Ilovepdf Merged

79
Tugas Metode dan Komputasi Numerik 2023

Program Studi Teknik Sipil Bab 2
Universitas Sebelas Maret Surakarta Penyusunan Program
2.6.2 Kode Pemrograman Python Soal 2
Jumlah material : 4
Nama material ke-1 :Pasir
Kebutuhan material Pasir : 4141
Nama material ke-2 :Kerikil Halus
Kebutuhan material Kerikil Halus : 3613
Nama material ke-3 :Kerikil Kasar
Kebutuhan material Kerikil Kasar : 4334
Nama material ke-4 :Semen
Kebutuhan material Semen : 4041
[+] Kebutuhan bahan
+ + +
| Bahan | Jumlah |
+ + +
| Pasir | 4141.0 |
| Kerikil Halus | 3613.0 |
|
+ Kerikil Kasar |
+ 4334.0 |
+
|
JumlahSemen | 4041.0
sumber material |
: 4
[!] Masukkan kombinasi material
Sumber ke-1material Pasir : 33
Sumber ke-1material Kerikil Halus : 12
Sumber ke-1material Kerikil Kasar : 33
Sumber ke-1material Semen : 22

Deviana Mahdiatari
I0121041
Tugas Metode dan Komputasi Numerik 2023 80
[+] Kombinasi material
+ + + + + +
| Sumber | Pasir | Kerikil Halus | Kerikil Kasar | Semen |
+ + + + + +
| 1.0 | 33.0 | 12.0 | 33.0 | 22.0 |
| 2.0 | 21.0 | 34.0 | 11.0 | 34.0 |
| 3.0 | 31.0 | 24.0 | 31.0 | 14.0 |
| 4.0 | 14.0 | 31.0 | 24.0 | 31.0 |
+ + + + + +
[+] Persamaan dalam bentuk matriks
[0.33, 0.21, 0.31, 0.14] 4141.0
[0.12, 0.34, 0.24, 0.31] 3613.0
[0.33, 0.11, 0.31, 0.24] 4334.0
[0.22, 0.34, 0.14, 0.31] 4041.0
[+] Persamaan matriks akhir
[0.33, -0.0, 0.0, 0.0] 2234.6405
[0.0, 0.2636, 0.0, 0.0] 650.6182

[0.0, 0.0, 0.0483, 0.0] 120.286
Deviana Mahdiatari
I0121041
[0.0, 0.0, 0.0, 0.6905] 3036.619
[+] Kesimpulan
Sumber 1 : 6771.6379
Sumber 2 : 2467.8621
Sumber 3 : 2491.6379
Sumber 4 : 4397.8621
[+] Kontrol
Toleransi (gunakan . sebagai koma) : 0.0001
- Ketersediaan Pasir
4141.0000 = 4141.0
8.999999408842996e-06 < 0.0001 OK
- Ketersediaan Kerikil Halus
3613.0000 = 3613.0
9.000000318337698e-06 < 0.0001 OK
- Ketersediaan Kerikil Kasar
4334.0000 = 4334.0
8.999999408842996e-06 < 0.0001 OK
- Ketersediaan Semen
4041.0000 = 4041.0
9.000000318337698e-06 < 0.0001 OK
Deviana Mahdiatari
I0121041
import numpy as np
import matplotlib.pyplot as plt
from prettytable import PrettyTable
def regression(arrX, arrY): #Definisi fungsi untuk mencari

persamaan regresi
b = (len(arrX) * np.sum(arrX*arrY) - np.sum(arrX) *

np.sum(arrY))/(len(arrX) * np.sum(arrX**2) -
np.sum(arrX)**2) #Menghitung nilai b
a = (np.sum(arrY) - b * np.sum(arrX))/len(arrX)
#Menghitung nilai a
return [float(f'{a:.4f}'), float(f'{b:.4f}')] #Menampilkan

matrix dan membuat menjadi 4 angka dibelakang koma
def correlation(arrX, arrY): #Definisi fungsi untuk mencari

koefisien korelasi
return (len(arrX) * np.sum(arrX*arrY) - np.sum(arrX) *
np.sum(arrY))/(((len(arrX) * np.sum(arrX**2) -
np.sum(arrX)**2)*(len(arrY) * np.sum(arrY**2) -
np.sum(arrY)**2))**(0.5)) #Menampilkan hasil koefisien

korelasi
print('[!] Masukkan nilai acakan XYZ')
x = int(input('X : ')) #Input nilai acakan X
y = int(input('Y : ')) #Input nilai acakan Y
z = int(input('Z : ')) #Input nilai acakan Z
ktb = np.array([int(a) for a in [f'35', f'40', 30, f'36',

33, 31, f'32',37]], dtype='int64') #Membuat Kuat Tekan Beton
Deviana Mahdiatari
I0121041
A = np.array([int(a) for a in [f'5{x}{y}', f'42{y}',

f'2{z}{x}', f'4{y}{z}', f'2{z}{y}', f'2{x}{z}',
f'3{z}{x}',f'4{x}{y}']], dtype='int64') #Membuat array A
B = np.array([int(a) for a in [f'2{y}{z}', f'25{x}',

f'7{y}', f'16{x}', f'8{z}', f'7{z}', f'16{y}',f'2{x}{y}']],
dtype='int64') #Membuat array B
table_data = PrettyTable(['No', 'Kuat Tekan Beton',

