A.

PENDAHULUAN

Analisis Numerik merupakan suatu studi yang membahas tentang

Sistem persamaan linear merupakan sekumpulan persamaan linear yang terdiri dari
beberapa variabel. Dengan diketahuinya suatu sistem persamaan linear, kita dapat
menentukan solusi nilai variabel yang ingin diketahui. Dalam hal ini, sistem
persamaan linear

B. TINJAUAN PUSTAKA
1. Sistem Persamaan Linear

Dalam matematika, persamaan sistem linear merupakan kumpulan persamaan-

persamaan linear yang memiliki variabel yang sama. Contoh sistem persamaan linear
dengan dua valiabel adalah sebagai berikut

ax + by = c
dx+ey = f

koefesien-koefisien a, b, c, d, e, dan f adalah koefisien yang diberikan sehingga kita

dapat menemukan nilai variabel x, y yang tidak diketahui. Misalkan n adalah sebuah
bilangan bulat positif. Bentuk umum untuk sistem dari n persamaan linear pada n
komponen yang tidak diketahui yaitu x1, x2, …, xn adalah

a11x1+a12x2+a13x3+ … + a1nxn = b1
a21x1+a22x2+a23x3+ … + a2nxn = b2
⋮
an1x1+an2x2+an3x3+ … + annxn = bn (1)

koefisien-koefsien disimbolkan dengan aij dengan i jumlah persamaan dan j jumlah

komponen tidak diketahui yang terkait. Dalam hal ini, b1, …, bn adalah angka-angka
yang diberikan dan yang akan dihitung adalah nilai variabel x 1, x2, …, xn. Sistem
linear tersebut dikatakan memiliki ordo n.

Contoh

Misalkan n = 3, berikut adalah sistem linearnya

x1 + 2x2 + 3x3 =1

2x1 + 2x2 + 3x3 =1

3x1 + 3x2 + 3x3 =1 (4)

Dan solusi-solusinya adalah

1
x1 = x2 = 0, x3 =
3

persamaan sistem linear (1) secara lengkap ditentukan dengan mengetahui koefisien
aij dan bi. koefisien-koefisien ini diatur sebagai elemen-elemen dari sebuah matrix:

Kita nyatakan aij adalah elemen (i, j) elemen atau entri dari matrix A. Sama halnya, bi
diatur dalam bentuk vector

[]
b1
b2
b= (6)
b3
b4

huruf a dan b adalah nama-nama yang diberikan untuk matrix dan vector.

Angka-angka A dan b adalah nama untuk matriks dan vector. Indeks aij sekarang
memberi sejumlah baris dan kolom dari A yang mengandung aij. Solusi x1, …, xn
ditulis demikian

[]
x1
x2
x= (7)
x3
x4

contoh 2

untuk sistem linear (4)

 [ ] [] []
0
1 2 3 1
0
A= 2 2 3 B= 1 X= (8)
1
3 3 3 1
3

Pada MATLAB , matrix A bisa dibuat sebagai berikut:

A = [1 2 3; 2 2 3; 3 3 3];

A = [1, 2, 3; 2, 2, 3; 3, 3, 3];

A = [1 2 3

2 2 3

3 3 3];

Dan koma bisa digunakan pada kasus terakhir untuk mengganti spasi sebagai
pembatas. Vector b dibuat dengan

B = ones(3,1);

Lebih umumnya, untuk sistem (1) untuk (2), kita membuat matriks sebagai berikut

A = zeros(n,n);

For i = 1:n

A (I,1:i)= i;

A(I, i+1:n) = o+1:n;

end

dan mengatur vector b dengan

b = ones(n,1);

dengan notasi dinyatakan pada (5), (6), dan (7) sistem linear 1 kemudian ditulis pada
sebuah bentuk

Ax = b (9)
Seorang pembaca dengan beberapa pengetahuan aljabar linear akan langsung
mengakui bahwa sisi kiri (9) adalah matriks A dikali dengan vector x, dan (9)
menyatakan kesetimbangan antara dua vector Ax dan b. sistem (9) terdiri atas n
hubungan, untuk i= 1, …,n hubungan ke I adalah dengan tepat adalah persamaan ke I
pada sistem (1)

6.2 Matrix Arithmatika

[ ]
b 11 … b1 n
B= ⋮ ⋱ ⋮ (9)
bm 1 … b mn

Itu dinyatakan memiliki order m×n jika m adalah sejumlah baris dan n adalah
sejumlah kolom.

