Diferensias

i Numerik
Diferensiasi
Numerik
 Nama anggota
kelompok 6 :
Muhammad Yayang Subekti
Ikrof Bayu Heka Rahmat
Dwi Bagas Prayoga
Salsabila
Ahmad Abdul Rohib
Bekti Utomo
21.1 INTRODUCTION AND
BACKGROUND
● Kalkulus adalah matematika perubahan. Berdiri di jantung kalkulus
adalah konsep matematika diferensiasi.
● Menurut definisi kamus, membedakan berarti “menandai dengan
perbedaan; membedakan; . . . untuk merasakan perbedaan di dalam atau
di antara.” Secara matematis, turunan, yang berfungsi sebagai
kendaraan fundamental untuk diferensiasi, mewakili tingkat perubahan
variabel dependen terhadap variabel independen. Seperti yang
digambarkan pada Gambar 21.1, definisi matematis dari turunan dimulai
dengan pendekatan perbedaan:
Di mana y dan f (x) adalah perwakilan alternatif untuk variabel dependen dan x adalah variabel
independen. Jika x dibiarkan mendekati nol, seperti yang terjadi pada perpindahan dari Gambar
21.1a
Di mana dy/dx [yang juga dapat dinyatakan sebagai y atau adalah turunan pertama dari y terhadap x
yang dievaluasi pada xi . Seperti terlihat pada penggambaran visual Gambar 21.1c, turunannya adalah
kemiringan garis singgung kurva di xi.
Turunan kedua merupakan turunan dari turunan pertama,

Jadi, turunan kedua memberitahu kita seberapa cepat kemiringan berubah. Hal ini biasa disebut
sebagai kelengkungan, karena nilai turunan kedua yang tinggi berarti kelengkungan yang tinggi.
Akhirnya, turunan parsial digunakan untuk fungsi yang bergantung pada lebih dari satu variabel.
Turunan parsial dapat dianggap sebagai mengambil turunan dari fungsi pada suatu titik dengan semua
kecuali satu variabel tetap konstan. Sebagai contoh, diberikan fungsi f yang bergantung pada x dan y,
turunan parsial f terhadap x pada titik sembarang (x, y) didefinisikan sebagai :
Demikian pula, turunan parsial dari f terhadap y didefinisikan sebagai :

21.2 FORMULAS DIFERENSIASI AKURASI TINGGI

Tingkat akurasi formula disebabkan oleh jumlah suku deret Taylor yang dipertahankan selama
penurunan rumus. Formula differensiasi akurasi tinggi mampu untuk mengilustrasikan bagaimana
perbedaan yang ada hingga akurasi tertinggi. Hal yang dapat dilakukan ialah mula-mula dengan
memasukkan suku tambahan dari ekspansi deret Taylor untuk menghasilkjan tingkat akurasi
tinggi.
Sebagai contoh, ekspansi deret Taylor maju dapat ditulis sebagai berikut :
Perhatikan bahwa penyertaan suku turunan kedua telah meningkatkan akurasi menjadi O(h2). Versi
peningkatan serupa dapat dikembangkan untuk formula mundur dan terpusat untuk aproksimasi
turunan orde tinggi. Rumus-rumus tersebut dirangkum dalam Gambar 21.3 sampai Gambar 21.5
bersama dengan versi orde rendah dari Bab. 4.

Contoh berikut mengilustrasikan kegunaan rumus ini untuk menaksir turunan.

di x = 0,5 menggunakan perbedaan hingga dan ukuran langkah h = 0,25. Hasilnya diringkas dalam
tabel berikut. Perhatikan bahwa kesalahan didasarkan pada nilai sebenarnya dari f’(0,5) = 0,9125.
 Ulangi perhitungan ini, tetapi gunakan rumus akurasi
tinggi dari Gambar 21.3 sampai Gambar 21.5 dengan
rumus selisih hingga ke depan dan ke belakang.

Gambar 21.3 Forward finite-difference formulas

Gambar 21.4 Backward finite-difference formulas
Seperti yang diharapkan, kesalahan untuk perbedaan maju dan mundur jauh lebih akurat daripada
hasil dari Contoh 4.4. Namun, secara mengejutkan, perbedaan pusat menghasilkan turunan eksak
pada x = 0,5. Ini karena rumus berdasarkan deret Taylor ekivalen dengan melewatkan polinomial
orde empat melalui titik-titik data.
21.3 RICHARDSON EXTRAPOLATION

Ada dua cara untuk meningkatkan estimasi turunan ketika menggunakan perbedaan terbatas:
(1) kurangi ukuran langkah atau
(2) gunakan rumus tingkat tinggi yang mempekerjakan lebih banyak poin.
Pendekatan ketiga, berdasarkan ekstrapolasi Richardson, menggunakan dua perkiraan turunan
untuk menghitung perkiraan ketiga yang lebih akurat. ekstrapolasi Richardson menyediakan sarana
untuk mendapatkan peningkatan estimasi integral dengan rumus
(21.1)
di mana I(h1) dan I(h2) merupakan taksiran integral menggunakan dua ukuran langkah: h 1 dan h2.
Karena
kenyamanannya ketika dinyatakan sebagai algoritma komputer, rumus ini biasanya ditulis
untuk kasus di mana h2 = h1/2, seperti pada
(21.2)