'A','B'])
#Membuat head cli-table data
for i in range(len(ktb)):
table_data.add_row([(i+1), ktb[i], A[i], B[i]])
#Memasukkan data Kuat Tekan Beton, Bahan A, Bahan B dalam

tabel
print(table_data)
print('\n[+] Permisalan :')
print('Y = Kuat Tekan Beton')
print('X1 = A')
print('X2 = B')
arr_reg = [] #Membuat array kosong untuk menyimpan persamaan

regresi
arr_cor = [] #Membuat array kosong untuk menyimpan hasil

koefisien korelasi
arr_det = [] #Membuat array kosong untuk menyimpan hasil

koefisien determinasi
var = [A,B] #Array variabel
var_name = ['A','B']
for i in range(len(var)):
print(f'\n{(i+1)}. Hubungan Kuat Tekan Beton dengan

variabel {var_name[i]}')
Deviana Mahdiatari
I0121041
table = PrettyTable(['No', f'X{(i+1)}', 'Y',

f'X{(i+1)}.Y',f'X{(i+1)}^2', 'Y^2']) #Membuat head cli-table
data
for j in range(len(var[i])):
table.add_row([(j+1), var[i][j], ktb[j],

var[i][j]*ktb[j], var[i][j]**2, ktb[j]**2]) #Memasukkan data
X, Y, X.Y, X^2, Y^2
table.add_row(['Jumlah', sum(var[i]),
sum(ktb),np.sum(var[i]*ktb), np.sum(var[i]**2),
np.sum(ktb**2)]) #Memasukkan jumlah/sum tiap kolom
print(table)
print('\n[+] Persamaan Regresi')
regresi = regression(var[i], ktb) #Memanggil fungsi untuk

mendapatkan persamaan regresi
print('a :', regresi[0]) #Menampilkan nilai a
print('b :', regresi[1]) #Menampilkan nilai b
arr_reg.append(f'y = {regresi[0]} + {regresi[1]} x')

#Memasukkan persamaan regresi kedalam array
print(f'Persamaan : y = {regresi[0]} + {regresi[1]} x')

#Menampilkan persamaan regresi
print('\n[+] Koefisien Korelasi')
korelasi = correlation(var[i], ktb) #Memanggil fungsi

untuk mendapatkan koefisien korelasi
arr_cor.append(float(f'{korelasi:.4f}')) #Memasukkan hasil

korelasi kedalam array
print('R :', float(f'{korelasi:.4f}'))
print('\n[+] Koefisien Determinasi')
determinasi = korelasi**2 #Menghitung nilai koefisien

determinasi
arr_det.append(float(f'{determinasi:.4f}')) #Memasukkan
hasil determinasi kedalam array
print('R2 :', float(f'{determinasi:.4f}'))
print('\n[+] Grafik')
plt.scatter(var[i], ktb, color='#595959') #Menampilkan

data dalam grafik scatter
y_pred = regresi[0] + regresi[1]*var[i] #Membuat trendline

Deviana Mahdiatari
I0121041
plt.plot(var[i], y_pred, linestyle='--', dashes=(5, 10),
color='#595959') #Memplot trendline dalam tabel
plt.show() #Menampilkan tabel
print('\n[+] Kesimpulan')
table_kes = PrettyTable(['Variabel',
'Korelasi','Determinasi', 'Persamaan']) #Membuat head cli-
table kesimpulan
for i in range(len(var)):
table_kes.add_row([var_name[i], arr_cor[i],
arr_det[i],arr_reg[i]]) #Memasukkan data kedalam tabel
kesimpulan
print(table_kes)
index_max = np.argmax(np.array(arr_cor)) #Menentukan index

array yang mempunyai nilai element tertinggi
print(f'Berdasarkan koefisien korelasi didapat bahwa

{var_name[index_max]} mempunyai R sebesar
{arr_cor[index_max]} sehingga memiliki hubungan yang sangat
signifikan dalam mengakibatkan kerusakan jalan dengan
kemampuan menjelaskan data sebesar {arr_det[index_max]*100}%
dan sebesar {(1-arr_cor[index_max])*100:.2f}% dijelaskan
olehfaktor lain')
Deviana Mahdiatari
I0121041
[!] Masukkan nilai acakan XYZ
X : 4
Y : 0
Z : 1
+----+------------------+-----+-----+
| No | Kuat Tekan Beton | A | B |
+----+------------------+-----+-----+
| 1 | 35 | 540 | 201 |
| 2 | 40 | 420 | 254 |
| 3 | 30 | 214 | 70 |
| 4 | 36 | 401 | 164 |
| 5 | 33 | 210 | 81 |
| 6 | 31 | 241 | 71 |
| 7 | 32 | 314 | 160 |
| 8 | 37 | 440 | 240 |
+----+------------------+-----+-----+
[+] Permisalan :
Y = Kuat Tekan Beton
X1 = A
X2 = B
1. Hubungan Kuat Tekan Beton dengan variabel A
+--------+------+-----+-------+---------+------+
| No | X1 | Y | X1.Y | X1^2 | Y^2 |
+--------+------+-----+-------+---------+------+
| 1 | 540 | 35 | 18900 | 291600 | 1225 |
| 2 | 420 | 40 | 16800 | 176400 | 1600 |
| 3 | 214 | 30 | 6420 | 45796 | 900 |
| 4 | 401 | 36 | 14436 | 160801 | 1296 |

Deviana Mahdiatari
I0121041
| 5 | 210 | 33 | 6930 | 44100 | 1089 |
| 6 | 241 | 31 | 7471 | 58081 | 961 |
| 7 | 314 | 32 | 10048 | 98596 | 1024 |
| 8 | 440 | 37 | 16280 | 193600 | 1369 |
| Jumlah | 2780 | 274 | 97285 | 1068974 | 9464 |
+--------+------+-----+-------+---------+------+
[+] Persamaan Regresi
a : 27.2611
b : 0.0201
Persamaan : y = 27.2611 + 0.0201 x
[+] Koefisien Korelasi
R : 0.7236
[+] Koefisien Determinasi
R2 : 0.5237
[+] Grafik
2. Hubungan Kuat Tekan Beton dengan variabel B
+--------+------+-----+-------+--------+------+
| No | X2 | Y | X2.Y | X2^2 | Y^2 |
+--------+------+-----+-------+--------+------+
| 1 | 201 | 35 | 7035 | 40401 | 1225 |
| 2 | 254 | 40 | 10160 | 64516 | 1600 |
| 3 | 70 | 30 | 2100 | 4900 | 900 |
| 4 | 164 | 36 | 5904 | 26896 | 1296 |
| 5 | 81 | 33 | 2673 | 6561 | 1089 |
| 6 | 71 | 31 | 2201 | 5041 | 961 |
| 7 | 160 | 32 | 5120 | 25600 | 1024 |

