METODE NUMERIK

SISTEM PERSAMAAN ALJABAR LINIER

(SPL) SIMULTAN

http://maulana.lecture.ub.ac.id/lecture/metode-numerik/
1
Sistem Persamaan Linier
 Misal terdapat SPL dengan n buah variabel bebas
a11 x1  a12 x 2  a13 x 3    a1n x n  C 1
a21 x 1  a22 x 2  a23 x 3    a2 n x n  C 2

am1 x1  am 2 x 2  am3 x 3    amn x n  C n

 a11 a12  a1n   x1  C1 

    
a21 a22  a2n   x2  C2 
Matriks: a31 a32  a3n   x3   C3 
    
          
a an2  ann   x n  C n 
 n1 2
Penyelesaian Sistem
Persamaan Linier (SPL)
 Algoritma Gauss Naif
 Algoritma Gauss Jordan
 Algoritma Gauss Seidel

3
Algoritma Gauss Naif
1. Membagi persamaan pertama dengan
koefisien a11. Langkah tersebut disebut
normalisasi. Tujuan normalisasi ini adalah
agar koefisien dari x1 berubah menjadi 1.
2. Kalikan persamaan yang telah dinormalisasi
(dalam hal ini persamaan pertama) dengan
koefisien pertama dari persamaan kedua
(yaitu a21).
3. Mengurangkan baris kedua dan ketiga
dengan baris pertama.
4
Algoritma Gauss Naif
4. Kalikan persamaan pertama yang sudah
dinormalisasi dengan koefisien tertentu
sehingga a11 = a31.
5. Kurangkan persamaan ketiga dengan hasil
dari yang didapat dari langkah 4.
6. Baris kedua dibagi dengan koefisien a22.
Langkah ini disebut NORMALISASI untuk
persamaan kedua. Tujuannya adalah agar
koefisien x2 berubah menjadi 1.
5
Algoritma Gauss Naif
7. Kalikan persamaan kedua yang sudah
dinormalisasi pada langkah ke-6 dengan
suatu koefisien tertentu sehingga a22 = a32.
8. Kurangkan persamaan ketiga dengan
persamaan kedua hasil dari langkah ke-7.

6
Algoritma Gauss Naif (Ex.)
 Diketahui SPL:
2x1 + 2x2 + x3 = 4
3x1 - x2 + x3 = 1
x1 + 4x2 - x3 = 2
 Bagaimana penyelesaiannya?

7
Algoritma Gauss Naif (Ex.)
 Matriks yang terbentuk:
2 2 1   x1  4
    
 3  1 1   x2   1
1 4  1  x3  2

 Langkah:
1. 1 1 1   x1  2
1  2    
b1  3  1 1   x2   1
2 1 4  1  x  2
  2   
8
Algoritma Gauss Naif (Ex.)
2. dan 3. 1 1 1 
 2   x1   2 
   
b2  3b1  0  4  1   x2    5
 2
1 4  1   x3   2 


4. dan 5. 1 1 1 
 2   x1   2 
   
b3  b1  0  4  1   x2    5
 2
0 3  3   x3   0 
 2

9
Algoritma Gauss Naif (Ex.)
6. 1 1 1 
 2   x1   2 
1    
 b2  0 1 1   x2   5 
4  8  4
0 3  3   x3   0 
 2

7. dan 8. 1 1 1   2 
 2  1 x   

1  x  5 
b3  3b2  0 1
 8  2   4 
0 0  15   x3   15 
 8  4

10
Algoritma Gauss Naif (Ex.)
 Hasil:

 15  x3   15 x2  1 x3  5
8 4 8 4
x3  2 x2  5  1 2  1
4 8

x1  x2  1 x3  2
2
 
x1  2  1  1  2  0
2

11
Algoritma Gauss Jordan
 Dengan metode Gauss Jordan matriks A diubah
sedemikian rupa sampai terbentuk identitas dengan
cara :
A | I X  C diubah menjadi I | A1 X  C  
C* merupakan matriks C yang sudah mengalami
beberapa kali transformasi, sehingga:
1 0 0  0   x1  C1  
 x     x1  C 1
0 1 0  0   2  C2  
0 0 1  0 A 1   x3   C3   x2  C 2
     
           xn  Cn
0 0 0  1   x n  C  
   n  12
Algoritma Gauss Jordan (Ex.)
 Diketahui SPL:
2x1 + 2x2 + x3 = 4
3x1 - x2 + x3 = 1
x1 + 4x2 - x3 = 2
 Bagaimana penyelesaiannya?

