IKL 306

Metode Komputasi dan Pemrograman Komputer

Pertemuan 3

Penentuan Akar Persamaan

Dr. Daisman P.B. Aji, S.T.

Maret 2017

Program Studi Teknik Mesin

Universitas Trisakti
Jakarta, Indonesia 1
 Materi Kuliah
Pert Materi

Pengantar metode komputasi dan pemrograman Persamaan diferensial.

komputer. 9 -Metode Euler secara numerik dan pemrograman.
1 -Sejarah komputasi dan pemrogramam komputer. -Metode Runge-Kutta secara numerik dan pemrograman.
-Manfaat metode komputasi dalam pemecahan masalah-masalah sain
dan enjiniring. Persamaan diferensial (lanjutan).
10 -Metode Euler secara numerik dan pemrograman.
Prosedural dalam pemecahan masalah sain dan -Metode Runge-Kutta secara numerik dan pemrograman.
2 enjiniring.
-Diagram alir dalam pemrograman komputer.
11 Persamaan diferensial.
-Pemrograman komputer dengan bantuan paket program MatLab. -Metode euler secara numerik dan pemrograman.

Akar-akar persamaan linier. Persamaan linier, Eigenvalue dan eigenvector.

-Metode bisection. 12
3 -Metode Newton-Rapson.
-Metode euler secara numerik dan pemrograman komputasi.
-Metode secant.
Persamaan linier, Eigenvalue dan eigenvector (lanjutan).
Interpolasi data dengan menggunakan metode -LU decomposition diutamakan untuk matrik simetris, secara numerik
13 dan pemrograman komputasi.
4 Newtons Divided Difference Polynomial. -Metode cholesky, secara numerik dan pemrograman komputasi.
-Interpolasi linier, kuadratik dan interpolasi secara umum (numeriks
dan pemrograman).
14 Persamaan linier, Eigenvalue dan eigenvector (lanjutan).
Analisis regresi. -Solusi iterasi, secara numerik dan pemrograman komputasi.
5 -Regresi linier.
-Regresi non linier. 15 Review (Contoh soal-soal studi kasus)
Diferensiasi fungsi kontinyu dan fungsi diskrit secara 16 UJIAN AKHIR SEMESTER (60 min, esai, tutup buku)
numeris.
6 -Metode forward divided difference.
-Metode backward divided difference.
-Metode central divided difference.

7 Review (Contoh soal-soal studi kasus)

2
8 UJIAN TENGAH SEMESTER (60 min, esai, tutup buku)
 Pencarian Akar

Metode Pencarian Akar:

1. Bracketing Method
1) Bisection Method
2) False Position Method
2. Open Method
1) Simple Fixed-Point Iteration Method
2) Newton-Raphson Method
3) Secant Method 3
Bracketing Method
f(x) = 0, f(x) fungsi kontinu real
Jika sign f(xl) = sign f(xu)
Tidak ada akar
atau
Jumlah akar genap

Jika sign f(xl) <> sign f(xu)

Ada satu akar
atau
Jumlah akar ganjil
Kecuali f(x) tangential thd
sumbu x

4
 Bracketing Method
Bracketing method :
1) Bisection Method
2) False Position Method

Bisection Method

5
 Algoritma Bisection Method
Step 1:
Pilih x dan xu sebagai dua perkiraan akar sehingga f(x) f(xu) < 0.

f(x)

f(xu)
xx

x
xu
xu
f(x)

6
 Algoritma Bisection Method
Step 2:
Hitung xm dan f(xm) di mana xm = (x + xu)/2

f(x)

xx xxmm
x
xu
xu

7
 Algoritma Bisection Method
Step 3:
Cek:
1) Jika f(x) f(xm) < 0, maka akar berada antara x dan xm.
Jadi, x = x& xu = xm utk iterasi berikutnya
2) Jika f(x) f(xm) > 0, maka akar berada antara xm dan xu.
Jadi, x = xm & xu = xu utk iterasi berikutnya
3) Jika f(x) f(xm) = 0, maka akar adalah xm
Stop algoritma

f(xm)

f(x)
8
 Algoritma Bisection Method
Step 4:
Hitung eror aproksimat relatif absolut
xm xmold
a 100%
xm