Transpose dari matrix umum pada (9) adalah

[ ]
b 11 … b m 1
B = ⋮ ⋱
T
⋮ (10)
b1 n … bmn

Yang didapatkan dari perubahan baris-baris dan kolom-kolom dari B. order dari BT
adalah n×m.

Operasi-operasi Aritmatika

Ada tiga operasi dasar aritmatika berhubungan dengan matriks. Operasi aritmatika
pertama adalah perkalian dari matriks. Misalkan B adalah matriks m×n diberikan
pada (10) san misalkan a adalah sembarang bilangan real. Maka aB adalah matriks
dari order m×n didefinisikan dengan

[ ]
ab11 … ab 1n
aB = ⋮ ⋱ ⋮
b m 1 … bmn

setiap elemen dari B dikalikan dengan a untuk mendapatkan elemen seimbang pada
Ab. Dengan a = -1
 [ ]
−b11 … −b1 n
(-1) B = ⋮ ⋱ ⋮
−bm 1 … −bmn

Matriks baru disebut negative dari B dan dinyatakan dengan –B, yaitu

-1B = (-1) B

Operasi aritmatika yang kedua adalah penjumlahan matriks dengan order yang sama.
Misalkan A dan B adalah matriks order m×n. Maka A+B adalah matriks baru dari
order m×n yang didefinisikan dengan

[ ]
a11 +b11 … a1 n +b1 n
A+B = ⋮ ⋱ ⋮
am 1 +b m 1 … amn +bmn

Elemen (I,j) dari A+B adalah aij + bij. Untuk matriks tambahan, ada sebuah matriks
nol. Definisikan matriks nol dari order m×n memiliki entri –entri nol. Itu dinyatakan
dengan 0m×n atau lebih umumnya 0. Itu memiliki sifat yaitu

A+0 = 0+A = A

Untuk beberapa matriks A.

Kita bisa mendefiniskan pengurangan matriks –matriks yang memiliki order yang
sama yaitu:

A-B = A+ (-B)

Untuk beberapa matriks A, kita mempunyai

A-A= A+(-A)=0

Operasi aritmatika ketiga, matriks perkalian . misalkan A memiliki order m×n dan B
memiliki order n×p. maka C = AB, hasil dari A dan B, matriks order m×p, dan
elemen-elemen umumnya cij yang didefinikan dengan
n
cij = ∑ aik b kj, 1 ≤ i ≤ m, 1 ≤ j ≤ p (11)
k =1

ini adalah jumlah dari produk elemen yang sesuai dari baris i pada A dan kolom j dari
B. Jika A dan B adalh matriks persegi, maka AB adalah matriks persegi yang
memiliki order yang sama.
Definisi dari perkalian matriks diasosiakaikan dengan komposisi dari fungsi linear.
Fungsi linear memetakan vector dengar order n ke vector dengan order m.

