Modul Metode Numerik: December 2015
Modul Metode Numerik: December 2015
CITATIONS READS
0 3,041
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Hanna Arini Parhusip on 25 January 2016.
ISBN 978-602-9493-27-6
Diterbitkan oleh:
Penulis
PRAKATA iii
DAFTAR ISI v
Bab 1 METODE NUMERIK UNTUK SISTEM PERSAMAAN 1
LINEAR
1.1 Operasi Baris Elementer 1
1.2 Cara mencari koefisien regresi (linear) 9
1.1 Motivasi
Diberikan pasangan data pada Tabel 1.1 berikut.
Tabel 1.1. Data x (kolom 1), data y (kolom 2)
0.01 2
0.02 3.5
0.03 4
0.04 2
0.05 5
Bagaimana menyatakan data kolom ke-2 sebagai fungsi dari data kolom ke-1. Hal
ini akan menjadi masalah sistem persamaan linear. Secara umum sebagai berikut:
menyelesaikan Ax b dimana A m n , x n , b
m
dimana A dan b
disusun dari data. Yang dicari adalah x n . Sebelum diskusi lebih lanjut maka
kita perlu mengingat kembali bagaimana menyelesaikan sistem persamaan linear
dengan Operasi baris elementer (OBE).
Contoh 1.1 Tentukan apakah sistem persamaan linear berikut konsisten (punya
penyelesaian).
x1 2 x2 x3 0
2 x2 8 x3 8
4 x1 5 x2 9 x3 9
1 2 1 0
0 2 8 8 ~ karena baris pertama kolom pertama sudah bernilai 1
4 5 9 9
maka kita dapat mengalikan baris 1 dengan 4 dan menambahkan pada baris ketiga
atau ditulis b1 x 4 b (kita pilih bentuk ini agar pada baris ketiga kolom pertama
3
~
1 2 1 0 1 2 1 0
0 2 8 8 b x 4 b3 0 2 8 8
1 b2 x 1 2
4 5 9 9 ~ 0 3 13 9 ~
1 2 1 0
0 1 2 2 .
0 3 13 9
Kita akan membuat nol untuk baris ke-3 kolom ke-2 yaitu dengan mengalikan baris
ke-2 dengan 3 dan menambahkan pada baris ke-3 atau ditulis b2 x3 b 3
~
1 2 1 0
Sehingga diperoleh 0 1 4 4 . Kita telah memperoleh matriks segitiga
0 0 1 3
atas sehingga kita dapat menuliskan persamaan mula-mula menjadi
Diperoleh dari baris ketiga x3 3 , dan substitusikan pada baris kedua diperoleh
Jadi secara umum terdapat sistem persamaan linear dalam bentuk umum
Ax b dimana A merupakan matriks real m x n dan x R n , b R m . Sebelum
menyelesaikan, terdapat 2 hal utama yang perlu diperhatikan bahwa sistem
persamaan dapat konsisten (mempunyai penyelesaian) ataupun tidak konsisten
(tidak mempunyai penyelesaian). Sistem yang konsisten juga mempunyai
penyelesaian tunggal atau banyak. Ada beberapa sifat yang diperhatikan kapan
sistem tersebut punya penyelesaian atau tidak (harap mempelajari kembali aljabar
linear).
Demikian pula sistem persamaan linear juga dibedakan atas bentuknya yaitu
homogen ( b 0 R m ) dan tidak homogen b 0 R m .
Untuk mencari nilai eigen dan eigen vektor kita perlu menyelesaikan Ax x
(definisi nilai eigen dan eigenvektor) atau ditulis ( A I ) x 0 atau ditulis
Cx 0 menjadi sistem persamaan linear homogen.
Jawab: secara analitik dari aljabar linear kita menyusun matriks augmented
[A 0 ] menjadi bentuk echelon
3 5 4 0 3 5 4 0 3 5 4 0
3 2 4 0 ~ 0 3 0 0 ~ 0 3 0 0 .
6 1 8 0 0 9 0 0 0 0 0 0
Untuk selanjutnya kita dapat mengalikan 1/3 terhadap baris ke-1 dan
1 5 / 3 4 / 3 0
baris ke-2 diperoleh 0 1 0 0
b2 x(5 / 3) b1
0 0 0 0 ~
1 0 4 / 3 0
0 1 0 0 (bentuk echelon tereduksi).
0 0 0 0
4
x1 x3 0
3
x2 0
00
4
Artinya haruslah x 2 0 sedangkan x1 x3 . Kita mengatakan x3
3
variabel yang bebas dipilih (free variable). Bisa juga kita memilih x1
yang merupakan variabel yang bebas dipilih, akan tetapi kita lebih memilih
variabel yang disebutkan terakhir yang bebas dipilih.
x 43 a 0 a , a bebas.
T
Contoh 1. 3
y a0 a1 x a2 x 2 (1.1)
Artinya setiap pasangan data memenuhi persamaan (1.1).
Jadi A adalah
1 1 1 1 1
A 0.01
T
0.02 0.03 0.04 0.05
0.012 0.02 2 0.03 2 0.04 2 0.05 2
Tahap 2: MenyusunC= AT A
1 0.01 0.012
1 1 1 1 1 1 0.02 0.02 2
0.05 1
C= 0.01
0.02 0.03 0.04 0.03 0.032
0.012 0.02 2 0.032 0.04 2 0.052 1 0.04 0.04 2
1 0.052
0.05
5 0.15 0.0055
C 0.15 0.0055 0.000055
0.0055 0.000055 0.00000055
5 0.15 0.0055 1 0 0
0.15 0.0055 0.000055 0 1 0
0.0055 0.000055 0.00000055 0 0 1
1 0.03 0.0011 1/ 5 0 0
b1 ( 0.15) b2 0 0.001 0.00011 0.03 1 0
0.0055 0.000055 0.00000055 0 0 1
1 0.03 0.0011 1/ 5 0 0
b1 ( 0.0055) b3 0 0.001 0.00011 0.03 1 0
0 0.00011 - 0.0000055 0.0011 0 1
1 0.03 0.0011 1/ 5 0 0
b2 (1000) 0 1 0.11 30 1000 0
0 0.00011 - 0.0000055 0.0011 0 1
1 0 0.0044 0.7 30 0
b2 ( 0.03) b1 0 1 0.11 30 1000 0
0 0.00011 - 0.0000055 0.0011 0 1
1 0 0.0044 0.7 30 0
b2 (0.00011) b3 0 1 0.11 30 1000 0
0 0 - 0.0000176 - 0.0044 0.11 1
b3 (1 / 0.0000176)
1 0 0.0044 0.7 30 0
0 1 0.11 30 1000 0
0 0 1 44/0.176 11 / 0.00176 1 / 0.0000176
b3 ( 0.0044) b1
16.5
= 0.5
0.0209
Tahap 4: Cari Ax b
x C 1bbru
Tahap 1. Kalikan ruas kiri dan ruas kanan dari Ax b dengan AT (jadi perlu
dicari AT )
Artinya: A Ax A b (jangan terbalik menjadi AxA b A , ini tidak benar)
T T T T
Tahap 2.
Sebut C= AT A (berarti perlu disusun C), sebut AT b bbaru (perlu disusun bbaru )
Jadi
Cx bbaru , C n n , x n , bbaru n
Tahap 3. Cari x dengan cara: kalikan ruas kiri dan kanan Cx bbaru dengan C 1
C 1C x C 1bbaru
menjadi
x C 1bbaru .
Jadi ruas kanan perlu dihitung.
Kesimpulan: nilai vektor diperoleh dan x merupakan vektor koefisien regresi.
Menurut aljabar linear, invers matriks dapat ada dapat juga tidak ada.