Deviana Mahdiatari
I0121041
| 8 | 240 | 37 | 8880 | 57600 | 1369 |
| Jumlah | 1241 | 274 | 44073 | 231515 | 9464 |
+--------+------+-----+-------+--------+------+
[+] Persamaan Regresi
a : 28.011
b : 0.0402
Persamaan : y = 28.011 + 0.0402 x
[+] Koefisien Korelasi
R : 0.8909
[+] Koefisien Determinasi
R2 : 0.7936
[+] Grafik
[+] Kesimpulan
+----------+----------+-------------+-----------------------
-+
| Variabel | Korelasi | Determinasi | Persamaan

|
+----------+----------+-------------+-----------------------
-+
| A | 0.7236 | 0.5237 | y = 27.2611 + 0.0201 x

|
| B | 0.8909 | 0.7936 | y = 28.011 + 0.0402 x

|
+----------+----------+-------------+-----------------------
-+
Berdasarkan koefisien korelasi didapat bahwa B mempunyai R

sebesar 0.8909 sehingga memiliki hubungan yang sangat
signifikan dalam mengakibatkan kerusakan jalan dengan
Deviana Mahdiatari
I0121041
kemampuan menjelaskan data sebesar 79.36% dan sebesar 10.91%

dijelaskan olehfaktor lain
Deviana Mahdiatari
I0121041

def interpolasi_kuadrat(x, x_data, y_data):
n = len(x_data)
if n != len(y_data):
raise ValueError("Jumlah data x dan y tidak sama")
# Menghitung matriks koefisien
A = []
for i in range(n):
row = [1, x_data[i], x_data[i]**2]
A.append(row)
# Menghitung vektor hasil
b = y_data
# Menyelesaikan sistem persamaan linier
a = solve_linear_system(A, b)
# Menghitung hasil interpolasi untuk nilai x
y = a[0] + a[1] * x + a[2] * x**2
return y
def interpolasi_lagrange(x, x_data, y_data):
n = len(x_data)
if n != len(y_data):
raise ValueError("Jumlah data x dan y tidak sama")
Deviana Mahdiatari
I0121041
y = 0
for i in range(n):
L = 1
for j in range(n):
if i != j:
L *= (x - x_data[j]) / (x_data[i] -
x_data[j])
y += L * y_data[i]
return y
def solve_linear_system(A, b):
# Menggunakan metode eliminasi Gauss untuk menyelesaikan

sistem persamaan linier
n = len(A)
m = len(A[0])
if n != m:
raise ValueError("Matriks koefisien tidak sesuai")
# Mengubah matriks augmented
for i in range(n):
A[i].append(b[i])
# Eliminasi Gauss
for k in range(n):
for i in range(k + 1, n):
factor = A[i][k] / A[k][k]
for j in range(k, n + 1):
A[i][j] -= factor * A[k][j]
Deviana Mahdiatari
I0121041
# Substitusi mundur
x = [0] * n
x[n-1] = A[n-1][n] / A[n-1][n-1]
for i in range(n - 2, -1, -1):
sum_ax = 0
for j in range(i + 1, n):
sum_ax += A[i][j] * x[j]
x[i] = (A[i][n] - sum_ax) / A[i][i]
return x
# Memasukkan data x_data dan y_data
n_data = int(input("Masukkan Banyak data yang diketahui: "))
x_data = []
y_data = []
for i in range(n_data):
x = float(input("Masukkan Jarak ke-{}: ".format(i+1)))
y = float(input("Masukkan Elevasi ke-{}: ".format(i+1)))
x_data.append(x)
y_data.append(y)
print()
# Memasukkan nilai x yang akan diinterpolasi
n_interpolasi = int(input("Masukkan jumlah Jarak yang akan

diinterpolasi: "))
x_interpolasi = []
for i in range(n_interpolasi):
Deviana Mahdiatari
I0121041
x = float(input("Masukkan Jarak ke-{} yang akan

diinterpolasi: ".format(i+1)))
x_interpolasi.append(x)
# Melakukan interpolasi kuadrat
hasil_interpolasi_kuadrat = []
for x in x_interpolasi:
hasil = interpolasi_kuadrat(x, x_data, y_data)
hasil_interpolasi_kuadrat.append(hasil)
# Melakukan interpolasi Lagrange
hasil_interpolasi_lagrange = []
for x in x_interpolasi:
hasil = interpolasi_lagrange(x, x_data, y_data)
hasil_interpolasi_lagrange.append(hasil)
# Menggabungkan x_data dan x_interpolasi jadi satu dan urut
x_all = x_data + x_interpolasi
x_all_sorted = sorted(x_all)
print()
# Menampilkan hasil interpolasi
print("Hasil interpolasi kuadrat:")
print()
print("Untuk Jarak =", x_interpolasi[i], "Elevasi =",

round(hasil_interpolasi_kuadrat[i], 4))
print()
Deviana Mahdiatari
I0121041
print("Hasil interpolasi Lagrange:")
print()
print("Untuk Jarak =", x_interpolasi[i], "Elevasi =",

round(hasil_interpolasi_lagrange[i], 4))
# Menggabungkan y_data dan y_interpolasi jadi satu dan urut
y1_all = y_data + hasil_interpolasi_kuadrat
y1_all_sorted = sorted(y1_all)
y2_all = y_data + hasil_interpolasi_lagrange
y2_all_sorted = sorted(y2_all)
print()
# Membuat Tabel Rekap
table = PrettyTable()
table.field_names = ["Nilai x", "Interpolasi Kuadrat",