[ ] []
a11 x1 +…+ a1 n x n x1
f(x) = ⋮ untuk x = ⋮
am 1 x1 +…+ amn xn xn

bisa diekspresikan sebagai produk dari matrix dan vector

f(x) = Ax

dengan

[ ]
a11 ⋯ a1 n
A= ⋮ ⋱ ⋮
am 1 … a mn

Misalkan fungsi linear f dan g didefinisikan dengan

[]
x1
f(x) = Ax untuk x = ⋮
xn

[]
y1
g(y) = Bx untuk y = ⋮
yn

6.2.2 Operasi-operasi Baris Dasar

Terdapat tiga operasi baris dasar pada matriks persegi panjang umum, yaitu:

(i) Perpindahan dari dua baris

(ii) Perkalian dari baris dengan scalar tidak nol
(iii) Penjumlahan dari perkalian tidak nol dari satu baris ke baris yang lainnya

Misalkan matriks persegi Panjang yaitu

 [ ]
3 3 31
A= 2 2 3 1
1 2 31

Kita menambahkan baris ke 2 dikali (-1), dan maka tambahkan baris 3 dikali (-1) ke
baris 2 untuk memperoleh matix:

[ ]
1 1 00
1 0 00
1 2 31

Tambahkan baris 2 dikali (-1) pada baris 1 dan pada baris 3 seperti

[ ]
0 1 00
1 0 00
0 2 31

Tambahkan baris 1 dikali (-2) pada baris 3:

[ ]
0 1 00
1 0 00
0 0 31

Pindahkan baris 1 dan baris 2

[ ]
1 0 00
0 1 00
0 0 31

1
Terakhir, kita kalikan baris 3 dengan
3

[ ]
1 0 0 0
0 1 0 0
0 0 1 1/3

Ini adalah matriks yang diperoleh dari matriks A melalui operasi-operasi baris dasar.

6.2.3 Invers Matrix

Sifat terpenting dari matriks identitas adalah

AIn = A
Im A = A

Dimana A memiliki order m × n.

Atau jika ditulis :

AI =IA = A

Misalkan A adalah matriks persegi. Jika ada matriks B persegi sedemikian sehingga

AB = I, BA = I

Maka B disebut invers dari A

Contoh :

[ ]
3 −1 1

[ ]
4 2 4
2 1 0
−1 −1
a) A = 1 2 1 , A-1 = 1
2 2
0 1 2
1 −1 3
4 2 4
b) Misalkan

A= [ ]
a b
c d

Maka, A-1 =
1
[
d −b
ad−bc −c a ]
, dengan ad – bc ≠ 0

Teorema 6.2.6 Misalkan A adalah sebuah matriks persegi. Maka A memiliki

sebuah invers jika dan hanya jika det A ≠ 0

6.2.4 Aturan-aturan Matriks Aljabar

Misal A dan B adalah matriks persegi Panjang dengan order yang sama:

(A+ B) + C = A + (B+C)
(AB)C = A(BC)
A+B = B+A
A(B+C) = AB+AC
 (A+B)C = AC+BC
(AB)T = BTAT
(A+B)T = AT + BT
1
(cA)T = A-1, c = konstanta tidak nol
C
(AB) = B-1 A-1
-1

det (AB) = det (A) det (B)

det (AT) = det (A)
det (cA) = cn det (A), order (A) = n, c= konstanta

Teori Penyelesaian dari Sistem Linear

Misalkan sistem linear, Ax = b, dimana A adalah matriks persegi dari order n. Pada
teori penyelesaian dari sistem linear, sebuah peran penting dari sistem yang khusus
dimana dengan bi = 0. Dengan definisi dari b, sistem ini disebut homogeneous, semua
sitem lainnya disebut nonhomogenous.

Teorema 6.2.10 misalkan n adalah sebuah bilangan bulat positif, dan misalkan A
adalah matriks persegi dengan order n. maka dibawah ini adalah pernyataan-
pernyataan equivalent tentang sistem linear

S1. Untuk setiap sisi kanan b, sistem Ax = b memiliki tepat satu solusi x.

S2. Untuk setiap sisi kanan b, sistem Ax = b memiliki setidaknya satu solusi x.

S3. Bentuk homogen dari Ax = b memiliki secara tepat satu solusi

X1 = x2 =x3= … = xn =0

S4. Det (A) ≠ 0.