Dengan bantuan MATLAB, diperoleh det C dekat ke 0 (diberikan oleh MATLAB
Analisa: Hasil menunjukkan bahwa hasil tidak tepat. Diselidiki mengapa hasil
tidak tepat ?
Ternyata hasil C merupakan matriks singular karena det(C) dekat ke 0. Jadi model
fungsi kuadratik /parabola tidak tepat untuk model ini.
Contoh 1.4
Jika sistem persamaan sudah diperoleh:
Carilah x yang memenuhi Ax b
2 4 1 2
A 1 3 2 , b 1
1 2 5 4
Carilah x yang memenuhi Ax b
Latihan 1.1
Diberikan pasangan data yaitu (1,2), (2,3) dan (3,3)
Anggaplah bahwa ketiga titik itu dalam suatu garis lurus yaitu a 0 a1 x y .
Petunjuk:
a0 a1 2,
a0 2a1 3,
a0 3a1 3.
Cara pelaporan :
1 1 2
A = 1 2 b = 3
1 3 3
Tahap 1. Kalikan ruas kiri dan ruas kanan dari Ax b dengan AT (jadi perlu dicari AT
)
1 1 1
AT
1 2 3
Tahap 2.
Sebut C= AT A (berarti perlu disusun C), sebut AT b bbaru (perlu disusun bbaru )
1 1 2 8
C 1 1 1 1 2 = 3 6 , bbaru 1 1 1 3 =
1 2 3 6 14 1 2 3 17
1 3 3
Jadi
Cx bbaru , C n n , x n , bbaru n
Tahap 3. Cari x dengan cara: kalikan ruas kiri dan kanan Cx bbaru dengan C 1
C 1C x C 1bbaru
1 14 6 1 14 6
C 1
(3(14) (6)(6)) 6 3 42 36 6 3
1 14 6 7 / 3 1
6 6 3 1 1 / 2
3 6 1 0 1 2 1 / 3 0
b1 (1 / 3)
6 14 0 1 6 14 0 1
1 2 1 / 3 0 1 2 1 / 3 0
b1 ( 6) b2 b2 (1 / 2)
0 2 2 1 0 2 2 1
1 2 1 / 3 0 1 0 7 / 3 1
b2 ( 2) b1 .
0 1 1 1 / 2
0 1 1 1 / 2
Jadi jelas.
Tahap 4. Diketahui C 1C I (matriks identitas). Oleh karena itu C 1C x C 1bbaru
menjadi
x C 1bbaru .
7 / 3 1 8 5 / 3
x C 1bbaru = .
1 1 / 2 17 1 / 2
5 1
Hasil polinomial regresi: y a0 a1 x x
3 2
Gambar data dan fungsi:
(i) Tentukan m dan c untuk regresi linear untuk data tabel tersebut
dengan menganggap y=f(x) =mx + c.
(ii) Tentukan a, b, c untuk regresi fungsi kuadratik untuk data tabel
tersebut yaitu
y a0 a1 x a2 x 2
a0
A = ……………… b = ……………….. x a1
a
2
Sistem persamaan linear yang diperoleh : ……………………….
Tipe sistem persamaan linear adalah: (kosisten/tak
kosisten/underdetermined) :……………………………………..
karena …………………………………………………………….
Sehingga sistem persamaan linear diselesaikan dengan cara sbb:
……………………………………………………………………
Diperoleh
Jadi fungsi kuadrat yang diperoleh adalah ………………………
Fungsi cubik y ax bx cx d
3 2
Motivasi
dy df
Pada kalkulus operator differensial ditulis f ' ( x ) pada suatu interval
dx dx
di R, misal [a,b]. Bagaiman menghitung pada komputer ? Hal ini dinyatakan
sebagai metode numerik.
dy df
1. Jika y= x 2 maka f ' ( x ) 2 x secara manual. Bagaimana
dx dx
dengan komputer ?
Pertama-tama kita harus mendefinisikan dimanakah domain y= x 2
didefinisikan. Jadi harus ditulis domain definisi.
Dari definisi
dy df lim f ( x x ) f ( x )
f ' ( x)
dx dx x 0 x (2.1)
Secara numerik maka semua operator dinyatakan dalam bentuk diskrit.
Artinya operator diferensial ditulis dalam bentuk
dy df y f ( x x ) f ( x )
dx dx x x (2.2)
Jadi persamaan (2.2) dapat digunakan untuk mendekati dengan secara
numerik. Hal ini sebagai berikut. Dianggap
f ( x x ) f ( x ) y
x x
berlaku
dy t t 0 2 d2y
y (t ) y (t 0 ) (t t 0 ) ... (2.2.a)
dt t0 2 dt 2 t0
Dengan hanya memperhatikan suku hingga turunan pertama maka kita dapat
dy (t 0 , y0 )
mendefinisikan f (t 0 , y 0 ) : sehingga persamaan (2.2.a) menjadi
dt
y (t ) y (t 0 ) (t t 0 ) f (t 0 , y 0 ) . (2.2.b)
Tetapi sekarang kita memerlukan informasi y(t) pada t t 0 . Untuk itu kita perlu
y N y(t N ) y(t N 1 ) (t N t N 1 ) f (t N 1 , y N 1 ) .
y j 1 y (t j 1 ) y (t j ) (t j t j 1 ) f (t j 1 , y j 1 ) , j=0,…N-1
y j 1 y (t j 1 ) y (t j ) hf (t j 1 , y j 1 ) (2.3.b)
dy
Tahap 1: Soal harus dalam bentuk f (t , y ) . AWAS y tidak sama dengan f
dt
dy
Soal sudah dalam bentuk f (t , y ) = t-2y AWAS y(t) tidak diketahui (yang
dt
dicari ) .
dy
Sehingga f (t0 , y0 ) = t-2y= t0 2 y0 0 2(1) 2 .
dt t0
1 +(0.1-0)(-2)=1+(0.1)(-2)=1-0.2=0.8
dy
Perlu f (t1 , y1 )
dt t1
Tugas 2.1
Tugas 2.2
Selesakan dengan metode Euler dengan 5 macam h yaitu dari 0.3, 0.2, 0.1, 0.05,
0.01 Untuk masalah berikut.
No Soal A No Soal B
1. xy 2
4 x dx ( x 2)dy 0 1. xdx 3 2 y y 3 e x dy 0;
2
;y(-1)=2 y (1) 0.
5.
x y 2 9 dx x 2 1 dy 0; 5. xy ' y x 3 x 2 x ; y (2) 5.
y (0) 0.
8.
x sin x tg 2 y 1 y ' 0; 8. xe x y dx ydy 0 ; y (0) 1.
y / 2 0.
10. x y
2 2
x 2 dx x 3 1 dy 0; 10.
e1 / x y 2 1dx x 2 ydy 0;
y ( 0) 2. y (1) 1
dy
Catatan: Bentuk umum : f ( x, y ) dimana y ( x0 ) y0 diketahui.
dx
1
Soal dalam bentuk : y ' yctgx , y( / 6) 1
sin x
Tahap 1. Peubah bebas : x ; Peubah tak bebas : y . Jadi perlu dicari y(x)
1 dy 1
Tahap 2 : y ' yctgx ditulis yctgx
sin x dx sin x
dy 1
yctgx dengan y( / 6) 1 (*)
dx sin x
1
Jadi f ( x, y ) yctgx .
sin x
dy
y j 1 y j h y j hf ( x j , y j ) .
