Eli Gauminasis

Dalam matematika, eliminasi Gaussian adalah algoritma yang digunakan untuk menyelesaikan
sistem persamaan linear. Algoritma ini terdiri dari serangkaian operasi yang dilakukan pada
matriks koefisien sistem persamaan. Meskipun akan mengubah bentuk matriks, operasi tersebut
tidak akan mengubah penyelesaian sistem persamaan. Hal ini memungkinkan matriks koefisien
dibentuk menjadi matriks segitiga atas, sehingga solusi sistem persamaan dapat ditentukan hanya
dengan mengeliminasi variabel secara berulang-ulang. Eliminasi Gaussian juga dapat digunakan
untuk menghitung rank suatu matriks, determinan matriks persegi, dan invers matriks
nonsingular. Nama metode ini diambil dari nama ahli matematika Carl Friedrich Gauss (1777–
1855), meskipun beberapa kasus khusus dari metode ini ,namun tanpa bukti — telah diketahui
oleh ahli matematika Tiongkok sejak tahun 179 Masehi.
Matriks segitiga atas yang diperoleh dari algoritma ini akan berbentuk eselon baris. Jika semua
koefisien utama (nilai bukan nol pertama dalam suatu baris) matriks adalah 1, dan kolom-kolom
yang memuat koefisien-koefisien utama tersebut mempunyai bentuk yang sama dengan kolom-
kolom pada matriks identitas, maka matriks tersebut dikatakan mempunyai eselon baris
tereduksi. membentuk. Eliminasi Gaussian yang dilakukan untuk mengubah matriks koefisien ke
bentuk eselon baris tereduksi kadang-kadang disebut eliminasi Gauss–Jordan. Untuk alasan
komputasi, operasi baris untuk mencari solusi sistem persamaan terkadang dihentikan sebelum
matriks berada dalam bentuk tereduksi.
Kompleksitas komputasi eliminasi Gaussian untuk matriks n × n adalah n 3 . Dalam bentuknya
yang paling sederhana, secara numerik algoritma ini rentan terhadap kesalahan pembulatan.
Namun hal ini dapat diatasi dengan menggunakan metode pivot; menjadikannya cara standar
untuk menemukan solusi sistem persamaan linier, dan menjadi bagian dari perpustakaan penting
program aljabar linier seperti NAG, IMSL, dan LAPACK.
Algoritma

Operasi baris dasar

Setelah menyusun sistem persamaan linear menjadi sebuah matriks koefisien, eliminasi Gauss
melakukan serangkaian operasi baris dasar untuk "menyederhanakan" baris-baris matriks.
Eliminasi ini dapat dibagi menjadi dua bagian. Bagian pertama, terkadang disebut dengan
eliminasi maju, mereduksi sistem yang diberikan ke dalam bentuk eselon baris. Hasil dari bagian
ini dapat memberitahu apakah sistem persamaan linear tidak memiliki solusi, memiliki solusi
unik, atau memiliki tak hingga solusi. Bagian kedua, terkadang disebut substitusi mundur,
melanjutkan penggunaan operasi baris dasar sampai matriks berada dalam bentuk eselon baris
tereduksi, dengan kata lain, hingga solusi ditemukan.

Ada tiga jenis operasi baris dasar yang dapat dilakukan pada baris matriks tersebut:

1. Menukar posisi dua baris.

2. Mengalikan suatu baris dengan skalar bukan nol .
3. Menambahkan suatu baris dengan suatu kelipatan dari baris yang lain.

Operasi-operasi ini tidak mengubah kumpulan solusi. Oleh karena itu, jika tujuan seseorang
adalah untuk menyelesaikan sistem persamaan linear, penggunaan operasi baris ini dapat
membuat masalah menjadi lebih mudah. Operasi baris dasar juga dapat dianggap sebagai proses
menghasilkan dekomposisi matriks dari matriks asli. Sudut pandang ini ternyata sangat berguna
dalam menganalisis algoritma. Operasi baris dasar dapat dilihat sebagai sebuah perkalian matriks
dasar (di sebelah kiri) dengan matriks asli. Hal ini mengartikan bagian pertama dari eliminasi
Gauss sebenarnya mencari dekomposisi LU; sedangkan bagian kedua menyatakan matriks asli
sebagai hasil perkalian dari suatu matriks terbalikkan yang unik dengan suatu matriks eselon
baris tereduksi yang unik.

Operasi dasar yang lain adalah menukar posisi dua kolom. Hal ini tidak diharuskan dalam
menjalankan algoritma, namun terkadang digunakan dalam program komputer karena alasan
stabilitas. Analoginya, ketika menghitung dalam kepala, kita terkadang menghindari mengalikan
baris dengan bentuk pecahan yang rumit. Kekurangan dari operasi ini adalah menghasilkan
komputasi tambahan dan juga mengubah nilai determinan dari matriks koefisien.
Bentuk eselon baris

Untuk setiap baris pada matriks, jika entri baris tersebut tidak semuanya terdiri dari angka nol,
maka entri bukan nol pertama (dari kiri) disebut koefisien utama (atau pivot) dari baris itu. Lebih
lanjut, jika ada dua koefisien utama berada di kolom yang sama, maka operasi baris jenis ke-3
dapat digunakan untuk membuat salah satu koefisien tersebut menjadi nol. Operasi baris jenis
ke-1 selanjutnya dipakai untuk mengurutkan baris-baris. Baris dengan koefisien utama muncul
terlebih dahulu (posisinya lebih kiri) ketimbang baris yang lain, akan ditempatkan pada baris
yang lebih tinggi di matriks koefisien. Sedangkan baris tanpa koefisien utama (semua entri
bernilai nol) akan diletakkan pada baris terbawah pada matriks. Ketika semua operasi tersebut
selesai dilakukan, maka matriks dikatakan berada dalam bentuk eselon baris. Kata "eselon"
digunakan di sini karena secara kasar orang dapat membayangkan setiap baris diberi peringkat
berdasarkan ukurannya, dengan yang terbesar di atas dan yang terkecil di bawah.

Sebagai contoh, matriks berikut dalam bentuk eselon baris, dengan koefisien utamanya
ditunjukkan dengan warna merah:

Terlihat baris pertama memiliki koefisien utama memiliki posisi lebih kiri (berada di kolom
kedua) ketimbang baris kedua, yang koefisien utamanya berada di kolom ketiga. Selain itu, baris
berisi nol terletak pada baris paling bawah.