6.3 Eliminasi Gauss

Pertama, menyelesaikan sistem persamaan linear dari order 3. Misalkan terdapat

sistem :

X1 +2x2+x3=0 E(1)

2x1+2s2+3x3=3 E(2)
-x1-3x2 =2 E(3)

Langkah 1 Eliminasi x1 dari E(2) dan E(3). Kurangkan 2 dikali E(1) dari E(2); dan
kurangkan (-1) dikali E(1) dari E(3).

X1+2x2+x3=0 E(1)

-2X2 + X3 = 3 E (2)

-x2+x3 = 2 E(3)

1
Langkah 2 Eliminasikan x2 dari E(3). Kurangkan dikali E(2) dari E(3).
2

X1+2x2+x3 = 0 E(1)

-2x2+x3 = 3 E(2)

1 1
x3 = E(3)
2 2

Langkah 3 pada berturut-turut, selesaikan x3, x2, dan x1.

X3 = 1

-2x2 + 1 = 3

X2 = -1

X1+ 2(-1) +1 = 0

X1 = 1

Langkah-langkah eliminasi dapat dikerjakan dengan notasi matriks dan operasi-

opersinya.

[ ]
1 2 10
[A | b] = 2 2 33
−1 −3 0 2

Untuk mengeliminsi x1 dari E(2) dan E(3), kita kalikan baris 1 dengan (-2) dan
tambahkan itu pada baris 2, lalu jumlahkan baris 1 ke bari 3, diperoleh
[ ]
1 2 10
0 −2 1 3
0 −1 1 2

Lalu, untuk mengeliminasi x2 dari E(3), baris 2 dikalikan (-1/2) dan dijumlahkan
bada baris3.

[ ]
1 2 1 0
0 −2 1 3
0 0 1/2 1 /2

Dapat dinyatakan dengan

[ ][ ] [ ]
1 2 1 x1 0
0 −2 1 x2 = x2
0 0 1/2 x3 x3

Untuk melihat struktur formal dari Eliminasi Gauss, kita dapat melihat pada kasus
n=3, tapi dengan koefisien-koefisien umum. Sistem ini dapat diselesaikan :

a11x1+a12x2+a13x3=b1 E(1)

a21x1+a22x2+a23x3=b2 E(2)

a31x1+a32x2+a33x3=b3 E(3)

langkah 1 Eliminasi x1 dari E(2) dan E(3). Untuk menyederhanakannya, asumsikan

a11≠0, asumsi ini akan dihilangkan pada bagian selanjutnya. Definisikan

a21 a31
m21 = m31 =
a11 a11

kurangkan m21 dikali E(1) dari E(2), dan kurangkan m31 dikali E(1) dari E(3). Ini
berubag menjadi sistem yang equivalen:

a11x1+a12x2+a13x3=b1 E(1)

a22(2) x2+a23(2) x3=b2(2) E(2)

a32(2) x2+a33(2) x3=b3(2) E(3)

koefisien aij(2) didefinisikan dengan

aij(2) = aij – mi1a1j, i,j = 2,3

bi(2) = bi – mi1a1j, i = 2,3

Langkah 2 Eliminasikan x2 dari E(3). Asumsikan lagi dengan singkat bahwa a22(2) ≠
0. Definisikan:
(2)
a21
M32 =
a22(2)

Kurangkan m32 dikali E(2) dari E(3). Ini menghasilkan

a11x1+a12x2+a13x3=b1 E(1)

a22(2) x2+a23(2) x3=b2(2) E(2)

a33(3) x3=b3(3) E(3)

koefisien-koefisien baru didefinisikan dengan

a33(3) = a33(2) – m32a23

b3(3) = b3(2)– m32ab2(2)

langkah 3. Gunakan kembali substitusi untuk mendapatkan nilai x3, x2, x1.

b3
X3 =
a 33

b3−a 23 x 3
X2 =
a22

b3−a 23 x 3−a13 x 3
X1 =
a11

Ini adalah algoritma untuk n=3.

a111x1+ … + a1nxn =b1(1) E(1)

an11x1+ … + annxn =bn(1) E(n)

untuk k = 1, 2, …, n-1, dikerjakan dengan langkah eliminasi berikut.