dx yj
x2 x1 h x0 2h / 6 2(0.1)
x3 x2 h x0 3h / 6 3(0.1)
x4 x3 h x0 4h / 6 4(0.1)
dy
Dengan memperhatikan y j 1 y j h y j hf ( x j , y j ) dan posisi x j
dx yj
Maka:
1 1
f ( x0 , y0 ) = y0ctgx0 1ctg / 6
sin x0 sin / 6
3
= cos / 6 2 2 2 32
sin / 6 1/ 2
12 3
=1+0.1*( 3 2 )=
10
1 12 3
f ( x1 , y1 ) y1ctgx1 ctg 0.1
sin x1 10 6
1
+
sin 0.1
6
0 Series1
0 1 2 3 4 5
-2
-4
-6
Pada h =0.1 diperoleh hasil yang ditunjukkan pada Gambar 2. Perlu diselidiki
benar tidaknya/ bagus tidak hasil pendekatan dengan
0
y
-1
-2
-3
-4
-5
0.5 1 1.5 2 2.5 3 3.5 4
x
Gambar 2.3 Perbandingan visualisasi solusi pada h=0.1 (bertanda *) dan pada h=0.2
(bertanda 0)
Contoh 2.3
Membahas:
dx xy ln 2 x 1 y 2 dy; y(e) 0
Tahap 1.
dy 1
dx xy ln 2 x 1 y 2 ; y(e) =0
Dengan metode Euler perlu dihitung f ( x0 , y0 )
dy 1 1
Diperoleh
dx e(0) ln x 1 y
2 2
0
Pada bagian ini Euler gagal.
dy
Tahap 3 : k2 f ( x j h, y*j ) f ( x j h, y j hk1 )
dx x x j h / 2
k1 k 2
Tahap 4. y j 1 y j h
2
y '2 xy x 3 ; y(0)=3/2 .
dy
Tahap 1. x 3 2 xy f ( x, y )
dx
x0 0 -> f ( x0 , y0 ) x0 2x0 y0 0
3
y1 y0 hf ( x0 , y0 ) 3 / 2 0.1(0) 3 / 2
x1 x0 h 0.1 ->
=0.001 -0.3=-0.299.
y2 y1 hf ( x1 , y1 ) 3 / 2 0.1(0.299)
2.00
1.50
1.00
Series1
0.50
0.00
0 0.5 1 1.5
1.60
1.40
1.20
1.00
0.80
Series1
0.60
0.40
0.20
0.00
0 0.5 1 1.5
ln 2
x y ' 2 y x arctg x; y (1)
12 6
dy ln 2
x 2 y x arctg x; y (1)
dx 12 6
dy ln 2
x 2 y x arctg x; y (1)
dx 12 6
dy 2 y x arctg x ln 2
; y (1)
dx x 12 6
Bentuk tersebut sudah dalam bentuk umum untuk diselesaikan dengan Euler.
ln 2
2 arctg 1
x0 =1, maka f ( x0 , y0 ) 2 y0 x0 arctg x0 12 6 = 0.03075.
x0 1
ln 2
y1 y0 hf ( x0 , y0 ) = +0.1(0.03075)= 0.380399
12 6
Solusi selanjutnya ditulis pada Tabel 2.1 untuk 10 iterasi pertama. Solusi pada
Gambar 2.6.
h=0.1
Indeks x y f(x,y)
0 1 0.377324 0.03075
10 2 0.670858 0.43629
0.8
0.6
0.4
0.2
Serie…
0
0 0.5 1 1.5 2 2.5
Gambar 2.7 Solusi dari excel untuk no. B.9 dengan excel
Metode ini menghitung kemiringan (dy/dt) 2 kali untuk setiap step h. Dengan
dy
menyimbolkan k1 f ( x j , y j ) . Pada h/2 kita mengaplikasikan metode
dx t t j
Euler yaitu
h h
y j 1 / 2 y j f ( x j , y j ) y j k1 (2.4.a)
2 2
h
Kemudian kita hitung kembali dy/dt tetapi pada x x j yaitu
2
dy h h
k2 f ( x j , y j k1 ) (2.4.b)
dt x x j h / 2 2 2
y j 1 y j hk 2 .
Contoh 2.6
0.6
0.4
Series
0.2 1
0
0 1 2
ln 2
x y ' 2 y x arctg x; y (1)
12 6
y ( x) e
P ( x ) dx P ( x ) dx dx .
Q( x) e (2.7)
Bukti:
I ( x) e
P ( x ) dx
atau e P ( x) ye Q ( x )e
P ( x ) dx dy P ( x ) dx P ( x ) dx
dy P ( x ) dx
P( x) y e Q ( x )e
P ( x ) dx
dx dx
P ( x ) dx dy P ( x ) dx
e P( x) ye dx Q( x)e
P ( x ) dx
dx .
dx
P ( x ) dx dy P ( x ) dx P ( x ) dx .
e P( x) ye dx = y( x)e
dx
y ( x )e = Q( x)e
P ( x ) dx
P ( x ) dx
dx atau
y ( x) e
P ( x ) dx P ( x ) dx dx .
Q( x ) e
dy
P( x) y Q( x)
dx
Jadi x y ' 2 y x arctg x; kalikan dengan (1/x) sehingga masalah yang harus
dikerjakan adalah menyelesaikan
dy 2 ln 2
y arctg x; y (1)
dx x 12 6
3.1 Pendahuluan
Contoh 3.1
dp
kP
dt (3.1)
P (t 0) P0
d2
Notasi diferensial P(t) yang kedua ditulis , diferensial P(t) yang ketiga/atau
dt 2
d 3 P (t )
disebut tingkat 3 yang . Diferensial yang ada dalam persamaan (3.3.1)
dt 3
dP
adalah sehingga persamaan (3.3.1) disebut persamaan diferensial tingkat satu.
dt
Jawab:
dP
kdt (3.2)
P
Ingat ruas kiri sebagai diferensial terhadap P saja dan ruas kanan adalah diferensial
k terhadap t saja.
dx 1
Pada kalkulus 2 kita mengenal dx . Jika kita integralkan diperoleh
x x
1
x dx Inx c dengan c
1 1 sebagai konstan sembarang. Jadi untuk mendapatkan
dP
kdt
P
dP (3.3)
kdt
P
dalam P saja dalam t saja
kdt k dt kt c . 2
(3.5)
Ruas kiri dan ruas kanan sama pada persamaan (3.3). Jadi
ln P c1 kt c2 . (3.6)
Atau karena c1 dan c2 masih konstanta bebas, persamaan (3.3.6) dapat ditulis
ln P kt C, dengan C c2 c1 .
ln P kt C .
dapat ditulis sebagai
ln P ln e kt ln C (3.7)
Dari relasi
ln x ln y ln xy .
Sehingga persamaan (3.7) menjadi
ln P ln Ce kt .
Jadi
P Ce kt atau Pt Ce kt .
Kesimpulan :
dP dP
Persamaan diferensial kdt atau kP mempunyai penyelesaian
P dt
Pt Ce kt (3.8)
Sebagai pembelajaran terhadap mata kuliah kalkulus maka perlu diselidiki apa
hubungan hasil tersebut dengan kalkulus. Dalam kalkulus kita telah mengenal
berbagai fungsi sebagai berikut.
f. konstan, misal y a
f. linear, misal y f(x) ax b
f. kuadratik, misal y f x ax bx c
2
Tipe 1.
dP
k konstan
dt
Hal ini dapat ditulis
dP kdt .
Pada bagian ini kita telah menyatakan persamaan diferensial secara terpisah yaitu
ruas kanan diferensial terhadap P saja dan diferensial terhadap t saja pada ruas
kanan . Oleh karena itu persamaan tersebut dapat diintegralkan. Yaitu :
dP kdt
diperoleh P = kt + c dengan dengan c adalah konstan sembarang.
Contoh 3.2
Jika data berpola linear, dalam kalkulus disajikan dalam bentuk fungsi linear sebut
sebagai P kt c . Sedangkan dengan persamaan diferensial disajikan dalam
dP
bentuk persamaan diferensial. Dapat berarti k (gradien dari P) untuk
dt
berbagai nilai t adalah konstan.
