P. 1
metode numerik

metode numerik

|Views: 243|Likes:
Published by Agoeng Berani Sms

More info:

Published by: Agoeng Berani Sms on Oct 19, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/26/2013

pdf

text

original

Sections

  • Akar Fungsi
  • Kesalahan
  • Kecepatan Konvergensi
  • Solusi Sistem Persamaan Linear
  • Data Fitting dengan Metode Least Square
  • Interpolasi
  • Integrasi
  • Persamaan Differensial

Metode Numerik 1

Daftar Pustaka:
• P. L. DeVries, A First Course in Computational Physics (John Wiley &
Sons, Inc., New York, 1994)
• W. H. Press, et. al., Numerical Recipes in Fortran 77, 2
nd
Ed. (Cambridge
University Press, New York, 1992)
(online / free download: http://www.nrbook.com/a/bookfpdf.php)
Imam Fachruddin
(Departemen Fisika, Universitas Indonesia)
Isi
• akar fungsi
• solusi sistem persamaan linear
• fitting dengan least square
• interpolasi
• integrasi
• persamaan differensial
Akar Fungsi
akar fungsi f(x)
Contoh:
7x - 6 3x
2
= 0 3) 2)(x - (3x 6 - 7x 3x
2
= + = +
x = 2/3 dan -3
0
x
1
- x =
1 x
2
=
x = 1 dan -1
f(x) = 0 x = ?
Pada dua contoh di atas akar fungsi dapat
dicari secara analitik.
Secara umum, tidak selalu begitu keadaannya.
Problem:
Sebuah lampu dipasang di pinggir sebuah piringan berjari-jari 10 cm.
Sebuah plat bercelah sempit diletakkan di dekat piringan itu. Tepat di
belakang celah itu dipasang sebuah sensor cahaya yang menghadap tegak
lurus ke celah. Piringan diputar konstan 1 rad/s dan plat beserta sensor
digeser lurus konstan 10 cm/s. Saat ini posisi celah dan lampu seperti pada
gambar 1. Kapan sensor cahaya menerima cahaya terbanyak?
Sensor menerima cahaya terbanyak pada saat posisi lampu dan celah
membentuk garis tegak lurus terhadap plat, seperti pada gambar 2.
v
ω
r
lampu
sensor
x = r cos (ωt) = vt
celah
plat
gambar 1 gambar 2
cos (t) = t
?
Grafik ini
menunjukkan
bahwa cos(x) = x
pada x sedikit
kurang dari 0.75.
Cari secara numerik akar fungsi dari
f(x) = cos(x) - x
Bisakah lebih akurat lagi?
Plot cos(x) dan x:
Bisection
Prinsip: Kurung akar fungsi di antara dua batas, lalu paruh batas itu
terus menerus sampai batas itu sedemikian sempit dan dengan
demikian lokasi akar fungsi diketahui dengan keakuratan tertentu.
Langkah:
1. Perkirakan akar fungsi (bisa
dengan cara memplot fungsi).
2. Tentukan batas awal yang
mengurung akar fungsi.
3. Belah dua daerah berisi akar fungsi
itu.
4. Tentukan daerah yang berisi akar
fungsi.
5. Ulangi langkah 3 dan 4 sampai
dianggap cukup.
6. Tentukan akar fungsi.
akar fungsi
a b c d e f
Batas e, f atau
nilai di
tengahnya bisa
dipilih sebagai
akar fungsi.
• Menentukan daerah yang berisi akar fungsi:
Jika z merupakan akar fungsi, maka
f(x < z) dan f(x > z) saling berbeda
tanda.
f(a)*f(c) negatif, berarti di antara a & c
ada akar fungsi.
f(b)*f(c) positif, berarti di antara b & c
tidak ada akar fungsi
x
z
a c b
• Menentukan kapan proses pencarian akar fungsi berhenti:
Proses pencarian akar fungsi dihentikan setelah keakuratan yang
diinginkan dicapai, yang dapat diketahui dari kesalahan relatif semu.
kesalahan relatif semu =
perkiraan sebelum - perkiraan berikut
perkiraan berikut
f(x)
Kesalahan
kesalahan mutlak = | perkiraan – nilai sebenarnya |
kesalahan mutlak semu = | perkiraan sebelum – perkiraan berikut |
perkiraan – nilai sebenarnya
nilai sebenarnya
perkiraan sebelum - perkiraan berikut
perkiraan berikut
kesalahan relatif semu =
kesalahan relatif =
Dalam perhitungan numerik, nilai sebenarnya justru sering tidak diketahui, yang
didapat hanya perkiraan terbaik. Karena perkiraan langkah berikut dianggap lebih
akurat, yaitu lebih mendekati nilai sebenarnya, maka kesalahan yang dihitung
yaitu:
Newton-Raphson
Prinsip: Buat garis singgung kurva f(x) di titik di sekitar akar fungsi.
Titik tempat garis singgung itu memotong garis nol ditentukan
sebagai akar fungsi.
x
f(x)
akar fungsi yang diperoleh
p(x) = garis singgung kurva
f(x) di titik f(a)
a
akar fungsi sebenarnya
Diperoleh:
x
a
c
f(x)
p(x)
0 p(c) =
(a) f'
f(a)
a c − =
(a) a)f' (x f(a) p(x) − + =
(f’(a) turunan pertama f(x) pada x = a)
x
a
c
f(x)
(a) f'
f(a)
a c − =
Langkah:
1. Perkirakan akar fungsi.
2. Buat garis singgung pada titik
sesuai akar fungsi yang
diperkirakan itu, lalu cari
titik potongnya dengan garis
nol.
3. Titik potong itu merupakan
perkiraan akar fungsi baru.
4. Ulangi langkah 2 dan 3 sampai
dianggap cukup.
5. Titik potong garis nol dan
garis singgung kurva yang
terakhir dinyatakan sebagai
akar fungsi.
c
a
f(x)
akar fungsi
sebenarnya
x
x
f(x)
x
f(x)
1
2
1
2
Contoh perkiraan akar
fungsi awal yang baik
perkiraan akar fungsi
makin mendekati akar
fungsi sebenarnya.
Contoh perkiraan akar
fungsi awal yang buruk
perkiraan akar fungsi
makin menjauhi akar
fungsi sebenarnya.
Menghitung akar fungsi dengan metode Newton-Raphson:
kesalahan relatif semu:
1 i
1 i i
rel
x
x x
+
+