di mana, xm akar perkiraan iterasi sekarang

xmold akar perkiraan iterasi sebelumnya

9
 Algoritma Bisection Method
Step 5:
Bandingkan a dengan toleransi eror s

1) Jika a s , maka ulangi Step 2

Note: sebelum ulangi Step 2,
xm xm
old

cek iterasi apakah sudah sama dengan iterasi maks

2) Jika a s , maka akar ialah xm , stop algoritma

10
 Bisection Method
Contoh : Bola Apung
Bola yg mengapung memiliki gravitasi spesifik 0,6
dan jari-jari 5,5 cm. Persamaan kedalaman bagian
bola di bawah permukaan air (x) :

x 3 0.165 x 2 3.993 10 4 0

a) Gunakan Bisection Method utk menentukan x

b) Hitung eror aproksimat relatif absolut utk setiap
iterasi
c) Hitung jumlah angka signifikan yang benar utk
setiap iterasi Diagram bola apung

11
 Bisection Method
Contoh : Bola Apung

Diagram bola apung

R = jari-jari bola
0 x 2R
0 x 2 0.055
f x x 3 0.165 x 2 3.993 10 - 4 0 x 0.11

12
 Bisection Method
Step 1:
x 0.00
xu 0.11
f xl f 0 0 0.165 0 3.993 10 4 3.993 10 4
3 2

f xu f 0.11 0.11 0.165 0.11 3.993 10 4 2.662 10 4

3 2

f xl f xu f 0 f 0.11 3.993 10 4 2.662 10 4 0

Jadi, setidaknya ada satu akar antara xl = 0 dan xu = 0.11

13
 Bisection Method
Step 2:
x xu 0 0.11
xm 0.055
2 2
f xm f 0.055 0.055 0.165 0.055 3.993 10 4 6.655 10 5
3 2

Step 3:
f xl f xm f 0 f 0.055 3.993 10 4 6.655 10 5 0
Jadi, akar berada antara xm = 0,055 dan xu = 0,11
xl=xm=0,055 xu=xu=0,11 utk iterasi berikutnya

Estimasi akar dari iterasi 1 14

 Bisection Method
Step 4 & 5:
Pada iterasi 1, eror aproksimasi absolute relatif
belum bisa dihitung.
Lanjutkan iterasi 2 ulang Step 2

15
 Bisection Method
Step 2 (Iterasi 2) :
x xu 0.055 0.11
xm 0.0825
2 2
f xm f 0.0825 0.0825 0.165 0.0825 3.993 10 4 1.622 10 4
3 2

Step 3 (Iterasi 2) :
f xl f xm f 0.055 f (0.0825) 1.622 10 4 6.655 10 5 0
Jadi, akar berada antara xl = 0,055 dan xm = 0.0825
xl=xl=0,055 xu=xm=0,0825 utk iterasi berikutnya

Estimasi akar dari iterasi 2 16

 Bisection Method
Step 4 (Iterasi 2):

xm xmold
a 100%
xm
0.0825 0.055
100%
0.0825
33.333%

17
 Bisection Method
Step 5 (Iterasi 2) :
Bandingkan a dengan toleransi eror s
Angka signifikan pada akar perkiraan xm = 0.0825 tidak ada
a 33,333% s 5% yg benar karena eror aproksimat relatif absolut > 5%

xm xm 0.0825
old

jika iterasi <> iterasi maks, Iterasi 3 (ulang Step 2)

jika iterasi >= iterasi maks, STOP

Setidaknya ada b angka signifikan yg benar pada akar perkiraan

xm bila eror aproksimat relatif absolut a memenuhi :
xm xmold
a 0.5 10 %
2 b
a 100%
xm

18
 Bisection Method
Step 2 (Iterasi 3) :
x xu 0.055 0.0825
xm 0.06875
2 2
f xm f 0.06875 0.06875 0.165 0.06875 3.993 10 4 5.563 10 5
3 2

Step 3 (Iterasi 3):

f xl f xm f 0.055 f 0.06875 6.655 10 5 5.563 10 5 0
Jadi, akar berada antara xl = 0,055 dan xm = 0.06875
xl=xl=0,055 xu=xm=0,06875 utk iterasi berikutnya

19
Estimasi akar dari iterasi 3
 Bisection Method
Step 4 (Iterasi 3):

xm xmold
a 100
xm
0.06875 0.0825
100%
0.06875
20%

20
 Bisection Method
Step 5 (Iterasi 3) :
Bandingkan a dengan toleransi eror s
Angka signifikan pada akar perkiraan xm = 0.06875 tidak
a 20% s 5% ada yg benar karena eror aproksimat relatif absolut > 5%

xm xm 0.06875
old

jika iterasi <> iterasi maks, Iterasi 4 (ulang Step 2)

jika iterasi >= iterasi maks, STOP

21
 Bisection Method

Tabel 1. Akar f(x)=0 dengan metode bisection.