Langkah k eliminasi xk dari E(k+1) melalui E(n). hasil dari langkah-langkah

sebelumnya 1, …, k-1 akan menghasilkan sebuah sistem dari bentuk

A11(1)x1 +a12(1)x2+ … + a1n(1)xn = b1(1) E(1)

A22(1)x2 + … + a2n(2)xn = b2(2) E(2)

Akk(1)xk + … + akn(k)xn = bk(k) E(k)

Ank(1)xk + … + ann(k)xn = bk(k) E(k)

Asumsikan akk(k) ≠ 0, dan definisikan multipliers

❑
Mik = ❑ , I = k+1, …, n

Untuk persamaan I = k+1, …, n, dikurang mik dikali E(k) dari E(i), eliminasi sk dari
E(i). koefisien baru dan angka-angka sebelah kanan pada E(k+1) melalui E(n)
didefinisikan dengan

Aij(k+1) = aij(k) – mikakj(k), i,j =k+1, …,n

bi(k+1) = bi(k) – mikak(k),i,j =k+1, …,n

ketika langkah n-1 dilengkapi, sistem linear akan nbentuk upper triangular. Kita akan
menyatakannya dengan

u11x1+…+u1nxn = g1

Unnxn =gn

Koefisien-koefisien ini berhubungan dengan sebelumnya

Uij = aij(i), gi =bi(i)

Langkah n selesaikan sistem tersebut menggunakan substitusi. Selesaikan secara

berturut-turut untuk xn, xn-1, …,x1

gn
Xn =
unn
n
g i− ∑ uij x j
Xi = j =i +1 , I = n-1, …,1
uii

Ini melengkapi definisi dari eliminasi Gauss.

Catat bahwa setiap langkah dari prosedur eliminasi dapat diselesaikan melalui operasi
dari matriks yang ditambah
 [ A∨b ]
Contoh :

Selesaikan sistem

4x1 + 3x2+2x3+x4 = 1

3x1 + 4x2+3x3+2x4 = 1

4x1 + 3x2+2x3+x4 = -1

x1 + 2x2+3x3+4x4 = -1

pertama, kita mengatur matriks yang ditambajan dan memberikan hasil dari langkah
1, 2, 3 dari eliminasi Gauss untuk sistem ini

[ ]
4 3 2 1 1
3 4 3 2 1
2 3 4 3 −1
1 2 3 4 −1

[ ]
4 2 2 1 1

[ ]
4 2 2 1 1 7 3 3 1
0
3 4 3 2 1 4 2 2 4
2 3 4 3 −1 3 3 5 −3
0
1 2 3 4 −1 4 2 2 2
0
2 3 4 −1

[ ]
4 2 2 1 1
0 7/2 3/2 5/ 4 1/4
0 3 /4 3 5/2 −1
1 2 3 4 −1

[ ]
4 3 2 1 1
7 3 5 1
0
4 2 4 4
3 5 3
0 3 −
2 2 2
5 5 15 5
0 −
4 2 4 4

[ ]
4 3 2 1 1
7 3 5 1
0
4 2 4 4
12 10 12
0 0 −
7 7 2
10 20 10
0 0 −
7 7 7
[ ]
4 3 2 1 1
7 3 5 1
0
4 2 4 4
12 10 12
0 0 −
7 7 2
5
0 0 0 0
3

Menggunakan substitusi untuk menghasilkan solusi dari x4, x3, x2, x1, kita peroleh
solusi

X1 = 0, x2 = 1, x3 = -1, x4 = 0

Partial Pivoting

Kita dapat mengubah posisi dua baris ketika dipenuhi kondisi-kondisi seperti berikut.