= ∆
Penghitungan dihentikan jika kesalahan relatif semu sudah
mencapai / melampaui batas yang diinginkan.
( ) a x ...; 2, 1, 0, i
) (x f'
) f(x
x x
0
i
i
i 1 i
= = − =
+
Kecepatan Konvergensi
Pencarian akar fungsi dimulai dengan perkiraan akar fungsi yang
pertama, lalu diikuti oleh perkiraan berikutnya dan seterusnya sampai
perkiraan yang terakhir, yang kemudian dinyatakan sebagai akar fungsi
hasil perhitungan tersebut. Proses itu harus bersifat konvergen yaitu,
selisih perkiraan sebelum dari yang setelahnya makin lama makin kecil.
Setelah dianggap cukup, proses pencarian akar fungsi berhenti.
Kecepatan konvergensi sebuah proses yaitu, kecepatan proses itu untuk
sampai pada hasil akhir.
ε x x ... x x x x x x
n n 3 4 2 3 1 2
≤ − − > − > −
−1
(ε = bilangan kecil)
Contoh pencarian akar fungsi dengan metode Bisection:
x
a b
2
x
3
x
4
x
1
x
3 4 3 2 3 2 1 2 1
x x ε , x x ε , x x ε − = − = − =
akar fungsi
Kecepatan konvergensi bersifat linear:
i 2
1
1 i
ε ε =
+
Jika
2 2
1
3 1 2
1
2
ε ε , ε ε = =
i 1 i i
x x ε − ≡
+
, maka dari gambar diperoleh:
) (x f'
) f(x
x x
i
i
i 1 i
− =
+
) (x f'
) f(x
x x ε
i
i
1 i i i
= − ≡
+
?
) (x f'
) f(x
ε
1 i
1 i
1 i
= =
+
+
+
ekspansi deret Taylor: ... ) (x ' f' ε ) (x f' ε ) f(x ) ε f(x ) f(x
i
2
i 2
1
i i i i i 1 i
− + − = − =
+
... ) (x ' f' ε ) (x f' ) ε (x f' ) (x f'
i i i i i 1 i
+ − = − =
+
2
i
i
i
i
i
2
i 2
1
i i i
i i i
i
2
i 2
1
i i i
1 i
ε
) (x 2f'
) (x ' f'
) (x f'
) (x ' f' ε ) (x f' ε ) f(x
... ) (x ' f' ε ) (x f'
... ) (x ' f' ε ) (x f' ε ) f(x
ε

+ −

+ −
− + −
=
+
Kecepatan konvergensi pada metode Newton-Raphson
bersifat kurang lebih kuadratik:
2
i
i
i
1 i
ε
) (x 2f'
) (x ' f'
ε ≅
+
Dengan begitu, metode Newton-Raphson lebih cepat dari metode Bisection.
Pada metode Newton-Raphson:
Contoh hasil pencarian akar fungsi untuk soal cos(x) = x:
metode
Bisection
Newton-Raphson
akar
0.7390795
0.7390851
f(akar)
9.3692161E-06
-7.7470244E-09
jumlah langkah
12
4
Keterangan: • Pencarian akar berhenti jika kesalahan relatif semu
sama atau kurang dari 1.0E-05.
• Batas awal kiri dan kanan untuk metode Bisection
0.72 dan 0.75.
• Perkiraan akar fungsi pertama untuk metode
Newton-Raphson 0.72.
Solusi Sistem
Persamaan Linear
Sistem persamaan linear:
n n nn 3 n3 2 n2 1 n1
3 n 3n 3 33 2 32 1 31
2 n 2n 3 23 2 22 1 21
1 n 1n 3 13 2 12 1 11
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
= + + +
= + + +
= + + +
= + + +

⋮ ⋮ ⋱ ⋮ ⋮ ⋮



ij
a
i
b
n buah
persamaan
dengan n buah
unknown
j
x
dan
diketahui
i, j = 1, 2, …, n
? x
j
=
Soal:
(3) 0 z y x
(2) 2 3z 2y x
(1) 6 2z 3y 2x
= − +
= − + −
− = + −
Jawab:
(3) 3 2z 2.5y
(2) 1 2z 0.5y
(1) 6 2z 3y 2x
= −
− = −
− = + −
1
2
2z 3y 6
x
2
0.5
2z 1
y
1 z
− =
− + −
=
=
+ −
=
=
eliminasi x:
pers. (2) + 0.5 pers. (1)
pers. (3) – 0.5 pers. (1)
substitusi mundur:
pers. (3) mencari z
pers. (2) mencari y
pers. (1) mencari x
(3) 8 8z
(2) 1 2z 0.5y
(1) 6 2z 3y 2x
=
− = −
− = + −
eliminasi y:
pers. (3) – 5 pers. (2)
3 persamaan dan
3 unknown
Dalam bentuk matriks:
Soal:
Jawab:
|
|
|
¹
|

\
|

=
|
|
|
¹
|

\
|
|
|
|
¹
|

\
|

− −

0
2
6
z
y
x
1 1 1
3 2 1
2 3 2
|
|
|
¹
|

\
|


=
|
|
|
¹
|

\
|
|
|
|
¹
|

\
|



3
1
6
z
y
x
2 2.5 0
2 0.5 0
2 3 2
|
|
|
¹
|

\
|


=
|
|
|
¹
|

\
|
|
|
|
¹
|

\
|


8
1
6
z
y
x
8 0 0
2 0.5 0
2 3 2
1
2
2z 3y 6
x
2
0.5
2z 1
y
1 z
− =
− + −
=
=
+ −
=
=
Eliminasi Gauss
Metode Eliminasi Gauss mencari solusi sebuah sistem persamaan linear
dengan cara seperti ditunjukkan pada contoh sebelum ini:
|
|
|
|
|
|
¹
|

\
|
=
|
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
|
¹
|

\
|
n
3
2
1
n
3
2
1
nn n3 n2 n1
3n 33 32 31
2n 23 22 21
1n 13 12 11
b
b
b
b
x
x
x
x
a a a a
a a a a
a a a a
a a a a
⋮ ⋮

⋮ ⋱ ⋮ ⋮ ⋮



n) ..., k, j n; ..., 1, k i
1; n ..., 1, (k
b
a
a
b b
a
a
a
a a
b b , a a
1) (k
k
1) - (k
kk
1) - (k
ik
1) (k
i
(k)
i
1) - (k
kj
1) - (k
kk
1) - (k
ik
1) - (k
ij
(k)
ij
i
(0)
i ij
(0)
ij
= + =
− =
− =
− =
= =
− −
|
|
|
|
|
|
¹
|

\
|
=
|
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
|
¹
|

\
|
1) - (n
n
(2)
3
(1)
2
(0)
1
n
3
2
1
1) - (n
nn
(2)
3n
(2)
33
(1)
2n
(1)
23
(1)
22
(0)
1n
(0)
13
(0)
12
(0)
11
b
b
b
b
x
x
x
x
a 0 0 0
a a 0 0
a a a 0
a a a a



⋮ ⋱ ⋮ ⋮ ⋮



halaman berikut
i ij
(m)
i
(m)
ij
b a b a , , ≡
pada langkah ke m
1) n ..., 1, (j
a
x a b
x
a
b
x
1) - j - (n
j - n j, - n
n
1 j - n k
k
1) - j - (n
k j, - n
1) - j - (n
j - n
j n
1) - (n
nn
1) - (n
n
n
− =

=
=

+ =

|
|
|
|
|
|
¹
|

\
|
=
|
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
|
¹
|

\
|
1) - (n
n
(2)
3
(1)
2
(0)
1
n
3
2
1
1) - (n
nn
(2)
3n
(2)
33
(1)
2n
(1)
23
(1)
22
(0)
1n
(0)
13
(0)
12
(0)
11
b
b
b
b
x
x
x
x
a 0 0 0
a a 0 0
a a a 0
a a a a