22
 Bisection Method
Jumlah angka signifikan yang benar (b) dapat dihitung :

a 0.5 10 2b
0.1721 0.5 10 2b
0.3442 10 2b
log 0.3442 2 b
b 2 log 0.3442 2.463

b=2

Jadi, jumlah angka signifikan yg benar pada akar perkiraan xm = 0.06241

pada akhir iterasi ke-10 adalah 2.

23
 Bisection Method
Keuntungan Bisection Method :
1. Selalu konvergen
2. Pengurungan akar pasti setengah dari iterasi sebelumnya

24
 Bisection Method
Kelemahan Bisection Method :
1. Konvergensi lambat
2. Jika satu dari dua akar estimasi awal nilainya dekat
dengan akar yang dicari, maka kovergensi akan lebih
lambat
3. Jika f(x) fungsi tangential thd sumbu x, maka tidak bisa
ditentukan xl dan xu
4. Jika f(x) fungsi tak kontinu, meskipun f(xl) f(xu)<0, akar
tidak ada, metode ini tidak bisa mendeteksi akar f(x)
tidak ada

1
f x
x

f x x2

25
 START
Bisection Method
f(x)=0
xl=? xu=?

f(xl)f(xu)<0?
No
Yes
xm=(xl+xu)/2
f(xm)=?

f(xl)f(xm)=0 f(xl)f(xm)>0
f(xl)f(xm)=? xl=xm xu=xu

f(xl)f(xm)<0
xmold xm
xl=xl xu=xm a ?
Yes

No Yes
a s ? i < imak ?

No

Root = xm

26
STOP
Implementasi MATLAB :

27
Implementasi MATLAB : Bracketing Method

28
Implementasi MATLAB : Bracketing Method

29
 Newton-Raphson Method
f(x)

AB
f(xi)
tan(
B AC

f ( xi )
f ' ( xi )
xi xi 1

f ( xi )
C A xi 1 xi
X f ( xi )
xi+1 xi

Representasi geometrik metode Newton-Raphson

30
 Newton-Raphson Method
f(x)

f(xi)
x f x
i, i
f(xi )
xi 1 = xi -
f (xi )

f(xi-1)

xi+2 xi+1 xi X

Representasi geometrik metode Newton-Raphson

31
 Newton-Raphson Method
Algoritma Metode Newton-Raphson :
Step 1:
Hitung f(x)
Step 2:
Pilih akar perkiraan awal xi

f xi
Hitung xi+1, di mana xi 1 = xi -
f xi
Step 3:
Hitung eror aproksimat relatif absolut a

xi 1- xi
a = 100%
xi 1

32
 Newton-Raphson Method
Step 5:
Bandingkan a dengan toleransi eror s

1) Jika a s , maka ulangi Step 2

Note: sebelum ulangi Step 2,
cek iterasi apakah sudah sama dengan iterasi maks
2) Jika a s , maka akar ialah xi+1, stop algoritma

33
 Newton-Raphson Method
Contoh : Bola Apung
Bola yg mengapung memiliki gravitasi spesifik 0,6
dan jari-jari 5,5 cm. Persamaan kedalaman bagian
bola di bawah permukaan air (x) :

x 3 0.165 x 2 3.993 10 4 0

a) Gunakan Newton-Raphson Method utk

menentukan x
b) Hitung eror aproksimat relatif absolut utk setiap
iterasi
c) Hitung jumlah angka signifikan yang benar utk Diagram bola apung
setiap iterasi

