)
Z
f (x)dx = S(a, b) − f (µ) (8.11)
a 90
dengan
h
S(a, b) = [f (a) + 4f (a + h) + f (b)]
3
Langkah berikutnya adalah men

b      
h h 3h
Z
f (x)dx = f (a) + 4f a + + 2f (a + h) + 4f a + + f (b)
a 6 2 2
 4
h (b − a) (4)
− f (µ̃) (8.12)
2 180
156 BAB 8. INTEGRAL NUMERIK

8.5 Gaussian Quadrature

Suatu integral dapat ditransformasi kedalam bentuk Gaussian quadrature melalui formulasi
berikut
b 1  
(b − a)t + (b + a) (b − a)
Z Z
f (x)dx = f dt (8.13)
a −1 2 2
dimana perubahan variabel memenuhi

2x − a − b 1
t= ⇔ x = [(b − a)t + a + b] (8.14)
b−a 2

Berikut adalah table polinomial Legendre untuk penyelesaian Gaussian quadrature

Tabel 8.1: Polinomial Legendre untuk n=2,3,4 dan 5


n Akar rn,i Koefisien cn,i
2 0,5773502692 1,0000000000
-0,5773502692 1,0000000000
3 0,7745966692 0,5555555556
0,0000000000 0,8888888889
-0,7745966692 0,5555555556
4 0,8611363116 0,3478548451
0,3399810436 0,6521451549
-0,3399810436 0,6521451549
-0,8611363116 0,3478548451
5 0,9061798459 0,2369268850
0,5384693101 0,4786286705
0,0000000000 0,5688888889
-0,5384693101 0,4786286705
-0,9061798459 0,2369268850

8.5.1 Contoh

Selesaikan integrasi berikut ini


Z 1,5
2
e−x dx (8.15)
1

(Solusi exact integral diatas adalah: 0.1093643)


jawab:
Pertama, integral tersebut ditransformasikan kedalam Gaussian quadrature melalui persamaan
(8.13)
1,5 1
1 −(t+5)2
Z Z
−x2
e dx = e 16 dt (8.16)
1 4 −1

Kedua, Gaussian quadrature dihitung menggunakan konstanta-konstanta yang tercantum pa-


da tabel polinomial Legendre. Untuk n = 2

1,5
1 h (−(0,5773502692+5)2 /16)
Z i
2 2
e−x dx ≈ e + e(−(−0,5773502692+5) /16) = 0, 1094003
1 4
8.5. GAUSSIAN QUADRATURE 157

Untuk n = 3
1,5
1
Z
2 2 2
e−x dx ≈ [(0, 5555555556)e(−(0,7745966692+5) /16) + (0, 8888888889)e(−(5) /16)
1 4
2 /16)
+ (0, 5555555556)e(−(−0,7745966692+5) ] = 0, 1093642

8.5.2 Latihan

Selesaikan integrasi berikut ini


0,35
2
Z
dx
0 x2 −4
Selesaikan integrasi berikut ini
3,5
x
Z
√ dx
3 x2−4
158 BAB 8. INTEGRAL NUMERIK

Latihan

1. Hitunglah integral-integral berikut ini dengan metode Composite Simpson!


Z 2
a. x ln xdx, n=4
1
2
2
Z
b. dx, n=6
0 x2 +4
3
x
Z
c. 2
dx, n=8
1 x +4
Z 2
d. x3 ex dx, n=4
−2
Z 3π/8
e. tan xdx, n=8
0
5
1
Z
f. √ dx, n=8
3 x2 − 4

2. Tentukan nilai n dan h untuk mengevaluasi


Z 2
e2x sin 3xdx
0

dengan metode Composite Simpson, bila error yang ditolerir harus lebih kecil dari 10−4 .