⋮ ⋱ ⋮ ⋮ ⋮



Substitusi mundur:
Jadi, metode Eliminasi Gauss terdiri dari dua tahap:
= =
1. triangulasi: mengubah matriks A menjadi matriks segitiga
(matriks B dengan begitu juga berubah)
= X B A atau AX = B
2. substitusi mundur: menghitung x mengikuti urutan terbalik,
dari yang terakhir ( ) sampai yang pertama ( )
n
x
1
x
= X B A
Pada kasus yang lebih umum bisa saja terdapat beberapa sistem
persamaan linear dengan nilai B yang berlainan, namun memiliki nilai A
yang sama.
Dalam bentuk matriks sistem seperti ini dituliskan sebagai:
AX = B
Kasus Beberapa Sistem Persamaan Linear
atau
Keterangan: • A matriks n x n, X dan B matriks n x m, dengan m =
jumlah sistem persamaan linear, n = jumlah persamaan
/ unknown dalam tiap sistem persamaan tersebut
• Tiap kolom matriks X merupakan solusi untuk kolom
yang sama pada matriks B.
Langkah dan rumus pada metode Eliminasi Gauss berlaku sama untuk
kasus ini. Hanya saja, di sini matriks X dan B terdiri dari beberapa
kolom, bukan hanya satu.
Contoh dua sistem persamaan linear yang memiliki nilai A sama tapi B berbeda.
|
|
|
|
|
|
¹
|

\
|
=
|
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
|
¹
|

\
|
n1
31
21
11
n1
31
21
11
nn n3 n2 n1
3n 33 32 31
2n 23 22 21
1n 13 12 11
b
b
b
b
x
x
x
x
a a a a
a a a a
a a a a
a a a a
⋮ ⋮

⋮ ⋱ ⋮ ⋮ ⋮



|
|
|
|
|
|
¹
|

\
|
=
|
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
|
¹
|

\
|
n2
32
22
12
n2
32
22
12
nn n3 n2 n1
3n 33 32 31
2n 23 22 21
1n 13 12 11
b
b
b
b
x
x
x
x
a a a a
a a a a
a a a a
a a a a
⋮ ⋮

⋮ ⋱ ⋮ ⋮ ⋮



|
|
|
|
|
|
¹
|

\
|
=
|
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
|
¹
|

\
|
n2 n1
32 31
22 21
12 11
n2 n1
32 31
22 21
12 11
nn n3 n2 n1
3n 33 32 31
2n 23 22 21
1n 13 12 11
b b
b b
b b
b b
x x
x x
x x
x x
a a a a
a a a a
a a a a
a a a a
⋮ ⋮ ⋮ ⋮

⋮ ⋱ ⋮ ⋮ ⋮



Metode Eliminasi Gauss:
m) ..., 1, r n; ..., k, j b
a
a
b b
n; ..., 1, k i 1; n ..., 1, (k a
a
a
a a
m) ..., 1, r n; ..., 1, j (i, b b , a a
1) (k
kr
1) - (k
kk
1) - (k
ik
1) (k
ir
(k)
ir
1) - (k
kj
1) - (k
kk
1) - (k
ik
1) - (k
ij
(k)
ij
ir
(0)
ir ij
(0)
ij
= = − =
+ = − = − =
= = = =
− −
ir ij
(m)
ir
(m)
ij
b a b a , , ≡
pada langkah ke m
• rumus triangulasi:
• rumus substitusi mundur:
m) ..., 1, r 1; n ..., 1, (j
a
x a b
x
m) ..., 1, (r
a
b
x
1) - j - (n
j - n j, - n
n
1 j - n k
kr
1) - j - (n
k j, - n
1) - j - (n
r j, - n
r j, n
1) - (n
nn
1) - (n
nr
nr
= − =

=
= =

+ =

Catatan:
Dalam rumus-rumus metode Eliminasi Gauss terdapat
pembagian oleh elemen diagonal matriks yaitu, oleh elemen
diagonal matriks A.
Jika secara kebetulan elemen diagonal itu nol, maka akan
timbul error.
Karena itu, pada setiap langkah dalam proses triangulasi
matriks A perlu dilakukan pemeriksaan, apakah elemen
matriks A yang bersangkutan sama dengan nol.
Jika bernilai nol, maka baris berisi elemen diagonal nol itu
harus ditukar dengan salah satu baris setelahnya, sehingga
elemen diagonal menjadi bukan nol. Perubahan baris pada
matriks A harus disertai perubahan baris yang sama pada
matriks B.
Soal:
Jawab:
|
|
|
|
|
¹
|

\
|
=
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
¹
|

\
|
− −

− −

2
2
2
2
5 1 3 1
2 1 4 3
2 3 2 1
3 1 4 2
4
3
2
1
x
x
x
x
1
3.5
0.5x 3
x
1 x
4
3
4
=
+
=
=
|
|
|
|
|
¹
|

\
|

=
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
¹
|

\
|
− −
− −


1
1
3
2
5 . 3 5 . 1 1 0
5 . 2 5 . 0 2 0
5 . 0 5 . 3 0 0
3 1 4 2
4
3
2
1
x
x
x
x
|
|
|
|
|
¹
|

\
|

=
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
¹
|

\
|
− −

− −

1
3
1
2
5 . 3 5 . 1 1 0
5 . 0 5 . 3 0 0
5 . 2 5 . 0 2 0
3 1 4 2
4
3
2
1
x
x
x
x
|
|
|
|
|
¹
|

\
|

=
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
¹
|

\
|


− −

5 . 0
3
1
2
25 . 2 75 . 1 0 0
5 . 0 5 . 3 0 0
5 . 2 5 . 0 2 0
3 1 4 2
4
3
2
1
x
x
x
x
|
|
|
|
|
¹
|

\
|

=
|
|
|
|
|
¹
|

\
|
|
|
|
|
|
¹
|

\
|

− −

2
3
1
2
2 0 0 0
5 . 0 5 . 3 0 0
5 . 2 5 . 0 2 0
3 1 4 2
4
3
2
1
x
x
x
x
1
2
3x x 4x 2
x
1
2
2.5x 0.5x 1
x
4 3 2
1
4 3
2
=
− − +
=
=
+ + −
=
baris 2 ditukar
dengan baris 3
Data Fitting dengan
Metode Least Square
x
f(x)
p(x)
• f( ) mewakili data;
i = 1, …, N;
N = jumlah data
• p(x) merupakan fungsi
yang dicocokkan (fitted)
terhadap data f( )
Keterangan:
i
x
i
x
Sifat fitting:
tidak selalu p( ) = f( )
untuk semua .
i
x
i
x
i
x
• Selisih antara p(x) dan f(x) untuk titik data tertentu:
( ) N ..., 1, i x a ) f(x ) p(x ) f(x ∆
m
0 j
j
i j i i i i
= − = − =

=
• p(x) merupakan polinomial orde m:

=
= + + + + + =
m
0 j
j
j
m
m
3
3
2
2 1 0
x a x a ... x a x a x a a p(x)
• Jumlah kuadrat selisih antara p(x) dan f(x) untuk semua titik data:
( )
∑ ∑ ∑ ∑
= = = =
|
|
¹
|