34
 Newton-Raphson Method
Contoh : Bola Apung

Diagram bola apung

R = jari-jari bola
0 x 2R
0 x 2 0.055
f x x 3 0.165 x 2 3.993 10 - 4 0 x 0.11

35
 Newton-Raphson Method
Step 1:

f x x 3-0.165 x 2+3.993 10- 4

f ' x 3 x 2 -0.33 x
Step 2:
x0 0,05m
x0=0 atau x0=0,11 perkiraan jelek
f x0
x1 x0
f ' x0

0.05
0.05 0.165 0.05 3.993 10 4
3 2

3 0.05 0.33 0.05

2

1.118 10 4
0.05
9 10 3
0.05 0.01242
0.06242
Estimasi akar dari iterasi 1

36
 Newton-Raphson Method
Step 3:

x1 x0
a 100
x1
0.06242 0.05
100%
0.06242
19.90%

37
 Newton-Raphson Method
Step 4 :
Bandingkan a dengan toleransi eror s
Angka signifikan pada akar perkiraan xi+1 = 0,06242 tidak
a 19,90% s 5% ada yg benar karena eror aproksimat relatif absolut > 5%

jika iterasi <> iterasi maks, Iterasi 2 (ulang Step 2)

jika iterasi >= iterasi maks, STOP

38
 Newton-Raphson Method
Step 2 (Iterasi 2):
f x1
x2 x1
f ' x1

0.06242
0.06242 0.165 0.06242 3.993 10 4
3 2

3 0.06242 0.33 0.06242

2

3.97781 10 7
0.06242
8.90973 10 3

0.06242 4.4646 10 5
0.06238

Estimasi akar dari iterasi 2 39

 Newton-Raphson Method
Step 3 (Iterasi 2) :
x2 x1
a 100%
x2
0.06238 0.06242
100%
0.06238
0.0716%

40
 Newton-Raphson Method
Step 4 (Iterasi 2) :
Bandingkan a dengan toleransi eror s

a 0,0716% s 5% m = 2.844, jumlah angka penting yg benar pada

xi+1 = 0,06238 ada dua

jika iterasi <> iterasi maks, Iterasi 3 (ulang Step 2)

jika iterasi >= iterasi maks, STOP

41
 Newton-Raphson Method
Step 2 (Iterasi 3):
f x2
x3 x2
f ' x2

0.06238
0.06238 0.165 0.06238 3.993 10 4
3 2

3 0.06238 0.33 0.06238

2

4.44 10 11
0.06238
8.91171 10 3

0.06238 4.9822 10 9
0.06238

Estimasi akar dari iterasi 3 42

 Newton-Raphson Method
Step 3 (Iterasi 3) :

x2 x1
a 100%
x2
0.06238 0.06238
100%
0.06238
0%

43
 Newton-Raphson Method
Step 4 (Iterasi 2) :
Bandingkan a dengan toleransi eror s
Angka signifikan pada xi+1 = 0,06238 ada empat karena
a 0% s 5% hanya ada 4 angka signifikan yg digunakan pada
perhitungan

jika iterasi <> iterasi maks, Iterasi 3 (ulang Step 2)

jika iterasi >= iterasi maks, STOP

44
 Newton-Raphson Method
Keuntungan Newton-Raphson Method :
1. Konvergensi cepat (kuadratik), jika konvergen
2. Hanya perlu satu perkiraan awal

45
 Newton-Raphson Method
Kelemahan Newton-Raphson Method :
1. Divergensi pada titik infleksi

f x x 1 0.512 0
3

xi 1 xi
x
3
i 3
1 0.512
3 xi 1
2

Iteration xi
Number
0 5.0000
1 3.6560
2 2.7465
3 2.1084
4 1.6000
5 0.92589
6 30.119
7 19.746
18 0.2000 46
 Newton-Raphson Method
Kelemahan Newton-Raphson Method :
2. Pembagian dengan nol
f x x 3 0.03 x 2 2.4 10 6 0
xi3 0.03 xi2 2.4 10 6
xi 1 xi
3xi2 0.06 xi

x0 0 or x0 0.02 Pembagi = 0

47
 Newton-Raphson Method
Kelemahan Newton-Raphson Method :
3. Osilasi dekat maksimum atau minimum lokal
Dekat maksimum atau minimum lokal, tidak akan konvergen thd akar, tapi
konvergen thd nilai maks atau min lokal tsb.
Bisa terjadi pembagian dengan angka dekat nol dan bisa terjadi divergensi
Contoh :
f x x 2 2 0 Tidak ada akar real

