See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/358878418

Pemodelan Matematika

Book · February 2022

CITATIONS READS

0 7,693

1 author:

Meksianis Ndii
Universitas Nusa Cendana
66 PUBLICATIONS   737 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Hardwater and its relation to kidney function View project

DYNAMICAL SYSTEMS AND OPTIMAL CONTROL THEORY WITH THEIRS APPLICATIONS IN DETERMINING OPTIMAL STRATEGY OF ZOONOTIC DISEASES INTERVENTION
View project

All content following this page was uploaded by Meksianis Ndii on 26 February 2022.

The user has requested enhancement of the downloaded file.

 DAFTAR ISI

PRAKATA iii

DAFTAR GAMBAR ix

DAFTAR TABEL xi

1 PENDAHULUAN 1
1.1 Pemodelan Matematika . . . . . . . . . . . . . . . 1
1.2 Fenomena Dinamika . . . . . . . . . . . . . . . . . 3
1.3 Beberapa Contoh . . . . . . . . . . . . . . . . . . . 5
1.4 Tahapan Analisis Model . . . . . . . . . . . . . . . 8

2 PERSAMAAN BEDA 11
2.1 Pengantar . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Persamaan Beda Linear Orde Satu . . . . . . . . . 12
2.2.1 Persamaan Beda Linear Orde Satu Homogen 12
2.2.2 Persamaan Beda Linear Orde Satu
Nonhomogen . . . . . . . . . . . . . . . . . 14
2.3 Persamaan Beda Linear Orde Tinggi . . . . . . . . 19
2.4 Penyelesaian Persamaan Beda . . . . . . . . . . . 21
2.5 Sistem Persamaan Beda Orde Satu . . . . . . . . . 25
2.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . 28

3 PERSAMAAN DIFERENSIAL 31
3.1 Pengantar dan Definisi . . . . . . . . . . . . . . . 31
3.2 Persamaan Diferensial Linear Orde Satu . . . . . . 31
3.3 Pemisahan Variabel . . . . . . . . . . . . . . . . . 37
3.4 Solusi Numerik dari Persamaan Diferensial . . . . 39
3.5 Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . 40

v
vi PEMODELAN MATEMATIKA

3.6 Persamaan Diferensial Orde Dua . . . . . . . . . . 49

3.7 Sistem Persamaan Diferensial . . . . . . . . . . . . 50
3.8 Analisis Bifurkasi . . . . . . . . . . . . . . . . . . 51
3.8.1 Analisis Bifurkasi Satu Dimensi . . . . . . 51
3.8.2 Aplikasi Bifurkasi pada Model Perikanan . 55
3.8.3 Analisis Bifurkasi Dua Dimensi . . . . . . 58
3.9 Latihan . . . . . . . . . . . . . . . . . . . . . . . . 60

4 ANALISIS SISTEM PD NONLINEAR 63

4.1 Sistem Nonlinear . . . . . . . . . . . . . . . . . . . 63
4.2 Titik Tetap . . . . . . . . . . . . . . . . . . . . . . 65
4.3 Matriks Jacobian . . . . . . . . . . . . . . . . . . . 66
4.4 Kriteria Routh-Hurwitz . . . . . . . . . . . . . . . 68
4.5 Kestabilan Lyapunov . . . . . . . . . . . . . . . . . 69
4.6 Analisis Sensitivitas . . . . . . . . . . . . . . . . . 70
4.7 Basic Reproduction Number . . . . . . . . . . . . 71
4.8 Relasi R0 dan Kestabilan Global . . . . . . . . . . 74
4.9 Bifurkasi Balikan (Backward Bifurcation) . . . . . 77
4.10 Latihan . . . . . . . . . . . . . . . . . . . . . . . . 81

5 KONTROL OPTIMAL 83
5.1 Pengantar . . . . . . . . . . . . . . . . . . . . . . . 83
5.2 Pengantar Kontrol Optimal . . . . . . . . . . . . . 83
5.3 Prinsip Maksimum Pontragyn . . . . . . . . . . . 85
5.4 Metode Numerik untuk Kontrol . . . . . . . . . . 86
5.5 Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . 89
5.5.1 Model Penyebaran SIR dengan Kontrol . . 89
5.5.2 Dinamika Penyebaran Rubella . . . . . . . 91
5.5.3 Dinamika Konsumsi Air Sadah dan
Gangguan Ginjal . . . . . . . . . . . . . . . 92
5.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . 96

vi
DAFTAR ISI vii

6 METODE NUMERIK 99
6.1 Metode Euler . . . . . . . . . . . . . . . . . . . . . 99
6.2 Metode Runge Kutta . . . . . . . . . . . . . . . . . 102
6.3 Skema Beda Hingga Non Standar . . . . . . . . . . 106
6.4 Metode Transformasi Diferensial . . . . . . . . . . 110
6.5 Latihan . . . . . . . . . . . . . . . . . . . . . . . . 116

