2.

Konsep Error

1
 Error

Jika â adalah nilai hampiran terhadap nilai sejati a

maka selisih â dengan a disebut dengan error.
ε=a–â
error lebih berarti jika diketahui perbandingan dengan nilai
aslinya yang disebut error relatif :
εR = ε / a atau εR = ε / a x 100%
Untuk kasus dimana nilai asli sulit didapatkan, sehingga
digunakan nilai hampiran hasil iterasi :

εRA = (ar+1 – ar) / ar+1

2
 Sumber Utama Error

 Round-off Error
– diakibatkan keterbatasan komputer menyimpan detail
bilangan riil.
– Panjang bilangan yang melebihi kemampuan media
penyimpanan akan dibulatkan (ke atas)
 Truncation Error
– Diakibatkan oleh adanya penghentian komputasi tak hingga
menjadi berbatas.
– Digunakan hampiran sebagai pengganti formula yang
eksak.

3
 Angka Penting

 Angka yang dapat digunakan secara pasti.

 Angka penting akan terlihat dengan pasti jika
ditulis dalam notasi ilmiah. Jumlah angka
penting terletak pada jumlah digit mantis.

4
 Bilangan Floating Point
 Formula bilangan floating point :
a = + m x b +p
Dimana :
m = mantis(riil)
b = basis
p = pangkat (bilangan bulat positif)
 Format standar floating point :
– Single (32 bit)
– Double (64 bit)
– Setiap format terdiri 3 field (sign bit,eksponen bit dan
fraction bit)

5
 Bilangan Floating Point (Cont.)

 Bilangan Floating Point Ternormalisasi

– Untuk menyeragamkan penyajian
– Agar semua digit mantis merupakan angka
penting
– Format :
a = + m x b + p = +0.d1d2d3d4..dn x b + p
dengan syarat 1<d1<b-1 dan 0<dk<b-1 untuk k>1.

6
 Epsilon Mesin

 Setiap komputer memiliki kemampuan menyimpan

detail bilangan positif terkecil.
 Epsilon mesin (μ) didefinisikan sebagai bilangan
positif terkecil sedemikian sehingga 1 + μ > 1
 Gap (Δx) adalah jarak antara sebuah bilangan
floating point dengan bilangan floating point
berikutnya, formulanya :
Δx = μ x R
R adalah bilangan floating point sekarang.

7
 Epsilon Mesin (Cont.)

3 5
Negative Positive
underflow underflow

1 2 4 6 7
Negative Expressible Zero Expressible Positive
overflow Negative numbers Positive numbers overflow

-1099 -10-100 0 10-100 1099

Gambar Rentang Bilangan Floating Point

8
 Pembulatan pada Floating Point
 Pemenggalan (chopping)
Digit bilangan yang lebih banyak daripada digit mantis komputer akan
mengalami pemenggalan
a = +0.d1d2d3…dndn+1… x 10+p
Dengan n digit mantis pada komputer akan menjadi :
flchop(a) = +0.d1d2d3…dn x 10+p

 Contoh :
Bilangan π = 0.31415926535897…. x 100
Pada komputer dengan mantis 7 bit menjadi
flchop(π) = 0.3141592 x 100
error = 0.000000065…

Bilangan biner untuk hasil 1/10 (basis 10) = (0.00011001100110011…) 2

Dinormalkan dan dipenggal dengan mantis 32 bit :
flchop(1/10) ≈ (0.11001100110011001100110011001100 )2 x 2-3
maksimum error pemenggalan adalah ∆x.
9
 Pembulatan pada Floating Point
(Cont.)

