Nama : Fachrizal Dzikri

NIM : 201910301132
Perbaikan UAS Metode Numberik D

1.

Jawaban :

a.Hasil Analitik adalah 1.125

b. Dengan metode integral Trapesium menggunakan 50 trapesium, selisih antara hasil

integral yang didapat dan hasil integral teori kurang dari 0.01

Hal tersebut benar karena sangat banyaknya trapezium maka dipastikan error yang didapat
sangat kecil bahkan sangat jauh kurang dari 0.01

2.

Jawaban :

c.Nilai analitik Integral tersebut adalah 6

 3.

Jawaban :

*Prinsip metode Riemann adalah menghitung nilai integral dengan menjumlahkan luas
kotak-kotak yang lebarnya sama.

*Metode Trapesium selalu lebih akurat daripada metode Riemann untuk jumlah pias yang
sama.

Alasan : Metode Trapesium memiliki ketelitian yang lebih tinggi riemann

4.

Jawaban :

*Prinsip metode Riemann adalah menghitung nilai integral dengan menjumlahkan luas
kotak-kotak yang lebarnya sama.
*Metode Trapesium selalu lebih akurat daripada metode Riemann untuk jumlah pias yang
sama.

*Metode integral Simpson sama atau lebih baik akurasinya daripada metode integral
trapesium untuk jumlah pias yang sama.

5.

Perhitungan Numerik
contoh_fungsi <- function(x) {
cos(x)
}

integral_trapesium <- function(fungsiku, x_kiri, x_kanan, banyak_trapesium) {

lebar <- (x_kanan - x_kiri) / banyak_trapesium
y_kiri <- fungsiku(x_kiri)
y_kanan <- fungsiku(x_kanan)

if (banyak_trapesium == 1) {
hasil_integral <- (1 / 2) * lebar * (y_kiri + y_kanan)
}
else {
y_antara <- numeric(banyak_trapesium)
k <- 1:(banyak_trapesium - 1)
y_antara[k] <- fungsiku(x_kiri + k * lebar)
hasil_integral <- (1 / 2) * lebar * (y_kiri + 2 * sum(y_antara) + y_kanan)
}
return(hasil_integral)
}
integral_trapesium(contoh_fungsi,0,(pi/2),5)
Hasil

5=adalah jumlah banyak trapezium yang digunakan

[1] 0.9917618
 Perhitungan Analitik

1-0.9917618=0.0082382 ,error yang didapat 0,008 kurang dari 0,01

6.

Jawaban :

Perhitungan Numerik
contoh_fungsi <- function(x) {
(1+(1/x))
}

integral_trapesium <- function(fungsiku, x_kiri, x_kanan, banyak_trapesium) {

lebar <- (x_kanan - x_kiri) / banyak_trapesium
y_kiri <- fungsiku(x_kiri)
y_kanan <- fungsiku(x_kanan)

if (banyak_trapesium == 1) {
hasil_integral <- (1 / 2) * lebar * (y_kiri + y_kanan)
}
else {
y_antara <- numeric(banyak_trapesium)
k <- 1:(banyak_trapesium - 1)
 y_antara[k] <- fungsiku(x_kiri + k * lebar)
hasil_integral <- (1 / 2) * lebar * (y_kiri + 2 * sum(y_antara) + y_kanan)
}
return(hasil_integral)
}
integral_trapesium(contoh_fungsi,1,2.71828182846,5)
Hasil
5=banyak jumlah trapezium yang digunakan
[1] 2.726683
Perhitungan Analitik

2.726683-2.71828182846=0.00840117154, error yang didapat 0,008 kurang dari 0,01

7.

Jawaban :

Error dikuadratkan supaya error yang positif dan error negatif tidak saling meniadakan.,

Penetapan bentuk kurva tergantung dari kecenderungan (trend) dari penyebaran titik data.,

Pengepasan kurva dapat dilakukan dengan menggunakan persamaan linear atau non linear.

8.
Jawaban :

Nilai rata-rata x ialah 3.,

Nilai rata-rata y ialah 5.357

NO 8
sumbu X sumbu Y
1 2
2 4 Grafik
2,5 5 9
3 5 8
3,5 7,5 7 y = 1,2619x + 1,5714
4 8 6
5 6
5
rerata 3 5,357143
4
3
2
1
0
0 1 2 3 4 5 6

9.