7 PROGRAM MATLAB 119

7.1 Penyebaran Rubela . . . . . . . . . . . . . . . . . . 119
7.2 MATLAB Skema Beda Hingga . . . . . . . . . . . . 126
7.3 MATLAB untuk Model Deterministik SIRS . . . . 128
7.4 Metode Transformasi Diferensial . . . . . . . . . . 130

TENTANG PENULIS 141

DAFTAR PUSTAKA 141

vii
 DAFTAR GAMBAR

3.1 Konsentrasi garam dalam aliran air . . . . . . . . 45

3.2 Ilustrasi eksistensi titik tetap ketika nilai r berubah 53
3.3 Diagram Bifurkasi (Saddle Node). . . . . . . . . . 53
3.4 Eksistensi titik tetap ketika nilai r berubah. . . . 54
3.5 Diagram Bifurkasi (Pitchfork Bifurcation). . . . . 54
3.6 Eksistensi titik tetap ketika nilai r berubah . . . . 55
3.7 Diagram Bifurkasi (Transcritical bifurcation) . . . 55
3.8 Diagram bifurkasi untuk permasalahan
penangkapan ikan. . . . . . . . . . . . . . . . . . . 58
3.9 Ilustrasi Hopf bifurcation . . . . . . . . . . . . . . 60

6.1 Simulasi Numerik antara Metode Runge-Kutta

dan Transformasi Diferensial . . . . . . . . . . . . 116

ix
 DAFTAR TABEL

6.1 Solusi persamaan diferensial dengan metode

Euler . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.2 Solusi persamaan diferensial dengan metode
Runge-Kutta orde 4 . . . . . . . . . . . . . . . . . 105
6.3 Operasi dari transformasi diferensial . . . . . . . 112

xi
 BAB 1
PENDAHULUAN

1.1 Pemodelan Matematika

Pemodelan matematika merupakan salah satu teknik
untuk merepresentasikan suatu sistem yang kompleks ke
dalam model matematika. Dengan kata lain, pemodelan
matematika merupakan suatu sistem persamaan yang dapat
merepresentasikan suatu permasalahan kompleks yang sedang
diamati. Dengan demikan, model matematika yang diformulasi
diharapkan mampu menjelaskan situasi kompleks yang sedang
diamati.
Model matematika terdiri dari variabel, parameter dan
fungsi yang menyatakan relasi antara variabel dan parameter.
Dalam pemodelan, kita perlu dengan tepat memilih hal-hal
yang perlu diabaikan dan hal-hal yang perlu diikutkan dalam
model. Ini sangat bergantung pada permasalahan yang sedang
pelajari atau teliti. Secara umum, model matematika
diklasifikasikan kedalam beberapa kategori yakni model
fenomena (phenomenological model ) dan model mekanistis
(mechanistic model ).
Model fenomena (phenomological model ) merupakan
sebuah jenis model yang mendeskripsikan sebuah fenomena
yang terjadi yang konsisten dengan teori tetapi tidak
diformulasi secara langsung dari teori tersebut. Model
fenomena tidak dibangun berdasarkan mekanisme
permasalahan yang sedang dipelajari. Dengan kata lain,
mekanisme internal dari permasalahan yang dipelajari tidak
terepresentasikan dalam model tersebut. Model ini dibangun

1
2 PEMODELAN MATEMATIKA

berdasarkan data yang diperoleh dan secara umum tujuannya

adalah menentukan relasi atau pola antara data. Beberapa
contoh model fenomena adalah sebagai berikut
dC
= rC p (t). (1.1)
dt
Model (1.1) merupakan model yang menjelaskan pertumbuhan
awal dari sebuah individu terinfeksi. Model ini diformulasi
berdasarkan pengamatan data yang menunjukkan bahwa pada
umumnya pada awal pertumbuhan individu akan naik secara
eksponensial.
Contoh dari model fenomena lainnya adalah model
Richards sebagai berikut
  a 
dC C
= rc 1 − (1.2)
dt K

di mana r adalah laju pertumbuhan dan a adalah parameter

yang mengukur deviasi dari dinamika model pertumbuhan
logistik klasik.
Model mekanistis diformulasi berdasarkan mekanisme
permasalahan yang terjadi. Jenis model ini seringkali
diformulasi dalam persamaan atau sistem persamaan
diferensial. Sebagai contoh, model penyebaran penyakit SIR
yakni populasi dibagi kedalam kelompok rentan (S), terinfeksi
(I) dan sembuh (R).
dS β SI
= Λ− − µS,
dt N
dI β SI
= − γI − µI, (1.3)
dt N
dR
= γI − µR.
dt
Perhatikan bahwa model SIR diatas diformulasi berdasarkan
mekanisme penyebaran penyakit menular. Apabila individu

