You are on page 1of 287

Komputasi untuk Sains dan Teknik

-Menggunakan Matlab-

Supriyanto Suparno
( Website: http://supriyanto.fisika.ui.ac.id )
( Email: supriyanto@sci.ui.ac.id atau supri92@gmail.com )
Edisi Pertama
Revisi terakhir tgl: 24 Oktober 2014

Departemen Fisika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Univeristas Indonesia
2014

Untuk
Muflih Syamil
Hasan Azmi
Farah Raihana
Nina Marliyani

Usia bukan ukuran kedewasaan

Ketekunan adalah jalan terpercaya menuju kesuksesan

Kata Pengantar

Segala puji saya panjatkan kepada Tuhan Yang Maha Esa atas kesempatan yang telah Dia diberikan untuk menulis Buku Komputasi untuk Sains dan Teknik. Buku ini disusun dengan tujuan
yaitu, pertama, untuk memperkenalkan sejumlah metode komputasi numerik kepada mahasiswa sarjana ilmu sika; kedua, memperkenalkan tahap-tahap pembuatan program komputer
(script) dan logika pemrograman dalam bahasa Matlab untuk memecahkan problem sika secara numerik. Rujukan utama buku adalah pada buku teks standar yang sangat populer di dunia
komputasi, yaitu buku yang ditulis oleh Richard L. Burden dan J. Douglas Faires dengan judul
Numerical Analysis edisi ke-7, diterbitkan oleh Penerbit Brooks/Cole, Thomson Learning Academic Resource Center. Namun demikian, buku ini telah dilengkapi dengan sejumlah contoh
script yang mudah dipahami oleh programmer pemula.
Walaupun buku ini masih jauh dari sempurna, semoga ia dapat memberikan sumbangan
yang berarti untuk peningkatan kapasitas dan kompetensi anak bangsa generasi penerus. Bagi
yang ingin berdiskusi, memberikan masukan, kritikan dan saran, silakan dikirimkan ke email:
supriyanto@sci.ui.ac.id
Akhirnya saya ingin mengucapkan rasa terima kasih yang tak terhingga kepada Dede Djuhana yang telah berkenan memberikan format LATEX-nya sehingga tampilan tulisan pada buku
ini benar-benar layaknya sebuah buku yang siap dicetak. Tak lupa, saya pun berterima kasih
kepada seluruh mahasiswa yang telah mengambil mata kuliah Komputasi Fisika dan Anaisis Numerik di Departemen Fisika, FMIPA, Universitas Indonesia atas diskusi yang berlangsung selama
kuliah. Kepada seluruh mahasiswa dari berbagai universitas di Timur dan di Barat Indonesia
juga saya ungkapkan terima kasih atas pertanyaan-pertanyaan yang turut memperkaya isi buku
ini. Tak lupa saya ingin sampaikan rasa terima kasih kepada Dikti, Kementerian Pendidikan dan
Kebudayaan, RI atas segala dukungan dan apresiasi terhadap penerbitan buku ini.

Depok, 24 Oktober 2014


Supriyanto Suparno

iii

iv

Daftar Isi

Lembar Persembahan

Kata Pengantar

iii

Daftar Isi

iii

Daftar Gambar

ix

Daftar Tabel

xiii

1 Pendahuluan

1.1 Inisialisasi variabel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2 Perhitungan yang berulang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3 Mengenal cara membuat grak . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.1 Gerak mobil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.2 Osilasi teredam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4 Baris-baris pembuka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.5 Membuat 2 grak dalam satu gambar . . . . . . . . . . . . . . . . . . . . . . . . .

1.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

2 Matriks dan Komputasi

15

2.1 Mengenal matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

2.2 Vektor-baris dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

2.3 Inisialisasi matriks dalam memori komputer . . . . . . . . . . . . . . . . . . . . .

16

2.4 Macam-macam matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

2.4.1 matriks transpose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

2.4.2 matriks bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

2.4.3 Matrik simetrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

2.4.4 matriks diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

2.4.5 matriks identitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

2.4.6 matriks upper-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

2.4.7 matriks lower-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

2.4.8 matriks tridiagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

2.4.9 matriks diagonal dominan . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

2.4.10 matriks positive-definite . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

2.5 Operasi matematika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

2.5.1 Penjumlahan matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

2.5.2 Komputasi penjumlahan matriks . . . . . . . . . . . . . . . . . . . . . . .

21

vi
2.5.3 Perkalian matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

2.5.4 Komputasi perkalian matriks . . . . . . . . . . . . . . . . . . . . . . . . .

27

2.5.5 Perkalian matriks dan vektor-kolom

. . . . . . . . . . . . . . . . . . . . .

35

2.5.6 Komputasi perkalian matriks dan vektor-kolom . . . . . . . . . . . . . . .

36

2.6 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39

2.7 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

3 Fungsi

41

3.1 Fungsi internal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

41

3.2 Fungsi eksternal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

3.3 Fungsi eksternal pada operasi matrik . . . . . . . . . . . . . . . . . . . . . . . . .

44

3.4 Fungsi eksternal penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . .

46

3.5 Fungsi eksternal perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . .

47

3.6 Fungsi eksternal perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . . .

49

3.7 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

3.8 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

52

4 Aplikasi dalam Sains


4.1 Metode gravitasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5 Mencari Solusi Satu Variabel

55
55
65

5.1 Denisi akar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

65

5.2 Metode bisection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

65

5.2.1 Script Matlab metode bisection . . . . . . . . . . . . . . . . . . . . . . . .

69

5.3 Metode Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

72

5.3.1 Contoh 1: penerapan metode Newton . . . . . . . . . . . . . . . . . . . .

72

5.3.2 Script metode Newton untuk contoh 1 . . . . . . . . . . . . . . . . . . . .

75

5.3.3 Contoh 2: penerapan metode Newton . . . . . . . . . . . . . . . . . . . .

76

5.4 Soal-soal Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

78

6 Integral Numerik

79

6.1 Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

79

6.2 Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

80

6.3 Peran faktor pembagi, n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

82

6.3.1 Source code metode integrasi . . . . . . . . . . . . . . . . . . . . . . . . .

82

6.4 Metode Composite-Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

83

6.5 Adaptive Quardrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

85

6.6 Gaussian Quadrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

85

6.6.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

86

6.6.2 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

86

vii
7 Diferensial Numerik

89

7.1 Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

89

7.2 Metode Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

95

7.2.1 Aplikasi: Pengisian muatan pada kapasitor . . . . . . . . . . . . . . . . . .

98

7.3 Latihan I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103


7.4 Metode Finite Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.4.1 Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.5 Latihan II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.6 Persamaan Diferensial Parsial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.7 PDP eliptik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.7.1 Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.7.2 Script Matlab untuk PDP Elliptik . . . . . . . . . . . . . . . . . . . . . . . 119
7.7.3 Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.8 PDP parabolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.8.1 Metode Forward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.8.2 Contoh ketiga: One dimensional heat equation . . . . . . . . . . . . . . . . 124
7.8.3 Metode Backward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7.8.4 Metode Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.9 PDP Hiperbolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.9.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
7.10 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
8 Metode Iterasi

141

8.1 Kelebihan Vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141


8.2 Pengertian Norm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
8.2.1 Script perhitungan norm dua . . . . . . . . . . . . . . . . . . . . . . . . . 142
8.2.2 Script perhitungan norm tak hingga
8.2.3 Perhitungan norm-selisih

. . . . . . . . . . . . . . . . . . . . . 143

. . . . . . . . . . . . . . . . . . . . . . . . . . . 143

8.3 Iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144


8.3.1 Script metode iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8.3.2 Stopping criteria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
8.3.3 Fungsi eksternal iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . 157
8.4 Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
8.4.1 Script iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.4.2 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
8.4.3 Script iterasi Gauss-Seidel dalam Fortran . . . . . . . . . . . . . . . . . . . 166
8.5 Iterasi dengan Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
8.5.1 Algoritma Iterasi Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
9 Metode Eliminasi Gauss

171

9.1 Sistem persamaan linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171


9.2 Teknik penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172

viii
9.2.1 Cara menghilangkan sebuah variabel . . . . . . . . . . . . . . . . . . . . . 173
9.2.2 Permainan indeks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
9.3 Triangularisasi dan Substitusi Mundur . . . . . . . . . . . . . . . . . . . . . . . . 174
9.3.1 Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
9.3.2 Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
9.4 Matrik dan Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
9.4.1 Matrik Augmentasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
9.4.2 Penerapan pada contoh pertama . . . . . . . . . . . . . . . . . . . . . . . 178
9.4.3 Source-code dasar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
9.4.4 Optimasi source code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
9.4.5 Pentingnya nilai n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
9.4.6 Jangan puas dulu.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
9.4.7 Pivoting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
9.5 Function Eliminasi Gauss

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192

9.6 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194


9.6.1 Menghitung arus listrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
9.6.2 Mencari invers matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
9.7 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
10 Aplikasi Eliminasi Gauss pada Masalah Inversi

205

10.1 Inversi Model Garis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205


10.1.1 Script matlab inversi model garis . . . . . . . . . . . . . . . . . . . . . . . 208
10.2 Inversi Model Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
10.2.1 Script matlab inversi model parabola . . . . . . . . . . . . . . . . . . . . . 213
10.3 Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
10.4 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
10.4.1 Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . 216
11 Metode LU Decomposition

223

11.1 Faktorisasi matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223


11.2 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
12 Interpolasi

233

12.1 Interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233


12.2 Interpolasi Cubic Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
13 Solusi Sistem Persamaan Non Linear
13.1 Fungsi ber-input vektor

247

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247

13.2 Fungsi ber-output vektor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248


13.3 Fungsi ber-output matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
13.4 Metode Newton untuk sistem persamaan . . . . . . . . . . . . . . . . . . . . . . . 249
13.5 Aplikasi: Mencari sumber sinyal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
13.6 Aplikasi: Mencari pusat gempa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255

ix
14 Metode Monte Carlo
257
14.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
15 Inversi

261

15.1 Inversi Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261


15.2 Inversi Non-Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
16 Lampiran

267

16.1 Script Iterasi Jacobi, jcb.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267


16.2 Script Iterasi Gauss-Seidel, itgs.m . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
Indeks

269

Daftar Gambar

1.1 Data perubahan kecepatan terhadap waktu . . . . . . . . . . . . . . . . . . . . .

1.2 Data perubahan kecepatan terhadap waktu dengan keterangan gambar . . . . . .

1.3 Kurva simpangan benda yang mengalami gerak osilasi teredam . . . . . . . . . .

1.4 Grak gelombang berfrekuensi 5 Hz dalam rentang waktu dari 0 hingga 1 detik .

1.5 Grak yang dilengkapi dengan keterangan sumbu-x dan sumbu-y serta judul . . .

1.6 Grak yang dilengkapi dengan font judul 14pt . . . . . . . . . . . . . . . . . . . .

1.7 Dua buah grak dalam sebuah gambar . . . . . . . . . . . . . . . . . . . . . . . .

1.8 Tiga buah grak dalam sebuah gambar . . . . . . . . . . . . . . . . . . . . . . . .

10

1.9 Lintasan elektron ketika memasuki medan magnet . . . . . . . . . . . . . . . . .

11

1.10 Kapasitor dan induktor masing-masing terhubung seri dengan sumber tegangan
bolak-balik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

3.1 Kurva lintasan gerak parabola yang dihasilkan oleh fungsi eksternal parabol() . .

43

4.1 Vektor percepatan gravitasi dalam arah vertikal akibat benda anomali dan akibat
bumi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

56

4.2 Benda anomali berupa bola berada dibawah permukaan bumi . . . . . . . . . . .

57

4.3 Variasi nilai percepatan gravitasi terhadap perubahan jarak horizontal . . . . . .

63

5.1 Fungsi dengan dua akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = 2 dan x = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

66

5.2 Fungsi dengan satu akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu pada x = 1, 2599 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

67

5.3 Fungsi kuadrat yang memiliki 2 akar . . . . . . . . . . . . . . . . . . . . . . . . .

68

5.4 Awal perhitungan: batas kiri adalah a = 0, batas kanan adalah b = 1; sementara
p adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . .

68

5.5 Iterasi kedua: batas kiri adalah a = 0,5, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . . .

69

5.6 Iterasi ketiga: batas kiri adalah a = 0,5, batas kanan adalah b = 0,75; sementara
p adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . .

70

5.7 Perubahan f (p) dan p terhadap bertambahnya iterasi . . . . . . . . . . . . . . . .

71

5.8 Nilai akar ditandai oleh lingkaran kecil pada kurva yang memotong sumbu-x . . .

72

xi

DAFTAR GAMBAR

xii

6.1 Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Trapesoida menghitung integral dengan cara menghitung luas area integrasi, dimana
luas area integrasi sama dengan luas trapesium di bawah kurva f (x) dalam batas-batas a
dan b. Jika anda perhatikan dengan teliti, ada area kecil dibawah garis kurva dan diatas
garis miring yang berada diluar bidang trapesium. Metode Trapesoida tidak menghitung
luas area kecil tersebut. Disinilah letak kelemahan metode trapezoida. . . . . . . . . . .

80

6.2 Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Simpson menghitung luas area integrasi, dimana area integrasi di bawah kurva f (x)
dibagi 2 dalam batas interval a x1 dan x1 b dengan lebar masing-masing adalah h . .

81

6.3 Metode Composite Simpson. Kurva fungsi f (x) dengan batas bawah integral adalah a
dan batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-

masing adalah h. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

84

7.1 Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebesar
h. Pasangan t1 adalah y(t1 ), pasangan t2 adalah y(t2 ), begitu seterusnya. Kanan: Garis
singgung yang menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis singgung
tersebut, ditentukan pasangan t1 sebagai w1 . Perhatikan gambar itu sekali lagi! w1 dan
y(t1 ) beda tipis alias tidak sama persis. . . . . . . . . . . . . . . . . . . . . . . . . . .

90

7.2 Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu
nilai wi .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

94

7.3 Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta
orde 4, yaitu nilai wi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

98

7.4 Rangkaian RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

99

7.5 Kurva pengisian muatan q (charging) terhadap waktu t . . . . . . . . . . . . . . . 104


7.6 Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah x0 = a hingga batas atas
x6 = b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.7

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

7.8 Skema grid lines dan mesh points pada aplikasi metode Finite-Difference . . . . . . 115
7.9 Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu . . . . . . . . . . . . . . . . . . . . . . . 117
7.10 Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur. Jarak antar titik ditentukan sebesar h = 0, 1. . . . . . . . . . . . . . . . . . . . . . . . . 124

7.11 Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005 . . . . . . . 124
7.12 Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forwarddifference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat . . . . 125

DAFTAR GAMBAR

xiii

10.1 Sebaran data observasi antara suhu dan kedalaman . . . . . . . . . . . . . . . . . 206


10.2 Kurva hasil inversi data observasi antara suhu dan kedalaman . . . . . . . . . . . 209
10.3 Kurva hasil inversi data observasi antara suhu dan kedalaman . . . . . . . . . . . 214
10.4 Grak data pengukuran gerak batu . . . . . . . . . . . . . . . . . . . . . . . . . . 218
10.5 Grak hasil inversi parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
12.1 Kurva hasil interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
12.2 Sejumlah titik terdistribusi pada koordinat kartesian. Masing-masing titik memiliki pasangan koordinat (x, y) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
12.3 Kurva interpolasi cubic spline yang menghubungkan semua titik . . . . . . . . . . 238
12.4 Sejumlah polinomial cubic yaitu S0 , S1 , S2 ... dan seterusnya yang saling sambungmenyambung sehingga mampu menghubungkan seluruh titik . . . . . . . . . . . 238
12.5 Prol suatu object . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
12.6 Sampling titik data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
12.7 Hasil interpolasi cubic spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
12.8 Hasil interpolasi lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
13.1 Koordinat sumber sinyal berada pada x = 4 dan y = 8 . . . . . . . . . . . . . 251
14.1 Lingkaran dan bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
14.2 Dart yang menancap pada bidang lingkaran dan bujursangkar . . . . . . . . . . . 258
14.3 Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar . . . . . . . . 259

xiv

DAFTAR GAMBAR

Daftar Tabel

5.1 Perubahan nilai f (p) dan p hingga iterasi ke-20 . . . . . . . . . . . . . . . . . . .

67

6.1 Polinomial Legendre untuk n=2,3,4 dan 5 . . . . . . . . . . . . . . . . . . . . . .

86

7.1 Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih
antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

93

7.2 Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact
y(ti ) serta selisih antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . .

98

7.3 Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan
hasil perhitungan dari solusi exact, yaitu persamaan (7.16) . . . . . . . . . . . . 103
7.4 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2 adalah
solusi analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forward-difference. Kolom ke-4 dan ke-6 adalah selisih antara solusi analitik dan numerik . . . . . . . . . . . 128

7.5 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backwarddifference dimana k = 0, 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

7.6 Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan
metode backward-difference dan Crank-Nicolson . . . . . . . . . . . . . . . . . . . 136
8.1 Hasil akhir elemen-elemen vektor x hingga iterasi ke-10 . . . . . . . . . . . . . . 154
8.2 Hasil perhitungan norm2-selisih hingga iterasi ke-10 . . . . . . . . . . . . . . . . 155
8.3 Hasil Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.4 Hasil perhitungan iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . 169
8.5 Hasil perhitungan iterasi Relaksasi dengan = 1, 25 . . . . . . . . . . . . . . . . 169
10.1 Data suhu bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . . . 205
10.2 Data suhu bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . . . 210
10.3 Data ketinggian terhadap waktu dari planet X . . . . . . . . . . . . . . . . . . . . 217
13.1 Koordinat Sumber Sinyal dan Waktu Tempuh Sinyal

. . . . . . . . . . . . . . . . 251

13.2 Data Gempa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256

xv

xvi

DAFTAR TABEL

Bab 1

Pendahuluan

Objektif :
Mengenal cara inisialisasi variabel.
Mengenal operasi matematika.
Mengenal fungsi-fungsi dasar.
Mengenal cara membuat grafik.

1.1 Inisialisasi variabel


Salah satu perbedaan utama antara komputer dan kalkulator adalah pemanfaatan variabel dalam proses perhitungan. Kebanyakan kalkulator tidak menggunakan variabel dalam proses perhitungan; sebaliknya, komputer sangat memanfaatkan variabel dalam proses perhitungan.
Misalnya kita ingin mengalikan 2 dengan 3. Dengan kalkulator, langkah pertama yang akan
kita lakukan adalah menekan tombol angka 2, kemudian diikuti menekan tombol , lalu me-

nekan tombol angka 3, dan diakhiri dengan menekan tombol =; maka keluarlah hasilnya yaitu
angka 6. Kalau di komputer, proses perhitungan seperti ini dapat dilakukan dengan memanfaatkan variabel. Pertama-tama kita munculkan sebuah variabel yang diinisialisasi1 dengan angka
2, misalnya A = 2. Kemudian kita munculkan variabel lain yang diinisialisasi dengan angka 3,
misalnya B = 3. Setelah itu kita ketikkan A B; maka pada layar monitor akan tampil angka 6.

Bahkan kalau mau, hasil perhitungannya dapat disimpan dalam variabel yang lain lagi, misalnya
kita ketikkan C = A B; maka hasil perhitungan, yaitu angka 6 akan disimpan dalam variabel
C. Skrip2 Matlab untuk melakukan proses perhitungan seperti itu adalah sebagai berikut

A = 2;
B = 3;
C = A * B
1

inisialisasi adalah proses memberi nilai awal pada suatu variabel


Skrip atau dalam bahasa Inggris ditulis Script adalah daftar baris-baris perintah yang akan dikerjakan (dieksekusi) oleh komputer
2

BAB 1. PENDAHULUAN

Nama suatu variabel tidak harus hanya satu huruf, melainkan dapat berupa sebuah kata.
Misalnya kita ingin menyatakan hukum Newton kedua, yaitu F = ma, dengan m adalah massa,
a adalah percepatan dan F adalah gaya. Maka, script Matlab dapat ditulis seperti berikut ini
massa = 2;
percepatan = 3;
gaya = massa * percepatan

Atau bisa jadi kita memerlukan variabel yang terdiri atas dua patah kata. Dalam hal ini, kedua
kata tadi mesti dihubungkan dengan tanda underscore. Perhatikan contoh berikut
besar_arus = 2;
beda_potensial = 3;
nilai_hambatan = beda_potensial / besar_arus

Semua contoh di atas memperlihatkan perbedaan yang begitu jelas antara penggunaan komputer dan kalkulator dalam menyelesaikan suatu perhitungan.

1.2 Perhitungan yang berulang


Di dalam Matlab, suatu variabel dapat diinisialisasi dengan urutan angka. Misalnya jika variabel
t hendak diinisialisasi dengan sejumlah angka yaitu 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 dan 10, caranya
sangat mudah, cukup dengan mengetikkan
t = 0:10;

Angka 0 pada script di atas merupakan nilai awal; sedangkan angka 10 adalah nilai akhir.
Contoh lainnya, jika Anda hanya menginginkan bilangan genap, cukup ketikkan
t = 0:2:10;

angka 2 bertindak sebagai nilai interval dari 0 sampai 10. Sehingga angka-angka yang muncul
adalah 0, 2, 4, 6, 8 dan 10. Urutan angka dapat dibalik dengan mengetikkan
t = 10:-2:0;

sehingga angka yang muncul adalah 10, 8, 6, 4, 2 dan 0. Adakalanya proses perhitungan
meminta kita untuk memulainya dari angka kurang dari nol, misalnya
t = -10:3:4;

maka angka-angka yang tersimpan pada variabel t adalah -10, -7, -4, -1 dan 2.
Dengan adanya kemampuan dan sekaligus kemudahan inisialisasi urutan angka seperti ini,
maka kita dimudahkan dalam melakukan perhitungan yang berulang. Sebagai contoh, kita
ingin mensimulasikan perubahan kecepatan mobil balap yang punya kemampuan akselerasi 2
m/s2 . Rumus gerak lurus berubah beraturan sangat memadai untuk maksud tersebut
v = vo + at

(1.1)

1.3. MENGENAL CARA MEMBUAT GRAFIK

Jika kita hendak mengamati perubahan kecepatan mobil balap dari detik pertama di saat sedang diam hingga detik ke-5, kita dapat menghitung perubahan tersebut setiap satu detik, yaitu
pada

t=1

v1 = (0) + (2)(1)

2m/s

pada

t=2

v2 = (0) + (2)(2)

4m/s

pada

t=3

v3 = (0) + (2)(3)

6m/s

pada

t=4

v4 = (0) + (2)(4)

8m/s

pada

t=5

v5 = (0) + (2)(5)

10m/s

skrip Matlab untuk tujuan di atas adalah


a = 2;
t = 1:5;
vo = 0;
v = vo + a * t

Jarak tempuh mobil juga dapat ditentukan oleh persamaan berikut


1
s = vo t + at2
2

(1.2)

Untuk menentukan perubahan jarak tempuh tersebut, skrip sebelumnya mesti ditambah satu
baris lagi
1
2
3
4

a = 2;
t = 1:5;
vo = 0;
s = vo * t + 1/2 * a * t.^2

Ada hal penting yang perlu diperhatikan pada baris ke-4 di atas, yaitu penempatan tanda titik
pada t. 2. Maksud dari tanda titik adalah setiap angka yang tersimpan pada variabel t harus dikuadratkan. Jika Anda lupa menempatkan tanda titik, sehingga tertulis t 2, maka skrip tersebut
tidak akan bekerja.

1.3 Mengenal cara membuat grafik


1.3.1

Gerak mobil

Seringkali suatu informasi lebih mudah dianalisis setelah informasi tersebut ditampilkan dalam
bentuk grak. Pada contoh mobil balap di atas, kita bisa menggambar data perubahan kecepatan mobil terhadap waktu dengan menambahkan perintah plot seperti ditunjukkan oleh skrip
dibawah ini
1
2
3
4
5

a = 2;
t = 1:5;
vo = 0;
v = vo + a * t
plot(t,v,o)

BAB 1. PENDAHULUAN

4
10

1.5

2.5

3.5

4.5

Gambar 1.1: Data perubahan kecepatan terhadap waktu


Jika skrip tersebut di-run, akan muncul Gambar 1.1. Untuk melengkapi keterangan gambar,
beberapa baris perlu ditambahkan

2
3
4
5
6
7
8

a = 2;
t = 1:5;
vo = 0;
v = vo + a * t;
plot(t,v,o);
xlabel(Waktu (s));
ylabel(Kecepatan (m/s))
title(Data Kecepatan vs Waktu)

Data Kecepatan vs Waktu


10
9
8
Kecepatan (m/s)

7
6
5
4
3
2

1.5

2.5

3
Waktu (s)

3.5

4.5

Gambar 1.2: Data perubahan kecepatan terhadap waktu dengan keterangan gambar

1.3. MENGENAL CARA MEMBUAT GRAFIK


1.3.2

Osilasi teredam

Gerak dari suatu benda yang mengalami osilasi teredam (damped oscillations) memenuhi persamaan berikut:
y = Ae(b/2m)t cos(t + )

(1.3)

dengan A = amplitudo, b = faktor redaman (damping factor), m = massa benda, = frekuensi


angular dan t = waktu. Adapun frekuensi angular () dirumuskan oleh

k
+
m

b
2m

2

(1.4)

dengan k = kontanta pegas.


Diketahui suatu benda bermassa 10,6 kg, digantung pada ujung pegas yang memiliki konstanta pegas sebesar 2,05104 N/m serta faktor redaman sebesar 63,50 N.s/m. Jika efek gravitasi diabaikan dan benda diberi simpangan awal sebesar 0,1 m, maka gerak osilasi benda akan
nampak seperti Gambar 1.3.
0.1
0.08
0.06

Simpangan (meter)

0.04
0.02
0
0.02
0.04
0.06
0.08
0.1

0.5

1
Waktu (detik)

1.5

Gambar 1.3: Kurva simpangan benda yang mengalami gerak osilasi teredam
Skrip Matlab untuk menghasilkan Gambar 1.3 adalah
1
2
3
4
5
6

m = 10.6;
k = 2.05e4;
b = 63.50;
A = 0.1;
theta = 0;
t = 0:0.001:2;

7
8
9

w = sqrt((k/m)+(b/(2*m))^2);
y = A*exp((-b/(2*m))*t).*cos(w*t+theta);

10
11

plot(t,y)

BAB 1. PENDAHULUAN

6
12
13

xlabel(Waktu (detik));
ylabel(Simpangan (meter));

1.4 Baris-baris pembuka


Ketika Anda membuat skrip di komputer, Anda mesti menyadari bahwa skrip yang sedang Anda
buat akan memodikasi isi memory komputer. Oleh karena itu disarankan agar sebelum komputer menjalankan skrip, maka pastikan bahwa memory komputer dalam keadaan bersih. Cara
membersihkan memory komputer, di dalam Matlab, adalah dengan menuliskan perintah clear.
Alasan yang sama diperlukan untuk membersihkan gambar dari layar monitor. Untuk maksud
ini, cukup dengan menuliskan perintah close. Sedangkan untuk membersihkan teks atau tulisan di layar monitor, tambahkan perintah clc. Ketiga perintah tersebut disarankan ditulis pada
baris-baris pembuka suatu skrip Matlab, seperti contoh berikut

1
2
3

clear
close
clc

4
5
6
7
8
9
10
11
12

a = 2;
t = 1:5;
vo = 0;
v = vo + a * t;
plot(t,v,o);
xlabel(Waktu (dt));
ylabel(Kecepatan (m/dt))
title(Data Kecepatan vs Waktu)

1.5 Membuat 2 grafik dalam satu gambar


Misalnya, sebuah gelombang dinyatakan oleh persamaan
y = A sin(2f t + )

(1.5)

dengan A = amplitudo; f = frekuensi; t = waktu; = sudut fase gelombang. Jika suatu


gelombang beramplitudo 1 memiliki frekuensi tunggal 5 Hz dan sudut fase-nya nol, maka skrip
untuk membuat grak gelombang tersebut adalah

1
2
3

clc
clear
close

4
5
6
7
8
9

A = 1; % amplitudo
f = 5; % frekuensi
theta = 0; % sudut fase gelombang
t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
y = A * sin(2*pi*f*t + theta); % persamaan gelombang

10
11

plot(t,y)

% menggambar grafik persamaan gelombang

1.5. MEMBUAT 2 GRAFIK DALAM SATU GAMBAR

1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Gambar 1.4: Grak gelombang berfrekuensi 5 Hz dalam rentang waktu dari 0 hingga 1 detik
Grak di atas muncul karena ada perintah plot(t,y) yang diletakkan di baris paling akhir pada
skrip. Kata atau kalimat yang ditulis setelah tanda % tidak akan dikerjakan oleh komputer.
Modikasi skrip perlu dilakukan untuk memberi keterangan pada sumbu-x dan sumbu-y serta
menambahkan judul grak
1
2
3

clc
clear
close

4
5
6
7
8
9

A = 1; % amplitudo
f = 5; % frekuensi
theta = 0; % sudut fase gelombang
t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
y = A * sin(2*pi*f*t + theta); % persamaan gelombang

10
11
12
13
14

plot(t,y) % menggambar grafik persamaan gelombang


xlabel(Waktu, t (detik));
% melabel sumbu-x
ylabel(Amplitudo);
% melabel sumbu-y
title(Gelombang berfrekuensi 5 Hz); % judul grafik

Untuk memperbesar font judul grak, tambahkan kata fontsize{14} pada title(), contohnya
title(\fontsize{14} Gelombang berfrekuensi 5 Hz); % judul grafik

Untuk menggambar dua buah grak, contoh skrip berikut ini bisa digunakan
1
2
3

clc
clear
close

4
5

t = 0:0.001:1;

% t_awal = 0; t_akhir = 1; interval = 0.001

6
7

A1 = 1;

% amplitudo gelombang 1

BAB 1. PENDAHULUAN

Gelombang berfrekuensi 5 Hz
1
0.8
0.6

Amplitudo

0.4
0.2
0
0.2
0.4
0.6
0.8
1

0.1

0.2

0.3

0.4

0.5
Waktu, t (detik)

0.6

0.7

0.8

0.9

Gambar 1.5: Grak yang dilengkapi dengan keterangan sumbu-x dan sumbu-y serta judul

Gelombang berfrekuensi 5 Hz
1
0.8
0.6

Amplitudo

0.4
0.2
0
0.2
0.4
0.6
0.8
1

0.1

0.2

0.3

0.4

0.5
Waktu, t (detik)

0.6

0.7

0.8

Gambar 1.6: Grak yang dilengkapi dengan font judul 14pt

0.9

1.5. MEMBUAT 2 GRAFIK DALAM SATU GAMBAR


8
9
10

f1 = 5; % frekuensi gelombang 1
theta1 = 0; % sudut fase gelombang 1
y1 = A1 * sin(2*pi*f1*t + theta1); % persamaan gelombang 1

11
12
13
14
15

A2 = 1; % amplitudo gelombang 2
f2 = 3; % frekuensi gelombang 2
theta2 = pi/4; % sudut fase gelombang 2
y2 = A2 * sin(2*pi*f2*t + theta2); % persamaan gelombang 2

16
17

figure

18
19
20
21
22
23

subplot(2,1,1)
plot(t,y1) % menggambar grafik persamaan gelombang 1
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 5 Hz);

24
25
26
27
28
29

subplot(2,1,2)
plot(t,y2) % menggambar grafik persamaan gelombang 2
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 3 Hz, fase pi/4);

Gelombang berfrekuensi 5 Hz
Amplitudo

1
0.5
0
0.5
1

0.1

0.2

0.3

0.4

0.5
Waktu, t (detik)

0.6

0.7

0.8

0.9

0.8

0.9

Gelombang berfrekuensi 3 Hz, fase pi/4


Amplitudo

1
0.5
0
0.5
1

0.1

0.2

0.3

0.4

0.5
Waktu, t (detik)

0.6

0.7

Gambar 1.7: Dua buah grak dalam sebuah gambar


Sekarang, jika ingin melihat tampilan superposisi kedua gelombang di atas, maka skrip berikut
ini bisa digunakan
1
2
3

clc
clear
close

4
5

t = 0:0.001:1;

% t_awal = 0; t_akhir = 1; interval = 0.001

6
7
8
9

A1 = 1; % amplitudo gelombang 1
f1 = 5; % frekuensi gelombang 1
theta1 = 0; % sudut fase gelombang 1

BAB 1. PENDAHULUAN

10
10

y1 = A1 * sin(2*pi*f1*t + theta1);

% persamaan gelombang 1

11
12
13
14
15

A2 = 1; % amplitudo gelombang 2
f2 = 3; % frekuensi gelombang 2
theta2 = pi/4; % sudut fase gelombang 2
y2 = A2 * sin(2*pi*f2*t + theta2); % persamaan gelombang 2

16
17

y3 = y1 + y2;

% superposisi gelombang

18
19

figure

20
21
22
23
24
25

subplot(3,1,1)
plot(t,y1) % menggambar grafik persamaan gelombang 1
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 5 Hz);

26
27
28
29
30
31

subplot(3,1,2)
plot(t,y2) % menggambar grafik persamaan gelombang 2
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 3 Hz, fase pi/4);

32

36
37

Gelombang berfrekuensi 5 Hz
Amplitudo

35

subplot(3,1,3)
plot(t,y3) % menggambar grafik superposisi gelombang
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Superposisi gelombang 5 Hz dan 3 Hz);

1
0
1

0.2

0.4
0.6
Waktu, t (detik)

0.8

Gelombang berfrekuensi 3 Hz, fase pi/4


Amplitudo

34

1
0
1

0.2

0.4
0.6
Waktu, t (detik)

0.8

Superposisi gelombang 5 Hz dan 3 Hz


Amplitudo

33

2
0
2

0.2

0.4
0.6
Waktu, t (detik)

0.8

Gambar 1.8: Tiga buah grak dalam sebuah gambar

1.6. LATIHAN

11

1.6 Latihan
1. Jarak tempuh mobil balap yang bergerak dengan percepatan 2 m/s2 dari posisi diam ditentukan oleh rumus berikut

1
s = vo t + at2
2

Buatlah skrip untuk menggambarkan grak jarak tempuh terhadap waktu dimulai dari t
= 0 hingga t = 20 dt.
2. Sebuah elektron memasuki daerah yang dipengaruhi oleh medan listrik seperti Gambar
1.9

Gambar 1.9: Lintasan elektron ketika memasuki medan magnet


diketahui besar muatan elektron = 1,61019 C, massa elektron = 9,111031 kg, kecepatan v = 3106 m/s, kuat medan listrik E = 200 N/C , dan panjang plat = 0,1 meter.
Posisi koordinat elektron memenuhi persamaan
x = vt

y=

1 eE 2
t
2 m

dengan percepatan

a=

eE
m

Buatlah skrip untuk menentukan variasi posisi elektron (x, y) terhadap waktu (t), mulai
dari t = 0 detik hingga t = 3,33108 detik dengan interval waktu 3,331010 detik.
3. Berkali-kali bola ditendang dari depan gawang ke tengah lapangan oleh penjaga gawang
yang sedang berlatih. Misalnya bola ditendang sedemikian rupa sehingga bola selalu bergerak dengan kecepatan awal 5 m/dt. Diketahui konstanta gravitasi adalah 9,8 m/s2 .
(a) Plot variasi ketinggian maksimum bola bila sudut tendangan bervariasi dari 30 hingga 60 dengan interval 5 . Persamaan untuk menghitung ketinggian maksimum adalah
hmaks =

vo2 sin2
2g

(b) Plot variasi jangkauan maksimum bola bila sudut tendangan bervariasi dari 30 hingga 60 dengan interval 5 . Persamaan untuk menghitung jangkauan maksimum ada-

BAB 1. PENDAHULUAN

12
lah
xmaks =

vo2 sin 2
g

4. Tuliskan sebuah skrip untuk menggambar superposisi gelombang yang terbentuk dari 9
gelombang berfrekuensi 9 Hz, 18 Hz, 27 Hz, 35 Hz, 47 Hz, 57 Hz, 65 Hz, 74 Hz dan 82
Hz.
5. Sebuah kapasitor 8 F dan sebuah induktor sebesar 25 mH, masing-masing dihubungkan
ke sumber tegangan bolak-balik 150 Volt dengan frekuensi 60 Hz seperti terlihat pada
Gambar 1.10

Gambar 1.10: Kapasitor dan induktor masing-masing terhubung seri dengan sumber tegangan
bolak-balik

(a) Tentukan nilai reaktansi kapasitif pada rangkaian (a); dan reaktansi induktif pada
rangkaian (b).
(b) Tuliskan skrip Matlab untuk menggambarkan kurva arus dan tegangan pada rangkaian (a); kemudian plot gambar kurva-nya.
(c) Tuliskan skrip Matlab untuk menggambarkan kurva arus dan tegangan pada rangkaian (b); kemudian plot gambar kurva-nya.
6. Muatan Q1 sebesar 4C terletak pada x = -1; sementara Q2 = 20C terletak pada x = 1.
Buatlah skrip Matlab untuk tujuan:
(a) plot kurva medan listrik dari x = -10 hingga x = 10 dengan interval 0.1
(b) menghitung medan listrik pada x = 0 (cek: dititik ini, medannya TIDAK NOL; dimanakah posisi yang medannya NOL ?)
(c) mencari titik x yang medan-nya nol pada -1 < x < 1
(d) mencari titik-titik x yang medannya bernilai 20000
7. Muatan Q1 sebesar 4C terletak pada x = -1; sementara Q2 = 4C terletak pada x = 1.
Buatlah skrip Matlab untuk tujuan:
(a) menghitung potensial listrik pada x = -2

1.6. LATIHAN

13

(b) menghitung potensial listrik pada x = 0


(c) menghitung potensial listrik pada x = 2 (cek: besar potensial harus sama dengan
point pertanyaan (a))
(d) menghitung medan listrik pada -1 < x < 1 dengan interval 0.1
(e) plot kurva perhitungan di atas. (cek: nilai potensial listrik terkecil ada di x = 0; dan
nilai potensial listrik meningkat ketika mendekati x = -1 atau x = 1)
(f) menghitung potensial listrik pada -10 < x < -1 dengan interval 0.1
(g) plot kurva perhitungan di atas. (cek: nilai potensial listrik harus meningkat ketika
mendekati x = -1)
(h) menghitung potensial listrik pada 1 < x < 10 dengan interval 0.1
(i) plot kurva perhitungan di atas. (cek: nilai potensial harus meningkat ketika mendekati x = 1)
(j) plot kurva potensial listrik dari x = -10 hingga x = 10 dengan interval 0.1
8. Muatan Q1 sebesar 4C terletak pada x = -1; sementara Q2 = -20C terletak pada x = 1.
Buatlah skrip Matlab untuk tujuan:
(a) plot kurva potensial listrik dari x = -10 hingga x = 10 dengan interval 0.1
(b) menghitung potensial listrik pada x = 0
9. Sebuah bola pejal memiliki jari-jari sebesar 0,75 meter. Kuat medan listrik yang terukur
pada permukaan bola diketahui sebesar 890 N/C dan mengarah keluar bola. Dengan
memanfaatkan hukum Gauss, tentukan:
(a) Total muatan yang terdapat pada kulit bola
(b) Apakah muatan-nya positif atau negatif ?
(c) Kuat medan listrik pada jarak 1 meter dari pusat bola
(d) Kuat medan listrik pada jarak 0,5 meter dari pusat bola
(e) Buatlah skrip Matlab untuk menggambarkan kurva kuat medan listrik terhadap jarak
mulai dari pusat bola sampai ke jarak 3 meter

14

BAB 1. PENDAHULUAN

Bab 2

Matriks dan Komputasi

Objektif :
Mengenalkan matriks, vektor dan jenis-jenis matriks.
Mendeklarasikan elemen-elemen matriks ke dalam memori komputer.
Mengenalkan operasi penjumlahan dan perkalian matriks.
Membuat skrip operasi matriks.

2.1 Mengenal matriks


Notasi suatu matriks berukuran n m ditulis dengan huruf besar dan dicetak tebal, misalnya

Anm . Huruf n menyatakan jumlah baris, dan huruf m jumlah kolom. Suatu matriks tersusun

atas elemen-elemen yang dinyatakan dengan huruf kecil lalu diikuti oleh angka-angka indeks,
misalnya aij . Indeks i menunjukkan posisi baris ke-i dan indeks j menentukan posisi kolom
ke-j.

a11

a21
A = (aij ) =
..
.

an1

a12 . . . a1m

a22 . . . a2m
..
..

.
.
an2 . . . anm

(2.1)

Pada matriks ini, a11 , a12 , ..., a1m adalah elemen-elemen yang menempati baris pertama. Sementara a12 , a22 , ..., an2 adalah elemen-elemen yang menempati kolom kedua.
Contoh 1: Matriks A23
A=

#
"
3 8 5
6 4 7

dengan masing-masing elemennya adalah a11 = 3, a12 = 8, a13 = 5, a21 = 6, a22 = 4, dan
a23 = 7.
15

BAB 2. MATRIKS DAN KOMPUTASI

16
Contoh 2: Matriks B32

1 3

B = 5 9
2 4

dengan masing-masing elemennya adalah b11 = 1, b12 = 3, b21 = 5, b22 = 9, b31 = 2, dan
b32 = 4.

2.2 Vektor-baris dan vektor-kolom


Notasi vektor biasanya dinyatakan dengan huruf kecil dan dicetak tebal. Suatu matriks dinamakan vektor-baris berukuran m, bila hanya memiliki satu baris dan m kolom, yang dinyatakan
sebagai berikut
i
i h
h
a = a11 a12 . . . a1m = a1 a2 . . . am

(2.2)

Sedangkan suatu matriks dinamakan vektor-kolom berukuran n, bila hanya memiliki satu kolom
dan n baris, yang dinyatakan sebagai berikut

a11

a1


a21 a2

a=
.. = ..
. .
an
an1

(2.3)

2.3 Inisialisasi matriks dalam memori komputer


Sebelum dilanjutkan, disarankan agar Anda mencari tahu sendiri bagaimana cara membuat mfile di Matlab dan bagaimana cara menjalankannya. Karena semua skrip yang terdapat dalam
buku ini ditulis dalam m-file. Walaupun sangat mudah untuk melakukan copy-paste, namun
dalam upaya membiasakan diri menulis skrip di m-file, sangat dianjurkan Anda menulis ulang
semuanya.
Dalam Matlab terdapat 3 cara inisialisasi matriks. Cara pertama1 , sesuai dengan Contoh 1,
adalah
clear all
clc

1
2
3

A(1,1)
A(1,2)
A(1,3)
A(2,1)
A(2,2)
A(2,3)
A

4
5
6
7
8
9
10

=
=
=
=
=
=

3;
8;
5;
6;
4;
7;

Sedangkan untuk matriks B32 , sesuai Contoh 2 adalah


1

Cara ini bisa diterapkan pada bahasa C, Fortran, Pascal, Delphi, Java, Basic, dll. Sementara cara kedua dan cara
ketiga hanya akan dimengerti oleh Matlab

2.4. MACAM-MACAM MATRIKS

1
2

17

clear all
clc

3
4
5
6
7
8
9
10

B(1,1)
B(1,2)
B(2,1)
B(2,2)
B(3,1)
B(3,2)
B

=
=
=
=
=
=

1;
3;
5;
9;
2;
4;

Cara kedua relatif lebih mudah dan benar-benar merepresentasikan dimensi matriksnya, dengan
jumlah baris dan jumlah kolom terlihat dengan jelas.
1
2

clear all
clc

3
4
5

A=[ 3 8 5
6 4 7 ];

6
7
8
9

B=[ 1 3
5 9
2 4 ];

Cara ketiga jauh lebih singkat, namun tidak menunjukkan dimensi matriks lantaran ditulis hanya dalam satu baris.
1
2

clear all
clc

3
4
5

A=[ 3 8 5 ; 6 4 7 ];
B=[ 1 3 ; 5 9 ; 2 4];

2.4 Macam-macam matriks


2.4.1

matriks transpose

Operasi transpose terhadap suatu matriks akan menukar elemen-elemen kolom menjadi elemenelemen baris. Notasi matriks tranpose adalah AT atau At .
Contoh 3: Operasi transpose terhadap matriks A

A=

"

#
3 8 5
6 4 7

3 6

AT = 8 4
5 7

Dengan Matlab, operasi transpose cukup dilakukan dengan menambahkan tanda petik tunggal
di depan nama matriksnya
1
2

clear all
clc

BAB 2. MATRIKS DAN KOMPUTASI

18
3
4
5

A=[ 3 8 5
6 4 7 ];

6
7

AT = A;

2.4.2

matriks bujursangkar

matriks bujursangkar adalah matriks yang jumlah baris dan jumlah kolomnya sama.
Contoh 4: Matrik bujursangkar berukuran 3x3 atau sering juga disebut matriks bujursangkar
orde 3

1 3 8

A = 5 9 7
2 4 6
2.4.3

Matrik simetrik

matriks simetrik adalah matriks bujursangkar yang elemen-elemen matriks transpose-nya bernilai sama dengan matriks asli-nya.
Contoh 5: matriks simetrik

3
A=
7

1
2.4.4

3 7

3 7

3 5 6 2

A =

7
6
9
8

1 2 8 10

6 2

6 9 8

2 8 10
5

matriks diagonal

matriks diagonal adalah matriks bujursangkar yang seluruh elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonalnya.
Contoh 6: matriks diagonal orde 3

11 0

A = 0 29
0

2.4.5

61

matriks identitas

matriks identitas adalah matriks bujursangkar yang semua elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonal yang seluruhnya bernilai 1.
Contoh 7: matriks identitas orde 3

1 0 0

I = 0 1 0
0 0 1

2.4. MACAM-MACAM MATRIKS


2.4.6

19

matriks upper-triangular

matriks upper-tringular adalah matriks bujursangkar yang seluruh elemen dibawah elemen diagonal bernilai 0 (nol).
Contoh 8: matriks upper-triangular

3 6 2 1

0 4 1 5

A=

0 0 8 7
0 0 0 9
2.4.7

matriks lower-triangular

matriks lower-tringular adalah matriks bujursangkar yang seluruh elemen diatas elemen diagonal bernilai 0 (nol).
Contoh 9: matriks lower-triangular

12

32 2 0 0

A=

8
7
11
0

5 10 6 9
2.4.8

matriks tridiagonal

matriks tridiagonal adalah matriks bujursangkar yang seluruh elemen bukan 0 (nol) berada
disekitar elemen diagonal, sementara elemen lainnya bernilai 0 (nol).
Contoh 10: matriks tridiagonal

2 4 1 0

A=

0 5 8 7
0 0 3 9
2.4.9

matriks diagonal dominan

matriks diagonal dominan adalah matriks bujursangkar yang memenuhi


|aii | >

n
X

j=1,j6=i

|aij |

(2.4)

dengan i=1,2,3,..n. Coba perhatikan matriks-matriks berikut ini

7 2

A = 3 5 1
0 5 6

B = 4 2 0
3 0
1

BAB 2. MATRIKS DAN KOMPUTASI

20

Pada elemen diagonal aii matriks A, |7| > |2|+|0|, lalu |5| > |3|+|1|, dan |6| > |5|+|0|. Maka
matriks A disebut matriks diagonal dominan. Sekarang perhatikan elemen diagonal matriks B,
|6| < |4| + | 3|, | 2| < |4| + |0|, dan |1| < | 3| + |0|. Dengan demikian, matriks B bukan
matriks diagonal dominan.
2.4.10

matriks positive-definite

Suatu matriks dikatakan positive-definite bila matriks tersebut simetrik dan memenuhi
xT Ax > 0

(2.5)

Contoh 11: Diketahui matriks simetrik berikut

A = 1
0

1
1 2

untuk menguji apakah matriks A bersifat positive-definite, maka


x1
i 2 1 0
h

xT Ax = x1 x2 x3 1 2 1 x2
x3
0 1 2

2x1 x2
i
h

= x1 x2 x3 x1 + 2x2 x3
x2 + 2x3

= 2x21 2x1 x2 + 2x22 2x2 x3 + 2x23

= x21 + (x21 2x1 x2 + x22 ) + (x22 2x2 x3 + x23 ) + x23

= x21 + (x1 x2 )2 + (x2 x3 )2 + x23

Dari sini dapat disimpulkan bahwa matriks A bersifat positive-definite, karena memenuhi
x21 + (x1 x2 )2 + (x2 x3 )2 + x23 > 0
kecuali jika x1 =x2 =x3 =0.

2.5 Operasi matematika


2.5.1

Penjumlahan matriks

Operasi penjumlahan pada dua buah matriks hanya bisa dilakukan bila kedua matriks tersebut
berukuran sama. Misalnya matriks C23
C=

#
"
9 5 3
7 2 1

2.5. OPERASI MATEMATIKA

21

dijumlahkan dengan matriks A23 , lalu hasilnya (misalnya) dinamakan matriks D23
D =A+C

D =

"

"

"

3 8 5

"

#
9 5 3

7 2 1
#
3+9 8+5 5+3
6 4 7

6+7 4+2 7+1


#
12 13 8
13

Tanpa mempedulikan nilai elemen-elemen masing-masing matriks, operasi penjumlahan antara


matriks A23 dan C23 , bisa juga dinyatakan dalam indeks masing-masing dari kedua matriks
tersebut, yaitu
"

d11 d12 d13


d21 d22 d23

"

a11 + c11 a12 + c12 a13 + c13

a21 + c21 a22 + c22 a23 + c23

Dijabarkan satu persatu sebagai berikut


d11 = a11 + c11
d12 = a12 + c12
d13 = a13 + c13

(2.6)

d21 = a21 + c21


d22 = a22 + c22
d23 = a23 + c23
Dari sini dapat diturunkan sebuah rumus umum penjumlahan dua buah matriks
dij = aij + cij

(2.7)

dengan i=1,2 dan j=1,2,3. Perhatikan baik-baik! Batas i hanya sampai angka 2 sementara batas j sampai angka 3. Kemampuan Anda dalam menentukan batas indeks sangat
penting dalam dunia programming.
2.5.2

Komputasi penjumlahan matriks

Berdasarkan contoh operasi penjumlahan di atas, indeks j pada persamaan (2.7) lebih cepat
berubah dibanding indeks i sebagaimana ditulis pada 3 baris pertama dari Persamaan (2.6),
d11 = a11 + c11
d12 = a12 + c12
d13 = a13 + c13

BAB 2. MATRIKS DAN KOMPUTASI

22

Jelas terlihat, ketika indeks i masih bernilai 1, indeks j sudah berubah dari nilai 1 sampai 3.
Hal ini membawa konsekuensi pada skrip pemrograman, dengan looping untuk indeks j harus
diletakkan di dalam looping indeks i. Aturan mainnya adalah yang looping-nya paling cepat
harus diletakkan paling dalam; sebaliknya, looping terluar adalah looping yang indeksnya
paling jarang berubah.
Bila Anda masih belum paham terhadap kalimat yang dicetak tebal, saya akan berikan contoh source code dasar yang nantinya akan kita optimasi selangkah demi selangkah. OK, kita
mulai dari source code paling mentah berikut ini.
1
2

clear all
clc

3
4

A=[3 8 5; 6 4 7];

% inisialisasi matriks A

C=[9 5 3; 7 2 1];

% inisialisasi matriks B

5
6
7
8
9
10
11
12
13
14

% ---proses penjumlahan matriks---D(1,1)=A(1,1)+C(1,1);


D(1,2)=A(1,2)+C(1,2);
D(1,3)=A(1,3)+C(1,3);
D(2,1)=A(2,1)+C(2,1);
D(2,2)=A(2,2)+C(2,2);
D(2,3)=A(2,3)+C(2,3);

15
16
17
18
19

% ---menampilkan matriks A, C dan D---A


C
D

Tanda % berfungsi untuk memberikan komentar atau keterangan. Komentar atau keterangan
tidak akan diproses oleh Matlab. Saya yakin Anda paham dengan logika yang ada pada bagian %
proses penjumlahan matriks- dalam source code di atas. Misalnya pada baris ke-9, elemen
d11 adalah hasil penjumlahan antara elemen a11 dan c11 , sesuai dengan baris pertama Persamaan
2.6.
Tahap pertama penyederhanaan source code dilakukan dengan menerapkan perintah for end untuk proses looping. Source code tersebut berubah menjadi
1
2

clear all
clc

3
4

A=[3 8 5; 6 4 7];

% inisialisasi matriks A

C=[9 5 3; 7 2 1];

% inisialisasi matriks B

5
6
7
8
9
10
11

% ---proses penjumlahan matriks---for j=1:3


D(1,j)=A(1,j)+C(1,j);
end

12
13
14
15

for j=1:3
D(2,j)=A(2,j)+C(2,j);
end

2.5. OPERASI MATEMATIKA

23

16
17
18
19
20

% ---menampilkan matriks A, C dan D---A


C
D

Pada baris ke-9 dan ke-13, saya mengambil huruf j sebagai nama indeks dengan j bergerak dari
1 sampai 3. Coba Anda pikirkan, mengapa j hanya bergerak dari 1 sampai 3?
Modikasi tahap kedua adalah sebagai berikut
1
2

clear all
clc

3
4

A=[3 8 5; 6 4 7];

% inisialisasi matriks A

C=[9 5 3; 7 2 1];

% inisialisasi matriks B

5
6
7
8
9
10
11
12

% ---proses penjumlahan matriks---i=1


for j=1:3
D(i,j)=A(i,j)+C(i,j);
end

13
14
15
16
17

i=2
for j=1:3
D(i,j)=A(i,j)+C(i,j);
end

18
19
20
21
22

% ---menampilkan matriks A, C dan D---A


C
D

Saya gunakan indeks i pada baris ke-9 dan ke-14 yang masing-masing berisi angka 1 dan 2.
Dengan begitu indeks i bisa menggantikan angka 1 dan 2 yang semula ada di baris ke-11 dan
ke-16. Nah sekarang coba Anda perhatikan, statemen pada baris ke-10, ke-11 dan ke-12 sama
persis dengan statemen pada baris ke-15, ke-16 dan ke-17, sehingga mereka bisa disatukan
kedalam sebuah looping yang baru dengan i menjadi nama indeksnya.
1
2

clear all
clc

3
4

A=[3 8 5; 6 4 7];

% inisialisasi matriks A

C=[9 5 3; 7 2 1];

% inisialisasi matriks B

5
6
7
8
9
10
11
12
13

% ---proses penjumlahan matriks---for i=1:2


for j=1:3
D(i,j)=A(i,j)+C(i,j);
end
end

14
15
16

% ---menampilkan matriks A, C dan D---A

BAB 2. MATRIKS DAN KOMPUTASI

24
17
18

C
D

Coba Anda pahami dari baris ke-9, mengapa indeks i hanya bergerak dari 1 sampai 2?
Source code di atas memang sudah tidak perlu dimodikasi lagi, namun ada sedikit saran
untuk penulisan looping bertingkat dimana sebaiknya looping terdalam ditulis agak menjorok
kedalam seperti berikut ini

1
2

clear all
clc

3
4

A=[3 8 5; 6 4 7];

% inisialisasi matriks A

C=[9 5 3; 7 2 1];

% inisialisasi matriks B

5
6
7
8
9
10
11
12
13

% ---proses penjumlahan matriks---for i=1:2


for j=1:3
D(i,j)=A(i,j)+C(i,j);
end
end

14
15
16
17
18

% ---menampilkan matriks A, C dan D---A


C
D

Sekarang Anda lihat bahwa looping indeks j ditulis lebih masuk kedalam dibandingkan looping
indeks i. Semoga contoh ini bisa memperjelas aturan umum pemrograman dimana yang looping-nya paling cepat harus diletakkan paling dalam; sebaliknya, looping terluar adalah
looping yang indeksnya paling jarang berubah. Dalam contoh ini looping indeks j bergerak
lebih cepat dibanding looping indeks i.