3. Dalam durasi 84 detik, kecepatan sebuah mobil balap formula 1 yang sedang melaju di arena
grandprix dicatat dalam selang interval 6 detik:

time(dt) 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84
speed(f t/dt) 124 134 148 156 147 133 121 109 99 85 78 89 104 116 123

Gunakan metode integral numerik untuk menghitung panjang lintasan yang telah dilalui mo-
bil tersebut selama pencatatan waktu di atas!
Bab 9

Mencari Akar

✍ Objektif :
⊲ Mencari akar

9.1 Metode Newton

Metode Newton sangat populer dan powerfull untuk mencari akar suatu fungsi yang kontinyu.
Ada banyak jalan untuk memperkenalkan metode ini. Salah satunya bisa didahului mulai dari
deret Taylor atau polinomial Taylor. Suatu fungsi yang kontinyu dapat dinyatakan dalam deret
Taylor sebagai berikut

(x − x̄)2 ′′
f (x) = f (x̄) + (x − x̄)f ′ (x̄) + f (ξ(x))
2

(p − x̄)2 ′′
0 = f (x̄) + (p − x̄)f ′ (x̄) + f (ξ(p))
2

0 = f (x̄) + (p − x̄)f ′ (x̄)

f (x)
p − x̄ = −
f ′ (x̄)

f (x)
p ≈ x̄ −
f ′ (x̄)

f (pn−1 )
pn = pn−1 − , n≥1
f ′ (pn−1 )

159
Gambar 9.1: Metode Newton
Bab 10

Metode Monte Carlo

✍ Objektif :
⊲ Mengenalkan metode Monte Carlo

10.1 Penyederhanaan

Kita awali pembahasan metode Monte Carlo dengan mengetengahkan contoh yang sangat
terkenal yaitu menghitung luas suatu lingkaran. Fugure 1 memperlihatkan lingkaran den-
gan radius r = 1 berada di dalam kotak bujursangkar. Luas lingkaran adalah πr2 = π(1)2 = π
sementara luas bujursangkar adalah (2)2 = 4. Rasio antara luas lingkaran dan luas bola adalah

luas lingkaran π
ρ= = = 0, 7853981633974483 (10.1)
luas bujursangkar 4

Gambar 10.1: Lingkaran dan bujursangkar

161
162 BAB 10. METODE MONTE CARLO

Jadi, dengan mengetahui nilai ρ, maka kita bisa menghitung luas lingkaran dengan cara

luas lingkaran = ρ × luas bujursangkar (10.2)

Bayangkan anda punya satu set permainan dart. Anda lemparkan sejumlah dart ke arah
lingkaran tadi. Misalnya, total dart yang menancap di papan dart ada 1024 buah. Sebanyak
812 dart berada di dalam lingkaran, dan yang lainnya di luar lingkaran. Rasio antara keduanya

dart di dalam lingkaran 812


ρ= = = 0, 79296875 (10.3)
total dart di dalam bujursangkar 1024

Gambar 10.2: Dart yang menancap pada bidang lingkaran dan bujursangkar

Dengan pendekatan ke persamaan (10.2) maka luas lingkaran adalah

luas lingkaran = ρ × luas bujursangkar


= 0, 79296875 × 4
= 3, 171875

Apakah angka ini make sense ? Mungkin anda masih ragu. Sekarang mari kita coba hitung ni-
lai π dengan mengacu pada rumus di atas. Kita sepakati saja bahwa dart yang berada di dalam
lingkaran mesti memenuhi x2i + yi2 ≤ 1. Dalam perhitungan, semua dart diganti dengan bi-
langan acak (random number ). Dari 1000 dart, yang masuk lingkaran ada 787 buah, sehingga,
mengacu persamaan (10.3)
787
ρ= = 0, 787
1000

maka berdasarkan persamaan (10.1)