Suatu matriks dikatakan dalam bentuk eselon baris tereduksi jika selanjutnya semua koefisien
utama sama dengan 1 (yang dapat dicapai dengan menggunakan operasi baris dasar jenis ke-2),
dan di setiap kolom yang berisi koefisien utama, semua entri lain di kolom itu adalah nol (yang
dapat dicapai dengan menggunakan operasi baris dasar jenis ke-3). Bentuk eselon baris tereduksi
dari contoh di atas adalah:

Contoh algoritma
Misalkan kita ingin menemukan dan
mendeskripsikan himpunan solusi ke
sistem persamaan linear

Pendahuluan
Sistem persamaan linear adalah suatu kumpulan persamaan matematika yang melibatkan
variabel-variabel dengan koefisien linier. Penyelesaian sistem persamaan linear menjadi penting
dalam berbagai aplikasi, termasuk dalam bidang teknik, ekonomi, dan ilmu komputer. Salah satu
metode yang umum digunakan untuk menemukan dan mendeskripsikan himpunan solusi dari
sistem persamaan linear adalah metode Gauss-Jordan.
Algoritma Gauss-Jordan
Langkah-langkah:
1. Input:
 Matriks koefisien (A)
 Vektor hasil (B)
2. Cek Konsistensi:
 Periksa apakah matriks koefisien (A) adalah matriks persegi. Jika tidak, keluarkan
pesan "Sistem tidak konsisten."
3. Cek Jumlah Variabel dan Persamaan:
 Tentukan jumlah variabel (n) dan jumlah persamaan (m).
4. Cek Konsistensi Variabel dan Persamaan:
 Periksa apakah jumlah variabel (n) sama dengan jumlah persamaan (m). Jika
tidak, keluarkan pesan "Jumlah variabel dan persamaan tidak konsisten."
5. Gauss-Jordan Elimination:
 Iteratif, terapkan metode eliminasi Gauss-Jordan untuk mengubah matriks
augmented (A | B) menjadi bentuk reduksi baris echelon (RREF).
 Identifikasi baris pivot dan lakukan operasi baris elementer untuk menghasilkan
bentuk RREF.
6. Periksa Kebertentuan:
 Periksa apakah ada baris yang seluruhnya nol di matriks koefisien. Jika ada,
keluarkan pesan "Sistem tidak memiliki solusi atau memiliki solusi tak hingga."
7. Pemulihan Solusi:
 Dapatkan solusi dari matriks RREF. Variabel yang terkait dengan kolom pivot
memiliki nilai tunggal, sedangkan variabel bebas dapat diambil sebagai
parameter.
8. Tampilkan Solusi:
 Tampilkan solusi dalam bentuk vektor atau format yang sesuai dengan konteks
permasalahan.
9. Kesimpulan:
 Akhiri penyelesaian sistem persamaan linear dengan algoritma Gauss-Jordan.
Contoh Penerapan
Misalkan kita memiliki sistem persamaan linear:

2x + 3y - z &= 7 \\ 4x - y + 2z &= 4 \\ -3x + 2y - 5z &= -5 \end{align*} \] Matriks koefisien (A)

dan vektor hasil (B) akan menjadi: \[ A = \begin{bmatrix} 2 & 3 & -1 \\ 4 & -1 & 2 \\ -3 & 2 & -
5 \end{bmatrix} \quad B = \begin{bmatrix} 7 \\ 4 \\ -5 \end{bmatrix} \] Dengan mengikuti
langkah-langkah algoritma Gauss-Jordan, kita dapat menemukan dan mendeskripsikan
himpunan solusi dari sistem persamaan linear tersebut. #### Kesimpulan Algoritma Gauss-
Jordan memberikan pendekatan sistematis untuk menyelesaikan sistem persamaan linear.
Dengan mengikuti langkah-langkah ini, kita dapat mengidentifikasi solusi unik atau menentukan
ketidakkonsistenan sistem. Pengetahuan dan penerapan algoritma ini sangat penting dalam
pemecahan masalah di berbagai bidang.
Persamaan tersebut dapat dinyatakan dalam bentuk matriks koefisien gabungan:

Prosedur operasi baris dasar dapat diringkas sebagai berikut: hilangkan variabel x dari semua
persamaan di bawah L1, lalu hilangkan variabel y dari semua persamaan di bawah ini L2. Ini
akan membuat matriks memiliki bentuk matriks segitiga atas. Langkah ini hanya dapat bekerja
jika tidak ada elemen diagonal pada matriks yang bernilai nol. Pada kasus ada elemen diagonal
bernilai nol, pertukaran dengan baris lain (yang tidak bernilai nol pada kolom elemen diagonal
yang dimaksud) perlu dilakukan.
Untuk pada langkah pertama, variabel x dihilangkan dari L₂ dengan menambahkan 3 L1 ke L2.
Intepretasi lain dari operasi ini 3 adalah mengganti L₂ dengan L₁ yang dilambangkan dengan +
L2, L1+L2 L2. Sedangkan æ dihilangkan dari L3 dengan menambahkan L₁ ke L3. Langkah ini
akan menghasilkan matriks koefisien dan sistem persamaan berikut:

Langkah berikutnya adalah menghilangkan variabel y dengan melakukan operasi L3 + -4L2

matriks berikut L3. Hal ini menghasilkan matriks berikut

Saat ini bagian pertama pertama dari eliminasi Gauss telah selesai. Bagian berikutnya adalah
menemukan solusi dari variabel dalam urutan terbalik, sebuah proses yang dikenal sebagai
substitusi balik. Untuk permasalahan di atas, kita pertama kali mendapatkan z = -1. Lalu dengan
mensubtitusi nilai z ke persamaan
1/2y+1/2z=1 akan didapatkan y = 3. Melanjutkan proses, didapatkan x = 2. Dari sudut pandang
komputasi, cara ini lebih cepat untuk menemukan solusi sistem persamaan.
Alih-alih berhenti setelah matriks dalam bentuk eselon baris, seseorang dapat melanjutkan
hingga matriks dalam bentuk eselon baris tereduksi, seperti yang dilakukan pada tabel berikut.
Proses operasi baris hingga ke bentuk eselon baris tereduksi terkadang disebut sebagai Eliminasi
Gauss- Jordan, untuk membedakannya dari proses operasi baris yang berhenti setelah
mencapai bentuk eselon.

Operasi Pivot
Secara umum, algoritma eliminasi Gauss tidak dapat bekerja tanpa menukar baris. Pada contoh
algoritma di atas, algoritma tidak akan berjalan jika persamaan L₁ y-z = 8. Untuk mengatasi ini,
perlu dipilih sebuah elemen tidak bernilai 0 pada kolom pertama matriks koefisien. Elemen ini
disebut sebagai elemen pivot. Pada kasus ini, elemen -3 dari persamaan L₂ digunakan
sebagai elemen pivot:

Setelah menukar baris pertama dengan baris kedua, eliminasi Gauss dapat berjalan:

Untuk kalkulasi secara manual, elemen pivot bernilai -1 atau 1 menguntungkan untuk dipilih;
karena memudahkan perhitungan eliminasi nilai elemen-elemen lain. Namun untuk kalkulasi
menggunakan komputer, elemen pivot dengan nilai mutlak terbesar menguntungkan untuk
digunakan; karena menghasilkan algoritma dengan stabilitas numerik paling baik. Operasi pivot
juga dapat dilakukan dengan menukar kolom, seperti
 menjadi

Perlu diingat ketika bagian subtitusi balik, operasi pivot kolom mengubah susunan variabel di
sistem persamaan, sehingga penyesuaian perlu dilakukan. Jika operasi pivot dilakukan dengan
memilih elemen matriks dengan nilai mutlak terbesar, operasi pivot tersebut dinamakan dengan
operasi pivot total (total pivoting). Secara umum, baris dan kolom dari matriks perlu ditukar
untuk melakukan pivot jenis ini.
Operasi pivot dapat dilakukan tanpa memerlukan komputasi yang signifikan jika entri-entri pada
matriks dan sisi ruas kanan persamaan tidak mengalami penukaran; informasi mengenai
pertukaran baris/kolom dicatat dalam suatu vektor indeks