2
BAB 1. PENDAHULUAN 3

rentan (S) berinteraksi dengan proporsi individu terinfeksi (I)

maka individu rentan berpotensi menjadi individu terinfeksi
dengan laju penularan β sehingga mekanisme tersebut ditulis
menjadi (β SI/N). Ini menunjukkan bahwa model tersebut
diformulasi berdasarkan mekanisme dari permasahan yang
sedang dipelajari yakni penyebaran penyakit menular. Ini
berarti bahwa mekanisme internal dari permasalahan tersebut
terepresentasi dalam model SIR tersebut.
Model mekanistis diatas merupakan model deterministik
yakni model yang solusinya ditentukan dari input dan relasinya
dan tidak mengakomodir efek acak/random. Model (1.3) adalah
contoh model deterministik. Model stokastik adalah model yang
mempertimbakan efek acak/random, dan menggunakan nilai
dari parameter dalam bentuk distribusi peluang/probabilitas.
Model stokastik umumnya diformulasi dengan menggunakan
konsep Discrete Time Markov Chain, Continous Time Markov
Chain, dan Stochastic Differential Equation (SDE).

1.2 Fenomena Dinamika

Istilah dinamis merujuk pada suatu fenomena yang
berubah seiring dengan perubahan waktu. Perubahan yang
dimaksud dapat berupa perubahan pola, karakteristik atau
bentuk. Perubahan-perubahan tersebut dapat dimodelkan
kedalam persamaan matematika yang kemudian dianalisis
untuk dipelajari pola perubahan yang terjadi dan kaitannya
dengan permasalahan yang dipelajari. Fenomena-fenomena
yang terjadi seringkali dapat dimodelkan kedalam persamaan
beda atau persamaan diferensial. Dengan demikian, teori-teori
sistem dinamik sangat berkaitan dengan teori-teori yang ada
pada persamaan beda dan persamaan diferensial.
Persamaan beda atau persamaan diferensial digunakan
untuk memodelkan sebuah fenomena sangat bergantung pada

3
4 PEMODELAN MATEMATIKA

karakteristik dari waktu. Persamaan beda digunakan apabila

waktu diskrit dan persamaan diferensial digunakan apabila
waktunya kontinu. Misalkan t adalah waktu, maka t dapat
direpresentasikan dengan sistem bilangan riil apabila t adalah
kontinu. Sebaliknya, apabila t adalah diskrit, maka t dapat
direpresentasikan dengan bilangan bulat yakni t = 0, 1, 2, 3, ....
Apabila permasalahan yang dipelajari sangatlah kompleks
maka dapat dimodelkan kedalam sistem persamaan yang
terdiri lebih dari satu persamaan.
Pada kenyataannya, permasalahan yang dipelajari pada
umumnya sangat kompleks, sehingga umumnya sebuah
fenomena direpresentasikan dalam bentuk sistem persamaan
yakni sebuah sistem yang disusun oleh lebih dari satu
persamaan. Sistem ini memuat lebih dari satu variabel dan
satu parameter. Sebagai contoh, apabila kita ingin mempelajari
dinamika penyebaran penyakit, kita dapat membagi populasi
kedalam tiga kelompok yakni kelompok sehat, kelompok sakit
dan kelompok yang telah sembuh dari penyakitnya. Dengan
demikian, kita setidaknya memiliki tiga persamaan yakni
persamaan untuk dinamika pertumbuhan kelompok orang
sehat, kelompok orang sakit dan kelompok orang sembuh.
Oleh karena itu, dalam analisis kita tentu perlu
memperhatikan interaksi dari ketiga komponen tersebut.
Contoh lain adalah pertumbuhan populasi. Kita perlu
mempertimbangkah pola migrasi populasi antara wilayah,
interaksi antar individu dlam populasi dan kelompok umur
dalam populasi. Berkaca dari penjelasan tersebut, analisis
komprehensif mengenai permasalahan yang dipelajari menjadi
sangat penting agar kita dapat memperoleh informasi yang
akurat mengenai permasalahan yang dipelajari. Oleh karena
itu, analisis permasalahan matematika akan semakin kompleks
tentu membutuhkan teori-teori matematika yang tepat dalam

4
BAB 1. PENDAHULUAN 5

menganalisis hal tersebut. Model matematika dapat digunakan

dengan menggunakan kombinasi persamaan beda, persamaan
diferensial.