Iteration
Number
xi f xi a %
0 1.0000 3.00
1 0.5 2.25 300.00
2 1.75 5.063 128.571
3 0.30357 2.092 476.47
4 3.1423 11.874 109.66
5 1.2529 3.570 150.80
6 0.17166 2.029 829.88
7 5.7395 34.942 102.99
8 2.6955 9.266 112.93
9 0.97678 2.954 175.96
48
 Newton-Raphson Method
Kelemahan Newton-Raphson Method :
4. Root Jumping
Jika f(x) berosilasi dan memiliki lebih dari satu akar, misalkan perkiraan akar awal
yg dipilih lebih dekat ke suatu akar, tapi bisa loncat dan konvergen ke akar
yang lain
1.5
f(x)
Contoh : 1

f x sin x 0 0.5

x
Pilih x0 2.4 7.539822 -2
0
0 2 4 6 8 10
-0.06307 0.5499 4.461 7.539822
-0.5
Seharusnya konvergen ke

x 2 6.2831853 -1

Tapi, konvergen ke x 0 -1.5

49
Implementasi Newton-Raphson Method
MATLAB :

50
Implementasi Newton-Raphson Method
MATLAB :

Contoh: f(x) = x2 9 = 0
51
Implementasi MATLAB : Newton-Raphson Method

52
 Secant Method
f(x)

AB DC
f(xi) B
AE DE

f ( xi ) f ( xi 1 )

xi xi 1 xi 1 xi 1
C
f(xi-1) f ( xi )( xi xi 1 )
xi 1 xi
E D A
f ( xi ) f ( xi 1 )
X
xi+1 xi-1 xi

Representasi geometrik metode secan

53
 Secant Method
Algoritma Metode Secan :
Step 1:
Pilih xi dan xi-1

f ( xi )( xi xi 1 )
Hitung xi+1, di mana xi 1 xi
f ( xi ) f ( xi 1 )
Step 2:
Hitung eror aproksimat relatif absolut a

xi 1- xi
a = 100%
xi 1

54
 Secant Method
Step 3:
Bandingkan a dengan toleransi eror s

1) Jika a s , maka ulangi Step 1

Note: sebelum ulangi Step 1,
cek iterasi apakah sudah sama dengan iterasi maks
2) Jika <=, maka akar ialah xi+1, stop algoritma

55
 Secant Method
Contoh : Bola Apung
Bola yg mengapung memiliki gravitasi spesifik 0,6
dan jari-jari 5,5 cm. Persamaan kedalaman bagian
bola di bawah permukaan air (x) :

x 3 0.165 x 2 3.993 10 4 0

a) Gunakan Secant Method utk menentukan x

b) Hitung eror aproksimat relatif absolut utk setiap
iterasi
c) Hitung jumlah angka signifikan yang benar utk
setiap iterasi Diagram bola apung

56
 Secant Method
Contoh : Bola Apung

Diagram bola apung

R = jari-jari bola
0 x 2R
0 x 2 0.055
f x x 3 0.165 x 2 3.993 10 - 4 0 x 0.11

57
 Secant Method
Step 1:
x1 0.02
x0 0.05

Step 2: Estimasi akar dari iterasi 1

f x0 x0 x1
x1 x0
f x0 f x1

0.05
0.05 0.165 0.05
3 2

3.993 10 4 0.05 0.02

0.053 0.165 0.05 3.993 10 4 0.023 0.165 0.02 3.993 10 4
2 2

0.06461

Step 3:
x1 x0
a 100%
x1
0.06461 0.05
100%
0.06461
22.62%
58
 Secant Method
Step 4 :
Bandingkan a dengan toleransi eror s
Angka signifikan pada akar perkiraan xi+1 = 0.06461 tidak
a 22,62% s 5% ada yg benar karena eror aproksimat relatif absolut > 5%

jika iterasi <> iterasi maks, Iterasi 2 (ulang Step 1)