Tipe 2.
dP
kP
dt
, ketika t
P(t )
0 , ketika t
Tanda menunjukkan bahwa saat C dan k positif maka P(t) bernilai positif dan
negatif ketika C negatif dan k positif. Sedangkan P(t) bernilai 0 ketika k negatif
baik C positif maupun negatif.
dP P
k P1
dt K
K,k : parameter
Untuk dapat menyelesaikan persamaan diferensial ini, marilah kita lakukan tahap
demi tahap.
Tahap 1
Dapatkah dipisahkan ? Diselidiki sebagai berikut.
Ruas kanan : kdt merupakan diferensia l dalam t
dP 1
Ruas kiri : dP
P P
P1 P1
K K
Jadi persamaan diferensial logistik dapat dipisahkan yaitu ruas kiri diferensial
dalam P dalam dan ruas kanan diferensial dalam t. Jadi dapat diintegralkan masing-
masing untuk mendapatkan fungsi P dari kiri dan mendapatkan fungsi t dari kanan.
Yaitu
dP . ($)
P
kdt
P1
K
Kita mengatakan bentuk tidak standard karena tidak mengikuti bentuk rumus baku
yang biasa muncul. Oleh karena itu perlu dicari bentuk standard yang mirip.
Bentuk standard yang dimaksud adalah
1 du
u du u
ln u c . (*)
1dP 1
Oleh karena itu kita harus menyusun dalam bentuk du sebagai
P u
P 1
K
berikut. Perhatikan caranya. Tulis
1 A B
dengan A dan B dicari
P P P
P1 1
K K
Jadi
P
A1 BP
K
1
menyamakan penyebut
P P
P 1 P 1
K K
P
1 A1 BP
K
A
1 A B P
K
Dengan menyamakan ruas kiri dan ruas kanan diperoleh
A
1 A dan B 0.
K
1
Karena A 1 maka B . Sehingga
K
Suku kedua ruas kanan belum standard. Oleh karena itu perlu dihitung secara
tersendiri.
1
1 1
KP dP K P dP . (**)
1 1
K K
1 P 1
Bentuk disubstitusi yaitu U 1 1 P.
P K K
1
K
Cara memilih bentuk yang disubstitusi tidak ada aturan khusus. Anda perlu banyak
berlatih (jam terbang dalam menyelesaikan soal). Selanjutnya perlu semua
ekspresi dalam integral terhadap variabel baru yang digunakan dalam substitusi.
dU 1 dU
Yaitu perlu dU yaitu . Sehingga dP . Sehingga
dP K 1
K
dU
dP KdU . Oleh karena itu persamaan (**) menjadi
1
K
K
(c)
Kesimpulan: dari hasil (a)-(c) dapat diperoleh
1
1
1 dP
P dP P KP dP
P 1 1
K K
P
ln P C1 ln 1 C2
K
P
ln P ln 1 C1 C2
K
P
ln P C1 ln 1 C2
K
P
ln C , dengan C C1 C2 .
P
1
K
P P ~
Persamaan ($) menjadi ln C kt c atau ln kt C
P P
1 1
K K
Hingga saat ini , P(t) belum dinyatakan secara eksplisit. Umumnya, kita lebih
menyukai bentuk eksponen, sehingga solusi ini masih disederhanakan yaitu
P ~ ~ P ~
ln ln e kt ln C ln Ce kt sehingga Ce kt
P P
1 1
K K
P ~ PK ~
Ce kt atau Ce kt
K P K P
K K
PK Ce kt K P CKe kt PCe kt .
~ ~ ~
~ ~
P K Ce kt CKe kt Jadi
~
Untuk mendapatkan skalar C maka gunakan nilai awal sebutlah pada t=0 nilai P0
~ ~
diketahui. Jadi P0
CKe k ( 0 )
~
K Ce k ( 0)
CK
K C
~
atau ~
~
P0 K C C K atau
~ ~
P0 K P0C CK
~ ~ ~
Sehingga P0 K CK P0C C ( K P0 ) . Jadi
~ KP0 P0
C . (s.2)
K P0 P0
1
K
KP P
0 0
K P0
A= . Jadi
P0
Ke kt K P0
P(t )
Ae kt
dengan
P0
.
Solusi ini yang biasa digunakan dalam pemodelan dan dibahas dengan
pengembangan yang melibatkan faktor yang lain(Stewart, Kalkulus II,1998).
x : variabel bebas
dy
xdx
y diferensial dalam
x saja
diferensial dalam y saja
Jawab :
Variabel u adalah variabel tak bebas dan t adalah variabel bebas. Persamaan
diferensial dapat dipisahkan yaitu
t u 2
du
dt
du
tdt
u2
Tuliskan variabel bebas dan tak bebas untuk masing-masing soal berikut. Selidiki
apakah metode pemisahan variabel dapat digunakan?. Jika ya selesaikan, dan jika
tidak berikan penjelasan anda.
dy dy e 3 x
3. y2 4.
dx dx 4 y 3
dy te t xy
5. yy x 6. 7. y
dt y 1 y 2 2 Iny
du dz
8. 2 2u t tu 9. etz 0
dt dt
Selama ini kita telah belajar persamaan diferensial dapat dipisahkan. Secara umum
dapat ditulis
dP
f P g t yang dapat disajikan sebagai
dt
dp
g t atau
f P
U P dP g t dt , dengan U P
1
f P
Jadi ruas kiri diferensial dalam P saja dan ruas kanan sebagai diferensial dalam t
saja.
Akan tetapi tidak semua persamaan diferensial dapat disajikan dalam persamaan
diferensial terpisah. Oleh karena itu perlu dikembangkan teknik penyelesaian yang
lain.
t 2 y ty 1 dengan y1 2 .
Disebut masalah nilai awal karena persamaan diferensial tersebut ditentukan nilai
t 2 y ty 1
variabel tak bebas : y, variabel bebas : t
dy
y
dt
dy 1 ty dt
dy
Ditulis t 2 1 ty atau t2
dt
memuatt dan y memuatt dan y
Pt U Qt
dU
(3.10.a)
dt
P t U Q t .
dU
(3.10.b)
dt
Variabel bebas adalah t dan variabel tak bebas adalah U. Jadi kita perlu mencari
dU
U(t). Koefisien harus 1.
dt
dy
Perhatikan t 2 y ty 1 . Tanda y disini berarti y . Sehingga
dt
dy
t 2 y ty 1 dapat ditulis t 2 ty 1 . Bentuk tersebut harus disusun dalam
dt
bentuk umum (persamaan 3.10.b), yaitu:
1 dy
Kedua ruas dikalikan 2
karena koefisien belum 1. Sehingga persamaan
t dt
(3.3.7.b) dapat ditulis sebagai
1 2 dy 1
2
t ty 1 2
t dt t
dy 1 1
y 2
dt t t
Oleh karena sudah standard maka metode faktor integral dapat digunakan.
Soal harus memiliki bentuk persamaan diferensial linear tingkat satu yang umum
yaitu:
Pt U Qt .
dU
(3.8)
dt
Faktor integral disimbolkan I t yaitu
P t dt
I t e . (3.9)
dU
Pt U I t Qt I t . (3.10)
dt
Kemudian selesaikan persamaan (3.3.10) dengan mengintegralkan.
y y 2 , y 1 2 .