13
Algoritma Gauss Jordan (Ex.)
 Langkah:
1. 2 2 1 1 0 0  x1  4
    
3  1 1 0 1 0   x2   1 
1 4  1 0 0 1  x3  2 
    

1 1 1 1 0 0  x1  2
2. 1  2 2    
b1 3  1 1 0 1 0  x2   1
2    x  2
1 4  1 0 0 1   3   

14
Algoritma Gauss Jordan (Ex.)
3.  1 1 0 0 
1 1 2 2   x1   2 
b2  3b1     
0 4 1 3 1 0  x2    5
b3  b1  2 2 
0 3  3  1 0 1  x3   0 
 2 2 

4.  1 1 0 0
1 1 2 2   x1   2 
1  3    
 b2 0 1 1 1 0  x2   5 
4  8 8 4  4
0 3  3  1 0 1  x3   0 
 2 2 

15
Algoritma Gauss Jordan (Ex.)
5. b1  b2  3 1 1   3 
1 0 0  x 
 8 8 4  1  4 
3  
b3  3b2
0 1 1 1 0  x2    5 
 8 8 4   4 
0 0  15  13 3 1  x3   15 
 8 8 4   4

6. 
1 0
3 1 1 0   x  3 
 8 8 4  1  4
8 3  
 b3 0 1 1 1 0   x2   5 
15  8 8 4   4
0 0 1 13 6  8   x3   2 
 15 15 15  

16
Algoritma Gauss Jordan (Ex.)
7.  21 2 1 
b1  3 b3 1 0 0 5 5 5   x1  0
8
0 1 0 4 1 1   x2   1
b2  1 b3  15 5 15     
8
0 0 1 13 6  8   x3  2
 15 15 15

Jadi: x1 = 0, x2 = 1, x3 = 2

17
Algoritma Gauss Seidel
 Sering dipakai untuk menyelesaikan persamaan
yang berjumlah besar.
 Dilakukan dengan suatu iterasi yang memberikan
harga awal untuk x1 = x2 = x3 = ... = xn = 0.
 Metode ini berlainan dengan metode Gauss Jordan
dan Gauss Naif karena metode ini menggunakan
iterasi dalam menentukan harga x1, x2, x3, ..., xn.
 Kelemahan metode eliminasi dibandingkan metode
iterasi adalah metode eliminasi sulit untuk
digunakan dalam menyelesaikan SPL berukuran
besar.
18
Algoritma Gauss Seidel
1. Beri harga awal x1 = x2 = x3 = ... = xn = 0
2. Hitung x  C1  a12 x2  a13 x3  a14 x 4    a1n x n 
1
a11

Karena x2 = x3 = x4 = ... = xn = 0, maka

C1
x1 
a11

19
Algoritma Gauss Seidel
3. x1 baru yang didapat dari tahap 2 digunakan untuk
menghitung x2.
Baris 2  a21x1 + a22x2 + a23x3 + ... + a2nxn = C2

C 2  a21 x1  a23 x3    a2n x n

x2 
a22
C2  a21 x1
x2 
a22

20
Algoritma Gauss Seidel
4. Menghitung x3
Baris 3  a31x1 + a32x2 + a33x3 + ... + a3nxn = C3
a33x3 = C3 – a31x1 – a32x2 – … – a3nxn

C3  a31 x1  a32 x2  a34 x 4    a3n x n

x3 
a33

C3  a31 x1  a32 x2
x3 
a33

21
Algoritma Gauss Seidel
5. Cara ini diteruskan sampai ditemukan xn.
6. Lakukan iterasi ke-2 untuk menghitung x1,
x2, x3, ..., xn baru
C1  a12 x2  a13 x3    a1n x n
x1 
a11
C 2  a21 x1  a23 x3    a2n x n
x2 
a22