1.3 Beberapa Contoh

Pada bagian ini akan diberikan beberapa contoh
permasalahan sistem dinamik yang diformulasi kedalam model
matematika. Dalam memodelkannya, permasalahan dalam
dunia nyata kemudian diabstraksi kedalam bentuk atau model
matematika. Dalam hal ini, pengetahuan tentang
permasalahan yang diteliti sangat diperlukan sehingga model
yang dibentuk dapat merupakan representasi dari
permasalahan yang dipelajari. Perlu diingat juga bahwa tidak
ada model yang benar, tetapi ada model yang berguna. Hal ini
karena dalam pembuatan model. Dalam formulasi model
matematika, diperlukan asumsi-asumsi yang tepat dan
seringkali faktor-faktor yang tidak menjadi fokus untuk
dipelajari dapat diabaikan.
Beberapa contoh yang dipaparkan dibawah ini adalah
dalam bentuk persamaan beda dan juga persamaan diferensial.
Model ini merupakan contoh klasik yang sering digunakan
dalam pembelajaran di kuliah-kuliah pemodelan dan sistem
dinamik.
Contoh 1.3.1 (Pertumbuhan Geometrik). Berikut adalah model
pertumbuhan yang sangat sederhana. Model tersebut dapat
digunakan untuk menggambarkan pertumbuhan populasi
manusia atau populasi lainnya dan pertumbuhan lainnya.
Modelnya adalah dengan menggunaakn persamaan beda
sebagai berikut
x(k + 1) = ax(k) (1.4)
Dari Model (1.4) Nilai x(k) merupakan besarnya variabel
pada waktu t dan parameter a merupakan konstanta yang

5
6 PEMODELAN MATEMATIKA

terkait dengan laju pertumbuhan di mana nilai a > 0 apabila

pertumbuhan positif dan a < 0 apabila pertumbuhan negatif.
Dalam konteks ini, pertumbuhan positif berarti jumlah
populasi meningkat seiring perubahan waktu dan
pertumbuhan negatif berarti jumlah populasi berkurang
seiring perubahan waktu.
Contoh 1.3.2 (Pertumbuhan Eksponensial). Model pertumbuhan
populasi didefinisikan oleh persamaan diferensial
dx
= rx(t). (1.5)
dt
Parameter pertumbuhan r dapat berupa nilai riil apa pun, tetapi
untuk pertumbuhannya (meningkat) harus lebih besar dari nol.
Tuliskan persamaan dalam bentuk
1 dx
= r. (1.6)
x(t) dt
Kedua ruas kemudian dapat diintegrasikan dan diperoleh

log x(t) = rt + log c = log en + log c

di mana c adalah konstanta arbitrer. Mengambil hasil antilog

x(t) = cen .

Akhirnya, dengan menetapkan t = 0, terlihat bahwa x(0) = C,

sehingga solusinya dapat ditulis

x(t) = x(0)en .

Ini adalah persamaan pertumbuhan eksponensial. Model ini

dapat dikembangkan menjadi model pertumbuhan logistik
dengan memasukan faktor kapasitas lingkungan atau carrying
capacity yakni  
dx x(t)
= rx(t) 1 −
dt K
di mana K adalah carrying capacity.

6
BAB 1. PENDAHULUAN 7

Contoh 1.3.3 (Predator-Prey). Model predator-prey merupakan

salah satu contoh klasik dalam masalah sistem dinamik. Model
ini sering dijadikan contoh dalam mata kuliah pemodelan
matematika, matematika biologi, sistem dinamik. Misalkan
dalam suatu daerah terdapat predator dan prey, Prey dapat
bertahan hidup apabila memakan vegetasi yang ada pada
pulau tersebut sementara predator dapat bertahan hidup
apabila memakan prey tersebut. Sistem ini kemudian
dimodelkan kedalam persamaan matematika yang dikenal
dengan model predator-prey. Model matematika adalah sebagai
berikut
dN1
= aN1 (t) − bN1 (t)N2 (t),
dt
dN2
= −cN2 (t) + dN1 (t)N2 (t),
dt
di mana parameter a, b, c dan d bernilai positif.

Contoh 1.3.4 (Model Penyebaran Penyakit). Salah satu model

penyebaran penyakit yang paling sederhana adalah model SIR
di mana populasi dibagi kedalam kelompok individu rentan
atau susceptible (S), kelompok individu terinfeksi atau infected
(I), dan kelompok individu sembuh atau recovered (R). Model
matematika sederhana penyebaran penyakit adalah sebagai
berikut
dS SI
= −β ,
dt N
dI SI
= β − γI, (1.7)
dt N
dR
= γI,
dt
di mana β adalah laju penyebaran penyakit dan γ adalah laju
kesembuhan. Model diatas merupakan model sederhana yang
tidak memasukkan faktor demografi seperti kelahiran dan
kematian.

7
8 PEMODELAN MATEMATIKA

1.4 Tahapan dalam analisis model dari

sistem dinamik
Beberapa tahapan dalam analisis sistem dinamik akan
dipaparkan. Secara umum, analisis sistem dinamik dapat
dilakukan dengan teknik pemodelan matematika. Dapat
dimulai dari identifikasi masalah, menentukan asumsi,
mencari solusi, interpretasi solusi, validasi model. Pada bagian
ini akan dibahas empat tahapan analisis sistem dinamik
sebagaimana dipaparkan oleh David G. Luenberg. Empat
tahapan tersebut adalah representasi dari fenomena, pencarian
solusi, eksplorasi hubungan struktural, dan kontrol atau
modifikasi. Secara umum, empat tahapan tersebut sama
dengan yang dipaparkan oleh Ndii dalam bukunya pemodelan
matematika dinamika populasi dan penyebaran penyakit: teori,
aplikasi, dan numerik [38].