1 1
Dapat ditulis sebagai
t t
Bentuk soal menjadi
dy 1 1 (*)
y 2.
dt t t
Jadi
1
t dt
I t e e Int c1
e Int e c1 K1e Int dan K1 e c1
K1t
Untuk selanjutnya digunakan K1 1. Kalikan kedua ruas dengan faktor integral
dy 1
t dt y dt t dt . (**)
dy d .
t
dt y dalam bentuk sebagai dan kita akan mencari yang harus termuat
dt
dalam tanda kurung akan tetapi tidak merubah makna. Hal ini dilakukan dengan
tujuan agar kita dapat menyusun persamaan (**) dalam bentuk umum sebagai
berikut:
d .
dt . c . (***)
dt
d ty dt dy dy
Kita mengetahui bahwa y t yt . Oleh karena itu
dt dt dt dt
persamaan (**) menjadi
ty dt
1
1 ty c1 dt ln t c2
d
dt t dt . t
ty ln t K dengan K c2 c1
Jadi penyelesaian umum untuk contoh 3.5 adalah
ln t K
y .
t t
Agar memenuhi nilai awal y1 2 maka K harus ditentukan.
y 1
ln 1 K
Untuk t 1 maka 1 1 2 In1 K 0 K . Jadi K = 2.
1. y 2 y 2e x
2. y x 5 y
xy 2 y e x
2
5.
6. y cos x y sin x sin 2 x ; x
2 2
7. 1 xy xy
dy
8. 2 xy x 2
dx
dy
9. x2 2 xy cos x
dx
2u 0.1, u 0 1.0 .
du
1.
dt
2u 0.1t , u 0 0 .
du
2.
dt
u t , u 0 0 .
du
3
dt
Beberapa soal dibahas.
2u 0.1, u 0 1.0
du
dt
du
Perhatikan 2u 0.1 .
dt
Dapat ditulis
du
dt dapat sebagai PD terpisah (3.11)
2u 0.1
f u du dengan f u
du 1
. Bagaimanakah menyelesaikan
2u 0.1 2u 0.1
du
2u 0.1 ? .
Bentuk ini belum standard terhadap bentuk standard
d .
. ln . c1 . (3.12)
du
Jadi 2u 0.1 perlu disusun dalam bentuk standard yaitu dengan substitusi.
dP dP
Misal P 2u 0.1 sehingga 2 . Jadi du . Sehingga
du 2
du 1 dP
2u 0.1 2 P
. (3.13)
du 1 dP 1 1
2u 0.1 2 ln P c1 ln 2u 0.1 c1 .
P 2 2
dt sehingga dt t c2 . (3.14)
2u 0.1 Ae2t , A e c .
Ae 2t 0.1
u .
2
Untuk mendapatkan A perlu digunakan u 0 1.0 .
1 A
1 0.1 2 A 0.1 2 0.1 A
2
1.9e 2t 1
u .
2
Kesimpulan
Persamaan Diferensial yang telah kita pelajari, persamaan diferensial tingkat satu
sebagai
1. 1 PD Terpisah
2. PD Linear Tingkat Satu dengan Faktor Integral
atau e P ( x) ye Q ( x )e
P ( x ) dx dy P ( x ) dx P ( x ) dx
dy P ( x ) dx
P( x) y e Q ( x )e
P ( x ) dx
dx dx
P ( x ) dx dy P ( x ) dx
e P( x) ye dx Q( x)e
P ( x ) dx
dx .
dx
P ( x ) dx dy P ( x ) dx
e P( x) ye dx = y( x)e
P ( x ) dx .
dx
= Q( x)e P ( x ) dx dx atau
y ( x )e
P ( x ) dx
y ( x) e
P ( x ) dx P ( x ) dx
Q( x) e dx .
Pada bagian ini kita banyak menggunakan MATLAB sehingga perlu dasar-
dasar pemrograman dengan MATLAB. Hal ini sudah dipelajari pada mata kuliah
yang lain sehingga kita hanya menggunakan saja.
Yang lalu kita lanjutkan dengan interpolasi cubic spline dan chebyshev
y=cos(x);
close all
a = -pi; b = pi;
figure
clf, plot(xx,yy,'r-')
hold on
x=linspace(a,b,5);y=cos(x);
Keluaran program
Catatan :
Bagaimana menyusun polinomial Chebyshev ?.
Diketahui bahwa
N
f ( x) c N ( x) d mTm ( x' )
m 0 x '
2
ba
x a 2 b
Penyusunan polinomial dalam bentuk itu telah dilakukan secara otomatis pada
fungsi cheby.m Jadi penulisan polinomial dapat mengikuti pola standard yaitu
p5 ( x) -0.0000 x 5 0.0248 x 4 0.0000 x 3 -0.4411x 2 -0.0000 x 0.9680
0.0248 x 4
-0.4411x 2
0.9680
Sedangkan untuk mengilustrasikan dalam bentuk grafik, kita telah menambah
beberapa titik lain pada interval domain dan menggunakan fungsi polyval (dari
MATLAB) untuk mencari nilai polinomial tiap titik, yaitu pada perintah:
xx = [-pi: 0.02 : pi]; yy = polyval(c,xx); %interpolasi untuk x pada [-2,2]
Latihan soal 4.2 Lakukan data yang sama pada soal 1 dengan fitting kurva.
Anggap data tersebut merupakan polinomial derajat 5. Gunakan fungsi polyfit.m
Soal test 1.
Suatu hasil eksperimen menunjukkan bahwa pada setiap pengukuran nilai x berikut
diperoleh nilai y
x=[-6.332 -4.911 -3.4902 -2.0944 -0.6981 0.6981 2.0944 3.4907 4.911 6.332]
y=[0.1 -1.6321 1.5321 -0.2 -1.821 1.7521 -0.2 -1.5321 1.6321 -0.1]
Catatan: sketsalah jawaban anda dengan tangan sesuai dengan keluaran program
Posisi titik menyesuaikan
(c) Susunlah nilai y hasil pendekatan fungsi polyfit pada vektor baris.
0
y
data
-2
spline
polyfit order 7
-4
-8 -6 -4 -2 0 2 4 6 8
x
Contoh 4.3
Misal kita akan mencari turunan dari f(x) = x pada x = π/4, dimana fungsi diberikan
sebagai salah satu set titik data berikut:
Kasus 1
3 3
, sin , , sin , , sin
8 8 4 4 8 8
Karena ada 3 titik data, dinyatakan dalam poliomial lagrang orde-2 sedangkan
turunannya sebagai polinomial orde-1. Dengan Geogebra kita dapat mencoba
menggambar.
Program Keluaran
clear x = 0.3927 0.7854 1.1781
x = [pi/8 pi/4 3*pi/8] y =0.3827 0.7071 0.9239
y = [sin(pi/8) sin(pi/4) sin(3*pi/8)] px =-0.3490 1.2373 -0.0494
px = lagranp(x,y) % Lagrange polynomial ypolinomial =0.3827 0.7071 0.9239
interpolating (x,y) dpx =-0.6981 1.2373
ypolinomial=polyval(px,x) dfx =0.9632 0.6891 0.4149
dpx = polyder(px) % derivative of polynomial bandingfungsi =0.3827 0.3827
px 0.7071 0.7071
dfx = polyval(dpx, x) 0.9239 0.9239
bandingfungsi=[y' ypolinomial'] bandingturunan = 0.9239 0.9632
bandingturunan=[cos(x)' dfx'] 0.7071 0.6891
0.3827 0.4149
Pada tabel 4.2 kolom keluaran diperoleh nilai fungsi dan nilai turunan.
Nilai turunan eksak pada variabel bandingturunan kolom ke-1, sedangakan
pendekatannya pada kolom ke-2. Dapat dilihat bahwa keduanya mempunyai hasil
yang cukup dekat.
Kasus 2
Scara sama dengan kasus 1, dipelajari untuk proram-program titik berikut ini:
3 3 4 4
(0, sin 0), , sin , , sin , , sin , , sin
8 8 4 4 8 8 8 8
Yang diilustrasika dalam gambar 4.5.