2.5.3

Perkalian matriks

Operasi perkalian dua buah matriks hanya bisa dilakukan bila jumlah kolom matriks pertama
sama dengan jumlah baris matriks kedua. Jadi kedua matriks tersebut tidak harus berukuran
sama seperti pada penjumlahan dua matriks. Misalnya matriks A23 dikalikan dengan matriks
B32 , lalu hasilnya (misalnya) dinamakan matriks E22

E22 = A23 .B32

2.5. OPERASI MATEMATIKA

25

E =

"

"

# 1 3
3 8 5

5 9
6 4 7
2 4

3.1 + 8.5 + 5.2 3.3 + 8.9 + 5.4

6.1 + 4.5 + 7.2 6.3 + 4.9 + 7.4


#
"
53 101
40

82

Tanpa mempedulikan nilai elemen-elemen masing-masing matriks, operasi perkalian antara matriks A23 dan B32 , bisa juga dinyatakan dalam indeks masing-masing dari kedua matriks tersebut, yaitu
#
"
e11 e12
e21 e22

#
"
a11 .b11 + a12 .b21 + a13 .b31 a11 .b12 + a12 .b22 + a13 .b32
a21 .b11 + a22 .b21 + a23 .b31 a21 .b12 + a22 .b22 + a23 .b32

Bila dijabarkan, maka elemen-elemen matriks E22 adalah


e11 = a11 .b11 + a12 .b21 + a13 .b31

(2.8)

e12 = a11 .b12 + a12 .b22 + a13 .b32

(2.9)

e21 = a21 .b11 + a22 .b21 + a23 .b31

(2.10)

e22 = a21 .b12 + a22 .b22 + a23 .b32

(2.11)

Sejenak, mari kita amati perubahan pasangan angka-angka indeks yang mengiringi elemen e,
elemen a dan elemen b mulai dari persamaan (2.8) sampai persamaan (2.11). Perhatikan perubahan angka-indeks-pertama pada elemen e seperti berikut ini
e1.. = ..
e1.. = ..
e2.. = ..
e2.. = ..
Pola perubahan yang sama akan kita dapati pada angka-indeks-pertama dari elemen a
e1.. = a1.. .b... + a1.. .b... + a1.. .b...
e1.. = a1.. .b... + a1.. .b... + a1.. .b...
e2.. = a2.. .b... + a2.. .b... + a2.. .b...
e2.. = a2.. .b... + a2.. .b... + a2.. .b...
Dengan demikian kita bisa mencantumkan huruf i sebagai pengganti angka-angka indeks yang

26

BAB 2. MATRIKS DAN KOMPUTASI

polanya sama
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
dengan i bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan i=1,2. Selanjutnya, masih dari persamaan (2.8) sampai persamaan (2.11), marilah kita perhatikan perubahan
angka-indeks-kedua pada elemen e dan elemen b,
ei1 = ai.. .b..1 + ai.. .b..1 + ai.. .b..1
ei2 = ai.. .b..2 + ai.. .b..2 + ai.. .b..2
ei1 = ai.. .b..1 + ai.. .b..1 + ai.. .b..1
ei2 = ai.. .b..2 + ai.. .b..2 + ai.. .b..2
Dengan demikian kita bisa mencantumkan huruf j sebagai pengganti angka-angka indeks yang
polanya sama
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
dengan j bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan j=1,2. Selanjutnya, masih dari persamaan (2.8) sampai persamaan (2.11), mari kita perhatikan perubahan
angka-indeks-kedua elemen a dan angka-indeks-pertama elemen b, dimana kita akan dapati
pola sebagai berikut
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
Dan kita bisa mencantumkan huruf k sebagai pengganti angka-angka indeks yang polanya sama,

2.5. OPERASI MATEMATIKA

27

dengan k bergerak mulai dari angka 1 hingga angka 3, atau kita nyatakan k=1,2,3.
eij = aik .bkj + aik .bkj + aik .bkj
eij = aik .bkj + aik .bkj + aik .bkj
eij = aik .bkj + aik .bkj + aik .bkj
eij = aik .bkj + aik .bkj + aik .bkj
Kemudian secara sederhana dapat ditulis sebagai berikut
eij = aik .bkj + aik .bkj + aik .bkj

(2.12)

Selanjutnya dapat ditulis pula formula berikut


eij =

3
X

aik bkj

(2.13)

k=1

dengan i=1,2; j=1,2; dan k=1,2,3.


Berdasarkan contoh ini, maka secara umum bila ada matriks Anm yang dikalikan dengan matriks Bmp , akan didapatkan matriks Enp dengan elemen-elemen matriks E memenuhi
eij =

m
X

aik bkj

(2.14)

k=1

dengan i=1,2,. . . ,n; j=1,2. . . ,p; dan k=1,2. . . ,m.

2.5.4

Komputasi perkalian matriks

Mari kita mulai lagi dari source code paling dasar dari operasi perkalian matriks sesuai dengan
contoh di atas.

1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8
9
10
11

% ---proses perkalian matriks---E(1,1)=A(1,1)*B(1,1)+A(1,2)*B(2,1)+A(1,3)*B(3,1);


E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);

12
13
14
15
16

% ---menampilkan matriks A, B dan E---A


B
E

BAB 2. MATRIKS DAN KOMPUTASI

28

Sejenak, mari kita amati dengan cermat statemen dari baris ke-9 sampai ke-12 sambil dikaitkan
dengan bentuk umum penulisan indeks pada perkalian matriks yaitu
eij = aik .bkj + aik .bkj + aik .bkj

(2.15)

Dari sana ada 4 point yang perlu dicatat:


elemen e memiliki indeks i dan indeks j dengan indeks j lebih cepat berubah dibanding
indeks i.
pada baris statemen ke-8 sampai ke-11 ada tiga kali operasi perkalian dan dua kali operasi
penjumlahan yang semuanya melibatkan indeks i, indeks j dan indeks k. Namun indeks k
selalu berubah pada masing-masing perkalian. Jadi indeks k paling cepat berubah dibanding indeks i dan indeks j.
elemen a memiliki indeks i dan indeks k dimana indeks k lebih cepat berubah dibanding
indeks i.
elemen b memiliki indeks k dan indeks j dimana indeks k lebih cepat berubah dibanding
indeks j.
Tahapan modikasi source code perkalian matriks tidak semudah penjumlahan matriks. Dan
mengajarkan logika dibalik source code perkalian matriks jauh lebih sulit daripada sekedar memodikasi source code tersebut. Tapi akan saya coba semampu saya lewat tulisan ini walau
harus perlahan-lahan. Mudah-mudahan mudah untuk dipahami.
Saya mulai dengan memecah operasi pada statemen baris ke-8 yang bertujuan menghitung
nilai E(1, 1)
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8
9
10
11

% ---proses perkalian matriks---% ---E(1,1) dihitung 3 kali


E(1,1)=A(1,1)*B(1,1);
E(1,1)=E(1,1)+A(1,2)*B(2,1);
E(1,1)=E(1,1)+A(1,3)*B(3,1);

12
13
14
15
16

% ---E(1,2); E(2,1); dan E(2,2) masih seperti semula


E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);

17
18
19
20
21

% ---menampilkan matriks A, B dan E---A


B
E

Agar baris ke-9 memiliki pola yang sama dengan baris ke-11 dan ke-12, upaya yang dilakukan
adalah

2.5. OPERASI MATEMATIKA

1
2

29

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8
9
10
11
12

% ---proses perkalian matriks---% ---E(1,1) dihitung 3 kali


E(1,1)=0;
E(1,1)=E(1,1)+A(1,1)*B(1,1);
E(1,1)=E(1,1)+A(1,2)*B(2,1);
E(1,1)=E(1,1)+A(1,3)*B(3,1);

13
14
15
16
17

% ---E(1,2); E(2,1); dan E(2,2) masih seperti semula


E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);

18
19
20
21
22

% ---menampilkan matriks A, B dan E---A


B
E

Dari sini kita bisa munculkan indeks k


1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8
9
10
11

% ---proses perkalian matriks---E(1,1)=0;


for k=1:3
% k bergerak dari 1 sampai 3
E(1,1)=E(1,1)+A(1,k)*B(k,1);
end

12
13
14
15
16

% ---E(1,2); E(2,1); dan E(2,2) masih seperti semula


E(1,2)=A(1,1)*B(1,2)+A(1,2)*B(2,2)+A(1,3)*B(3,2);
E(2,1)=A(2,1)*B(1,1)+A(2,2)*B(2,1)+A(2,3)*B(3,1);
E(2,2)=A(2,1)*B(1,2)+A(2,2)*B(2,2)+A(2,3)*B(3,2);

17
18
19
20
21

% ---menampilkan matriks A, B dan E---A


B
E

Kemudian cara yang sama dilakukan pada E(1, 2), E(2, 1), dan E(2, 2). Anda mesti cermat dan
hati-hati dalam menulis angka-angka indeks!!!
1
2

clear all
clc

3
4
5
6

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

30
7
8
9
10
11

BAB 2. MATRIKS DAN KOMPUTASI

% ---proses perkalian matriks---E(1,1)=0;


for k=1:3
E(1,1)=E(1,1)+A(1,k)*B(k,1);
end

12
13
14
15
16

E(1,2)=0;
for k=1:3
E(1,2)=E(1,2)+A(1,k)*B(k,2);
end

17
18
19
20
21

E(2,1)=0;
for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end

22
23
24
25
26

E(2,2)=0;
for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end

27
28
29
30
31

% ---menampilkan matriks A, B dan E---A


B
E

Inisialisasi elemen-elemen matriks E dengan angka nol, bisa dilakukan diawal proses perkalian
yang sekaligus memunculkan indeks i dan j untuk elemen E
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8
9
10
11
12

% ---proses perkalian matriks---for i=1:2


% i bergerak dari 1 sampai 2
for j=1:2
% j bergerak dari 1 sampai 2
E(i,j)=0;
end
end

13
14
15
16

for k=1:3
E(1,1)=E(1,1)+A(1,k)*B(k,1);
end

17
18
19
20

for k=1:3
E(1,2)=E(1,2)+A(1,k)*B(k,2);
end

21
22
23
24

for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end

25
26
27
28
29

for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end

2.5. OPERASI MATEMATIKA


30
31
32
33

31

% ---menampilkan matriks A, B dan E---A


B
E

Sekarang coba Anda perhatikan statemen pada baris ke-15 dan ke-19, lalu bandingkan indeks
i dan indeks j pada elemen E. Indeks mana yang berubah? Ya. Jawabannya adalah indeks j.
Dengan demikian kita bisa munculkan indeks j
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8
9
10
11
12

% ---proses perkalian matriks---for i=1:2


% i bergerak dari 1 sampai 2
for j=1:2
% j bergerak dari 1 sampai 2
E(i,j)=0;
end
end

13
14
15
16
17

j=1;
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end

18
19
20
21
22

j=2;
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end

23
24
25
26

for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end

27
28
29
30

for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end

31
32
33
34
35

% ---menampilkan matriks A, B dan E---A


B
E

Lihatlah, statemen dari baris ke-15 sampai ke-17 memiliki pola yang sama dengan statemen
dari baris ke-20 sampai ke-22, sehingga mereka bisa disatukan kedalam looping indeks j
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8

% ---proses perkalian matriks---for i=1:2


% i bergerak dari 1 sampai 2

BAB 2. MATRIKS DAN KOMPUTASI

32
for j=1:2
E(i,j)=0;
end

9
10
11
12

% j bergerak dari 1 sampai 2

end

13
14
15
16
17
18

for j=1:2
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
end

19
20
21
22

for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end

23
24
25
26

for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end

27
28
29
30
31

% ---menampilkan matriks A, B dan E---A


B
E

Sekarang coba sekali lagi Anda perhatikan statemen pada baris ke-21 dan ke-25, lalu bandingkan indeks i dan indeks j pada elemen E. Indeks mana yang berubah? Ya. Jawabannya tetap
indeks j. Dengan demikian kita bisa munculkan juga indeks j disana
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8
9
10
11
12

% ---proses perkalian matriks---for i=1:2


% i bergerak dari 1 sampai 2
for j=1:2
% j bergerak dari 1 sampai 2
E(i,j)=0;
end
end

13
14
15
16
17
18

for j=1:2
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
end

19
20
21
22
23

j=1;
for k=1:3
E(2,j)=E(2,j)+A(2,k)*B(k,j);
end

24
25
26
27
28
29

j=2;
for k=1:3
E(2,j)=E(2,j)+A(2,k)*B(k,j);
end

2.5. OPERASI MATEMATIKA


30
31
32
33

33

% ---menampilkan matriks A, B dan E---A


B
E

Cermatilah, statemen dari baris ke-21 sampai ke-23 memiliki pola yang sama dengan statemen
dari baris ke-25 sampai ke-27, sehingga mereka pun bisa disatukan kedalam looping indeks j
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8
9
10
11
12

% ---proses perkalian matriks---for i=1:2


% i bergerak dari 1 sampai 2
for j=1:2
% j bergerak dari 1 sampai 2
E(i,j)=0;
end
end

13
14
15
16
17
18

for j=1:2
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
end

19
20
21
22
23
24

for j=1:2
for k=1:3
E(2,j)=E(2,j)+A(2,k)*B(k,j);
end
end

25
26
27
28
29

% ---menampilkan matriks A, B dan E---A


B
E

Akhirnya kita sampai pada bagian akhir tahapan modikasi. Perhatikan baris ke-16 dan ke-22.
Indeks i pada elemen E dan A bergerak dari 1 ke 2, sehingga indeks i bisa dimunculkan
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8
9
10
11
12

% ---proses perkalian matriks---for i=1:2


% i bergerak dari 1 sampai 2
for j=1:2
% j bergerak dari 1 sampai 2
E(i,j)=0;
end
end

13
14
15

i=1;
for j=1:2

BAB 2. MATRIKS DAN KOMPUTASI

34
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end

16
17
18
19

end

20
21
22
23
24
25
26

i=2;
for j=1:2
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end

27
28
29
30
31

% ---menampilkan matriks A, B dan E---A


B
E

Sekarang, statemen dari baris ke-15 sampai ke-19 memiliki pola yang sama dengan statemen
dari baris ke-22 sampai ke-26. Mereka bisa disatukan oleh looping indeks i
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matriks A


B = [1 3; 5 9; 2 4]; % inisialisasi matriks B

6
7
8
9
10
11
12

% ---proses perkalian matriks---for i=1:2


for j=1:2
E(i,j)=0;
end
end

13
14
15
16
17
18
19
20

for i=1:2
for j=1:2
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end

21
22
23
24
25

% ---menampilkan matriks A, B dan E---A


B
E

Inilah hasil akhir dari tahapan-tahapan modikasi yang selanjutnya saya sebut sebagai proses
optimasi. Upaya yang baru saja saya perlihatkan, sebenarnya penuh dengan jebakan-jebakan
kesalahan, terutama jika Anda kurang cermat membaca indeks dan pola. Upaya seperti itu
memerlukan konsentrasi dan perhatian yang tidak sebentar. Upaya semacam itu tidak semudah
meng-copy hasil akhir optimasi. Walaupun bisa di-copy, namun saya menyarankan agar Anda
mencoba melakukan proses optimasi itu sekali lagi di komputer tanpa melihat catatan ini dan
tanpa bantuan orang lain. Kalau Anda gagal, cobalah berkir lebih keras untuk mencari jalan
keluarnya. Jika masih tetap gagal, silakan lihat catatan ini sebentar saja sekedar untuk mencari

2.5. OPERASI MATEMATIKA

35

tahu dimana letak kesalahannya. Hanya dengan cara begitu ilmu programming ini akan bisa
menyatu pada diri Anda.

2.5.5

Perkalian matriks dan vektor-kolom

Operasi perkalian antara matriks dan vektor-kolom sebenarnya sama saja dengan perkalian antara dua matriks. Hanya saja ukuran vektor-kolom boleh dibilang spesial yaitu m x 1, dengan
m merupakan jumlah baris sementara jumlah kolomnya hanya satu. Misalnya matriks A, pada contoh 1, dikalikan dengan vektor-kolom x yang berukuran 3 x 1 atau disingkat dengan
mengatakan vektor-kolom x berukuran 3, lalu hasilnya (misalnya) dinamakan vektor-kolom y
y = Ax


# 2
"
3 8 5
y =
3
6 4 7
4
#
"
3.2 + 8.3 + 5.4
=
6.2 + 4.3 + 7.4
" #
50
=
52
Sekali lagi, tanpa mempedulikan nilai elemen-elemen masing-masing, operasi perkalian antara
matriks A dan vektor-kolom x, bisa juga dinyatakan dalam indeksnya masing-masing, yaitu
" #
y1
y2

"

a11 .x1 + a12 .x2 + a13 .x3


a21 .x1 + a22 .x2 + a23 .x3

Bila dijabarkan, maka elemen-elemen vektor-kolom y adalah


y1 = a11 .x1 + a12 .x2 + a13 .x3
y2 = a21 .x1 + a22 .x2 + a23 .x3
kemudian secara sederhana dapat diwakili oleh rumus berikut
yi =

3
X

aij xj

j=1

dengan i=1,2.
Berdasarkan contoh tersebut, secara umum bila ada matriks A berukuran n x m yang dikalikan
dengan vektor-kolom x berukuran m, maka akan didapatkan vektor-kolom y berukuran n x 1

BAB 2. MATRIKS DAN KOMPUTASI

36
dengan elemen-elemen vektor-kolom y memenuhi
yi =

m
X

aij xj

(2.16)

j=1

dengan i=1,2,. . . ,n.


2.5.6

Komputasi perkalian matriks dan vektor-kolom

Mari kita mulai lagi dari source code paling dasar dari operasi perkalian antara matriks dan
vektor-kolom sesuai dengan contoh di atas
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

% inisialisasi matriks A
% inisialisasi vektor x

6
7
8
9

% ---proses perkalian matriks dan vektor---y(1,1)=A(1,1)*x(1,1)+A(1,2)*x(2,1)+A(1,3)*x(3,1);


y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);

10
11
12
13
14

% ---menampilkan matriks A, B dan E---A


x
y

Sejenak, mari kita amati dengan cermat statemen dari baris ke-8 dan ke-9 sambil dikaitkan
dengan bentuk umum penulisan indeks pada perkalian antara matriks dan vektor-kolom yaitu
yi1 = aij .xj1 + aij .xj1 + aij .xj1

(2.17)

Dari sana ada 3 point yang perlu dicatat:


elemen y dan elemen x sama-sama memiliki indeks i yang berpasangan dengan angka 1.
pada baris statemen ke-8 dan ke-9 ada tiga kali operasi perkalian dan dua kali operasi
penjumlahan yang semuanya melibatkan indeks i dan indeks j. Namun indeks j selalu berubah pada masing-masing perkalian. Jadi indeks j lebih cepat berubah dibanding
indeks i.
elemen a memiliki indeks i dan indeks j dengan indeks j lebih cepat berubah dibanding
indeks i.
Kita mulai dengan memecah operasi pada statemen baris ke-8 yang bertujuan menghitung
nilai y(1, 1)
1
2
3

clear all
clc

2.5. OPERASI MATEMATIKA


4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

37

% inisialisasi matriks A
% inisialisasi vektor x

6
7
8
9
10

% ---proses perkalian matriks dan vektor---y(1,1)=A(1,1)*x(1,1);


y(1,1)=y(1,1)+A(1,2)*x(2,1);
y(1,1)=y(1,1)+A(1,3)*x(3,1);

11
12

y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);

13
14
15
16
17

% ---menampilkan matriks A, B dan E---A


x
y

Agar baris ke-8 memiliki pola yang sama dengan baris ke-9 dan ke-10, upaya yang dilakukan
adalah
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

% inisialisasi matriks A
% inisialisasi vektor x

6
7
8
9
10
11

% ---proses perkalian matriks dan vektor---y(1,1)=0;


y(1,1)=y(1,1)+A(1,1)*x(1,1);
y(1,1)=y(1,1)+A(1,2)*x(2,1);
y(1,1)=y(1,1)+A(1,3)*x(3,1);

12
13

y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);

14
15
16
17
18

% ---menampilkan matriks A, B dan E---A


x
y

Dari sini kita bisa munculkan indeks j


1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

% inisialisasi matriks A
% inisialisasi vektor x

6
7
8
9
10
11

% ---proses perkalian matriks dan vektor---y(1,1)=0;


for j=1:3
y(1,1)=y(1,1)+A(1,j)*x(j,1);
end

12
13

y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);

14
15
16
17
18

% ---menampilkan matriks A, B dan E---A


x
y

BAB 2. MATRIKS DAN KOMPUTASI

38
Dengan cara yang sama, baris ke-13 dimodikasi menjadi
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

% inisialisasi matriks A
% inisialisasi vektor x

6
7
8
9
10
11

% ---proses perkalian matriks dan vektor---y(1,1)=0;


for j=1:3
y(1,1)=y(1,1)+A(1,j)*x(j,1);
end

12
13
14
15
16

y(2,1)=0;
for j=1:3
y(2,1)=y(2,1)+A(2,j)*x(j,1);
end

17
18
19
20
21

% ---menampilkan matriks A, B dan E---A


x
y

Inisialisasi vektor y dengan angka nol dapat dilakukan diawal proses perkalian, sekaligus memunculkan indeks i
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

% inisialisasi matriks A
% inisialisasi vektor x

6
7
8
9
10

% ---proses perkalian matriks dan vektor---for i=1:2


y(i,1)=0;
end

11
12
13
14

for j=1:3
y(1,1)=y(1,1)+A(1,j)*x(j,1);
end

15
16
17
18

for j=1:3
y(2,1)=y(2,1)+A(2,j)*x(j,1);
end

19
20
21
22
23

% ---menampilkan matriks A, B dan E---A


x
y

Kemudian, untuk menyamakan pola statemen baris ke-13 dan ke-17, indeks i kembali dimunculkan
1
2

clear all
clc

2.6. PENUTUP

39

3
4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

% inisialisasi matriks A
% inisialisasi vektor x

6
7
8
9
10

% ---proses perkalian matriks dan vektor---for i=1:2


y(i,1)=0;
end

11
12
13
14
15

i=1;
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end

16
17
18
19
20

i=2;
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end

21
22
23
24
25

% ---menampilkan matriks A, B dan E---A


x
y

Akhir dari proses optimasi adalah sebagai berikut

1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

% inisialisasi matriks A
% inisialisasi vektor x

6
7
8
9
10

% ---proses perkalian matriks dan vektor---for i=1:2


y(i,1)=0;
end

11
12
13
14
15
16

for i=1:2
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end

17
18
19
20
21

% ---menampilkan matriks A, B dan E---A


x
y

2.6 Penutup
Demikianlah catatan singkat dan sederhana mengenai jenis-jenis matriks dasar dan operasi penjumlahan dan perkalian yang seringkali dijumpai dalam pengolahan data secara numerik. Semuanya akan dijadikan acuan atau referensi pada pembahasan topik-topik numerik yang akan
datang.

BAB 2. MATRIKS DAN KOMPUTASI

40

2.7 Latihan
1. Diketahui matriks A, matriks B, dan vektor x sebagai berikut

5
9
7
5.6

A=

2
4
8
1

2.3 1.4 0.8 2.3

21

3
10
5
0.1

B=

7
2
9
5

2.7 12 8.9 5.7

0.4178

2.9587

x=

56.3069

8.1

(a) Buatlah skrip untuk menyelesaikan penjumlahan matriks A dan matriks B.


(b) Buatlah skrip untuk menyelesaikan perkalian matriks A dan matriks B.
(c) Buatlah skrip untuk menyelesaikan perkalian matriks A dan vektor x.
(d) Buatlah skrip untuk menyelesaikan perkalian matriks B dan vektor x.

Bab 3

Fungsi

Objektif :
Mengenalkan fungsi internal.
Membuat fungsi ekstenal.
Membuat fungsi ekternal untuk penjumlahan matrik.
Membuat fungsi ekternal untuk perkalian matrik.

3.1 Fungsi internal


Fungsi internal adalah fungsi bawaan yang sudah tersedia di dalam Matlab; contohnya: sqrt(),
sind() dan log10(). Ketika kita hendak mencari akar kuadrat dari angka 49, maka cukup dengan
mengetikkan
>> sqrt(49)
ans =
7

Untuk mencari nilai sinus dari 30 C


>> sind(30)
ans =
0.5000

dan untuk mendapatkan nilai logaritma berbasis 10 dari angka 10000


>> log10(10000)
ans =
4

Selain sqrt(), sind() dan log10(), masih banyak lagi fungsi internal yang dimiliki Matlab. Adanya
fungsi internal sangat memudahkan kita dalam membuat script dengan Matlab.
41

BAB 3. FUNGSI

42

3.2 Fungsi eksternal


Fungsi-fungsi yang tidak tersedia di matlab dapat dibuat sendiri sebagai fungsi eksternal. Cara membuat fungsi eksternal tidak sulit. Misalnya kita ingin membuat fungsi eksternal untuk
menghitung jarak vertikal dari gerak jatuh bebas yang persamaannya adalah
h=

1 2
gt
2

(3.1)

dimana h = adalah jarak vertikal, t adalah waktu (detik) dan konstanta gravitasi g = 9, 8m/dt2 .
Bukalah window Matlab editor, kemudian ketik script berikut
1

function y = gjb(t)

2
3
4

g = 9.8;
y = 0.5*g*t^2;

lalu simpan dengan nama gjb.m. Sampai disini, kita sudah selesai membuat fungsi eksternal
dengan nama gjb(). Sebagai bukti, misalnya kita ingin hitung jarak jatuh setelah 2 detik, coba
jalankan perintah berikut di window command
>> gjb(2)
ans =
19.6000

diperoleh jawaban sebesar 19,6 meter.


Contoh lain, persamaan lintasan gerak parabola adalah sebagai berikut
y = (tan o )x

gx2
2(vo cos o )2

(3.2)

Jika vo = 5 m/dt dan o = 30 sementara variabel x berubah-ubah, maka fungsi eksternal-nya


dapat ditulis sebagai berikut
1

function y = parabol(x)

2
3
4
5

vo = 5;
g = 9.8;
tetha = 30;

6
7

y = tand(tetha)*x - (g*x.^2)/(2*(vo*cosd(tetha))^2);

Sekarang fungsi eksternal parabol() siap digunakan


>> x = 1.2;
>> parabol(x)
ans =
0.3165

3.2. FUNGSI EKSTERNAL

43

Seperti fungsi lainnya, ia bisa menerima input berupa angka yang banyak, misalnya
>>
>>
>>
>>
>>
>>

x=0:0.01:2;
y=parabol(x);
plot(x,y)
xlabel(Jangkauan (meter));
ylabel(Tinggi (meter));
title(Lintasan Gerak Parabola)

Lintasan Gerak Parabola


0.35

0.3

Tinggi (meter)

0.25

0.2

0.15

0.1

0.05

0.5

1
Jangkauan (meter)

1.5

Gambar 3.1: Kurva lintasan gerak parabola yang dihasilkan oleh fungsi eksternal parabol()
Dalam contoh di atas, fungsi parabol() dibuat hanya bisa menerima sebuah input, yaitu x. Jika
inputnya mau dimodikasi dengan memasukkan faktor sudut awal dan kecepatan awal, maka
fungsi eksternal diubah menjadi
1

function y = parabol(x,vo,theta)

2
3

g = 9.8;

4
5

y = tand(theta)*x - (g*x.^2)/(2*(vo*cosd(theta))^2);

Contoh pemanfaatan fungsi eksternal yang telah dimodikasi tersebut adalah


>>
>>
>>
>>
>>
>>
>>
>>

vo = 5;
theta = 30;
x=0:0.01:2;
y=parabol(x,vo,theta);
plot(x,y)
xlabel(Jangkauan (meter));
ylabel(Tinggi (meter));
title(Lintasan Gerak Parabola)

BAB 3. FUNGSI

44

3.3 Fungsi eksternal pada operasi matrik


Pada bab terdahulu kita sudah melakukan proses optimasi penjumlahan matrik dengan source
code akhir seperti ini
1
2

clear all
clc

3
4
5

A=[3 8 5; 6 4 7];
C=[9 5 3; 7 2 1];

% inisialisasi matrik A
% inisialisasi matrik B

6
7
8
9
10
11
12

% ---proses penjumlahan matrik---for i=1:2


for j=1:3
D(i,j)=A(i,j)+C(i,j);
end
end

13
14
15
16
17

% ---menampilkan matrik A, C dan D---A


C
D

Pertanyaan yang segera muncul adalah apakah source code tersebut bisa digunakan untuk menyelesaikan penjumlahan matrik yang dimensinya bukan 2x3 ? Misalnya
D =A+C

4 3 8 6

2 6 7 2

D = 5 1 2 3 + 9 1 3 8
6 7 9 1
5 8 4 7
Tentu saja bisa, asal indeks i bergerak dari 1 sampai 3 dan indeks j bergerak dari 1 sampai 4.
Lihat source code berikut
1
2

clear all
clc

3
4
5

A=[4 3 8 6; 5 1 2 3; 6 7 9 1];
C=[2 6 7 2; 9 1 3 8; 5 8 4 7];

% inisialisasi matrik A
% inisialisasi matrik B

6
7
8
9
10
11
12

% ---proses penjumlahan matrik---for i=1:3


for j=1:4
D(i,j)=A(i,j)+C(i,j);
end
end

13
14
15
16
17

% ---menampilkan matrik A, C dan D---A


C
D

3.3. FUNGSI EKSTERNAL PADA OPERASI MATRIK

45

Walaupun bisa digunakan, namun cara modikasi seperti itu sangat tidak eksibel dan beresiko
salah jika kurang teliti. Untuk menghindari resiko kesalahan dan agar lebih eksibel, source
code tersebut perlu dioptimasi sedikit lagi menjadi
1
2

clear all
clc

3
4
5

A=[4 3 8 6; 5 1 2 3; 6 7 9 1];
C=[2 6 7 2; 9 1 3 8; 5 8 4 7];

% inisialisasi matrik A
% inisialisasi matrik B

6
7
8
9
10
11
12
13
14
15

% ---proses penjumlahan matrik---dim=size(A);


n=dim(1);
m=dim(2);
for i=1:n
for j=1:m
D(i,j)=A(i,j)+C(i,j);
end
end

16
17
18
19
20

% ---menampilkan matrik A, C dan D---A


C
D

Perhatikan, ada tambahan 3 statemen yaitu mulai dari baris ke-8 sampai ke-10. Sementara
baris ke-11 dan ke-12 hanya mengalami sedikit perubahan. Statemen di baris ke-8 bermaksud
mendeklarasikan variabel dim untuk diisi oleh hasil perhitungan fungsi internal yang bernama
size. Matrik A dijadikan parameter input fungsi size. Fungsi size berguna untuk menghitung
jumlah baris dan jumlah kolom dari matrik A. Hasilnya adalah dim(1) untuk jumlah baris dan
dim(2) untuk jumlah kolom. Pada baris ke-9, variabel n dideklarasikan untuk menerima informasi jumlah baris dari dim(1), sementara variabel m diisi dengan informasi jumlah kolom dari
dim(2) pada baris ke-10. Adapun baris ke-11 dan ke-12 hanya mengubah angka indeks batas
atas, masing-masing menjadi n dan m.
Sekarang kalau kita balik lagi menghitung penjumlahan matrik dari contoh sebelumnya yang
berukuran 2x3, maka source code akan seperti ini
1
2

clear all
clc

3
4
5

A=[3 8 5; 6 4 7];
C=[9 5 3; 7 2 1];

% inisialisasi matrik A
% inisialisasi matrik B

6
7
8
9
10
11
12
13
14
15

% ---proses penjumlahan matrik---dim=size(A);


n=dim(1);
m=dim(2);
for i=1:n
for j=1:m
D(i,j)=A(i,j)+C(i,j);
end
end

BAB 3. FUNGSI

46
16
17
18
19
20

% ---menampilkan matrik A, C dan D---A


C
D

Ajaib bukan!? Tidak ada statemen yang berubah kecuali hanya pada baris ke-4 dan ke-5. Perubahan itu tidak bisa dihindari karena memang di kedua baris itulah deklarasi elemen-elemen
matrik A dan matrik C dilakukan.

3.4 Fungsi eksternal penjumlahan matrik


Saatnya kita memasuki topik tentang pembuatan fungsi eksternal. Dari source code yang terakhir
tadi, mari kita ambil bagian proses penjumlahan matrik-nya saja
1
2
3
4
5
6
7
8

dim=size(A);
n=dim(1);
m=dim(2);
for i=1:n
for j=1:m
D(i,j)=A(i,j)+C(i,j);
end
end

Kita akan jadikan potongan source code ini menjadi fungsi eksternal, dengan menambahkan
statemen function seperti ini
1
2
3
4
5
6
7
8
9

function D=jumlah(A,C)
dim=size(A);
n=dim(1);
m=dim(2);
for i=1:n
for j=1:m
D(i,j)=A(i,j)+C(i,j);
end
end

kemudian ia harus di-save dengan nama jumlah.m. Sampai dengan langkah ini kita telah membuat fungsi eksternal dan diberi nama fungsi jumlah. Sederhana sekali bukan? Untuk menguji
kerja fungsi eksternal tersebut, coba jalankan source code berikut ini
1
2

clear all
clc

3
4
5

A=[3 8 5; 6 4 7];
C=[9 5 3; 7 2 1];

% inisialisasi matrik A
% inisialisasi matrik B

6
7
8

% ---proses penjumlahan matrik---D=jumlah(A,C)

9
10
11

% ---menampilkan matrik A, C dan D---A

3.5. FUNGSI EKSTERNAL PERKALIAN MATRIK


12
13

47

C
D

atau anda jalankan source code yang berikut ini


1
2

clear all
clc

3
4
5

A=[4 3 8 6; 5 1 2 3; 6 7 9 1];
C=[2 6 7 2; 9 1 3 8; 5 8 4 7];

% inisialisasi matrik A
% inisialisasi matrik B

6
7
8

% ---proses penjumlahan matrik---D=jumlah(A,C)

9
10
11
12
13

% ---menampilkan matrik A, C dan D---A


C
D

atau coba iseng-iseng anda ganti matrik-nya menjadi


1
2

clear all
clc

3
4
5

V=[4 3; 5 1];
W=[2 6; 9 3];

% inisialisasi matrik V
% inisialisasi matrik W

6
7
8

% ---proses penjumlahan matrik---U=jumlah(V,W)

9
10
11
12
13

% ---menampilkan matrik V, W dan U---W


V
U

Periksa hasilnya, betul atau salah? Pasti betul! Kesimpulannya adalah setelah fungsi eksternal
berhasil anda dapatkan, maka seketika itu pula anda tidak perlu menggubrisnya lagi. Bahkan
anda tidak perlu mengingat nama matrik aslinya yang tertulis di fungsi jumlah yaitu matrik
A, matrik C dan matrik D. Ditambah lagi, source code anda menjadi terlihat lebih singkat dan
elegan. Dan kini, perhatian anda bisa lebih difokuskan pada deklarasi matrik-nya saja.

3.5 Fungsi eksternal perkalian matrik


Mari kita beralih ke perkalian matrik. Kita akan membuat fungsi eksternal untuk perkalian
matrik. Berikut ini adalah source code perkalian matrik hasil akhir optimasi yang telah ditulis
panjang lebar pada bab sebelumnya
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matrik A


B = [1 3; 5 9; 2 4]; % inisialisasi matrik B

BAB 3. FUNGSI

48
6
7
8
9
10
11
12

% ---proses perkalian matrik---for i=1:2


for j=1:2
E(i,j)=0;
end
end

13
14
15
16
17
18
19
20

for i=1:2
for j=1:2
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end

21
22
23
24
25

% ---menampilkan matrik A, B dan E---A


B
E

Source code tersebut digunakan untuk menghitung perkalian matrik berikut


E22 = A23 B32
Dan kita bisa sepakati simbol indeks m, n, dan p untuk men-generalisir dimensi matrik
Emn = Amp Bpn
Dengan demikian, source code tersebut dapat dioptimasi menjadi
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matrik A


B = [1 3; 5 9; 2 4]; % inisialisasi matrik B

6
7
8
9
10
11
12
13
14
15
16
17

% ---proses perkalian matrik---dim=size(A);


m=dim(1);
p=dim(2);
dim=size(B);
n=dim(2);
for i=1:m
for j=1:n
E(i,j)=0;
end
end

18
19
20
21
22
23
24
25

for i=1:m
for j=1:n
for k=1:p
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end

3.6. FUNGSI EKSTERNAL PERKALIAN MATRIK DAN VEKTOR-KOLOM

49

26
27
28
29
30

% ---menampilkan matrik A, B dan E---A


B
E

Selanjutnya kita ambil bagian proses perkalian matrik nya untuk dibuat fungsi eksternal
1
2
3
4
5
6
7
8
9
10
11

function E=kali(A,B)
dim=size(A);
m=dim(1);
p=dim(2);
dim=size(B);
n=dim(2);
for i=1:m
for j=1:n
E(i,j)=0;
end
end

12
13
14
15
16
17
18
19

for i=1:m
for j=1:n
for k=1:p
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end

lalu di-save dengan nama kali.m, maka terciptalah fungsi eksternal yang bernama fungsi kali.
Kemudian coba anda uji fungsi kali tersebut dengan menjalankan source code berikut
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7]; % inisialisasi matrik A


B = [1 3; 5 9; 2 4]; % inisialisasi matrik B

6
7
8

% ---proses perkalian matrik---E = kali(A,B)

9
10
11
12
13

% ---menampilkan matrik A, B dan E---A


B
E

Silakan anda periksa hasil perhitungannya. Pasti betul! Anda bisa mencoba perkalian matrik
lainnya dengan menggunakan source code tersebut. Bahkan anda bisa mengganti nama matriknya untuk selain A, B dan E.

3.6 Fungsi eksternal perkalian matrik dan vektor-kolom


Mari kita beralih ke perkalian matrik dan vektor-kolom. Kita akan membuat fungsi eksternal
untuk perkalian matrik dan vektor-kolom. Berikut ini adalah source code perkalian matrik dan
vektor-kolom hasil akhir optimasi yang telah ditulis panjang lebar pada bab sebelumnya

BAB 3. FUNGSI

50

1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

% inisialisasi matrik A
% inisialisasi vektor x

6
7
8
9
10

% ---proses perkalian matrik dan vektor---for i=1:2


y(i,1)=0;
end

11
12
13
14
15
16

for i=1:2
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end

17
18
19
20
21

% ---menampilkan matrik A, B dan E---A


x
y

Source code tersebut digunakan untuk menghitung perkalian matrik dan vektor-kolom berikut
y21 = A23 x31
Dan kita bisa sepakati simbol indeks m dan n untuk men-generalisir dimensi matrik
ym1 = Amn xn1
Dengan demikian, source code tersebut dapat dioptimasi menjadi
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

% inisialisasi matrik A
% inisialisasi vektor x

6
7
8
9
10
11
12
13

% ---proses perkalian matrik dan vektor---dim=size(A);


m=dim(1);
n=dim(2);
for i=1:m
y(i,1)=0;
end

14
15
16
17
18
19

for i=1:m
for j=1:n
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end

20
21
22
23

% ---menampilkan matrik A, B dan E---A


x

3.7. PENUTUP
24

51

Selanjutnya kita ambil bagian proses perkalian matrik dan vektor nya untuk dibuat fungsi eksternal
1
2
3
4
5
6
7

function y=kalivektor(A,x)
dim=size(A);
m=dim(1);
n=dim(2);
for i=1:m
y(i,1)=0;
end

8
9
10
11
12
13

for i=1:m
for j=1:n
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end

lalu di-save dengan nama kalivektor.m, maka terciptalah fungsi eksternal yang bernama fungsi
kalivektor. Kemudian coba anda uji fungsi kalivektor tersebut dengan menjalankan source code
berikut
1
2

clear all
clc

3
4
5

A = [3 8 5; 6 4 7];
x = [2; 3; 4];

% inisialisasi matrik A
% inisialisasi vektor x

6
7
8

% ---proses perkalian matrik dan vektor---y = kalivektor(A,x);

9
10
11
12

% ---menampilkan matrik A, B dan E---A


x

Silakan anda periksa hasil perhitungannya. Pasti betul! Anda bisa mencoba perkalian matrik dan
vektor-kolom dengan angka elemen yang berbeda menggunakan source code tersebut. Bahkan
anda bisa mengganti nama matrik dan vektor nya untuk selain A, x dan y.

3.7 Penutup
Ada tiga pilar yang harus dikuasai oleh seorang calon programmer. Pertama, ia harus tahu
bagaimana cara mendeklarasikan data. Kedua, ia harus tahu bagaimana mendayagunakan flowcontrol, yang dalam bab ini dan bab sebelumnya menggunakan pasangan for-end. Dan ketiga,
ia harus bisa membuat fungsi eksternal.
Tidak ada yang melarang anda beralih ke Fortran, atau ke Delphi, atau ke C++, atau ke
Python, atau bahasa pemrograman apa saja. Saran saya, ketika anda berkenalan dengan suatu
bahasa pemrograman, yang pertama kali anda lakukan adalah menguasai ketiga pilar itu. Insya
Allah ia akan membantu anda lebih cepat mempelajari bahasa pemrograman yang sedang anda
geluti.

BAB 3. FUNGSI

52

Penguasaan atas ketiga pilar tersebut akan mengarahkan programmer untuk membuat source code yang bersifat modular atau extention. Ini adalah modal untuk memasuki apa yang
disebut object oriented programming.
Sesungguhnya Matlab memiliki banyak fungsi internal yang bisa langsung dipakai. Anda
bisa coba sendiri suatu saat nanti. Kekuatan bahasa pemrograman salah satunya terletak pada
seberapa kaya dia memilik banyak fungsi. Library adalah kata lain untuk fungsi. Jadi, suatu
bahasa pemrograman akan semakin unggul bila dia memiliki semakin banyak library. Menurut
saya, yang terdepan saat ini masih dimenangkan oleh Python. Dengan Python, source code anda
akan bisa berjalan di Windows, Linux dan Machintos serta beberapa platform lainnya.

3.8 Latihan
1. Diketahui gelombang elektromagnetik bergerak dari medium 1 (permitivitas 1 = 1) ke
medium 2 (permitivitas, 2 = 80) dengan sudut datang (I ) bervariasi dari 0 o hingga 70
o.

Persamaan koesien reeksi gelombang elektromagnetik adalah sbb:


EoR
=
EoI

2
1

cos I

2
1

cos I +

q
q

2
1

sin2 I

2
1

sin2 I

(a) Buatlah script untuk menghitung koesien reeksi dengan interval sudut per 5 o
(b) Buatlah gambar grak Koesien Reeksi vs Sudut
(c) Buatlah fungsi eksternal untuk perhitungan koesien reeksi tersebut.
2. Diketahui gelombang elektromagnetik bergerak dari medium 1 (permitivitas 1 = 1) ke
medium 2 (permitivitas, 2 = 80) dengan sudut datang (I ) bervariasi dari 0 o hingga 70
o.

Persamaan koesien transmisi gelombang elektromagnetik adalah sbb:


EoT
=
EoI

2
+

2
1

cos I +

2
q

2
1

sin2 I

(a) Buatlah script untuk menghitung koesien transmisi dengan interval sudut per 5 o
(b) Buatlah gambar grak Koesien Transmisi vs Sudut
(c) Buatlah fungsi eksternal untuk perhitungan koesien transmisi tersebut.
3. Soal berikut ini berkaitan dengan superposisi gelombang
(a) Buatlah script untuk mem-plot gelombang sinusoidal berfrekuensi 200 Hz dengan
amplitudo 10 dalam fungsi waktu (t) dari 0 ms sampai 10 ms.
(b) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar gelombang sinusoidal berfrekuensi 500 Hz dengan amplitudo 6; kemudian di-plot pada
grak yang sama.

3.8. LATIHAN

53

(c) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar gelombang sinusoidal berfrekuensi 1000 Hz dengan amplitudo 6; kemudian di-plot
pada grak yang sama.
(d) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar superposisi ketiga gelombang di atas; kemudian di-plot pada grak yang sama.
(e) Buatlah fungsi eksternal hanya untuk ketiga persamaan gelombang-nya saja. Sementara perhitungan superposisi dan plot grak tetap ditulis pada main program.

54

BAB 3. FUNGSI

Bab 4

Aplikasi dalam Sains

Objektif :
Mengaplikasikan teori yang diuraikan pada Bab sebelumnya.
Menganalisis respon gaya gravitasi.
Menganalisis respon gaya potensial listrik.
Menganalisis respon gaya gravitasi dari banyak buah bola.

Keterampilan paling mendasar yang harus dimiliki oleh seorang programmer aplikasi sains
ada 4 yaitu mampu melakukan inisialisasi variabel, mampu membuat proses berulang (looping
process) dan mampu membuat fungsi eksternal serta mampu memvisualisasi dalam bentuk grak. Pada Bab ini, akan dihadirkan contoh proses pembuatan suatu script/program setahap demi
setahap, dimulai dari program yang paling sederhana, lalu dimodikasi berulang kali, hingga
akhirnya diperoleh program nal yang paling efektif dan esien dilengkapi fungsi eksternal.
Kasus-kasus yang dihadirkan disini adalah respon gravitasi, respon potensial listrik, serta seismik

4.1 Metode gravitasi


Gaya gravitasi diperkenalkan pertama kali oleh Newton. Gaya yang muncul antara dua benda
yang masing-masing bermassa m1 dan m2 berbanding lurus dengan perkalian massa dua benda
dan berbanding terbalik dengan jarak kuadrat r 2 yang memisahkan pusat massa kedua benda
tersebut.
F =G

m1 m2
r2

(4.1)

Dalam satuan Standar Internasional konstanta gravitasi G bernilai 6.672 1011 N m2 /kg2 ;
sementara dalam cgs, G = 6.672 108 Dyne cm2 /g2 .

Gaya gravitasi menyebabkan benda kedua m2 merasakan percepatan gravitasi akibat penga-

ruh benda pertama m1 , yaitu


g=G
55

m1
r2

(4.2)

BAB 4. APLIKASI DALAM SAINS

56

Jika m1 adalah massa bumi Me , g menjadi percepatan gravitasi bumi, yaitu


g=G

Me
Re2

(4.3)

dimana Re adalah jari-jari bumi. Percepatan gravitasi pertama kali diukur oleh Galileo di Menara Miring Pisa. Nilai g dipermukaan bumi adalah 980 cm/dt2 . Sebagai penghargaan terhadap
Galileo, 1 cm/dt2 disebut 1 galileo atau 1 gal. Gravimeter adalah alat ukur percepatan gravitasi
bumi di permukaan bumi. Sensititas gravimeter memiliki orde 105 gal atau 0.01 mgal.
Gambar 4.1 memperlihatkan diagram vektor respon gravitasi bumi g dan respon gravitasi
yang berasal dari suatu benda anomali g dengan komponen horizontal gx dan komponen vertikal gz . Karena gz jauh lebih kecil dibanding g, maka sudut tidak signikan atau relatif
sangat kecil sehingga bisa diasumsikan g gz . Artinya respon gravitasi komponen vertikal

dari benda anomali dianggap sama persis atau mendekati respon gravitasi yang arah-nya menuju benda anomali tersebut. Sehingga, total percepatan gravitasi dalam arah vertikal adalah
g + gz , terdiri atas percepatan gravitasi bumi dan percepatan gravitasi akibat benda anomali.

Gambar 4.1: Vektor percepatan gravitasi dalam arah vertikal akibat benda anomali dan akibat
bumi

Pusat massa sebuah bola, berjari-jari a dengan densitas , berada pada kedalaman z memiliki
pengaruh gaya gravitasi pada benda yang ada disekitarnya. Alat gravimeter diletakkan di titik P
sebagaimana tampak pada Gambar 4.2. Komponen vertikal percepatan gravitasi gz dirumuskan
sebagai berikut
gz = G

m
mz
mz
cos = G 2 = G 3
2
r
r r
r

(4.4)

4.1. METODE GRAVITASI


karena m = V dan r =

57
x2 + z 2 , sementara V = 43 a3 , maka
4
z
gz = G a3 2
3
(x + z 2 )3/2

atau disederhanakan menjadi


gz = ka3

(x2

z
+ z 2 )3/2

(4.5)

(4.6)

dimana k = 43 G

Gambar 4.2: Benda anomali berupa bola berada dibawah permukaan bumi
Sebuah bola berjari-jari 50 m dengan densitas 2500 kg/m3 berada di kedalaman 3000 m.
Besarnya percepatan gravitasi yang terukur oleh gravimeter di titik stasiun yang berjarak horizontal x = 200 m dihitung menggunakan script Matlab berikut
1
2
3
4
5
6

G =
k =
a =
rho
z =
x =

6.672*1e-11;
(4*G*pi)/3;
50;
= 2500;
3000;
200;

% konstanta gravitasi
%
%
%
%

jari-jari bola
densitas bola
kedalaman pusat bola
jarak horizontal

7
8

dgz = (k*rho*a^3*z)/(x^2+z^2)^(3/2);

Pada bagian awal script, perlu ditambahkan clc dan clear all
1
2

clc
clear all

3
4
5
6
7
8
9

G =
k =
a =
rho
z =
x =

6.672*1e-11;
(4*G*pi)/3;
50;
= 2500;
3000;
200;

% konstanta gravitasi
%
%
%
%

jari-jari bola
densitas bola
kedalaman pusat bola
jarak horizontal

10
11

dgz = (k*rho*a^3*z)/(x^2+z^2)^(3/2);

58

BAB 4. APLIKASI DALAM SAINS

Agar lebih informatif, perlu ditambahkan keterangan tujuan program serta mempertegas bagian
inisialisasi dan perhitungan dgz
1
2

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

3
4
5

clc
clear all

6
7
8
9
10
11
12
13

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;
a = 50;
% jari-jari bola
rho = 2500;
% densitas bola
z = 3000;
% kedalaman pusat bola
x = 200;
% jarak horizontal

14
15
16

% ========== menghitung dgz ===========================


dgz = (k*rho*a^3*z)/(x^2+z^2)^(3/2);

Ketika terdapat 2 variasi jarak horizontal, maka dgz dihitung 2 kali


1
2

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

3
4
5

clc
clear all

6
7
8
9
10
11
12

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;
a = 50;
% jari-jari bola
rho = 2500;
% densitas bola
z = 3000;
% kedalaman pusat bola

13
14
15
16

% ------- Ada variasi x1 dan x2 ----------------------x1 = 200;


% jarak horizontal x1
x2 = 300;
% jarak horizontal x2

17
18
19
20

% ======== dgz dihitung 2 kali ========================


dgz1 = (k*rho*a^3*z)/(x1^2+z^2)^(3/2);
dgz2 = (k*rho*a^3*z)/(x2^2+z^2)^(3/2);

Variasi jarak horizontal disimpan dalam sebuah variabel, yaitu variabel x. Hasil perhitungan
dgz juga disimpan dalam sebuah variabel, yaitu variabel dgz
1
2

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

3
4
5

clc
clear all

6
7
8
9

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;

4.1. METODE GRAVITASI


10
11
12

a = 50;
rho = 2500;
z = 3000;

59

% jari-jari bola
% densitas bola
% kedalaman pusat bola

13
14
15

% ------- Ada 2 variasi disimpan dalam variabel x ----x = [200 300];


% variasi jarak horizontal x

16
17
18
19

% ======== dgz dihitung 2 kali melibatkan indeks ======


dgz(1) = (k*rho*a^3*z)/(x(1)^2+z^2)^(3/2);
dgz(2) = (k*rho*a^3*z)/(x(2)^2+z^2)^(3/2);

Jika terdapat 3 variasi jarak horizontal, maka variabel x diisi dengan 3 angka. Adapun perhitungan dgz mengikuti jumlah angka pada variabel x
1
2

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

3
4
5

clc
clear all

6
7
8
9
10
11
12

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;
a = 50;
% jari-jari bola
rho = 2500;
% densitas bola
z = 3000;
% kedalaman pusat bola

13
14
15

% ------- Ada 3 variasi disimpan dalam variabel x ----x = [-100 200 300];
% variasi jarak horizontal x

16
17
18
19
20

% ======== dgz dihitung 3 kali melibatkan indeks ======


dgz(1) = (k*rho*a^3*z)/(x(1)^2+z^2)^(3/2);
dgz(2) = (k*rho*a^3*z)/(x(2)^2+z^2)^(3/2);
dgz(3) = (k*rho*a^3*z)/(x(3)^2+z^2)^(3/2);

Selanjutnya looping process diterapkan untuk perhitungan dgz yang berulang 3 kali
1
2

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

3
4
5

clc
clear all

6
7
8
9
10
11
12

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;
a = 50;
% jari-jari bola
rho = 2500;
% densitas bola
z = 3000;
% kedalaman pusat bola

13
14
15

% ------- Ada 3 variasi disimpan dalam variabel x ----x = [-100 200 300];
% variasi jarak horizontal x

16
17
18
19

% ======== perhitungan dgz menggunakan looping for-end ===================


% -------- karena x menyimpan 3 angka, maka looping dilakukan 3 kali ----for j = 1:3

BAB 4. APLIKASI DALAM SAINS

60
dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);

20
21

end

Banyaknya angka pada variabel x dapat dihitung secara otomatis menggunakan perintah length()
1
2

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

3
4
5

clc
clear all

6
7
8
9
10
11
12

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;
a = 50;
% jari-jari bola
rho = 2500;
% densitas bola
z = 3000;
% kedalaman pusat bola

13
14
15
16

% ------- Ada 3 variasi disimpan dalam variabel x ----x = [-100 200 300];
% variasi jarak horizontal x
n = length(x);
% menghitung jumlah angka pada variabel x

17
18
19
20
21
22

% ======== perhitungan dgz menggunakan looping for-end ===================


% -------- angka 3 diganti dengan n -------------------------------------for j = 1:n
dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
end

Selanjutnya, jarak horizontal dapat divariasikan dengan angka yang lebih banyak lagi, misalnya
x dimulai dari -10000 hingga 10000 dengan interval 10 m.
1
2

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

3
4
5

clc
clear all

6
7
8
9
10
11
12
13
14

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;
a = 50;
% jari-jari bola
rho = 2500;
% densitas bola
z = 3000;
% kedalaman pusat bola
x = -10000:10:10000;
% variasi jarak horizontal x
n = length(x);
% menghitung jumlah angka pada variabel x

15
16
17
18
19

% ======== perhitungan dgz menggunakan looping for-end ===================


for j = 1:n
dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
end

Sebagai tahap akhir, tampilkan grak x vs dgz dengan perintah plot()


1
2

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

4.1. METODE GRAVITASI

61

3
4
5

clc
clear all

6
7
8
9
10
11
12
13
14

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;
a = 50;
% jari-jari bola
rho = 2500;
% densitas bola
z = 3000;
% kedalaman pusat bola
x = -10000:10:10000;
% variasi jarak horizontal x
n = length(x);
% menghitung jumlah angka pada variabel x

15
16
17
18
19

% ======== perhitungan dgz menggunakan looping for-end ===================


for j = 1:n
dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
end

20
21
22
23
24
25

% ======== visualisasi grafik x vs dgz ===================================


plot(x,dgz);
xlabel(jarak horizontal);
ylabel(percepatan gravitasi);
grid on;

Tambahkan perintah close all pada bagian awal script agar setiap kali script dijalankan ia akan
menghapus semua grak
1
2

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

3
4
5
6

clc
clear all
close all

7
8
9
10
11
12
13
14
15

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;
a = 50;
% jari-jari bola
rho = 2500;
% densitas bola
z = 3000;
% kedalaman pusat bola
x = -10000:10:10000;
% variasi jarak horizontal x
n = length(x);
% menghitung jumlah angka pada variabel x

16
17
18
19
20

% ======== perhitungan dgz menggunakan looping for-end ===================


for j = 1:n
dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
end

21
22
23
24
25
26

% ======== visualisasi grafik x vs dgz ===================================


plot(x,dgz);
xlabel(jarak horizontal);
ylabel(percepatan gravitasi);
grid on;

Berikutnya adalah pembuatan fungsi eksternal untuk perhitungan dgz. Mula-mula script perhitungan dgz diatur kembali agar memperjelas bagian mana yang akan di copy-paste menjadi
fungsi eksternal

62

1
2

BAB 4. APLIKASI DALAM SAINS

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

3
4
5
6

clc
clear all
close all

7
8
9
10
11
12
13
14

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;
a = 50;
% jari-jari bola
rho = 2500;
% densitas bola
z = 3000;
% kedalaman pusat bola
x = -10000:10:10000;
% variasi jarak horizontal x

15
16
17
18
19
20

% ========== perhitungan dgz ==========================


n = length(x);
% menghitung jumlah angka pada variabel x
for j = 1:n
dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
end

21
22
23
24
25
26

% ======== visualisasi grafik x vs dgz ===================================


plot(x,dgz);
xlabel(jarak horizontal);
ylabel(percepatan gravitasi);
grid on;

Sederatan baris perintah yang berisi perhitungan dgz di-copy-paste kedalam le fungsi eksternal
yang diberinama gravbola()
1

function dgz = gravbola(k,rho,a,z,x)

2
3
4
5
6

n = length(x);
% menghitung jumlah angka pada variabel x
for j = 1:n
dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
end

Sekarang didapatkan script nal perhitungan dgz dengan variasi jarak horizontal
1
2

% PROGRAM Menghitung percepatan gravitasi pada arah vertikal


% Depok, 2 Maret 2013

3
4
5
6

clc
clear all
close all

7
8
9
10
11
12
13
14

% ========== inisialisasi variabel ====================


G = 6.672*1e-11; % konstanta gravitasi
k = (4*G*pi)/3;
a = 50;
% jari-jari bola
rho = 2500;
% densitas bola
z = 3000;
% kedalaman pusat bola
x = -10000:10:10000;
% variasi jarak horizontal x

15
16
17

% ========== perhitungan dgz menggunakan fungsi gravbola =================


dgz = gravbola(k,rho,a,z,x)

4.1. METODE GRAVITASI

63

18

20
21
22
23

% ======== visualisasi grafik x vs dgz ===================================


plot(x,dgz);
xlabel(jarak horizontal);
ylabel(percepatan gravitasi);
grid on;

x 10

0.9
0.8
0.7
percepatan gravitasi

19

0.6
0.5
0.4
0.3
0.2
0.1
0
1

0.5

0
jarak horizontal

0.5

1
4

x 10

Gambar 4.3: Variasi nilai percepatan gravitasi terhadap perubahan jarak horizontal

64

BAB 4. APLIKASI DALAM SAINS

Bab 5

Mencari Solusi Satu Variabel

Objektif :
Mengetahui definisi akar
Mengenalkan metode Bisection
Mengenalkan metode Newton
Mengaplikasikan metode Bisection dan Newton

5.1 Definisi akar


Bab ini akan dimulai dengan mengetengahkan sebuah permasalahan klasik yaitu mencari akar
suatu persamaan matematika atau fungsi. Yang dimaksud akar adalah titik perpotongan antara
kurva fungsi f (x) dengan sumbu x, sehingga nilai f (x) sama dengan nol. Perhatikan Gambar
5.1 dan Gambar 5.2 berikut ini

5.2 Metode bisection


Apakah anda masih ingat rumus abc yang pernah diajarkan di bangku SMP? Itu adalah rumus
untuk mencari akar dari fungsi kuadrat. Lewat pendekatan numerik, ada dua cara alternatif
untuk menemukan akar dari suatu fungsi, yaitu metode bisection dan metode Newton. Dengan
kedua metode tersebut, anda dapat menemukan akar dari sembarang fungsi; tidak hanya terbatas pada fungsi kuadrat saja.
Langkah-langkah penerapan metode bisection adalah sebagai berikut:
Tentukan a = batas kiri dan b = batas kanan, kemudian hitung p dengan rumus
p=

a+b
2

jika f (p) = 0, maka p adalah akar, perhitungan selesai


jika f (p) dikali f(a) lebih besar dari nol, maka a = p
65

(5.1)

BAB 5. MENCARI SOLUSI SATU VARIABEL

66

f(x) = x2 4
25

20

f(x)

15

10

5
5

Gambar 5.1: Fungsi dengan dua akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = 2 dan x = 2
jika f (p) dikali f(a) lebih kecil dari nol, maka b = p
Agar lebih memperjelas cara kerja metode bisection, saya demonstrasikan untuk mencari
salah satu akar dari fungsi kuadrat f (x) = x2 + 3x 2. Gambar 5.3 memperlihatkan kurva
fungsi tersebut yang didalamnya terdapat 2 nilai akar.