π = ρ × 4 = 0, 787 × 4 = 3, 148
10.1. PENYEDERHANAAN 163

Gambar 10.3: Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar

Lumayan akurat bukan? Semakin banyak jumlah dart, semakin akurat nilai π yang anda per-
oleh.
Sekarang mari kita kembangkan metode Monte Carlo ini untuk menghitung luas suatu area
yang terletak di bawah garis kurva suatu fungsi f (x). Atau sebut saja menghitung integral
suatu fungsi f (x) yang dievaluasi antara batas a dan b. Luas kotak R yang melingkupi luas
bidang integral A adalah

R = {(x, y) : a ≤ x ≤ b dan 0 ≤ y ≤ d} (10.4)

dimana
d = maksimum f (x) , a≤x≤b (10.5)
Bab 11

Inversi

✍ Objektif :
⊲ Mengenalkan inversi linear
⊲ Mengenalkan inversi non-linear

11.1 Inversi Linear

Diketahui data eksperimen tersaji dalam tabel berikut ini

xi yi xi yi
1 1,3 6 8,8
2 3,5 7 10,1
3 4,2 8 12,5
4 5,0 9 13,0
5 7,0 10 15,6

Lalu data tersebut di-plot dalam sumbu x dan y. Sekilas, kita bisa melihat bahwa data yang

16

14

12

10

Y 8

0
1 2 3 4 5 6 7 8 9 10
X

telah di-plot tersebut dapat didekati dengan sebuah persamaan garis, yaitu a1 xi + a0 . Artinya,

165
166 BAB 11. INVERSI

kita melakukan pendekatan secara linear, dimana fungsi pendekatan-nya adalah

P (xi ) = a1 xi + a0 (11.1)

Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa, sehingga posisi
garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas?
Dengan kata lain, sebisa mungkin yi sama dengan P (xi ) atau dapat diformulasikan sebagai

m
X
yi − P (xi ) = 0 (11.2)
i=1
m
X
yi − (a1 xi + a0 ) = 0 (11.3)
i=1

dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu

m
X
E(a0 , a1 ) = yi − (a1 xi + a0 ) (11.4)
i=1

Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Ja-
di, tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. Namun
demikian, kita masih bisa berharap agar fungsi error menghasilkan suatu nilai, dimana nilai
tersebut adalah nilai yang paling minimum atau paling mendekati nol. Harapan tersebut di-
wujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga
menjadi

m
X
E(a0 , a1 ) = [yi − (a1 xi + a0 )]2 (11.5)
i=1

Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:

∂E(a0 , a1 )
=0 (11.6)
∂ai

dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a0 dan a1 . Maka mesti ada dua
buah turunan yaitu:

m
∂E(a0 , a1 ) ∂ X
= [yi − (a1 xi + a0 )]2 = 0
∂a0 ∂a0
i=1
m
X
2 (yi − a1 xi − a0 )(−1) = 0
i=1
m
X m
X
a0 .m + a1 xi = yi (11.7)
i=1 i=1
11.1. INVERSI LINEAR 167

dan
m
∂E(a0 , a1 ) ∂ X
= [yi − (a1 xi + a0 )]2 = 0
∂a1 ∂a1
i=1
m
X
2 (yi − a1 xi − a0 )(−xi ) = 0
i=1
m
X m
X m
X
a0 xi + a1 x2i = xi yi (11.8)
i=1 i=1 i=1

Akhirnya persamaan (11.7) dan (11.8) dapat dicari solusinya berikut ini:
Pm 2
Pm Pm Pm
i=1 xi i=1 yi − i=1 xi yi i=1 xi
a0 = Pm 2  Pm 2 (11.9)
m i=1 xi − ( i=1 xi )

dan Pm Pm Pm
m i=1 xi yi − i=1 xi yi
a1 = Pm 2  Pm i=12 (11.10)
m i=1 xi − ( i=1 xi )

