Numerical Methods 6th Edition Chapra-201-400

Machine Translated by Google
182 AKAR POLINOMI
Perhatikan bahwa kami telah menghilangkan subskrip “2” dari fungsi agar lebih ringkas. Karena kita
mempunyai tiga persamaan, kita dapat menyelesaikan tiga koefisien yang tidak diketahui, a, b, dan c. Karena
dua istilah dalam Persamaan. (7.20) adalah nol, maka dapat segera diselesaikan untuk c = f(x2). Jadi, itu
koefisien c hanya sama dengan nilai fungsi yang dievaluasi pada tebakan ketiga, x2. Ini
hasilnya kemudian dapat disubstitusikan ke Persamaan. (7.18) dan (7.19) menghasilkan dua persamaan dengan dua
tidak diketahui:
2
f(x0) ÿ f(x2) = a(x0 ÿ x2) + b(x0 ÿ x2) (7.21)
2
f(x1) ÿ f(x2) = a(x1 ÿ x2) + b(x1 ÿ x2) (7.22)
Manipulasi aljabar kemudian dapat digunakan untuk menyelesaikan koefisien yang tersisa, a dan b.
Salah satu cara untuk melakukan hal ini adalah dengan mendefinisikan sejumlah perbedaan,
h0 = x1 ÿ x0 h1 = x2 ÿ x1
f(x1) ÿ f(x0) f(x2) ÿ f(x1)

ÿ0 = ÿ1 = (7.23)
x1 ÿ x0 x2 ÿ x1
Ini dapat disubstitusikan ke dalam Persamaan. (7.21) dan (7.22) memberi

2
(h0 + h1)b ÿ (h0 + h1) a = h0ÿ0 + h1ÿ1
h1 b ÿ h2 1 a = h1ÿ1
yang dapat diselesaikan untuk a dan b. Hasilnya dapat diringkas sebagai
ÿ1 ÿ ÿ0
sebuah = (7.24)
jam1 + jam0
b = ah1 + ÿ1 (7.25)
c = f(x2) (7.26)
Untuk mencari akarnya, kita terapkan rumus kuadrat pada Persamaan. (7.17). Namun karena
potensi kesalahan pembulatan, daripada menggunakan bentuk konvensional, kami menggunakan alternatifnya
formulasi [Persamaan. (3.13)] untuk menyerah
ÿ2c
x3 ÿ x2 = (7.27a)
b ± ÿb2 ÿ 4ac
atau mengisolasi x3 yang tidak diketahui di sisi kiri tanda sama dengan,
ÿ2c
x3 = x2 + b (7.27b)
± ÿb2 ÿ 4ac
Perhatikan bahwa penggunaan rumus kuadrat berarti akar real dan akar kompleks bisa ada
terletak. Ini adalah manfaat utama dari metode ini.
Selain itu, Persamaan. (7.27a) memberikan cara yang tepat untuk menentukan perkiraan kesalahan.
Karena sisi kiri mewakili selisih antara sekarang (x3) dan sebelumnya (x2)
perkiraan akar, kesalahan dapat dihitung sebagai
x3 ÿ x2
ÿa = 100%
x3
7.4 METODE MÜLLER 183
Sekarang, masalah dengan Persamaan. (7.27a) menghasilkan dua akar, sesuai dengan suku ±
dalam penyebutnya. Dalam metode Müller, tanda dipilih sesuai dengan tanda b. Ini
pilihan akan menghasilkan penyebut terbesar, dan karenanya, akan memberikan perkiraan akar yaitu
paling dekat dengan x2.
Setelah x3 ditentukan, proses diulangi. Hal ini menimbulkan masalah pada titik mana
dibuang. Dua strategi umum biasanya digunakan:
1. Jika hanya akar real yang ditemukan, kita pilih dua titik asal yang terdekat
perkiraan akar baru, x3.
2. Jika akar nyata dan akar kompleks dievaluasi, pendekatan sekuensial digunakan.
Artinya, seperti metode garis potong, x1, x2, dan x3 menggantikan x0, x1, dan x2.
CONTOH 7.2 Metode Müller
Pernyataan masalah. Gunakan metode Müller dengan tebakan x0, x1, dan x2 = 4,5, 5,5,
dan 5, masing-masing, untuk menentukan akar persamaan
3
f(x) = x ÿ 13x ÿ 12
Perhatikan bahwa akar-akar persamaan ini adalah ÿ3, ÿ1, dan 4.
Larutan. Pertama, kita mengevaluasi fungsinya berdasarkan tebakan
f(4,5) = 20,625 f(5,5) = 82,875 f(5) = 48
yang dapat digunakan untuk menghitung
h0 = 5,5 ÿ 4,5 = 1 h1 = 5 ÿ 5,5 = ÿ0,5

82.875 ÿ 20.625 48 ÿ 82.875
ÿ0 = = 62,25 ÿ1 = = 69,75
5.5 ÿ 4.5 5 ÿ 5.5
Nilai-nilai ini pada gilirannya dapat disubstitusikan ke dalam Persamaan. (7.24) hingga (7.26) untuk menghitung
69,75 ÿ 62,25
sebuah = = 15 b = 15(ÿ0,5) + 69,75 = 62,25 c = 48
ÿ0,5 + 1
Akar kuadrat dari diskriminan dapat dievaluasi sebagai
62,252 ÿ 4(15)48 = 31,54461
Lalu karena |62.25 + 31.54451| > |62.25 ÿ 31.54451|, tanda positif digunakan
penyebut Persamaan. (7.27b), dan estimasi akar baru dapat ditentukan sebagai
ÿ2(48)
x3 = 5 + = 3,976487
62,25 + 31,54451
dan mengembangkan estimasi kesalahan
ÿ1.023513
ÿa = 100% = 25,74%
3.976487
Karena kesalahannya besar, tebakan baru diberikan; x0 digantikan oleh x1, x1 digantikan oleh
x2, dan x2 digantikan oleh x3. Oleh karena itu, untuk iterasi baru,
x0 = 5,5 x1 = 5 x2 = 3,976487
184 AKAR POLINOMI
dan perhitungan diulangi. Hasilnya, yang ditabulasikan di bawah, menunjukkan bahwa metode tersebut
konvergen dengan cepat pada akar, xr = 4:
Saya
xr sebuah (%)
0 5
3.976487 25.74
1 4.00105 4 0,6139
2 4 0,0262
34 0,0000119
Pseudocode untuk mengimplementasikan metode Müller pada akar real disajikan pada Gambar 7.4.
Perhatikan bahwa rutinitas ini diatur untuk mengambil satu tebakan awal yang bukan nol yang kemudian diubah
GAMBAR 7.4
Kodesemu untuk metode Müller.
SUB Muller(xr, h, eps, maxit)

x2 xr
x1 xr jam*xr
x0 xr jam*xr
MELAKUKAN
ulangi ulang 1
x1 x0
h0 h1 x2 x1
d0 (f(x1) f(x0)) / jam0
d1 (f(x2) f(x1)) / jam1
a (d1 d0) / (h1 h0)
ba*h1 d1
lih(x2)
rad SQRT(b*b 4*a*c)
Jika |brad| |brad| KEMUDIAN
den b rad
KALAU TIDAK
den b rad
BERAKHIR JIKA
dxr 2*c ruang kerja
xr x2 dxr
CETAK iter, xr
JIKA (|dxr| eps*xr ATAU iter maksimal) KELUAR
x0 x1
x1 x2
x2 xr
AKHIR LAKUKAN
AKHIR Müller
7.5 METODE BAIRSTOW 185
kembangkan dua tebakan lainnya. Tentu saja, algoritme juga dapat diprogram untuk mengakomodasi tiga
tebakan. Untuk bahasa seperti Fortran, kodenya akan menemukan akar yang kompleks jika
variabel yang tepat dinyatakan sebagai kompleks.
7.5 METODE BAIRSTOW

Metode Bairstow merupakan pendekatan berulang yang terkait secara longgar dengan metode Müller
dan Newton-Raphson. Sebelum memulai penjelasan matematis tentang teknik ini,
ingat bentuk polinomial yang difaktorkan,
f5(x) = (x + 1)(x ÿ 4)(x ÿ 5)(x + 3)(x ÿ 2) (7.28)
Jika kita membaginya dengan faktor yang bukan akar (misalnya x + 6), maka hasil bagi adalah a
polinomial orde keempat. Namun, untuk kasus ini, akan ada sisa.
Berdasarkan penjelasan di atas, kita dapat menguraikan algoritma untuk menentukan akar
polinomial: (1) tebak nilai akar x = t, (2) bagi polinomial tersebut dengan faktor
x ÿ t, dan (3) tentukan ada tidaknya sisa. Jika tidak, tebakannya sempurna dan
akar sama dengan t. Jika ada sisa, tebakannya dapat disesuaikan secara sistematis dan
prosedur diulang sampai sisanya hilang dan akar ditemukan. Setelah ini selesai, seluruh prosedur dapat
diulangi agar hasil bagi menemukan akar yang lain.
Metode Bairstow umumnya didasarkan pada pendekatan ini. Oleh karena itu, hal ini bergantung pada
proses matematika membagi polinomial dengan faktor. Ingat kembali diskusi kita tentang
deflasi polinomial (Bagian 7.2.2) bahwa pembagian sintetik melibatkan pembagian polinomial dengan
faktor x ÿ t. Misalnya, polinomial umum [Persamaan. (7.1)]
fn(x) = a0 + a1x + a2x2 +···+ an xn (7.29)
dapat dibagi dengan faktor x ÿ t untuk menghasilkan polinomial kedua yang satu orde lebih rendah,
fnÿ1(x) = b1 + b2x + b3x2 +···+ bn xnÿ1 (7.30)
dengan sisa R = b0, dimana koefisiennya dapat dihitung dengan hubungan perulangan
bn = sebuah
bi = ai + bi+1t untuk saya = n ÿ 1 hingga 0
Perhatikan bahwa jika t adalah akar dari polinomial asal, sisa b0 akan sama dengan nol.
Untuk memungkinkan evaluasi akar kompleks, metode Bairstow membagi polinomial
dengan faktor kuadrat x2 ÿ rx ÿ s. Jika ini dilakukan pada Persamaan. (7.29), hasilnya adalah polinomial
baru
fnÿ2(x) = b2 + b3x +···+ bnÿ1xnÿ3 + bn xnÿ2
dengan sisa
R = b1(x ÿ r) + b0 (7.31)
Seperti halnya pembagian sintetik normal, hubungan perulangan sederhana dapat digunakan untuk melakukan pembagian tersebut
pembagian dengan faktor kuadrat:
bn = sebuah (7.32a)
186 AKAR POLINOMI
bnÿ1 = anÿ1 + rbn bi = (7.32b)

ai + rbi+1 + sbi+2 untuk saya = n ÿ 2 hingga 0 (7.32c)
Faktor kuadrat diperkenalkan untuk memungkinkan penentuan akar kompleks. Ini

berkaitan dengan fakta bahwa, jika koefisien polinomial asal adalah nyata, maka kompleksnya
akar terjadi pada pasangan konjugasi. Jika x2 ÿ rx ÿ s adalah pembagi eksak dari polinomial tersebut, maka kompleks
akar dapat ditentukan dengan rumus kuadrat. Oleh karena itu, metode ini direduksi menjadi penentuan nilai r
dan s yang menjadikan faktor kuadrat sebagai pembagi eksak. Dengan kata lain, kita
carilah nilai yang membuat suku sisanya sama dengan nol.
Inspeksi Persamaan. (7.31) membawa kita pada kesimpulan bahwa agar sisanya sama dengan nol, b0 dan
b1 harus nol. Karena kecil kemungkinannya tebakan awal kita terhadap nilai r dan s akan berhasil
mengarah pada hasil ini, kita harus menentukan cara sistematis untuk mengubah tebakan kita sehingga b0 dan
b1 mendekati nol. Untuk melakukan hal ini, metode Bairstow menggunakan strategi yang mirip dengan
pendekatan Newton-Raphson. Karena b0 dan b1 merupakan fungsi dari r dan s, maka keduanya dapat menjadi fungsi
diperluas menggunakan deret Taylor, seperti pada [ingat Persamaan. (4.26)]
ÿb1 ÿb1
b1(r + r,s + s) = b1 + r+ S
ÿr ÿs
ÿb0 ÿb0
b0(r + r,s + s) = b0 + r+ S (7.33)
ÿr ÿs
dimana nilai-nilai di sisi kanan semuanya dievaluasi pada r dan s. Perhatikan yang kedua dan
istilah tingkat tinggi telah diabaikan. Ini mewakili asumsi implisit bahwa ÿr dan
ÿs cukup kecil sehingga suku tingkat tinggi dapat diabaikan. Cara lain untuk berekspresi
asumsi ini berarti bahwa tebakan awal cukup mendekati nilai r dan
ada di akarnya.
Perubahan, r dan s, yang diperlukan untuk meningkatkan tebakan kita dapat diperkirakan dengan pengaturan
Persamaan. (7.33) sama dengan nol untuk diberikan
ÿb1 ÿb1
r+ s = ÿb1 (7.34)
ÿr ÿs
ÿb0 ÿb0
r+ s = ÿb0 (7.35)
ÿr ÿs
Jika turunan parsial dari b dapat ditentukan, maka ini adalah sistem dua persamaan
yang dapat diselesaikan secara bersamaan untuk dua hal yang tidak diketahui, r dan s. Bairstow menunjukkan hal itu
turunan parsial dapat diperoleh dengan pembagian sintetik dari b dengan cara yang serupa dengan cara di
mana b itu sendiri diturunkan:
cn = bn (7.36a)
cnÿ1 = bnÿ1 + rcn (7.36b)
ci = bi + rci+1 + sci+2 untuk saya = n ÿ 2 banding 1 (7.36c)
dimana ÿb0/ÿr = c1, ÿb0/ÿs = ÿb1/ÿr = c2, dan ÿb1/ÿs = c3. Jadi, turunan parsial
diperoleh dengan pembagian sintetik dari b. Kemudian turunan parsialnya dapat disubstitusikan
ke dalam Persamaan. (7.34) dan (7.35) beserta huruf b yang harus diberikan
c2r + c3s = ÿb1
c1r + c2s = ÿb0

Persamaan ini dapat diselesaikan untuk r dan s, yang pada gilirannya dapat digunakan untuk memperbaiki persamaan tersebut
tebakan awal r dan s. Pada setiap langkah, perkiraan kesalahan dalam r dan s dapat diperkirakan, seperti pada
R
|ÿa,r| = 100% (7.37)
R
Dan
S
|ÿa,s| = 100% (7.38)
S
Ketika kedua perkiraan kesalahan ini berada di bawah kriteria penghentian yang telah ditentukan sebelumnya
ÿs, nilai akar dapat ditentukan dengan
2
r±ÿr + 4 detik
x= (7.39)
2
Pada titik ini, ada tiga kemungkinan:
1. Hasil bagi adalah polinomial orde ketiga atau lebih besar. Untuk kasus ini, metode Bairstow
akan diterapkan pada hasil bagi untuk mengevaluasi nilai baru untuk r dan s. Nilai-nilai sebelumnya
dari r dan s dapat menjadi tebakan awal untuk aplikasi ini.
2. Hasil bagi adalah kuadrat. Untuk kasus ini, dua akar yang tersisa dapat dievaluasi
langsung dengan Persamaan. (7.39).
3. Hasil bagi adalah polinomial orde pertama. Untuk kasus ini, akar tunggal yang tersisa bisa saja
dievaluasi hanya sebagai
x= ÿs
(7.40)
R
CONTOH 7.3 Metode Bairstow
Pernyataan masalah. Gunakan metode Bairstow untuk menentukan akar polinomial

5
f5(x) = x ÿ 3,5x4 + 2,75x3 + 2,125x2 ÿ 3,875x + 1,25
Gunakan tebakan awal r = s = ÿ1 dan ulangi hingga tingkat ÿs = 1%.
Larutan. Persamaan (7.32) dan (7.36) dapat diterapkan untuk menghitung
b5 = 1 b4 = ÿ4,5 b0 = 11,375 b3 = 6,25 b2 = 0,375 b1 = ÿ10.5
c5 = 1 c4 = ÿ5.5 c3 = 10,75 c2 = ÿ4.875 c1 = ÿ16.375
Jadi, persamaan simultan yang harus diselesaikan untuk r dan s adalah
ÿ4,875r + 10,75 detik = 10,5

ÿ16.375r ÿ 4.875s = ÿ11.375
yang dapat diselesaikan untuk r = 0,3558 dan s = 1,1381. Oleh karena itu, tebakan awal kami
dapat diperbaiki menjadi
r = ÿ1 + 0,3558 = ÿ0,6442
s = ÿ1 + 1,1381 = 0,1381
188 AKAR POLINOMI
dan perkiraan kesalahan dapat dievaluasi dengan Persamaan. (7.37) dan (7.38),
0,3558 1.1381
|ÿa,r| = 100% = 55,23% |ÿa,s| = 100% = 824,1%
ÿ0,6442 0,1381
Selanjutnya, perhitungan diulangi dengan menggunakan nilai r dan s yang telah direvisi. Menerapkan Persamaan. (7.32)
dan (7.36) hasil
b5 = 1 b4 = ÿ4,1442 b0 = 2,1304 b3 = 5,5578 b2 = ÿ2,0276 b1 = ÿ1,8013
c5 = 1 c4 = ÿ4,7884 c3 = 8,7806 c2 = ÿ8.3454 c1 = 4,7874
Oleh karena itu, kita harus menyelesaikannya
ÿ8,3454r + 8,7806 detik = 1,8013

4,7874r ÿ 8,3454s = ÿ2,1304
untuk r = 0,1331 dan s = 0,3316, yang dapat digunakan untuk mengoreksi estimasi akar sebagai
r = ÿ0,6442 + 0,1331 = ÿ0,5111 |ÿa,r| = 26,0%

s = 0,1381 + 0,3316 = 0,4697 |ÿa,s| = 70,6%
Perhitungan dapat dilanjutkan, dengan hasil setelah empat iterasi metode

konvergen pada nilai r = ÿ0.5 (|ÿa,r| = 0.063%) dan s = 0.5 (|ÿa,s| = 0.040%). Persamaan (7.39) kemudian
dapat digunakan untuk mengevaluasi akar-akarnya sebagai
ÿ0,5 ± (ÿ0,5)2 + 4(0,5)

x= = 0,5, ÿ1,0
2
Pada titik ini, hasil bagi adalah persamaan kubik
f(x) = x3 ÿ 4x2 + 5,25x ÿ 2,5
Metode Bairstow dapat diterapkan pada polinomial ini dengan menggunakan hasil langkah sebelumnya,
r = ÿ0.5 dan s = 0.5, sebagai tebakan awal. Lima iterasi menghasilkan perkiraan r = 2 dan
s = ÿ1.249, yang dapat digunakan untuk menghitung
2 ± 22 + 4(ÿ1.249)
x= = 1 ± 0,499i
2
Pada titik ini, hasil bagi adalah polinomial orde pertama yang dapat dievaluasi secara langsung
Persamaan. (7.40) untuk menentukan akar kelima: 2.
Perhatikan bahwa inti dari metode Bairstow adalah evaluasi via b dan c
Persamaan. (7.32) dan (7.36). Salah satu kekuatan utama metode ini adalah cara masuknya yang ringkas
dimana hubungan perulangan ini dapat diprogram.
Gambar 7.5 mencantumkan kodesemu untuk mengimplementasikan metode Bairstow. Inti dari algoritma-algoritma
terdiri dari perulangan untuk mengevaluasi b dan c. Perhatikan juga bahwa kode untuk memecahkan masalah tersebut
pemeriksaan persamaan simultan untuk mencegah pembagian dengan nol. Jika hal ini terjadi, nilai-nilai
r dan s sedikit terganggu dan prosedur dimulai lagi. Selain itu, algoritmanya
menempatkan batas atas jumlah iterasi yang ditentukan pengguna (MAXIT) dan seharusnya
dirancang untuk menghindari pembagian dengan nol saat menghitung estimasi kesalahan. Akhirnya, itu
algoritma memerlukan tebakan awal untuk r dan s (rr dan ss dalam kode). Jika tidak ada pengetahuan sebelumnya
dari akar yang ada, mereka dapat diatur ke nol dalam program pemanggil.
(a) Algoritma Bairstow
SUB Bairstow (a,nn,es,rr,ss,maxit,re,im,ier) JIKA iter maksimal MAKA
DIMENSI b(nn), c(nn) JIKA n 2 MAKA
rr; ss; tidak R sebuah(1)sebuah(2)
ini 0; ea1 1; ea2 1 S sebuah(0)sebuah(2)
MELAKUKAN PANGGILAN Quadroot(r,s,r1,i1,r2,i2)

JIKA n 3 ATAU iter maksimal EXIT ulang(n)r1
ulangi 0 saya (n) i1
MELAKUKAN
ulang(n 1) r2
ulangi ulang 1 saya(n 1) i2
b(n) a(n) KALAU TIDAK
b(n 1) a(n 1) r * b(n) kembali(n) a(0)a(1)

c(n) b(n) saya(n) 0
c(n 1) b(n 1) r * c(n) BERAKHIR JIKA
LAKUKAN dalam 2, 0, 1 KALAU TIDAK
b(i) a(i) r * b(i1) s * b(i 2) ier 1
c(i) b(i) r * c(i1) s * c(i 2) BERAKHIR JIKA
AKHIR LAKUKAN AKHIR Bairstow

itu c(2) * c(2)c(3) * c(1)
JIKA itu 0 MAKA
dr (b(1) * c(2) b(0) * c(3))det
ds (b(0) * c(2) b(1) * c(1))det
(b) Akar Algoritma Kuadrat
rr dr
ss ds
SUB Quadroot(r,s,r1,i1,r2,i2)
JIKA r0 MAKA ea1 ABS(drr) * 100
disk r^2 4*s
JIKA s0 MAKA ea2 ABS(dss) * 100
JIKA disk 0 MAKA
KALAU TIDAK
r1 (r SQRT(cakram))2
rr 1
r2 (r SQRT(cakram))2
ss 1
i1 0
ulangi 0
saya2 0
BERAKHIR JIKA
KALAU TIDAK
JIKA ea1 es DAN ea2 es ATAU iter maxit EXIT

r1 r2
AKHIR LAKUKAN
r2 r1
PANGGILAN Quadroot(r,s,r1,i1,r2,i2)
i1 SQRT(ABS(cakram))2
ulang(n)r1
i2 i1
saya(n) i1
BERAKHIR JIKA
ulang(n 1) r2
AKHIR QuadRoot
saya (n 1) i2
n n2
LAKUKAN saya 0, hal
a(saya) b(saya 2)
AKHIR LAKUKAN
AKHIR LAKUKAN
GAMBAR 7.5
(a) Algoritma penerapan metode Bairstow, serta (b) algoritma penentuan akar-akar kuadrat.
190 AKAR POLINOMI
7.6 METODE LAINNYA

Metode lain tersedia untuk menemukan akar polinomial. Metode Jenkins-Traub (Jenkins dan Traub, 1970)
umumnya digunakan di perpustakaan perangkat lunak. Hal ini cukup rumit, dan titik awal yang baik untuk
memahaminya ditemukan dalam Ralston dan Rabinowitz (1978).
Metode Laguerre, yang mendekati akar nyata dan akar kompleks serta memiliki konvergensi kubik,
merupakan salah satu pendekatan terbaik. Pembahasan selengkapnya dapat ditemukan di House-holder
(1970). Selain itu, Pers dkk. (1992) menyajikan algoritma yang bagus untuk mengimplementasikan metode ini.
7.7 LOKASI ROOT DENGAN PAKET PERANGKAT LUNAK

Paket perangkat lunak memiliki kemampuan luar biasa untuk menemukan akar. Di bagian ini, kami akan
PERANGKAT
memberi Anda gambaran beberapa yang lebih bermanfaat.
7.7.1 Unggul
Spreadsheet seperti Excel dapat digunakan untuk mencari akar dengan cara coba-coba. Misalnya kita ingin
mencari akar dari
f(x) = x ÿ cos x
pertama, Anda bisa memasukkan nilai x ke dalam sel. Kemudian siapkan sel lain untuk f(x) yang akan
memperoleh nilai x dari sel pertama. Anda kemudian dapat memvariasikan sel x hingga sel f(x) mendekati nol.
Proses ini dapat lebih ditingkatkan dengan menggunakan kemampuan plotting Excel untuk mendapatkan
tebakan awal yang baik (Gbr. 7.6).
Meskipun Excel memfasilitasi pendekatan coba-coba, Excel juga memiliki dua alat standar yang dapat
digunakan untuk lokasi akar: Goal Seek dan Solver. Kedua alat ini dapat digunakan untuk menyesuaikan
tebakan awal secara sistematis. Pencarian Sasaran secara tegas digunakan untuk mengarahkan persamaan
ke suatu nilai (dalam kasus kami, nol) dengan memvariasikan satu parameter.
GAMBAR 7.6
Sebuah spreadsheet disiapkan
untuk menentukan akar
dari f(x) = x ÿ cos x dengan cara

coba-coba. Plot digunakan untuk
memperoleh tebakan awal yang baik.
7.7 LOKASI ROOT DENGAN PAKET PERANGKAT LUNAK 191
CONTOH 7.4 Menggunakan Alat Pencarian Sasaran Excel untuk Menemukan Satu Akar
Pernyataan masalah. Gunakan Tujuan Berusahalah untuk menentukan akar dari fungsi transendental
f(x) = x ÿ cos x
Larutan. Seperti pada Gambar 7.6, kunci untuk menyelesaikan persamaan tunggal dengan Excel adalah
membuat sel untuk menampung nilai fungsi yang dimaksud dan kemudian membuat nilainya bergantung pada sel lain.
Setelah ini selesai, pilihan Pencarian Sasaran dipilih dari tombol Analisis Bagaimana-Jika di pita Data Anda.
Pada titik ini kotak dialog akan ditampilkan, meminta Anda untuk mengatur sel ke nilai dengan mengubah sel
lain. Misalnya, seperti pada Gambar 7.6, tebakan Anda dimasukkan di sel A11 dan hasil fungsi Anda di sel B11.
Kotak dialog Goal Seek akan diisi sebagai
Ketika tombol OK dipilih, kotak pesan menampilkan hasilnya,
Sel-sel pada spreadsheet juga akan dimodifikasi ke nilai baru (seperti yang ditunjukkan pada Gambar 7.6).
Alat Solver lebih canggih daripada Goal Seek karena (1) alat ini dapat memvariasikan beberapa sel secara
bersamaan dan (2) seiring dengan mengarahkan sel target ke suatu nilai, alat ini dapat meminimalkan dan
memaksimalkan nilainya. Contoh berikut mengilustrasikan bagaimana hal ini dapat digunakan untuk menyelesaikan
sistem persamaan nonlinier.
CONTOH 7.5 Menggunakan Solver Excel untuk Sistem Nonlinier
Pernyataan masalah. Ingatlah bahwa di Sec. 6.6 kita memperoleh penyelesaian himpunan persamaan simultan
berikut, u(x, y) = x v(x, y) = y +
2
3xy2 ÿ 57 = 0 + xy ÿ 10 = 0
192 AKAR POLINOMI
Perhatikan bahwa pasangan akar yang benar adalah x = 2 dan y = 3. Gunakan Solver untuk menentukan akar-akar
menggunakan tebakan awal x = 1 dan y = 3,5.
PERANGKAT
Larutan. Seperti yang ditunjukkan di bawah, dua sel (B1 dan B2) dapat dibuat untuk menampung tebakan x dan y.
Nilai fungsinya sendiri, u(x, y) dan v(x, y) kemudian dapat dimasukkan ke dalam dua sel lainnya (B3 dan B4). Terlihat
bahwa tebakan awal menghasilkan nilai fungsi yang jauh dari nol.
Selanjutnya, sel lain dapat dibuat yang berisi nilai tunggal yang mencerminkan seberapa dekat kedua fungsi
tersebut dengan nol. Salah satu cara untuk melakukannya adalah dengan menjumlahkan kuadrat nilai fungsi. Ini
selesai dan hasilnya dimasukkan ke dalam sel B6. Jika kedua fungsi bernilai nol, maka fungsi tersebut juga harus
bernilai nol. Lebih lanjut, penggunaan fungsi kuadrat menghindari kemungkinan bahwa kedua fungsi mempunyai
nilai bukan nol yang sama, namun dengan tanda yang berlawanan. Untuk kasus ini, sel target (B6) akan menjadi
nol, tetapi akarnya salah.
Setelah spreadsheet dibuat, pilihan Solver dipilih dari pita Data.1 Pada titik ini kotak dialog akan ditampilkan,
menanyakan informasi terkait kepada Anda. Sel terkait pada kotak dialog Solver akan diisi sebagai
1
Perhatikan bahwa Anda mungkin harus menginstal Solver dengan memilih Office, Opsi Excel, Add-In. Pilih Add-In
Excel dari kotak drop-down Kelola di bagian bawah menu opsi Excel dan klik Buka. Kemudian, centang kotak Solver.
Solver kemudian harus diinstal dan tombol untuk mengaksesnya akan muncul di pita Data Anda.
Ketika tombol OK dipilih, kotak dialog akan terbuka dengan laporan keberhasilan
operasi. Untuk kasus ini, Solver mendapatkan solusi yang tepat:
Perlu dicatat bahwa Solver bisa gagal. Keberhasilannya tergantung pada (1) kondisi
sistem persamaan dan/atau (2) kualitas tebakan awal. Jadi, yang sukses
hasil dari contoh sebelumnya tidak dijamin. Meskipun demikian, kami telah menemukan Solver
cukup berguna untuk menjadikannya pilihan yang layak untuk mendapatkan akar dengan cepat
dalam berbagai aplikasi teknik.
7.7.2 MATLAB
Seperti yang dirangkum dalam Tabel 7.1, perangkat lunak MATLAB mampu menemukan akar
persamaan aljabar dan transendental tunggal. Ia hebat dalam memanipulasi dan menemukan akarnya
polinomial.
Fungsi fzero dirancang untuk menemukan satu akar dari satu fungsi. Sebuah disederhanakan
representasi sintaksisnya adalah
fzero(f,x0,pilihan)
di mana f adalah fungsi yang Anda analisis, x0 adalah tebakan awal, dan opsinya adalah
parameter optimasi (ini diubah menggunakan fungsi optimset). Jika pilihan
dihilangkan, nilai default digunakan. Perhatikan bahwa satu atau dua tebakan dapat digunakan.
Jika dua tebakan digunakan, keduanya diasumsikan mengurung sebuah akar. Contoh berikut
mengilustrasikan bagaimana fzero dapat digunakan.
TABEL 7.1 Fungsi umum di MATLAB yang berhubungan dengan root

manipulasi lokasi dan polinomial.
Fungsi Keterangan
nol Akar dari fungsi tunggal.

akar Temukan akar polinomial.
residu Bangun polinomial dengan akar-akar tertentu.
polivalum Evaluasi polinomial.
polivalm Evaluasi polinomial dengan argumen matriks.
Ekspansi pecahan parsial (residu).
polider Bedakan polinomial.
konv Kalikan polinomial.
dekonv Bagilah polinomial.
194 AKAR POLINOMI
CONTOH 7.6 Menggunakan MATLAB untuk Lokasi Root
Pernyataan masalah. Gunakan fungsi MATLAB fzero untuk mencari akar-akarnya
10 ÿ 1
PERANGKAT
f (x) = x
dalam interval xl = 0 dan xu = 4. Jelas ada dua akar yang muncul di ÿ1 dan 1. Ingatlah bahwa pada
Contoh 5.6, kita menggunakan metode posisi salah dengan tebakan awal 0 dan 1.3 untuk menentukan akar positif.
Larutan. Dengan menggunakan kondisi awal yang sama seperti pada Contoh 5.6, kita dapat menggunakan MATLAB untuk
tentukan akar positifnya seperti pada
>> x0=[0 1.3];

>> x=fzero(@(x) x^10–1,x0)
x=
1
Dengan cara serupa, kita dapat menggunakan tebakan awal ÿ1.3 dan 0 untuk menentukan nilai negatifnya
akar,
>> x0=[–1,3 0];

>> x=fzero(@(x) x^10–1,x0)
x=
–1
Kami juga dapat menggunakan satu tebakan. Kasus yang menarik adalah dengan menggunakan tebakan awal
dari 0,
>> x0=0;
>> x=fzero(@(x) x^10–1,x0)
x=
–1
Jadi, untuk tebakan ini, algoritma yang mendasarinya terjadi pada akar negatif.
Penggunaan optimset dapat diilustrasikan dengan menggunakannya untuk menampilkan iterasi aktual sebagai
solusinya berkembang:
>> x0=0;
>> pilihan=optimset('DISP','ITER');
>> x=fzero(@(x) x^10–1,x0,pilihan)
Fungsi–hitungan X f(x) – Prosedur

1 1– awal
2 0 –0,0282843 1 mencari
3 0,0282843 – –1 mencari
4 0,04 –1 mencari
•
•
•
21 0,64 –0,988471 mencari
22 –0,905097 –0.631065 mencari
23 0,905097 –0.631065 mencari

24 –1.28 10.8059 mencari
Mencari angka nol pada interval [–1.28], 0.9051]
25 0,784528 – –0,911674 – interpolasi

26 0,247736 0,999999 pembagian atas dua bagian
27 –0,763868 – –0,932363 pembagian atas dua bagian
28 1,02193 0,242305 pembagian atas dua bagian
29 –0,968701 – –0,27239 – interpolasi

30 0,996873 0,0308299 interpolasi
31 –0,999702 –1 –0,00297526 interpolasi
32 5,53132e–006 interpolasi
33 –1 –7.41965e–009 – interpolasi
34 –1 1.88738e–014 interpolasi
35 –1 0 interpolasi
Nol ditemukan dalam interval: [–1.28, 0.9051].
x=
–1
Hasil ini menggambarkan strategi yang digunakan oleh fzero ketika disediakan dengan single
tebakan. Pertama, ia mencari di sekitar tebakannya hingga mendeteksi adanya perubahan tanda. Lalu itu
menggunakan kombinasi pembagian dua dan interpolasi untuk mencapai akar. Interpolasi
melibatkan metode garis potong dan interpolasi kuadrat terbalik (ingat Bagian 7.4). Dia
Perlu dicatat bahwa algoritma fzero memiliki lebih dari sekedar deskripsi dasar ini
menyiratkan. Anda dapat berkonsultasi dengan Press et al. (1992) untuk rincian tambahan.
CONTOH 7.7 Menggunakan MATLAB untuk Memanipulasi dan Menentukan Akar Polinomial
Pernyataan masalah. Jelajahi bagaimana MATLAB dapat digunakan untuk memanipulasi dan
menentukan akar polinomial. Gunakan persamaan berikut dari Contoh 7.3,
5 ÿ 3,5x4 + 2,75x3 + 2,125x2 ÿ 3,875x + 1,25
f5(x) = x (E7.7.1)
yang memiliki tiga akar real: 0,5, ÿ1.0, dan 2, dan sepasang akar kompleks: 1 ± 0,5i.
Larutan. Polinomial dimasukkan ke MATLAB dengan menyimpan koefisien sebagai vektor.

Misalnya, pada prompt MATLAB () mengetik dan memasukkan baris berikut akan menyimpan
koefisien dalam vektor a,
>> a=[1 –3,5 2,75 2,125 –3,875 1,25];
Kita kemudian dapat melanjutkan untuk memanipulasi polinomial. Misalnya kita bisa mengevaluasinya di
x = 1 dengan mengetik
>> polival(a,1)
dengan hasil 1(1)5 ÿ 3.5(1)4 + 2.75(1)3 + 2.125(1)2 ÿ 3.875(1) + 1.25 = ÿ0.25,
jawab =
–0,2500
196 AKAR POLINOMI
Kita dapat mengevaluasi turunan f (x) = 5x4 ÿ 14x3 + 8.25x2 + 4.25x ÿ 3.875 dengan
>> polider(a)
PERANGKAT jawab =
5.0000 –14.0000 8.2500 4.2500 –3.8750
Selanjutnya, mari kita buat polinomial kuadrat yang memiliki akar-akar yang sesuai dengan dua akar asli
Persamaan. (E7.7.1): 0,5 dan ÿ1. Kuadratnya adalah (x ÿ 0,5)(x + 1) = x2 + 0,5x ÿ 0,5
dan dapat dimasukkan ke MATLAB sebagai vektor b,
>> b=[1 0,5 –0,5];
Kita dapat membagi polinomial ini menjadi polinomial aslinya dengan cara
>> [d,e]=dekonv(a,b)
dengan hasilnya adalah hasil bagi (polinomial orde ketiga d) dan sisa (e),
d=
1.0000 –4.0000 5.2500 –2.5000
e=
0 0 0 0 0 0
Karena polinomial tersebut merupakan pembagi sempurna, maka polinomial sisanya mempunyai koefisien
nol. Sekarang, akar-akar hasil bagi polinomial dapat ditentukan sebagai
>> akar(d)
dengan hasil yang diharapkan yaitu sisa akar polinomial aslinya (E7.7.1).
ditemukan,
jawab =
2.0000
1,0000 + 0,5000i
1.0000 – 0.5000i
Sekarang kita dapat mengalikan d dengan b untuk mendapatkan polinomial aslinya,
>> konv(d,b)
jawab =
1,0000 –3,5000 2,7500 2,1250 –3,8750 1,2500
Akhirnya, kita dapat menentukan semua akar polinomial asal dengan
>> r=akar(a)
r=
–1.0000
2.0000
1,0000 + 0,5000i
1.0000 – 0.5000i
0,5000
7.7.3 Matematika
Mathcad memiliki fungsi mode numerik yang disebut root yang dapat digunakan untuk menyelesaikan persamaan a
variabel tunggal. Metode ini mengharuskan Anda menyediakan fungsi f(x) dan tebakan awal
atau braket. Ketika nilai tebakan tunggal digunakan, root menggunakan metode Secan dan Müller . Di dalam
kasus di mana dua tebakan yang mengurung akar diberikan, ia menggunakan kombinasi dari
Metode Ridder (variasi posisi palsu) dan metode Brent. Ini melakukan iterasi sampai besarnya f(x) pada akar yang
diusulkan kurang dari nilai TOL yang telah ditentukan. Implementasi Mathcad memiliki kelebihan dan kekurangan
yang serupa dengan metode lokasi akar konvensional seperti masalah mengenai kualitas tebakan awal dan laju
konvergensi.
Mathcad dapat menemukan semua akar polinomial nyata atau kompleks dengan akar poli. Fungsi mode
numerik atau simbolik ini didasarkan pada metode Laguerre. Fungsi ini tidak
memerlukan tebakan awal, dan semua akar dikembalikan pada saat yang bersamaan.
Mathcad berisi fungsi mode numerik yang disebut Temukan yang dapat digunakan untuk menyelesaikan hingga 50
persamaan aljabar nonlinier simultan. Fungsi Temukan memilih yang sesuai
metode dari sekelompok metode yang tersedia, tergantung pada apakah masalahnya linier atau non-linier, dan
atribut lainnya. Nilai yang dapat diterima untuk solusi tersebut mungkin tidak dibatasi atau dibatasi hingga berada
dalam batas yang ditentukan. Jika Find gagal menemukan solusi yang memenuhi persamaan dan batasan, ia
akan mengembalikan pesan kesalahan “tidak menemukan solusi.” Namun, Mathcad
juga berisi fungsi serupa yang disebut Minerr. Fungsi ini memberikan hasil solusi yang meminimalkan kesalahan
dalam kendala bahkan ketika solusi yang tepat tidak dapat ditemukan. Dengan demikian, masalah penyelesaian
akar-akar persamaan nonlinier berkaitan erat dengan optimasi dan
kuadrat terkecil nonlinier. Area-area ini dan Minerr dibahas secara rinci di Bagian Empat dan Lima.
Gambar 7.7 menunjukkan lembar kerja Mathcad yang khas. Menu di atas menyediakan dengan cepat
akses ke operator dan fungsi aritmatika umum, berbagai dua dan tiga dimensi
GAMBAR 7.7
Layar Mathcad untuk menemukan root
dari persamaan tunggal.
198 AKAR POLINOMI
jenis plot, dan lingkungan untuk membuat subprogram. Persamaan, teks, data, atau grafik dapat
ditempatkan di mana saja pada layar. Anda dapat menggunakan berbagai font, warna, dan gaya untuk
membuat lembar kerja dengan hampir semua desain dan format yang Anda sukai. Konsultasikan
ringkasan manual Pengguna Mathcad di App. C atau manual lengkap tersedia dari MathSoft.
PERANGKAT
Perhatikan bahwa dalam semua contoh Mathcad kami, kami telah mencoba menyesuaikan seluruh sesi
Mathcad ke dalam satu layar. Anda harus menyadari bahwa grafik harus ditempatkan di bawah perintah
agar berfungsi dengan baik.
Mari kita mulai dengan contoh yang menyelesaikan akar dari f(x) = x ÿ cos x. Langkah pertama
adalah memasukkan fungsinya. Ini dilakukan dengan mengetikkan f(x): yang secara otomatis diubah
menjadi f(x): = oleh Mathcad. Tanda : = disebut simbol definisi. Selanjutnya tebakan awal dimasukkan
dengan cara serupa menggunakan simbol definisi. Sekarang, soln didefinisikan sebagai root(f(x), x), yang
memanggil metode garis potong dengan nilai awal 1,0. Iterasi dilanjutkan hingga f(x) yang dievaluasi
pada root yang diusulkan kurang dari TOL. Nilai TOL diatur dari menu tarik-turun Matematika/Opsi.
Akhirnya nilai soln ditampilkan menggunakan tanda sama dengan normal ( =). Jumlah angka penting
diatur dari menu tarik-turun Format/Nomor. Label teks dan definisi persamaan dapat ditempatkan di mana
saja pada layar dalam berbagai font, gaya, ukuran, dan warna. Grafik dapat ditempatkan dimana saja
pada lembar kerja dengan mengklik lokasi yang diinginkan. Ini menempatkan tanda silang merah di
lokasi itu. Kemudian gunakan menu tarik-turun Sisipkan/Grafik/XY Plot untuk menempatkan plot kosong
pada lembar kerja dengan placeholder untuk ekspresi yang akan dibuat grafiknya dan untuk rentang
sumbu x dan y . Cukup ketik f(z) di placeholder pada sumbu y dan ÿ10 dan 10 untuk rentang sumbu z.
Mathcad melakukan sisanya untuk menghasilkan grafik yang ditunjukkan pada Gambar 7.7. Setelah
grafik dibuat, Anda dapat menggunakan menu tarik-turun Format/Grafik/XY Plot untuk memvariasikan
jenis grafik; mengubah warna, jenis, dan berat jejak fungsi; dan menambahkan judul, label, dan fitur
lainnya.
Gambar 7.8 menunjukkan bagaimana Mathcad dapat digunakan untuk mencari akar polinomial
menggunakan fungsi akar poli . Pertama, p (x) dan v dimasukkan menggunakan simbol definisi : =.
Perhatikan bahwa v adalah vektor yang memuat koefisien polinomial yang dimulai dengan suku orde nol
dan dalam hal ini diakhiri dengan suku orde ketiga. Selanjutnya, r didefinisikan (menggunakan : =)
T
sebagai poliroot ( v), yang memanggil metode Laguerre. Akar-akar yang terdapat dalam r ditampilkan
sebagai r menggunakan tanda sama dengan normal ( = ). Selanjutnya, plot dibuat dengan cara yang
sama seperti di atas, hanya saja sekarang dua variabel rentang, x dan j, digunakan untuk menentukan
rentang sumbu x dan lokasi akar. Variabel rentang untuk x dibuat dengan mengetikkan x lalu “:” (yang
muncul sebagai : =) lalu ÿ4, lalu “,” lalu ÿ3.99, lalu “;” (yang diubah menjadi ..oleh Mathcad), dan terakhir
4. Ini menciptakan vektor nilai x mulai dari ÿ4 hingga 4 dengan kenaikan 0,01 untuk sumbu x dengan nilai
yang sesuai untuk p(x) pada sumbu y . Variabel rentang j digunakan untuk membuat tiga nilai r dan p(r)
yang diplot sebagai lingkaran kecil individual. Perhatikan bahwa sekali lagi, dalam upaya kami untuk
menyesuaikan seluruh sesi Mathcad ke dalam satu layar, kami telah menempatkan grafik di atas perintah.
Anda harus menyadari bahwa grafik harus berada di bawah perintah agar berfungsi dengan baik.
Contoh terakhir menunjukkan solusi sistem persamaan nonlinier menggunakan Mathcad Solve
Block (Gbr. 7.9). Prosesnya dimulai dengan menggunakan simbol definisi untuk membuat tebakan awal
untuk x dan y. Kata Diberikan kemudian mengingatkan Mathcad bahwa berikut ini adalah sistem
persamaan. Kemudian muncul persamaan dan pertidaksamaan (tidak digunakan di sini). Perhatikan
bahwa untuk aplikasi ini Mathcad memerlukan penggunaan tanda sama dengan yang diketik sebagai
[Ctrl] = atau < dan > untuk memisahkan ruas kiri dan kanan persamaan. Sekarang, variabel vec
didefinisikan sebagai Temukan (x,y) dan nilai vec ditunjukkan dengan menggunakan tanda sama dengan.
GAMBAR 7.8
Layar Mathcad untuk
menyelesaikan akar polinomial.
GAMBAR 7.9
Layar Mathcad untuk
menyelesaikan sistem persamaan nonlinier.
200 AKAR POLINOMI
MASALAH
7.1 Bagilah polinomial f(x) = x4 ÿ 5x3 + 5x2 + 5x ÿ 6 dengan 7.14 Lakukan operasi MATLAB yang sama seperti pada Contoh 7.7 atau gunakan
faktor monomial x ÿ 2. Apakah x = 2 merupakan akar? paket perangkat lunak pilihan Anda untuk menemukan semua akar polinomial
7.2 Bagilah polinomial f(x) = x5 ÿ 6x4 + x3 ÿ 7x2 ÿ 7x + 12 dengan
faktor monomial x ÿ 2.
f(x) = (x ÿ 6)(x + 2)(x ÿ 1)(x + 4)(x ÿ 8)
7.3 Gunakan metode Müller untuk menentukan akar real positif dari (a) f(x)
= x3 + x2 ÿ 4x ÿ 4 (b) f(x) = x3 ÿ Perhatikan bahwa fungsi poli dapat digunakan untuk mengubah akar menjadi
0.5x2 + 4x ÿ 2 polinomial.
7.4 Gunakan metode Müller atau MATLAB untuk menentukan real dan 7.15 Gunakan MATLAB atau Mathcad untuk menentukan akar-akarnya
akar kompleks dari persamaan dalam Prob. 7.5.
(a) f(x) = x3 ÿ x2 + 2x ÿ 2 (b) f(x) 7.16 Sebuah silinder sirkular dua dimensi ditempatkan dalam aliran seragam
= 2x4 + 6x2 + 8 (c) f(x) = x4 ÿ berkecepatan tinggi. Vortisitas keluar dari silinder pada frekuensi yang konstan,
2x3 + 6x2 ÿ 2x + 5 dan sensor tekanan pada permukaan belakang silinder mendeteksi frekuensi ini
7.5 Gunakan metode Bairstow untuk menentukan akar-akarnya
dengan menghitung seberapa sering tekanan berosilasi.
(a) f(x) = ÿ2 + 6,2x – 4x2 + 0,7x3 (b) f(x) = Dengan adanya tiga titik data, gunakan metode Müller untuk mencari waktu ketika
9,34 ÿ 21,97x + 16,3x2 ÿ 3,704x3 (c) f(x) = x4 ÿ 2x3 + tekanan berada pada titik nol.
6x2 ÿ 2x + 5 7.6 Mengembangkan program
untuk menerapkan metode Müller. Ujilah dengan menduplikasi Contoh 7.2. Waktu 0,60 0,62 0,64
Tekanan 20 50 60
7.7 Gunakan program yang dikembangkan di Prob. 7.6 untuk menentukan akar
sebenarnya dari Soal. 7.4a. Buatlah grafik (dengan tangan atau dengan paket
7.17 Ketika mencoba mencari keasaman larutan magnesium hidroksida dalam
perangkat lunak) untuk mengembangkan tebakan awal yang sesuai.
asam klorida, kita memperoleh persamaan berikut
7.8 Mengembangkan program untuk menerapkan metode Bairstow. Ujilah dengan
menduplikasi Contoh 7.3. SEBUAH(x) = x3 + 3,5x2 ÿ 40
7.9 Gunakan program yang dikembangkan di Prob. 7.8 untuk menentukan akar-
akar persamaan pada Soal. 7.5. di mana x adalah konsentrasi ion hidronium. Temukan konsentrasi ion hidronium
7.10 Tentukan akar real dari x3.5 = 80 dengan Excel, MATLAB atau Mathcad. untuk larutan jenuh (keasaman sama dengan nol) menggunakan dua metode
berbeda di MATLAB (misalnya, secara grafis dan fungsi akar ).
7.11 Kecepatan penerjun payung yang jatuh diberikan oleh
7.18 Perhatikan sistem berikut dengan tiga variabel a, u, dan v yang tidak
gram
v= 1 ÿ eÿ(c/m)t diketahui:
C
dimana g = 9,8 m/s2 . Seorang penerjun payung dengan koefisien hambatan c = u2 ÿ 2v2 = a2
14 kg/s, hitung massa m sehingga kecepatannya adalah v = 35 m/s pada t = 8 s. u + v = 2 a2
Gunakan Excel, MATLAB atau Mathcad untuk menentukan m. ÿ 2a ÿ u = 0
7.12 Menentukan akar-akar persamaan nonlinier simultan
Selesaikan nilai sebenarnya dari hal yang tidak diketahui menggunakan: (a)
y = ÿx2 + x + 0,75 y + 5xy
Excel Solver dan (b) paket perangkat lunak manipulator simbolik.
= x2
7.19 Dalam analisis sistem kendali, fungsi transfer dikembangkan yang secara
Gunakan tebakan awal x = y = 1.2 dan gunakan alat Solver dari Excel atau paket matematis menghubungkan dinamika masukan sistem dengan keluarannya.
perangkat lunak pilihan Anda. Fungsi transfer untuk sistem penentuan posisi robot diberikan oleh
7.13 Menentukan akar-akar persamaan nonlinier simultan
2
(x ÿ 4) + (kamu ÿ 4) 2 = 5
C(s) s3 + 12,5s2 + 50,5s + 66 s4 +
x2 + y2 = 16 G(s) = =
tidak 19s3 + 122s2 + 296s + 192
Gunakan pendekatan grafis untuk mendapatkan tebakan awal Anda. Tentukan
perkiraan yang disempurnakan dengan alat Solver dari Excel atau perangkat lunak dimana G(s) = penguatan sistem, C(s) = keluaran sistem, N(s) = masukan sistem,
paket pilihan Anda. dan s=Frekuensi kompleks transformasi Laplace. Gunakan angka
MASALAH 201
teknik mencari akar-akar pembilang dan penyebut serta memfaktorkannya 7.22 Kembangkan fungsi M-file untuk metode Newton-Raphson berdasarkan
ke dalam bentuk Gambar 6.4 dan Bagian. 6.2.3. Bersamaan dengan tebakan awal, teruskan
fungsi dan turunannya sebagai argumen. Ujilah dengan menduplikasi
(s + a1)(s + a2)(s + a3)
G(s) = perhitungan dari Contoh 6.3.
(s + b1)(s + b2)(s + b3)(s + b4)
7.23 Kembangkan fungsi M-file untuk metode garis potong berdasarkan
dimana ai dan bi masing-masing = akar pembilang dan penyebut. Gambar 6.4 dan Bagian. 6.3.2. Bersamaan dengan dua tebakan awal,
teruskan fungsi tersebut sebagai argumen. Ujilah dengan menduplikasi
7.20 Kembangkan fungsi M-file untuk membagi dua dengan cara yang mirip perhitungan dari Contoh 6.6.
dengan Gambar 5.10. Uji fungsi tersebut dengan menduplikasi perhitungan 7.24 Mengembangkan fungsi M-file untuk metode garis potong yang
dari Contoh 5.3 dan 5.4. dimodifikasi berdasarkan Gambar 6.4 dan Bagian. 6.3.2. Bersamaan dengan
7.21 Kembangkan fungsi M-file untuk metode posisi palsu. tebakan awal dan pecahan gangguan, teruskan fungsi tersebut sebagai
Struktur fungsi Anda harus serupa dengan algoritma bagi dua yang argumen. Ujilah dengan menduplikasi perhitungan dari Contoh 6.8.
dijelaskan pada Gambar 5.10. Uji program dengan menduplikasi Contoh 5.5.
BAB 8
Studi kasus:
Akar Persamaan
Tujuan bab ini adalah menggunakan prosedur numerik yang dibahas di Bab. 5, 6, dan 7 untuk
memecahkan masalah teknik aktual. Teknik numerik penting untuk aplikasi praktis karena para
insinyur sering kali menghadapi masalah yang tidak dapat didekati dengan menggunakan teknik
analitis. Misalnya, model matematika sederhana yang dapat diselesaikan secara analitis mungkin
tidak dapat diterapkan jika melibatkan masalah nyata. Oleh karena itu, model yang lebih rumit harus
digunakan. Untuk kasus ini, adalah tepat untuk menerapkan solusi numerik pada komputer. Dalam
situasi lain, masalah desain teknik mungkin memerlukan solusi untuk variabel implisit dalam persamaan
yang rumit.
Studi kasus berikut ini merupakan contoh studi kasus yang biasa ditemui selama perkuliahan
kelas atas dan studi pascasarjana. Selain itu, mereka mewakili masalah yang akan Anda tangani
secara profesional. Permasalahan diambil dari empat disiplin ilmu utama teknik: kimia, sipil, listrik, dan
mekanik. Aplikasi ini juga berfungsi untuk mengilustrasikan trade-off antara berbagai teknik numerik.
Aplikasi pertama, yang diambil dari teknik kimia, memberikan contoh yang sangat baik tentang
bagaimana metode lokasi akar memungkinkan Anda menggunakan rumus realistis dalam praktik teknik.
Selain itu, ini juga menunjukkan bagaimana efisiensi teknik Newton-Raphson digunakan untuk
mendapatkan keuntungan ketika diperlukan komputasi lokasi akar dalam jumlah besar.
Permasalahan desain teknik berikut ini diambil dari bidang teknik sipil, elektro, dan mesin.
Bagian 8.2 menggunakan pembagian dua untuk menentukan perubahan kimia air hujan akibat
peningkatan karbon dioksida di atmosfer. Bagian 8.3 menunjukkan bagaimana akar persamaan
transendental dapat digunakan dalam desain rangkaian listrik. Bagian 8.2 dan 8.3 juga mengilustrasikan
bagaimana metode grafis memberikan wawasan tentang proses lokasi akar. Akhirnya, Sek. 8.4
menggunakan berbagai metode numerik untuk menghitung faktor gesekan aliran fluida dalam pipa.
8.1 HUKUM GAS IDEAL DAN

NONIDEAL (TEKNIK KIMIA/BIO)
Latar belakang. Hukum gas ideal diberikan oleh
pV = nRT (8.1)
dimana p adalah tekanan absolut, V adalah volume, n adalah jumlah mol, R adalah konstanta gas
universal, dan T adalah suhu absolut. Meskipun persamaan ini tersebar luas
202
8.1 HUKUM GAS IDEAL DAN NONIDEAL 203
digunakan oleh para insinyur dan ilmuwan, alat ini akurat hanya pada rentang tekanan dan tekanan yang terbatas
suhu. Selanjutnya, Persamaan. (8.1) lebih cocok untuk beberapa gas dibandingkan gas lainnya.
Persamaan keadaan alternatif untuk gas diberikan oleh
A
hal + (v ÿ b) = RT (8.2)
v2
dikenal sebagai persamaan van der Waals, di mana v = V/n adalah volume molal dan a dan b adalah
konstanta empiris yang bergantung pada gas tertentu.
Proyek desain teknik kimia mengharuskan Anda memperkirakan molal secara akurat
volume (v) karbon dioksida dan oksigen untuk sejumlah suhu dan yang berbeda
kombinasi tekanan sehingga bejana penahanan yang sesuai dapat dipilih. Itu juga dari
tertarik untuk menguji seberapa baik masing-masing gas memenuhi hukum gas ideal dengan membandingkannya
volume molal yang dihitung dengan Persamaan. (8.1) dan (8.2). Data berikut disediakan:
R = 0,082054 L atm/(mol K)
a = 3,592
karbon dioksida
b = 0,04267
a = 1,360
oksigen
b = 0,03183
Tekanan desain yang diinginkan adalah 1, 10, dan 100 atm untuk kombinasi suhu
300, 500, dan 700K.
Larutan. Volume molal kedua gas dihitung menggunakan hukum gas ideal, dengan n = 1.
Misalnya, jika p = 1 atm dan T = 300 K,
V RT L atm 300 K
v= = = 0,082054 = 24,6162 L/mol
N P mol K 1 atm
Perhitungan ini diulangi untuk semua kombinasi suhu dan tekanan dan disajikan pada Tabel 8.1.
TABEL 8.1 Perhitungan volume molal.
Volume Molal Volume Molal

Volume Molal (van der Waals) (van der Waals)
Suhu, Tekanan, (Hukum Gas Ideal), Karbon Dioksida, Oksigen,
K ATM L/mol L/mol L/mol
300 24,6162 24,5126 24.5928

1 2,4616 2,3545 2.4384
10 0,2462 0,0795 0,2264
500 41,0270 40,9821 41.0259
4,1027 4,0578 4.1016
100 0,4103 0,3663 0,4116
700 57,4378 57,4179 57.4460
1 5,7438 5,7242 5.7521
10 100 1 10 100 0,5744 0,5575 0,5842
204 STUDI KASUS: AKAR PERSAMAAN
Perhitungan volume molal dari persamaan van der Waals dapat dilakukan dengan menggunakan
salah satu metode numerik untuk mencari akar persamaan yang dibahas pada bagian ini.
Bab. 5, 6, dan 7, dengan
A
f(v) = hal + (v ÿ b) ÿ RT (8.3)
v2
Dalam hal ini, turunan dari f(v) mudah ditentukan dan metode Newton-Raphson mudah ditentukan
nyaman dan efisien untuk diterapkan. Turunan dari f(v) terhadap v diberikan oleh
A 2ab
f (v) = p ÿ v2 + (8.4)
v3
Metode Newton-Raphson dijelaskan oleh Persamaan. (6.6):
f(vi)
vi+ 1 = viÿ
f (vi)
yang dapat digunakan untuk memperkirakan akarnya. Misalnya menggunakan tebakan awal 24.6162, maka
volume molal karbon dioksida pada 300 K dan 1 atm dihitung sebagai 24,5126 L/mol. Ini
Hasil diperoleh hanya setelah dua iterasi dan memiliki ÿa kurang dari 0,001 persen.
Perhitungan serupa untuk semua kombinasi tekanan dan suhu untuk keduanya
gas disajikan pada Tabel 8.1. Terlihat bahwa hasil hukum gas ideal berbeda
persamaan van der Waals untuk kedua gas, bergantung pada nilai spesifik untuk p dan
T. Selanjutnya, karena beberapa hasil ini berbeda secara signifikan, desain Anda
wadah penahanannya akan sangat berbeda, bergantung pada persamaan keadaannya
digunakan.
Dalam hal ini, persamaan keadaan yang rumit diperiksa menggunakan Newton-Raphson
metode. Hasilnya sangat bervariasi dari hukum gas ideal pada beberapa kasus. Dari
dari sudut pandang praktis, metode Newton-Raphson sesuai untuk penerapan ini
karena f (v) mudah dihitung. Dengan demikian, sifat konvergensi cepat dari metode Newton-Raphson
dapat dimanfaatkan.
Selain menunjukkan kekuatannya untuk komputasi tunggal, desain kini
Masalah ini juga menggambarkan bagaimana metode Newton-Raphson sangat menarik ketika
diperlukan banyak perhitungan. Karena kecepatan komputer digital, efisiensi berbagai metode numerik
untuk sebagian besar akar persamaan tidak dapat dibedakan untuk jangka waktu tertentu.
komputasi tunggal. Bahkan perbedaan 1 detik antara pendekatan bagi dua kasar dan pendekatan
Newton-Raphson yang efisien tidak menyebabkan hilangnya waktu yang signifikan ketika hanya satu
perhitungan yang dilakukan. Namun, misalkan jutaan evaluasi akar diperlukan untuk melakukannya
memecahkan masalah. Dalam hal ini, efisiensi metode dapat menjadi faktor penentu
pilihan suatu teknik.
Misalnya saja Anda dipanggil untuk merancang suatu sistem otomatis yang terkomputerisasi
sistem kontrol untuk proses produksi kimia. Sistem ini memerlukan perkiraan yang akurat
volume molal secara terus menerus untuk memproduksi hasil akhir dengan benar
produk. Pengukur dipasang yang memberikan pembacaan tekanan dan suhu secara instan. Evaluasi
v harus diperoleh untuk berbagai gas yang digunakan dalam proses tersebut.
Untuk penerapan seperti itu, metode bracketing seperti bagi dua atau posisi salah dapat digunakan
mungkin terlalu memakan waktu. Selain itu, dua tebakan awal yang diperlukan
8.2 GAS RUMAH KACA DAN AIR HUJAN 205
pendekatan-pendekatan ini juga dapat menyebabkan penundaan yang kritis dalam prosedur tersebut. Kekurangan ini adalah
relevan dengan metode garis potong, yang juga memerlukan dua perkiraan awal.
Sebaliknya, metode Newton-Raphson hanya memerlukan satu tebakan akar. Itu
hukum gas ideal dapat digunakan untuk mendapatkan perkiraan ini pada awal proses. Kemudian,
dengan asumsi jangka waktu cukup singkat sehingga tekanan dan suhu tidak bervariasi
liar di antara komputasi, solusi root sebelumnya akan memberikan tebakan yang bagus
aplikasi berikutnya. Dengan demikian, tebakan yang cermat sering kali menjadi prasyarat konvergensi
metode Newton-Raphson secara otomatis akan tersedia. Semua pertimbangan di atas akan sangat mendukung
teknik Newton-Raphson untuk permasalahan seperti itu.
8.2 GAS RUMAH KACA DAN AIR HUJAN

(TEKNIK SIPIL/LINGKUNGAN)
Latar belakang. Teknik sipil adalah bidang luas yang mencakup beragam bidang seperti struktural,
geoteknik, transportasi, sumber daya air, dan teknik lingkungan. Daerah terakhir punya
secara tradisional berhubungan dengan pengendalian polusi. Namun, dalam beberapa tahun terakhir, para insinyur lingkungan
(serta insinyur kimia) telah mengatasi masalah yang lebih luas seperti perubahan iklim.
Telah didokumentasikan dengan baik bahwa tingkat beberapa gas rumah kaca di atmosfer telah meningkat
meningkat selama 50 tahun terakhir. Misalnya, Gambar 8.1 menunjukkan data untuk tekanan parsial
karbon dioksida (CO2) yang dikumpulkan di Mauna Loa, Hawaii dari tahun 1958 hingga 2003.
tren dalam data dapat disesuaikan dengan polinomial kuadrat (Di Bagian Lima, kita akan mempelajarinya
cara menentukan polinomial tersebut),
2
komputer O2
= 0,011825(t ÿ 1980,5) + 1,356975(t ÿ 1980,5) + 339
dimana pC O2 = tekanan parsial CO2 di atmosfer [ppm]. Data menunjukkan hal itu
kadarnya telah meningkat lebih dari 19% selama periode dari 315 menjadi 376 ppm.
GAMBAR 8.1
Tekanan parsial tahunan rata-rata karbon dioksida atmosfer (ppm) yang diukur di Mauna Loa,
Hawai.
370
350
pCO2
(ppm)
330
310
1950 1960 1970 1980 1990 2000 2010
Selain pemanasan global, gas rumah kaca juga dapat mempengaruhi kimia atmosfer.
Satu pertanyaan yang bisa kita jawab adalah bagaimana tren karbon dioksida mempengaruhi pH air hujan.
Di luar kawasan perkotaan dan industri, karbon dioksida merupakan penyebab utama pencemaran lingkungan
penentu utama pH hujan. pH adalah ukuran aktivitas ion hidrogen
dan, oleh karena itu, keasamannya. Untuk larutan encer, dapat dihitung sebagai
pH = ÿ log10[H+] (8.5)
di mana [H+] adalah konsentrasi molar ion hidrogen.