"Interpolasi Lagrange"]
for i in range(len(x_all)):
x_val = x_all_sorted[i]
hasil_kuadrat = round(y1_all_sorted[i], 4)
hasil_lagrange = round(y2_all_sorted[i], 4)
table.add_row([x_val, hasil_kuadrat, hasil_lagrange])
# Menampilkan tabel rekap
print("Tabel Rekapitulasi Perhitungan")
print(table)
Deviana Mahdiatari
I0121041
Masukkan Banyak data yang diketahui: 3
Masukkan Jarak ke-1: 54
Masukkan Elevasi ke-1: 154.01
Masukkan jumlah Jarak yang akan diinterpolasi: 4
Masukkan Jarak ke-1 yang akan diinterpolasi: 70
Hasil interpolasi kuadrat:
Untuk Jarak = 70.0 Elevasi = 157.6429
Hasil interpolasi Lagrange:
Tabel Rekapitulasi Perhitungan
+---------+---------------------+----------------------+
Deviana Mahdiatari
I0121041
| Nilai x | Interpolasi Kuadrat | Interpolasi Lagrange |
+---------+---------------------+----------------------+
| 54.0 | 154.01 | 154.01 |
| 70.0 | 157.6429 | 157.6429 |
| 91.0 | 162.1607 | 162.1607 |
| 100.0 | 164.01 | 164.01 |
| 111.0 | 166.1994 | 166.1994 |
| 130.0 | 169.7974 | 169.7974 |
| 154.0 | 174.01 | 174.01 |
+---------+---------------------+----------------------+
Deviana Mahdiatari
I0121041

import numpy as np
def trapezoida(h, fa, fx, fb): #Definisi fungsi untuk

mencari dengan metode trapezoida
return (h/2) * (fa + 2*fx + fb) #Hasil metode trapezoida
print('[!] Masukkan nilai acakan XYZ')
x = int(input('X : ')) #Input nilai acakan X
y = int(input('Y : ')) #Input nilai acakan Y
z = int(input('Z : ')) #Input nilai acakan Z
jarak = np.array([float(a) for a in [0, f'1.5{x}',
f'3.{y}{z}', f'5.1{y}', f'8.9{x}', f'9.{z}{x}', f'10.{y}',

f'12.{y}{x}',
f'11.{z}', f'9.8{x}', f'7.2{y}', f'8.7{x}', f'6.1{z}',
f'3.{x}{y}', f'1.2{z}', 0]]) #Membuat array jarak tepi danau
lebar_danau = 15
print('\n[+] Diketahui')
print('Lebar danau alam :', lebar_danau, 'm')
print('\n[+] Tabel hasil pengukuran jarak antar tepi danau

yang berhadapan')
table1 = PrettyTable(['m', 'Jarak Antar Tepi Danau'])
#Membuat head cli-table pengukuran
for i in range(len(jarak)):
table1.add_row([i, jarak[i]]) #Memasukkan data jarak tepi

danau dalam tabel
print(table1)
print('\n[+] Penyelesaian')
N = lebar_danau
a = 0
b = len(jarak) - 1
total = sum(jarak) #Memperoleh total semua jarak
Deviana Mahdiatari
I0121041
table2 = PrettyTable(['xi', 'f(xi)', 'N', 'a', 'b'])

#Membuathead cli-table penyelesaian
for i in range(len(jarak)):
table2.add_row([i, jarak[i], N, a, b]) #Memasukkan data

jarak tepi danau, N, a, b dalam tabel
table2.add_row(['Total', f'{total:.2f}', N, a, b])
#Memasukkan jumlah total jarak tepi danau dalam tabel
print(table2)
h = (b - a)/N #Memperoleh hasil h
print('h :', h)
metode = ['Trapezoida'] #Array nama
metode
L = [] #Membuat array kosong untuk menyimpan hasil tiap
metode
print('\n[+] B. Metode Integrasi Trapezoida')
met_trapezoida = trapezoida(h, jarak[a], total, jarak[b])
#Memanggil fungsi untuk mendapatkan hasil metode Trapezoida
L.append(met_trapezoida) #Memasukkan hasil kedalam array
print('L :', met_trapezoida, 'm²')
print('\n[+] Kesimpulan')
table3 = PrettyTable(['No', 'Metode', 'Luas danau yang

didapat m²']) #Membuat head cli-table kesimpulan
for i in range(len(L)):
table3.add_row([(i+1), metode[i], L[i]]) #Memasukkan data

metode, hasil metode dalam tabel
print(table3)
Deviana Mahdiatari
I0121041
[!] Masukkan nilai acakan XYZ
X : 4
Y : 0
Z : 1
[+] Diketahui
Lebar danau alam : 15 m
[+] Tabel hasil pengukuran jarak antar tepi danau yang

berhadapan
+----+------------------------+
| m | Jarak Antar Tepi Danau |
+----+------------------------+
| 0 | 0.0 |
| 1 | 1.54 |
| 2 | 3.01 |
| 3 | 5.1 |
| 4 | 8.94 |
| 5 | 9.14 |
| 6 | 10.0 |
| 7 | 12.04 |
| 8 | 11.1 |
| 9 | 9.84 |
| 10 | 7.2 |
| 11 | 8.74 |
| 12 | 6.11 |
| 13 | 3.4 |
| 14 | 1.21 |
| 15 | 0.0 |
+----+------------------------+
Deviana Mahdiatari
I0121041
[+] Penyelesaian
+-------+-------+----+---+----+
| xi | f(xi) | N | a | b |
+-------+-------+----+---+----+
| 0 | 0.0 | 15 | 0 | 15 |
| 1 | 1.54 | 15 | 0 | 15 |
| 2 | 3.01 | 15 | 0 | 15 |
| 3 | 5.1 | 15 | 0 | 15 |
| 4 | 8.94 | 15 | 0 | 15 |
| 5 | 9.14 | 15 | 0 | 15 |
| 6 | 10.0 | 15 | 0 | 15 |
| 7 | 12.04 | 15 | 0 | 15 |
| 8 | 11.1 | 15 | 0 | 15 |
| 9 | 9.84 | 15 | 0 | 15 |
| 10 | 7.2 | 15 | 0 | 15 |
| 11 | 8.74 | 15 | 0 | 15 |
| 12 | 6.11 | 15 | 0 | 15 |
| 13 | 3.4 | 15 | 0 | 15 |
| 14 | 1.21 | 15 | 0 | 15 |
| 15 | 0.0 | 15 | 0 | 15 |
| Total | 97.37 | 15 | 0 | 15 |
+-------+-------+----+---+----+
h : 1.0
[+] B. Metode Integrasi Trapezoida
L : 97.36999999999999 m²
Deviana Mahdiatari
I0121041
[+] Kesimpulan
+----+------------+----------------------------+
| No | Metode | Luas danau yang didapat m² |
+----+------------+----------------------------+
| 1 | Trapezoida | 97.36999999999999 |
+----+------------+----------------------------+
Deviana Mahdiatari
I0121041
## Penyelesaian Tugas Besar Metode dan Komputasi Numerik