Program Keluaran
clear x =0 0.3927 0.7854 1.1781 1.5708
y =0 0.3827 0.7071 0.9239 1.0000
x = [0 pi/8 pi/4 3*pi/8 4*pi/8] px =0.0287 -0.2036 0.0200 0.9963 0
y = [sin(0) sin(pi/8) sin(pi/4) sin(3*pi/8) ypolinomial =0 0.3827 0.7071 0.9239
sin(4*pi/8)] 1.0000
px = lagranp(x,y) % Lagrange polynomial dpx =0.1149 -0.6108 0.0399 0.9963
interpolating (x,y) dfx =0.9963 0.9248 0.7066 0.3835 -
ypolinomial=polyval(px,x) 0.0028
dpx = polyder(px) % derivative of bandingfungsi = 0 0
polynomial px 0.3827 0.3827
dfx = polyval(dpx, x) 0.7071 0.7071
bandingfungsi=[y' ypolinomial'] 0.9239 0.9239
bandingturunan=[cos(x)' dfx'] 1.0000 1.0000
bandingturunan = 1.0000 0.9963
0.9239 0.9248
0.7071 0.7066
0.3827 0.3835
0.0000 -0.0028
Pada tabel 4.3 kolom keluaran diperoleh nilai fungsi dan nilai turunan. Nilai
turunan eksak pada variabel banding turunan kolom ke-1, sedangkan pendekatan-
Kasus 3
Scara sama dengan kasus 1 dan kasus 2, dipelajari untuk proram-program titik
berikut ini:
2 2 3 3 4 4 5 5 6 6
, sin , , sin , , sin , , sin , , sin
16 16 16 16 16 16 16 16 16 16
Yang diilustrasikan dalam gambar 4.6 dan program ditunjukkan pada Tabel 4.4.
Program Keluaran
Clear x = 0.3927 0.5890 0.7854
x = [2*pi/16 3*pi/16 4*pi/16 5*pi/16 0.9817 1.1781
6*pi/16]%[1,5], angka 5 menunjukkan jumlah y =0.3827 0.5556 0.7071
derajat 0.8315 0.9239
y = [sin(2*pi/16) sin(3*pi/16) sin(4*pi/16) px =0.0293 -0.2087 0.0298
sin(5*pi/16) sin(6*pi/16)]%nilai eksak 0.9897 0.0014
px = lagranp(x,y) % Lagrange polynomial ypolinomial =0.3827 0.5556
interpolating (x,y) 0.7071 0.8315 0.9239
ypolinomial=polyval(px,x) dpx = 0.1171 -0.6261 0.0596
dpx = polyder(px) % derivative of polynomial px 0.9897
dfx = polyval(dpx, x) dfx =0.9237 0.8315 0.7071
bandingfungsi=[y' ypolinomial'] 0.5556 0.3825
bandingturunan=[cos(x)' dfx'] bandingfungsi =
0.3827 0.3827
0.5556 0.5556
0.7071 0.7071
0.8315 0.8315
0.9239 0.9239
bandingturunan =
0.9239 0.9237
0.8315 0.8315
0.7071 0.7071
0.5556 0.5556
0.3827 0.3825
Pada tabel 4.4 kolom keluaran diperoleh nilai fungsi dan nilai turunan. Nilai
turunan eksak pada variabel bandingturunan kolom ke-1, sedangkan pendekatannya
pada kolom ke-2. Dapat dilihat bahwa keduanya mempunyai hasil yang cukup dekat.
Ini menggambarkan bahwa jika kita memiliki lebih banyak titik yang
dibagikan lebih dekat ke titik sasaran, kita mungkin mendapatkan hasil yang lebih
baik.
Pada bagian ini akan dilakukan studi numerik yang berdasarkan data yang
ada di sekitar kita. Berbagai pendekatan data sebagai fungsi sudah ditunjukkan.
Sedangkan bagian ini akan dilakukan sebuah praktikum dimana data diambil dari
penelitian (Kristianingsih, dkk,2013). Data yang digunakan merupakan data
Mocorin sebagai hasil fermentasi dari jagung dengan penambahan bekatul.Salah
satu varietas unggul jagung yang dipilih sebagai benih adalah Bisi 2 (Silvia, 2012).
Pada penelitian Silvia analisa secara statistik telah dilakukan dalam menentukan
dan membandingkan nilai gizi mocorin antar berbagai perbandingan jagung kuning
varietas Bisi 2 untuk mengoptimalkan kandungan proksimat (kadar karbohidrat,
protein, air, abu, lemak, dan serat). Terdapat 5 macam proporsi penambahan
bekatul yang digunakan, yaitu 0%, 12,5%, 25%, 37,5%, dan 50%. Pada hasil
perhitungan secara statistik ini adalah tidak dapat dicari nilai-nilai kadar
kandungan proksimat yang optimal yang terbentuk dari para pengoptimalnya. Hal
inilah yang kemudian menjadi pokok bahasan dalam melakukan penelitian lebih
lanjut yaitu untuk mengetahui nilai kandungan proksimat optimal dari hasil
hubungan nilai-nilai pengoptimalnya.
Terdapat berbagai algoritma yang digunakan tetapi pada bagian ini akan
digunakan algoritma genetik (AG). Beberapa penelitian telah menggunakan
seperti untuk menyelesaikan permasalahan optimasi dan pemodelan pada berbagai
bidang. Pada bidang kimia digunakan untuk mengestimasi parameter pada model
kinetic (Katare, dkk. 2008) dan optimasi pada sekumpulan proses kimia (Mokeddem,
2010). Selain digunakan di bidang kimia. Pada bidang ekonomi, seperti memodelkan
penjadwalan yaitu cobweb-type (Dawid, dkk., 1998). AG juga digunakan untuk
mengoptimasi masalah penjadwalan flow-shop (Gunawan, 2003) dan optimasi
penjadwalan kegiatan belajar mengajar (Nugraha, 2008). Pada bidang fisika
Karbohidrat
𝟐 −𝜷𝒚𝟐
𝒘 = 𝜸𝒙𝒆−𝜶𝒙 (5.1)
di mana 𝛼, 𝛽, 𝛾 pada persamaan (5.1) dicari dengan menggunakan metode kuadrat
terkecil, yaitu meminimalkan:
𝒑 = 𝒂𝒆−𝒃𝒌 (5.5)
di mana a dan b pada persamaan (5.5) dicari dengan menggunakan metode kuadrat
terkecil, yaitu meminimalkan :
R 0 (5.7)
a b
Sama seperti persamaan (5.3), persamaan (5.7) merupakan sistem persamaan tak
linier yang perlu diselesaikan secara numerik. Penyelesaian yang diperoleh
merupakan penyelesaian kritis untuk R, sebutlah (𝑎∗ , 𝑏 ∗ ). Untuk menyelidiki sifat
(𝑎∗ , 𝑏 ∗ ) perlu diamati sifat Hessian R di (𝑎∗ , 𝑏 ∗ ), yaitu
𝜕2 𝑅 𝜕2𝑅
2
𝐻𝑅 = [ 𝜕𝑎2 𝜕𝑎𝜕𝑏
] (5.8)
𝜕 𝑅 𝜕2𝑅
𝜕𝑏𝜕𝑎 𝜕𝑏 2
Ulangan Massa sampel (gram) Absorbansi Kadar Karbohidrat (%) Rata- rata
1 0.1014 0.511 44.2024 43.03
0.1014 0.485 41.8522
0.1014 0.462 39.7731
2 0.1014 0.506 43.7505 43.49
0.1038 0.266 43.0921
0.1038 0.269 43.6219
3 0.104 0.298 48.6498 47.89
0.104 0.293 47.7685
0.104 0.29 47.2397
4 0.1461 0.373 44.0415 43.48
0.1461 0.364 42.9122