Lima sistem persamaan nonlinier berikut mengatur kimia air hujan,
[H+] [HCOÿ 3 ]
K1 = 106 (8.6)
K H pC O2
[H+] CO2ÿ 3 (8.7)

K2 =
[HCOÿ3 ]
Kw = [H+][OHÿ] (8.8)
K H pC O2
cT = + [HCOÿ 3 ] + CO2ÿ 3 (8.9)
106
0 = [HCOÿ 3 ] + 2 CO2ÿ 3 + [OHÿ] ÿ [H+] (8.10)
dimana K H = Konstanta Henry, dan K1, K2 dan Kw adalah koefisien kesetimbangan. Lima
3 ] = bikarbonat, [CO2ÿ
yang tidak diketahui adalah cT = total karbon anorganik, [HCOÿ 3 ] = karbonat,
[H+] = ion hidrogen, dan [OHÿ] = ion hidroksil. Perhatikan bagaimana tekanan parsial CO2
muncul di Persamaan. (8.6) dan (8.9).
Gunakan persamaan ini untuk menghitung pH air hujan dengan K K1 = 10ÿ6.3, K2 H = 10ÿ1,46,
= 10ÿ10.3, dan Kw = 10ÿ14. Bandingkan hasilnya pada tahun 1958 ketika pC O2
adalah 315 dan pada tahun 2003 menjadi 375 ppm. Saat memilih metode numerik untuk Anda
perhitungannya, pertimbangkan hal berikut:
• Anda mengetahui dengan pasti bahwa pH hujan di daerah yang masih asli selalu berada di antara 2 dan 12.
• Anda juga mengetahui bahwa alat pengukur Anda hanya dapat mengukur pH pada dua tempat
presisi desimal.
Larutan. Ada berbagai cara untuk menyelesaikan sistem lima persamaan nonlinier ini.
Salah satu caranya adalah menghilangkan hal-hal yang tidak diketahui dengan menggabungkannya untuk menghasilkan satu fungsi yang
hanya bergantung pada [H+]. Untuk melakukan ini, pertama selesaikan Persamaan. (8.6) dan (8.7) untuk
K1
[HCOÿ3 ] = K H pC O2 (8.11)
106 [H+]
K2[HCOÿ 3 ]
[CO2ÿ
3 ] = (8.12)
[H+]
Pengganti Persamaan. (8.11) menjadi (8.12)
K2K1
CO2ÿ3 = K H pC O2 (8.13)
2
106 [H+]
8.3 DESAIN SIRKUIT LISTRIK 207
Persamaan (8.11) dan (8.13) dapat disubstitusikan bersama dengan Persamaan. (8.8) ke dalam Persamaan. (8.10) memberi
K1 K2K1 Kw
0= K H pCO2 + 2 K H pC O2+ ÿ [H+]
2 (8.14)
106 [H+] 106 [H+] [H+]
Walaupun tidak terlihat jelas, hasil ini merupakan polinomial orde ketiga pada [H+]. Dengan demikian,
akarnya dapat digunakan untuk menghitung pH air hujan.
Sekarang kita harus memutuskan metode numerik mana yang akan digunakan untuk
mendapatkan solusinya. Ada dua alasan mengapa pembagian dua merupakan pilihan yang baik.
Pertama, fakta bahwa pH selalu berada dalam kisaran 2 hingga 12, memberi kita dua tebakan awal
yang baik. Kedua, karena pH hanya dapat diukur hingga ketelitian dua desimal, kita akan puas
dengan kesalahan absolut sebesar Ea,d = 0,005. Ingatlah bahwa dengan tanda kurung awal dan
kesalahan relatif yang diinginkan, kita dapat menghitung jumlah iterasi secara apriori. Menggunakan
Persamaan. (5.5), hasilnya n = log2(10)/0.005 = 10.9658. Dengan demikian, sebelas iterasi
pembagian dua akan menghasilkan presisi yang diinginkan.
Jika hal ini dilakukan, maka hasil pada tahun 1958 adalah pH 5,6279 dengan kesalahan relatif
0,0868%. Kita dapat yakin bahwa hasil pembulatan 5,63 benar hingga dua angka desimal. Hal ini
dapat diverifikasi dengan melakukan proses lain dengan lebih banyak iterasi. Misalnya, jika kita
melakukan 35 iterasi, diperoleh hasil 5,6304 dengan perkiraan kesalahan relatif ÿa = 5,17 × 10ÿ9%.
Perhitungan yang sama dapat diulangi untuk kondisi tahun 2003 sehingga menghasilkan pH = 5,59
dengan ÿa = 0,0874%.
Menariknya, hasil ini menunjukkan bahwa kenaikan kadar CO2 di atmosfer sebesar 19% hanya
menyebabkan penurunan pH sebesar 0,67%. Meskipun hal ini benar, ingatlah bahwa pH mewakili
skala logaritmik seperti yang didefinisikan oleh Persamaan. (8.5). Akibatnya, penurunan satu unit pH
menunjukkan peningkatan ion hidrogen sebesar 10 kali lipat. Konsentrasi dapat dihitung sebagai [H+]
= 10ÿpH dan persen perubahan yang dihasilkan dapat dihitung sebagai 9,1%. Oleh karena itu,
konsentrasi ion hidrogen meningkat sekitar 9%.
Terdapat cukup banyak kontroversi terkait dengan signifikansi sebenarnya dari tren gas rumah
kaca. Namun, terlepas dari dampak akhirnya, cukup menyedihkan untuk menyadari bahwa sesuatu
sebesar atmosfer kita telah banyak berubah dalam jangka waktu yang relatif singkat. Studi kasus ini
menggambarkan bagaimana metode numerik dapat digunakan untuk menganalisis dan menafsirkan
tren tersebut. Pada tahun-tahun mendatang, para insinyur dan ilmuwan diharapkan dapat
menggunakan alat-alat tersebut untuk meningkatkan pemahaman dan membantu merasionalisasi
perdebatan mengenai dampaknya.
8.3 PERANCANGAN SIRKUIT LISTRIK

(TEKNIK LISTRIK)
Latar belakang. Insinyur kelistrikan sering menggunakan hukum Kirchhoff untuk mempelajari perilaku
rangkaian listrik dalam keadaan tunak (bukan perubahan terhadap waktu). Perilaku kondisi mapan
seperti itu akan diperiksa di Bagian. 12.3. Masalah penting lainnya melibatkan sirkuit yang bersifat
sementara di mana terjadi perubahan waktu yang tiba-tiba. Situasi seperti ini terjadi setelah penutupan
saklar pada Gambar 8.2. Dalam hal ini, akan ada periode penyesuaian setelah penutupan saklar
ketika kondisi tunak baru tercapai. Lamanya periode penyesuaian ini berkaitan erat dengan sifat
penyimpanan kapasitor dan induktor. Penyimpanan energi
Mengalihkan
Saya
– –
Baterai V0 Kapasitor Induktor
+ +
Penghambat
GAMBAR 8.2
Sebuah sirkuit listrik. Ketika saklar ditutup, arus akan mengalami serangkaian osilasi
sampai keadaan stabil baru tercapai.
dapat berosilasi antara dua elemen ini selama periode sementara. Namun, resistensi di
rangkaian akan menghilangkan besarnya osilasi.
Aliran arus melalui resistor menyebabkan penurunan tegangan (VR) yang diberikan oleh
VR = iR
dimana i = arus dan R = hambatan resistor. Jika R dan i mempunyai satuan

ohm dan ampere, masing-masing, VR memiliki satuan volt.
Demikian pula, induktor menolak perubahan arus, sehingga tegangan turun pada VL
dia
di
VL = L
dt
dimana L = induktansi. Jika L dan i masing-masing mempunyai satuan henry dan ampere, maka VL
memiliki satuan volt dan t memiliki satuan detik.
Penurunan tegangan pada kapasitor (VC) bergantung pada muatan (q) di atasnya:
Q
VC = (8.15)
C
dimana C = kapasitansi. Jika muatan dinyatakan dalam satuan coulomb, maka satuannya adalah
C adalah farad.
Hukum kedua Kirchhoff menyatakan bahwa jumlah aljabar tegangan turun di sekitar sirkuit tertutup
sirkuit adalah nol. Setelah saklar ditutup kita punya
di Q
L + Ri + = 0 dt (8.16)
C
Namun, arusnya terkait dengan muatan menurut
dq
saya (8.17)
= dt
Karena itu,
d2q dq 1
L +R + q=0 (8.18)
dt 2 dt C
8.4 GESEKAN PIPA 209
Ini adalah persamaan diferensial biasa linier orde kedua yang dapat diselesaikan dengan menggunakan
q(t) metode kalkulus. Solusi ini diberikan oleh
q0
1 R 2
ÿ - ÿ
q(t) = q0eÿRt/ (2L) cos T
(8.19)
Waktu
LC 2L
ÿ ÿ
dimana pada t = 0, q = q0 = V0C, dan V0 = tegangan dari pengisian baterai. Persamaan (8.19)
menggambarkan variasi waktu muatan pada kapasitor. Solusi q(t) adalah
diplot pada Gambar 8.3.
GAMBAR 8.3
Masalah desain teknik kelistrikan yang khas mungkin melibatkan penentuan yang tepat
Muatan pada kapasitor sebagai a resistor untuk menghilangkan energi pada laju tertentu, dengan nilai L dan C yang diketahui.
fungsi waktu mengikuti
Untuk soal ini, asumsikan muatan harus dihamburkan hingga 1 persen dari nilai aslinya (qq0 = 0,01)
penutupan saklar masuk
dalam t = 0,05 s, dengan L = 5 H dan C = 10ÿ4 F.
Gambar 8.2.
Larutan. Hal ini diperlukan untuk menyelesaikan Persamaan. (8.19) untuk R, dengan nilai q, q0, L, dan C yang diketahui.
Namun, teknik perkiraan numerik harus digunakan karena R adalah implisit
variabel dalam Persamaan. (8.19). Metode bagi dua akan digunakan untuk tujuan ini. Metode
lain yang dibahas di Bab. 5 dan 6 juga sesuai, meskipun Newton-Raphson
Metode ini mungkin dianggap merepotkan karena turunan dari Persamaan. (8.19) agak rumit.
Menata ulang Persamaan. (8.19),
1 R 2
ÿ - ÿ - Q
f(R) = eÿRt/(2L) cos T
LC 2L
q0
ÿ ÿ
atau menggunakan nilai numerik yang diberikan,
f(R) = eÿ0,005R cos[ÿ2000 ÿ 0,01R2 (0,05)] ÿ 0,01 (8.20)
Pengujian persamaan ini menunjukkan bahwa rentang awal yang masuk akal untuk R adalah 0
hingga 400 (karena 2000 ÿ 0,01R2 harus lebih besar dari nol). Gambar 8.4, plot Persamaan. (8.20),
,
menegaskan hal ini. Dua puluh satu iterasi metode bagi dua menghasilkan R = 328.1515 dengan an
kesalahan kurang dari 0,0001 persen.
Dengan demikian, Anda dapat menentukan resistor dengan nilai ini untuk rangkaian yang ditunjukkan pada Gambar 8.2 dan
berharap untuk mencapai kinerja disipasi yang konsisten dengan persyaratan
masalah. Masalah desain ini tidak dapat diselesaikan secara efisien tanpa menggunakan numerik
metode di Bab. 5 dan 6.
8.4 GESEKAN PIPA (TEKNIK MEKANIK/AEROSPACE)

Latar belakang. Penentuan aliran fluida melalui pipa dan tabung mempunyai relevansi yang besar
banyak bidang teknik dan sains. Dalam teknik mesin dan dirgantara, tipikal
aplikasinya meliputi aliran cairan dan gas melalui sistem pendingin.
Hambatan terhadap aliran dalam saluran tersebut diparameterisasi dengan bilangan tak berdimensi
disebut faktor gesekan. Untuk aliran turbulen, persamaan Colebrook menyediakan sarana untuk
menghitung faktor gesekan,
1 ÿ 2.51
0 = + 2,0 log ÿ f + (8.21)
3.7D Ulangÿ f
f(kanan)
Akar 325
0,0
200 400 R
– 0,2
– 0,4
– 0,6
GAMBAR 8.4
Plot Persamaan. (8.20) digunakan untuk memperoleh tebakan awal untuk R yang mengurung akar.
dimana ÿ = kekasaran (m), D = diameter (m), dan Re = bilangan Reynolds,

ÿVD
Ulang =
ÿ
dimana ÿ = massa jenis fluida [kg/m3 ], V = kecepatannya [m/s], dan ÿ = viskositas dinamis [N s/m2 ].
Selain muncul di Persamaan. (8.21), bilangan Reynolds juga berfungsi sebagai kriteria apakah aliran
bersifat turbulen (Re > 4000).
Dalam studi kasus ini, kami akan mengilustrasikan bagaimana metode numerik yang dibahas
dalam bagian buku ini dapat digunakan untuk menentukan f aliran udara melalui tabung yang halus dan tipis.
, m, V = 40 m/
Untuk kasus ini, parameternya adalah ÿ = 1,23 kg/m3 , ÿ = 1,79 × 10–5 N s/m2 D = 0,005
s dan ÿ = 0,0015 mm. Perhatikan bahwa faktor gesekan berkisar antara 0,008 hingga 0,08.
Selain itu, rumusan eksplisit yang disebut persamaan Swamee-Jain memberikan perkiraan perkiraan,
1.325
f= 2
(8.22)
ÿ 5.74
dalam +
0.9 3.7D Ulang
Larutan. Bilangan Reynolds dapat dihitung sebagai
ÿVD 1,23(40)0,005
Ulang = = = 13,743 1,79
ÿ × 10ÿ5
8.4 GESEKAN PIPA 211
) f (g
1
–1
–2
–
3 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08
F
GAMBAR 8.5
Nilai ini beserta parameter lainnya dapat disubstitusikan ke dalam Persamaan. (8.21) memberi
1 2.51
g( f ) = + 2,0 log0,0000015 +
ÿf 3,7(0,005) 13,743ÿf _
Sebelum menentukan akar, disarankan untuk memplot fungsi tersebut untuk memperkirakan
tebakan awal dan mengantisipasi kemungkinan kesulitan. Ini dapat dilakukan dengan mudah
menggunakan alat seperti MATLAB, Excel, atau Mathcad. Misalnya, plot fungsi dapat dihasilkan
dengan perintah MATLAB berikut
>> rho=1,23;mu=1,79e-5;D=0,005;V=40;e=0,0015/1000; >> Re=rho*V*D/

mu; >> g=@(f) 1/sqrt(f)
+2*log10(e/(3.7*D)+2.51/(Re*sqrt(f))); >> fplot(g,[0,008 0,08]),kisi,xlabel('f'),ylabel('g(f)')
Seperti pada Gambar 8.5, akar terletak sekitar 0,03.

Karena kita diberikan tebakan awal (xl = 0,008 dan xu = 0,08), salah satu metode bracketing
dari Bab. 5 dapat digunakan. Misalnya, bagi dua memberikan nilai f = 0,0289678 dengan persentase
kesalahan relatif 5,926 × 10–5 dalam 22 iterasi. Posisi salah menghasilkan hasil presisi serupa dalam
26 iterasi. Oleh karena itu, meskipun memberikan hasil yang benar, namun kurang efisien. Hal ini
tidak penting untuk satu aplikasi, namun bisa menjadi penghalang jika dilakukan banyak evaluasi.
Kita dapat mencoba mencapai peningkatan kinerja dengan beralih ke metode terbuka. Karena
Persamaan. (8.21) relatif mudah untuk dibedakan, metode Newton-Raphson adalah kandidat yang
tepat. Misalnya, dengan menggunakan tebakan awal di ujung bawah rentang (x0 = 0,008), Newton-
Raphson menyatu dengan cepat menjadi 0,0289678 dengan perkiraan kesalahan 6,87 × 10–6%
hanya dalam 6 iterasi. Namun, ketika tebakan awal ditetapkan pada ujung atas kisaran (x0 = 0,08),
rutinitasnya menyimpang!
Seperti dapat dilihat dengan memeriksa Gambar 8.5, hal ini terjadi karena kemiringan fungsi pada tebakan
awal menyebabkan iterasi pertama melonjak ke nilai negatif. Proses selanjutnya menunjukkan bahwa untuk
kasus ini, konvergensi hanya terjadi ketika tebakan awal di bawah sekitar 0,066.
Jadi kita dapat melihat bahwa meskipun Newton-Raphson sangat efisien, namun memerlukan tebakan
awal yang baik. Untuk persamaan Colebrook, strategi yang baik adalah dengan menggunakan persamaan
Swamee-Jain (Persamaan 8.22) untuk memberikan tebakan awal seperti pada
1.325
f= = 0,029031
2
5.74
ln0,0000015 +
3,7(0,005) 137430.9
Untuk kasus ini, Newton-Raphson konvergen hanya dalam 3 iterasi dengan cepat menjadi 0,0289678 dengan
perkiraan kesalahan 8,51 × 10–10%.
Selain fungsi buatan sendiri, kami juga dapat menggunakan pencari akar profesional seperti fungsi fzero
bawaan MATLAB . Namun, seperti halnya metode Newton-Raphson, divergensi juga terjadi ketika fungsi fzero
digunakan dengan satu tebakan. Namun, dalam kasus ini, tebakan di ujung bawah rentang menimbulkan
masalah. Misalnya,
>> rho=1,23;mu=1,79e-5;D=0,005;V=40;e=0,0015/1000; >> Re=rho*V*D/mu >> g=@(f)

1/sqrt(f)+2*log10(e/(3.7*D)
+2.51/(Re*sqrt(f))); >> fzero(g,0,008)
Keluar dari fzero: membatalkan pencarian untuk interval yang mengandung perubahan tanda karena nilai
fungsi kompleks ditemui selama pencarian. (Nilai fungsi pada -0.0028 adalah -4.92028- 20.2423i.)
Periksa fungsi atau coba lagi dengan nilai awal yang berbeda.
jawab =
Tidak
Jika iterasi ditampilkan menggunakan optimset (ingat Bagian 7.7.2), terungkap bahwa nilai negatif terjadi selama
fase pencarian sebelum perubahan tanda terdeteksi dan rutinitas dibatalkan. Namun, untuk tebakan awal tunggal
di atas sekitar 0,016, rutinitas tersebut bekerja dengan baik.
Misalnya, untuk tebakan 0,08 yang menyebabkan masalah bagi Newton-Raphson, fzero berfungsi dengan baik,
>> fzero(g,0,08)
jawab =
0,02896781017144
Sebagai catatan terakhir, mari kita lihat apakah konvergensi dimungkinkan untuk iterasi titik tetap sederhana.
Versi yang paling mudah dan lugas melibatkan penyelesaian f pertama dalam Persamaan. (8.21),
0,25
fi+1 = 2
(8.23)
ÿ 2.51
catatan +
3.7D Reÿ fi
Tampilan dua kurva dari fungsi ini menunjukkan hasil yang mengejutkan (Gbr. 8.6).
Ingatlah bahwa iterasi titik tetap menyatu ketika kurva y2 memiliki kemiringan yang relatif datar
MASALAH 213
kamu
0,05
kamu1 = x
0,04
0,03
y2 = g(x)
0,02
0,01
0
0 0,02 0,04 0,06 0,08 X
GAMBAR 8.6
(yaitu, |g (ÿ)| < 1). Seperti yang ditunjukkan oleh Gambar 8.6, fakta bahwa kurva y2 cukup datar dalam
rentang f = 0,008 hingga 0,08 berarti bahwa iterasi titik tetap tidak hanya konvergen, namun konvergen
cukup cepat! Faktanya, untuk tebakan awal antara 0,008 dan 0,08, iterasi titik tetap menghasilkan
prediksi dengan persentase kesalahan relatif kurang dari 0,008% dalam enam iterasi atau kurang. Oleh
karena itu, pendekatan sederhana yang hanya memerlukan satu tebakan dan tidak ada perkiraan
turunan ini memiliki kinerja yang sangat baik untuk kasus khusus ini.
Pesan yang dapat diambil dari studi kasus ini adalah bahwa perangkat lunak hebat yang
dikembangkan secara profesional seperti MATLAB tidak selalu mudah digunakan. Selain itu, biasanya
tidak ada satu metode pun yang paling berhasil untuk semua permasalahan. Pengguna yang mahir
memahami kekuatan dan kelemahan teknik numerik yang tersedia. Selain itu, mereka cukup memahami
teori yang mendasarinya sehingga mereka dapat secara efektif menangani situasi ketika suatu metode gagal.
MASALAH
Teknik Kimia/Bio 8.1 Lakukan aliran produk sehingga kembali ke pintu masuk untuk melewati reaktor (Gbr.
perhitungan yang sama seperti pada Bagian. 8.1, namun untuk aseton (a = P8.2). Tingkat daur ulang didefinisikan sebagai
14,09 dan b = 0,0994) pada suhu 400 K dan p 2,5 atm. Bandingkan hasil Anda
volume cairan kembali ke pintu masuk
dengan hukum gas ideal. Gunakan salah satu metode numerik yang dibahas R=
dalam Bab. 5 dan 6 untuk melakukan perhitungan. Benarkan pilihan teknik volume meninggalkan sistem
Anda.
8.2 Dalam teknik kimia, reaktor aliran sumbat (yaitu reaktor di mana fluida Misalkan kita sedang memproses bahan kimia A untuk menghasilkan produk B.
mengalir dari satu ujung ke ujung lainnya dengan pencampuran minimal Untuk kasus di mana A membentuk B berdasarkan reaksi autokatalitik (yaitu,
sepanjang sumbu memanjang) sering digunakan untuk mengubah reaktan salah satu produk bertindak sebagai katalis atau stimulus untuk reaksi), dapat
menjadi produk. Telah ditentukan bahwa efisiensi konversi terkadang dapat ditunjukkan bahwa laju daur ulang yang optimal harus memenuhi
ditingkatkan dengan mendaur ulang sebagian darinya
reaksi pertama dan kedua, masing-masing, menggunakan pendekatan yang mirip dengan
Prob. 8.3 merumuskan kembali hubungan keseimbangan dalam kaitannya dengan
Memberi makan
Reaktor aliran sumbat Produk
konsentrasi awal konstituen. Kemudian, gunakan metode Newton-Raphson untuk
menyelesaikan pasangan persamaan nonlinier simultan untuk x1 dan x2 jika K1 = 4 ×
Daur ulang
10ÿ4, K2 = 3,7 × 10ÿ2, ca,0 = 50, cb,0 = 20, cc ,0 = 5, dan cd,0 = 10. Gunakan pendekatan
grafis untuk mengembangkan tebakan awal Anda.
Gambar P8.2 8.5 Dalam proses teknik kimia, uap air (H2O) dipanaskan hingga suhu
Representasi skema reaktor aliran sumbat dengan daur ulang. cukup tinggi sehingga sebagian besar air terdisosiasi, atau terpecah,
membentuk oksigen (O2) dan hidrogen (H2):
1 + R(1 ÿ XA f ) ln = R +1
R(1 ÿ XA f ) R[1 + R(1 ÿ XA f )]
H2O H2 + 1 2O2
dimana XA f = fraksi reaktan A yang diubah menjadi produk B. Laju daur Jika diasumsikan bahwa ini adalah satu-satunya reaksi yang terlibat,
ulang optimal sesuai dengan ukuran reaktor minimum yang diperlukan fraksi mol x H2O yang terdisosiasi dapat dinyatakan dengan
untuk mencapai tingkat konversi yang diinginkan. Gunakan
X 2pt
metode numerik untuk menentukan rasio daur ulang yang diperlukan K= (P8.3)
1ÿx 2+x
untuk meminimalkan ukuran reaktor untuk konversi pecahan XA f = 0,96.
8.3 Reaksi kimia yang dapat dibalik
dimana K = tetapan kesetimbangan reaksi dan pt = tekanan total
2A + SM campuran. Jika pt = 3,5 atm dan K = 0,04, tentukan nilai x yang memenuhi
Persamaan. (P8.3).
dapat dicirikan oleh hubungan keseimbangan
8.6 Persamaan berikut berkaitan dengan konsentrasi bahan kimia dalam
cc reaktor tercampur sempurna:
K=
c2 acb
c = cin(1 ÿ eÿ0,04t ) + c0eÿ0,04t
dimana nomenklatur ci mewakili konsentrasi konstituen i. Misalkan kita
Jika konsentrasi awal c0 = 4 dan konsentrasi aliran masuk cin = 10,
mendefinisikan variabel x yang menyatakan jumlah mol C yang dihasilkan.
hitunglah waktu yang diperlukan untuk c menjadi 93 persen cin.
Konservasi massa dapat digunakan untuk merumuskan kembali hubungan
8.7 Persamaan keadaan Redlich-Kwong diberikan oleh
kesetimbangan sebagai
(cc,0 + x) RT A
-
K= p=
(ca,0 ÿ 2x)2(cb,0 ÿ x) vÿb v(v + b) ÿT
dimana subskrip 0 menunjukkan konsentrasi awal setiap konstituen. Jika
dimana R = konstanta gas universal [= 0,518 kJ/(kg K)], T = suhu mutlak
K = 0,016, ca,0 = 42, cb,0 = 28, dan cc,0 = 4, tentukan nilai x. (a)
(K), p = tekanan mutlak (kPa), dan v = volume satu kg gas (m3/kg).
Dapatkan solusinya secara grafis. (b) Berdasarkan (a), selesaikan akar
Parameter a dan b dihitung dengan
dengan tebakan awal xl = 0 dan xu = 20 hingga ÿs = 0,5%. Pilih antara
dua bagian atau posisi salah untuk mendapatkan solusi Anda. Benarkan
pilihan Anda. R2T C Tc
2,5 a = 0,427 b = 0,0866R
8.4 Reaksi kimia berikut berlangsung dalam sistem tertutup buah buah
2A + SM
dimana pc = tekanan kritis (kPa) dan Tc = temperatur kritis (K). Sebagai
A + DC
seorang insinyur kimia, Anda diminta untuk menentukan jumlah bahan
bakar metana (pc = 4600 kPa dan Tc = 191 K) yang dapat ditampung
Pada keadaan setimbang, mereka dapat dicirikan oleh
dalam tangki berukuran 3 m3 pada suhuÿ40ÿC dan tekanan 65.000 kPa .
cc Gunakan metode pencarian akar pilihan Anda untuk menghitung v dan
K1 =
c2 acb kemudian tentukan massa metana yang terkandung dalam tangki.
cc 8.8 Volume V zat cair dalam silinder horizontal berongga dengan jari-jari r
K2 = dan panjang L berhubungan dengan kedalaman zat cair h sebesar
cad
rÿh
dimana tata nama ci mewakili konsentrasi konstituen i. Jika x1 dan x2 V=r 2 cosÿ1 ÿ (r ÿ h) 2rh ÿ h2 L
R
adalah jumlah mol C yang dihasilkan
MASALAH 215
Tentukan h jika diberi r = 2 m, L = 5 m, dan V = 8 m3 Anda. Perhatikan bahwa jika 1 ÿ 2.51

= ÿ2,0 log ÿ +
menggunakan bahasa pemrograman atau perangkat lunak yang tidak f 3.7D Reÿ f
kaya akan fungsi trigonometri, maka kosinus busur dapat dihitung dengan dimana ÿ = kekasaran (m), dan Re = bilangan Reynolds, ÿVD
Ulang =
ÿ X
ÿ
cosÿ1 x = ÿ tanÿ1
2 ÿ 1 ÿ x2 dimana ÿ = viskositas dinamis (N · s/m2).
(a) Tentukan p untuk bentangan horizontal pipa halus sepanjang 0,2 m
8.9 Volume V zat cair dalam tangki berbentuk bola berjari-jari r berhubungan
jika diketahuiÿ = 1,23 kg/m3,ÿ = 1,79 ×10ÿ5 N · s/m2, D = 0,005 m,
dengan kedalaman h zat cair sebesar V = 40 m/s, dan ÿ = 0,0015 mm. Gunakan metode numerik untuk
ÿh2(3r ÿ h) menentukan faktor gesekan. Perhatikan bahwa pipa mulus dengan
V=
3 Re < 105, tebakan awal yang baik dapat diperoleh dengan
menggunakan rumus Blasius, f = 0,316/
Tentukan h jika diketahui r = 1 m dan V = 0,5 . Re0,25. (b) Ulangi perhitungan tetapi untuk pipa baja komersial yang
m3 8.10 Untuk tangki berbentuk bola di Soal. 8.9, dimungkinkan untuk lebih kasar (ÿ = 0,045 mm).
mengembangkan dua rumus titik tetap berikut: 8.13 Pengoperasian reaktor aliran sumbat densitas konstan untuk
h3 + (3V/ÿ) produksi suatu zat melalui reaksi enzimatik digambarkan dengan
jam = persamaan di bawah ini, dimana V adalah volume reaktor, F adalah laju
3r
aliran reaktan C, Cin dan Cout adalah konsentrasi reaktan yang masuk
Dan dan keluar reaktor berturut-turut, dan K dan kmax adalah konstanta.
Untuk reaktor 500 L, dengan konsentrasi Cin masuk = 0,5 M, laju aliran
V
jam = 3
3 rh2 ÿ masuk 40 L/s, kmax = 5 × 10ÿ3 sÿ1 K = 0,1 M, tentukan konsentrasi, Dan
ÿ
C di saluran keluar dari reaktor.
Jika r = 1 m dan V = 0,75 m3 , menentukan apakah salah satu dari ini adalah V menghitung
K 1
stabil, dan rentang tebakan awal stabilnya.
=ÿ
+ dC
F kmaxC kmax
Cin
8.11 Persamaan Ergun, yang ditunjukkan di bawah ini, digunakan untuk
menggambarkan aliran fluida melalui lapisan padat. P adalah penurunan
Teknik Sipil dan Lingkungan 8.14 Dalam
tekanan, ÿ adalah densitas fluida, Go adalah kecepatan massa (laju
teknik struktur, rumus garis potong mendefinisikan gaya per satuan luas,
aliran massa dibagi luas penampang), Dp adalah diameter partikel
P/ A, yang menyebabkan tegangan maksimum ÿm pada kolom dengan
dalam unggun, ÿ adalah viskositas fluida, L adalah panjang tempat tidur,
rasio kelangsingan tertentu L/ k:
dan ÿ adalah fraksi kosong tempat tidur.
P ÿm
=
hal Dp ÿ3 1ÿÿ
= 150 + 1,75 A 1 + (ec/k2)detik[0,5 ÿP/( EA)(L/k)]
G2
Hai
L 1ÿÿ (DpGo/ ÿ)
dimana ec/k2 = rasio eksentrisitas dan E = modulus elastisitas. Jika
Berdasarkan nilai parameter di bawah ini, carilah pecahan kosong ÿ dari lapisan untuk balok baja, E = 200,000 MPa, ec/k2 = 0,4, dan ÿm = 250 MPa,
tersebut. hitung P/A untuk L/k = 50. Ingat bahwa sec x = 1/cos x.
DpGo = 1000 8.15 Dalam teknik lingkungan (bidang khusus dalam teknik sipil),
ÿ persamaan berikut dapat digunakan untuk menghitung tingkat oksigen
c (mg/L) di sungai di hilir dari pembuangan limbah: c = 10 ÿ 20(eÿ0.15x
PÿDp = 10 ÿ eÿ0,5x )
G2 oL
8.12 Penurunan tekanan pada suatu bagian pipa dapat dihitung sebagai dimana x adalah jarak ke hilir dalam kilometer. (a)
LÿV2 Tentukan jarak di hilir di mana kadar oksigen pertama kali turun hingga
p=f mencapai 5 mg/L. (Petunjuk: Jaraknya 2 km dari debit.) Tentukan
2D
jawaban Anda untuk kesalahan 1%. Perhatikan bahwa kadar
dimana p = penurunan tekanan (Pa), f = faktor gesekan, L = panjang oksigen di bawah 5 mg/L umumnya berbahaya bagi ikan buruan
pipa [m], ÿ = massa jenis (kg/m3), V = kecepatan (m/s), dan D = diameter seperti trout dan salmon.
(m ). Untuk aliran turbulen, persamaan Colebrook menyediakan cara (b) Tentukan jarak hilir di mana oksigen berada pada titik minimum.
untuk menghitung faktor gesekan, Berapakah konsentrasi pada lokasi tersebut?
kamu
TBC
B
Gambar P8.17
A
(a) Gaya-gaya yang bekerja pada suatu bagian
W = ws
AB dari kabel gantung fleksibel. w
kamu0
TA
Bebannya seragam sepanjang

X
kabel (tapi tidak seragam per
jarak horizontal x). (b) Diagram benda (A) (B)
bebas bagian AB.
8.16 Konsentrasi bakteri pencemar c di suatu danau berkurang 8.18 Gambar P8.18a menunjukkan balok seragam yang menerima beban
berdasarkan terdistribusi yang meningkat secara linier. Persamaan elastis yang dihasilkan
kurvanya adalah (lihat Gambar P8.18b)
c = 75eÿ1,5t + 20eÿ0,075t
w0
kamu = (ÿx5 + 2L2x3 ÿ L4x) (Hlm8.18)
120EIL
Tentukan waktu yang diperlukan agar konsentrasi bakteri tersebut tercapai
dikurangi menjadi 15 menggunakan (a) metode grafis dan (b) menggunakan Gunakan pembagian dua untuk menentukan titik defleksi maksimum (itu
Metode Newton-Raphson dengan tebakan awal t = 6 dan a adalah, nilai x dimana dy/dx = 0). Kemudian substitusikan nilai ini ke dalam
kriteria berhenti sebesar 0,5%. Periksa hasil Anda. Persamaan. (P8.18) untuk menentukan nilai defleksi maksimum. Menggunakan
8.17 Kabel catenary adalah kabel yang digantung di antara dua titik yang tidak masuk nilai parameter berikut dalam perhitungan Anda: L = 600 cm,
garis vertikal yang sama. Seperti yang digambarkan pada Gambar. P8.17a, ini tunduk pada no E = 50.000 kN/cm2 , I = 30.000 cm4, dan w0 = 2,5 kN/cm.
beban selain beratnya sendiri. Jadi, beratnya (N/m) bertindak sebagai a
beban seragam per satuan panjang sepanjang kabel. Diagram benda bebas
Gambar P8.18
bagian AB digambarkan pada Gambar P8.17b, dimana TA dan TB adalah
kekuatan ketegangan pada akhirnya. Berdasarkan gaya horizontal dan vertikal
saldo, berikut persamaan diferensial model kabel bisa
w0
diturunkan:
w 2
d2 tahun mati
= 1+
dx2 TA dx
Kalkulus dapat digunakan untuk menyelesaikan persamaan ketinggian y ini

L
kabel sebagai fungsi jarak x,
(A)
TA w TA
kamu = tongkat pendek
x + kamu0 ÿ
w TA w
di mana kosinus hiperbolik dapat dihitung (x = L, y = 0)

(x = 0, kamu = 0)
1 X
cosh x = (ex + eÿx )
2
Gunakan metode numerik untuk menghitung nilai parameter TA

nilai yang diberikan untuk parameter w = 12 dan y0 = 6, sehingga (B)
kabel mempunyai tinggi y = 15 di x = 50.
MASALAH 217
20 kip/kaki
150 kip-kaki
15 kip
5' 2' 1' 2'
Gambar P8.24
8.19 Perpindahan suatu struktur ditentukan oleh persamaan osilasi teredam diperlukan untuk menentukan secara terpisah tren pertumbuhan populasi
berikut: suatu kota dan pinggiran kota yang berdekatan. Populasi daerah perkotaan
menurun seiring berjalannya waktu
y = 9eÿkt biayaÿt
dimana k = 0,7 dan ÿ = 4. Pu (t) = Pu,maksÿku t + Pu, menit
(a) Gunakan metode grafik untuk membuat perkiraan awal waktu yang
sementara populasi pinggiran kota terus bertambah, seperti di
diperlukan agar perpindahan berkurang menjadi 3,5. (b)
Gunakan metode Newton-Raphson untuk menentukan akar ÿs = 0,01%. (c) Mz, maks
Gunakan Ps(t) =
1 + [Ps,maks/P0 ÿ 1]eÿkst
metode garis potong untuk menentukan akar ÿs = 0,01%.
8.20 Persamaan Manning dapat ditulis untuk saluran terbuka berbentuk persegi dimana Pu,max, ku , Ps,max, P0, dan ks = parameter yang diturunkan
panjang sebagai secara empiris. Tentukan waktu dan nilai Pu (t) dan Ps(t) yang bersesuaian
jika wilayah pinggiran kota lebih besar 20% dari wilayah kota. Nilai
ÿS(BH)5/3
Q= parameternya adalah Pu,max = 75.000, ku = 0,045/thn, Pu,min = 100.000
n(B + 2H)2/3 orang, Ps,max = 300.000 orang, P0 = 10.000 orang, ks = 0.08/yr. Untuk
mendapatkan solusi Anda, gunakan (a) metode grafis, (b) posisi salah, dan
dimana Q = aliran [m3 /s], S = kemiringan [m/m], H = kedalaman [m], dan n
(c) metode garis potong yang dimodifikasi.
= koefisien kekasaran Manning. Kembangkan skema iterasi titik tetap untuk
8.24 Sebuah balok yang ditumpu sederhana dibebani seperti ditunjukkan pada Gambar P8.24.
menyelesaikan persamaan ini untuk H jika Q = 5, S = 0,0002, B = 20, dan n
Dengan menggunakan fungsi singularitas, geser sepanjang balok dapat
= 0,03. Buktikan bahwa skema Anda konvergen untuk semua tebakan awal
dinyatakan dengan persamaan:
yang lebih besar atau sama dengan nol.
8.21 Dalam teknik kelautan, persamaan gelombang berdiri yang dipantulkan 1 0
ÿ 57
V(x) = 20[x ÿ 0 ÿ x ÿ 5 1] ÿ 15 x ÿ 8
di pelabuhan diberikan oleh ÿ = 16, t = 12, v = 48:
Secara definisi, fungsi singularitas dapat dinyatakan sebagai berikut:

h = h0 sin2ÿx cos2ÿtv + eÿx
ÿ ÿ
N
= (x ÿ a)n bila x > a bila x ÿ
xÿa
0 a
Selesaikan nilai positif terendah dari x jika h = 0,4h0.
8.22 Anda membeli peralatan seharga $25.000 tanpa uang muka dan $5.500 Gunakan metode numerik untuk mencari titik yang sama dengan geserannya
per tahun selama 6 tahun. Berapa tingkat bunga yang Anda bayarkan? nol.
Rumus yang menghubungkan nilai sekarang P, pembayaran tahunan A, 8.25 Menggunakan balok yang didukung secara sederhana dari Prob. 8.24,
jumlah tahun n, dan tingkat bunga i adalah momen sepanjang balok, M(x), diberikan oleh:
2 1
saya(1 + saya)n M(x) = ÿ10[x ÿ 0 ÿ x ÿ 5 2] + 15 x ÿ 8
SEBUAH
= P (1 + saya)n ÿ 1 0
+ 150 x ÿ 7 + 57x
8.23 Banyak bidang teknik memerlukan perkiraan populasi yang akurat. Gunakan metode numerik untuk mencari titik yang momennya sama dengan
Misalnya, insinyur transportasi mungkin menemukannya nol.
8.26 Menggunakan balok yang didukung secara sederhana dari Prob. 8.24, kemiringan 8.31 Muatan total Q terdistribusi secara merata di sekitar konduktor
sepanjang balok diberikan oleh: berbentuk cincin dengan jari-jari a. Sebuah muatan q terletak pada jarak tertentu
x dari pusat ring (Gbr. P8.31). Kekuatan yang diberikan pada
ÿ10 15
dua orang 3
xÿ8 2 muatan oleh cincin diberikan oleh
(x) = [x ÿ 0 ÿ x ÿ 5 3] +
dx 3 2
57 1 qQx
1 F=
+ 150 x ÿ 7 + x2 ÿ 238,25
2 (x24ÿe0
+ a2)3/2
Gunakan metode numerik untuk mencari titik yang kemiringannya sama dimana e0 = 8,85 × 10ÿ12 C2/(N m2). Carilah jarak x dimana
nol. gayanya adalah 1 N jika q dan Q adalah 2 × 10ÿ5 C untuk sebuah cincin berjari-jari
0,9 m.
8.27 Menggunakan balok yang didukung secara sederhana dari Prob. 8.24, itu
perpindahan sepanjang balok diberikan oleh:
ÿ5 15 A
4 3
uy (x) = [x ÿ 0 ÿ x ÿ 5 4] + xÿ8
6 6
57 X
2
+ 75 x ÿ 7 + x3 ÿ 238,25x Q
6
(a) Tentukan titik yang perpindahannya sama dengan nol. Q

(b) Bagaimana Anda menggunakan teknik lokasi akar untuk menentukan
Gambar P8.31
lokasi perpindahan minimum?
Teknik Elektro
8.28 Lakukan perhitungan yang sama seperti pada Sec. 8.3, tapi tentukan 8.32 Gambar P8.32 menunjukkan rangkaian dengan resistor, induktor, dan
nilai C yang diperlukan agar rangkaian dapat menghilang hingga 1% dari sebuah kapasitor secara paralel. Aturan Kirchhoff dapat digunakan untuk menyatakan
nilai aslinya dalam t = 0,05 s, jika diketahui R = 280,dan L = 7,5 H. Gunakan impedansi sistem sebagai
(a) pendekatan grafis, (b) pembagian dua, dan (c) perangkat lunak lokasi
2
1 1 1
akar seperti Excel Solver, fungsi MATLAB fzero, atau = + ÿC ÿ
akar fungsi Mathcad. Z R2 ÿL
8.29 Arus osilasi dalam suatu rangkaian listrik dijelaskan oleh
dimana Z = impedansi () dan ÿ = frekuensi sudut. Temukan
i = 9eÿt cos(2ÿt), dengan t dalam satuan detik. Tentukan semua nilai t
ÿ yang menghasilkan impedansi 75 menggunakan pembagian dua dan
sehingga saya = 3,5.
posisi salah dengan tebakan awal 1 dan 1000 untuk yang berikut ini
8.30 Resistivitas ÿ silikon yang didoping didasarkan pada muatan q on
parameter: R = 225 ,C = 0,6 × 10ÿ6 F, dan L = 0,5 H. Tentukan berapa
elektron, kerapatan elektron n, dan mobilitas elektron ÿ. Itu
banyak iterasi setiap teknik yang diperlukan untuk menentukan jawaban
kerapatan elektron diberikan dalam bentuk kerapatan doping N dan
ÿs = 0,1%. Gunakan pendekatan grafis untuk
kepadatan pembawa intrinsik ni . Mobilitas elektron dijelaskan
menjelaskan segala kesulitan yang timbul.
dengan suhu T, suhu referensi T0, dan
mobilitas referensi ÿ0. Persamaan yang diperlukan untuk menghitung
resistivitas adalah
Gambar P8.32
1
=
qnÿ
Di mana
R L C
ÿ2.42
1 T
n= N + N2 + 4n2 dan ÿ = ÿ0
2 Saya
T0
Tentukan N, diketahui T0 = 300 K, T = 1000 K, ÿ0 = 1350 cm2

(V s)ÿ1, q = 1,7 × 10ÿ19 C, ni = 6,21 × 109 cmÿ3 dan yang ,diinginkan Teknik Mesin dan Dirgantara
ÿ = 6,5 × 106 Vs cm/C. Gunakan (a) bagi dua dan (b) yang dimodifikasi 8.33 Di luar persamaan Colebrook, hubungan lain, seperti
metode potongan. faktor gesekan Fanning f, tersedia untuk memperkirakan gesekan masuk
MASALAH 219
pipa. Faktor gesekan Fanning bergantung pada sejumlah parameter yang 8.36 Insinyur ruang angkasa terkadang menghitung lintasan proyektil seperti
berkaitan dengan ukuran pipa dan fluida, yang semuanya dapat roket. Masalah terkait berkaitan dengan lintasan bola yang dilempar. Lintasan
direpresentasikan dengan besaran tak berdimensi lainnya, bilangan Reynolds bola ditentukan oleh koordinat (x, y), seperti yang ditampilkan pada Gambar
Re. Rumus yang memprediksi f jika diberikan Re adalah persamaan von P8.36. Lintasannya dapat dimodelkan sebagai
Karman,
1 G
= 4 log10(Re f ) ÿ 0,4 ÿ f y = (tan ÿ0)x ÿ 2v2 x2 + y0
0 cos2 ÿ0
Tentukan sudut awal yang sesuai ÿ0, jika kecepatan awal v0 = 20 m/s dan
Nilai khas bilangan Reynolds untuk aliran turbulen adalah 10.000 hingga
jarak ke penangkap x adalah 35 m. Perhatikan bahwa bola meninggalkan
500.000 dan untuk faktor gesekan Fanning adalah 0,001 hingga 0,01.
tangan pelempar pada ketinggian y0 = 2 m dan penangkap menerimanya
Kembangkan fungsi yang menggunakan bagi dua untuk menyelesaikan f
pada ketinggian 1 m. Nyatakan hasil akhirnya dalam derajat. Gunakan nilai
dengan nilai Re yang disediakan pengguna antara 2.500 dan 1.000.000.
9,81 m/s2 untuk g dan gunakan metode grafis untuk mengembangkan
Rancang fungsi tersebut sedemikian rupa sehingga memastikan kesalahan
tebakan awal Anda.
absolut pada hasil adalah Ea,d < 0,000005.
8.34 Sistem mekanis nyata mungkin melibatkan defleksi pegas non-linier.
Pada Gambar P8.34, sebuah massa m dilepaskan pada jarak h di atas pegas
kamu
nonlinier. Gaya hambatan F pegas diberikan oleh
F = ÿ k1d + k2d3/2
Konservasi energi dapat digunakan untuk menunjukkan hal tersebut
2k2d5/2 1
0= + k1d2 ÿ mgd ÿ mgh
5 2
v0
Selesaikan d, dengan nilai parameter berikut: k1 = 40.000 g/s2, k2 = 40 g/(s2 0

m0.5), m = 95 g, g = 9.81 m/s2, dan h = 0.43 m.
X
Gambar P8.36
H
jam + d
D 8.37 Bentuk umum medan tegangan tiga dimensi diberikan oleh
ÿxx ÿxy ÿxz

ÿ ÿ
ÿxy ÿyy ÿyz
(A) (B)
ÿ ÿxz ÿyz ÿzz ÿ
Gambar P8.34
dimana suku diagonal menyatakan tegangan tarik atau tekan dan suku luar
diagonal menyatakan tegangan geser. Bidang tegangan (dalam MPa)
diberikan oleh
8.35 Insinyur mekanik, dan juga sebagian besar insinyur lainnya, menggunakan 10 14 25
termodinamika secara ekstensif dalam pekerjaan mereka. Polinomial berikut ÿ 14 7 15 ÿ
dapat digunakan untuk menghubungkan kalor jenis udara kering bertekanan
ÿ 25 15 16 ÿ
nol, cp kJ/(kg K), dengan suhu (K):
Untuk menyelesaikan tegangan utama, perlu dibuat matriks berikut (sekali
cp = 0,99403 + 1,671 × 10ÿ4T + 9,7215 × 10ÿ8T 2 ÿ9,5838
lagi dalam MPa):
× 10ÿ11T 3 + 1,9520 × 10ÿ14T 4
10 ÿ ÿ 14 25
ÿ 14 7ÿÿ 15 ÿ
Tentukan suhu yang sesuai dengan kalor jenis 1,2 kJ/(kg K).
ÿ 25 15 16 ÿ ÿ ÿ
ÿ1, ÿ2, dan ÿ3 dapat diselesaikan dari persamaan ÿ3 8.41 Sebuah kompresor beroperasi pada rasio kompresi Rc 3,0 (tekanan
ÿ Iÿ2 + IIÿ ÿ III = 0 gas di saluran keluar tiga kali lebih besar dari tekanan gas di saluran masuk).
Kebutuhan daya kompresor Hp dapat ditentukan dari persamaan di bawah
Di mana
ini.
Saya = ÿxx + ÿyy + ÿzz Dengan asumsi bahwa kebutuhan daya kompresor sama persis dengan
ÿ ÿ2 ÿ ÿ2 zRT1/MW, tentukan efisiensi politropik n kompresor. Parameter z adalah
II = ÿxxÿyy + ÿxxÿzz + ÿyyÿzz ÿ ÿ2 xy xz yz
kompresibilitas gas pada kondisi pengoperasian kompresor, R adalah
III = ÿxxÿyyÿzz ÿ ÿxxÿ2 ÿ ÿzzÿ2 + 2ÿxyÿxzÿyz
yz ÿ ÿyyÿ2 xz xy konstanta gas, T1 adalah suhu gas pada saluran masuk kompresor, dan MW
I, II, dan III dikenal sebagai invarian stres. Temukan ÿ1, ÿ2, dan ÿ3 adalah berat molekul gas.
menggunakan teknik pencarian akar.
8.38 Kecepatan roket ke atas dapat dihitung dengan rumus berikut:
zRT1 N
HP = R(nÿ1)/n ÿ 1
C
MW n ÿ 1
v = kamu ln ÿ m0
gt m0 ÿ qt 8.42 Dalam termos yang ditunjukkan pada Gambar P8.42, kompartemen
paling dalam dipisahkan dari wadah tengah dengan ruang hampa. Ada
dimana v = kecepatan ke atas, u = kecepatan keluarnya bahan bakar relatif cangkang terakhir di sekitar termos. Cangkang terakhir ini dipisahkan dari
terhadap roket, m0 = massa awal roket pada waktu t = 0, q = laju konsumsi lapisan tengah oleh lapisan udara tipis. Bagian luar cangkang terakhir
bahan bakar, dan g = percepatan ke bawah dari roket gravitasi (asumsi bersentuhan dengan udara ruangan. Perpindahan panas dari bagian dalam
konstan = 9,81 m/s2). Jika u = 2000 m/s, m0 = 150.000 kg, dan q = 2700 kg/ partisi ke lapisan berikutnya q1 hanya dilakukan dengan radiasi (karena
s, hitung waktu yang diperlukan v = 750 m/s. (Petunjuk: t berkisar antara 10 ruang dievakuasi). Perpindahan panas antara lapisan tengah dan kulit luar
dan 50 detik.) Tentukan hasil Anda sehingga berada dalam 1% dari nilai q2 terjadi secara konveksi dalam ruang kecil. Perpindahan panas dari kulit
sebenarnya. terluar ke udara q3 terjadi secara konveksi alami. Fluks panas dari masing-
Periksa jawaban mu. masing daerah termos harus sama—yaitu, q1 = q2 = q3. Temukan suhu T1
8.39 Sudut fase ÿ antara getaran paksa yang disebabkan oleh jalan kasar dan T2 pada kondisi tunak. T0 adalah 450ÿC dan T3 = 25ÿC.
dan gerakan mobil diberikan oleh
4
2(c/cc)(ÿ/p) tan q1 = 10ÿ9[(T0 + 273) q2 ÿ (T1 + 273) 4]
ÿ=1ÿ
(ÿ/ p)2 = 4(T1 ÿ T2) q3 =
1,3(T2 ÿ T3) 4/3
Sebagai seorang insinyur mesin, Anda ingin tahu apakah ada kasus di mana
ÿ = ÿ/3 ÿ 1. Gunakan parameter lain dari bagian ini untuk mengatur persamaan
sebagai akar permasalahan dan menyelesaikan ÿ. Gambar P8.42
8.40 Dua fluida yang suhunya berbeda masuk ke dalam pencampur dan
keluar pada suhu yang sama. Kapasitas panas fluida A diberikan oleh:
cp = 3,381 + 1,804 × 10ÿ2T ÿ 4,300 × 10ÿ6T 2
dan kapasitas panas fluida B diberikan oleh:
cp = 8,592 + 1,290 × 10ÿ1T ÿ 4,078 × 10ÿ5T 2
dimana cp dalam satuan kal/mol K, dan T dalam satuan K. Perhatikan bahwa
T2
H= cpdT
T1
T0 T3
A memasuki mixer pada suhu 400ÿC. B memasuki mixer pada suhu 700ÿC. Jumlah
T2
A dua kali lebih banyak dari jumlah B yang masuk ke dalam mixer. Pada suhu T1
berapa kedua fluida tersebut keluar dari pencampur?
MASALAH 221
8.43 Gambar P8.43 menunjukkan tiga buah reservoir yang dihubungkan secara melingkar
Q1 Q3 Q5
pipa. Pipa-pipa tersebut terbuat dari besi cor yang dicelupkan ke aspal
(ÿ = 0,0012 m), mempunyai ciri-ciri sebagai berikut:
Pipa 3
Panjang, m 1 1800 2 1400
Diameter, m 0,4 ? 500 0,2 Q2 Q4 Q6 Q7
Aliran, m3/s 0,25 0,1 ?
Jika elevasi muka air di Waduk A dan C adalah 200 dan

172,5 m berturut-turut, tentukan ketinggian di Waduk B dan
Q10 Q9 Q8
aliran dalam pipa 1 dan 3. Perhatikan bahwa viskositas kinematik adalah
air adalah 1 × 10ÿ6 m2/s dan gunakan persamaan Colebrook untuk menentukan
faktor gesekan (ingat Soal 8.12). Gambar P8.44
h1
Q1 = 1 m3/s dan ÿ = 1,23 kg/m3. Semua pipa memiliki D = 500 mm
A h2 dan f = 0,005. Panjang pipa adalah: L3 = L5 = L8 = L9 = 2 m;
1 L2 = L4 = L6 = 4 m; dan L7 = 8 m.
B
2 8.45 Ulangi Masalah. 8.44, tetapi sertakan fakta bahwa gesekan
Q1 h3 faktor dapat dihitung dengan persamaan von Karman,
Q2
1
3 = 4 log10(Re f ) ÿ 0,4
ÿf
Q3
dimana Re = bilangan Reynolds
C
ÿVD
Ulang =
ÿ
Gambar P8.43
dimana V = kecepatan fluida dalam pipa (m/s) dan ÿ =
viskositas dinamis (N · s/m2). Perhatikan bahwa untuk pipa melingkar
V = 4Q/ÿ D2. Asumsikan juga bahwa fluida mempunyai kekentalan sebesar
1,79 × 10ÿ5 N · s/m2 8.46 .
8.44 Suatu fluida dipompa ke dalam jaringan pipa yang ditunjukkan pada
Pesawat luar angkasa, saat lepas landas dari landasan peluncuran, mempunyai empat
Gambar.P8.44. Pada kondisi tunak, keseimbangan aliran berikut harus dipertahankan,
gaya yang bekerja padanya, yang ditunjukkan pada diagram benda bebas
Q1 = Q2 + Q3 (Gbr. P8.46). Berat gabungan dari dua penguat roket padat
Q3 = Q4 + Q5 dan tangki bahan bakar eksternal adalah WB = 1,663 × 106 lb. Berat
Q5 = Q6 + Q7 pengorbit dengan muatan penuh adalah WS = 0,23 × 106 lb. Gabungan

daya dorong dua penguat roket padat adalah TB = 5,30 × 106 lb
dimana Qi = aliran dalam pipa i(m3/s). Selain itu, tekanannya turun
gabungan daya dorong dari tiga mesin pengorbit bahan bakar cair adalah
di sekitar tiga loop sebelah kanan harus sama dengan nol. Tekanan
TS = 1,125 × 106 pon .
penurunan setiap panjang pipa melingkar dapat dihitung dengan
Saat lepas landas, daya dorong mesin pengorbit diarahkan pada sudut ÿ ke
16 f Lÿ
P= Q2 jadikan momen resultan yang bekerja pada keseluruhan rakitan pesawat
ÿ2 2D5
(tangki luar, penguat roket padat, dan pengorbit) sama dengan nol.
dimana P = penurunan tekanan (Pa), f = faktor gesekan Jika momen resultan sama dengan nol maka pesawat tidak akan berputar
(tak berdimensi), L = panjang pipa (m), ÿ = massa jenis fluida tentang pusat massanya G saat lepas landas. Dengan kekuatan-kekuatan ini, pesawat itu akan mampu melakukannya
(kg/m3), dan D = diameter pipa (m). Tulis sebuah program (atau kembangkan mempunyai gaya resultan dengan komponen-komponen baik vertikal maupun vertikal
suatu algoritma dalam paket perangkat lunak matematika) yang memungkinkan arah horisontal. Komponen gaya resultan vertikal adalah apa
Anda menghitung aliran di setiap panjang pipa dengan mengingat hal itu memungkinkan pesawat lepas landas dari landasan peluncuran dan terbang secara vertikal.
Komponen gaya resultan horizontal menyebabkan pesawat terbang

28' secara horizontal. Momen resultan yang bekerja pada pesawat akan
menjadi nol jika ÿ diatur ke nilai yang sesuai. Jika sudut ini tidak
4'
diatur dengan benar, dan ada momen resultan yang bekerja pada
pesawat, maka pesawat akan cenderung berputar
terhadap pusat massanya. (a) Tentukan gaya dorong pengorbit TS
Tangki eksternal menjadi komponen horizontal dan vertikal, lalu jumlahkan momen
terhadap titik G, pusat massa pesawat. Atur persamaan momen
yang dihasilkan sama dengan nol. Persamaan ini sekarang
dapat diselesaikan untuk nilai ÿ yang diperlukan untuk lepas landas.
(b) Turunkan persamaan momen resultan yang bekerja pada
Pendorong pesawat dalam sudut ÿ. Plot momen resultan sebagai
roket padat fungsi sudut ÿ pada rentang ÿ5 radian hingga +5 radian. (c) Tulislah
program komputer untuk menyelesaikan sudut ÿ menggunakan
metode Newton untuk mencari akar persamaan momen resultan.
pengorbit
Buatlah tebakan awal pada akar bunga menggunakan plot.
Hentikan iterasi bila nilai ÿ lebih baik dari lima angka penting.
(d) Ulangi program untuk berat muatan minimum pengorbit WS =
195,000 lb.
38'
Bank Dunia
WS
TS
TBC
Gambar P8.46
EPILOG: BAGIAN KEDUA
PT2.4 PERTUKARAN
Tabel PT2.3 memberikan ringkasan trade-off yang terlibat dalam penyelesaian akar aljabar dan
persamaan transendental. Meskipun metode grafis memakan waktu, metode ini memberikan wawasan tentang
perilaku fungsi dan berguna dalam mengidentifikasi tebakan awal dan potensi kesalahan.
masalah seperti akar ganda. Oleh karena itu, jika waktu memungkinkan, sketsa singkat (atau lebih baik lagi, grafik
terkomputerisasi) dapat menghasilkan informasi berharga mengenai perilaku fungsi.
Metode numerik sendiri dibagi menjadi dua kategori umum: bracketing
dan metode terbuka. Yang pertama membutuhkan dua tebakan awal yang berada di kedua sisi akar.
“Bracketing” ini dipertahankan seiring dengan berjalannya solusi, dan dengan demikian, teknik-teknik ini pun demikian
selalu konvergen. Namun, ada harga yang harus dibayar untuk properti ini karena tingkat konvergensinya relatif
lambat.
TABEL PT2.3 Perbandingan karakteristik metode alternatif pencarian akar aljabar dan
persamaan transendental. Perbandingan tersebut didasarkan pada pengalaman umum dan tidak memperhitungkan
perilaku fungsi tertentu.
metode Jenis Tebak Konvergensi Stabilitas Komentar Pemrograman
Langsung — —
Analitis —
Visual — — — —
Grafis Tidak tepat
Pembagian atas dua bagian
Braket 2 Lambat Selalu Mudah
Posisi salah Braket 2 Lambat/sedang Selalu Mudah
FP yang dimodifikasi Braket 2 Sedang Selalu Mudah
Iterasi titik Membuka 1 Lambat Mungkin Easy yang berbeda
tetap
Newton-Raphson Terbuka 1 Cepat Mungkin Easy yang berbeda
Membutuhkan evaluasi f'(x)
Newton yang Dimodifikasi- Terbuka 1 Cepat (banyak), Mungkin Easy yang berbeda Memerlukan
Rafson sedang (tunggal) evaluasi f'(x)
dan f”(x)
Garis potong Membuka 2 Sedang/cepat Mungkin Easy yang berbeda Tebakan awal memang benar
tidak perlu
kurung akarnya
Garis potong yang dimodifikasi Terbuka Sedang/cepat Mungkin Easy yang berbeda
Brent Hibrida 1 1 atau 2 Sedang Selalu (untuk Sedang 2 Kokoh
tebakan)
Muller Polinomial 2 Sedang/cepat Mungkin berbeda Moderat
Bairstow Polinomial 2 Cepat Mungkin berbeda Moderat
223
224 EPILOG: BAGIAN KEDUA
Teknik terbuka berbeda dengan metode bracketing karena teknik ini menggunakan informasi secara tunggal
titik (atau dua nilai yang tidak perlu mengurung akar untuk mengekstrapolasi ke perkiraan akar baru). Ini
properti adalah pedang bermata dua. Meskipun hal ini menyebabkan konvergensi lebih cepat, hal ini juga memungkinkan
kemungkinan solusinya mungkin berbeda. Secara umum konvergensi teknik terbuka adalah
sebagian bergantung pada kualitas tebakan awal dan sifat fungsinya. Itu
semakin dekat tebakannya dengan akar sebenarnya, semakin besar kemungkinan metode-metode tersebut akan menyatu.
Dari teknik terbuka, metode standar Newton-Raphson sering digunakan karena

sifat konvergensi kuadratnya. Namun, kelemahan utamanya adalah memerlukan hal tersebut
turunan dari fungsi tersebut diperoleh secara analitis. Untuk beberapa fungsi, hal ini tidak praktis. Di dalam
Dalam kasus ini, metode garis potong, yang menggunakan representasi derivatif dengan perbedaan hingga,
memberikan alternatif yang layak. Karena perkiraan perbedaan hingga, laju
konvergensi metode garis potong pada awalnya lebih lambat dibandingkan metode Newton-Raphson.
Namun, ketika estimasi akar disempurnakan, perkiraan perbedaan menjadi representasi turunan sebenarnya
yang lebih baik, dan konvergensi meningkat dengan cepat. Teknik New-ton-Raphson yang dimodifikasi dapat
digunakan untuk mencapai konvergensi cepat untuk banyak akar. Namun,
teknik ini memerlukan ekspresi analitik untuk turunan pertama dan kedua.
Yang menarik adalah metode hybrid yang menggabungkan keandalan bracketing
dengan kecepatan metode terbuka. Metode Brent melakukan hal ini dengan menggabungkan dua bagian dengan
beberapa metode terbuka. Semua metode mudah untuk diprogram pada komputer dan memerlukan waktu
minimal untuk menentukan satu root. Berdasarkan hal ini, Anda mungkin menyimpulkan bahwa metode
sederhana seperti pembagian dua akan cukup baik untuk tujuan praktis. Ini akan menjadi
benar jika Anda hanya tertarik untuk menentukan akar persamaan satu kali saja. Namun, ada banyak kasus
dalam bidang teknik yang memerlukan banyak lokasi akar dan
dimana kecepatan menjadi penting. Untuk kasus ini, metode yang lambat sangat memakan waktu
dan, karenanya, mahal. Di sisi lain, metode fast open mungkin berbeda, dan penundaan yang menyertainya juga
bisa memakan biaya yang besar. Beberapa algoritme komputer berupaya memanfaatkannya
kelebihan kedua kelas teknik dengan awalnya menggunakan metode bracketing untuk
mendekati akar, lalu beralih ke metode terbuka untuk menyempurnakan perkiraan dengan cepat. Apakah
pendekatan tunggal atau kombinasi digunakan, trade-off antara konvergensi dan kecepatan
merupakan inti dari pemilihan teknik lokasi akar.
PT2.5 HUBUNGAN DAN FORMULA PENTING

Tabel PT2.4 merangkum informasi penting yang disajikan pada Bagian Kedua. Meja ini
dapat dikonsultasikan untuk dengan cepat mengakses hubungan dan formula penting.
PT2.6 METODE LANJUTAN DAN REFERENSI TAMBAHAN

Metode dalam teks ini berfokus pada penentuan akar real tunggal dari suatu aljabar atau
persamaan transendental berdasarkan pengetahuan sebelumnya tentang perkiraan lokasinya. Selain itu,
kami juga telah menjelaskan metode yang dirancang secara tegas untuk menentukan yang nyata dan yang kompleks
akar polinomial. Referensi tambahan mengenai subjek ini adalah Ralston dan Rabinowitz
(1978) dan Carnahan, Luther, dan Wilkes (1969).
Selain metode Müller dan Bairstow, beberapa teknik juga tersedia
menentukan semua akar polinomial. Secara khusus, algoritma perbedaan hasil bagi (QD) (Henrici, 1964, dan
Gerald dan Wheatley, 1989) menentukan semua akar tanpa akar awal.
tebakan. Ralston dan Rabinowitz (1978) dan Carnahan, Luther, dan Wilkes (1969) berisi
PT2.6 METODE LANJUTAN DAN REFERENSI TAMBAHAN 225
TABEL PT2.4 Ringkasan informasi penting disajikan pada Bagian Kedua.
Grafis Kesalahan dan

metode Perumusan Penafsiran Kriteria Penghentian
Metode braket:
x aku xu
Pembagian atas dua bagian
xr f(x) Kriteria berhenti:
2 Akar
baru tua
xr xr
xl xu X
100% S
Jika f(xl)f(xr) 0, xu xr L xr
baru
f(xl)f(xr) 0, xl xr
L/2
L/4
f(x)
f (xu)(xl xu)
Posisi salah xr xu Kriteria berhenti:
f(xl) f(xu) Akord baru tua
xr xr
baru
100% S
Jika f(xl)f(xr) 0, xu xr xr xr
f(xl)f(xr) 0, xl xr xl xu X
f(x)
Garis singgung
Newton-Raphson Kriteria berhenti:
x i1 xi
f(xi ) 100% S
xi1 xi xi1
f(xi)
2
Kesalahan: Ei1 0(Ei )
x
saya + 1
x
saya X
Garis potong
f(x)
Kriteria berhenti:
f(xi)(xi1 xi ) x i1 xi
xi1 xi 100% S
f(xi1) f(xi) xi1
xixi – 1 X
xi +1
diskusi tentang metode ini serta teknik lain untuk menemukan akar polinomial.
Sebagaimana dibahas dalam teks, metode Jenkins-Traub dan Laguerre digunakan secara luas.
Ringkasnya, penjelasan di atas dimaksudkan untuk memberi Anda jalan untuk mengeksplorasi subjek
ini lebih dalam. Selain itu, semua referensi di atas memberikan gambaran dasar
teknik yang dibahas di Bagian Dua. Kami mendorong Anda untuk berkonsultasi dengan sumber alternatif ini
memperluas pemahaman Anda tentang metode numerik untuk lokasi root.1
1
Buku hanya direferensikan oleh penulisnya di sini, bibliografi lengkap dapat ditemukan di bagian belakang teks ini.
BAGIAN KETIGA
ALJABAR LINEAR
PERSAMAAN
PT3.1 MOTIVASI
Di Bagian Dua, kita menentukan nilai x yang memenuhi persamaan tunggal, f(x) = 0. Sekarang, kita
menangani kasus penentuan nilai x1, x2, . . . , xn yang secara bersamaan memenuhi suatu himpunan
persamaan
f1(x1, x2,..., xn) = 0

f2(x1, x2,..., xn) = 0
· ·
· ·
· ·
fn(x1, x2,..., xn) = 0
Sistem seperti itu bisa linier atau nonlinier. Di Bagian Tiga, kita membahas aljabar linier
persamaan yang berbentuk umum
a11x1 + a12x2 +···+ a1n xn = b1

a21x1 + a22x2 +···+ a2n xn = b2
. .
(PT3.1)
. .
. .
an1x1 + an2x2 +···+ ann xn = bn

dimana a adalah koefisien konstan, b adalah konstanta, dan n adalah banyaknya persamaan. Semua
persamaan lainnya adalah nonlinier. Sistem nonlinier dibahas dalam Bab. 6 dan
akan dibahas secara singkat lagi di Bab. 9.
PT3.1.1 Metode Nonkomputer untuk Menyelesaikan Sistem Persamaan
Untuk sejumlah kecil persamaan (n ÿ 3), persamaan linier (dan terkadang nonlinier) bisa
dapat diselesaikan dengan mudah dengan teknik sederhana. Beberapa cara tersebut akan diulas pada
awal Bab. 9. Namun, untuk empat persamaan atau lebih, penyelesaiannya menjadi sulit dan
komputer harus dimanfaatkan. Secara historis, ketidakmampuan untuk menyelesaikan semua kecuali himpunan terkecil
persamaan dengan tangan telah membatasi ruang lingkup masalah yang ditangani di banyak bidang teknik
aplikasi.
Sebelum adanya komputer, teknik untuk menyelesaikan persamaan aljabar linier memakan waktu
dan canggung. Pendekatan-pendekatan ini membatasi kreativitas karena metodenya yang demikian
seringkali sulit untuk diimplementasikan dan dipahami. Oleh karena itu, tekniknya terkadang demikian
terlalu ditekankan dengan mengorbankan aspek-aspek lain dari proses pemecahan masalah seperti
perumusan dan interpretasi (ingat Gambar. PT1.1 dan diskusi yang menyertainya).
227
228 PERSAMAAN ALJABAR LINEAR
Munculnya komputer yang mudah diakses memungkinkan dan praktis bagi Anda
menyelesaikan kumpulan besar persamaan aljabar linier simultan. Dengan demikian, Anda bisa melakukan pendekatan lebih banyak
contoh dan permasalahan yang kompleks dan realistis. Selain itu, Anda akan memiliki lebih banyak waktu untuk melakukannya
uji keterampilan kreatif Anda karena Anda akan dapat lebih menekankan pada perumusan masalah dan interpretasi
solusi.
PT3.1.2 Persamaan Aljabar Linier dan Praktek Teknik
Banyak persamaan mendasar dalam rekayasa didasarkan pada hukum konservasi (ingat
Tabel 1.1). Beberapa besaran umum yang sesuai dengan hukum tersebut adalah massa, energi, dan momentum.
Dalam istilah matematika, prinsip-prinsip ini mengarah pada persamaan keseimbangan atau kontinuitas
yang menghubungkan perilaku sistem yang diwakili oleh tingkat atau respons kuantitas yang ada
dimodelkan pada sifat atau karakteristik sistem dan rangsangan eksternal atau fungsi pemaksa yang bekerja pada
sistem.
Sebagai contoh, prinsip kekekalan massa dapat digunakan untuk merumuskan suatu model
untuk serangkaian reaktor kimia (Gbr. PT3.1a). Untuk kasus ini besaran yang dimodelkan adalah
massa bahan kimia di setiap reaktor. Sifat sistem adalah karakteristik reaksi bahan kimia dan ukuran reaktor serta
laju aliran. Fungsi pemaksaan adalah
laju umpan bahan kimia ke dalam sistem.
Di Bagian Dua, Anda melihat bagaimana sistem komponen tunggal menghasilkan persamaan tunggal yang bisa
diselesaikan dengan menggunakan teknik lokasi akar. Sistem multikomponen menghasilkan sekumpulan komponen yang digabungkan
persamaan matematika yang harus diselesaikan secara bersamaan. Persamaannya digabungkan
GAMBAR PT3.1
Dua jenis sistem yang dapat dimodelkan menggunakan persamaan aljabar linier: (a) disamakan
sistem variabel yang melibatkan komponen-komponen terbatas yang digabungkan dan (b) sistem variabel terdistribusi itu
melibatkan sebuah kontinum.
x3
Memberi makan
x1 x5
x2 x4
(A)
… …
Memberi makan
x1 xi1 x1 xi1 xn
(B)
PT3.2 LATAR BELAKANG MATEMATIKA 229
karena bagian-bagian individual dari sistem dipengaruhi oleh bagian-bagian lain. Misalnya, di
Gambar PT3.1a, reaktor 4 menerima input kimia dari reaktor 2 dan 3. Akibatnya, nya
Responsnya bergantung pada jumlah bahan kimia di reaktor lain tersebut.
Ketika ketergantungan ini dinyatakan secara matematis, persamaan yang dihasilkan adalah
sering kali dalam bentuk aljabar linier dari Persamaan. (PT3.1). Tanda x biasanya merupakan ukuran besarnya
respons masing-masing komponen. Menggunakan Gambar. PT3.1a sebagai contoh,
x1 mungkin menghitung jumlah massa dalam reaktor pertama, x2 mungkin menghitung jumlah massa yang masuk
yang kedua, dan seterusnya. Huruf a biasanya mewakili sifat dan karakteristik itu
mempengaruhi interaksi antar komponen. Misalnya, huruf a untuk Gambar. PT3.1a mungkin
mencerminkan laju aliran massa antar reaktor. Yang terakhir, b biasanya mewakili fungsi pemaksaan yang
bekerja pada sistem, seperti laju umpan pada Gambar PT3.1a. Itu
aplikasi di Bab. 12 memberikan contoh lain dari persamaan tersebut yang diperoleh dari praktik rekayasa.
Masalah multikomponen dari jenis di atas muncul baik dari yang disamakan (makro) maupun
model matematika variabel terdistribusi (mikro-) (Gbr. PT3.1). Masalah variabel yang digabungkan melibatkan
komponen-komponen terbatas yang digabungkan. Contohnya termasuk rangka (Bagian 12.2), reaktor
(Gbr. PT3.1a dan Bagian 12.1), dan rangkaian listrik (Bagian 12.3). Jenis masalah ini digunakan
model yang memberikan sedikit atau tidak ada detail spasial.
Sebaliknya, masalah variabel terdistribusi berupaya menggambarkan detail spasial suatu sistem
secara kontinyu atau semi kontinyu. Distribusi bahan kimia sepanjang
reaktor persegi panjang memanjang (Gbr. PT3.1b) adalah contoh variabel kontinu
model. Persamaan diferensial yang diturunkan dari hukum kekekalan menentukan distribusinya
dari variabel dependen untuk sistem tersebut. Persamaan diferensial ini dapat diselesaikan secara numerik
dengan mengubahnya menjadi sistem persamaan aljabar simultan yang ekuivalen.
Solusi dari kumpulan persamaan tersebut mewakili bidang aplikasi teknik utama
metode dalam bab-bab berikutnya. Persamaan ini digabungkan karena variabelnya
di satu lokasi bergantung pada variabel di wilayah yang bersebelahan. Misalnya, konsentrasi di tengah reaktor
merupakan fungsi dari konsentrasi di daerah yang berdekatan. Contoh serupa dapat dikembangkan untuk
distribusi suhu spasial atau
momentum. Kita akan mengatasi permasalahan tersebut ketika kita membahas persamaan diferensial nanti
buku.
Selain sistem fisika, persamaan aljabar linier simultan juga muncul dalam a
berbagai konteks masalah matematika. Ini dihasilkan ketika fungsi matematika adalah
diperlukan untuk memenuhi beberapa kondisi secara bersamaan. Setiap kondisi menghasilkan persamaan
yang berisi koefisien yang diketahui dan variabel yang tidak diketahui. Teknik-teknik yang dibahas dalam hal ini
bagian dapat digunakan untuk menyelesaikan hal-hal yang tidak diketahui ketika persamaannya linier dan aljabar.
Beberapa teknik numerik yang banyak digunakan dan menggunakan persamaan simultan adalah analisis regresi
(Bab 17) dan interpolasi spline (Bab 18).
PT3.2 LATAR BELAKANG MATEMATIKA