Dengan metode bisection, akar yang di sebelah kanan akan dicari. Secara visual terlihat
bahwa posisi akar tersebut ada diantara 0 dan 1. Ketika perhitungan baru dimulai, batas kiri
adalah a = 0. Batas kanan adalah b = 1. Sementara p adalah posisi tengah antara a dan b.
Posisi p belum berada pada titik perpotongan dengan sumbu x; sehingga saat ini nilai p bukan
nilai akar (lihat Gambar 5.4). Absis titik p ditentukan oleh
p=

a+b
0+1
=
= 0, 5
2
2

Langkah berikutnya adalah mengevaluasi perkalian f (a) dan f (p). Terlihat dari Gambar 5.4,
nilai f (a) adalah negatif, demikian juga dengan f (p), maka f (a) dikali f (p) hasilnya positif.
Berdasarkan hasil ini, nilai a yang lama (angka 0) harus diganti dengan nilai p = 0,5. Adapun
nilai b tidak berubah sama sekali, yaitu 1. Ini adalah perhitungan iterasi pertama.
Iterasi kedua dimulai dengan menetapkan a dan b. Berdasarkan hasil iterasi pertama, nilai
a = 0,5 dan nilai b = 1. Berikutnya menentukan nilai p kembali menggunakan
p=

a+b
0, 5 + 1
=
= 0, 75
2
2

Langkah berikutnya adalah mengevaluasi kembali perkalian f (a) dan f (p). Terlihat dari Gambar
5.5, nilai f (a) adalah negatif, sebaliknya nilai f (p) positif, maka f (a) dikali f (p) hasilnya negatif.
Berdasarkan hasil ini, nilai b yang lama (angka 1) harus diganti dengan nilai p = 0,75. Adapun
nilai a tidak berubah sama sekali, yaitu 0,5. Ini adalah perhitungan iterasi kedua.

5.2. METODE BISECTION

67
Fungsi f(x) = x3 + 2

150

100

f(x)

50

50

100

150
5

0
x

Gambar 5.2: Fungsi dengan satu akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = 1, 2599
Iterasi ketiga dimulai dengan menetapkan a dan b. Berdasarkan hasil iterasi kedua, nilai a
= 0,5 dan nilai b = 0,75. Berikutnya menentukan nilai p kembali menggunakan
p=

a+b
0, 5 + 0, 75
=
= 0, 625
2
2

Langkah berikutnya adalah mengevaluasi kembali perkalian f (a) dan f (p). Terlihat dari Gambar
5.6, nilai f (a) adalah negatif, adapun nilai f (p) tetap positif, maka f (a) dikali f (p) hasilnya
negatif. Berdasarkan hasil ini, nilai b yang lama (angka 0,75) harus diganti dengan nilai p =
0,625. Adapun nilai a tidak berubah sama sekali, yaitu 0,5. Ini adalah perhitungan iterasi
ketiga.
Jika iterasi dilanjutkan hingga iterasi ke-20, maka f (p) akan bervariasi dengan kecenderungan menuju nol. Sementara nilai p cenderung menuju ke nilai kestabilan tertentu. Pada saat
f (p) = 0, nilai akar adalah nilai p. Tabel 5.1 memperlihatkan nilai p cenderung stabil pada p =
0,5615. Sehingga dapat disimpulkan salah satu akar dari f (x) = x2 + 3x 2 adalah 0,5615.

iterasi
f (p)
p

1
-0,25
0,5

Tabel 5.1: Perubahan nilai f (p) dan p hingga iterasi ke-20


2
3
4
5
...
18
19
5
0,8125 0,2656 0,0039 -0,124 ... -1,110
-3,1106
0,75
0,625 0,5625 0,5313 ...
0,5615
0,5615

20
7,7107
0,5615

Gambar 5.7 memperlihatkan secara grak mengenai pola perubahan f (p) dan p seiring dengan bertambahnya iterasi.

BAB 5. MENCARI SOLUSI SATU VARIABEL

68

Kurva f(x)=x2+3x2
30

25

20

f(x)

15

10

5
4

Gambar 5.3: Fungsi kuadrat yang memiliki 2 akar

Kurva f(x)=x2+3x2
f(b)

2
1.5
1

f(x)

0.5
0

f(p)

0.5
1
1.5
2

f(a)
a= 0

0.2

0.4

0.6

0.8

b=1

Gambar 5.4: Awal perhitungan: batas kiri adalah a = 0, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b

5.2. METODE BISECTION

69

Kurva f(x)=x2+3x2
2.5

f(b)

f(x)

1.5

f(p)

0.5

f(a)

0.5

0.4

0.5

0.6

0.7

0.8

0.9

1.1

Gambar 5.5: Iterasi kedua: batas kiri adalah a = 0,5, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b
5.2.1

Script Matlab metode bisection

Script Matlab untuk aplikasi metode bisection telah ditulis seperti di bawah ini. Script ini perlu
dukungan fungsi eksternal f.m untuk menyimpan persamaan matematika. Variabel toleransi
perlu diberikan untuk membatasi jumlah iterasi. Nilai toleransi berisi batasan nilai terkecil yang
dapat dianggap bernilai nol.
1
2
3

% PROGRAM APLIKASI METODE BISECTION


% Program ini memerlukan fungsi eksternal f.m
% berisi persamaan matematika yang akan dicari akarnya.

4
5

clc; clear all; close all

6
7
8
9
10
11
12

% ----- Menggambar Kurva ----------------------------------------x = -4:0.001:4;


y = f(x);
plot(x,y); grid on; hold on;
xlabel(nilai x); ylabel(nilai f(x));
title(\fontsize{14} Kurva f(x) = x^2 + 3x - 2);

13
14
15
16
17
18
19
20

% ----- Mencari akar


batas_kiri = 0;
batas_kanan = 1;
a = batas_kiri;
b = batas_kanan;
itermaks = 100;
toleransi = 1e-7;

21
22
23

for j = 1:itermaks
p = (a+b)/2;

dengan Metode Bisection --------------------% angka batas kiri


% angka batas kanan

% iterasi maksimum
% toleransi nilai yang dianggap sudah nol

BAB 5. MENCARI SOLUSI SATU VARIABEL

70

Kurva f(x)=x2+3x2
1.2
1

f(b)

0.8
0.6

f(x)

0.4

f(p)
0.2
0

f(a)

0.2
0.4
0.6
0.4

0.45

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

Gambar 5.6: Iterasi ketiga: batas kiri adalah a = 0,5, batas kanan adalah b = 0,75; sementara
p adalah posisi tengah antara a dan b
if abs(f(p)) < toleransi
break;
% perintah untuk selesai/berhenti
end
if f(p)*f(a) > 0
a = p;
else
b = p;
end

24
25
26
27
28
29
30
31
32

end

33
34
35
36

plot(p,f(p),ro);
akar = p
jumlah_iterasi = j

% menampilkan lingkaran merah menunjukkan akar


% tidak diakhiri dengan titik-koma
% agar bisa muncul di akhir program

Fungsi eksternal f.m adalah sebagai berikut


1

function y = f(x)

2
3
4
5
6

n = length(x);
for j = 1:n
y(j) = x(j)^2 + 3*x(j) - 2;
end

Fungsi eksternal f.m juga bisa dituliskan dalam bentuk lain, yaitu
1

function y = f(x)

2
3

y = x.^2 + 3*x - 2;

Bentuk penulisan seperti di atas, tidak bisa diterapkan dalam bahasa Fortran ataupun bahasa C.

5.2. METODE BISECTION

71

Perubahan nilai f(p) vs iterasi


1

0.8

nilai f(p)

0.6

0.4

0.2

0.2

0.4

10
15
Jumlah iterasi

20

25

20

25

Perubahan nilai p vs iterasi


0.75

0.7

nilai p

0.65

0.6

0.55

0.5

10
15
Jumlah iterasi

Gambar 5.7: Perubahan f (p) dan p terhadap bertambahnya iterasi

BAB 5. MENCARI SOLUSI SATU VARIABEL

72

Kurva f(x) = x2 + 3x 2
30

25

nilai f(x)

20

15

10
akar = 0,5615
5

5
4

0
nilai x

Gambar 5.8: Nilai akar ditandai oleh lingkaran kecil pada kurva yang memotong sumbu-x

5.3 Metode Newton

Metode Newton sangat populer dan powerfull untuk mencari akar suatu fungsi yang kontinyu.
Metode ini melakukan perhitungan secara berulang-ulang (iterasi) sampai diperoleh nilai akhir
yang akurat; yang tidak lain adalah nilai akar itu sendiri. Formulasi metode Newton adalah
xbaru = xlama

f (xlama )
f (xlama )

(5.2)

atau dinyatakan dalam xn dan xn1 adalah


xn = xn1

5.3.1

f (xn1 )
f (xn1 )

n1

(5.3)

Contoh 1: penerapan metode Newton

Mari kita terapkan metode ini untuk mencari akar dari fungsi f (x) = x2 4, dimana kurva

fungsinya sudah tergambar pada Gambar 5.1. Fungsi tersebut mempunyai turunan pertama

f (x) = 2x. Untuk mencari akar-akar-nya, langkah penyelesaian dimulai dengan menentukan
nilai awal, misalnya xlama = 4. Kemudian persamaan (5.2) diterapkan untuk mendapatkan

5.3. METODE NEWTON

73

xbaru
f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
(4)2 4
= 4
2(4)
= 2, 5000

xbaru = xlama

Walaupun xbaru telah didapat, belum tentu nilai xbaru tersebut adalah akar f (x). Perlu ada
kriteria untuk memastikan apakah nilai xbaru merupakan akar yang dicari atau bukan. Saat ini
saya ingin ulangi lagi proses perhitungan di atas dengan terlebih dahulu memindahkan xbaru
(hasil perhitungan pertama tadi) menjadi xlama . Hasil pengulangan perhitungan ini disebut
hasil iterasi ke-2.
f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
(2, 5000)2 4
= 2, 5000
2(2, 5000)
= 2, 0500

xbaru = xlama

Saya ulangi perhitungannya sekali lagi sebagai iterasi ke-3


f (xlama )
f (xlama )
x2
4
= xlama lama
2xlama
(2, 0500)2 4
= 2, 0500
2(2, 0500)
= 2, 0006

xbaru = xlama

Selanjutnya, iterasi ke-4


f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
(2, 0006)2 4
= 2, 0006
2(2, 0006)
= 2, 0000

xbaru = xlama

BAB 5. MENCARI SOLUSI SATU VARIABEL

74
sedangkan pada iterasi ke-5

f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
(2, 0000)2 4
= 2, 0000
2(2, 0000)
= 2, 0000

xbaru = xlama

Tampak jelas hasil iterasi ke-4 dan iterasi ke-5 tidak berbeda. Kalau dilanjutkan iterasi ke-6,
dipastikan hasilnya akan tetap sama, yaitu -2,0000. Kesimpulannya, akar dari f (x) = x2 4

adalah pada x = 2, 0000.

Tetapi bukankah akar dari f (x) = x2 4 ada dua (lihat Gambar 5.1)? Hasil perhitungan di

atas baru menemukan salah satu akarnya saja. Lalu bagaimana dengan akar yang satunya lagi?
Ok, untuk akar yang lainnya, kita tetap bisa mengandalkan metode Newton, namun nilai
awalnya perlu diubah. Misalnya saya pilih nilai awalnya xlama = 1. Maka hasil iterasi ke-1
yang akan didapat adalah
f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
2
(1) 4
= 1
2(1)
= 2, 5000

xbaru = xlama

Saya lanjut ke iterasi ke-2, hasilnya


f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
(2, 5000)2 4
= 2, 5000
2(2, 5000)
= 2, 0500

xbaru = xlama

Saya ulangi perhitungannya sekali lagi sebagai iterasi ke-3


f (xlama )
f (xlama )
x2
4
= xlama lama
2xlama
(2, 0500)2 4
= 2, 0500
2(2, 0500)
= 2, 0006

xbaru = xlama

5.3. METODE NEWTON

75

Selanjutnya, iterasi ke-4


f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
(2, 0006)2 4
= 2, 0006
2(2, 0006)
= 2, 0000

xbaru = xlama

sedangkan pada iterasi ke-5


f (xlama )
f (xlama )
x2
4
= xlama lama
2xlama
(2, 0000)2 4
= 2, 0000
2(2, 0000)
= 2, 0000

xbaru = xlama

Tampak jelas hasil iterasi ke-4 dan iterasi ke-5 tidak berbeda. Kalau dilanjutkan iterasi ke-6,
dipastikan hasilnya akan tetap sama, yaitu 2,0000. Kesimpulannya, akar dari f (x) = x2 4

selain x = 2, 0000 adalah x = 2, 0000.


5.3.2

Script metode Newton untuk contoh 1

Script metode Newton terbagi tiga, yaitu script utama, script fungsi f (x) yang dinyatakan dalam
fungsi eksternal, dan script turunan pertama f (x) yang juga dinyatakan dalam fungsi eksternal.
Ini adalah script utamanya
1
2
3

clear all
close all
clc

4
5
6
7

itermaks = 1000; % batas iterasi maksimum


epsilon = 10^(-5); % batas toleransi
xlama = 1; % nilai awal

8
9
10
11
12
13
14
15

for k = 1:itermaks
xbaru = xlama - (fs(xlama))/ft(xlama);
if abs(xbaru-xlama) < epsilon
break;
end
xlama = xbaru;
end

dan ini adalah script fungsi eksternal untuk menyatakan f (x)


1
2

function y = fs(x)
y = x.^2 - 4;

BAB 5. MENCARI SOLUSI SATU VARIABEL

76

sementara script fungsi eksternal untuk menyatakan f (x) adalah


1
2

function y = ft(x)
y = 2*x;

5.3.3

Contoh 2: penerapan metode Newton

Sekarang kita beralih ke fungsi f (x) = x3 + 2. Turunan pertama fungsi ini adalah f (x) = 3x2 .
Maka script untuk fungsi-nya dan untuk turunan pertama-nya, masing-masing adalah
1
2

function y = fs(x)
y = x.^3 + 2;

dan
1
2

function y = ft(x)
y = 3*x.^2;

Sedangkan script utamanya tetap sama, kecuali hanya merubah nilai awalnya saja. Misalnya
anda pilih nilai awalnya xlama = 0.5, maka script utamanya ditulis sebagai berikut
1
2
3

clear all
close all
clc

4
5
6
7

itermaks = 1000; % batas iterasi maksimum


epsilon = 10^(-5); % batas toleransi
xlama = 0.5; % nilai awal

8
9
10
11
12
13
14
15

for k = 1:itermaks
xbaru = xlama - (fs(xlama))/ft(xlama);
if abs(xbaru-xlama) < epsilon
break;
end
xlama = xbaru;
end

jika script ini dijalankan, maka akan diperoleh akar pada x = 1.2599. Coba iseng-iseng anda

ganti nilai awalnya dengan angka 4,5 atau -3,21 atau angka-angka lainnya, apakah akarnya
tetap x = 1.2599 ? Jawabannya tentu iya. Tapi cobalah anda ganti nilai awalnya dengan
angka 1, apakah akarnya tetap x = 1.2599 ? Jawabannya pasti tidak. Mengapa bisa begitu?
Mari kita periksa formulasi metode Newton. Ketika anda memilih xlama = 1, maka iterasi

pertamanya akan seperti ini


f (xlama )
f (xlama )
+2
x3
= xlama lama
2
3xlama

xbaru = xlama

= 1
= 0

(1)2 + 2
3(1)2

5.3. METODE NEWTON

77

jika hasil ini diumpankan pada iterasi ke-2, maka f (x) akan bernilai nol. Efeknya adalah komputer akan menemukan operasi pembagian dimana bagian penyebutnya (dalam hal ini turunan
pertamanya) bernilai nol, sehingga komputer akan mengeluarkan pesan kesalahan devided by
zero. Seketika komputer langsung hang (berhenti memproses perhitungan). Perlu ada modikasi untuk mengantisipasi hal ini. Salah satu caranya adalah dengan mengubah angka xlama
jika ditemukan nilai turunan pertama bernilai nol. Berikut ini script utama dengan modikasi
1
2
3

clear all
close all
clc

4
5
6
7

itermaks = 1000;
% batas iterasi maksimum
epsilon = 10^(-5); % batas toleransi
xlama = 1;
% nilai awal

8
9
10
11
12
13
14
15
16
17
18
19

for k = 1:itermaks
if ft(xlama) == 0 % antisipasi jika turunan pertamanya = 0
xlama = xlama + 0.001; % sekedar ditambah 0.001 aja. Pakai angka lain juga bisa.
end
xbaru = xlama - (fs(xlama))/ft(xlama);
if abs(xbaru-xlama) < epsilon
break;
end
xlama = xbaru;
end
xbaru

BAB 5. MENCARI SOLUSI SATU VARIABEL

78

5.4 Soal-soal Latihan


1. Buatlah script matlab rumus abc untuk mencari nilai-nilai akar persamaan kuadrat. Tampilkan kurva fungsi kuadrat dalam bentuk grak dan tandai posisi akarnya

Bab 6

Integral Numerik

Objektif :
Mengenalkan metode Trapezoida
Mengenalkan metode Simpson
Mengenalkan metode Composite-Simpson
Mengenalkan metode Adaptive Quardrature
Mengenalkan metode Gaussian Quadrature

6.1 Metode Trapezoida


Integral terhadap suatu fungsi, f(x), yang dievaluasi dari a hingga b dapat dinyatakan oleh
rumus berikut ini
Z

f (x)dx

(6.1)

Pendekatan numerik yang paling dasar dalam memecahkan masalah integral adalah metode
Trapezoida, yang dirumuskan sebagai berikut
Z

f (x)dx =

h3
h
[f (x0 ) + f (x1 )] f ()
2
12

(6.2)

dimana x0 = a, x1 = b dan h = b a. Akan tetapi, suku yang terakhir pada ruas kanan
dimana terdapat faktor turunan ke-2, f , seringkali diabaikan dengan tujuan agar persamaan

(6.2) menjadi lebih sederhana.


Z

f (x)dx =

h
[f (x0 ) + f (x1 )]
2

(6.3)

Akibatnya pendekatan Trapezoida hanya bekerja efektif pada fungsi-fungsi yang turunan keduanya bernilai nol (f = 0). Gambar (6.1) memperlihatkan prinsip metode trapezoida dalam
bentuk grak. Sementara, script berikut ini dibuat berdasarkan persamaan (6.3).
79

BAB 6. INTEGRAL NUMERIK

80

f(x)

f(x)

f(x1)
f(x0)

x0=a

x1=b

x0=a

x1=b

Gambar 6.1: Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Trapesoida
menghitung integral dengan cara menghitung luas area integrasi, dimana luas area integrasi sama dengan luas trapesium di bawah kurva f (x) dalam batas-batas a dan b. Jika anda perhatikan dengan teliti,
ada area kecil dibawah garis kurva dan diatas garis miring yang berada diluar bidang trapesium. Metode
Trapesoida tidak menghitung luas area kecil tersebut. Disinilah letak kelemahan metode trapezoida.

1
2

clear all
clc

3
4
5

a = ...
b = ...

%batas bawah integral;


%batas atas integral;

6
7
8
9

x0 = a;
x1 = b;
h = b-a;

10
11
12

% -- metode trapezoida -Int_trapezoida = h/2*(f(x0)+f(x1))

Dengan fungsi eksternal fungsi f(x) adalah


1
2

function y = f(x)
y = ... % rumus fungsi yang di-integralkan;

6.2 Metode Simpson


Metode pendekatan yang lebih baik dibanding metode Trapezoida dalam integral numerik adalah metode Simpson yang diformulasikan sebagai berikut
Z

f (x)dx =

h5
h
[f (x1 ) + 4f (x2 ) + f (x3 )] f 4 ()
3
90

(6.4)

dengan x1 = a, x3 = b, dan x2 = a + h dimana h = (b a)/2. Jika suku terakhir diabaikan,

maka

f (x)dx =
a

h
[f (x1 ) + 4f (x2 ) + f (x3 )]
3

(6.5)

Gambar (6.2) memperlihatkan prinsip metode trapezoida dalam bentuk grak. Sementara,
script berikut ini dibuat berdasarkan persamaan (6.5).

6.2. METODE SIMPSON

81

f(x)

f(x)

f(x2)
f(x1)
f(x0)
h
h

x0=a

x1=b

x0=a

x1

x2=b

Gambar 6.2: Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Simpson
menghitung luas area integrasi, dimana area integrasi di bawah kurva f (x) dibagi 2 dalam batas interval
a x1 dan x1 b dengan lebar masing-masing adalah h

1
2

clc
clear all

3
4
5

a = ... %batas bawah integrasi ;


b = ... %batas atas integrasi ;

6
7
8
9
10

x1 = a;
x3 = b;
h = (b-a)/2;
x1 = a + h;

11
12
13

% -- metode simpson -Int_simpson = h/3*(f(x1)+4*f(x2)+f(x3))

Contoh
Metode Trapezoida untuk fungsi f pada interval [0,2] adalah
Z

2
0

f (x)dx f (0) + f (2)

dimana x0 = 0, x1 = 2 dan h = 2 0 = 2. Sedangkan metode Simpson untuk fungsi f pada


interval [0,2] adalah

2
0

f (x)dx

1
[f (0) + 4f (1) + f (2)]
3

dengan x0 = 0, x2 = 2, dan x1 = a + h = 1 dimana h = (b a)/2 = 1.

Tabel berikut ini memperlihatkan evaluasi integral numerik terhadap beberapa fungsi dalam
interval [0,2] beserta solusi exact-nya. Jelas terlihat, metode Simpson lebih baik dibanding
Trapezoida. Karena hasil intergral numerik metode Simpson lebih mendekati nilai exact
f (x)
Nilai exact
Trapezoida
Simpson

x2
2,667
4,000
2,667

x4
6,400
16,000
6,667

1/(x + 1)
1,099
1,333
1,111

1 + x2
2,958
3,236
2,964

sin x
1,416
0,909
1,425

ex
6,389
8,389
6,421

BAB 6. INTEGRAL NUMERIK

82

6.3 Peran faktor pembagi, n


Kalau diamati lebih teliti, akan kita dapatkan bahwa interval [0,2] telah dibagi 2 pada metode
Simpson, sementara pada metode Trapesoida tidak dibagi sama sekali. Sebenarnya dengan
membagi interval lebih kecil lagi, maka error -nya akan semakin kecil. Misalnya, banyaknya
pembagian interval dinyatakan dengan n
ketika n = 1: Trapesioda
Z

x2

h
h3
[f (x1 ) + f (x2 )] f ()
2
12

(6.6)

h
h5
[f (x1 ) + 4f (x2 ) + f (x3 )] f 4 ()
3
90

(6.7)

f (x)dx =

x1

ketika n = 2: Simpson
Z

x3

f (x)dx =

x1

ketika n = 3: Simpson tiga-per-delapan


Z

x4

f (x)dx =

x1

3h
3h5 4
[f (x1 ) + 3f (x2 ) + 3f (x3 ) + f (x4 )]
f ()
8
80

ketika n = 4:
Z x5
8h7 6
2h
[7f (x1 ) + 32f (x2 ) + 12f (x3 ) + 32f (x4 ) + 7f (x5 )]
f ()
f (x)dx =
45
945
x1
6.3.1

Source code metode integrasi

Source code untuk persamaan (6.8) disajikan sebagai berikut


1
2

clc
clear all

3
4
5
6

% -- batas integrasi -a = 0;
b = 2;

7
8
9
10
11
12
13

x0 = a;
x3 = b;
h = (b-a)/3;
x1 = a + h;
x2 = a + 2*h;
% ---------------------

14
15
16

% -- metode simpson 3/8 -Int_38 = 3*h/8*(f(x0)+3*f(x1)+3*f(x2)+f(x3))

Sementara, source code untuk persamaan (6.9) disajikan sebagai berikut


1
2
3

clc
clear all

(6.8)

(6.9)

6.4. METODE COMPOSITE-SIMPSON


4
5
6

83

% -- batas integrasi -a = 0;
b = 2;

7
8
9
10
11
12
13
14

x0 = a;
x4 = b;
h = (b-a)/4;
x1 = a + h;
x2 = a + 2*h;
x3 = a + 3*h;
% ---------------------

15
16
17

% -- metode simpson n=4 -Int_n4 = 2*h/45*(7*f(x0)+32*f(x1)+12*f(x2)+32*f(x3)+7*f(x4))

Perbandingan tingkat akurasi hasil perhitungan seluruh metode integral numerik yang sudah
dibahas adalah sebagai berikut
f (x)
Nilai exact
Trapezoida
Simpson n=2
Simpson n=3
Simpson n=4

x2
2,667
4,000
2,667
2,667
2,667

x4
6,400
16,000
6,667
6,519
6,400

1/(x + 1)
1,099
1,333
1,111
1,105
1,099

1 + x2
2,958
3,236
2,964
2,960
2,958

sin x
1,416
0,909
1,425
1,420
1,416

ex
6,389
8,389
6,421
6,403
6,389

Keempat bentuk persamaan integral numerik di atas dikenal dengan closed Newton-Cotes
formulas. Keterbatasan metode Newton-Cotes terlihat dari jumlah pembagian interval. Di
atas tadi pembagian interval baru sampai pada n = 4. Bagaimana bila interval evaluasinya
dipersempit supaya solusi numeriknya lebih mendekati solusi exact? Atau dengan kata lain
n > 4.

6.4 Metode Composite-Simpson


Persamaan (6.9) terlihat lebih rumit dibandingkan persamaan-persamaan sebelumnya. Bisakah
anda bayangkan bentuk formulasi untuk n = 5 atau n = 6 dan seterusnya? Pasti akan lebih
kompleks dibandingkan persamaan (6.9).
Metode Composite Simpson menawarkan cara mudah menghitung intergal numerik ketika
R4
nilai n > 4. Perhatikan contoh berikut, tentukan solusi numerik dari 0 ex dx. Metode Simpson

dengan h = 2 (atau interval evaluasi integral dibagi 2 , n = 2) memberikan hasil


Z

4
0

ex dx


2 0
e + 4e2 + e4 = 56, 76958
3

Padahal solusi exact dari integral tersebut adalah e4 e0 = 53, 59815, artinya terdapat error
sebesar 3,17143 yang dinilai masih terlampau besar untuk ditolerir. Bandingkan dengan metode

BAB 6. INTEGRAL NUMERIK

84

f(x)

x0=a x1

x2

x3

x4

x5

x7 xn=b

x6

Gambar 6.3: Metode Composite Simpson. Kurva fungsi f (x) dengan batas bawah integral adalah a dan
batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-masing adalah h.

yang sama namun dengan h = 1 (atau interval evaluasi integral dibagi 4 , n = 4)


Z

ex dx =

ex dx +

ex dx

 1 2

1 0
e + 4e + e2 +
e + 4e3 + e4

3
3

1 0
e + 4e + 2e2 + 4e3 + e4
=
3
= 53, 86385

Hasil ini memperlihatkan error yang makin kecil, yaitu menjadi 0,26570. Jadi dengan memperkecil h, error menjadi semakin kecil dan itu artinya solusi integral numerik semakin mendekati
solusi exact. Sekarang kita coba kecilkan lagi nilai h menjadi h =

1
2

(atau interval evaluasi

integral dibagi 8 , n = 8),


Z

ex dx
e dx +
e dx +
3
2
1
0

 1
1 0

e + 4e1/2 + e +
e + 4e3/2 + e2 +
6
6
 1

1 2
5/2
3
e + 4e + e +
e3 + 4e7/2 + e4
6
6

1 0
e + 4e1/2 + 2e + 4e3/2 + 2e2 + 4e5/2 + 2e3 + 4e7/2 + e4
=
6
= 53, 61622

e dx =

e dx +

dan seperti yang sudah kita duga, error -nya semakin kecil menjadi 0,01807.
Prosedur ini dapat digeneralisir menjadi suatu formula sebagai berikut
Z

f (x)dx =
a

n/2 Z
X
j=1

x2j

f (x)dx
x2j2

n/2 
X
h
j=1


h5 (4)
[f (x2j2 ) + 4f (x2j1 ) + f (x2j )] f (j )
3
90

(6.10)

6.5. ADAPTIVE QUARDRATURE

85

dimana h = (b a)/n dan xj = a + jh, untuk j = 1, ..., n/2, dengan x0 = a dan xn = b. Formula
ini dapat direduksi menjadi
Z

n/2
(n/2)1
n/2
X
X
h
h5 X (4)
f (x)dx =
f (j )
f (x0 ) + 2
f (x2j ) + 4
f (x2j1 ) + f (xn )
3
90
j=1

(6.11)

j=1

j=1

Formula ini dikenal sebagai metode Composite Simpson.

6.5 Adaptive Quardrature


Metode composite mensyaratkan luas area integrasi dibagi menjadi sejumlah region dengan jarak interval yang seragam yaitu sebesar nilai h. Akibatnya, bila metode composite diterapkan
pada fungsi yang memiliki variasi yang tinggi dan rendah sekaligus, maka interval h yang kecil
menjadi kurang efektif, sementara interval h yang besar mengundang error yang besar pula.
Metode Adaptive Quadrature muncul untuk mendapatkan langkah yang paling efektif dimana
nilai interval h tidak dibuat seragam, melainkan mampu beradaptasi sesuai dengan tingkat variasi kurva fungsinya.
Rb
Misalnya kita bermaksud mencari solusi numerik dari integral a f (x)dx dengan toleransi
> 0. Sebagai langkah awal adalah menerapkan metode Simpson dimana step size h = (ba)/2
Z

f (x)dx = S(a, b)

h5 (4)
f ()
90

(6.12)

dengan
h
[f (a) + 4f (a + h) + f (b)]
3

S(a, b) =
Langkah berikutnya adalah men
Z







h
3h
h
f (a) + 4f a +
+ 2f (a + h) + 4f a +
+ f (b)
f (x)dx =
6
2
2
 4
h
(b a) (4)

f (
)
2
180

(6.13)

6.6 Gaussian Quadrature


Suatu integral dapat ditransformasi kedalam bentuk Gaussian quadrature melalui formulasi berikut
Z

f (x)dx =
a

f
1

(b a)t + (b + a)
2

(b a)
dt
2

(6.14)

dimana perubahan variabel memenuhi


t=

1
2x a b
x = [(b a)t + a + b]
ba
2

Berikut adalah table polinomial Legendre untuk penyelesaian Gaussian quadrature

(6.15)

BAB 6. INTEGRAL NUMERIK

86

Tabel 6.1: Polinomial Legendre untuk n=2,3,4 dan 5


n
Akar rn,i
Koesien cn,i
2 0,5773502692 1,0000000000
-0,5773502692 1,0000000000
3 0,7745966692 0,5555555556
0,0000000000 0,8888888889
-0,7745966692 0,5555555556
4 0,8611363116 0,3478548451
0,3399810436 0,6521451549
-0,3399810436 0,6521451549
-0,8611363116 0,3478548451
5 0,9061798459 0,2369268850
0,5384693101 0,4786286705
0,0000000000 0,5688888889
-0,5384693101 0,4786286705
-0,9061798459 0,2369268850

6.6.1

Contoh

Selesaikan integrasi berikut ini


Z

1,5

ex dx

(6.16)

(Solusi exact integral diatas adalah: 0.1093643)


jawab:
Pertama, integral tersebut ditransformasikan kedalam Gaussian quadrature melalui persamaan
(6.14)
Z

1,5

x2

e
1

1
dx =
4

(t+5)2
16

dt

(6.17)

Kedua, Gaussian quadrature dihitung menggunakan konstanta-konstanta yang tercantum pada


tabel polinomial Legendre. Untuk n = 2
Z

1,5
1

ex dx

i
1 h ((0,5773502692+5)2 /16)
2
e
+ e((0,5773502692+5) /16) = 0, 1094003
4

Untuk n = 3
Z

6.6.2

1,5

ex dx

1
2
2
[(0, 5555555556)e((0,7745966692+5) /16) + (0, 8888888889)e((5) /16)
4
2 /16)

+ (0, 5555555556)e((0,7745966692+5)

Latihan

Selesaikan integrasi berikut ini


Z

0,35
0

x2

2
dx
4

] = 0, 1093642

6.6. GAUSSIAN QUADRATURE

87

Selesaikan integrasi berikut ini


Z

3,5
3

x
x2

dx

BAB 6. INTEGRAL NUMERIK

88
Latihan

1. Hitunglah integral-integral berikut ini dengan metode Composite Simpson!


Z

a.

b.

c.

x ln xdx,
2

2
dx,
+4
x
dx,
2
x +4

3
1
2

x3 ex dx,

2
Z 3/8

e.

n=6

x2

d.

n=4

n=8
n=4

tan xdx,

n=8

f.

x2 4

dx,

n=8

2. Tentukan nilai n dan h untuk mengevaluasi


2

e2x sin 3xdx

dengan metode Composite Simpson, bila error yang ditolerir harus lebih kecil dari 104 .
3. Dalam durasi 84 detik, kecepatan sebuah mobil balap formula 1 yang sedang melaju di arena
grandprix dicatat dalam selang interval 6 detik:
time(dt)
speed(f t/dt)

0
124

6
134

12
148

18
156

24
147

30
133

36
121

42
109

48
99

54
85

60
78

66
89

72
104

78
116

Gunakan metode integral numerik untuk menghitung panjang lintasan yang telah dilalui mobil
tersebut selama pencatatan waktu di atas!

84
123

Bab 7

Diferensial Numerik

Objektif :
Mengenalkan metode Euler
Mengenalkan metode Runge Kutta orde 4
Mengenalkan metode Finite Difference
Mengenalkan Persamaan Diferensial Parsial Eliptik
Mengenalkan Persamaan Diferensial Parsial Hiperbolik
Mengenalkan Persamaan Diferensial Parsial Parabolik

7.1 Metode Euler


Suatu persamaan diferensial ( dy
dt ) dinyatakan dalam fungsi f (t, y), dimana y(t) adalah persamaan asalnya
dy
= f (t, y),
dt

a t b,

y(a) =

(7.1)

Nilai t dibatasi dari a hingga ke b. Sementara, syarat awal telah diketahui yaitu pada saat
t = a maka y bernilai . Akan tetapi kita sama sekali tidak tahu bentuk formulasi persamaan
asalnya y(t). Gambar 7.1 memperlihatkan kurva persamaan asal y(t) yang tidak diketahui bentuk formulasinya. Tantangannya adalah bagaimana kita bisa mendapatkan solusi persamaan
diferensial untuk setiap nilai y(t) yang t-nya terletak diantara a dan b ?
Tahap awal solusi pendekatan numerik adalah dengan menentukan point-point dalam jarak
yang sama di dalam interval [a,b]. Jarak antar point dirumuskan sebagai
h=

ba
N

(7.2)

dengan N adalah bilangan integer positif. Nilai h ini juga dikenal dengan nama step size.
Selanjutnya nilai t diantara a dan b ditentukan berdasarkan
ti = a + ih,

i = 0, 1, 2, ..., N
89

(7.3)

BAB 7. DIFERENSIAL NUMERIK

90

y
y(tN)=y(b)

y=f(t,y)

y(t)

y(t)

y(a)=a
y(t2)

y=f(t,y)
y(a)=a

y(t1)
y(t0)=a

y(a)=f(a,a)

w1
a
h

h
t0=a

t1

t2

.....

tN=b

t0=a

t1

t2

.....

tN=b

Gambar 7.1: Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebesar
h. Pasangan t1 adalah y(t1 ), pasangan t2 adalah y(t2 ), begitu seterusnya. Kanan: Garis singgung yang
menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis singgung tersebut, ditentukan pasangan
t1 sebagai w1 . Perhatikan gambar itu sekali lagi! w1 dan y(t1 ) beda tipis alias tidak sama persis.
Metode Euler diturunkan dari deret Taylor. Misalnya, fungsi y(t) adalah fungsi yang kontinyu dan memiliki turunan dalam interval [a,b]. Dalam deret Taylor, fungsi y(t) tersebut dirumuskan sebagai
y(ti+1 ) = y(ti ) + (ti+1 ti )y (ti ) +

(ti+1 ti )2
y (i )
2

(7.4)

h2
y (i )
2

(7.5)

dengan memasukkan h = (ti+1 ti ), maka


y(ti+1 ) = y(ti ) + hy (ti ) +

dan, karena y(t) memenuhi persamaan diferensial (7.1), dimana y (ti ) tak lain adalah fungsi
turunan f (ti , y(ti )), maka
y(ti+1 ) = y(ti ) + hf (ti , y(ti )) +

h2
y (i )
2

(7.6)

Metode Euler dibangun dengan pendekatan bahwa suku terakhir dari persamaan (7.6), yang
memuat turunan kedua, dapat diabaikan. Disamping itu, pada umumnya, notasi penulisan bagi
y(ti ) diganti dengan wi . Sehingga metode Euler diformulasikan sebagai
wi+1 = wi + hf (ti , wi )

dengan syarat awal

w0 =

(7.7)

dimana i = 0, 1, 2, .., N 1.
Contoh
Diketahui persamaan diferensial
y = y t2 + 1 batas interval: 0 t 2 syarat awal:

y(0) = 0, 5

(7.8)

dimana N = 10. Disini terlihat bahwa batas awal interval, a = 0; dan batas akhir b = 2.
Dalam penerapan metode euler, pertama kali yang harus dilakukan adalah menghitung step-

7.1. METODE EULER

91

size (h), caranya


h=

20
ba
=
= 0, 2
N
10

kemudian dilanjutkan dengan menentukan posisi titik-titik ti berdasarkan rumus


ti = a + ih = 0 + i(0, 2)

sehingga ti = 0, 2i

serta menetapkan nilai w0 yang diambil dari syarat awal y(0) = 0, 5


w0 = 0, 5
Dengan demikian persamaan euler dapat dinyatakan sebagai
wi+1 = wi + h(wi t2i + 1)

= wi + 0, 2(wi 0, 04i2 + 1)
= 1, 2wi 0, 008i2 + 0, 2

dimana i = 0, 1, 2, ..., N 1. Karena N = 10, maka i = 0, 1, 2, ..., 9.

Pada saat i = 0 dan dari syarat awal diketahui w0 = 0, 5, kita bisa menghitung w1
w1 = 1, 2w0 0, 008(0)2 + 0, 2 = 0, 8000000

Pada saat i = 1
w2 = 1, 2w1 0, 008(1)2 + 0, 2 = 1, 1520000
Pada saat i = 2
w3 = 1, 2w2 0, 008(2)2 + 0, 2 = 1, 5504000
Demikian seterusnya, hingga mencapai i = 9
w10 = 1, 2w9 0, 008(9)2 + 0, 2 = 4, 8657845
Berikut ini adalah script matlab untuk menghitung w1 , w2 , sampai w10
1
2

clear all
clc

3
4

format long

5
6
7
8
9
10
11

b=2; %batas akhir interval


a=0; %batas awal interval
N=10; % bilangan interger positif
h=(b-a)/N; % nilai step-size
w0=0.5; % nilai w awal
t0=0;
% nilai t awal

12
13
14
15

% perubahan t sesuai step-size h adalah:


t1=a+1*h;
t2=a+2*h;

BAB 7. DIFERENSIAL NUMERIK

92
16
17
18
19
20
21
22
23

t3=a+3*h;
t4=a+4*h;
t5=a+5*h;
t6=a+6*h;
t7=a+7*h;
t8=a+8*h;
t9=a+9*h;
t10=a+10*h;

24
25
26
27
28
29
30
31
32
33
34
35

% solusinya:
w1=w0+h*(w0-t0^2+1)
w2=w1+h*(w1-t1^2+1)
w3=w2+h*(w2-t2^2+1)
w4=w3+h*(w3-t3^2+1)
w5=w4+h*(w4-t4^2+1)
w6=w5+h*(w5-t5^2+1)
w7=w6+h*(w6-t6^2+1)
w8=w7+h*(w7-t7^2+1)
w9=w8+h*(w8-t8^2+1)
w10=w9+h*(w9-t9^2+1)

Atau bisa dipersingkat sebagai berikut


1
2

clear all
clc

3
4

format long

5
6
7
8
9
10
11

b=2; %batas akhir interval


a=0; %batas awal interval
N=10; % bilangan interger positif
h=(b-a)/N; % nilai step-size
w0=0.5; % nilai w awal
t0=0;
% nilai t awal

12
13
14
15
16

% perubahan t sesuai step-size h adalah:


for i=1:N
t(i)=a+(i*h);
end

17
18
19
20
21
22
23
24

% solusinya:
w(1)=w0+h*(w0-t0^2+1);
for i=2:N
k=i-1;
w(i)=w(k)+h*(w(k)-t(k)^2+1);
end
w

Disisi lain, solusi exact persamaan diferensial (7.8) adalah


y(t) = (t + 1)2 0, 5et
Script matlab untuk mendapatkan solusi exact ini adalah:
1
2

clear all
clc

(7.9)

7.1. METODE EULER

93

3
4

format long

5
6
7
8
9

b=2; %batas akhir interval


a=0; %batas awal interval
N=10; % bilangan interger positif
h=(b-a)/N; % nilai step-size

10
11
12
13
14

% perubahan t sesuai step-size h adalah:


for i=1:N
t(i)=a+(i*h);
end

15
16
17
18
19
20

% solusi exact:
for i=1:N
y(i)=(t(i)+1)^2-0.5*exp(t(i));
end
y

Tabel 7.1: Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih antara
keduanya
i
ti
wi
yi = y(ti )
|wi yi |
0
1
2
3
4
5
6
7
8
9
10

0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2,0

0,5000000
0,8000000
1,1520000
1,5504000
1,9884800
2,4581760
2,9498112
3,4517734
3,9501281
4,4281538
4,8657845

0,5000000
0,8292986
1,2140877
1,6489406
2,1272295
2,6408591
3,1799415
3,7324000
4,2834838
4,8151763
5,3054720

0,0000000
0,0292986
0,0620877
0,0985406
0,1387495
0,1826831
0,2301303
0,2806266
0,3333557
0,3870225
0,4396874

Coba anda perhatikan sejenak bagian kolom selisih |wi yi |. Terlihat angkanya tumbuh semakin
besar seiring dengan bertambahnya ti . Artinya, ketika ti membesar, akurasi metode euler justru

berkurang. Untuk lebih jelasnya, mari kita plot hasil-hasil ini dalam suatu gambar.
Gambar (7.2) memperlihatkan sebaran titik-titik merah yang merupakan hasil perhitungan
metode euler (wi ). Sementara solusi exact y(ti ) diwakili oleh titik-titik biru. Tampak jelas bahwa titik-titik biru dan titik-titik merah pada nilai t yang sama tidak ada yang berhimpit alias
ada jarak yang memisahkan mereka. Bahkan semakin ke kanan, jarak itu semakin melebar.
Adanya jarak, tak lain menunjukkan keberadaan error (kesalahan). Hasil perhitungan metode
euler yang diwakili oleh titik-titik merah ternyata menghadirkan tingkat kesalahan yang semakin membesar ketika menuju ke-N atau ketika ti bertambah. Untuk mengatasi hal ini, salah
satu pemecahannya adalah dengan menerapkan metode Runge-Kutta orde-4. Namun sebelum
masuk ke pembahasan tersebut, ada baiknya kita memodikasi script matlab yang terakhir tadi.
Saya kira tidak ada salahnya untuk mengantisipasi kesalahan pengetikan fungsi turunan
yang terdapat dalam script sebelumnya yaitu,

BAB 7. DIFERENSIAL NUMERIK

94
5.5

4.5

y(t)

3.5

2.5

1.5

0.5
0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

Gambar 7.2: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu nilai wi .

w(1)=w0+h*(w0-t0^2+1);

dan
w(i)=w(k)+h*(w(k)-t(k)^2+1);

Ketika fungsi turunan memiliki formulasi yang berbeda dengan contoh di atas, bisa jadi
kita akan lupa untuk mengetikkan formulasi yang baru di kedua baris tersebut. Oleh karena
itu, lebih baik fungsi turunan tersebut dipindahkan kedalam satu le terpisah. Di lingkungan
matlab, le tersebut disebut le function. Jadi, isi le function untuk contoh yang sedang kita
bahas ini adalah
function y = futur(t,w)
y = w - t^2 + 1;

File function ini mesti di-save dengan nama le yang sama persis dengan nama fungsinya, dalam
contoh ini nama le function tersebut harus bernama futur.m. Kemudian le ini harus disimpan
dalam folder yang sama dimana disana juga terdapat le untuk memproses metode euler.
Setelah itu, script metode euler dimodikasi menjadi seperti ini
1
2

clear all
clc

3
4

format long

5
6

b=2;

%batas akhir interval

7.2. METODE RUNGE KUTTA


7
8
9
10
11

95

a=0;
%batas awal interval
N=10; % bilangan interger positif
h=(b-a)/N; % nilai step-size
w0=0.5; % nilai w awal
t0=0; % nilai t awal

12
13
14
15
16

% perubahan t sesuai step-size h adalah:


for i=1:N
t(i)=a+(i*h);
end

17
18
19
20
21
22
23
24

% solusinya:
w(1)=w0+h*futur(t0,w0);
for i=2:N
k=i-1;
w(i)=w(k)+h*futur(t(k),w(k));
end
w

Mulai dari baris ke-13 sampai dengan baris ke-24, tidak perlu diubah-ubah lagi. Artinya, jika
ada perubahan formulasi fungsi turunan, maka itu cukup dilakukan pada le futur.m saja.
Ok. Sekarang mari kita membahas metode Runge Kutta.

7.2 Metode Runge Kutta


Pada saat membahas metode Euler untuk penyelesaian persamaan diferensial, kita telah sampai
pada kesimpulan bahwa truncation error metode Euler terus membesar seiring dengan bertambahnya iterasi (ti ). Dikaitkan dengan hal tersebut, metode Runge-Kutta Orde-4 menawarkan
penyelesaian persamaan diferensial dengan pertumbuhan truncation error yang jauh lebih kecil. Persamaan-persamaan yang menyusun metode Runge-Kutta Orde-4 adalah
w0 =
k1 = hf (ti , wi )
h
1
k2 = hf (ti + , wi + k1 )
2
2
h
1
k3 = hf (ti + , wi + k2 )
2
2
k4 = hf (ti+1 , wi + k3 )
1
wi+1 = wi + (k1 + 2k2 + 2k3 + k4 )
6

(7.10)
(7.11)
(7.12)
(7.13)
(7.14)

dimana fungsi f (t, w) adalah fungsi turunan.


Contoh
Saya ambilkan contoh yang sama seperti contoh yang sudah kita bahas pada metode Euler.
Diketahui persamaan diferensial
y = y t2 + 1,

0 t 2,

y(0) = 0, 5

BAB 7. DIFERENSIAL NUMERIK

96
Jika N = 10, maka step-size bisa dihitung terlebih dahulu
h=

ba
20
=
= 0, 2
N
10

dan
ti = a + ih = 0 + i(0, 2)

ti = 0, 2i

serta
w0 = 0, 5
Sekarang mari kita terapkan metode Runge-Kutta Orde-4 ini. Untuk menghitung w1 , tahaptahap perhitungannya dimulai dari menghitung k1
k1 = hf (t0 , w0 )
= h(w0 t20 + 1)

= 0, 2((0, 5) (0, 0)2 + 1)


= 0, 3
lalu menghitung k2
h
k1
, w0 + )
2
2
k1
h
= h[(w0 + ) (t0 + )2 + 1)]
2
2
0, 3
0, 2 2
= 0, 2[(0, 5 +
) (0, 0 +
) + 1)]
2
2
= 0, 328

k2 = hf (t0 +

dilanjutkan dengan k3
k2
h
, w0 + )
2
2
k2
h
= h[(w0 + ) (t0 + )2 + 1)]
2
2
0, 328
0, 2 2
= 0, 2[(0, 5 +
) (0, 0 +
) + 1)]
2
2
= 0, 3308

k3 = hf (t0 +

kemudian k4
k4 = hf (t1 , w0 + k3 )
= h[(w0 + k3 ) t21 + 1]

= 0, 2[(0, 5 + 0, 3308) (0, 2)2 + 1]


= 0, 35816

7.2. METODE RUNGE KUTTA

97

akhirnya diperoleh w1
1
(k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 5 + (0, 3 + 2(0, 328) + 2(0, 3308) + 0, 35816)
6
1
= 0, 5 + (0, 3 + 0, 656 + 0, 6616 + 0, 35816)
6
= 0, 8292933

w1 = w0 +

Dengan cara yang sama, w2 , w3 , w4 dan seterusnya dapat dihitung dengan program komputer.
Script matlab-nya sebagai berikut1 :
1
2

clear all
clc

3
4

format long

5
6
7
8
9
10
11

b=2;
a=0;
N=10;
h=(b-a)/N;
w0=0.5;
t0=0;

%
%
%
%
%
%

batas akhir interval


batas awal interval
bilangan interger positif
nilai step-size
nilai w awal
nilai t awal

12
13
14
15
16

% perubahan t sesuai step-size h adalah:


for i=1:N
t(i)=a+(i*h);
end

17
18
19
20
21
22
23

% solusinya:
k1=h*futur(t0,w0);
k2=h*futur(t0+h/2,w0+k1/2);
k3=h*futur(t0+h/2,w0+k2/2);
k4=h*futur(t(1),w0+k3);
w(1)=w0+1/6*(k1+2*k2+2*k3+k4);

24
25
26
27
28
29
30
31
32
33

for i=2:N
k=i-1;
k1=h*futur(t(k),w(k));
k2=h*futur(t(k)+h/2,w(k)+k1/2);
k3=h*futur(t(k)+h/2,w(k)+k2/2);
k4=h*futur(t(i),w(k)+k3);
w(i)=w(k)+1/6*(k1+2*k2+2*k3+k4);
end
w

Dibandingkan dengan metode Euler, tingkat pertumbuhan truncation error, pada kolom |wi yi |

(lihat Tabel 7.2), jauh lebih rendah sehingga metode Runge-Kutta Orde Empat lebih disukai
untuk membantu menyelesaikan persamaan-diferensial-biasa.

Contoh tadi tampaknya dapat memberikan gambaran yang jelas bahwa metode Runge-Kutta
Orde Empat dapat menyelesaikan persamaan diferensial biasa dengan tingkat akurasi yang lebih
1

Jangan lupa, le futur.m mesti berada dalam satu folder dengan le Runge Kutta nya!

BAB 7. DIFERENSIAL NUMERIK

98

Tabel 7.2: Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact y(ti )
serta selisih antara keduanya
i
ti
wi
yi = y(ti )
|wi yi |
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8292933 0,8292986 0,0000053
2 0,4 1,2140762 1,2140877 0,0000114
3 0,6 1,6489220 1,6489406 0,0000186
4 0,8 2,1272027 2,1272295 0,0000269
5 1,0 2,6408227 2,6408591 0,0000364
6 1,2 3,1798942 3,1799415 0,0000474
7 1,4 3,7323401 3,7324000 0,0000599
8 1,6 4,2834095 4,2834838 0,0000743
9 1,8 4,8150857 4,8151763 0,0000906
10 2,0 5,3053630 5,3054720 0,0001089
5.5

4.5

y(t)

3.5

2.5

1.5

0.5
0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

Gambar 7.3: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta orde 4, yaitu nilai wi .

tinggi. Namun, kalau anda jeli, ada suatu pertanyaan cukup serius yaitu apakah metode ini
dapat digunakan bila pada persamaan diferensialnya tidak ada variabel t ? Misalnya pada kasus
pengisian muatan pada kapasitor berikut ini.
7.2.1

Aplikasi: Pengisian muatan pada kapasitor

Sebuah kapasitor yang tidak bermuatan dihubungkan secara seri dengan sebuah resistor dan
baterry (Gambar 7.4). Diketahui = 12 volt, C = 5,00 F dan R = 8,00 105 . Saat sa-

7.2. METODE RUNGE KUTTA

99

klar dihubungkan (t=0), muatan belum ada (q=0). Berdasarkan hukum Kirchoff II, bentuk
persamaan diferensial yang sesuai dengan rangkaian tersebut adalah
dq

q
=
dt
R RC

(7.15)

Adapun solusi exact persamaan (7.15) adalah




qexact = q(t) = C 1 et/RC

(7.16)

Anda bisa lihat semua suku di ruas kanan persamaan (7.15) tidak mengandung variabel t. Pa-

Gambar 7.4: Rangkaian RC

dahal persamaan-persamaan turunan pada contoh sebelumnya mengandung variabel t. Apakah


persamaan (7.15) tidak bisa diselesaikan dengan metode Runge-Kutta? Belum tentu. Sekarang,
kita coba selesaikan, pertama kita nyatakan
m1 =
m2 =

= 1, 5 105
R
1
= 0, 25
RC

sehingga persamaan (7.15) dimodikasi menjadi


dq
= f (qi ) = m1 qi m2
dt
ti = a + ih
Jika t0 = 0, maka a = 0, dan pada saat itu (secara sis) diketahui q0 = 0, 0. Lalu jika ditetapkan
h = 0, 1 maka t1 = 0, 1 dan kita bisa mulai menghitung k1 dengan menggunakan q0 = 0, 0,

BAB 7. DIFERENSIAL NUMERIK

100
walaupun t1 tidak dilibatkan dalam perhitungan ini
k1 = hf (q0 )
= h(m1 q0 m2 )

= 0, 1((1, 5 105 ) (0, 0)(0, 25))


= 0, 150 105

lalu menghitung k2
k2 = hf (q0 +

k1
)
2

= h[(m1 (q0 +

k1
)m2 )]
2

= 0, 1[(1, 5 105 ((0, 0) +

0, 15 105
)(0, 25)]
2

= 0, 14813 105
dilanjutkan dengan k3
k3 = hf (q0 +

k2
)
2

= h[(m1 (q0 +

k2
)m2 )]
2

= 0, 1[(1, 5 105 ((0, 0) +

0, 14813 105
)(0, 25)]
2

= 0, 14815 105
kemudian k4
k4 = hf (q0 + k3 )
= h[(m1 (q0 + k3 )m2 )]

= 0, 1[(1, 5 105 ((0, 0) + 0, 14815 105 )(0, 25)]


= 0, 14630 105

akhirnya diperoleh q1
1
(k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 0 + (0, 150 + 2(0, 14813) + 2(0, 14815) + 0, 14630) 105
6
= 0, 14814 105

q1 = q0 +

7.2. METODE RUNGE KUTTA

101

Selanjutnya q2 dihitung. Tentu saja pada saat t2 , dimana t2 = 0, 2, namun sekali lagi, t2 tidak
terlibat dalam perhitungan ini. Dimulai menghitung k1 kembali
k1 = hf (q1 )
= h(m1 q1 m2 )

= 0, 1((1, 5 105 ) (0, 14814 105 )(0, 25))


= 0, 14630 105

lalu menghitung k2
k2 = hf (q1 +

k1
)
2

= h[(m1 (q1 +

k1
)m2 )]
2

= 0, 1[(1, 5 105 ((0, 14814 105 ) +

0, 14630 105
)(0, 25)]
2

= 0, 14447 105
dilanjutkan dengan k3
k3 = hf (q1 +

k2
)
2

= h[(m1 (q1 +

k2
)m2 )]
2

= 0, 1[(1, 5 105 ((0, 14814 105 ) +

0, 14447 105
)(0, 25)]
2

= 0, 14449 105
kemudian k4
k4 = hf (q1 + k3 )
= h[(m1 (q1 + k3 )m2 )]

= 0, 1[(1, 5 105 ((0, 14814 105 ) + 0, 14449 105 )(0, 25)]

= 0, 14268 105
akhirnya diperoleh q2

1
(k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 14814 105 + (0, 14630 + 2(0, 14447) + 2(0, 14449) + 0, 14268) 105
6
= 0, 29262 105

q2 = q1 +

Dengan cara yang sama, q3 , q4 , q5 dan seterusnya dapat dihitung. Berikut ini adalah script dalam
matlab yang dipakai untuk menghitung q

102
1
2

BAB 7. DIFERENSIAL NUMERIK

clear all
clc

3
4

format long

5
6
7
8
9
10
11

b=1; % batas akhir interval


a=0; % batas awal interval
h=0.1; % interval waktu
N=(b-a)/h; % nilai step-size
q0=0.0; % muatan mula-mula
t0=0.0; % waktu awal

12
13
14
15
16

% perubahan t sesuai step-size h adalah:


for i=1:N
t(i)=a+(i*h);
end

17
18
19
20
21
22
23

% solusinya:
k1=h*futur(q0);
k2=h*futur(q0+k1/2);
k3=h*futur(q0+k2/2);
k4=h*futur(q0+k3);
q(1)=q0+1/6*(k1+2*k2+2*k3+k4);

24
25
26
27
28
29
30
31
32
33

for i=2:N
k=i-1;
k1=h*futur(q(k));
k2=h*futur(q(k)+k1/2);
k3=h*futur(q(k)+k2/2);
k4=h*futur(q(k)+k3);
q(i)=q(k)+1/6*(k1+2*k2+2*k3+k4);
end
q

Adapun script fungsi turunannya (futur.m) adalah sebagai berikut:

1
2
3
4
5
6
7

function y=futur(q)
E=12;
% tegangan (volt)
R=800000;
% hambatan (ohm)
C=5e-6;
% kapasitansi (farad)
m1=E/R;
m2=1/(R*C);
y=m1-(m2*q);

Luar biasa!! Tak ada error sama sekali. Mungkin, kalau kita buat 7 angka dibelakang koma,

error nya akan terlihat. Tapi kalau anda cukup puas dengan 5 angka dibelakang koma, hasil ini
sangat memuaskan. Gambar 7.5 memperlihatkan kurva penumpukan muatan q terhadap waktu
t dengan batas atas interval waktu dinaikkan hingga 20 .
Sampai disini mudah-mudahan jelas dan bisa dimengerti. Silakan anda coba untuk kasus
yang lain, misalnya proses pembuangan (discharging ) q pada rangkaian yang sama, atau bisa
juga anda berlatih dengan rangkaian RL dan RLC. Saya akhiri dulu uraian saya sampai disini.