Representasi dari fenomena

Penggunaan matematika untuk analisis permasalahan nyata
adalah untuk mendapatkan representasi dari fenomena yang
dipelajari. Untuk dapat merepresentasikan sebuah fenomena
kedalam model matematika, pemahaman mengenai masalah
tersebut menjadi penting karena hal tersebut dapat membantu
kita dalam melakukan identifikasi faktor-faktor utama yang
perlu direpresentasikan kedalam model. Proses representasi
dikenal dengan pemodelan matematika yang produk akhirnya
adalah model matematika. Dalam merepresentasi fenomena
tersebut kedalam model matematika maka perlu ditetapkan
asumsi-asumsi yang diperlukan dan penting yang kemudian
diikutkan ke dalam model matematika. Penetapan asumsi
tersebut diperlukan sebab tidak semua faktor perlu
direpresentasikan oleh karena kompleksitas permasalahan
yang dipelajari.
8
BAB 1. PENDAHULUAN 9

Pencarian Solusi
Representasi dari fenomena yang dipelari diformulasi kedalam
persamaan atau model matematika. Tahapan berikutnya
adalah pencarian solusi dari persamaan tersebut.
Solusi dari model dapat diperoleh dalam bentuk analitik
maupun numerik. Solusi analitik dapat diperoleh untuk
persamaan-persamaan matematika yang sederhana. Apabila
persamaan atau model tersebut semakin kompleks, solusi
analitik tidak mudah diperoleh oleh karena itu sering
digunakan pendekatan numerik untuk penyelesaian
persamaan atau model tersebut.
Sebagai contoh, model pertumbuhan eksponensial
sebagaiman pada contoh diatas dapat diperoleh solusi
analitiknya, tetapi model penyebaran penyakit tidak mudah
diperoleh solusi analitiknya, oleh karena itu digunakan
pendekatan numerik untuk pencarian solusinya.

Eksplorasi dari Relasi Struktur

Dalam pemodelan matematika, kita tidak hanya berhenti pada
pencarian solusi dari model. Kita perlu melangkah lebih jauh
dengan menganalisis relasi antar struktur dalam model. Yang
dimaksudkan adalah bagaimana hubungan antara satu variabel
dengan variabel lainnya atau hubungan antara satu parameter
dengan parameter lainnya. Analisis hubungan semacam ini
sangat perlu sehingga interpretasi dari solusi dapat dilakukan
secara komprehensif. Dari analisis tersebut, kita peroleh
beberapa hal. Pertama, kita dapat mengetahui dengan lebih
tepat mengenai karakteristik dan sifat-sifat dari suatu sistem.
Pengetahuan tersebut kemudian dapat dijadikan dasar untuk
perbaikan model apabila terdapat kesalahan atau kekeliruan
yang masih terjadi dalam formulasi model.

9
10 PEMODELAN MATEMATIKA

Kontrol atau Modifikasi

Modifikasi atau kontrol dilakukan untuk adaptasi terhadap
permasalahan yang sedang dianalisis. Apabila ruang analisis
diperluas, maka modifikasi atau kontrol pada model perlu
dilakukan. Modifikasi merujuk pada perubahan pada sistem
yang berdampak pada perubahan pada persamaan. Ini dapat
berdampak pada perubahan berbagai parameter atau
mekanisme baru pada persamaan. Sebagai contoh, pada
dinamika penyebaran penyakit, perubahan pada kematian pada
penyakit yang pada model awalnya hanya kematian alami saja.

10
 BAB 2
PERSAMAAN BEDA
Bab ini akan membahas persamaan beda dan teori-teori
yang berkaitan dengan persamaan beda. Materi-materi yang
dibahas adalah persamaan beda linier orde satu baik homogen
maupun non-homogen, persamaan beda linear orde tinggi, dan
penyelesaian persamaan beda.

2.1 Pengantar
Persamaan beda merupakan sebuah persamaan yang
dibentuk dengan urutan waktu diskrit. Misalkan ada nilai y(k)
(bilangan real) yang terkait dengan masing-masing titik ini.
Persamaan beda adalah persamaan yang menghubungkan nilai
y(k), pada titik k, dengan nilai-nilai lainnya (biasanya
persekitaran). Contoh sederhana persamaan beda adalah

y(k + 1) = ay(k) (2.1)

Definisi 2.1.1 (Persamaan Beda). Persamaan beda orde k

memiliki bentuk

f (xt+k , xt+k−1 , ..., xt ,t) = 0, t = 0, 1, ...

di mana f merupakan fungsi bernilai real dari variabel real xt

melalui xt+k ,t. Secara khusus, f bergantung pada xt dan xt+k
Contoh 2.1.1. Misalkan ukuran populasi pada generasi t
dinotasikan dengan xt . Asumsikan bahwa tiap individu dalam
populasi menghasilkan a individu tiap generasi dan kemudian
mati. Fenomena ini dapat dimodelkan dalam bentuk

xt+k = axt .