Semua bagian buku ini memerlukan latar belakang matematika. Untuk Bagian Ketiga, notasi matriks dan aljabar
berguna karena menyediakan cara ringkas untuk merepresentasikan dan memanipulasi
persamaan aljabar linier. Jika Anda sudah familiar dengan matriks, silakan langsung saja ke
Detik. PT3.3. Bagi yang masih awam atau memerlukan ulasan, materi berikut ini memberikan pengenalan
singkat mengenai pokok bahasan tersebut.
Kolom 3
a11 a12 a13 ... a1m

ÿ ÿ Baris 2
ÿ a21 a22 a23 ... a2m ÿ
ÿ ÿ
ÿ
.. . ÿ
[A] = ÿ ÿ
ÿ
.. . ÿ
ÿ ÿ
ÿ
.. . ÿ
ÿ an1 an2 an3 ... an ÿ
GAMBAR PT3.2
Sebuah matriks.
PT3.2.1 Notasi Matriks
Matriks terdiri dari susunan elemen berbentuk persegi panjang yang diwakili oleh satu simbol .
Seperti digambarkan pada Gambar PT3.2, [A] adalah notasi singkat untuk matriks dan aij menunjuk
pada elemen individual matriks.
Himpunan elemen yang mendatar disebut baris , dan himpunan vertikal disebut kolom. Subskrip
pertama i selalu menunjukkan nomor baris tempat elemen berada. Subskrip kedua j menunjukkan
kolom. Misalnya elemen a23 ada di baris 2 dan kolom 3.
Matriks pada Gambar PT3.2 mempunyai n baris dan m kolom dan dikatakan berdimensi n kali
m (atau n × m). Ini disebut sebagai matriks n kali m .
Matriks dengan dimensi baris n = 1, misalnya
[B] = [b1 b2 ··· bm]
disebut vektor baris. Perhatikan bahwa untuk kesederhanaan, subskrip pertama dari setiap elemen
dihilangkan. Selain itu, perlu disebutkan bahwa ada kalanya diperlukan notasi steno khusus untuk
membedakan matriks baris dari jenis matriks lainnya. Salah satu cara untuk mencapai hal ini adalah
dengan menggunakan tanda kurung khusus dengan atap terbuka, seperti pada B.
Matriks dengan dimensi kolom m = 1, misalnya
c1
ÿ ÿ
ÿ
c2 ÿ
. ÿ
[C] =
ÿ ÿ
ÿ
. ÿ
. ÿ
ÿ cn ÿ
disebut sebagai vektor kolom. Untuk mempermudah, subskrip kedua dihilangkan. Seperti halnya
vektor baris, ada kalanya diinginkan untuk menggunakan notasi singkatan khusus untuk
membedakan matriks kolom dari jenis matriks lainnya. Salah satu cara untuk mencapai hal ini adalah
dengan menggunakan tanda kurung khusus, seperti pada {C}.
Matriks yang n = m disebut matriks persegi. Misalnya, matriks 4 kali 4 adalah
a11 a12 a13 a14

ÿ ÿ
ÿ
a21 a22 a23 a24 ÿ
[A] = ÿ
ÿ
ÿ
a31 a32 a33 a34

ÿ a41 a42 a43 a44 ÿ
Diagonal yang terdiri dari elemen a11, a22, a33, dan a44 disebut diagonal utama atau
diagonal utama matriks.
Matriks persegi sangat penting ketika menyelesaikan kumpulan persamaan linier
simultan. Untuk sistem seperti ini, jumlah persamaan (sesuai dengan baris) dan jumlah
persamaan yang tidak diketahui (sesuai dengan kolom) harus sama agar solusi unik
dapat dibuat. Akibatnya, matriks koefisien kuadrat ditemui ketika berhadapan dengan
sistem seperti itu. Beberapa tipe khusus matriks persegi dijelaskan pada Boks PT3.1.
Kotak PT3.1 Khusus Jenis Matriks Persegi
Ada beberapa bentuk khusus matriks persegi yang penting Simbol [I] digunakan untuk menyatakan matriks identitas. Matriks identitas
dan perlu diperhatikan: mempunyai sifat yang mirip dengan kesatuan.
Matriks simetris adalah matriks dimana aij = aji untuk semua i dan j. Matriks segitiga atas adalah matriks yang semua elemen di bawahnya
Misalnya, diagonal utama adalah nol, seperti pada
512 a11 a12 a13 a14

ÿ ÿ ÿ ÿ
[A] = ÿ 137 ÿ ÿ
a22 a23 a24 ÿ
[A] = ÿ ÿ
ÿ 278
ÿ ÿ
ÿ a33 a34
ÿ a44 ÿ
adalah matriks simetris 3 kali 3.
Matriks diagonal adalah matriks persegi yang semua elemen di luar Matriks segitiga bawah adalah matriks yang semua elemennya berada di atas
diagonal utamanya sama dengan nol, seperti pada diagonal utama adalah nol, seperti pada
a11 a11
ÿ ÿ ÿ ÿ
a22
ÿ
a21 a22 ÿ
[A] =
ÿ ÿ
[A] = ÿ ÿ
ÿ
ÿ
ÿ
ÿ ÿ
a31 a32 a33

a33
ÿ ÿ a41 a42 a43 a44 ÿ
a44 ÿ
Perhatikan bahwa jika blok elemen besar bernilai nol, maka elemen tersebut dibiarkan
Matriks berpita mempunyai semua elemen sama dengan nol,
kosong. kecuali pita yang berpusat pada diagonal utama:
Matriks identitas adalah matriks diagonal yang semua elemen pada
a11 a12
diagonal utamanya sama dengan 1, seperti pada ÿ ÿ
ÿ
a21 a22 a23 ÿ
[A] = ÿ ÿ
1 ÿ ÿ
a32 a33 a34

ÿ ÿ
ÿ
1 ÿ ÿ a43 a44 ÿ
[Saya] = ÿ ÿ
1 ÿ
Matriks di atas mempunyai bandwidth 3 dan diberi nama

ÿ 1ÿ khusus— matriks tridiagonal.
PT3.2.2 Aturan Operasi Matriks

Sekarang kita telah menentukan apa yang dimaksud dengan matriks, kita dapat mendefinisikan beberapa aturan operasi
yang mengatur penggunaannya. Dua matriks berukuran n kali m adalah sama jika, dan hanya jika, setiap elemen pada
matriks pertama sama dengan setiap elemen pada matriks kedua, yaitu, [A] = [B] jika aij = bij untuk semua i dan j.
Penjumlahan dua matriks, katakanlah [A] dan [B], dilakukan dengan menjumlahkan korespondennya
istilah dalam setiap matriks. Elemen matriks yang dihasilkan [C] dihitung,
cij = aij + bij
untuk saya = 1, 2, . . . , n dan j = 1, 2, . . . , m. Demikian pula, pengurangan dua matriks, katakanlah, [E]
dikurangi [F], diperoleh dengan mengurangkan suku-suku yang bersesuaian, seperti pada
dij = eij ÿ fij
, n. dan
untuk saya = 1, 2, 1, 2, . . . , definisi di atas, penjumlahan dan pengurangan
. . M.j =Berdasarkan
hanya dapat dilakukan antara matriks-matriks yang berdimensi sama.
Penjumlahan dan pengurangan bersifat komutatif:
[A] + [B] = [B] + [A]

Penjumlahan dan pengurangan juga bersifat asosiatif, yaitu
([A] + [B]) + [C] = [A] + ([B] + [C])

Perkalian matriks [A] dengan skalar g diperoleh dengan mengalikan setiap elemen [ A]
dengan g, seperti pada
ga11 ga12 ··· ga1m

ÿ ÿ
ÿ ga21 ga22 ··· ga2m ÿ
ÿ ÿ
·· ·
[D] = g[A] = ÿ
·· ·
ÿ
ÿ ÿ
ÿ ÿ
·· ·
ÿ gan1 gan2 ··· ganm ÿ
Hasil kali dua matriks direpresentasikan sebagai [C] = [A][B], dengan elemen [C]
didefinisikan sebagai (lihat Kotak PT3.2 untuk cara sederhana mengkonsep perkalian matriks)
N
cij = aikbkj (PT3.2)

k=1
dimana n = dimensi kolom [A] dan dimensi baris [B]. Artinya, elemen cij diperoleh
dengan menjumlahkan hasil kali masing-masing elemen dari baris ke-i matriks
pertama, dalam hal ini [A], dengan kolom ke-j dari matriks kedua [B].
Menurut definisi ini, perkalian dua matriks hanya dapat dilakukan jika matriks pertama
mempunyai kolom yang sama dengan jumlah baris matriks kedua. Jadi, jika [A] adalah matriks
berukuran n kali m , [B] dapat berupa matriks berukuran m kali l . Untuk kasus ini, matriks [C]
yang dihasilkan akan berdimensi n kali l. Namun, jika [B] adalah matriks berukuran l kali m ,
perkalian tidak dapat dilakukan. Gambar PT3.3 memberikan cara mudah untuk memeriksa
apakah dua matriks dapat dikalikan.
Kotak PT3.2 Cara Sederhana Mengalikan Dua Matriks
Meskipun Persamaan. (PT3.2) sangat cocok untuk diterapkan di 59

komputer, ini bukan cara paling sederhana untuk memvisualisasikan 72
mekanisme perkalian dua matriks. Berikut ini memberikan ekspresi
ÿ
yang lebih nyata pada operasi tersebut.
Misalkan kita ingin mengalikan [X] dengan [Y ] untuk menghasilkan [Z ], 31 3 × 5 + 1 × 7 = 22
ÿ 86 ÿÿÿÿ ÿ
31
59 ÿ 04 ÿ ÿ
ÿ 86 ÿ
[Z] = [X][Y] =
72
ÿ 04 ÿ Jadi, z11 sama dengan 22. Elemen z21 dapat dihitung dengan cara yang
sama, seperti pada
Cara sederhana untuk memvisualisasikan penghitungan [Z ] adalah dengan menaikkan [Y ],
seperti pada 59
72
ÿ
59 ÿ
ÿ [kamu]
72 31 22
31 ÿ 86 ÿ ÿ ÿ 8 × 5 + 6 × 7 = 82 ÿ
ÿ 86 ÿÿÿ ? ÿ 04 ÿ
[X] ÿ ÿ [Z] ÿ ÿ ÿ
ÿ 04 ÿ ÿ
Perhitungan dapat dilanjutkan dengan cara berikut
Sekarang jawabannya [Z ] dapat dihitung di ruang yang dikosongkan oleh [Y ]. penyelarasan baris dan kolom, untuk menghasilkan hasilnya
Format ini mempunyai kegunaan karena menyelaraskan baris dan
22 29
kolom yang akan dikalikan. Misalnya, menurut Persamaan. ÿ
[Z] = 82 84 ÿ
(PT3.2), elemen z11 diperoleh dengan mengalikan baris pertama
[X] dengan kolom pertama [Y ]. Ini berarti menambahkan hasil kali ÿ 28 8 ÿ
x11 dan y11 ke hasil kali x12 dan y21, seperti pada
Perhatikan bagaimana metode sederhana ini memperjelas
mengapa dua matriks tidak mungkin dikalikan jika jumlah kolom
matriks pertama tidak sama dengan jumlah baris matriks kedua.
Perhatikan juga bagaimana hal ini menunjukkan bahwa urutan perkalian
itu penting (yaitu, perkalian matriks tidak bersifat komutatif).
GAMBAR PT3.3
[A]n m [B]m l [C] nl

Dimensi interiornya
sama;
perkalian
dimungkinkan
Dimensi eksterior menentukan

dimensi hasilnya
Jika dimensi matriksnya sesuai, perkalian matriks bersifat asosiatif,
([A][B])[C] = [A]([B][C])
dan distributif,
[A]([B] + [C]) = [A][B] + [A][C]
atau
([A] + [B])[C] = [A][C] + [B][C]
Namun, perkalian umumnya tidak bersifat komutatif:
[A] [B] = [B] [A]
Artinya, urutan perkalian itu penting.

Gambar PT3.4 menunjukkan pseudocode untuk mengalikan matriks n kali m [A], dengan matriks m kali l
[B], dan simpan hasilnya dalam matriks n kali l [C]. Perhatikan itu, bukan produk dalam
diakumulasikan secara langsung di [C], dikumpulkan dalam variabel sementara, jumlah. Ini
dilakukan karena dua alasan. Pertama, ini sedikit lebih efisien, karena komputer perlu menentukannya
lokasi ci, j hanya n × l kali, bukan n × l × m kali. Kedua, ketepatan
perkalian dapat ditingkatkan secara signifikan dengan mendeklarasikan jumlah sebagai variabel presisi ganda
(ingat pembahasan produk dalam pada Bagian 3.4.2).
Meskipun perkalian dapat dilakukan, pembagian matriks bukanlah operasi terdefinisi. Bagaimana
ÿ1
pernah, jika matriks [A] berbentuk persegi dan nonsingular, maka ada matriks lain [A] , disebut
kebalikan dari [A], yang mana
ÿ1 ÿ1
[A A] = [SEBUAH] [A] = [Saya] (PT3.3)
Jadi, perkalian suatu matriks dengan inversnya dianalogikan dengan pembagian, dalam arti bahwa
suatu bilangan yang dibagi dengan dirinya sendiri sama dengan 1. Artinya, perkalian suatu matriks dengan inversnya
mengarah ke matriks identitas (ingat Kotak PT3.1).
Invers matriks persegi dua dimensi dapat direpresentasikan secara sederhana dengan
1
ÿ1 = a22 ÿa12
[A] (PT3.4)
a11a22 ÿ a12a21 ÿa21 a11
GAMBAR PT3.4 SUBRUTIN Mmult (a, b, c, m, n, l)

DOF i 1, hal
DOFOR j 1, l
jumlah 0.
DOFOR k 1, m
jumlah jumlah a(i,k) b(k,j)
AKHIR LAKUKAN
c(i,j) jumlah
AKHIR LAKUKAN
AKHIR LAKUKAN
Rumus serupa untuk matriks berdimensi lebih tinggi lebih rumit. Bagian dalam Bab.
Gambar 10 dan 11 akan dikhususkan untuk teknik penggunaan metode numerik dan
komputer untuk menghitung invers untuk sistem tersebut.
Dua manipulasi matriks lain yang berguna dalam diskusi kita adalah trans-pose dan
jejak matriks. Transpos suatu matriks melibatkan transformasi baris-barisnya menjadi
kolom dan kolom-kolomnya menjadi baris. Misalnya, untuk matriks 4 × 4,
a11 a12 a13 a14

ÿ ÿ
a21 a22 a23 a24
[A] = ÿ
ÿ
ÿ
a31 a32 a33 a34

ÿ a41 a42 a43 a44 ÿ
transpos, yang ditunjuk [A] T, didefinisikan sebagai
a11 a21 a31 a41

ÿ ÿ
[A] T = ÿ
ÿ
a12 a22 a32 a42 ÿ
a13 a23 a33 a43

ÿ a14 a24 a34 a44 ÿ
Dengan kata lain, elemen aij dari transpos sama dengan elemen aji matriks
aslinya.
Transpos memiliki berbagai fungsi dalam aljabar matriks . Salah satu keuntungan sederhananya
adalah memungkinkan vektor kolom ditulis sebagai baris. Misalnya, jika ÿ
ÿ c1
c2
{C} =
ÿÿÿ ÿÿÿ
c3
ÿÿÿ ÿÿÿ
c4
Kemudian
{C} T = c1 c2 c3 c4
di mana superskrip T menunjukkan transpos. Misalnya, ini dapat menghemat ruang

saat menulis vektor kolom pada naskah. Selain itu, transpos memiliki banyak aplikasi
matematika.
Jejak suatu matriks adalah jumlah elemen-elemen pada diagonal utamanya. Ini ditunjuk
sebagai tr [A] dan dihitung sebagai
N
tr [A] = aii
saya=1
Jejak ini akan digunakan dalam pembahasan kita tentang nilai eigen di Bab. 27.
Manipulasi matriks terakhir yang berguna dalam diskusi kita adalah augmentasi.
Suatu matriks diperbesar dengan penambahan kolom (atau kolom-kolom) pada matriks
aslinya. Misalnya, kita mempunyai matriks koefisien:
a11 a12 a13

ÿ ÿ
[A] = a21 a22 a23
ÿ a31 a32 a33 ÿ
Kita mungkin ingin menambah matriks [A] ini dengan matriks identitas (ingat Kotak PT3.1) untuk
menghasilkan matriks 3 kali 6 dimensi:
a11 a12 a13 100

ÿ ÿ
[A] = a21 a22 a23 010
ÿ a31 a32 a33 001 ÿ
Ekspresi seperti ini berguna ketika kita harus melakukan serangkaian operasi identik pada dua
matriks. Dengan demikian, kita dapat melakukan operasi pada satu matriks yang diperbesar,
bukan pada dua matriks individual.
PT3.2.3 Merepresentasikan Persamaan Aljabar Linier dalam Bentuk Matriks

Harus jelas bahwa matriks memberikan notasi ringkas untuk merepresentasikan persamaan
linier simultan. Misalnya, Persamaan. (PT3.1) dapat dinyatakan sebagai
[A]{X}={B} (PT3.5)
dimana [A] adalah matriks koefisien n kali n persegi,
a11 a12 ··· a1n

ÿ ÿ
ÿ a21 a22 ··· a2n ÿ
ÿ
... . ÿ
[A] = ÿ ÿ
ÿ
... . ÿ
ÿ ÿ
... . ÿ
ÿ an1 an2 ··· an ÿ
{B} adalah vektor konstanta n kali 1 kolom,

{B} T = b1 b2 ··· bn
dan {X} adalah vektor kolom n kali 1 yang tidak diketahui:
{X} T = x1 x2 ··· xn
Ingat kembali definisi perkalian matriks [Persamaan. (PT3.2) atau Kotak PT3.2] untuk
meyakinkan diri Anda bahwa Persamaan. (PT3.1) dan (PT3.5) setara. Juga, sadari bahwa
Persamaan. (PT3.5) merupakan perkalian matriks yang valid karena jumlah kolom n matriks
pertama [A] sama dengan jumlah baris n matriks kedua {X}.
Bagian buku ini dikhususkan untuk memecahkan Persamaan. (PT3.5) untuk {X}. Cara formal untuk
mendapatkan solusi menggunakan aljabar matriks adalah dengan mengalikan setiap ruas persamaan dengan
invers [A] untuk menghasilkan
[A] ÿ1 [A]{X} = [A] ÿ1

{B}
ÿ1
Karena [A] [A] sama dengan matriks identitas, persamaannya menjadi
ÿ1
{X} = [SEBUAH] {B} (PT3.6)
Oleh karena itu, persamaan tersebut telah diselesaikan untuk {X}. Ini adalah contoh lain bagaimana
invers berperan dalam aljabar matriks yang mirip dengan pembagian. Perlu dicatat bahwa ini bukan a
PT3.3 ORIENTASI 237
cara yang sangat efisien untuk menyelesaikan sistem persamaan. Oleh karena itu, pendekatan lain digunakan
algoritma numerik. Namun, seperti yang dibahas di Bab. 10, invers matriksnya sendiri sangat bagus
nilai dalam analisis teknik sistem tersebut.
Terakhir, terkadang kita merasa berguna untuk menambah [A] dengan {B}. Misalnya jika
n = 3, ini menghasilkan matriks 3 kali 4 dimensi:
a11 a12 a13 b1

ÿ ÿ
[A] = a21 a22 a23 b2 (PT3.7)
ÿ a31 a32 a33 b3 ÿ
Menyatakan persamaan dalam bentuk ini berguna karena beberapa teknik untuk
penyelesaian sistem linier melakukan operasi yang identik pada deretan koefisien dan konstanta sisi kanan
yang bersesuaian. Seperti yang diungkapkan dalam Persamaan. (PT3.7), kita dapat melakukan manipulasi
satu kali pada satu baris matriks yang diperbesar, bukan secara terpisah pada baris matriks yang diperbesar.
matriks koefisien dan vektor ruas kanan.
PT3.3 ORIENTASI
Sebelum melanjutkan ke metode numerik, beberapa orientasi lebih lanjut mungkin bisa membantu.
Berikut ini dimaksudkan sebagai gambaran umum materi yang dibahas pada Bagian Ketiga. Selain itu, kami
telah merumuskan beberapa tujuan untuk membantu memfokuskan upaya Anda ketika mempelajarinya
bahan.
PT3.3.1 Ruang Lingkup dan Pratinjau
Gambar PT3.5 memberikan gambaran umum untuk Bagian Ketiga. Bab 9 dikhususkan untuk teknik paling
mendasar untuk menyelesaikan sistem aljabar linier: eliminasi Gauss. Sebelum
meluncurkan pembahasan rinci tentang teknik ini, bagian pendahuluan membahas metode sederhana untuk
menyelesaikan sistem kecil. Pendekatan-pendekatan ini disajikan untuk memberi Anda
wawasan visual dan karena salah satu metodenya—penghilangan hal-hal yang tidak diketahui—mewakili
dasar eliminasi Gauss.
Setelah materi pendahuluan, dibahas eliminasi Gauss yang “naif”. Kita mulai dengan
versi yang “dipreteli” ini karena memungkinkan teknik dasar diuraikan
tanpa detail yang rumit. Kemudian, pada bagian selanjutnya, kami membahas potensi masalah dari
pendekatan naif dan menyajikan sejumlah modifikasi untuk meminimalkan dan menghindari masalah ini.
Fokus diskusi ini adalah proses peralihan
baris, atau berputar sebagian.
Bab 10 dimulai dengan mengilustrasikan bagaimana eliminasi Gauss dapat dirumuskan sebagai LU
solusi dekomposisi . Teknik penyelesaian seperti ini berguna untuk kasus di mana banyak vektor sisi kanan
perlu dievaluasi. Ditunjukkan bagaimana atribut ini memungkinkan efisien
perhitungan invers matriks, yang memiliki kegunaan luar biasa dalam praktik teknik.
Terakhir, bab ini diakhiri dengan pembahasan kondisi matriks. Nomor syaratnya adalah
diperkenalkan sebagai ukuran hilangnya angka akurasi yang signifikan yang dapat terjadi ketika
menyelesaikan matriks berkondisi buruk.
Awal dari Bab. 11 berfokus pada jenis sistem persamaan khusus yang dimiliki
aplikasi teknik yang luas. Khususnya, teknik efisien untuk menyelesaikan tridiagonal
PT 3.2
Matematika
PT 3.1 PT 3.3
latar belakang
Motivasi Orientasi
9.2
Eliminasi Gauss
PT 3.6 9.1
BAGIAN 3 yang naif
Metode Sistem
lanjutan 9.3
kecil
Kesalahan
Aljabar Linier
PT 3.5 Persamaan
9.4
Rumus
penting Solusi
BAB 9
EPILOG Gauss
9.5
Sistem
Eliminasi yang kompleks
PT 3.4
Pertukaran 9.6
9.7 Sistem
Gauss-Yordania nonlinier
10.1
12.4
Dekomposisi LU
Teknik mesin
BAB 10
BAB 12
10.2
Dekomposisi LU
Matriks
12.3
Rekayasa dan terbalik
Teknik Studi kasus Inversi Matriks
Elektro
BAB 11
10.3
Kondisi
12.2 Matriks Khusus sistem
Sipil dan Gauss-Seidel
rekayasa 12.1
Kimia
rekayasa
11.3 11.1
Perangkat Lunak
Matriks
khusus
11.2
Gauss-
Seidel
GAMBAR PT3.5
Skema pengorganisasian materi pada Bagian Ketiga : Sistem Persamaan Aljabar Linier.
PT3.3 ORIENTASI 239
sistem disajikan. Kemudian, sisa bab ini berfokus pada alternatif metode eliminasi yang disebut metode
Gauss-Seidel. Teknik ini memiliki semangat yang mirip dengan metode perkiraan akar persamaan yang
telah dibahas di Bab. 6. Artinya, teknik ini melibatkan menebak solusi dan kemudian melakukan iterasi untuk
mendapatkan perkiraan yang lebih baik. Bab ini diakhiri dengan informasi terkait penyelesaian persamaan
aljabar linier dengan paket perangkat lunak.
Bab 12 menunjukkan bagaimana metode ini sebenarnya dapat diterapkan untuk pemecahan masalah.
Seperti bagian lain buku ini, aplikasi diambil dari semua bidang teknik.
Terakhir, sebuah epilog disertakan di akhir Bagian Tiga. Tinjauan ini mencakup pembahasan trade-off
yang relevan dengan penerapan metode dalam praktik teknik. Bagian ini juga merangkum rumus-rumus
penting dan metode lanjutan terkait persamaan aljabar linier. Oleh karena itu, ini dapat digunakan sebelum
ujian atau sebagai penyegaran setelah Anda lulus dan harus kembali ke persamaan aljabar linier sebagai
seorang profesional.
PT3.3.2 Maksud dan Tujuan Tujuan Kajian.
Setelah menyelesaikan Bagian Ketiga, Anda diharapkan mampu menyelesaikan permasalahan yang
melibatkan persamaan aljabar linier dan mengapresiasi penerapan persamaan tersebut di berbagai bidang
teknik. Anda harus berusaha untuk menguasai beberapa teknik dan menilai keandalannya. Anda harus
memahami trade-off yang terlibat dalam memilih metode (atau metode) “terbaik” untuk masalah tertentu.
Selain tujuan umum tersebut, konsep-konsep khusus yang tercantum pada Tabel PT3.1 juga harus
diasimilasikan dan dikuasai.
Tujuan Komputer. Tujuan komputer Anda yang paling mendasar adalah mampu menyelesaikan sistem
persamaan aljabar linier dan mengevaluasi invers matriks. Kamu akan
TABEL PT3.1 Tujuan studi khusus untuk Bagian Ketiga.
1. Memahami interpretasi grafis dari sistem yang terkondisi buruk dan kaitannya dengan determinan.
2. Familiar dengan terminologi: eliminasi maju, substitusi mundur, persamaan pivot, dan pivot
koefisien.
3. Memahami permasalahan pembagian dengan nol, kesalahan pembulatan, dan pengkondisian buruk.
4. Mengetahui cara menghitung determinan menggunakan eliminasi Gauss.
5. Memahami keuntungan dari pivot; menyadari perbedaan antara berputar parsial dan lengkap.
6. Mengetahui perbedaan mendasar antara eliminasi Gauss dan metode Gauss-Jordan dan yang mana
lebih efisien.
7. Kenali bagaimana eliminasi Gauss dapat dirumuskan sebagai dekomposisi LU.
8. Mengetahui cara menggabungkan pivoting dan inversi matriks ke dalam algoritma dekomposisi LU.
9. Mengetahui cara menginterpretasikan elemen invers matriks dalam mengevaluasi perhitungan stimulus respon pada
rekayasa.
10. Menyadari bagaimana menggunakan norma invers dan matriks untuk mengevaluasi kondisi sistem.
11. Memahami bagaimana sistem berpita dan simetris dapat didekomposisi dan diselesaikan secara efisien.
12. Memahami mengapa metode Gauss-Seidel sangat cocok untuk sistem yang besar dan jarang
persamaan.
13. Mengetahui cara menilai dominasi diagonal suatu sistem persamaan dan kaitannya dengan apakah
sistem dapat diselesaikan dengan metode Gauss-Seidel.
14. Memahami alasan dibalik relaksasi; mengetahui dimana letak underrelaxation dan overrelaxation
sesuai.
ingin mengembangkan subprogram untuk dekomposisi LU penuh dan tridiagonal

matriks. Anda mungkin juga ingin memiliki perangkat lunak sendiri untuk mengimplementasikan Gauss-Seidel
metode.
Anda harus mengetahui cara menggunakan paket untuk menyelesaikan persamaan aljabar linier dan menemukannya
invers matriks. Anda harus memahami bagaimana evaluasi yang sama dapat diterapkan pada paket
perangkat lunak populer seperti Excel, MATLAB, dan Mathcad.
BAB 9
Eliminasi Gauss
Bab ini membahas persamaan aljabar linier simultan yang dapat direpresentasikan
umumnya sebagai
a11x1 + a12x2 +···+ a1n xn = b1

a21x1 + a22x2 +···+ a2n xn = b2
. . (9.1)
. .
. .
an1x1 + an2x2 +···+ ann xn = bn

dimana a adalah koefisien konstan dan b adalah konstanta.
Teknik yang dijelaskan dalam bab ini disebut eliminasi Gauss karena melibatkan
menggabungkan persamaan untuk menghilangkan yang tidak diketahui. Meskipun ini adalah salah satu metode paling awal
memecahkan persamaan simultan, ini tetap menjadi salah satu algoritma terpenting yang digunakan
saat ini dan merupakan dasar penyelesaian persamaan linear pada banyak paket perangkat lunak populer.
9.1 MENYELESAIKAN ANGKA KECIL PERSAMAAN

Sebelum melanjutkan ke metode komputer, kami akan menjelaskan beberapa metode yaitu
sesuai untuk menyelesaikan kumpulan persamaan simultan yang kecil (n ÿ 3) dan tidak memerlukan
komputer. Ini adalah metode grafis, aturan Cramer, dan eliminasi
tidak diketahui.
9.1.1 Metode Grafis
Solusi grafis dapat diperoleh untuk dua persamaan dengan memplotnya pada koordinat Kartesius dengan
satu sumbu bersesuaian dengan x1 dan sumbu lainnya bersesuaian dengan x2. Karena kita berhadapan
dengan sistem linier, setiap persamaan berbentuk garis lurus. Hal ini dapat dengan mudah diilustrasikan secara umum
persamaan
a11x1 + a12x2 = b1
a21x1 + a22x2 = b2
241
242 PENGHILANGAN GAUSS
Kedua persamaan dapat diselesaikan untuk x2:
b1
x2 = ÿa11 x1 +
a12 a12
b2
x2 = ÿa21 x1 +
a22 a22
Jadi, persamaannya sekarang berbentuk garis lurus; yaitu x2 = (kemiringan) x1 + titik potong. Garis-
garis ini dapat digambarkan pada koordinat Kartesius dengan x2 sebagai ordinatnya dan x1 sebagai
absisnya. Nilai x1 dan x2 pada perpotongan garis menyatakan penyelesaiannya.
CONTOH 9.1 Metode Grafis untuk Dua Persamaan
Pernyataan masalah. Gunakan metode grafis untuk menyelesaikannya
3x1 + 2x2 = 18 (E9.1.1)
ÿx1 + 2x2 = 2 (E9.1.2)
Larutan. Misalkan x1 adalah absisnya. Selesaikan Persamaan. (E9.1.1) untuk x2:
x2 = ÿ3 x1 + 9
2
yang jika diplot pada Gambar 9.1, merupakan garis lurus dengan titik potong 9 dan kemiringan ÿ3/2.
GAMBAR 9.1
Solusi grafis dari himpunan dua persamaan aljabar linier simultan. Persimpangan dari
garis mewakili solusinya.
x2
2x2
3x1
18 8
Solusi: x1 4; x2 3
2
x1 2x2 2
0
0 2 4 6 x1
9.1 MENYELESAIKAN ANGKA KECIL PERSAMAAN 243
Persamaan (E9.1.2) juga dapat diselesaikan untuk x2:
x2 = 2 1 x1 + 1
yang juga diplot pada Gambar 9.1. Penyelesaiannya adalah perpotongan dua garis di x1 = 4 dan x2 = 3. Hasil
ini dapat diperiksa dengan mensubstitusikan nilai-nilai ini ke persamaan awal untuk menghasilkan
3(4) + 2(3) = 18
ÿ(4) + 2(3) = 2
Jadi, hasilnya ekuivalen dengan ruas kanan persamaan awal.
Untuk tiga persamaan simultan, setiap persamaan akan diwakili oleh sebuah bidang dalam sistem
koordinat tiga dimensi. Titik perpotongan ketiga bidang akan mewakili solusinya. Di luar tiga persamaan, metode
grafis tidak lagi berfungsi dan, akibatnya, memiliki sedikit nilai praktis untuk menyelesaikan persamaan secara
simultan. Namun, terkadang mereka terbukti berguna dalam memvisualisasikan sifat-sifat solusi. Misalnya,
Gambar 9.2 menggambarkan tiga kasus yang dapat menimbulkan masalah ketika menyelesaikan kumpulan
persamaan linier. Gambar 9.2a menunjukkan kasus dimana kedua persamaan mewakili garis sejajar. Untuk
situasi seperti ini, tidak ada solusi karena garis tidak pernah bersilangan. Gambar 9.2b menggambarkan kasus
dimana dua garis berhimpitan. Untuk situasi seperti ini, terdapat solusi yang jumlahnya tak terhingga. Kedua
jenis sistem tersebut dikatakan tunggal. Selain itu, sistem yang mendekati singular (Gambar 9.2c) juga dapat
menimbulkan masalah. Sistem-sistem ini dikatakan tidak berkondisi buruk.
Secara grafis, hal ini berhubungan dengan kenyataan bahwa sulit untuk mengidentifikasi titik pasti di mana garis-
garis tersebut berpotongan. Sistem yang terkondisi buruk juga akan menimbulkan masalah ketika ditemui
selama penyelesaian numerik persamaan linear. Hal ini karena mereka akan sangat sensitif terhadap kesalahan
pembulatan (ingat Bagian 4.2.3).
GAMBAR 9.2
Penggambaran grafis sistem tunggal dan sistem berkondisi buruk: (a) tidak ada solusi, (b) solusi tak
terbatas, dan (c) sistem berkondisi buruk yang kemiringannya sangat dekat sehingga titik
potongnya sulit dideteksi secara visual.
x2 x2 x2
x1 x2 1 x1 x2 1
x1 x2 1.1
12 12 2.3
x1 2x2 2 5
12
x1 x2 x1 x2 1
12 12
x1 x1 x1
(A) (B) (C)

9.1.2 Penentu dan Aturan Cramer
Aturan Cramer adalah teknik solusi lain yang paling cocok untuk sejumlah kecil persamaan.
Sebelum menjelaskan metode ini, kami akan memperkenalkan secara singkat konsep
determinan yang digunakan untuk menerapkan aturan Cramer. Selain itu, determinan memiliki
relevansi dengan evaluasi pengkondisian buruk suatu matriks.
Penentu. Penentunya dapat diilustrasikan untuk himpunan tiga persamaan:
[A]{X}={B}
dimana [A] adalah matriks koefisien:
a11 a12 a13

ÿ ÿ
[A] = ÿ a21 a22 a23 ÿ
ÿ a31 a32 a33 ÿ

Penentu D sistem ini dibentuk dari koefisien persamaan, seperti pada
a11 a12 a13

D= a21 a22 a23 (9.2)
a31 a32 a33
Meskipun determinan D dan matriks koefisien [A] terdiri dari elemen yang sama, keduanya
merupakan konsep matematika yang sangat berbeda. Oleh karena itu, keduanya dibedakan
secara visual dengan menggunakan tanda kurung untuk mengapit matriks dan garis lurus untuk
mengapit determinannya. Berbeda dengan matriks yang determinannya berupa bilangan
tunggal. Misalnya nilai determinan orde kedua
a11 a12
D=
a21 a22
dihitung oleh
D = a11a22 ÿ a12a21 (9.3)
Untuk kasus orde ketiga [Persamaan. (9.2)], nilai numerik tunggal untuk determinan dapat
dihitung sebagai
a22 a23 a21 a23 a21 a22

D = a11 ÿ a12 + a13 (9.4)
a32 a33 a31 a33 a31 a32
dimana determinan 2 kali 2 disebut minor.
CONTOH 9.2 Penentu
Pernyataan masalah. Hitung nilai determinan sistem yang direpresentasikan dalam Gambar.
9.1 dan 9.2.
Larutan. Untuk Gambar 9.1:
32
D= = 3(2) ÿ 2(ÿ1) = 8
ÿ1 2
Untuk Gambar 9.2a:
ÿ1/2 1 ÿ1 ÿ1
D= = (1) ÿ 1 =0
ÿ1/2 1 2 2
Untuk Gambar 9.2b:
ÿ1/2 1 ÿ1
D= = (2) ÿ 1(ÿ1) = 0
ÿ1 2 2
Untuk Gambar 9.2c:
ÿ1/2 1 ÿ1 ÿ2.3
D= = (1) ÿ 1 = ÿ0,04
ÿ2.3/5 1 2 5
Dalam contoh di atas, sistem tunggal tidak mempunyai determinan. Selain itu,
hasilnya menunjukkan bahwa sistem yang hampir tunggal (Gbr. 9.2c) mempunyai determinan itu
mendekati nol. Ide-ide ini akan dibahas lebih lanjut dalam pembahasan kita selanjutnya mengenai
pengkondisian buruk (Bagian 9.3.3).
Aturan Cramer. Aturan ini menyatakan bahwa setiap hal yang tidak diketahui dalam sistem persamaan
aljabar linier dapat dinyatakan sebagai pecahan dari dua determinan dengan penyebut D dan dengan
pembilangnya diperoleh dari D dengan mengganti kolom koefisien yang tidak diketahui di
pertanyaan dengan konstanta b1, b2, . . . , bn. Misalnya, x1 akan dihitung sebagai
b1 a12 a13
b2 a22 a23
b3 a32 a33
x1 = (9.5)
D
CONTOH 9.3 Aturan Cramer
Pernyataan masalah. Gunakan aturan Cramer untuk menyelesaikannya
0,3x1 + 0,52x2 + x3 = ÿ0,01
0,5x1 + x2 + 1,9x3 = 0,67
0,1x1 + 0,3x2 + 0,5x3 = ÿ0,44
Larutan. Penentu D dapat ditulis sebagai [Persamaan. (9.2)]

0,3 0,52 1
D= 0.511.9
0,1 0,3 0,5
Anak di bawah umur adalah [Persamaan. (9.3)]
1 1.9
A1 = = 1(0,5) ÿ 1,9(0,3) = ÿ0,07
0,3 0,5
0,5 1,9
A2 = = 0,5(0,5) ÿ 1,9(0,1) = 0,06
0,1 0,5
0,5 1
A3 = = 0,5(0,3) ÿ 1(0,1) = 0,05
0,1 0,3
Ini dapat digunakan untuk mengevaluasi determinan, seperti pada [Persamaan. (9.4)]
D = 0,3(ÿ0,07) ÿ 0,52(0,06) + 1(0,05) = ÿ0,0022
Menerapkan Persamaan. (9.5), solusinya adalah
ÿ0,01 0,52 1
0,67 1 1.9
ÿ0,44 0,3 0,5 0,03278
x1 = = = ÿ14.9
ÿ0,0022 ÿ0,0022
0,3 ÿ0,01 1
0,5 0,67 1,9
0,1 ÿ0,44 0,5 0,0649
x2 = = = ÿ29,5
ÿ0,0022 ÿ0,0022
0,3 0,52 ÿ0,01

0,51 0,67
0,1 0,3 ÿ0,44 ÿ0,04356
x3 = = = 19,8
ÿ0,0022 ÿ0,0022
Untuk lebih dari tiga persamaan, aturan Cramer menjadi tidak praktis karena, sebagai berikut:
Jika jumlah persamaan bertambah, determinannya memakan waktu lama untuk dievaluasi secara manual
(atau melalui komputer). Oleh karena itu, alternatif yang lebih efisien digunakan. Beberapa alternatif ini
didasarkan pada teknik solusi nonkomputer terakhir yang dibahas pada bagian selanjutnya—
penghapusan hal-hal yang tidak diketahui.
9.1.3 Penghapusan Hal-hal yang Tidak Diketahui
Penghapusan yang tidak diketahui dengan menggabungkan persamaan adalah pendekatan aljabar yang bisa dilakukan
diilustrasikan untuk himpunan dua persamaan:
a11x1 + a12x2 = b1 (9.6)
a21x1 + a22x2 = b2 (9.7)
Strategi dasarnya adalah mengalikan persamaan dengan konstanta sehingga salah satu yang tidak diketahui
akan dihilangkan jika kedua persamaan digabungkan. Hasilnya adalah persamaan tunggal
yang dapat diselesaikan untuk sisa yang tidak diketahui. Nilai ini kemudian dapat disubstitusikan ke
salah satu persamaan asli untuk menghitung variabel lainnya.
Misalnya, Persamaan. (9.6) mungkin dikalikan dengan a21 dan Persamaan. (9.7) oleh a11 untuk memberi
a11a21x1 + a12a21x2 = b1a21 (9.8)
a21a11x1 + a22a11x2 = b2a11 (9.9)

Mengurangi Persamaan. (9.8) dari Persamaan. Oleh karena itu, (9.9) akan menghilangkan suku x1 dari persamaan
untuk menghasilkan
a22a11x2 ÿ a12a21x2 = b2a11 ÿ b1a21
yang dapat diselesaikan
a11b2 ÿ a21b1
x2 = (9.10)
a11a22 ÿ a12a21
Persamaan (9.10) kemudian dapat disubstitusikan ke Persamaan. (9.6), yang dapat diselesaikan
a22b1 ÿ a12b2
x1 = (9.11)
a11a22 ÿ a12a21
Perhatikan bahwa Persamaan. (9.10) dan (9.11) mengikuti langsung aturan Cramer, yang menyatakan
b1 a12
b2 a22 b1a22 ÿ a12b2
x1 = =
a11 a12 a11a22 ÿ a12a21
a21 a22
a11 b1
a21 b2 a11b2 ÿ b1a21
x2 = =
a11 a12 a11a22 ÿ a12a21
a21 a22
CONTOH 9.4 Penghapusan Yang Tidak Diketahui
Pernyataan masalah. Gunakan eliminasi hal yang tidak diketahui untuk menyelesaikannya (ingat Contoh 9.1)
3x1 + 2x2 = 18
ÿx1 + 2x2 = 2
Larutan. Menggunakan Persamaan. (9.11) dan (9.10),
2(18) ÿ 2(2) =
x1 = 4 3(2) ÿ
2(ÿ1)
3(2) ÿ (ÿ1)18 3(2)

x2 = =3
ÿ 2(ÿ1)
yang konsisten dengan solusi grafis kami (Gbr. 9.1).
Penghapusan persamaan yang tidak diketahui dapat diperluas ke sistem yang memiliki lebih dari dua
atau tiga persamaan. Namun, banyaknya perhitungan yang diperlukan untuk sistem yang lebih besar membuat
metode ini sangat membosankan untuk diterapkan secara manual. Namun, seperti dijelaskan pada bagian
selanjutnya, teknik ini dapat diformalkan dan mudah diprogram untuk komputer.
9.2 PENGHAPUSAN GAUSS NAIF

Pada bagian sebelumnya, eliminasi yang tidak diketahui digunakan untuk menyelesaikan sepasang persamaan
simultan. Prosedurnya terdiri dari dua langkah:
1. Persamaan dimanipulasi untuk menghilangkan salah satu hal yang tidak diketahui dari persamaan.
Hasil dari langkah eliminasi ini adalah kita mempunyai satu persamaan dengan satu persamaan yang tidak diketahui.
2. Akibatnya, persamaan ini dapat diselesaikan secara langsung dan hasilnya disubstitusikan kembali
menjadi salah satu persamaan asli untuk menyelesaikan sisa persamaan yang belum diketahui.
Pendekatan dasar ini dapat diperluas ke kumpulan persamaan yang besar dengan mengembangkan skema
atau algoritma sistematis untuk menghilangkan persamaan yang tidak diketahui dan melakukan substitusi balik.
Eliminasi Gauss adalah skema yang paling mendasar.
Bagian ini mencakup teknik sistematis untuk eliminasi maju dan substitusi mundur yang terdiri dari eliminasi
Gauss. Meskipun teknik ini cocok untuk itu
implementasinya di komputer, diperlukan beberapa modifikasi untuk mendapatkan algoritma yang andal. Secara
khusus, program komputer harus menghindari pembagian dengan nol. Metode berikut
disebut eliminasi Gauss “naif” karena tidak menghindari masalah ini. Bagian selanjutnya akan membahas fitur
tambahan yang diperlukan untuk program komputer yang efektif.
Pendekatan ini dirancang untuk menyelesaikan kumpulan umum n persamaan:
a11x1 + a12x2 + a13x3 +···+ a1n xn = b1 a21x1 (9.12a)
+ a22x2 + a23x3 +···+ a2n xn = b2 (9.12b)

. .
. .
. .
an1x1 + an2x2 + an3x3 +···+ ann xn = bn (9.12c)
Seperti halnya penyelesaian dua persamaan, teknik untuk n persamaan terdiri dari
dari dua fase: eliminasi yang tidak diketahui dan penyelesaian melalui substitusi kembali.
Penghapusan Maju yang Tidak Diketahui. Fase pertama dirancang untuk mengurangi himpunan
persamaan ke sistem segitiga atas (Gbr. 9.3). Langkah awalnya adalah menghilangkan
yang pertama tidak diketahui, x1, dari persamaan kedua sampai persamaan ke-n. Untuk melakukan ini, kalikan
Persamaan. (9.12a) oleh a21/a11 untuk diberikan
a21 a21 a21

a21x1 + a12x2 +···+ a1n xn = b1 (9.13)
a11 a11 a11
Sekarang, persamaan ini dapat dikurangkan dari Persamaan. (9.12b) memberi
a21 a21 a21

a22 - a12 x2 +···+ a2n ÿ a11 a1n xn = b2 ÿ b1
a11 a11
atau
a 22x2 +···+ a 2n xn = b 2
dimana bilangan prima menunjukkan bahwa unsur-unsur tersebut telah diubah dari nilai aslinya.
Prosedur ini kemudian diulangi untuk persamaan yang tersisa. Misalnya, Persamaan. (9.12a)
dapat dikalikan dengan a31/a11 dan hasilnya dikurangkan dari persamaan ketiga. Mengulangi
9.2 PENGHAPUSAN GAUSS NAIF 249
a11 a12 a13 b1
a21 a22 a23 b2
a31 a32 a33 b3

Eliminasi
ÿ ke depan
a11 a12 a13

a' 22 a' 23 b12 b'
a33” b3”
GAMBAR 9.3
Dua fase eliminasi Gauss: eliminasi ÿ
maju dan substitusi kembali. Bilangan x3 = b3”/a33”
prima menunjukkan berapa kali x2 = (b' 2 ÿ a' 23x3)/a' 22
koefisien dan konstanta diubah. Substitusi kembali
x1 = (b1 ÿ a12x2 ÿ a13x3)/a11
prosedur persamaan yang tersisa menghasilkan sistem yang dimodifikasi berikut:
a11x1 + a12x2 + a13x3 +···+ a1n xn = b1 2n (9.14a)
22x2 + a 23x3 +···+ a 3n xn = ba 2 (9.14b)
32x2 + a 33x3 +···+ a xn = ba 3 (9.14c)

. .
. .
. .
n2x2 + n3x3 + ··· + a nn xn = b N

(9.14d)
Untuk langkah-langkah sebelumnya, Persamaan. (9.12a) disebut persamaan poros dan a11 disebut
koefisien atau elemen poros . Perhatikan bahwa proses mengalikan baris pertama dengan a21/a11
sama dengan membaginya dengan a11 dan mengalikannya dengan a21. Terkadang operasi
pembagian disebut sebagai normalisasi. Kami membuat perbedaan ini karena elemen pivot nol dapat
mengganggu normalisasi dengan menyebabkan pembagian dengan nol. Kita akan kembali ke
masalah penting ini setelah kita menyelesaikan uraian kita tentang eliminasi Gauss yang naif.
Sekarang ulangi langkah di atas untuk menghilangkan hal kedua yang tidak diketahui dari Persamaan. (9.14c) sampai
(9.14d). Untuk melakukan ini kalikan Persamaan. (9.14b) dengan 32 / a 22 dan kurangi hasilnya dari Persamaan. (9.14c).
Lakukan eliminasi serupa untuk menghasilkan persamaan yang tersisa
a11x1 + a12x2 + a13x3 +···+ a1n xn = b1
ba 22x2 + a 23x3 +···+ a 2n xn = 2
33x3 +···+ a 3n xn = ba 3
. .
. .
. .
sebuah n3x3 +···+ ann xn = b N
dimana bilangan prima ganda menunjukkan bahwa elemen tersebut telah dimodifikasi dua kali.
Prosedurnya dapat dilanjutkan dengan menggunakan persamaan pivot yang tersisa. Manipulasi terakhir
pada barisan tersebut adalah dengan menggunakan persamaan ke- (n ÿ 1) untuk menghilangkan suku xnÿ1 dari
persamaan ke-n. Pada titik ini, sistem akan diubah menjadi sistem segitiga atas (ingat Kotak PT3.1):
a11x1 + a12x2 + a13x3 +···+ a1n xn = b1 2n xn = b (9.15a)
a 22x2 + a 23x3 +···+ a 2 (9.15b)
a 33x3 +···+ a 3n xn = b 3 (9.15c)

. .
. .
. .
a(nÿ1)
nn xn= b(nÿ1) N (9.15d)
Pseudocode untuk mengimplementasikan eliminasi maju disajikan pada Gambar 9.4a. Perhatikan itu
tiga loop bersarang memberikan representasi singkat dari proses tersebut. Lingkaran luar bergerak
menurunkan matriks dari satu baris pivot ke baris berikutnya. Lingkaran tengah bergerak ke bawah baris pivot
ke setiap baris berikutnya di mana eliminasi akan dilakukan. Terakhir, loop terdalam
berlangsung melintasi kolom untuk menghilangkan atau mengubah elemen baris tertentu.
Pergantian Kembali. Persamaan (9.15d) sekarang dapat diselesaikan untuk xn:

b(nÿ1)
N
xn = (9.16)
nn
Sebuah(nÿ1)
Hasil ini dapat disubstitusikan kembali ke persamaan ke- (n ÿ l) untuk menyelesaikan xnÿ1. Prosedur,
yang diulangi untuk mengevaluasi sisa x, dapat direpresentasikan dengan rumus berikut:
N
b(sayaÿ1)
- Sebuah(sayaÿ1)
Saya
aku j xj
j=i+1
xi = untuk saya = n ÿ 1, n ÿ 2,..., 1 (9.17)
Sebuah(sayaÿ1)
ii
GAMBAR 9.4
(A) DOF k 1, n 1
Pseudocode untuk melakukan (a) DOF i k 1, hal
eliminasi maju dan (b) mundur
pengganti. faktor ai,k / ak,k
DOFOR jk 1 sampai n
ai,j ai,j faktor ak,j
AKHIR LAKUKAN
dua faktor bi bk
AKHIR LAKUKAN
AKHIR LAKUKAN
(B) xn bn / an,n
DOFOR dalam 1, 1, 1
jumlah dua
DOF ji 1, hal
jumlah jumlah ai,j xj
AKHIR LAKUKAN
xi jumlah / ai,i
AKHIR LAKUKAN
Pseudocode untuk mengimplementasikan Persamaan. (9.16) dan (9.17) disajikan pada Gambar 9.4b. Perhatikan
kesamaan antara pseudocode ini dan yang pada Gambar. PT3.4 untuk perkalian matriks. Sebagai
dengan Gambar PT3.4, variabel sementara, jumlah, digunakan untuk mengakumulasikan penjumlahan dari
Persamaan. (9.17). Hal ini menghasilkan waktu eksekusi yang lebih cepat dibandingkan jika penjumlahan
diakumulasikan dalam bi. Lebih penting lagi, hal ini memungkinkan peningkatan presisi yang efisien jika variabel,
jumlah, dideklarasikan dalam presisi ganda.
CONTOH 9.5 Eliminasi Gauss Naif
Pernyataan masalah. Gunakan eliminasi Gauss untuk menyelesaikannya
3x1 ÿ 0,1x2 ÿ 0,2x3 = 7,85 (E9.5.1)

0,1x1 + 7x2 ÿ 0,3x3 = ÿ19,3 (E9.5.2)
0,3x1 ÿ 0,2x2 + 10x3 = 71,4 (E9.5.3)
Bawalah enam angka penting selama perhitungan.
Larutan. Bagian pertama dari prosedur ini adalah eliminasi ke depan. Kalikan Persamaan. (E9.5.1) oleh
(0.1)/3 dan kurangi hasilnya dari Persamaan. (E9.5.2) untuk memberi
7,00333x2 ÿ 0,293333x3 = ÿ19,5617
Kemudian kalikan Persamaan. (E9.5.1) dengan (0.3)/3 dan kurangi dari Persamaan. (E9.5.3) untuk menghilangkan x1.
Setelah operasi ini, himpunan persamaannya adalah
3x1 ÿ 0,1x2 ÿ 0,2x3 = 7,85 (E9.5.4)

7,00333x2 ÿ 0,293333x3 = ÿ19,5617 (E9.5.5)
ÿ0,190000x2 + 10,0200x3 = 70,6150 (E9.5.6)
Untuk menyelesaikan eliminasi maju, x2 harus dihilangkan dari Persamaan. (E9.5.6). Untuk mencapai hal ini,
kalikan Persamaan. (E9.5.5) sebesar ÿ0.190000/7.00333 dan kurangi hasilnya dari
Persamaan. (E9.5.6). Ini menghilangkan x2 dari persamaan ketiga dan mereduksi sistem ke tingkat yang lebih tinggi
bentuk segitiga, seperti pada
3x1 ÿ 0,1x2 ÿ 0,2x3 = 7,85 (E9.5.7)

7,00333x2 ÿ 0,293333x3 = ÿ19,5617 (E9.5.8)
10,0120x3 = 70,0843 (E9.5.9)
Kita sekarang dapat menyelesaikan persamaan ini dengan substitusi balik. Pertama, Persamaan. (E9.5.9) dapat diselesaikan
untuk
70.0843
x3 = = 7.0000 (E9.5.10)
10.0120
Hasil ini dapat disubstitusi kembali ke Persamaan. (E9.5.8):
7,00333x2 ÿ 0,293333(7,0000) = ÿ19,5617
ÿ19,5617 + 0,293333(7,0000)
x2 = = ÿ2,50000 (E9.5.11)
7.00333
Akhirnya, Persamaan. (E9.5.10) dan (E9.5.11) dapat disubstitusikan ke Persamaan. (E9.5.4):
3x1 ÿ 0,1(ÿ2,50000) ÿ 0,2(7,0000) = 7,85
7,85 + 0,1(ÿ2,50000) + 0,2(7,0000)

x1 = = 3,00000
3
Hasilnya identik dengan solusi eksak x1 = 3, x2 = ÿ2.5, dan x3 = 7. Hal ini dapat berupa
diverifikasi dengan mensubstitusikan hasilnya ke dalam himpunan persamaan asli
3(3) ÿ 0,1(ÿ2,5) ÿ 0,2(7) = 7,85
0,1(3) + 7(ÿ2,5) ÿ 0,3(7) = ÿ19,3
0,3(3) ÿ 0,2(ÿ2,5) + 10(7) = 71,4
9.2.1 Penghitungan Operasi
Waktu eksekusi eliminasi Gauss bergantung pada jumlah operasi floating-point

(atau jepit) yang terlibat dalam algoritma. Pada komputer modern yang menggunakan koprosesor matematika, waktu
yang dikonsumsi untuk melakukan penjumlahan/pengurangan dan perkalian/pembagian hampir sama.
Oleh karena itu, menjumlahkan operasi-operasi ini memberikan wawasan tentang bagian mana dari algoritma tersebut
paling memakan waktu dan bagaimana waktu komputasi meningkat seiring bertambahnya ukuran sistem.
Sebelum menganalisis eliminasi Gauss secara naif, terlebih dahulu kita akan mendefinisikan beberapa besaran itu
memfasilitasi penghitungan operasi:
M M M M
lih (i) = c f (saya) f (saya) + g(saya) = f (saya) +m g(saya) (9.18a,b)

saya=1 saya=1 saya=1 saya=1 saya=1
M M
1 = 1 + 1 + 1 +···+ 1 = m 1=mÿk+1 (9.18c,d)

saya=1 saya=k
M
m(m +1) m2
saya = 1 + 2 + 3 +···+ m = = + HAI(m) (9.18e)
2 2
saya=1
M
m(m + 1)(2m + 1) m3
2
saya = 12 + 22 + 32 +···+ m2 = 6 = + HAI(m2 ) (9.18f )

3
saya=1
di mana O(mn ) berarti “istilah urutan mn dan lebih rendah.”