Contoh

6x1+2x2+2x3=-2

2 1
2x3+ x2+ x3 = 1
3 3

X1+2x2-x3=0

Sistem ini memiliki solusi

X1=2.6 x2=-3.8 x3=-5.0

[ ]
6.000 2.000 2.000 −2.000
2.000 0.667 0.333 1.000
1.000 2.000 −1.000 0.0

[ ]
6.000 2.000 2 .000 −2 .000
0.0 0.0001000 −0. 3333 1.667
0.0 1.667 −1.333 0.3334

[ ]
6.000 2.000 2.000 −2.000
0.0 0.0001000 −0.3333 1.667
0.0 0.0 5555 −2.7790
Menggunakan substitusi, kita peroleh perkiraasn solusi
X1=2.602 x2=-3.801 x3=-5.003

Kesulitan dari proses eliminasi ini adalah, elemen pada baris 2, kolom 2 haruslah 0,
tapi kesalahan pembulatan mencegahnya. Ini berarti koefisien pada posisi (2,2) ini
pada dasarnya memiliki kesalahan relative yang tak terbatas, dan ini dikerjakan
melalui komputasi yang melibatkan koefisien-koefisien ini. Untuk menghindari hal
ini, ubah posisi baris ke 2 dan ke 3, dan kemudian lanjutkan eliminasinya. Berikut
adalah matriks yang dimaksud:

[ ]
6.000 2. 000 2.000 −2.000
0.0 1. 667 −1.333 0.3334
0.0 0.0 −0.3332 −1.667
Dan pengali akhirnya adalah m32 = 0.00005999. dengan substitusi-substitusi, kita
kemudai peroleh perkiraan solusi

X1 = 2.602 x2 = -3.801 x3=-5.003

Ini mirip dengan solusi yang sebenarnya.

Untuk menghindari masalah yang disajikan oleh contoh di atas, kita gunakan strategi
berikut.
max
C= k ≤i ≤ n|akk|

Ini adalah ukuran maksimum dari elemen-elemen pada kolom k dari matriks
koefisien dari langkah k, dimulai dari baris k dan ke bawah. Jika elemen |akk(k)|< c,
maka tukar E(k) dengan satu persamaan berikut, untuk memperoleh sebuah
persamaan E(k) diman |akk(k)|=c. strategi ini membuat akk(k) jauh dari kemungkinan
0. Elemen akk(k) disebut pivot elemen untuk langkah k dari eliminasi, dan proses
yang dideskripsikan pada paragraph yang disebut partial pivoting atau lebih
sederhananya, pivoting.

Partial pivoting digunakan untuk menghindari penggunakan koefisien yang hampir

mendekati nol sebagai elemem pivot. Tapi ada alasan lain penggunaan pivot yaitu itu
dapat mengurangi efek kesalahan pembulatan. Dengan partial pivoting, multipliers
mik seperti

|mik|≤1 1≤k<i≤n

Ini akan membantu mengurangi hilangnya kesalahan, karena perkalian dengan mik
tidak akan menyebabkan angka yang jauh lebih besar.
Contoh

Gunakan empat desimel untuk menyelesaikan contoh di bawah ini

0.729x1+0.81x2+0.9x3=0.6867

X1+x2+x3= 0.8338

1.331x1+1.21x2+1.1x3=1.000

Di solusi yang tepat, dibulatkan ke empat decimal adalah

X1=0.2245 , x2= 0.2814 x3=0.3279

Solusi tanpa pivoting

[ ]
0.7290 0.8100 0.9000 0.6867
1.000 1.000 1.000 0.8338
1.331 1.210 1.100 1.000

[ ]
0.7290 0 .8100 0.9000 0 .6867
0.0 −0.1110 −0.2350 −0.1084
0.0 −0.2690 0.5430 −0.2540

[ ]
0.7290 0.8100 0.9000 0.6867
0.0 −0.1110 −0.2350 −0.1084
0.0 0.0 0.02640 −0.008700
Solusinya adalah