0.1461 0.325 38.0187
5 0.1047 0.264 42.3715 43.89
0.1047 0.276 44.4726
0.1047 0.278 44.8228
MOCORIN dengan Perbandingan Jagung : Bekatul (62,5:37,5)
Ulangan Massa sampel (gram) Absorbansi Kadar Karbohidrat (%) Rata – rata
1 0.1033 0.48 40.6388 40.33
0.1033 0.473 40.0176
0.1033 0.42 35.3149
2 0.0998 0.253 42.4313 39.74
0.0998 0.226 37.4718
0.0998 0.236 39.3087
Ulangan Massa sampel (gram) Absorbansi Kadar Karbohidrat (%) Rata – rata
1 0.1016 0.453 38.8829 38.25
0.1016 0.434 37.1688
0.1016 0.451 38.7025
2 0.1032 0.244 39.4347 38.37
0.1032 0.24 38.7242
0.1032 0.23 36.9478
3 0.1037 0.236 37.8303 37.96
0.1126 0.254 37.7707
0.1126 0.256 38.0963
4 0.1029 0.24 38.8371 38.30
0.1029 0.205 32.6018
0.1029 0.234 37.7682
5 0.1032 0.242 39.0794 38.64
0.1032 0.237 38.1913
0.1032 0.205 32.507
function R=cariLamdkkbaru(x)
bekatul
xdataasli=banyakk(:,nokolom);
xdata=xdataasli./max(xdataasli);
xmasa=xmasaasli./max(xmasaasli);
xabs=xabsasli./max(xabsasli);
for i=1:75
xmodel(i)=tau*xmasa(i)*exp(-lam*xmasa(i)^2-beta*xabs(i)^2);
beda(i)=(xdata(i)-xmodel(i));
end
R=beda;
[x,fval] = lsqnonlin(@cariLamdkkbaru,x0)
load banyakk.dat;
nokolom=3;
xdataasli=banyakk(:,nokolom);
xdata=xdataasli./max(xdataasli);
xmasaasli=banyakk(:,1);
xmasa=xmasaasli./max(xmasaasli);
xabsasli=banyakk(:,2);
xabs=xabsasli./max(xabsasli);
lam=x(1);beta=x(2);tau=x(3)
myfungsi=tau.*xmasa.*exp(-lam.*xmasa.^2-beta.*xabs.^2);
banding=[xdata myfungsi]
xdim=myfungsi*max(xdataasli);
bandingdim=[xdataasli xdim]
lam=x(1);beta=x(2);tau=x(3)
xmasa=xmasa(1)
xabs=xabs(1)
G=xdata(1)-myfungsi(1)
ini=exp(-lam.*xmasa.^2-beta.*xabs.^2)
Vlam=tau.*xmasa.^3.*ini
Vtau=-xmasa.*ini
Vbeta=tau.*xmasa.*xabs.^2.*ini
Vlamlam=-tau.*xmasa.^5.*ini
Vlambeta=-tau.*xmasa.^3.*xabs.^2.*ini
Vlamtau=xmasa.^3.*ini
Vbetatau=xmasa.*xabs.^2.*ini
Vbetabeta=-tau.*xmasa.*xabs.^4.*ini
Vtautau=0
a11=2.*Vlam.*Vlam+G.*Vlamlam
a12=2.*(Vbeta.*Vlam+G.*Vlambeta)
a21=a12
a22=2.*Vbeta.*Vbeta+G.*Vbetabeta
a23=2.*(Vtau.*Vbeta+G.*Vbetatau)
a31=a13
a32=a23
a33=2.*Vtau.*Vtau+G.*Vtautau
function P = gen_encode(X,Nb,l,u)
for n = 1:Np
b2=0;
for m = 1:N
b1 = b2+1; b2 = b2 + Nb(m);
P(n,b1:b2) = dec2bin(Xnm,Nb(m));
end
end
function X = gen_decode(P,Nb,l,u)
for n = 1:Np
b2=0;
for m = 1:N
b1 = b2 + 1; b2 = b1 + Nb(m) - 1;
end
end
Nbb = length(Nb);
b2=0;
for m = 1:Nbb
b1 = b2 + 1; bi = b1 + mod(floor(rand*Nb(m)),Nb(m)); b2 = b2 + Nb(m);
tmp = chrms2(1,bi:b2);
chrms2(1,bi:b2) = chrms2(2,bi:b2);
chrms2(2,bi:b2) = tmp;
end
Nbb = length(Nb);
for n = 1:size(P,1)
b2=0;
for m = 1:Nbb
b1 = b2 + 1; bi = b1 + mod(floor(rand*Nb(m)),Nb(m)); b2 = b2 + Nb(m);
P(n,bi) = ~P(n,bi);
end
end
end
N = length(is);
for n = N:-1:2
end
N = length(x0);
if nargin < 9 |eta > 1 |eta <= 0, eta = 1; end %learning rate(0 < eta < 1)
variabel
%menginisialisasi populasi
NNb = sum(Nb);
X(1,:) = xo;
P = gen_encode(X,Nb,l,u);
for k = 1:kmax
X = gen_decode(P,Nb,l,u);
[fxb,nb] = min(fX);
fXm = fX1(nb);
if fXm < eps, return; end %berakhir jika semua kromosom sama
for n = 1:Np
end
P = gen_encode(X,Nb,l,u);
%Mating/Crossover
is = shuffle([1:Np]);
for n = 1:2:Np - 1
end
%Mutasi
P = mutation(P,Nb,Pm);
End
clear, clf
[xo_gen,fo_gen] = genetic(f,x0,l,u,Np,Nb,Pc,Pm,eta,kmax)
function R=caripar_proH(x)
load 'Abs_mas_ca.dat'
M=Abs_mas_ca;
x1_=M(:,1)/max(M(:,1));
y1_=M(:,2)/max(M(:,2));
tx1=1:numel(x1_);
ti1=1:0.05:numel(x1_);
yi1=interp1(tx1,y1_,ti1);
nn=length(yi1);
y2_=M(:,3)/max(M(:,3));
ti2=ti1;
yi2=interp1(tx2,y2_,ti2);
%%%%%%%%%%%%%
tx=1:numel(y1_);
ti=1:0.05:numel(y1_);
yikarbothdpmassa=interp1(tx,y1_,ti);
%%%%%%%%%%%%%%%%%%%%%%%%%%%protein terhadap
absorbance
load 'Abs_pro_comp.dat'
P=Abs_pro_comp;
x_ =P(:,1)/max(P(:,1));
y_ =P(:,2)/max(P(:,2));
tx=1:numel(x_);
ti=1:0.05:numel(x_);
yi=interp1(tx,y_,ti);
a=x(1);b=x(2);c=x(3);
karbo=yikarbothdpmassa;
pro=yi;
for i=1:nn
xmodel(i)=a.*exp(-b.*karbo(i))+c;
beda(i)=(pro(i)-xmodel(i));
end
R=beda;
x0 =[5 5 10]
[x,siR] = lsqnonlin(@caripar_proH,x0)
load 'Abs_mas_ca.dat'
M=Abs_mas_ca;
x1_=M(:,1)/max(M(:,1));
y1_=M(:,2)/max(M(:,2));
tx1=1:numel(x1_);
ti1=1:0.05:numel(x1_);
yi1=interp1(tx1,y1_,ti1);
nn=length(yi1);
y2_=M(:,3)/max(M(:,3));
ti2=ti1;
tx2=1:numel(x2_);
yi2=interp1(tx2,y2_,ti2);
%%%%%%%%%%%%%
tx=1:numel(y1_);
ti=1:0.05:numel(y1_);
yikarbothdpmassa=interp1(tx,y1_,ti);
%%%%%%%%%%%%%%%%%%%%%%%%%%%protein terhadap
absorbance
P=Abs_pro_comp;
x_ =P(:,1)/max(P(:,1));
y_ =P(:,2)/max(P(:,2));
tx=1:numel(x_);
ti=1:0.05:numel(x_);
yi=interp1(tx,y_,ti);
%fungsi
a=x(1);b=x(2);c=x(3);
myfungsi=a*exp(-b*karbo)+c;
banding=[yi myfungsi];
figure
plot(karbo,pro,'r*')
a=x(1);b=x(2);c=x(3);
optimizerpar=[a b c]
Va=-exp(-b*k);
Vb=k*a*exp(-b*k);
Vc=1;
Vaa=0;
a11=2.*Va.*Va+G.*Vaa;
a12=2.*(Vb.*Va+G.*Vab);
a13=2.*(Vc.*Va+G.*Vac);
a21=a12;
a22=2.*Vb.*Vb+G.*Vbb;
a23=2.*(Vc.*Vb+G.*Vbc);
a31=a13;
a32=a23;
a33=2.*Vc.*Vc+G.*Vcc;
Hes = [ a11 a12 a13;
a21 a22 a23;
a31 a32 a33];
C = eig(Hes)
Pada model di atas maka error yang dihasilkan cukup kecil, yaitu 13,4892%
(Kristianingsih,dkk,2013). Selanjutnya nilai kadar karbohidrat dioptimalkan
dengan menggunakan AG dan dihasilkan kadar karbohidrat maksimum yaitu pada
sekitar 𝑤 = 51,4269% dengan pemaksimum massa 0,1230 dan pemaksimum
absorbansi 0,6482 yaitu pada proporsi penambahan bekatul sebanyak 12,5%.