\
|
− = − = =
N
1 i
2
m
0 j
j
i j i
N
1 i
2
i i
N
1 i
2
i
x a ) f(x ) p(x ) f(x ∆ S
(Secara umum, p(x) juga bisa merupakan polinomial bentuk yang
lain seperti, polinomial Legendre.)
Fungsi p(x) ditentukan dengan mencari nilai (j = 0, …, m) yang membuat
S bernilai minimum.
j
a
Prinsip penentuan fungsi p(x):
g(a) merupakan titik minimum jika:
0
dx
dg(x)
a x
=
=
Titik Minimum
0
dx
g(x) d
a x
2
2
>
=
dan
a
x
g(x)
a x
dx
dg(x)
=
Spesial: fungsi kuadratik
c bx ax g(x)
2
+ + =
g(x) memiliki satu titik minimun jika a > 0 atau
sebaliknya satu titik maksimum jika a < 0.
2a
dx
g(x) d
b 2ax
dx
dg(x)
2
2
=
+ =
¦
)
¦
`
¹
( ) ( )
∑ ∑ ∑ ∑
= = = =
|
|
¹
|

\
|
+ + =
|
|
¹
|

\
|
− =
N
1 i
i
2
m
0 j
2j
i
2
j
N
1 i
2
m
0 j
j
i j i m 0
) (x f x a x a ) f(x a a S ... ..., ,
S merupakan fungsi kuadratik dalam (j = 0, …, m):
( )
( ) m ..., 0, k x x a ) f(x 2
a
a ..., , a S
N
1 i
k
i
m
0 j
j
i j i
k
m 0
=
|
|
¹
|

\
|
− − =


∑ ∑
= =
( )
( ) m ..., 0, k x 2
a
a ..., , a S
N
1 i
2k
i
k
m 0
= > =



=
0
2
2
S memiliki satu titik minimum pada nilai (j = 0, …, m) tertentu.
j
a
j
a
Mencari (j = 0, …, m):
( )
( ) m ..., 0, k 0 x x a ) f(x 2
a
a ..., , a S
N
1 i
k
i
m
0 j
j
i j i
k
m 0
= =
|
|
¹
|

\
|
− − =


∑ ∑
= =
j
a
( ) m ..., 0, k )x f(x a x
N
1 i
k
i i
m
0 j
j
N
1 i
k j
i
= = |
¹
|

\
|
∑ ∑ ∑
= = =
+
Definisikan:
∑ ∑
= =
+
≡ ≡
N
1 i
k
i i k
N
1 i
k j
i kj
)x f(x b x c
maka diperoleh sebuah sistem persamaan linear: ( ) m ..., 0, k b a c
k
m
0 j
j kj
= =

=
dalam bentuk matrik: = A B C atau CA = B
Jadi, (j = 0, …, m) diperoleh sebagai solusi persamaan linear CA = B.
j
a
Contoh: Terdapat tiga data f(x) yaitu, f(1) = 30, f(2) = 70 dan f(3) = 120.
Cari fungsi p(x) yang dapat melukiskan data itu.
x
1 2 3
f(x)
120
70
30
p(x)
Dari data itu jelas p(x) bukan fungsi linear.
Jadi, dicoba fungsi kuadratik:
2
2 1 0
x a x a a p(x) + + =
|
|
|
¹
|

\
|
=
|
|
|
¹
|

\
|
|
|
|
¹
|

\
|
1390
530
220
a
a
a
98 36 14
36 14 6
14 6 3
2
1
0
Sistem persamaan linier untuk mencari :
j
a
|
|
|
¹
|

\
|
=
|
|
|
¹
|

\
|
5
25
0
a
a
a
2
1
0
|
|
|
¹
|

\
|
=
|
|
|
¹
|

\
|
|
|
|
¹
|

\
|
5
45
220
a
a
a
1 0 0
4 1 0
14 6 3
2
1
0
Jadi, ( ) 5 x 5x p(x) + = Cek: p(1) = 30, p(2) = 70,
p(3) = 120
O
K
!

Contoh: Kuat medan listrik E di sekitar sebuah benda berbentuk lempeng
diukur pada jarak 10 cm dari pusat massanya dan arah yang
bervariasi. Arah dinyatakan dalam sudut θ terhadap sumbu y yang
ditetapkan sebelum pengukuran. Diperoleh data sebagai berikut:
θ [derajat] E [V/cm]
10 0.01794775
15 0.03808997
20 0.05516225
25 0.05598281
30 0.04795629
35 0.04807485
40 0.06273566
45 0.07853982
50 0.07395442
55 0.04201338
θ
y
E
Cari fungsi p(x) yang dapat melukiskan data itu.
Dicoba beberapa polinomial dengan orde berbeda, diperoleh:
03 - 1.0339E S
07 - 0211842E 8.08580979 - a
05 - 7880805E 3.48780878 a
03 - 8111303E 1.32447838 a
03 - 4853211E 8.98371348 a
3
2
1
0
=
=
=
=
=
05 - 8.1573E S
08 - 4163944E 1.06395175 - a
06 - 2596346E 1.36204619 a
05 - 0401015E 5.86233269 - a
04 - 6358352E 8.80218597 a
03 - 1844471E 1.06199622 a
02 - 4975570E 3.55780065 - a
5
4
3
2
1
0
=
=
=
=
=
=
=
07 - 3.1629E S
11 - 5740421E 1.87618431 a
09 - 5243949E 3.25286380 - a
07 - 6890119E 1.91280600 a
06 - 4228010E 3.23048922 - a
05 - 6865594E 8.98571563 - a
03 - 1692495E 4.00765809 a
02 - 2868015E 4.63183987 - a
01 - 7649403E 1.86475453 a
7
6
5
4
3
2
1
0
=
=
=
=
=
=
=
=
=
11 - 1.7528E S
14 - 5946927E 1.45951183 - a
12 - 4324134E 3.31744672 a
10 - 0789355E 2.74178633 - a
09 - 3458547E 8.26282987 a
07 - 8386570E 1.13225450 a
05 - 9268855E 1.36889599 - a
04 - 8305538E 3.35896109 a
03 - 4407800E 3.40276873 - a
02 - 5173997E 1.59630008 a
02 - 9248139E 1.75726083 - a
9
8
7
6
5
4
3
2
1
0
=
=
=
=
=
=
=
=
=
=
=
m = 3:
m = 5:
m = 7:
m = 9:
Interpolasi
x
f(x)
p(x)
• f( ) mewakili data;
i = 1, …, N;
N = jumlah data
• p(x) merupakan fungsi
interpolasi berdasarkan
data f( )
Keterangan:
i
x
i
x
Sifat interpolasi:
p( ) = f( )
untuk semua .
i
x
i
x
i
x
Nilai (i = 0, …, N-1) ditetukan dengan menetapkan bahwa untuk semua titik
data:
Digunakan p(x), suatu polinomial berorde m = N – 1, dengan N = jumlah data:
f(x) x a ... x a x a a p(x)
1 - N
1 - N
2
2 1 0
≅ + + + + =
Interpolasi Lagrange
i
a
( ) N ..., 1, i ) f(x ) p(x
i i
= =
Jadi, diperoleh persamaan linear:
) f(x x a ... x a x a a ) p(x
...
) f(x x a ... x a x a a ) p(x
) f(x x a ... x a x a a ) p(x
) f(x x a ... x a x a a ) p(x
N
1 - N
N 1 - N
2
N 2 N 1 0 N
3
1 - N
3 1 - N
2
3 2 3 1 0 3
2
1 - N
2 1 - N
2
2 2 2 1 0 2
1
1 - N
1 1 - N
2
1 2 1 1 0 1
= + + + + =
= + + + + =
= + + + + =
= + + + + =
dan (i = 0, …, N-1) diperoleh sebagai solusi dari persamaan linear itu.
i
a
N = 2:
2 1
2 1
1
2 1
2 1 1 2
0
x x
) f(x ) f(x
a
x x
) f(x x ) f(x x
a