X1=0.2251, x2=0.2790, x3=0.3295

Solusi dengan pivoting

Untuk menunjukan pertukaran dari baris I dan j, kita akan menggunakan notasi ri↔rj.

r1 ↔ r3 ↓ m21 =0.7513 m31=0.5477

[ ]
1.331 1.210 1.100 1.000
0.0 0.09090 0.1736 0.08250
0.0 0.0 −0.01000 −0.003280
Solusinya adalah

X1=0.2246, x2=0.2812 x3=0.3280

Ini lebih dekat dengan solusi nyatanya

Perhitungan Matriks Invers

Untuk menghitung A-1, kita dapat menggunakan metode eliminasi gauss. Misalkan
matriks dengan order n=3. Misalkan X dinyatakan dengan x*1, x*2, x*3. Misalkan kolom
dari I3 dinyatakan dengan e1,e2,e3

[] [] []
1 0 0
E1= 0 e1= 1 e1= 0
0 0 1

Pernyataan ini

AX=I

Menjadi

[ ][ ][ ]
a11 a 12 a13 x11 x 12 x 13 1 0 0
a21 a 22 a23 x21 x 22 x 23 = 0 1 0
a31 a 32 a33 x31 x 32 x 33 0 0 1

Pertimbangkan hanya kolom pertama dari hasilnya. Itu adalah

[ ]
a11 x 11 a 12 x 21 a11 x 3 1
a21 x 11 a 22 x 21 a 21 x31 = Ax*1
a31 x 21 a 32 x 21 a 31 x31

Dengan sama, kolom dari AX kedua dan ketiga adalah Ax*2 dan Ax*3. Maka dapat
ditulis dengan:

AX = [Ax*1, Ax*2, Ax*3] = [e1,e2,e3]

Dengan menyesuaikan kolom yang sesuai, kita dapatkan

Ax*1 = e1, Ax*2 = e2, Ax*3 = e3

Maka, kolom X adalah solusi-solusi dari tiga kolom simultan sistem linear, semuanya
dengan matriks yang dama dari koefisien A. Eliminasi Gauss bida digunakan untuk
menyelesaikan sistem ini.

Contoh

[ ]
1 1 −1
A = 1 2 −2
−2 1 1

Eleminasi Gauss pada matriks yang ditambahkan

[ ]
1 1 −1 1 0 0
1 2 −2 0 1 0
−2 1 1 0 0 1

[ ]
1 1 −1 1 0 0
0 1 −1 −1 1 0
0 3 −1 2 0 1

[ ]
1 1 −1 1 0 0
0 1 −1 −1 1 0
0 0 2 5 −3 1
Menggunakan substitusi, kita selesaikan sistem dengan x*1 sebagai solusinya. Itu
adalah

X11+x21-x31 =1

x21-x31 =-1
2x31=5

solusi ini adalah

3 5
x11=2, x21= , x31=
2 2

kolom kedua dan ketiga didapatkan

 [ ]
2 −1 0
3 1 1
−
2 2 2
5 3 1
−
2 2 2
x= A-1 =

atau dapat juga dengan meneruskan operasinya

[ ]
1 1 −1 1 0 0
0 1 −1 −1 1 0
0 0 2 5 −3 1

[ ]
1 1 −1 1 0 0
0 1 −1 −1 1 0
5 3 1
0 0 1 −
2 2 2

[ ]
7 3 1
1 1 0 −
2 2 2
3 1 1
0 1 0 −
2 2 2
5 3 1
0 0 1 −
2 2 2

[ ]
1 0 0 2 −1 0
3 1 1
0 1 0 −
2 2 2
5 3 1
0 0 1 −
2 2 2

Maka, sistem asalnya:

AX=I

Ditransformasi menjadi
 [ ]
2 −1 0
3 1 1
−
2 2 2
5 3 1
−
2 2 2
IX =

Kesalahan dalam Menyelesaikan Sistem Linear

Pada computer dan kalkulator, eliminasi Gauss melibatkan kesalahan pembulatan

melalui operasi aritmatika, dan kesalahan ini menyebabkan kesalahan pada solusi
yang dihitung pada sistem linear yang diselesaikan. Dalam sesi ini, kita akan lihat
metode untuk memprediksi dan membenarkan kesalahan pada solusi yang dihitung.
Kita memeriksa sensitivitas dari solusi pada perubahan yang kecil seperti kesalahan
pembulatan.