NO.6
import matplotlib.pyplot as plt
import numpy as np
print('Acakan x,y,z')
acakan_x = float(input('X='))
acakan_y = float(input('Y='))
acakan_z = float(input('Z='))
print('Soalnya => 3,X x^3 + 1Y x^2 - 2YZ x + 2,Z')
print('Selesaikan persamaan diatas dari x=0 sampai x=5

dengan h=0,5 dan berikan error kesalahannya')
print()
#dy/dx
def f(x,c):
return ((3 + (acakan_x / 10)) * (x ** 3)) + ((10 +

acakan_y) * (x ** 2)) - ((20 + acakan_z) * (x)) + ((2 +
(acakan_x / 10)))+c
## penyelesaian eksak
def g(x):
return (((3 + (acakan_x / 10)) / 4) * (x ** 4)) + (((10 +

acakan_y) / 3) * (x ** 3)) - (((20 + acakan_z) / 2) * (x **
2)) + ((2 + (acakan_x / 10)) * (x)) + 1
##Metode Euler
## Batas interval x
Deviana Mahdiatari
I0121041
a=0
b=5
## Banyak sub interval
n=10
## Interval
h=((b-a)/n)
x=np.zeros (n+1)
ynumerik=np.zeros (n+1)
yeksak=np.zeros (n+1)
## Nilai awal
x[0]=0
ynumerik[0]=1
table_euler = PrettyTable(['I', 'x', 'yeksak', 'ynumerik',

'error(%)'])
for i in range(n + 1):
if i == 0:
ynumerik[0]= 1
yeksak[i] = g(x[i])
error = "-"
table_euler.add_row([i, x[i],
f'{float(yeksak[i]):.4f}', f'{float(ynumerik[0]):.4f}',
error])
else:
x[i] = x[i - 1] + h
Deviana Mahdiatari
I0121041
ynumerik[0] = 1
ynumerik[i] = ynumerik[i - 1] + h * f(x[i - 1],

ynumerik[i])
yeksak[i] = g(x[i])
error = abs((yeksak[i] - ynumerik[i]) / yeksak[i]) *

100
table_euler.add_row([i, x[i],
f'{float(yeksak[i]):.4f}', f'{float(ynumerik[i]):.4f}',
f'{float(error):.4f}'])
print("Metode Euler")
print()
print(table_euler)
print()
##Metode Raltson
## Batas interval x
#dy/dx
a=0
b=5
## Banyak sub interval
n=10
## Interval
h=((b-a)/n)
x=np.zeros (n+1)
ynumerik=np.zeros (n+1)
Deviana Mahdiatari
I0121041
yeksak=np.zeros (n+1)
k1=np.zeros (n+1)
k2=np.zeros (n+1)
F=np.zeros (n+1)
## Nilai awal
x[0]=0
ynumerik[0]=1
table_ralston = PrettyTable(['I', 'x', 'k1', 'k2', 'F',

'yeksak', 'ynumerik', 'error(%)'])
for i in range(n+1):
if i == 0:
a = 1/3
b = 3/4
ynumerik[0]=1
k1[i] = f(x[i], ynumerik[i-1])
k2[i] = f(x[i] + (b * h), 0)
F[i] = a * k1[i] + (1 - a) * k2[i]
yeksak[i] = g(x[i])
error = "-"
table_ralston.add_row([i, x[i],
f'{float(k1[i]):.4f}', f'{float(k2[i]):.4f}',
f'{float(F[i]):.4f}', f'{float(yeksak[i]):.4f}',
f'{float(ynumerik[i]):.4f}', error])
else:
x[i] = x[i-1] + h
a = 1/3
b = 3/4
Deviana Mahdiatari
I0121041
ynumerik[0] = 1
ynumerik[i] = ynumerik[i-1] + h * F[i-1]
k1[i] = f(x[i], 0)
k2[i] = f(x[i] + b * h, 0)
F[i] = a * k1[i] + (1 - a) * k2[i]
yeksak[i] = g(x[i])
error = abs((yeksak[i] - ynumerik[i]) / yeksak[i]) *

100
table_ralston.add_row([i, x[i],
f'{float(k1[i]):.4f}', f'{float(k2[i]):.4f}',
f'{float(F[i]):.4f}', f'{float(yeksak[i]):.4f}',
f'{float(ynumerik[i]):.4f}', f'{float(error):.4f}'])
print("Metode Ralston")
print()
print(table_ralston)
Deviana Mahdiatari
I0121041
Acakan x,y,z
X=4
Y=0
Z=1
Soalnya => 3,X x^3 + 1Y x^2 - 2YZ x + 2,Z
Selesaikan persamaan diatas dari x=0 sampai x=5 dengan h=0,5

dan berikan error kesalahannya
Metode Euler
+----+-----+----------+----------+-----------+
| I | x | yeksak | ynumerik | error(%) |
+----+-----+----------+----------+-----------+
| 0 | 0.0 | 1.0000 | 1.0000 | - |
| 1 | 0.5 | 0.0448 | 2.2000 | 4811.6279 |
| 2 | 1.0 | -2.9167 | -0.3875 | 86.7143 |
| 3 | 1.5 | -3.4719 | -2.9875 | 13.9514 |
| 4 | 2.0 | 4.0667 | -0.5500 | 113.5246 |
| 5 | 2.5 | 26.6615 | 13.2500 | 50.3028 |
| 6 | 3.0 | 72.5500 | 46.0125 | 36.5782 |
| 7 | 3.5 | 151.2448 | 106.6125 | 29.5100 |
| 8 | 4.0 | 273.5333 | 205.2000 | 24.9817 |
| 9 | 4.5 | 451.4781 | 353.2000 | 21.7681 |
| 10 | 5.0 | 698.4167 | 563.3125 | 19.3444 |
+----+-----+----------+----------+-----------+
Deviana Mahdiatari
I0121041
Metode Ralston
+----+-----+----------+----------+----------+----------+----
------+----------+
| I | x | k1 | k2 | F | yeksak |
ynumerik | error(%) |
+----+-----+----------+----------+----------+----------+----
------+----------+
| 0 | 0.0 | 2.4000 | -3.8895 | -1.7930 | 1.0000 |