7.3. LATIHAN I

103

Tabel 7.3: Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan hasil
perhitungan dari solusi exact, yaitu persamaan (7.16)
i
ti
qi
qexact = q(ti )
|qi qexact |
5
5
0 0,0 0,0000010
0,0000010
0,00000
1 0,1 0,14814105 0,14814105
0,00000
2 0,2 0,29262105 0,29262105
0,00000
3 0,3 0,43354105 0,43354105
0,00000
4 0,4 0,57098105 0,57098105
0,00000
5 0,5 0,70502105 0,70502105
0,00000
6 0,6 0,83575105 0,83575105
0,00000
5
5
7 0,7 0,9632610
0,9632610
0,00000
8 0,8 1,0876105
1,0876105
0,00000
9 0,9 1,2089105
1,2089105
0,00000
5
5
10 1,0 1,327210
1,327210
0,00000

7.3 Latihan I
1. Sebuah benda bersuhu 50o F diletakkan di dalam ruangan bersuhu 100o F. Laju perubahan
suhu terhadap waktu diformulasikan oleh hukum Newton sebagai berikut
dT
= k(Tr Tb )
dt
dimana Tr = suhu ruang; Tb = suhu benda yang berubah-ubah dan k = konstanta bernilai
0,045.
(a) Buatlah kurva peningkatan suhu benda terhadap waktu berdasarkan analisis numerik
menggunakan medote Runge-kutta orde-4. Parameter waktu divariasikan mulai dari
0 menit hingga 20 menit.
(b) Berapakah suhu benda setelah 5 menit? Berapakah suhu benda setelah 20 menit?.
2. Peluruhan zat radioaktif diformulasikan sebagai
dN
kN = 0
dt
dimana N = massa zat radioaktif pada waktu tertentu; k = konstanta bernilai peluruhan.
Jika mula-mula adalah 50 miligram dan k = -0,053,
(a) Buatlah kurva peluruhan zat radioaktif terhadap waktu berdasarkan analisis numerik
menggunakan medote Runge-kutta orde-4. Parameter waktu divariasikan mulai dari
0 jam hingga 20 jam.
(b) Berapakah masa zat radioaktif setelah 4 jam? Berapakah masa zat radioaktif setelah
15 jam?
3. Saat saklar baru dihubungkan, yaitu pada t = 0 dan I = 0, arus mulai mengalir dari

BAB 7. DIFERENSIAL NUMERIK

104
5

x 10

10

12

14

16

18

20

Gambar 7.5: Kurva pengisian muatan q (charging) terhadap waktu t


sumber tegangan. Persamaan Kirchhoff untuk rangkaian ini adalah
IR L

dI
=0
dt

I(0) = 0

(a) Tentukan konstanta waktu ( )


(b) Tentukan fungsi turunan yang siap digunakan pada metode Runge-Kutta orde 4.
(c) Tuliskan metode Runge-Kutta orde 4 untuk menghitung perubahan arus sampai 12
ms.
(d) Berapakah besarnya arus pada t = 2 ms?
(e) Gambarkan kurva hubungan antara arus (Ampere) terhadap waktu (milisecond) yang
didapat dari metode Runge-Kutta orde 4.

7.3. LATIHAN I

105


(f) Solusi analitik persamaan diferensial di atas adalah I(t) = R 1 eRt/L . Gambarkan kurva hubungan antara arus (Ampere) terhadap waktu (milisecond) yang didapat
dari solusi analitik dan bandingkan dengan kurva yang diperoleh dari metode RungeKutta orde 4.

BAB 7. DIFERENSIAL NUMERIK

106

Gambar 7.6: Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah x0 = a hingga batas atas x6 = b

7.4 Metode Finite Difference


Suatu persamaan diferensial dapat dinyatakan sebagai berikut:
d2 y
dy
(x) = p(x) (x) + q(x)y(x) + r(x),
2
dx
dx

a x b,

y(a) = ,

y(b) =

(7.17)

atau juga dapat dituliskan dalam bentuk lain


y = p(x)y + q(x)y + r(x)

(7.18)

Persamaan tersebut dapat diselesaikan dengan melakukan pendekatan numerik terhadap y


dan y . Caranya adalah pertama, kita memilih angka integer sembarang yaitu N dimana N > 0
dan membagi interval [a, b] dengan (N + 1), hasilnya dinamakan h (lihat Gambar 7.6)
h=

ba
N +1

(7.19)

Dengan demikian maka titik-titik x yang merupakan sub-interval antara a dan b dapat dinyatakan sebagai
xi = a + ih,

i = 1, 2, 3, ..., N

(7.20)

Pencarian solusi persamaan diferensial melalui pendekatan numerik dilakukan dengan memanfaatkan polinomial Taylor untuk mengevaluasi y dan y pada xi+1 dan xi1 seperti berikut
ini
y(xi+1 ) = y(xi + h) = y(xi ) + hy (xi ) +

h2
y (xi )
2

(7.21)

y(xi1 ) = y(xi h) = y(xi ) hy (xi ) +

h2
y (xi )
2

(7.22)

dan

7.4. METODE FINITE DIFFERENCE

107

Jika kedua persamaan ini dijumlahkan


y(xi+1 ) + y(xi1 ) = 2y(xi ) + h2 y (xi )
Dari sini y dapat ditentukan
h2 y (xi ) = y(xi+1 ) 2y(xi ) + y(xi1 )
y (xi ) =

y(xi+1 ) 2y(xi ) + y(xi1 )


h2

(7.23)

Dengan cara yang sama, y (xi ) dapat dicari sebagai berikut


y (xi ) =

y(xi+1 ) y(xi1 )
2h

(7.24)

Selanjutnya persamaan (7.23) dan (7.24) disubstitusikan ke persamaan (7.18) maka


y(xi+1 ) 2y(xi ) + y(xi1 )
y(xi+1 ) y(xi1 )
= p(xi )
+ q(xi )y(xi ) + r(xi )
h2
2h
y(xi+1 ) y(xi1 )
y(xi+1 ) + 2y(xi ) y(xi1 )
= p(xi )
q(xi )y(xi ) r(xi )
2
h
2h
y(xi+1 ) + 2y(xi ) y(xi1 )
y(xi+1 ) y(xi1 )
+ q(xi )y(xi ) = r(xi )
+ p(xi )
2
h
2h

Sebelum dilanjut, saya nyatakan bahwa y(xi+1 )=wi+1 dan y(xi )=wi serta y(xi1 )=wi1 . Maka
persamaan di atas dapat ditulis sebagai berikut


wi+1 + 2wi wi1


h2

+ p(xi )

wi+1 wi1
2h

+ q(xi )wi = r(xi )

h
p(xi ) (wi+1 wi1 ) + h2 q(xi )wi
2
h
h
wi+1 + 2wi wi1 + p(xi )wi+1 p(xi )wi1 + h2 q(xi )wi
2
2
h
h
wi1 p(xi )wi1 + 2wi + h2 q(xi )wi wi+1 + p(xi )wi+1
2 
2 



h
h
1 + p(xi ) wi1 + 2 + h2 q(xi ) wi 1 p(xi ) wi+1
2
2
(wi+1 + 2wi wi1 ) +

= h2 r(xi )
= h2 r(xi )
= h2 r(xi )
= h2 r(xi )

(7.25)

dimana i=1,2,3...sampai N, karena yang ingin kita cari adalah w1 , w2 , w3 ,..., wN . Sementara,
satu hal yang tak boleh dilupakan yaitu w0 dan wN +1 biasanya selalu sudah diketahui. Pada
persamaan (7.17), jelas-jelas sudah diketahui bahwa w0 = dan wN +1 =; keduanya dikenal
sebagai syarat batas atau istilah asingnya adalah boundary value. Topik yang sedang bahas
ini juga sering disebut sebagai Masalah Syarat Batas atau Boundary Value Problem.
Sampai disini kita mendapatkan sistem persamaan linear yang selanjutnya dapat dinyatakan
sebagai bentuk operasi matrik
Aw = b

(7.26)

BAB 7. DIFERENSIAL NUMERIK

108
dimana A adalah matrik tridiagonal dengan orde N N
2 + h2 q(x1 )
1
h2 p(x2 )

...

...
0

1 + h2 p(x1 )
2 + h2 q(x2 )
1 h2 p(x3 )
0
...
...
...

0
1 + h2 p(x2 )
2 + h2 q(x3 )
1 h2 p(x4 )
...
...
...

...
0
1 + h2 p(x3 )
2 + h2 q(x4 )
...
...
...

...
...
0
1 + h2 p(x4 )
...
1 h2 p(xN1 )
...

...
...
...
0
...
2 + h2 q(xN1 )
1 h2 p(xN )

0
0

...

1 + h2 p(xN1 )
2
2 + h q(xN )

sedangkan vektor w dan b adalah

w1

w2

w
3

w=
w4
..
.

N 1
wN

b=


h2 r(x1 ) + 1 + h2 p(x1 ) w0
h2 r(x2 )

h2 r(x3 )

h2 r(x4 )
..
.

h2 r(xN 1 )


h2 r(xN ) + 1 h2 p(xN ) wN +1

Dalam hal ini vektor w dapat dicari dengan mudah, yaitu


w = A1 b

(7.27)

Agar lebih jelas, mari kita lihat contoh berikut; diketahui persamaan diferensial dinyatakan
sebagai
2
sin(ln x)
2
,
y = y + 2 y +
x
x
x2

1 x 2,

y(1) = 1,

y(2) = 2

Dengan metode Finite-Difference, solusi pendekatan dapat diperoleh dengan membagi interval
1 x 2 menjadi sub-interval, misalnya kita gunakan N = 9, sehingga spasi h diperoleh
h=

ba
21
=
= 0, 1
N +1
9+1

Dari persamaan diferensial tersebut, kita dapat menentukan fungsi p, fungsi q dan fungsi r
sebagai berikut:
p(xi ) =
q(xi ) =
r(xi ) =

2
xi

2
x2i
sin(ln xi )
x2i

Script matlab telah dibuat untuk menyelesaikan contoh soal ini. Isi script fungsi p yang disimpan
dengan nama le p.m:

7.4. METODE FINITE DIFFERENCE


1

function u = p(x)

2
3

u = -2/x;

lalu inilah script fungsi q yang disimpan dengan nama le q.m:


1

function u = q(x)

2
3

u = 2./x.^2;

kemudian ini script fungsi r yang disimpan dengan nama le r.m::


1

function u = r(x)

2
3

u = sin(log(x))./x.^2;

dan terakhir, inilah script utamanya:


1
2
3
4
5

%
%
%
%
%

PROGRAM - Aplikasi Metode Finite Difference (FD)


Hasil FD dibandingkan dengan hasil solusi analitik
yang ditampilkan dalam bentuk grafik
Dibuat oleh : Supriyanto, 10 Desember 2012

6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

clc;clear;close
%============== MENENTUKAN SYARAT BATAS =====================
a = 1; b = 2;
alpha = 1; beta = 2;
N = 9;
h = (b-a)/(N+1);
for k = 1:N
x(k) = a + k*h;
end
%============== MEMBUAT MATRIKS A ===========================
A = zeros(N);
for k = 1:N
A(k,k) = 2 + h^2*q(x(k));
end

21
22
23
24
25
26
27
28

for k = 2:N
A(k-1,k) = -1 + (h/2) * p(x(k-1));
A(k,k-1) = -1 - (h/2) * p(x(k));
end
%============== MEMBUAT VEKTOR b ============================
b(1,1) = -h^2*r(x(1)) + (1+(h/2)*p(x(1)))*alpha;
for k = 2:N-1

109

BAB 7. DIFERENSIAL NUMERIK

110
b(k,1) = -h^2*r(x(k));

29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

end
b(N,1) = -h^2*r(x(N)) + (1-(h/2)*p(x(N)))*beta;
%============== MENGHITUNG w ================================
w = inv(A) * b;
%============== MEMPLOT HASIL FINITE DIFFERENCE =============
plot(x,w,*b)
xlabel(nilai x);
hold on
%============== MEMPLOT HASIL SOLUSI ANALITIK ===============
h = 0.1;
x = 1:h:2;
y = sol_analitik(x);
plot(x,y,sr);
ylabel(nilai y);
title(\fontsize{14} Kesesuaian Antara Solusi FD dan Solusi Analitik);

Dalam script di atas, hasil perhitungan metode FD tersimpan pada baris 33 dan di-plot pada
baris 35. Disisi lain, solusi analitik dari persamaan diferensial
2
2
sin(ln x)
y = y + 2 y +
,
x
x
x2
adalah
y = c1 x +
dimana
c2 =

1 x 2,

y(1) = 1,

y(2) = 2

1
3
c2
sin(ln x)
cos(ln x),

2
x
10
10

1
[8 12 sin(ln 2) 4 cos(ln 2)] 0, 03920701320
70

dan
c1 =

11
c2 1, 1392070132.
10

Pada script di atas, solusi analitik akan didapat pada baris 41, dimana sol_analitik() adalah
fungsi eksternal untuk menyimpan persamaan solusi analitik di atas.
Tabel berikut ini memperlihatkan hasil perhitungan dengan pendekatan metode FD wi dan
hasil perhitungan dari solusi exact y(xi ), dilengkapi dengan selisih antara keduanya |wi y(xi )|.

Tabel ini memperlihatkan tingkat kesalahan (error) berada pada orde 105 . Untuk memperkecil
orde kesalahan, kita bisa menggunakan polinomial Taylor berorde tinggi. Akan tetapi proses
kalkulasi menjadi semakin banyak dan disisi lain penentuan syarat batas lebih kompleks dibandingkan dengan pemanfaatan polinomial Taylor yang sekarang. Untuk menghindari hal-hal
yang rumit itu, salah satu jalan pintas yang cukup efektif adalah dengan menerapkan ekstrapolasi Richardson.
Contoh
Pemanfaatan ekstrapolasi Richardson pada metode Finite Difference untuk persamaan diferen-

7.4. METODE FINITE DIFFERENCE

111

Kesesuaian Antara Solusi FD dan Solusi Analitik


2
1.9

solusi FD
solusi analitik

1.8
1.7

nilai y

1.6
1.5
1.4
1.3
1.2
1.1
1

1.2

1.4

1.6

1.8

nilai x

Gambar 7.7:

sial seperti berikut ini


2
2
sin(ln x)
y = y + 2 y +
,
x
x
x2

1 x 2,

y(1) = 1,

y(2) = 2,

dengan h = 0, 1, h = 0, 05, h = 0, 025. Ekstrapolasi Richardson terdiri atas 3 tahapan, yaitu


ekstrapolasi yang pertama
Ext1i =

4wi (h = 0, 05) wi (h = 0, 1)
3

kemudian ekstrapolasi yang kedua


Ext2i =

4wi (h = 0, 025) wi (h = 0, 05)


3

dan terakhir ekstrapolasi yang ketiga


Ext3i =

16Ext2i Ext1i
15

Tabel berikut ini memperlihatkan hasil perhitungan tahapan-tahapan ekstrapolasi tersebut. Jika
seluruh angka di belakang koma diikut-sertakan, maka akan terlihat selisih antara solusi exact
dengan solusi pendekatan sebesar 6, 3 1011 . Ini benar-benar improvisasi yang luar biasa.

BAB 7. DIFERENSIAL NUMERIK

112
xi
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
xi
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0

wi (h = 0, 1)
1,00000000
1,09260052
1,18704313
1,28333687
1,38140205
1,48112026
1,58235990
1,68498902
1,78888175
1,89392110
2,00000000

7.4.1

wi
1,00000000
1,09260052
1,18704313
1,28333687
1,38140205
1,48112026
1,58235990
1,68498902
1,78888175
1,89392110
2,00000000

wi (h = 0, 05)
1,00000000
1,09262207
1,18707436
1,28337094
1,38143493
1,48114959
1,58238429
1,68500770
1,78889432
1,89392740
2,00000000

y(xi )
1,00000000
1,09262930
1,18708484
1,28338236
1,38144595
1,48115942
1,58239246
1,68501396
1,78889853
1,89392951
2,00000000

wi (h = 0, 025)
1,00000000
1,09262749
1,18708222
1,28337950
1,38144319
1,48115696
1,58239042
1,68501240
1,78889748
1,89392898
2,00000000

|wi y(xi )|
2,88 105
4,17 105
4,55 105
4,39 105
3,92 105
3,26 105
2,49 105
1,68 105
8,41 106

Ext1i
1,00000000
1,09262925
1,18708477
1,28338230
1,38144598
1,48115937
1,58239242
1,68501393
1,78889852
1,89392950
2,00000000

Ext2i
1,00000000
1,09262930
1,18708484
1,28338236
1,38144595
1,48115941
1,58239246
1,68501396
1,78889853
1,89392951
2,00000000

Ext3i
1,00000000
1,09262930
1,18708484
1,28338236
1,38144595
1,48115942
1,58239246
1,68501396
1,78889853
1,89392951
2,00000000

Aplikasi

Besar simpangan terhadap waktu (y(t)) suatu sistem osilator mekanik yang padanya diberikan
gaya secara periodik (forced-oscilations) memenuhi persamaan diferensial seperti dibawah ini
berikut syarat-syarat batasnya
d2 y
dy
+ 2y + cos(t),
=
2
dt
dt

0t

,
2

y(0) = 0, 3,

y( ) = 0, 1
2

Dengan metode Finite-Difference, tentukanlah besar masing-masing simpangan di setiap interval h = /8. Buatlah table untuk membandingkan hasil nite-difference dengan solusi analitik
1
yang memenuhi y(t) = 10
[sin(t) + 3cos(t)].

jawab:
Secara umum, persamaan diferensial dapat dinyatakan sbb:
d2 y
dy
(x) = p(x) (x) + q(x)y(x) + r(x),
dx2
dx

a x b,

y(a) = ,

y(b) =

Dengan membandingkan kedua persamaan di atas, kita bisa denisikan


p(t) = 1

q(t) = 2

r(t) = cos(t)

a=0

b=

= 0, 3

= 0, 1

7.5. LATIHAN II

113

Adapun persamaan nite-difference adalah






h
h
2
1 + p(xi ) wi1 + 2 + h q(xi ) wi (1 p(xi ) wi+1 = h2 r(xi )
2
2


Persamaan diatas dikonversi kedalam operasi matriks


Aw = b

(7.28)

dimana A adalah matrik tridiagonal dengan orde N N


1 + h2 p(x1 )
2 + h2 q(x2 )
1 h2 p(x3 )
0
...
...
...

2 + h2 q(x1 )
1 h2 p(x2 )

...

...
0

w1

0
1 + h2 p(x2 )
2 + h2 q(x3 )
1 h2 p(x4 )
...
...
...

w2

w
3

w=
w4
..
.

N 1
wN

...
0
1 + h2 p(x3 )
2 + h2 q(x4 )
...
...
...

b=

...
...
0
1 + h2 p(x4 )
...
1 h2 p(xN1 )
...

...
...
...
0
...
2 + h2 q(xN1 )
1 h2 p(xN )


h2 r(x1 ) + 1 + h2 p(x1 ) w0
h2 r(x2 )

h2 r(x3 )

h2 r(x4 )
..
.

h2 r(xN 1 )


h2 r(xN ) + 1 h2 p(xN ) wN +1

0
0

...

1 + h2 p(xN1 )
2
2 + h q(xN )

Jumlah baris matrik ditentukan oleh bilangan n. Namun disoal hanya tersedia informasi nilai
h = /8, sehingga n harus dihitung terlebih dahulu:
h=

ba
n+1

n=

0
ba
1= 2
1=3
h
/8

perhitungan ini dilakukan didalam script matlab. Selanjutnya seluruh elemen matrik A dan
vektor b dihitung dengan matlab

2, 3084

0, 8037

w1

0, 5014


1, 1963 2, 3084 0, 8037 w2 = 0, 1090
0
1, 1963 2, 3084
0, 1394
w3
Proses diteruskan dengan metode Eliminasi Gauss dan didapat hasil akhir berikut ini
w1 = 0.3157

7.5 Latihan II
1.

w2 = 0.2829

w3 = 0.2070

BAB 7. DIFERENSIAL NUMERIK

114

7.6 Persamaan Diferensial Parsial


Dalam sub-bab ini, penulisan persamaan diferensial parsial akan dipersingkat menjadi PDP.
PDP dapat dibagi menjadi 3 jenis, yaitu persamaan diferensial eliptik, parabolik dan hiperbolik.
PDP eliptik dinyatakan sebagai berikut
2u
2u
(x,
y)
+
(x, y) = f (x, y)
x2
y 2

(7.29)

Dalam ilmu sika, persamaan (7.29) dikenal sebagai Persamaan Poisson. Persamaan tersebut
akan lebih sederhana jika f (x, y)=0,
2u
2u
(x,
y)
+
(x, y) = 0
x2
y 2

(7.30)

yang biasa disebut sebagai Persamaan Laplace. Contoh masalah PDP eliptik di bidang sika
adalah distribusi panas pada kondisi steady-state pada obyek 2-dimensi dan 3-dimensi.
Jenis PDP kedua adalah PDP parabolik yang dinyatakan sebagai berikut
2u
u
(x, t) 2 2 (x, t) = 0
t
x

(7.31)

Fenomena sis yang bisa dijelaskan oleh persamaan ini adalah masalah aliran panas pada suatu
obyek dalam fungsi waktu t.
Terakhir, PDP ketiga adalah PDP hiperbolik yang dinyatakan sebagai berikut
2

2u
2u
(x,
t)
=
(x, t)
2x
t2

(7.32)

biasa digunakan untuk menjelaskan fenomena gelombang.


Sekarang, mari kita bahas lebih dalam satu-persatu, difokuskan pada bagaimana cara menyatakan semua PDP di atas dalam formulasi Finite-Difference.

7.7 PDP eliptik


Kita mulai dari persamaan aslinya
2u
2u
(x,
y)
+
(x, y) = f (x, y)
x2
y 2

(7.33)

dimana R = [(x, y)|a < x < b, c < y < d]. Maksudnya, variasi titik-titik x berada di antara a dan
b. Demikian pula dengan variasi titik-titik y, dibatasi mulai dari c sampai d (lihat Gambar 7.8).
Jika h adalah jarak interval antar titik yang saling bersebelahan pada titik-titik dalam rentang
horizontal a dan b, maka titik-titik variasi di antara a dan b dapat diketahui melalui rumus ini
xi = a + ih,

dimana i = 1, 2, . . . , n

(7.34)

7.7. PDP ELIPTIK

115

mesh points

......

ym

grid lines

y2
k

y1
c
a

x1

x2

...

xn

h
Gambar 7.8: Skema grid lines dan mesh points pada aplikasi metode Finite-Difference

dimana a adalah titik awal pada sumbu horisontal x. Demikian pula pada sumbu y. Jika k
adalah jarak interval antar titik yang bersebelahan pada titik-titik dalam rentang vertikal c dan
d, maka titik-titik variasi di antara c dan d dapat diketahui melalui rumus ini
yj = c + jk,

dimana j = 1, 2, . . . , m

(7.35)

dimana c adalah titik awal pada sumbu vertikal y. Perhatikan Gambar 7.8, garis-garis yang
sejajar sumbu horisontal, y = yi dan garis-garis yang sejajar sumbu vertikal, x = xi disebut grid
lines. Sementara titik-titik perpotongan antara garis-garis horisontal dan vertikal dinamakan
mesh points.
Bentuk diskrit turunan kedua persamaan (7.33) dapat dinyatakan dalam rumus centereddifference sebagai berikut
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj ) h2 4 u
2u
(x
,
y
)
=

(i , yj )
i
j
x2
h2
12 x4

(7.36)

u(xi , yj+1 ) 2u(xi , yj ) + u(xi , yj1 ) k2 4 u


2u
(x
,
y
)
=

(xi , j )
i j
y 2
k2
12 y 4

(7.37)

Metode Finite-Difference biasanya mengabaikan suku yang terakhir, sehingga cukup dinyatakan
sebagai

2u
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj )
(xi , yj ) =
2
x
h2

(7.38)

u(xi , yj+1 ) 2u(xi , yj ) + u(xi , yj1 )


2u
(xi , yj ) =
2
y
k2

(7.39)

Pengabaian suku terakhir otomatis menimbulkan error yang dinamakan truncation error. Jadi,
ketika suatu persamaan diferensial diolah secara numerik dengan metode Finite-Difference, ma-

BAB 7. DIFERENSIAL NUMERIK

116

ka solusinya pasti meleset alias keliru "sedikit", dikarenakan adanya truncation error tersebut.
Akan tetapi, nilai error tersebut dapat ditolerir hingga batas-batas tertentu yang uraiannya akan
dikupas pada bagian akhir bab ini.
Ok. Mari kita lanjutkan! Sekarang persamaan (7.38) dan (7.39) disubstitusi ke persamaan
(7.33), hasilnya adalah
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj ) u(xi , yj+1 ) 2u(xi , yj ) + u(xi , yj1 )
+
= f (xi , yj ) (7.40)
h2
k2
dimana i = 1, 2, ..., n 1 dan j = 1, 2, ..., m 1 dengan syarat batas sebagai berikut
u(x0 , yj ) = g(x0 , yj )

u(xn , yj ) = g(xn , yj )

u(xi , y0 ) = g(xi , y0 )

u(xi , ym ) = g(xi , ym )

Pengertian syarat batas disini adalah bagian tepi atau bagian pinggir dari susunan mesh points.
Pada metode Finite-Difference, persamaan (7.40) dinyatakan dalam notasi w, sebagai berikut
wi,j+1 2wi,j + wi,j1
wi+1,j 2wi,j + wi1,j
+
2
h
k2
2
h
wi+1,j 2wi,j + wi1,j + 2 (wi,j+1 2wi,j + wi,j1 )
k
h2
h2
h2
wi+1,j 2wi,j + wi1,j + 2 wi,j+1 2 2 wi,j + 2 wi,j1
k
k
k
h2
h2
2[1 + 2 ]wi,j + (wi+1,j + wi1,j ) + 2 (wi,j+1 + wi,j1 )
k
k
h2
h2
2[1 + 2 ]wi,j (wi+1,j + wi1,j ) 2 (wi,j+1 + wi,j1 )
k
k

= f (xi , yj )
= h2 f (xi , yj )
= h2 f (xi , yj )
= h2 f (xi , yj )
= h2 f (xi , yj )

(7.41)

dimana i = 1, 2, ..., n 1 dan j = 1, 2, ..., m 1, dengan syarat batas sebagai berikut


w0,j = g(x0 , yj )

wn,j = g(xn , yj )

j = 1, 2, ..., m 1;

wi,0 = g(xi , y0 )

wi,m = g(xi , ym )

i = 1, 2, ..., n 1.

Persamaan (7.41) adalah rumusan akhir metode Finite-Difference untuk PDP Eliptik.

7.7.1

Contoh pertama

Misalnya kita diminta mensimulasikan distribusi panas pada lempengan logam berukuran 0, 5
m x 0, 5 m. Temperatur pada 2 sisi tepi lempengan logam dijaga pada 0 C, sementara pada
2 sisi tepi lempengan logam yang lain, temperaturnya diatur meningkat secara linear dari 0 C
hingga 100 C. Problem ini memenuhi PDP Eliptik:
2u
2u
(x,
y)
+
(x, y) = 0;
x2
y 2

0 < x < 0, 5,

0 < y < 0, 5

7.7. PDP ELIPTIK

117
Y

U(0,y)=0

W0,3
W0,2
W0,1

W2,4

W1,4

W3,4

W1,3

W2,3

W3,3

W1,2

W2,2

W3,2

W1,1

W2,1

W3,1

W2,0

W1,0

W3,0

W4,3
W4,2
W4,1

0.5

U(0.5,y)=200y

0.5

U(x,0.5)=200x

U(x,0)=0
Gambar 7.9: Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu

dengan syarat-syarat batas


u(0, y) = 0,

u(x, 0) = 0,

u(x, 0.5) = 200x,

u(0.5, y) = 200y

Jika n = m = 4 sedangkan ukuran lempeng logam adalah 0, 5 m x 0, 5 m, maka


h=

0, 5
= 0, 125
4

k=

0, 5
= 0, 125
4

Grid lines berikut mesh points dibuat berdasarkan nilai h dan k tersebut (lihat Gambar 7.9).
Langkah berikutnya adalah menyusun persamaan Finite-Difference, dimulai dari persamaan asalnya (persamaan 7.41)
2[1 +

h2
h2
]w

(w
+
w
)

(wi,j+1 + wi,j1 ) = h2 f (xi , yj )


i,j
i+1,j
i1,j
k2
k2

Karena h = k = 0, 125 dan f (xi , yj ) = 0, maka


4wi,j wi+1,j wi1,j wi,j1 wi,j+1 = 0

(7.42)

Disisi lain, karena n = 4, maka nilai i yang bervariasi i = 1, 2, ..., n 1 akan menjadi i =

1, 2, 3. Demikian hal-nya dengan j, karena m = 4, maka variasi j = 1, 2, ..., m 1 atau j =


1, 2, 3. Dengan menerapkan persamaan (7.42) pada setiap mesh point yang belum diketahui

BAB 7. DIFERENSIAL NUMERIK

118
temperaturnya, diperoleh

4w1,3 w2,3 w1,2 = w0,3 + w1,4


4w2,3 w3,3 w2,2 w1,3 = w2,4
4w3,3 w3,2 w2,3 = w4,3 + w3,4
4w1,2 w2,2 w1,1 w1,3 = w0,2
4w2,2 w3,2 w2,1 w1,2 w2,3 = 0
4w3,2 w3,1 w2,2 w3,3 = w4,2
4w1,1 w2,1 w1,2 = w0,1 + w1,0
4w2,1 w3,1 w1,1 w2,2 = w2,0
4w3,1 w2,1 w3,2 = w3,0 + w4,1
Semua notasi w yang berada diruas kanan tanda sama-dengan sudah ditentukan nilainya berdasarkan syarat batas, yaitu
w1,0 = w2,0 = w3,0 = w0,1 = w0,2 = w0,3 = 0,
w1,4 = w4,1 = 25,

w2,4 = w4,2 = 50,

dan

w3,4 = w4,3 = 75
Dengan memasukkan syarat batas tersebut ke dalam sistem persamaan linear, maka
4w1,3 w2,3 w1,2 = 25
4w2,3 w3,3 w2,2 w1,3 = 50
4w3,3 w3,2 w2,3 = 150
4w1,2 w2,2 w1,1 w1,3 = 0
4w2,2 w3,2 w2,1 w1,2 w2,3 = 0
4w3,2 w3,1 w2,2 w3,3 = 50
4w1,1 w2,1 w1,2 = 0
4w2,1 w3,1 w1,1 w2,2 = 0
4w3,1 w2,1 w3,2 = 25

7.7. PDP ELIPTIK

119

Kemudian dijadikan operasi perkalian matrik

4 1 0 1 0
0
0
0
0
w1,3

0
0
0 w2,3
1 4 1 0 1 0

w3,3
0 1 4
0
0
1
0
0
0

0
4 1 0 1 0
0 w1,2
1 0

0 1 0 1 4 1 0 1 0 w2,2

0 1 0 1 4
0
0 1 w3,2
0

0
0 1 0
0
4 1 0
w1,1

0
0
0 1 0 1 4 1 w2,1
0

w3,1

25


50


150


= 0


50


0
25

Mari kita perhatikan sejenak susunan elemen-elemen angka pada matrik berukuran 9x9 di atas.
Terlihat jelas pada elemen diagonal selalu berisi angka 4. Ini sama sekali bukan ketidaksengajaan. Melainkan susunan itu sengaja direkayasa sedemikian rupa sehingga elemen-elemen
tri-diagonal terisi penuh oleh angka bukan 0 dan pada diagonal utamanya diletakkan angka
yang terbesar. Metode Eliminasi Gauss dan Iterasi Gauss-Seidel telah diaplikasikan untuk menyelesaikan persamaan matrik di atas.
7.7.2

Script Matlab untuk PDP Elliptik

Inilah script Matlab yang dipakai untuk menghitung nila-nilai w menggunakan metode Eliminasi
Gauss.
1
2
3
4
5
6
7
8
9
10
11
12

clear
clc
n=9;
A=[ 4
-1
0
-1
0
0
0
0
0

all

-1 0 -1 0 0 0 0 0;
4 -1 0 -1 0 0 0 0;
-1 4 0 0 -1 0 0 0;
0 0 4 -1 0 -1 0 0;
-1 0 -1 4 -1 0 -1 0;
0 -1 0 -1 4 0 0 -1;
0 0 -1 0 0 4 -1 0;
0 0 0 -1 0 -1 4 -1;
0 0 0 0 -1 0 -1 4];

13
14

b=[25; 50; 150; 0; 0; 50; 0; 0; 25];

15
16
17
18
19
20
21

%&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&


%====== Menggabungkan Vektor b kedalam matrik A ========
%====== sehingga terbentuk matrik Augmentasi.
========
for i=1:n
A(i,n+1)=b(i,1);
end

22
23
24

%---------Proses Triangularisasi----------for j=1:(n-1)

25
26
27

%----mulai proses pivot--if (A(j,j)==0)

120
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

BAB 7. DIFERENSIAL NUMERIK

for p=1:n+1
u=A(j,p);
v=A(j+1,p);
A(j+1,p)=u;
A(j,p)=v;
end
end
%----akhir proses pivot--jj=j+1;
for i=jj:n
m=A(i,j)/A(j,j);
for k=1:(n+1)
A(i,k)=A(i,k)-(m*A(j,k));
end
end
end
%-------------------------------------------

45
46
47

%------Proses Substitusi mundur------------x(n,1)=A(n,n+1)/A(n,n);

48
49
50
51
52
53
54
55
56

for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*x(j,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&

57
58
59

%===== Menampilkan Vektor w =================


w=x

Sementara berikut ini adalah script Matlab untuk menghitung nila-nilai w menggunakan metode
Iterasi Gauss-Seidel.
1
2

clear all
clc

3
4
5
6
7
8
9
10
11
12
13

n=9;
A=[ 4 -1 0 -1 0 0 0 0 0;
-1 4 -1 0 -1 0 0 0 0;
0 -1 4 0 0 -1 0 0 0;
-1 0 0 4 -1 0 -1 0 0;
0 -1 0 -1 4 -1 0 -1 0;
0 0 -1 0 -1 4 0 0 -1;
0 0 0 -1 0 0 4 -1 0;
0 0 0 0 -1 0 -1 4 -1;
0 0 0 0 0 -1 0 -1 4];

14
15

b=[25; 50; 150; 0; 0; 50; 0; 0; 25];

16
17
18
19
20
21
22

%&&&&&&& ITERASI GAUSS-SEIDEL &&&&&&&&&&&&&&&&&&


itermax=100; %iterasi maksimum
%----nilai awal----------xl=[0; 0; 0; 0; 0; 0; 0; 0; 0];
xb=xl;
%----stopping criteria-----------

7.7. PDP ELIPTIK


23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63

121

sc=0.001;
%----memulai iterasi------------for iterasi=1:itermax
smtr1=0;
for j=2:n
smtr1=smtr1+A(1,j)*xl(j,1);
end
xb(1,1)=(-smtr1+b(1,1))/A(1,1);
%---------------------------------------------for i=2:n-1
smtr2=0;
for j=i+1:n
smtr2=smtr2-A(i,j)*xl(j,1);
end
smtr3=0;
for k=1:i-1
smtr3=smtr3-A(i,k)*xb(k,1);
end
xb(i,1)=(smtr3+smtr2+b(i,1))/A(i,i);
end
%---------------------------------------------smtr4=0;
for k=1:n-1
smtr4=smtr4-A(n,k)*xb(k,1);
end
xb(n,1)=(smtr4+b(n,1))/A(n,n);
%------perhitungan norm2 ------------s=0;
for i=1:n
s=s+(xb(i,1)-xl(i,1))^2;
end
epsilon=sqrt(s);
%------------------------------------xl=xb;
%------memeriksa stopping criteria-------if epsilon<sc
w=xb
break
end
%----------------------------------------end

Tabel berikut memperlihatkan hasil pemrosesan dengan metode Eliminasi Gauss (disingkat: EG)
dan iterasi Gauss-Seidel (disingkat: GS)
w1,3

w2,3

w3,3

w1,2

w2,2

w3,2

w1,1

w2,1

w3,1

EG 18.7500 37.5000 56.2500 12.5000 25.0000 37.5000 6.2500 12.5000 18.7500


GS

18.7497 37.4997 56.2498 12.4997 24.9997 37.4998 6.2498 12.4998 18.7499

Inilah solusi yang ditawarkan oleh Finite-Difference. Kalau diamati dengan teliti, angkaangka distribusi temperatur pada 9 buah mesh points memang logis dan masuk akal. Dalam
kondisi riil, mungkin kondisi seperti ini hanya bisa terjadi bila lempengan logam tersebut terbuat
dari bahan yang homogen.

BAB 7. DIFERENSIAL NUMERIK

122

Hasil EG dan GS memang berbeda, walaupun perbedaannya tidak significant. Namun perlu
saya tegaskan disini bahwa jika sistem persamaan linear yang diperoleh dari Finite Difference
berorde 100 atau kurang dari itu, maka lebih baik memilih metode Eliminasi Gauss sebagai
langkah penyelesaian akhir. Alasannya karena, direct method seperti eliminasi Gauss, lebih stabil dibandingkan metode iterasi. Tapi jika orde-nya lebih dari 100, disarankan memilih metode
iterasi seperti iterasi Gauss-Seidel, atau menggunakan metode SOR yang terbukti lebih esien
dibanding Gauss-Seidel. Jika matrik A bersifat positive definite, metode Court Factorization adalah pilihan yg paling tepat karena metode ini sangat esien sehingga bisa menghemat memori
komputer.

7.7.3

Contoh kedua

Diketahui persamaan poisson sebagai berikut


2u
2u
(x,
y)
+
(x, y) = xey ,
x2
y 2

0 < x < 2,

0 < y < 1,

dengan syarat batas


u (0, y) = 0,

u (2, y) = 2ey ,

0 y 1,

u (x, 0) = x,

u (x, 1) = ex,

0 x 2,

Solusi numerik dihitung dengan pendekatan nite-difference gauss-seidel dimana batas toleransi kesalahan ditentukan


(l)
(l1)
wij wij 1010

7.8 PDP parabolik

PDP parabolik yang kita pelajari disini adalah persamaan difusi


u
2u
(x, t) = 2 2 (x, t),
t
x

0 < x < ,

yang berlaku pada kondisi


u(0, t) = u(, t) = 0,

t > 0,

dan
u(x, 0) = f (x),

0 x ,

dimana t dalam dimensi waktu, sementara x berdimensi jarak.

t > 0,

(7.43)

7.8. PDP PARABOLIK


7.8.1

123

Metode Forward-difference

Solusi numerik diperoleh menggunakan forward-difference2 dengan langkah-langkah yang


hampir mirip seperti yang telah dibahas pada PDP eliptik. Langkah pertama adalah menentukan sebuah angka m > 0, yang dengannya, nilai h ditentukan oleh rumus h = /m. Langkah
kedua adalah menentukan ukuran time-step k dimana k > 0. Adapun mesh points ditentukan
oleh (xi , tj ), dimana xi = ih, dengan i = 0, 1, 2, ..., m, dan tj = jk dengan j = 0, 1, ....
Berdasarkan deret Taylor, turunan pertama persamaan (7.43) terhadap t, dengan time step
k, adalah

u (xi , tj + k) u (xi , tj ) k 2 u
u
(xi , tj ) =

(xi , j )
t
k
2 t2

(7.44)

Namun, sebagaimana pendekatan finite-difference pada umumnya, pendekatan forward-difference


selalu mengabaikan suku terakhir, sehingga persamaan di atas ditulis seperti ini
u
u (xi , tj + k) u (xi , tj )
(xi , tj ) =
t
k

(7.45)

Sementara itu, turunan kedua persamaan (7.43) terhadap x berdasarkan deret Taylor adalah
u (xi + h, tJ ) 2u (xi , tj ) + u (xi h, tJ ) h2 4 u
2u
(x
,
t
)
=

(i , tj )
i
j
x2
h2
12 x4

(7.46)

Pengabaian suku terakhir menjadikan persamaan di atas ditulis kembali sebagai berikut
u (xi + h, tj ) 2u (xi , tj ) + u (xi h, tj )
2u
(xi , tj ) =
2
x
h2

(7.47)

Kemudian persamaan (7.45) dan (7.47) disubstitusi kedalam persamaan (7.43), maka diperoleh
u (xi , tj + k) u (xi , tj )
u (xi + h, tj ) 2u (xi , tj ) + u (xi h, tj )
= 2
k
h2

(7.48)

atau dapat dinyatakan dalam notasi w


wi,j+1 wi,j
wi+1,j 2wi,j + wi1,j
2
=0
k
h2

(7.49)

Dari sini diperoleh solusi untuk wi,j+1 , yaitu


wi,j+1 =

22 k
1 2
h

wi,j + 2

jika
=

k
(wi+1,j + wi1,j )
h2

2 k
h2

(7.50)

(7.51)

maka
(1 2) wi,j + wi+1,j + wi1,j = wi,j+1
2

(7.52)

Pada Bab ini ada beberapa istilah yang masing-masing menggunakan kata difference, yaitu finite difference, forward difference, centered difference dan backward difference. Setiap istilah punya arti yang berbeda.

BAB 7. DIFERENSIAL NUMERIK

124
7.8.2

Contoh ketiga: One dimensional heat equation

Misalnya diketahui, distribusi panas satu dimensi (1D) sebagai fungsi waktu (t) pada sebatang
logam memenuhi persamaan berikut
u
2u
(x, t) 2 (x, t) = 0,
t
x

0 < x < 1 0 t,

dengan syarat batas


u(0, t) = u(1, t) = 0,

0 < t,

dan kondisi mula-mula


u(x, 0) = sin(x),

0 x 1,

Solusi analitik atas masalah ini adalah


2

u(x, t) = e t sin(x)
Adapun sebaran posisi mesh-points dalam 1-D diperlihatkan pada Gambar 7.10. Sementara

h=0.1

Gambar 7.10: Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur.
Jarak antar titik ditentukan sebesar h = 0, 1.
Gambar 7.11 melengkapi Gambar 7.10, dimana perubahan waktu tercatat setiap interval k =
0, 0005. Sepintas Gambar 7.11 terlihat seolah-olah obyek yang mau disimulasikan berbentuk
2-dimensi, padahal bendanya tetap 1-dimensi yaitu hanya sebatang logam.

t
0.0.....

k=0.0005

1 x

0
h=0.1

Gambar 7.11: Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005
Selanjutnya, Gambar 7.12 memperlihatkan tepi-tepi syarat batas yaitu angka 0 di ujung kiri
dan angka 1 di ujung kanan pada sumbu horisontal x. Diantara batas-batas itu terdapat sebaran
titik simulasi berjarak h = 0, 1. Sementara, sumbu vertikal menunjukan perubahan dari waktu
ke waktu dengan interval k = 0, 0005. Karena = 1, h = 0, 1 dan k = 0, 0005 maka dapat

7.8. PDP PARABOLIK

125

t
0.0.....
0.0015
0.0010
0.0005

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1 x

Gambar 7.12: Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forwarddifference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat

dihitung dengan persamaan (7.51)


=

0, 0005
2 k
=
= 0, 05
2
h
0, 12

Berdasarkan persamaan (7.52), sistem persamaan linear dapat disusun sebagai berikut
0, 9w1,j + 0, 5w2,j

= w1,j+1 0, 5w0,j

0, 9w2,j + 0, 5w3,j + 0, 5w1,j

= w2,j+1

0, 9w3,j + 0, 5w4,j + 0, 5w2,j

= w3,j+1

0, 9w4,j + 0, 5w5,j + 0, 5w3,j

= w4,j+1

0, 9w5,j + 0, 5w6,j + 0, 5w4,j

= w5,j+1

0, 9w6,j + 0, 5w7,j + 0, 5w5,j

= w6,j+1

0, 9w7,j + 0, 5w8,j + 0, 5w6,j

= w7,j+1

0, 9w8,j + 0, 5w9,j + 0, 5w7,j

= w8,j+1

0, 9w9,j + 0, 5w8,j

= w9,j+1 0, 5w10,j

Syarat batas menetapkan bahwa w0,j = w10,j = 0. Lalu dinyatakan dalam bentuk operasi matrik

0, 9 0, 5

0, 5 0, 9 0, 5
0
0
0
0
0
0
0

0, 5 0, 9 0, 5 0
0
0
0
0

0 0, 5 0, 9 0, 5 0
0
0
0

0
0 0, 5 0, 9 0, 5 0
0
0

0
0
0 0, 5 0, 9 0, 5 0
0

0
0
0
0 0, 5 0, 9 0, 5 0

0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9

w1,j


w2,j

w3,j


w4,j

w5,j
=

w6,j

w7,j


w8,j
w9,j

w1,j+1

w2,j+1

w3,j+1

w4,j+1

w5,j+1

w6,j+1

w7,j+1

w8,j+1
w9,j+1

(7.53)

BAB 7. DIFERENSIAL NUMERIK

126
Persamaan matriks di atas dapat direpresentasikan sebagai
Aw(j) = w(j+1)

(7.54)

Proses perhitungan dimulai dari j = 0. Persamaan matrik menjadi

0, 9 0, 5

0, 5 0, 9 0, 5
0
0
0
0
0
0
0

0, 5 0, 9 0, 5 0
0
0
0
0

0 0, 5 0, 9 0, 5 0
0
0
0

0
0 0, 5 0, 9 0, 5 0
0
0

0
0
0 0, 5 0, 9 0, 5 0
0

0
0
0
0 0, 5 0, 9 0, 5 0

0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9

w1,0


w2,0

w3,0


w4,0

w5,0
=

w6,0

w7,0


w8,0
w9,0

w1,1

w2,1

w3,1

w4,1

w5,1

w6,1

w7,1

w8,1
w9,1

Nilai w1,0 , w2,0 , ..., w9,0 sudah ditentukan oleh kondisi awal, yaitu
u(x, 0) = sin x,

0 x 1,

Jika h = 0, 1, maka x1 = h = 0, 1; x2 = 2h = 0, 2; x3 = 3h = 0, 3;....; x9 = 9h = 0, 9.


Lalu masing-masing dimasukkan ke sin x untuk mendapatkan nilai u(x, 0). Kemudian notasi
u(x, 0) diganti dengan notasi w yang selanjutnya dinyatakan sebagai berikut: w1,0 = u(x1 , 0) =
u(0.1, 0) = sin (0.1) = 0, 3090. Dengan cara yang sama: w2,0 = 0, 5878; w3,0 = 0, 8090;
w4,0 = 0, 9511; w5,0 = 1, 0000; w6,0 = 0, 9511; w7,0 = 0, 8090; w8,0 = 0, 5878; dan w9,0 = 0, 3090.
Maka persamaan matriks menjadi

0, 9 0, 5

0, 5 0, 9 0, 5
0
0
0
0
0
0
0

0, 5 0, 9 0, 5 0
0
0
0
0

0 0, 5 0, 9 0, 5 0
0
0
0

0
0 0, 5 0, 9 0, 5 0
0
0

0
0
0 0, 5 0, 9 0, 5 0
0

0
0
0
0 0, 5 0, 9 0, 5 0

0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9

0, 3090


0, 5878

0, 8090


0, 9511

1, 0000
=

0, 9511

0, 8090


0, 5878
0, 3090

w1,1

w2,1

w3,1

w4,1

w5,1

w6,1

w7,1

w8,1
w9,1

Ini hanya perkalian matrik biasa 3 . Hasil perkalian itu adalah: w1,1 = 0, 3075; w2,1 = 0, 5849;
w3,1 = 0, 8051; w4,1 = 0, 9464; w5,1 = 0, 9951; w6,1 = 0, 9464; w7,1 = 0, 8051; w8,1 = 0, 5849; dan
w9,1 = 0, 3075. Semua angka ini adalah nilai temperatur kawat di masing-masing mesh points
setelah selang waktu 0, 0005 detik4 .
3
4

Topik tentang perkalian matrik sudah diulas pada Bab 1


karena step time k-nya sudah ditentukan sebesar 0, 0005

7.8. PDP PARABOLIK

127

Selanjutnya, hasil ini diumpankan lagi ke persamaan matriks yang sama untuk mendapatkan
wx,2

0, 9 0, 5

0, 5 0, 9 0, 5
0
0
0
0
0
0
0

0, 5 0, 9 0, 5 0
0
0
0
0

0 0, 5 0, 9 0, 5 0
0
0
0

0
0 0, 5 0, 9 0, 5 0
0
0

0
0
0 0, 5 0, 9 0, 5 0
0

0
0
0
0 0, 5 0, 9 0, 5 0

0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9

0, 3075


0, 5849

0, 8051


0, 9464

0, 9951
=

0, 9464

0, 8051


0, 5849
0, 3075

w1,2

w2,2

w3,2

w4,2

w5,2

w6,2

w7,2

w8,2
w9,2

Perhitungan dengan cara seperti ini diulang-ulang sampai mencapai waktu maksimum. Jika
waktu maksimum adalah T = 0, 5 detik, berarti mesti dilakukan 1000 kali iterasi5 . Untuk
sampai 1000 kali, maka indeks j bergerak dari 1 sampai 1000. Dengan bantuan script Matlab,
proses perhitungan menjadi sangat singkat.
7.8.2.1

Script Forward-Difference

Script matlab Forward-Difference untuk menyelesaikan contoh masalah ini, dimana h = 0, 1 dan
k = 0, 0005
1
2

clear all
clc

3
4
5
6
7
8

n=9;
alpha=1.0;
k=0.0005;
h=0.1;
lambda=(alpha^2)*k/(h^2);

9
10
11
12
13

% Kondisi awal
for i=1:n
suhu(i)=sin(pi*i*0.1);
end

14
15
16
17
18

%Mengcopy kondisi awal ke w


for i=1:n
w0(i,1)=suhu(i);
end

19
20
21
22
23
24
25
26

A=[ (1-2*lambda) lambda


0 0 0 0 0 0 0;
lambda (1-2*lambda) lambda 0 0 0 0 0 0;
0 lambda (1-2*lambda) lambda 0 0 0 0 0 ;
0 0 lambda (1-2*lambda) lambda 0 0 0 0;
0 0 0 lambda (1-2*lambda) lambda 0 0 0;
0 0 0 0 lambda (1-2*lambda) lambda 0 0;
0 0 0 0 0 lambda (1-2*lambda) lambda 0 ;
5

cara menghitung jumlah iterasi: T /k = 0, 5/0, 0005 = 1000

BAB 7. DIFERENSIAL NUMERIK

128
27
28

0 0 0 0 0 0 lambda (1-2*lambda) lambda ;


0 0 0 0 0 0 0 lambda (1-2*lambda) ];

29
30
31
32
33
34
35
36

iterasi=1000;
for k=1:iterasi
disp(perkalian matriks)
%======================================
for i=1:n
w(i,1)=0.0;
end

37

for i=1:n
for j=1:n
w(i,1)=w(i,1)+A(i,j)*w0(j,1);
end
end
%====================================
w
w0=w;

38
39
40
41
42
43
44
45
46

end

Tabel 7.4 memperlihatkan hasil perhitungan yang diulang-ulang hingga 1000 kali. Tabel tersebut juga menunjukkan hasil perbandingan antara pemilihan nilai interval k = 0, 0005 dan
k = 0, 01. Tabel ini menginformasikan satu hal penting, yaitu pada saat interval k = 0, 0005,
forward-difference berhasil mencapai konvergensi yang sangat baik. Namun pada saat interval
k = 0.01, dengan jumlah iterasi hanya 50 kali untuk mencapai time maksimum 0, 5 detik, terlihat jelas hasil forward-difference tidak konvergen (Bandingkan kolom ke-4 dan kolom ke-6!),
dan ini dianggap bermasalah. Masalah ini bisa diatasi dengan metode backward-difference.