=


− =
) f(x x a a ) p(x
) f(x x a a ) p(x
2 2 1 0 2
1 1 1 0 1
= + =
= + =
) f(x
x x
x x
) f(x
x x
x x
p(x)
2
1 2
1
1
2 1
2
|
|
¹
|

\
|


+
|
|
¹
|

\
|


=
N = 3:
) f(x x a x a a ) p(x
) f(x x a x a a ) p(x
) f(x x a x a a ) p(x
3
2
3 2 3 1 0 3
2
2
2 2 2 1 0 2
1
2
1 2 1 1 0 1
= + + =
= + + =
= + + =
2
3 2 1
2
2 1 3
2
1 3 2
3 2 1 2 1 3 1 3 2
2
2
3 2 1
2
2 1 3
2
1 3 2
3
2
2
2
1 2
2
1
2
3 1
2
3
2
2
1
2
3 2 1
2
2 1 3
2
1 3 2
3 2 1 2 1 2 1 3 1 3 1 3 2 3 2
0
)x x (x )x x (x )x x (x
) )f(x x (x ) )f(x x (x ) )f(x x (x
a
)x x (x )x x (x )x x (x
) )f(x x (x ) )f(x x (x ) )f(x x (x
a
)x x (x )x x (x )x x (x
) f(x x )x x (x ) f(x x )x x (x ) f(x x )x x (x
a
− + − + −
− + − + −
=
− + − + −
− + − + −
− =
− + − + −
− + − + −
=
) f(x
x x
x x
x x
x x
) f(x
x x
x x
x x
x x
) f(x
x x
x x
x x
x x
p(x)
3
2 3
2
1 3
1
2
3 2
3
1 2
1
1
3 1
3
2 1
2
|
|
¹
|

\
|


|
|
¹
|

\
|


+
|
|
¹
|

\
|


|
|
¹
|

\
|


+
|
|
¹
|

\
|


|
|
¹
|

\
|


=

=
=
N
1 i
i i
) )f(x x l(x, p(x)
Secara umum, untuk N data
rumus interpolasi Lagrange:


|
|
¹
|

\
|


=
i j
j i
j
i
x x
x x
) x l(x,
Untuk (k = 1, …, N):
k
x x =
¦
¦
¹
¦
¦
´
¦
≠ =
|
|
¹
|

\
|


= =
|
|
¹
|

\
|


=
|
|
¹
|

\
|


=




k) (i 0, ...
x x
x x
...
k) (i 1,
x x
x x
x x
x x
) x , l(x
j i
k k
i j
j i
j i
i j
j i
j k
i k
) f(x ) p(x δ ) x , l(x
k k ik i k
= =
Pada bagian sebelum ini interpolasi menggunakan seluruh N data f( ) yang
tersedia, yang berarti menggunakan polinomial p(x) berorde N-1.
Perlukah memakai semua N data yang ada?
Kini, misal N = 4 dan x berada di sekitar , maka diperoleh:
4
x
|
|
¹
|

\
|


|
|
¹
|

\
|


|
|
¹
|

\
|


=
|
|
¹
|

\
|


|
|
¹
|

\
|


|
|
¹
|

\
|


=
4 2
4
3 2
3
1 2
1
2
4 1
4
3 1
3
2 1
2
1
x x
x x
x x
x x
x x
x x
) x l(x,
x x
x x
x x
x x
x x
x x
) x l(x,
Dapat dilihat bahwa, .
|
|
¹
|

\
|


|
|
¹
|

\
|


|
|
¹
|

\
|


=
|
|
¹
|

\
|


|
|
¹
|

\
|


|
|
¹
|

\
|


=
3 4
3
2 4
2
1 4
1
4
4 3
4
2 3
2
1 3
1
3
x x
x x
x x
x x
x x
x x
) x l(x,
x x
x x
x x
x x
x x
x x
) x l(x,
) x l(x, ) x l(x, ) x l(x, ) x l(x,
4 3 2 1
< < <
Ini berarti, semakin jauh dari x pengaruh data f( ) semakin kecil dalam
menentukan nilai p(x). Data yang penting yaitu yang berada di sekitar titik x.
Karena itu, cukup data-data di sekitar titik x yang digunakan.
Dengan kata lain, untuk interpolasi cukup digunakan polinomial p(x) berorde
rendah, contoh berorde 3 (fungsi kubik).
i
x
i
x
Interpolasi Lagrange Kubik menggunakan polinomial p(x) berorde 3 sebagai
fungsi interpolasi:
Interpolasi Lagrange Kubik
j
a
Diperoleh
f(x) x a x a x a a p(x)
3
3
2
2 1 0
≅ + + + =
Untuk mencari nilai (j = 0, 1, 2, 3) diperlukan 4 data f( ) di sekitar x:
i
x
( )
2 i 3 1 i 2 i 1 1 - i 0 1 i i 3 2 1 0
x x , x x , x x , x x ; x x x ) f(x ), f(x ), f(x ), f(x
+ + +
= = = = ≤ ≤
untuk membentuk sistem persamaan linear:
( ) 3 2, 1, 0, j ) f(x x a x a x a a
j
3
j 3
2
j 2 j 1 0
= = + + +
∏ ∑
≠ =
|
|
¹
|

\
|


= =
j k
k j
k
j
3
0 j
j j
x x
x x
) x l(x, ) )f(x x l(x, p(x)
Langkah pertama dengan begitu, menentukan (j = 0, 1, 2, 3) dengan
melihat posisi x di antara titik data (i = 1, …, N).
j
x
i
x
Interpolasi Multidimensi
Jika data bergantung pada lebih dari satu variabel, maka dilakukan interpolasi
multidimensi. Metode interpolasi yang telah disampaikan bisa dipakai untuk
melakukan interpolasi multidimensi. Sebagai contoh di sini ditunjukkan
interpolasi 2 dimensi. Untuk dimensi lebih tinggi berlaku cara yang sama.
∑ ∑
= =
=
n
1 i
m
1 j
j i j i
) y , )f(x y S(y, ) x S(x, y) p(x,
Pada contoh di atas, interpolasi menggunakan (n x m) data f(x,y). Interpolasi
dilakukan per dimensi: Untuk satu titik data x tertentu dilakukan interpolasi di
sepanjang sumbu y, hal yang sama dilakukan untuk semua titik data x yang lain.
Prinsip yang sama berlaku untuk interpolasi berdimensi lebih tinggi.
Contoh, interpolasi Lagrange kubik:


∑ ∑


= =
|
|
¹
|

\
|


=
|
|
¹
|

\
|


=
=
j s
s j
s
j
i k
k i
k
i
3
0 i
3
0 j
j i j i
y y
y y
) y l(y,
x x
x x
) x l(x,
) y , )f(x y l(y, ) x l(x, y) p(x,
Kembali ke contoh problem least square:
θ [derajat] E [V/cm]
10 0.01794775
15 0.03808997
20 0.05516225
25 0.05598281
30 0.04795629
35 0.04807485
40 0.06273566
45 0.07853982
50 0.07395442
55 0.04201338
θ
y
E
Dengan interpolasi, cari nilai p(x) di sepanjang titik data.
Kuat medan listrik E di sekitar sebuah benda berbentuk lempeng
diukur pada jarak 10 cm dari pusat massanya dan arah yang
bervariasi. Arah dinyatakan dalam sudut θ terhadap sumbu y yang
ditetapkan sebelum pengukuran. Diperoleh data sebagai berikut:
Integrasi
x
f(x)
Menghitung luas daerah di bawah kurva:
a b

b
a
dx f(x)
x
f(x)
a b
analitik numerik

i
i i
) f(x w


=
≅ =
N
1 i
i i
b
a
) f(x w dx f(x) I
Integral numerik sering disebut juga sebagai
quadrature; integrasi numerik disebut sebagai
integrasi dgn menjumlah quadrature.
Meski tidak terlihat pada rumus akhir, pada integrasi numerik integrand
f(x) diinterpolasi dengan suatu polinomial:


=
≅ =
N
1 i
i i
b
a
) f(x w dx f(x) I
p(x) f(x) ≅
polinomial
Akan dibahas:
• quadrature trapezoid
• quadrature Simpson
Quadrature Trapezoid
Kurva integrand f(x) diinterpolasi dengan sebuah garis lurus (f(x) diinterpolasi
dengan fungsi linier / polinomial orde 1):
Untuk menarik garis lurus
diperlukan minimal 2 titik,
dipilih titik f(a) dan f(b):
sx r p(x) ), p(x w dx p(x) dx f(x) I
N
1 i
i i
b
a
b
a
+ = = ≅ =

∫ ∫
=
f(b) p(b) f(a), p(a) = =
x
f(x)
a b
p(x)

b
a
dx p(x)
Rumus quadrature trapezoid:
) a (b
2
1
bw aw
a - b w w
2 2
2 1
2 1
− = +
= +
) bw s(aw ) w r(w ) a s(b
2
1
a) - r(b
sb) (r w sa) (r w dx sx) (r
2 1 2 1
2 2
2 1
b
a
+ + + = − +
+ + + = +

sx r p(x) + =
a) (b
2
1
w w
2 1
− = =
( ) f(b) f(a)
2
h
dx f(x) I
b
a
+ ≅ =

a) b (h − =
Dengan diketahui hanya p(a) dan p(b) (r dan s tidak dicari), maka integrasi
numerik dikerjakan untuk N = 2:
p(b) w p(a) w ) p(x w ) p(x w ) p(x w dx p(x)
2 1 2 2 1 1
2
1 i
i i
b
a
+ = + = =


=
? w , w
2 1
=
luas trapezoid (lihat gambar)
Mencari dan :
1
w
2
w
Quadrature Simpson & Boole
Cara yang sama seperti pada quadrature trapezoid bisa dipakai untuk polinomial
p(x) orde lebih tinggi. Contoh, quadrature Simpson memakai p(x) fungsi
kuadratik / polinomial orde 2 untuk menginterpolasi integrand f(x):
Untuk membuat kurva
kuadratik diperlukan
minimal 3 titik, dipilih titik
f(a), f(b) dan f(c):
2
N
1 i
i i
c
a
c
a
tx sx r p(x) ), p(x w dx p(x) dx f(x) I + + = = ≅ =

∫ ∫
=
f(c) p(c)
f(b), p(b) f(a), p(a)
=
= =
x
f(x)
a c
p(x)

b
a
dx p(x)
b
dengan
2
c a
b
+
=
) a (c
3
1
w c w b w a
) a (c
2
1
cw bw aw
a - c w w w
3 3
3
2
2
2
1
2
2 2
3 2 1
3 2 1
− = + +
− = + +
= + +
) w c w b w t(a
) cw bw s(aw ) w w r(w ) a t(c
3
1
) a s(c
2
1
a) - r(c
) tc sc (r w
) tb sb (r w ) ta sa (r w dx ) tx sx (r
3
2
2
2
1
2
3 2 1 3 2 1
3 3 2 2
2
3
2
2
2
1
c
a
2
+ + +
+ + + + + = − + − +
+ + +
+ + + + + = + +

2
tx sx r p(x) + + =
a) (c
3
2
w
a) (c
6
1
w w
2
3 1
− =
− = =
Integrasi numerik dikerjakan untuk N = 3:
p(c) w p(b) w p(a) w ) p(x w dx p(x)
3 2 1
3
1 i
i i
c
a
+ + = =


=
? w , w , w
3 2 1
=
Mencari :
3 2 1
w , w , w
Diperoleh Rumus quadrature Simpson:
( ) f(c) 4f(b) f(a)
3
h
dx f(x) I
c
a
+ + ≅ =

2
a c
h

=
dengan yaitu jarak antar titik tempat f(x) dihitung:
i
x
b c a b h − = − =
Dengan cara yang sama, menggunakan p(x) polinomial orde 3 diperoleh rumus
quadrature Simpson : 8
3
( ) f(d) 3f(c) 3f(b) f(a)
8
3h
dx f(x) I
d
a
+ + + ≅ =

|
¹
|

\
|
− = − = − = = c d b c a b
3
a - d
h
dan dengan p(x) polinomial orde 4 rumus quadrature Boole:
( ) 7f(e) 32f(d) 12f(c) 32f(b) 7f(a)
45
2h
dx f(x) I
e
a
+ + + + ≅ =

|
|
|
|
|
|
¹
|

\
|
− =
− =
− =
− = =
d e
c d
b c
a b
4
a - e
h
Integrasi Komposit
Polinomial orde rendah memadai untuk menginterpolasi sebuah fungsi dalam
daerah yang sempit. Untuk daerah yang lebar diperlukan orde yang lebih tinggi.
Alternatif lain yaitu, membagi daerah fungsi yang lebar itu dalam beberapa
daerah yang sempit, lalu di tiap daerah yang sempit itu digunakan polinomial
orde rendah untuk interpolasi.
Quadrature trapezoid dan Simpson pada dasarnya memadai untuk daerah
integrasi yang sempit, namun dengan membagi daerah integrasi dalam beberapa
daerah yang sempit, maka quadrature trapezoid dan Simpson bisa dipakai juga
untuk daerah integrasi yang lebar. Integral total merupakan jumlah semua
integral untuk daerah yang sempit. Integrasi seperti ini disebut integrasi
komposit.
Bergantung pada integrand f(x), daerah integrasi yang lebar bisa dibagi dalam
beberapa daerah sempit yang sama atau berbeda panjang. Juga, semua integral
untuk daerah yang sempit bisa dihitung menurut rumus quadrature yang sama,
misal semuanya trapezoid, atau berbeda-beda, sesuai kurva di tiap daerah
sempit itu. Kasus sederhana yaitu, bila daerah integrasi dibagi sama panjang
dan untuk tiap daerah digunakan rumus quadrature yang sama.
Contoh, daerah integrasi [a,b] dibagi dalam N bagian sama panjang.
|
¹
|