Sekarang mari kita periksa algoritma eliminasi Gauss yang naif (Gambar 9.4a) secara rinci. Kami
pertama-tama akan menghitung kegagalan di tahap eliminasi. Pada lintasan pertama melalui loop luar,
k = 1. Oleh karena itu, limit pada loop tengah adalah dari i = 2 sampai n. Berdasarkan
Persamaan. (9.18d), ini berarti jumlah iterasi dari loop tengah adalah
N
1=nÿ2+1=nÿ1 (9.19)
saya=2
Untuk setiap iterasi ini, ada satu divisi untuk menentukan faktornya. Lingkaran bagian dalam
kemudian melakukan perkalian dan pengurangan tunggal untuk setiap iterasi dari j = 2 sampai n. Terakhir, ada
satu perkalian dan pengurangan tambahan untuk nilai ruas kanan.
Jadi, untuk setiap iterasi loop tengah, jumlah perkaliannya adalah
1 + [n ÿ 2 + 1] + 1 = 1 + n (9.20)
Oleh karena itu, perkalian total untuk lintasan pertama melalui loop terluar diperoleh dengan
mengalikan Persamaan. (9.19) dengan (9.20) menghasilkan [n ÿ 1](1 + n). Dengan cara yang sama, jumlah sub-
traksi dihitung sebagai [n ÿ 1](n).
Alasan serupa dapat digunakan untuk memperkirakan kegagalan pada iterasi berikutnya
lingkaran luar. Ini dapat diringkas sebagai
Lingkaran Luar Lingkaran Jepit Penjumlahan/ Perkalian/Pembagian

k Tengah i Pengurangan jepit
2, n (n ÿ 1)(n) (n ÿ 1)(n + 1)
12 3, n (n ÿ 2)(n – 1) (n ÿ 2)(n)
· ·
· ·
· ·
k k + 1, n (n ÿ k)(n + 1 ÿ k) (n ÿ k)(n + 2 ÿ k)
· ·
· ·
· ·
nÿ1 n, n (1)(2) (1) (3)
Oleh karena itu, total penambahan/pengurangan kegagalan untuk eliminasi dapat dihitung sebagai
nÿ1 nÿ1
(n ÿ k)(n + 1 ÿ k) = [n(n + 1) ÿ k(2n + 1) + k2 ]

k=1 k=1
atau
nÿ1 nÿ1
n(n +1) 1 ÿ (2n + 1) k +nÿ1 k2

k=1 k=1 k=1
Menerapkan beberapa hubungan dari Persamaan. (9.18) hasil
1 n3
[n3 + O(n)] ÿ [n3 + O(n2 )] + n3 + O(n2 ) = + O(n) (9.21)
3 3
Analisis serupa untuk hasil perkalian/pembagian
1 n3
[n3 + O(n2 )] ÿ [n3 + O(n)] + n3 + O(n2 ) = + HAI(n2 ) (9.22)
3 3
Menjumlahkan hasil ini memberikan

2n3
+ HAI(n2 )
3
Jadi, jumlah total flop sama dengan 2n3/3 ditambah komponen tambahan yang sebanding dengan syarat
orde n2 dan lebih rendah. Hasilnya ditulis seperti ini karena n didapat
besar, O(n2 ) dan suku rendahnya dapat diabaikan. Oleh karena itu kita dapat menyimpulkan bahwa untuk n
yang besar, usaha yang dilakukan dalam eliminasi maju konvergen pada 2n3/3.
Karena hanya satu loop yang digunakan, substitusi kembali lebih mudah untuk dievaluasi. Itu
jumlah jepit penjumlahan/pengurangan sama dengan n(n ÿ 1)/2. Karena pembagian ekstra
TABEL 9.1 Jumlah kegagalan untuk eliminasi Gauss.
Kembali Total Persen Jatuh Tempo

N Eliminasi Pengganti Jepit 2n3/3 untuk Eliminasi
10 705 100 805 667 87,58%

100 671550 10.000 681550 666667 98,53%
1000 6,67 × 108 1 × 106 6,68 × 108 6,67 × 108 99,85%
sebelum perulangan, banyaknya perkalian/pembagian adalah n(n + 1)/2. Ini bisa jadi
ditambahkan untuk mencapai total
n2 + O(n)
Dengan demikian, upaya total dalam eliminasi Gauss yang naif dapat direpresentasikan sebagai
2n3 2n3
seiring n bertambah
+ O(n2 ) + n2 + O(n) ÿÿÿÿÿÿÿÿ + HAI(n2 ) (9.23)
3 3
Maju Ke belakang
eliminasi pengganti
Dua kesimpulan umum yang berguna dapat diambil dari analisis ini:
1. Semakin besar sistem, waktu komputasi semakin meningkat. Seperti pada Tabel 9.1,
jumlah kegagalan meningkat hampir tiga kali lipat untuk setiap urutan besarnya
peningkatan dimensi.
2. Upaya terbesar dilakukan pada langkah eliminasi. Demikianlah upaya untuk membuat metode tersebut
lebih efisien mungkin harus fokus pada langkah ini.
9.3 PERANGKAT METODE ELIMINASI

Meskipun ada banyak sistem persamaan yang dapat diselesaikan dengan eliminasi Gauss yang naif, ada
beberapa kendala yang harus dijelajahi sebelum menulis program komputer umum untuk
mengimplementasikan metode tersebut. Meskipun materi berikut ini berhubungan langsung dengan naif
Eliminasi Gauss, informasinya juga relevan untuk teknik eliminasi lainnya.
9.3.1 Pembagian dengan Nol
Alasan utama mengapa teknik di atas disebut “naif” adalah karena keduanya
eliminasi dan fase substitusi balik, pembagian dengan nol bisa saja terjadi
terjadi. Misalnya, jika kita menggunakan eliminasi Gauss naif untuk menyelesaikannya
2x2 + 3x3 = 8
4x1 + 6x2 + 7x3 = ÿ3
2x1 + x2 + 6x3 = 5
normalisasi baris pertama akan melibatkan pembagian dengan a11 = 0. Soal juga bisa
muncul ketika koefisien sangat mendekati nol. Teknik berputar telah dikembangkan
untuk menghindari sebagian masalah ini. Ini akan dijelaskan di Bagian. 9.4.2.
9.3 PERANGKAT METODE ELIMINASI 255
9.3.2 Kesalahan Pembulatan
Meskipun penyelesaian pada Contoh 9.5 mendekati jawaban sebenarnya, ada sedikit yang terjadi
perbedaan dalam hasil untuk x3 [Persamaan. (E9.5.10)]. Perbedaan ini, yang memiliki kesalahan relatif sebesar
ÿ0,00043 persen, disebabkan oleh kami menggunakan enam angka penting selama penelitian.
komputasi. Jika kami menggunakan angka yang lebih signifikan, kesalahan dalam hasil akan semakin berkurang.
Jika kita menggunakan pecahan daripada desimal (dan akibatnya dihindari
pembulatan sama sekali), jawabannya pasti tepat. Namun karena komputer
hanya memuat angka penting dalam jumlah terbatas (ingat Bagian 3.4.1), kesalahan pembulatan bisa saja terjadi
terjadi dan harus dipertimbangkan ketika mengevaluasi hasil.
Masalah kesalahan pembulatan bisa menjadi sangat penting ketika sejumlah besar persamaan ingin
diselesaikan. Hal ini disebabkan oleh kenyataan bahwa setiap hasil bergantung pada
hasil sebelumnya. Akibatnya, kesalahan pada langkah-langkah awal akan cenderung menyebar—yakni, kesalahan tersebut
akan menyebabkan kesalahan pada langkah selanjutnya.
Menentukan ukuran sistem di mana kesalahan pembulatan menjadi signifikan adalah hal yang rumit
oleh fakta bahwa jenis komputer dan sifat-sifat persamaan sangat menentukan
faktor. Aturan praktisnya adalah bahwa kesalahan pembulatan mungkin penting saat menangani
100 atau lebih persamaan. Bagaimanapun, Anda harus selalu mengganti jawaban Anda kembali
persamaan asli untuk memeriksa apakah telah terjadi kesalahan besar. Namun, seperti yang dibahas di bawah,
besaran koefisien itu sendiri dapat mempengaruhi apakah suatu hal tersebut dapat terjadi atau tidak
pemeriksaan kesalahan memastikan hasil yang dapat diandalkan.
9.3.3 Sistem dengan Kondisi Buruk
Kecukupan solusi tergantung pada kondisi sistem. Di detik. 9.1.1, gambaran grafis dari kondisi sistem
dikembangkan. Seperti yang dibahas di Bagian. 4.2.3, sistem yang terkondisi baik adalah sistem yang menghasilkan
perubahan kecil pada satu atau lebih koefisien
dalam perubahan kecil serupa dalam solusi. Sistem yang berkondisi buruk adalah sistem yang berukuran kecil
perubahan koefisien mengakibatkan perubahan besar dalam solusi. Interpretasi alternatif
Salah satu kelemahan dari pengondisian yang buruk adalah bahwa berbagai macam jawaban kira-kira dapat memenuhi persamaan tersebut.
Karena kesalahan pembulatan dapat menyebabkan perubahan kecil pada koefisien, hal ini bersifat artifisial
perubahan dapat menyebabkan kesalahan solusi yang besar untuk sistem yang kondisinya buruk, seperti yang diilustrasikan dalam
contoh berikut.
CONTOH 9.6 Sistem dengan Kondisi Buruk
Pernyataan masalah. Selesaikan sistem berikut:
x1 + 2x2 = 10 (E9.6.1)
1,1x1 + 2x2 = 10,4 (E9.6.2)
Lalu, selesaikan lagi, namun dengan koefisien x1 pada persamaan kedua diubah sedikit
menjadi 1,05.
Larutan. Menggunakan Persamaan. (9.10) dan (9.11), solusinya adalah
2(10) ÿ 2(10.4)
x1 = =4
1(2) ÿ 2(1.1)
1(10.4) ÿ 1.1(10)
x2 = =3
1(2) ÿ 2(1.1)
Namun, dengan sedikit perubahan pada koefisien a21 dari 1,1 menjadi 1,05, hasilnya adalah
berubah drastis menjadi
2(10) ÿ 2(10.4)
x1 = =8
1(2) ÿ 2(1,05)
1(10.4) ÿ 1.1(10)
x2 = =1
1(2) ÿ 2(1,05)
Perhatikan bahwa alasan utama perbedaan antara kedua hasil tersebut adalah karena
penyebutnya menyatakan selisih dua bilangan yang hampir sama. Seperti yang diilustrasikan
sebelumnya di Sec. 3.4.2, perbedaan tersebut sangat sensitif terhadap sedikit variasi dalam angka
sedang dimanipulasi.
Pada titik ini, Anda mungkin menyarankan bahwa substitusi hasil ke persamaan awal akan
mengingatkan Anda akan masalah tersebut. Sayangnya, hal ini sering terjadi pada sistem yang kondisinya buruk
bukan kasusnya. Substitusi nilai salah x1 = 8 dan x2 = 1 ke dalam Persamaan. (E9.6.1)
dan (E9.6.2) hasil
8 + 2(1) = 10 = 10
1,1(8) + 2(1) = 10,8 ÿ= 10,4
Oleh karena itu, meskipun x1 = 8 dan x2 = 1 bukanlah solusi sebenarnya dari permasalahan awal,
pemeriksaan kesalahan cukup dekat untuk menyesatkan Anda agar percaya bahwa solusi Anda benar
memadai.
Seperti yang telah dilakukan sebelumnya pada bagian metode grafis, representasi visual dari
pengkondisian buruk dapat dikembangkan dengan merencanakan Persamaan. (E9.6.1) dan (E9.6.2) (ingat Gambar 9.2).
Karena kemiringan garisnya hampir sama, secara visual sulit untuk melihat di mana tepatnya
mereka berpotongan. Kesulitan visual ini tercermin secara kuantitatif dalam hasil yang samar-samar
Contoh 9.6. Kita dapat mengkarakterisasi situasi ini secara matematis dengan menuliskan dua
persamaan dalam bentuk umum:
a11x1 + a12x2 = b1 (9.24)
a21x1 + a22x2 = b2 (9.25)
Persamaan Pembagian. (9.24) oleh a12 dan Persamaan. (9.25) oleh a22 dan penataan ulang menghasilkan versi alternatif
yang berbentuk garis lurus [x2 = (kemiringan) x1 + intersep]:
ÿa11 x1 + b1
x2 =
a12 a12
ÿa21 x1 + b2
x2 =
a22 a22
Akibatnya, jika kemiringannya hampir sama,
a11 ÿ= a21
a12 a22
atau, perkalian silang,
a11a22 ÿ= a12a21
yang juga dapat dinyatakan sebagai
a11a22 ÿ a12a21 ÿ= 0 (9.26)
Sekarang, ingat bahwa a11a22 ÿ a12a2l adalah determinan sistem dua dimensi
[Persamaan. (9.3)], kita sampai pada kesimpulan umum bahwa sistem yang terkondisi buruk adalah sistem dengan a
determinan mendekati nol. Faktanya, jika determinannya tepat nol, maka kedua lereng tersebut identik,
yang berarti tidak ada solusi atau solusi yang jumlahnya tak terhingga, seperti kasus untuk
sistem tunggal yang digambarkan pada Gambar 9.2a dan b.
Sulit untuk menentukan seberapa dekat determinannya dengan nol untuk menunjukkan kondisi yang
buruk. Hal ini diperumit oleh kenyataan bahwa determinan dapat diubah dengan mengalikan satu atau lebih
persamaan dengan faktor skala tanpa mengubah penyelesaiannya. Oleh karena itu, determinannya adalah
nilai relatif yang dipengaruhi oleh besarnya
koefisien.
CONTOH 9.7 Pengaruh Skala terhadap Faktor Penentu
Pernyataan masalah. Evaluasi determinan sistem berikut:
(a) Dari Contoh 9.1:
3x1 + 2x2 = 18 (E9.7.1)

ÿx1 + 2x2 = 2 (E9.7.2)
(b) Dari Contoh 9.6:
x1 + 2x2 = 10 (E9.7.3)
1,1x1 + 2x2 = 10,4 (E9.7.4)
(c) Ulangi (b) tetapi persamaannya dikalikan 10.
Larutan.
(a) Penentu Persamaan. (E9.7.1) dan (E9.7.2), yang berkondisi baik, adalah
D = 3(2) ÿ 2(ÿ1) = 8
(b) Penentu Persamaan. (E9.7.3) dan (E9.7.4), yang berkondisi buruk, adalah
D = 1(2) ÿ 2(1.1) = ÿ0.2
(c) Hasil dari (a) dan (b) tampaknya mendukung anggapan bahwa sistem memiliki kondisi yang buruk
mempunyai determinan mendekati nol. Namun, misalkan sistem yang dikondisikan buruk masuk
(b) dikalikan 10 untuk menghasilkan
10x1 + 20x2 = 100

11x1 + 20x2 = 104
Perkalian suatu persamaan dengan konstanta tidak berpengaruh pada penyelesaiannya. Di dalam
selain itu, kondisinya masih buruk. Hal ini dapat dibuktikan dengan mengalikan dengan a
konstanta tidak berpengaruh pada solusi grafis. Namun, determinannya dipengaruhi secara dramatis:
D = 10(20) ÿ 20(11) = ÿ20
Bukan hanya telah dinaikkan dua kali lipat, namun kini dua kali lebih besar dari determinan sistem
terkondisi baik pada (a).
Seperti yang diilustrasikan pada contoh sebelumnya, besarnya koefisien menyisipkan efek skala yang
memperumit hubungan antara kondisi sistem dan ukuran determinan. Salah satu cara untuk menghindari
sebagian kesulitan ini adalah dengan menskalakan persamaan sehingga elemen maksimum pada setiap
baris sama dengan 1.
CONTOH 9.8 Pernyataan
Masalah Penskalaan. Skalakan sistem persamaan pada Contoh 9.7 ke nilai maksimum 1 dan hitung ulang
determinannya.
Larutan.
(a) Untuk sistem yang terkondisi baik, penskalaan menghasilkan
x1 + 0,667x2 = 6
ÿ0,5x1 + x2 = 1
yang determinannya adalah
D = 1(1) ÿ 0,667(ÿ0,5) = 1,333
(b) Untuk sistem yang kondisinya buruk, penskalaan memberikan hasil
0,5x1 + x2 = 5
0,55x1 + x2 = 5,2
yang determinannya adalah
D = 0,5(1) ÿ 1(0,55) = ÿ0,05
(c) Untuk kasus terakhir, penskalaan mengubah sistem ke bentuk yang sama seperti pada (b) dan
determinannya juga ÿ0,05. Dengan demikian, efek skala dihilangkan.
Pada bagian sebelumnya (Bagian 9.1.2), kami menyarankan bahwa determinan sulit dihitung untuk
lebih dari tiga persamaan simultan. Oleh karena itu, tampaknya hal ini tidak memberikan cara praktis untuk
mengevaluasi kondisi sistem. Namun, seperti dijelaskan pada Kotak 9.1, terdapat algoritma sederhana hasil
eliminasi Gauss yang dapat digunakan untuk mengevaluasi determinan.
Selain pendekatan yang digunakan pada contoh sebelumnya, ada berbagai cara lain untuk
mengevaluasi kondisi sistem. Misalnya, ada metode alternatif untuk normalisasi elemen (lihat Stark, 1970).
Selain itu, seperti dijelaskan dalam bab berikutnya (Bagian 10.3), invers matriks dan norma matriks dapat
digunakan untuk mengevaluasi kondisi sistem. Terakhir, pengujian yang sederhana (tetapi memakan waktu)
adalah dengan sedikit memodifikasi koefisien dan mengulanginya
Kotak 9.1 Evaluasi determinan dengan menggunakan Eliminasi Gauss
Di detik. 9.1.2, kami menyatakan bahwa evaluasi determinan dengan perluasan Ingat langkah eliminasi maju dari eliminasi Gauss
anak di bawah umur tidak praktis untuk kumpulan persamaan yang besar. Dengan menghasilkan sistem segitiga atas. Karena nilai determinan tidak diubah oleh
demikian, kami menyimpulkan bahwa aturan Cramer hanya berlaku untuk sistem proses eliminasi maju, maka
kecil. Namun, seperti yang disebutkan dalam Bagian. 9.3.3, determinannya memiliki determinan dapat dengan mudah dievaluasi pada akhir langkah ini melalui
nilai dalam menilai kondisi sistem. Oleh karena itu, ini akan bermanfaat
D = a11 a A
22 33
··· sebuah(nÿ1)
nn (B9.1.2)
untuk memiliki metode praktis untuk menghitung kuantitas ini.
Untungnya, eliminasi Gauss menyediakan cara sederhana untuk melakukan hal ini.
dimana superskrip menandakan berapa kali elemen tersebut telah dimodifikasi
Metode ini didasarkan pada fakta bahwa determinan trian-
melalui proses eliminasi. Jadi, kita bisa
matriks gular dapat dengan mudah dihitung sebagai hasil kali diagonalnya
memanfaatkan upaya yang telah dikeluarkan untuk mengurangi
elemen:
sistem menjadi bentuk segitiga dan, dengan tawar-menawar, munculkan a
D = a11 a22 a33 ··· an (B9.1.1) perkiraan sederhana determinannya.
Ada sedikit modifikasi pada pendekatan di atas ketika
Validitas rumusan ini dapat diilustrasikan untuk sistem 3 by 3:
program menggunakan putaran parsial (Bagian 9.4.2). Untuk kasus ini,
a11 a12 a13 determinan berubah tanda setiap kali baris diputar. Salah satu cara untuk
D= 0 a22 a23 mewakili ini adalah dengan memodifikasi Persamaan. (B9.1.2):
0 0 a33
D = a11 a A
22 33
··· sebuah(nÿ1)
nn (ÿ1) hal (B9.1.3)
dimana determinannya dapat dievaluasi sebagai [ingat Persamaan. (9.4)]
dimana p mewakili berapa kali baris diputar.
a22 a23 0 a23 0 a22
D = a11 ÿ a12 + a13 Modifikasi ini dapat dimasukkan secara sederhana ke dalam sebuah program;
0 a33 0 a33 00
cukup catat jumlah pivot yang terjadi selama
atau, dengan mengevaluasi minor (yaitu determinan 2 kali 2), jalannya perhitungan dan kemudian gunakan Persamaan. (B9.1.3) untuk mengevaluasi
penentu.
D = a11 a22 a33 ÿ a12 (0) + a13 (0) = a11 a22 a33
larutan. Jika modifikasi tersebut menghasilkan hasil yang sangat berbeda, kemungkinan besar sistem akan mengalami hal yang sama
berkondisi buruk.
Seperti yang mungkin Anda ketahui dari diskusi sebelumnya, sistem yang kondisinya buruk sangatlah
bermasalah. Untungnya, sebagian besar persamaan aljabar linier berasal dari masalah teknik
pengaturan secara alami terkondisi dengan baik. Selain itu, beberapa teknik diuraikan dalam
Detik. 9.4 membantu meringankan masalah.
9.3.4 Sistem Tunggal
Pada bagian sebelumnya, kita telah mempelajari bahwa salah satu cara sistem persamaan dapat dikondisikan buruk
adalah ketika dua atau lebih persamaan hampir identik. Yang jelas, itu genap
lebih buruk lagi bila keduanya identik. Dalam kasus seperti itu, kita akan kehilangan satu derajat kebebasan, dan
akan berhadapan dengan kasus mustahil n ÿ 1 persamaan dengan n persamaan yang tidak diketahui. Kasus seperti itu
mungkin tidak terlihat jelas bagi Anda, terutama ketika berhadapan dengan himpunan persamaan yang besar. Oleh
karena itu, alangkah baiknya jika ada cara untuk mendeteksi singularitas secara otomatis.
Jawaban terhadap permasalahan ini jelas terlihat dari fakta bahwa determinan sistem singular adalah nol. Ide
ini, pada gilirannya, dapat dihubungkan dengan eliminasi Gauss dengan mengakui bahwa setelah langkah eliminasi,
determinan dapat dievaluasi sebagai produk dari
elemen diagonal (ingat Kotak 9.1). Dengan demikian, algoritma komputer dapat menguji untuk membedakan apakah
elemen diagonal nol dibuat selama tahap eliminasi. Jika ada yang ditemukan, maka
perhitungan dapat segera dihentikan dan pesan ditampilkan memperingatkan pengguna. Kami
akan menunjukkan rincian bagaimana hal ini dilakukan ketika kami menyajikan algoritma lengkap untuk eliminasi
Gauss nanti di bab ini.
9.4 TEKNIK PENINGKATAN SOLUSI

Teknik berikut dapat dimasukkan ke dalam algoritma eliminasi Gauss yang naif untuk menghindari beberapa
kendala yang dibahas di bagian sebelumnya.
9.4.1 Penggunaan Angka yang Lebih Signifikan Solusi
paling sederhana untuk mengatasi kondisi buruk ini adalah dengan menggunakan angka yang lebih signifikan
dalam perhitungannya. Jika aplikasi Anda dapat diperluas untuk menangani ukuran kata yang lebih besar, fitur
seperti itu akan mengurangi masalah secara signifikan. Namun, ada harga yang harus dibayar dalam bentuk
overhead komputasi dan memori yang dihubungkan dengan penggunaan presisi yang diperluas (ingat Bagian 3.4.1).
9.4.2 Pivoting Seperti
disebutkan di awal Sec. 9.3, masalah yang jelas terjadi ketika elemen pivot bernilai nol karena langkah normalisasi
mengarah pada pembagian dengan nol. Masalah juga dapat muncul jika elemen pivot mendekati, bukan sama
persis dengan nol, karena jika magnitudo elemen pivot lebih kecil dibandingkan elemen lainnya, maka kesalahan
pembulatan dapat terjadi.
Oleh karena itu, sebelum setiap baris dinormalisasi, ada baiknya menentukan koefisien terbesar yang tersedia
pada kolom di bawah elemen pivot. Baris-baris tersebut kemudian dapat diubah sehingga elemen terbesar menjadi
elemen pivot. Ini disebut perputaran parsial. Jika kolom dan baris dicari elemen terbesarnya lalu dialihkan,
prosedurnya disebut pivoting lengkap. Pivot lengkap jarang digunakan karena peralihan kolom mengubah urutan x
dan, akibatnya, menambah kompleksitas yang signifikan dan biasanya tidak dapat dibenarkan pada program
komputer. Contoh berikut mengilustrasikan keuntungan dari pivoting parsial. Selain menghindari pembagian dengan
nol, pivot juga meminimalkan kesalahan pembulatan. Dengan demikian, ini juga berfungsi sebagai obat parsial
untuk pengondisian penyakit.
CONTOH 9.9 Pivot Sebagian
Pernyataan masalah. Gunakan eliminasi Gauss untuk menyelesaikannya
0,0003x1 + 3,0000x2 = 2,0001
1,0000x1 + 1,0000x2 = 1,0000
Perhatikan bahwa dalam bentuk ini elemen pivot pertama, a11 = 0,0003, sangat mendekati nol. Kemudian ulangi
perhitungannya, tetapi lakukan pivot parsial dengan membalik urutan persamaan. Solusi eksaknya adalah x1 = 1/3
dan x2 = 2/3.
Larutan. Mengalikan persamaan pertama dengan 1/(0,0003) akan menghasilkan
x1 + 10.000x2 = 6667
yang dapat digunakan untuk menghilangkan x1 dari persamaan kedua:
ÿ9999x2 = ÿ6666
9.4 TEKNIK PENINGKATAN SOLUSI 261

2
x2 =
3
Hasil ini dapat disubstitusikan kembali ke persamaan pertama untuk mengevaluasi x1:
2,0001 ÿ 3(2/3)
x1 = (E9.9.1)
0,0003
Namun, karena adanya pembatalan subtraktif, hasilnya sangat sensitif terhadap jumlah angka signifikan
yang terdapat dalam perhitungan:
Nilai mutlak
dari Persen
Penting Kesalahan relatif
Angka x2 x1 untuk x1
0,667 ÿ3,33 1099

3 0,6667 0,0000 100
4 0,66667 0,30000 10
5 0,666667 0,330000 1
67 0,6666667 0,3330000 0,1
Perhatikan bagaimana penyelesaian x1 sangat bergantung pada banyaknya angka penting. Ini
karena dalam Persamaan. (E9.9.1), kita mengurangkan dua bilangan yang hampir sama. Di sisi lain
sebaliknya, jika persamaan diselesaikan dalam urutan terbalik, baris dengan elemen pivot yang lebih besar adalah
dinormalisasi. Persamaannya adalah
1,0000x1 + 1,0000x2 = 1,0000
0,0003x1 + 3,0000x2 = 2,0001
Hasil eliminasi dan substitusi x2 = 2/3. Untuk sejumlah angka penting yang berbeda, x1
dapat dihitung dari persamaan pertama, seperti pada
1 ÿ (2/3)
x1 = (E9.9.2)
1
Kasus ini kurang sensitif terhadap jumlah angka penting dalam perhitungan:
Nilai mutlak
dari Persen
Penting Kesalahan relatif
Angka x2 x1 untuk x1
0,667 0,333 0,1

3 0,6667 0,3333 0,01
4 0,66667 0,33333 0,001
5 0,666667 0,333333 0,0001
67 0,6666667 0,3333333 0,00001
Oleh karena itu, strategi pivot jauh lebih memuaskan.

pk Program komputer untuk keperluan umum harus menyertakan strategi pivot. Gambar 9.5 memberikan algoritma
besar |ak,k| sederhana untuk mengimplementasikan strategi tersebut. Perhatikan bahwa algoritma ini terdiri dari dua loop utama.
DOFOR ii k1, n tiruan | Setelah menyimpan elemen pivot saat ini dan nomor barisnya sebagai variabel, besar dan p, loop pertama
aii,k| membandingkan elemen pivot dengan elemen di bawahnya untuk memeriksa apakah ada yang lebih besar dari elemen
IF (dummy besar) pivot. Jika demikian, elemen terbesar baru dan nomor barisnya disimpan dalam big dan p. Kemudian, loop kedua
dummy besar mengganti baris pivot asli dengan baris yang memiliki elemen terbesar sehingga baris terakhir menjadi baris pivot baru.
p ii Pseudocode ini dapat diintegrasikan ke dalam program berdasarkan elemen eliminasi Gauss lainnya yang diuraikan pada
BERAKHIR JIKA Gambar 9.4. Cara terbaik untuk melakukan hal ini adalah dengan menggunakan pendekatan modular dan menulis Gambar
AKHIR LAKUKAN 9.5 sebagai subrutin (atau prosedur) yang akan dipanggil langsung setelah permulaan perulangan pertama pada Gambar
JIKA (pk) 9.4a.
DOFOR jj k, n
dummy ap,jj Perhatikan bahwa konstruksi IF/THEN kedua pada Gambar 9.5 secara fisik menukarkan baris-barisnya.
ap,jj ak,jj Untuk matriks berukuran besar, hal ini dapat memakan waktu cukup lama. Akibatnya, sebagian besar kode tidak benar-
ak,jj dummy benar bertukar baris melainkan melacak baris pivot dengan menyimpan subskrip yang sesuai dalam sebuah vektor.
AKHIR Vektor ini kemudian memberikan dasar untuk menentukan urutan baris yang tepat selama operasi eliminasi maju dan
DO boneka substitusi kembali. Dengan demikian, operasi tersebut dikatakan dilaksanakan di tempat.
bp bp
bk bk boneka
BERAKHIR JIKA
9.4.3 Penskalaan
GAMBAR 9.5
Dalam Detik. 9.3.3, kami mengusulkan bahwa penskalaan mempunyai nilai dalam membakukan ukuran determinan. Di
Pseudocode untuk mengimplementasikan luar penerapan ini, ia mempunyai kegunaan dalam meminimalkan kesalahan pembulatan untuk kasus-kasus di mana
parsial pivoting.
beberapa persamaan dalam suatu sistem mempunyai koefisien yang jauh lebih besar dibandingkan persamaan lainnya.
Situasi seperti ini sering dijumpai dalam praktik teknik ketika satuan yang sangat berbeda digunakan dalam pengembangan
persamaan simultan. Misalnya, dalam permasalahan rangkaian listrik, tegangan yang tidak diketahui dapat dinyatakan
dalam satuan mulai dari mikrovolt hingga kilovolt. Contoh serupa bisa muncul di semua bidang teknik. Selama setiap
persamaan konsisten, sistem tersebut secara teknis akan benar dan dapat dipecahkan. Namun, penggunaan satuan yang
sangat berbeda dapat menghasilkan koefisien dengan besaran yang sangat berbeda. Hal ini, pada gilirannya, dapat
berdampak pada kesalahan pembulatan karena mempengaruhi perputaran, seperti yang diilustrasikan oleh contoh berikut.
CONTOH 9.10 Pengaruh Penskalaan pada Pivoting dan Round-Off
Pernyataan masalah.
(a) Selesaikan himpunan persamaan berikut menggunakan eliminasi Gauss dan strategi pivot:
2x1 + 100.000x2 = 100.000
x1 + x2 = 2
(b) Ulangi penyelesaian setelah menskalakan persamaan sehingga koefisien maksimum pada masing-masing persamaan
baris adalah 1.
(c) Terakhir, gunakan koefisien berskala untuk menentukan apakah pivot diperlukan.
Namun, selesaikan persamaan tersebut dengan nilai koefisien aslinya. Untuk semua kasus, simpan hanya tiga
angka penting. Perhatikan bahwa jawaban yang benar adalah x1 = 1,00002 dan x2 = 0,99998 atau, untuk tiga
angka penting, x1 = x2 = 1,00.
Larutan.
(a) Tanpa penskalaan, eliminasi maju diterapkan untuk memberi
2x1 + 100.000x2 = 100.000

ÿ50.000x2 = ÿ50.000
yang dapat diselesaikan dengan substitusi kembali
x2 = 1,00
x1 = 0,00
Meskipun x2 benar, x1 100 persen salah karena pembulatan.

(b) Penskalaan mengubah persamaan awal menjadi
0,00002x1 + x2 = 1
x1 + x2 = 2
Oleh karena itu, baris-baris tersebut harus diputar untuk memberikan nilai terbesar pada diagonalnya.
x1 + x2 = 2
0,00002x1 + x2 = 1
Hasil eliminasi ke depan
x1 + x2 = 2
x2 = 1,00
x1 = x2 = 1
Dengan demikian, penskalaan mengarah pada jawaban

yang benar. (c) Koefisien berskala menunjukkan bahwa pivoting diperlukan. Oleh karena itu kami melakukan pivot tetapi
tetap mempertahankan koefisien asli untuk diberikan
x1 + x2 = 2
2x1 + 100.000x2 = 100.000
Hasil eliminasi ke depan
x1 + x2 = 2
100.000x2 = 100.000
yang dapat diselesaikan untuk mendapatkan jawaban yang benar: x1 = x2 = 1. Oleh karena itu, penskalaan
berguna dalam menentukan apakah perputaran diperlukan, namun persamaannya sendiri tidak memerlukan
penskalaan untuk mendapatkan hasil yang benar.
SUB Gauss (a, b, n, x, tol, eh) SUB Pivot (a, b, s, n, k)

DIMENSI s(n) p k
eh 0 ABS besar(ak,k/sk)
DOF i 1, hal DOFOR ii k 1, n
si ABS(ai,1) tiruan ABS(aii,k/sii)
DOFOR j 2, n JIKA tiruannya besar MAKA
JIKA ABS(ai,j)si MAKA si ABS(ai,j) boneka besar
AKHIR LAKUKAN
hal ii
AKHIR LAKUKAN BERAKHIR JIKA
PANGGILAN Hilangkan(a, s, n, b, tol, er) AKHIR LAKUKAN
JIKA eh 1 LALU JIKA pk MAKA

Pengganti PANGGILAN (a, n, b, x) DOFOR jj k, n
BERAKHIR JIKA
boneka ap,jj
AKHIR Gauss ap,jj ak,jj
oke, jj bodoh
AKHIR LAKUKAN
SUB Eliminasi (a, s, n, b, tol, eh)

tiruan bp
DOFOR k 1, n 1
bp bk
PANGGILAN Pivot (a, b, s, n, k)
bk boneka
JIKA ABS (ak,k/sk) tol KEMUDIAN
boneka sp
eh 1
sp sk
KELUAR LAKUKAN
sk boneka
BERAKHIR JIKA
BERAKHIR JIKA
DOFOR ik 1, n
AKHIR poros
faktor ai,k/ak,k
DOFOR jk 1, n
ai,j ai,j faktor*ak,j Pengganti SUB (a, n, b, x)
AKHIR LAKUKAN xn bn/an,n
faktor bi bi * bk DOFOR dalam 1, 1, 1
AKHIR LAKUKAN jumlah 0
AKHIR LAKUKAN DOF ji 1, hal
to1 LALU eh 1 *
JIKA ABS(an,n/sn) jumlah jumlah ai,j xj
AKHIR Hilangkan AKHIR LAKUKAN
xn (bn jumlah) / an,n

AKHIR LAKUKAN
AKHIR Pengganti
GAMBAR 9.6
Pseudocode untuk mengimplementasikan eliminasi Gauss dengan pivoting parsial.
Seperti pada contoh sebelumnya, penskalaan mempunyai kegunaan dalam meminimalkan pembulatan.
Namun, perlu dicatat bahwa penskalaan itu sendiri juga mengarah pada pembulatan. Misalnya, diberikan
persamaan
2x1 + 300.000x2 = 1
dan menggunakan tiga angka penting, penskalaan mengarah ke
0,00000667x1 + x2 = 0,00000333
Jadi, penskalaan menimbulkan kesalahan pembulatan pada koefisien pertama dan konstanta ruas kanan. Oleh
karena itu, terkadang disarankan agar penskalaan digunakan hanya seperti pada bagian (c) dari contoh
sebelumnya. Artinya, koefisien tersebut digunakan untuk menghitung nilai skala koefisien semata-mata sebagai
kriteria untuk melakukan pivot, namun nilai koefisien asli tetap dipertahankan untuk perhitungan eliminasi dan
substitusi yang sebenarnya. Hal ini melibatkan trade-off jika determinan dihitung sebagai bagian dari program.
Artinya, determinan yang dihasilkan tidak berskala. Namun, karena banyak penerapan eliminasi Gauss tidak
memerlukan evaluasi determinan, pendekatan ini merupakan pendekatan yang paling umum dan akan digunakan
dalam algoritma pada bagian berikutnya.
9.4.4 Algoritma Komputer untuk Eliminasi Gauss Algoritma dari Gambar.
9.4 dan 9.5 sekarang dapat digabungkan menjadi algoritma yang lebih besar untuk mengimplementasikan seluruh
algoritma eliminasi Gauss. Gambar 9.6 menunjukkan algoritma untuk subrutin umum untuk mengimplementasikan
eliminasi Gauss.
Perhatikan bahwa program ini mencakup modul untuk tiga operasi utama algoritma eliminasi Gauss: eliminasi
maju, substitusi kembali, dan berputar. Selain itu, ada beberapa aspek kode yang berbeda dan mewakili perbaikan
atas pseudocode dari Gambar. 9.4 dan 9.5. Ini adalah:
• Persamaannya tidak diskalakan, namun nilai elemen yang diskalakan digunakan untuk menentukan apakah
pivoting akan diterapkan. • Suku diagonal dipantau
selama fase perputaran untuk mendeteksi kejadian yang mendekati nol untuk menandai sistem tunggal. Jika
mengembalikan nilai er = ÿ1, matriks singular telah terdeteksi dan komputasi harus dihentikan. Parameter tol
disetel oleh pengguna ke angka kecil untuk mendeteksi kejadian mendekati nol.
rences.
CONTOH 9.11 Penyelesaian Persamaan Aljabar Linier Menggunakan Rumusan Masalah Komputer.
Sebuah program komputer untuk menyelesaikan persamaan aljabar linier seperti yang didasarkan pada Gambar
9.6 dapat digunakan untuk menyelesaikan masalah yang terkait dengan contoh penerjun payung jatuh yang
dibahas di Bab. 1. Misalkan sebuah tim yang terdiri dari tiga penerjun payung dihubungkan dengan tali tak berbobot
saat jatuh bebas dengan kecepatan 5 m/s (Gbr. 9.7). Hitung tegangan pada setiap bagian tali dan percepatan tim,
dengan diketahui sebagai berikut:
3 c3v c2v R c1v T
m3g R m2g T m1g
2 3 2 1
GAMBAR 9.8
Diagram benda bebas untuk masing-masing tiga penerjun payung yang jatuh.
Massa, Koefisien Tarik,

Penerjun payung kg kg/detik
70 10
1 60 14
23 40 17
T
Larutan. Diagram benda bebas untuk masing-masing penerjun payung digambarkan pada Gambar 9.8.
A
Menjumlahkan gaya-gaya dalam arah vertikal dan menggunakan hukum kedua Newton menghasilkan himpunan tiga
1
persamaan linear simultan:
m1g ÿ T ÿ c1v = m1a
m2g + T ÿ c2v ÿ R = m2a
m3g ÿ c3v + R = m3a
Persamaan ini memiliki tiga nilai yang tidak diketahui: a, T, dan R. Setelah mensubstitusi nilai yang diketahui, nilai tersebut
persamaan dapat dinyatakan dalam bentuk matriks sebagai (g = 9,8 m/s2 ),
GAMBAR 9.7 70 1 0 ÿ A ÿ ÿ 636 ÿ

Tiga penerjun payung terjun bebas ÿ 60 ÿ1 1 ÿ T = 518
ÿ ÿ ÿ ÿ
saat dihubungkan dengan tanpa bobot 0 ÿ1 R
ÿ 40 ÿ ÿ ÿ ÿ 307 ÿ
kabel.
Sistem ini dapat diselesaikan dengan menggunakan perangkat lunak Anda sendiri. Hasilnya a = 8,5941 m/s2 ; T =
34,4118 N; dan R = 36,7647 N.
9.6 SISTEM PERSAMAAN NONLINEAR 267
9.5 SISTEM KOMPLEKS
Dalam beberapa soal, dimungkinkan untuk memperoleh sistem persamaan yang kompleks
[C]{Z}={W} (9.27)
Di mana
[C] = [A] + saya[B]
{Z}={X} + saya{Y}
{W}={U} + i{V} (9.28)

dimana saya = ÿÿ1.
Cara paling mudah untuk menyelesaikan sistem seperti ini adalah dengan menggunakan salah satu
algoritma yang dijelaskan di bagian buku ini, namun mengganti semua operasi nyata dengan operasi yang kompleks.
Tentu saja, ini hanya mungkin untuk bahasa-bahasa tersebut, seperti Fortran, yang memungkinkan kompleks
variabel.
Untuk bahasa yang tidak mengizinkan deklarasi variabel kompleks, hal ini dimungkinkan
menulis kode untuk mengubah operasi nyata menjadi operasi kompleks. Namun, ini bukanlah tugas yang sepele. Sebuah
alternatifnya adalah mengubah sistem yang kompleks menjadi sistem ekuivalen yang berhubungan dengan variabel
nyata. Hal ini dapat dilakukan dengan mengganti Persamaan. (9.28) ke dalam Persamaan. (9.27) dan menyamakan nyata dan
bagian kompleks dari persamaan yang dihasilkan untuk menghasilkan
[A]{X} ÿ [B]{Y}={U} (9.29)

Dan
[B]{X} + [A]{Y}={V} (9.30)

Jadi, sistem yang terdiri dari n persamaan kompleks diubah menjadi himpunan 2n persamaan nyata. Ini
berarti waktu penyimpanan dan eksekusi akan meningkat secara signifikan. Akibatnya, a
ada trade-off mengenai opsi ini. Jika Anda jarang mengevaluasi sistem yang kompleks, itu benar
lebih baik menggunakan Persamaan. (9.29) dan (9.30) karena kemudahannya. Namun, jika Anda menggunakan
mereka sering dan ingin menggunakan bahasa yang tidak mengizinkan tipe data yang rumit, mungkin saja
sepadan dengan upaya pemrograman awal untuk menulis pemecah persamaan khusus yang mengubah
operasi nyata menjadi operasi kompleks.
9.6 SISTEM PERSAMAAN NONLINEAR

Ingatlah bahwa di akhir Bab. 6 kami menyajikan pendekatan untuk menyelesaikan dua persamaan nonlinier
dengan dua hal yang tidak diketahui. Pendekatan ini dapat diperluas ke kasus umum penyelesaian n persamaan
nonlinier secara simultan.
f1(x1, x2,..., xn) = 0
f2(x1, x2,..., xn) = 0

. .
. .
(9.31)
. .
fn(x1, x2,..., xn) = 0

Penyelesaian sistem ini terdiri dari himpunan nilai x yang secara simultan menghasilkan semua
persamaan sama dengan nol.
Seperti yang dijelaskan dalam Bagian. 6.5.2, salah satu pendekatan untuk menyelesaikan
sistem tersebut didasarkan pada metode Newton-Raphson versi multidimensi. Jadi, ekspansi deret
Taylor ditulis untuk setiap persamaan. Misalnya, untuk persamaan ke-k,
ÿ fk,i ÿ fk,i ÿ fk,i fk,i+1 = fk,i + (x1,i+1 ÿ x1,i) + (x2,i+1 ÿ

x2,i) +···+ (xn,i+1 ÿ xn,i) ÿx1 ÿx2 ÿxn (9.32)
dimana subskrip pertama, k, mewakili persamaan atau tidak diketahui dan subskrip kedua
menunjukkan apakah nilai atau fungsi yang dimaksud berada pada nilai sekarang (i) atau pada
nilai berikutnya (i +1).
Persamaan bentuk (9.32) ditulis untuk setiap persamaan nonlinier asli.
Kemudian, seperti yang dilakukan dalam menurunkan Persamaan. (6.20) dari (6.19), semua suku fk,i+1 diset ke nol
seperti halnya pada akar, dan Persamaan. (9.32) dapat ditulis sebagai
ÿ fk,i ÿ fk,i ÿ fk,i ÿfk,i + x1,i + x2,i

+···+ xn,i ÿx1 ÿx2 ÿxn
ÿ fk,i ÿ fk,i ÿ fk,i + x2,i+1 +···+ xn,i+1 =

x1,i+1 ÿx1 ÿx2 ÿxn (9.33)
Perhatikan bahwa satu-satunya hal yang tidak diketahui dalam Persamaan. (9.33) adalah suku xk,i+1 di ruas
kanan. Semua besaran lainnya terletak pada nilai sekarang (i) dan, dengan demikian, diketahui pada setiap iterasi.
Akibatnya, himpunan persamaan umumnya diwakili oleh Persamaan. (9.33) (yaitu, dengan k = 1,
2, . . . , n) merupakan himpunan persamaan linear simultan yang dapat diselesaikan dengan
metode yang diuraikan di bagian buku ini.
Notasi matriks dapat digunakan untuk menyatakan Persamaan. (9.33) secara ringkas. Turunan
parsial dapat dinyatakan sebagai
ÿ f1,i ÿ f1,i ··· ÿ f1,i

ÿ ÿ
ÿ
ÿx1 ÿx2 ÿxn ÿ
ÿ ÿ
ÿ f2,i ÿ f2,i ÿ f2,i

ÿ ÿ
ÿ
··· ÿ
ÿ ÿ
ÿ
ÿx1 ÿx2 ÿxn ÿ
... .
ÿ
[Z] = ÿ ÿ
(9.34)
ÿ ÿ
ÿ
... . ÿ
ÿ ÿ
ÿ
... . ÿ
ÿ ÿ
ÿ fn,i ÿ fn,i ··· ÿ fn,i ÿ
ÿ ÿx1 ÿx2 ÿxn ÿ
Nilai awal dan akhir dapat dinyatakan dalam bentuk vektor sebagai
T
{Xi} = x1,i x2,i ··· xn,i
Dan
{Xi+1} T = x1,i+1 x2,i+1 ··· xn,i+1

9.7 GAUSS-JORDAN 269
Akhirnya, nilai fungsi pada i dapat dinyatakan sebagai

a11 a12 a13 b1
T ···
{Fi} = f1,i f2,i fn, saya
a21 a22 a23 b2
a31 a32 a33 b3 Menggunakan hubungan ini, Persamaan. (9.33) dapat direpresentasikan secara ringkas sebagai
ÿ [Z]{Xi+1} = ÿ{Fi} + [Z]{Xi} (9.35)

100 b(n) 1
010b (n) Persamaan (9.35) dapat diselesaikan dengan menggunakan teknik seperti eliminasi Gauss. Proses ini
2
dapat diulangi secara berulang untuk mendapatkan estimasi yang disempurnakan dengan cara yang mirip dengan
001b (n) 3
kasus dua persamaan di Sec. 6.5.2.
ÿ Perlu dicatat bahwa ada dua kelemahan utama pada pendekatan di atas.
x1 b(n)1 Pertama, Persamaan. (9.34) seringkali tidak nyaman untuk dievaluasi. Oleh karena itu, variasi pendekatan
x2 b(n)
2 Newton-Raphson telah dikembangkan untuk menghindari dilema ini. Seperti yang diharapkan,
x3 b(n)
3
sebagian besar didasarkan pada penggunaan perkiraan perbedaan hingga untuk turunan parsial itu
terdiri dari [Z].
Kelemahan kedua dari metode multipersamaan Newton-Raphson adalah bahwa tebakan awal yang baik
GAMBAR 9.9 biasanya diperlukan untuk memastikan konvergensi. Karena hal ini sering kali sulit diperoleh, pendekatan
Penggambaran grafis dari alternatif yang lebih lambat dibandingkan Newton-Raphson namun dapat digunakan
Metode Gauss-Jordan. memiliki perilaku konvergensi yang lebih baik telah dikembangkan. Salah satu pendekatan yang umum adalah
Bandingkan dengan Gambar 9.3 sampai memformulasi ulang sistem nonlinier sebagai fungsi tunggal
jelaskan perbedaan antara
N
teknik ini dan Gauss 2
F(x) = [ fi(x1, x2,..., xn)] (9.36)
eliminasi. Superskrip (n)
saya=1
berarti unsur-unsur tersebut
vektor sisi kanan miliki dimana fi(xl, x2, . . . , xn) adalah anggota ke-i dari sistem asli Persamaan. (9.31). Nilai-nilai dari
telah dimodifikasi n kali (untuk ini x yang meminimalkan fungsi ini juga mewakili solusi sistem nonlinier. Seperti yang kita inginkan
kasus, n = 3). lihat di Bab. 17, reformulasi ini termasuk dalam kelas permasalahan yang disebut regresi nonlinier. Oleh karena
itu, hal ini dapat didekati dengan sejumlah teknik optimasi seperti
yang dijelaskan kemudian dalam teks ini (Bagian Empat dan khususnya Bab 14).
9.7 GAUSS-JORDAN
Metode Gauss-Jordan merupakan variasi dari eliminasi Gauss. Perbedaan utamanya adalah itu
ketika suatu hal yang tidak diketahui dieliminasi dalam metode Gauss-Jordan, maka hal tersebut dieliminasi dari semua hal lainnya
persamaan, bukan hanya persamaan berikutnya. Selain itu, semua baris dinormalisasi dengan membaginya
berdasarkan elemen pivotnya. Dengan demikian, langkah eliminasi menghasilkan matriks identitas
daripada matriks segitiga (Gbr. 9.9). Oleh karena itu, tidak perlu mempekerjakan kembali
substitusi untuk mendapatkan solusinya. Metode ini paling baik diilustrasikan dengan sebuah contoh.
CONTOH 9.12 Metode Gauss-Jordan
Pernyataan masalah. Gunakan teknik Gauss-Jordan untuk menyelesaikan sistem yang sama seperti pada
Contoh 9.5:
3x1 ÿ 0,1x2 ÿ 0,2x3 = 7,85
0,1x1 + 7x2 ÿ 0,3x3 = ÿ19,3
0,3x1 ÿ 0,2x2 + 10x3 = 71,4

Larutan. Pertama, nyatakan koefisien dan ruas kanannya sebagai matriks yang diperbesar:
3 ÿ0,1 ÿ0,2 7,85
ÿ 0,1 7 ÿ0,3 ÿ19,3 ÿ
ÿ 0,3 ÿ0,2 10 71.4 ÿ
Kemudian normalkan baris pertama dengan membaginya dengan elemen pivot, 3, untuk menghasilkan
1 ÿ0,0333333 ÿ0,066667 2,61667

ÿ 0,1 7 ÿ0,3 ÿ19.3 ÿ
ÿ 0,3 ÿ0.2 10 71.4 ÿ
Suku x1 dapat dihilangkan dari baris kedua dengan mengurangkan 0,1 kali baris pertama
dari baris kedua. Demikian pula, mengurangi 0,3 kali baris pertama dari baris ketiga akan menghasilkan hasil yang sama
hilangkan suku x1 dari baris ketiga:
1 ÿ0,0333333 ÿ0,066667 2,61667

ÿ 0 7.00333 ÿ0,293333 ÿ19,5617 ÿ
ÿ 0 ÿ0,190000 10.0200 70.6150 ÿ
Selanjutnya normalkan baris kedua dengan membaginya dengan 7.00333:
1 ÿ0,0333333 ÿ0,066667 2.61667

ÿ0 1 ÿ0,0418848 ÿ2,79320 ÿ
ÿ 0 ÿ0,190000 10.0200 70.6150 ÿ
Pengurangan suku x2 dari persamaan pertama dan ketiga menghasilkan
1 0 ÿ0,0680629 2,52356
ÿ 0 1 ÿ0,0418848 ÿ2,79320 ÿ
ÿ 0 0 10.01200 70.0843 ÿ
Baris ketiga kemudian dinormalisasi dengan membaginya dengan 10,0120:
1 0 ÿ0,0680629 2,52356
ÿ 0 1 ÿ0,0418848 ÿ2,79320 ÿ
ÿ 00 1 7.0000 ÿ
Akhirnya, suku x3 dapat direduksi dari persamaan pertama dan persamaan kedua
100 3.0000
ÿ 010 ÿ2.5000 ÿ
ÿ 001 7.0000 ÿ
Jadi, seperti yang digambarkan pada Gambar 9.8; matriks koefisien telah ditransformasikan menjadi identitas
matriks, dan solusinya diperoleh pada vektor ruas kanan. Perhatikan bahwa tidak diperlukan
substitusi kembali untuk mendapatkan solusinya.
Seluruh materi dalam bab ini mengenai jebakan dan perbaikan dalam eliminasi
Gauss juga berlaku untuk metode Gauss-Jordan. Misalnya saja strategi pivoting serupa
dapat digunakan untuk menghindari pembagian dengan nol dan mengurangi kesalahan pembulatan.
MASALAH 271
Meskipun teknik Gauss-Jordan dan eliminasi Gauss mungkin tampak hampir sama, teknik Gauss-
Jordan memerlukan lebih banyak usaha. Menggunakan pendekatan serupa dengan Sec. 9.2.1, dapat
ditentukan bahwa jumlah kegagalan yang terlibat dalam Gauss-Jordan yang naif adalah
n3 + n2 ÿ n ÿÿÿÿÿÿÿÿ ketika n3
bertambah n + O(n2 ) (9.37)
Jadi, operasi Gauss-Jordan melibatkan sekitar 50 persen lebih banyak daripada operasi eliminasi Gauss
[bandingkan dengan Persamaan. (9.23)]. Oleh karena itu, eliminasi Gauss merupakan metode eliminasi
sederhana yang disukai untuk memperoleh solusi persamaan aljabar linier. Salah satu alasan utama
kami memperkenalkan Gauss-Jordan adalah karena Gauss-Jordan masih digunakan dalam bidang teknik
dan juga dalam beberapa algoritma numerik.
9.8 RINGKASAN
Singkatnya, kita telah mencurahkan sebagian besar bab ini untuk eliminasi Gauss, metode paling
mendasar untuk menyelesaikan persamaan aljabar linier simultan. Meskipun merupakan salah satu teknik
paling awal yang dikembangkan untuk tujuan ini, namun algoritma ini merupakan algoritma yang sangat
efektif untuk mendapatkan solusi bagi banyak masalah teknik. Selain kegunaan praktisnya, bab ini juga
memberikan konteks untuk diskusi kita mengenai isu-isu umum seperti pembulatan, penskalaan, dan
pengondisian. Selain itu, kami menyajikan secara singkat materi tentang metode Gauss-Jordan, serta
sistem kompleks dan nonlinier.
Jawaban yang diperoleh dengan menggunakan eliminasi Gauss dapat diperiksa dengan
mensubstitusikannya ke persamaan awal. Namun, hal ini tidak selalu merupakan pemeriksaan yang
dapat diandalkan untuk sistem yang kondisinya buruk. Oleh karena itu, beberapa kondisi ukuran, seperti
determinan sistem berskala, harus dihitung jika diduga ada kesalahan pembulatan. Menggunakan angka
pivot parsial dan angka yang lebih signifikan dalam penghitungan adalah dua opsi untuk mengurangi
kesalahan pembulatan. Pada bab selanjutnya, kita akan kembali ke topik kondisi sistem ketika kita
membahas invers matriks.
MASALAH
9.1 (c) Gunakan hasil (a) untuk mengilustrasikan mengapa urutan
(a) Tuliskan himpunan persamaan berikut dalam bentuk matriks: perkalian itu penting.
40 = 5x3 + 2x1 9.3 Sejumlah matriks didefinisikan sebagai
10 ÿ x2 = x3
3x2 + 8x1 = 20 45 437
ÿ 12 ÿ ÿ 126 ÿ
(b) Tuliskan transpos matriks koefisien. [A] = [B] =
9.2 Tiga matriks didefinisikan sebagai ÿ 56 ÿ ÿ 204 ÿ
6 ÿ1
40 2 ÿ2 ÿ3ÿ5
943 ÿ6 2 ÿ16 5
ÿ 12 8 ÿ
[A] = [B] = [C] = {C} = [D] =
0,5 2 ÿ3 1 ÿ ÿ
ÿ ÿ5 4 ÿ ÿ1 ÿ
(a) Lakukan semua kemungkinan perkalian yang dapat dihitung

159
antara pasangan matriks tersebut.
ÿ 723 ÿ
(b) Gunakan metode pada Kotak PT3.2 untuk menjelaskan mengapa pasangan [E] =
yang tersisa tidak dapat dikalikan. ÿ 406 ÿ
201 173 9.8 Mengingat persamaannya

[F] = G = 754
10x1 + 2x2 ÿ x3 = 27
Jawablah pertanyaan-pertanyaan berikut mengenai matriks- ÿ 3x1 ÿ 6x2 + 2x3 = ÿ61,5

matriks tersebut: (a) Berapakah dimensi matriks- x1 + x2 + 5x3 = ÿ21,5
matriks tersebut? (b) Identifikasi matriks persegi, kolom,
dan baris. (c) Berapa nilai unsur-unsurnya: a12, b23, d32, e22, f12, g12? (a) Selesaikan dengan eliminasi Gauss yang naif. Tampilkan semua langkah
(d) Lakukan operasi berikut: perhitungan. (b)

Substitusikan hasil Anda ke dalam persamaan awal untuk memeriksa persamaan Anda
(1) [E] + [B] (3) [B] ÿ [E] (4) jawaban.
(2) [A] + [F] 7 × [B] 9.9 Gunakan eliminasi Gauss untuk menyelesaikan:
(5) [A] × [B] (9) [A] × {C} 4x1 + x2 ÿ x3 = ÿ2

(6) {C}T (10) [Saya] × [B] 5x1 + x2 + 2x3 = 4
T
(7) [B] × [A] (11) [E] [E]
6x1 + x2 + x3 = 6
T T
(8) [D] (12) {C} {C}
Gunakan perputaran parsial dan periksa jawaban Anda dengan
9.4 Gunakan metode grafis untuk menyelesaikannya
mensubstitusikannya ke persamaan awal.
2x1 ÿ 6x2 = ÿ18 9.10 Mengingat persamaannya
ÿx1 + 8x2 = 40 2x1 ÿ 6x2 ÿ x3 = ÿ38
Periksa hasil Anda dengan mensubstitusikannya kembali ke persamaan. ÿ 3x1 ÿ x2 + 7x3 = ÿ34
9.5 Diketahui sistem persamaan
ÿ 8x1 + x2 ÿ 2x3 = ÿ20
0,77x1 + x2 = 14,25
(a) Selesaikan dengan eliminasi Gauss dengan putaran parsial. Tampilkan semua
1,2x1 + 1,7x2 = 20
langkah perhitungan. (b)
(a) Selesaikan secara grafis dan periksa hasilnya dengan Substitusikan hasil Anda ke dalam persamaan awal untuk memeriksa persamaan Anda
mensubstitusikannya jawaban.
kembali ke persamaan. (b) Berdasarkan solusi grafis, apa yang Anda harapkan9.11
dariMengingat sistem persamaan
mengenai kondisi sistem? (c) Hitung
determinannya. (d) Selesaikan ÿ 3x2 + 7x3 = 2
dengan menghilangkan hal yang tidak diketahui. x1 + 2x2 ÿ x3 = 3
9.6 Untuk himpunan persamaan
5x1 ÿ 2x2 = 2
2x2 + 5x3 = 1
(a) Hitung determinannya. (b)
2x1 + x2 + x3 = 1
Gunakan aturan Cramer untuk menyelesaikan
3x1 + x2 = 2 x. (c) Gunakan eliminasi Gauss dengan putaran parsial untuk
(a) Hitung determinannya. (b) menyelesaikan x. (d) Substitusikan hasil Anda kembali ke persamaan awal
Gunakan aturan Cramer untuk menyelesaikan untuk memeriksa solusi Anda.
x. (c) Substitusikan hasil Anda kembali ke persamaan awal untuk 9.12 Gunakan eliminasi Gauss-Jordan untuk menyelesaikan:
memeriksa hasil Anda.

2x1 + x2 ÿ x3 = 1
9.7 Diketahui persamaan
5x1 + 2x2 + 2x3 = ÿ4
0,5x1 ÿ x2 = ÿ9.5
3x1 + x2 + x3 = 5
1,02x1 ÿ 2x2 = ÿ18,8
(a) Selesaikan secara Jangan gunakan gerakan berputar. Periksa jawaban Anda dengan
grafis. (b) Hitung determinannya. mensubstitusikannya ke persamaan awal.
9.13 Memecahkan:
(c) Berdasarkan (a) dan (b), apa yang Anda harapkan mengenai kondisi
sistem? (d) Selesaikan x1 + x2 ÿ x3 = ÿ3
dengan menghilangkan hal yang tidak diketahui.
6x1 + 2x2 + 2x3 = 2
(e) Selesaikan lagi, tetapi dengan a11 dimodifikasi sedikit menjadi 0,52.
Tafsirkan hasil Anda. ÿ 3x1 + 4x2 + x3 = 1
MASALAH 273
dengan (a) eliminasi Gauss naif, (b) eliminasi Gauss dengan pivoting parsial, 9.18 Kembangkan, debug, dan uji program dalam bahasa tingkat tinggi atau
dan (c) Gauss-Jordan tanpa pivoting parsial. bahasa makro pilihan Anda untuk menyelesaikan sistem persamaan dengan
9.14 Lakukan perhitungan yang sama seperti pada Contoh 9.11, namun gunakan eliminasi Gauss dengan pivoting parsial. Dasarkan program pada pseudocode
lima penerjun payung dengan ciri-ciri sebagai berikut: dari Gambar 9.6. Uji program menggunakan
sistem berikut (yang memiliki jawaban x1 = x2 = x3 = 1),
Penerjun payung Massa, kg Koefisien Tarik, kg/s x1 + 2x2 ÿ x3 = 2
60 10 5x1 + 2x2 + 2x3 = 9

1 75 12
ÿ 3x1 + 5x2 ÿ x3 = 1
2 60 15
3 75 16
9.19 Tiga massa digantung secara vertikal oleh serangkaian pegas identik
45 90 10
dengan massa 1 di atas dan massa 3 di bawah.
Jika g = 9,81 m/s2 , m1 = 2 kg, m2 = 3 kg, m3 = 2,5 kg, dan k = 10 kg/s2 ,
Penerjun payung mempunyai kecepatan 9 m/s. selesaikan perpindahan x.
9.15 Memecahkan
9.20 Mengembangkan, men-debug, dan menguji program dalam bahasa tingkat
3 + 2i 4 3 + saya
tinggi atau bahasa makro pilihan Anda untuk menyelesaikan sistem n
z1 =
ÿsaya 1 3 persamaan linear simultan berdasarkan Sec. 9.6. Uji programnya
z2
dengan memecahkan Masalah. 7.12.
9.16 Kembangkan, debug, dan uji program dalam bahasa tingkat tinggi atau 9.21 Penarikan kembali dari Bagian. 8.2 yang menentukan sifat kimia air
bahasa makro pilihan Anda untuk mengalikan dua matriks— terkena CO2 di atmosfer dapat ditentukan dengan menyelesaikan lima
yaitu, [X] = [Y][Z], dengan [Y] adalah m kali n dan [Z] adalah n kali p. Uji persamaan nonlinier simultan (Persamaan 8.6 sampai 8.10) untuk lima
program menggunakan matriks dari Prob. 9.2. tidak diketahui: cT, [HCO3 ÿ] , [CO3 2ÿ] , [H+], dan [OHÿ]. Mempekerjakan
9.17 Mengembangkan, men-debug, dan menguji program dalam bahasa tingkat parameter dari Sec. 8.2 dan program yang dikembangkan di Prob. 09.20,
tinggi atau bahasa makro pilihan Anda untuk menghasilkan transpos selesaikan sistem ini untuk kondisi pada tahun 1958 ketika tekanan parsial
dari sebuah matriks. Ujilah pada matriks dari Prob. 9.2. CO2 adalah 315 ppm. Gunakan hasil Anda untuk menghitung pH.
BAB 10
Dekomposisi LU dan
Inversi Matriks
Bab ini membahas sekelompok metode eliminasi yang disebut teknik dekomposisi LU . Daya tarik utama dari
dekomposisi LU adalah bahwa langkah eliminasi yang memakan waktu dapat dirumuskan sehingga hanya
melibatkan operasi pada matriks koefisien, [A].
Oleh karena itu, ini sangat cocok untuk situasi di mana banyak vektor sisi kanan {B} harus dievaluasi untuk satu
nilai [A]. Meskipun ada berbagai cara untuk melakukan hal ini, kami akan fokus untuk menunjukkan bagaimana
metode eliminasi Gauss dapat diterapkan sebagai dekomposisi LU .
Salah satu motif untuk memperkenalkan dekomposisi LU adalah karena dekomposisi ini menyediakan cara
yang efisien untuk menghitung invers matriks. Kebalikannya memiliki sejumlah penerapan berharga dalam
praktik teknik. Ini juga menyediakan sarana untuk mengevaluasi kondisi sistem.
10.1 DEKOMPOSISI LU
Seperti yang dijelaskan dalam Bab. 9, Eliminasi Gauss dirancang untuk menyelesaikan sistem persamaan
aljabar linier,
[A]{X}={B} (10.1)
Meskipun cara ini jelas merupakan cara yang tepat untuk menyelesaikan sistem seperti itu, cara ini menjadi tidak
efisien jika menyelesaikan persamaan dengan koefisien [A] yang sama , namun dengan konstanta ruas kanan
(b ) yang berbeda.
Ingatlah bahwa eliminasi Gauss melibatkan dua langkah: eliminasi maju dan substitusi kembali (Gbr. 9.3).
Dari semua langkah tersebut, langkah eliminasi maju merupakan bagian terbesar dari upaya komputasi (ingat
Tabel 9.1). Hal ini terutama berlaku untuk sistem persamaan yang besar.
Metode dekomposisi LU memisahkan eliminasi matriks [A] yang memakan waktu dari manipulasi sisi kanan
{B}. Jadi, setelah [A] “diuraikan”, beberapa vektor sisi kanan dapat dievaluasi dengan cara yang efisien.
Menariknya, eliminasi Gauss sendiri dapat dinyatakan sebagai dekomposisi LU .

Sebelum menunjukkan bagaimana hal ini dapat dilakukan, pertama-tama mari kita berikan gambaran matematis
tentang strategi dekomposisi.
274
10.1 DEKOMPOSISI LU 275
10.1.1 Ikhtisar Dekomposisi LU
Seperti halnya eliminasi Gauss, dekomposisi LU memerlukan putaran untuk menghindari pembagian
dengan nol. Namun, untuk menyederhanakan uraian berikut, kami akan menunda isu pivoting hingga
pendekatan fundamental diuraikan. Selain itu, penjelasan berikut dibatasi pada himpunan tiga
persamaan simultan. Hasilnya dapat langsung diperluas ke sistem n-dimensi.
Persamaan (10.1) dapat diatur ulang menjadi memberi
[A]{X}ÿ{B} = 0 (10.2)
Misalkan Persamaan. (10.2) dapat dinyatakan sebagai sistem segitiga atas:
u11 u12 u13 x1 d1

ÿ 0 u22 u23 0 ÿ =
x2 d2 (10.3)
ÿ 0 u33 ÿ x3 d3
Sadarilah bahwa ini mirip dengan manipulasi yang terjadi pada langkah pertama eliminasi Gauss.
Artinya, eliminasi digunakan untuk mereduksi sistem menjadi bentuk segitiga atas.
Persamaan (10.3) juga dapat dinyatakan dalam notasi matriks dan disusun ulang menjadi
[U]{X}ÿ{D} = 0 (10.4)
Sekarang, asumsikan ada matriks diagonal bawah dengan angka 1 pada diagonalnya,
1 00 l21 1
[L] = 0 l31 l32 1 (10.5)
yang memiliki properti bahwa ketika Persamaan. (10.4) dikalikan sebelumnya, Persamaan. (10.2) adalah hasilnya.
Itu adalah,
[L]{[U]{X}ÿ{D}} = [A]{X}ÿ{B} (10.6)
Jika persamaan ini berlaku, maka mengikuti aturan perkalian matriks bahwa
[L] [U] = [A] (10.7)

Dan
[L]{D}={B} (10.8)
Strategi dua langkah (lihat Gambar 10.1) untuk memperoleh solusi dapat didasarkan pada Persamaan.
(10.4), (10.7), dan (10.8):
1. Langkah dekomposisi LU. [A] difaktorkan atau “diuraikan” menjadi matriks segitiga bawah [L] dan
atas [U] .
2. Langkah substitusi. [L] dan [U] digunakan untuk menentukan solusi {X} untuk ruas kanan {B}.
Langkah ini sendiri terdiri dari dua langkah. Pertama, Persamaan. (10.8) digunakan untuk
menghasilkan vektor perantara {D} dengan substitusi maju. Kemudian, hasilnya disubstitusikan ke
Persamaan. (10.4), yang dapat diselesaikan dengan substitusi kembali untuk {X}.
Sekarang, mari kita tunjukkan bagaimana eliminasi Gauss dapat diimplementasikan dengan cara ini.
276 DEKOMPOSISI LU DAN INVERSI MATRIKS
KAPAK B
(a) Dekomposisi
UL
L D B
(b) Maju
Pengganti
kamu X D
(c) Mundur
X
GAMBAR 10.1
Langkah-langkah dekomposisi LU.
10.1.2 Versi Dekomposisi LU dari Eliminasi Gauss
Meskipun nilai nominalnya mungkin tidak berhubungan dengan dekomposisi LU , eliminasi Gauss dapat digunakan
untuk mendekomposisi [A] menjadi [L] dan [U]. Hal ini dapat dengan mudah dilihat untuk [U], yang merupakan hasil
kali langsung dari eliminasi maju. Ingatlah bahwa langkah eliminasi maju dimaksudkan untuk mereduksi matriks
koefisien asli [A] ke dalam bentuk
a11 a12 a13

ÿ 0 dan 22 ÿ
[kamu] = sebuah 23 (10.9)
ÿ 0 0 dan 33 ÿ
yang dalam format segitiga atas yang diinginkan.

Meskipun mungkin tidak begitu jelas, matriks [L] juga dihasilkan selama langkah tersebut.
Hal ini dapat dengan mudah diilustrasikan untuk sistem tiga persamaan,
a11 a12 a13 x1 b1

=
a21 a22 a23 x2 b2
a31 a32 a33 x3 b3
Langkah pertama dalam eliminasi Gauss adalah mengalikan baris 1 dengan faktornya [ingat Persamaan. (9.13)]
a21
f21 =
a11
dan kurangi hasilnya dari baris kedua untuk menghilangkan a21. Demikian pula, baris 1 dikalikan dengan
a31
f31 =
a11
dan hasilnya dikurangi dari baris ketiga untuk menghilangkan a31. Langkah terakhir adalah mengalikan baris
kedua yang telah dimodifikasi dengan
sebuah 32
f32 =
sebuah 22
dan kurangi hasilnya dari baris ketiga untuk menghilangkan a 32.

Sekarang anggaplah kita hanya melakukan semua manipulasi ini pada matriks [A].
Jelasnya, jika kita tidak ingin mengubah persamaannya, kita juga harus melakukan hal yang sama pada ruas
kanan {B}. Namun sama sekali tidak ada alasan kita harus melakukan manipulasi secara bersamaan. Jadi, kita
bisa menyimpan f dan memanipulasi {B} nanti.
Dimana kita menyimpan faktor f21, f31, dan f32? Ingatlah bahwa seluruh gagasan di balik eliminasi adalah
untuk menciptakan angka nol pada a21, a31, dan a32. Jadi, kita dapat menyimpan f21 di a21, f31 di a31, dan
f32 di a32. Setelah eliminasi, matriks [A] dapat ditulis sebagai
a11 a12 a13

ÿ ÿ
ÿ f21 sebuah22 sebuah 23 ÿ (10.10)
ÿ f31 f32 a 33 ÿ
Faktanya, matriks ini mewakili penyimpanan dekomposisi LU [A] yang efisien,
[A] ÿ [L][U] (10.11)
Di mana
a11 a12 a13

ÿ 0 dan ÿ
[kamu] = ÿ 22 sebuah 23 ÿ
0 0 dan 33
ÿ ÿ
Dan
100
ÿ f21 10 ÿ
[L] =
ÿ f31 f32 1 ÿ
Contoh berikut menegaskan bahwa [A] = [L][U].
CONTOH 10.1 Dekomposisi LU dengan Pernyataan Masalah Eliminasi Gauss.
Turunkan dekomposisi LU berdasarkan eliminasi Gauss yang dilakukan pada Contoh 9.5.
Larutan. Pada Contoh 9.5, kita menyelesaikan matriksnya
3 ÿ0,1 ÿ0,2 0,1 7

[A] = ÿ0,3 0,3 ÿ0,2 10
Setelah eliminasi ke depan, diperoleh matriks segitiga atas sebagai berikut:
3 ÿ0.1 ÿ0.2
[kamu] = 0 7,00333 ÿ0,293333
0 0 10.0120
Faktor-faktor yang digunakan untuk memperoleh matriks segitiga atas dapat dirangkai menjadi a
matriks segitiga bawah. Unsur a21 dan a31 dihilangkan dengan menggunakan faktor
0,1 0,3
f21 = = 0,03333333 f31 = = 0,1000000
3 3
dan elemen a 32 dihilangkan dengan menggunakan faktor tersebut
ÿ0.19
f32 = = ÿ0,0271300
7,00333
Jadi, matriks segitiga bawahnya adalah

100
[L] = 0,0333333 1 0
0,100000 ÿ0,0271300 1
Akibatnya, dekomposisi LU adalah
100 3 ÿ0.1 ÿ0.2

[A] = [L][U] = 0,0333333 1 0 0 7,00333 ÿ0,293333
0,100000 ÿ0,0271300 1 0 0 10.0120
Hasil ini dapat diverifikasi dengan melakukan perkalian [L][U] untuk menghasilkan
3 ÿ0.1 ÿ0.2
[L] [U] = 0,0999999 7 ÿ0.3
0,3 ÿ0.2 9.99996
dimana perbedaan kecil disebabkan oleh pembulatan.
Berikut ini adalah pseudocode untuk subrutin untuk mengimplementasikan tahap dekomposisi:
SUB Terurai (a, n)

DOFOR k 1, n 1
DOFOR ik 1, n
faktor ai,k/ak,k
ai, faktor k
DOFOR jk 1, n
ak,j ai,j faktor * ai,j
AKHIR LAKUKAN
AKHIR LAKUKAN
AKHIR LAKUKAN
AKHIR Terurai
Perhatikan bahwa algoritme ini “naif” dalam arti tidak menyertakan pivot. Fitur ini
akan ditambahkan nanti ketika kami mengembangkan algoritma lengkap untuk dekomposisi LU .
Setelah matriks didekomposisi, solusi dapat dihasilkan untuk vektor sisi kanan tertentu {B}.
Hal ini dilakukan dalam dua langkah. Pertama, langkah substitusi maju dilakukan dengan
menyelesaikan Persamaan. (10.8) untuk {D}. Penting untuk menyadari bahwa ini hanya sebatas itu saja
melakukan manipulasi eliminasi pada {B}. Jadi, pada akhir langkah ini, sisi kanan akan berada dalam kondisi
yang sama seperti jika kita melakukan gerakan ke depan.
manipulasi pada [A] dan {B} secara bersamaan.
Langkah substitusi maju dapat direpresentasikan secara ringkas sebagai
sayaÿ1
di = biÿ _ ai jdj untuk saya = 2, 3,..., n (10.12)

j=1
Langkah kedua kemudian hanya menerapkan substitusi kembali, seperti pada

Persamaan. (10.4). Sekali lagi, penting untuk menyadari bahwa ini identik dengan pergantian pemain belakang
fase eliminasi Gauss konvensional. Jadi, dengan cara yang mirip dengan Persamaan. (9.16) dan
(9.17), langkah substitusi kembali dapat direpresentasikan secara ringkas sebagai
xn = hari/ tahun (10.13)

N
di ÿ ai j xj
j=i+1
xi = untuk saya = n ÿ 1, n ÿ 2,..., 1 (10.14)
aii
CONTOH 10.2 Langkah-Langkah Substitusi
Pernyataan masalah. Selesaikan masalah yang dimulai pada Contoh 10.1 dengan menghasilkan
solusi akhir dengan substitusi maju dan mundur.
Larutan. Sebagaimana dinyatakan di atas, maksud dari substitusi maju adalah untuk memaksakan eliminasi
manipulasi, yang sebelumnya kita terapkan pada [A], pada vektor sisi kanan {B}.
Ingatlah bahwa sistem yang diselesaikan pada Contoh 9.5 adalah
3 ÿ0,1 ÿ0,2 x1 7.85

0,1 7 ÿ0,3 = ÿ19.3
x2
0,3 ÿ0,2 10 x3 71.4
dan fase eliminasi maju dari eliminasi Gauss konvensional menghasilkan
3 ÿ0,1 ÿ0,2 x1 7.85

0 7,00333 ÿ0,293333 = ÿ19.5617 (E10.2.1)
x2
0 0 10.0120 x3 70.0843
Fase substitusi maju dilaksanakan dengan menerapkan Persamaan. (10.7) untuk masalah kita,
100 d1 7.85
0,0333333 1 0 = ÿ19.3
d2
0,100000 ÿ0,0271300 1 d3 71.4
atau mengalikan ruas kiri,
d1 = 7,85
0,0333333d1 + d2 = ÿ19,3
0,1d1 ÿ 0,02713d2 + d3 = 71,4

Kita dapat menyelesaikan persamaan pertama untuk d1,
d1 = 7,85
yang dapat disubstitusikan ke persamaan kedua untuk diselesaikan
d2 = ÿ19,3 ÿ 0,0333333(7,85) = ÿ19,5617
Baik d1 dan d2 dapat disubstitusikan ke persamaan ketiga untuk menghasilkan
d3 = 71,4 ÿ 0,1(7,85) + 0,02713(ÿ19,5617) = 70,0843
Dengan demikian,
7.85
{D} = ÿ19.5617
70.0843
yang identik dengan sisi kanan Persamaan. (E10.2.1).