1.0000 | - |
| 1 | 0.5 | -5.1750 | -6.0410 | -5.7523 | 0.0448 |

0.1035 | 131.1047 |
| 2 | 1.0 | -5.2000 | 1.2699 | -0.8867 | -2.9167 | -

2.7727 | 4.9375 |
| 3 | 1.5 | 4.8750 | 20.5934 | 15.3539 | -3.4719 | -

3.2160 | 7.3695 |
| 4 | 2.0 | 27.6000 | 54.4793 | 45.5195 | 4.0667 |

4.4609 | 9.6952 |
| 5 | 2.5 | 65.5250 | 105.4777 | 92.1602 | 26.6615 |

27.2207 | 2.0976 |
| 6 | 3.0 | 121.2000 | 176.1387 | 157.8258 | 72.5500 |

73.3008 | 1.0348 |
| 7 | 3.5 | 197.1750 | 269.0121 | 245.0664 | 151.2448 |

152.2137 | 0.6406 |
| 8 | 4.0 | 296.0000 | 386.6480 | 356.4320 | 273.5333 |

274.7469 | 0.4437 |
| 9 | 4.5 | 420.2250 | 531.5965 | 494.4727 | 451.4781 |

452.9629 | 0.3289 |
| 10 | 5.0 | 572.4000 | 706.4074 | 661.7383 | 698.4167 |

700.1992 | 0.2552 |
+----+-----+----------+----------+----------+----------+----
------+----------+
Deviana Mahdiatari
I0121041
BAB III
KESIMPULAN
BAB III
KESIMPULAN
3.1 Kesimpulan Soal 1

Dari hasil perhitungan menggunakan metode Newton – Raphson dan
metode Regulafalsi didapatkan hasil seperti terangkum dalam tabel 3.1 dan
tabel 3.2
Tabel 3.1 Rekapitulasi perhitungan metode Newton-Raphson
Iterasi xi Xi + 1 f(xi) f(xi+1) error
4 -1,4898 -1,4898 -3,2566 645.1986 -5,047

E-10 E-13
Tabel 3.2 Rekapitulasi perhitungan metode Regulafalsi
Iterasi xn Xn + 1 X’ f(xn) f(xn+1) error
6 -1,5 -1,4898 -1,4898 -6,8103 0.0000 0.0000

Dari perhitungan menggunakan metode eliminasi Gauss dan Gauss-
Jordan untuk menyelesaikan keempat persamaan diketahui, didapatkan
persentase kandungan material dari 4 sumber sebagai berikut :
Deviana Mahdiatari
I0121041
109
Universitas Sebelas Maret Surakarta Kesimpulan
`
Tabel 3.3 Rekapitulasi persentase kandungan material

Kerikil Kerikil
Sumber Pasir (%) Semen (%)
Halus (%) Kasar (%)
1 12 33 22 33
2 34 11 34 21
3 20 35 10 35
4 31 24 31 14
Dari data diatas, didapatkan volume material, yang harus digali dari
masing-masing sumber :
Sumber 1 = 4466,6667 m3
Sumber 2 = 4466.6667 m3
Sumber 3 = 2076.6667 m3
Sumber 4 = 2821.3333 m3
Berdasarkan hasil perhitungan dengan metode regresi, didapatkan hasil

seperti terangkum dalam tabel 3.4
Tabel 3.4 Rekapitulasi perhitungan metode regresi
No Variabel R R2 Persamaan
Bahan inovasi
1 0,7237 0,5237 y = 27,2611 + 0,0201 x
1 (A)
Bahan inovasi
2 0,8909 0,7936 y = 28,0109 + 0.0402 x
2 (B)
Berdasarkan koefisien korelasi yang didapatkan bahwa B dengan R
sebesar 0,8031 memiliki hubungan yang positif dengan kuat tekan beton
dengan persamaan regresi variabel B yaitu, y = 28.0109 + 0.0402 x
Deviana Mahdiatari
I0121041
`
Bedasarkan hasil perhitungan dengan metode interpolasi kwadrat dan
interpolasi lagrange, didapatkan hasil seperti terangkum dalam tabel 3.5
Tabel 3.5 Rekapitulasi perhitungan metode interpolasi kwadrat dan
interpolasi lagrange
Elevasi
Jarak
No. Interpolasi Interpolasi
(m)
Kwadrat Lagrange
1 54 154,0100 154,0100
2 70 157,6429 157,6429
3 91 162,1607 162,1607
4 100 164,0100 164,0100
5 111 166,1994 166,1994
6 130 169,7974 169,7974
7 154 174,0100 174,0100

Berdasarkan hasil perhitungan dengan metode trapezoida, didapatkan luas
penampang danau sebesar 97,37 m2.