Dengan cara yang sama, dapat ditulis untuk turunan sebagai

D= (21.3)
Untuk aproksimasi perbedaan pusat dengan O(h 2), penerapan rumus ini akan menghasilkan
estimasi turunan baru dari O(h4).
Contoh :
perkirakan turunan pertama pada x = 0,5 dengan menggunakan ukuran langkah h 1 = 0,5 dan h2 = 0,25.
Kemudian gunakan Persamaan. (21.3) untuk menghitung perkiraan yang lebih baik dengan
ekstrapolasi Richardson. Ingatlah bahwa nilai sebenarnya adalah 0,9125.
Estimasi turunan pertama dapat dihitung dengan perbedaan terpusat sebagai:
D(0.5) = = −1.0 εt = −9.6%
dan
D(0.25) = = −0.934375 εt = −2.4%
Estimasi yang ditingkatkan dapat ditentukan dengan menerapkan Persamaan. (21.3) untuk memberi
D = (−0.934375) − (−1) = −0.9125
yang untuk kasus ini tepat.
 21.4 TURUNAN DATA YANG BERSPASI TIDAK SAMA
Pendekatan yang dibahas pada poin ini terutama dirancang untuk menentukan turunan dari
fungsi yang diberikan. Untuk perkiraan perbedaan hingga dari sub bab. 21.2, datanya harus
berjarak merata. Untuk teknik ekstrapolasi Richardson dari Sub bab. 21.3, data juga harus
ditempatkan secara merata dan dihasilkan untuk interval yang dibelah dua secara berurutan.
Kontrol seperti ruang data biasanya hanya tersedia dalam kasus di mana kita dapat
menggunakan fungsi untuk menghasilkan tabel nilai. Sebaliknya, informasi yang diturunkan secara
empiris—yaitu, data dari eksperimen atau lapangan studi-sering dikumpulkan pada interval yang
tidak sama. Salah satu cara untuk menangani data nonequispaced adalah dengan menyesuaikan
polinomial interpolasi Lagrange [ingat Persamaan. (17.21)] ke satu set titik berdekatan yang
mengurung nilai lokasi di mana Anda ingin mengevaluasi turunannya. Polinomial kemudian dapat
dibedakan secara analitis untuk menghasilkan rumus yang dapat digunakan untuk menaksir
turunan.
Misalnya, Anda dapat memasukkan polinomial Lagrange orde kedua ke tiga titik yang berdekatan
(x0, y0),(x1, y1), dan (x2, y2). Membedakan hasil polinomial:

f (x) = f (x0) 2x x1 x2 (x0 x1)(x0 x2) + f (x1) 2x x0 x2 (x1 x0)(x1 x2) + f (x2) 2x x0 x1 (x2 x0)(x2 x1)
 f (x) = f (x0) 2x x1 x2 (x0 x1)(x0 x2) + f (x1) 2x x0 x2 (x1 x0)(x1 x2) + f (x2) 2x x0 x1 (x2 x0)(x2 x1)

Di mana x adalah nilai di mana Anda ingin memperkirakan turunannya. Meskipun persamaan ini
adalah tentu saja lebih rumit daripada pendekatan turunan pertama dari Gambar 21.3 sampai
Gambar 21.5, memiliki beberapa keunggulan penting. Pertama, dapat memberikan perkiraan di mana
saja dalam kisaran yang ditentukan oleh tiga poin. Kedua, poin itu sendiri tidak memiliki agar berjarak
sama. Ketiga, taksiran turunan memiliki akurasi yang sama dengan yang dipusatkan perbedaan
[Persamaan. (4.25)]. Sebenarnya, untuk titik-titik yang berjarak sama, Persamaan. (21.21) dievaluasi
pada x = x1 re- mengurangi Persamaan. (4.25).

Pernyataan masalah. Seperti pada Gambar. 21.6, gradien suhu dapat diukur ke dalam tanah. Fluks panas pada
antarmuka tanah-udara dapat dihitung dengan hukum Fourier (Tabel 21.1): q(z = 0) = k dT dz z=0

f (0) = 13,5 2(0) 0,0125 0,0375 (0 0,0125)(0 0,0375) + 12 2(0) 0 0,0375 (0,0125 0)(0,0125 0,0375) +
10 2(0) 0 0,0125 (0,0375 0) (0,0375 0,0125) = 1440 + 1440 133.333 = 133,333 K /m

yang dapat digunakan untuk menghitung

q(z = 0) = 0,5 W m K 133,333 K m = 66,667 W m2
21.5 DERIVATIF DAN INTEGRAL UNTUK DATA DENGAN KESALAHAN
Selain jarak yang tidak sama, masalah lain yang terkait dengan pembedaan data empiris adalah
bahwa data ini biasanya mencakup kesalahan pengukuran. Kekurangan diferensiasi numerik adalah
bahwa ia cenderung memperkuat kesalahan dalam data.