Sifat Algoritma
Banyak operasi yang diperlukan
Salah satu cara menentukan kompleksitas komputasi adalah menghitung banyaknya operasi
aritmetika yang diperlukan oleh algoritma. Untuk menyelesaikan sistem persamaan linear
dengan persamaan dan n variabel, eliminasi Gauss perlu melakukan operasi baris dasar sampai
matriks memiliki bentuk eselon baris, lalu menemukan solusi setiap variabel dengan urutan
terbalik. Hal ini memerlukan 1/2n(n + 1) operasi pembagian,1/6 (2n³ + 3n2 – 5n) operasi
perkalian, dan 1/6(2n³ + 3n² – 5n) operasi pengurangan.
Ketika ditotal, eliminasi Gauss memerlukan sekitarn³ operasi; menjadikannya algoritma dengan
kompleksitas O(n³). Hal ini membuat 3 eliminasi Gauss sebaiknya hanya dipakai untuk
menyelesaikan sistem persamaan berukuran kecil sampai sedang (kurang lebih n = 10000).
Metode iteratif umumnya lebih baik dalam menyelesaikan matriks dengan dimensi yang lebih
tinggi dari ini.
Jika eliminasi Gauss dilakukan agar matriks berukuran n x n berbentuk eselon baris tereduksi,
maka diperlukan n³ operasi aritmetika. Hal ini kurang lebih memerlukan 50% lebih banyak
langkah komputasi,ketimbang hanya membuat matriks berbentuk eselon baris.
Akurasi dari solusi
Salah satu kendala dari eliminasi Gauss adalah ketidakstabilan numeriknya, akibat pembagian
oleh bilangan yang sangat kecil. Sebagai contoh, jika koefisien utama a dari suatu baris sangat
dekat nilainya dengan 0, operasi baris akan melibatkan proses mengalikan baris dengan. Galat a
pembulatan dari perkalian ini akan merambat dan dapat membesar ke perhitungan- perhitungan
selanjutnya. Untuk matriks secara umum, eliminasi Gauss umumnya stabil jika menerapkan
operasi pivot (baik pivot baris atau pivot kolom), walaupun tetap ada beberapa kasus matriks
dengan komputasi yang tidak stabil. [3] Stabilitas dapat ditingkatkan dengan menerapkan operasi
pivot total, namun ini jarang digunakan karena kompleksitas komputasi yang perlu dilakukan.
Dekomposisi QR umumnya memiliki stabilitas yang lebih baik dalam hal ini, namun juga lebih
sulit untuk menghitungnya.
Eliminasi Gauss stabil secara numerik untuk matriks yang dominan secara diagonal (diagonally
dominant) dan matriks definit positif, sehingga dapat dilakukan tanpa melakukan pivoting;
karena tidak ada nol di elemen diagonal matriks.

Sejarah
Metode eliminasi Gauss muncul - meskipun tanpa dilengkapi bukti - dalam teks matematika
Cina Bab Delapan: Array Persegi Panjang dari Sembilan Bab tentang Seni Matematika.
Penggunaannya diilustrasikan dalam delapan belas soal, dengan dua hingga lima persamaan.
Referensi pertama ke buku dengan judul ini bertanggal 179 M, tetapi sebagian dari referensi
tersebut sudah ditulis setidaknya sejak sekitar 150 SM. Itu dikomentari oleh Liu Hui pada abad
ke-3.
Metode di Eropa berasal dari catatan Isaac Newton. Pada 1670, dia menulis bahwa semua buku
aljabar yang dikenalnya tidak memiliki pelajaran untuk memecahkan sistem persamaan simultan.
Dalam catatannya, Newton selanjutnya mengembangkan materi mengenai masalah
ini. Universitas Cambridge akhirnya menerbitkan catatan tersebut sebagai Arithmetica
Universalis pada tahun 1707; lama setelah Newton meninggalkan kehidupan akademisnya.
Catatan itu ditiru secara luas, dan menjadi (apa yang sekarang disebut) eliminasi Gauss sebagai
pelajaran standar dalam buku teks aljabar pada akhir abad ke-18. Carl Friedrich Gauss pada
tahun 1810 merancang sebuah notasi untuk eliminasi simetris (symmetric elimination) yang
diadopsi pada abad ke-19 oleh komputer tangan profesional untuk menyelesaikan
persamaan kuadrat terkecil. Algoritma yang diajarkan di sekolah baru menggunakan nama Gauss
pada sekitar tahun 1950-an, akibat kebingungan mengenai asal-usul dari algoritma ini.
Beberapa penulis menggunakan istilah eliminasi Gauss untuk merujuk hanya pada prosedur
mengubah matriks sampai dalam bentuk eselon baris, dan menggunakan istilah eliminasi
Gauss–Jordan untuk merujuk pada prosedur mengubah sampai ke bentuk eselon baris tereduksi.
Nama ini digunakan sebagai variasi dari eliminasi Gauss yang dijelaskan oleh Wilhelm
Jordan pada tahun 1888. Namun, variasi ini juga muncul dalam artikel oleh Clasen yang
diterbitkan pada tahun yang sama. Jordan dan Clasen mungkin menemukan eliminasi Gauss–
Jordan secara independen.
Aplikasi
Secara historis, penerapan pertama dari operasi baris elementer adalah untuk
menyelesaikan sistem persamaan linear. Berikut adalah beberapa aplikasi penting lainnya dari
algoritma eliminasi Gauss.
Menghitung determinan
Operasi-operasi baris dasar pada eliminasi Gauss memungkinkan perhitungan determinan
matriks persegi. Hal ini terjadi karena operasi baris erat kaitannya dengan perkalian
sebuah matriks dasar. Hal ini berefek pada:

 Menukar dua baris sama dengan mengalikan determinan matriks dengan −1

 Mengalikan baris dengan skalar bukan nol mengalikan determinan dengan skalar
yang sama
 Menambahkan kelipatan skalar dari baris lain ke suatu baris tidak mengubah nilai
determinan.
Jika eliminasi Gauss diterapkan pada matriks persegi , A matriks eselon baris B yang dihasilkan
merupakan sebuah matriks segitiga atas. Determinan dari matriks ini selanjutnya dapat
ditentukan dengan mengalikan semua elemen-elemen diagonal utamanya. Dari fakta ini, kita
dapat menuliskan hubungan determinan matriks A dan matriks B:

Secara komputasi, metode ini cepat karena hanya memerlukan O(n³) operasi untuk sebuah
matriks berukuran n×n. Di sisi lain, rumus Leibniz untuk determinan memerlukan O(n!) operasi
(untuk banyaknya penjumlahan diperlukan) sedangkan ekspansi Laplace memerlukan (2n)
operasi (banyaknya submatriks yang perlu dihitung, jika semua submatriks unik);
menjadikannya[hampir] tidak berguna untuk n 20.
Menemukan invers dari sebuah matriks
Variasi dari eliminasi Gauss yang dikenal dengan eliminasi Gauss-Jordan dapat digunakan untuk
menemukan invers dari matriks nonsingular. Misalkan A adalah matriks berukuran n x n. Lalu
bentuk matriks blok [AI], dengan I adalah matriks
identitas berukuran n × n. Matriks A memiliki invers jika dan hanya jika serangkaian operasi
baris dasar dapat dilakukan ke sisi kiri matriks blok sehingga A berubah menjadi matriks
identitas I. Pada kasus ini, sisi kanan dari matriks blok akan menjadi A-1. Namun jika A tidak
dapat diubah menjadi matriks identitas, maka A tidak memiliki invers.
Sebagai contoh, misalkan kita ingin menemukan invers dari matriks berikut:

Pertama, kita perlu membuat matriks blok dengan "menempelkan" matriks identitas ke sisi kanan
A seperti berikut:

Dengan menerapkan eliminasi Gauss-Jordan, kita dapat mengecek bentuk eselon baris tereduksi
dari matriks blok di atas adalah

Proses operasi baris dasar dapat dianggap sebagai sebuah perkalian dengan matriks dasar dari
sebelah kiri. Jika B merupakan hasil perkalian semua matriks dasar yang dilakukan, dapat
ditunjukkan bahwa

Karena BA = I, kita simpulkan B = A-1.Prosedur ini dapat diterapkan untuk mencari invers
matriks dengan sebarang ukuran.
Menghitung rank dan menentukan basis
Algoritma eliminasi Gauss juga dapat diterapkan untuk sebarang matriks A berukuran m × n.
Misalkan sebuah matriks berukuran 6 x 9 berhasil diubah menjadi bentuk eselon baris berikut
 dengan simbol bintang menandakan entri yang
nilainya sebarang, sedangkan a, b, c, d, e berupa
entri tidak bernilai 0. Matriks eselon baris T
mengandung banyak informasi mengenai matriks
A: rank dari A adalah 5, karena ada lima baris

yang tidak semuanya bernilai nol di T; ruang vektor yang dibangun dari kolom-kolom A
memiliki basis berisi kolom 1, 3, 4, 7 dan 9 (bersesuaian dengan kolom a, b, c, d, e di T), dan
bintang-bintang menyatakan bagaimana kolom-kolom dari A dapat dinyatakan sebagai
kombinasi linear dari kolom-kolom basis.

Metode Gaus-Jordan
Metode Gaus-Jordan merupakan suatu teknik lanjutan dari Metode Eliminasi Gaus, digunakan
untuk menyelesaikan sistem persamaan linear. Tujuan utamanya adalah mengubah matriks
augmented sistem persamaan menjadi bentuk eselon baris tereduksi atau bentuk matriks
tereduksi. Proses ini melibatkan operasi baris elementer, seperti pertukaran baris, perkalian baris
dengan skalar, dan penambahan atau pengurangan baris.
Langkah pertama dalam Metode Gaus-Jordan adalah membuat matriks augmented dari sistem
persamaan linear. Selanjutnya, dilakukan serangkaian operasi baris untuk mencapai bentuk
eselon baris, di mana setiap baris memiliki leading entry (elemen pertama yang bukan nol) yang
terletak lebih kanan dari leading entry baris di atasnya. Selanjutnya, langkah ini diulang untuk
mendapatkan bentuk eselon baris tereduksi, di mana leading entry dari setiap baris adalah 1, dan
semua elemen di atas dan di bawah leading entry adalah nol.
Metode ini memungkinkan kita untuk dengan efisien menentukan solusi sistem persamaan linear,
dan juga dapat digunakan untuk menentukan invers matriks. Penting untuk memahami bahwa
Metode Gaus-Jordan memerlukan ketelitian dalam penerapannya dan memerlukan perhatian
terhadap detail operasi baris elementer.

Langkah-langkah Operasi Baris

Operasi baris dalam Metode Gaus-Jordan adalah langkah kunci dalam mentransformasi matriks
augmented sistem persamaan linear menuju bentuk eselon baris tereduksi. Terdapat tiga jenis
operasi baris elementer yang umum digunakan: pertukaran baris, perkalian baris dengan skalar,
dan penambahan atau pengurangan baris. Mari kita telusuri langkah-langkahnya secara rinci.
1. Pertukaran Baris (Row Exchange):
Pertukaran baris dilakukan untuk mengubah urutan baris dalam matriks. Misalnya, jika kita
ingin memindahkan baris kedua menjadi baris pertama, kita melakukan pertukaran baris. Operasi
ini berguna untuk menyesuaikan leading entry pada langkah selanjutnya.
2.Perkalian Baris dengan Skalar (Scalar Multiplication):
 Dalam langkah ini, salah satu baris dikalikan dengan skalar non-nol. Tujuannya adalah
memastikan bahwa leading entry pada baris tersebut menjadi 1. Misalnya, jika kita ingin
membuat leading entry pada baris pertama menjadi 1, kita akan mengalikan semua elemen baris
pertama dengan kebalikan dari elemen pertama pada baris tersebut.

3.Penambahan atau Pengurangan Baris (Row Addition or Subtraction):

Operasi ini melibatkan penjumlahan atau pengurangan elemen dari satu baris dengan elemen
yang sesuai dari baris lainnya. Dengan melakukan operasi ini, kita dapat membuat elemen di
bawah atau di atas leading entry menjadi nol. Misalnya, jika kita ingin membuat elemen pertama
pada baris kedua menjadi nol, kita dapat menambahkan (-a21/a11) kali baris pertama ke baris
kedua, di mana a21 adalah elemen pertama pada baris kedua, dan a11 adalah leading entry pada
baris pertama.
Setelah serangkaian operasi ini dilakukan, matriks augmented akan mencapai bentuk eselon
baris. Selanjutnya, proses ini diulang untuk mencapai bentuk eselon baris tereduksi. Penting
untuk memperhatikan urutan operasi dan menjaga konsistensi untuk menghindari kesalahan
dalam perhitungan.

Solusi Sistem Persamaan Linear

Solusi sistem persamaan linear dapat ditemukan menggunakan berbagai metode, dan salah satu
pendekatan yang umum digunakan adalah Metode Gaus-Jordan. Sebelum memahami solusi, kita
perlu memahami konsep matriks augmented dan bentuk eselon baris tereduksi.
1. Matriks Augmented:
Sistem persamaan linear dapat direpresentasikan dalam bentuk matriks augmented, di mana
koefisien variabel-variabel dari setiap persamaan digabungkan dengan kolom hasil. Misalnya,
sistem persamaan \(2x + y = 5\) dan \(3x - 2y = 8\) dapat direpresentasikan sebagai matriks
augmented:

2. Bentuk Eselon Baris (Row Echelon Form):

Proses pertama dalam Metode Gaus-Jordan adalah mengubah matriks augmented ke bentuk
eselon baris, di mana setiap baris memiliki leading entry (elemen pertama yang bukan nol) yang
terletak lebih kanan dari leading entry baris di atasnya. Ini melibatkan pertukaran baris, perkalian
baris dengan skalar, dan penambahan atau pengurangan baris.
3. Bentuk Eselon Baris Tereduksi (Reduced Row Echelon Form):
Setelah mencapai bentuk eselon baris, langkah selanjutnya adalah mengubahnya menjadi
bentuk eselon baris tereduksi. Dalam bentuk ini, leading entry setiap baris adalah 1, dan semua
elemen di atas dan di bawah leading entry adalah nol.
4. Interpretasi Solusi:
- Sistem Konsisten dan Satu Solusi:
Jika dalam bentuk eselon baris tereduksi setiap variabel memiliki leading entry pada baris
yang berbeda dan tidak ada baris dengan leading entry 1 di kolom hasil, maka sistem tersebut
memiliki satu solusi yang unik.
- Sistem Konsisten dan Banyak Solusi:
Jika ada variabel bebas dalam bentuk tereduksi, sistem memiliki banyak solusi. Variabel
bebas dapat diatur secara independen.
- Sistem Inkonsisten:
Jika ada baris dalam bentuk tereduksi yang memiliki leading entry 1 di kolom hasil, tetapi
variabel-variabel lainnya memiliki leading entry di kolom hasil yang nol, maka sistem tersebut
inkonsisten dan tidak memiliki solusi.
5. Penerapan Kembali ke Variabel Asli:
Setelah mendapatkan bentuk eselon baris tereduksi, kita dapat mengembalikan hasilnya ke
variabel asli untuk mendapatkan solusi akhir sistem persamaan linear.
Metode Gaus-Jordan memberikan pendekatan sistematis untuk menemukan solusi sistem
persamaan linear dengan memanipulasi matriks augmented. Penting untuk mengerti kondisi dan
interpretasi bentuk tereduksi untuk mengambil kesimpulan tentang sifat dan jumlah solusi dari
sistem tersebut.

Invers Matriks dengan Gaus-Jordan

Invers matriks adalah matriks yang, ketika dikalikan dengan matriks asalnya, menghasilkan
matriks identitas. Metode Gaus-Jordan adalah salah satu cara efektif untuk menemukan invers
matriks. Mari jelajahi langkah-langkahnya secara rinci.
1. Notasi Matriks Augmented:
Misalkan kita memiliki matriks asal \(A\) yang ingin kita invers, dan kita membentuk matriks
augmented \( [A \vert I] \), di mana \(I\) adalah matriks identitas dengan ukuran yang sama
seperti \(A\). Misalnya, jika \(A\) adalah matriks 3x3, matriks augmentednya adalah \([A \vert
I_3]\).
2. Langkah Gaus-Jordan untuk Invers Matriks:
- Bentuk Echelon Baris:
Terapkan langkah-langkah Metode Gaus-Jordan untuk mencapai bentuk eselon baris. Ini
melibatkan pertukaran baris, perkalian baris dengan skalar, dan penambahan atau pengurangan
baris.
- Bentuk Echelon Baris Tereduksi:
Selanjutnya, terapkan langkah-langkah untuk mencapai bentuk eselon baris tereduksi. Pada
titik ini, bagian kiri matriks augmented akan menjadi matriks invers yang diinginkan.
3. Pengecekan Keberhasilan:
- Pastikan bahwa bagian kiri matriks augmented telah menjadi matriks identitas.
- Jika matriks identitas berhasil terbentuk, maka matriks sebelah kanannya adalah invers dari
matriks asal.
4. Interpretasi Invers Matriks:
- Jika Invers Ada:
Jika invers matriks ada, maka matriks asal adalah non-singular (tidak singular), dan kita dapat
menggunakan inversnya untuk memecahkan sistem persamaan linear (AX = B) dengan (X =
A^{-1}B).
- Jika Invers Tidak Ada:
Jika invers matriks tidak dapat dibentuk, maka matriks asal adalah singular, dan sistem
persamaan linear mungkin memiliki nol atau banyak solusi, tergantung pada bentuknya.
5. Keberlanjutan dan Efisiensi:
- Penting untuk memerhatikan bahwa Gaus-Jordan memerlukan ketelitian dan konsistensi
dalam setiap langkahnya untuk mendapatkan invers yang benar.
- Metode ini memungkinkan kita menghitung invers matriks dengan lebih efisien dibandingkan
dengan metode lain, terutama untuk matriks yang lebih besar.
Pemahaman langkah-langkah Gaus-Jordan untuk invers matriks membuka pintu untuk penerapan
yang lebih luas, terutama dalam penyelesaian sistem persamaan linear dan analisis numerik.
Keberhasilan proses Gaus-Jordan menunjukkan keberadaan invers dan menawarkan
solusi yang konsisten.
Analisis Kompleksitas Algoritma
Analisis kompleksitas algoritma adalah proses memahami sejauh mana suatu algoritma efisien
dalam menangani input yang berukuran besar. Fokusnya adalah pada waktu eksekusi (time
complexity) dan ruang memori (space complexity) yang dibutuhkan oleh algoritma tersebut.
Mari eksplorasi aspek-aspek kunci dalam analisis kompleksitas algoritma.
1. Time Complexity:
-Notasi O (Big O):
Digunakan untuk mengekspresikan batasan atas pertumbuhan algoritma. Misalnya, \(O(n)\)
mengindikasikan pertumbuhan linear, \(O(n^2)\) pertumbuhan kuadratik, dan seterusnya.
- Best, Worst, dan Average Case:
Algoritma dapat memiliki kompleksitas terbaik (best-case), terburuk (worst-case), atau rata-
rata (average-case) tergantung pada input tertentu.
- Notasi Theta dan Omega:
Selain Big O, digunakan juga notasi Theta (\(\Theta\)) untuk menyatakan batasan tepat
pertumbuhan algoritma dan Omega (\(\Omega\)) untuk batasan bawah.
2. Space Complexity:
- Penggunaan Memori:
Memeriksa seberapa banyak memori dibutuhkan oleh algoritma seiring pertumbuhan input.
- Notasi O dalam Ruang:
Seperti time complexity, space complexity juga dapat diukur dengan notasi Big O.
3. Faktor-Faktor Pengaruh Kompleksitas:
- Iterasi dan Rekursi:
Penggunaan iterasi atau rekursi dapat memiliki dampak signifikan terhadap kompleksitas
algoritma. Misalnya, algoritma rekursif dapat memiliki kompleksitas eksponeensial.
- Struktur Data:
Jenis dan penggunaan struktur data seperti array, linked list, dan pohon memengaruhi
kompleksitas algoritma.
- Penggunaan Fungsi dan Metode:
Kompleksitas juga dipengaruhi oleh bagaimana algoritma memanfaatkan fungsi dan metode
dalam eksekusinya.
4. Klasifikasi Kompleksitas:
- P (Polynomial):
Algoritma dengan kompleksitas polinomial, seperti \(O(n^2)\) atau \(O(n^3)\).
- NP (Non-deterministic Polynomial):
Kelas algoritma yang, jika suatu solusi diberikan, dapat dengan efisien diverifikasi. Contoh:
Traveling Salesman Problem.
- Exponential dan Logarithmic:
Algoritma dengan kompleksitas eksponensial (\(O(2^n)\)) atau logaritmik (\(O(\log n)\)).
5. Trade-Off Antara Waktu dan Ruang:
- Beberapa algoritma mungkin memerlukan lebih banyak waktu namun membutuhkan sedikit
ruang memori, atau sebaliknya. Analisis ini penting terutama dalam situasi dengan batasan
sumber daya tertentu.
6. Pentingnya Analisis Kompleksitas:
- Memberikan pandangan terhadap seberapa baik algoritma berperforma untuk input yang
besar.
- Memungkinkan pemilihan algoritma yang tepat sesuai dengan kebutuhan spesifik.
Analisis kompleksitas algoritma memberikan landasan bagi para pengembang perangkat lunak
untuk membuat keputusan yang informasional dan cerdas mengenai pilihan algoritma, terutama
dalam konteks masalah yang membutuhkan kinerja tinggi atau sumber daya yang terbatas.