\
|

= + + + + = =
∫ ∫ ∫ ∫ ∫
+
+
+
N
a b
d dx f(x) dx f(x) ... dx f(x) dx f(x) dx f(x) I
b
d - b
d - b
2d - b
2d a
d a
d a
a
b
a
• integrasi komposit menggunakan quadrature trapezoid
( ) [ ]
1 N 2 1 N 0 2
1
b
a
f ... f f f f h dx f(x) I

+ + + + + ≅ =

N ..., 0, i ih), f(a f ,
N
a b
h
i
= + =

=
• integrasi komposit menggunakan quadrature Simpson
( ) ( ) [ ]
2 2N 4 2 1 2N 3 1 2N 0 2
1
b
a
f ... f f f ... f f 2 f f
3
2h
dx f(x) I
− −
+ + + + + + + + + ≅ =

2N ..., 0, i ih), f(a f ,
2N
a b
h
i
= + =

=
f(x)
x
a b
Integrasi komposit trapezoid untuk daerah integrasi [a,b] yang dibagi 8
sama panjang:
h
( ) [ ]
7 6 5 4 3 2 1 8 0 2
1
b
a
f f f f f f f f f h dx f(x) I + + + + + + + + ≅ =

f(x)
x
a b
Integrasi komposit yang menggunakan quadrature trapezoid dan Simpson;
daerah integrasi [a,b] yang dibagi 3:
h1 h1 2h2
( ) ( )
b h2 c c c h1 a a
b
a
f 4f f
3
h2
f 2f f
2
h1
dx f(x) I + + + + + ≅ =
+ +

c
Simpson
trapezoid
x
Integrasi Monte Carlo
Mungkin saja cara-cara integrasi numerik yang sudah disampaikan sulit atau
tidak bisa diterapkan untuk mengevaluasi suatu integral. Pada keadaan ini,
integrasi Monte Carlo dapat dipilih.
Integrasi Monte Carlo tidak menggunakan interpolasi seperti pada cara-cara
integrasi numerik sebelum ini. Integral dianggap sebagai satu persegi panjang,
dengan lebar daerah integrasi dan tinggi nilai rata-rata integrand f(x), yang
diperoleh melalui statistik dengan memanfaatkan bilangan acak:
f(x)
a b
<f(x)>
b x a : acak bilangan x
) f(x
n
1
f(x)
i i
n
1 i
i
≤ ≤ =
>= <

=


=
≅ =
n
1 i
i
b
a
) f(x
n
1
a) - (b f(x)dx I
(b-a)<f(x)>
Persamaan Differensial
Persamaan differensial (PD) yang dimaksud yaitu persamaan differensial
biasa, bukan persamaan differensial parsial, untuk orde 1 dan 2.
Dua masalah yang akan dibahas yaitu:
• PD dengan syarat awal
• PD dengan syarat batas
PD dengan Syarat Awal
Bentuk umum PD orde 1:
y) f(x,
dx
dy
y' = =
? y(x) =
∫ ∫
=
x
x
y
y
0 0
y)dx f(x, dy

+ =
x
x
0
0
y)dx f(x, y y(x)
0 0
y ) y(x =
Diketahui:
Integrasi:
Masalah persamaan
differensial
berubah menjadi
masalah persamaan
integral.

+
+ = +
h x
x
0 0
0
0
y)dx f(x, y h) y(x
Dicari y(x) pada titik : h x x
0
+ =
Setelah didapat, selanjutnya dicari . Demikian seterusnya. h) y(x
0
+ 2h) y(x
0
+
Menurut metode Euler:
x
f(x,y)
0
x h x
0
+
) y , f(x
0 0
Metode Euler
x
y(x)
0
x h x
0
+
) y , hf(x y
dx ) y , f(x y h) y(x
0 0 0
h x
x
0 0 0 0
0
0
+ ≅
+ ≅ +

+
h) y(x
0
+
h) y(x
0
+
sebenarnya
yg diperoleh
0
y
f(x,y) dianggap
konstan dan
dihitung pada .
0
x x =
Diperoleh:
Modifikasi dilakukan dalam memilih
nilai f(x,y) yang dianggap konstan.
Dipilih f(x,y) pada titik :
x
f(x,y)
0
x h x
0
+
Metode Euler yang Dimodifikasi
x
y(x)
0
x h x
0
+
)) y , hf(x y h, hf(x y
h)) y(x h, hf(x y h) y(x
0 0 2
1
0 2
1
0 0
2
1
0 2
1
0 0 0
+ + + ≅
+ + + ≅ +
h) y(x
0
+
h) y(x
0
+
sebenarnya
yg diperoleh
0
y
h x x
2
1
0
+ =
h x
2
1
0
+
h)) y(x h, f(x
2
1
0 2
1
0
+ +
Diperoleh:
dengan dihitung memakai
metode Euler:
h) y(x
2
1
0
+
) y , hf(x y h) y(x
0 0 2
1
0 2
1
0
+ ≅ +
h x
2
1
0
+
h)) y(x h, f(x
2
1
0 2
1
0
+ +
Kali ini dipakai nilai f(x,y) yang merupakan rata-rata dari dua nilai f(x,y),
masing-masing pada titik dan :
x
f(x,y)
0
x h x
0
+
Metode Euler yang Lebih Baik (Improved)
[ ]
[ ] )) y , hf(x y h, f(x ) y , f(x h y
h)) y(x h, f(x ) y , f(x h y h) y(x
0 0 0 0 0 0 2
1
0
0 0 0 0 2
1
0 0
+ + + + ≅
+ + + + ≅ +
Diperoleh:
dengan dihitung memakai metode Euler: h) y(x
0
+
) y , hf(x y h) y(x
0 0 0 0
+ ≅ +
0
x h x
0
+
[ ] h)) y(x h, f(x ) y , f(x
0 0 0 0 2
1
+ + +
Ini sama dengan menggunakan quadrature trapezoid
untuk mengevaluasi integral:
[ ] h)) y(x h, f(x ) y , f(x h y)dx f(x,
0 0 0 0 2
1
h x
x
0
0
+ + + ≅