11
12 PEMODELAN MATEMATIKA

Persamaan (2.1) merupakan contoh persamaan beda yang

sangat sederhana. Persamaan beda dapat lebih kompleks dari
persamaan tersebut.
Karakteristik dari persamaan beda adalah indeks k
dinyatakan dengan himpunan bilangan bulat k = 0, 1, 2, 3, 4, ....
Perhatikan Persamaan (2.1). Rangkaian persamaan tersebut
dapat ditulis dalam bentuk

y(1) = ay(0)
y(2) = ay(1)
(2.2)
y(3) = ay(2)
..
.

Definisi 2.1.2. Solusi dari persamaan beda

f (xt+k , xt+k−1 , ..., xt ,t) = 0, t = 0, 1, ... (2.3)

adalah sebuah barisan yk yang memenuhi Persamaan (2.3) di

mana k = 1, 2, 3, ...

2.2 Persamaan Beda Linear Orde Satu

Pada bagian ini akan dipaparkan persamaan beda linear
orde satu. Persamaan beda orde satu berbentuk

x(n + 1) = a(n)x(n), x(n0 ) = n0 and n ≥ n0 (2.4)

x(n + 1) = a(n)x(n) + g(n), x(n0 ) = n0 and n ≥ n0 . (2.5)

Persamaan (2.4) adalah persamaan homogen dan Persamaan

(2.5) adalah persamaan nonhomogen.

2.2.1 Persamaan Beda Linear Orde Satu Homogen

Model persamaan beda orde satu homogen adalah

x(n + 1) = a(n)x(n), x(n0 ) = n0 and n ≥ n0 . (2.6)

12
BAB 2. PERSAMAAN BEDA 13

Apabila kita melakukan iterasi maka akan diperoleh solusi dari

model tersebut adalah
" #
n−1
x(n) = ∏ a(k) x0 . (2.7)
k=n0

Lakukan iterasi dan kita dapat menemukan pola dari solusi

tersebut sebagaimana pada Persamaan (2.7).
x(n0 + 1) = a(n0 )x(n0 ) = a(n0 )x0 ,
x(n0 + 2) = a(n0 + 1)x(n0 + 1) = a(n0 + 1)a(n0 )x0 ,
x(n0 + 3) = a(n0 + 2)x(n0 + 2) (2.8)
= a(n0 + 2)a(n0 + 1)x(n0 + 1),
= a(n0 + 2)a(n0 + 1)a(n0 )x0 .
Apabila dilanjutkan maka kita akan menemukan pola seperti
pada Persamaan (2.7). Dengan demikian dapat dituliskan
teorema berikut.
Teorema 2.2.1. Persamaan beda linear orde satu homogen
berbentuk

x(n + 1) = a(n)x(n), x(n0 ) = n0 and n ≥ n0

memiliki solusi " #

n−1
x(n) = ∏ a(k) x0
k=n0
apabila a(n) = a konstan, maka diperoleh solusi

x(n) = an x0 .

Contoh 2.2.1. Carilah solusi dari persamaan beda

x(n + 1) = (n + 1)x(n), x(n0 ) = c.

Berdasarkan Teorema 2.2.1 maka solusi dari persamaan diatas

dapat ditulis

13
 Daftar Pustaka
[1] L. Allen. An Introduction to Mathematical Biology.
Pearson/Prentice Hall, 2007.
[2] L. Allen. An Introduction to Stochastic Processes with
Applications to Biology. CRC Press, 2010.
[3] R. Anguelov and J. M.-S. Lubuma. Contributions to
the mathematics of the nonstandard finite difference
method and applications. Numerical Methods for Partial
Differential Equations, 17(5):518–543, 2001.
[4] R. Anguelov and J. M.-S. Lubuma. Nonstandard
finite difference method by nonlocal approximation.
Mathematics & Computers in Simulation, 61(3):465 – 475,
2003.
[5] A. J. Arenas, G. Gonzales-Parra, and B. M. Chen-
Charpentier. Dynamical analysis of the transmission of
seasonal disease using the Differential Transformation
Method. Mathematical and Computer Modelling, 50:765–
776, 2009.
[6] A. J. Arenas, J. A. Moraño, and J. C. Cortés. Non-standard
numerical method for a mathematical model of RSV
epidemiological transmission. Computers and Mathematics
with Applications, 56(3):670 – 678, 2008.
[7] E. Bunga and M. Ndii. Application of Differential
Transformation Method for solving HIV model with anti-
viral treatment. BAREKENG: Jurnal Ilmu Matematika dan
Terapan, 14(3):378–388, 2020.
[8] E. Bunga, J. Pahnael, M. Lobo, and M. Ndii. Konstruksi
Metode Transformasi Diferensial Multi-Step (Multi-Step
Differential Transform Method) untuk model SEIRS