Berdasarkan hasil perhitungan dengan metode euler dan metode raltson,
didapatkan hasil seperti pada tabel 3.6 dan 3.7
Deviana Mahdiatari
I0121041
`
Tabel 3.6 Rekapitulasi hasil perhitungan dengan Metode Euler
i x yeksak ynumerik Error (%)
0 0 1 1 -
1 0,5 0.0448 2,2000 4811,6279
2 1 -2,9167 -0,3875 86,7143
3 1,5 -3,4719 -2,9875 13,9514
4 2 4,0667 -0,5500 113,5246
5 2,5 26,6615 13,2500 50,3028
6 3 72,5500 46,0125 36,5782
7 3,5 151,2448 106,6125 29,5100
8 4 273,5333 205,2000 24,9817
9 4,5 451,4781 353,2000 21,7681
10 5 698,4167 563,3125 19,3444
Tabel 3.7 Rekapitulasi hasil perhitungan dengan Metode Raltson
Error
c x k1 k2 F y eksak y numerik
(%)
0 2,4 -3,8895 -1,793 1 1 -
1 0,5 -5,175 -6,0410 -5,7523 0,0448 0,1035 131,1047
2 1 -5,2 1,2699 -0,8867 -2,9167 -2,7727 4,9375
3 1,5 4,875 20,5934 15,3539 -3,4719 -3,2160 7,3695
4 2 27,6 54,4793 45,5195 4,0667 4,4609 9,6952
5 2,5 65,525 105,47773 92,1602 26,6615 27,2207 2,0976
6 3 121,2 17,1387 15,8258 72,55 73,3008 1,0348
7 3,5 197,175 269,0121 245,0664 151,2448 152,2137 0,6406
8 4 296 386,6480 356,4320 273,5333 274,7469 0,4437
9 4,5 420,225 531,5965 494,4727 451,4781 452,9629 0,3289
10 5 572,4 706,4074 661,7383 698,4167 700,1992 0,2552
Deviana Mahdiatari
I0121041
PENUTUP
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta Penutup
PENUTUP
Puji syukur dan terimakasih penulis panjatkan kehadirat Tuhan Yang

Maha Esa, yang telah memberikan rahmat dan hidayah-Nya, sehingga
penulis dapat menyelesaikan Tugas Metode Komputasi dan Numerik ini
tepat pada waktunya.
Semoga apa yang telah penulis sajikan ini dapat menambah dan
memperjelas pemahaman mengenai mata kuliah Metode Komputasi dan
Numerik di Jurusan Teknik Sipil Fakultas Teknik Universitas Sebelas
Maret Surakarta.
Penulis menyadari bahwa tak ada gading yang tak retak. Sehingga, penulis
meyadari bahwa tugas ini memiliki banyak kekurangan dan masih jauh
dari sempurna. Kritik dan saran yang membangun sangat penulis harapkan
untuk penyempurnaan laporan-laporan selanjutnya. Apabila ada kata-kata
yang tidak berkenan di hati pembaca, penulis mohon maaf yang sebesar-
besarnya.
Akhirnya, penulis berharap semoga Tugas Metode Komputasi dan

Numerik ini dapat bermanfaat bagi kita semua.
Deviana Mahdiatari
xii I0121041
DAFTAR PUSTAKA
Program Studi Teknik Sipil
Universitas Sebelas Maret Surakarta Daftar Pustaka
DAFTAR PUSTAKA
Triatmodjo, B. 2002. Metode Numerik. Beta Offset: Yogyakarta
Deviana Mahdiatari
xiii I0121041
LAMPIRAN
Pada Tugas Besar Metode dan Komputasi Numerik, mahasiswa diharapkan mampu
Menyusun program komputer dengan menerapkan teori dan metode perhitungan
yang disampaikan pada perkuliahan Metode dan Komputasi Numerik dan
menyelesaikan permasalahan yang berkaitan dengan bidang studi Teknik Sipil.
Adapun sistematika penulisan tugas terdiri dari :
Halaman Judul
Lembar Pengesahan
Lembar Komunikasi dan Pemantauan
Kata Pengantar
Daftar isi
Daftar Gambar
Daftar Tabel
BAB 1 PENDAHULUAN
1.1 Latar Belakang

1.2 Rumusan Masalah
1.3 Batasan Masalah
1.4 Tujuan
BAB 2 PENYUSUNAN PROGRAM
2.1 Penjabaran Masalah

2.2 Dasar Teori
2.3 Flowchart
2.4 Model Matematika dan Penyelesaian Manual
2.5 Excel
2.6 Kode Pemrograman Python
BAB 3 KESIMPULAN
3.1 Kesimpulan
Penutup
Daftar Pustaka
Lampiran
`
SOAL 1
23,Xx7 + 1,2Zx4 + 12Yx4 + 15x3 – 120x2 + 100 = 0
Tentukan nilai persamaan diatas dengan menggunakan: (error = 0,0001)
a. Metode newton-raphson
b. Metode regulafalsi
SOAL 2
Pada suatu proyek pembangunan sebuah gedung, kontraktor pelaksana memerlukan

bahan bangunan berupa pasir, kerikil halus, kerikil kasar, dan semen dengan
kebutuhan bahan bangunan …. m3 pasir, …. m3 kerikil halus, …. m3 kerikil kasar,
…. m3 semen. Keempat bahan bangunan tersebut bisa diperoleh dari 4 sumber
dengan komposisi material sebagai berikut:
Sumber Pasir (%) Kerikil Halus Kerikil Kasar Semen (%)

(%) (%)
Sumber 1
Sumber 2
Sumber 3
Sumber 4
Berapa m3-kah yang harus diperoleh dari keempat sumber untuk memenuhi
kebutuhan kontraktor?
SOAL 3
Semakin berkembangnya pembangunan di Indonesia menyebabkan berkurangnya

lahan hijau. Cara yang dapat dilakukan dalam bidang konstruksi adalah dengan
mengaplikasikan material penyusun yang ramah lingkungan, salah satunya dengan
membuat beton yang ramah lingkungan. Untuk menemukan solusi, dilakukan studi
mengenai hubungan pengaruh banyaknya bahan inovasi 1 (A) dan bahan inovasi 2
(B) dengan kuat tekan beton. Data yang didapatkan dari hasil studi tersebut adalah
sebagai berikut:
No Kuat Tekan Beton A (kg/m3) B (kg/m3)

(MPa)
1 35 5XY 2YZ
2 40 42Y 25X
3 30 2ZX 7Y
4 36 4YZ 16X
5 33 2ZY 8Z
6 31 2XZ 7Z
7 32 3ZX 16Y
8 37 4XY 2XY
Tentukan hubungan regresi dari kedua faktor tersebut (A dan B) dengan Kuat Tekan
Beton menggunakan metode Regresi serta berikan kesimpulan bahan inovasi yang
memiliki korelasi lebih baik!
SOAL 4
Diketahui elevasi muka tanah pada suatu daerah sebagai berikut:
Jarak (m) Elevasi (m)