Hasil ini kemudian dapat disubstitusikan ke Persamaan. (10.4), [U]{X}={D}, untuk memberi
3 ÿ0,1 ÿ0,2 x1 7.85
0 7,00333 ÿ0,293333 x2 = ÿ19.5617
0 0 10.0120 x3 70.0843
yang dapat diselesaikan dengan substitusi kembali (lihat Contoh 9.5 untuk rinciannya) untuk final
larutan,
3
{X} = ÿ2.5
7.00003
Berikut ini adalah kodesemu untuk subrutin untuk mengimplementasikan kedua fase substitusi:
Pengganti SUB (a, n, b, x)

'substitusi ke depan
DOFOR i 2, n
jumlah dua
DOFOR j 1, i* bj 1
jumlah jumlah ai,j
AKHIR LAKUKAN
dua jumlah
AKHIR LAKUKAN
'pergantian kembali
xn bn/an,n
DOFOR N 1, 1, 1
saya jumlahkan 0
DOFOR ji 1, hal
*
jumlah jumlah ai,j xj
AKHIR LAKUKAN
xi (bi jumlah)/ai,i
AKHIR LAKUKAN
AKHIR Pengganti
Algoritme dekomposisi LU memerlukan total perkalian/pembagian yang sama seperti untuk

Eliminasi Gauss. Satu-satunya perbedaan adalah bahwa lebih sedikit usaha yang dikeluarkan dalam proses tersebut
fase dekomposisi karena operasi tidak diterapkan pada sisi kanan. Dengan demikian,
jumlah kegagalan perkalian/pembagian yang terlibat dalam fase dekomposisi dapat dihitung
sebagai
n3 N saat n n3
- bertambah ÿÿÿÿÿÿÿÿ
+ HAI(n) (10.15)
3 3 3
Sebaliknya, fase substitusi membutuhkan usaha lebih. Jadi, jumlah kegagalan

untuk substitusi maju dan mundur adalah n2 . Oleh karena itu, upaya total identik dengan Gauss
eliminasi
n3 N saat n n3
-
+ n2 bertambah ÿÿÿÿÿÿÿÿ
+ HAI(n2 ) (10.16)
3 3 3
10.1.3 Algoritma Dekomposisi LU
Algoritme untuk mengimplementasikan ekspresi dekomposisi LU dari eliminasi Gauss telah terdaftar
pada Gambar 10.2. Empat fitur algoritma ini perlu disebutkan:
Faktor-faktor yang dihasilkan selama fase eliminasi disimpan di bagian bawah

matriks. Hal ini dapat dilakukan karena angka-angka tersebut tetap dikonversi menjadi nol dan tidak
diperlukan untuk penyelesaian akhir. Penyimpanan ini menghemat ruang.
Algoritme ini melacak perputaran dengan menggunakan vektor orde o. Ini sangat mempercepat
meningkatkan algoritme karena hanya vektor urutan (sebagai lawan seluruh baris) yang diputar.
Persamaannya tidak diskalakan, tetapi nilai elemen yang berskala digunakan untuk menentukannya
apakah pivoting akan dilaksanakan.
Istilah diagonal dipantau selama fase berputar untuk mendeteksi kejadian yang mendekati nol untuk
menandai sistem tunggal. Jika ia mengembalikan nilai er = ÿ1, maka suatu bilangan tunggal
matriks telah terdeteksi dan komputasi harus dihentikan. Parameter tol adalah
diatur oleh pengguna ke jumlah kecil untuk mendeteksi kejadian yang mendekati nol.
10.1.4 Dekomposisi Crout
Perhatikan bahwa untuk implementasi dekomposisi LU dari eliminasi Gauss, matriks [L].
mempunyai angka 1 pada diagonalnya. Hal ini secara resmi disebut sebagai dekomposisi Doolittle, atau
faktorisasi. Pendekatan alternatif melibatkan matriks [U] dengan 1 pada diagonalnya. Ini
disebut dekomposisi Crout. Meskipun ada beberapa perbedaan antara pendekatan tersebut
(Atkinson, 1978; Ralston dan Rabinowitz, 1978), kinerja mereka sebanding.
Pendekatan dekomposisi Crout menghasilkan [U] dan [L] dengan menyapu seluruh
matriks demi kolom dan baris, seperti digambarkan pada Gambar 10.3. Hal ini dapat diimplementasikan
dengan rangkaian rumus ringkas berikut ini:
li,1 = ai,1 untuk saya = 1, 2,..., n (10.17)
a1 j
u1 j = untuk j = 2, 3,..., n (10.18)
l11
SUB Ludecomp (a, b, n, tol, x, er) BERAKHIR JIKA
DIM aktif, sn AKHIR Terurai

eh 0
PANGGILAN Terurai(a, n, tol, o, s, er) SUB Pivot (a, o, s, n, k)
JIKA eh 1 LALU pk
Pengganti PANGGILAN(a, o, n, b, x) ABS besar (ao(k),k/jadi(k))
BERAKHIR JIKA DOFOR ii k 1, n
AKHIR Ludecomp tiruan ABS(ao(ii),k/so(ii))
JIKA tiruannya besar MAKA
SUB Terurai (a, n, tol, o, s, er)
boneka besar
DOF i 1, hal
hal ii
oi Saya
BERAKHIR JIKA
ya ABS(ai,1) AKHIR LAKUKAN
DOFOR j 2, n
operasi tiruan
JIKA ABS(ai,j)si MAKA si ABS(ai,j)
op oke
AKHIR LAKUKAN
oke bodoh
AKHIR LAKUKAN
AKHIR Pivot
DOFOR k 1, n 1
PANGGILAN Pivot(a, o, s, n, k) Pengganti SUB (a, o, n, b, x)
JIKA ABS(ao(k),k/so(k)) tol MAKA DOFOR i 2, n
eh 1 jumlah bo(i)
CETAK ao(k),k/jadi(k) DOFOR j 1, saya 1
KELUAR LAKUKAN jumlahkan ao(i),j* bo(j)
(A) BERAKHIR JIKA AKHIR LAKUKAN
DOF i k 1, hal bo(i) jumlah

faktor ao(i),k/ao(k),k AKHIR LAKUKAN
ao(i),k faktor xn bo(n)/ao(n),n

DOFOR jk 1, n DOFOR i 1, 1, N 1
ao(i),j ao(i),j faktor * ao(k),j jumlah 0
(B) 1, hal
AKHIR LAKUKAN DOFOR ji jumlah
AKHIR LAKUKAN
jumlah ao(i),j * xj
AKHIR LAKUKAN AKHIR LAKUKAN
JIKA ABS(ao(k),k/jadi(k)) tol KEMUDIAN xi (bo(i) jumlah)/ao(i),i

eh 1 AKHIR LAKUKAN
CETAK ao(k),k/jadi(k) AKHIR Pengganti

(C)
GAMBAR 10.2
Pseudocode untuk algoritma dekomposisi LU.
(D)
Untuk j = 2, 3,..., n ÿ 1
jÿ1
li j = ai j ÿ likukj untuk i = j, j + 1,..., n (10.19)
GAMBAR 10.3 k=1
Skema yang menggambarkan
jÿ1
evaluasi yang terlibat dalam Crout LU
ajk - ljiuik
penguraian. saya=1
ujk = untuk k = j + 1, j + 2,..., n (10.20)
aku j
10.2 MATRIKS INVERSE 283
DOFOR j 2, n
a1, j a1,j/a1,1
AKHIR LAKUKAN
DOFOR j 2, n 1
DOFOR ij, n
jumlah 0
DOFOR k 1, j 1
jumlah jumlah ai,k · ak,j
AKHIR LAKUKAN
ai,j ai, jumlah

AKHIR LAKUKAN
DOFOR kj 1, n
jumlah 0
DOF i 1, j 1
jumlah jumlah aj,i · ai,k
AKHIR LAKUKAN
aj, k (aj,k jumlah)/aj,j

AKHIR LAKUKAN
AKHIR LAKUKAN
jumlah 0
DOFOR k 1, n 1
GAMBAR 10.4 jumlah jumlah an,k · ak,n
Kode semu untuk LU Crout AKHIR LAKUKAN
algoritma dekomposisi. sebuah,n

sebuah,n jumlah
Dan
ÿnÿ1
lnn = ann lnkukn (10.21)
k=1
Selain terdiri dari beberapa loop ringkas, pendekatan di atas juga

mempunyai manfaat yaitu ruang penyimpanan dapat dihemat. Tidak perlu menyimpan angka 1
diagonal [U] atau angka 0 untuk [L] atau [U] karena diberikan dalam metode. Akibatnya, nilai [U] dapat disimpan
dalam ruang nol [L]. Selanjutnya, pemeriksaan ketat
turunan di atas memperjelas bahwa setelah setiap elemen [A] digunakan satu kali,
itu tidak pernah digunakan lagi. Oleh karena itu, ketika setiap elemen [L] dan [U] dihitung, hal tersebut dapat terjadi
menggantikan elemen yang sesuai (sebagaimana ditentukan oleh subskripnya) dari [A].
Pseudocode untuk mencapai hal ini disajikan pada Gambar 10.4. Perhatikan bahwa Persamaan. (10.17) tidak
disertakan dalam pseudocode karena kolom pertama [L] sudah disimpan di [A]. Jika tidak, algoritme langsung
mengikuti Persamaan. (10.18) sampai (10.21).
10.2 MATRIKS INVERSE

Dalam pembahasan kita tentang operasi matriks (Bagian PT3.2.2), kami memperkenalkan gagasan bahwa jika
ÿ1
matriks [A] berbentuk persegi, ada matriks lain, [A] , disebut kebalikan dari [A], yang mana
[Persamaan. (PT3.3)]
ÿ1 ÿ1
[A A] = [SEBUAH] [A] = [Saya]
Sekarang kita akan fokus pada bagaimana inversnya dapat dihitung secara numerik. Lalu kita akan menjelajah
bagaimana hal itu dapat digunakan untuk analisis teknik.
10.2.1 Menghitung Invers
Kebalikannya dapat dihitung secara kolom demi kolom dengan menghasilkan solusi dengan
vektor satuan sebagai konstanta ruas kanan. Misalnya, jika ruas kanan konstan
memiliki angka 1 di posisi pertama dan nol di tempat lain,
1
{b} = 0
0
solusi yang dihasilkan akan menjadi kolom pertama dari invers matriks. Demikian pula jika digunakan
vektor satuan dengan angka 1 pada baris kedua
0
{b} = 1
0
hasilnya adalah kolom kedua dari invers matriks.

Cara terbaik untuk mengimplementasikan perhitungan tersebut adalah dengan algoritma dekomposisi LU
dijelaskan di awal bab ini. Ingatlah bahwa salah satu kekuatan besar LU
dekomposisi adalah menyediakan cara yang sangat efisien untuk mengevaluasi beberapa vektor sisi
kanan. Oleh karena itu, ini ideal untuk mengevaluasi beberapa vektor satuan yang diperlukan untuk menghitung
terbalik.
CONTOH 10.3 Inversi Matriks
Pernyataan masalah. Gunakan dekomposisi LU untuk menentukan invers matriks untuk

sistem dari Contoh 10.2.
3 ÿ0,1 ÿ0,2
[A] = 0,1 7 ÿ0,3
0,3 ÿ0,2 10
Ingatlah bahwa dekomposisi menghasilkan segitiga bawah dan atas berikut ini
matriks:
3 ÿ0.1 ÿ0.2 100

[kamu] = 0 7,00333 ÿ0,293333 [L] = 0,0333333 1 0
0 0 10.0120 0,100000 ÿ0,0271300 1
Larutan. Kolom pertama invers matriks dapat ditentukan dengan melakukan

prosedur penyelesaian substitusi maju dengan vektor satuan (dengan 1 pada baris pertama) sebagai
vektor sisi kanan. Jadi, Persamaan. (10.8), sistem segitiga bawah, dapat diatur sebagai
100 d1 1
0,0333333 1 0 d2 = 0
0,100000 ÿ0,0271300 1 d3 0
10.2 MATRIKS INVERSE 285
dan diselesaikan dengan substitusi maju untuk {D}T = 1 ÿ0.03333 ÿ0.1009. vektor ini
kemudian dapat digunakan sebagai ruas kanan Persamaan. (10.3),
3 ÿ0.1 ÿ0.2 x1 1
0 7,00333 ÿ0,293333 x2 = ÿ0,03333
0 0 10.0120 x3 ÿ0.1009
yang dapat diselesaikan dengan substitusi balik untuk {X}T = 0,33249 ÿ0,00518 ÿ0,01008,
yang merupakan kolom pertama matriks,
0,33249 0 0
ÿ1
[A] = ÿ0,00518 0 0
ÿ0,01008 0 0
Untuk menentukan kolom kedua, Persamaan. (10.8) dirumuskan sebagai
100 d1 0
0,0333333 1 0 d2 = 1
0,100000 ÿ0,0271300 1 d3 0
Hal ini dapat diselesaikan untuk {D}, dan hasilnya digunakan dengan Persamaan. (10.3) untuk menentukan {X}T =
0,004944 0,142903 0,00271, yang merupakan kolom kedua dari matriks,
0,33249 0,004944 0
ÿ1
[A] = ÿ0,00518 0,142903 0
ÿ0,01008 0,00271 0
Terakhir, prosedur substitusi maju dan mundur dapat diterapkan dengan {B}T =
001 untuk menyelesaikan {X}T = 0,006798 0,004183 0,09988, yang merupakan kolom terakhir
dari matriks,
0,33249 0,004944 0,006798

ÿ1
[A] = ÿ0,00518 0,142903 0,004183
ÿ0,01008 0,00271 0,09988
ÿ1
Validitas hasil ini dapat diperiksa dengan memverifikasi bahwa [A][A] = [saya].
Pseudocode untuk menghasilkan invers matriks ditunjukkan pada Gambar 10.5. Perhatikan
bagaimana subrutin de-komposisi dari Gambar 10.2 dipanggil untuk melakukan dekomposisi dan
kemudian menghasilkan invers dengan berulang kali memanggil algoritma substitusi dengan vektor satuan.
Upaya yang diperlukan untuk algoritma ini secara sederhana dihitung sebagai
n3 N 4n3 N
-
+ n(n2 ) = -
3 3 3 3 (10.22)
dekomposisi + n × substitusi
dari mana dari Detik. 10.1.2, dekomposisi ditentukan oleh Persamaan. (10.15) dan usaha yang
dilakukan pada setiap evaluasi sisi kanan melibatkan n2 kegagalan perkalian/pembagian.
PANGGILAN Terurai (a, n, tol, o, s, er)

JIKA eh 0 MAKA
DOF i 1, hal
DOFOR j 1, n
JIKA ij MAKA b(j) 1
KALAU TIDAK
b(j) 0
BERAKHIR JIKA
AKHIR LAKUKAN
PANGGILAN Pengganti (a, o, n, b, x)

DOFOR j 1, n ai(j, i)
x(j)
AKHIR LAKUKAN
AKHIR LAKUKAN
Keluaran ai, jika diinginkan

KALAU TIDAK
CETAK "sistem yang tidak berkondisi buruk"

BERAKHIR JIKA
GAMBAR 10.5
Program driver yang menggunakan beberapa subprogram dari Gambar 10.2 untuk menghasilkan invers matriks.
10.2.2 Perhitungan Stimulus-Respon
Seperti yang dibahas di Bagian. PT3.1.2, banyak sistem persamaan linier yang ditemui dalam praktik
teknik berasal dari hukum konservasi. Ekspresi matematis dari hukum-hukum ini adalah suatu bentuk
persamaan keseimbangan untuk memastikan bahwa suatu sifat tertentu—massa, gaya, panas, momentum,
atau lainnya—adalah kekal. Untuk keseimbangan gaya pada suatu struktur, sifat-sifatnya dapat berupa
komponen gaya horizontal atau vertikal yang bekerja pada setiap simpul struktur (lihat Bagian 12.2). Untuk
keseimbangan massa, propertinya mungkin berupa massa di setiap reaktor suatu proses kimia (lihat
Bagian 12.1). Bidang teknik lainnya akan menghasilkan contoh serupa.
Persamaan keseimbangan tunggal dapat ditulis untuk setiap bagian sistem, sehingga menghasilkan
sekumpulan persamaan yang menentukan perilaku properti untuk keseluruhan sistem. Persamaan-
persamaan ini saling terkait, atau digabungkan, dimana setiap persamaan dapat mencakup satu atau
lebih variabel dari persamaan lainnya. Dalam banyak kasus, sistem ini bersifat linier dan oleh karena itu,
bentuk persisnya akan dibahas dalam bab ini:
[A]{X}={B} (10.23)
Sekarang, untuk persamaan keseimbangan, syarat Persamaan. (10.23) memiliki interpretasi fisik
yang pasti. Misalnya, elemen {X} adalah tingkat properti yang seimbang untuk setiap bagian sistem. Dalam
keseimbangan gaya suatu struktur, mereka mewakili gaya horizontal dan vertikal pada setiap anggota.
Untuk neraca massa, adalah massa bahan kimia di setiap reaktor.
Dalam kedua kasus tersebut, mereka mewakili keadaan atau respons sistem, yang kami coba tentukan.
Vektor sisi kanan {B} berisi elemen-elemen keseimbangan yang tidak bergantung pada perilaku
sistem—yakni, elemen-elemen tersebut merupakan konstanta. Oleh karena itu, mereka sering kali
mewakili kekuatan atau rangsangan eksternal yang menggerakkan sistem.
10.3 ANALISIS KESALAHAN DAN KONDISI SISTEM 287
Terakhir, matriks koefisien [A] biasanya berisi parameter yang menyatakan bagaimana
bagian-bagian dari sistem berinteraksi atau digabungkan. Akibatnya, Persamaan. (10.23) mungkin diungkapkan
kembali sebagai
[Interaksi]{response}={stimuli}
Jadi, Persamaan. (10.23) dapat dilihat sebagai ekspresi model matematika dasar itu
kami merumuskan sebelumnya sebagai persamaan tunggal di Bab. 1 [ingat Persamaan. (1.1)]. Sekarang kita bisa melihat
Persamaan itu. (10.23) mewakili versi yang dirancang untuk sistem berpasangan yang melibatkan beberapa
variabel terikat {X}.
Seperti yang kita ketahui dari bab ini dan Bab. 9, ada berbagai cara untuk menyelesaikannya
Persamaan. (10.23). Namun, penggunaan invers matriks memberikan hasil yang sangat menarik. Itu
solusi formal dapat dinyatakan sebagai
ÿ1
{X} = [SEBUAH] {B}
atau (mengingat definisi perkalian matriks dari Kotak PT3.2)
x1 = aÿ1 11 b1 + aÿ112 b2 + aÿ113 b3
x2 = aÿ121 b1 + aÿ122 b2 + aÿ123 b3
x3 = aÿ131 b1 + aÿ132 b2 + aÿ133 b3
Jadi, kita menemukan bahwa matriks terbalik itu sendiri, selain memberikan solusi, juga mempunyai fungsi yang sangat ekstrim
properti yang berguna. Artinya, masing-masing elemennya mewakili respons dari satu bagian saja
sistem ke unit stimulus dari bagian lain dari sistem.
Perhatikan bahwa formulasi ini linier dan, oleh karena itu, superposisi dan proporsionalitas berlaku. Superposisi
berarti bahwa jika suatu sistem terkena beberapa rangsangan yang berbeda (the
b), tanggapannya dapat dihitung secara individual dan hasilnya dijumlahkan untuk memperoleh total
tanggapan. Proporsionalitas berarti mengalikan rangsangan dengan kuantitas akan menghasilkan
respons terhadap rangsangan tersebut dikalikan dengan kuantitas yang sama. Jadi, koefisien aÿ1 11
adalah konstanta proporsionalitas yang memberikan nilai x1 karena tingkat satuan b1. Hasil ini adalah
tidak bergantung pada pengaruh b2 dan b3 pada x1, yang tercermin dalam koefisien aÿ1 12
Dan
dari
13 , masing-masing. Oleh karena itu, kita dapat menarik kesimpulan umum bahwa unsur aÿ1
sebuahÿ1
aku j
matriks terbalik mewakili nilai xi karena kuantitas satuan bj. Menggunakan contoh
dari struktur, elemen aÿ1 aku j
invers matriks akan mewakili gaya pada anggota i
disebabkan oleh satuan gaya luar pada titik j. Bahkan untuk sistem kecil, perilaku seperti itu bersifat individual
interaksi stimulus-respon tidak akan terlihat jelas secara intuitif. Dengan demikian, matriks in-verse memberikan
teknik yang ampuh untuk memahami keterkaitan komponen
bagian dari sistem yang rumit. Kekuatan ini akan ditunjukkan dalam Detik. 12.1 dan 12.2.
10.3 ANALISIS KESALAHAN DAN KONDISI SISTEM

Selain penerapan tekniknya, kebalikannya juga menyediakan sarana untuk membedakan
apakah sistemnya tidak berkondisi buruk. Tiga metode tersedia untuk tujuan ini:
1. Skalakan matriks koefisien [A] sehingga elemen terbesar pada setiap baris adalah 1. Balikkan
ÿ1
matriks yang diskalakan dan jika terdapat elemen [A] itu beberapa kali lipat besarnya
lebih besar dari satu, kemungkinan besar sistem tersebut berada dalam kondisi buruk (lihat Kotak 10.1).
Kotak 10.1 Menafsirkan Elemen Invers Matriks sebagai Ukuran

Pengkondisian Buruk
Salah satu metode untuk menilai kondisi sistem adalah dengan menskalakan [A] Mengurangi Persamaan. (B10.1.2) dari (B10.1.1) hasil
ÿ1
sehingga elemen terbesar di setiap baris adalah 1 dan kemudian menghitung [A] .
ÿ1 {R} = [A] {X}ÿ{X˜}
elemen dari Jika beberapa kali lipat lebih besar dari
ÿ1
elemen [A] dari matriks berskala asli, kemungkinan besar sistem tersebut Mengalikan kedua ruas persamaan ini dengan [A] memberi
berkondisi buruk.
Pemahaman mengenai pendekatan ini dapat diperoleh dengan mengingat {X}ÿ{X˜} = [A] ÿ1{R}
bahwa cara untuk memeriksa apakah solusi perkiraan {X} dapat diterima
Hasil ini menunjukkan mengapa memeriksa solusi dengan substitusi bisa
adalah dengan mensubstitusikannya ke dalam persamaan awal dan melihat ÿ1
menyesatkan. Untuk kasus di mana elemen [A] berukuran besar, perbedaan
apakah konstanta ruas kanan asli menghasilkan hasil. Ini
kecil pada sisa sisi kanan {R} dapat menyebabkan kesalahan besar {X}ÿ{X˜}
setara dengan {R}={B} ÿ [A]{X˜} (B10.1.1) pada nilai perhitungan yang tidak diketahui. Dengan kata lain, sisa yang kecil
tidak menjamin penyelesaian yang akurat. Namun, kita dapat menyimpulkan
dimana {R} adalah sisa antara konstanta sisi kanan dan nilai yang dihitung
bahwa jika elemen terbesar [A] berada pada orde besaran kesatuan, maka
dengan solusi {X˜}. Jika {R} kecil, kita dapat menyimpulkan bahwa nilai {X˜} ÿ1
sistem tersebut dapat dianggap terkondisi baik. Sebaliknya, jika [A] mencakup
sudah memadai. Namun, misalkan {X} adalah solusi eksak yang ÿ1
unsur-unsur yang jauh lebih besar daripada kesatuan, kita menyimpulkan
menghasilkan sisa nol, seperti pada
bahwa sistem tersebut berkondisi buruk.
{0}={B} ÿ [A]{X} (B10.1.2)
2. Kalikan inversnya dengan matriks koefisien asal dan nilai apakah hasilnya mendekati
matriks identitas. Jika tidak, ini menunjukkan kondisi yang buruk.
3. Balikkan matriks terbalik tersebut dan nilai apakah hasilnya cukup mendekati matriks koefisien
aslinya. Jika tidak, hal ini sekali lagi menunjukkan bahwa sistem tersebut dalam keadaan buruk.
Meskipun metode-metode ini dapat menunjukkan kondisi yang buruk, akan lebih baik
jika memperoleh satu nomor (seperti nomor kondisi dari Bagian 4.2.3) yang dapat
berfungsi sebagai indikator masalah. Upaya merumuskan bilangan kondisi matriks seperti
itu didasarkan pada konsep matematis norma.
10.3.1 Norma Vektor dan Matriks
Norma adalah fungsi bernilai riil yang memberikan ukuran ukuran atau “panjang” entitas
matematika multi-komponen seperti vektor dan matriks (lihat Kotak 10.2) .
Contoh sederhananya adalah vektor dalam ruang Euclidean tiga dimensi (Gbr. 10.6) yang dapat
direpresentasikan sebagai
F = abc
dimana a, b, dan c berturut-turut adalah jarak sepanjang sumbu x, y, dan z . Panjang

vektor ini—yaitu, jarak dari koordinat (0, 0, 0) ke (a, b, c)—dapat dihitung secara sederhana
sebagai
Fe = a2 + b2 + c2
dimana tata nama Fe menunjukkan bahwa panjang ini disebut sebagai norma Euclidean
[F].
Kotak 10.2 Norma Matriks
Seperti yang dikembangkan di bagian ini, norma Euclidean dapat digunakan yang mendefinisikan norma sebagai unsur yang mempunyai nilai mutlak
untuk mengukur ukuran suatu vektor, terbesar.
N Dengan menggunakan pendekatan serupa, norma dapat dikembangkan untuk matriks.
Xe = x
saya
2
Misalnya,
saya=1 N
A1 = maks |aij |
atau matriks, 1ÿ jÿn
saya=1
N N
Ae = a2 Artinya, penjumlahan nilai absolut koefisien dilakukan untuk setiap kolom, dan
saya, j
saya=1 j=1 penjumlahan terbesar diambil sebagai norma. Ini disebut norma jumlah kolom.
Untuk vektor, terdapat alternatif yang disebut norma p yang secara umum
Penentuan serupa dapat dilakukan untuk baris-baris tersebut, sehingga menghasilkan
dapat direpresentasikan dengan
matriks seragam atau norma jumlah baris,
N 1/ hal
N
P
XP = |xi|
Aÿ = maks |aij |
saya=1 1ÿiÿn
j=1
Kita juga dapat melihat bahwa norma Euclidean dan norma 2, X2 identik , adalah
Perlu diperhatikan bahwa, berbeda dengan vektor, norma 2 dan norma
untuk vektor. Euclidean untuk suatu matriks tidaklah sama. Sedangkan
Contoh penting lainnya adalah Norma Euclidean Ae dapat dengan mudah ditentukan dengan Persamaan.
N
(10.24), matriks 2 norma A2 dihitung sebagai
X1 = |xi|
1/2
saya=1
A2 = (ÿmaks )
yang merepresentasikan norma sebagai jumlah nilai absolut dari unsur- T
dimana ÿmax adalah nilai eigen terbesar dari [A] [A]. Dalam Bab. 27, kita
unsurnya. Yang lainnya adalah magnitudo maksimum atau vektor seragam
norma. akan mempelajari lebih lanjut tentang nilai eigen. Untuk sementara yang
Intinya adalah bahwa A2 , penting atau spektral, norma adalah norma minimum dan,
Xÿ = maks |xi| memberikan ukuran ukuran yang paling ketat (Ortega 1972).
1ÿiÿn
GAMBAR 10.6
Penggambaran grafis suatu vektor
ÿFÿ = ÿab c] pada ruang Euclidean. ya
a2 b2 c 2
Fe=
z
Demikian pula, untuk vektor berdimensi n X = x1 x2 ··· xn, norma Euclidean akan dihitung
sebagai
Xe = x2
Saya
saya=1
Konsep ini dapat diperluas lebih jauh ke matriks [A], seperti pada
N N
Ae = a2
saya,j
(10.24)
saya=1 j=1
yang diberi nama khusus— norma Frobenius. Namun, seperti norma vektor lainnya, norma ini
memberikan nilai tunggal untuk mengukur “ukuran” [A].
Perlu dicatat bahwa ada alternatif terhadap norma Euclidean dan Frobenius (lihat
Kotak 10.2). Misalnya, norma vektor seragam didefinisikan sebagai
Xÿ = maks | xi| 1ÿiÿn
Artinya, elemen dengan nilai absolut terbesar diambil sebagai ukuran besarnya vektor. Demikian
pula, norma matriks seragam atau norma jumlah baris didefinisikan sebagai
N
Aÿ = maks 1ÿiÿn j=1 | aij | (10.25)
Dalam hal ini, jumlah nilai absolut elemen dihitung untuk setiap baris, dan nilai terbesar diambil
sebagai norma.
Meskipun ada manfaat teoretis dari penggunaan norma-norma tertentu, pilihannya terkadang
dipengaruhi oleh pertimbangan praktis. Misalnya, norma baris seragam banyak digunakan karena
kemudahan penghitungannya dan fakta bahwa norma ini biasanya memberikan ukuran ukuran
matriks yang memadai.
10.3.2 Nomor Kondisi Matriks
Sekarang kita telah memperkenalkan konsep norma, kita dapat menggunakannya untuk mendefinisikannya
Kond [A] = A · Aÿ1 (10.26)
dimana Cond [A] disebut bilangan kondisi matriks. Perhatikan bahwa untuk matriks [A], bilangan
ini akan lebih besar atau sama dengan 1. Dapat ditunjukkan (Ralston dan Rabinowitz, 1978; Gerald
dan Wheatley, 1989) bahwa
X A
ÿ Lanjutan [A]
X A
Artinya, kesalahan relatif dari norma penyelesaian yang dihitung dapat sama besarnya dengan
kesalahan relatif dari norma koefisien [A] dikalikan dengan bilangan kondisi. Misalnya, jika koefisien
[A] diketahui presisi t-digitnya (yaitu, kesalahan pembulatan berada pada urutan 10ÿt ) dan Cond
[A] = 10c maka solusi [X] mungkin hanya valid untuk , t ÿ c digit (kesalahan pembulatan ÿ10cÿt ).
CONTOH 10.4 Evaluasi Kondisi Matriks
Pernyataan masalah. Matriks Hilbert, yang terkenal tidak berkondisi buruk, bisa saja demikian
umumnya direpresentasikan sebagai
1 1/2 1/3 ··· 1/n

ÿ 1/2 1/3 1/4 ··· 1/(n +1) ÿ
ÿ ÿ
ÿ
... . . ÿ
ÿ
... . . ÿ
... . . ÿ
ÿ 1/n 1/(n + 1) 1/(n + 2) ··· 1/(2n ÿ 1) ÿ
Gunakan norma jumlah baris untuk memperkirakan bilangan kondisi matriks untuk 3 × 3 Hilbert
matriks,
1 1/2 1/3
[A] = 1/2 1/3 1/4
1/3 1/4 1/5
Larutan. Pertama, matriks dapat dinormalisasi sehingga elemen maksimum pada setiap barisnya
adalah 1,
1 1/2 1/3
[A] = 1 2/3 1/2
1 3/4 3/5
Menjumlahkan setiap baris menghasilkan 1,833, 2,1667, dan 2,35. Jadi, baris ketiga memiliki
jumlah terbesar dan norma jumlah baris adalah
3 3
SEBUAHÿ = 1 + + = 2,35
45
Kebalikan dari matriks berskala dapat dihitung sebagai
9 ÿ18 10
ÿ1 =
[A] ÿ36 96 ÿ60
30ÿ90 60
Perhatikan bahwa elemen matriks ini lebih besar dari matriks aslinya. Hal ini juga tercermin dalam
norma jumlah barisnya, yang dihitung sebagai
SEBUAHÿ1
ÿ
= |ÿ36| + |96| + |ÿ60| = 192
Dengan demikian, bilangan kondisi dapat dihitung sebagai
Kond [A] = 2,35(192) = 451,2
Fakta bahwa jumlah kondisi jauh lebih besar daripada satu menunjukkan bahwa
sistem tidak berkondisi buruk. Tingkat pengkondisian buruk dapat diukur dengan menghitung c =
log 451.2 = 2.65. Komputer yang menggunakan representasi floating-point IEEE memiliki
kira-kira t = log 2ÿ24 = 7.2 digit basis-10 signifikan (ingat Bagian 3.4.1). Karena itu,
solusinya dapat menunjukkan kesalahan pembulatan hingga 10(2.65-7.2) = 3 × 10ÿ5 . Perhatikan itu
perkiraan hampir selalu melebih-lebihkan kesalahan sebenarnya. Namun, mereka berguna untuk mengingatkan
Anda terhadap kemungkinan bahwa kesalahan pembulatan mungkin signifikan.
Secara praktis, masalah dengan penerapan Persamaan. (10.26) adalah harga komputasi yang diperlukan
untuk memperoleh Aÿ1. Rice (1983) menguraikan beberapa strategi yang mungkin dilakukan
mengurangi masalah ini. Lebih lanjut, ia menyarankan cara alternatif untuk menilai kondisi sistem: jalankan
solusi yang sama pada dua kompiler berbeda. Karena kode yang dihasilkan akan
mungkin menerapkan aritmatika secara berbeda, efek dari pengondisian buruk harus terlihat dari eksperimen
semacam itu. Terakhir, harus disebutkan bahwa paket perangkat lunak
seperti MATLAB dan Mathcad memiliki kemampuan untuk menghitung kondisi matriks dengan mudah. Kami
akan meninjau kemampuan ini ketika kami meninjau paket tersebut di akhir
Bab. 11.
10.3.3 Penyempurnaan Berulang
Dalam beberapa kasus, kesalahan pembulatan dapat dikurangi dengan prosedur berikut. Seandainya
kita menyelesaikan kumpulan persamaan berikut:
a11x1 + a12x2 + a13x3 = b1
a21x1 + a22x2 + a23x3 = b2 (10.27)

a31x1 + a32x2 + a33x3 = b3
Agar ringkas, pembahasan berikut akan kami batasi pada sistem kecil (3×3) ini. Namun, pendekatan ini
umumnya dapat diterapkan pada kumpulan persamaan linier yang lebih besar.
Misalkan perkiraan vektor solusi diberikan oleh {X˜}T = x˜1 x˜2 x˜3. Solusi ini
dapat disubstitusikan ke Persamaan. (10.27) memberi
a11x˜1 + a12x˜2 + a13x˜3 = b˜ 1

a21x˜1 + a22x˜2 + a23x˜3 = b˜ 2 (10.28)
a31x˜1 + a32x˜2 + a33x˜3 = b˜ 3
Sekarang, anggaplah solusi eksak {X} dinyatakan sebagai fungsi perkiraan

penyelesaian dan vektor faktor koreksi {X}, dimana
x1 = ~x1 + x1
x2 = ~x2 + x2 (10.29)
x3 = ~x3 + x3
Jika hasil ini disubstitusikan ke Persamaan. (10.27), hasil sistem berikut:
a11(x˜1 + x1) + a12(x˜2 + x2) + a13(x˜3 + x3) = b1
a21(x˜1 + x1) + a22(x˜2 + x2) + a23(x˜3 + x3) = b2 a31(x˜1 + x1) + (10.30)

a32(x˜2 + x2) + a33(x˜ 3 + x3) = b3
MASALAH 293
Sekarang, Persamaan. (10.28) dapat dikurangi dari Persamaan.
(10.30) menghasilkan a11x1 + a12x2 + 1 = E1

a13x3 = b1 ÿ b˜ a21x1 + a22x2 + a23x3 2 = E2 (10.31)
= b2 ÿ b˜ a31x1 + a32x2 + a33x3 = b3 ÿ b˜3 = E3
Sistem ini sendiri merupakan sekumpulan persamaan linier simultan yang dapat diselesaikan untuk mendapatkan faktor
koreksinya. Faktor-faktor tersebut kemudian dapat diterapkan untuk meningkatkan solusi, seperti yang ditentukan oleh
Persamaan. (10.29).
Relatif mudah untuk mengintegrasikan prosedur penyempurnaan berulang ke dalam program
komputer untuk metode eliminasi. Hal ini sangat efektif untuk pendekatan dekomposisi LU yang
dijelaskan sebelumnya, yang dirancang untuk mengevaluasi vektor sisi kanan yang berbeda
secara efisien. Perhatikan bahwa agar efektif untuk memperbaiki sistem yang terkondisi buruk, E
dalam Persamaan. (10.31) harus dinyatakan dalam presisi ganda.
MASALAH
10.1 Gunakan aturan perkalian matriks untuk membuktikan bahwa 10.6 Gunakan dekomposisi LU untuk menentukan invers matriks untuk
Persamaan. (10.7) dan (10.8) mengikuti sistem berikut. Jangan gunakan strategi berputar, dan periksa strategi Anda
ÿ1
dari Persamaan. (10.6). 10.2 (a) Gunakan eliminasi Gauss naif untuk hasil dengan memverifikasi bahwa [A][A] = [saya].
menguraikan sistem berikut sesuai dengan penjelasan di Bagian. 10.1.2.
10x1 + 2x2 ÿ x3 = 27
7x1 + 2x2 ÿ 3x3 = ÿ12 2x1
ÿ3x1 ÿ 6x2 + 2x3 = ÿ61,5 x1 +
+ 5x2 ÿ 3x3 = ÿ20 x1 ÿ x2 ÿ
x2 + 5x3 = ÿ21,5
6x3 = ÿ26
10.7 Lakukan dekomposisi Crout pada
Kemudian, kalikan matriks [L] dan [U] yang dihasilkan untuk menentukan
bahwa [A] dihasilkan. (b) Gunakan dekomposisi LU untuk menyelesaikan sistem. 2x1 ÿ 5x2 + x3 = 12
Tunjukkan semua langkah dalam perhitungan. (c) Selesaikan juga sistem ÿx1 + 3x2 ÿ x3 = ÿ8
vektor ruas kanan alternatif: {B}T = 12 18 ÿ6. 3x1 ÿ 4x2 + 2x3 = 16
10.3
(a) Selesaikan sistem persamaan berikut dengan dekomposisi LU tanpa Kemudian, kalikan matriks [L] dan [U] yang dihasilkan untuk menentukan
memutar bahwa [A] dihasilkan.
10.8 Sistem persamaan berikut dirancang untuk menentukan konsentrasi ( c
x1 + 7x2 ÿ 4x3 = ÿ51
dalam g/m3 ) dalam serangkaian reaktor berpasangan sebagai fungsi dari
4x1 ÿ 4x2 + 9x3 = 62 12x1 jumlah masukan massa ke setiap reaktor (sisi kanan dalam g/hari),
ÿ x2 + 3x3 = 8
(b) Tentukan invers matriks. Periksa hasil Anda dengan memverifikasi 15c1 ÿ 3c2 ÿ c3 = 3300
ÿ1
itu [A] [A] = [saya].
ÿ3c1 + 18c2 ÿ 6c3 = 1200
10.4 Selesaikan sistem persamaan berikut menggunakan dekomposisi LU
ÿ4c1 ÿ c2 + 12c3 = 2400
dengan pivot parsial:
2x1 ÿ 6x2 ÿ x3 = ÿ38 (a) Tentukan invers matriks. (b)

Gunakan invers untuk menentukan solusinya. (c)
ÿ3x1 ÿ x2 + 7x3 = ÿ34
Tentukan berapa laju masukan massa ke reaktor 3 yang harus ditingkatkan
ÿ8x1 + x2 ÿ 2x3 = ÿ20
untuk menyebabkan kenaikan konsentrasi reaktor 1 sebesar 10 g/m3.
10.5 Tentukan total flop sebagai fungsi dari banyaknya persamaan n untuk
fase (a) dekomposisi, (b) substitusi maju, dan (c) substitusi belakang dari (d) Berapa penurunan konsentrasi dalam reaktor 3 jika laju masukan massa
dekomposisi LU versi eliminasi Gauss. ke reaktor 1 dan 2 masing-masing dikurangi sebesar 700 dan 350 g/hari?
10.9 Selesaikan kumpulan persamaan berikut dengan dekomposisi LU : Berapa banyak digit presisi yang akan hilang akibat pengondisian yang buruk?
(b) Ulangi (a), namun skalakan matriksnya dengan menjadikan elemen
3x1 ÿ 2x2 + x3 = ÿ10
maksimum pada setiap baris sama dengan satu.
2x1 + 6x2 ÿ 4x3 = 44 10.16 Tentukan bilangan kondisi berdasarkan norma jumlah baris untuk
ÿ x1 ÿ 2x2 + 5x3 = ÿ26 matriks Hilbert 4 × 4 yang dinormalisasi. Berapa banyak digit presisi yang
signifikan yang akan hilang karena pengkondisian yang buruk?
10.10 (a) Tentukan dekomposisi LU tanpa memutar secara manual untuk 10.17 Selain matriks Hilbert, ada matriks lain yang pada dasarnya
matriks berikut dan periksa hasilnya dengan memvalidasi bahwa [L][U] = berkondisi buruk. Salah satu kasusnya adalah matriks Vandermonde yang
[A]. mempunyai bentuk sebagai berikut:
821
ÿ 372 ÿ
x2 1 x1 1
ÿ ÿ
ÿ
x2 2 x2 1 ÿ
ÿ 239 ÿ
ÿ x2 3 x3 1ÿ
(b) Gunakan hasil (a) untuk menghitung determinan. (c) Ulangi (a) dan (b) (a) Tentukan bilangan kondisi berdasarkan norma jumlah baris untuk kasus
menggunakan MATLAB. dimana x1 = 4, x2 = 2, dan x3 = 7. (b) Gunakan
perangkat lunak MATLAB atau Mathcad untuk menghitung spektral
10.11 Gunakan dekomposisi LU berikut untuk (a) menghitung determinan
dan bilangan kondisi Frobenius.
dan (b) menyelesaikan [A]{x} = {b} dengan {b}T = ÿ10 44 ÿ26.
10.18 Mengembangkan program yang mudah digunakan untuk dekomposisi
1 3 ÿ2 1 LU berdasarkan pseudocode dari Gambar 10.2.
ÿ 0,6667 1 ÿÿÿ 7.3333 ÿ4.6667 ÿ
[A] = [L][U] = 10.19 Mengembangkan program yang mudah digunakan untuk dekomposisi
ÿ ÿ0,3333 ÿ0,3636 1 ÿ 3.6364 ÿ LU , termasuk kemampuan untuk mengevaluasi invers matriks. Dasarkan
program pada Gambar. 10.2 dan 10.5.
10.12 Tentukan Ae, A1, dan Aÿ untuk 10.20 Gunakan teknik penyempurnaan berulang untuk memperbaiki x1 =
2, x2 = ÿ3, dan x3 = 8, yang merupakan solusi perkiraan dari
ÿ6 ÿ2 5
ÿ 8 1.1 ÿ2.5 ÿ 2x1 + 5x2 + x3 = ÿ5
[A] =
ÿ ÿ3 ÿ1 10.3 ÿ 5x1 + 2x2 + x3 = 12
x1 + 2x2 + x3 = 3
Skala matriks dengan membuat elemen maksimum di setiap baris sama
dengan satu. 10.21 Pertimbangkan vektor:
10.13 Tentukan Frobenius dan norma jumlah baris untuk
sistem di Probs. 10.3 dan 10.4. Skalakan matriks dengan membuat elemen SEBUAH = 2i ÿ 3j + ak
maksimum pada setiap baris sama dengan satu. B = dua +j ÿ 4k

10.14 Matriks [A] didefinisikan sebagai C = 3i + cj + 2k
0,125 0,25 0,5 1
Vektor A tegak lurus terhadap B dan juga C. Diketahui juga bahwa B · C = 2.
ÿ 0,015625 0,625 0,25 1ÿ
[A] =
ÿ ÿ
Gunakan metode apa pun yang dipelajari dalam bab ini untuk menyelesaikan
ÿ
0,00463 0,02777 0,16667 1 ÿ
tiga hal yang tidak diketahui, a, b, dan c.

ÿ 0,001953 0,015625 0,125 1 ÿ 10.22 Perhatikan vektor-vektor berikut:
Dengan menggunakan norma jumlah kolom, hitung nomor kondisi dan A = ai + bj + ck

berapa banyak digit tersangka yang akan dihasilkan oleh matriks
B = ÿ2i +j ÿ 4k
ini. 10.15 (a) Tentukan bilangan kondisi untuk sistem berikut dengan
C = saya + 3j + 2k
menggunakan norma jumlah baris. Jangan normalkan sistem.
1 4 9 16 25 dimana A adalah vektor yang tidak diketahui. Jika
ÿ 4 9 16 25 36 ÿ
ÿ ÿ
(A × B) + (A × C) = (5a + 6)i + (3b ÿ 2)j + (ÿ4c + 1)k

ÿ
ÿ
9 16 25 36 49 ÿ
16 25 36 49 64 ÿ
gunakan metode apa pun yang dipelajari dalam bab ini untuk menyelesaikan tiga hal yang
ÿ 25 36 49 64 81 ÿ tidak diketahui, a, b, dan c.
MASALAH 295
10.23 Biarkan fungsi tersebut didefinisikan pada interval [0, 2] sebagai berikut: Gunakan presisi yang cukup dalam menampilkan hasil agar Anda dapat
mendeteksi
kapak + b, 0 ÿ x ÿ 1 cx +
f (x) = ketidakakuratan. (b) Ulangi bagian (a) dengan menggunakan
d, 1 ÿ x ÿ 2
matriks Hilbert 7 × 7. (c) Ulangi bagian (a) dengan menggunakan matriks Hilbert 10 × 10.
Tentukan konstanta a, b, c, dan d sehingga fungsi f memenuhi persamaan 10.25 Interpolasi polinomial terdiri dari penentuan polinomial orde ke-1 unik (n
berikut: ÿ 1) yang cocok dengan n titik data. Polinomial tersebut mempunyai bentuk
umum,
• f (0) = f (2) = 1. • f
kontinu pada seluruh interval. • a + b = 4. f (x) = p1xnÿ1 + p2xnÿ2 + ··· + pnÿ1x + pn (P10.25)
dimana p adalah koefisien konstan. Cara mudah untuk menghitung koefisien

Turunkan dan selesaikan sistem persamaan aljabar linier dengan bentuk adalah dengan menghasilkan n persamaan aljabar linier yang dapat kita
matriks yang identik dengan Persamaan. selesaikan secara bersamaan untuk koefisiennya. Misalkan kita ingin
(10.1). 10.24 menentukan koefisien polinomial orde keempat f (x) = p1x4 + p2x3 + p3x2 +
(a) Buatlah matriks Hilbert 3 × 3. Ini akan menjadi matriks Anda [A]. p4x + p5 yang melalui lima titik berikut: (200, 0,746), (250, 0,675), (300 , 0,616),
Kalikan matriks dengan vektor kolom {x} = [1, 1, 1]T . Solusi dari [A]{x} (400, 0,525), dan (500, 0,457). Masing-masing pasangan ini dapat disubstitusikan
akan menjadi vektor kolom lainnya{b}. Dengan menggunakan paket ke Persamaan. (P10.25) untuk menghasilkan sistem lima persamaan dengan
numerik dan eliminasi Gauss apa pun, carilah solusi [A]{x}={b} menggunakan lima hal yang tidak diketahui ( p). Gunakan pendekatan ini untuk menyelesaikan
matriks Hilbert dan vektor {b} yang telah Anda hitung. Bandingkan hasilnya koefisien. Selain itu, menentukan dan menafsirkan nomor kondisi.
dengan vektor {x} yang Anda ketahui .
BAB 11
Matriks Khusus dan
Gauss-Seidel
Matriks tertentu mempunyai struktur tertentu yang dapat dimanfaatkan untuk mengembangkan
skema solusi yang efisien. Bagian pertama bab ini dikhususkan untuk dua sistem tersebut: matriks
berpita dan matriks simetris. Metode eliminasi yang efisien dijelaskan untuk keduanya.
Bagian kedua dari bab ini beralih ke alternatif metode eliminasi, yaitu metode perkiraan dan
berulang. Fokusnya adalah pada metode Gauss-Seidel, yang menggunakan tebakan awal dan
kemudian melakukan iterasi untuk mendapatkan estimasi solusi yang lebih baik. Metode Gauss-
Seidel sangat cocok untuk persamaan dalam jumlah besar. Dalam kasus ini, metode eliminasi
dapat mengalami kesalahan pembulatan. Karena kesalahan metode Gauss-Seidel dikendalikan
oleh jumlah iterasi, kesalahan pembulatan tidak menjadi masalah dalam metode ini. Namun, ada
beberapa contoh di mana teknik Gauss-Seidel tidak dapat menghasilkan jawaban yang benar. Hal
ini dan trade-off lainnya antara metode eliminasi dan metode iteratif akan dibahas di halaman
berikutnya.
11.1 MATRIK KHUSUS

Sebagaimana disebutkan pada Kotak PT3.1, matriks berpita adalah matriks persegi yang semua
elemennya sama dengan nol, kecuali pita yang berpusat pada diagonal utama. Sistem berpita
sering dijumpai dalam bidang teknik dan praktik ilmiah. Misalnya, hal ini biasanya terjadi dalam
penyelesaian persamaan diferensial. Selain itu, metode numerik lainnya seperti spline kubik (Bagian
18.5) melibatkan penyelesaian sistem berpita.
Dimensi sistem berpita dapat diukur dengan dua parameter: BW lebar pita dan HBW setengah
bandwidth (Gbr. 11.1). Kedua nilai ini dihubungkan dengan BW = 2HBW + 1. Secara umum, sistem
berpita adalah sistem yang ai j = 0 jika |i ÿ j| >
PBR.
Meskipun eliminasi Gauss atau dekomposisi LU konvensional dapat digunakan untuk
menyelesaikan persamaan berpita, hal tersebut tidak efisien, karena jika pivot tidak diperlukan,
tidak ada elemen di luar pita yang akan berubah dari nilai aslinya yaitu nol. Dengan demikian,
ruang dan waktu yang tidak perlu akan dihabiskan untuk penyimpanan dan manipulasi angka nol
yang tidak berguna ini. Jika diketahui sebelumnya bahwa pivot tidak diperlukan, algoritma yang
sangat efisien dapat dikembangkan yang tidak melibatkan elemen nol di luar pita. Karena banyak
permasalahan yang melibatkan sistem banded tidak memerlukan pivoting, algoritma alternatif ini,
seperti dijelaskan selanjutnya, adalah metode pilihan.
296
11.1 MATRIK KHUSUS 297
PBR + 1
Diagonal
PBR
BW
(a) Dekomposisi
DOFOR k 2, n
GAMBAR 11.1
ek ek/fk1
fk fk ek gk1 Parameter yang digunakan untuk mengukur dimensi sistem berpita. BW dan PBR masing-masing
AKHIR LAKUKAN menentukan bandwidth dan setengah bandwidth.
(b) Substitusi maju

11.1.1 Sistem Tridiagonal
DOFOR k 2, n
Sistem tridiagonal—yaitu, sistem dengan bandwidth 3—secara umum dapat dinyatakan sebagai
rk rk ek rk1
AKHIR LAKUKAN
f1 g1 ÿ x1 ÿ ÿ r1 ÿ
ÿ ÿ x2 r2
ÿ
e2 f2 g2 e3 f3 ÿ
ÿ ÿ
g3 x3 r3
(c) Substitusi kembali
ÿ ÿ
ÿ
· ·· ÿ
· ·
ÿ ÿ
= (11.1)
ÿ
·· · ÿ
· ·
xn rn/fn ÿ ÿ
ÿÿÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿÿÿ
1
ÿ
·· · ÿ
· ·
DOFOR buku 1, 1, ÿ ÿ
ÿ ÿ
xk (rk gk xk1)/fk idÿ1 fnÿ1 gnÿ1 fn xnÿ1 rnÿ1

AKHIR LAKUKAN
ÿ en ÿ ÿÿÿÿÿÿÿÿÿÿÿ
xn ÿÿÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿÿÿ
rn ÿÿÿÿÿÿÿÿÿÿÿ
GAMBAR 11.2
Perhatikan bahwa kita telah mengubah notasi koefisien dari a dan b menjadi e, f, g, dan r. Hal ini
Pseudocode untuk dilakukan untuk menghindari penyimpanan sejumlah besar angka nol yang tidak berguna dalam
mengimplementasikan
matriks persegi a. Modifikasi yang menghemat ruang ini menguntungkan karena algoritma yang
algoritma Thomas, metode
dihasilkan memerlukan lebih sedikit memori komputer.
dekomposisi LU untuk sistem tridi-agonal.
Gambar 11.2 menunjukkan pseudocode untuk metode efisien, yang disebut algoritma Thomas,
untuk menyelesaikan Persamaan. (11.1). Seperti dekomposisi LU konvensional , algoritma ini
terdiri dari tiga langkah: dekomposisi dan substitusi maju dan mundur. Dengan demikian, semua
keuntungan dari de-komposisi LU , seperti evaluasi yang mudah terhadap beberapa vektor sisi
kanan dan invers matriks, dapat dicapai dengan penerapan yang tepat dari algoritma ini.
CONTOH 11.1 Solusi Tridiagonal dengan Rumusan Masalah
Algoritma Thomas. Selesaikan sistem tridiagonal berikut dengan algoritma Thomas.
2.04 ÿ1 ÿ T1 ÿ ÿ 40,8 ÿ
ÿ ÿ1 2,04 ÿ1 ÿ
T2 0,8
ÿ ÿ
=
ÿ
ÿ1 2,04 ÿ1 ÿ
ÿÿÿ T3 ÿÿÿ ÿÿÿ 0,8 ÿÿÿ
ÿ ÿ1 2.04 ÿ ÿÿÿ
T4 ÿÿÿ ÿÿÿ
200.8 ÿÿÿ
298 MATRIK KHUSUS DAN GAUSS-SEIDEL
Larutan. Pertama, dekomposisi diimplementasikan sebagai
e2 = ÿ1/2,04 = ÿ0,49 f2 = 2,04
ÿ (ÿ0,49)(ÿ1) = 1,550 e3 = ÿ1/1,550 = ÿ0,645 f3
= 2,04 ÿ (ÿ0,645)(ÿ1) = 1,395 e4 =
ÿ1 /1,395 = ÿ0,717 f4 = 2,04 ÿ (ÿ0,717)(ÿ1) =
1,323
Dengan demikian, matriks telah diubah menjadi
2,04 ÿ1 ÿ0,49
ÿ 1,550 ÿ1 ÿ0,645 1,395 ÿ1 ÿ
ÿ ÿ
ÿ0,717 1,323 ÿ
ÿ ÿ
dan dekomposisi LU adalah
2.04 ÿ1
ÿ 1 ÿ0,49 ÿÿ 1.550 ÿ1 ÿ
[A] = [L][U] = ÿ ÿ
1 ÿ0,645
ÿ
ÿ
ÿ
1.395 ÿ1 1.323
ÿ
ÿ 1 ÿ0,717 1 ÿ ÿ ÿ
Anda dapat memverifikasi kebenarannya dengan mengalikan [L][U] untuk menghasilkan [A].
Pergantian maju dilaksanakan sebagai
r2 = 0,8 ÿ (ÿ0,49)40,8 = 20,8

r3 = 0,8 ÿ (ÿ0,645)20,8 = 14,221
r4 = 200,8 ÿ (ÿ0,717)14,221 = 210,996
Jadi, vektor ruas kanan telah dimodifikasi menjadi
ÿ
40,8 ÿ
20,8
ÿÿ 14.221 ÿÿ
ÿÿ 210.996 ÿÿ
yang kemudian dapat digunakan bersama dengan matriks [U] untuk melakukan substitusi kembali dan mendapatkan
solusinya
T4 = 210,996/1,323 = 159,480
T3 = [14,221 ÿ (ÿ1)159,48]/1,395 = 124,538
T2 = [20,800 ÿ (ÿ1)124,538]/1,550 = 93,778
T1 = [40,800 ÿ (ÿ1)93,7 78]/2.040 = 65.970
11.1.2 Dekomposisi Cholesky
Ingat kembali Kotak PT3.1 bahwa matriks simetris adalah matriks dimana ai j kata, = aji untuk semua i dan j. Di tempat
T
[A] = [A] lain . Sistem seperti ini umumnya terjadi dalam bidang matematika dan teknik
11.1 MATRIK KHUSUS 299
konteks masalah. Mereka menawarkan keunggulan komputasi karena hanya memerlukan separuh
penyimpanan dan, dalam banyak kasus, hanya separuh waktu komputasi yang diperlukan untuk solusinya.
Salah satu pendekatan yang paling populer melibatkan dekomposisi Cholesky. Algoritma ini
didasarkan pada kenyataan bahwa matriks simetris dapat didekomposisi, seperti pada
T
[A] = [L] [L] (11.2)
Artinya, faktor-faktor segitiga yang dihasilkan merupakan transpos satu sama lain.
Ketentuan Persamaan. (11.2) dapat dikalikan dan disamakan satu sama lain. Hasilnya dapat
diungkapkan secara sederhana dengan relasi perulangan. Untuk baris ke-k,
saya ÿ1
aki ÿ li jlkj
j=1
lki = untuk saya = 1, 2,..., k ÿ 1 (11.3)
lii
Dan
kÿ1
2
lkk = akk ÿ (11.4)
liter kj
j=1
CONTOH 11.2 Dekomposisi Cholesky
Pernyataan masalah. Terapkan dekomposisi Cholesky pada matriks simetris
6 15 55
ÿ 15 55 225 ÿ
[A] =
ÿ 55 225 979 ÿ
Larutan. Untuk baris pertama (k = 1), Persamaan. (11.3) dilewati dan Persamaan. (11.4) digunakan untuk
menghitung
l11 = ÿa11 = ÿ 6 = 2.4495 Untuk
baris kedua (k = 2), Persamaan. (11.3) memberi
a21
15
l21 = = = 6.1237
l11
2.4495
dan Persamaan. (11.4) hasil
l22 = a22 ÿ l 2
21 = 55 ÿ (6,1237)2 = 4,1833
Untuk baris ketiga (k = 3), Persamaan. (11.3) menghasilkan (i = 1)
a31
55
l31 = = = 22.454
l11
2.4495
dan (i = 2)
a32 ÿ l21l31 225 ÿ 6.1237(22.454)
l32 = = = 20.917
l22 4.1833
DOFOR k 1,n dan Persamaan. (11.4) hasil

DOFOR i 1, k 1
jumlah 0. 2 ÿ aku 2
l33 = a33 ÿ l 31 32 = 979 ÿ (22.454)2 ÿ (20.917)2 = 6.1101
DOFOR j 1, saya 1
jumlahkan aij akj Dengan demikian, dekomposisi Cholesky menghasilkan
AKHIR LAKUKAN
aki (aki jumlah)/aii 2.4495

AKHIR LAKUKAN ÿ 6.1237 4.1833 ÿ
[L] =
jumlah 0.
ÿ 22.454 20.917 6.1101 ÿ
DOFOR j 1, k 1
jumlah jumlah a2 kj Validitas dekomposisi ini dapat diverifikasi dengan mensubstitusikannya dan transposenya ke dalam
AKHIR LAKUKAN
Persamaan. (11.2) untuk melihat apakah produknya menghasilkan matriks asli [A]. Ini tersisa untuk sebuah
aku jumlah akk latihan.
AKHIR LAKUKAN
GAMBAR 11.3
Kode semu untuk LU Cholesky
algoritma dekomposisi. Gambar 11.3 menyajikan pseudocode untuk mengimplementasikan algoritma dekomposisi Cholesky.
Perlu dicatat bahwa algoritma pada Gambar 11.3 dapat mengakibatkan kesalahan eksekusi jika
evaluasi akk melibatkan pengambilan akar kuadrat dari bilangan negatif. Namun, untuk
kasus dimana matriksnya pasti positif,1 hal ini tidak akan pernah terjadi. Karena banyak matriks simetris
yang ditangani dalam bidang teknik, pada kenyataannya, merupakan algoritma Cholesky yang pasti positif
mempunyai penerapan yang luas. Manfaat lain menangani matriks simetri pasti positif
adalah bahwa berputar tidak diperlukan untuk menghindari pembagian dengan nol. Dengan demikian, kita dapat
mengimplementasikan algoritma pada Gambar 11.3 tanpa kerumitan pivoting.
11.2 GAUSS-SEIDEL
Metode iteratif atau perkiraan memberikan alternatif terhadap metode eliminasi yang dijelaskan pada poin
ini. Pendekatan tersebut serupa dengan teknik yang kami kembangkan untuk memperolehnya
akar persamaan tunggal di Bab. 6. Pendekatan tersebut terdiri dari menebak suatu nilai
dan kemudian menggunakan metode sistematis untuk mendapatkan perkiraan akar yang lebih baik. Karena
Bagian ini membahas masalah serupa—mendapatkan nilai-nilai yang secara bersamaan memenuhi
serangkaian persamaan—kita mungkin menduga bahwa metode perkiraan seperti itu bisa
berguna dalam konteks ini.
Metode Gauss-Seidel adalah metode iteratif yang paling umum digunakan. Asumsikan bahwa
kita diberikan satu set n persamaan:
[A]{X}={B}
Misalkan agar ringkasnya kita membatasi diri pada himpunan persamaan 3 × 3. Jika diagonalnya
semua elemennya bukan nol, persamaan pertama dapat diselesaikan untuk x1, persamaan kedua untuk x2, dan persamaan tersebut
ketiga untuk x3 untuk menghasilkan
b1 ÿ a12x2 ÿ a13x3
x1 = (11.5a)
a11
1Matriks definit positif adalah matriks yang hasil kali {X}T [A]{X} lebih besar dari nol untuk semua vektor
bukan nol {X}.

11.2 GAUSS-SEIDEL 301
b2 ÿ a21x1 ÿ a23x3
x2 = (11.5b)
a22
b3 ÿ a31x1 ÿ a32x2
x3 = (11.5c)
a33
Sekarang, kita dapat memulai proses penyelesaian dengan memilih tebakan untuk x. Cara yang sederhana
untuk mendapatkan tebakan awal berarti berasumsi bahwa semuanya nol. Angka nol ini bisa diganti
ke dalam Persamaan. (11.5a), yang dapat digunakan untuk menghitung nilai baru untuk x1 = b1/ a11. Kemudian, kita
substitusikan nilai x1 yang baru ini bersama dengan tebakan sebelumnya yaitu nol untuk x3 ke dalam Persamaan. (11.5b) sampai
hitung nilai baru untuk x2. Proses ini diulangi untuk Persamaan. (11.5c) untuk menghitung estimasi baru untuk
x3. Kemudian kita kembali ke persamaan pertama dan ulangi seluruh prosedur sampai persamaan kita
solusinya konvergen cukup dekat dengan nilai sebenarnya. Konvergensi dapat diperiksa menggunakan
kriteria [ingat Persamaan. (3.5)]
J jÿ1
x ÿ x saya
saya
|ÿa,saya| = J 100% < ÿs (11.6)

x
saya
untuk semua i, dimana j dan j ÿ 1 adalah iterasi sekarang dan sebelumnya.
CONTOH 11.3 Metode Gauss-Seidel
Pernyataan masalah. Gunakan metode Gauss-Seidel untuk mendapatkan solusi sistem yang sama dengan
yang digunakan pada Contoh 10.2:
3x1 ÿ 0,1x2 ÿ 0,2x3 = 7,85
0,1x1 + 7x2 ÿ 0,3x3 = ÿ19,3
0,3x1 ÿ 0,2x2 + 10x3 = 71,4
Ingatlah bahwa solusi sebenarnya adalah x1 = 3, x2 = ÿ2.5, dan x3 = 7.
Larutan. Pertama, selesaikan setiap persamaan yang tidak diketahui pada diagonalnya.
7,85 + 0,1x2 + 0,2x3

x1 = (E11.3.1)
3
ÿ19,3 ÿ 0,1x1 + 0,3x3

x2 = (E11.3.2)
7
71,4 ÿ 0,3x1 + 0,2x2

x3 = (E11.3.3)
10
Dengan asumsi bahwa x2 dan x3 adalah nol, Persamaan. (E11.3.1) dapat digunakan untuk menghitung
7,85 + 0 + 0
x1 = = 2,616667
3
Nilai ini, beserta asumsi nilai x3 = 0, dapat disubstitusikan ke dalam Persamaan. (E11.3.2)
menghitung
ÿ19,3 ÿ 0,1(2,616667) + 0
x2 = = ÿ2,794524
7
Iterasi pertama diselesaikan dengan mensubstitusi nilai terhitung untuk x1 dan x2 ke dalam
Persamaan. (E11.3.3) untuk menghasilkan
71,4 ÿ 0,3(2,616667) + 0,2(ÿ2,794524)

x3 = = 7,005610
10
Untuk iterasi kedua, proses yang sama diulangi untuk menghitung
7,85 + 0,1(ÿ2,794524) + 0,2(7,005610)

x1 = = 2,990557 |ÿt| = 0,31%
3
ÿ19,3 ÿ 0,1(2,990557) + 0,3(7,005610)

x2 = = ÿ2,499625 |ÿt| = 0,015%
7
71,4 ÿ 0,3(2,990557) + 0,2(ÿ2,499625)

x3 = = 7.000291 |ÿt| = 0,0042%
10
Oleh karena itu, metode ini menyatu pada solusi yang sebenarnya. Mungkin ada iterasi tambahan
diterapkan untuk meningkatkan jawaban. Namun, dalam suatu permasalahan sebenarnya, kita tidak akan mengetahui hal tersebut
jawaban yang benar apriori. Akibatnya, Persamaan. (11.6) menyediakan cara untuk memperkirakan kesalahan. Untuk
Misalnya, untuk x1,
2.990557 ÿ 2.616667
|ÿa,1| = 100% = 12,5%
2.990557
Untuk x2 dan x3 estimasi errornya adalah |ÿa,2| = 11,8% dan |ÿa,3| = 0,076%. Perhatikan itu, sebagaimana adanya
kasus ketika menentukan akar persamaan tunggal, rumusan seperti Persamaan. (11.6) biasanya memberikan
penilaian konvergensi yang konservatif. Jadi, ketika terpenuhi, mereka memastikan
agar hasilnya diketahui paling sedikit toleransi yang ditentukan oleh ÿs.
Karena setiap nilai x baru dihitung untuk metode Gauss-Seidel, nilai tersebut segera digunakan
dalam persamaan berikutnya untuk menentukan nilai x lainnya . Jadi, jika penyelesaiannya konvergen, maka
perkiraan terbaik yang tersedia akan digunakan. Pendekatan alternatif, yang disebut iterasi Jacobi,
menggunakan taktik yang agak berbeda. Daripada menggunakan x terbaru yang tersedia, teknik ini menggunakan
Persamaan. (11.5) untuk menghitung himpunan x baru berdasarkan himpunan x lama. Jadi, sebagai
nilai-nilai baru dihasilkan, nilai-nilai tersebut tidak langsung digunakan melainkan disimpan untuk nilai berikutnya
pengulangan.
Perbedaan antara metode Gauss-Seidel dan iterasi Jacobi digambarkan pada

Gambar 11.4. Meskipun ada kasus tertentu di mana metode Jacobi berguna, pemanfaatan estimasi terbaik yang
tersedia oleh Gauss-Seidel biasanya menjadikannya metode pilihan.
11.2.1 Kriteria Konvergensi Metode Gauss-Seidel
Perhatikan bahwa metode Gauss-Seidel memiliki semangat yang mirip dengan teknik titik tetap sederhana
iterasi yang digunakan di Sec. 6.1 untuk menyelesaikan akar-akar persamaan tunggal. Ingat itu
Iterasi titik tetap yang sederhana mempunyai dua masalah mendasar: (1) kadang-kadang tidak konvergen dan (2)
ketika konvergen, sering kali terjadi dengan sangat lambat. Metode Gauss-Seidel
juga dapat menunjukkan kekurangan ini.
Iterasi Pertama
x1 (b1 a12x2 a13x3)/a11 x1 (b1 a12x2 a13x3)/a11
ÿ
x2 (b2 a21x1 a23x3)/a22 x2 (b2 a21x1 a23x3)/a22
ÿ
x3 (b3 a31x1 a32x2)/a33 x3 (b3 a31x1 a32x2)/a33
Interasi Kedua ÿ
ÿ
x1 (b1 a12x2 a13x3)/a11 x1 (b1 a12x2 a13x3)/a11
ÿ
x2 (b2 a21x1 a23x3)/a22 x2 (b2 a21x1 a23x3)/a22
ÿ
x3 (b3 a31x1 a32x2)/a33 x3 (b3 a31x1 a32x2)/a33
(A) (B)
GAMBAR 11.4
Penggambaran grafis perbedaan antara (a) Gauss-Seidel dan (b) iteratif Jacobi
metode penyelesaian persamaan aljabar linier simultan.
Kriteria konvergensi dapat dikembangkan dengan mengingat kembali dari Sec. 6.5.1 yang cukup con-
ketentuan konvergensi dua persamaan nonlinier, u(x, y) dan v(x, y), adalah
ÿu ÿu
+ <1 (11.7a)
ÿx ÿy
Dan
ÿv ÿv
+ <1 (11.7b)
ÿx ÿy
Kriteria ini juga berlaku untuk persamaan linear yang diselesaikan dengan metode Gauss-Seidel.
Misalnya, dalam kasus dua persamaan simultan, Gauss-Seidel
algoritma [Persamaan. (11.5)] dapat dinyatakan sebagai
b1 a12
-
kamu(x1, x2) x2 (11.8a)
= a11 a11
Dan
b2 a21
-
v(x1, x2) = x1 (11.8b)
a22 a22
Turunan parsial dari persamaan ini dapat dievaluasi terhadap masing-masing persamaan yang tidak
diketahui sebagai
ÿu ÿu
=0 = ÿa12
ÿx1 ÿx2 a11
Dan
ÿv ÿv
= ÿa21 =0
ÿx1 a22 ÿx2
yang dapat disubstitusikan ke Persamaan. (11.7) memberi
a12
<1 (11.9a)
a11
Dan
a21
<1 (11.9b)
a22
Dengan kata lain, nilai absolut dari lereng Persamaan. (11.8) harus kurang dari kesatuan untuk
memastikan konvergensi. Ini ditampilkan secara grafis pada Gambar 11.5. Persamaan (11.9) juga dapat
dirumuskan kembali sebagai
|a11| > |a12|
Dan
|a22| > |a21|
Artinya, elemen diagonal harus lebih besar dari elemen di luar diagonal untuk setiap baris.
Perpanjangan persamaan di atas ke n persamaan sangatlah mudah dan dapat dinyatakan sebagai
N
|aii| > |aij | (11.10)

j=1
j=saya
GAMBAR 11.5
Ilustrasi (a) konvergensi dan (b) divergensi metode Gauss-Seidel. Perhatikan bahwa fungsi
yang sama diplot dalam kedua kasus (u: 11x1 + 13x2 = 286; v: 11x1 ÿ 9x2 = 99). Jadi, urutan
penerapan persamaan (seperti yang digambarkan oleh arah panah pertama dari titik asal)
menentukan apakah perhitungannya konvergen.
x2 x2 ay
ay
kamu
x1 x1
kamu
(A) (B)
Artinya, koefisien diagonal pada masing-masing persamaan harus lebih besar dari jumlah nilai absolut
koefisien lain dalam persamaan tersebut. Kriteria ini cukup tetapi tidak diperlukan untuk konvergensi.
Artinya, meskipun metode ini terkadang berhasil jika Persamaan. (11.10) tidak terpenuhi, konvergensi
dijamin jika kondisi terpenuhi. Sistem di mana Persamaan. (11.10) pegangan disebut dominan secara
diagonal. Untungnya, banyak permasalahan teknik yang penting secara praktis memenuhi persyaratan
ini.
11.2.2 Peningkatan Konvergensi Menggunakan Relaksasi
Relaksasi merupakan sedikit modifikasi dari metode Gauss-Seidel dan dirancang untuk meningkatkan
konvergensi. Setelah setiap nilai x baru dihitung menggunakan Persamaan. (11.5), nilai tersebut
dimodifikasi oleh rata-rata tertimbang dari hasil iterasi sebelumnya dan sekarang:
baru x i tua
= ÿxbaru + (1 ÿ ÿ)x
Saya Saya
(11.11)
dimana ÿ adalah faktor pembobotan yang diberi nilai antara 0 dan 2.