Coba anda bandingkan kedua hasil di atas dengan rumus least square yang terdapat pada
buku Praktikum Fisika Dasar keluaran Departemen Fisika-UI. Mudah-mudahan sama per-
sis. OK, berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka
didapat:
385(81) − 55(572, 4)
a0 = = −0, 360 (11.11)
10(385) − (55)2
dan
10(572, 4) − 55(81)
a1 = = 1, 538 (11.12)
10(385) − (55)2
Jadi, fungsi pendekatan-nya, P (xi ), adalah

P (xi ) = 1, 538xi − 0, 360 (11.13)

Solusi least square dengan pendekatan persamaan garis seperti ini juga dikenal dengan nama
lain yaitu regresi linear. Sedangkan nilai a0 dan a1 disebut koefisien regresi. Gambar di
bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya

Tentu saja anda sudah bisa menduga bahwa selain regresi linear, mungkin saja terdapat regresi
parabola atau quadratik dimana fungsi pendekatannya berupa persamaan parabola, yaitu:

P (xi ) = a2 x2i + a1 xi + a0 (11.14)

dimana koefisien regresinya ada tiga yaitu a0 , a1 dan a2 . Kalau anda menduga demikian, maka
dugaan anda benar! Bahkan sebenarnya tidak terbatas sampai disitu. Secara umum, fungsi
pendekatan, P (xi ), bisa dinyatakan dalam aljabar polinomial berikut ini:

P (xi ) = an xni + an−1 xin−1 + ... + a2 x2i + a1 xi + a0 (11.15)


168 BAB 11. INVERSI

16

P(x) = 1.538*x − 0.36


14

12

10

−2
0 2 4 6 8 10

Namun untuk saat ini, saya tidak ingin memperluas pembahasan hingga regresi parabola, dan
polinomial. Saya masih ingin melibatkan peranan metode eliminasi gauss dalam menyele-
saikan problem least square seperti yang selalu saya singgung pada catatan-catatan kuliah
saya yang terdahulu. Nah, kalau metode eliminasi gauss hendak digunakan untuk mencari
solusi regresi linear, kita bisa mulai dari persamaan (11.7) dan (11.8), yaitu:

m
X m
X
a0 .m + a1 xi = yi
i=1 i=1
m
X Xm Xm
a0 xi + a1 x2i = xi yi
i=1 i=1 i=1

Keduanya bisa dinyatakan dalam operasi matrik:


" Pm #" # " P #
m
m i=1 xi a0 yi
Pm Pm 2
= Pmi=1 (11.16)
i=1 xi i=1 xi a1 i=1 xi yi

Kalau anda mengikuti catatan-catatan terdahulu, pasti anda tidak asing lagi dengan dengan
semua elemen-elemen matrik di atas. Semua sudah saya ulas pada catatan yang berjudul Ap-
likasi Elimininasi Gauss: Model Garis. Silakan anda lanjutkan perhitungan matrik tersebut
hingga diperoleh koefisien regresi a0 dan a1 . Selamat mencoba!

11.2 Inversi Non-Linear

Persamaan least squares linear adalah sebagai berikut:

[Gt G]δm = Gt δd (11.17)

Persamaan least squares non-linear dapat dinyatakan sebagai berikut:

[Gt G + λI]δm = Gt δd (11.18)


11.2. INVERSI NON-LINEAR 169

dimana G adalah matrik kernel, namun dia juga biasa dikenal dengan sebutan matrik Ja-
cobian, sementara λ adalah faktor pengali Lagrange, dan I adalah matrik identitas yang or-
denya disesuaikan dengan Gt G. Adapun definisi δm dan δd akan dijelaskan pada bagian
akhir catatan ini.
Langkah-langkah untuk menyelesaikan problem least squares non-linear adalah:

1. Menentukan model, misal f (x) = xm

2. Menghitung jacobian, G. Caranya adalah menghitung turunan pertama dari model ter-
hadap model-parameter, m. Sesuai permisalan pada point 1, didapat