Tabel 7.4: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2 adalah solusi
analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forward-difference. Kolom ke-4 dan ke-6 adalah
selisih antara solusi analitik dan numerik

xi
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0

u(xi , 0.5)
0
0,00222241
0,00422728
0,00581836
0,00683989
0,00719188
0,00683989
0,00581836
0,00422728
0,00222241
0

wi,1000
k = 0, 0005
0
0,00228652
0,00434922
0,00598619
0,00703719
0,00739934
0,00703719
0,00598619
0,00434922
0,00228652
0

|u(xi , 0.5) wi,1000 |


6, 411 105
1, 219 104
1, 678 104
1, 973 104
2, 075 104
1, 973 104
1, 678 104
1, 219 104
6, 511 105

wi,50
k = 0, 01
0
8, 19876 107
1, 55719 108
2, 13833 108
2, 50642 108
2, 62685 108
2, 49015 108
2, 11200 108
1, 53086 108
8, 03604 107
0

|u(xi , 0.5) wi,50 |


8, 199 107
1, 557 108
2, 138 108
2, 506 108
2, 627 108
2, 490 108
2, 112 108
1, 531 108
8, 036 107

7.8. PDP PARABOLIK


7.8.3

129

Metode Backward-difference

Kalau kita ulang lagi pelajaran yang lalu tentang forward-difference, kita akan dapatkan formula
forward-difference adalah sebagai berikut (lihat persamaan (7.49))
wi,j+1 wi,j
wi+1,j 2wi,j + wi1,j
2
=0
k
h2
Sekarang, dengan sedikit modikasi, formula backward-difference dinyatakan sebagai
wi+1,j 2wi,j + wi1,j
wi,j wi,j1
2
=0
k
h2
jika ditetapkan
=

(7.55)

2 k
h2

maka backward-difference disederhanakan menjadi


(1 + 2) wi,j wi+1,j wi1,j = wi,j1

(7.56)

coba sejenak anda bandingkan dengan formula forward-difference dalam sebagaimana dinyatakan oleh persamaan (7.52)
(1 2) wi,j + wi+1,j + wi1,j = wi,j+1
O.K., mari kita kembali ke contoh soal kita yang tadi, dimana ada perubahan nilai k yang semula
k = 0, 0005 menjadi k = 0, 01. Sementara dan h nilainya tetap. Maka dapat dihitung dengan
persamaan (7.51) kembali
=

2 k
0, 1
=
=1
2
h
0, 012

Berdasarkan persamaan (7.56), sistem persamaan linear mengalami sedikit perubahan


3w1,j 1w2,j

= w1,j1 + 1w0,j

3w2,j 1w3,j 1w1,j

= w2,j1

3w3,j 1w4,j 1w2,j

= w3,j1

3w4,j 1w5,j 1w3,j

= w4,j1

3w5,j 1w6,j 1w4,j

= w5,j1

3w6,j 1w7,j 1w5,j

= w6,j1

3w7,j 1w8,j 1w6,j

= w7,j1

3w8,j 1w9,j 1w7,j

= w8,j1

3w9,j 1w8,j

= w9,j1 + 1w10,j

BAB 7. DIFERENSIAL NUMERIK

130

Syarat batas masih sama, yaitu w0,j = w10,j = 0. Lalu jika dinyatakan dalam bentuk operasi
matrik

3
1
0

0
0
0
0
0
0

1
3

1 3 1 0
0
0
0
0

0 1 3 1 0
0
0
0

0
0 1 3 1 0
0
0

0
0
0 1 3 1 0
0

0
0
0
0 1 3 1 0

0
0
0
0
0 1 3 1
0
0
0
0
0
0 1 3

w1,j


w2,j

w3,j


w4,j

w5,j
=

w6,j

w7,j


w8,j
w9,j

w1,j1

w2,j1

w3,j1

w4,j1

w5,j1

w6,j1

w7,j1

w8,j1
w9,j1

Persamaan matriks di atas dapat direpresentasikan sebagai


Aw(j) = w(j1)

(7.57)

Perhitungan dimulai dari iterasi pertama, dimana j = 1

3
1
0

0
0
0
0
0
0

1
3

1 3 1 0
0
0
0
0

0 1 3 1 0
0
0
0

0
0 1 3 1 0
0
0

0
0
0 1 3 1 0
0

0
0
0
0 1 3 1 0

0
0
0
0
0 1 3 1
0
0
0
0
0
0 1 3

w1,1


w2,1

w3,1


w4,1

w5,1
=

w6,1

w7,1


w8,1
w9,1

w1,0

w2,0

w3,0

w4,0

w5,0

w6,0

w7,0

w8,0
w9,0

Dengan memasukan kondisi awal, ruas kanan menjadi

1 3 1 0
0 1 3 1
0

1
0

0
0

0
0

0
0

0
0

0
0

1
0

1
0

1
0

1
3

w1,1
w2,1
w3,1
w4,1
w5,1
w6,1
w7,1
w8,1
w9,1

0, 3090
0, 5878
0, 8090
0, 9511
1, 0000
0, 9511
0, 8090
0, 5878
0, 3090

7.8. PDP PARABOLIK

131

Berbeda dengan operasi matrik forward difference, operasi matrik backward difference ini bukan
perkalian matrik biasa. Operasi matrik tersebut akan dipecahkan oleh metode Eliminasi Gauss6 .
Untuk jumlah iterasi hingga j = 50, perhitungannya dilakukan dalam script Matlab.
7.8.3.1
1
2

Script Backward-Difference dengan Eliminasi Gauss

clear all
clc

3
4
5
6
7
8

n=9;
alpha=1.0;
k=0.01;
h=0.1;
lambda=(alpha^2)*k/(h^2);

9
10
11
12
13

%Kondisi awal
for i=1:n
suhu(i)=sin(pi*i*0.1);
end

14
15
16
17
18

%Mengcopy kondisi awal ke w


for i=1:n
w0(i,1)=suhu(i);
end

19
20
21
22
23
24
25
26
27
28

AA=[ (1+2*lambda) -lambda


0 0 0 0 0 0 0;
-lambda (1+2*lambda) -lambda 0 0 0 0 0
0 -lambda (1+2*lambda) -lambda 0 0 0 0 0 ;
0 0 -lambda (1+2*lambda) -lambda 0 0 0 0;
0 0 0 -lambda (1+2*lambda) -lambda 0 0 0;
0 0 0 0 -lambda (1+2*lambda) -lambda 0 0;
0 0 0 0 0 -lambda (1+2*lambda) -lambda 0 ;
0 0 0 0 0 0 -lambda (1+2*lambda) -lambda ;
0 0 0 0 0 0 0 -lambda (1+2*lambda) ];

0;

29
30
31
32
33

iterasi=50;
for i=1:iterasi
%&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
A=AA; %Matriks Backward Difference dicopy supaya fix

34
35
36
37

for i=1:n
A(i,n+1)=w0(i,1);
end

38

%---------Proses Triangularisasi----------for j=1:(n-1)

39
40
41

%----mulai proses pivot--if (A(j,j)==0)


for p=1:n+1
u=A(j,p);
v=A(j+1,p);
A(j+1,p)=u;
A(j,p)=v;
end

42
43
44
45
46
47
48
49
6

Uraian tentang metode Eliminasi Gauss tersedia di Bab 2

BAB 7. DIFERENSIAL NUMERIK

132
end

50

%----akhir proses pivot--jj=j+1;


for i=jj:n
m=A(i,j)/A(j,j);
for k=1:(n+1)
A(i,k)=A(i,k)-(m*A(j,k));
end
end
end
%-------------------------------------------

51
52
53
54
55
56
57
58
59
60
61

%------Proses Substitusi mundur------------w(n,1)=A(n,n+1)/A(n,n);

62
63
64

for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*w(j,1);
end
w(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
w0=w;

65
66
67
68
69
70
71
72
73
74
75

end
w

Hasilnya menunjukkan bahwa kinerja metode backward-difference lebih baik dibanding metode
forward-difference, ini ditunjukkan dari selisih yang relatif kecil antara solusi numerik dan solusi
analitik, sebagaimana bisa terlihat dari kolom ke-4 pada tabel berikut
Tabel 7.5: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backwarddifference dimana k = 0, 01

7.8.4

xi

u(xi , 0.5)

wi,50

0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0

0
0,00222241
0,00422728
0,00581836
0,00683989
0,00719188
0,00683989
0,00581836
0,00422728
0,00222241
0

0
0,00289802
0,00551236
0,00758711
0,00891918
0,00937818
0,00891918
0,00758711
0,00551236
0,00289802
0

|u(xi , 0.5) wi,50 |


6, 756 104
1, 285 103
1, 769 103
2, 079 103
2, 186 103
2, 079 103
1, 769 103
1, 285 103
6, 756 104

Metode Crank-Nicolson

Metode ini dimunculkan disini karena metode ini memiliki performa yang lebih unggul dari
dua metode sebelumnya. Namun begitu pondasi metode Crank-Nicolson terdiri atas metode
Forward-Difference dan metode Backward-Difference. Mari kita ulang lagi pelajaran yang sudah

7.8. PDP PARABOLIK

133

kita lewati. Formula Forward-Difference adalah


wi+1,j 2wi,j + wi1,j
wi,j+1 wi,j
2
=0
k
h2
sedangkan Backward-Difference adalah
wi,j wi,j1
wi+1,j 2wi,j + wi1,j
2
=0
k
h2
Ketika Backward-Difference berada pada iterasi ke j + 1, maka
wi,j+1 wi,j
wi+1,j+1 2wi,j+1 + wi1,j+1
2
=0
k
h2

(7.58)

Jika formula ini dijumlahkan dengan formula forward-difference, kemudian hasilnya dibagi 2,
maka akan diperoleh


wi+1,j+1 2wi,j+1 + wi1,j+1
wi,j+1 wi,j
2 wi+1,j 2wi,j + wi1,j

+
=0
k
2
h2
h2

(7.59)

inilah formula Crank-Nicolson. Adapun tetap dinyatakan sebagai


=

2 k
h2

maka
wi,j+1 wi,j
wi,j+1 wi,j

[wi+1,j 2wi,j + wi1,j + wi+1,j+1 2wi,j+1 + wi1,j+1 ] = 0


2

wi+1,j + wi,j wi1,j wi+1,j+1 + wi,j+1 wi1,j+1 = 0


2
2
2
2

wi1,j+1 + wi,j+1 + wi,j+1 wi+1,j+1 wi1,j wi,j + wi,j wi+1,j = 0


2
2
2
2

wi1,j+1 + wi,j+1 + wi,j+1 wi+1,j+1 = wi1,j + wi,j wi,j + wi+1,j


2
2
2
2
dan akhirnya

wi1,j+1 + (1 + )wi,j+1 wi+1,j+1 = wi1,j + (1 )wi,j + wi+1,j


2
2
2
2

(7.60)

Dalam bentuk persamaan matrik dinyatakan sebagai


Aw(j+1) = Bw(j) ,

untuk j = 0, 1, 2, ...

(7.61)

Dengan menggunakan contoh soal yang sama, yang sebelumnya telah diselesaikan dengan metode Forward-Difference dan Backward-Difference, maka penyelesaian soal tersebut dengan metode Crank-Nicolson juga akan didemonstrasikan di sini. Dengan nilai k = 0, 01; h = 0, 1; = 1

BAB 7. DIFERENSIAL NUMERIK

134
dan berdasarkan persamaan (7.60) diperoleh

0, 5wi1,j+1 + 2wi,j+1 0, 5wi+1,j+1 = 0, 5wi1,j + 0wi,j + 0, 5wi+1,j


Script Matlab untuk menyelesaikan persamaan ini adalah
1
2

clear all
clc

3
4
5
6
7
8
9

n=9;
iterasi=50;
alpha=1.0;
k=0.01;
h=0.1;
lambda=(alpha^2)*k/(h^2);

10
11
12
13
14

%Kondisi awal
for i=1:n
suhu(i)=sin(pi*i*0.1);
end

15
16
17
18
19

%Mengcopy kondisi awal ke w


for i=1:n
w0(i,1)=suhu(i);
end

20
21
22
23
24
25
26
27
28
29

AA=[(1+lambda) -lambda/2 0 0 0 0 0 0 0;
-lambda/2 (1+lambda) -lambda/2 0 0 0 0 0 0;
0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0;
0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0;
0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0;
0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0;
0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0;
0 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2;
0 0 0 0 0 0 0 -lambda/2 (1+lambda)];

30
31
32
33
34
35
36
37
38
39

B=[(1-lambda) lambda/2 0 0 0 0 0 0 0;
lambda/2 (1-lambda) lambda/2 0 0 0 0 0 0;
0 lambda/2 (1-lambda) lambda/2 0 0 0 0 0;
0 0 lambda/2 (1-lambda) lambda/2 0 0 0 0;
0 0 0 lambda/2 (1-lambda) lambda/2 0 0 0;
0 0 0 0 lambda/2 (1-lambda) lambda/2 0 0;
0 0 0 0 0 lambda/2 (1-lambda) lambda/2 0;
0 0 0 0 0 0 lambda/2 (1-lambda) lambda/2;
0 0 0 0 0 0 0 lambda/2 (1-lambda)];

40
41
42

iterasi=50;
for iter=1:iterasi

43
44
45
46
47
48
49
50
51
52

%===perkalian matriks===================
for i=1:n
b(i,1)=0.0;
end
for i=1:n
for j=1:n
b(i,1)=b(i,1)+B(i,j)*w0(j,1);
end
end

7.9. PDP HIPERBOLIK


53

135

%======================================

54
55
56

%&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&


A=AA; %Matriks Backward Difference dicopy supaya fix

57
58
59
60

for i=1:n
A(i,n+1)=b(i,1);
end

61

%---------Proses Triangularisasi----------for j=1:(n-1)

62
63
64

%----mulai proses pivot--if (A(j,j)==0)


for p=1:n+1
u=A(j,p);
v=A(j+1,p);
A(j+1,p)=u;
A(j,p)=v;
end

65
66
67
68
69
70
71
72

end

73

%----akhir proses pivot--jj=j+1;


for i=jj:n
m=A(i,j)/A(j,j);
for k=1:(n+1)
A(i,k)=A(i,k)-(m*A(j,k));
end
end
end
%-------------------------------------------

74
75
76
77
78
79
80
81
82
83
84

%------Proses Substitusi mundur------------w(n,1)=A(n,n+1)/A(n,n);

85
86
87
88
89
90
91
92
93
94
95
96
97
98
99

for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*w(j,1);
end
w(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
w0=w;
end
iter
w

Terlihat disini bahwa orde kesalahan metode Crank-Nicolson (kolom ke-6) sedikit lebih kecil dibandingkan metode Backward-Difference (kolom ke-5). Ini menunjukkan tingkat akurasi CrankNicolson lebih tinggi dibandingkan Backward-Difference.

7.9 PDP Hiperbolik


Pada bagian ini, kita akan membahas solusi numerik untuk persamaan gelombang yang merupakan salah satu contoh PDP hiperbolik. Persamaan gelombang dinyatakan dalam persamaan

BAB 7. DIFERENSIAL NUMERIK

136

Tabel 7.6: Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan metode
backward-difference dan Crank-Nicolson
BD
CN
Backward-Diff
Crank-Nicolson
xi
u(xi , 0.5)
wi,50
wi,50
|u(xi , 0.5) wi,50 | |u(xi , 0.5) wi,50 |
0,0
0
0
0
0,1 0,00222241 0,00289802 0,00230512
6, 756 104
8, 271 105
3
0,2 0,00422728 0,00551236 0,00438461
1, 285 10
1, 573 104
0,3 0,00581836 0,00758711 0,00603489
1, 769 103
2, 165 104
3
0,4 0,00683989 0,00891918 0,00709444
2, 079 10
2, 546 104
3
0,5 0,00719188 0,00937818 0,00745954
2, 186 10
2, 677 104
0,6 0,00683989 0,00891918 0,00709444
2, 079 103
2, 546 104
3
0,7 0,00581836 0,00758711 0,00603489
1, 769 10
2, 165 104
3
0,8 0,00422728 0,00551236 0,00438461
1, 285 10
1, 573 104
0,9 0,00222241 0,00289802 0,00230512
6, 756 104
8, 271 105
1,0
0
0
0

diferensial sebagai berikut


2
2u
2 u
(x,
t)

(x, t) = 0,
t2
x2

0 < x < ,

t>0

(7.62)

dengan suatu kondisi


u (0, t) = u (, t) = 0,
u (x, 0) = f (x) ,

dan

untuk t > 0,

u
(x, 0) = g (x) ,
t

untuk 0 x

dimana adalah konstanta. Kita tentukan ukuran time-step sebesar k, jarak tiap mesh point
adalah h.
xi = ih

dan

tj = jk

dengan i = 0, 1, ..., m dan j = 0, 1, .... Pada bagian interior, posisi mesh points ditentukan oleh
koordinat (xi , tj ), karenanya persamaan gelombang ditulis menjadi
2
2u
2 u
(x
,
t
)

(xi , tj ) = 0
i
j
t2
x2

(7.63)

Formula centered-difference digunakan sebagai pendekatan numerik persamaan gelombang pada


tiap-tiap suku. Untuk turunan kedua terhadap t
2u
u (xi , tj+1 ) 2u (xi , tj ) + u (xi , tj1 )
(xi , tj ) =
t2
k2
dan turunan kedua terhadap x
2u
u (xi+1 , tj ) 2u (xi , tj ) + u (xi1 , tj )
(xi , tj ) =
2
x
h2

7.9. PDP HIPERBOLIK

137

Dengan mensubtitusikan kedua persamaan di atas kedalam persamaan (7.63)


u (xi+1 , tj ) 2u (xi , tj ) + u (xi1 , tj )
u (xi , tj+1 ) 2u (xi , tj ) + u (xi , tj1 )
2
=0
k2
h2
maka dapat diturunkan formula nite-difference untuk PDP hiperbolik sebagai berikut
wi,j+1 2wi,j + wi,j1
wi+1,j 2wi,j + wi1,j
2
=0
2
k
h2

(7.64)

Jika = k/h, maka persamaan ini dapat ditulis kembali


wi,j+1 2wi,j + wi,j1 2 wi+1,j + 22 wi,j 2 wi1,j = 0
sehingga wi,j+1 selaku solusi numerik dapat dihitung dengan merubah sedikit suku-suku pada
formula di atas

wi,j+1 = 2 1 2 wi,j + 2 (wi+1,j + wi1,j ) wi,j1

(7.65)

dengan i = 1, 2, ..., m 1 dan j = 1, 2, .... Kondisi syarat batas ditentukan sebagai berikut
w0,j = wm,j = 0,

untuk

j = 1, 2, 3, ...

(7.66)

sementara kondisi awal dinyatakan


wi,0 = f (xi ) ,

untuk i = 1, 2, ..., m 1

(7.67)

Berbeda dengan PDP eliptik dan PDP parabolik, pada PDP hiperbolik, untuk menghitung mesh
point (j + 1), diperlukan informasi mesh point (j) dan (j 1). Hal ini sedikit menimbulkan
masalah pada langkah/iterasi pertama karena nilai untuk j = 0 sudah ditentukan oleh persa-

maan (7.67) sementara nilai untuk j = 1 untuk menghitung wi,2 , harus diperoleh lewat kondisi
kecepatan awal
u
(x, 0) = g (x) ,
t

0x

(7.68)

Salah satu cara pemecahan dengan pendekatan forward-difference adalah


u
u (xi , t1 ) u (xi , 0)
(xi , 0) =
t
k

u (xi , t1 ) = u (xi , 0) + k

(7.69)

u
(xi , 0)
t

= u (xi , 0) + kg (xi )
konsekuensinya
wi,1 = wi,0 + kg(xi ),

untuk

i = 1, 2, ..., m 1

(7.70)

BAB 7. DIFERENSIAL NUMERIK

138
7.9.1

Contoh

Tentukan solusi dari persamaan gelombang berikut ini


2u 2u
2 = 0,
t2
x

0 < x < 1,

0<t

dengan syarat batas


u (0, t) = u (, t) = 0,

untuk 0 < t,

dan kondisi mula-mula


u (x, 0) = sin x,
u
= 0,
t

0x1

0x1

menggunakan metode finite-difference, dengan m = 4, N = 4, dan T = 1, 0. Bandingkan hasil


yang diperoleh dengan solusi analitik u(x, t) = cos t sin x.
Jika persamaan gelombang pada contoh soal ini dibandingkan dengan persamaan (7.62),
maka diketahui nilai = 1 dan = 1. Dari sini, nilai h dapat dihitung, yaitu h = /m = 1/4 =
0, 25. Sementara nilai k diperoleh dari k = T /N = 1, 0/4 = 0, 25. Dengan diketahuinya nilai ,
h, dan k, maka dapat dihitung, yaitu = k/h = 1. Selanjutnya, nilai ini dimasukkan ke
persamaan (7.65)

wi,j+1 = 2 1 2 wi,j + 2 (wi+1,j + wi1,j ) wi,j1

wi,j+1 = 2 1 12 wi,j + 12 (wi+1,j + wi1,j ) wi,j1

wi,j+1 = 0wi,j + (wi+1,j + wi1,j ) wi,j1

dimana i bergerak dari 0 sampai m, atau i = 0, 1, 2, 3, 4. Sementara j, bergerak dari 0 sampai


T /k = 4, atau j = 0, 1, 2, 3, 4.
Catatan kuliah baru sampai sini!!

7.10 Latihan
1. Carilah solusi persamaan differensial elliptik berikut ini dengan pendekatan numerik menggunakan metode Finite Difference
2u 2u
+ 2 = (x2 + y 2 )exy ,
x2
y

0 < x < 2,

0 < y < 1;

gunakan h = 0, 2 dan k = 0, 1
u(0, y) = 1,
u(x, 0) = 1,

u(2, y) = e2y ,
x

u(x, 1) = e ,

Bandingkan hasilnya dengan solusi analitik u(x, t) = exy .

0y1
0x2

7.10. LATIHAN

139

2. Carilah solusi persamaan differensial parabolik berikut ini dengan pendekatan numerik
menggunakan metode Finite Difference Backward-Difference
1 2u
u

= 0,
t
16 x2

0 < x < 1,

u(0, t) = u(1, t) = 0,
u(x, 0) = 2 sin 2x,

0 < t;

0 < t;
0 x 1;

gunakan m = 3, T = 0, 1, dan N = 2. Bandingkan hasilnya dengan solusi analitik


u(x, t) = 2e(

u (xi , t1 ) = u (xi , 0) + k

2 /4)t

sin 2x

u
k2 2 u
k3 3 u
(xi , 0) +
(x
,
0)
+
(xi ,
i )
i
t
2 t2
6 t3

2
f
2u
2 u
2 d
(x
,
0)
=

(x
,
0)
=

(xi ) = 2 f (xi )
i
i
t2
x2
dx2

u (xi , t1 ) = u (xi , 0) + kg (xi ) +

k3 3 u
2 k2
f (xi ) +
(xi ,
i )
2
6 t3

wi1 = wi0 + kg (xi ) +

f (xi ) =

2 k2
f (xi )
2

f (xi+1 ) 2f (xi ) + f (xi1 ) h2 (4)  

f
h2
12

u (xi , t1 ) = u (xi , 0) + kg (xi ) +

(7.71)

(7.72)

(7.73)

(7.74)

(7.75)



k2 2 
f (xi+1 ) 2f (xi ) + f (xi1 ) h2 + O k3 + h2 k2 (7.76)
2
2h

u (xi , t1 ) = u (xi , 0) + kg (xi ) +



2 
f (xi+1 ) 2f (xi ) + f (xi1 ) h2 + O k3 + h2 k2
2



2
2
= 1 2 f (xi ) + f (xi+1 ) + f (xi1 ) + kg (xi ) + O k3 + h2 k2
2
2

2
2
wi,1 = 1 2 f (xi ) + f (xi+1 ) + f (xi1 ) + kg (xi )
2
2

(7.77)

(7.78)

(7.79)

140

BAB 7. DIFERENSIAL NUMERIK

Bab 8

Metode Iterasi

Objektif :
Mengenalkan konsep Norm.
Mengenalkan iterasi Jacobi.
Mengenalkan iterasi Gauss-Seidel.
Mengenalkan iterasi Succesive-Over-Relaxation (SOR).

8.1 Kelebihan Vektor-kolom


Sebelum kita membahas metode iterasi untuk menyelesaikan problem sistem persamaan linear,
saya ingin menyampaikan satu hal yang sangat sederhana, yaitu tentang cara merepresentasikan
elemen-elemen suatu vektor-kolom. Sebagaimana tertulis pada bab-bab sebelumnya, biasanya
suatu vektor-kolom ditulis sebagai

x1


x2

x=
..
.
xn

(8.1)

Dengan operasi transpose, vektor-kolom tersebut dapat dinyatakan sebagai


iT
h
x = x1 ; x2 ; . . . xn
Contoh:

(8.2)

h
iT
2
= 3; 2; 8; 5
x=
8

5

Cara penulisan seperti ini digunakan untuk menyatakan vektor-kolom pada suatu kalimat di
dalam paragraf. Alasannya supaya tidak terlalu menyita banyak ruang penulisan. Sementara,
141

BAB 8. METODE ITERASI

142

persamaan (8.1), lebih sering digunakan pada penulisan operasi matrik. Satu hal lagi, pada
paragraf-paragraf berikutnya, saya persingkat penulisan istilah vektor-kolom menjadi vektor
saja.

8.2 Pengertian Norm


Vektor x=(x1 ; x2 ; ...; xn )T memiliki norm 2 dan yang didenisikan sebagai
n
X
x2i }1/2
2 = kxk2 = {

(8.3)

= kxk = max |xi |

(8.4)

i=1

dan
1in

Contoh: x=(3; 2; 8; 5)T memiliki norm 2 yaitu


2 = kxk2 =
dan norm yaitu

(3)2 + (2)2 + (8)2 + (5)2 = 10, 0995

= kxk = max{(3), (2), (8), (5)} = 8


Saya menyarankan agar kedua norm ini diingat-ingat dengan baik, karena akan banyak disinggung pada catatan-catatan berikutnya.
8.2.1

Script perhitungan norm dua

Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)
1
2

clear all
clc

3
4

x = [ 3 ; -2 ; 8 ; 5 ];

5
6
7
8
9
10
11

n = length(x);
S = 0;
for i = 1:n
S = S + x(i,1)^2;
end
hasil = sqrt(S);

Berdasarkan script di atas, dapat dibuat fungsi eksternal sebagai berikut:


1

function hasil = norm2(x)

2
3
4
5
6

n = length(x);
S = 0;
for i = 1:n
S = S + x(i,1)^2;

8.2. PENGERTIAN NORM


7
8

143

end
hasil = sqrt(S);

8.2.2

Script perhitungan norm tak hingga

Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)
1
2

clear all
clc

3
4

x = [ 3 ; -9 ; 8 ; 5 ];

5
6
7
8
9
10
11
12
13

n = length(x);
xx = x;
for i=1:n
if xx(i,1) < 0
xx(i,1) = xx(i,1) * -1;
end
end
hasil = max(xx);

Script ini menggunakan fungsi internal yang bernama max() untuk mendapatkan nilai elemen
terbesar diantara elemen-elemen yang ada dalam vektor x. Berdasarkan script di atas, dapat
dibuat fungsi eksternal sebagai berikut:
1

function hasil = normth(x)

2
3
4
5
6
7
8
9
10

n = length(x);
xx = x;
for i=1:n
if xx(i,1) < 0
xx(i,1) = xx(i,1) * -1;
end
end
hasil = max(xx);

8.2.3

Perhitungan norm-selisih

Misalnya kita punya vektor bernama xlama. Lalu ada vektor lainnya bernama xbaru. Norm
selisih dari xlama dan xbaru dapat dihitung dengan bantuan fungsi eksternal yang baru saja
kita buat di atas, yaitu bernama norm2() dan normth().
1
2

clear all
clc

3
4
5

xlama = [ 3 ; -2 ; 8 ; 5 ];
xbaru = [ 9 ; 4 ; 6 ; 1 ];

6
7
8
9

xselisih = xbaru-xlama;
hasil1 = norm2(xselisih);
hasil2 = normth(xselisih);

BAB 8. METODE ITERASI

144

Cara perhitungan norm-selisih seperti ini akan diterapkan pada kebanyakan metode iterasi.
Jadi tolong diingat baik-baik!!

8.3 Iterasi Jacobi


Sekarang kita akan mulai membahas metode iterasi sekaligus penerapannya untuk menyelesaikan sistem persamaan linear. Perbedaan metode iterasi dengan metode-metode yang telah
dijelaskan sebelumnya, adalah ia dimulai dari penentuan nilai awal (initial value) untuk setiap
elemen vektor x. Kemudian berdasarkan nilai awal tersebut, dilakukan langkah perhitungan
untuk mendapatkan elemen-elemen vektor x yang baru. Untuk lebih jelasnya, silakan perhatikan baik-baik contoh berikut. Diketahui sistem persamaan linear terdiri atas empat persamaan,
yaitu
10x1 x2 + 2x3 = 6
x1 + 11x2 x3 + 3x4 = 25
2x1 x2 + 10x3 x4 = 11
3x2 x3 + 8x4 = 15
yang mana solusinya adalah x=(1; 2; 1; 1)T . Silakan simpan dulu solusi ini, anggap saja kita
belum tahu. Lalu perhatikan baik-baik bagaimana metode iterasi Jacobi bisa menemukan solusi
tersebut dengan caranya yang khas.
Langkah pertama dan merupakan langkah terpenting dari metode iterasi Jacobi adalah
mengubah cara penulisan sistem persamaan linear di atas menjadi seperti ini
1
2
6
x2 x3 +
10
10
10
1
3
25
1
x1 + x3 x4 +
=
11
11
11
11
1
1
11
2
= x1 + x2 + x4
10
10
10
10
1
15
3
= x2 + x3 +
8
8
8

x1 =
x2
x3
x4

Kita bisa menyatakan bahwa nilai x1 , x2 , x3 dan x4 yang berada di ruas kiri tanda = (baca: sama
dengan) sebagai x(baru) . Sementara nilai x1 , x2 , x3 dan x4 yang berada di ruas kanan tanda =
(baca: sama dengan) sebagai x(lama) . Sehingga sistem persamaan tersebut dapat ditulis seperti
ini
(baru)

x1

(baru)

x2

(baru)

x3

(baru)

x4

1 (lama)
2 (lama)
6
x2
x3
+
10
10
10
1 (lama)
3 (lama) 25
1 (lama)
x
+ x3
x4
+
=
11 1
11
11
11
1
1 (lama) 11
2 (lama)
+ x2 + x4

= x1
10
10
10
10
3 (lama) 1 (lama) 15
+ x3
+
= x2
8
8
8

8.3. ITERASI JACOBI

145

yang secara umum dapat diformulasikan sebagai persamaan matrik berikut ini
x(baru) = Jx(lama) + u

(8.5)

dimana

(baru)

x1

(baru)
x2

x(baru)
3
(baru)
x4

1
10


1
11
0
=
2
1
10
10
0 38

2
10

(lama)

x1

3
x(lama)
11
2
1 (lama)
0
10 x3
(lama)
1
0
x4
8

1
11

6
10
25
11
11
10
15
8

Atau dapat pula ditulis seperti ini


xk = Jxk1 + u

(8.6)

dimana k = 1, 2, 3, ..., n; sehingga persamaan matrik dapat dinyatakan sebagai berikut

(k)

x1

(k)
x2

x(k)
3
(k)
x4

1
10


1
11
0
=
2
1
10
10
0 38

2
10

(k1)

x1

3
x(k1)
11
2
1 (k1)
0
10 x3
(k1)
1
0
x4
8

1
11

6
10
25
11
11
10
15
8

Pada persamaan di atas, indeks k menunjukan jumlah perhitungan iterasi. Pada k = 1, maka
penulisan sistem persamaan linear menjadi
(1)

x1

(1)

x2

(1)

x3

(1)

x4

1 (0)
2 (0)
6
x x3 +
10 2
10
10
1 (0)
3 (0) 25
1 (0)
x1 + x3 x4 +
=
11
11
11
11
1 (0)
1 (0) 11
2 (0)
= x1 + x2 + x4
10
10
10
10
3 (0) 1 (0) 15
= x2 + x3 +
8
8
8

(0)

(0)

(0)

(0)

Jika kita tentukan nilai-nilai awal x(0) sebagai berikut x1 = 0, x2 = 0, x3 = 0 dan x4 = 0.


Atau dinyatakan seperti ini x(0) = (0; 0; 0; 0)T . Maka kita akan memperoleh nilai-nilai x(1) yang
tidak lain adalah hasil perhitungan iterasi pertama, yaitu
(1)

x1

(1)

x2

(1)

x3

(1)

x4

6
10
25
=
11
11
=
10
15
=
8
=

atau x(1) = (0, 6000; 2, 2727; 1, 1000; 1, 8750)T . Setelah nilai-nilai x(1) diperoleh, perhitungan
tersebut diulang kembali guna mendapatkan hasil iterasi kedua, yaitu ketika k = 2. Caranya

BAB 8. METODE ITERASI

146

adalah dengan memasukan nilai-nilai x(1) = (0, 6000; 2, 2727; 1, 1000; 1, 8750)T ke suku-suku
pada ruas kanan tanda sama-dengan,
(2)

x1

(2)

x2

(2)

x3

(2)

x4

1 (1)
2 (1)
6
x2 x3 +
10
10
10
1 (1)
1 (1)
3 (1) 25
=
x1 + x3 x4 +
11
11
11
11
1 (1)
1 (1) 11
2 (1)
= x1 + x2 + x4
10
10
10
10
3 (1) 1 (1) 15
= x2 + x3 +
8
8
8

maka nilai-nilai x(2) yang kita dapat adalah x(2) = (1, 0473; 1, 7159; 0, 8052; 0, 8852)T . Sete-

lah diperoleh nilai-nilai x(2) , perhitungan tersebut diulangi kembali guna mendapatkan ha-

sil iterasi ketiga, dimana nilai k = 3. Caranya adalah dengan memasukan nilai-nilai x(2) =
(1, 0473; 1, 7159; 0, 8052; 0, 8852)T ke ruas kanan kembali,
(3)

x1

(3)

x2

(3)

x3

(3)

x4

1 (2)
2 (2)
6
x2 x3 +
10
10
10
1 (2)
1 (2)
3 (2) 25
=
x1 + x3 x4 +
11
11
11
11
1 (2)
1 (2) 11
2 (2)
= x1 + x2 + x4
10
10
10
10
3 (2) 1 (2) 15
= x2 + x3 +
8
8
8

maka kita akan memperoleh nilai-nilai x(3) = (0, 9326; 2, 0530; 1, 0493; 1, 1309)T . Lalu proses

perhitungan diulangi lagi dengan k = 4. Begitulah seterusnya. Proses ini diulangi lagi berkalikali untuk nilai-nilai k berikutnya. Proses yang berulang ini disebut proses iterasi.
Sampai dengan x(3) di atas, kita sudah melakukan tiga kali proses iterasi. Lantas sampai
kapan proses iterasi ini terus berlanjut? Jawabnya adalah sampai x(baru) mendekati solusi yang
tepat, yaitu
x = (1; 2; 1; 1)T
Dengan kata lain, proses iterasi harus dihentikan bila x(baru) sudah mendekati solusi. Lalu
kriteria apa yang digunakan sehingga suatu hasil iterasi bisa dikatakan paling dekat dengan
solusi yang sebenarnya? OK, simpan dulu pertanyaan ini, sebagai gantinya marilah kita pelajari
terlebih dahulu script Matlab untuk metode iterasi Jacobi.
8.3.1

Script metode iterasi Jacobi

Sebagaimana biasa, saya tidak akan memberikan script yang sudah matang kepada anda. Saya
lebih suka mengajak anda mengikuti proses optimalisasi script; mulai dari yang mentah hingga
matang. Sebagai upaya pembelajaran, sengaja saya mulai dengan menampilkan script yang
paling kasar terlebih dahulu, lalu selangkah demi selangkah dimodikasi hingga menjadi script
esien.
Mari kita mulai dengan menampilkan kembali sistem persamaan linear pada contoh diatas,

8.3. ITERASI JACOBI

147

yaitu
10x1 x2 + 2x3 = 6
x1 + 11x2 x3 + 3x4 = 25
2x1 x2 + 10x3 x4 = 11
3x2 x3 + 8x4 = 15
Sistem persamaan linear tersebut dapat dinyatakan dalam persamaan matrik

10

x1


1 11 1 3 x2 25

=
2 1 10 1 x 11
3

15
0
3 1 8
x4
Langkah pertama adalah mendeklarasikan matrik A dan vektor b sebagai berikut

1
2

clear all
clc

3
4
5
6
7
8

%--- inisialisasi matrik A -A = [10 -1 2 0


-1 11 -1 3
2 -1 10 -1
0 3 -1 8];

9
10
11

%--- inisialisasi vektor b --b = [6 ; 25 ; -11 ; 15];

Kemudian, sistem persamaan linear di atas dimodikasi menjadi


2
6
1
x2 x3 +
10
10
10
1
1
3
25
=
x1 + x3 x4 +
11
11
11
11
1
1
11
2
= x1 + x2 + x4
10
10
10
10
1
15
3
= x2 + x3 +
8
8
8

x1 =
x2
x3
x4

Dan ditulis kembali dalam persamaan matrik sebagai berikut

(k)

x1

(k)
x2

x(k)
3
(k)
x4

1
10


1
11
0
=
2
1
10
10
0 38

2
10

(k1)

x1

3
x(k1)
11
2
1 (k1)
0
10 x3
(k1)
1
0
x4
8

1
11

6
10
25
11
11
10
15
8

BAB 8. METODE ITERASI

148
Saya nyatakan suatu matrik J dan vektor u sebagai berikut

1
10

1
11
0
J =
2
1
10
10
0 83

2
10
1
11

11

1
0
10
1
0
8

u=

6
10
25
11
11
10
15
8

Inilah script untuk membuat matrik J dan vektor u,


1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

% n = jumlah baris

J = zeros(4);

% ---- inisialisasi matrik J dengan angka nol

12
13
14
15
16
17
18
19

%---- inisialisasi elemen-elemen matrik J dan vektor u


J(1,2) = -A(1,2)/A(1,1);
J(1,3) = -A(1,3)/A(1,1);
J(1,4) = -A(1,4)/A(1,1);
u(1,1) = b(1,1)/A(1,1);

20
21
22
23
24

J(2,1)
J(2,3)
J(2,4)
u(2,1)

=
=
=
=

-A(2,1)/A(2,2);
-A(2,3)/A(2,2);
-A(2,4)/A(2,2);
b(2,1)/A(2,2);

J(3,1)
J(3,2)
J(3,4)
u(3,1)

=
=
=
=

-A(3,1)/A(3,3);
-A(3,2)/A(3,3);
-A(3,4)/A(3,3);
b(3,1)/A(3,3);

J(4,1)
J(4,2)
J(4,3)
u(4,1)

=
=
=
=

-A(4,1)/A(4,4);
-A(4,2)/A(4,4);
-A(4,3)/A(4,4);
b(4,1)/A(4,4);

25
26
27
28
29
30
31
32
33
34

Statemen baris 16 sampai 34 berfungsi menghitung elemen matrik J dan vektor u. Untuk menyederhanakan baris 16 hingga 19, kita buat proses looping dengan indeks k, tetapi dengan
pengecualian pada k=1.
for k = 1:4
if (k ~= 1)
J(1,k) = -A(1,k)/A(1,1);
end
end
u(1,1) = b(1,1)/A(1,1);

8.3. ITERASI JACOBI

149

Mulai dari baris 21 hingga 24 juga bisa dibuat proses looping dengan pengecualian pada k=2.
for k = 1:4
if (k ~= 2)
J(2,k) = -A(2,k)/A(2,2);
end
end
u(2,1) = b(2,1)/A(2,2);

Proses looping yang sama juga diterapkan terhadap baris ke-26 hingga ke-29.
for k = 1:4
if (k ~= 3)
J(3,k) = -A(3,k)/A(3,3);
end
end
u(3,1) = b(3,1)/A(3,3);

Sementara untuk baris ke-31 hingga ke-34, penyerderhanaan dilakukan dengan cara yang sama
pula
for k = 1:4
if (k ~= 4)
J(4,k) = -A(4,k)/A(4,4);
end
end
u(4,1) = b(4,1)/A(4,4);

Kalau seluruh penyederhanaan ini digabung, maka scriptnya akan seperti ini
1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13

J = zeros(4);

14
15
16
17
18
19
20

for k = 1:4
if (k ~= 1)
J(1,k) = -A(1,k)/A(1,1);
end
end
u(1,1) = b(1,1)/A(1,1);

21
22
23
24
25

for k = 1:4
if (k ~= 2)
J(2,k) = -A(2,k)/A(2,2);
end

150
26
27

end
u(2,1) = b(2,1)/A(2,2);

28
29
30
31
32
33
34

for k = 1:4
if (k ~= 3)
J(3,k) = -A(3,k)/A(3,3);
end
end
u(3,1) = b(3,1)/A(3,3);

35
36
37
38
39
40
41

for k = 1:4
if (k ~= 4)
J(4,k) = -A(4,k)/A(4,4);
end
end
u(4,1) = b(4,1)/A(4,4);

Selanjutnya, saya tampilkan indeks p. Perhatikan penempatannya


1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13

J = zeros(4);

14
15
16
17
18
19
20
21

p = 1;
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);

22
23
24
25
26
27
28
29

p = 2;
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);

30
31
32
33
34
35
36
37

p = 3;
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);

38
39

p = 4;

BAB 8. METODE ITERASI

8.3. ITERASI JACOBI


40
41
42
43
44
45

151

for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);

Selanjutnya saya buat proses looping menggunakan indeks p tersebut. Perhatikan baik-baik
perubahannya
1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13

J = zeros(4);

14
15
16
17
18
19
20
21
22

for p = 1:4
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end

Dan akhirnya, angka 4 dapat digantikan dengan huruf n agar script tersebut tidak dibatasi oleh
matrik 4x4 saja.
1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13

J = zeros(n);

14
15
16
17
18
19
20

for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end

152
21
22

BAB 8. METODE ITERASI

u(p,1) = b(p,1)/A(p,p);
end

Selanjutnya, vektor xlama diinisialisasi; dan proses iterasi pertama dimulai


1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = size(A);

12
13

J = zeros(n);

14
15
16
17
18
19
20
21
22

for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end

23
24
25

xlama = [ 0 ; 0 ; 0 ; 0 ]; % --- inisialisasi xlama


xbaru = J*xlama + u; % --- iterasi pertama

xbaru yang didapat tak lain adalah hasil iterasi pertama, yaitu x(1) = (0, 6000; 2, 2727; 1, 1000;

1, 8750)T . Kemudian, sebelum iterasi ke-2 dilakukan, xbaru tersebut mesti disimpan sebagai
xlama.
1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13

J = zeros(n);

14
15
16
17
18
19
20
21

for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);

8.3. ITERASI JACOBI


22

153

end

23
24
25

xlama = [ 0 ; 0 ; 0 ; 0 ]; % --- inisialisasi xlama


xbaru = J*xlama + u; % --- iterasi pertama

26
27
28

xlama = xbaru;
xbaru = J*xlama + u;

% --- iterasi kedua

Sampai disini, xbaru yang didapat dari hasil iterasi ke-2 adalah x(2) = (1, 0473; 1, 7159;
0, 8052; 0, 8852)T . Setelah itu, untuk iterasi ke-3, xbaru tersebut mesti disimpan sebagai xlama

kembali,
1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13

J = zeros(n);

14
15
16
17
18
19
20
21
22

for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end

23
24
25

xlama = [ 0 ; 0 ; 0 ; 0 ]; % --- inisialisasi xlama


xbaru = J*xlama + u; % --- iterasi pertama

26
27
28

xlama = xbaru;
xbaru = J*xlama + u;

% --- iterasi kedua

xlama = xbaru;
xbaru = J*xlama + u;

% --- iterasi ketiga

29
30
31

Sampai disini, xbaru yang didapat adalah hasil iterasi ke-3, yaitu x(3) = (0, 9326; 2, 0530;
1, 0493; 1, 1309)T . Kemudian, untuk iterasi ke-4, script di atas dimodikasi dengan cara yang

sama. Tapi konsekuensinya script tersebut akan semakin bertambah panjang. Guna menghindari
hal itu, script di atas perlu dioptimasi dengan proses looping sebagai berikut
1
2

clear all
clc

3
4
5
6

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1

BAB 8. METODE ITERASI

154
7

0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13

J = zeros(n);

14
15
16
17
18
19
20
21
22

for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end

23
24

xlama = [ 0 ; 0 ; 0 ; 0 ];

% --- inisialisasi xlama

25
26
27
28
29
30

itermaks = 10; % --- iteraksi maksimum sampai 10 kali


for k = 1:itermaks
xbaru = J*xlama + u;
xlama = xbaru;
end

Dalam script di atas, jumlah iterasi dibatasi hanya sampai 10 kali saja. Maka keluaran dari script
di atas adalah hanya sampai hasil perhitungan iterasi yang ke-10. Hasil dari keseluruhan iterasi,
mulai dari iterasi ke-1 hingga iterasi ke-10 disajikan pada Tabel 8.1.

k
(k)

x1
(k)
x2
(k)
x3
(k)
x4

Tabel 8.1: Hasil akhir elemen-elemen vektor x hingga iterasi ke-10


0
1
2
3
4
...
9
10
0,0000
0,0000
0,0000
0,0000

0,6000
2,2727
-1,1000
1,8852

1,0473
1,7159
-0,8052
0,8852

0,9326
2,0530
-1,0493
1,1309

1,0152
1,9537
-0,9681
0,9739

...
...
...
...

0,9997
2,0004
-1,0004
1,0006

1,0001
1,9998
-0,9998
0,9998

Berdasarkan Tabel 8.1, terlihat bahwa hasil iterasi ke-1, x(1) = (0, 6000; 2, 2727; 1, 1000; 1, 8852)T

adalah hasil yang paling jauh dari solusi, x = (1; 2; 1; 1)T . Coba bandingkan dengan hasil ite-

rasi ke-2! Jelas terlihat bahwa hasil iterasi ke-2 lebih mendekati solusi. Kalau terus diurutkan,
maka hasil iterasi ke-10 merupakan hasil yang paling dekat dengan solusi.
Sebelum dilanjutkan, saya ingin tuliskan script yang sudah dimodikasi, dimana semua bagian inisialisasi saya letakkan di baris-baris awal
1
2

clear all
clc

3
4
5
6
7
8
9

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
b = [ 6 ; 25 ; -11 ; 15 ];
xlama = [ 0 ; 0 ; 0 ; 0 ];

8.3. ITERASI JACOBI


10

155

itermaks = 10;

11
12

n = length(A);

13
14
15
16
17
18
19
20
21
22
23

% --- membuat matrik J dan vektor u --J = zeros(n);


for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end

24
25
26
27
28
29

% --- proses iterasi jacobi --for k = 1:itermaks


xbaru = J*xlama + u;
xlama = xbaru;
end

8.3.2

Stopping criteria

Tabel 8.2 memperlihatkan perhitungan norm2-selisih antara xbaru dan xlama dari iterasi ke-1
hingga iterasi ke-10. Hasil perhitungan norm2-selisih tersebut, saya beri nama epsilon, , dimana semakin kecil nilai epsilon (), menandakan hasil iterasinya semakin dekat dengan solusi.
Hasil norm2-selisih yang semakin kecil pada iterasi ke-10 menunjukan bahwa hasil iterasi ke-10
adalah hasil yang paling dekat dengan solusi yang sebenarnya.

norm 2

Tabel
8.2: Hasil
norm2-selisih
(2)
perhitungan
(3)

(4) hingga
iterasi ke-10

x x(1)
x x(2)
x x(3)
... x(10) x(9) 2
2
2
2
0,6000
0,4473
0,1146
...
0,0004

Berikut ini adalah script untuk mendapatkan nilai epsilon


1
2

clear all
clc

3
4
5
6
7
8
9
10

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
b = [ 6 ; 25 ; -11 ; 15 ];
xlama = [ 0 ; 0 ; 0 ; 0 ];
itermaks = 10;

11
12

n = length(A);

13
14
15
16
17
18
19

% --- membuat matrik J dan vektor u --J = zeros(n);


for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);

156
end
end
u(p,1) = b(p,1)/A(p,p);

20
21
22
23

BAB 8. METODE ITERASI

end

24
25
26
27
28
29
30
31

% --- proses iterasi jacobi --for k = 1:itermaks


xbaru = J*xlama + u;
xselisih = xbaru - xlama;
epsilon = norm2(xselisih)
xlama = xbaru;
end

Tanda titik-koma pada baris ke-29 sengaja dihilangkan agar nilai epsilon selalu ditampilkan
ketika script tersebut dijalankan.
Nilai epsilon ini begitu penting untuk menentukan kapan proses iterasi harus dihentikan.
Oleh karenanya, nilai epsilon difungsikan sebagai stopping criteria. Berdasarkan Tabel 8.2, jika nilai ditentukan sebesar 0,2 , maka proses iterasi akan berhenti pada iterasi ke-4. Atau
kalau nilai ditentukan sebesar 0,0001 , maka proses iterasi akan berhenti pada iterasi ke-10.
Kesimpulannya, semakin kecil nilai , semakin panjang proses iterasinya, namun hasil akhirnya
semakin akurat.
Di bawah ini adalah script iterasi Jacobi yang memanfaatkan nilai epsilon untuk menghentikan proses iterasi
1
2

clear all
clc

3
4
5
6
7
8
9
10
11

A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
b = [ 6 ; 25 ; -11 ; 15 ];
xlama = [ 0 ; 0 ; 0 ; 0 ];
itermaks = 1000;
epsilon = 0.0001;

12
13

n = length(A);

14
15
16
17
18
19
20
21
22
23
24

% --- membuat matrik J dan vektor u --J = zeros(n);


for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end

25
26
27
28
29
30

% --- proses iterasi jacobi --for k = 1:itermaks


xbaru = J*xlama + u;
xselisih = xbaru - xlama;
if (norm2(xselisih) < epsilon)

8.3. ITERASI JACOBI


31
32
33
34
35
36

157

break;
end
xlama = xbaru;
end
iterasi = k
x = xbaru

Pada baris ke-11 saya tetapkan nilai epsilon sebesar 0,0001. Sementara baris ke-10, dimana
itermaks saya batasi hingga 1000 kali iterasi. Akan tetapi dengan adanya baris ke-30, maka jika
norm2(xselisih) lebih kecil nilainya dari nilai epsilon yang dinyatakan pada baris ke-11, proses
iterasi akan dihentikan. Sementara, statemen baris ke-35 sengaja saya tambahkan hanya untuk
sekedar mengetahui berapa kali komputer kita melakukan proses iterasi. Dengan nilai epsilon
0,0001, proses iterasi akan dihentikan pada iterasi yang ke-10. Jadi, walaupun itermaks telah
ditentukan yaitu 1000, komputer hanya melakukan proses iterasi sampai iterasi yang ke-10 saja.
8.3.3

Fungsi eksternal iterasi Jacobi

Fungsi eksternal metode iterasi Jacobi dapat diambil dari script yang terakhir di atas adalah
1

function [k,xbaru] = ijcb(A,b,xlama,itermaks,epsilon)

2
3

n = length(A);

4
5
6
7
8
9
10
11
12
13
14

% --- membuat matrik J dan vektor u --J = zeros(n);


for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end

15
16
17
18
19
20
21
22
23
24

% --- proses iterasi jacobi --for k = 1:itermaks


xbaru = J*xlama + u;
xselisih = xbaru - xlama;
if (norm2(xselisih) < epsilon)
break;
end
xlama = xbaru;
end

Dengan fungsi eksternal ini, maka untuk menyelesaikan suatu sistem persamaan linear, anda
dapat menyusun program sederhana. Contohnya adalah
1
2

clear all
clc

3
4
5
6

A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;

BAB 8. METODE ITERASI

158
7

0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11
12
13

xlama = [ 0 ; 0 ; 0 ; 0 ]; %nilai awal


itermaks = 1000;
% iterasi maksimum
epsilon = 0.0001;
% stopping criteria

14
15
16
17

[k,xbaru] = iterjacobi(A,b,xlama,itermaks,epsilon);
x = xbaru
iterasi = k

Demikianlah penjelasan tentang metode iterasi Jacobi dilengkapi dengan cara membuat scriptnya. Sebagai catatan, metode iterasi Jacobi ini selalu sukses mencapai solusi hanya jika matrik A
memiliki pola diagonal dominan dimana nilai elemen-elemen diagonal harus lebih besar dibandingkan nilai elemen setiap barisnya. Sekarang mari kita beralih ke metode iterasi Gauss-Seidel.

8.4 Iterasi Gauss-Seidel


Metode Iterasi Gauss-Seidel hampir sama dengan metode Iterasi Jacobi. Perbedaannya hanya
terletak pada penggunaan nilai elemen vektor xbaru yang langsung digunakan pada persamaan
dibawahnya. Untuk lebih jelasnya, perhatikan sistem persamaan linear berikut, yang diturunkan
dari contoh terdahulu
1 lama
2
6
x2
xlama
+
3
10
10
10
1 baru
1 lama
3
25
=
x1 + x3
xlama
+
4
11
11
11
11
1 baru
1 lama 11
2 baru

= x1 + x2 + x4
10
10
10
10
3 baru 1 baru 15
= x2 + x3 +
8
8
8

xbaru
=
1
xbaru
2
xbaru
3
xbaru
4

Pada baris pertama, xbaru


dihitung berdasarkan xlama
dan xlama
. Kemudian xbaru
tersebut lang1
2
3
1
sung dipakai pada baris kedua untuk menghitung xbaru
. Selanjutnya xbaru
dan xbaru
digunakan
2
1
2
pada baris ketiga untuk mendapatkan xbaru
. Begitu seterusnya hingga xbaru
pun diperoleh pada
3
4
baris keempat. Sistem persamaan tersebut dapat dinyatakan dalam indeks k seperti dibawah ini
dimana k adalah jumlah iterasi.
(k)

x1

(k)

x2

(k)

x3

(k)

x4

2 (k1)
6
1 (k1)
x2
x3
+
10
10
10
1 (k)
1 (k1)
3 (k1) 25
=
x + x3
x4
+
11 1
11
11
11
1 (k)
1 (k1) 11
2 (k)

= x1 + x2 + x4
10
10
10
10
3 (k) 1 (k) 15
= x2 + x3 +
8
8
8

(0)

(0)

(0)

Misalnya kita tentukan nilai-nilai awal x(0) sebagai berikut x1 = 0, x2 = 0, x3 = 0 dan


(0)
x4 = 0. Atau dinyatakan seperti ini x(0) = (0; 0; 0; 0)t . Maka pada k = 1 kita akan memperoleh

8.4. ITERASI GAUSS-SEIDEL

159

nilai-nilai x(1) sebagai berikut


x1

(1)

= 0, 6000

(1)
x2
(1)
x3
(1)
x4

= 2, 3272
= 0, 9873
= 0, 8789

Lalu proses perhitungan diulangi lagi dengan k = 2. Begitu seterusnya proses ini diulang-ulang
lagi untuk nilai-nilai k berikutnya sampai x(k) mendekati solusi yang sesungguhnya, yaitu
x = (1; 2; 1; 1)t
Marilah kita amati hasil seluruh iterasi. Tabel di bawah ini menampilkan hasil perhitungan
hingga iterasi yang ke-5. Kita bisa saksikan bahwa dibandingkan dengan iterasi Jacobi, problem
sistem persamaan linear yang sama, bisa diselesaikan oleh metode iterasi Gauss-Seidel hanya
dalam 5 kali iterasi. Dari kasus ini, bisa kita simpulkan bahwa iterasi Gauss-Seidel bekerja lebih

k
(k)

x1
(k)
x2
(k)
x3
(k)
x4

0
0,0000
0,0000
0,0000
0,0000

Tabel 8.3: Hasil Iterasi Gauss-Seidel


1
2
3
4
0,6000
2,3272
-0,9873
0,8789

1,030
2,037
-1,014
0,9844

1,0065
2,0036
-1,0025
0,9983

1,0009
2,0003
-1,0003
0,9999

5
1,0001
2,0000
-1,0000
1,0000

efektif dibandingkan iterasi Jacobi. Ya.., memang secara umum demikian, akan tetapi ternyata
ditemukan kondisi yang sebaliknya pada kasus-kasus yang lain.