Jika ÿ = 1, (1 ÿ ÿ) sama dengan 0 dan hasilnya tidak diubah. Namun, jika ÿ ditetapkan pada nilai
antara 0 dan 1, hasilnya adalah rata-rata tertimbang dari hasil sekarang dan sebelumnya. Modifikasi
jenis ini disebut underrelaxation. Biasanya digunakan untuk membuat sistem nonkonvergen menyatu
atau mempercepat konvergensi dengan meredam osilasi.
Untuk nilai ÿ dari 1 hingga 2, bobot tambahan diberikan pada nilai sekarang. Dalam hal ini,
terdapat asumsi implisit bahwa nilai baru bergerak ke arah yang benar menuju solusi sebenarnya
namun dengan kecepatan yang terlalu lambat. Dengan demikian, penambahan bobot ÿ dimaksudkan
untuk meningkatkan perkiraan dengan mendekatkannya pada kebenaran. Oleh karena itu, jenis
modifikasi ini, yang disebut relaksasi berlebihan, dirancang untuk mempercepat konvergensi sistem
yang sudah konvergen. Pendekatan ini juga disebut relaksasi berlebihan berturut-turut atau simultan,
atau SOR.
Pemilihan nilai yang tepat untuk ÿ sangat spesifik untuk masalah dan sering kali ditentukan secara
empiris. Untuk solusi tunggal suatu himpunan persamaan, hal ini sering kali tidak diperlukan. Namun,
jika sistem yang diteliti ingin diselesaikan berulang kali, efisiensi yang dihasilkan oleh pilihan ÿ yang
bijaksana bisa menjadi sangat penting. Contoh yang baik adalah sistem persamaan diferensial parsial
yang sangat besar yang sering muncul ketika memodelkan variasi variabel kontinu (ingat sistem
terdistribusi yang digambarkan pada Gambar PT3.1b). Kami akan kembali ke topik ini di Bagian Delapan.
11.2.3 Algoritma Gauss-Seidel Algoritma untuk
metode Gauss-Seidel, dengan relaksasi, digambarkan pada Gambar 11.6. Perhatikan bahwa algoritma
ini tidak dijamin akan konvergen jika persamaan tidak dimasukkan dalam bentuk dominan diagonal.
Pseudocode memiliki dua fitur yang perlu disebutkan. Pertama, ada satu set loop bersarang awal
untuk membagi setiap persamaan dengan elemen diagonalnya. Hal ini mengurangi jumlah total operasi
dalam algoritma. Kedua, perhatikan bahwa pemeriksaan kesalahan ditentukan oleh variabel yang
disebut sentinel. Jika salah satu persamaan mempunyai kesalahan perkiraan yang lebih besar dari
kriteria penghentian (es), maka iterasi diperbolehkan untuk dilanjutkan. Penggunaan sentinel memungkinkan kita
SUBRUTIN Gseid (a,b,n,x,imax,es,lambda)

DOFOR i 1,n tiruan
ai,i
DOFOR j 1,n ai,j
ai,j/dummy
AKHIR LAKUKAN
bi bi/boneka
AKHIR LAKUKAN
DOF i 1, n
jumlah dua
DOFOR j 1, n
JIKA ij MAKA jumlah jumlah ai,j*xj
AKHIR LAKUKAN
xsum
AKHIR LAKUKAN
iter1
MELAKUKAN
penjaga 1
DOFOR i 1,n xi
sum bi lama
DOFOR j 1,n
JIKA ij MAKA jumlah jumlah ai,j*xj
AKHIR LAKUKAN
xi lambda*jumlah (1.lambda)*lama JIKA

sentinel 1 DAN xi 0. MAKA ea ABS((xi
lama)/xi)*100.
JIKA ea es MAKA sentinel 0
BERAKHIR JIKA
AKHIR LAKUKAN
ulangi ulang 1
JIKA sentinel 1 ATAU (iter imax) KELUAR
AKHIR LAKUKAN
AKHIR Gseid
GAMBAR 11.6
Pseudocode untuk Gauss-Seidel dengan relaksasi.
untuk menghindari perhitungan estimasi kesalahan yang tidak perlu ketika salah satu persamaan
melebihi kriteria.
11.2.4 Konteks Masalah Metode Gauss-Seidel
Selain menghindari dilema pembulatan, teknik Gauss-Seidel memiliki sejumlah keunggulan

lain yang membuatnya sangat menarik dalam konteks permasalahan teknik tertentu.
Misalnya, ketika matriks yang dimaksud sangat besar dan sangat jarang (yaitu, sebagian
besar elemennya nol), metode eliminasi membuang sejumlah besar memori komputer
dengan menyimpan angka nol.
11.3 PERSAMAAN ALJABAR LINEAR DENGAN PAKET PERANGKAT LUNAK 307
Pada awal bab ini, kita telah melihat bagaimana kekurangan ini dapat diatasi jika matriks koefisiennya
diberi pita. Untuk sistem nonbanded, biasanya tidak ada cara sederhana untuk menghindari kebutuhan
memori yang besar saat menggunakan metode eliminasi. Karena semua komputer memiliki jumlah memori
yang terbatas, inefisiensi ini dapat membatasi ukuran sistem yang memerlukan metode eliminasi.
Meskipun algoritma umum seperti pada Gambar 11.6 rentan terhadap kendala yang sama, struktur
persamaan Gauss-Seidel [Persamaan. (11.5)] memungkinkan program ringkas dikembangkan untuk sistem
tertentu. Karena hanya koefisien bukan nol yang perlu dimasukkan dalam Persamaan. (11.5), penghematan
memori komputer dalam jumlah besar dimungkinkan. Meskipun hal ini memerlukan lebih banyak investasi di
muka dalam pengembangan perangkat lunak, keuntungan jangka panjangnya sangat besar ketika berhadapan
dengan sistem besar yang memerlukan banyak simulasi. Baik sistem variabel terdistribusi maupun terdistribusi
dapat menghasilkan matriks yang besar dan renggang sehingga metode Gauss-Seidel dapat digunakan.
PERANGKAT 11.3 PERSAMAAN ALJABAR LINEAR DENGAN PAKET PERANGKAT LUNAK

Paket perangkat lunak memiliki kemampuan luar biasa untuk menyelesaikan sistem persamaan aljabar linier.
Sebelum menjelaskan alat-alat ini, kami harus menyebutkan bahwa pendekatan yang dijelaskan dalam Bab.
7 untuk penyelesaian sistem nonlinier dapat diterapkan pada sistem linier. Namun, pada bagian ini, kita akan
LUNAK fokus pada pendekatan yang dirancang khusus untuk persamaan linear.
11.3.1 Unggul
Ada dua cara menyelesaikan persamaan aljabar linier dengan Excel: (1) menggunakan alat Solver atau (2)
menggunakan fungsi inversi matriks dan perkalian.
Ingatlah bahwa salah satu cara untuk menentukan solusi persamaan aljabar linier adalah
ÿ1
{X} = [SEBUAH] {B} (11.12)
Excel memiliki fungsi bawaan untuk inversi dan perkalian matriks yang dapat digunakan untuk
mengimplementasikan rumus ini.
CONTOH 11.4 Menggunakan Excel untuk Menyelesaikan Pernyataan
Masalah Sistem Linier. Ingatlah bahwa di Bab. 10 kami memperkenalkan matriks Hilbert. Sistem berikut ini
didasarkan pada matriks Hilbert. Perhatikan bahwa koefisien tersebut diskalakan, seperti yang dilakukan
sebelumnya pada Contoh 10.3, sehingga koefisien maksimum pada setiap baris adalah satu.
1 1/2 1/3 1 2/3 x1 1.833333

1/2 1 3/4 3/5 x2 = 2.166667
x3 2.35
Solusi dari sistem ini adalah {X}T = 1 1 1. Gunakan Excel untuk mendapatkan solusi ini.
Larutan. Spreadsheet untuk mengatasi masalah ini ditampilkan pada Gambar 11.7. Pertama, matriks [A] dan
konstanta sisi kanan {B} dimasukkan ke dalam sel spreadsheet. Kemudian, sekumpulan sel dengan dimensi
yang tepat (dalam contoh kita 3 × 3) disorot dengan mengklik dan menyeret mouse atau dengan menggunakan
tombol panah sambil menekan tombol shift. Seperti pada Gambar 11.7, kami menyorot rentang: B5. .D7.
PERANGKAT
GAMBAR 11.7
Selanjutnya, rumus yang memanggil fungsi invers matriks dimasukkan,
=minverse(B1..D3)
Perhatikan bahwa argumennya adalah rentang yang menampung elemen [A]. Tombol Ctrl dan Shift ditahan
sementara tombol Enter ditekan. Invers yang dihasilkan dari [A] akan dihitung oleh Excel dan ditampilkan
dalam rentang B5. .D7 seperti yang ditunjukkan pada Gambar 11.7.
Pendekatan serupa digunakan untuk mengalikan invers dengan vektor ruas kanan. Untuk
dalam hal ini, kisaran dari F5. .F7 disorot dan rumus berikut dimasukkan
=mmult(B5..D7,F1..F3)
ÿ1
, kedua adalah matriks kedua
dimana range pertama adalah matriks pertama yang dikalikan, [A] dan range
yang dikalikan, {B}. Dengan kembali menggunakan kombinasi Ctrl-Shift-Enter , solusi {X} akan dihitung oleh
Excel dan ditampilkan dalam rentang F5. .F7, seperti yang ditunjukkan pada Gambar 11.7. Seperti yang
bisa dilihat, hasil jawaban yang benar.
Perhatikan bahwa kami sengaja memformat ulang hasil pada Contoh 11.4 untuk menampilkan 15 digit.
Kami melakukan ini karena Excel menggunakan presisi ganda untuk menyimpan nilai numerik. Jadi, kita
melihat bahwa kesalahan pembulatan terjadi pada dua digit terakhir. Hal ini menyiratkan suatu angka kondisi
di urutan 100, yang sesuai dengan hasil 451,2 yang awalnya dihitung dalam Contoh 10.3. Excel tidak
memiliki kemampuan untuk menghitung nomor kondisi. Dalam kebanyakan kasus, terutama karena
menggunakan angka presisi ganda, hal ini tidak menimbulkan masalah. Namun, untuk kasus di mana Anda
menduga sistem mengalami gangguan, penentuan nomor kondisi akan berguna. Perangkat lunak MATLAB
dan Mathcad mampu menghitung kuantitas ini.
11.3.2 MATLAB
Sesuai dengan namanya, MATLAB (kependekan dari MATrix LABoratory) dirancang untuk memudahkan
manipulasi matriks. Jadi, seperti yang diharapkan, kemampuannya dalam bidang ini sangat bagus.
TABEL 11.1 MATLAB berfungsi untuk mengimplementasikan analisis matriks dan aljabar linier numerik.
Analisis Matriks Persamaan linear
Fungsi Keterangan Fungsi Keterangan
kond Nomor kondisi matriks \ dan / Solusi persamaan linier; gunakan "bantuan tebas"
norma Norma matriks atau vektor chol Faktorisasi Cholesky
peringkat Penaksir kondisi timbal balik LINPACK lu Faktor dari eliminasi Gauss
kedua Jumlah baris atau kolom yang bebas inv Kebalikan matriks
linier
det Penentu qr Dekomposisi ortogonal-segitiga
jejak Jumlah elemen diagonal qrdhapuse Hapus kolom dari QR
faktorisasi
null Ruang kosong qrinsert Masukkan kolom dalam faktorisasi QR
atau Ortogonalisasi nnls Kuadrat terkecil nonnegatif
rref Bentuk eselon baris tereduksi pinv Kebalikan semu
lscov Kuadrat terkecil yang diketahui keberadaannya
kovarians
Beberapa fungsi utama MATLAB yang terkait dengan operasi matriks tercantum pada Tabel 11.1.
Contoh berikut mengilustrasikan beberapa kemampuan ini.
CONTOH 11.5 Menggunakan MATLAB untuk Memanipulasi Persamaan Aljabar Linier
Pernyataan masalah. Jelajahi bagaimana MATLAB dapat digunakan untuk menyelesaikan dan menganalisis
persamaan aljabar linier. Gunakan sistem yang sama seperti pada Contoh 11.4.
Larutan. Pertama, kita masukkan matriks [A] dan vektor {B} ,
>> SEBUAH = [ 1 1/2 1/3 ; 1 2/3 2/4 ; 1 3/4 3/5 ]
SEBUAH =
1.0000 0,5000 0,3333

1.0000 0,6667 0,5000
1.0000 0,7500 0,6000
>> B=[1+1/2+1/3;1+2/3+2/4;1+3/4+3/5]
B=
1.8333
2.1667
2.3500
Selanjutnya kita dapat menentukan nomor kondisi untuk [A], seperti pada
>> lanjutan(A)
jawab =
366.3503
Hasil ini didasarkan pada norma spektral, atau A2, yang dibahas dalam Kotak 10.2. Perhatikan bahwa besarannya sama dengan
bilangan kondisi = 451,2 berdasarkan norma jumlah baris pada Contoh 10.3. Kedua hasil tersebut menyiratkan bahwa presisi antara
2 dan 3 digit dapat hilang.
PERANGKAT
Sekarang kita dapat menyelesaikan sistem persamaan dengan dua cara berbeda. Yang paling langsung dan
cara yang efisien adalah dengan menggunakan garis miring terbalik, atau “pembagian kiri:”
>> X=A\B
X=
1.0000
1.0000
1.0000
Untuk kasus seperti kita, MATLAB menggunakan eliminasi Gauss untuk menyelesaikan sistem tersebut.
Sebagai alternatif, kita dapat menerapkan Persamaan. (PT3.6) secara langsung, seperti pada
>> X=inv(A)*B
X=
1.0000
1.0000
1.0000
Pendekatan ini sebenarnya menentukan invers matriks terlebih dahulu kemudian melakukan perkalian matriks. Oleh karena itu, ini
lebih memakan waktu dibandingkan menggunakan pendekatan garis miring terbalik.
11.3.3 Matematika
Mathcad berisi banyak fungsi khusus yang memanipulasi vektor dan matriks. Ini termasuk operasi umum seperti perkalian titik,
transpos matriks, penjumlahan matriks, dan perkalian matriks. Selain itu, memungkinkan penghitungan invers matriks, determinan,
jejak, berbagai jenis norma, dan bilangan kondisi berdasarkan norma yang berbeda. Ia juga memiliki beberapa fungsi yang
menguraikan matriks.
Sistem persamaan linear dapat diselesaikan dengan dua cara dengan Mathcad. Pertama, dimungkinkan untuk menggunakan
inversi matriks dan perkalian selanjutnya dengan ruas kanan seperti yang dibahas pada Bab. 10. Selain itu, Mathcad memiliki fungsi
khusus yang disebut lsolve(A,b) yang dirancang khusus untuk menyelesaikan persamaan linier. Anda dapat menggunakan fungsi
bawaan lainnya untuk mengevaluasi kondisi A guna menentukan apakah A hampir tunggal dan karenanya mungkin dikenakan
pembulatan
kesalahan.
Sebagai contoh, mari kita gunakan lsolve untuk menyelesaikan sistem persamaan linear. Seperti ditunjukkan pada Gambar
11.8, langkah pertama adalah memasukkan koefisien matriks A menggunakan simbol definisi dan menu tarik-turun Sisipkan/Matriks.
Ini memberikan sebuah kotak yang memungkinkan Anda menentukan dimensi matriks. Untuk kasus kita, kita akan memilih dimensi
4×4, dan Mathcad menempatkan matriks kosong berukuran 4 kali 4 di layar. Sekarang, cukup klik sel yang sesuai
GAMBAR 11.8
Layar Mathcad untuk menyelesaikan sistem persamaan aljabar linier.
lokasi dan masukkan nilai. Ulangi operasi serupa untuk membuat vektor b sisi kanan.
Sekarang vektor x didefinisikan sebagai lsolve(A,b) dan nilai x ditampilkan dengan sama
tanda.
Kita juga dapat menyelesaikan sistem yang sama menggunakan invers matriks. Kebalikannya dapat dengan
mudah dihitung hanya dengan menaikkan A ke eksponen ÿ1. Hasilnya ditampilkan di sisi kanan
dari Gambar 11.8. Solusinya kemudian dihasilkan sebagai produk dari waktu terbalik b.
Selanjutnya, mari kita gunakan Mathcad untuk mencari invers dan bilangan kondisi matriks Hilbert. Seperti pada
Gambar 11.9, matriks berskala dapat dimasukkan menggunakan simbol definisi dan
Menu tarik ke bawah Sisipkan/Matriks. Kebalikannya dapat dihitung lagi hanya dengan menaikkan H menjadi
eksponen ÿ1. Hasilnya ditunjukkan pada Gambar 11.9. Kita kemudian dapat menggunakan beberapa Mathcad lainnya
berfungsi untuk menentukan bilangan kondisi dengan menggunakan simbol definisi untuk mendefinisikan variabel c1,
c2, ce, dan ci sebagai bilangan kondisi berdasarkan jumlah kolom (cond1), spektral
(cond2), norma Euclidean (conde), dan jumlah baris (condi) . Nilai yang dihasilkan ditunjukkan di bagian bawah
Gambar 11.9. Seperti yang diharapkan, norma spektral menyediakan
ukuran terkecil dari besarnya.
PERANGKAT
GAMBAR 11.9
Layar Mathcad untuk menentukan invers matriks dan syarat bilangan Hilbert berskala 3×3
matriks.
MASALAH
2,01475 ÿ0,020875
11.1 Lakukan perhitungan yang sama seperti pada (a) Contoh 11.1,
ÿ ÿ0,020875 2,01475 ÿ0,020875 ÿ
dan (b) Contoh 11.3, namun untuk sistem tridiagonal, ÿ ÿ
ÿ0,020875 2,01475 ÿ0,020875 ÿ
0,8 ÿ0,4 41 ÿ ÿ0,020875 2,01475 ÿ

ÿ x1 ÿ ÿ ÿ
ÿ ÿ0,4 0,8 ÿ0,4 ÿ
x2
= 25 ÿ T1 ÿ ÿ 4.175 ÿ
ÿÿ ÿ ÿ ÿ
ÿ ÿ0,4 0,8 ÿ x3 ÿ ÿ 105 ÿ T2
0
× =
ÿÿÿ
T3
ÿÿÿ ÿÿÿ 0 ÿÿÿ
2.0875
11.2 Tentukan invers matriks pada Contoh 11.1 berdasarkan ÿÿÿ
T4 ÿÿÿ ÿÿÿ ÿÿÿ
dekomposisi LU dan vektor satuan. Gunakan algoritma Thomas untuk mendapatkan solusi.
11.3 Sistem tridiagonal berikut harus diselesaikan sebagai bagian dari 11.4 Konfirmasikan validitas dekomposisi Cholesky pada Contoh 11.2
algoritma yang lebih besar (Crank-Nicolson) untuk menyelesaikan persamaan dengan mensubstitusikan hasilnya ke dalam Persamaan. (11.2) untuk
diferensial parsial: melihat apakah hasil kali T[L]menghasilkan
dan [L] [A].
MASALAH 313
11.5 Lakukan perhitungan yang sama seperti pada Contoh 11.2, tetapi 11.13 Gunakan metode Gauss-Seidel (a) tanpa relaksasi dan (b)
untuk sistem simetris, dengan relaksasi (ÿ = 1.2) untuk menyelesaikan sistem berikut
dengan toleransi ÿs = 5%. Jika perlu, atur ulang persamaan yang ingin dicapai
6 15 55 ÿ a0 ÿ ÿ 152.6 ÿ
konvergensi.
ÿ 15 55 225 ÿ
a1 = 585.6
ÿÿ ÿ ÿ ÿ 2x1 ÿ 6x2 ÿ x3 = ÿ38
ÿ 55 225 979 ÿ a2 ÿ ÿ 2488.8 ÿ
ÿ3x1 ÿ x2 + 7x3 = ÿ34
Selain menyelesaikan dekomposisi Cholesky, gunakan juga untuk
menyelesaikan a . ÿ8x1 + x2 ÿ 2x3 = ÿ20
11.6 Lakukan dekomposisi Cholesky dari sistem simetris 11.14 Gambar ulang Gambar 11.5 untuk kasus dimana kemiringan
berikut dengan tangan, persamaannya adalah 1 dan –1. Apa hasil penerapan Gauss-Seidel
pada sistem seperti itu?
8 20 15 ÿ x1 ÿ ÿ 100 ÿ
11.15 Dari tiga himpunan persamaan linier berikut, identifikasilah himpunan
ÿ 20 80 50 ÿ
x2 = 250
ÿÿ ÿ ÿ ÿ yang tidak dapat diselesaikan menggunakan metode iteratif seperti Gauss-
ÿ 15 50 60 ÿ x3 ÿ ÿ 100 ÿ
Seidel. Tunjukkan dengan menggunakan sejumlah iterasi yang diperlukan
11.7 Hitung dekomposisi Cholesky dari agar solusi Anda tidak konvergen. Nyatakan dengan jelas kriteria konvergensi
Anda (bagaimana Anda mengetahui bahwa kriteria tersebut tidak konvergen).
900
ÿ 0 25 0 ÿ
[A] = Tetapkan Satu Tetapkan Dua Tetapkan Tiga
ÿ 004 ÿ
9x + 3y + z = 13 x + y + 6z = 8 ÿ3x + 4y + 5z = 6 x + 5y ÿ
Apakah hasil Anda masuk akal dalam kaitannya dengan Persamaan. (11.3) dan (11.4)?
ÿ6x + 8z = 2 z = 5 ÿ2x + 2y ÿ 4z = ÿ3 2y ÿ z = 1
11.8 Gunakan metode Gauss-Seidel untuk menyelesaikan sistem tridiagonal
dari Soal 11.1 (ÿs = 5%). Gunakan relaksasi berlebihan dengan ÿ = 1.2. 2x + 5y ÿ z = 6 4x + 2y ÿ 2z = 4
11.9 Penarikan kembali dari Soal. 10.8, bahwa sistem persamaan berikut
dirancang untuk menentukan konsentrasi (c dalam g/m3 ) dalam serangkaian 11.16 Gunakan paket perangkat lunak pilihan Anda untuk
reaktor berpasangan sebagai fungsi dari jumlah masukan massa ke setiap reaktor mendapatkan solusi, hitung invers, dan tentukan nomor kondisi (tanpa
(sisi kanan dalam g/d ), penskalaan) berdasarkan norma jumlah
15c1 ÿ 3c2 ÿ c3 = 3300 baris untuk (a)
ÿ3c1 + 18c2 ÿ 6c3 = 1200 14 9 ÿ x1 ÿ ÿ 14 ÿ

ÿ 4 9 16 ÿ
x2 = 29
ÿ4c1 ÿ c2 + 12c3 = 2400 ÿÿ ÿ ÿ ÿ
ÿ 9 16 25 ÿ x3 ÿ ÿ 50 ÿ
Selesaikan permasalahan ini dengan metode Gauss-Seidel hingga ÿs = 5%.
11.10 Ulangi Masalah. 11.9, tetapi gunakan iterasi Jacobi.
(B)
11.11 Gunakan metode Gauss-Seidel untuk menyelesaikan sistem berikut 1 4 9 16 ÿ x1 ÿ ÿ 30 ÿ
sampai persen kesalahan relatif turun di bawah ÿs = 5%, ÿ 4 9 16 25 ÿ
x2 54
ÿ ÿ
=
10x1 + 2x2 ÿ x3 = 27
ÿ
9 16 25 36 ÿ
ÿÿÿ
x3 ÿÿÿ ÿÿÿ 86 ÿÿÿ
ÿ 16 25 36 49 ÿ ÿÿÿ x4 ÿÿÿ ÿÿÿ

126ÿÿÿ
ÿ3x1 ÿ 6x2 + 2x3 = ÿ61,5

x1 + x2 + 5x3 = ÿ21,5 Dalam kedua kasus tersebut, jawaban untuk semua x harusnya 1.
11.17 Diketahui pasangan persamaan simultan nonlinier:
11.12 Gunakan metode Gauss-Seidel (a) tanpa relaksasi dan (b)
dengan relaksasi (ÿ = 0,95) untuk menyelesaikan sistem berikut f(x, y) = 4 ÿ y ÿ 2x2 g(x, y)
dengan toleransi ÿs = 5%. Jika perlu, atur ulang persamaan yang ingin dicapai
= 8 ÿ y2 ÿ 4x
konvergensi.
ÿ3x1 + x2 + 12x3 = 50 (a) Gunakan Excel Solver untuk menentukan dua pasang nilai x
dan y yang memenuhi persamaan ini.
6x1 ÿ x2 ÿ x3 = 3
(b) Dengan menggunakan rentang tebakan awal (x = ÿ6 hingga 6 dan y = ÿ6 hingga
6x1 + 9x2 + x3 = 40 6), tentukan tebakan awal mana yang menghasilkan masing-masing solusi.
11.18 Suatu perusahaan elektronik memproduksi transistor, resistor, dan 11.24 Kembangkan program yang mudah digunakan dalam bahasa
chip komputer. Setiap transistor memerlukan empat unit tembaga, satu tingkat tinggi atau bahasa makro pilihan Anda untuk mendapatkan
unit seng, dan dua unit kaca. Setiap resistor masing-masing memerlukan solusi sistem tridiagonal dengan algoritma Thomas (Gbr. 11.2). Uji
tiga, tiga, dan satu unit dari tiga bahan tersebut, dan setiap chip komputer program Anda dengan menduplikasi hasil Contoh 11.1.
masing-masing memerlukan dua, satu, dan tiga unit bahan tersebut. 11.25 Kembangkan program yang mudah digunakan dalam bahasa
Dengan memasukkan informasi ini ke dalam bentuk tabel, kita mendapatkan: tingkat tinggi atau bahasa makro pilihan Anda untuk dekomposisi
Cholesky berdasarkan Gambar 11.3. Uji program Anda dengan
menduplikasi hasil Contoh 11.2.
Komponen Tembaga Seng Kaca 11.26 Kembangkan program yang mudah digunakan dalam bahasa
tingkat tinggi atau bahasa makro pilihan Anda untuk metode Gauss-
Transistor 4 2
Seidel berdasarkan Gambar 11.6. Uji program Anda dengan
Resistor 1
menduplikasi hasil Contoh 11.3.
Chip komputer 32 31 13
11.27 Sebagaimana dijelaskan dalam Bagian. PT3.1.2, persamaan
aljabar linier dapat muncul dalam penyelesaian persamaan
Persediaan bahan-bahan ini bervariasi dari minggu ke minggu, diferensial. Misalnya, persamaan diferensial berikut dihasilkan dari
sehingga perusahaan perlu menentukan proses produksi yang keseimbangan massa zat kimia dalam kanal satu
berbeda setiap minggunya. Misalnya dalam satu minggu total bahan dc
ÿ ÿ kc
yang tersedia adalah 960 unit tembaga, 510 unit seng, dan 610 unit dimensi, d2c kamu
0=Ddx dx2
kaca. Siapkan sistem pemodelan persamaan selama proses produksi,
dimana c = konsentrasi, t = waktu, x = jarak, D = koefisien
dan gunakan Excel, MATLAB, atau Mathcad, untuk menyelesaikan
difusi, U = kecepatan fluida, dan k = laju peluruhan orde pertama.
jumlah transistor, resistor, dan chip komputer yang akan diproduksi minggu ini.
Ubah persamaan diferensial ini menjadi sistem ekuivalen
11.19 Gunakan perangkat lunak MATLAB atau Mathcad untuk menentukan
persamaan aljabar simultan. Diketahui D = 2, U = 1, k = 0,2,
bilangan kondisi spektral untuk matriks Hilbert 10 dimensi. Berapa banyak
c(0) = 80 dan c(10) = 20, selesaikan persamaan ini dari x = 0
digit presisi yang diperkirakan akan hilang akibat pengondisian yang buruk?
sampai 10 dan kembangkan plot konsentrasi versus jarak.
Tentukan penyelesaian sistem ini untuk kasus di mana setiap elemen
11.28 Sistem pentadiagonal dengan bandwidth lima secara umum
vektor ruas kanan {b} terdiri dari penjumlahan koefisien pada barisnya.
dapat dinyatakan sebagai
Dengan kata lain, selesaikan kasus dimana semua yang tidak
diketahui harusnya tepat satu. Bandingkan kesalahan yang dihasilkan f1 g1 h1 ÿ x1 ÿ ÿ r1 ÿ
dengan kesalahan yang diharapkan berdasarkan nomor kondisi. ÿ ÿ x2 r2
ÿ
e2 f2 g2 h2 d3 e3 ÿ
11.20 Ulangi Masalah. 11.19, tetapi untuk kasus matriks ÿ
ÿ
f3 g3 h3
ÿ
ÿ x3 r3
Vandermonde enam dimensi (lihat Soal 10.17) dengan x1 = 4, x2 ÿ
·· ·
ÿ
· ·
= 2, x3 = 7, x4 = 10, x5 = 3, dan x6 = 5.
ÿ ÿ
=
· ·
ÿ ÿ
ÿ
·· · ÿ ÿÿÿÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿÿÿÿ
11.21 Diberikan sebuah matriks persegi [A], tuliskan satu baris ÿ
ÿ ···
ÿ
ÿ · ·
perintah MATLAB yang akan membuat matriks baru [Aug] yang ÿ
ÿ
ÿ
terdiri dari matriks asli [A] ditambah dengan matriks identitas [I]. dnÿ1 enÿ1 fnÿ1 gnÿ1 fn xnÿ1 rnÿ1
11.22 Tuliskan himpunan persamaan berikut dalam bentuk matriks:

ÿ dn en ÿ ÿÿÿÿÿÿÿÿÿÿÿÿ
xn ÿÿÿÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿÿÿÿ
rn ÿÿÿÿÿÿÿÿÿÿÿÿ
50 = 5x3 ÿ 7x2 Kembangkan sebuah program untuk menyelesaikan sistem tersebut secara efisien
tanpa melakukan pivot dengan cara yang mirip dengan algoritma yang digunakan
4x2 + 7x3 + 30 = 0
untuk matriks tridiagonal di Sec. 11.1.1. Ujilah untuk kasus berikut:
x1 ÿ 7x3 = 40 ÿ 3x2 + 5x1
8 ÿ2 ÿ100 ÿ x1 ÿ
5
ÿÿ2
Gunakan Excel, MATLAB, atau Mathcad untuk menyelesaikan masalah ÿ ÿ2 9 ÿ4 ÿ1 0ÿ x2
yang tidak diketahui. Selain itu, hitung transpos dan invers matriks
ÿ ÿ
ÿ1 ÿ3 7 ÿ1 ÿ2 ÿ
x3 = 1
koefisien. ÿ ÿ
ÿÿÿÿÿ ÿÿÿÿÿ ÿÿÿÿÿ ÿÿÿÿÿ
0 ÿ4 ÿ2 12 ÿ5
ÿ
x4 1
11.23 Dalam Detik. 9.2.1, kami menentukan jumlah operasi yang
ÿ 0 0 ÿ7 ÿ3 15 ÿ ÿÿÿÿÿ
x5 ÿÿÿÿÿ ÿÿÿÿÿ
5 ÿÿÿÿÿ
diperlukan untuk eliminasi Gauss tanpa pivoting parsial. Buatlah

penentuan serupa untuk algoritma Thomas (Gbr. 11.2).
Kembangkan plot operasi versus n (dari 2 hingga 20) untuk kedua teknik.
BAB 12
Studi Kasus: Linier
Persamaan Aljabar
Tujuan bab ini adalah menggunakan prosedur numerik yang dibahas di Bab. 9, 10,
dan 11 untuk menyelesaikan sistem persamaan aljabar linier untuk beberapa studi kasus teknik.
Teknik numerik sistematis ini memiliki arti praktis karena para insinyur sering kali menghadapi masalah yang
melibatkan sistem persamaan yang terlalu besar untuk diselesaikan dengan menggunakan sistem persamaan.
tangan. Algoritme numerik dalam aplikasi ini sangat mudah diterapkan pada komputer pribadi.
Bagian 12.1 menunjukkan bagaimana keseimbangan massa dapat digunakan untuk memodelkan sistem
reaktor. Bagian 12.2 memberikan penekanan khusus pada penggunaan invers matriks untuk menentukan
interaksi sebab-akibat yang kompleks antara gaya-gaya pada bagian rangka. Bagian 12.3 adalah
contoh penggunaan hukum Kirchhoff untuk menghitung arus dan tegangan pada rangkaian resistor. Akhirnya,
Sek. 12.4 adalah ilustrasi bagaimana persamaan linear digunakan
menentukan konfigurasi keadaan tunak sistem pegas massa.
12.1 ANALISIS KEADAAN STEADY PADA SISTEM REAKTOR

(TEKNIK KIMIA/BIO)
Latar belakang. Salah satu prinsip pengorganisasian terpenting dalam teknik kimia
adalah kekekalan massa (ingat Tabel 1.1). Secara kuantitatif, prinsip ini dinyatakan sebagai keseimbangan
massa yang memperhitungkan semua sumber dan penyerap suatu material yang lewat.
dan keluar dari volume (Gbr. 12.1). Selama periode waktu yang terbatas, hal ini dapat dinyatakan sebagai
Akumulasi = masukan ÿ keluaran (12.1)
Neraca massa mewakili kegiatan pembukuan untuk zat tertentu

dimodelkan. Untuk periode perhitungan, jika masukan lebih besar dari keluaran, maka
massa zat dalam volumenya bertambah. Jika keluaran lebih besar dari masukan, maka massanya berkurang.
Jika masukan sama dengan keluaran, akumulasi adalah nol dan massa
tetap konstan. Untuk kondisi stabil ini, atau kondisi tunak, Persamaan. (12.1) dapat dinyatakan sebagai
Masukan = keluaran (12.2)
315
316 STUDI KASUS: PERSAMAAN ALJABAR LINEAR
Volume
Memasukkan Keluaran
Akumulasi
GAMBAR 12.1
Representasi skema keseimbangan massa.
Gunakan konservasi massa untuk menentukan konsentrasi kondisi tunak dari sistem reaktor
berpasangan.
Larutan. Keseimbangan massa dapat digunakan untuk pemecahan masalah teknik dengan
menyatakan masukan dan keluaran dalam bentuk variabel dan parameter terukur. Misalnya, jika kita
melakukan keseimbangan massa untuk suatu zat konservatif (yaitu zat yang tidak bertambah atau
berkurang karena transformasi kimia) dalam suatu reaktor (Gambar 12.2), kita harus menghitung
laju di mana massa mengalir ke dalam reaktor melalui dua pipa aliran masuk dan keluar reaktor
melalui pipa aliran keluar. Hal ini dapat dilakukan dengan mengambil hasil kali laju aliran Q (dalam
meter kubik per menit) dan konsentrasi c (dalam miligram per meter kubik) untuk setiap pipa.
Misalnya, untuk pipa 1 pada Gambar 12.2, Q1 = 2 m3 /menit dan c1 = 25 mg/m3 ; oleh karena itu
laju aliran massa ke dalam reaktor melalui pipa 1 adalah Q1c1 = (2 m3 /menit)(25 mg/m3 ) = 50 mg/
menit. Jadi, 50 mg bahan kimia mengalir ke dalam reaktor melalui pipa ini setiap menit. Demikian
pula, untuk pipa 2 laju aliran massa dapat dihitung sebagai Q2c2 = (1,5 m3 /mnt)(10 mg/m3 ) = 15
mg/mnt.
Perhatikan bahwa konsentrasi yang keluar dari reaktor melalui pipa 3 tidak ditentukan oleh
Gambar 12.2. Hal ini karena kita sudah mempunyai informasi yang cukup untuk menghitungnya
berdasarkan kekekalan massa. Karena reaktor berada pada kondisi tunak, Persamaan. (12.2)
berlaku dan masukan harus seimbang dengan keluaran, seperti pada
Q1c1 + Q2c2 = Q3c3
Mengganti nilai yang diberikan ke dalam persamaan ini akan menghasilkan
50 + 15 = 3,5c3
yang dapat diselesaikan untuk c3 = 18,6 mg/m3 . Jadi, kami telah menentukan konsentrasi di pipa
ketiga. Namun, perhitungan tersebut menghasilkan bonus tambahan. Karena reaktor tercampur
dengan baik (seperti ditunjukkan oleh baling-baling pada Gambar 12.2), konsentrasinya akan
seragam, atau homogen, di seluruh tangki. Oleh karena itu konsentrasi dalam pipa 3 harus sama
dengan konsentrasi di seluruh reaktor. Akibatnya, keseimbangan massa memungkinkan kita
menghitung konsentrasi di dalam reaktor dan di pipa aliran keluar. Seperti
12.1 ANALISIS KEADAAN STEADY PADA SISTEM REAKTOR 317
Q1 = 2 m3/menit
c1 = 25 mg/m3
GAMBAR 12.2 Q3 = 3,5 m3/menit

c3 = ?
Reaktor keadaan tunak dan
tercampur sempurna dengan dua
Q2 = 1,5 m3/menit
pipa aliran masuk dan satu pipa aliran keluar. c2 = 10 mg/m3
Aliran Q dinyatakan dalam meter kubik
per menit, dan konsentrasi c
dinyatakan dalam miligram per
meter kubik.
Q15 = 3 Q55 = 2
c5 Q54 = 2
Q25 = 1
Q01 = Q12 = 3 Q24 = 1 Q44 = 11

c1 c2 c4
5 c01 = 10
Q23 = 1 Q34 = 8
Q31 = 1
Q03 = 8 c3
GAMBAR 12.3 c03 = 20
Lima reaktor dihubungkan dengan pipa.
Informasi ini sangat berguna bagi para insinyur kimia dan perminyakan yang harus merancang reaktor untuk
menghasilkan campuran dengan konsentrasi tertentu.
Karena aljabar sederhana digunakan untuk menentukan konsentrasi reaktor tunggal pada Gambar 12.2,
mungkin tidak jelas bagaimana komputer menghitung keseimbangan massa.
Gambar 12.3 menunjukkan suatu permasalahan dimana komputer tidak hanya berguna tetapi juga merupakan
kebutuhan praktis. Karena terdapat lima reaktor yang saling berhubungan atau berpasangan, diperlukan lima
persamaan keseimbangan massa secara simultan untuk mengkarakterisasi sistem. Untuk reaktor 1, laju aliran
massa masuk adalah
5(10) + Q31c3
dan laju aliran massa keluar adalah
Q12c1 + Q15c1
Karena sistem berada pada kondisi tunak, arus masuk dan arus keluar harus sama:
5(10) + Q31c3 = Q12c1 + Q15c1
atau, dengan mengganti nilai aliran dari Gambar 12.3,
6c1 ÿ c3 = 50
Persamaan serupa dapat dikembangkan untuk reaktor lainnya:
ÿ3c1 + 3c2 = 0
ÿc2 + 9c3 = 160
ÿc2 ÿ 8c3 + 11c4 ÿ 2c5 = 0
ÿ3c1 ÿ c2 + 4c5 = 0
Metode numerik dapat digunakan untuk menyelesaikan lima persamaan untuk lima persamaan yang tidak diketahui
konsentrasi:
T = 11,51 11,51 19,06 17,00 11,51

{C}
Selain itu, invers matriks dapat dihitung sebagai
0,16981 0,00629 0,01887 0 0

ÿ 0,16981 0,33962 0,01887 0 0 ÿ
ÿ ÿ
[A]
ÿ1 = ÿ
0,01887 0,03774 0,11321 0 0 ÿ
ÿ ÿ
ÿ
0,06003 0,07461 0,08748 0,09091 0,04545 ÿ
0,16981 0,08962 0,01887 0 0,25000

ÿ ÿ
Masing-masing unsur aij menandakan perubahan konsentrasi reaktor i akibat suatu satuan
perubahan pembebanan pada reaktor j. Dengan demikian, angka nol pada kolom 4 menunjukkan bahwa pembebanan
pada reaktor 4 tidak akan berdampak pada reaktor 1, 2, 3, dan 5. Hal ini konsisten dengan konfigurasi sistem (Gambar
12.3), yang menunjukkan bahwa aliran keluar dari reaktor 4 tidak memberi umpan balik ke reaktor mana pun
dari reaktor lainnya. Sebaliknya, pembebanan pada salah satu dari tiga reaktor pertama akan mempengaruhi
keseluruhan sistem seperti yang ditunjukkan oleh kurangnya angka nol di tiga kolom pertama. Informasi seperti itu
sangat berguna bagi para insinyur yang merancang dan mengelola sistem tersebut.
12.2 ANALISIS TRUSS YANG DITENTUKAN SECARA STATISTIK

(TEKNIK SIPIL/LINGKUNGAN)
Latar belakang. Masalah penting dalam rekayasa struktur adalah menemukan gaya-gaya
dan reaksi yang terkait dengan rangka batang yang ditentukan secara statis. Gambar 12.4 menunjukkan sebuah contoh
dari rangka seperti itu.
Gaya-gaya (F) mewakili tegangan atau kompresi pada bagian rangka. Reaksi eksternal (H2, V2, dan V3) adalah
gaya yang menjadi ciri bagaimana rangka berinteraksi dengan
permukaan pendukung. Engsel pada simpul 2 dapat menyalurkan gaya horizontal dan vertikal ke
permukaan, sedangkan roller pada node 3 hanya mentransmisikan gaya vertikal. Diamati bahwa pengaruh pembebanan
eksternal sebesar 1000 lb didistribusikan ke berbagai anggota rangka.
12.2 ANALISIS TRUSS YANG DITENTUKAN SECARA STATISTIK 319
1000 pon
F1 F3
90
60
H2 2 30
3
F2
GAMBAR 12.4
V2 V3
Gaya pada determinasi statis
nate truss.
F1,v
1 F1, jam
30
60
F1
F3
F1 F3
F2,v F3,v
60
H2 2 30 3 F3, jam
F2
F2
GAMBAR 12.5
F2, jam
Diagram gaya benda bebas untuk V2 V3
node secara statis
rangka yang pasti.
Larutan. Jenis struktur ini dapat digambarkan sebagai sistem aljabar linier berpasangan
persamaan. Diagram gaya benda bebas ditunjukkan untuk setiap node pada Gambar 12.5. Jumlah dari
gaya-gaya dalam arah horizontal dan vertikal harus sama dengan nol pada setiap titik simpul, karena sistem dalam
keadaan diam. Oleh karena itu, untuk simpul 1,
FH = 0 = ÿF1 cos 30ÿ + F3 cos 60ÿ + F1,h (12.3)

FV = 0 = ÿF1 sin 30ÿ ÿ F3 sin 60ÿ + F1,v (12.4)
untuk simpul 2,
FH = 0 = F2 + F1 cos 30ÿ + F2,h + H2 (12.5)

FV = 0 = F1 dosa 30ÿ + F2,v + V2 (12.6)
untuk simpul 3,
FH = 0 = ÿF2 ÿ F3 cos 60ÿ + F3,h (12.7)

FV = 0 = F3 sin 60ÿ + F3,v + V3 (12.8)
dimana Fi,h adalah gaya horizontal luar yang diterapkan pada titik i (tempat asal gaya positif
kiri ke kanan) dan F1,v adalah gaya vertikal eksternal yang diterapkan pada titik i (dimana gaya positif
ke atas). Jadi, dalam soal ini, gaya ke bawah sebesar 1000 pon pada simpul 1 berhubungan dengan
F1,v = ÿ1000. Untuk kasus ini semua Fi,v dan Fi,h lainnya adalah nol. Perhatikan bahwa petunjuk dari
kekuatan dan reaksi internal tidak diketahui. Penerapan hukum Newton yang tepat hanya memerlukan asumsi yang
konsisten mengenai arah. Solusi bersifat negatif jika arahnya diasumsikan salah. Perhatikan juga bahwa dalam soal
ini, kekuatan di semua anggota adalah
diasumsikan berada dalam ketegangan dan bertindak untuk menarik simpul-simpul yang bersebelahan menjadi satu.
Oleh karena itu, solusi negatif berhubungan dengan kompresi. Masalah ini dapat ditulis sebagai sistem berikut
enam persamaan dan enam hal yang tidak diketahui:
0,866 0 ÿ0,5 000 ÿ F1 ÿ ÿ 0 ÿ

ÿ 0,5 00.866 0 0 0 ÿ ÿ1000
ÿ ÿ
F2
ÿ
ÿ0,866 ÿ1 0 ÿ100 ÿ
F3 0
ÿ ÿ
= (12.9)
ÿ
ÿ
ÿ0,500 0 ÿ1 0 ÿ
ÿ
ÿÿÿÿÿÿÿ
H2 ÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿ
0 ÿÿÿÿÿÿÿ
ÿ
0 10,5 000 ÿ
V2 0
ÿ 0 0 ÿ0,866 0 0 ÿ1 ÿ ÿÿÿÿÿÿÿ
V3 ÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿ
0 ÿÿÿÿÿÿÿ
Perhatikan bahwa, sebagaimana dirumuskan dalam Persamaan. (12.9), putaran sebagian diperlukan untuk menghindari pembagian
dengan nol elemen diagonal. Dengan menggunakan strategi pivot, sistem dapat diselesaikan dengan menggunakan apa saja
dari teknik eliminasi yang dibahas dalam Bab. 9 atau 10. Namun, karena masalah ini
Sebagai studi kasus yang ideal untuk mendemonstrasikan kegunaan invers matriks, dekomposisi LU dapat digunakan
untuk menghitung
F1 = ÿ500 F2 = 433 F3 = ÿ866

H2 = 0 V2 = 250 V3 = 750
dan invers matriksnya adalah
0,866 0,5 0000

ÿ 0,25 ÿ0,433 0 0 1 0 ÿ
ÿ ÿ
ÿ1
ÿ
ÿ0,5 0,866 00 0 0 ÿ
[A] = ÿ ÿ
ÿ
ÿ1 0 ÿ1 0 ÿ1 0 ÿ
ÿ
ÿ0,433 ÿ0,25 0,433 0 ÿ100 ÿ
ÿ ÿ0,75 00 0 ÿ1 ÿ
Sekarang, sadari bahwa vektor sisi kanan mewakili garis horizontal yang diterapkan secara eksternal
dan gaya vertikal pada setiap simpul, seperti pada
T
{F} = F1,h F1, v F2,h F2,v F3,h F3,v (12.10)
Karena gaya eksternal tidak berpengaruh pada dekomposisi LU , maka diperlukan metode
tidak dilaksanakan berulang kali untuk mempelajari pengaruh kekuatan eksternal yang berbeda terhadap
tiang penopang. Yang harus kita lakukan hanyalah melakukan langkah substitusi maju dan mundur
untuk setiap vektor sisi kanan untuk mendapatkan solusi alternatif secara efisien. Misalnya,
12.2 ANALISIS TRUSS YANG DITENTUKAN SECARA STATISTIK 321
1000 1000
866
500 866
500
2000 1000 250 2000 1250 1000
433 433 433 433
(A) (B)
GAMBAR 12.6
Dua kasus uji menunjukkan (a) angin dari kiri dan (b) angin dari kanan.
kita mungkin ingin mempelajari pengaruh gaya horizontal yang disebabkan oleh angin yang bertiup dari kiri
ke kanan. Jika gaya angin dapat diidealkan sebagai dua gaya titik sebesar 1000 lb pada simpul 1 dan 2
(Gbr. 12.6a), vektor ruas kanannya adalah
T
{F} = ÿ1000 0 1000 0 0 0
yang dapat digunakan untuk menghitung
F1 = 866 F2 = 250 F3 = ÿ500
H2 = ÿ2000 V2 = ÿ433 V3 = 433
Untuk angin dari kanan (Gbr. 12.6b), F1,h = ÿ1000, F3,h = ÿ1000, dan semua angin eksternal lainnya
gaya adalah nol, sehingga
F1 = ÿ866 F2 = ÿ1250 F3 = 500
H2 = 2000 V2 = 433 V3 = ÿ433
Hasilnya menunjukkan bahwa angin mempunyai pengaruh yang sangat berbeda terhadap struktur. Keduanya
kasus digambarkan pada Gambar 12.6.
Elemen individual dari matriks terbalik juga memiliki kegunaan langsung dalam penjelasannya
interaksi stimulus-respon untuk struktur. Setiap elemen mewakili perubahan satu elemen
dari variabel yang tidak diketahui ke perubahan satuan salah satu rangsangan eksternal. Misalnya, elemen
aÿ1 32 menunjukkan bahwa unknown ketiga (F3) akan berubah 0,866 karena adanya perubahan satuan
stimulus eksternal kedua (F1,v ). Jadi, jika beban vertikal pada node pertama dinaikkan sebesar 1, maka F3
akan meningkat sebesar 0,866. Fakta bahwa elemennya adalah 0 menunjukkan bahwa pasti
hal yang tidak diketahui tidak terpengaruh oleh beberapa rangsangan eksternal. Misalnya aÿ1
13
= 0 berarti itu
F1 tidak terpengaruh oleh perubahan F2,h. Kemampuan untuk mengisolasi interaksi ini memiliki sejumlah
aplikasi teknik, termasuk identifikasi komponen-komponen yang paling banyak
sensitif terhadap rangsangan eksternal dan, sebagai konsekuensinya, paling rentan terhadap kegagalan. Selain itu, bisa
digunakan untuk menentukan komponen yang mungkin tidak diperlukan (lihat Masalah 12.18).
Pendekatan di atas menjadi sangat berguna bila diterapkan pada kompleks yang besar
struktur. Dalam praktek teknik, mungkin diperlukan penyelesaian rangka dengan ratusan atau
bahkan ribuan anggota struktural. Persamaan linier memberikan satu pendekatan yang ampuh
mendapatkan wawasan tentang perilaku struktur ini.
12.3 ARUS DAN TEGANGAN PADA RANGKAIAN

RESISTOR (TEKNIK LISTRIK)
Latar belakang. Masalah umum dalam teknik kelistrikan melibatkan penentuan

arus dan tegangan pada berbagai lokasi dalam rangkaian resistor. Masalah-masalah ini terpecahkan
menggunakan aturan arus dan tegangan Kirchhoff. Aturan arus (atau titik) menyatakan bahwa jumlah aljabar
semua arus yang memasuki suatu simpul harus sama dengan nol (lihat Gambar 12.7a), atau
saya = 0
(12.11)
dimana semua arus yang masuk ke node dianggap bertanda positif. Aturan yang berlaku saat ini adalah an
penerapan prinsip kekekalan muatan (ingat Tabel 1.1).
Aturan tegangan (atau loop) menetapkan jumlah aljabar dari beda potensial
(yaitu, perubahan tegangan) pada setiap loop harus sama dengan nol. Untuk rangkaian resistor, ini adalah
diekspresikan sebagai
ÿ ÿ saya R = 0 (12.12)
dimana ÿ adalah ggl (gaya gerak listrik) dari sumber tegangan dan R adalah resistansi
setiap resistor pada loop. Perhatikan bahwa suku kedua berasal dari hukum Ohm (Gbr. 12.7b),
yang menyatakan bahwa penurunan tegangan pada resistor ideal sama dengan hasil kali arus dan hambatan.
Aturan tegangan Kirchhoff merupakan ekspresi kekekalan
energi.
Larutan. Penerapan aturan ini menghasilkan sistem aljabar linier simultan

persamaan karena berbagai loop dalam suatu rangkaian digabungkan. Misalnya, pertimbangkan
rangkaian yang ditunjukkan pada Gambar 12.8. Arus yang terkait dengan rangkaian ini juga tidak diketahui
dalam besaran dan arah. Hal ini tidak menimbulkan kesulitan besar karena kita hanya berasumsi
GAMBAR 12.7
arah untuk setiap arus. Jika hasil penyelesaian hukum Kirchhoff negatif,
Representasi skematis dari
maka arah yang diasumsikan salah. Misalnya, Gambar 12.9 menunjukkan beberapa asumsi
(a) pemerintahan Kirchhoff saat ini dan
arus.
(b) hukum Ohm.
i1 i3
GAMBAR 12.8
Rangkaian resistor yang diselesaikan menggunakan persamaan aljabar linier simultan.
i2
5 3 21 R = 10 R=
(A) V1 = 200V
Vi Rij R=5 R = 10
Vj
iij V6 = 0V
4 56
(B) R = 15 R = 20
12.3 ARUS DAN TEGANGAN PADA RANGKAIAN RESISTOR 323
3 21
i32 i12
i43 i52
i54 i65
4 56
GAMBAR 12.9
Asumsi arus.
Berdasarkan asumsi ini, aturan Kirchhoff saat ini diterapkan pada setiap node untuk menghasilkan
i12 + i52 + i32 = 0

i65 ÿ i52 ÿ i54 = 0
i43 ÿ i32 = 0
i54 ÿ i43 = 0
Penerapan aturan tegangan pada masing-masing dua loop menghasilkan
ÿi54R54 ÿ i43R43 ÿ i32R32 + i52R52 = 0

ÿi65R65 ÿ i52R52 + i12R12 ÿ 200 = 0
atau, dengan mengganti resistansi dari Gambar 12.8 dan membawa konstanta ke ruas kanan,
ÿ15i54 ÿ 5i43 ÿ 10i32 + 10i52 = 0

ÿ20i65 ÿ 10i52 + 5i12 = 200
Oleh karena itu, masalahnya adalah menyelesaikan himpunan enam persamaan berikut dengan enam arus
yang tidak diketahui:
11 1 000 0 ÿ i12 ÿ ÿ 0 ÿ
ÿ ÿ101 ÿ1 0 0 ÿ1001 00 0 1 ÿ1 0ÿ i52 0
ÿ ÿ
ÿ ÿ
i32 0
ÿ ÿ
=
ÿ
ÿ
0 ÿ
ÿ
ÿÿÿÿÿÿÿ i65 ÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿ
0 ÿÿÿÿÿÿÿ
0 10 ÿ10 0 ÿ15 ÿ5 ÿ
i54 0
ÿ 5 ÿ10 0 ÿ20 0 0ÿ ÿÿÿÿÿÿÿ

i43 ÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿ
200 ÿÿÿÿÿÿÿ
Meskipun tidak praktis untuk diselesaikan dengan tangan, sistem ini mudah ditangani dengan menggunakan
metode eliminasi. Melanjutkan dengan cara ini, solusinya adalah
i12 = 6,1538 i52 = ÿ4,6154 i32 = ÿ1,5385

i65 = ÿ6.1538 i54 = ÿ1,5385 i43 = ÿ1,5385
Jadi, dengan interpretasi yang tepat dari tanda-tanda hasilnya, arus dan tegangan rangkaian adalah
seperti yang ditunjukkan pada Gambar 12.10. Keuntungan menggunakan algoritma numerik dan
komputer untuk permasalahan jenis ini harus jelas.
V = 153,85 V = 169,23
V = 200
saya = 1,5385 saya = 6,1538
V=0
V = 146,15 V = 123,08
GAMBAR 12.10
Penyelesaian arus dan tegangan diperoleh dengan menggunakan metode eliminasi.
12.4 SISTEM MASSA MUSIM SEMI (MEKANIK/AEROSPACE

REKAYASA)
Latar belakang. Sistem pegas-massa yang ideal memainkan peran penting dalam bidang mekanis dan
masalah teknik lainnya. Gambar 12.11 menunjukkan sistem seperti itu. Setelah mereka dibebaskan,
massa ditarik ke bawah oleh gaya gravitasi. Perhatikan perpindahan yang dihasilkan
setiap pegas pada Gambar 12.11b diukur sepanjang koordinat lokal yang mengacu pada awalnya
posisi pada Gambar 12.11a.
Seperti yang diperkenalkan di Bab. 1, hukum kedua Newton dapat digunakan bersama dengan
memaksa keseimbangan untuk mengembangkan model matematika dari sistem. Untuk setiap massa, yang kedua
hukum dapat dinyatakan sebagai
d2x
M = FD ÿ FU (12.13)
dt 2
Untuk menyederhanakan analisis, kita asumsikan bahwa semua pegas adalah identik dan mengikuti
hukum Hooke. Diagram benda bebas untuk massa pertama digambarkan pada Gambar 12.12a. Ke atas
gaya hanyalah ekspresi langsung dari hukum Hooke:
FU = kx1 (12.14)
Komponen ke bawah terdiri dari dua gaya pegas beserta aksi gravitasi pada massa,
FD = k(x2 ÿ x1) + k(x2 ÿ x1) = m1g (12.15)
Perhatikan bagaimana komponen gaya kedua pegas sebanding dengan perpindahan pegas
massa kedua, x2, dikoreksi perpindahan massa pertama, x1.
Persamaan (12.14) dan (12.15) dapat disubstitusikan ke Persamaan. (12.13) memberi
d2x1
m1 = 2k(x2 ÿ x1) + m1g ÿ kx1 dt 2 (12.16)
Jadi, kita telah memperoleh persamaan diferensial biasa orde kedua untuk menggambarkan perpindahan massa
pertama terhadap waktu. Namun, perhatikan bahwa solusinya tidak bisa
diperoleh karena model tersebut menyertakan variabel terikat kedua, x2. Akibatnya, diagram benda bebas harus
dikembangkan untuk massa kedua dan ketiga (Gbr. 12.12b dan c)
12.4 SISTEM MASSA MUSIM SEMI 325
m1
0
kk m1 x1
m2
0
k
m2 x2
m3
0
m3 x3
(A) (B)
GAMBAR 12.11
Suatu sistem yang terdiri dari tiga massa yang digantung secara vertikal oleh serangkaian pegas. (a) Sistem
sebelum dilepaskan, yaitu sebelum pemanjangan atau kompresi pegas. (b) Sistem setelahnya
melepaskan. Perhatikan bahwa posisi massa dirujuk ke koordinat lokal dengan asal di
posisi mereka sebelum dibebaskan.
kx1 k(x2 – x1) k(x2 – x1) k(x3 – x2)
m1 m2 m3
k(x2 – x1) m1g k(x2 – x1) m2g k(x3 – m3g

(A) x2) (b) (C)
GAMBAR 12.12
Diagram benda bebas untuk tiga massa dari Gambar 12.11.
yang dapat digunakan untuk memperolehnya
d2x2
m2 dt 2 = k(x3 ÿ x2) + m2g ÿ 2k(x2 ÿ x1) (12.17)
Dan
d2x3
m3 = m3g ÿ k(x3 ÿ x2) dt 2 (12.18)
Persamaan (12.16), (12.17), dan (12.18) membentuk sistem tiga persamaan diferensial dengan
tiga persamaan yang tidak diketahui. Dengan kondisi awal yang sesuai, persamaan tersebut dapat
digunakan untuk menyelesaikan perpindahan massa sebagai fungsi waktu (yaitu osilasi massa). Kita
akan membahas metode numerik untuk mendapatkan solusi tersebut di Bagian Tujuh. Untuk saat ini,
kita dapat memperoleh perpindahan yang terjadi ketika sistem pada akhirnya berhenti, yaitu keadaan
tunak. Untuk melakukan ini, turunan dalam Persamaan. (12.16), (12.17), dan (12.18) disetel ke nol
untuk memberikan
3kx1 ÿ 2kx2 = m1g ÿ2kx1 + 3kx2 ÿ kx3 =

m2g ÿ kx2 + kx3 = m3g
atau, dalam bentuk matriks,
[K]{X} = {W}
dimana [K], disebut matriks kekakuan, adalah
3k ÿ2k ÿ2k
ÿ 3k ÿk ÿ
[K] =
ÿ ÿkk ÿ
dan {X} dan {W} masing-masing adalah vektor kolom dari X yang tidak diketahui dan bobotnya mg .
Larutan. Pada titik ini, metode numerik dapat digunakan untuk mendapatkan solusi. Jika m1 = 2 kg,
m2 = 3 kg, m3 = 2,5 kg, dan k = 10 kg/s2 , gunakan dekomposisi LU untuk menyelesaikan
perpindahan dan buat invers dari [K].
Mengganti parameter model memberi
30 ÿ20 ÿ ÿ 19.6
ÿ ÿ20 30 ÿ10 ÿ 29.4
[K] = {W} =
ÿ ÿ
ÿ ÿ10 10 ÿ ÿ 24,5 ÿ
Dekomposisi LU dapat digunakan untuk menyelesaikan x1 = 7,35, x2 = 10,045, dan x3 = 12,495.