C n  a11 x1  a12 x2  a13 x3    a1n 1 x n 1
xn 
ann 22
Algoritma Gauss Seidel
7. Mencari kesalahan iterasi |a| dengan cara:
x i baru   x i(lama)
xi   a   100%
x i baru 

x nbaru   x n(lama)
xn   a   100%
x nbaru 

8. Iterasi diteruskan sampai didapat |a| < |s|

23
Algoritma Gauss Seidel (Ex.)
 Diketahui SPL:
x1 + 7x2 – 3x3 = –51
1 7  3  x1   51
4x1 – 4x2 + 9x3 = 61  
4  4 9
  
x  61

  2   
12x1 – x2 + 3x3 = 8 12  1 3   x3   8 
dan a = 5 %

24
Algoritma Gauss Seidel (Ex.)
 Iterasi ke-0
x1 = x2 = x3 = 0
 Iterasi ke-1
51 61  4 x1 61  4 51
x1   51 x2    66,25
1 4 4

8  12 x1  x2 8   51   66,25
x3    184,58
3 3

25
 Algoritma Gauss Seidel (Ex.)
 Iterasi ke-2
 51  7 x2  3x3  51  7 66,25  3184,58
x1    966,49
1 1
61  4 x1  9 x3 61  4966,49  9184,58
x2    1366,55
4 4
8  12 x1  x2 8  12966,49   1366,55
x3    3407,78
3 3

26
 Algoritma Gauss Seidel (Ex.)
 Iterasi ke-3
 51  7 x2  3x3  51  71366,55  3 3407,78 
x1    19840,19
1 1
61  4 x1  9 x3 61  4 19840,19  9 3407,78
x2    27522,94
4 4
8  12 x1  x2 8  12 19840,19   27522,94 
x3    70189,11
3 3

 Perhitungan x1, x2, x3 diteruskan sampai

semua |a| < |s|
27
Algoritma Gauss Seidel (Ex.)
Iterasi ke- Nilai x a
x1 = 0
0 x2 = 0
x3 = 0
x1 = 51
1 x2 = 66,25
x3 = 184,58
x1 = 966,49 a = 105,28 %
2 x2 = 1366,55 a = 104,85 %
x3 = 3407,78 a = 105,42 %
x1 = 19840,19 a = 104,87 %
3 x2 = 27522,94 a = 104,97 %
x3 = 70189,11 a = 104,86 % 28
Koefisien Relaksasi ()
 Tujuan:
Perbaikan konvergensi dalam Gauss Seidel.
 Biasanya koefisien relaksasi dipilih sendiri
berdasarkan masalah yang dihadapi.
 Jika SPL tidak konvergen,  yang bernilai antara 0
s/d 1 disebut Under Relaksasi.
  antara 1 dan 2 biasanya digunakan untuk
mempercepat konvergensi suatu sistem persamaan
yang konvergen, disebut Over Relaksasi.

29
Koefisien Relaksasi ()
 Rumus (nilai SPL) dengan menggunakan 

baru lama
xi    xi  1     xi

0<<2
1
30
 Solusi perbaikan dengan Koefisien Relaksasi ()
pada metode Gauss Seidel

x2
x2 v
u
u Konvergen lambat v Divergen

x2 x2`(target)
(target)

x1(target) x1
x1(target) x1

Solusi: 1<<2 0<<1

Over relaxation Under relaxation
Mempercepat konvergensi Divergen menjadi konvergen 31
Koefisien Relaksasi () (Ex.)
Iterasi dengan
Nilai x Contoh perhitungan :
ke-  (1,5)
x1 baru
x1 = 0 = 1,5 . 6 + (1 – 1,5) . 10
0
x2 = 0 = 9 + (–0,5) . 10
x1 = 10 =4
1
x2 = 15
x1 = 6 x1 baru = 4
2
x2 = 7,5 x2 baru = 3,75
x1 = 4
3
x2 = 3,75

32