1.

Newton method
metode Newton, dimana metode ini untuk mencari akar suatu fungsi
f(x) dengan pend ekatan satu titik, dimana fungsi f(x) mempunyai turunan.
Metode ini menggunakan pendekatan satu titik sebagai titik awal. Semakin
dekat titik awal yang kita pilih, maka semakin cepat konvergen ke akarnya.
Tiga prosedur dasar untuk menemukan ekstrem dari fungsi dari satu
variabel berevolusi dari menerapkan kondisi optimalitas yang diperlukan ke
fungsi
Ingatlah bahwa syarat perlu orde pertama untuk minimum lokal adalah f '(x) =
0. Akibatnya, Anda dapat menyelesaikan persamaan f '(x) = 0 dengan metode
Newton untuk mendapatkan

(Persamaan 3.3)
memastikan pada setiap tahap k bahwa f (k+1) < f (k) untuk minimum. Untuk
melihat apa yang tersirat dari metode Newton tentang f(x), misalkan f(x)
didekati oleh fungsi kuadrat di xk
(Persamaan 3.4)
Carilah df(x)/dx = 0, titik stasioner dari model kuadrat fungsi tersebut. Itu
hasil yang diperoleh dengan persamaan diferensialterhadap x adalah
(Persamaan 3.5)

Metode Newton diterapkan pada solusi f ‘(x) = 0.

yang dapat disusun kembali untuk menghasilkan Persamaan (3.3). Akibatnya,
metode Newton setara dengan menggunakan model kuadrat untuk fungsi
dalam minimalisasi (atau maksimalisasi) dan menerapkan kondisi yang
diperlukan. Kelebihan metode Newton adalah
1. Prosedurnya adalah konvergen kuadratik lokal [p = 2 pada Persamaan
(5.3)] ke ekstrem selama f"(x) # 0.
2. Untuk fungsi kuadrat, minimum diperoleh dalam satu iterasi.
Kerugian dari metode tersebut adalah
1. Anda harus menghitung f'(x) dan f "(x).
2. Jika f"(x) + 0, metode konvergen lambat.
3. Jika titik awal tidak cukup mendekati minimum, metodenya seperti yang
dijelaskan sebelumnya tidak akan konvergen. Versi modifikasi yang
menjamin konvergensi dari titik awal yang buruk dijelaskan dalam Bazarra
et al. (1993) dan Nash dan Sofer (1996).
Perkiraan Beda Hingga ke Derivatif
Jika f(x) tidak diberikan oleh rumus, atau rumusnya sangat rumit sehingga
bersifat analitis turunan tidak dapat diformulasikan, Anda dapat mengganti
Persamaan (3.3) dengan aproksimasi beda hingga

(Persamaan 3.6)

Metode Quasi-Newton untuk penyelesaian f'(x) = 0.

Perbedaan sentral digunakan dalam Persamaan, tetapi perbedaan maju atau
apapun skema perbedaan lainnya akan cukup selama ukuran langkah h dipilih
 untuk dicocokkan rumus perbedaan dan presisi komputer (mesin) yang akan
digunakan untuk menjalankan perhitungan. Kerugian utama adalah kesalahan
yang diperkenalkan oleh perbedaan yang terbatas.
2. Secant method
• Metode newton untuk meminimalkan f menggunakan turunan kedua f

• Jika turunan kedua tidak tersedia, kami dapat mencoba memperkirakanya

menggunakan informasi turunan pertama.

• Menggunakan perkiraan sebelumya dari turunan kedua, kita mendapat

algoritma

Disebut secant method

• Perhatikan bahwa algoritme memerlukan dua titik awal untuk memulainya,
yang dinyatakan x(1) dan x(0). Algoritma garis potong dapat di presentasikan
dalam bentuk ekuivalen berikut:

• Seperti newton method, secant method tidak melibatkan milai f(x(k)) secara
langsung. alih-alih, ia mencoba mendorong turunan f ‘ ke nol
• Sebenarnya seperti yang dilakukan untuk newton method, kita dapat
menginterpretasikan secant method sebagai algoritma untuk menyelesaikan
persamaan dalam bentuk g(x) = 0
• Algoritme garis potong untuk menemukan akar persamaan g(x) = 0
berbentuk

Atau setara
• Pada grafik ini, tidak seperti newton method, secant method menggunakan
garis potong antara titik (k-1) dan k th untuk menentukan titik (k+1)

Contoh
• Menerapkan metode garis potong untuk menentukan akar persamaan

• Melakukan dua literasi dengan titik awal x(-1) =12 dan x(0) = 13. Di peroleh

• Misalkan tegangan melintasi resistor dalam rangkaian meluruh menurut

model Vt = e-rt, dimana Vt adalah tegangan pada waktu t dan r adalah nilai
resistensi
• Mengingat pengukuran V1,…,Vn tegangan pada waktu-waktu tertentu,
masing-masing, kami ingin menemukan estimasi terbaik dari R. Oleh yang
terbaik perkiraan kita berarti nilai R yang meminimalkan total kesalahan
kuadrat antara tegangan terukur dan tegangan diprediksi oleh model.
• menurunkan algoritma untuk menemukan perkiraan terbaik dari R
menggunakan metode garis potong. Fungsi tujuan adalah

• oleh karena itu

• algoritma garis potong pada soal tersebut adalah