Namun pada penelitian pencarian nilai parameter fungsi tujuan kadar protein,
dihasilkan nilai error masih besar yaitu sebesar 33,2679% yang dimungkinkan
karena pemilihan model data yang kurang tepat. Pada pengoptimalan dengan
Metode pemilihan yang dihitung fungsi tujuan yang lebih dari 1 adalah
metode Pareto (Popov, 2005) yaitu dimana tidak ada satu pun solusi yang mampu
memberikan hasil yang lebih optimal dari salah satu fungsi tujuan yang ada tanpa
mengorbankan fungsi tujuan lainnya (Mahmudy, dkk, 2011).
Diasumsikan ada k fungsi tujuan yang akan diminimumkan:
min 𝐹(𝑥̅ ) = (𝑓1 (𝑥̅ ), 𝑓2 (𝑥̅ ), … 𝑓𝑘 (𝑥̅ ))𝑇 , 𝑥̅ 𝜖 𝐶 (5.8)
dimana k ≥ 2 dan C = { 𝑥̅ ∶ ℎ(𝑥̅ ) = 0, 𝑔(𝑥̅ ) ≤ 0, 𝑎𝑖 ≤ 𝑥𝑖 ≤ 𝑏𝑖 }, ℎ(𝑥̅ ) dan 𝑔(𝑥̅ )
merupakan fungsi kendala, 𝑥̅ merupakan vektor dari variabel keputusan, 𝑎𝑖
merupakan batas bawah dan 𝑏𝑖 merupakan batas atas. Jika sebuah fungsi kendala
mempunyai bentuk 𝑔(𝑥̅ ) ≥ c maka dapat diubah menjadi – 𝑔(𝑥̅ )+c≤0. Konsep
skalar dari nilai optimum tidak biasa diterapkan secara langsung pada kasus
multiobjective. Konsep penggantinya adalah optimum pareto. Vektor 𝑥̅ 𝜖 𝐶
dikatakan optimum pareto jika semua vektor 𝑥̅ 𝜖 𝐶 yang lain mempunyai nilai yang
lebih tinggi setidaknya untuk satu fungsi objektif. Optimasi dengan multiobjective
function mendapatkan perhatian yang signifikan dari para peneliti. Telah dilakukan
𝐴 = 𝑈𝛴𝑉 𝑇 (5.12)
nxm
Menurut Watkins (1991) pada persamaan (5.12) jika matriks Aϵ R
mempunyai rank r, maka terdapat matriks dengan kolom-kolom dari nilai eigen
𝐴𝐴𝑇 U ϵ Rnxn, Σ adalah matriks diagonal dari akar nilai eigen 𝐴𝐴𝑇 Σ ϵ Rnxm, dan V
adalah matriks dengan kolom-kolom dari vektor eigen 𝐴𝐴𝑇 V ϵ Rmxm.
Serat
Model yang akan digunakan dalam memodelkan fungsi tujuan untuk karbohidrat
adalah fungsi eksponensial:
𝟐 −𝒄𝒎𝟐
𝑺 = 𝒂𝒆−𝒃𝒌
Fungsi ini digunakan untuk menyatakan Serat sebagai fungsi karbohidrat dan
massa dimana 𝑎, 𝑏, 𝑐 pada persamaan (5.8) dicari dengan menggunakan metode
kuadrat terkecil, yaitu meminimalkan :
𝑅 = ∑𝑛𝑖=1(𝑆𝑖,𝑑𝑎𝑡𝑎 − 𝑆𝑖,𝑚𝑜𝑑𝑒𝑙 )2
clear
close all
load 'Karbosaja.dat'
load 'Massasaja.dat'
load 'proteinruth.dat'
P=proteinruth;
P=P./max(P);
M=Massasaja;
M=M./max(M);
K=Karbosaja;
K=K./max(K);
Datatakberdim=[K M P]
[m,n]=size(Datatakberdim)
x=K;
y=M;
i=ones(1,length(x))';
Bandypadhyay, S.S., Saha, U., Maulik, K., Deb., 2008. A Simulated Annealing-
Based Multiobjective Optimization Algorithm: AMOSA. Evolutionary
Computation, IEEE Transactions on 12(3): 269-283.
Dawid, H., Kopel, M.. 1998. On economic applications of genetic algorithm : a
model of cobweb-type, J Evol Econ 8 : 297-315.
Doerner, K., Gutjahr, W., Hartl R., Strauss C., Stummer C. 2004. Pareto Ant
Colony Optimization: A Metaheuristic Approach to Multiobjective
Portfolio Selection.Annals of Operations Research. 131(1): 79-99.
Goldberg, D.E., 1989. Genetic Algorithm in Search, Optimization, and Machine
Learning. Canada: Addison-Wesley Publishing Company, Inc.
Gunawan, H., 2003. Aplikasi Algoritma Genetik untuk Optimasi Masalah
Penjadwalan Flow-Shop. Skripsi. FTP. Institut Pertanian Bogor, Bogor.
Hofler, A., Terzic, B., Kramer, M., Zvezdin, A., Morozov, V., Roblin, Y., Lin, F,
Jarvis, C., 2013. Innovative applications of genetic algorithms to
problems in accelerator physics. Phys. Rev. ST Accel. Beams 16.
Mokeddem,D., Khellaf.A., 2010. Multicriteria Optimization of Multiproduct
Batch Chemical Process Using Genetic Algorithm. Journal of Food
Process Engineering. Vol. 33 (6): 979-991.
Nugraha, I. 2008. Aplikasi Algoritma Genetik untuk Optimasi Penjadwalan
Kegiatan Belajar Mengajar. Jurnal. ITB: Sekolah Teknik Elektro dan
Informatika, Program Studi Teknik Informatika. Bandung.
Katare, S. A., Bhan, J. M., Caruthers, W. N., Delgass, Venkatasubramanian, V.
2004. A hybrid genetic algorithm for efficient parameter estimation of
large kinetic models. Computers and chemical engineering, Vol. 28 :
2569–2581.
Kristianingsih, R, Parhusip,H.A, Mahatma, T, 2013. Penggunaan Algoritma
Genetik dalam Mengoptimalkan Kandungan Karbohidrat dan Protein
Pada Mocorin, Prosiding, Seminar Nasional Matematika dan Pendidikan
Matematika UNY,9 Nov, ISBN:978-979-16353-9-4: MT – 207-214.