 Pembulatan ke digit terdekat (in-rounding)

 Bilangan basis 10
a = +0.d1d2d3…dndn+1… x 10+p
Pembulatan dengan n digit mantis menjadi :
flround(a) = +0.d1d2d3…z x 10+p
Z dalam hal ini :
z = dn jika dn+1 < 5
dn + 1 jika dn+1 > 5
dn jika dn+1 = 5 dan n genap
dn + 1 jika dn+1 = 5 dan n ganjil
 Contoh :
Bilangan basis 10
π = 0.31415926535897…. x 100
flround(π) = 0.3141593 x 100
Bilangan basis 2
Batas maksimum galat : ∆x /2

10
 Pembulatan pada Floating Point
(Cont.)

Error mutlak ke digit terdekat :

| a – fl(a) | =
| +0.d1d2d3…dndn+1… x 10+p - +0.d1d2d3…dn x 10+p | < ( ½ x 10–n ) x 10+p
= ( ½ x 10–n ) x a/m (karena 10+p = a/m)
< 5a x 10-n

11
 Aritmatika Bilangan Floating Point

 Teorema pada Aritmatika Bilangan Floating

point.
 Jika a dan b adalah bilangan floating point
maka :
i) fl(a + b) = (a + b)(1 + ε1)
ii) fl(a – b) = (a – b)(1 + ε2)
iii) fl(ab) = (ab)(1 + ε3)
iv) fl(a/b) = (a/b)(1 + ε4)
Yang dalam hal ini | εi | < 5 x 10-n = e, i = 1,2,3,4

12
 Aritmatika Bilangan Floating Point
(Cont.)

Operasi Penjumlahan & Pengurangan

 Harus ada penyamaan pangkat : kiri atau kanan ?
 Geser kiri  kehilangan bit penting
 Geser kanan  kehilangan lebih sedikit bit penting
(error lebih kecil ?)
 Penjumlahan bilangan kecil ke besar menyebabkan
error pembulatan  hilang angka penting akibat
pergeseran
 Pengurangan 2 bilangan yang hampir sama
menghasilkan bilangan nol pada digit mantis yang
paling penting

13
 Aritmatika Bilangan Floating Point
(Cont.)

 Perkalian dan pembagian tidak memerlukan

penyamaan pangkat

14
 Perambatan Error
 Pada suatu proses komputasi yang memiliki error
akan menyebabkan penumpukkan error apabila
proses tersebut dilakukan secara beruntun.
 Menyebabkan hasil yang menyimpang dari
sebenarnya  kondisi tidak stabil (ketidakstabilan
numerik)
 Kondisi Stabil : error pada hasil antara memiliki
pengaruh yang sedikit pada hasil akhir.
 Ketidakstabilan matematik : kondisi yang timbul
karena hasil perhitungan sangat peka terhadap
perubahan kecil data.

15
 Ketidakstabilan

 Dikatakan tidak stabil jika hasil tidak teliti sebagai

akibat metode komputasi yang dipilih.
 Contoh :
– F(x) =x (√(x+1)- √ x), hitung f(500) sampai 6 angka penting,
solusi asli =11.174755300747198…
– F(x) = √(x+1)- √ x, hitung f(12345) sampai 6 angka penting ,
solusi asli = 0.00450003262627751
– Cari akar-akar polinom x2 – 40x + 2 = 0 sampai 4 angka
penting
– F(x) = (ex -1- x) / x2 hitung f(0.01) sampai angka 6 penting

16
 Kondisi Buruk

 Persoalan dikatakan berkondisi buruk bila

jawabannya sangat peka terhadap
perubahan kecil data atau error pembulatan.
 Contoh :
– x2 -4x + 3.999 = 0  akar-akar x1 = 2.032 dan x2
= 1.968
– x2 -4x + 4.000 = 0  akar-akar x1 = x2 = 2.000
– x2 -4x + 4.001 = 0  akar-akarnya imajiner

17
 Bilangan Kondisi

 Bilangan kondisi didefinisikan sebagai :

 Bilangan Kondisi = |εRA [f(â)]/ εRA (â)| = |â f’(a)/f(â)|
 Arti bilangan kondisi :
– Bilangan kondisi = 1, galat relatif hampiran fungsi sama
dengan galat relatif x
– Bilangan kondisi >1, galat relatif hampiran diperkuat
– Bilangan kondisi <1, galat relatif hampiran diperlemah
 Kondisi buruk  bilangan kondisi besar
 Kondisi baik  bilangan kondisi kecil

18