Perpindahan ini digunakan untuk membuat Gambar 12.11b. Kebalikan dari matriks kekakuan
dihitung sebagai
0,1 0,1 0,1

[K] ÿ1 = ÿ 0,1 0,15 0,15 ÿ
ÿ 0,1 0,15 0,25 ÿ
Setiap elemen matriks kÿ1 menunjukkan perpindahan massa i akibat gaya satuan yang
Ji
dikenakan pada massa j. Jadi, nilai 0,1 pada kolom 1 menunjukkan bahwa beban satuan ke bawah
pada massa pertama akan memindahkan semua massa sebesar 0,1 m ke bawah. Elemen lainnya
dapat diinterpretasikan dengan cara yang sama. Oleh karena itu, kebalikan dari matriks kekakuan
memberikan ringkasan mendasar tentang bagaimana komponen sistem merespons gaya yang
diterapkan dari luar.
MASALAH 327
MASALAH
Teknik Kimia/Bio masing-masing reservoir dan hasil himpunan persamaan aljabar linier simultan berikut:
12.1 Lakukan perhitungan yang sama seperti pada Sec. 12.1, tetapi ubah c01
menjadi 20 dan c03 menjadi 6. Ubah juga arus berikut: Q01 = 6, Q12 = 4, Q24 = 2, dan
Q44 = 12. 13.422 0 0 0 ÿ c1 ÿ ÿ 750,5 ÿ
12.2 Jika masukan ke reaktor 3 pada Detik. 12.1 diturunkan 25 persen, ÿ ÿ13.422 12.252 0 0 ÿ 300
ÿ ÿ c2 =
gunakan invers matriks untuk menghitung persen perubahan konsentrasi reaktor 2 dan ÿ
0 ÿ12.252 12.377 0
ÿ
ÿÿÿ ÿÿÿ ÿÿÿ 102 ÿÿÿ
c3
4?
ÿ 0 0 ÿ12.377 11.797 ÿ ÿÿÿ
c4 ÿÿÿ ÿÿÿ
30 ÿÿÿ
12.3 Karena sistem yang ditunjukkan pada Gambar 12.3 berada pada kondisi tunak, berapakah?
dapat dikatakan mengenai empat arus: Q01, Q03, Q44, dan Q55?
dimana vektor sisi kanan terdiri dari muatan klorida ke masing-masing empat danau dan
12.4 Hitung ulang konsentrasi untuk lima reaktor yang ditunjukkan pada
c1, c2, c3, dan c4 = hasil
Gambar 12.3, jika arus diubah menjadi:
konsentrasi klorida untuk Danau Powell, Mead, Mohave, dan
Q01 = 5 Q31 = 3 Q25 = 2 Q23 = 2 Havasu, masing-masing.
Q15 = 4 Q55 = 3 Q54 = 3 Q34 = 7 (a) Gunakan invers matriks untuk menyelesaikan konsentrasi masing-masing matriks
dari empat danau.
Q12 = 4 Q03 = 8 Q24 = 0 Q44 = 10
(b) Berapa beban yang harus dikurangi ke Danau Powell
12.5 Selesaikan sistem yang sama seperti yang ditentukan dalam Soal. 12.4, tapi tetapkan agar konsentrasi klorida Danau Havasu menjadi 75.
Q12 = Q54 = 0 dan Q15 = Q34 = 3. Asumsikan arus masuk
(c) Dengan menggunakan norma jumlah kolom, hitung nomor kondisi
(Q01, Q03) dan arus keluar (Q44, Q55) adalah sama. Gunakan konservasi dan berapa banyak digit tersangka yang akan dihasilkan dengan penyelesaian
aliran untuk menghitung ulang nilai aliran lainnya.
sistem ini.
12.6 Gambar P12.6 menunjukkan tiga reaktor yang dihubungkan oleh pipa. Seperti yang
12.9 Tahap proses ekstraksi digambarkan pada Gambar P12.9. Sedemikian
ditunjukkan, laju perpindahan bahan kimia melalui setiap pipa adalah sama dengan a
sistem, aliran yang mengandung fraksi berat Yin suatu bahan kimia
laju aliran (Q, dengan satuan meter kubik per detik) dikalikan dengan
masuk dari kiri dengan laju aliran massa F1. Pada saat yang sama, a
konsentrasi reaktor dari mana aliran berasal (c, dengan
pelarut yang membawa fraksi berat Xin dari bahan kimia yang sama masuk
satuan miligram per meter kubik). Jika sistem berada pada kondisi tunak,
dari kanan dengan laju aliran F2. Jadi, untuk tahap i, keseimbangan massa
transfer ke setiap reaktor akan menyeimbangkan transfer keluar. Mengembangkan
dapat direpresentasikan sebagai
persamaan keseimbangan massa untuk reaktor dan menyelesaikan tiga persamaan
aljabar linier simultan untuk konsentrasinya. F1Yiÿ1 + F2Xi+1 = F1Yi + F2Xi (P12.9a)
12.7 Menggunakan pendekatan dasar yang sama seperti pada Bagian. 12.1, tentukan
Pada setiap tahap, keseimbangan diasumsikan terbentuk antara keduanya
konsentrasi klorida di masing-masing Great Lakes dengan menggunakan
Yi dan Xi seperti pada
informasi yang ditunjukkan pada Gambar. P12.7.
12.8 Sungai Colorado Bawah terdiri dari empat rangkaian Xi
K= (P12.9b)
reservoir seperti yang ditunjukkan pada Gambar. P12.8. Saldo massal dapat ditulis untuk Yi
Gambar P12.6
200mg/detik
Tiga reaktor dihubungkan oleh Q13 c1 Q33c 3
pipa. Laju perpindahan massa

melalui masing-masing pipa sama dengan 1 3
produk aliran Q dan
konsentrasi c reaktor
dari mana aliran itu berasal. Q23c2 500mg/detik
Pertanyaan 21c2
Q12c 1
Q33 = 120
Q13 = 40
2 Q12 = 90
Q23 = 60
Q21 = 30
180 QSH = 67
QMH = 36
QHE = 161
QEO = 182
QOO = 212
Unggul QSHcS 740
3850
QHEcH
710 Huron 4720

QEOcE
Unggul Erie
QOOcO
Gambar P12.7
Michigan QMHcM Ontario
Neraca klorida untuk Great
Lakes. Panah bernomor adalah
masukan langsung.
12.10 Reaksi orde pertama yang ireversibel terjadi dalam empat reaktor yang
Atas tercampur dengan baik (Gbr. P12.10),
Colorado
k
Sungai SEBUAHÿ ÿ B
c1 Jadi, laju transformasi A menjadi B dapat direpresentasikan sebagai
Rab = kVc
Danau
Powell c2
Reaktor mempunyai volume yang berbeda, dan karena dioperasikan pada suhu
Danau yang berbeda, masing-masing reaktor mempunyai laju reaksi yang berbeda:
Madu c3
Danau Reaktor V, L k, jam1

Mohave c4
25 0,075
Danau 1 75 0,15
Havasu 2 100 0,4
34 25 0,1
Gambar P12.8
Hilir Sungai Colorado.
Tentukan konsentrasi A dan B pada masing-masing reaktor di
stabil.
12.11 Pompa peristaltik mengalirkan satuan aliran (Q1) fluida yang
dimana K disebut koefisien distribusi. Persamaan (P12.9b) dapat diselesaikan untuk sangat kental. Jaringan digambarkan pada Gambar P12.11. Setiap
Xi dan disubstitusikan ke dalam Persamaan. (P12.9a) untuk menghasilkan bagian pipa mempunyai panjang dan diameter yang sama. Neraca
massa dan energi mekanik dapat disederhanakan untuk memperoleh
F2 F2
Yiÿ1 ÿ 1 + K Yi + K Yi+1 = 0 (P12.9c) aliran pada setiap pipa. Selesaikan sistem persamaan berikut untuk
F1 F1
memperoleh aliran pada setiap aliran.
Jika F1 = 400 kg/jam, Yin = 0,1, F2 = 800 kg/jam, Xin = 0, dan K = 5, Q3 + 2Q4 ÿ 2Q2 = 0
tentukan nilai Yout dan Xout jika menggunakan reaktor lima tahap.
Q5 + 2Q6 ÿ 2Q4 = 0
Perhatikan bahwa Persamaan. (P12.9c) harus dimodifikasi untuk memperhitungkan
fraksi bobot aliran masuk ketika diterapkan pada tahap pertama dan terakhir. 3Q7 ÿ 2Q6 = 0
MASALAH 329
Aliran = F2
x keluar x2 x3 xi xi +1 xn – 1 xn xin
1 02 ••• 0i ••• N –1 0n
yin kamu1 kamu2 kamu – 1 ya kamu – 2 kamu – 1 kamu T
Aliran = F1
Gambar P12.9
Proses ekstraksi bertahap.
QG QG
Q32 = 5 cG0 cG1 cG2 cG3 cG4 cG5
D
Qin = 10 cL1 cL2 cL3 cL4 cL5 kelas6
1 2 3 4
QL QL
ca,dalam = 1
Gambar P12.12
Q43 = 3
Gambar P12.10
dilewatkan pada zat cair yang mengalir dari kanan ke kiri. Perpindahan a
bahan kimia dari gas ke cairan terjadi dengan laju yang sebanding dengan
perbedaan antara konsentrasi gas dan cairan dalam
Q1 Q3 Q5
masing-masing reaktor. Pada kondisi tunak, keseimbangan massa untuk reaktor pertama dapat dicapai
ditulis untuk gas sebagai

Q2 Q4 Q6 Q7
QGcG0 ÿ QGcG1 + D(cL1 ÿ cG1) = 0
dan untuk cairan sebagai
QL cL2 ÿ QL cL1 + D(cG1 ÿ cL1) = 0

Gambar P12.11
di mana QG dan QL masing-masing adalah laju aliran gas dan cairan, dan
D = nilai tukar gas-cair. Saldo serupa dapat ditulis untuk
Q1 = Q2 + Q3 reaktor lainnya. Selesaikan konsentrasi yang diberikan berikut ini
nilai: QG = 2, QL = 1, D = 0,8, cG0 = 100, cL6 = 20.
Q3 = Q4 + Q5
Q5 = Q6 + Q7
Teknik Sipil/Lingkungan
12.12 Gambar P12.12 menggambarkan proses pertukaran kimia yang 12.13 Insinyur sipil yang terlibat dalam konstruksi membutuhkan 4800, 5800,
terdiri dari serangkaian reaktor dimana gas mengalir dari kiri ke kanan dan masing-masing 5700 m3 pasir, kerikil halus, dan kerikil kasar untuk
sebuah proyek bangunan. Ada tiga lubang tempat bahan-bahan ini dibuat 12.17 Dalam contoh Gambar 12.4, di mana beban 1000 pon ke bawah
Bisa didapatkan. Komposisi lubang-lubang ini adalah gaya diterapkan pada node 1, reaksi eksternal V2 dan V3 terjadi
dihitung. Tetapi jika panjang rangka batang telah diketahui,
kita dapat menghitung V2 dan V3 dengan memanfaatkan fakta itu
Pasir Kerikil Halus Kerikil Kasar V2 + V3 harus sama dengan 1000 dan dengan menjumlahkan momen di sekitar node
%% % 2. Namun, karena kita mengetahui V2 dan V3, kita dapat bekerja mundur
untuk mencari panjang batang rangka. Perhatikan bahwa karena ada tiga
Lubang 1 52 30 18
panjang yang tidak diketahui dan hanya dua persamaan, kita
Lubang 2 20 50 30
hanya dapat menyelesaikan hubungan antar panjang. Selesaikan untuk ini
Lubang 3 25 20 55
hubungan.
12.18 Menggunakan metode yang sama seperti yang digunakan untuk menganalisis Gambar 12.4,
tentukan gaya dan reaksi pada rangka yang ditunjukkan pada gambar
Berapa meter kubik yang harus diangkut dari setiap lubang agar dapat
Gambar.P12.18.
memenuhi kebutuhan insinyur?
12.19 Selesaikan gaya dan reaksi rangka pada Gambar P12.19.
12.14 Lakukan perhitungan yang sama seperti pada Sec. 12.2, tapi untuk
Tentukan invers matriks untuk sistem tersebut. Apakah gaya batang vertikal
rangka yang digambarkan pada Gambar P12.14.
pada bagian tengah tampak masuk akal? Mengapa?
12.15 Lakukan perhitungan yang sama seperti pada Sec. 12.2, tapi untuk
rangka yang digambarkan pada Gambar P12.15.
12.16 Hitung gaya dan reaksi rangka pada Gambar 12.4 jika
gaya ke bawah sebesar 2500 kg dan gaya mendatar ke kanan
2000 kg diterapkan pada node 1.
Gambar P12.18
800
Gambar P12.14
45
250
600
30
1200
30
30
45 45
500
Gambar P12.19
Gambar P12.15
400 200
60 60
45 45
45 45 60 30
3500
MASALAH 331
Qc = 150 m3/jam Qd = 100 m3/jam
25 m3/jam
Qb = 50 m3/jam 2
4
(Bagian anak-anak)
cb = 2 mg/m3
Gambar P12.20
30m
/m a5j
Pemandangan dari atas ruangan
di sebuah restoran. Panah satu Qa = 200 m3/jam
25 m3/jam
1
arah mewakili aliran udara ca = 2 mg/m3 3
(Bagian merokok)
volumetrik, sedangkan panah dua
Beban perokok
arah mewakili pencampuran
(2000 mg/jam)
difusi. Beban perokok dan
panggangan menambah massa
Beban
karbon monoksida ke panggangan (2000 mg/jam)
dalam sistem tetapi aliran udara dapat diabaikan.
12.20 Sesuai dengan namanya, polusi udara dalam ruangan berhubungan

dengan kontaminasi udara di ruang tertutup seperti rumah, kantor, area kerja,
dll. Misalkan Anda sedang merancang sistem ventilasi untuk restoran seperti
ditunjukkan pada Gambar P12.20. Area penyajian restoran ini terdiri dari dua
ruangan berbentuk persegi dan satu ruangan memanjang. Kamar 1 dan kamar
3 mempunyai sumber karbon monoksida dari perokok dan a
panggangan yang rusak, masing-masing. Neraca massa keadaan tunak dapat
ditulis untuk setiap ruangan. Misalnya untuk bagian merokok (ruangan 1), D
saldonya dapat ditulis sebagai
0 Wsmoker + Qaca ÿ Qac1 + E13(c3 ÿ c1) (beban) + (aliran

masuk) ÿ (aliran keluar) + (pencampuran)
atau mengganti parameter

B
225c1 ÿ 25c3 = 2400
Saldo serupa dapat ditulis untuk ruangan lain.

A
(a) Selesaikan konsentrasi karbon monoksida dalam kondisi tunak 2,4 m
setiap ruangan. C
0,8 m
(b) Tentukan berapa persen karbon monoksida di bagian anak-anak yang 0,6 m
disebabkan oleh (i) perokok, (ii) pemanggang, dan (iii) udara di lubang 0,8 m 1m
masuk. X
(c) Jika beban perokok dan pemanggang masing-masing ditingkatkan menjadi kamu
3000 dan 5000 mg/jam, gunakan invers matriks untuk menentukan

peningkatan konsentrasi pada bagian anak-anak.
(d) Bagaimana konsentrasi di area anak-anak berubah jika dibuat sekat Gambar P12.21
sehingga pencampuran antara area 2 dan 4 dikurangi hingga 5 m3 /jam?
12.21 Gaya ke atas sebesar 20 kN diterapkan pada bagian atas tripod seperti 12.22 Sebuah rangka dibebani seperti ditunjukkan pada Gambar P12.22. Dengan
digambarkan pada Gambar P12.21. Tentukan gaya pada kaki tripod. menggunakan persamaan berikut, selesaikan 10 bilangan yang tidak diketahui: AB,
BC, AD, BD, CD, DE, CE, Ax, Ay, dan Ey.
3 21 R = 30 R = 35
24 kN V1 = 10 volt
B R
74 kN C =7
R=5 R = 10
R = 15 R=5
V6 = 200 volt
4 56
4m Gambar P12.24
5 479 0
A E
3m D 3m
20 10
Gambar P12.22 5
3 6 15
5 10
3 21 R = 20 R = 10
20 50
V1 = 150 volt 2 8
5
R=2 R=5 1
V1 = 110 V2 = 40
R=5 R = 25
V6 = 0 volt Gambar P12.25
4 56
Gambar P12.23
Logam, Plastik, Karet,

Komponen g/komponen g/komponen g/komponen
Kapak + IKLAN = 0 ÿ24 ÿ CD ÿ (4/5)CE = 0
15 0,25 1.0
Ay + AB = 0 ÿAD + DE ÿ (3/5)BD = 0
1 17 0,33 1.2
74 + SM + (3/5)BD = 0 CD + (4/5)BD = 0 23 19 0,42 1.6
ÿAB ÿ (4/5)BD = 0 ÿDE ÿ (3/5)CE = 0
ÿBC + (3/5)CE = 0 Jika ditotal 2,12, 0,0434, dan 0,164 kg logam, plastik, dan karet,
Ey + (4/5)CE = 0
masing-masing, tersedia setiap hari, berapa banyak komponen yang tersedia
Teknik Elektro diproduksi per hari?
12.23 Lakukan perhitungan yang sama seperti pada Sec. 12.3, tapi untuk 12.27 Tentukan arus untuk rangkaian pada Gambar P12.27.
rangkaian yang digambarkan pada Gambar P12.23. 12.28 Tentukan arus untuk rangkaian pada Gambar P12.28.
12.24 Lakukan perhitungan yang sama seperti pada Sec. 12.3, tapi untuk 12.29 Sistem persamaan berikut dihasilkan dengan menerapkan
rangkaian yang digambarkan pada Gambar P12.24. hukum arus mesh ke rangkaian pada Gambar P12.29:
12.25 Selesaikan rangkaian pada Gambar P12.25 untuk arus pada setiap kawat.
55I1 ÿ 25I4 = ÿ200
Gunakan eliminasi Gauss dengan berputar.
12.26 Seorang insinyur listrik mengawasi produksi tiga jenis ÿ37I3 ÿ 4I4 = ÿ250
komponen listrik. Tiga jenis bahan—logam, plastik, dan
ÿ25I1 ÿ 4I3 + 29I4 = 100
karet—dibutuhkan untuk produksi. Jumlah yang dibutuhkan untuk memproduksi
masing-masing komponen adalah Selesaikan untuk I1, I3, dan I4.
MASALAH 333
5 10 20 10 10 A
+ +
80 V – 15 25 – 50V I1 20
I2
25 25
Gambar P12.27
+
100V – I4 4 I3 8
Gambar P12.29
j2
4 8
Teknik Mesin/Dirgantara
12.31 Lakukan perhitungan yang sama seperti pada Sec. 12.4, tetapi tambahkan a
pegas ketiga antara massa 1 dan 2 dan rangkap tiga k untuk semua pegas.
+ 12.32 Lakukan perhitungan yang sama seperti pada Sec. 12.4, tapi ubah
abad ke-20 – i1 2 i3 5
massanya masing-masing dari 2, 3, dan 2,5 kg hingga 15, 3, dan 2 kg.
12.33 Sistem pegas-massa yang ideal mempunyai banyak penerapan
sepanjang rekayasa. Gambar P12.33 menunjukkan susunan
empat pegas yang disusun seri ditekan dengan gaya 2000 kg. Pada
Gambar P12.28 keseimbangan, persamaan keseimbangan gaya dapat dikembangkan dengan mendefinisikan
hubungan antar mata air,
k2(x2 ÿ x1) = k1x1
k3(x3 ÿ x2) = k2(x2 ÿ x1)

12.30 Sistem persamaan berikut dihasilkan dengan menerapkan hukum
k4(x4 ÿ x3) = k3(x3 ÿ x2)
arus mesh pada rangkaian pada Gambar P12.30:
F = k4(x4 ÿ x3)
60I1 ÿ 40I2 = 200
dimana k adalah konstanta pegas. Jika k1 sampai k4 adalah 150, 50, 75,
ÿ40I1 + 150I2 ÿ 100I3 = 0 dan 225 N/m, masing-masing, hitung x-nya.
ÿ100I2 + 130I3 = 230 12.34 Tiga balok dihubungkan dengan seutas tali tanpa bobot dan ditopang
bidang miring (Gbr. P12.34a). Mempekerjakan prosedur yang mirip dengan
Selesaikan untuk I1, I2, dan I3. yang digunakan dalam analisis penerjun payung yang jatuh dalam Contoh
Gambar P12.30 20 10 80 V
–
+
+ I1 I2 I3 I4
200V – 40 100 30 10 A
9.11 menghasilkan himpunan persamaan simultan berikut (diagram benda

X
F bebas ditunjukkan pada Gambar P12.34b):
100a + T = 519,72
x4 50a ÿ T + R = 216,55
25a ÿ R = 108,27
k4
Selesaikan percepatan a dan tegangan T dan R pada kedua tali.
x3 12.35 Lakukan perhitungan serupa dengan yang diminta dalam Soal. 12.34, tetapi
untuk sistem yang ditunjukkan pada Gambar P12.35.
k3
12.36 Lakukan perhitungan yang sama seperti pada Soal. 12.34, tetapi untuk
x2 sistem yang digambarkan pada Gambar P12.36 (sudutnya 45ÿ).
12.37 Perhatikan sistem pegas tiga massa-empat pada Gambar P12.37.
k2 Menentukan persamaan gerak dari Fx = ma, untuk setiap massa dengan
menggunakan diagram benda bebasnya menghasilkan persamaan diferensial
x1
sebagai berikut:
k1
k1 + k2 k2
0 x¨1 + x1 - x2 = 0
m1 m1
k2 k2 + k3 k3
x¨2 ÿ x1 + x2 - x3 = 0
m2 m2 m2
Gambar P12.33
k3 k3 + k4
x¨3 - x2 + x3 = 0
m3 m3
Gambar P12.34
25kg
a, percepatan
100 kg 50 kg
45
(A)
T R
692.96 346.48 173.24

692,96 0,25 = 173,24 346,48 0,375 = 129,93 173,24 0,375 = 64,97
692.96 346.48 173.24

T R
100 9,8 = 980 50 9,8 = 490 25 9,8 = 245
(B)
MASALAH 335
Ta = 10
10kg
50kg T0 = 40 T5 = 200
40kg Gesekan = 0,5 X
Gesekan = 0,3
Ta = 10
Gesekan = 0,2 60
30 x=0 x = 10
Gambar P12.38
Gambar P12.35
Sebuah batang seragam tidak berinsulasi yang ditempatkan di antara
dua dinding yang suhunya konstan tetapi berbeda. Representasi
perbedaan hingga menggunakan empat node interior.
10kg dimana T = suhu (ÿC), x = jarak sepanjang batang (m), h = koefisien

8kg perpindahan panas antara batang dengan udara sekitar
(mÿ2), dan Ta = suhu udara sekitar (ÿC). Persamaan ini dapat diubah
15kg Gesekan menjadi himpunan persamaan aljabar linier dengan menggunakan
= 0,2 5kg
pendekatan beda terbagi hingga untuk turunan keduanya (ingat Bagian
Gesekan = 0,8
4.1.3),
Gambar P12.36 d2T

= Ti+1 ÿ 2Ti + Tiÿ1 x2
dx2
dimana Ti menunjukkan suhu pada titik i. Perkiraan ini dapat disubstitusikan

x1 x2 x3 ke Persamaan. (P12.38) memberi
k1 k2 k3 k4
ÿTiÿ1 + (2 + h x2)Ti ÿ Ti+1 = h x2Ta
m1 m2 m3
Persamaan ini dapat ditulis untuk masing-masing simpul bagian dalam

batang sehingga menghasilkan sistem persamaan tridiagonal. Simpul
pertama dan terakhir pada ujung batang ditetapkan berdasarkan
Gambar P12.37 kondisi batas. (a) Kembangkan solusi analitis untuk Persamaan. (P12.38)
untuk batang 10 m dengan Ta = 20, T (x = 0) = 40, T (x = 10) = 200 dan
h = 0,02.
(b) Kembangkan solusi numerik untuk nilai parameter yang sama seperti yang
dimana k1 = k4 = 10 N/m, k2 = k3 = 30 N/m, dan m1 = m2 = m3 = 2 kg. digunakan pada (a) dengan menggunakan solusi beda hingga dengan empat
Tuliskan ketiga persamaan tersebut dalam bentuk matriks: simpul interior seperti ditunjukkan pada Gambar P12.38 (x = 2 m).
0 = [vektor percepatan] + [k/mmatrix][vektor perpindahan x] 12.39 Distribusi suhu pada keadaan tunak pada pelat yang dipanaskan
dapat dimodelkan dengan persamaan Laplace,
Pada waktu tertentu x1 = 0,05 m, x2 = 0,04 m, dan x3 = 0,03 m membentuk
matriks tridiagonal. Selesaikan percepatan setiap massa. ÿ2T ÿ2T +
0=
ÿx2 ÿy2
12.38 Persamaan aljabar linier dapat muncul dalam penyelesaian
persamaan diferensial. Misalnya, persamaan diferensial berikut diperoleh Jika pelat diwakili oleh serangkaian simpul (Gbr. P12.39), perbedaan terbagi
dari keseimbangan panas untuk batang yang panjang dan tipis (Gbr. P12.38): hingga terpusat dapat digantikan dengan yang kedua.
turunan, yang menghasilkan sistem persamaan aljabar linier.
d2T Gunakan metode Gauss-Seidel untuk menyelesaikan suhu node pada
+ h (Ta ÿ T ) = 0 dx2 (Hlm.12.38)
Gambar P12.39.
25C 25C
z
T12 T22
200C 0C
2m
50 N
T11 T21
200C 0C kamu
2m
75C 75C 2m
Bola dan soket
B
Gambar P12.39
1m
2m
1m X
12.40 Sebuah batang pada sambungan bola dan soket dipasang pada kabel A dan B seperti A
pada Gambar P12.40.
(a) Jika gaya sebesar 50 N dikerjakan pada batang tak bermassa di G, berapakah gayanya?
gaya tarik pada kabel A dan B? Gambar P12.40
(b) Selesaikan gaya reaktan pada dasar batang. Hubungi pangkalan
titik P.
EPILOG: BAGIAN KETIGA
PT3.4 PERTUKARAN
Tabel PT3.2 memberikan ringkasan trade-off yang terlibat dalam penyelesaian linear simultan
persamaan aljabar. Dua metode—grafik dan aturan Cramer—dibatasi pada skala kecil (ÿ 3)
sejumlah persamaan dan dengan demikian memiliki sedikit kegunaan untuk pemecahan masalah praktis. Namun,
teknik-teknik ini adalah alat didaktik yang berguna untuk memahami perilaku sistem linier
secara umum.
Metode numerik sendiri terbagi menjadi dua kategori umum: eksak dan
metode perkiraan. Sesuai dengan namanya, yang pertama dimaksudkan untuk menghasilkan jawaban yang tepat.
Namun, karena dipengaruhi oleh kesalahan pembulatan, terkadang hasilnya tidak tepat. Besarnya kesalahan
pembulatan bervariasi dari satu sistem ke sistem lainnya dan bergantung pada sistem tersebut
pada beberapa faktor. Ini termasuk dimensi sistem, kondisinya, dan apakah
matriks koefisiennya jarang atau penuh. Selain itu, presisi komputer akan mempengaruhi
kesalahan pembulatan.
Disarankan agar strategi berputar digunakan dalam program komputer apa pun yang menerapkan metode
eliminasi yang tepat. Dimasukkannya strategi seperti itu meminimalkan kesalahan pembulatan dan menghindari
masalah seperti pembagian dengan nol. Semua hal lain dianggap sama, LU
algoritma berbasis dekomposisi adalah metode pilihan karena efisiensi dan
fleksibilitas.
TABEL PT3.2 Perbandingan karakteristik metode alternatif pencarian solusi

persamaan aljabar linier simultan.
Luasnya Pemrograman
metode Stabilitas Presisi Aplikasi Upaya Komentar
— Miskin Terbatas —
Grafis Mungkin memerlukan waktu lebih lama dari itu
metode numerik, tetapi bisa juga
berguna untuk visualisasi
aturan Cramer — Terbatas —
Dipengaruhi oleh Upaya komputasi yang berlebihan
kesalahan pembulatan diperlukan lebih dari tiga
persamaan
Eliminasi Gauss (dengan — Dipengaruhi oleh Umum Sedang
berputar sebagian) kesalahan pembulatan
Dekomposisi LU — Dipengaruhi oleh Umum Sedang Metode eliminasi yang disukai; memungkinkan
kesalahan pembulatan perhitungan invers matriks
Gauss-Seidel Mungkin Bagus sekali Hanya Sesuai Mudah
tidak menyatu jika untuk secara diagonal
tidak dominan secara diagonal sistem yang dominan
337
338 EPILOG: BAGIAN KETIGA
Meskipun metode eliminasi memiliki kegunaan yang besar, penggunaan seluruh matriks
koefisien dapat menjadi terbatas ketika berhadapan dengan sistem yang sangat besar dan jarang.
Hal ini disebabkan oleh kenyataan bahwa sebagian besar memori komputer akan dikhususkan
untuk penyimpanan angka nol yang tidak berarti. Untuk sistem berpita, tersedia teknik untuk
menerapkan metode eliminasi tanpa harus menyimpan seluruh matriks koefisien.
Teknik perkiraan yang dijelaskan dalam buku ini disebut metode Gauss-Seidel.
Teknik ini berbeda dengan teknik eksak karena menggunakan skema iteratif untuk mendapatkan
estimasi solusi yang semakin dekat. Dengan demikian, efek pembulatan merupakan poin yang
diperdebatkan dalam metode Gauss-Seidel karena iterasi dapat dilanjutkan selama diperlukan
untuk memperoleh presisi yang diinginkan. Selain itu, versi metode Gauss-Seidel dapat dikembangkan
untuk memanfaatkan kebutuhan penyimpanan komputer secara efisien untuk sistem yang jarang.
Akibatnya, teknik Gauss-Seidel mempunyai kegunaan untuk sistem persamaan yang besar dimana
kebutuhan penyimpanan akan menimbulkan masalah yang signifikan untuk teknik eksak.
Kelemahan metode Gauss-Seidel adalah tidak selalu konvergen atau terkadang konvergen
secara perlahan pada solusi sebenarnya. Ini hanya dapat diandalkan untuk sistem yang dominan
secara diagonal. Namun, tersedia metode relaksasi yang terkadang mengimbangi kelemahan ini.
Selain itu, karena banyak himpunan persamaan aljabar linier yang berasal dari sistem fisik
menunjukkan dominasi diagonal, metode Gauss-Seidel memiliki kegunaan yang besar untuk
pemecahan masalah teknik.
Singkatnya, berbagai faktor akan mempengaruhi pilihan Anda terhadap teknik untuk masalah
tertentu yang melibatkan persamaan aljabar linier. Namun, seperti diuraikan di atas, ukuran dan
ketersebaran sistem merupakan faktor yang sangat penting dalam menentukan pilihan Anda.
PT3.5 HUBUNGAN DAN FORMULA PENTING

Setiap bagian buku ini dilengkapi bagian yang merangkum rumus-rumus penting. Meskipun Bagian
Tiga tidak benar-benar membahas rumus tunggal, kami telah menggunakan Tabel PT3.3 untuk
merangkum algoritma yang dibahas. Tabel ini memberikan gambaran umum yang akan berguna
untuk meninjau dan menjelaskan perbedaan utama antara metode-metode tersebut.
PT3.6 METODE LANJUTAN DAN REFERENSI TAMBAHAN

Referensi umum mengenai penyelesaian persamaan linear simultan dapat ditemukan dalam Faddeev
dan Faddeeva (1963), Stewart (1973), Varga (1962), dan Young (1971). Ralston dan Rabinowitz
(1978) memberikan ringkasan umum.
Banyak teknik lanjutan yang tersedia untuk meningkatkan penghematan waktu dan/atau ruang
saat menyelesaikan persamaan aljabar linier. Sebagian besar fokus pada eksploitasi properti
persamaan seperti simetri dan keterkaitan. Secara khusus, algoritma tersedia untuk beroperasi pada
matriks renggang untuk mengubahnya menjadi format pita minimum. Jacobs (1977) dan Tewarson
(1973) memasukkan informasi mengenai bidang ini. Ketika mereka berada dalam format pita
minimum, ada berbagai strategi solusi efisien yang digunakan seperti pendekatan penyimpanan
kolom aktif dari Bathe dan Wilson (1976).
Selain n × n himpunan persamaan, ada sistem lain yang jumlah persamaannya, m, dan
banyaknya persamaan yang tidak diketahui, n, tidak sama. Sistem dimana m < n disebut
underdetermined. Dalam kasus seperti ini mungkin tidak ada solusi atau mungkin ada lebih dari satu solusi.
PT3.6 METODE LANJUTAN DAN REFERENSI TAMBAHAN 339
TABEL PT3.3 Ringkasan informasi penting disajikan pada Bagian Ketiga.

Potensi
Masalah dan
metode Prosedur Solusi
a11 a12 a13 | a21 a22 c1 a11 a12 a13 | a' 22 a' 23 c1 x3 c”3a33” x2 (c' Masalah:
Eliminasi Gauss a23 | c2 a31 a32 a33 | c3 ÿ | c' 2 a33” | c”3 ÿ 2 a' 23x3)a' 22 (c1 a12x1 III pengkondisian
x1 Membulatkan
a13x3)a11
Pembagian dengan nol
Solusi:
Presisi lebih tinggi
Berputar sebagian
Penguraian Pergantian Kembali

Masalah:
III pengkondisian
LU a11 a12 a13 1 00 l21 1 d1 c1 u11 u12 u13 0 u22 x1 d1 x1 Membulatkan
ÿ 0 l31 l32 1 ÿ ÿ
penguraian a21 a22 a23 d2 c2 u23 0 0 u33 x2 d2 x2 Pembagian dengan nol
a31 a32 a33 d3 c3 x3 d3 x3 Solusi:
Presisi lebih tinggi
Substitusi Maju Berputar sebagian
Metode xj (c1 a12xj1 2 a13xj1

3 )a11 lanjutkan secara iteratif hingga xj Masalah:
Gauss-Seidel xj1 xj
1
Saya Saya
100% Divergen atau

(c2 a21xj 1 a23xj1
3 )a22 S
Saya menyatu secara perlahan
xj 2 xj 3 (c3 a31xj 1 a32xj 2)a33 Solusi:
untuk semua x'is
Dominasi
diagonal
Relaksasi
Sistem dimana m > n disebut terlalu ditentukan. Untuk situasi seperti ini, secara umum tidak ada
solusi pasti. Namun, seringkali dimungkinkan untuk mengembangkan solusi kompromi yang
berupaya menentukan jawaban yang “paling mendekati” untuk memenuhi semua persamaan
secara bersamaan. Pendekatan yang umum dilakukan adalah menyelesaikan persamaan dalam
pengertian “kuadrat terkecil” (Lawson dan Hanson, 1974; Wilkinson dan Reinsch, 1971). Sebagai
alternatif, metode program linier dapat digunakan dimana persamaan diselesaikan secara “optimal”
dengan meminimalkan beberapa fungsi tujuan (Dantzig, 1963; Luenberger, 1973; dan Rabinowitz,
1968). Kami menjelaskan pendekatan ini secara rinci dalam Bab. 15.
BAGIAN KEEMPAT
OPTIMASI
PT4.1 MOTIVASI
Lokasi root (Bagian 2) dan optimasi saling terkait dalam arti keduanya melibatkan tebakan dan pencarian
titik pada suatu fungsi. Perbedaan mendasar kedua jenis soal tersebut diilustrasikan pada Gambar PT4.1.
Lokasi akar melibatkan pencarian angka nol dari suatu fungsi atau fungsi. Sebaliknya, optimasi melibatkan
pencarian nilai minimum atau maksimum.
Optimumnya adalah titik dimana kurvanya datar. Secara matematika, hal ini sesuai dengan nilai x
dimana turunan f (x) sama dengan nol. Selain itu, turunan kedua, f (x), menunjukkan apakah titik optimumnya
adalah minimum atau maksimum: jika f (x) < 0, titiknya adalah maksimum; jika f (x) > 0, maka titiknya adalah
minimum.
Sekarang, memahami hubungan antara akar dan optimal akan menyarankan strategi yang mungkin
untuk menemukan yang terakhir. Artinya, Anda dapat membedakan fungsi dan menemukan akar (yaitu, nol)
dari fungsi baru tersebut. Faktanya, beberapa metode optimasi berupaya menemukan optima dengan
menyelesaikan akar permasalahan: f (x) = 0. Perlu dicatat bahwa pencarian seperti itu seringkali rumit
karena f (x) tidak tersedia secara analitis. Oleh karena itu, terkadang kita harus menggunakan pendekatan
beda hingga untuk memperkirakan turunannya.
Selain melihat optimasi sebagai akar masalah, perlu dicatat bahwa tugas menemukan titik optima
dibantu oleh beberapa struktur matematika tambahan yang bukan merupakan bagian dari pencarian akar
sederhana. Hal ini cenderung membuat pengoptimalan menjadi tugas yang lebih mudah dilakukan,
terutama untuk kasus multidimensi.
GAMBAR PT4.1
Fungsi variabel tunggal yang menggambarkan perbedaan antara akar dan optima.
f(x) f(x)=0 Maksimum

f(x) 0
f(x)=0
Akar
0
Akar Akar X
f(x)=0
Minimum f(x) 0
341
342 OPTIMASI
PT4.1.1 Metode dan Sejarah Nonkomputer
Seperti disebutkan di atas, metode kalkulus diferensial masih digunakan untuk menentukan solusi
optimal. Semua mahasiswa teknik dan sains mengingat kembali pengerjaan soal maxima-minima
dengan menentukan turunan pertama fungsi dalam mata kuliah kalkulus mereka. Bernoulli, Euler,
Lagrange, dan lain-lain meletakkan dasar kalkulus variasi, yang berkaitan dengan minimalisasi
fungsi. Metode pengganda Lagrange dikembangkan untuk mengoptimalkan masalah yang dibatasi,
yaitu masalah optimasi yang variabelnya dibatasi dalam beberapa cara.
Kemajuan besar pertama dalam pendekatan numerik terjadi hanya dengan pengembangan
komputer digital setelah Perang Dunia II. Koopmans di Inggris dan Kantorovich di bekas Uni Soviet
secara independen menangani masalah umum distribusi pasokan dan produk dengan biaya paling
rendah. Pada tahun 1947, murid Koopman, Dantzig, menemukan prosedur simpleks untuk
memecahkan masalah program linier. Pendekatan ini membuka jalan bagi metode optimasi terbatas
lainnya yang dilakukan oleh sejumlah peneliti, terutama Charnes dan rekan kerjanya. Pendekatan
untuk optimasi tanpa batasan juga berkembang pesat seiring dengan meluasnya ketersediaan
komputer.
PT4.1.2 Optimasi dan Praktek Rekayasa
Sebagian besar model matematika yang telah kita bahas sampai saat ini adalah model deskriptif .
Artinya, mereka diturunkan untuk mensimulasikan perilaku perangkat atau sistem teknik. Sebaliknya,
optimasi biasanya berkaitan dengan menemukan “hasil terbaik”, atau solusi optimal, dari suatu
masalah. Oleh karena itu, dalam konteks pemodelan, model ini sering disebut model preskriptif
karena dapat digunakan untuk menentukan serangkaian tindakan atau rancangan terbaik.
Insinyur harus terus merancang perangkat dan produk yang melakukan tugas secara efisien.
Dalam melakukan hal ini, mereka dibatasi oleh keterbatasan dunia fisik.
Selain itu, mereka juga harus menekan biaya. Oleh karena itu, mereka selalu menghadapi masalah
optimasi yang menyeimbangkan kinerja dan keterbatasan. Beberapa contoh umum tercantum pada
Tabel PT4.1. Contoh berikut ini telah dikembangkan untuk membantu Anda mendapatkan gambaran
bagaimana masalah tersebut dapat dirumuskan.
TABEL PT4.1 Beberapa contoh umum masalah optimasi di bidang teknik.

• Rancang pesawat dengan bobot minimum dan kekuatan maksimum. •
Lintasan optimal kendaraan luar angkasa. •
Merancang struktur teknik sipil dengan biaya minimum. •
Merancang proyek sumber daya air seperti bendungan untuk mengurangi kerusakan akibat banjir sekaligus menghasilkan tenaga
air yang maksimal. • Memprediksi perilaku struktural dengan
meminimalkan energi potensial. • Strategi pemotongan
bahan untuk biaya minimum. • Rancang pompa dan peralatan perpindahan panas
untuk efisiensi maksimum. • Memaksimalkan keluaran daya jaringan listrik dan mesin sekaligus meminimalkan
timbulnya panas. • Rute terpendek tenaga penjual mengunjungi berbagai kota dalam
satu perjalanan penjualan. • Perencanaan
dan penjadwalan yang optimal. • Analisis statistik dan model
dengan kesalahan minimum. •
Jaringan pipa yang
optimal. • Kontrol inventaris. • Perencanaan
pemeliharaan untuk meminimalkan biaya. •
Meminimalkan waktu tunggu dan waktu menganggur. • Merancang sistem pengolahan limbah untuk memenuhi standar kualitas air dengan biaya yang
PT4.1 MOTIVASI 343
CONTOH PT4.1 Optimalisasi Biaya Parasut
Pernyataan masalah. Sepanjang sisa buku ini, kami telah menggunakan penerjun payung yang jatuh untuk
mengilustrasikan bidang masalah dasar metode numerik. Anda mungkin telah memperhatikan
bahwa tidak satupun dari contoh-contoh ini berkonsentrasi pada apa yang terjadi setelah saluran terbuka. Dalam
contoh ini, kita akan memeriksa kasus dimana saluran telah terbuka dan kita tertarik untuk memprediksi kecepatan
tumbukan di tanah.
Anda adalah seorang insinyur yang bekerja untuk sebuah lembaga yang berencana untuk mengangkut pasokan ke pengungsi di a
zona perang. Perbekalan akan dijatuhkan pada ketinggian rendah (500 m) agar jatuhnya tidak terdeteksi dan
perbekalan jatuh sedekat mungkin dengan lokasi pengungsian. Peluncuran segera terbuka setelah meninggalkan
pesawat. Untuk mengurangi kerusakan, kecepatan vertikal pada tumbukan harus dilakukan
berada di bawah nilai kritis vc = 20 m/s.
Parasut yang digunakan untuk menjatuhkan digambarkan pada Gambar PT4.2. Luas penampang
salurannya berbentuk setengah bola,
2
SEBUAH = 2ÿr (PT4.1)
Panjang masing-masing dari 16 kabel yang menghubungkan saluran ke massa berhubungan dengan saluran
radius oleh
= ÿ 2r (PT4.2)
Anda tahu bahwa gaya tarik saluran adalah fungsi linier dari luas penampangnya
dijelaskan dengan rumus berikut
c = kc A (PT4.3)
dimana c = koefisien drag (kg/s) dan kc = konstanta proporsionalitas yang menjadi parameter
pengaruh luas terhadap tarikan [kg/(s · m2 )].
Selain itu, Anda dapat membagi muatan menjadi paket sebanyak yang Anda suka. Artinya, massa
setiap paket individu dapat dihitung sebagai
gunung
m=
N
GAMBAR PT4.2
Parasut yang dikerahkan.
M
344 OPTIMASI
dimana m = massa suatu paket (kg), Mt = total beban yang dijatuhkan (kg), dan n = jumlah total paket.
Akhirnya, biaya setiap saluran berhubungan dengan ukuran saluran secara nonlinier,
Biaya per saluran = c0 + c1 + c2A2 (PT4.4)
dimana c0, c1, dan c2 = koefisien biaya. Suku konstannya, c0, adalah harga dasar peluncuran tersebut. Hubungan
nonlinier antara biaya dan luas terjadi karena saluran yang lebih besar jauh lebih sulit dibangun dibandingkan
saluran yang kecil.
Tentukan ukuran (r) dan jumlah saluran (n) yang menghasilkan biaya minimum pada
pada saat yang sama memenuhi persyaratan untuk memiliki kecepatan tumbukan yang cukup kecil.
Larutan. Tujuannya di sini adalah untuk menentukan jumlah dan ukuran parasut untuk meminimalkan biaya
pengangkutan melalui udara. Masalahnya terkendala karena bidang tersebut harus mempunyai kecepatan tumbukan
kurang dari nilai kritis.
Biaya dapat dihitung dengan mengalikan biaya masing-masing parasut [Persamaan. (PT4.4)] dengan jumlah
parasut (n). Jadi, fungsi yang ingin diminimalkan, yang secara formal disebut fungsi tujuan, ditulis sebagai
Minimalkan C = n(c0 + c1 + c2A2 ) (PT4.5)
dimana C = biaya ($) dan A dan dihitung dengan Persamaan. (PT4.1) dan (PT4.2), masing-masing.
Selanjutnya, kita harus menentukan batasannya. Untuk masalah ini ada dua kendala.
Pertama, kecepatan tumbukan harus sama dengan atau lebih kecil dari kecepatan kritis,
v ÿ vc (PT4.6)
Kedua, jumlah persil harus bilangan bulat dan lebih besar dari atau sama dengan 1,
nÿ1 (PT4.7)
dimana n adalah bilangan bulat.

Pada titik ini, masalah optimasi telah dirumuskan. Seperti yang dapat dilihat, itu adalah a
masalah dibatasi nonlinier.
Meskipun permasalahan telah dirumuskan secara luas, ada satu permasalahan lagi yang harus diatasi:
Bagaimana kita menentukan kecepatan tumbukan v? Ingat dari Bab. 1 yang dapat dihitung dengan kecepatan
benda jatuh
gram v = 1 ÿ eÿ(c/m)t (1.10)

C
dimana v = kecepatan (m/s), g = percepatan gravitasi (m/s2 ), m = massa (kg), dan t = waktu (s).
Meskipun Persamaan. (1.10) memberikan hubungan antara v dan t, kita perlu mengetahui berapa lama massa
jatuh. Oleh karena itu, diperlukan hubungan antara jarak jatuhnya z dengan waktu jatuhnya t. Jarak jatuh dapat
dihitung dari kecepatan dalam Persamaan. (1.10) melalui integrasi
T
gram
z= 1 ÿ eÿ(c/m)t dt (PT4.8)
C
0
Integral ini dapat dievaluasi untuk menghasilkan
gm gm2
z = z0 ÿ 1 ÿ eÿ(c/m)t t + c2 (PT4.9)
C
PT4.1 MOTIVASI 345
600
400
z (m)
200
Dampak
v (m/dtk)
0
0 5 10 15
t (s)
GAMBAR PT4.3
Ketinggian z dan kecepatan v parasut yang dipasang saat jatuh ke bumi (z = 0).
dimana z0 = tinggi awal (m). Fungsi ini, seperti diplot pada Gambar. PT4.3, menyediakan cara untuk memprediksi z
berdasarkan pengetahuan tentang t.
Namun, kita tidak memerlukan z sebagai fungsi dari t untuk menyelesaikan masalah ini. Sebaliknya, kita perlu melakukannya
hitunglah waktu yang diperlukan parsel untuk sampai pada jarak z0. Jadi, kami menyadari bahwa kami
harus merumuskan kembali Persamaan. (PT4.9) sebagai masalah pencarian akar. Artinya, kita harus menyelesaikannya pada saat itu
di mana z menjadi nol,
gram gm2
f(t) = 0 = z0 ÿ t + c2 1 ÿ eÿ(c/m)t (PT4.10)
C
Setelah waktu dampak dihitung, kita dapat menggantinya ke dalam Persamaan. (1.10) untuk menyelesaikan
kecepatan tumbukan.
Oleh karena itu, spesifikasi akhir dari masalahnya adalah
Minimalkan C = n(c0 + c1 + c2A2 ) (PT4.11)
tunduk pada
v ÿ vc (PT4.12)
nÿ1 (PT4.13)
Di mana
2
SEBUAH = 2ÿr (PT4.14)
= ÿ 2r (PT4.15)
c = kc A (PT4.16)
gunung
m= (PT4.17)
N
346 OPTIMASI
gram gm2
t = akar z0 ÿ t + 1 ÿ eÿ(c/m)t (PT4.18)
C c2
gram
v= 1 ÿ eÿ(c/m)t (PT4.19)
C
Kita akan menyelesaikan masalah ini pada Contoh 15.4 di akhir Bab. 15. Untuk saat ini
Sadarilah bahwa ia memiliki sebagian besar elemen mendasar dari masalah optimasi lain yang Anda miliki
akan secara rutin menghadapi dalam praktik teknik. Ini adalah
Masalahnya akan melibatkan fungsi tujuan yang mewujudkan tujuan Anda.

Akan ada sejumlah variabel desain. Variabel-variabel ini dapat berupa bilangan real atau bilangan real
bisa bilangan bulat. Dalam contoh kita, ini adalah r (nyata) dan n (bilangan bulat).
Masalahnya akan mencakup kendala yang mencerminkan keterbatasan yang Anda kerjakan.
Kita harus membuat satu hal lagi sebelum melanjutkan. Meskipun fungsi tujuan
dan kendala mungkin tampak seperti persamaan sederhana [misalnya, Persamaan. (PT4.12)], mereka
sebenarnya mungkin merupakan “puncak gunung es”. Artinya, hal tersebut mungkin didasari oleh ketergantungan
dan model yang kompleks. Misalnya, seperti dalam contoh kita, mereka mungkin melibatkan angka lain
metode [Persamaan. (PT4.18)]. Ini berarti hubungan fungsional yang akan Anda gunakan
sebenarnya bisa mewakili perhitungan yang besar dan rumit. Jadi, teknik yang bisa ditemukan
solusi optimal, sekaligus meminimalkan evaluasi fungsi, bisa sangat berharga.
PT4.2 LATAR BELAKANG MATEMATIKA

Ada sejumlah konsep dan operasi matematika yang mendasari optimasi.
Karena kami yakin bahwa persyaratan tersebut akan lebih relevan bagi Anda dalam konteksnya, kami akan menunda
diskusi mengenai prasyarat matematika spesifik hingga persyaratan tersebut diperlukan. Misalnya, kita akan
membahas konsep penting gradien dan Hessian di awal Bab. 14 aktif
optimasi multivariat tanpa batasan. Sementara itu, kami akan membatasi diri di sini
topik yang lebih umum tentang bagaimana masalah optimasi diklasifikasikan.
Masalah optimasi atau pemrograman matematika secara umum dapat dinyatakan sebagai:
Temukan x, yang meminimalkan atau memaksimalkan f(x)
tunduk pada
di(x) ÿ ai ei(x) i = 1, 2,..., mi = 1, (PT4.20)

= bi 2,..., hal (PT4.21)
dimana x adalah vektor desain berdimensi n , f(x) adalah fungsi tujuan, di(x) adalah batasan pertidaksamaan, ei(x)
adalah batasan persamaan, dan ai dan bi adalah konstanta.
Masalah optimasi dapat diklasifikasikan berdasarkan bentuk f(x):
Jika f(x) dan batasannya linier, maka kita mempunyai program linier.
Jika f(x) adalah kuadrat dan batasannya linier, maka kita mempunyai pemrograman kuadrat.
Jika f(x) tidak linier atau kuadrat dan/atau batasannya nonlinier, maka kita mempunyai persamaan nonlinier
pemrograman.
PT4.3 ORIENTASI 347
f(x)
kamu f(x*, y*) optimal
f(x)
f(x, kamu)
X*
minimal f(x) kamu*
X
Maksimum – f(x)
– f(x)
X* X
(A) (B)
GAMBAR
PT4.4 (a) Optimasi satu dimensi. Gambar ini juga menggambarkan bagaimana
minimalisasi f (x) setara dengan maksimalisasi ÿf (x). (b) Optimasi dua dimensi. Perhatikan
bahwa angka ini dapat dianggap mewakili maksimisasi (kontur bertambah tinggi
hingga maksimum seperti gunung) atau minimalisasi (kontur berkurang elevasinya
hingga minimum seperti lembah).
Selanjutnya, ketika Persamaan. (PT4.20) dan (PT4.21) disertakan, kami memiliki masalah optimasi
yang terbatas ; jika tidak, ini adalah masalah optimasi yang tidak dibatasi .
Perhatikan bahwa untuk permasalahan terbatas, derajat kebebasan diberikan oleh nÿpÿm.
Umumnya untuk mendapatkan solusi, p + m harus ÿ n. Jika p + m > n, maka permasalahan tersebut dikatakan terkendala
berlebihan (overconstrained).
Cara lain untuk mengklasifikasikan masalah optimasi adalah berdasarkan dimensi. Hal ini paling
sering dilakukan dengan membaginya menjadi masalah satu dimensi dan multidimensi. Sesuai
dengan namanya, permasalahan satu dimensi melibatkan fungsi yang bergantung pada satu variabel
terikat. Seperti pada Gambar PT4.4a, pencarian kemudian terdiri dari pendakian atau penurunan
puncak dan lembah satu dimensi. Masalah multidimensi melibatkan fungsi yang bergantung pada
dua atau lebih variabel terikat. Dengan semangat yang sama, optimasi dua dimensi dapat
divisualisasikan lagi sebagai pencarian puncak dan lembah (PT4.4b). Namun, seperti halnya
pendakian sesungguhnya, kita tidak dibatasi untuk berjalan dalam satu arah, melainkan topografinya
diperiksa agar mencapai tujuan secara efisien.
Terakhir, proses mencari nilai maksimum versus mencari nilai minimum pada dasarnya identik
karena nilai yang sama, x*, keduanya meminimalkan f(x) dan memaksimalkan ÿf(x). Kesetaraan ini
diilustrasikan secara grafis untuk fungsi satu dimensi pada Gambar PT4.4a.
PT4.3 ORIENTASI
Beberapa orientasi berguna sebelum melanjutkan ke metode numerik untuk optimasi.
Berikut ini dimaksudkan untuk memberikan gambaran umum materi pada Bagian Keempat. Selain
itu, beberapa tujuan telah disertakan untuk membantu Anda memfokuskan upaya Anda saat
mempelajari materi.
348 OPTIMASI
PT4.3.1 Ruang Lingkup dan Pratinjau
Gambar PT4.5 adalah representasi skematis organisasi Bagian Keempat. Periksa gambar ini
dengan cermat, mulai dari atas dan searah jarum jam.
Setelah pendahuluan ini, Chap. 13 dikhususkan untuk optimasi satu dimensi tanpa batasan.
Metode disajikan untuk mencari fungsi minimum atau maksimum suatu variabel tunggal. Tiga
metode yang dibahas: pencarian bagian emas, interpolasi parabola, dan metode Newton.
Pendekatan hibrida tingkat lanjut, metode Brent, yang menggabungkan keandalan pencarian
bagian emas dengan kecepatan interpolasi parabola juga dijelaskan.
Bab 14 mencakup dua jenis metode umum untuk memecahkan masalah optimasi
multidimensi tanpa kendala . Metode langsung seperti pencarian acak, pencarian univariat, dan
pencarian pola tidak memerlukan evaluasi turunan fungsi.
Di sisi lain, metode gradien menggunakan turunan pertama dan terkadang turunan kedua untuk
mencari nilai optimum. Bab ini memperkenalkan gradien dan Hessian, yang merupakan
representasi multidimensi dari turunan pertama dan kedua. Metode pendakian/ penurunan paling
curam kemudian dibahas secara rinci. Diikuti dengan uraian beberapa metode lanjutan: gradien
konjugasi, metode Newton, metode Marquardt, dan metode kuasi-Newton.
Bab 15 dikhususkan untuk optimasi terbatas. Pemrograman linier dijelaskan secara rinci
menggunakan representasi grafis dan metode simpleks. Analisis rinci tentang optimasi terbatas
nonlinier berada di luar cakupan buku ini, namun kami memberikan gambaran umum tentang
pendekatan utama. Selain itu, kami mengilustrasikan bagaimana permasalahan tersebut (bersama
dengan permasalahan yang dibahas dalam Bab 13 dan 14) dapat diperoleh dengan paket
perangkat lunak seperti Excel, MATLAB, dan Mathcad.
Bab 16 memperluas konsep di atas ke permasalahan teknik aktual. Aplikasi teknik digunakan
untuk mengilustrasikan bagaimana masalah optimasi dirumuskan dan memberikan wawasan
tentang penerapan teknik solusi dalam praktik profesional.
Epilog disertakan di akhir Bagian Empat. Ini berisi ikhtisar metode yang dibahas dalam Bab.
13, 14, dan 15. Ikhtisar ini mencakup deskripsi trade-off terkait penggunaan masing-masing teknik
secara tepat. Bagian ini juga memberikan referensi untuk beberapa metode numerik yang berada
di luar cakupan teks ini.
PT4.3.2 Maksud dan Tujuan Tujuan
Penelitian. Setelah menyelesaikan Bagian Empat, Anda harus memiliki informasi yang cukup
untuk berhasil mendekati berbagai masalah teknik yang berhubungan dengan optimasi.
Secara umum, Anda harus menguasai teknik-tekniknya, belajar menilai keandalannya, dan
mampu menganalisis metode alternatif untuk masalah tertentu. Selain tujuan umum tersebut,
konsep khusus pada Tabel PT4.2 juga perlu diasimilasikan untuk memahami materi pada Bagian
Keempat secara komprehensif.
Tujuan Komputer. Anda harus dapat menulis subprogram untuk mengimplementasikan pencarian
satu dimensi yang sederhana (seperti pencarian bagian emas atau interpolasi parabola) dan
multidimensi (seperti metode pencarian acak). Selain itu, paket perangkat lunak seperti Excel,
MATLAB, atau Mathcad memiliki beragam kemampuan untuk optimasi. Anda dapat menggunakan
bagian buku ini untuk mengenal kemampuan ini.
PT4.3 ORIENTASI 349
PT 4.2
Latar belakang
matematika
PT 4.1 PT 4.3
Motivasi Orientasi
13.1
Pencarian bagian
emas
BAGIAN 4
Optimasi
13.2
Interpolasi
PT 4.5
parabola
Referensi
tambahan BAB 13
13.3
Satu Dimensi Metode
EPILOG Tidak dibatasi Newton
PT 4.4
Pengorbanan Optimasi
13.4
Metode
Brent
16.4
Teknik mesin
14.1
BAB 14 Metode
BAB 16 Multidimensi langsung
Studi kasus Tidak dibatasi

16.3
Teknik
Optimasi
elektro
14.2
16.2 Metode
BAB 15 gradien
Teknik sipil Terkendala

16.1
Optimasi
Teknik Kimia
15.1
15.3
Paket Pemrograman linier
15.2
perangkat lunak
Dibatasi
nonlinier
GAMBAR
PT4.5 Skema pengorganisasian materi pada Bagian Keempat: Optimasi.
350 OPTIMASI
TABEL PT4.2 Tujuan studi khusus untuk Bagian Keempat.

1. Memahami mengapa dan di mana optimasi terjadi dalam pemecahan masalah teknik.
2. Memahami elemen utama masalah optimasi umum: fungsi tujuan, keputusan
variabel, dan batasan.
3. Mampu membedakan antara optimasi linier dan nonlinier, serta antara optimasi terkendala dan tidak terkendali.
masalah yang tegang.
4. Mampu mendefinisikan rasio emas dan memahami bagaimana optimasi satu dimensi menjadi efisien.
5. Temukan fungsi optimal suatu variabel dengan pencarian bagian emas, interpolasi parabola, dan metode Newton. Selain itu,
kenali trade-off di antara pendekatan-pendekatan ini, dengan perhatian khusus pada dugaan awal dan konvergensi.
6. Memahami bagaimana metode optimasi Brent menggabungkan keandalan pencarian bagian emas
kecepatan interpolasi parabola.
7. Mampu menulis program dan menyelesaikan fungsi multivariabel secara optimal dengan menggunakan metode acak
mencari.
8. Memahami ide di balik pencarian pola, arah konjugasi, dan metode Powell.
9. Mampu mendefinisikan dan mengevaluasi gradien dan Hessian suatu fungsi multivariabel baik secara analitis
dan secara numerik.
10. Hitung secara manual fungsi dua variabel yang optimum menggunakan metode kenaikan/penurunan paling curam.
11. Memahami gagasan dasar di balik metode gradien konjugasi, metode Newton, Marquardt, dan kuasi-Newton. Secara khusus, pahami
trade-off di antara pendekatan-pendekatan tersebut dan kenali bagaimana pendekatan-pendekatan tersebut memberikan
kemajuan pada pendakian/penurunan yang paling curam.
12. Mampu mengenali dan menyusun permasalahan program linier untuk mewakili permasalahan teknik yang dapat
diterapkan.
13. Mampu menyelesaikan permasalahan pemrograman linier dua dimensi baik secara grafis maupun simpleks
metode.
14. Memahami empat kemungkinan hasil dari masalah program linier.
15. Mampu menyiapkan dan menyelesaikan permasalahan optimasi berbatas nonlinier dengan menggunakan paket perangkat lunak.
BAB 13
Satu Dimensi Tidak Dibatasi
Optimasi
Bagian ini akan menjelaskan teknik mencari minimum atau maksimum suatu fungsi suatu variabel tunggal, f(x).
Gambar yang berguna dalam hal ini adalah fungsi satu dimensi, seperti “roller coaster” yang digambarkan pada
Gambar 13.1. Ingat dari Bagian Dua bahwa lokasi akar diperumit oleh fakta bahwa beberapa akar dapat muncul
untuk satu fungsi. Demikian pula, optima lokal dan global dapat terjadi dalam optimasi. Kasus seperti ini disebut
multimodal. Di hampir semua kasus, kita akan tertarik untuk mencari nilai absolut tertinggi atau terendah dari
suatu fungsi.
Oleh karena itu, kita harus berhati-hati agar tidak salah mengartikan hasil lokal sebagai hasil optimal global.
Membedakan ekstrem lokal dan global bisa menjadi masalah yang sangat sulit untuk kasus umum. Ada tiga
cara umum untuk mengatasi masalah ini. Pertama, wawasan tentang perilaku fungsi berdimensi rendah terkadang
dapat diperoleh secara grafis. Kedua, menemukan optima berdasarkan tebakan awal yang sangat beragam dan
mungkin dihasilkan secara acak, lalu memilih tebakan terbesar sebagai tebakan global. Terakhir, mengganggu
titik awal yang terkait dengan optimal lokal dan melihat apakah rutinitas menghasilkan titik yang lebih baik atau
selalu kembali ke titik yang sama. Meskipun semua pendekatan ini mempunyai kegunaan, faktanya adalah bahwa
dalam beberapa masalah (biasanya masalah besar), mungkin tidak ada cara praktis untuk memastikan bahwa
Anda telah menemukan titik optimal global. Namun, meski begitu Anda harus selalu peka terhadapnya
GAMBAR 13.1
Suatu fungsi yang mendekati nol secara asimtotik pada plus dan minus ÿ dan mempunyai dua titik
maksimum dan dua titik minimum di sekitar titik asal. Dua titik di sebelah kanan merupakan local
optima, sedangkan dua titik di sebelah kiri bersifat global.
f(x)
Maksimum global Maksimum lokal
X
Minimal
global
Minimal lokal
351
352 OPTIMASI TAK TERKENDALI SATU DIMENSI
masalah ini, untungnya ada banyak masalah teknik di mana Anda dapat menemukan titik optimal global
dengan cara yang jelas.
Sama seperti pada lokasi root, optimasi dalam satu dimensi dapat dibedakan menjadi metode
bracketing dan terbuka. Seperti dijelaskan pada bagian selanjutnya, pencarian bagian emas adalah
contoh metode bracketing yang bergantung pada tebakan awal yang mengelompokkan suatu optimum tunggal.
Hal ini diikuti dengan pendekatan alternatif, interpolasi parabola, yang sering kali menyatu lebih cepat
daripada pencarian bagian emas, namun terkadang menyimpang.
Metode lain yang dijelaskan dalam bab ini adalah metode terbuka yang didasarkan pada gagasan
kalkulus bahwa minimum atau maksimum dapat ditemukan dengan menyelesaikan f (x) = 0. Hal ini
mereduksi masalah optimasi menjadi mencari akar f (x) dengan menggunakan teknik jenis yang dijelaskan
di Bagian Dua. Kami akan mendemonstrasikan satu versi pendekatan ini—metode Newton.
Terakhir, pendekatan hibrida tingkat lanjut, metode Brent, dijelaskan. Pendekatan ini menggabungkan
keandalan pencarian bagian emas dengan kecepatan interpolasi parabola.
13.1 PENCARIAN BAGIAN EMAS

Dalam menyelesaikan akar persamaan nonlinier tunggal, tujuannya adalah mencari nilai variabel x yang
menghasilkan fungsi f(x) nol . Optimasi variabel tunggal bertujuan untuk mencari nilai x yang menghasilkan
ekstrem, baik maksimum maupun minimum f(x).
Pencarian bagian emas adalah teknik pencarian variabel tunggal yang sederhana dan bertujuan
umum. Semangatnya serupa dengan pendekatan bagi dua untuk menemukan akar di Bab. 5. Ingatlah
bahwa pembagian dua bergantung pada penentuan suatu interval, ditentukan oleh tebakan bawah (xl) dan
tebakan atas (xu), yang mengurung satu akar. Keberadaan akar di antara batas-batas ini dibuktikan
dengan menentukan bahwa f(xl) dan f(xu) mempunyai tanda yang berbeda. Akar kemudian diperkirakan
sebagai titik tengah interval ini,
xl + xu
xr =
2
Langkah terakhir dalam iterasi bagi dua adalah menentukan tanda kurung baru yang lebih kecil. Hal ini
dilakukan dengan mengganti batas mana pun xl atau xu yang memiliki nilai fungsi dengan tanda yang
sama dengan f(xr). Salah satu keuntungan dari pendekatan ini adalah nilai baru xr menggantikan salah
satu batasan lama.
Sekarang kita dapat mengembangkan pendekatan serupa untuk mencari titik optimum fungsi satu
dimensi. Untuk mempermudah, kami akan fokus pada masalah menemukan nilai maksimal. Ketika kita
membahas algoritma komputer, kita akan menjelaskan modifikasi kecil yang diperlukan untuk
mensimulasikan minimum.
Seperti halnya bagi dua, kita bisa memulai dengan mendefinisikan interval yang berisi satu jawaban.
Artinya, interval tersebut harus mengandung satu maksimum, dan karenanya disebut unimodal. Kita dapat
menggunakan nomenklatur yang sama dengan pembagian dua, dimana xl dan xu masing-masing
mendefinisikan batas bawah dan atas dari interval tersebut. Namun, berbeda dengan membagi dua, kita
memerlukan strategi baru untuk mencari nilai maksimum dalam interval tersebut. Daripada hanya
menggunakan dua nilai fungsi (yang cukup untuk mendeteksi perubahan tanda, dan karenanya nol), kita
memerlukan tiga nilai fungsi untuk mendeteksi apakah terjadi maksimum. Oleh karena itu, titik tambahan
dalam interval tersebut harus dipilih. Selanjutnya, kita harus memilih poin keempat. Kemudian tes untuk
13.1 PENCARIAN BAGIAN EMAS 353
f(x)
Maksimum
xl xxx
Pertama
pengulangan
0
1 2
Kedua
pengulangan
2
GAMBAR 13.2
Langkah awal dari algoritma pencarian bagian emas melibatkan pemilihan dua titik interior
sesuai dengan rasio emas.
maksimum dapat diterapkan untuk membedakan apakah maksimum terjadi pada yang pertama
tiga atau tiga poin terakhir.
Kunci untuk menjadikan pendekatan ini efisien adalah pemilihan titik tengah yang bijaksana.
Seperti dalam pembagian dua, tujuannya adalah meminimalkan evaluasi fungsi dengan mengganti nilai lama dengan
nilai-nilai baru. Tujuan ini dapat dicapai dengan menetapkan bahwa dua kondisi berikut berlaku
(Gbr. 13.2):
= (13.1)
0 1+2
1 = 2
(13.2)
0 1
Kondisi pertama menetapkan bahwa jumlah dua subpanjang 1 dan 2 harus sama dengan
panjang interval aslinya. Yang kedua mengatakan bahwa perbandingan panjangnya harus sama.
Persamaan (13.1) dapat disubstitusikan ke Persamaan. (13.2),
1 = 2
(13.3)
1+2 1
Jika diambil kebalikannya dan R = 2 /1, kita sampai di
1
1+R= (13.4)
R
atau
R2 + R ÿ 1 = 0 (13.5)
yang dapat diselesaikan untuk akar positif
ÿ1 + ÿ1 ÿ 4(ÿ1) ÿ5 ÿ 1
R= = = 0,61803... (13.6)
2 2
Kotak 13.1 Rasio Emas dan Angka Fibonacci
Dalam banyak kebudayaan, angka-angka tertentu dianggap sebagai

kualitas. Misalnya, kita di Barat akrab dengan “Lucky 7” dan “Friday the
13th.” Orang Yunani kuno menyebut angka berikut sebagai “rasio emas:”
ÿ5 ÿ 1
= 0,61803 ...
2
Rasio ini digunakan untuk beberapa tujuan, termasuk pengembangan

persegi panjang pada Gambar 13.3. Proporsi ini dianggap estetis oleh
orang Yunani. Antara lain, banyak candi mereka yang mengikuti bentuk ini.
Rasio emas terkait dengan deret matematika yang penting

dikenal sebagai angka Fibonacci, yaitu
0,61803
0, 1, 1, 2, 3, 5, 8, 13, 21, 34,...
1
Jadi, setiap angka setelah dua angka pertama mewakili jumlah dua
angka sebelumnya. Urutan ini muncul di berbagai bidang ilmu pengetahuan
dan teknik. Dalam konteks pembahasan kali ini, sifat menarik dari deret GAMBAR 13.3
Fibonacci berkaitan dengan rasio angka-angka berurutan dalam deret Parthenon di Athena, Yunani, dibangun pada abad ke-5 SM.
tersebut; yaitu 0/1 = 0, 1/1 = 1, 1/2 = 0,5, 2/3 = 0,667, 3/5 = 0,6, 5/8 = Dimensi depannya dapat ditampung hampir persis di dalam persegi
0,625, 8/13 = 0,615, dan seterusnya. Ketika seseorang melanjutkan, rasio panjang emas.
angka-angka yang berurutan mendekati rasio emas!
Nilai ini, yang telah dikenal sejak jaman dahulu, disebut rasio emas (lihat Kotak 13.1). Karena
hal ini memungkinkan optima ditemukan secara efisien, hal ini merupakan elemen kunci dari metode
bagian emas yang telah kami kembangkan secara konseptual. Sekarang mari kita turunkan algoritma
untuk mengimplementasikan pendekatan ini pada komputer.
Seperti disebutkan di atas dan digambarkan pada Gambar 13.4, metode ini dimulai dengan dua
tebakan awal, xl dan xu, yang mengurung satu ekstrem lokal dari f(x). Selanjutnya, dua titik interior
x1 dan x2 dipilih berdasarkan rasio emas,
ÿ5 ÿ 1 d
= (xu ÿ xl)
2
x1 = xl + d
x2 = xu ÿ d
Fungsi tersebut dievaluasi pada dua titik interior ini. Dua hasil dapat terjadi:
1. Jika, seperti pada Gambar 13.4, f(x1) > f(x2), maka domain x di sebelah kiri x2, dari xl ke x2,
dapat dihilangkan karena tidak mengandung maksimum. Untuk kasus ini, x2 menjadi xl baru
untuk putaran berikutnya.
2. Jika f(x2) > f(x1), maka domain dari x di sebelah kanan x1, dari x1 ke xu adalah
dihilangkan. Dalam hal ini, x1 menjadi xu baru untuk putaran berikutnya.
Ekstrim
f(x)
Menghapuskan (maksimum)
xl D x1 X
x2 D xu
(A)
f(x)
X X
xl 2x1 _ xu
x2 lama X lama 1
(B)
GAMBAR 13.4
(a) Langkah awal algoritma pencarian bagian emas melibatkan pemilihan dua titik interior
sesuai dengan rasio emas. (b) Langkah kedua melibatkan penentuan interval baru yang mencakup
optimal.
Nah, inilah manfaat nyata dari penggunaan rasio emas. Karena x1 asli
dan x2 dipilih menggunakan rasio emas, kita tidak perlu menghitung ulang semua fungsinya
nilai untuk iterasi berikutnya. Misalnya, untuk kasus yang diilustrasikan pada Gambar 13.4, x1
menjadi x2 baru . Artinya kita sudah mempunyai nilai untuk f(x2) yang baru, sejak itu
sama dengan nilai fungsi pada x1 yang lama.
Untuk menyelesaikan algoritmanya, sekarang kita hanya perlu menentukan x1 yang baru. Ini selesai
dengan proporsionalitas yang sama seperti sebelumnya,
ÿ5 ÿ 1
x1 = xl + (xu ÿ xl)
2
Pendekatan serupa akan digunakan untuk kasus alternatif dimana nilai optimal berada di sebelah kiri
subinterval.
Ketika iterasi diulangi, interval yang mengandung titik ekstrem berkurang dengan cepat.
Faktanya, setiap putaran intervalnya dikurangi dengan faktor rasio emas (sekitar 61,8%).
Artinya setelah 10 putaran, intervalnya menyusut menjadi sekitar 0,61810 atau 0,008 atau 0,8% dari
panjang awalnya. Setelah 20 putaran, hasilnya sekitar 0,0066%. Ini tidak sebaik
pengurangan dicapai dengan membagi dua, tapi ini adalah masalah yang lebih sulit.
CONTOH 13.1 Pencarian Bagian Emas
Pernyataan masalah. Gunakan pencarian bagian emas untuk menemukan hasil maksimal
x2
f(x) = 2 dosa x ÿ 10
dalam interval xl = 0 dan xu = 4.
Larutan. Pertama, rasio emas digunakan untuk membuat dua titik interior
ÿ5 ÿ 1
d= (4 ÿ 0) = 2,472
2
x1 = 0 + 2,472 = 2,472
x2 = 4 ÿ 2,472 = 1,528
Fungsi tersebut dapat dievaluasi pada titik-titik interior
1.5282
f(x2) = f(1,528) = 2 dosa(1,528) ÿ = 1,765
10
f(x1) = f(2,472) = 0,63
Karena f(x2) > f(x1), maksimumnya berada pada interval yang ditentukan oleh xl, x2, dan x1. Dengan demikian,
untuk interval baru, batas bawah tetap xl = 0, dan x1 menjadi batas atas, yaitu
adalah, xu = 2,472. Selain itu, nilai x2 yang lama menjadi x1 yang baru, yaitu x1 = 1,528.
Selanjutnya kita tidak perlu menghitung ulang f(x1) karena sudah ditentukan sebelumnya
iterasi sebagai f(1.528) = 1.765.
Yang tersisa hanyalah menghitung nilai baru d dan x2,
ÿ5 ÿ 1
d= (2,472 ÿ 0) = 1,528
2
x2 = 2,4721 ÿ 1,528 = 0,944
Evaluasi fungsi pada x2 adalah f(0,994) = 1,531. Karena nilai ini lebih kecil dari fungsi
nilai tion pada x1, maksimum berada pada interval yang ditentukan oleh x2, x1, dan xu.
Prosesnya dapat diulangi, dengan hasil yang ditabulasikan di bawah ini:
Saya
xl f(xl) x2 f(x2) x1 f(x1) xu f(xu) D
1 0 0 1,5279 1,7647 2,4721 0,6300 4,0000 ÿ3,1136 2,4721

2 0 0 0,9443 1,5310 1,5279 1,7647 2,4721 0,6300 1,5279
3 0,9443 1,5310 1,5279 1,7647 1,8885 1,5432 2,4721 0,6300 0,9443
4 0,9443 1,5310 1,3050 1,7595 1,5279 1,7647 1,8885 1,5432 0,5836
5 1,3050 1,7595 1,5279 1,7647 1,6656 1,7136 1,8885 1,5432 0,3607
6 1,3050 1,7595 1,4427 1,7755 1,5279 1,7647 1,6656 1,7136 0,2229
7 1,3050 1,7595 1,3901 1,7742 1,4427 1,7755 1,5279 1,7647 0,1378
8 1,3901 1,7742 1,4427 1,7755 1,4752 1,7732 1,5279 1,7647 0,0851
Perhatikan bahwa nilai maksimum saat ini disorot untuk setiap iterasi. Setelah iterasi kedelapan
maksimum terjadi pada x = 1,4427 dengan nilai fungsi 1,7755. Jadi, hasilnya konvergen pada nilai sebenarnya
1,7757 pada x = 1,4276.
Ingatlah bahwa untuk pembagian dua (Bagian 5.2.1), batas atas kesalahan yang tepat dapat dihitung
pada setiap iterasi. Dengan menggunakan alasan serupa, batas atas pencarian bagian emas dapat diturunkan
sebagai berikut: Setelah iterasi selesai, nilai optimum akan berada pada salah satu dari dua interval. Jika x2
merupakan nilai fungsi optimum maka akan berada pada interval bawah (xl, x2, x1).
Jika x1 merupakan nilai fungsi optimum maka akan berada pada interval atas (x2, x1, xu). Karena titik-titik
interiornya simetris, kedua kasus tersebut dapat digunakan untuk menentukan kesalahan.
Melihat interval atas, jika nilai sebenarnya berada di paling kiri, maka jarak maksimum dari perkiraan
adalah
xa = x1 ÿ x2
= xl + R(xu ÿ xl) ÿ xu + R(xu ÿ xl) = (xl ÿ xu) +
2R(xu ÿ xl)
= (2R ÿ 1)(xu ÿ xl)
atau 0,236(xu ÿ xl ).
Jika nilai sebenarnya berada di paling kanan, maka jarak maksimum dari perkiraan adalah
xb = xu ÿ x1
= xu ÿ xl ÿ R(xu ÿ xl)
= (1 ÿ R)(xu ÿ xl)
atau 0,382(xu ÿ xl ). Oleh karena itu, kasus ini mewakili kesalahan maksimum. Hasil ini kemudian dapat
dinormalisasi ke nilai optimal agar iterasi tersebut, xopt, dapat dihasilkan
xu ÿ xl
ÿa = (1 ÿ R) 100%
xopt
Perkiraan ini memberikan dasar untuk menghentikan iterasi.