jika iterasi >= iterasi maks, STOP

59
 Secant Method
Step 1 (Iterasi 2) :
x0 0.05
x1 0.06461
Step 2 (Iterasi 2) :
f x1 x1 x0
x2 x1
f x1 f x0

0.06461
0.06461 0.165 0.06461
3 2

3.993 10 4 0.06461 0.05

0.064613 0.165 0.06461 3.993 10 4 0.053 0.165 0.05 3.993 10 4
2 2

0.06241

Step 3 (Iterasi 2) :

x2 x1
a 100
x2
0.06241 0.06461
100
0.06241
3.525% Estimasi akar
dari iterasi 2 60
 Secant Method
Step 4 (Iterasi 2):
Bandingkan a dengan toleransi eror s

a 3,525% s 5% Angka signifikan yg benar pada xi+1 = 0,06241 setidaknya ada

satu karena eror aproksimat relatif absolut <= 5%

jika iterasi <> iterasi maks, Iterasi 3 (ulang Step 1)

jika iterasi >= iterasi maks, STOP

61
 Secant Method
Step 1 (Iterasi 3) :
x0 0.05
x1 0.06461
Step 2 (Iterasi 3) :
f x2 x2 x1
x3 x2
f x2 f x1

0.06241
0.06241 0.165 0.06241
3 2

3.993 10 4 0.06241 0.06461

0.062413 0.165 0.06241 3.993 10 4 0.053 0.165 0.06461 3.993 10 4
2 2

0.06238

Step 3 (Iterasi 3) :
x3 x2
a 100%
x3
0.06238 0.06241
100%
0.06238
0.0595% Estimasi akar
dari iterasi 3 62
 Secant Method
Step 4 (Iterasi 3):
Bandingkan a dengan toleransi eror s

a 0,595% s 5% Angka signifikan yg benar pada xi+1 = 0,06238 setidaknya ada 4

karena eror aproksimat relatif absolut <= 0,6%

jika iterasi <> iterasi maks, Iterasi 4 (ulang Step 1)

jika iterasi >= iterasi maks, STOP

63
 Secant Method
Keuntungan Secant Method :
1. Konvergensi cepat, jika konvergen
2. Dua perkiraan akar awal tidak harus mengurung (bracket) akar yg dicari

64
 Secant Method
Kelemahan Secant Method :
1. Pembagian dengan nol

2
2

f ( x)
0
f ( x)
f ( xi )( xi xi 1 ) 0

xi 1 xi f ( x)

f ( xi ) f ( xi 1 )
1

2 2
10 5 0 5 10
10 x x guess1 x guess2 10
f(x)
prev. guess
new guess

f x Sin x 0

65
 Secant Method
Kelemahan Secant Method :
2. Root jumping

2
2

f ( x)

f ( x)
0
f ( x) 0
secant ( x)

f ( x)

2 2
10 5 0 5 10
10 x x 0 x 1' x x 1 10
f(x)
x'1, (first guess)
x0, (previous guess) f x Sinx 0
Secant line
x1, (new guess)

66
 Quis
1. [Benar atau Salah] Jika f(x) f(xu) < 0 maka sign f(x) <> sign f(xu)

2. [Benar atau Salah] Formula perkiraan akar pada suatu iterasi utk metode
bisection adalah xm = (x + xu)/4

3. [Benar atau Salah] Formula perkiraan akar pada suatu iterasi utk metode
Newton-Raphson adalah
f ' xi
xi 1 = xi -
f xi
4. [Benar atau Salah] Formula perkiraan akar pada suatu iterasi utk metode
secan adalah
f ( xi )( xi xi 1 )
xi 1 xi
f ( xi ) f ( xi 1 )

5. Akar perkiraan pada iterasi 2 ialah 0,0888. Akar perkiraan pada iterasi 1 ialah
0,0666. Berapakah eror aproksimat relatif absolut pada iterasi 2 ?

x2 x1 0.0888 0.0666
a 100% 100% 25%
x2 0.0888
67
PR 1

68
 Referensi
1. http://numericalmethods.eng.usf.edu
2. Chapra, S.T. & Canale, R.P., Numerical Methods for Engineers, 6th ed.,
McGraw Hill, 2010
3. Chapra, S.T., Applied Numerical Method with Matlab for Engineers &
Scientists, 3rd ed., McGraw Hill, 2012

69
T h e E n d

70
http://www.hungryforchange.tv/article/22-habits-of-happy-people