Penerapan dalam Konteks Praktis

Penerapan analisis kompleksitas algoritma dalam konteks praktis membawa dampak signifikan
dalam pengembangan perangkat lunak dan pemecahan masalah dunia nyata. Mari kita eksplorasi
bagaimana pemahaman analisis kompleksitas dapat membimbing keputusan dan perancangan
dalam berbagai situasi.
1. Pemilihan Algoritma:
Dengan memahami kompleksitas waktu dan ruang, pengembang dapat memilih algoritma yang
paling sesuai dengan kebutuhan aplikasi. Misalnya, untuk dataset besar, algoritma dengan
kompleksitas linier (\(O(n)\)) mungkin lebih diinginkan daripada yang berkompleksitas kuadratik
(\(O(n^2)\)).
2. Optimisasi Kinerja:
Analisis kompleksitas membantu mengidentifikasi bagian-bagian kritis dalam suatu algoritma.
Dengan fokus pada perbaikan pada bagian-bagian ini, pengembang dapat mengoptimalkan
kinerja keseluruhan aplikasi.
3. Skalabilitas Aplikasi:
Dalam pengembangan perangkat lunak, pertumbuhan skala data sangat umum. Dengan
memahami kompleksitas, pengembang dapat memastikan bahwa aplikasi tetap efisien dan
berkinerja baik ketika dihadapkan dengan input yang berkembang.
4. Pemecahan Masalah Khusus:
Analisis kompleksitas membantu dalam pemilihan pendekatan yang tepat untuk masalah
tertentu. Misalnya, jika ditemui masalah dengan banyak pilihan dan keputusan yang perlu
diambil, algoritma dengan kompleksitas eksponensial mungkin tidak praktis.
5. Desain Struktur Data:
Pemilihan dan implementasi struktur data yang tepat dapat dipandu oleh analisis kompleksitas.
Memilih struktur data yang efisien dapat mengoptimalkan waktu eksekusi dan penggunaan
memori.
6. Penyesuaian dengan Kebutuhan Sistem:
Dalam pengembangan perangkat lunak, mungkin terjadi perubahan kebutuhan atau skenario
penggunaan. Dengan pemahaman analisis kompleksitas, pengembang dapat menilai dampak
perubahan tersebut pada kinerja sistem.
7. Pemilihan Platform dan Teknologi:
Analisis kompleksitas juga dapat mempengaruhi pemilihan platform dan teknologi yang
digunakan. Beberapa platform atau teknologi mungkin lebih efisien dalam menangani jenis
operasi tertentu.
8. Keputusan Investasi dan Pengembangan Lanjutan:
Dalam konteks bisnis, pemahaman analisis kompleksitas dapat membantu membuat keputusan
investasi yang tepat. Hal ini melibatkan pertimbangan terhadap kinerja aplikasi dan biaya
pengembangan.
9. Evaluasi Solusi Alternatif:
Analisis kompleksitas memungkinkan pengembang untuk secara objektif mengevaluasi solusi
alternatif dan memilih yang paling efisien sesuai dengan kebutuhan dan kendala yang ada.
Dengan merangkul analisis kompleksitas, pengembang dapat mencapai keseimbangan optimal
antara kinerja aplikasi dan penggunaan sumber daya. Penerapan konsep ini membantu
membangun perangkat lunak yang dapat bersaing dalam lingkungan yang semakin
kompleks dan dinamis.
Kelebihan dan Keterbatasan Metode Gaus-Jordan
Metode Gaus-Jordan adalah pendekatan yang kuat untuk menyelesaikan sistem persamaan linear
dan menemukan invers matriks. Namun, seperti semua metode, ia memiliki kelebihan dan
keterbatasan yang perlu dipertimbangkan.
Kelebihan Metode Gaus-Jordan:
1. Universalitas:
Metode ini dapat digunakan untuk menyelesaikan berbagai jenis sistem persamaan linear,
termasuk yang memiliki banyak variabel dan persamaan.
2. Solusi Unik:
Jika sistem persamaan linear memiliki solusi, Gaus-Jordan cenderung menghasilkan solusi
yang unik dan mudah diinterpretasi.
3. Invers Matriks
Selain menyelesaikan sistem persamaan, Gaus-Jordan juga dapat digunakan untuk menemukan
invers matriks. Hal ini berguna dalam berbagai konteks, seperti analisis numerik.
4. Proses Terkomputasi:
Algoritma Gaus-Jordan dapat diimplementasikan dalam komputer dengan baik. Setiap
langkahnya bersifat terkomputasi dengan baik, dan keakuratan hasilnya dapat dikontrol sesuai
dengan kebutuhan.
5. Ketelitian dan Kontrol:
Proses eliminasi baris matriks memungkinkan kontrol atas ketelitian. Keputusan langkah demi
langkah dapat diambil dengan mempertimbangkan efek dari operasi baris elementer.

Keterbatasan Metode Gaus-Jordan:

1. Kompleksitas Waktu:
Untuk beberapa kasus, terutama ketika ukuran matriks besar, Gaus-Jordan dapat memerlukan
waktu komputasi yang signifikan. Terutama, langkah-langkah eliminasi baris dapat menjadi
rumit.
2. Ketergantungan Pada Elemen Non-Nol:
Jika selama proses eliminasi baris terjadi pembagian oleh elemen yang mendekati nol, metode
ini dapat menghasilkan solusi yang sangat sensitif terhadap kesalahan numerik.
3. Perubahan Struktur Matriks:
Metode ini dapat merubah struktur matriks asli, yang dapat mempengaruhi interpretasi
masalah aslinya.
4. Keterbatasan pada Beberapa Kasus Khusus:
Dalam beberapa kasus khusus, seperti matriks yang sangat besar dan sparse, atau matriks
dengan struktur tertentu, metode ini mungkin tidak menjadi pilihan terbaik.
5. Ruim Pemrosesan Memori:
Gaus-Jordan membutuhkan alokasi memori untuk matriks augmented, dan untuk matriks besar
ini dapat menjadi pertimbangan dalam hal pengelolaan sumber daya.
Pemilihan metode analisis sistem persamaan linear dan invers matriks harus dipertimbangkan
berdasarkan konteks spesifik dan sifat matriks yang terlibat. Meskipun Gaus-Jordan memiliki
kelebihan universalitas, pemahaman terhadap keterbatasan dan kompleksitasnya diperlukan
untuk pengambilan keputusan yang optimal.