Pseudocode untuk algoritma pencarian bagian emas untuk maksimalisasi disajikan pada Gambar 13.5a.
Modifikasi kecil untuk mengubah algoritma menjadi minimalisasi tercantum pada Gambar 13.5b. Di kedua
versi, nilai x untuk optimal dikembalikan sebagai nilai fungsi (emas). Selain itu, nilai f(x) pada titik optimum
dikembalikan sebagai variabel ( fx).
Anda mungkin bertanya-tanya mengapa kami menekankan pengurangan fungsi evaluasi pencarian
bagian emas. Tentu saja, untuk menyelesaikan optimasi tunggal, penghematan kecepatan dapat diabaikan.
Namun, ada dua konteks penting yang mengharuskan meminimalkan jumlah evaluasi fungsi. Ini adalah
1. Banyak evaluasi. Ada beberapa kasus di mana algoritma pencarian bagian emas mungkin menjadi bagian
dari perhitungan yang jauh lebih besar. Dalam kasus seperti ini, mungkin akan dipanggil berkali-kali.
Oleh karena itu, meminimalkan evaluasi fungsi dapat memberikan manfaat yang besar untuk kasus-kasus
seperti itu.
GAMBAR 13.5 FUNGSI Emas (xlow, xhigh, maxit, es, fx)

Algoritma untuk pencarian R (50,5 1)/2 x
bagian emas. xrendah; xu xtinggi iter 1
d R * (xu x) x1 xd; x2 xu d
f1 f(x1) f2 f(x2)
JIKA f1 f2 MAKA JIKA f1 f2 MAKA

xopt x1 fx f1
KALAU TIDAK
xopt x2 fx f2
BERAKHIR JIKA
MELAKUKAN
d R*d
JIKA f1 f2 MAKA JIKA f1 f2 LALU
x x2
x2 x1
x1 xd
f2 f1
f1 f(x1)
KALAU TIDAK
xu x1
x1 x2
x2xud
f1 f2
f2 f(x2)
BERAKHIR JIKA
ulangi iter1
JIKA f1 f2 MAKA JIKA f1 f2 LALU
xopt x1 fx f1
KALAU TIDAK
xopt x2 fx f2
BERAKHIR JIKA
JIKA xopt 0. MAKA ea

(1.R) *ABS((xu x)/xopt) * 100.
BERAKHIR JIKA
JIKA ea es ATAU iter maxit EXIT

AKHIR LAKUKAN
Xopt emas
AKHIR Emas
(a) Maksimalisasi (b) Minimisasi

13.2 INTERPOLASI PARABOLIK 359
Pendekatan
parabola
Maksimal sebenarnya maksimal
f(x) Fungsi sebenarnya Parabola

fungsi
x0 X
x1 x3 x2
GAMBAR 13.6
Deskripsi grafis interpolasi parabola.
2. Evaluasi memakan waktu. Untuk alasan pedagogi, sebagian besar kami menggunakan fungsi sederhana
contoh kita. Anda harus memahami bahwa suatu fungsi bisa sangat kompleks dan memakan waktu lama
untuk dievaluasi. Misalnya, di bagian selanjutnya buku ini, kami akan menjelaskan caranya
optimasi dapat digunakan untuk memperkirakan parameter model yang terdiri dari sistem
persamaan diferensial. Untuk kasus seperti itu, “fungsi” melibatkan model yang memakan waktu
integrasi. Metode apa pun yang meminimalkan evaluasi semacam itu akan bermanfaat.
13.2 INTERPOLASI PARABOLIK

Interpolasi parabola sering memanfaatkan fakta bahwa polinomial orde kedua
memberikan perkiraan yang baik terhadap bentuk f(x) mendekati titik optimum (Gbr. 13.6).
Sebagaimana hanya ada satu garis lurus yang menghubungkan dua titik, maka hanya ada satu garis kuadrat
polinomial atau parabola yang menghubungkan tiga titik. Jadi, jika kita mempunyai tiga poin itu secara bersama-sama
tanda kurung optimal, kita dapat memasangkan parabola ke titik-titik tersebut. Lalu kita bisa membedakannya, mengaturnya
hasilnya sama dengan nol, dan selesaikan estimasi x optimal. Itu bisa ditunjukkan melalui
beberapa manipulasi aljabar yang hasilnya
2 ÿ x2 2 ÿ x2 2 ÿ x2
f(x0) x 1 2 + f(x1) x 2 0 + f(x2) x 2 0 1
x3 = (13.7)
f(x0)(x1 ÿ x2) + 2 f(x1)(x2 ÿ x0) + 2 f(x2)(x0 ÿ x1)
dimana x0, x1, dan x2 adalah tebakan awal, dan x3 adalah nilai x yang sesuai dengan nilai maksimal parabola
yang sesuai dengan tebakan tersebut. Setelah menghasilkan titik baru, ada dua
strategi untuk memilih poin untuk iterasi berikutnya. Pendekatan yang paling sederhana, mirip dengan metode
garis potong, adalah dengan menetapkan titik-titik baru secara berurutan. Artinya, untuk yang baru
iterasi, z0 = z1, z1 = z2, dan z2 = z3. Alternatifnya, seperti yang diilustrasikan dalam contoh berikut, a
Pendekatan bracketing, mirip dengan pencarian dua bagian atau bagian emas, dapat digunakan.
CONTOH 13.2 Interpolasi Parabola
Pernyataan masalah. Gunakan interpolasi parabola untuk memperkirakan nilai maksimum
x2
dengan tebakan awal x0 = 0, x1 = 1, dan x2 = 4.
Larutan. Nilai fungsi pada tiga tebakan dapat dievaluasi,
x0 = 0 f(x0) = 0
x1 = 1 f(x1) = 1,5829
x2 = 4 f(x2) = ÿ3,1136
dan disubstitusikan ke Persamaan. (13.7) memberi,
0(12 ÿ 42) + 1,5829(42 ÿ 02) + (ÿ3,1136)(02 ÿ 12)

x3 = = 1,5055
2(0)(1 ÿ 4) + 2(1,5829)(4 ÿ 0) + 2(ÿ3,1136)(0 ÿ 1)
yang mempunyai nilai fungsi f(1,5055) = 1,7691.

Selanjutnya, strategi yang mirip dengan pencarian bagian emas dapat digunakan untuk menentukan
poin mana yang harus dibuang. Karena nilai fungsi titik baru lebih tinggi
daripada titik tengah (x1) dan nilai x yang baru berada di sebelah kanan titik tengah tersebut
titik, tebakan yang lebih rendah (x0) dibuang. Oleh karena itu, untuk iterasi selanjutnya,
x0 = 1 f(x0) = 1,5829
x1 = 1,5055 f(x1) = 1,7691
x2 = 4 f(x2) = ÿ3,1136
1,5829(1,50552 ÿ 42) + 1,7691(42 ÿ 12) + (ÿ3,1136)(12 ÿ 1,50552)

x3 =
2(1,5829)(1,5055 ÿ 4) + 2(1,7691)(4 ÿ 1) + 2(ÿ3,1136)(1 ÿ 1,5055)
= 1,4903
yang mempunyai nilai fungsi f(1.4903) = 1.7714.

Saya
x0 f(x0) x1 f(x1) x2 f(x2) x3 f(x3)
1 0,0000 0,0000 1,0000 1,5829 4,0000 ÿ3,1136 1,5055 1,7691

2 1,0000 1,5829 1,5055 1,7691 4,0000 ÿ3,1136 1,4903 1,7714
3 1,0000 1,5829 1,4903 1,7714 1,5055 1,7691 1,4256 1,7757
4 1,0000 1,5829 1,4256 1,7757 1,4903 1,7714 1,4266 1,7757
5 1,4256 1,7757 1,4266 1,7757 1,4903 1,7714 1,4275 1,7757
13.3 METODE NEWTON 361
Jadi, dalam lima iterasi, hasilnya menyatu dengan cepat pada nilai sebenarnya 1,7757 pada
x = 1,4276.
Kita harus menyebutkan bahwa seperti metode posisi salah, interpolasi parabola
bisa terpaku hanya dengan satu ujung interval yang menyatu. Dengan demikian, konvergensi bisa terjadi
lambat. Misalnya, perhatikan bahwa dalam contoh kita, 1,0000 adalah titik akhir untuk sebagian besar
iterasi.
Metode ini, serta metode lain yang menggunakan polinomial orde ketiga, dapat dirumuskan menjadi
algoritma yang berisi uji konvergensi, strategi pemilihan titik yang cermat untuk mempertahankan titik
pada setiap iterasi, dan upaya untuk meminimalkan akumulasi kesalahan pembulatan.
13.3 METODE NEWTON

Ingatlah bahwa metode Newton-Raphson dari Bab. 6 adalah metode terbuka yang menemukan root x
suatu fungsi sehingga f(x) = 0. Metode ini diringkas sebagai
f(xi)
xi+1 = xi ÿ
f (xi)
Pendekatan terbuka serupa dapat digunakan untuk mencari f(x) optimum dengan mendefinisikan f(x) baru
fungsi, g(x) = f (x). Jadi, karena nilai optimal yang sama xÿ memenuhi keduanya
f (xÿ) = g(xÿ) = 0
kita dapat menggunakan yang berikut ini,
f (xi)
xi+1 = xi ÿ (13.8)
f (xi)
sebagai teknik mencari minimum atau maksimum f(x). Perlu dicatat bahwa ini
persamaan juga dapat diturunkan dengan menulis deret Taylor orde kedua untuk f(x) dan setting
turunan deret tersebut sama dengan nol. Metode Newton merupakan metode terbuka yang mirip dengan
Newton-Raphson karena tidak memerlukan tebakan awal yang braket optimum. Di dalam
Selain itu, ia juga memiliki kelemahan yaitu mungkin berbeda. Akhirnya, biasanya a
Sebaiknya periksa apakah turunan kedua mempunyai tanda yang benar untuk memastikan bahwa
tekniknya sesuai dengan hasil yang Anda inginkan.
CONTOH 13.3 Metode Newton
Pernyataan masalah. Gunakan metode Newton untuk mencari nilai maksimum
X2
dengan tebakan awal x0 = 2,5.

Larutan. Turunan pertama dan kedua dari fungsi tersebut dapat dievaluasi sebagai
X
f (x) = 2 cos x ÿ 5
1
f (x) = ÿ2 dosa x ÿ 5
2 karena xi ÿ xi/5
xi+1 = xi ÿ
ÿ2 dosa xi ÿ 1/5
Mengganti hasil tebakan awal
2 karena 2,5 ÿ 2,5/5

x1 = 2,5 ÿ ÿ2 = 0,99508
dosa 2,5 ÿ 1/5
yang memiliki nilai fungsi sebesar 1,57859. Iterasi kedua memberi
2 cos 0,995 ÿ 0,995/5

x1 = 0,995 ÿ ÿ2 = 1,46901
dosa 0,995 ÿ 1/5
yang mempunyai nilai fungsi sebesar 1,77385.

ix f(x) f'(x) f''(x)
0 2,5 0,57194 ÿ2,10229 ÿ1.39694

0,99508 1,57859 0,88985 ÿ1.87761
1 1,46901 1,77385 ÿ0,09058 ÿ2.18965
2 1,42764 1,77573 ÿ0,00020 ÿ2.17954
34 1,42755 1,77573 0,00000 ÿ2.17952
Jadi, dalam empat iterasi, hasilnya dengan cepat menyatu dengan nilai sebenarnya.
Meskipun metode Newton bekerja dengan baik dalam beberapa kasus, metode ini tidak praktis untuk kasus-kasus dimana
turunannya tidak dapat dievaluasi dengan mudah. Untuk kasus ini, pendekatan lain itu
tidak melibatkan evaluasi turunan yang tersedia. Misalnya, versi seperti garis potong
Metode Newton dapat dikembangkan dengan menggunakan pendekatan perbedaan hingga untuk evaluasi
derivatif.
Kekhawatiran yang lebih besar mengenai pendekatan ini adalah bahwa pendekatan ini mungkin berbeda berdasarkan sifatnya
fungsi dan kualitas tebakan awal. Jadi, biasanya digunakan hanya ketika
kita mendekati titik optimal. Seperti dijelaskan selanjutnya, teknik hybrid yang menggunakan pendekatan
bracketing jauh dari metode optimal dan metode terbuka mendekati upaya optimal untuk mengeksploitasi
poin kuat dari kedua pendekatan tersebut.
13.3 METODE NEWTON 363
GAMBAR 13.7 Fungsi fminsimp(x1, xu)

Pseudocode untuk algoritma tol 0,000001; phi (1 + 5)/2; rho 2 phi
pencarian minimum Brent kamu x1 rho*(xu x1); vu; Wu; xu
berdasarkan pada file M MATLAB fu f(kamu); fv fu; fw fu; fx fu
yang dikembangkan oleh xm 0,5*(x1 xu); d 0; e 0
Cleve Moler (2005). MELAKUKAN
JIKA |x xm| |e| tol KELUAR

para > tol
JIKA para MAKA (Cobalah fit parabola)
R (xw)*(fx fv); q (xv)*(fx fw)
p (xv)*q (xw)*r; s 2*(qr)
JIKA s > 0 MAKA P
ps |s|
' Apakah parabola dapat diterima?
para |p| |0,5*s*e| Dan ps*(x1 x) Dan ps*(xu x)
JIKA para MAKA
e D; dp/dtk (Langkah interpolasi parabola)
BERAKHIR JIKA
BERAKHIR JIKA
JIKA Tidak para MAKA

JIKA x xm MAKA (Langkah pencarian bagian emas)
e x1 x
KALAU TIDAK
e xu x
BERAKHIR JIKA
d rho*e
BERAKHIR JIKA
uxd; fu f(kamu)
JIKA fu fx MAKA (Perbarui x1, xu, x, v, w, xm)
JIKA ux MAKA
x1x
KALAU TIDAK
xu x
BERAKHIR JIKA
v = w; fv = fw; w = x; fw = fx; x = kamu; fx = fu

KALAU TIDAK
JIKA ux MAKA
x1 kamu
KALAU TIDAK
xu kamu
BERAKHIR JIKA
JIKA fu fw Atau wx MAKA

ay; fv fw; Wu; aduh fu
ELSEIF fu fv Atau vx Atau vw LALU
vu; fv fu
BERAKHIR JIKA
BERAKHIR JIKA
xm 0,5*(x1 xu)
AKHIR
fminsimp fu
AKHIR fminsimp
13.4 METODE BRENT

Ingatlah bahwa di Sec. 6.4, kami menjelaskan metode Brent untuk lokasi root. Metode hibrid ini menggabungkan
beberapa metode pencarian akar ke dalam satu algoritma yang menyeimbangkan keandalan dan efisiensi.
Brent juga mengembangkan pendekatan serupa untuk minimalisasi satu dimensi. Ini menggabungkan
pencarian bagian emas yang lambat dan dapat diandalkan dengan interpolasi parabola yang lebih cepat,
namun mungkin tidak dapat diandalkan. Pertama-tama ia mencoba interpolasi parabola dan terus
menerapkannya selama diperoleh hasil yang dapat diterima. Jika tidak, ia menggunakan pencarian bagian
emas untuk menyelesaikan masalah.
Gambar 13.7 menyajikan pseudocode untuk algoritma berdasarkan file M MATLAB yang dikembangkan
oleh Cleve Moler (2005). Ini mewakili versi sederhana dari fungsi fminbnd, yang merupakan fungsi minimalisasi
profesional yang digunakan di MATLAB. Oleh karena itu, kami menyebut versi sederhananya fminsimp.
Perhatikan bahwa ini memerlukan fungsi lain f yang menampung persamaan yang nilai minimumnya sedang
dievaluasi.
Ini menyimpulkan pembahasan kami tentang metode untuk menyelesaikan fungsi optimal dari satu
variabel. Beberapa contoh teknik disajikan di Bab. 16. Selain itu, teknik yang dijelaskan di sini merupakan
elemen penting dari beberapa prosedur untuk mengoptimalkan fungsi multivariabel, seperti yang dibahas
dalam Bab. 14.
MASALAH
13.1 Diberikan rumusnya 13.5 Ulangi Masalah. 13.3 tetapi menggunakan metode Newton. Gunakan
tebakan awal x0 = 2 dan lakukan tiga iterasi.
f(x) = ÿx2 + 8x ÿ 12
13.6 Gunakan metode berikut untuk mendapatkan hasil maksimal
(a) Tentukan nilai maksimum dan nilai x yang sesuai untuk fungsi ini secara
f(x) = 4x ÿ 1,8x2 + 1,2x3 ÿ 0,3x4
analitis (yaitu menggunakan diferensiasi). (b) Verifikasi
bahwa Persamaan. (13.7) memberikan hasil yang sama berdasarkan (a) Pencarian bagian emas (xl = 2, xu = 4, ÿs = 1%). (b)
tebakan awal x0 = 0, x1 = 2, dan x2 = 6. Interpolasi parabola (x0 = 1.75, x1 = 2, x2 = 2.5, iterasi = 4). Pilih titik-titik
13.2 Diberikan baru secara berurutan seperti pada metode garis potong.
f(x) = ÿ1,5x6 ÿ 2x4 + 12x

(c) Metode Newton (x0 = 3, ÿs = 1%).
(a) Gambarkan 13.7 Perhatikan fungsi berikut:
fungsinya. (b) Gunakan metode analisis untuk membuktikan fungsi tersebut cekungf(x) = ÿx4 ÿ 2x3 ÿ 8x2 ÿ 5x
untuk semua nilai x.
(c) Diferensialkan fungsinya dan kemudian gunakan metode lokasi akar Gunakan metode analitik dan grafis untuk menunjukkan fungsi tersebut
untuk mencari f (x) maksimum dan nilai x yang bersesuaian. memiliki nilai maksimum untuk beberapa nilai x dalam rentang 2 x 1.
13.8 Gunakan metode berikut untuk mencari fungsi maksimum dari Soal.
13.3 Selesaikan nilai x yang memaksimalkan f (x) dalam Prob. 13.2 13.7:
menggunakan pencarian bagian emas. Gunakan tebakan awal xl = 0 dan (a) Pencarian bagian emas (xl = 2, xu = 1, ÿs = 1%). (b)
xu = 2 dan lakukan tiga iterasi. Interpolasi parabola (x0 = 2, x1 = 1, x2 = 1, iterasi = 4). Pilih titik-titik baru
13.4 Ulangi Permasalahan. 13.3, kecuali gunakan interpolasi parabola secara berurutan seperti pada metode garis potong.
dengan cara yang sama seperti Contoh 13.2. Gunakan tebakan awal x0 =
0, x1 = 1, dan x2 = 2 dan lakukan tiga iterasi. (c) Metode Newton (x0 = 1, ÿs = 1%).
MASALAH 365
13.9 Perhatikan fungsi berikut: • Mengembalikan x optimal dan f (x). •

Meminimalkan jumlah evaluasi fungsi.
3 f(x) = 2x +
X
Uji program Anda dengan masalah yang sama seperti Contoh 13.2.
Lakukan 10 iterasi interpolasi parabola untuk menemukan nilai minimum. Pilih 13.15 Mengembangkan program menggunakan bahasa pemrograman atau
titik baru dengan cara yang sama seperti pada Contoh 13.2. Komentari makro untuk mengimplementasikan metode Newton. Subrutin harus memiliki
konvergensi hasil Anda. (x0 = 0,1, x1 = 0,5, x2 = 5) fitur-fitur berikut:
• Lakukan iterasi hingga kesalahan relatif berada di bawah kriteria penghentian

13.10 Perhatikan fungsi berikut: f(x) = 3 + 6x + atau melebihi jumlah maksimum iterasi.
5x2 + 3x3 + 4x4 • Mengembalikan x dan f(x) yang optimal .
Temukan nilai minimum dengan mencari akar turunan fungsi ini. Gunakan Uji program Anda dengan masalah yang sama seperti Contoh 13.3.
pembagian dua dengan tebakan awal xl = 2 dan xu = 1. 13.16 Pengukuran tekanan dilakukan pada titik-titik tertentu di belakang airfoil
13.11 Tentukan fungsi minimum dari Prob. 13.10 seiring waktu. Data paling sesuai dengan kurva y = 6 cos x 1,5 sin x dari x = 0
dengan metode sebagai berikut: hingga 6 s. Gunakan empat iterasi metode pencarian emas untuk menemukan
(a) Metode Newton (x0 = 1, ÿs = 1%). (b) Metode tekanan minimum. Tetapkan xl = 2 dan xu = 4.
Newton, tetapi menggunakan pendekatan beda hingga 13.17 Lintasan bola dapat dihitung dengan
untuk estimasi derivatif.
G
f(xi + ÿxi) ÿ f(xi ÿ ÿxi) f (x) = 2ÿxi y = (tan ÿ0)x ÿ 2v2 x2 + y0
cos2 ÿ0
0
dimana y = tinggi (m), ÿ0 = sudut awal (radian), v0 = kecepatan awal (m/s), g =

f(xi + ÿxi) ÿ 2 f(xi) ÿ f(xi ÿ ÿxi) f (x) =
2 konstanta gravitasi = 9,81 m/s2 dan y0 = tinggi awal (m). Gunakan pencarian ,
(ÿxi)
bagian emas untuk menentukan ketinggian maksimum yang diberikan y0 = 1 m,
dimana ÿ = pecahan gangguan (= 0,01). Gunakan tebakan awal x0 = 1 dan v0 = 25 m/s dan ÿ0 = 50o . Ulangi hingga perkiraan kesalahan turun di bawah
ulangi hingga ÿs = 1%. ÿs = 1% menggunakan tebakan awal xl = 0 dan xu = 60 m.
13.12 Mengembangkan program menggunakan bahasa pemrograman atau makro
untuk mengimplementasikan algoritma pencarian bagian emas. Rancang program 13.18 Lendutan balok seragam yang terkena beban terdistribusi yang meningkat
sedemikian rupa sehingga dirancang secara tegas untuk mendapatkan lokasi secara linier dapat dihitung sebagai
yang maksimal. Sub-rutin harus memiliki fitur berikut:
w0
kamu = (ÿx5 + 2L2x3 ÿ L4x)
• Ulangi hingga kesalahan relatif berada di bawah kriteria penghentian atau 120EIL
melebihi jumlah maksimum iterasi.
• Mengembalikan x dan f(x) yang optimal . • Diketahui L = 600 cm, E = 50,000 kN/cm2 w0 = 2,5 , Saya = 30.000 cm4, Dan
Meminimalkan jumlah evaluasi fungsi. kN/cm, tentukan titik defleksi maksimum (a) secara grafis, (b) dengan
menggunakan pencarian bagian emas hingga kesalahan perkiraan berada di
Uji program Anda dengan masalah yang sama seperti Contoh 13.1. bawah ÿs = 1% dengan tebakan awal xl = 0 dan xu = L.
13.13 Mengembangkan program seperti yang dijelaskan dalam Soal. 13.12, namun
membuatnya melakukan minimalisasi atau maksimalisasi tergantung pada 13.19 Sebuah benda bermassa 100 kg diproyeksikan ke atas dari permukaan
preferensi pengguna. bumi dengan kecepatan 50 m/s. Jika benda terkena gaya hambat linier (c = 15
13.14 Mengembangkan program menggunakan bahasa pemrograman atau kg/s), gunakan penelusuran bagian emas untuk menentukan ketinggian
makro untuk mengimplementasikan algoritma interpolasi parabola. Rancanglah maksimum yang dicapai benda. Petunjuk: ingat Sec. PT4.1.2.
program sedemikian rupa sehingga dirancang secara tegas untuk mencari titik 13.20 Distribusi normal adalah kurva berbentuk lonceng yang ditentukan oleh
maksimum dan memilih titik-titik baru seperti pada Contoh 13.2. Subrutin harus
kamu = eÿx2
memiliki fitur-fitur berikut:
• Dasarkan pada dua tebakan awal, dan mintalah program menghasilkan nilai Gunakan pencarian bagian emas untuk menentukan lokasi titik belok kurva ini
awal ketiga pada titik tengah interval. • Periksa apakah tebakan untuk x positif.
braket sudah maksimal. Jika tidak, sub-rutin tidak boleh mengimplementasikan 13.21 Sebuah benda dapat diproyeksikan ke atas dengan kecepatan tertentu. Jika
algoritma, namun harus kembali benda tersebut mengalami gaya hambat linier, ketinggiannya sebagai fungsi waktu
pesan kesalahan. dapat dihitung sebagai

M mg
• Lakukan iterasi hingga kesalahan relatif berada di bawah kriteria penghentian 1 ÿ eÿ(c/m)t ÿ t
z = z0 + mgv0 + _
atau melebihi jumlah maksimum iterasi. C C C
dimana z = ketinggian (m) di atas permukaan bumi (didefinisikan sebagai z = 0),

z0 = ketinggian awal (m), m = massa (kg), c = koefisien hambatan linier (kg/
s), v0 = kecepatan awal (m/s), dan t = waktu (s). Catatan
bahwa untuk formulasi ini, kecepatan positif dianggap masuk
arah ke atas. Diberikan nilai parameter berikut: g =
9,81 m/s2 , z0 = 100 m, v0 = 55 m/s, m = 80 kg, dan c = 15 kg/s,
persamaan tersebut dapat digunakan untuk menghitung ketinggian
pelompat. Tentukan waktu dan ketinggian elevasi puncak (a) secara grafis, (b)
H
secara analitis, dan (c) dengan pencarian bagian emas sampai kesalahan
perkiraan berada di bawah ÿs = 1% dengan tebakan awal tl = 0
dan tu = 10 detik. D
13.22 Gunakan pencarian bagian emas untuk menentukan panjang tangga
terpendek yang membentang dari tanah melewati pagar
menyentuh dinding bangunan (Gbr. P13.22). Uji untuk kasus ini GAMBAR P13.22
dimana h = d = 4 m. Sebuah tangga bersandar pada pagar dan hanya menyentuh dinding.
BAB 14
Multidimensi Tanpa Batasan
Optimasi
Bab ini menjelaskan teknik mencari nilai minimum atau maksimum suatu fungsi dari beberapa variabel. Ingat
dari Bab. 13 itulah gambaran visual kita tentang pencarian satu dimensi
seperti roller coaster. Untuk kasus dua dimensi, gambarannya menjadi pegunungan dan lembah (Gbr. 14.1).
Untuk masalah dimensi yang lebih tinggi, gambar yang mudah digunakan tidak cocok
mungkin.
Kami memilih untuk membatasi bab ini pada kasus dua dimensi. Kami telah mengadopsi
pendekatan ini karena fitur penting dari pencarian multidimensi sering kali merupakan yang terbaik
dikomunikasikan secara visual.
Teknik optimasi tak terbatas multidimensi dapat diklasifikasikan dalam a
sejumlah cara. Untuk keperluan pembahasan kali ini, kami akan membaginya berdasarkan
apakah mereka memerlukan evaluasi turunan. Pendekatan yang tidak memerlukan turunan
evaluasi disebut metode nongradien, atau langsung. Yang memerlukan turunan adalah
disebut metode gradien, atau keturunan (atau pendakian) .
GAMBAR 14.1
Cara paling nyata untuk Garis konstanta f
F
memvisualisasikan penelusuran dua dimensi adalah X
dalam konteks naik a

gunung (maksimalisasi) atau
turun ke lembah
(minimisasi). (a) Peta
topografi 2D yang sesuai
ke gunung 3-D di (b).
X
kamu
kamu
(A) (B)
367
368 OPTIMASI MULTIDIMENSIONAL TANPA KENDALA
14.1 METODE LANGSUNG

Metode ini bervariasi dari pendekatan brute force yang sederhana hingga teknik yang lebih elegan yang
mencoba mengeksploitasi sifat dari fungsi tersebut. Kami akan memulai diskusi kami dengan kekerasan
mendekati.
14.1.1 Pencarian Acak
Contoh sederhana dari pendekatan brute force adalah metode pencarian acak. Seperti namanya
menyiratkan, metode ini berulang kali mengevaluasi fungsi pada nilai yang dipilih secara acak
Variabel independen. Jika jumlah sampel yang dilakukan cukup, maka akan diperoleh hasil yang optimal
akhirnya dapat ditemukan.
CONTOH 14.1 Metode Pencarian Acak
Pernyataan masalah. Gunakan generator angka acak untuk menemukan jumlah maksimum
2
f(x, y) = y ÿ x ÿ 2x ÿ 2xy ÿ y2 (E14.1.1)
dalam domain yang dibatasi oleh x = ÿ2 hingga 2 dan y = 1 hingga 3. Domain tersebut digambarkan pada Gambar 14.2.
Perhatikan bahwa maksimum tunggal 1,5 terjadi pada x = ÿ1 dan y = 1,5.
Larutan. Generator angka acak biasanya menghasilkan nilai antara 0 dan 1. Jika kita
tentukan bilangan seperti r, rumus berikut dapat digunakan untuk menghasilkan nilai x secara acak dalam
rentang antara xl hingga xu:
x = xl + (xu ÿ xl)r
Untuk penerapan ini, xl = ÿ2 dan xu = 2, dan rumusnya adalah
x = ÿ2 + (2 ÿ (ÿ2))r = ÿ2 + 4r
Hal ini dapat diuji dengan mengganti 0 dan 1 untuk menghasilkan ÿ2 dan 2, masing-masing.
GAMBAR 14.2
Persamaan (E14.1.1) menunjukkan maksimum pada x = ÿ1 dan y = 1.5.
kamu
3
– 10
0 – 20
1
–2 –1 0 1 2 X
Maksimum
14.1 METODE LANGSUNG 369
Demikian pula untuk y, rumus untuk contoh ini dapat dikembangkan sebagai
y = yl + (yu ÿ yl)r = 1 + (3 ÿ 1)r = 1 + 2r
Makrokode Excel VBA berikut ini menggunakan fungsi angka acak VBA Rnd, untuk
menghasilkan pasangan (x, y). Ini kemudian disubstitusikan ke Persamaan. (E14.1.1). Nilai maksimum
dari percobaan acak ini disimpan dalam variabel maxf, dan x dan yang sesuai
nilai y masing-masing dalam maxx dan maxy .
maks = –1E9
Untuk j = 1 Sampai n
x = –2 + 4 * Baris
y = 1 + 2 * Jalan
X ^2–2* X * ^2
fn = kamu – x – 2 * Yy
Jika fn > maxf Maka
maksf = fn
maks = x
maksimal = y
Berakhir jika
Selanjutnya j
Sejumlah iterasi menghasilkan
Iterasi X yf(x, y)
1000 ÿ0,9886 1,4282 1.2462

2000 ÿ1,0040 1,4724 1.2490
3000 ÿ1,0040 1,4724 1.2490
4000 ÿ1,0040 1,4724 1.2490
5000 ÿ1,0040 1,4724 1.2490
6000 ÿ0,9837 1,4936 1.2496
7000 ÿ0,9960 1,5079 1.2498
8000 ÿ0,9960 1,5079 1.2498
9000 ÿ0,9960 1,5079 1.2498
10000 ÿ0,9978 1,5039 1,2500
Hasilnya menunjukkan bahwa teknik ini benar-benar maksimal.
Pendekatan brute force sederhana ini berhasil bahkan untuk diskontinuitas dan nondifferentiable
fungsi. Selain itu, selalu menemukan optimal global daripada optimal lokal. Dia
Kelemahan utamanya adalah seiring dengan bertambahnya jumlah variabel independen, upaya implementasi
yang diperlukan bisa menjadi semakin berat. Selain itu, tidak efisien karena tidak memakan waktu
memperhitungkan perilaku fungsi yang mendasarinya. Pendekatan lainnya
dijelaskan dalam bab ini jangan memperhitungkan perilaku fungsi serta hasil
uji coba sebelumnya untuk meningkatkan kecepatan konvergensi. Jadi, meski pencarian acak bisa
Tentu saja terbukti berguna dalam konteks masalah tertentu, metode berikut ini memiliki lebih banyak manfaat
utilitas umum dan hampir selalu mengarah pada konvergensi yang lebih efisien.
Perlu dicatat bahwa tersedia teknik pencarian yang lebih canggih. Ini adalah pendekatan heuristik yang
dikembangkan untuk menangani masalah nonlinier dan/atau terputus-putus yang biasanya tidak dapat ditangani
dengan baik oleh optimasi klasik. Simulasi an-nealing, pencarian tabu, jaringan syaraf tiruan, dan algoritma
genetika adalah beberapa di antaranya. Yang paling banyak diterapkan adalah algoritma genetika, dengan
sejumlah paket komersial tersedia.
Holland (1975) memelopori pendekatan algoritma genetika dan Davis (1991) dan Goldberg (1989) memberikan
gambaran yang baik tentang teori dan penerapan metode tersebut.
14.1.2 Pencarian Univariat dan Pola
Sangat menarik untuk memiliki pendekatan optimasi yang efisien yang tidak memerlukan evaluasi turunan.
Metode pencarian acak yang dijelaskan di atas tidak memerlukan evaluasi turunan, namun tidak terlalu efisien.
Bagian ini menjelaskan suatu pendekatan, yaitu metode pencarian univariat, yang lebih efisien dan tetap tidak
memerlukan evaluasi turunan.
Strategi dasar yang mendasari metode pencarian univariat adalah mengubah satu variabel pada satu
waktu untuk meningkatkan perkiraan sementara variabel lainnya dijaga konstan. Karena hanya satu variabel
yang diubah, masalahnya direduksi menjadi serangkaian pencarian satu dimensi yang dapat diselesaikan
dengan menggunakan berbagai metode (termasuk yang dijelaskan dalam Bab 13).
Mari kita melakukan pencarian univariat secara grafis, seperti yang ditunjukkan pada Gambar 14.3.
Mulailah dari titik 1, dan gerakkan sepanjang sumbu x dengan konstanta y hingga maksimum di titik 2. Anda
dapat melihat bahwa titik 2 adalah maksimum dengan memperhatikan bahwa lintasan sepanjang sumbu x
hanya menyentuh garis kontur di titik tersebut. Selanjutnya, gerakkan sepanjang sumbu y dengan konstanta x
ke titik 3. Lanjutkan proses ini menghasilkan titik 4, 5, 6, dst.
GAMBAR 14.3
Gambaran grafis tentang bagaimana pencarian univariat dilakukan.
kamu
5
6
3
4
2
X
14.1 METODE LANGSUNG 371
kamu
GAMBAR 14.4
Arah konjugasi.
Meskipun kita secara bertahap bergerak menuju titik maksimum, pencarian menjadi kurang efisien saat kita
bergerak di sepanjang punggung bukit yang sempit menuju titik maksimal. Namun, perhatikan juga bahwa garis-
garis yang menghubungkan titik-titik alternatif seperti 1-3, 3-5 atau 2-4, 4-6 menunjuk pada arah umum maksimum.
Lintasan ini menghadirkan peluang untuk memotret langsung di sepanjang punggung bukit secara maksimal.
Lintasan seperti ini disebut arah pola.
Tersedia algoritma formal yang memanfaatkan gagasan arah pola untuk menemukan nilai optimal secara
efisien. Algoritma yang paling terkenal disebut metode Powell.
Berdasarkan pengamatan (lihat Gambar 14.4) jika titik 1 dan 2 diperoleh dengan pencarian satu dimensi dengan
arah yang sama tetapi dari titik awal yang berbeda, maka garis yang dibentuk oleh 1 dan 2 akan berarah ke arah
maksimum. Garis seperti ini disebut arah konjugasi.
Faktanya, dapat dibuktikan bahwa jika f(x, y) adalah fungsi kuadrat, pencarian berurutan sepanjang arah
konjugasi akan bertemu tepat dalam sejumlah langkah yang terbatas tanpa memperhatikan titik awalnya. Karena
fungsi nonlinier umum sering kali dapat didekati secara masuk akal dengan fungsi kuadrat, metode yang
didasarkan pada arah konjugasi biasanya cukup efisien dan pada kenyataannya konvergen secara kuadratik saat
mendekati titik optimum.
Mari kita terapkan secara grafis versi sederhana dari metode Powell untuk mencari nilai maksimum
2 2
f(x, y) = c ÿ (x ÿ a) ÿ (kamu ÿ b)
dimana a, b, dan c adalah konstanta positif. Persamaan ini menghasilkan kontur lingkaran pada bidang x, y ,
seperti ditunjukkan pada Gambar 14.5.
Memulai pencarian pada titik 0 dengan memulai arah h1 dan h2. Perhatikan bahwa h1 dan h2 belum tentu
merupakan arah konjugasi. Dari nol, gerakkan sepanjang h1 hingga tercapai titik maksimum
kamu
3
h4
5
h2 jam 3
h2 h3
h1 4
2
h2
0
GAMBAR 14.5
Metode Powell.
di titik 1. Kemudian cari dari titik 1 sepanjang arah h2 hingga menemukan titik 2. Selanjutnya bentuk baru
cari arah h3 melalui titik 0 dan 2. Cari sepanjang arah ini sampai maksimal
di titik 3 berada. Kemudian cari dari titik 3 arah h2 sampai maksimum pada
titik 4 berada. Dari titik 4 sampai di titik 5 dengan mencari lagi di sepanjang h3. Sekarang, amati
bahwa titik 5 dan 3 telah ditemukan dengan mencari ke arah h3 dari dua titik yang berbeda. Powell telah
menunjukkan bahwa h4 (dibentuk oleh poin 3 dan 5) dan h3 adalah konjugasi
petunjuk arah. Jadi, pencarian dari titik 5 sepanjang h4 membawa kita langsung ke hasil maksimal.
Metode Powell dapat disempurnakan agar lebih efisien, namun algoritme formalnya dapat menyempurnakannya
di luar cakupan teks ini. Namun, ini adalah metode efisien yang konvergen secara kuadratik tanpa memerlukan
evaluasi turunan.
14.2 METODE GRADIEN

Sesuai dengan namanya, metode gradien secara eksplisit menggunakan informasi turunan untuk menghasilkannya
algoritma yang efisien untuk menemukan yang optimal. Sebelum menjelaskan pendekatan spesifik, kita harus terlebih dahulu menjelaskannya
meninjau beberapa konsep dan operasi matematika utama.
14.2.1 Gradien dan Goni
Ingat dari kalkulus bahwa turunan pertama fungsi satu dimensi memberikan kemiringan
atau bersinggungan dengan fungsi yang sedang dibedakan. Dari sudut pandang optimasi, memang demikian
informasi berguna. Misalnya, jika kemiringannya positif, hal ini memberi tahu kita bahwa meningkatkan variabel
independen akan menghasilkan nilai fungsi yang sedang kita jelajahi lebih tinggi.
Dari kalkulus, ingat juga bahwa turunan pertama dapat memberi tahu kita kapan kita telah mencapai suatu
nilai optimal karena pada titik inilah turunannya menuju nol. Selanjutnya, tanda
Turunan kedua dapat mengetahui apakah kita telah mencapai titik minimum (turunan kedua positif) atau maksimum
(turunan kedua negatif).
14.2 METODE GRADIEN 373
x = sebuah
kamu =
bh = 0
kamu
GAMBAR 14.6
Gradien arah didefinisikan sepanjang sumbu h yang membentuk sudut ÿ dengan sumbu x.
Ide-ide ini berguna bagi kami dalam algoritma pencarian satu dimensi yang kami jelajahi di Bab. 13.
Namun, untuk sepenuhnya memahami penelusuran multidimensi, pertama-tama kita harus memahami
bagaimana turunan pertama dan kedua dinyatakan dalam konteks multidimensi.
Gradien. Misalkan kita mempunyai fungsi dua dimensi f(x, y). Contohnya adalah ketinggian Anda di gunung
sebagai fungsi dari posisi Anda. Misalkan Anda berada di lokasi tertentu di gunung (a, b) dan Anda ingin
mengetahui kemiringan pada arah yang berubah-ubah. Salah satu cara untuk menentukan arah adalah
sepanjang sumbu baru h yang membentuk sudut ÿ dengan sumbu x (Gbr. 14.6). Ketinggian sepanjang
sumbu baru ini dapat dianggap sebagai fungsi baru g(h). Jika Anda menentukan posisi Anda sebagai titik
asal sumbu ini (yaitu, h = 0), kemiringan pada arah ini akan ditetapkan sebagai g (0). Kemiringan ini, yang
disebut turunan terarah, dapat dihitung dari turunan parsial sepanjang sumbu x dan y dengan
ÿ f ÿ f sin ÿ g (0)
ÿ + ÿx ÿy = cos (14.1)
dimana turunan parsial dievaluasi pada x = a dan y = b.

Dengan asumsi bahwa tujuan Anda adalah mencapai ketinggian tertinggi pada langkah berikutnya,
pertanyaan logis berikutnya adalah: ke arah mana pendakian paling curam? Jawaban atas pertanyaan ini
diberikan dengan sangat rapi oleh apa yang secara matematis disebut sebagai gradien , yang didefinisikan
sebagai
ÿ f ÿ ff = i +
j ÿx ÿy (14.2)
Vektor ini juga disebut sebagai “del f.” Ini mewakili turunan arah dari f(x, y) di titik x = a dan y = b.
Notasi vektor memberikan cara ringkas untuk menggeneralisasi gradien ke n dimensi,

seperti
ÿ ÿ f ÿ (x)
ÿx1
ÿf
(x)
ÿx2
f(x) = .
.
ÿÿÿÿÿÿÿÿÿÿÿÿÿ ÿÿÿÿÿÿÿÿÿÿÿÿÿ
.
ÿf
(x)
ÿÿÿÿÿÿÿÿÿÿÿÿÿ
ÿxn ÿÿÿÿÿÿÿÿÿÿÿÿÿ
Bagaimana kita menggunakan gradien? Untuk masalah pendakian gunung, jika kita ingin
mendapatkan ketinggian secepat mungkin, gradien akan memberitahu kita arah pergerakan lokal dan
berapa banyak yang akan kita peroleh dengan menempuhnya. Namun perlu diingat bahwa strategi ini
tidak serta merta membawa kita pada jalur langsung menuju puncak! Kita akan membahas ide-ide ini
secara lebih mendalam pada bab ini.
CONTOH 14.2 Menggunakan Gradien untuk Mengevaluasi Jalur Pendakian Paling Curam
Pernyataan Masalah. Gunakan gradien untuk mengevaluasi arah pendakian paling curam untuk
fungsi
f(x, y) = xy2
pada titik (2, 2). Asumsikan x positif mengarah ke timur dan y positif mengarah ke utara.
Larutan. Pertama, ketinggian kita dapat ditentukan sebagai
f(2, 2) = 2(2) 2 =8
Selanjutnya, turunan parsial dapat dievaluasi,

ÿf
= y2 = 22 = 4 ÿx
ÿ
f = 2xy = 2(2)(2) = 8
ÿy
yang dapat digunakan untuk menentukan gradien sebagai
f = 4i + 8j
Vektor ini dapat digambarkan pada peta topografi fungsi, seperti pada Gambar 14.7. Ini segera
memberi tahu kita bahwa arah yang harus kita ambil adalah
8
ÿ = tanÿ1 = 1,107 radian (= 63,4ÿ )
4
relatif terhadap sumbu x . Kemiringan arah ini, yang merupakan besarnya f , dapat dihitung
sebagai
42 + 82 = 8,944
kamu
4
8 24 40
0
0 1234 X
GAMBAR 14.7
Panah mengikuti arah pendakian paling curam yang dihitung dengan gradien.
Jadi, pada langkah pertama kita, awalnya kita akan memperoleh 8.944 unit kenaikan ketinggian untuk satu unit
jarak maju di sepanjang jalur paling curam ini. Perhatikan Persamaan itu. (14.1) menghasilkan hasil yang sama,
g (0) = 4 cos(1,107) + 8 sin(1,107) = 8,944
Perhatikan bahwa untuk arah lain, misalkan ÿ = 1,107/2 = 0,5235, g (0) = 4 cos(0,5235) + 8 sin(0,5235) = 7,608,
mana yang lebih kecil.
Seiring kita bergerak maju, arah dan besarnya jalur yang paling curam akan berubah. Perubahan ini dapat
diukur pada setiap langkah menggunakan gradien, dan arah pendakian Anda dapat diubah sesuai dengan itu.
Wawasan akhir dapat diperoleh dengan memeriksa Gambar 14.7. Sebagaimana ditunjukkan, arah pendakian
paling curam adalah tegak lurus atau ortogonal terhadap kontur ketinggian pada koordinat (2, 2). Ini adalah
karakteristik umum dari gradien.
Selain menentukan jalur paling curam, turunan pertama juga dapat digunakan untuk mengetahui apakah
jalur optimal telah tercapai. Seperti halnya fungsi satu dimensi, jika turunan parsial terhadap x dan y sama dengan
nol, maka optimum dua dimensi telah tercapai.
Orang Goni. Untuk permasalahan satu dimensi, turunan pertama dan kedua memberikan informasi berharga
untuk mencari titik optima. Turunan pertama (a) memberikan lintasan fungsi yang paling curam dan (b)
menunjukkan bahwa kita telah mencapai titik optimum. Setelah mencapai titik optimum, turunan kedua memberi
tahu kita apakah kita berada pada titik maksimum [ f (x) negatif]
f(x, kamu)
(a, b)
kamu
kamu = x
GAMBAR 14.8
Titik pelana (x = a dan y = b). Perhatikan bahwa jika kurva dilihat sepanjang arah x dan y,
fungsinya tampak melalui minimum (turunan kedua positif), sedangkan jika dilihat sepanjang
sumbu x = y, fungsi tersebut cekung ke bawah (turunan kedua negatif).
atau minimum [ f(x) positif]. Pada paragraf sebelumnya, kita telah mengilustrasikan bagaimana gradien
memberikan lintasan lokal terbaik untuk masalah multidimensi. Sekarang, kita akan memeriksa
bagaimana turunan kedua digunakan dalam konteks tersebut.
Anda mungkin berharap bahwa jika turunan kedua parsial terhadap x dan y keduanya
negatif, maka Anda telah mencapai titik maksimum. Gambar 14.8 menunjukkan fungsi
dimana hal ini tidak benar. Titik (a, b) pada grafik ini tampak minimum bila diamati
sepanjang dimensi x atau dimensi y . Dalam kedua kasus tersebut, turunan parsial kedua
bernilai positif. Namun jika fungsi tersebut diamati sepanjang garis y = x, terlihat maksimum
terjadi pada titik yang sama. Bentuk ini disebut pelana, dan yang jelas, tidak ada nilai
maksimum atau minimum yang terjadi pada titik tersebut.
Terjadinya maksimum atau minimum tidak hanya melibatkan parsial terhadap x dan y
tetapi juga parsial kedua terhadap x dan y. Dengan asumsi bahwa turunan parsial kontinu
pada dan dekat titik yang dievaluasi, besaran berikut dapat dihitung:
2
ÿ2 f ÿ2 f - ÿ2 f
|H| = (14.3)
ÿx2 ÿy2 ÿxÿy
Tiga kasus dapat terjadi
• Jika |H| > 0 dan ÿ2 f/ÿx2 > 0, maka f(x, y) mempunyai minimum lokal.
• Jika |H| > 0 dan ÿ2 f/ÿx2 < 0, maka f(x, y) mempunyai maksimum lokal.
• Jika |H| < 0, maka f(x, y) mempunyai titik pelana.
Besaran |H| sama dengan determinan matriks yang terdiri dari turunan kedua,1
ÿ2 f ÿ2 f
ÿ ÿ
ÿx2 ÿxÿy (14.4)
ÿ ÿ
H= ÿ ÿ
ÿ2 f ÿ2 f ÿ
ÿ ÿyÿx ÿy2 ÿ
dimana matriks ini secara resmi disebut sebagai Hessian dari f.

Selain menyediakan cara untuk mengetahui apakah suatu fungsi multidimensi telah mencapai titik
optimum, fungsi Hessian mempunyai kegunaan lain dalam optimasi (misalnya, untuk bentuk multidimensi
metode Newton). Secara khusus, ini memungkinkan penelusuran untuk memasukkan kelengkungan orde
kedua untuk mendapatkan hasil yang lebih unggul.
Perkiraan Perbedaan Hingga. Perlu disebutkan bahwa, untuk kasus-kasus yang sulit atau tidak
nyaman untuk dihitung secara analitis, baik gradien maupun determinan Hessian dapat dievaluasi
secara numerik. Dalam kebanyakan kasus, pendekatan yang diperkenalkan di Sec. 6.3.3 untuk
metode potongan yang dimodifikasi digunakan. Artinya, variabel independen dapat sedikit
diubah untuk menghasilkan turunan parsial yang diperlukan. Misalnya, jika pendekatan
perbedaan terpusat diadopsi, maka pendekatan tersebut dapat dihitung sebagai
ÿ f = f(x + ÿx, y) ÿ f(x ÿ ÿx, y) 2ÿx (14.5)

ÿx
ÿ f = f(x, y + ÿy) ÿ f(x, y ÿ ÿy) 2ÿy (14.6)

ÿy
ÿ2 f = f(x + ÿx, y) ÿ 2 f(x, y) + f(x ÿ ÿx, y) ÿx2 (14.7)
ÿx2
ÿ2 f = f(x, y + ÿy) ÿ 2 f(x, y) + f(x, y ÿ ÿy) ÿy2 (14.8)

ÿy2
ÿ2 f =
ÿxÿy
f(x + ÿx, y + ÿy) ÿ f(x + ÿx, y ÿ ÿy) ÿ f(x ÿ ÿx, y + ÿy) + f(x ÿ ÿx, y ÿ ÿy) 4ÿxÿy
(14.9)
di mana ÿ adalah nilai pecahan kecil.

Perhatikan bahwa metode yang digunakan dalam paket perangkat lunak komersial juga menggunakan
perbedaan maju. Selain itu, perkiraan tersebut biasanya lebih rumit daripada perkiraan yang tercantum dalam
Persamaan. (14.5) sampai (14.9). Dennis dan Schnabel (1996) memberikan rincian lebih lanjut mengenai
pendekatan tersebut.
Terlepas dari bagaimana pendekatan tersebut diterapkan, poin pentingnya adalah Anda
mungkin memiliki opsi untuk mengevaluasi gradien dan/atau Hessian secara analitis. Hal ini
terkadang bisa menjadi tugas yang sulit, namun kinerja algoritme mungkin cukup bermanfaat
1Perhatikan bahwa ÿ2 f/ (ÿxÿy) = ÿ2 f/ (ÿyÿx).

agar usaha Anda bermanfaat. Turunan bentuk tertutup akan bersifat eksak, namun yang lebih penting, Anda akan
mengurangi jumlah evaluasi fungsi. Poin terakhir ini dapat memiliki a
dampak penting pada waktu eksekusi.
Di sisi lain, Anda akan sering menggunakan pilihan untuk menghitung kuantitas secara internal menggunakan
pendekatan numerik. Dalam banyak kasus, kinerjanya akan cukup baik
memadai dan Anda akan terhindar dari kesulitan berbagai diferensiasi parsial. Seperti
akan menjadi kasus pada pengoptimal yang digunakan dalam spreadsheet dan paket perangkat lunak matematika
tertentu (misalnya, Excel). Dalam kasus seperti itu, Anda mungkin tidak diberikan pilihan
memasuki gradien yang diturunkan secara analitis dan Hessian. Namun, untuk skala kecil hingga sedang
masalah berukuran besar, hal ini biasanya bukan merupakan kelemahan besar.
14.2.2 Metode Pendakian Paling Curam
Strategi yang jelas untuk mendaki bukit adalah menentukan kemiringan maksimum Anda
posisi awal dan kemudian mulai berjalan ke arah itu. Namun yang jelas, masalah lain muncul
hampir seketika. Kecuali jika Anda benar-benar beruntung dan memulai dari punggung bukit yang mengarah langsung
ke puncak, segera setelah Anda bergerak, jalur Anda akan menyimpang dari yang paling curam.
arah pendakian.
Menyadari fakta ini, Anda dapat menerapkan strategi berikut. Anda bisa berjalan sebentar
jarak sepanjang arah gradien. Kemudian Anda bisa berhenti, mengevaluasi kembali gradien dan
berjalan lagi dalam jarak dekat. Dengan mengulangi proses tersebut, Anda pada akhirnya akan mencapai puncak
dari bukit.
Meskipun strategi ini terdengar dangkal, namun tidak terlalu praktis. Secara khusus,
evaluasi ulang gradien secara terus-menerus dapat menuntut komputasi. Lebih disukai
Pendekatan ini melibatkan pergerakan dalam jalur tetap sepanjang gradien awal hingga f(x, y) berhenti meningkat, yaitu
menjadi datar di sepanjang arah perjalanan Anda. Titik perhentian ini menjadi
titik awal di mana f dievaluasi kembali dan diikuti arah baru. Proses ini diulangi hingga puncak tercapai. Pendekatan ini
disebut metode pendakian paling curam. 2 Dia
adalah teknik pencarian gradien yang paling mudah. Ide dasar di balik pendekatan ini digambarkan pada Gambar 14.9.
Kita mulai dari titik awal (x0, y0) berlabel “0” pada gambar. Pada titik ini, kami menentukan
arah pendakian paling curam, yaitu gradien. Kami kemudian mencari sepanjang arah
gradien, h0, hingga kita menemukan nilai maksimum, yang diberi label “1” pada gambar. Proses
kemudian diulangi.
Dengan demikian, permasalahannya terbagi menjadi dua bagian: (1) menentukan arah yang “terbaik”.
pencarian dan (2) menentukan “nilai terbaik” sepanjang arah pencarian tersebut. Seperti yang akan kita lihat,
efektivitas berbagai algoritme yang dijelaskan di halaman berikutnya bergantung pada caranya
pintar kita berada di kedua bagian.
Untuk saat ini, metode pendakian paling curam menggunakan pendekatan gradien sebagai pilihannya
untuk arah yang “terbaik”. Kita telah menunjukkan bagaimana gradien dievaluasi pada Contoh 14.1. Sekarang, sebelum
memeriksa bagaimana algoritma mencari lokasi maksimum
sepanjang arah yang paling curam, kita harus berhenti sejenak untuk mempelajari cara mentransformasikan fungsi x dan
y menjadi fungsi h sepanjang arah gradien.
2
Karena penekanan kami pada maksimalisasi di sini, kami menggunakan terminologi pendakian paling curam. Pendekatan yang sama bisa
juga digunakan untuk minimalisasi, dalam hal ini terminologi penurunan paling curam digunakan.
kamu
h2
jam 0
h1
GAMBAR 14.9
Gambaran grafis metode pendakian paling curam.
kamu
f = 3i + 4j
10
jam = 2
6
jam = 1
2
jam = 0
1 4 7 X
GAMBAR 14.10
Hubungan antara arah sembarang h dan koordinat x dan y.
Mulai dari x0, y0, koordinat titik mana pun pada arah gradien dapat dinyatakan sebagai
ÿf
hx = x0 + (14.10)
ÿx
ÿf
hy = y0 + (14.11)
ÿy
di mana h adalah jarak sepanjang sumbu h . Misalnya x0 = 1 dan y0 = 2 dan f = 3i + 4j, seperti
ditunjukkan pada Gambar 14.10. Koordinat titik mana pun sepanjang sumbu h diberikan oleh
x = 1 + 3 jam (14.12)
kamu = 2 + 4 jam (14.13)
Contoh berikut mengilustrasikan bagaimana kita dapat menggunakan transformasi ini untuk
mengubah fungsi dua dimensi x dan y menjadi fungsi satu dimensi di h.
CONTOH 14.3 Mengembangkan Fungsi 1-D Sepanjang Pernyataan Masalah Arah Gradien.
Misalkan kita mempunyai fungsi dua dimensi berikut:

2
f(x, y) = 2xy + 2x ÿ x ÿ 2 tahun 2
Kembangkan versi satu dimensi persamaan ini sepanjang arah gradien di titik x = ÿ1 dan y = 1.
Larutan. Turunan parsial dapat dievaluasi pada (ÿ1, 1),
ÿf
= 2y + 2 ÿ 2x = 2(1) + 2 ÿ 2(ÿ1) = 6 ÿx
ÿf
= 2x ÿ 4y = 2(ÿ1) ÿ 4(1) = ÿ6 ÿy
Oleh karena itu, vektor gradiennya adalah
f = 6i ÿ 6j
Untuk mencari nilai maksimum, kita dapat mencari sepanjang arah gradien, yaitu sepanjang sumbu
h yang berjalan sepanjang arah vektor ini. Fungsinya dapat dinyatakan sepanjang sumbu ini sebagai
ÿ f ÿ ff x0 + h,
y0 + h = f(ÿ1 + 6h, 1 ÿ 6h) ÿx ÿy
2 2
= 2(ÿ1 + 6j)(1 ÿ 6j) + 2(ÿ1 + 6j) ÿ (ÿ1 + 6j) ÿ 2(1 ÿ 6 jam)
dimana turunan parsial dievaluasi pada x = ÿ1 dan y = 1.

Dengan menggabungkan suku-suku, kita mengembangkan fungsi satu dimensi g(h) yang memetakan f(x, y)
sepanjang sumbu h ,
g(h) = ÿ180h2 + 72h ÿ 7
Sekarang kita telah mengembangkan fungsi sepanjang jalur pendakian paling curam, kita dapat
mengeksplorasi bagaimana menjawab pertanyaan kedua. Artinya, seberapa jauh kita menempuh
jalan ini? Salah satu pendekatannya adalah dengan menelusuri jalur ini hingga kita menemukan
fungsi maksimumnya. Kita sebut lokasi maksimum ini hÿ. Ini adalah nilai langkah yang memaksimalkan
g (dan karenanya, f ) pada arah gradien. Soal ini setara dengan mencari nilai maksimum suatu
fungsi dari satu variabel h. Hal ini dapat dilakukan dengan menggunakan teknik pencarian satu
dimensi yang berbeda seperti yang kita bahas di Bab. 13. Jadi, kita konversi dari temuan
optimalnya fungsi dua dimensi untuk melakukan pencarian satu dimensi

arah gradien.
Metode ini disebut pendakian paling curam bila ukuran langkah h digunakan. Jika suatu nilai
dari satu langkah hÿ ditemukan yang membawa kita langsung ke maksimum sepanjang arah gradien,
metode ini disebut pendakian paling curam optimal.
CONTOH 14.4 Pendakian Paling Curam Optimal
Pernyataan masalah. Maksimalkan fungsi berikut:

2
f(x, y) = 2xy + 2x ÿ x ÿ 2 tahun 2
menggunakan tebakan awal, x = ÿ1 dan y = 1.
Larutan. Karena fungsi ini sangat sederhana, pertama-tama kita dapat menghasilkan solusi analitis.
Untuk melakukan hal ini, turunan parsial dapat dievaluasi sebagai
ÿf
= 2y + 2 ÿ 2x = 0
ÿx
ÿf
= 2x ÿ 4y = 0
ÿy
Pasangan persamaan ini dapat diselesaikan secara optimum, x = 2 dan y = 1. Parsial kedua
turunannya juga dapat ditentukan dan dievaluasi secara optimal,
ÿ2f _
= ÿ2
ÿx2
ÿ2 f
= ÿ4
ÿy2
ÿ2 f = ÿ2 f
=2
ÿxÿy ÿyÿx
dan determinan Hessian dihitung [Persamaan. (14.3)],
|H|=ÿ2(ÿ4) ÿ 22 = 4
Oleh karena itu, karena |H| > 0 dan ÿ2 f/ÿx2 < 0, nilai fungsi f(2, 1) adalah maksimum.
Sekarang mari kita terapkan pendakian paling curam. Ingatlah bahwa, pada akhir Contoh 14.3, kita punya
sudah mengimplementasikan langkah awal permasalahan dengan pembangkitan
g(h) = ÿ180h2 + 72h ÿ 7
Sekarang, karena ini adalah parabola sederhana, kita dapat langsung mencari nilai maksimumnya (yaitu, h =
hÿ) dengan memecahkan masalah,
g (hÿ) = 0
ÿ 360 jamÿ + 72 = 0
hÿ = 0,2
Artinya jika kita bergerak sepanjang sumbu h , g(h) mencapai nilai minimum ketika h =
hÿ = 0,2. Hasil ini dapat ditempatkan kembali ke Persamaan. (14.10) dan (14.11) untuk menyelesaikan

Numerical Methods 6th Edition Chapra-201-400

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

Numerical Methods 6th Edition Chapra-201-400

Diunggah oleh

Hak Cipta:

Format Tersedia

Machine Translated by Google

182 AKAR POLINOMI

f(x1) ÿ f(x0) f(x2) ÿ f(x1)

Ini dapat disubstitusikan ke dalam Persamaan. (7.21) dan (7.22) memberi

yang dapat diselesaikan untuk a dan b. Hasilnya dapat diringkas sebagai

7.4 METODE MÜLLER 183

CONTOH 7.2 Metode Müller

Perhatikan bahwa akar-akar persamaan ini adalah ÿ3, ÿ1, dan 4.

Larutan. Pertama, kita mengevaluasi fungsinya berdasarkan tebakan

f(4,5) = 20,625 f(5,5) = 82,875 f(5) = 48

yang dapat digunakan untuk menghitung

h0 = 5,5 ÿ 4,5 = 1 h1 = 5 ÿ 5,5 = ÿ0,5

Akar kuadrat dari diskriminan dapat dievaluasi sebagai

62,252 ÿ 4(15)48 = 31,54461

dan mengembangkan estimasi kesalahan

184 AKAR POLINOMI

SUB Muller(xr, h, eps, maxit)

dxr 2*c ruang kerja

7.5 METODE BAIRSTOW 185

7.5 METODE BAIRSTOW

f5(x) = (x + 1)(x ÿ 4)(x ÿ 5)(x + 3)(x ÿ 2) (7.28)

fn(x) = a0 + a1x + a2x2 +···+ an xn (7.29)

fnÿ1(x) = b1 + b2x + b3x2 +···+ bn xnÿ1 (7.30)

bi = ai + bi+1t untuk saya = n ÿ 1 hingga 0

fnÿ2(x) = b2 + b3x +···+ bnÿ1xnÿ3 + bn xnÿ2

186 AKAR POLINOMI

bnÿ1 = anÿ1 + rbn bi = (7.32b)

Faktor kuadrat diperkenalkan untuk memungkinkan penentuan akar kompleks. Ini

c2r + c3s = ÿb1

c1r + c2s = ÿb0

7.5 METODE BAIRSTOW 187

Pada titik ini, ada tiga kemungkinan:

CONTOH 7.3 Metode Bairstow

Pernyataan masalah. Gunakan metode Bairstow untuk menentukan akar polinomial

Gunakan tebakan awal r = s = ÿ1 dan ulangi hingga tingkat ÿs = 1%.

Larutan. Persamaan (7.32) dan (7.36) dapat diterapkan untuk menghitung

b5 = 1 b4 = ÿ4,5 b0 = 11,375 b3 = 6,25 b2 = 0,375 b1 = ÿ10.5

c5 = 1 c4 = ÿ5.5 c3 = 10,75 c2 = ÿ4.875 c1 = ÿ16.375

Jadi, persamaan simultan yang harus diselesaikan untuk r dan s adalah

ÿ4,875r + 10,75 detik = 10,5

188 AKAR POLINOMI

b5 = 1 b4 = ÿ4,1442 b0 = 2,1304 b3 = 5,5578 b2 = ÿ2,0276 b1 = ÿ1,8013

c5 = 1 c4 = ÿ4,7884 c3 = 8,7806 c2 = ÿ8.3454 c1 = 4,7874

Oleh karena itu, kita harus menyelesaikannya

ÿ8,3454r + 8,7806 detik = 1,8013

r = ÿ0,6442 + 0,1331 = ÿ0,5111 |ÿa,r| = 26,0%

Perhitungan dapat dilanjutkan, dengan hasil setelah empat iterasi metode

ÿ0,5 ± (ÿ0,5)2 + 4(0,5)

Pada titik ini, hasil bagi adalah persamaan kubik

f(x) = x3 ÿ 4x2 + 5,25x ÿ 2,5

7.5 METODE BAIRSTOW 189

(a) Algoritma Bairstow

SUB Bairstow (a,nn,es,rr,ss,maxit,re,im,ier) JIKA iter maksimal MAKA

DIMENSI b(nn), c(nn) JIKA n 2 MAKA

rr; ss; tidak R sebuah(1)sebuah(2)

ini 0; ea1 1; ea2 1 S sebuah(0)sebuah(2)

MELAKUKAN PANGGILAN Quadroot(r,s,r1,i1,r2,i2)

ulangi 0 saya (n) i1

ulangi ulang 1 saya(n 1) i2

b(n) a(n) KALAU TIDAK

b(n 1) a(n 1) r * b(n) kembali(n) a(0)a(1)

c(n 1) b(n 1) r * c(n) BERAKHIR JIKA

LAKUKAN dalam 2, 0, 1 KALAU TIDAK

>> rho=1,23;mu=1,79e-5;D=0,005;V=40;e=0,0015/1000; >> Re=rhoVD/