8.4.1

Script iterasi Gauss-Seidel

Pembuatan script iterasi Gauss-Seidel dimulai dari sistem persamaan linear yang telah dibahas
di atas, yaitu
1 lama
2
6
x2
xlama
+
3
10
10
10
1 baru
1 lama
3
25
=
x1 + x3
xlama
+
4
11
11
11
11
1 baru
1 lama 11
2 baru

= x1 + x2 + x4
10
10
10
10
3 baru 1 baru 15
= x2 + x3 +
8
8
8

xbaru
=
1
xbaru
2
xbaru
3
xbaru
4

Pada pembahasan iterasi Jacobi, saya telah membuat matrik J berisi konstanta yang menemani
variabel x. Matrik J ini akan saya gunakan lagi untuk menyusun script metode iterasi Gauss-

BAB 8. METODE ITERASI

160
Seidel

1
10

1
11
0
J =
2
1
10
10
0 38

2
10

1
11

11

1
0
10
1
0
8

Kemudian matrik J dipecah menjadi matrik L dan matrik U, dimana J = L + U

1
10

1
11
0

2
1
10
10
0 83

2
10

1
11

3
1
11
11
0
=

2
1
1
0
10
10
10
1
3
0
0

8
8

1
10

0 0
+ 0

0 0
0
1
0
8 0

0 0

0
0

2
10

1
11

11

1
0
10
0
0

Sampai disini saya nyatakan matrik L, matrik U dan vektor u sebagai berikut

0
0

1
11
L=
2
1
10
10
0 83

0 0

0 0

00

1
8 0

0
U =
0

1
10

0
0
0

2
10

11

1
0
10
0
0

1
11

u=

6
10
25
11
11
10
15
8

Karena matrik L dan U berasal dari matrik J, maka pembuatan script iterasi Gauss-Seidel akan
saya mulai dari script perhitungan matrik J yang telah dibuat sebelumnya. Inilah script untuk
membuat matrik J,
1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13
14
15
16
17
18
19
20
21
22
23

%---- Perhitungan matrik J dan vektor u----J = zeros(4);


for p = 1:n-1
for k = 1:n
if k == p
k = k+1;
end
J(p,k) = -A(p,k)/A(p,p);
end
u(p,1) = b(p,1)/A(p,p);
end

24
25
26
27

for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end

8.4. ITERASI GAUSS-SEIDEL


28

161

u(n,1) = b(n,1)/A(n,n);

Untuk memperoleh matrik L, pertama-tama matrik J dicopy ke matrik L. Kemudian seluruh


elemen segitiga di atas elemen diagonal diganti dengan angka nol. Proses ini dilakukan mulai
dari baris ke-34 hingga ke-43.
1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13
14
15
16
17
18
19
20
21
22
23

%---- Perhitungan matrik J dan vektor u----J = zeros(4);


for p = 1:n-1
for k = 1:n
if k == p
k = k+1;
end
J(p,k) = -A(p,k)/A(p,p);
end
u(p,1) = b(p,1)/A(p,p);
end

24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for k = 2:4
L(1,k) = 0;
end
for k = 3:4
L(2,k) = 0;
end
for k = 4:4
L(3,k) = 0;
end

Proses perhitungan mulai dari baris ke-35 hingga ke-43 akan disederhanakan dengan langkahlangkah berikut. Saya munculkan indeks p,
L = J;
% matrik J dicopy ke matrik L
p = 1;
for k = 2:4
L(p,k) = 0;
end
p = 2;
for k = 3:4

162

BAB 8. METODE ITERASI

L(p,k) = 0;
end
p = 3;
for k = 4:4
L(p,k) = 0;
end

Dengan adanya indeks p, bagian looping dapat dimodikasi menjadi


L = J;
% matrik J dicopy ke matrik L
p = 1;
for k = p+1:4
L(p,k) = 0;
end
p = 2;
for k = p+1:4
L(p,k) = 0;
end
p = 3;
for k = p+1:4
L(p,k) = 0;
end

Kemudian, berdasarkan indeks p, dibuatlah proses looping,


L = J;
% matrik J dicopy ke matrik L
for p = 1:3
for k = p+1:4
L(p,k) = 0;
end
end

Selanjutnya, angka 3 dan 4 dapat diganti dengan variabel n agar bisa digabung dengan script
utamanya. Perhatikan baris ke-35 dan ke-36 pada script berikut
1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13
14
15
16
17
18
19
20
21

%---- Perhitungan matrik J dan vektor u----J = zeros(4);


for p = 1:n-1
for k = 1:n
if k == p
k = k+1;
end
J(p,k) = -A(p,k)/A(p,p);
end

8.4. ITERASI GAUSS-SEIDEL


u(p,1) = b(p,1)/A(p,p);

22
23

163

end

24
25
26
27
28
29
30
31
32
33
34
35

for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for p = 1:n-1
for k = p+1:n
L(p,k) = 0;
end
end

OK, dengan demikian matrik L telah terbentuk dan tersimpan di memory komputer. Sekarang
kita akan membentuk matrik U. Prosesnya sama seperti saat pembentukan matrik L, yaitu dimulai dengan mencopy matrik J ke dalam matrik U. Perhatikan mulai dari baris ke-41 berikut
ini,
1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13
14
15
16
17
18
19
20
21
22
23

%---- Perhitungan matrik J dan vektor u----J = zeros(4);


for p = 1:n-1
for k = 1:n
if k == p
k = k+1;
end
J(p,k) = -A(p,k)/A(p,p);
end
u(p,1) = b(p,1)/A(p,p);
end

24
25
26
27
28
29
30
31
32
33
34
35
36
37

for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for p = 1:n-1
for k = p+1:n
L(p,k) = 0;
end
end
%------------------------------------------U = J;
% matrik J dicopy ke matrik U

164
38
39
40
41
42
43
44
45
46

BAB 8. METODE ITERASI

for k = 2:4
U(k,1) = 0;
end
for k = 3:4
U(k,2) = 0;
end
for k = 4:4
U(k,3) = 0;
end

Kemudian, indeks p dimunculkan mulai diantara baris ke-42 hingga ke-50,


U = J;
% matrik J dicopy ke matrik U
p = 1;
for k = p+1:4
U(k,p) = 0;
end
p = 2;
for k = p+1:4
U(k,p) = 0;
end
p = 3;
for k = p+1:4
U(k,p) = 0;
end

Selanjutnya, berdasarkan indeks p dibuatlah proses looping yang baru


U = J;
% matrik J dicopy ke matrik U
for p = 1:3
for k = p+1:4
U(k,p) = 0;
end
end

Akhirnya, script ini digabungkan ke script utamanya setelah mengganti angkan 3 dan 4 dengan
variabel n.
1
2

clear all
clc

3
4
5
6
7

A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];

8
9

b = [ 6 ; 25 ; -11 ; 15 ];

10
11

n = length(A);

12
13
14
15
16
17
18

%---- Perhitungan matrik J dan vektor u----J = zeros(4);


for p = 1:n-1
for k = 1:n
if k == p
k = k+1;

8.4. ITERASI GAUSS-SEIDEL


end
J(p,k) = -A(p,k)/A(p,p);
end
u(p,1) = b(p,1)/A(p,p);

19
20
21
22
23

165

end

24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for p = 1:n-1
for k = p+1:n
L(p,k) = 0;
end
end
%------------------------------------------U = J;
% matrik J dicopy ke matrik U
for p = 1:n-1
for k = p+1:n
U(k,p) = 0;
end
end

Secara umum, script iterasi Gauss-Seidel yang saya tuliskan disini hampir sama dengan iterasi Jacobi. Perbedaan kecil-nya terletak pada bagian nilai update, dimana elemen xbaru hasil
perhitungan dilibatkan langsung untuk menghitung elemen xbaru selanjutnya.
1
2

clear all
clc

3
4
5
6
7
8
9

%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
xlama(3,1)=0;
xlama(4,1)=0;
xlama

10
11
12
13

n=4
itermaks=10
sc=0.001

%jumlah elemen vektor


%jumlah iterasi maksimal
%stopping-criteria

14
15
16
17
18
19
20
21

for i=1:itermaks
%------nilai update------------xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
xbaru(2,1)=(1/11)*xbaru(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
xbaru(3,1)=-(2/10)*xbaru(1,1)+(1/10)*xbaru(2,1)+(1/10)*xlama(4,1)-(11/10);
xbaru(4,1)=-(3/8)*xbaru(2,1)+(1/8)*xbaru(3,1)+(15/8);
xbaru

22
23
24
25
26
27
28

%------norm selisih------------s=0;
for i=1:n
s=s+(xbaru(i,1)-xlama(i,1))^2;
end
epsilon=sqrt(s)

BAB 8. METODE ITERASI

166
29
30
31
32
33

%------memeriksa stopping criteria, sc-------if epsilon<sc


break
end

34
35
36

xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya


end

Perumusan metode Iterasi Gauss-Seidel dapat dinyatakan sebagai berikut:


(k)

xi



 P
Pi1 
(k1)
(k)
n
+ bi
a
x

a
x
ij j
ij j
j=i+1
j=1
aii

dimana i=1,2,3,...,n.
8.4.2

Algoritma

Langkah 1: Tentukan k=1


Langkah 2: Ketika (k N ) lakukan Langkah 3-6
Langkah 3: Untuk i=1,...,n, hitunglah
xi =

Pi1

j=1 aij xj

Pn

j=i+1 aij XOj

+ bi

aii

Langkah 4: Jika kx XOk < , maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
Langkah 5: Tentukan k=k+1
Langkah 6: Untuk i=1,...n, tentukan XOi = xi
Langkah 7: OUTPUT (Iterasi maksimum telah terlampaui) lalu STOP
8.4.3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

62

Script iterasi Gauss-Seidel dalam Fortran


IMPLICIT NONE
DIMENSION A(10,10),B(10),X(10),XO(10)
REAL A,B,X,XO,EPS,NORM,S1,S2
INTEGER N,I,J,K,ITMAX
WRITE(*,*)
WRITE(*,*) ==> ITERASI GAUSS-SEIDEL UNTUK SISTEM LINEAR <==
WRITE(*,*)
WRITE (*,(1X,A)) JUMLAH PERSAMAAN ?
READ (*,*) N
WRITE (*,*) MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
DO 52 I = 1,N
DO 62 J = 1,N
WRITE (*,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
READ (*,*) A(I,J)
CONTINUE
WRITE (*,(1X,A,I2,A)) B(,I,) ?
READ (*,*) B(I)

(8.7)

8.4. ITERASI GAUSS-SEIDEL


18
19

52

20
21
22
23
24
25
26
27
28

72

29
30

31
32
33
34

110

35
36

37
38
39
40

111

41
42

43
44
45
46

C
100
C

47
48
49
50
51

20

52
53
54
55

23

56
57
58

10
C

59
60
61
62

40

63
64
65
66
67
68

69
70
71
72
73

74
75
76

WRITE (*,*)
CONTINUE
WRITE (*,(1X,A)) JUMLAH ITERASI MAKSIMUM ?
READ (*,*) ITMAX
WRITE (*,(1X,A)) NILAI EPSILON ATAU TOLERANSI ?
READ (*,*) EPS
WRITE (*,*) MASUKAN NILAI AWAL UNTUK XO
DO 72 I = 1,N
WRITE (*,(1X,A,I2,A)) XO(,I,) ?
READ (*,*) XO(I)
CONTINUE
WRITE (*,*)
MENAMPILKAN MATRIK A
WRITE (*,(1X,A)) MATRIK A:
DO 110 I = 1,N
WRITE (*,6) (A(I,J),J=1,N)
CONTINUE
WRITE (*,*)
MENAMPILKAN VEKTOR B
WRITE (*,(1X,A)) VEKTOR B:
DO 111 I = 1,N
WRITE (*,6) B(I)
CONTINUE
WRITE (*,*)
LANGKAH 1
K = 1
LANGKAH 2
IF(K.GT.ITMAX) GOTO 200
LANGKAH 3
DO 10 I = 1,N
S1 = 0.0
DO 20 J=I+1,N
S1 = S1-A(I,J)*XO(J)
CONTINUE
S2 = 0.0
DO 23 J=1,I-1
S2 = S2-A(I,J)*X(J)
CONTINUE
X(I) = (S2+S1+B(I))/A(I,I)
CONTINUE
SAYA PILIH NORM-2. ANDA BOLEH PAKAI NORM YANG LAIN!
NORM = 0.0
DO 40 I=1,N
NORM = NORM + (X(I)-XO(I))*(X(I)-XO(I))
CONTINUE
NORM = SQRT(NORM)
WRITE(*,(1X,A,I3)) ITERASI KE-, K
WRITE(*,(1X,A,F14.8)) NORM-2 = , NORM
WRITE(*,(1X,A,I3,A,F14.8)) (X(,I,) = , X(I),I=1,N)
WRITE(*,*)
LANGKAH 4
IF(NORM.LE.EPS) THEN
WRITE(*,7) K,NORM
GOTO 400
END IF
LANGKAH 5
K = K+1
LANGKAH 6
DO 30 I=1,N

167

BAB 8. METODE ITERASI

168
77
78

30

79
80
81

C
200

82
83

400

XO(I) = X(I)
CONTINUE
GOTO 100
LANGKAH 7
CONTINUE
WRITE(*,9)
STOP

84
85
86
87

5
6
7

88
89
90

FORMAT(1X,I3)
FORMAT(1X,(6(1X,F14.8)))
FORMAT(1X,KONVERGEN PADA ITERASI YANG KE- ,I3,
* , NORM= ,F14.8)
FORMAT(1X,MELEBIHI BATAS MAKSIMUM ITERASI)
END

8.5 Iterasi dengan Relaksasi


Metode Iterasi Relaksasi (Relaxation method ) dinyatakan dengan rumus berikut:
(k)

xi

(k1)

= (1 ) xi


bi
aii

i1
X
j=1

(k)

aij xj

n
X

(k1)

aij xj

j=i+1

(8.8)

dimana i=1,2,3,...,n.
Untuk lebih jelasnya, marilah kita perhatikan contoh berikut, diketahui sistem persamaan
linear Ax = b yaitu
4x1 + 3x2 + = 24
3x1 + 4x2 x3 = 30
x2 + 4x3 = 24
memiliki solusi (3, 4, 5)t . Metode Gauss-Seidel dan Relaksasi dengan = 1, 25 akan digunakan
untuk menyelesaikan sistem persamaan linear di atas dengan x(0) = (1, 1, 1)t . Untuk setiap nilai
k = 1, 2, 3, ..., persamaan Gauss-Seidelnya adalah
(k)

x1

(k)
x2
(k)
x3

(k1)

= 0, 75x2

+6

0, 25x3

(k)
0, 75x1 +
(k)
0, 25x2 6

(k1)

+ 7, 5

Sedangkan persamaan untuk metode Relaksasi dengan = 1, 25 adalah


(k)

x1

(k)
x2
(k)
x3

(k1)

= 0, 25x1
=
=

(k1)

0, 9375x2

+ 7, 5

(k)
(k1)
(k1)
0, 9375x1 0, 25x2
+ 0, 3125x3
(k)
(k1)
0, 3125x2 0, 25x3
7, 5

+ 9, 375

Tabel berikut ini menampilkan perhitungan dari masing-masing metode hingga iterasi ke-7.

8.5. ITERASI DENGAN RELAKSASI

(k)
x1
(k)
x2
(k)
x3

1
1
1

k
(k)
x1
(k)
x2
(k)
x3

169

Tabel 8.4: Hasil perhitungan iterasi Gauss-Seidel


1
2
3
4
5
6
5,2500
3,8125
-5,0468

3,1406
3,8828
-5,0293

3,0879
3,9267
-5,0183

3,0549
3,9542
-5,0114

3,0343
3,9714
-5,0072

3,0215
3,9821
-5,0044

Tabel 8.5: Hasil perhitungan iterasi Relaksasi dengan = 1, 25


0
1
2
3
4
5
6
1
1
1

6,3125
3,5195
-6,6501

2,6223
3,9585
-4,6004

3,1333
4,0102
-5,0967

2,9570
4,0075
-4,9735

3,0037
4,0029
-5,0057

2,9963
4,0009
-4,9983

7
3,0134
3,9888
-5,0028

7
3,0000
4,0002
-5,0003

Dari kasus ini, bisa kita simpulkan bahwa iterasi Relaksasi memerlukan proses iterasi yang
lebih singkat dibandingkan iterasi Gauss-Seidel. Jadi, pada kasus ini (dan juga secara umum),
Relaksasi lebih efektif dibandingkan Gauss-Seidel. Pertanyaannya sekarang, bagaimana menentukan nilai optimal?
Metode Relaksasi dengan pilihan nilai yang berkisar antara 0 dan 1 disebut metode underrelaxation, dimana metode ini berguna agar sistem persamaan linear bisa mencapai kondisi
konvergen walaupun sistem tersebut sulit mencapai kondisi konvergen dengan metode GaussSeidel. Sementara bila nilainya lebih besar dari angka 1, maka disebut metode successive
over-relaxation (SOR), yang mana metode ini berguna untuk mengakselerasi atau mempercepat
kondisi konvergen dibandingkan dengan Gauss-Seidel. Metode SOR ini juga sangat berguna
untuk menyelesaikan sistem persamaan linear yang muncul dari persamaan diferensial-parsial
tertentu.
8.5.1

Algoritma Iterasi Relaksasi

Langkah 1: Tentukan k=1


Langkah 2: Ketika (k N ) lakukan Langkah 3-6
Langkah 3: Untuk i=1,...,n, hitunglah

xi = (1 ) XOi +


 P
Pn
i1
a
x

a
XO
+
b
ij
j
ij
j
i
j=1
j=i+1
aii

Langkah 4: Jika kx XOk < , maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
Langkah 5: Tentukan k=k+1
Langkah 6: Untuk i=1,...n, tentukan XOi = xi
Langkah 7: OUTPUT (Iterasi maksimum telah terlampaui) lalu STOP
Demikianlah catatan singkat dari saya tentang metode iterasi untuk menyelesaikan problem
sistem persamaan linear. Saya cukupkan sementara sampai disini. Insya Allah akan saya sam-

170

BAB 8. METODE ITERASI

bung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email:
supri92@gmail.com.

Bab 9

Metode Eliminasi Gauss

Objektif :
Mengenalkan sistem persamaan linear.
Mengenalkan teknik triangularisasi dan substitusi mundur.
Aplikasi metode Eliminasi Gauss menggunakan matrik.
Membuat algoritma metode Eliminasi Gauss.
Menghitung invers matrik menggunakan metode Eliminasi Gauss.

9.1 Sistem persamaan linear


Secara umum, sistem persamaan linear dinyatakan sebagai berikut
Pn :

an1 x1 + an2 x2 + ... + ann xn = bn

(9.1)

dimana a dan b merupakan konstanta, x adalah variable, n = 1, 2, 3, ....


Berikut ini adalah sistem persamaan linear yang terdiri dari empat buah persamaan yaitu
P1 , P2 , P3 , dan P4
P1
P2
P3
P4

:
:
:
:

x1
2x1
3x1
x1

+
+

x2
x2
x2
2x2

x3
x3
3x3

+
+
+

3x4
x4
2x4
x4

=
=
=
=

4
1
-3
4

Problem dari sistem persamaan linear adalah bagaimana mencari nilai pengganti bagi variabel x1 , x2 , x3 , dan x4 sehingga semua persamaan diatas menjadi benar. Langkah awal penyelesaian problem tersebut adalah dengan melakukan penyederhanaan sistem persamaan linear.
171

BAB 9. METODE ELIMINASI GAUSS

172

9.2 Teknik penyederhanaan


Ada banyak jalan untuk menyederhanakan sistem persamaan linear. Namun tantangannya, kita
ingin agar pekerjaan ini dilakukan oleh komputer. Oleh karena itu, kita harus menciptakan algoritma yang nantinya bisa berjalan di komputer. Untuk mencapai tujuan itu, kita akan berpatokan
pada tiga buah aturan operasi matematika, yaitu

Persamaan Pi dapat dikalikan dengan sembarang konstanta , lalu hasilnya ditempatkan


di posisi persamaan Pi . Simbol operasi ini adalah (Pi ) (Pi ). Contoh
P1 :

x1 + x2 + 3x4 = 4

jika = 2, maka
2P1 :

2x1 + 2x2 + 6x4 = 8

Persamaan Pj dapat dikalikan dengan sembarang konstanta kemudian dijumlahkan dengan persamaan Pi , lalu hasilnya ditempatkan di posisi persamaan Pi . Simbol operasi ini
adalah (Pi Pj ) (Pi ). Contoh
P2 :

2x1 + x2 x3 + x4 = 1

2P1 :

2x1 + 2x2 + 6x4 = 8

maka operasi (P2 2P1 ) (P2 ) mengakibatkan perubahan pada P2 menjadi


P2 :

x2 x3 5x4 = 7

Dengan cara ini, maka variabel x1 berhasil dihilangkan dari P2 . Upaya untuk menghilangkan suatu variabel merupakan tahapan penting dalam metode Eliminasi Gauss.

Persamaan Pi dan Pj dapat bertukar posisi. Simbol operasi ini adalah (Pi ) (Pj ). Contoh
P2 :
P3 :

2x1 + x2 x3 + x4 = 1
3x1 x2 x3 + 2x4 = 3

maka operasi (P2 ) (P3 ) mengakibatkan pertukaran posisi masing-masing persamaan,

menjadi

P2 :
P3 :

3x1 x2 x3 + 2x4 = 3
2x1 + x2 x3 + x4 = 1

9.2. TEKNIK PENYEDERHANAAN


9.2.1

173

Cara menghilangkan sebuah variabel

Sebelum dilanjut, saya ingin mengajak anda untuk fokus memahami aturan operasi yang kedua.
Misalnya ada 2 persamaan linear yaitu
P1 :

3x1 + 2x2 5x3 + 8x4 = 3

P2 :

4x1 + 7x2 x3 + 6x4 = 9

Kemudian anda diminta untuk menghilangkan variabel x1 dari P2 . Itu artinya, anda diminta
untuk memodikasi P2 sedemikian rupa sehingga didapat P2 yang baru, yang didalamnya tidak
ada x1 .
Berdasarkan rumus operasi (Pi Pj ) (Pi ), maka operasi yang tepat adalah (P2 43 P1 )

(P2 ). Perhatikan! Bilangan , yaitu 43 , harus dikalikan dengan P1 , BUKAN dengan P2 . Sedangkan angka
(P2

4
3

4
3 P1 ).

adalah satu-satunya angka yang bisa menghapus variabel x1 dari P2 lewat operasi
Selengkapnya adalah sebagai berikut
P2 :
4
P1 :
3

4x1 + 7x2 x3 + 6x4 = 9


4
4
4
4
4
3x1 + 2x2 5x3 + 8x4 =
3
3
3
3
3
3

Kemudian, hasil operasi (P2 43 P1 ) disimpan sebagai P2 yang baru


P2 :










4
4
4
4
4
4 3 x1 + 7 2 x2 1 5 x3 + 6 8 x4 = 9 3
3
3
3
3
3

Dengan sendirinya x1 akan lenyap dari P 2. Mudah-mudahan jelas sampai disini. Demikianlah
cara untuk menghilangkan x1 dari P 2.

9.2.2

Permainan indeks

Sekarang, mari kita tinjau hal yang sama, yaitu menghilangkan x1 dari P2 , namun menggunakan
permainan indeks. Secara umum, P1 dan P2 bisa dinyatakan sebagai
P1 :

a11 x1 + a12 x2 + a13 x3 + a14 x4 = a15

P2 :

a21 x1 + a22 x2 + a23 x3 + a24 x4 = a25

Agar x1 hilang dari P2 , operasi yang benar adalah (P2 P1 ) (P2 ), dimana =

a21
a11 .

Dengan

demikian, P2 yang baru akan memenuhi











a21
a21
a21
a21
a21
a11 x1 + a22
a12 x2 + a23
a13 x3 + a24
a14 x4 = a25
a15
P2 : a21
a11
a11
a11
a11
a11
Perhatikanlah variasi indeks pada persamaan diatas. Semoga intuisi anda bisa menangkap keberadaan suatu pola perubahan indeks. Jika belum, mari kita kembangkan persoalan ini.

BAB 9. METODE ELIMINASI GAUSS

174

Sekarang saya ketengahkan kehadapan anda tiga buah persamaan, yaitu P1 , P2 dan P3
P1 :

a11 x1 + a12 x2 + a13 x3 + a14 x4 = a15

P2 :

a21 x1 + a22 x2 + a23 x3 + a24 x4 = a25

P3 :

a31 x1 + a32 x2 + a33 x3 + a34 x4 = a35

Bagaimana cara menghilangkan x1 dari P3 dengan memanfaatkan P1 ??


Begini caranya, (P3 P1 ) (P3 ), dengan =

a31
a11 ..











a31
a31
a31
a31
a31
a11 x1 + a32
a12 x2 + a33
a13 x3 + a34
a14 x4 = a35
a15
P3 : a31
a11
a11
a11
a11
a11
Mudah-mudahan, pola perubahan indeksnya semakin jelas terlihat. Selanjutnya jika ada persamaan P4 yang ingin dihilangkan x1 nya dengan memanfaatkan P1 , bagaimana caranya?
Tentu saja operasinya adalah (P4 P1 ) (P4 ), dengan =

a41
a11











a41
a41
a41
a41
a41
P4 : a41
a11 x1 + a42
a12 x2 + a43
a13 x3 + a44
a14 x4 = a45
a15
a11
a11
a11
a11
a11

9.3 Triangularisasi dan Substitusi Mundur


9.3.1

Contoh pertama

Sekarang, mari kita kembali kepada sistem persamaan linear yang sudah ditulis di awal bab ini
P1
P2
P3
P4

:
:
:
:

x1
2x1
3x1
x1

+
+

x2
x2
x2
2x2

x3
x3
3x3

+
+
+

3x4
x4
2x4
x4

=
=
=
=

4
1
-3
4

Sekali lagi saya tegaskan bahwa problem dari sistem persamaan linear adalah bagaimana
mendapatkan angka-angka yang bisa menggantikan variabel x1 , x2 , x3 , dan x4 sehingga semua
persamaan di atas menjadi benar. Dengan berpegang pada ketiga teknik penyederhanaan tadi,
maka sistem persamaan linear di atas dapat disederhanakan dengan langkah-langkah berikut
ini:
1. Gunakan persamaan P1 untuk menghilangkan variabel x1 dari persamaan P2 , P3 dan P4
dengan cara (P2 2P1 ) (P2 ), (P3 3P1 ) (P3 ) dan (P4 + P1 ) (P4 ). Hasilnya akan
seperti ini

P1 :

x1 + x2 + 3x4 = 4,

P2 :

x2 x3 5x4 = 7,

P3 :

4x2 x3 7x4 = 15,

P4 :

3x2 + 3x3 + 2x4 = 8

Silakan anda cermati bahwa x1 kini telah hilang dari P2 , P3 dan P4 .

9.3. TRIANGULARISASI DAN SUBSTITUSI MUNDUR

175

2. Gunakan persamaan P2 untuk menghilangkan variabel x2 dari persamaan P3 dan P4 dengan cara (P3 4P2 ) (P3 ) dan (P4 + 3P2 ) (P4 ). Hasilnya akan seperti ini
P1 :

x1 + x2 + 3x4 = 4,

P2 :

x2 x3 5x4 = 7,

P3 :

3x3 + 13x4 = 13,

P4 :

13x4 = 13

Kalau x3 masih ada di persamaan P4 , dibutuhkan satu operasi lagi untuk menghilangkannya. Namun hasil operasi pada langkah ke-2 ternyata sudah otomatis menghilangkan
x3 dari P4 . Bentuk akhir dari sistem persamaan linear di atas, dikenal sebagai bentuk
triangular.
Sampai dengan langkah ke-2 ini, kita berhasil mendapatkan sistem persamaan linear yang
lebih sederhana. Apa yang dimaksud dengan sederhana dalam konteks ini? Suatu sistem
persamaan linear dikatakan sederhana bila kita bisa mendapatkan seluruh nilai pengganti
variabelnya dengan cara yang lebih mudah atau dengan usaha yang tidak memakan waktu
lama dibandingkan sebelum disederhanakan.
3. Selanjutnya kita jalankan proses backward-substitution untuk mendapatkan angka-angka
pengganti bagi x1 , x2 , x3 dan x4 . Melalui proses backward-substitution, yang pertama
kali didapat adalah angka pengganti bagi variabel x4 , kemudian x3 , lalu diikuti x2 , dan
akhirnya x1 . Silakan cermati yang berikut ini
P4 :
P3 :
P2 :
P1 :

x4 =

13
13

= 1,

1
1
(13 13) = 0,
x3 = (13 13x4 ) =
3
3
x2 = (7 + 5x4 + x3 ) = (7 + 5 + 0) = 2,
x1 = 4 3x4 x2 = 4 3 2 = 1

Jadi solusinya adalah x1 = 1, x2 = 2, x3 = 0 dan x4 = 1. Coba sekarang anda cek,


apakah semua solusi ini cocok dan tepat bila dimasukan ke sistem persamaan linear yang
pertama, yaitu yang belum disederhanakan?
OK, mudah-mudahan ngerti ya... Kalau belum paham, coba dibaca sekali lagi. Atau, sekarang kita beralih kecontoh yang lain.

BAB 9. METODE ELIMINASI GAUSS

176
9.3.2

Contoh kedua

Diketahui sistem persamaan linear, terdiri dari empat buah persamaan yaitu P1 , P2 , P3 , dan P4
seperti berikut ini:
P1
P2
P3
P4

:
:
:
:

x1
2x1
x1
x1

x2
2x2
x2
x2

+
+
+
+

2x3
3x3
x3
4x3

x4
3x4

3x4

=
=
=
=

-8
-20
-2
4

Seperti contoh pertama, solusi sistem persamaan linear di atas akan dicari dengan langkahlangkah berikut ini:
1. Gunakan persamaan P1 untuk menghilangkan x1 dari persamaan P2 , P3 dan P4 dengan
cara (P2 2P1 ) (P2 ), (P3 P1 ) (P3 ) dan (P4 P1 ) (P4 ). Hasilnya akan seperti ini
P1 :

x1 x2 + 2x3 x4 = 8,

P2 :

x3 x4 = 4,

P3 :

2x2 x3 + x4 = 6,

P4 :

2x3 + 4x4 = 12

Perhatikan persamaan P2 ! Akibat dari langkah yang pertama tadi, ternyata tidak hanya
x1 saja yang hilang dari persamaan P2 , variabel x2 pun turut hilang dari persamaan P2 .
Kondisi ini bisa menggagalkan proses triangularisasi. Untuk itu, posisi P2 mesti ditukar
dengan persamaan yang berada dibawahnya, yang masih memiliki variabel x2 . Maka
yang paling cocok adalah ditukar dengan P3 .
2. Tukar posisi persamaan P2 dengan persamaan P3 , (P2 P3 ). Hasilnya akan seperti ini
P1 :
P2 :

x1 x2 + 2x3 x4 = 8,
2x2 x3 + x4 = 6,

P3 :

x3 x4 = 4,

P4 :

2x3 + 4x4 = 12

3. Agar sistem persamaan linear di atas menjadi berbentuk triangular, maka kita harus menghilangkan variabel x3 dari persamaan P4 . Karenanya, gunakan persamaan P3 untuk menghilangkan x3 dari persamaan P4 dengan cara (P4 + 2P3 ) (P4 ). Hasilnya akan seperti
ini

P1 :
P2 :
P3 :
P4 :

x1 x2 + 2x3 x4 = 8,
2x2 x3 + x4 = 6,
x3 x4 = 4,
2x4 = 4

9.4. MATRIK DAN ELIMINASI GAUSS

177

Sampai disini proses triangularisasi telah selesai.

4. Selanjutnya adalah proses backward-substitution. Melalui proses ini, yang pertama kali
didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 , dan akhirnya x1 .
P4 :
P3 :
P2 :
P1 :

4
2
4 + x4
x3 =
1
6 + x3 x4
x2 =
2
x1 = 8 + x2 2x3 + x4
x4 =

= 2,
= 2,
= 3,
= 7

Jadi solusinya adalah x1 = 7, x2 = 3, x3 = 2 dan x4 = 2.


Berdasarkan kedua contoh di atas, untuk mendapatkan solusi sistem persamaan linear, diperlukan operasi triangularisasi dan proses backward-substitution. Kata backward-substitution
kalau diterjemahkan kedalam bahasa indonesia, menjadi substitusi-mundur. Gabungan proses triangularisasi dan substitusi-mundur untuk menyelesaikan sistem persamaan linear dikenal
sebagai metode Eliminasi Gauss.

9.4 Matrik dan Eliminasi Gauss


9.4.1

Matrik Augmentasi

Sejumlah matrik bisa digunakan untuk menyatakan suatu sistem persamaan linear. Sejenak,
mari kita kembali lagi melihat sistem persamaan linear secara umum seperti berikut ini:
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
............... = ...
............... = ...
an1 x1 + an2 x2 + . . . + ann xn = bn
Sementara, kalau dinyatakan dalam bentuk operasi matrik, maka akan seperti ini:

a11
a21
..
.

a12
a22
..
.

. . . a1n
. . . a2n
..
.

an1 an2 . . . ann

x1
x2
..
.
xn

b1
b2
..
.
bn

(9.2)

Dalam mencari solusi suatu sistem persamaan linear dengan metode eliminasi gauss, bentuk
operasi matrik di atas dimanipulasi menjadi matrik augment, yaitu suatu matrik yang berukur-

BAB 9. METODE ELIMINASI GAUSS

178
an n x (n + 1) seperti berikut ini:

a11

a12

. . . a1n

| b1

a21 a22 . . . a2n | b2


.
..
..
.
.
.
.
| ..
.
an1 an2 . . . ann | bn

a11

a12 . . . a1n

| a1,n+1


a21 a22 . . . a2n | a2,n+1
= .
..
..
..
.
.
.
|
.
.
an1 an2 . . . ann | an,n+1

(9.3)

Inilah source code Matlab untuk membentuk matrik augmentasi yang terdiri atas matrik A dan
vektor b,

1
2

clear all
clc

3
4
5
6
7
8

%---- inisialisasi matrik A ---A = [1 1 0 3


2 1 -1 1
3 -1 -1 2
-1 2 3 -1];

9
10
11

%---- inisialisasi vektor b ---b = [4 ; 1 ; -3 ; 4];

12
13
14
15
16
17
18

%---- membentuk matrik augmentasi ---dim = size(A);


n = dim(1);
for i = 1:n
A(i,n+1) = b(i);
end

9.4.2

Penerapan pada contoh pertama

Pada contoh pertama di atas, diketahui sistem persamaan linear yang terdiri dari empat buah
persamaan yaitu P1 , P2 , P3 , dan P4
P1
P2
P3
P4

:
:
:
:

x1
2x1
3x1
x1

+
+

x2
x2
x2
2x2

x3
x3
3x3

+
+
+

3x4
x4
2x4
x4

=
=
=
=

4
1
-3
4

Sistem persamaan linear tersebut dapat dinyatakan dalam operasi matrik

2
1 1 1

3 1 1 2

1 2
3 1

x1


x2 1


x = 3
3
4
x4

Setelah itu matrik augment disusun seperti ini (perhatikan angka-angka indeks pada matriks

9.4. MATRIK DAN ELIMINASI GAUSS

179

disebelahnya)

1
1
0
3

2
1 1 1

3 1 1 2

1 2
3 1

| 3

| 4

|
|

a11 a12 a13 a14 | a15

a21 a22 a23 a24 | a25

a31 a32 a33 a34 | a35

a41 a42 a43 a44 | a45

Kemudian kita lakukan operasi triangularisai terhadap matrik augment, dimulai dari kolom
pertama (yang tujuannya untuk menghilangkan variabel x1 dari P2 , P3 , dan P4 ), yaitu










a21
a21
a21
a21
a21
a11 x1 + a22
a12 x2 + a23
a13 x3 + a24
a14 x4 = a25
a15
P2 : a21
a11
a11
a11
a11
a11



a31
P3 : a31
a11 x1 + a32
a11



a41
a11 x1 + a42
P4 : a41
a11



a31
a12 x2 + a33
a11


a41
a12 x2 + a43
a11



a31
a13 x3 + a34
a11


a41
a13 x3 + a44
a11



a31
a14 x4 = a35
a11


a41
a14 x4 = a45
a11

a31
a15
a11

a41
a15
a11

Sekarang akan saya tulis source code Matlab untuk menyelesaikan perhitungan diatas. Saran
saya, anda jangan hanya duduk sambil membaca buku ini, kalau bisa nyalakan komputer/laptop
dan ketik ulang source-code ini agar anda memperoleh feeling-nya! OK, mari kita mulai..
1
2

clear all
clc

3
4
5
6
7
8

%---- inisialisasi matrik A ---A = [1 1 0 3


2 1 -1 1
3 -1 -1 2
-1 2 3 -1];

9
10
11

%---- inisialisasi vektor b ---b = [4 ; 1 ; -3 ; 4];

12
13
14
15
16
17
18

%---- membentuk matrik augmentasi ---dim = size(A);


n = dim(1);
for i = 1:n
A(i,n+1) = b(i);
end

19
20
21
22
23
24
25
26

%---- menghilangkan variabel x1 ---m=A(2,1)/A(1,1);


% huruf m mewakili simbol lambda
A(2,1)=A(2,1)-m*A(1,1);
A(2,2)=A(2,2)-m*A(1,2);
A(2,3)=A(2,3)-m*A(1,3);
A(2,4)=A(2,4)-m*A(1,4);
A(2,5)=A(2,5)-m*A(1,5);

27
28
29
30
31
32

m=A(3,1)/A(1,1);
A(3,1)=A(3,1)-m*A(1,1);
A(3,2)=A(3,2)-m*A(1,2);
A(3,3)=A(3,3)-m*A(1,3);
A(3,4)=A(3,4)-m*A(1,4);

BAB 9. METODE ELIMINASI GAUSS

180
33

A(3,5)=A(3,5)-m*A(1,5);

34
35
36
37
38
39
40

m=A(4,1)/A(1,1);
A(4,1)=A(4,1)-m*A(1,1);
A(4,2)=A(4,2)-m*A(1,2);
A(4,3)=A(4,3)-m*A(1,3);
A(4,4)=A(4,4)-m*A(1,4);
A(4,5)=A(4,5)-m*A(1,5);

Hasilnya akan seperti ini

a11 a12 a13 a14 | a15

0 1 1 5 | 7

a21 a22 a23 a24 | a25


0 4 1 7 | 15
a

31 a32 a33 a34 | a35


0 3
3
2 |
8
a41 a42 a43 a44 | a45

Pada kolom pertama, seluruh elemen berubah menjadi nol (a21 = 0, a31 = 0, dan a41 = 0)
kecuali elemen yang paling atas a11 . Itu berarti kita sudah menghilangkan variabel x1 dari P2 ,
P3 , dan P4 . Sekarang dilanjutkan ke kolom kedua, dengan operasi yang hampir sama, untuk
membuat elemen a32 dan a42 bernilai nol










a32
a32
a32
a32
a32
a21 x1 + a32
a22 x2 + a33
a23 x3 + a34
a24 x4 = a35
a25
P3 : a31
a22
a22
a22
a22
a22










a42
a42
a42
a42
a42
a21 x1 + a42
a22 x2 + a43
a23 x3 + a44
a24 x4 = a45
a25
P4 : a41
a22
a22
a22
a22
a22
Source-code berikut ini adalah kelanjutan dari source-code diatas. Jadi jangan dipisah dalam le
lain!!!
1
2
3
4
5
6

m=A(3,2)/A(2,2);
A(3,1)=A(3,1)-m*A(2,1);
A(3,2)=A(3,2)-m*A(2,2);
A(3,3)=A(3,3)-m*A(2,3);
A(3,4)=A(3,4)-m*A(2,4);
A(3,5)=A(3,5)-m*A(2,5);

7
8
9
10
11
12
13

m=A(4,2)/A(2,2);
A(4,1)=A(4,1)-m*A(2,1);
A(4,2)=A(4,2)-m*A(2,2);
A(4,3)=A(4,3)-m*A(2,3);
A(4,4)=A(4,4)-m*A(2,4);
A(4,5)=A(4,5)-m*A(2,5);

14

Hasilnya akan seperti dibawah ini. Itu berarti kita telah menghilangkan variabel x2 dari P3 , dan
P4 ; bahkan tanpa disengaja x3 juga hilang dari P4 . Inilah bentuk triangular

0 1 1 5 | 7

0 0
3
13 | 13

0 0
0 13 | 13

a11 a12 a13 a14 | a15

a21 a22 a23 a24 | a25

31 a32 a33 a34 | a35


a41 a42 a43 a44 | a45

9.4. MATRIK DAN ELIMINASI GAUSS

181

Walaupun x3 sudah hilang dari P4 , sebaiknya source-code penghapusan x3 dari P4 tetap ditambahkan pada source-code sebelumnya agar source-code tersebut menjadi lengkap.
1
2
3
4
5
6

m=A(4,3)/A(3,3);
A(4,1)=A(4,1)-m*A(3,1);
A(4,2)=A(4,2)-m*A(3,2);
A(4,3)=A(4,3)-m*A(3,3);
A(4,4)=A(4,4)-m*A(3,4);
A(4,5)=A(4,5)-m*A(3,5);

Dengan memperhatikan angka-angka indeks pada matrik augment di atas, kita akan mencoba membuat rumusan proses substitusi-mundur untuk mendapatkan seluruh nilai pengganti
variabel x. Dimulai dari x4 ,
x4 =
lalu dilanjutkan dengan x3 , x2 , dan x1 .

a45
13
=
=1
a44
13

a35 a34 x4
a33
a25 (a23 x3 + a24 x4 )
x2 =
a22
a15 (a12 x2 + a13 x3 + a14 x4 )
x1 =
a11
x3 =

=
=
=

13 [(13)(1)]
=0
3
(7) [(1)(0) + (5)(1)]
=2
(1)
4 [(1)(2) + (0)(0) + (3)(1)]
= 1
1

Inilah source code proses substitusi mundur sesuai rumusan di atas


1
2
3
4

x(4,1)=A(4,5)/A(4,4);
x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);

9.4.3

Source-code dasar

Proses triangularisasi dan substitusi-mundur dibakukan menjadi algoritma metode eliminasi


gauss. Berikut ini saya tampilkan source-code dalam Matlab sebagaimana langkah-langkah diatas
1
2

clear all
clc

3
4
5
6
7
8

%---- inisialisasi matrik A ---A = [1 1 0 3


2 1 -1 1
3 -1 -1 2
-1 2 3 -1];

9
10
11

%---- inisialisasi vektor b ---b = [4 ; 1 ; -3 ; 4];

12
13
14
15
16

%---- membentuk matrik augmentasi ---dim = size(A);


n = dim(1);
for i = 1:n

182
A(i,n+1) = b(i);

17
18

BAB 9. METODE ELIMINASI GAUSS

end

19
20
21
22
23
24
25
26
27

%==== Proses Triangularisasi ====


%---- menghilangkan variabel x1 dari P2, P3 dan P4 ---m=A(2,1)/A(1,1);
% huruf m mewakili simbol lambda
A(2,1)=A(2,1)-m*A(1,1);
A(2,2)=A(2,2)-m*A(1,2);
A(2,3)=A(2,3)-m*A(1,3);
A(2,4)=A(2,4)-m*A(1,4);
A(2,5)=A(2,5)-m*A(1,5);

28
29
30
31
32
33
34

m=A(3,1)/A(1,1);
A(3,1)=A(3,1)-m*A(1,1);
A(3,2)=A(3,2)-m*A(1,2);
A(3,3)=A(3,3)-m*A(1,3);
A(3,4)=A(3,4)-m*A(1,4);
A(3,5)=A(3,5)-m*A(1,5);

35
36
37
38
39
40
41

m=A(4,1)/A(1,1);
A(4,1)=A(4,1)-m*A(1,1);
A(4,2)=A(4,2)-m*A(1,2);
A(4,3)=A(4,3)-m*A(1,3);
A(4,4)=A(4,4)-m*A(1,4);
A(4,5)=A(4,5)-m*A(1,5);

42
43
44
45
46
47
48
49

%---- menghilangkan variabel x2 dari P3 dan P4 ---m=A(3,2)/A(2,2);


A(3,1)=A(3,1)-m*A(2,1);
A(3,2)=A(3,2)-m*A(2,2);
A(3,3)=A(3,3)-m*A(2,3);
A(3,4)=A(3,4)-m*A(2,4);
A(3,5)=A(3,5)-m*A(2,5);

50
51
52
53
54
55
56

m=A(4,2)/A(2,2);
A(4,1)=A(4,1)-m*A(2,1);
A(4,2)=A(4,2)-m*A(2,2);
A(4,3)=A(4,3)-m*A(2,3);
A(4,4)=A(4,4)-m*A(2,4);
A(4,5)=A(4,5)-m*A(2,5);

57
58
59
60
61
62
63
64

%---- menghilangkan variabel x3 dari P4 ---m=A(4,3)/A(3,3);


A(4,1)=A(4,1)-m*A(3,1);
A(4,2)=A(4,2)-m*A(3,2);
A(4,3)=A(4,3)-m*A(3,3);
A(4,4)=A(4,4)-m*A(3,4);
A(4,5)=A(4,5)-m*A(3,5);

65
66
67
68
69
70

%==== Proses Substitusi Mundur ====


x(4,1)=A(4,5)/A(4,4);
x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);

9.4. MATRIK DAN ELIMINASI GAUSS


9.4.4

183

Optimasi source code

Singkatnya, tujuan dari dilakukannya proses optimasi adalah untuk memperkecil jumlah baris
statemen pada source code dasar. Seperti kita ketahui bersama, source code dasar eliminasi gauss
yang tertulis di atas terdiri atas 70 baris statemen, sehingga perlu dilakukan proses optimasi
untuk memperkecil jumlah baris statemen (tanpa menyalahi hasil perhitungan).
9.4.4.1

Optimasi source code bagian triangular

Langkah optimasi source code bagian triangularisasi dimulai dari baris statemen ke 23 hingga
ke 27, yaitu
m=A(2,1)/A(1,1);
A(2,1)=A(2,1)-m*A(1,1);
A(2,2)=A(2,2)-m*A(1,2);
A(2,3)=A(2,3)-m*A(1,3);
A(2,4)=A(2,4)-m*A(1,4);
A(2,5)=A(2,5)-m*A(1,5);

% huruf m mewakili simbol lambda

Bagian ini dapat dioptimasi menjadi


for k = 1:5
A(2,k) = A(2,k)-m*A(1,k);
end

Langkah optimasi yang sama juga bisa diterapkan untuk rangkaian baris statemen dari baris
ke 30 hingga 34 dan baris ke 37 hingga 41 (yang terdapat pada source-code dasar), sehingga
masing-masing akan menjadi
for k = 1:5
A(3,k) = A(3,k)-m*A(1,k);
end

dan
for k = 1:5
A(4,k) = A(4,k)-m*A(1,k);
end

Ternyata, pola optimasi yang sama juga masih bisa ditemui mulai baris ke 45 hingga baris
statemen ke 64. Dengan demikian, setidaknya, tahapan pertama ini akan menghasil source-code
baru hasil optimasi awal yaitu
1
2

clear all
clc

3
4
5
6
7

%---- inisialisasi matrik A ---A = [1 1 0 3


2 1 -1 1
3 -1 -1 2

184
8

BAB 9. METODE ELIMINASI GAUSS

-1 2 3 -1];

9
10
11

%---- inisialisasi vektor b ---b = [4 ; 1 ; -3 ; 4];

12
13
14
15
16
17
18

%---- membentuk matrik augmentasi ---dim = size(A);


n = dim(1);
for i = 1:n
A(i,n+1) = b(i);
end

19
20
21
22
23
24
25

%==== Proses Triangularisasi ====


%---- menghilangkan variabel x1 dari P2, P3 dan P4 ---m=A(2,1)/A(1,1);
% huruf m mewakili simbol lambda
for k = 1:5
A(2,k) = A(2,k)-m*A(1,k);
end

26
27
28
29
30

m=A(3,1)/A(1,1);
for k = 1:5
A(3,k) = A(3,k)-m*A(1,k);
end

31
32
33
34
35

m=A(4,1)/A(1,1);
for k = 1:5
A(4,k) = A(4,k)-m*A(1,k);
end

36
37
38
39
40
41

%---- menghilangkan variabel x2 dari P3 dan P4 ---m=A(3,2)/A(2,2);


for k = 1:5
A(3,k) = A(3,k)-m*A(2,k);
end

42
43
44
45
46

m=A(4,2)/A(2,2);
for k = 1:5
A(4,k) = A(4,k)-m*A(2,k);
end

47
48
49
50
51
52

%---- menghilangkan variabel x3 dari P4 ---m=A(4,3)/A(3,3);


for k = 1:5
A(4,k) = A(4,k)-m*A(3,k);
end

53
54
55
56
57
58

%==== Proses Substitusi Mundur ====


x(4,1)=A(4,5)/A(4,4);
x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);

Sekarang, source-code eliminasi gauss telah mengecil menjadi hanya 58 baris statemen saja (sebelumnya ada 70 baris statemen). Namun ini belum merupakan akhir proses optimasi. Sourcecode yang terakhir ini masih bisa dioptimasi kembali.
Coba anda perhatikan pola yang nampak mulai pada baris statemen ke-22 hingga ke-35.
Optimasi tahap dua dilakukan untuk menyederhanakan bagian tersebut, yaitu

9.4. MATRIK DAN ELIMINASI GAUSS

for j = 2:4
m=A(j,1)/A(1,1);
for k = 1:5
A(j,k) = A(j,k)-m*A(1,k);
end
end

Demikian halnya untuk baris ke-38 sampai baris ke-46


for j = 3:4
m=A(j,2)/A(2,2);
for k = 1:5
A(j,k) = A(j,k)-m*A(2,k);
end
end

serta baris ke-49 hingga baris ke-52


for j = 4:4
m=A(j,3)/A(3,3);
for k = 1:5
A(j,k) = A(j,k)-m*A(3,k);
end
end

Dengan demikian hasil optimasi sampai dengan tahap ini adalah


1
2

clear all
clc

3
4
5
6
7
8

%---- inisialisasi matrik A ---A = [1 1 0 3


2 1 -1 1
3 -1 -1 2
-1 2 3 -1];

9
10
11

%---- inisialisasi vektor b ---b = [4 ; 1 ; -3 ; 4];

12
13
14
15
16
17
18

%---- membentuk matrik augmentasi ---dim = size(A);


n = dim(1);
for i = 1:n
A(i,n+1) = b(i);
end

19
20
21
22
23
24
25
26
27
28

%==== Proses Triangularisasi ====


%---- menghilangkan variabel x1 dari P2, P3 dan P4 ---for j = 2:4
m=A(j,1)/A(1,1);
for k = 1:5
A(j,k) = A(j,k)-m*A(1,k);
end
end

185

186
29
30
31
32
33
34
35

BAB 9. METODE ELIMINASI GAUSS

%---- menghilangkan variabel x2 dari P3 dan P4 ---for j = 3:4


m=A(j,2)/A(2,2);
for k = 1:5
A(j,k) = A(j,k)-m*A(2,k);
end
end

36
37
38
39
40
41
42
43

%---- menghilangkan variabel x3 dari P4 ---for j = 4:4


m=A(j,3)/A(3,3);
for k = 1:5
A(j,k) = A(j,k)-m*A(3,k);
end
end

44
45
46
47
48
49

%==== Proses Substitusi Mundur ====


x(4,1)=A(4,5)/A(4,4);
x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);

Jika saya munculkan indeks i pada bagian proses triangularisasi


%==== Proses Triangularisasi ====
%---- menghilangkan variabel x1 dari P2, P3 dan P4 ---i = 1;
for j = i+1:4
m=A(j,i)/A(i,i);
for k = 1:5
A(j,k) = A(j,k)-m*A(i,k);
end
end
%---- menghilangkan variabel x2 dari P3 dan P4 ---i = 2;
for j = i+1:4
m=A(j,i)/A(i,i);
for k = 1:5
A(j,k) = A(j,k)-m*A(i,k);
end
end
%---- menghilangkan variabel x3 dari P4 ---i = 3;
for j = i+1:4
m=A(j,i)/A(i,i);
for k = 1:5
A(j,k) = A(j,k)-m*A(i,k);
end
end

maka saya bisa gabungkan semua i tersebut menjadi


%==== Proses Triangularisasi ====
for i = 1:3
for j = i+1:4

9.4. MATRIK DAN ELIMINASI GAUSS

187

m=A(j,i)/A(i,i);
for k = 1:5
A(j,k) = A(j,k)-m*A(i,k);
end
end
end

Sehingga hasil optimasi sampai tahapan ini telah mengecilkan jumlah baris statemen dari semula 70 baris menjadi hanya 34 baris saja. Inilah hasilnya
1
2

clear all
clc

3
4
5
6
7
8

%---- inisialisasi matrik A ---A = [1 1 0 3


2 1 -1 1
3 -1 -1 2
-1 2 3 -1];

9
10
11

%---- inisialisasi vektor b ---b = [4 ; 1 ; -3 ; 4];

12
13
14
15
16
17
18

%---- membentuk matrik augmentasi ---dim = size(A);


n = dim(1);
for i = 1:n
A(i,n+1) = b(i);
end

19
20
21
22
23
24
25
26
27
28

%==== Proses Triangularisasi ====


for i = 1:3
for j = i+1:4
m=A(j,i)/A(i,i);
for k = 1:5
A(j,k) = A(j,k)-m*A(i,k);
end
end
end

29
30
31
32
33
34

%==== Proses Substitusi Mundur ====


x(4,1)=A(4,5)/A(4,4);
x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);

9.4.4.2

Optimasi source code bagian substitusi-mundur

OK, sekarang kita beralih ke bagian substitusi-mundur. Saya mulai dengan memodikasi bagian
tersebut menjadi seperti ini
%==== Proses Substitusi Mundur ====
x(4,1)=A(4,5)/A(4,4);
S = 0;
S = S + A(3,4)*x(4,1);

188

BAB 9. METODE ELIMINASI GAUSS

x(3,1)=(A(3,5)-S)/A(3,3);
S = 0;
S = S + A(2,3)*x(3,1);
S = S + A(2,4)*x(4,1);
x(2,1)=(A(2,5)-S)/A(2,2);
S = 0;
S = S + A(1,2)*x(2,1);
S = S + A(1,3)*x(3,1);
S = S + A(1,4)*x(4,1);
x(1,1)=(A(1,5)-S)/A(1,1);

Dari situ, saya modikasi kembali menjadi seperti ini


%==== Proses Substitusi Mundur ====
x(4,1)=A(4,5)/A(4,4);
S = 0;
for k = 4:4
S = S + A(3,k)*x(k,1);
end
x(3,1)=(A(3,5)-S)/A(3,3);
S = 0;
for k = 3:4
S = S + A(2,k)*x(k,1);
end
x(2,1)=(A(2,5)-S)/A(2,2);
S = 0;
for k = 2:4
S = S + A(1,k)*x(k,1);
end
x(1,1)=(A(1,5)-S)/A(1,1);

Lalu saya munculkan indeks i, coba perhatikan dengan teliti


%==== Proses Substitusi Mundur ====
x(4,1)=A(4,5)/A(4,4);
i = 3;
S = 0;
for k = i+1:4
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,5)-S)/A(i,i);
i = 2;
S = 0;
for k = i+1:4
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,5)-S)/A(i,i);
i = 1;
S = 0;

9.4. MATRIK DAN ELIMINASI GAUSS


for k = i+1:4
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(1,5)-S)/A(i,i);

dengan demikian saya bisa ringkas menjadi seperti ini


%==== Proses Substitusi Mundur ====
x(4,1)=A(4,5)/A(4,4);
for i = 3:-1:1
S = 0;
for k = i+1:4
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,5)-S)/A(i,i);
end

Dan inilah hasil optimasi sampai tahapan yang terakhir


1
2

clear all
clc

3
4
5
6
7
8

%---- inisialisasi matrik A ---A = [1 1 0 3


2 1 -1 1
3 -1 -1 2
-1 2 3 -1];

9
10
11

%---- inisialisasi vektor b ---b = [4 ; 1 ; -3 ; 4];

12
13
14
15
16
17
18

%---- membentuk matrik augmentasi ---dim = size(A);


n = dim(1);
for i = 1:n
A(i,n+1) = b(i);
end

19
20
21
22
23
24
25
26
27
28

%==== Proses Triangularisasi ====


for i = 1:3
for j = i+1:4
m=A(j,i)/A(i,i);
for k = 1:5
A(j,k) = A(j,k)-m*A(i,k);
end
end
end

29
30
31

%==== Proses Substitusi Mundur ====


x(4,1)=A(4,5)/A(4,4);

32
33
34
35
36
37

for i = 3:-1:1
S = 0;
for k = i+1:4
S = S + A(i,k)*x(k,1);
end

189

BAB 9. METODE ELIMINASI GAUSS

190
x(i,1)=(A(i,5)-S)/A(i,i);

38
39

end

9.4.5

Pentingnya nilai n

Pada baris ke-15, nilai n adalah nilai ukuran matrik A yang berbentuk bujursangkar. Dalam
contoh ini, n bernilai 4. Dengan menggunakan angka 4 (atau n) sebagai acuan, maka source
code hasil optimasi terakhir dimodikasi kembali menjadi seperti ini

1
2

clear all
clc

3
4
5
6
7
8

%---- inisialisasi matrik A ---A = [1 1 0 3


2 1 -1 1
3 -1 -1 2
-1 2 3 -1];

9
10
11

%---- inisialisasi vektor b ---b = [4 ; 1 ; -3 ; 4];

12
13
14
15
16
17
18

%---- membentuk matrik augmentasi ---dim = size(A);


n = dim(1);
for i = 1:n
A(i,n+1) = b(i);
end

19
20
21
22
23
24
25
26
27
28

%==== Proses Triangularisasi ====


for i = 1:n-1
for j = i+1:n
m=A(j,i)/A(i,i);
for k = 1:n+1
A(j,k) = A(j,k)-m*A(i,k);
end
end
end

29
30
31

%==== Proses Substitusi Mundur ====


x(n,1)=A(n,n+1)/A(n,n);

32
33
34
35
36
37
38
39

for i = n-1:-1:1
S = 0;
for k = i+1:n
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end

Sekarang, source code di atas akan bisa memproses matrik bujursangkar yang ukurannya sembarang; tidak hanya 4x4. Demikianlah akhir dari proses optimasi yang cukup melelahkan.

9.4. MATRIK DAN ELIMINASI GAUSS


9.4.6

191

Jangan puas dulu..

Walaupun memiliki jumlah baris statemen yang lebih sedikit, source-code ini masih mengandung
bug yang bisa berakibat fatal. Sekarang coba anda ganti angka-angka pada bagian inisialisasi
matrik menjadi angka-angka baru yang disesuaikan dengan sistem persamaan linear berikut ini

P1
P2
P3
P4

:
:
:
:

x1
2x1
x1
x1

x2
2x2
x2
x2

+
+
+
+

2x3
3x3
x3
4x3

x4
3x4

3x4

=
=
=
=

-8
-20
-2
4

Saya jamin source code yang tadi akan berhenti sebelum tugasnya selesai. Artinya ia gagal
menjalankan tugas mencari solusi sistem persamaan linear. Mengapa bisa begitu?
9.4.7

Pivoting

Pada baris ke-23, yang merupakan bagian dari proses triangularisasi dalam source code di atas,
terdapat
m=A[j,i]/A[i,i]
elemen A[i, i] tentunya tidak boleh bernilai nol. Jika itu terjadi, maka proses triangularisasi
otomatis akan berhenti dan itu sekaligus menggagalkan metode eliminasi Gauss. Dilihat dari
indeks-nya yang kembar yaitu [i, i], maka tidak diragukan lagi bahwa ia pasti menempati posisi
di elemen diagonal dari matrik A. Nama lain elemen ini adalah elemen pivot. Jadi apa yang
harus dilakukan jika secara tidak disengaja didalam aliran proses terdapat elemen pivot yang
bernilai nol?
Salah satu cara untuk mengatasinya adalah dengan menukar seluruh elemen yang sebaris
dengan elemen diagonal bernilai nol. Ia harus ditukar posisinya dengan baris yang ada dibawahnya, sampai elemen diagonal matrik menjadi tidak nol, aii 6= 0. Cara ini disebut pivoting.