Perbandingan dengan Metode Lain

Studi Kasus: Penyelesaian Masalah Nyata
1. Metode Eliminasi Gaus:
Kelebihan:
- Lebih sederhana dan cepat dibanding Gaus-Jordan untuk menemukan solusi sistem
persamaan linear.
- Kurang kompleksitas operasi baris elementer.
Keterbatasan:
- Tidak menghasilkan bentuk eselon baris tereduksi secara langsung, yang dapat mempersulit
pencarian invers matriks.
2.Metode Matriks Balikan (Inverse Matrix Method):
Kelebihan:
- Menggunakan invers matriks untuk menemukan solusi sistem persamaan linear.
- Efektif untuk sistem dengan ukuran tetap yang berulang.
- Keterbatasan:
- Memerlukan perhitungan invers matriks, yang dapat memakan waktu dan ruang memori,
terutama untuk matriks besar.
3.Metode Substitusi Mundur (Back Substitution):
- Kelebihan:
- Cocok untuk sistem persamaan linear dengan matriks segitiga atas setelah tahap eliminasi
Gaus.
- Dapat diterapkan pada matriks besar dengan efisiensi waktu yang baik.
 Keterbatasan:
- Tidak selalu dapat digunakan, terutama jika matriks tidak memenuhi syarat tertentu.

Studi Kasus: Penyelesaian Masalah Nyata

Konteks: Analisis Rangkaian Listrik
Kita akan mempertimbangkan penyelesaian sistem persamaan linear yang muncul dalam analisis
rangkaian listrik dengan resistansi \( R \), induktansi \( L \), dan kapasitansi \( C \). Sistem ini
dapat diwakili oleh persamaan diferensial dan matriks.
 Metode Gaus-Jordan:
Kelebihan:
- Mampu menangani sistem persamaan linear kompleks yang melibatkan banyak variabel dan
persamaan.
- Memberikan solusi eksplisit dalam bentuk eselon baris tereduksi.
Keterbatasan:
- Mungkin memakan waktu lebih lama untuk sistem yang besar dan kompleks.
 Metode Matriks Balikan:
Kelebihan:
- Efektif jika kita ingin mendapatkan solusi dalam satu langkah dengan menghitung invers
matriks.
- Cocok untuk matriks dengan ukuran tetap.
Keterbatasan:
Memerlukan invers matriks, yang dapat menjadi mahal secara komputasi.
 Metode Substitusi Mundur:
Kelebihan:
Efektif jika sistem matriks segitiga atas setelah tahap eliminasi Gaus.
Keterbatasan:
Tidak selalu dapat digunakan tergantung pada sifat matriks.
Dalam studi kasus ini, pemilihan metode akan tergantung pada sifat sistem persamaan linear dan
tujuan analisis. Gaus-Jordan memberikan solusi eksplisit, sementara matriks balikan mungkin
lebih efisien untuk sistem dengan struktur tertentu. Substitusi mundur dapat digunakan jika
matriks mengalami transformasi ke bentuk segitiga atas.
Perbandingan dengan Metode Lain
Perbandingan Metode Penyelesaian Persamaan Linear
Penyelesaian persamaan linear merupakan inti dari banyak masalah matematika dan rekayasa.
Berbagai metode digunakan untuk mengatasi tantangan ini. Mari kita bandingkan beberapa
metode utama:
1.Metode Gaus-Jordan:
Kelebihan:
- Universal, dapat menangani berbagai jenis sistem persamaan linear.
- Menghasilkan solusi eksplisit dalam bentuk eselon baris tereduksi.
- Dapat digunakan untuk mencari invers matriks.
Keterbatasan:
- Memerlukan operasi baris elementer yang kompleks.
- Kompleksitas waktu bisa tinggi untuk matriks besar.
2.Metode Eliminasi Gaus:
Kelebihan:
- Lebih sederhana dan cepat dibanding Gaus-Jordan.
- Cocok untuk sistem persamaan linear sederhana.
Keterbatasan:
- Tidak menghasilkan bentuk eselon baris tereduksi langsung.
3.Metode Matriks Balikan (Inverse Matrix Method):
Kelebihan:
- Solusi dalam satu langkah dengan menghitung invers matriks.
- Efektif untuk sistem dengan ukuran tetap.
Keterbatasan:
- Memerlukan invers matriks, yang dapat memakan waktu dan memori.
4.Metode Substitusi Mundur:
Kelebihan:
- Efektif untuk sistem persamaan linear dengan matriks segitiga atas setelah eliminasi Gaus.
Keterbatasan:
- Tidak selalu dapat digunakan, tergantung pada sifat matriks.
Faktor-faktor Pemilihan Metode:
1. Ukuran dan Struktur Matriks:
- Gaus-Jordan dan eliminasi Gaus cocok untuk matriks besar dan kompleks.
- Metode substitusi mundur cocok untuk matriks segitiga.
- Matriks balikan efektif untuk matriks dengan ukuran tetap.
2. Tujuan Analisis:
- Jika mencari solusi eksplisit dan bentuk eselon baris tereduksi, Gaus-Jordan lebih sesuai.
- Untuk efisiensi waktu, terutama jika invers matriks diperlukan, matriks balikan dapat
dipertimbangkan.
3. Kompleksitas Operasi:
- Gaus-Jordan dan eliminasi Gaus memerlukan operasi baris elementer yang kompleks.
- Metode substitusi mundur dan matriks balikan bisa lebih efisien dalam beberapa kasus.
4. Kondisi Spesifik:
Beberapa metode lebih cocok untuk kasus-kasus tertentu. Misalnya, matriks segitiga cocok
untuk substitusi mundur.
Kesimpulan:
Pemilihan metode tergantung pada sifat masalah, struktur matriks, dan tujuan analisis. Tidak ada
metode yang sesuai untuk semua situasi, dan pemahaman mendalam terhadap karakteristik setiap
metode penting untuk pengambilan keputusan yang optimal dalam penyelesaian
persamaan linear.
Studi Kasus: Penyelesaian Masalah Nyata
Dalam studi kasus ini, kita akan menjelajahi bagaimana metode Gaus-Jordan dapat diterapkan
untuk menyelesaikan masalah nyata dalam berbagai konteks. Misalnya, pertimbangkan sistem
persamaan linear yang muncul dalam dunia nyata, seperti model matematika dalam ilmu fisika
atau ekonomi. Gaus-Jordan dapat digunakan untuk menemukan solusi dari sistem ini,
memungkinkan analisis mendalam terhadap hubungan variabel dan parameter yang
mendasarinya.
Sebagai contoh konkret, bayangkan situasi di mana perusahaan menghadapi sistem persamaan
linear yang mewakili hubungan antara berbagai faktor ekonomi, seperti biaya produksi,
pendapatan, dan tingkat permintaan. Dengan menerapkan metode Gaus-Jordan, peneliti atau
analis dapat mendapatkan solusi yang menyeluruh untuk sistem ini, membuka peluang untuk
pengambilan keputusan yang informasional dan tepat.Selain itu, studi kasus ini dapat mencakup
perbandingan antara metode Gaus-Jordan dengan pendekatan lain dalam menyelesaikan masalah
yang serupa. Ini memberikan wawasan tentang keunggulan dan keterbatasan metode tersebut
dalam konteks praktis. Analisis ini tidak hanya membantu memahami ketepatan solusi, tetapi
juga mempertimbangkan efisiensi dan kepraktisan implementasi metode Gaus-Jordan dalam
situasi kehidupan nyata.
Melalui eksplorasi studi kasus ini, kita dapat menggali lebih dalam potensi aplikatif metode
Gaus-Jordan, menyajikan wawasan yang lebih luas terhadap kontribusinya dalam
memecahkan masalah nyata.
 KESIMPULAN DAN SARAN