5X 15X,YZ
7Y …
9Z …
100 16X,YZ
11Z …
13Y …
15X 17X,YZ
Tentukan elevasi yang belum diketahui dengan menggunakan:
a. Interpolasi Kwadrat
b. Interpolasi Lagrange
SOAL 5
Sebuah danau dengan lebar 15 meter, anda diminta untuk mengukur luas
penampang melintang danau tersebut. Dilakukan pengukuran kedalaman danau
pada setiap satu meter dan dihasilkan data sebagai berikut:
Jarak (m) 0 1 2 3 4 5 6 7
Kedalaman
0 1,5X 3,YZ 5,1Y 8,9X 9,ZX 10,Y 12,YX
(m)
8 9 10 11 12 13 14 15
11,Z 9,8X 7,2Y 8,7X 6,1Z 3,XY 1,2Z 0
Tentukan luas penampang melintang danau menggunakan metode integrasi

trapezoida!
SOAL 6
𝑑𝑦
= 3, 𝑿𝑥 3 + 1𝒀𝑥 2 − 2𝒁𝑥 + 2, 𝑿
𝑑𝑥
𝑥0 = 0 ; 𝑦0 = 1
Selesaikan persamaan diatas dari x = 0 sampai x = 5 dengan panjang langkah h =

0,5 dan berikan error kesalahannya! (menggunakan metode Euler dan Raltson)
CATATAN
▪ Tugas besar Metode dan Komputasi Numerik merupakan tugas individu

▪ Dalam tugas besar ini, mahasiswa harus mencantumkan perincian
perhitungan dengan metode numerik
▪ Dalam tugas besar ini, mahasiswa harus mampu menggunakan bahasa
pemrograman Python
DEADLINE
▪ Batas ACC Asisten : 9 Juni 2023

▪ Batas ACC Dosen : 17 Juni 2023
ASISTEN
▪ Kelas A : Ahda Dinansya NIM I0120012

▪ Kelas B : Muchamat Depa Andika NIM I0120101
▪ Kelas C : Said Humar Basri NIM I0120154
▪ Kelas D : Sarah Nuha Fadhilah NIM I0120155
▪ Kelas E : Syafa Maajid Savira NIM I0120159
▪ Kelas F : Brilian Lucky Fauzan NIM I0120031
Surakarta, 1 April 2023

Koordinator Mata Kuliah
Metode dan Komputasi Numerik
Setiono, S.T., M.Sc.

NIP. 197202241997021001

Ilovepdf Merged

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ilovepdf Merged

Diunggah oleh

Hak Cipta:

Format Tersedia

79

Tugas Metode dan Komputasi Numerik 2023

2.6.2 Kode Pemrograman Python Soal 2

Nama material ke-1 :Pasir

Kebutuhan material Pasir : 4141

Nama material ke-2 :Kerikil Halus

Kebutuhan material Kerikil Halus : 3613

Nama material ke-3 :Kerikil Kasar

Kebutuhan material Kerikil Kasar : 4334

Nama material ke-4 :Semen

Kebutuhan material Semen : 4041

[+] Kebutuhan bahan

| Kerikil Halus | 3613.0 |

[!] Masukkan kombinasi material

Sumber ke-1material Pasir : 33

Sumber ke-1material Kerikil Halus : 12

Sumber ke-1material Kerikil Kasar : 33

Sumber ke-1material Semen : 22

Sumber ke-2material Pasir : 21

Sumber ke-2material Kerikil Halus : 34

Sumber ke-2material Kerikil Kasar : 11

Sumber ke-2material Semen : 34

Sumber ke-3material Pasir : 31

Sumber ke-3material Kerikil Halus : 24

Sumber ke-3material Kerikil Kasar : 31

Sumber ke-3material Semen : 14

Sumber ke-4material Pasir : 14

Sumber ke-4material Kerikil Halus : 31

Sumber ke-4material Kerikil Kasar : 24

Sumber ke-4material Semen : 31

[+] Kombinasi material

| Sumber | Pasir | Kerikil Halus | Kerikil Kasar | Semen |

| 1.0 | 33.0 | 12.0 | 33.0 | 22.0 |

| 2.0 | 21.0 | 34.0 | 11.0 | 34.0 |

| 3.0 | 31.0 | 24.0 | 31.0 | 14.0 |

| 4.0 | 14.0 | 31.0 | 24.0 | 31.0 |

[+] Persamaan dalam bentuk matriks

[0.33, 0.21, 0.31, 0.14] 4141.0

[0.12, 0.34, 0.24, 0.31] 3613.0

[0.33, 0.11, 0.31, 0.24] 4334.0

[0.22, 0.34, 0.14, 0.31] 4041.0

[+] Persamaan matriks akhir

[0.33, -0.0, 0.0, 0.0] 2234.6405

[0.0, 0.2636, 0.0, 0.0] 650.6182

[0.0, 0.0, 0.0, 0.6905] 3036.619

Toleransi (gunakan . sebagai koma) : 0.0001

8.999999408842996e-06 < 0.0001 OK

- Ketersediaan Kerikil Halus

9.000000318337698e-06 < 0.0001 OK

- Ketersediaan Kerikil Kasar

8.999999408842996e-06 < 0.0001 OK

9.000000318337698e-06 < 0.0001 OK

2.6.3 Kode Pemrograman Python Soal 3

import matplotlib.pyplot as plt

from prettytable import PrettyTable

def regression(arrX, arrY): #Definisi fungsi untuk mencari

b = (len(arrX) * np.sum(arrX*arrY) - np.sum(arrX) *

return [float(f'{a:.4f}'), float(f'{b:.4f}')] #Menampilkan

def correlation(arrX, arrY): #Definisi fungsi untuk mencari

return (len(arrX) * np.sum(arrX*arrY) - np.sum(arrX) *

np.sum(arrY)**2))**(0.5)) #Menampilkan hasil koefisien

print('[!] Masukkan nilai acakan XYZ')

x = int(input('X : ')) #Input nilai acakan X

b = (len(arrX) * np.sum(arrXarrY) - np.sum(arrX)

return (len(arrX) * np.sum(arrXarrY) - np.sum(arrX)

np.sum(arrY)2))(0.5)) #Menampilkan hasil koefisien