∂f (m)
A= = xm ln(x) (11.19)
∂m

3. Membuat perhitungan simulasi, misalnya ditentukan m = 2. Nilai m adalah nilai yang


hendak dicari. Dalam simulasi, nilai m dianggap sudah diketahui bahkan ditentukan.
Lalu hitunglah f (x) = xm dengan x bergerak dari x = 1, 2, 3.., 10. Jadi, nanti akan didapat
10 buah f (x). Mau lebih dari 10 juga boleh, terserah saja. Hasil hitungannya dikasih
nama d, jadi d = f (x). Karena dalam simulasi ini x-nya bergerak hanya sampai 10, maka
hasilnya mesti ada 10 d, yaitu d1 , d2 , .., d10 .

4. Buatlah perhitungan untuk m sembarang, misal mula-mula dipilih m = 5. Ini adalah ni-
lai awal dari m yang akan diiterasikan sedemikian rupa hingga nantinya m akan menuju
2 sesuai dengan nilai m pada simulasi (point 3). Bagusnya dibedakan penulisannya, atau
tulis saja m0 = 5, dimana m0 maksudnya adalah m mula-mula. Lalu hitung lagi nilai
0
f (x) = xm . Sekarang dinamakan dc = f (x). Jangan lupa bahwa saat perhitungan, nilai
x bergerak dari 1 sampai 10. Jadi, nanti didapat 10 dc .

5. Hitunglah δd, dimana δd = dc − d. Sebelumnya sudah dinyatakan bahwa dc ada 10 buah,


demikian juga d ada 10 buah, maka δd harus ada 10 buah juga.

6. Selanjutnya hitung ||δd|| yang rumusnya seperti ini

1 1
||δd|| = Σ(dc − d)2 = Σδd2 (11.20)
N N

dimana N = 10 karena δd-nya ada 10. Rumus ini tidak mutlak harus demikian, anda bisa
juga menggunakan norm 2, ℓ2 .

7. Tentukan nilai epsilon, ǫ, misal ǫ = 0.000001. Lalu lakukan evaluasi sederhana. Cek,
apakah ||δd|| < ǫ ? Pasti awalnya ||δd|| > ǫ, kenapa? Karena m 6= m0 . Kalau begini
situasinya, δd yang ada 10 biji itu dimasukan kedalam proses berikutnya.

8. Hitunglah operasi matriks berikut ini untuk mendapatkan δm

[Gt G + λI]δm = Gt δd (11.21)


170 BAB 11. INVERSI

dengan λ-nya dikasih nilai sembarang antara 0 dan 1, misalnya λ = 0.005. Perhitungan
ini bisa diselesaikan dengan metode eliminasi gauss.

9. Ganti nilai m0 menjadi m1 sesuai dengan rumus

m1 = m0 + δm (11.22)

Nah, m1 ini dimasukan ke proses yang dijelaskan pada point 4 kemudian proses diu-
langi hingga point 9, begitu seterusnya. Dari sinilah dimulai proses iterasi. Iterasi akan
berhenti bila ||δd|| < ǫ. Pada saat itu, nilai mk akan mendekati m = 2 sesuai dengan m
simulasi.

Selamat mencoba! Saya juga telah menulis beberapa persamaan non-linear sebagai bahan
latihan. Lihat saja di Latihan 1. Tapi tolong diperiksa lagi, apakah jacobiannya sudah be-
nar atau ada kekeliruan. Selanjutnya, kalau ada pertanyaan atau komentar, silakan kirim ke
supri92@gmail.com
Daftar Pustaka

[1] Burden, R.L. and Faires, J.D., (2001), Numerical Analysis, Seventh Edition, Brooks/Cole,
Thomson Learning Academic Resource Center.

[2] Haliday and Resnick, (2001), Fundamental of Physics, Brooks/Cole, Thomson Learning Aca-
demic Resource Center.

171
Indeks

Positive-definite, 5

Transpose, 3
Tridiagonal, 5

Vektor-baris, 6
Vektor-kolom, 6

173