Penambahan proses pivoting kedalam source code eliminasi Gauss dimulai dari baris ke-23 sampai baris ke-30 berikut ini
1
2

clear all
clc

3
4
5
6
7
8

%---- inisialisasi matrik A ---A = [1 -1 2 -1


2 -2 3 -3
1 1 1 0
1 -1 4 3];

9
10
11

%---- inisialisasi vektor b ---b = [-8 ; -20 ; -2 ; 4];

12
13
14
15

%---- membentuk matrik augmentasi ---dim = size(A);


n = dim(1);

192
16
17
18

BAB 9. METODE ELIMINASI GAUSS

for i = 1:n
A(i,n+1) = b(i);
end

19
20
21
22
23
24
25
26
27
28
29
30
31

%==== Proses Triangularisasi ====


for i = 1:n-1
%---- awal proses pivoting ----if A(i,i) == 0
for s = 1:n+1
v = A(i,s);
u = A(i+1,s);
A(i,s) = u;
A(i+1,s) = v;
end
end
%---- akhir proses pivoting -----

32

for j = i+1:n
m=A(j,i)/A(i,i);
for k = 1:n+1
A(j,k) = A(j,k)-m*A(i,k);
end
end

33
34
35
36
37
38
39

end

40
41
42

%==== Proses Substitusi Mundur ====


x(n,1)=A(n,n+1)/A(n,n);

43
44
45
46
47
48
49
50

for i = n-1:-1:1
S = 0;
for k = i+1:n
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end

9.5 Function Eliminasi Gauss


Pendenisian function eliminasi gauss, yang akan diberi nama elgauss merupakan langkah paling
akhir dari proses optimasi source code ini. Berdasarkan source code di atas, function eliminasi
gauss bisa dimulai dari baris ke-13 hingga baris ke-50. Berikut ini adalah cara pendenisiannya
1

function x=elgauss(A,b)

2
3
4
5
6
7
8

%---- membentuk matrik augmentasi ---dim = size(A);


n = dim(1);
for i = 1:n
A(i,n+1) = b(i);
end

9
10
11
12
13
14

%==== Proses Triangularisasi ====


for i = 1:n-1
%---- awal proses pivoting ----if A(i,i) == 0
for s = 1:n+1

9.5. FUNCTION ELIMINASI GAUSS

193

v = A(i,s);
u = A(i+1,s);
A(i,s) = u;
A(i+1,s) = v;

15
16
17
18

end
end
%---- akhir proses pivoting -----

19
20
21
22

for j = i+1:n
m=A(j,i)/A(i,i);
for k = 1:n+1
A(j,k) = A(j,k)-m*A(i,k);
end
end

23
24
25
26
27
28
29

end

30
31
32

%==== Proses Substitusi Mundur ====


x(n,1)=A(n,n+1)/A(n,n);

33
34
35
36
37
38
39
40

for i = n-1:-1:1
S = 0;
for k = i+1:n
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end

Dengan adanya function elgauss, maka source-code untuk menyelesaikan sistem persamaan linear
dengan metode eliminasi gauss dapat ditulis secara sangat sederhana. Berikut ini contohnya..
1
2

clear all
clc

3
4
5
6
7
8

%---- inisialisasi matrik A ---A = [1 -1 2 -1


2 -2 3 -3
1 1 1 0
1 -1 4 3];

9
10
11

%---- inisialisasi vektor b ---b = [-8 ; -20 ; -2 ; 4];

12
13

x=elgauss(A,b)

BAB 9. METODE ELIMINASI GAUSS

194

9.6 Contoh aplikasi


9.6.1

Menghitung arus listrik

Gunakan metode Eliminasi Gauss untuk menentukan arus i1 , i2 dan i3 yang mengalir pada
rangkaian berikut ini

jawab:
Berdasarkan Hukum Kirchhoff:
I1 + I2 = I3
14 + 6I1 10 4I2 = 0
10 6I1 2I3 = 0
Lalu kita susun ulang ketiga persamaan di atas menjadi seperti ini:
I1 + I2 I3 = 0
6I1 4I2 = 24
6I1 + 2I3 = 10
Kemudian dinyatakan dalam bentuk matriks:

I1


0 I2 = 24
2
10
I3

6 4
6 0

Selanjutkan kita susun matriks augmentasi sebagai berikut:

6 4
6 0

1
0

24
10

9.6. CONTOH APLIKASI

195

Langkah berikutnya adalah menghitung matriks triangularisasi dengan langkah-langkah sebagai


berikut:
6
a21
= 6
=
a11
1
= 6 (6).(1) = 0

m=
a21 = a21 m.a11

a22 = a22 m.a12 = 4 (6).(1) = 10


a23 = a23 m.a13 = 0 (6).(1) = 6
a24 = a24 m.a14 = 24 (6).(0) = 24
a31
6
=
= 6
a11
1
= 6 (6).(1) = 0

m=
a31 = a31 m.a11

a32 = a32 m.a12 = 0 (6).(1) = 6


a33 = a33 m.a13 = 2 (6).(1) = 8
a34 = a34 m.a14 = 10 (6).(0) = 10
Sampai disini matriks augment mengalami perubahan menjadi

0 10
0 6

1
6
8

24
10

Kelanjutan langkah menuju triangularisasi adalah


m=

a32
a22

6
).(0)
10
6
a32 = a32 m.a22 = 6 (
).(10)
10
6
).(6)
a33 = a33 m.a23 = 8 (
10
6
).(24)
a34 = a34 m.a24 = 10 (
10
a31 = a31 m.a21 = 0 (

maka matriks triangularisasi berhasil didapat yaitu

24
0 10 6
0
0
4, 4 4, 4

6
10

= 0
= 0
= 4, 4
= 4, 4

BAB 9. METODE ELIMINASI GAUSS

196
Sekarang tinggal melakukan proses substitusi mundur
a34
a33
a24 a23 .I3
I2 =
a22
a14 (a13 .I3 + a12 .I2 )
I1 =
a11
I3 =

=
=
=

4, 4
= 1
4, 4
24 (6).(1)
= 3
10
(0 [(1).(1) + (1).(3)]
=2
1

Jadi besar masing-masing arus pada rangkaian di atas adalah I1 = 2A, I2 = 3A dan I3 = 1A.

Tanda minus (-) memiliki arti bahwa arah arus yang sesungguhnya berlawanan arah dengan
asumsi awal yang kita gunakan. Keseluruhan tahapan perhitungan di atas cukup diselesaikan
oleh source-code berikut ini

1
2

clear all
clc

3
4
5
6
7

%---- inisialisasi matrik A ---A = [1 1 -1


6 -4 0
6 0 2];

8
9
10

%---- inisialisasi vektor b ---b = [0 ; 24 ; 10];

11
12

I=elgauss(A,b)

Isi matrik A diturunkan dari sistem persamaan linear yang mengacu kepada Hukum Kirchhoff
sebagai berikut
I1 + I2 I3 = 0
6I1 4I2 = 24
6I1 + 2I3 = 10
yang kemudian dinyatakan dalam bentuk matrik A dan vektor b:

6 4
6 0
9.6.2

I1


0 I2 = 24
2
10
I3

Mencari invers matrik

Dalam kaitannya dengan invers matrik, matrik A disebut matrik non-singular jika matrik A
memiliki matrik invers dirinya yaitu A1 . Atau dengan kata lain, matrik A1 adalah invers dari
matrik A. Jika matrik A tidak memiliki invers, maka matrik A disebut singular. Bila matrik A
dikalikan dengan matrik A1 maka akan menghasilkan matrik identitas I, yaitu suatu matrik

9.6. CONTOH APLIKASI

197

yang elemen-elemen diagonalnya bernilai 1.

AA

=I=

1 0 ... 0

0 1 ... 0
.. .. . . ..

. .
. .
0 0 ... 1

(9.4)

Misalnya diketahui,

A=

1 2 1

A1 =

0 ,
2

2 1
1 1

5
9
91
1
3

29

4
9
31

19
2
9
1
3

Bila keduanya dikalikan, maka akan menghasilkan matrik identitas,

AA1 =

1 2 1

92

0 94
31
2

2 1

1 1

5
9
19
1
3

91

2
9
1
3

1 0 0

= 0 1 0
0 0 1

Lalu bagaimana cara memperoleh matrik invers, A1 ? Itulah bahan diskusi kita kali ini. Baiklah.., anggap saja kita tidak tahu isi dari A1 . Tapi yang jelas matrik A1 ukurannya mesti
sama dengan matrik A, yaitu 3x3.
AA1 = I

1 2 1

i11 i12 i13

1 0 0


0 i21 i22 i23 = 0 1 0
0 0 1
2
i31 i32 i33

2 1
1 1

(9.5)

dalam hal ini matrik A1 adalah

i11 i12 i13

A1 = i21 i22 i23


i31 i32 i33
Elemen-elemen matrik invers, A1 dapat diperoleh dengan menerapkan metode eliminasi gauss
pada persamaan 9.5 yang telah dipecah 3 menjadi

1 2 1

2 1
1 1

i11


0 i21 = 0
2
i31
0

BAB 9. METODE ELIMINASI GAUSS

198

1 2 1

2 1
1 1

1 1

i21

i31


0 i22 = 1
2
0
i23

1 2 1

2 1


0 i32 = 0
1
2
i32

Ketiganya dapat diselesaikan satu persatu menggunakan source code Eliminasi Gauss. Source
code untuk mendapatkan kolom pertama dari matrik invers adalah
1
2

clear all
clc

3
4
5
6
7

%---- inisialisasi matrik A ---A = [1 2 -1


2 1 0
-1 1 2];

8
9
10
11
12
13

%---- inisialisasi vektor b ---for j = 1:3


b(j,1) = 0;
end
b(1,1) = 1;

14
15

I=elgauss(A,b)

Sementara, source code untuk mendapatkan kolom kedua dari matrik invers adalah
1
2

clear all
clc

3
4
5
6
7

%---- inisialisasi matrik A ---A = [1 2 -1


2 1 0
-1 1 2];

8
9
10
11
12
13

%---- inisialisasi vektor b ---for j = 1:3


b(j,1) = 0;
end
b(2,1) = 1;

14
15

I=elgauss(A,b)

Dan untuk memperoleh kolom ketiga matrik invers, caranya adalah


1
2

clear all
clc

3
4
5

%---- inisialisasi matrik A ---A = [1 2 -1

9.6. CONTOH APLIKASI


6
7

199

2 1 0
-1 1 2];

8
9
10
11
12
13

%---- inisialisasi vektor b ---for j = 1:3


b(j,1) = 0;
end
b(3,1) = 1;

14
15

I=elgauss(A,b)

Memang pada prinsipnya, dengan menjalankan tiga source-code di atas, akan diperoleh matrik invers. Namun cara seperti ini tentunya kurang efektif. Mungkinkah ketiganya digabung
menjadi satu? Jelas bisa!
1
2

clear all
clc

3
4
5
6
7

%---- inisialisasi matrik A ---A = [1 2 -1


2 1 0
-1 1 2];

8
9
10
11
12
13
14
15
16
17
18

%---- inisialisasi vektor b ---for j = 1:3


b(j,1) = 0;
end
b(1,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,1) = I(k,1);
end

19
20
21
22
23
24
25
26
27

for j = 1:3
b(j,1) = 0;
end
b(2,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,2) = I(k,1);
end

28
29
30
31
32
33
34
35
36

for j = 1:3
b(j,1) = 0;
end
b(3,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,3) = I(k,1);
end

Jika kita munculkan indeks i seperti ini


1
2

clear all
clc

200
3
4
5
6
7

%---- inisialisasi matrik A ---A = [1 2 -1


2 1 0
-1 1 2];

8
9
10
11
12
13
14
15
16
17
18
19

%---- inisialisasi vektor b ---i = 1;


for j = 1:3
b(j,1) = 0;
end
b(i,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,i) = I(k,1);
end

20
21
22
23
24
25
26
27
28
29

i = 2;
for j = 1:3
b(j,1) = 0;
end
b(i,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,i) = I(k,1);
end

30
31
32
33
34
35
36
37
38
39

i = 3;
for j = 1:3
b(j,1) = 0;
end
b(i,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,i) = I(k,1);
end

maka source code tersebut dapat dioptimasi menjadi


1
2

clear all
clc

3
4
5
6
7

%---- inisialisasi matrik A ---A = [1 2 -1


2 1 0
-1 1 2];

8
9
10
11
12
13
14
15
16
17
18

%---- menghitung matrik invers ---for i = 1:3


for j = 1:3
b(j,1) = 0;
end
b(i,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,i) = I(k,1);

BAB 9. METODE ELIMINASI GAUSS

9.6. CONTOH APLIKASI


end

19
20

201

end

Diperlukan sedikit lagi modikasi agar source code tersebut dapat berlaku umum
1
2

clear all
clc

3
4
5
6
7

%---- inisialisasi matrik A ---A = [1 2 -1


2 1 0
-1 1 2];

8
9
10
11
12
13
14
15
16
17
18
19
20
21

%---- menghitung matrik invers ---dim = size(A);


n = dim(1);
for i = 1:n
for j = 1:n
b(j,1) = 0;
end
b(i,1) = 1;
I=elgauss(A,b);
for k = 1:n
AI(k,i) = I(k,1);
end
end

9.6.2.1

function invers matrik

Berdasarkan source code yang sudah teroptimasi di atas, kita bisa membuat function untuk
menghitung matrik invers.
1
2
3
4
5
6
7
8
9
10
11
12
13
14

%---- menghitung matrik invers ---function AI = Ainv(A)


dim = size(A);
n = dim(1);
for i = 1:n
for j = 1:n
b(j,1) = 0;
end
b(i,1) = 1;
I=elgauss(A,b);
for k = 1:n
AI(k,i) = I(k,1);
end
end

Dengan demikian, untuk mendapatkan matrik invers, cara termudahnya adalah


1
2

clear all
clc

3
4
5
6

%---- inisialisasi matrik A ---A = [1 2 -1


2 1 0

BAB 9. METODE ELIMINASI GAUSS

202
7

-1 1 2];

8
9
10

%---- menghitung matrik invers ---AI = Ainv(A);

Keberadaan matrik A1 bisa digunakan untuk menyelesaikan sistem persamaan linear (men-

cari nilai x ), dengan cara sebagai berikut


Ax = b
A1 Ax = A1 b
Ix = A1 b
x = A1 b

(9.6)

Contoh berikut ini akan menjelaskan prosesnya secara lebih rinci. Misalnya diketahui sistem
persamaan linear
x1 + 2x2 x3 = 2
2x1 + x2 = 3
x1 + x2 + 2x3 = 4
Bila dikonversikan kedalam operasi matrik menjadi

1 2 1

2 1
1 1

x1


0 x2 = 3
2
x3
4

Berdasarkan persamaan (9.6), maka elemen-elemen vektor x dapat dicari dengan cara
x = A1 b

x=

92

4
9
31

5
9
19
1
3

91

2
9
1
3


3 =
4

7
9
13
9
5
3

Akhirnya diperoleh solusi x1 = 7/9, x2 = 13/9, dan x3 = 5/3. Penyelesaian sistem persamaan
linear menjadi lebih mudah bila matrik A1 sudah diketahui. Sayangnya, untuk mendapatkan matrik A1 , diperlukan langkah-langkah, seperti yang sudah dibahas pada contoh pertama
di atas, yang berakibat in-esiensi proses penyelesaian (secara komputasi) bila dibandingkan
dengan metode eliminasi gauss untuk memecahkan sistem persamaan linear. Namun bagaimanapun, secara konseptual kita dianjurkan mengetahui cara bagaimana mendapatkan matrik
A1 .

9.7. PENUTUP

203

9.7 Penutup
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email yang tercantum di halaman
paling depan.

204

BAB 9. METODE ELIMINASI GAUSS

Bab 10

Aplikasi Eliminasi Gauss pada Masalah


Inversi

Objektif :
Mengenalkan model garis.
Mengenalkan model parabola.
Mengenalkan model bidang.

Pada bab ini, saya mencoba menuliskan aplikasi Metode Eliminasi Gauss sebagai dasar-dasar
teknik inversi yaitu meliputi model garis, model parabola dan model bidang. Uraian aplikasi
tersebut diawali dari ketersediaan data observasi, lalu sejumlah parameter model mesti dicari
dengan teknik inversi. Mari kita mulai dari model garis.

10.1 Inversi Model Garis


Pengukuran suhu terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin
dalam, suhu semakin tinggi. Misalnya telah dilakukan sebanyak empat kali (N = 4) pengukuran suhu (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel pengukuran secara sederhana
disajikan seperti ini:
Tabel 10.1: Data suhu bawah permukaan tanah terhadap kedalaman
Pengukuran ke-i Kedalaman (m) suhu (O C)
1
z1 = 5
T1 = 35
2
z2 = 16
T2 = 57
3
z3 = 25
T3 = 75
4
z4 = 100
T4 = 225
Grak sebaran data observasi ditampilkan pada Gambar (10.2). Lalu kita berasumsi bahwa
variasi suhu terhadap kedalaman ditentukan oleh rumus berikut ini:
m1 + m2 zi = Ti
205

(10.1)

BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

206

Variasi temperatur terhadap kedalaman


250

Temperatur (Celcius)

200

150

100

50

10

20

30

40
50
60
Kedalaman (meter)

70

80

90

100

Gambar 10.1: Sebaran data observasi antara suhu dan kedalaman


dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut model
matematika. Sedangkan m1 dan m2 disebut parameter model. Pada model matematika di atas
terdapat dua buah parameter model, (M = 2). Sementara jumlah data observasi ada empat,
(N = 4), yaitu nilai-nilai kedalaman, zi , dan suhu, Ti . Berdasarkan model tersebut, kita bisa
menyatakan suhu dan kedalaman masing-masing sebagai berikut:
m1 + m2 z1 = T1
m1 + m2 z2 = T2
m1 + m2 z3 = T3
m1 + m2 z4 = T4
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

1 z1

1 z2

1 z
3

1 z4

T1

#
"
m1
T2

=
m
T
2

3
T4

(10.2)

Lalu ditulis secara singkat


Gm = d

(10.3)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-

10.1. INVERSI MODEL GARIS

207

patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
GT Gm = GT d

(10.4)

dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu Gt

1 z1

1 z2
G=
1 z
3

1 z4

Gt =

"

z1 z2 z3 z4

2. Tentukan GT G

Gt G =

"

z1 z2 z3

1 z1

#
1 z2

z4
1 z3
1 z4
1

P #
"

N
zi
= P
P 2

zi
zi

dimana N = 4 dan i = 1, 2, 3, 4.
3. Kemudian tentukan pula GT d

Gt d =

"

z1 z2 z3

T1

#
#
" P
T2
T
i

= P

z4
zi Ti
T3
T4
1

4. Sekarang persamaan (10.4) dapat dinyatakan sebagai


"

# " P
#
P #"
m1
N
zi
Ti
= P
P
P 2
m2
zi
zi
zi Ti

(10.5)

5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
"

#
P
P
N
zi |
Ti
P
P 2
P
zi
zi |
zi Ti

6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
"

146

392

146 10906 | 25462

BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

208

7. Lakukan proses triangularisasi dengan operasi (P2 (36, 5)P1 ) P2 . Saya sertakan pula
indeks masing-masing elemen pada matrik augment sebagaimana yang telah saya lakukan
pada catatan kuliah yang berjudul Metode Eliminasi Gauss. Hasilnya adalah
"

146

392

0 5577 | 11154

"

a11 a12 | a13

a21 a22 | a23

8. Terakhir, tentukan konstanta m1 dan m2 yang merupakan elemen-elemen vektor kolom


m, dengan proses substitusi mundur. Pertama tentukan m2
m2 =
lalu tentukan m1
m1 =
10.1.1

a23
11154
=
=2
a22
5577

392 (146)(2)
a13 a12 m2
=
= 25
a11
4

Script matlab inversi model garis

Script inversi model garis ini dibangun dari beberapa script yang sudah kita pelajari sebelumnya,
yaitu script transpose matriks, perkalian matrik dan script eliminasi gauss. Silakan pelajari
maksud tiap-tiap baris pada script ini.

1
2
3

clc
clear all
close all

4
5
6
7
8

%
N
z
T

---- data observasi ---= 4;


% jumlah data
= [ 5 ; 16 ; 25 ; 100 ];
= [ 35 ; 57 ; 75 ; 225 ];

9
10
11
12
13
14
15

% ---- menentukan matrik kernel, G ---for i = 1:N


G(i,1) = 1;
G(i,2) = z(i,1);
end

16
17
18

% ---- menentukan vektor d ---d=T;

19
20
21
22
23

%
A
b
m

---- proses inversi ---= G*G;


= G*d;
= elgauss(A,b);

24
25
26
27
28
29
30

%-------MENGGAMBAR GRAFIK---------------------plot(z,T,ro);
xlabel(Kedalaman (meter));ylabel(Suhu (derajat Celcius));
title(Data variasi suhu terhadap kedalaman)
hold on;
for i=1:max(z)

10.2. INVERSI MODEL PARABOLA

32
33
34
35

zi(i)=i;
Ti(i)=m(1)+m(2)*zi(i);
end
plot(zi,Ti);
hold off;

Data variasi suhu terhadap kedalaman


250

200

Suhu (derajat Celcius)

31

209

150

100

50

10

20

30

40
50
60
Kedalaman (meter)

70

80

90

100

Gambar 10.2: Kurva hasil inversi data observasi antara suhu dan kedalaman
Demikianlah contoh aplikasi metode Eliminasi Gauss pada model garis. Anda bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki bentuk model
yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model persamaan garis atau
disingkat model garis: y = m1 + m2x. Selanjutnya mari kita pelajari inversi model parabola.

10.2 Inversi Model Parabola


Pengukuran suhu terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin
dalam, suhu semakin tinggi. Misalnya telah dilakukan sebanyak delapan kali (N = 8) pengukuran suhu (Ti ) pada kedalaman yang berbeda beda (zi ). Tabel 10.2 menyajikan data observasi
pada kasus ini.
Lalu kita berasumsi bahwa variasi suhu terhadap kedalaman ditentukan oleh rumus berikut
ini:
m1 + m2 zi + m3 zi2 = Ti

(10.6)

dimana m1 , m2 dan m3 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut
model. Sedangkan m1 , m2 dan m3 disebut model parameter. Jadi pada model di atas terdapat
tiga buah model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai

BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

210

Tabel 10.2: Data suhu bawah permukaan tanah terhadap kedalaman


Pengukuran ke-i Kedalaman (m) suhu (O C)
1
z1 = 5
T1 = 21, 75
2
z2 = 8
T2 = 22, 68
3
z3 = 14
T3 = 25, 62
4
z4 = 21
T4 = 30, 87
5
z5 = 30
T5 = 40, 5
6
z6 = 36
T6 = 48, 72
7
z7 = 45
T7 = 63, 75
8
z8 = 60
T8 = 96

suhu T1 , T2 ,..., dan T8 . Berdasarkan model tersebut, kita bisa menyatakan suhu dan kedalaman
masing-masing sebagai berikut:
m1 + m2 z1 + m3 z12 = T1
m1 + m2 z2 + m3 z22 = T2
m1 + m2 z3 + m3 z32 = T3
m1 + m2 z4 + m3 z42 = T4
m1 + m2 z5 + m3 z52 = T5
m1 + m2 z6 + m3 z62 = T6
m1 + m2 z7 + m3 z72 = T7
m1 + m2 z8 + m3 z82 = T8
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

1 z1 z12

T1

T2
1 z2 z22


1 z3 z32

T3

m1

T4
1 z4 z42

m2 =

1 z5 z52

T5

m
3
T6
1 z6 z62

T
1 z7 z72
7

T8
1 z8 z82

(10.7)

Lalu ditulis secara singkat


Gm = d

(10.8)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara mendapatkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d

(10.9)

10.2. INVERSI MODEL PARABOLA

211

dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu Gt

G=

1 z1 z12

1 z2 z22

1 z3 z32

2
1 z4 z4

1 z5 z52

2
1 z6 z6

1 z7 z72

2
1 z8 z8

Gt = z1

z2 z3

z4

z5

z6 z7

z12 z22 z32 z42 z52 z62 z72

z8
z82

2. Tentukan Gt G

1 1 1 1 1 1 1

G G = z1 z2 z3 z4 z5 z6 z7
z12 z22 z32 z42 z52 z62 z72
t

z8

z82

1 z1 z12

1 z2 z22

P
P 2
1 z3 z32

N
z
z

i
P
P 2 P i3
1 z4 z42
=
z
zi
z

P 2 P i3 P i4
1 z5 z52

zi
zi
zi
1 z6 z62

1 z7 z72

1 z8 z82

dimana N = 8 dan i = 1, 2, 3, ..., 8.


3. Kemudian tentukan pula Gt d

1 1 1 1 1 1 1

G d = z1 z2 z3 z4 z5 z6 z7
z12 z22 z32 z42 z52 z62 z72
t

z8

z82

T1

T2

T3
P
Ti

T4
P

=
zi Ti

T5
P 2

zi Ti
T6

T7

T8

4. Sekarang persamaan (10.14) dapat dinyatakan sebagai (ini khan least square juga...!?)
P

P
P 2
N
zi
zi
m1
Ti
P 2 P 3
P
P

zi m2 =
zi
zi
zi Ti

P 2 P 3 P 4
P 2
zi
zi
zi
m3
zi Ti

(10.10)

BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

212

5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya

P
P 2
P
N
zi
zi |
Ti
P
P 2 P 3

P
zi
zi |
zi Ti
zi

P 2
P 2 P 3 P 4
zi |
zi Ti
zi
zi

6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.

219

8547

349, 89

8547
393423 | 12894, 81
219
8547 393423 19787859 | 594915, 33
7. Lakukan proses triangularisasi dengan operasi (P2 (219/8)P1 ) P2 . Hasilnya adalah

219

0
8547

8547

349, 89

2551, 88 159448, 88 |
393423

3316, 57
| 594915, 33

19787859

8. Masih dalam proses triangularisai, operasi berikutnya (P3 (8547/8)P1 ) P3 . Hasilnya


adalah

219

8547

349, 89

159448, 88 | 3316, 57
0 2551, 88
0 159448.88 10656457, 88 | 221101, 6
9. Masih dalam proses triangularisai, operasi berikutnya (P3 (159448, 88/2551, 88)P2 ) P3 .
Hasilnya adalah

219

8547

349, 89

(10.11)

0 2551, 88 159448, 88 | 3316, 57


0
0
693609, 48 | 13872, 19

Seperti catatan yang lalu, saya ingin menyertakan pula notasi masing-masing elemen pada
matrik augment sebelum melakukan proses substitusi mundur.

219

8547

349, 89

a11 a12 a13 | a14

0 2551, 88 159448, 88 | 3316, 57 a21 a22 a23 | a24


0
0
693609, 48 | 13872, 19
a31 a32 a33 | a34
10. Terakhir, tentukan konstanta m1 , m2 dan m3 yang merupakan elemen-elemen vektor ko-

10.2. INVERSI MODEL PARABOLA

213

lom m, dengan proses substitusi mundur. Pertama tentukan m3


m3 =
lalu m2
m2 =

13872, 19
a34
=
= 0, 02
a33
693609, 48

a24 a23 m3
3316, 57 (159448, 88)(0, 02)
=
= 0, 05
a22
2551, 88

dan m1
m1 =

10.2.1

349, 89 [(219)(0, 05) + (8547)(0, 02)


a14 (a12 m2 + a13 m3 )
= 21
=
a11
8

Script matlab inversi model parabola

Perbedaan utama script ini dengan script inversi model garis terletak pada inisialisasi elemenelemen matrik kernel. Elemen-elemen matrik kernel sangat ditentukan oleh model matematika
yang digunakan. Seperti pada script ini, matrik kernelnya diperoleh dari model parabola.

1
2
3

clc
clear all
close all

4
5
6
7
8

%
N
z
T

---- data observasi ---= 8;


% Jumlah data
= [5; 8; 14; 21; 30; 36; 45; 60];
= [21.75; 22.68; 25.62; 30.87; 40.5; 48.72; 63.75; 96];

9
10
11
12
13
14
15

% ---- menentukan matrik kernel, G ---for i = 1:N


G(i,1) = 1;
G(i,2) = z(i,1);
G(i,3) = z(i,1)^2;
end

16
17
18

% ---- menentukan vektor d ---d=T;

19
20
21
22
23

%
A
b
m

---- proses inversi ---= G*G;


= G*d;
= elgauss(A,b);

24
25
26
27
28
29
30
31
32
33
34
35

%-------MENGGAMBAR GRAFIK---------------------plot(z,T,ro);
xlabel(Kedalaman (meter));ylabel(Suhu (derajat Celcius));
title(Data variasi suhu terhadap kedalaman);
hold on;
for i=1:max(z)
zi(i)=i;
Ti(i)=m(1)+m(2)*zi(i)+m(3)*zi(i)^2;
end
plot(zi,Ti);
hold off;

BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

214

Data variasi suhu terhadap kedalaman


100

90

Suhu (derajat Celcius)

80

70

60

50

40

30

20

10

20

30
Kedalaman (meter)

40

50

60

Gambar 10.3: Kurva hasil inversi data observasi antara suhu dan kedalaman

Demikianlah contoh aplikasi metode Eliminasi Gauss pada model parabola. Anda bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki bentuk model
yang sama dengan yang telah dikerjakan pada catatan ini, yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan parabola: y = m1 + m2 x + m3 x2 . Pada
catatan berikutnya, saya akan membahas model yang mengandung tiga model parameter dalam
2 dimensi.

10.3 Inversi Model Bidang

Dalam catatan ini saya belum sempat mencari contoh pengukuran yang sesuai untuk model
2-dimensi. Maka, saya ingin langsung saja mengajukan sebuah model untuk 2-dimensi berikut
ini:
m1 + m2 xi + m3 yi = di

(10.12)

dimana m1 , m2 dan m3 merupakan model parameter yang akan dicari. Adapun yang berlaku
sebagai data adalah d1 , d2 , d3 , ..., di . Berdasarkan model tersebut, kita bisa menyatakan suhu

10.3. INVERSI MODEL BIDANG

215

dan kedalaman masing-masing sebagai berikut:


m1 + m2 x1 + m3 y1 = d1
m1 + m2 x2 + m3 y2 = d2
m1 + m2 x3 + m3 y3 = d3
..
..
..
..
..
.
.
.
.
.
m1 + m2 xN + m3 yN = dN
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

x1

y1

x2

1
..
.

x3
..
.


d2
y2
m
1

y3
m2 = d3
.
..
..
.
m3

yN
dN

1 xN

d1

Lalu ditulis secara singkat


Gm = d

(10.13)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara mendapatkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d

(10.14)

dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu Gt

G=

x1

y1

x2

1
..
.

x3
..
.

y2

y3

..
.

yN

1 xN

Gt = x1 x2 x3 xN
y1 y2 y3 yN

2. Tentukan Gt G

Gt G = x1 x2 x3 xN
y1

y2

y3 yN

x1

y1

x2

1
..
.

x3
..
.

P
P
y2
N
xi
yi

P 2 P
P

y3
=
xi
xi
xi y i

P
P
P
..
yi
xi y i
yi2
.
yN

1 xN

BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

216

dimana N = jumlah data. dan i = 1, 2, 3, ..., N .


3. Kemudian tentukan pula Gt d

Gt d = x1 x2 x3 xN
y1

y2

y3 yN

d1

d2
di

d3
=
xi di
P
..
yi di
.

dN

4. Sekarang, persamaan (10.14) dapat dinyatakan sebagai

P
P
N
xi
yi
di
m1
P 2 P
P
P

xi y i m 2 =
xi
xi di
xi

P
P
P
P 2
yi
xi y i
m3
yi di
yi

(10.15)

5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya

P
P
P
N
xi
yi |
di
P
P 2 P

P
xi y i |
xi di
xi
xi

P
P
P 2
P
yi
xi y i
yi |
yi di

6. Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model linear
dan model parabola)
Anda bisa mengaplikasikan data pengukuran yang anda miliki, dengan syarat kasus yang
anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan
ini, yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan
bidang (atau 2-dimensi): d = m1 + m2 x + m3 y.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email: supri@f isika.ui.ac.id.

10.4 Contoh aplikasi


10.4.1

Menghitung gravitasi di planet X

Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera mengeluarkan kamera otomatis, lalu melakukan ekperimen kinematika yaitu dengan melempar batu
vertikal ke atas. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut
Plot data pengukuran waktu vs ketinggian diperlihatkan pada Gambar 10.4. Anda diminta untuk membantu proses pengolahan data sehingga diperoleh nilai konstanta gravitasi di planet
tersebut dan kecepatan awal batu. Jelas, ini adalah persoalan inversi, yaitu mencari unkown
parameter (konstanta gravitasi dan kecepatan awal batu) dari data observasi (hasil foto gerak
sebuah batu).

10.4. CONTOH APLIKASI

217

Tabel 10.3: Data ketinggian terhadap waktu dari planet X


Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m)
0,00
5,00
2,75
7,62
0,25
5,75
3,00
7,25
0,50
6,40
3,25
6,77
0,75
6,94
3,50
6,20
1,00
7,38
3,75
5,52
1,25
7,72
4,00
4,73
1,50
7,96
4,25
3,85
1,75
8,10
4,50
2,86
2,00
8,13
4,75
1,77
2,25
8,07
5,00
0,58
2,50
7,90

Langkah awal untuk memecahkan persoalan ini adalah dengan mengajukan asumsi model
matematika, yang digali dari konsep-konsep sika, yang kira-kira paling cocok dengan situasi
pengambilan data observasi. Salah satu konsep dari sika yang bisa diajukan adalah konsep
tentang Gerak-Lurus-Berubah-Beraturan (GLBB), yang formulasinya seperti ini
1
ho + vo t gt2 = h
2
Berdasarkan tabel data observasi, ketinggian pada saat t = 0 adalah 5 m. Itu artinya ho = 5 m.
Sehingga model matematika (formulasi GLBB) dapat dimodikasi sedikit menjadi
1
vo t gt2 = h ho
2

(10.16)

Selanjut, didenisikan m1 dan m2 sebagai berikut


m 1 = vo

1
m2 = g
2

(10.17)

sehingga persamaan model GLBB menjadi


m1 ti + m2 t2i = hi 5

(10.18)

dimana i menunjukkan data ke-i.


Langkah berikutnya adalah menentukan nilai tiap-tiap elemen matrik kernel, yaitu dengan
memasukan data observasi kedalam model matematika (persamaan (10.18))
m1 t1 + m2 t21 = h1 5

m1 t2 + m2 t22 = h2 5

m1 t3 + m2 t23 = h3 5
..
..
.
.
.
= ..

m1 t20 + m2 t220 = h20 5

BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

218
9

Tinggi (meter)

0.5

1.5

2.5
Waktu (detik)

3.5

4.5

Gambar 10.4: Grak data pengukuran gerak batu

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

t1
t2
t3
t4
..
.
t19
t20

t21

h1 5

h2 5
"
#

h3 5
m1

..
m

2
.
..

h19 5
t219

h20 5
t220
t22
t23
t24

Operasi matrik di atas memenuhi persamaan matrik


Gm = d
Seperti yang sudah dipelajari pada bab ini, penyelesaian masalah inversi dimulai dari proses
manipulasi persamaan matrik sehingga perkalian antara Gt dan G menghasilkan matriks bujursangkar
Gt Gm = Gt d
Selanjutnya, untuk mendapatkan m1 dan m2 , prosedur inversi dilakukan satu-per-satu

(10.19)

10.4. CONTOH APLIKASI

219

1. Menentukan transpos matrik kernel, yaitu Gt

t1 t21

t2 t22

t
2
3 t3

2
G=
t4 t4
..
..
.
.

t
2
19 t19
t20 t220

Gt =

"

t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220

2. Menentukan Gt G

GG=

"

t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220

t1

t21

t2

t22

t23
" P 2 P 3 #

ti
ti
2
t4
= P t3 P t4
..
i
i
.

t219

t220

t3
t4
..
.
t19
t20

dimana N = 20 dan i = 1, 2, ..., N .


3. Kemudian menentukan hasil perkalian Gt d

Gt d =

"

t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220

h1

h2

#
h3
" P

t
h
i
i
h4
= P t2 h
..
i i
.

h19

h20

4. Sekarang persamaan (10.19) dapat dinyatakan sebagai


" P
P

t2i
t3i

t3i
t4i

#"

m1
m2

" P

"

Berdasarkan data observasi, diperoleh


"

179, 4

689, 1

689, 1 2822, 9

#"

m1
m2

ti hi
t2i hi

273, 7
796, 3

(10.20)

Hasil inversinya adalah nilai kecepatan awal yaitu saat batu dilempar ke atas adalah sebesar
m1 = vo = 3,2009 m/dt. Adapun percepatan gravitasi diperoleh dari m2 dimana m2 = 12 g =

BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

220
9

Ketinggian (m)

0.5

1.5

2.5
Waktu (dt)

3.5

4.5

Gambar 10.5: Grak hasil inversi parabola


-0,8169; maka disimpulkan nilai g adalah sebesar 1,6338 m/dt2 .
Gambar 10.5 memperlihatkan kurva hasil inversi berserta sebaran titik data observasi. Garis
berwarna biru merupakan garis kurva fitting hasil inversi parabola. Sedangkan bulatan berwarna merah adalah data pengukuran ketinggian (m) terhadap waktu (dt). Jelas terlihat bahwa
garis kurva berwarna biru benar-benar cocok melewati semua titik data pengukuran. Ini menunjukkan tingkat akurasi yang sangat tinggi. Sehingga nilai kecepatan awal dan gravitasi hasil
inversi cukup valid untuk menjelaskan gerak batu di planet X.

Berikut adalah script inversi dalam Matlab untuk memecahkan masalah ini
1
2
3

clc
clear all
close all

4
5
6
7
8
9
10
11

% ---- data observasi ---N = 20;


% jumlah data
for i=1:N
t(i)=i*0.25;
end
h = [5.75;6.40;6.94;7.38;7.72;7.96;8.10;8.13;8.07;
7.90;7.62;7.25;6.77;6.20;5.52;4.73;3.85;2.86;1.77;0.58];

12
13
14
15
16
17

% ---- menentukan matrik kernel, G ---for i=1:N


G(i,1)=t(i);
G(i,2)=t(i)^2;
end

18
19
20

% ---- menentukan vektor d ---for i=1:N

10.4. CONTOH APLIKASI


d(i,1)=h(i)-5;

21
22

end

23
24
25
26
27

%
A
b
m

---- proses inversi ---= G*G;


= G*d;
= elgauss(A,b);

28
29
30
31
32
33
34
35
36
37
38

%-------MENGGAMBAR GRAFIK---------------------plot(t,h,ro);
xlabel(Waktu (detik));ylabel(ketinggian (meter));
title(Data variasi waktu terhadap ketinggian)
hold on;
for i=1:N
hi(i)=m(1)*t(i)+m(2)*t(i)^2+5;
end
plot(t,hi);
hold off;

221

222

BAB 10. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI

Bab 11

Metode LU Decomposition

Objektif :
Mengenalkan teknik faktorisasi matrik.
Mengenalkan aplikasi LU Decomposition pada sistem persamaan linear.
Merumuskan algoritma LU Decomposition.

11.1 Faktorisasi matrik


Pada semua catatan yang terdahulu, telah diulas secara panjang lebar bahwa sistem persamaan
linear dapat dicari solusinya secara langsung dengan metode eliminasi gauss. Namun perlu
juga diketahui bahwa eliminasi gauss bukan satu-satunya metode dalam mencari solusi sistem
persamaan linear, misalnya ada metode matrik inversi seperti yang dijelaskan pada catatan yang
paling terakhir. Terlepas dari masalah in-esiensi penyelesaiannya, yang jelas metode invers
matrik bisa digunakan untuk menyelesaikan sistem persamaan linear.
Nah, pada catatan kali ini, saya ingin mengetengahkan sebuah metode yang lain untuk
menyelesaikan sistem persamaan linear, yaitu metode faktorisasi matrik yang umum dikenal
sebagai LU-decomposition. Metode ini sekaligus menjadi pengantar menuju metode Singular
Value Decomposition, (SVD), suatu metode yang saat ini paling handal dalam menyelesaikan
sistem persamaan linear dan merupakan bagian dari metode least square.
Seperti biasa, kita berasumsi bahwa sistem persamaan linear dapat dinyatakan dalam operasi matrik
Ax = b

(11.1)

Pada metode LU-decomposition, matrik A difaktorkan menjadi matrik L dan matrik U, dimana
dimensi atau ukuran matrik L dan U harus sama dengan dimensi matrik A. Atau dengan kata
lain, hasil perkalian matrik L dan matrik U adalah matrik A,
A = LU
223

(11.2)

BAB 11. METODE LU DECOMPOSITION

224
sehingga persamaan (12.4) menjadi
LU x = b

Langkah penyelesaian sistem persamaan linear dengan metode LU-decomposition, diawali dengan menghadirkan vektor y dimana,
Ux = y

(11.3)

Langkah tersebut tidak bermaksud untuk menghitung vektor y, melainkan untuk menghitung
vektor x. Artinya, sebelum persamaan (11.3) dieksekusi, nilai-nilai yang menempati elemenelemen vektor y harus sudah diketahui. Lalu bagaimana cara memperoleh vektor y? Begini
caranya,
Ly = b

(11.4)

Kesimpulannya, metode LU-decomposition dilakukan dengan tiga langkah sebagai berikut:


Melakukan faktorisasi matrik A menjadi matrik L dan matrik U A = LU .
Menghitung vektor y dengan operasi matrik Ly = b. Ini adalah proses forward-substitution
atau substitusi-maju.
Menghitung vektor x dengan operasi matrik U x = y. Ini adalah proses backward-substitution
atau substitusi-mundur.
Metode LU-decomposition bisa dibilang merupakan modikasi dari eliminasi gauss, karena beberapa langkah yang mesti dibuang pada eliminasi gauss, justru harus dipakai oleh LUdecomposition. Untuk lebih jelasnya, perhatikan contoh berikut ini. Diketahui sistem persamaan
linear sebagai berikut
P1
P2
P3
P4

:
:
:
:

x1
2x1
3x1
x1

+
+

x2
x2
x2
2x2

x3
x3
3x3

+
+
+

3x4
x4
2x4
x4

=
=
=
=

4
1
-3
4

Sistem tersebut dapat dinyatakan dalam operasi matrik Ax = y,

x1


x2 1
1


3 1 1
2
x3 3
1
2
3 1
4
x4
2

1 1

(11.5)

Pada metode eliminasi gauss, matrik A dikonversi menjadi matrik triangular melalui urutan
operasi-operasi berikut: (P2 2P1 ) (P2 ), (P3 3P1 ) (P3 ), (P4 (1)P1 ) (P4 ), (P3
4P2 ) (P3 ), (P4 (3)P2 ) (P4 ). Disisi lain, vektor b ikut berubah nilainya menyesuaikan

11.1. FAKTORISASI MATRIK

225

proses triangularisasi,

1
1
0
3

0 1 1 5

0
0
3
13

0
0
0 13


x1
4


x2 7

=
x 13
3

13
x4

(11.6)

Lain halnya dengan metode LU-decomposition dimana vektor b tidak mengalami perubahan.
Yang berubah hanya matrik A saja, yaitu menjadi matrik L dan matrik U, A = LU

A=

0 0 0

1 0 0
1
0 1 1 5
= 2

0
3
13
4 1 0
3 1 1
2
0
3
0
0
0 13
1 3 0 1
1
2
3 1
2

1 1

Jadi matrik L dan U masing-masing adalah

L=

0 0 0

1 0 0

3
4 1 0

1 3 0 1
2

0 1 1 5
U =
0
0
3
13

0
0
0 13

Coba bandingkan matrik U di atas dengan matrik hasil triangularisasi dari metode eliminasi
gauss pada persamaan (11.6), sama persis bukan? Jadi, cara memperoleh matrik U adalah
dengan proses triangularisasi! Lantas, bagaimana cara memperoleh matrik L? Begini caranya:
(1) elemen-elemen diagonal matrik L diberi nilai 1 (Asal tahu saja, cara ini dikenal dengan
metode Doolittle). (2) elemen-elemen matrik L yang berada di atas elemen-elemen diagonal
diberi nilai 0. (3) sedangkan, elemen-elemen matrik L yang berada di bawah elemen-elemen
diagonal diisi dengan faktor pengali yang digunakan pada proses triangularisasi eliminasi gauss.
Misalnya pada operasi (P2 2P1 ) (P2 ), maka faktor pengalinya adalah 2; pada operasi

(P3 3P1 ) (P3 ), maka faktor pengalinya adalah 3, dan seterusnya.

Inilah letak perbedaannya, seluruh faktor pengali tersebut sangat dibutuhkan pada metode
LU-decomposition untuk membentuk matrik L. Padahal dalam metode eliminasi gauss, seluruh
faktor pengali tersebut tidak dimanfaatkan alias dibuang begitu saja. Disisi lain, vektor b tidak
mengalami proses apapun sehingga nilainya tetap. Jadi, proses konversi matrik pada metode
LU-decomposition hanya melibatkan matrik A saja!
Setelah langkah faktorisasi matrik A dilalui, maka operasi matrik pada persamaan (11.5)
menjadi,

0 0 0

1 0 0
0 1 1 5

3
4 1 0
0
3
13
0
1 3 0 1
0
0
0 13
2

x1


x2 1


x = 3
3
4
x4

(11.7)

BAB 11. METODE LU DECOMPOSITION

226

Langkah berikutnya adalah menentukan vektor y, dimana Ly = b,

0 0 0

1 0 0

3
4 1 0

1 3 0 1


y1
4

y2
= 1

y3
3
4
y4

1
2

Dengan proses substitusi-maju, elemen-elemen vektor y dapat ditentukan,


y1 = 4,
2y1 + y2 = 1,
3y1 + 4y2 + y3 = 3,
y1 3y2 + y4 = 4
maka diperoleh y1 = 4, y2 = 7, y3 = 13, y4 = 13.
Langkah terakhir adalah proses substitusi-mundur untuk menghitung vektor x, dimana U x = y,

0 1 1 5

0
0
3
13

0
0
0 13

x1


x2 7

=
x 13
3


13
x4

Melalui proses ini, yang pertama kali didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 ,
dan akhirnya x1 .
x4 = 1
1
x3 =
(13 13x4 ) = 0
3
x2 = (7 + 5x4 + x3 ) = 2
x1 = 4 3x4 x2 = 1
akhirnya diperoleh solusi x1 = 1, x2 = 2, x3 = 0, dan y4 = 1. Demikianlah contoh penyelesai-

an sistem persamaan linear dengan metode LU-decomposition.

Sekali matrik A difaktorkan, maka vektor b bisa diganti nilainya sesuai dengan sistem persamaan linear yang lain, misalnya seluruh nilai di ruas kanan diganti menjadi

P1
P2
P3
P4

:
:
:
:

x1
2x1
3x1
x1

+
+

x2
x2
x2
2x2

x3
x3
3x3

+
+
+

3x4
x4
2x4
x4

=
=
=
=

8
7
14
-7

11.2. ALGORITMA

227

Dalam operasi matrik menjadi


x1
3
8


1
x2 = 7

3 1 1
2 x3
14
1
2
3 1
7
x4
1
2

1
0
1 1

(11.8)

Perhatikan baik-baik! Matrik A sama persis dengan contoh sebelumnya. Perbedaannya hanya
pada vektor b. Selanjutnya, dengan metode LU-decomposition, persamaan (11.8) menjadi

0 0 0

1 0 0
0 1 1 5

0
3
13
3
4 1 0
0
0
0
0 13
1 3 0 1
2

x1


x2 7


x = 14
3
x4
7

(11.9)

Silakan anda lanjutkan proses perhitungannya dengan mencari vektor y sesuai contoh yang
telah diberikan sebelumnya. Pada akhirnya akan diperoleh solusi sebagai berikut: x1 = 3,
x2 = 1, x3 = 0, dan y4 = 2.

11.2 Algoritma
Sekarang saatnya saya tunjukkan algoritma metode LU decomposition. Algoritma ini dibuat
untuk menyelesaikan sistem persamaan linear, dengan cara menfaktorkan matrik A = (aij ) berukuran n x n menjadi matrik L = (lij ) dan matrik U = (uij ) dengan ukuran yang sama. Algoritma LU-decomposition yang anda lihat sekarang merupakan modikasi dari algoritma eliminasi
gauss. Silakan anda periksa langkah-langkah mana saja yang telah mengalami modikasi! Tapi
asal tahu saja bahwa ini bukan satu-satunya algoritma untuk mendapatkan matrik LU. Sejauh
yang saya tahu, ada algoritma lain untuk tujuan yang sama, dimana algoritma tersebut membutuhkan matrik permutasi untuk menggeser elemen pivot yang bernilai nol agar terhindar dari
singular. Nah, sedangkan algoritma yang akan anda baca saat ini, sama sekali tidak berurusan dengan matrik permutasi. Algoritma ini cuma memanfaatkan trik tukar posisi yang sudah
pernah dibahas di awal-awal catatan khususnya ketika membahas konsep eliminasi gauss.
Satu lagi yang harus saya sampaikan juga adalah bahwa dalam algoritma ini, elemen-elemen
matrik L dan matrik U digabung jadi satu dan menggantikan seluruh elemen-elemen matrik A.
Perhatian! cara ini jangan diartikan sebagai perkalian matrik L dan matrik U menjadi matrik A
kembali. Cara ini dimaksudkan untuk menghemat memori komputer. Suatu aspek yang tidak
boleh diabaikan oleh para programer. Marilah kita simak algoritmanya bersama-sama!
INPUT: dimensi n; nilai elemen aij , 1 i, j n; nilai elemen bi .
OUTPUT: solusi x1 , x2 , x3 , ..., xn atau pesan kesalahan yang mengatakan bahwa faktorisasi tidak

mungkin dilakukan.

Langkah 1: Inputkan konstanta-konstanta dari sistem persamaan linear kedalam elemen-

BAB 11. METODE LU DECOMPOSITION

228

elemen matrik A dan vektor b, seperti berikut ini:

A=

a11
a21
..
.

a12
a22
..
.

. . . a1n
. . . a2n
..
.

an1 an2 . . . ann

b=

b1
b2
..
.
bn

(11.10)

Langkah 2: Untuk i = 1, ..., n 1, lakukan Langkah 3 sampai Langkah 5.


Langkah 3: Denisikan p sebagai integer dimana i p n. Lalu pastikan bahwa

api 6= 0. Langkah dilakukan bila ditemukan elemen diagonal yang bernilai nol (aii =

0). Ketika ada elemen diagonal yang bernilai nol, maka program harus mencari dan

memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang sama dengan
kolom tempat elemen diagonal tersebut berada. Jadi saat proses ini berlangsung,
integer i (indeks dari kolom) dibuat konstan, sementara integer p (indeks dari baris)
bergerak dari p = i sampai p = n. Bila ternyata setelah mencapai elemen paling
bawah dalam kolom tersebut, yaitu saat p = n tetap didapat nilai api = 0, maka
sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki solusi yang unik.
Lalu program berakhir: STOP.
Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh
elemen yang tidak sama dengan nol (api 6= 0), maka bisa dipastikan p 6= i. Jika p 6= i

maka lakukan proses pertukaran (Pp ) (Pi ).

Langkah 5: Untuk j = i + 1, .., n, lakukan Langkah 6 dan Langkah 7.


Langkah 6: Tentukan mji ,
mji =

aji
aii

Langkah 7: Lakukan proses triangularisasi,


(Pj mji Pi ) (Pj )
Langkah 8: Nilai mji disimpan ke aji ,
aji = mji
Langkah 9: Nilai b1 dicopy ke y1 , lalu lakukan substitusi-maju.
y 1 = b1
Untuk i = 2, ..., n tentukan xi ,
y i = bi

i1
X
j=1

aij yj

11.2. ALGORITMA

229

Langkah 10: Lakukan proses substitusi-mundur, dimulai dengan menentukan xn ,


xn =

an,n+1
ann

Untuk i = n 1, ..., 1 tentukan xi ,


xi =

ai,n+1

Pn

j=i+1 aij xj

aii

Langkah 11: Diperoleh solusi yaitu x1 , x2 , ..., xn . Algoritma telah dijalankan dengan sukses. STOP.
Algoritma di atas telah diimplementasi kedalam program yang ditulis dengan bahasa Fortran. Program tersebut sudah berhasil dikompilasi dengan visual fortran (windows) dan g77
(debian-linux). Inilah programnya:
1
2
3
4
5
6

7
8
9
10
11
12
13
14
15

60

16
17
18
19

50

20
21

22
23
24
25

110

26
27

28
29
30

31
32

100

33
34
35
36
37
38

200
C

DIMENSION A(10,11), B(10), Y(10), X(10)


REAL MJI
WRITE(*,*)
WRITE(*,*) ==> FAKTORISASI MATRIK: LU DECOMPOSITION <==
WRITE (*,*)
LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
WRITE (*,(1X,A)) JUMLAH PERSAMAAN ?
READ (*,*) N
WRITE (*,*)
WRITE (*,*) MASUKAN ELEMEN-ELEMEN MATRIK A
DO 50 I = 1,N
DO 60 J = 1,N
WRITE (*,(1X,A,I2,A,I2,A)) A(,I,,,J,) =
READ (*,*) A(I,J)
CONTINUE
WRITE (*,(1X,A,I2,A)) B(,I,) ?
READ (*,*) B(I)
WRITE (*,*)
CONTINUE
WRITE (*,*)
MENAMPILKAN MATRIK A
WRITE (*,(1X,A)) MATRIK A:
DO 110 I = 1,N
WRITE (*,6) (A(I,J),J=1,N)
CONTINUE
WRITE (*,*)
LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT
NN = N-1
DO 10 I=1,NN
LANGKAH 3: MENDEFINISIKAN P
P = I
IF (ABS(A(P,I)).GE.1.0E-20 .OR. P.GT.N) GOTO 200
P = P+1
GOTO 100
IF(P.EQ.N+1)THEN
MENAMPILKAN PESAN TIDAK DAPAT DIFAKTORKAN
WRITE(*,8)
GOTO 400

230
39
40

41
42
43
44
45
46

20

47
48

49
50
51

52
53

54
55
56
57

40
C

58
59
60
61

30
10
C

62
63
64
65

120

66
67

68
69
70
71
72
73

16

74
75
76

15
C

77
78
79
80

138

81
82

83
84
85
86
87
88
89
90

26

91
92
93

24
C

94
95
96
97

18

BAB 11. METODE LU DECOMPOSITION


END IF
LANGKAH 4: PROSES TUKAR POSISI
IF(P.NE.I) THEN
DO 20 JJ=1,N
C = A(I,JJ)
A(I,JJ) = A(P,JJ)
A(P,JJ) = C
CONTINUE
END IF
LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI
JJ = I+1
DO 30 J=JJ,N
LANGKAH 6: TENTUKAN MJI
MJI = A(J,I)/A(I,I)
LANGKAH 7: PROSES TRIANGULARISASI
DO 40 K=JJ,N
A(J,K) = A(J,K)-MJI*A(I,K)
CONTINUE
LANGKAH 8: MENYIMPAN MJI KE A(J,I)
A(J,I) = MJI
CONTINUE
CONTINUE
MENAMPILKAN MATRIK LU
WRITE (*,(1X,A)) MATRIK LU:
DO 120 I = 1,N
WRITE (*,6) (A(I,J),J=1,N)
CONTINUE
WRITE (*,*)
LANGKAH 9: SUBSTITUSI-MAJU
Y(1) = B(1)
DO 15 I=2,N
SUM = 0.0
DO 16 J=1,I-1
SUM = SUM+A(I,J)*Y(J)
CONTINUE
Y(I) = B(I)-SUM
CONTINUE
MENAMPILKAN VEKTOR Y
WRITE (*,(1X,A)) VEKTOR Y:
DO 138 I = 1,N
WRITE (*,6) Y(I)
CONTINUE
WRITE (*,*)
LANGKAH 10: SUBSTITUSI-MUNDUR
X(N) = Y(N)/A(N,N)
DO 24 K=1,N-1
I = N-K
JJ = I+1
SUM = 0.0
DO 26 KK=JJ,N
SUM = SUM+A(I,KK)*X(KK)
CONTINUE
X(I) = (Y(I)-SUM)/A(I,I)
CONTINUE
LANGKAH 11: MENAMPILKAN SOLUSI DAN SELESAI
WRITE (*,(1X,A)) SOLUSI:
DO 18 I = 1,N
WRITE (*,(1X,A,I2,A,F14.8)) X(,I,) = ,X(I)
CONTINUE

11.2. ALGORITMA
98
99
100
101
102
103
104

400
6
8

231

WRITE(*,*)
WRITE(*,*) SELESAI --> SUKSES
WRITE(*,*)
CONTINUE
FORMAT(1X,5(F14.8))
FORMAT(1X,TIDAK DAPAT DIFAKTORKAN)
END

Demikianlah, sekarang kita punya tiga buah algoritma untuk memecahkan problem sistem
persamaan linear, yaitu eliminasi gauss, invers matrik, dan lu-decomposition. Diantara ketiganya, eliminasi gauss adalah algoritma yang paling simpel dan esien. Dia hanya butuh proses
triangularisasi dan substitusi-mundur untuk mendapatkan solusi. Sedangkan dua algoritma
yang lainnya membutuhkan proses-proses tambahan untuk mendapatkan solusi yang sama.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email.