135
136 PEMODELAN MATEMATIKA

autonomous dan nonautonomous. Matematika Integratif,

16(1):53–59, 2020.
[9] C. Castillo-Chavez, S. Blower, P. van den Driessche,
D. Kirschner, and A. Yakubu. Mathematical Approaches
for Emerging and Reemerging Infectious Diseases: An
Introduction. Number v. 1 in INSTITUTE FOR
MATHEMATICS AND ITS APPLICATIONS. IMA volumes in
mathematics and its applications. Springer, 2002.
[10] C. Castillo-Chavez, Z. Feng, and W. Huang. On the
computation of R0 and its role in global stability. Institute
for Mathematics and Its Applications, 125:229–250, 2002.
[11] C. Castillo-Chavez and B. Song. Dynamical model
of tuberculosis and their applications. Mathematical
Biosciences and Engineering, 1(2), 2004.
[12] S. C. Chapra. Applied Numerical Methods with MATLAB
for Engineers and Scientists. Mc Graw Hill, 2012.
[13] N. Chitnis, J. M. Hyman, and J. M. Cushing. Determining
Important Parameters in the Spread of Malaria Through
the Sensitivity Analysis of a Mathematical Model. Bulletin
of Mathematical Biology, 70(5):1272, Feb. 2008.
[14] Q. A. Dang and M. T. Hoang. Numerical dynamics of
nonstandard finite difference schemes for a computer virus
propagation model. International Journal of Dynamics and
Control, 8(3):772–778, Sept. 2020.
[15] I. Darti and A. Suryanto. Stability preserving non-standard
finite difference scheme for a harvesting leslie–gower
predator–prey model. Journal of Difference Equations and
Applications, 21(6):528–534, 2015.
[16] O. Diekmann, J. A. P. Heesterbeek, and M. G.
Roberts. The construction of next–generation matrices for
compartmental epidemic models. Journal of the Royal
Society Interface, 7:873–885, 2010.

136
DAFTAR PUSTAKA 137

[17] C. Edwards, D. Penney, and D. Calvis. Elementary

Differential Equations with Boundary Value Problems.
Pearson/Prentice Hall, 2008.
[18] S. Elaydi. An Introduction to Difference Equations.
Undergraduate Texts in Mathematics. Springer, 2006.
[19] Fatmawati, F. F. Herdicho, Windarto, W. Chukwu, and
H. Tasman. An optimal control of malaria transmission
model with mosquito seasonal factor. Results in Physics,
25:104238, 2021.
[20] Z. Feng, C. Castillo-Chavez, and A. F. Capurro. A model
for tuberculosis with exogenous reinfection. Theoretical
Population Biology, 57(3):235–247, 2000.
[21] F. Gantmacher. Theory of Matrices. American Mathematical
Society, 1964.
[22] B. D. Handari, F. Vitra, R. Ahya, T. Nadya S., and
D. Aldila. Optimal control in a malaria model: intervention
of fumigation and bed nets. Advances in Difference
Equations, 2019(1):497, Dec. 2019.
[23] M. Hatami, D. Ganji, and M. Sheikholeslami. Differential
Transformation Method for Mechanical Engineering
Problems. Elsevier Science, 2016.
[24] D. Heath. Scientific Computing: An Introductory Survey.
McGraw-Hill Companies, 1997.
[25] M. T. Hoang and O. F. Egbelowo. Nonstandard finite
difference schemes for solving an SIS epidemic model with
standard incidence. Rendiconti del Circolo Matematico di
Palermo Series 2, 69(3):753–769, Dec. 2020.
[26] E. Ince. Ordinary Differential Equations. Dover Books on
Mathematics. Dover Publications, 1956.
[27] D. Kincaid and W. Cheney. Numerical Analysis of Scientific
Computing. American Mathematical Society, 2009.