Jawaban :

Coding Input
L = c(7.44, 8.72, 3.89, 4.31, 11.12)
P = c(26.05, 27.14, 11.82, 16.80, 32.90)

C=matrix(c(26.05, 27.14, 11.82, 16.80, 32.90),ncol=1)

C
A=matrix(c(7.44, 8.72, 3.89, 4.31, 11.12,1,1,1,1,1),ncol=2)
A
matriks_A_transpose=t(A)
matriks_A_transpose
matriks_persegi=matriks_A_transpose %*% A
matriks_persegi
inverse_persegi=solve(matriks_persegi)
B= inverse_persegi %*% matriks_A_transpose %*% C
B

# Gambar
plot(L, P, las = 1, pch = 19, col = "blue")
lines(L, P, las = 1, col = "red")
Coding Output

[,1]

[1,] 26.05

[2,] 27.14

[3,] 11.82

[4,] 16.80

[5,] 32.90

[,1] [,2]

[1,] 7.44 1

[2,] 8.72 1

[3,] 3.89 1

[4,] 4.31 1

[5,] 11.12 1

[,1] [,2] [,3] [,4] [,5]

[1,] 7.44 8.72 3.89 4.31 11.12

[2,] 1.00 1.00 1.00 1.00 1.00

[,1] [,2]

[1,] 288.7546 35.48

[2,] 35.4800 5.00

[,1]
 [1,] 2.723181

[2,] 3.618307

Matriks P adalah matriks yang berwarna merah 5 baris 1 kolom

10.

Jawaban :

Coding Input
L = c(7.44, 8.72, 3.89, 4.31, 11.12)
P = c(26.05, 27.14, 11.82, 16.80, 32.90)

C=matrix(c(26.05, 27.14, 11.82, 16.80, 32.90),ncol=1)

C
A=matrix(c(7.44, 8.72, 3.89, 4.31, 11.12,1,1,1,1,1),ncol=2)
A
matriks_A_transpose=t(A)
matriks_A_transpose
matriks_persegi=matriks_A_transpose %*% A
matriks_persegi
inverse_persegi=solve(matriks_persegi)
B= inverse_persegi %*% matriks_A_transpose %*% C
B

# Gambar
plot(L, P, las = 1, pch = 19, col = "blue")
lines(L, P, las = 1, col = "red")
Coding Output

[,1]

[1,] 26.05

[2,] 27.14

[3,] 11.82

[4,] 16.80

[5,] 32.90

[,1] [,2]

[1,] 7.44 1

[2,] 8.72 1

[3,] 3.89 1

[4,] 4.31 1

[5,] 11.12 1

[,1] [,2] [,3] [,4] [,5]

[1,] 7.44 8.72 3.89 4.31 11.12

[2,] 1.00 1.00 1.00 1.00 1.00

[,1] [,2]

[1,] 288.7546 35.48

[2,] 35.4800 5.00

[,1]

[1,] 2.723181

[2,] 3.618307

Matriks A adalah matriks yang berwarna merah 5 baris 2 kolom

 11.

Jawaban :

Coding Input
L = c(7.44, 8.72, 3.89, 4.31, 11.12)
P = c(26.05, 27.14, 11.82, 16.80, 32.90)

C=matrix(c(26.05, 27.14, 11.82, 16.80, 32.90),ncol=1)

C
A=matrix(c(7.44, 8.72, 3.89, 4.31, 11.12,1,1,1,1,1),ncol=2)
A
matriks_A_transpose=t(A)
matriks_A_transpose
matriks_persegi=matriks_A_transpose %*% A
matriks_persegi
inverse_persegi=solve(matriks_persegi)
B= inverse_persegi %*% matriks_A_transpose %*% C
B

# Gambar
plot(L, P, las = 1, pch = 19, col = "blue")
lines(L, P, las = 1, col = "red")
Coding Output

[,1]

[1,] 26.05

[2,] 27.14

[3,] 11.82
[4,] 16.80

[5,] 32.90

[,1] [,2]

[1,] 7.44 1

[2,] 8.72 1

[3,] 3.89 1

[4,] 4.31 1

[5,] 11.12 1

[,1] [,2] [,3] [,4] [,5]

[1,] 7.44 8.72 3.89 4.31 11.12

[2,] 1.00 1.00 1.00 1.00 1.00

[,1] [,2]

[1,] 288.7546 35.48

[2,] 35.4800 5.00

[,1]

[1,] 2.723181

[2,] 3.618307

Matriks β adalah matriks yang berwarna merah 2 baris 1 kolom

12.
Jawaban :

Coding Input
L = c(7.44, 8.72, 3.89, 4.31, 11.12)
P = c(26.05, 27.14, 11.82, 16.80, 32.90)

C=matrix(c(26.05, 27.14, 11.82, 16.80, 32.90),ncol=1)

C
A=matrix(c(7.44, 8.72, 3.89, 4.31, 11.12,1,1,1,1,1),ncol=2)
A
matriks_A_transpose=t(A)
matriks_A_transpose
matriks_persegi=matriks_A_transpose %*% A
matriks_persegi
inverse_persegi=solve(matriks_persegi)
B= inverse_persegi %*% matriks_A_transpose %*% C
B

# Gambar
plot(L, P, las = 1, pch = 19, col = "blue")
lines(L, P, las = 1, col = "red")
Coding Output

[,1]