232

BAB 11. METODE LU DECOMPOSITION

Bab 12

Interpolasi

Objektif :
Mengenalkan Interpolasi Lagrange
Mengenalkan Interpolasi Spline-cubic

12.1 Interpolasi Lagrange


Interpolasi Lagrange diterapkan untuk mendapatkan fungsi polinomial P (x) berderajat tertentu
yang melewati sejumlah titik data. Misalnya, kita ingin mendapatkan fungsi polinomial berderajat satu yang melewati dua buah titik yaitu (x0 , y0 ) dan (x1 , y1 ). Langkah pertama yang kita
lakukan adalah mendenisikan fungsi berikut
L0 (x) =

x x1
x0 x1

L1 (x) =

x x0
x1 x0

dan

kemudian kita denisikan fungsi polinomial sebagai berikut


P (x) = L0 (x)y0 + L1 (x)y1
Jika semua persamaan diatas kita gabungkan, maka akan didapat
P (x) = L0 (x)y0 + L1 (x)y1
x x1
x x0
P (x) =
y0 +
y1
x0 x1
x1 x0
dan ketika x = x0
P (x0 ) =

x0 x0
x0 x1
y0 +
y1 = y0
x0 x1
x1 x0
233

BAB 12. INTERPOLASI

234
dan pada saat x = x1
P (x1 ) =

x1 x0
x1 x1
y0 +
y1 = y1
x0 x1
x1 x0

dari contoh ini, kira-kira apa kesimpulan sementara anda? Ya.. kita bisa sepakat bahwa fungsi
polinomial
P (x) =

x x1
x x0
y0 +
y1
x0 x1
x1 x0

(12.1)

benar-benar melewati titik (x0 , y0 ) dan (x1 , y1 ).

Sekarang mari kita perhatikan lagi contoh lainnya. Misalnya ada tiga titik yaitu (x0 , y0 ), (x1 , y1 )
dan (x2 , y2 ). Tentukanlah fungsi polinomial yang melewati ketiganya! Dengan pola yang sama
kita bisa awali langkah pertama yaitu mendenisikan
L0 (u) =

(u x1 )(u x2 )
(x0 x1 )(x0 x2 )

L1 (u) =

(u x0 )(u x2 )
(x1 x0 )(x1 x2 )

L2 (u) =

(u x0 )(u x1 )
(x2 x0 )(x2 x1 )

lalu

dan

kemudian kita denisikan fungsi polinomial sebagai berikut


P (u) = L0 (u)y0 + L1 (u)y1 + L2 (u)y2
Jika semua persamaan diatas kita gabungkan, maka akan didapat fungsi polinomial
P (u) =

(u x0 )(u x2 )
(u x0 )(u x1 )
(u x1 )(u x2 )
y0 +
y1 +
y2
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )

Kita uji sebentar. Ketika x = x0


P (x0 ) =

(x0 x0 )(x0 x2 )
(x0 x0 )(x0 x1 )
(x0 x1 )(x0 x2 )
y0 +
y1 +
y2 = y0
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )

pada saat x = x1
P (x1 ) =

(x1 x0 )(x1 x2 )
(x1 x0 )(x1 x1 )
(x1 x1 )(x1 x2 )
y0 +
y1 +
y2 = y1
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )

pada saat x = x2
P (x2 ) =

(x2 x1 )(x2 x2 )
(x2 x0 )(x2 x2 )
(x2 x0 )(x2 x1 )
y0 +
y1 +
y2 = y2
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )

12.1. INTERPOLASI LAGRANGE

235

Terbukti bahwa fungsi polonomial


P (x) =

(x x0 )(x x2 )
(x x0 )(x x1 )
(x x1 )(x x2 )
y0 +
y1 +
y2
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )

(12.2)

melewati ketiga titik tadi.

Kalau kita bandingkan antara persamaan (12.1) dan persamaan (12.2), terlihat bahwa derajat
persamaan (12.2) lebih tinggi dibandingkan dengan derajat persamaan (12.1). Hal ini terlihat
dari x2 pada persamaan (12.2) sementara pada persamaan (12.1) hanya ada x. persamaan
(12.2) disebut fungsi polinomial berderajat 2, sedangkan persamaan (12.1) disebut fungsi polinomial berderajat 1.
Script matlab untuk polinomial Lagrange berderajat 2 yang sesuai persamaan (12.2) adalah
sebagai berikut:
1

clc; clear all; close all

2
3
4

x = [2 7.2 -6];
y = [4 6.3 5];

5
6
7

plot(x,y,sr);
axis([-8 8 0 8]);

8
9
10
11
12
13
14
15

u = 5;
% =========== Menghitung koefisien Lagrange ============
L1 = (u-x(2))*(u-x(3)) / ((x(1)-x(2))*(x(1)-x(3)));
L2 = (u-x(1))*(u-x(3)) / ((x(2)-x(1))*(x(2)-x(3)));
L3 = (u-x(1))*(u-x(2)) / ((x(3)-x(1))*(x(3)-x(2)));
% =========== Menghitung interpolasi Lagrange ==========
P = L1*y(1) + L2*y(2) + L3*y(3);

16
17
18
19
20

hold on
plot(u,P,*); grid on;
xlabel(\fontsize{12} x);
ylabel(\fontsize{12} P(x));

Script matlab untuk polinomial Lagrange yang bisa menyesuaikan jumlah pasangan titik
adalah sebagai berikut:
1

clc; clear all; close all;

2
3
4
5

x = [2 7.2 -6 4 -1];
y = [4 6.3 5 3 0];
u = -5:0.001:7;

6
7
8

plot(x,y,sr)
axis([-7 8 -6 7]);

9
10
11
12
13
14

n = length(x);
w = length(u);
for h = 1:w
for q = 1:n
M = 1;

BAB 12. INTERPOLASI

236

P(x)

Gambar 12.1: Kurva hasil interpolasi Lagrange


15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

for k = 1:n
if k ~=
M =
end
end
N = 1;
for k = 1:n
if k ~=
N =
end
end
L(q) = M/N;

q
M * (u(h)-x(k));

q
N * (x(q)-x(k));

end
P = 0;
for k = 1:n
P = P + L(k)*y(k);
end
B(h) = P;
end
hold on
plot(u,B); grid on;
xlabel(\fontsize{12} x);
ylabel(\fontsize{12} P(x));

12.2. INTERPOLASI CUBIC SPLINE

237

12.2 Interpolasi Cubic Spline


Sekarang mari kita bahas konsep dari interpolasi cubic spline. Ngomong-ngomong, kapan anda
biasa mendengar kata cubic (baca: kubik)? Kata kubik sering dihubungkan dengan satuan volume, misalnya meter-kubik (m3 ) atau centimeter-kubik (cm3 ). Kubik itu sendiri artinya adalah
pangkat 3. Bandingkan dengan kata persegi yang berhubungan dengan satuan luas, misalnya
meter-persegi (m2 ) atau kilometer-persegi (km2 ). Dalam konteks pembahasan interpolasi cubic spline, kita akan menggunakan pendekatan polinomial pangkat 3 atau berderajat 3 untuk
menghubungkan sejumlah titik dalam suatu koordinat.
Apa bedanya dengan Lagrange? Disini kita akan menciptakan segmen-segmen kurva polinomial berderajat 3 diantara titik-titik yang sudah diketahui. Itulah penjelasan dari kata spline
yang merupakan singkatan dari separation line. Ok, mari kita masuki pembahasan ini lebih
dalam lagi..
Gambar (12.2) memperlihatkan sebaran dari sejumlah titik yang masing-masing memiliki
pasangan koordinat (x, y). Pertanyaannya adalah bagaimanakah cara cubic spline menciptakan suatu kurva yang bisa menghubungkan semua titik tersebut? Atau pertanyaan yang lebih
tepat adalah bagaimanakah cara cubic spline menciptakan fungsi polinomial yang bisa menghubungkan semua titik tersebut? Agar nantinya fungsi polinomial itu dapat digunakan untuk
memperkirakan titik-titik yang belum terlihat pada Gambar (12.2) sehingga kita akan dapatkan
kurvanya seperti Gambar (12.3)

Gambar 12.2: Sejumlah titik terdistribusi pada koordinat kartesian. Masing-masing titik memiliki pasangan koordinat (x, y)
Untuk bisa menghasilkan kurva seperti yang tampak pada Gambar (12.3), interpolasi cubic
spline menciptakan sejumlah fungsi polinomial S(x) yang merupakan potongan fungsi polinomial kecil-kecil (Gambar 12.4) berderajat tiga (cubic ) yang saling sambung-menyambung untuk
menghubungkan dua titik yang bersebelahan
Agar tujuan interpolasi cubic spline dapat tercapai, diperlukan sejumlah ketentuan-ketentuan
sebagai berikut:
1. Sj (x) adalah potongan fungsi yang berada pada sub-interval dari xj hingga xj+1 untuk

BAB 12. INTERPOLASI

238

Gambar 12.3: Kurva interpolasi cubic spline yang menghubungkan semua titik

Gambar 12.4: Sejumlah polinomial cubic yaitu S0 , S1 , S2 ... dan seterusnya yang saling sambungmenyambung sehingga mampu menghubungkan seluruh titik
nilai j = 0, 1, ..., n 1;
2. S(xj ) = f (xj ), artinya pada setiap titik data (xj ), nilai f (xj ) bersesuaian dengan S(xj )
dimana j = 0, 1, ..., n;
3. Sj+1 (xj+1 ) = Sj (xj+1 ). Perhatikan titik xj+1 pada Gambar (12.4). Ya.. tentu saja jika
fungsi itu kontinyu, maka titik xj+1 menjadi titik sambungan antara Sj dan Sj+1 .

4. Sj+1
(xj+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan pertama dari Sj dan Sj+1

pada titik xj+1 harus bersesuaian.


(x

5. Sj+1
j+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan kedua dari Sj dan Sj+1
pada titik xj+1 harus bersesuaian juga.

6. Salah satu syarat batas diantara 2 syarat batas x0 dan xn berikut ini mesti terpenuhi:
S (x0 ) = S (xn ) = 0 ini disebut natural boundary

12.2. INTERPOLASI CUBIC SPLINE

239

S (x0 ) = f (x0 ) dan S (xn ) = f (xn ) ini disebut clamped boundary


Suatu potongan fungsi polinomial cubic spline Sj (x) dinyatakan oleh
Sj (x) = aj + bj (x xj ) + cj (x xj )2 + dj (x xj )3

(12.3)

dimana j = 0, 1, ..., n 1. Maka ketika x = xj


Sj (xj ) = aj + bj (xj xj ) + cj (xj xj )2 + dj (xj xj )3
Sj (xj ) = aj = f (xj )
Itu artinya, aj selalu jadi pasangan titik data dari xj . Dengan pola ini maka pasangan titik data
xj+1 adalah aj+1 , konsekuensinya S(xj+1 ) = aj+1 . Berdasarkan ketentuan (3), yaitu ketika
x = xj+1 dimasukan ke persamaan (12.3)
aj+1 = Sj+1 (xj+1 ) = Sj (xj+1 ) = aj + bj (xj+1 xj ) + cj (xj+1 xj )2 + dj (xj+1 xj )3
dimana j = 0, 1, ..., n 2. Sekarang, kita nyatakan hj = xj+1 xj , sehingga
aj+1 = aj + bj hj + cj h2j + dj h3j

(12.4)

Kemudian, turunan pertama dari persamaan (12.3) adalah


Sj (x) = bj + 2cj (x xj ) + 3dj (x xj )2
ketika x = xj ,
Sj (xj ) = bj + 2cj (xj xj ) + 3dj (xj xj )2 = bj
dan ketika x = xj+1 ,
bj+1 = Sj (xj+1 ) = bj + 2cj (xj+1 xj ) + 3dj (xj+1 xj )2
Ini dapat dinyatakan sebagai
bj+1 = bj + 2cj (xj+1 xj ) + 3dj (xj+1 xj )2
dan dinyatakan dalam hj
bj+1 = bj + 2cj hj + 3dj h2j

(12.5)

Berikutnya, kita hitung turunan kedua dari persamaan (12.3)


Sj (x) = 2cj + 6dj (x xj )

(12.6)

tapi dengan ketentuan tambahan yaitu S (x)/2, sehingga persamaan ini dimodikasi menjadi
Sj (x) = cj + 3dj (x xj )

BAB 12. INTERPOLASI

240
dengan cara yang sama, ketika x = xj
Sj (xj ) = cj + 3dj (xj xj ) = cj
dan ketika x = xj+1
cj+1 = Sj (xj+1 ) = cj + 3dj (xj+1 xj )
cj+1 = cj + 3dj hj
dan dj bisa dinyatakan
dj =

1
(cj+1 cj )
3hj

(12.7)

(12.8)

dari sini, persamaan (12.4) dapat ditulis kembali


aj+1 = aj + bj hj + cj h2j + dj h3j
h2j

= aj + bj hj +

cj h2j

= aj + bj hj +

h2j
(2cj + cj+1 )
3

(cj+1 cj )
(12.9)

sementara persamaan (12.5) menjadi


bj+1 = bj + 2cj hj + 3dj h2j
= bj + 2cj hj + hj (cj+1 cj )
= bj + hj (cj + cj+1 )

(12.10)

Sampai sini masih bisa diikuti, bukan? Selanjutnya, kita coba mendapatkan bj dari persamaan
(12.9)
bj =
dan untuk bj1
bj1 =

1
hj
(aj+1 aj ) (2cj + cj+1 )
hj
3
1

hj1

(aj aj1 )

hj1
(2cj1 + cj )
3

(12.11)

(12.12)

Langkah berikutnya adalah mensubtitusikan persamaan (12.11) dan persamaan (12.12) kedalam persamaan (12.10),
hj1 cj1 + 2(hj1 + hj )cj + hj cj+1 =

3
3
(aj+1 aj )
(aj aj1 )
hj
hj1

(12.13)

n1
dimana j = 1, 2, ..., n 1. Dalam sistem persamaan ini, nilai {hj }j=0
dan nilai {aj }nj=0 sudah

diketahui, sementara nilai {cj }nj=0 belum diketahui dan memang nilai inilah yang akan dihitung

dari persamaan ini.

Sekarang coba perhatikan ketentuan nomor (6), ketika S (x0 ) = S (xn ) = 0, berapakah nilai

12.2. INTERPOLASI CUBIC SPLINE

241

c0 dan cn ? Nah, kita bisa evaluasi persamaan (12.6)


S (x0 ) = 2c0 + 6d0 (x0 x0 ) = 0
jelas sekali c0 harus berharga nol. Demikian halnya dengan cn harganya harus nol. Jadi untuk

natural boundary, nilai c0 = cn = 0.


Persamaan (12.13) dapat dihitung dengan operasi matrik Hc = d dimana

h0 2(h0 + h1 )
h1

0
h1
2(h1 + h2 )

H=
. . .
...
...

. . .
...
...

0
...
...

...

...

...

h2

...

...

. . . hn2
...

...

...
0

...
...

2(hn2 + hn1 ) hn1

0
1
...


c0

c1

c=
..
.
cn

0
3
h1 (a2 a1 )
..
.

(a1 a0 )
h
0

d=

3 (a a

3
n1 ) hn2 (an1 an2 )
hn1 n
0
Sekarang kita beralih ke clamped boundary dimana S (a) = f (a) dan S (b) = f (b). Nah, kita
bisa evaluasi persamaan (12.11) dengan j = 0, dimana f (a) = S (a) = S (x0 ) = b0 , sehingga
f (a) =

1
h0
(a1 a0 ) (2c0 + c1 )
h0
3

konsekuensinya,
2h0 c0 + h0 c1 =

3
(a1 a0 ) 3f (a)
h0

Sementara pada xn = bn dengan persamaan (12.10)


f (b) = bn = bn1 + hn1 (cn1 + cn )
sedangkan bn1 bisa didapat dari persamaan (12.12) dengan j = n 1
bn1 =

1
hn1

(an an1 )

hn1
(2cn1 j + cn )
3

(12.14)

BAB 12. INTERPOLASI

242
Jadi
f (b) =
=

hn1
(2cn1 j + cn ) + hn1 (cn1 + cn )
hn1
3
1
hn1
(an an1 +
(cn1 j + 2cn )
hn1
3
(an an1 )

dan akhirnya kita peroleh


hn1 cn1 + 2hn1 Cn = 3f (b)

3
hn1

(an an1 )

(12.15)

Persamaan (12.14) dan persamaan (12.15) ditambah persamaan (12.13 membentuk operasi
matrik Ax = b dimana

2h0
h0
0

h0 2(h0 + h1 )
h1

0
h1
2(h1 + h2 )

A=
...
...
...

...
...
...

0
...
...

...

...

...

h2

...

...

. . . hn2
...

...

...
0

...
...

2(hn2 + hn1 ) hn1

hn1
2hn1
...


c0

c1

x=
..
.
cn

3
h0 (a1

a0 ) 3f (a)

(a2 a1 ) h30 (a1 a0 )


h
1

..

b=

3 (a a

3
n1 ) hn2 (an1 an2 )
hn1 n
3
3f (b) hn1
(an an1 )
1
2
3
4
5

%
%
%
%
%

==============================================================
PROGRAM - Interpolasi Cubic Spline
diaplikasikan pada punggung burung
dibuat oleh Supriyanto, 17 Desember 2012
==============================================================

6
7
8
9

clc
close
clear

10
11
12
13

data = load(burung.txt);
x = data(:,1);
y = data(:,2);

14
15

plot(x,y,sr);

16
17

n = length(x);

12.2. INTERPOLASI CUBIC SPLINE


18
19
20

for k = 1:n-1
h(k) = x(k+1) - x(k);
end

21
22
23
24

H = zeros(n);
H(1,1) = 1;
H(n,n) = 1;

25
26
27
28
29
30
31
32
33
34

a = y;
r(1,1) = 0;
for k = 2:n-1
H(k,k) = 2*(h(k-1)+h(k));
H(k,k-1) = h(k-1);
H(k,k+1) = h(k);
r(k,1) = 3/h(k)*(a(k+1)-a(k)) - 3/h(k-1)*(a(k)-a(k-1));
end
r(n,1) = 0;

35
36

c = inv(H)*r;

37
38
39
40
41

for k = 1:n-1
b(k,1) = 1/h(k)*(a(k+1)-a(k)) - h(k)/3*(2*c(k)+c(k+1));
d(k,1) = 1/(3*h(k))*(c(k+1)-c(k));
end

42
43

hold on

44
45
46
47
48
49

for k = 2:n
xx = x(k-1):0.01:x(k);
S = a(k-1)+b(k-1)*(xx-x(k-1))+c(k-1)*(xx-x(k-1)).^2+d(k-1)*(xx-x(k-1)).^3;
plot(xx,S);
end

243

BAB 12. INTERPOLASI

244

Gambar 12.5: Prol suatu object

Gambar 12.6: Sampling titik data

12.2. INTERPOLASI CUBIC SPLINE

245

2.5

1.5

0.5

10

12

14

12

14

Gambar 12.7: Hasil interpolasi cubic spline

10

Gambar 12.8: Hasil interpolasi lagrange

BAB 12. INTERPOLASI

246

j
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

xj
0,9
1,3
1,9
2,1
2,6
3,0
3,9
4,4
4,7
5,0
6,0
7,0
8,0
9,2
10,5
11,3
11,6
12,0
12,6
13,0
13,3

aj
1,3
1,5
1,85
2,1
2,6
2,7
2,4
2,15
2,05
2,1
2,25
2,3
2,25
1,95
1,4
0,9
0,7
0,6
0,5
0,4
0,25

bj
0,54
0,42
1,09
1,29
0,59
-0,02
-0,5
-0,48
-0,07
0,26
0,08
0,01
-0,14
-0,34
-0,53
-0,73
-0,49
-0,14
-0,18
-0,39

cj
0,00
-0,30
1,41
-0,37
-1,04
-0,50
-0,03
0,08
1,27
-0,16
-0,03
-0,04
-0,11
-0,05
-0,1
-0,15
0,94
-0,06
0
-0,54

dj
-0,25
0,95
-2,96
-0,45
0,45
0,17
0,08
1,31
-1,58
0,04
0,00
-0,02
0,02
-0,01
-0,02
1,21
-0,84
0,04
-0,45
0,60

Bab 13

Solusi Sistem Persamaan Non Linear

Objektif :
Mengenalkan fungsi ber-input vektor
Mengenalkan fungsi ber-output vektor
Mengenalkan fungsi ber-output matrik
Menerapkan metode Newton pada sistem persamaan non linear

13.1 Fungsi ber-input vektor


Pada bab terdahulu, telah dibahas cara membuat fungsi eksternal dengan parameter input berupa konstanta. Kali ini kita akan mencoba membuat fungsi eksternal dengan parameter input
berupa vektor1 .
Misalnya terdapat vektor kolom x sebagai berikut

x=
8

5
itu artinya x1 = 3; x2 = -2; x3 = 8 dan x4 = 5. Kemudian vektor kolom x tersebut diinputkan
ke dalam suatu persamaan
y = x31 + 2x22 4x3 x4
dan diperoleh nilai y = -2. Di dalam Matlab, fungsi ini ditulis sebagai fungsi eksternal yang
diberinama fun.m sebagai berikut
1

function y = fun(x)

2
3

y = x(1)^3 + 2*x(2)^2 - 4*x(3) - x(4);


1

Yang dimaksud vektor disini adalah matrik yang hanya terdiri dari satu kolom atau satu baris

247

BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR

248

Pada script di atas, cara penulisan y = fun(x) memiliki pola yang sama dengan penulisan
fungsi eksternal sebelum-sebelumnya. Namun sebenarnya berbeda makna-nya. Parameter input
x disini bermakna vektor yang didalamnya terdapat 4 buah angka. Untuk lebih jelasnya, coba
anda bandingkan dengan script berikut
1

function y = fun(x)

2
3

y = x^3;

Disini parameter input x pada y = fun(x) bermakna sebuah angka tunggal.


Penggunaan fungsi ekternal berinput vektor adalah sebagai berikut
>> x = [3 -2 8 5];
>> y = fun(x)
y =
-2

13.2 Fungsi ber-output vektor


Pada pelajaran sebelumnya, fungsi eksternal hanya menghasilkan output berupa konstanta atau
angka. Sekarang kita akan membuat fungsi eksternal dengan output berupa vektor. Misalnya
ada 3 persamaan linear sebagai berikut:
y1 = x31 + 2x22 4x3

y2 = x21 + 3x22 x3
1
x2
y3 =
2x2 + 3
x1
2

Output y1 , y2 dan y3 dinyatakan dalam fungsi eksternal berikut ini


1

function y = fun(x)

2
3
4
5

y = [x(1)^3 + 2*x(2)^2 - 4*x(3)


x(1)^2 + 3*x(2)^2 - x(3)
1/x(1) - 2*x(2) + x(3)^2/2];

Contoh penggunaannya adalah sebagai berikut


>> x = [3 -2 8];
>> y = fun(x)
y =
3.0000

13.3. FUNGSI BER-OUTPUT MATRIK

249

13.0000
36.3333
sehingga
x31 + 2x22 4x3 = 3

x21 + 3x22 x3 = 13
1
x2
2x2 + 3 = 36.3333
x1
2

(13.1)

13.3 Fungsi ber-output matrik


Jika fungsi eksternal dapat menghasilkan vektor, maka tentu saja ia juga dapat menghasilkan
matriks. Misalnya matriks J berbentuk

3x21

J(x) =
2x1
x12
1

4x2 4

6x2 1

2 x3

kemudian dinyatakan dalam fungsi eksternal berikut ini

function J = jaco(x)

2
3
4
5

J = [3*x(1)^2 4*x(2) -4
2*x(1) 6*x(2) -1
-1/x(1)^2 -2 x(3)];

Contoh penggunaannya adalah sebagai berikut


>> x = [3 -2 8];
>> J = jaco(x)
J =
27.0000

-8.0000

-4.0000

6.0000

-12.0000

-1.0000

-0.1111

-2.0000

8.0000

13.4 Metode Newton untuk sistem persamaan


Pada permulaan Bab ini telah dibahas metode Newton untuk mencari akar yang hanya satu
buah angka saja. Formulasinya adalah sebagai berikut
xbaru = xlama

f (xlama )
f (xlama )

BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR

250

Metode Newton juga bisa diterapkan untuk mencari solusi sistem persamaan yang terdiri atas
sejumlah angka. Untuk maksud tersebut, formula di atas dimodikasi menjadi
xb = x (J(x))1 f (x)

(13.2)

dimana J(x) = matriks Jacobian dan f(x) = fungsi sistem persamaan. Untuk membahas hal
ini mari kita perhatikan contoh berikut. Misalnya diketahui sistem persamaan berikut
x31 + 2x22 4x3 = 3

x21 + 3x22 x3 = 13
x2
1
2x2 + 3 = 36.3333
x1
2

Tentukan solusi x1 , x2 dan x3 . Langkah pertama penyelesaian adalah dengan membentuk vektor
fungsi, yaitu

x31 + 2x22 4x3 3


f1

f(x) = f2 = x21 + 3x22 x3 13


x23
1
f3
x1 2x2 + 2 36.3333

kemudian membentuk matriks Jacobian


f1
x

f21
J(x) = x
1
f3
x1

f1
x2
f2
x2
f3
x2

f1
x3
f2
x3
f3
x3

3x21

=
2x1
x12
1

4x2 4

6x2 1

2 x3

langkah berikutnya adalah menerapkan metode Newton (persamaan (13.2)) dengan nilai awal
x = [1;2;1]. Setelah iterasi ke-27, diperoleh solusi xb = [3;-2;8] atau x1 = 3, x2 = -2 dan
x3 = 8. Script utama untuk masalah ini adalah
1
2

clear all
clc

3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

itermaks = 10000;
tol = 10^(-10);
x = [1; 2; 1];
for k = 1:itermaks
if det(jaco(x))==0
x = x + 0.0000000001;
end
xb = x - inv(jaco(x))*fun(x);
if abs(xb-x) < tol
break;
end
x = xb;
end
xb
iterasi = k

adapun fungsi eksternal fun.m dan jaco.m sudah dibuat pada contoh sebelumnya.

13.5. APLIKASI: MENCARI SUMBER SINYAL

251

13.5 Aplikasi: Mencari sumber sinyal


Metode Newton bisa diaplikasikan untuk mencari koordinat sumber sinyal atau pulsa yang merambat pada suatu medium. Misalnya, suatu sumber sinyal terletak pada koordinat (-4,-8),
kemudian ada 4 detektor yang menangkap sinyal yang dipancarkan oleh sumber tadi. Masingmasing detektor memiliki koordinat dan waktu tempuh sinyal dari sumber ke tiap detektor
sudah diketahui dengan asumsi kecepatan rambat sinyal adalah 28 m/dt. Informasi mengenai
koordinat detektor serta waktu tempuh sinyal diperlihatkan oleh Tabel 13.1

Tabel 13.1: Koordinat Sumber Sinyal dan Waktu Tempuh Sinyal


Detektor
X
Y Waktu tempuh (dt)
Detektor 1
Detektor 2
Detektor 3
Detektor 4

6
7
2
-3

10
-6
9
-8

0.7354
0.3992
0.6438
0.0357

Posisi Sumber Sinyal dan Posisi 4 Detektor


10
8
6
4

2
0
2
4
6
8
4

2
X

Gambar 13.1: Koordinat sumber sinyal berada pada x = 4 dan y = 8


Hubungan antara waktu tempuh sinyal (t) dan koordinat suatu detektor adalah
t=

(xp x)2 + (yp y)2


v

(13.3)

dimana (xp , yp ) adalah koordinat sumber sinyal; (x, y) adalah koordinat detektor; v adalah kecepatan rambat sinyal; dan t adalah waktu tempuh sinyal. Dengan demikian, sistem persamaan

BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR

252

untuk detektor-1 hingga detektor-4 adalah


p

(xp x1 )2 + (yp y1 )2
v
p
(xp x2 )2 + (yp y2 )2
v
p
2
(xp x3 ) + (yp y3 )2
v
p
(xp x4 )2 + (yp y4 )2
v

t1 =
t2 =
t3 =
t4 =
atau dapat diformulasikan sebagai
ti =

(xp xi )2 + (yp yi )2
v

(13.4)

dimana i = 1,2,3 dan 4.

Sekarang anggap saja kita tidak tahu koordinat sumber sinyal. Lalu kita percayakan kepada inversi non-linear (dengan metode Newton) untuk menemukan koordinat sumber sinyal
tersebut. Untuk membahas ini lebih jauh, saya mulai dengan memunculkan kembali formulasi
metode Newton yaitu
(baru) = (lama)

f (lama)
f (lama)

Berdasarkan formulasi tersebut, yang pertama harus dilakukan adalah menentukan fungsi f (lama).
Dalam kasus ini, fungsi f (lama) diperoleh dengan memodikasi persamaan 13.4 dimana variabel ti yang semula terletak di sebelah kiri tanda sama-dengan, dipindah ke sebelah kanan tanda
sama-dengan, sehingga menjadi
p
(xp xi )2 + (yp yi )2
fi (xp , yp ) =
ti
v

(13.5)

Mengingat jumlah detektor-nya ada 4, maka fungsi f untuk masing-masing detektor adalah
f1 (xp , yp ) =
f2 (xp , yp ) =
f3 (xp , yp ) =
f4 (xp , yp ) =

(xp x1 )2 + (yp y1 )2
v
p
2
(xp x2 ) + (yp y2 )2
v
p
(xp x3 )2 + (yp y3 )2
v
p
(xp x4 )2 + (yp y4 )2
v

t1

(13.6)

t2

(13.7)

t3

(13.8)

t4

(13.9)

dimana nilai-nilai x1 , y1 , t1 , x2 , y2 , t2 , x3 , y3 , t3 , x4 , y4 , t4 sudah tertera di dalam Tabel 13.1 dan


v sudah diketahui yaitu 28 m/dt. Kemudian saya kumpulkan setiap fungsi f (xp , yp ) kedalam

13.5. APLIKASI: MENCARI SUMBER SINYAL


sebuah vektor f

253

f1 (xp , yp )

f2 (xp , yp )

f(xp , yp ) =

f3 (xp , yp )
f4 (xp , yp )

(13.10)

Parameter yang belum diketahui (unknown parameters) adalah xp dan yp , yang tidak lain adalah
koordinat sumber sinyal; dan itu yang akan kita cari dengan metode Newton. Formulasi metode
Newton untuk xp dan yp adalah
(xp , yp )baru = (xp , yp )lama

f ((xp , yp )lama )
f ((xp , yp )lama )

atau saya tulis lebih simple sebagai berikut


(xbp , ypb ) = (xp , yp )

f (xp , yp )
f (xp , yp )

(13.11)

fi (xp , yp )
fi (xp , yp )

(13.12)

atau lebih tepatnya lagi seperti ini


(xbp , ypb ) = (xp , yp )

dimana i = 1, 2, 3 dan 4 sesuai dengan jumlah detektor. Karena fi telah dinyatakan sebagai
sebuah vektor f (lihat persamaan 13.10), maka
(xbp , ypb ) = (xp , yp )

f(xp , yp )
fi (xp , yp )

(13.13)

Nah sekarang bagaimana cara mendapatkan fi (xp , yp )? Untuk menjawab pertanyaan tersebut, mari kita ambil fungsi f1 dari detektor 1 (persamaan 13.7)
f1 (xp , yp ) =

(xp x1 )2 + (yp y1 )2
t1
v

Operasi turunan terhadap fungsi f1 hanya dilakukan terhadap unknown-paramters saja yaitu xp
dan yp . Dengan demikian, turunan fungsi f1 terhadap xp adalah
(xp x1 )
f1
= p
xp
v (xp x1 )2 + (yp y1 )2

Sedangkan, turunan terhadap yp adalah

(yp y1 )
f1
= p
yp
v (xp x1 )2 + (yp y1 )2

Tentu dengan cara yang sama, kita bisa mendapatkan nilai-nilai untuk f2 (xp , yp ), f3 (xp , yp ) dan
f4 (xp , yp ); disesuaikan dengan jumlah detektor. Semua nilai tersebut dapat digabung dalam

BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR

254
sebuah matrik yaitu
f1

xp

f2
xp

f (xp , yp ) =
f3
xp
f4
xp

f1
yp
f2

yp
f3
yp
f4
yp

(xp x1 )
v (xp x1 )2 +(yp y1 )2

(xp x2 )
v (xp x2 )2 +(yp y2 )2

(xp x3 )
v (x x )2 +(y y )2
p
p
3
3

4)
(xp x
v (xp x4 )2 +(yp y4 )2

(yp y1 )
2
2
v (xp x1 ) +(yp y1 )

(yp y2 )

v (xp x2 )2 +(yp y2 )2

(yp y3 )

v (xp x3 )2 +(yp y3 )2
(yp y4 )

v (xp x4 )2 +(yp y4 )2

Setiap elemen matrik adalah turunan pertama dari suatu unknown-parameter (bisa terhadap xp
maupun yp ). Matrik yang tiap elemennya berbentuk turunan pertama dikenal dengan nama
matrik Jacobian. Jumlah baris matrik Jacobian ditentukan oleh banyaknya detektor atau oleh
banyaknya data. Sedangkan jumlah kolomnya ditentukan oleh banyaknya jumlah unknownparameter.

J(xp , yp ) =

f1

xp
f2
xp

f3
xp
f4
xp

f1
yp
f2

yp
f3
yp
f4
yp

Nah, sekarang formulasi metode Newton saya tulis kembali dalam bentuk
(xbp , ypb ) = (xp , yp )

f(xp , yp )
J(xp , yp )

(13.14)

dimana f(xp , yp ) berupa vektor dan J(xp , yp ) berupa matrik. Lalu bagaimana cara menghitung
pembagian antara vektor dan matrik dalam komputasi? Kalau anda masih ingat dengan persamaan matrik Gm = d, tentu anda masih ingat juga bagaimana caranya mendapatkan vektor m,
yaitu
m = [GT G]1 GT d
dalam hal ini bukankah
m=

d
G

dimana d berupa vektor dan G berupa matrik? Bentuknya sama persis dengan vektor f dibagi
matrik Jacobian pada Persamaan 13.14. Dengan demikian formulasi Newton dalam komputasi
dapat saya nyatakan sebagai
(xbp , ypb ) = (xp , yp ) [J T (xp , yp )J(xp , yp )]1 J T (xp , yp )f(xp , yp )

(13.15)

Jika saya munculkan vektor m dimana


m=

"

m1
m2

" #
xp
yp

maka formulasi Newton di atas dapat saya modif menjadi


mb = m [J T (m)J(m)]1 J T (m)f(m)

(13.16)

13.6. APLIKASI: MENCARI PUSAT GEMPA

255

dimana mb adalah vektor yang berisi unknown-parameters ter-update hasil iterasi sekian kali.
Untuk mengakhiri catatan ini, berikut saya tuliskan script Matlab untuk kasus mencari koordinat sumber sinyal. Dalam hal ini saya membuat fungsi eksternal untuk menghitung elemenelemen vektor f dan elemen-elemen matrik Jacobian J. Sebagai nilai awal, saya pilih xp = -2
dan yp = 5. Saat iterasi berakhir, akan didapat xp = -3,9986 dan yp = -7,9997 dengan jumlah
iterasi = 8. Sedangkan solusi yang sesungguhnya adalah xp = -4 dan yp = -8.
1
2
3
4
5

%
%
%
%
%

PROGRAM - Mencari Sumber Sinyal


Diketahui 4 stasiun menerima sinyal dari sumber yang sama. Tiap-tiap
stasiun memiliki koordinat (x,y). Waktu tempuh sinyal untuk tiap-tiap
stasiun sudah diketahui. Tentukan koordinat sumber sinyal tersebut.
Supriyanto, Fisika-UI, 15-12-2012

6
7
8
9

clc
clear all
close all

10
11
12
13
14

x
y
t
v

=
=
=
=

[6 7 2 -3];
% koordinat x tiap stasiun
[10 -6 9 -8];
% koordinat y tiap stasiun
[0.7354 0.3992 0.6438 0.0357]; % waktu tempuh sinyal di tiap stasiun
28;
% kecepatan rambat sinyal

15
16

m = [-2 5];

% dugaan awal posisi sumber sinyal xp = -2 dan yp = 5

epsilon = 1e-12;
itermaks = 1000;

% batas ketelitian hasil perhitungan


% batas iterasi maksimum

17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

% ============ INVERSI NON-LINEAR =======================================


for p = 1:itermaks
xl = m(1);
yl = m(2);
fungsi = f(x,y,xl,yl,v,t);
% mendapatkan vektor f
[dtdxp,dtdyp] = ft(x,y,xl,yl,v); % menghitung turunan tiap detektor
% ==== Menghitung elemen-elemen matrik Jacobian ====================
for k = 1:4
% kebetulan jumlah datanya hanya 4
J(k,1) = dtdxp(k);
J(k,2) = dtdyp(k);
% kebetulan matrik Jacobiannya cuma 2 kolom
end
m = [xl;yl] - inv(J*J)*J*fungsi;
if sqrt((m(1)-xl)^2+(m(2)-yl)^2) < epsilon
break
end
end

37
38
39
40
41

% ============ HASIL
xp = m(1)
%
yp = m(2)
%
Jml_iterasi = p
%

INVERSI : POSISI SUMBER SINYAL =====================


koordinat x sumber sinyal
koordinat y sumber sinyal
jumlah iterasi

13.6 Aplikasi: Mencari pusat gempa


Sekarang kita akan membahas aplikasi metode Newton untuk menyelesaikan masalah riil, yaitu
mencari pusat gempa.

BAB 13. SOLUSI SISTEM PERSAMAAN NON LINEAR

256

No

Lokasi stasiun

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Bayah
Cisolok
Pelabuhan Ratu
Sukabumi
Jakarta
Serpong
Serang
Merak
Rajabasa
Krakatau
Bandar Lampung
Ulu Belu
Cibaliung
Labuhan
Pandeglang
Rangkasbitung
Pangandaran
Garut

Tabel 13.2: Data Gempa


Bujur (UTM) Lintang (UTM) Elevasi (m)
637832,12
663404,05
672826,09
716515,83
704103,18
685530,76
626149,27
610679,32
572069,29
548069,44
529521,76
448850,75
538002,47
591398,14
622310,20
641858,34
641645,15
821353,91

9233524,43
9230887,17
9227840,52
9243720,59
9313254,00
9301381,24
9321631,57
9341758,86
9354831,95
9319709,03
9397735,04
9419854,84
9257238,94
9298007,77
9302623,36
9295866,68
9148191,79
9197731,98

24
47
225
1303
13
45
54
6
7
279
4
1090
95
7
249
66
1
829

Waktu tempuh (dt)


14,3969
18,7538
20,4636
30,9577
37,1075
32,1874
29,8686
33,8572
37,2062
31,0471
49,5118
62,9535
20,7673
23,8196
25,4868
25,5319
86,2979
53,8889

Bab 14

Metode Monte Carlo

Objektif :
Mengenalkan metode Monte Carlo

14.1 Penyederhanaan
Kita awali pembahasan metode Monte Carlo dengan mengetengahkan contoh yang sangat terkenal yaitu menghitung luas suatu lingkaran. Fugure 1 memperlihatkan lingkaran dengan radius
r = 1 berada di dalam kotak bujursangkar. Luas lingkaran adalah r 2 = (1)2 = sementara
luas bujursangkar adalah (2)2 = 4. Rasio antara luas lingkaran dan luas bola adalah
=

luas lingkaran

= = 0, 7853981633974483
luas bujursangkar
4

Gambar 14.1: Lingkaran dan bujursangkar


257

(14.1)

BAB 14. METODE MONTE CARLO

258

Jadi, dengan mengetahui nilai , maka kita bisa menghitung luas lingkaran dengan cara
luas

lingkaran = luas bujursangkar

(14.2)

Bayangkan anda punya satu set permainan dart. Anda lemparkan sejumlah dart ke arah
lingkaran tadi. Misalnya, total dart yang menancap di papan dart ada 1024 buah. Sebanyak
812 dart berada di dalam lingkaran, dan yang lainnya di luar lingkaran. Rasio antara keduanya
=

total

812
dart di dalam lingkaran
=
= 0, 79296875
dart di dalam bujursangkar
1024

(14.3)

Gambar 14.2: Dart yang menancap pada bidang lingkaran dan bujursangkar
Dengan pendekatan ke persamaan (14.2) maka luas lingkaran adalah
luas

lingkaran = luas bujursangkar


= 0, 79296875 4
= 3, 171875

Apakah angka ini make sense ? Mungkin anda masih ragu. Sekarang mari kita coba hitung nilai
dengan mengacu pada rumus di atas. Kita sepakati saja bahwa dart yang berada di dalam
lingkaran mesti memenuhi x2i + yi2 1. Dalam perhitungan, semua dart diganti dengan bi-

langan acak (random number ). Dari 1000 dart, yang masuk lingkaran ada 787 buah, sehingga,
mengacu persamaan (14.3)
=

787
= 0, 787
1000

maka berdasarkan persamaan (14.1)


= 4 = 0, 787 4 = 3, 148
Lumayan akurat bukan? Semakin banyak jumlah dart, semakin akurat nilai yang anda pero-

14.1. PENYEDERHANAAN

259

Gambar 14.3: Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar
leh.
Sekarang mari kita kembangkan metode Monte Carlo ini untuk menghitung luas suatu area
yang terletak di bawah garis kurva suatu fungsi f (x). Atau sebut saja menghitung integral suatu
fungsi f (x) yang dievaluasi antara batas a dan b. Luas kotak R yang melingkupi luas bidang
integral A adalah
R = {(x, y) : a x b dan

0 y d}

(14.4)

dimana
d = maksimum

f (x) ,

axb

(14.5)

260

BAB 14. METODE MONTE CARLO

Bab 15

Inversi

Objektif :
Mengenalkan inversi linear
Mengenalkan inversi non-linear

15.1 Inversi Linear


Diketahui data eksperimen tersaji dalam tabel berikut ini
xi
1
2
3
4
5

yi
1,3
3,5
4,2
5,0
7,0

xi
6
7
8
9
10

yi
8,8
10,1
12,5
13,0
15,6

Lalu data tersebut di-plot dalam sumbu x dan y. Sekilas, kita bisa melihat bahwa data yang
16
14
12
10

Y 8
6
4
2
0
1

10

telah di-plot tersebut dapat didekati dengan sebuah persamaan garis, yaitu a1 xi + a0 . Artinya,
261

BAB 15. INVERSI

262

kita melakukan pendekatan secara linear, dimana fungsi pendekatan-nya adalah


P (xi ) = a1 xi + a0

(15.1)

Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa, sehingga posisi
garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas?
Dengan kata lain, sebisa mungkin yi sama dengan P (xi ) atau dapat diformulasikan sebagai
m
X

yi P (xi ) = 0

(15.2)

yi (a1 xi + a0 ) = 0

(15.3)

i=1

m
X
i=1

dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu
E(a0 , a1 ) =

m
X
i=1

yi (a1 xi + a0 )

(15.4)

Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Jadi, tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. Namun
demikian, kita masih bisa berharap agar fungsi error menghasilkan suatu nilai, dimana nilai
tersebut adalah nilai yang paling minimum atau paling mendekati nol. Harapan tersebut diwujudkan oleh metode least square dengan sedikit modikasi pada fungsi error-nya sehingga
menjadi
m
X
[yi (a1 xi + a0 )]2
E(a0 , a1 ) =

(15.5)

i=1

Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
E(a0 , a1 )
=0
ai

(15.6)

dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a0 dan a1 . Maka mesti ada dua
buah turunan yaitu:
m
X
E(a0 , a1 )
[yi (a1 xi + a0 )]2 = 0
=
a0
a0
i=1

m
X
i=1

(yi a1 xi a0 )(1) = 0
a0 .m + a1

m
X
i=1

xi =

m
X
i=1

yi

(15.7)

15.1. INVERSI LINEAR

263

dan
m
X
E(a0 , a1 )
[yi (a1 xi + a0 )]2 = 0
=
a1
a1
i=1

m
X
i=1

(yi a1 xi a0 )(xi ) = 0
a0

m
X
i=1

x i + a1

m
X

x2i

i=1

m
X

xi y i

(15.8)

i=1

Akhirnya persamaan (15.7) dan (15.8) dapat dicari solusinya berikut ini:
a0 =

Pm

dan
a1 =

2
i=1 xi

Pm

Pm
Pm
i=1 yi
i=1 xi yi
i=1 xi
Pm 2 
Pm
2
i=1 xi ( i=1 xi )

Pm
Pm
yi
i=1 xi
i=1 xi yi
Pm 2 
Pm i=12
m
i=1 xi ( i=1 xi )
Pm

(15.9)

(15.10)

Coba anda bandingkan kedua hasil di atas dengan rumus least square yang terdapat pada buku
Praktikum Fisika Dasar keluaran Departemen Fisika-UI. Mudah-mudahan sama persis. OK,
berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka didapat:
a0 =

385(81) 55(572, 4)
= 0, 360
10(385) (55)2

(15.11)

10(572, 4) 55(81)
= 1, 538
10(385) (55)2

(15.12)

dan
a1 =

Jadi, fungsi pendekatan-nya, P (xi ), adalah


P (xi ) = 1, 538xi 0, 360

(15.13)

Solusi least square dengan pendekatan persamaan garis seperti ini juga dikenal dengan nama
lain yaitu regresi linear. Sedangkan nilai a0 dan a1 disebut koefisien regresi. Gambar di
bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya
Tentu saja anda sudah bisa menduga bahwa selain regresi linear, mungkin saja terdapat regresi
parabola atau quadratik dimana fungsi pendekatannya berupa persamaan parabola, yaitu:
P (xi ) = a2 x2i + a1 xi + a0

(15.14)

dimana koesien regresinya ada tiga yaitu a0 , a1 dan a2 . Kalau anda menduga demikian, maka
dugaan anda benar! Bahkan sebenarnya tidak terbatas sampai disitu. Secara umum, fungsi
pendekatan, P (xi ), bisa dinyatakan dalam aljabar polinomial berikut ini:
P (xi ) = an xni + an1 xin1 + ... + a2 x2i + a1 xi + a0

(15.15)

BAB 15. INVERSI

264
16

P(x) = 1.538*x 0.36

14
12
10
8
6
4
2
0
2
0

10

Namun untuk saat ini, saya tidak ingin memperluas pembahasan hingga regresi parabola, dan
polinomial. Saya masih ingin melibatkan peranan metode eliminasi gauss dalam menyelesaikan
problem least square seperti yang selalu saya singgung pada catatan-catatan kuliah saya yang
terdahulu. Nah, kalau metode eliminasi gauss hendak digunakan untuk mencari solusi regresi
linear, kita bisa mulai dari persamaan (15.7) dan (15.8), yaitu:
a0 .m + a1
a0

m
X

x i + a1

i=1

m
X

i=1
m
X

m
X

xi =

i=1
m
X

x2i =

yi
xi y i

i=1

i=1

Keduanya bisa dinyatakan dalam operasi matrik:


"

m
Pm

i=1 xi

Pm

i=1 xi

Pm

2
i=1 xi

#"

a0
a1

" P
m

i=1 yi

Pm

i=1 xi yi

(15.16)

Kalau anda mengikuti catatan-catatan terdahulu, pasti anda tidak asing lagi dengan dengan semua elemen-elemen matrik di atas. Semua sudah saya ulas pada catatan yang berjudul Aplikasi
Elimininasi Gauss: Model Garis. Silakan anda lanjutkan perhitungan matrik tersebut hingga
diperoleh koesien regresi a0 dan a1 . Selamat mencoba!

15.2 Inversi Non-Linear


Persamaan least squares linear adalah sebagai berikut:
[Gt G]m = Gt d

(15.17)

Persamaan least squares non-linear dapat dinyatakan sebagai berikut:


[Gt G + I]m = Gt d

(15.18)

15.2. INVERSI NON-LINEAR

265

dimana G adalah matrik kernel, namun dia juga biasa dikenal dengan sebutan matrik Jacobian, sementara adalah faktor pengali Lagrange, dan I adalah matrik identitas yang ordenya
disesuaikan dengan Gt G. Adapun denisi m dan d akan dijelaskan pada bagian akhir catatan
ini.
Langkah-langkah untuk menyelesaikan problem least squares non-linear adalah:
1. Menentukan model, misal f (x) = xm
2. Menghitung jacobian, G. Caranya adalah menghitung turunan pertama dari model terhadap model-parameter, m. Sesuai permisalan pada point 1, didapat
G=

f (x)
= xm ln(x)
m

(15.19)

3. Membuat perhitungan simulasi, misalnya ditentukan m = 2. Nilai m adalah nilai yang


hendak dicari. Dalam simulasi, nilai m dianggap sudah diketahui bahkan ditentukan. Lalu
hitunglah f (x) = xm dengan x bergerak dari x = 1, 2, 3.., 10. Jadi, nanti akan didapat 10
buah f (x). Mau lebih dari 10 juga boleh, terserah saja. Hasil hitungannya dikasih nama d,
jadi d = f (x). Karena dalam simulasi ini x-nya bergerak hanya sampai 10, maka hasilnya
mesti ada 10 d, yaitu d1 , d2 , .., d10 .
4. Buatlah perhitungan untuk m sembarang, misal mula-mula dipilih m = 5. Ini adalah nilai
awal dari m yang akan diiterasikan sedemikian rupa hingga nantinya m akan menuju 2
sesuai dengan nilai m pada simulasi (point 3). Bagusnya dibedakan penulisannya, atau
tulis saja m0 = 5, dimana m0 maksudnya adalah m mula-mula. Lalu hitung lagi nilai
0

f (x) = xm . Sekarang dinamakan dc = f (x). Jangan lupa bahwa saat perhitungan, nilai
x bergerak dari 1 sampai 10. Jadi, nanti didapat 10 dc .
5. Hitunglah d, dimana d = dc d. Sebelumnya sudah dinyatakan bahwa dc ada 10 buah,
demikian juga d ada 10 buah, maka d harus ada 10 buah juga.

6. Selanjutnya hitung ||d|| yang rumusnya seperti ini


||d|| =

1
1
(dc d)2 = d2
N
N

(15.20)

dimana N = 10 karena d-nya ada 10. Rumus ini tidak mutlak harus demikian, anda bisa
juga menggunakan norm 2, 2 .
7. Tentukan nilai epsilon, , misal = 0.000001. Lalu lakukan evaluasi sederhana. Cek,
apakah ||d|| < ? Pasti awalnya ||d|| > , kenapa? Karena m 6= m0 . Kalau begini
situasinya, d yang ada 10 biji itu dimasukan kedalam proses berikutnya.

8. Hitunglah operasi matriks berikut ini untuk mendapatkan m


[Gt G + I]m = Gt d

(15.21)

BAB 15. INVERSI

266

dengan -nya dikasih nilai sembarang antara 0 dan 1, misalnya = 0.005. Perhitungan
ini bisa diselesaikan dengan metode eliminasi gauss.
9. Ganti nilai m0 menjadi m1 sesuai dengan rumus
m1 = m0 + m

(15.22)

Nah, m1 ini dimasukan ke proses yang dijelaskan pada point 4 kemudian proses diulangi
hingga point 9, begitu seterusnya. Dari sinilah dimulai proses iterasi. Iterasi akan berhenti
bila ||d|| < . Pada saat itu, nilai mk akan mendekati m = 2 sesuai dengan m simulasi.
Selamat mencoba! Saya juga telah menulis beberapa persamaan non-linear sebagai bahan
latihan. Lihat saja di Latihan 1. Tapi tolong diperiksa lagi, apakah jacobiannya sudah benar
atau ada kekeliruan. Selanjutnya, kalau ada pertanyaan atau komentar, silakan kirim ke supri92@gmail.com

Bab 16

Lampiran

16.1 Script Iterasi Jacobi, jcb.m


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%

Fungsi Eksternal - METODE ITERASI JACOBI


Script ini adalah hasil akhir dari proses penyempurnaan script
berulang-ulang yang diajarkan pada kuliah Analisis Numerik
di Ruang B203, Gedung B, FMIPA-UI.
Perhatikan bahwa elemen diagonal matrik A harus berisi angka
yang paling besar. Contoh penggunaan script ini adalah
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
b = [ 6 ; 25 ; -11 ; 15 ];
xawal = [12 ; 0.3; -0.12; 6];
[xakhir,L2,k] = jcb(A,b,xawal)
atau
[xakhir,L2] = jcb(A,b,xawal)
atau
[xakhir] = jcb(A,b,xawal)
script ini disusun oleh Supriyanto (1 Feb 2011)

24
25
26
27

function [xbaru, L2, k] = jcb(A,b,xlama)


% L2 diatas ini menyimpan nilai norm2-selisih antara xbaru dan xlama;
% Sementara k menyimpan jumlah iterasi aktual.

28
29
30
31
32

% epsilon adalah batas nilai selisih antara xbaru dan xlama yang
% dihitung secara norm-2. Epsilon bisa diartikan sebagai batas
% toleransi. Anda bisa merubahnya sesuai kebutuhan.
epsilon = 10^(-5);

33
34
35
36

% itermaks adalah jumlah iterasi maksimum yang mampu dilakukan


% oleh function ini. Anda bisa merubahnya sesuai kebutuhan.
itermaks = 1000;

37
38

n = length(A);

267

268
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55

for p = 1:n
J(p,p) = 0;
for k = 1:n
if k ~= p
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p)/A(p,p);
end
for k = 1:itermaks
xbaru = J*xlama + u;
L2 = norm2(xlama-xbaru);
if L2 < epsilon
break;
end
xlama = xbaru;
end

16.2 Script Iterasi Gauss-Seidel, itgs.m


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

% Fungsi Eksternal - METODE GAUSS-SEIDEL


% Script ini adalah hasil akhir dari proses penyempurnaan script
% berulang-ulang yang diajarkan pada kuliah Analisis Numerik
% di Ruang B203, Gedung B, FMIPA-UI.
%
% Perhatikan bahwa elemen diagonal matrik A harus berisi angka
% yang paling besar. Contoh penggunaan script ini adalah
%
A = [ 10 -1 2 0;
%
-1 11 -1 3;
%
2 -1 10 -1;
%
0 3 -1 8];
%
%
b = [ 6 ; 25 ; -11 ; 15 ];
%
%
xawal = [12 ; 0.3; -0.12; 6];
%
%
[xakhir,L2,v] = jcb(A,b,xawal)
%
atau
%
[xakhir,L2] = jcb(A,b,xawal)
%
atau
%
[xakhir] = jcb(A,b,xawal)
%
% script ini disusun oleh Supriyanto (1 Feb 2011)
function [xbaru,L2,v] = itgs(A,b,xlama)
% L2 diatas ini menyimpan nilai norm2-selisih antara xbaru dan xlama;
% Sementara v menyimpan jumlah iterasi aktual.

27
28
29
30
31

% epsilon adalah batas nilai selisih antara xbaru dan xlama yang
% dihitung secara norm-2. Epsilon bisa diartikan sebagai batas
% toleransi. Anda bisa merubahnya sesuai kebutuhan.
epsilon = 10^(-5);

32
33
34
35
36
37

% itermaks adalah jumlah iterasi maksimum yang mampu dilakukan


% oleh function ini. Anda bisa merubahnya sesuai kebutuhan.
itermaks = 1000;
n = length(A);
for k = 1:n

BAB 16. LAMPIRAN

16.2. SCRIPT ITERASI GAUSS-SEIDEL, ITGS.M


38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69

J(k,k) = 0;
for q = 1:n
if q ~= k
J(k,q) = -A(k,q)/A(k,k);
end
end
p(k,1) = b(k)/A(k,k);
end
L = zeros(n);
U = zeros(n);
for q = 1:n-1
for k = q+1:n
L(k,q) = J(k,q);
U(q,k) = J(q,k);
end
end
for v = 1:itermaks
xsmt = U*xlama + p;
xbaru(1,1) = xsmt(1,1);
for q = 1:n-1
sum = 0;
for k = 1:q
sum = sum + L(q+1,k)*xbaru(k,1);
end
xbaru(q+1,1) = sum + xsmt(q+1,1);
end
L2 = norm2(xbaru-xlama);
if L2 < epsilon
break;
end
xlama = xbaru;
end

269

You might also like