Misalkan Ax=b menunjukkan sistem yang diselesaikan, dan misalkan ^x menunjukkan

solusi yang dihitung. Definisikan

r = b - A ^x

ini disebut residual pada aproksimasi dari b oleh A ^x . Jika ^x adalah solusi yang tepat,
maka r sama dengan nol. Untuk menghubungkan r ke kesalahan pada x, substitusikan
b = Ax, didapat:

r = Ax - A ^x = A(x- ^x )

misalkan e = x - ^x , kesalahan pada ^x . Maka

Ae = r

Kesalahan tersebut memenuhi sistem linear dengan koefisien matriks A yang sama
sebagai sistem asal asal Ax=b.

Pada implementasi praktis dari prosedur ini untuk menghitung error e, ada dua
kemungkinan sumber dari kesulitan. Pertama, perhitungan dari residual r akan
melibatkan hilangnya kesalahan yang signifikan. Secara umum, setiap komponen
n
Ri =bi -∑ aij ^x j
j=1

Sumber kedua dari kesulitan pada menemukan e adalah menyelesaikan Ae=r yang
akan melibatkan kesalahan pembulatan yang menunjukkan pada selasahan nilai ^x
yang dikalkulasi. Maka, kita tidak akan mendapatkan e tetapi mendapatkan perkiraan
e^ dari e.

Contoh

0.729x1+0.81x2+0.9x3=0.6867

X1+x2+x3=0.8338

1.331x1+1.21x2+1.1x3=1.000

Kita menggunakan empat digit decimal pembulatan. Solusi sebenarnya adalah

X1= 0.2245, x2 =0.2814, x3 =0.3279

Dibulatkan pada empat digit.

Untuk mengilustrasikan estimasi dari error e, kita menemukan solusi dari sistem
dengan eliminasi Gauss pivoting. Berikut adalah solusinya

r= [0.00006210, 0.0002000, 0.0003519]

e^ = [-0.0004471, 0.0002150, -0.001504]T

Bandingkan dengan kesalahan yang sebenarnya

e = x- ^x = [-0.0007, 0.0024, -0,0016]T

The Residual Correction Method

Misalkan x(0) = ^x , nilai awal yang dihitung untuk x diperoleh dengan

menggunakaneliminasi Gauss. Definisikan

R(0) = b – Ax(0)

Maka

Ae(0) = r(0), e(0) = x – x(0)

Selesaikan dengan eliminasi Gauss, kita peroleh nilai perkiaraan e^ (0) ≈ e(0), kita
definisikan peningkatan aproksimasi

X(1) = x(0) + e^ (0)

Sekarang kita ulang proses keseluruhan

r(1) = b – Ax(1)
x(2) = x(1) + e^ (1)

dimana e^ (1) adalah solusi perkiraan dari

Ae(1) = r(1), e(1) = x – x(1)

Lanjutkan proses ini hingga tidak ada penurunan dari ukuran e^ (k), k≥0 lebih lanjut.

Contoh

Gunakan 4 digit pembulatan desimal, dan gunakan eliminasi Gauss dengan pivoting.

X1+ 0.5x2+ 0.3333x3=1

0.5X1+ 0.3333x2+ 0.25x3=0

0.3333X1+ 0.25x2+ 0.2x3=0

Maka x(0) = [8.968, -35.77, 29.77]T