137
138 PEMODELAN MATEMATIKA

[28] D. Kirk. Optimal Control Theory: An Introduction. Dover

Books on Electrical Engineering. Dover Publications, 2012.
[29] S. Lenhart and J. Workman. Optimal Control Applied to
Biological Models. Chapman & Hall/CRC Mathematical and
Computational Biology. CRC Press, 2007.
[30] D. Luenberger. Introduction to Dynamic Systems: Theory,
Models, and Applications. Wiley, 1979.
[31] S. Lynch. Dynamical Systems with Applications using
MAPLE. Progress in Mathematics Series. Springer, 2001.
[32] F. Y. Malorung, M. A. Blegur, R. Pangaribuan, and M. Z.
Ndii. Analisis sensitivitas model matematika penyebaran
penyakit dengan vaksinasi. Matematika Integratif, vol.14,
No,1, pp 9-15, 2018.
[33] S. Marino, I. B. Hogue, C. J. Ray, and D. E. Kirschner.
A methodology for performing global uncertainty and
sensitivity analysis in systems biology. Journal of
Theoretical Biology, 254(1):178–196, 2008.
[34] R. E. Mickens. Nonstandard finite difference models of
differential equations. world scientific, 1994.
[35] R. E. Mickens. Applications of nonstandard finite difference
schemes. World Scientific, 2000.
[36] R. E. Mickens. Nonstandard Finite Difference Methods,
pages 1–9. World Scientific, 2012.
[37] D. Naidu. Optimal Control Systems. Electrical Engineering
Series. CRC Press, 2018.
[38] M. Z. Ndii. Pemodelan Matematika Dinamika Populasi dan
Penyebaran Penyakit: Teori, Aplikasi, dan Numerik. CV
Budi Utama (Deepublish), 2018.
[39] M. Z. Ndii, N. Anggriani, and A. Supriatna. Comparison
of the differential transformation method and non
standard finite difference scheme for solving plant disease

138
DAFTAR PUSTAKA 139

mathematical model. Communication in Biomathematical

Sciences, 2:110–121, 2018.
[40] M. Z. Ndii, N. Anggriani, and A. K. Supriatna. Application
of differential transformation method for solving dengue
transmission mathematical model. AIP Conference
Proceedings, 1937(1):020012, 2018.
[41] M. Z. Ndii, F. R. Berkanis, D. Tambaru, M. Lobo, Ariyanto,
and B. S. Djahi. Optimal control strategy for the effects of
hard water consumption on kidney-related diseases. BMC
Research Notes, 13(1):201, Apr. 2020.
[42] M. Z. Ndii, D. Tambaru, and B. Djahi. A nonstandard finite
difference scheme for water-related disease mathematical
model. Applied Mathematics and Information Sciences,
13:545–551, 2018.
[43] M. Nourifar, A. A. Sani, and A. Keyhani. Efficient multi-step
differential transform method: Theory and its application
to nonlinear oscillators. Communication in Nonlinear
Science Numerical Simulation, 53:154–183, 2017.
[44] Z. M. Odibat, C. Bertelle, M. Aziz-Alaoui, and G. H.
Duchamp. A multi-step differential transform method and
application to non-chaotic or chaotic systems. Computers
and Mathematics with Applications, 59(4):1462–1472, 2010.
[45] L. Pontryagin. Mathematical Theory of Optimal Processes.
Classics of Soviet Mathematics. Taylor & Francis, 1987.
[46] M. Porter and J. Gleeson. Dynamical Systems on Networks:
A Tutorial. Frontiers in Applied Dynamical Systems:
Reviews and Tutorials. Springer International Publishing,
2016.
[47] K. V. Ratnam, P. R. S. Rao, and G. Shirisha. Stability
preserving NSFD scheme for a cooperative and supportive
network. International Journal of Dynamics and Control,
9(4):1576–1588, Dec. 2021.

139
 140 PEMODELAN MATEMATIKA

[48] H. S. F. Rodrigues. Optimal control and numerical

optimization applied to epidemiological models. Ph.d
thesis, Departamento de Matemática, Universidade de
Aveiro, Portugal, 2012.
[49] I. Ross. A Primer on Pontryagin’s Principle in Optimal
Control: Second Edition. Collegiate Publishers, 2015.
[50] T. Sauer. Numerical Analysis. Pearson Education, Inc.,
2012.
[51] S. Strogatz. Nonlinear Dynamics and Chaos: With
Applications to Physics, Biology, Chemistry, and
Engineering. Chapman & Hall book. CRC Press, 2019.
[52] A. Stuart and A. Humphries. Dynamical Systems
and Numerical Analysis. Number v. 8 in Cambridge
Monographs on Applied and Computational Mathematics.
Cambridge University Press, 1998.
[53] A. Suryanto, W. M. Kusumawinahyu, I. Darti, and I. Yanti.
Dynamically consistent discrete epidemic model with
modified saturated incidence rate. Computational and
Applied Mathematics, 32:373–383, 2013.
[54] D. Tambaru, B. S. Djahi, and M. Z. Ndii. The effects of
hard water consumption on kidney function: Insights from
mathematical modelling. AIP Conference Proceedings,
1937(1):020020, 2018.
[55] P. Tu. Introductory Optimization Dynamics: Optimal
Control with Economics and Management Science
Applications. Springer Berlin Heidelberg, 2013.
[56] E. White and C. Comiskey. Heroin epidemics, treatment
and ode modelling. Mathematical Biosciences, 208(1):312–
324, 2007.
[57] J. K. Zhou. Differential Transformation and Its Applications
for Electrical Circuits. Huazhong University Press, Wuhan,
China (in Chinese), 1986.

140
View publication stats