Gambar a menunjukkan data yang halus dan bebas

kesalahan yang ketika dibedakan secara numerik
menghasilkan hasil yang mulus (Gbr. b). Sebaliknya,
Gambar c menggunakan data yang sama, tetapi
dengan titik bergantian dinaikkan dan diturunkan
sedikit. Modifikasi kecil ini hampir tidak terlihat dari
Gambar c. Namun, efek yang dihasilkan pada
Gambar d adalah signifikan.

Amplifikasi kesalahan terjadi karena diferensiasi bersifat subtraktif. Oleh karena itu, kesalahan positif
dan negatif acak cenderung bertambah. Pendeketan utama untuk menentukan derivatif untuk data
yang tidak tepat adalah dengan menggunakan regresi kuadrat terkecil agar sesuai dengan fungsi data
yang halus dan dapat dibedakan. Jika hubungan fungsional yang benar antara variabel dependen dan
independen diketahui, hubungan ini harusnya membentuk dasar untuk kuadrat terkecil yang cocok
atau serupa.
21.6 DERIVATIF PARSIAL
Derivatif parsial sepanjang satu dimensi dihitung dengan cara
yang sama seperti derivatif biasa. Sebagai contoh, misalkan
kita ingin menentukan turunan parsial untuk fungsi dua dimensi
f (x, y). Untuk data yang sama spasinya, turunan pertama
parsial dapat be diperkirakan dengan perbedaan terpusat:

Untuk derivatif tingkat tinggi, kita membedakan fungsi

hubungan dengan dua atau lebih variabel yang berbeda.
Hasilnya disebut derivative parsial campuran. Sebagai contoh,
kita mungkin ingin mengambil turunan parsial dari f (x, y)
sehubungan dengan kedua variabel independen
Untuk mengembangkan pendekatan perbedaan terbatas, pertama-tama kita dapat membentuk perbedaan
dalam x derivatif parsial dalam y:
21.7 DIFERENSIASI NUMERIK DENGAN MATLAB
Perangkat lunak MATLAB memiliki kemampuan untuk menentukan turunan data berdasarkan
dua fungsi bawaan: diff dan gradien
Fungsi gradien juga mengembalikan perbedaan. Namun, ia melakukannya dengan cara yang lebih
kompatibel dengan mengevaluasi turunan pada nilai itu sendiri daripada di interval antar nilai.
Representasi sederhana dari sintaksnya adalah

fx = gradien (f)
di mana f = vektor satu dimensi dengan panjang n, dan fx adalah vektor dengan panjang n yang
mengandung perbedaan berdasarkan f. Sama seperti fungsi diff, nilai pertama yang dikembalikan
adalah selisih antara nilai pertama dan kedua. Namun, untuk nilai-nilai antara, perbedaan terpusat
berdasarkan nilai-nilai yang berdekatan dikembalikan

Nilai terakhir kemudian dihitung sebagai perbedaan antara dua nilai terakhir. Oleh karena itu, hasilnya
mirip dengan menggunakan perbedaan terpusat untuk semua nilai antara, dengan forward
dan perbedaan ke belakang di ujungnya. Perhatikan bahwa jarak antar titik diasumsikan satu. Jika vektor
mewakili data dengan jarak yang sama, versi berikut membagi semua hasil dengan interval dan karenanya
mengembalikan nilai sebenarnya dari turunan,
fx = gradient(f, h) dimana h = jarak antar titik
[fx,fy] = gradient(f, h)

di mana fx sesuai dengan perbedaan dalam arah x (kolom), dan fy sesuai terhadap perbedaan
arah y (baris), dan h = jarak antar titik. Jika h adalah dihilangkan, jarak antara titik di kedua
dimensi dianggap satu. Berikutnya bagian, kami akan menggambarkan bagaimana gradien dapat
digunakan untuk memvisualisasikan bidang vector.
Latar belakang.

Di luar penentuan turunan dalam satu dimensi, gradien.

Fungsi ini juga cukup berguna untuk menentukan turunan parsial dalam dua dimensi atau lebih.
Secara khusus, ini dapat digunakan bersama dengan fungsi MATLAB lainnya untuk menghasilkan
visualisasi bidang vektor.
Untuk memahami bagaimana ini dilakukan, kita dapat kembali ke pembahasan kita tentang turunan
parsial di akhir Bagian 21.1.1. Ingatlah bahwa kita menggunakan elevasi gunung sebagai contoh a
fungsi dua dimensi. Kita dapat merepresentasikan fungsi seperti itu secara matematis sebagai

z = f (x, y)

di mana z = ketinggian, x = jarak yang diukur sepanjang sumbu timur-barat, dan y = jarak
diukur sepanjang sumbu utara-selatan.
Terima
kasih