[1,] 26.05

[2,] 27.14

[3,] 11.82

[4,] 16.80

[5,] 32.90

[,1] [,2]

[1,] 7.44 1

[2,] 8.72 1
 [3,] 3.89 1

[4,] 4.31 1

[5,] 11.12 1

[,1] [,2] [,3] [,4] [,5]

[1,] 7.44 8.72 3.89 4.31 11.12

[2,] 1.00 1.00 1.00 1.00 1.00

[,1] [,2]

[1,] 288.7546 35.48

[2,] 35.4800 5.00

[,1]

[1,] 2.723181

[2,] 3.618307

Matriks β adalah matriks yang berwarna merah 2 baris 1 kolom

Dari Matriks Tersebut didapat nilai didapat nilai m untuk baris 1 dan c untuk baris
2,m=2.723181.

13.

Jawaban :

Coding Input
L = c(7.44, 8.72, 3.89, 4.31, 11.12)
P = c(26.05, 27.14, 11.82, 16.80, 32.90)

C=matrix(c(26.05, 27.14, 11.82, 16.80, 32.90),ncol=1)

C
A=matrix(c(7.44, 8.72, 3.89, 4.31, 11.12,1,1,1,1,1),ncol=2)
A
matriks_A_transpose=t(A)
matriks_A_transpose
matriks_persegi=matriks_A_transpose %*% A
matriks_persegi
inverse_persegi=solve(matriks_persegi)
B= inverse_persegi %*% matriks_A_transpose %*% C
B

# Gambar
plot(L, P, las = 1, pch = 19, col = "blue")
lines(L, P, las = 1, col = "red")
Coding Output

[,1]

[1,] 26.05

[2,] 27.14

[3,] 11.82

[4,] 16.80

[5,] 32.90

[,1] [,2]

[1,] 7.44 1

[2,] 8.72 1

[3,] 3.89 1

[4,] 4.31 1

[5,] 11.12 1

[,1] [,2] [,3] [,4] [,5]

 [1,] 7.44 8.72 3.89 4.31 11.12

[2,] 1.00 1.00 1.00 1.00 1.00

[,1] [,2]

[1,] 288.7546 35.48

[2,] 35.4800 5.00

[,1]

[1,] 2.723181

[2,] 3.618307

Matriks β adalah matriks yang berwarna merah 2 baris 1 kolom

Dari Matriks Tersebut didapat nilai didapat nilai m untuk baris 1 dan c untuk baris
2,c=3.618307

14.

Jawaban :

Coding Input
L = c(7.44, 8.72, 3.89, 4.31, 11.12)
P = c(26.05, 27.14, 11.82, 16.80, 32.90)

C=matrix(c(26.05, 27.14, 11.82, 16.80, 32.90),ncol=1)

C
A=matrix(c(7.44, 8.72, 3.89, 4.31, 11.12,1,1,1,1,1),ncol=2)
A
matriks_A_transpose=t(A)
matriks_A_transpose
matriks_persegi=matriks_A_transpose %*% A
matriks_persegi
inverse_persegi=solve(matriks_persegi)
B= inverse_persegi %*% matriks_A_transpose %*% C
B

# Gambar
plot(L, P, las = 1, pch = 19, col = "blue")
lines(L, P, las = 1, col = "red")
Coding Output

[,1]

[1,] 26.05

[2,] 27.14

[3,] 11.82

[4,] 16.80

[5,] 32.90

[,1] [,2]

[1,] 7.44 1

[2,] 8.72 1

[3,] 3.89 1

[4,] 4.31 1

[5,] 11.12 1

[,1] [,2] [,3] [,4] [,5]

[1,] 7.44 8.72 3.89 4.31 11.12

[2,] 1.00 1.00 1.00 1.00 1.00

[,1] [,2]

[1,] 288.7546 35.48

 [2,] 35.4800 5.00

[,1]

[1,] 2.723181

[2,] 3.618307

Matriks yang perlu dikalikan transpose agar menjadi matriks persegi

adalah matriks A (warna maerah),Matriks persegi yang didapat adalah
matriks yang berlatar belakang warna kuning.

15.

Jawaban :

Gambar yang tertera adalah grafik densitas/kerapatan dengan sumbu x menggambarkan

data tinggi gelombang.,

Gambar yang tertera adalah grafik densitas/kerapatan sehingga luas seluruh area yang
tergambar ialah 1.

16.
Jawaban :

Gambar yang tertera adalah histogram sehingga sumbu x menggambarkan data kecepatan
gelombang.,

Gambar yang tertera adalah histogram sehingga luas seluruh area yang tergambar ialah 1.

17.

Jawaban :
 18.

Jawaban :

19.

Jawaban :
 20.

Jawaban :

Peluang Kejadian (Exceedence) = 0.000547945205479

21.
Dari Perhitungan Tersebut Tinggi Gelombang adalah 2,6 m