Kesimpulan:
Makalah ini membahas secara rinci tentang metode eliminasi Gaussian, khususnya dalam
konteks penyelesaian sistem persamaan linear. Eliminasi Gaussian melibatkan serangkaian
operasi baris dasar untuk menyederhanakan matriks koefisien sistem persamaan. Proses ini
menghasilkan matriks segitiga atas atau bentuk eselon baris tereduksi, memungkinkan penentuan
solusi sistem persamaan.
Algoritma ini, yang dinamai dari ahli matematika Carl Friedrich Gauss, juga digunakan untuk
menghitung rank matriks, determinan matriks persegi, dan invers matriks nonsingular. Meskipun
memiliki kompleksitas komputasi n^3, eliminasi Gaussian menjadi cara standar untuk
menemukan solusi sistem persamaan linier.
Pada bagian selanjutnya, makalah membahas langkah-langkah algoritma Gauss-Jordan, yang
merupakan metode lanjutan dari eliminasi Gauss. Langkah-langkahnya mencakup operasi baris
dasar seperti pertukaran baris, perkalian baris dengan skalar, dan penambahan atau pengurangan
baris. Algoritma ini membawa matriks augmented sistem persamaan ke bentuk eselon baris
tereduksi, memudahkan penentuan solusi sistem.Selanjutnya, makalah membahas sifat algoritma
ini, termasuk kompleksitas komputasinya dan ketidakstabilan numerik yang mungkin terjadi.
Metode ini umumnya efektif untuk matriks dominan secara diagonal dan matriks definit positif.
Sejarah eliminasi Gauss ditarik kembali ke teks matematika Cina pada tahun 179 Masehi, tetapi
metodenya juga muncul dalam catatan Isaac Newton pada tahun 1670. Carl Friedrich Gauss
memberikan notasi untuk eliminasi simetris pada tahun 1810, dan nama "Gauss-Jordan" muncul
pada abad ke-19.Makalah mencakup aplikasi eliminasi Gauss dalam menghitung determinan
matriks persegi dan menyelesaikan sistem persamaan linear. Terakhir, penekanan diberikan pada
langkah-langkah operasi baris dalam metode Gaus-Jordan, serta interpretasi solusi sistem
persamaan linear.

Saran:
1. Menambahkan contoh numerik atau aplikasi nyata dari eliminasi Gauss dan Gauss-Jordan
akan memperkaya pemahaman pembaca tentang penggunaan praktis metode ini.
2. Memasukkan perbandingan dengan metode penyelesaian sistem persamaan linear lainnya
akan memberikan gambaran lebih lengkap tentang keunggulan dan keterbatasan eliminasi
Gaussian.
3. Menyediakan ilustrasi atau diagram untuk membantu visualisasi konsep-konsep kunci, seperti
bentuk eselon baris atau operasi baris dasar.
4. Menyertakan diskusi tentang implementasi algoritma eliminasi Gauss secara komputer dan
cara mengatasi kendala numerik yang mungkin timbul.
5. Merinci lebih lanjut tentang aplikasi eliminasi Gauss dalam konteks kehidupan nyata, seperti
dalam pemodelan matematika di bidang teknik, ekonomi, atau ilmu komputer.
 KATA PENGANTAR

Kesimpulan:
Makalah ini membahas secara rinci tentang metode eliminasi Gaussian, khususnya dalam
konteks penyelesaian sistem persamaan linear. Eliminasi Gaussian melibatkan serangkaian
operasi baris dasar untuk menyederhanakan matriks koefisien sistem persamaan. Proses ini
menghasilkan matriks segitiga atas atau bentuk eselon baris tereduksi, memungkinkan penentuan
solusi sistem persamaan.
Algoritma ini, yang dinamai dari ahli matematika Carl Friedrich Gauss, juga digunakan untuk
menghitung rank matriks, determinan matriks persegi, dan invers matriks nonsingular. Meskipun
memiliki kompleksitas komputasi n^3, eliminasi Gaussian menjadi cara standar untuk
menemukan solusi sistem persamaan linier.
Pada bagian selanjutnya, makalah membahas langkah-langkah algoritma Gauss-Jordan, yang
merupakan metode lanjutan dari eliminasi Gauss. Langkah-langkahnya mencakup operasi baris
dasar seperti pertukaran baris, perkalian baris dengan skalar, dan penambahan atau pengurangan
baris. Algoritma ini membawa matriks augmented sistem persamaan ke bentuk eselon baris
tereduksi, memudahkan penentuan solusi sistem.Selanjutnya, makalah membahas sifat algoritma
ini, termasuk kompleksitas komputasinya dan ketidakstabilan numerik yang mungkin terjadi.
Metode ini umumnya efektif untuk matriks dominan secara diagonal dan matriks definit positif.
Sejarah eliminasi Gauss ditarik kembali ke teks matematika Cina pada tahun 179 Masehi, tetapi
metodenya juga muncul dalam catatan Isaac Newton pada tahun 1670. Carl Friedrich Gauss
memberikan notasi untuk eliminasi simetris pada tahun 1810, dan nama "Gauss-Jordan" muncul
pada abad ke-19.Makalah mencakup aplikasi eliminasi Gauss dalam menghitung determinan
matriks persegi dan menyelesaikan sistem persamaan linear. Terakhir, penekanan diberikan pada
langkah-langkah operasi baris dalam metode Gaus-Jordan, serta interpretasi solusi sistem
persamaan linear.

Saran:
1. Menambahkan contoh numerik atau aplikasi nyata dari eliminasi Gauss dan Gauss-Jordan
akan memperkaya pemahaman pembaca tentang penggunaan praktis metode ini.
2. Memasukkan perbandingan dengan metode penyelesaian sistem persamaan linear lainnya
akan memberikan gambaran lebih lengkap tentang keunggulan dan keterbatasan eliminasi
Gaussian.
3. Menyediakan ilustrasi atau diagram untuk membantu visualisasi konsep-konsep kunci, seperti
bentuk eselon baris atau operasi baris dasar.
4. Menyertakan diskusi tentang implementasi algoritma eliminasi Gauss secara komputer dan
cara mengatasi kendala numerik yang mungkin timbul.
5. Merinci lebih lanjut tentang aplikasi eliminasi Gauss dalam konteks kehidupan nyata, seperti
dalam pemodelan matematika di bidang teknik, ekonomi, atau ilmu komputer.
 MAKALAH ELIMINASI GAUSS
& ELIMINASI GAUS JORDAN

DISUSUN OLEH :
BINSAR RIGO YOGA PAKPAHAN
21010001
INFORMATIKA
SEMESTER 5

FAKULTAS ILMU KOMPUTER

UNIVERSITAS DEHASEN BENGKULU
2023