+
PD Orde 2
Masalah PD orde 2
berubah menjadi
masalah PD orde 1.
Bentuk umum PD orde 2:
) y' y, f(x,
dx
y d
' y'
2
2
= =
Definisikan fungsi baru u:
0 0
y' u
y' u
=
=
? y(x) =
0 0 0 0
y' ) (x y' , y ) y(x = =
Diketahui:
u) y, f(x, u'
y) u(x, y'
=
=
Contoh penyelesaian dengan metode Euler yang lebih baik (improved):
( ) ( )
0 0 1
0 0
1 0 2
1
0 0
1 0 0 0 1
0 0 0 0
1 0 2
1
0 0
hf u u
y' u
u u h y h) y(x
y) u(x, y'
) u , hu y h, f(x f
) u , y , f(x f
f f h u h) u(x
u) y, f(x, u'
+ =
=
+ + = +
=
+ + =
=
+ + = +
=
Alur perhitungan:
0 0
u , y
1
u h) u(x h), y(x , f
0 0 1
+ +
0 0 0 0 0 0
y h) y(x , u h) u(x , x h x → + → + → +
0
f
PD dengan Syarat Batas
Contoh, gelombang yang merambat di sepanjang tali bisa digambarkan dengan PD
orde 2. Jika ujung-ujung tali itu diikat sehingga tidak bisa bergerak, maka kita
temui kasus PD dengan syarat batas.
c(x)y' b(x)y a(x) ) y' y, g(x, ' y' (2)
e(x)y d(x) y) f(x, y' (1)
− − = =
− = =
terikat terikat
Bentuk umum PD orde 1 & 2 linear:
? y(x) =
n n
0 0
n 0
y ) y(x
y ) y(x
x x x
=
=
≤ ≤
Diketahui:
Dicari pada titik dengan . 1) n ..., 1, (i ih x x
0 i
− = + =
n
x x
h
0 n

= ) y(x y
i i
=
a(x) b(x)y c(x)y' ' y' (2)
d(x) e(x)y y' (1)
= + +
= +
i i i i i i
i i i i
a y b y' c ' y' (2)
d y e y' (1)
= + +
= +
2
1 i i 1 i
i
1 i 1 i
i
h
y 2y y
' y'
2h
y y
y'
− +
− +
+ −



Metode Finite Differences
i i i
1 i 1 i
i
2
1 i i 1 i
i i i
1 i 1 i
a y b
2h
y y
c
h
y 2y y
(2)
d y e
2h
y y
(1)
≅ +

+
+ −
≅ +

− + − +
− +
Jadi, pada akhirnya ditemui masalah sistem persamaan linear:
( )
2
i 1 i
i
i
2
i 1 i
i
i 1 i i i 1 i
h a y
2
h c
1 y h b 2 y
2
h c
1 (2)
h 2d y hy 2e y (1)
≅ |
¹
|

\
|
+ + − − |
¹
|

\
|

≅ + + −
+ −
+ −
yang dapat diselesaikan menggunakan metode, contoh, Eliminasi Gauss.
Namun, sistem persamaan linear juga dapat diselesaikan dengan cara lain yaitu,
iterasi. Contoh: iterasi Jacobi dan iterasi Gauss-Siedel.
Iterasi Jacobi
Pencarian dihentikan setelah didapat nilai yang konvergen yaitu, yang tidak
atau sedikit berubah dari nilai yang diperoleh pada langkah sebelumnya:
n) ..., 1, (i b x a
i
n
1 j
j ij
= =

=
|
|
¹
|

\
|
− =


n
i j
j ij i
ii
i
x a b
a
1
x
Pencarian solusi dimulai dengan nilai awal (i = 1, …, n) hasil perkiraan /
tebakan. Dengan nilai tebak awal ini diperoleh nilai perkiraan berikut melalui:
sistem persamaan linear: solusi:
(0)
i
x
(1)
i
x
n) ..., 1, (i x a b
a
1
x
n
i j
(0)
j ij i
ii
(1)
i
=
|
|
¹
|

\
|
− =


Demikian seterusnya berulang-ulang, nilai perkiraan pada langkah ke k diperoleh
dari nilai perkiraan pada langkah ke k-1:
n) ..., 1, (i x a b
a
1
x
n
i j
1) - (k
j ij i
ii
(k)
i
=
|
|
¹
|

\
|
− =


i
x
kecil bilangan ε ε,
x
x
1
(k)
i
1) - (k
i
= < −
Jika pada tiap langkah pencarian dilakukan dengan urutan i yang makin besar,
maka semua sudah diperoleh ketika mencari .
Sebaliknya, jika dilakukan dengan urutan i yang makin kecil, maka semua
sudah diperoleh ketika mencari .
Karena itu, nilai atau itu bisa langsung dipakai untuk mencari ,
sehingga iterasi mencapai nilai konvergen menjadi lebih cepat:
Iterasi Gauss-Siedel
Rumus iterasi Jacobi dapat ditulis:
(k)
i
x
|
|
¹
|

\
|
− − =
∑ ∑
> < i j
1) - (k
j ij
i j
1) - (k
j ij i
ii
(k)
i
x a x a b
a
1
x
(k)
i j
x
<
(k)
i j
x
>
(k)
i
x
(k)
i j
x
<
(k)
i j
x
>
(k)
i
x
1) 2, ..., n, (i x a x a b
a
1
x
n) ..., 2, 1, (i x a x a b
a
1
x
i j
(k)
j ij
i j
1) - (k
j ij i
ii
(k)
i
i j
1) - (k
j ij
i j
(k)
j ij i
ii
(k)
i
=
|
|
¹
|

\
|
− − =
=
|
|
¹
|

\
|
− − =
∑ ∑
∑ ∑
> <
> <
Iterasi seperti ini disebut iterasi Gauss-Siedel.
Sebelum ini dikenal metode Eliminasi Gauss dan LU Decomposition
untuk mencari solusi sebuah sistem persamaan linear. Pada metode
ini terdapat substitusi mundur dan maju. Pada substitusi mundur
(maju), nilai dihitung dari nilai ( ), sehingga kesalahan
(ketidakakuratan) pada ( ) terakumulasi pada . Dengan
kata lain, terjadi perambatan kesalahan.
Pada metode iterasi tidak terdapat perambatan kesalahan seperti
itu. Semua elemen x dilihat secara sama. Pada tiap langkah
dilakukan pemeriksaan konvergensi untuk semua elemen x. Jadi,
untuk tiap elemen x terdapat kesempatan yang sama untuk
mencapai keakuratan yang diinginkan.
Namun, pada metode iterasi ada keharusan menentukan nilai awal,
yang bisa saja sulit dilakukan atau menimbulkan masalah, misalnya
membuat iterasi terlalu lama mencapai konvergensi.
i
x
i j
x
>
i j
x
> i
x
i j
x
<
i j
x
<
Aplikasi Iterasi Jacobi dan Gauss-Siedel pada PD dengan Syarat Batas
PD orde 1:
( )
2
i 1 i
i
i
2
i 1 i
i
i 1 i i i 1 i
h a y
2
h c
1 y h b 2 y
2
h c
1 c(x)y' b(x)y a(x) ' y' (2)
h 2d y hy 2e y e(x)y d(x) y' (1)
≅ |
¹
|

\
|
+ + − − |
¹
|

\
|
− − − =
≅ + + − − =
+ −
+ −
Iterasi Jacobi:
PD orde 2:
( )
( )
|
|
¹
|

\
|
|
¹
|

\
|
+ + |
¹
|

\
|
− + −


− + ≅
+
+
1) - (k
1 i
i
1) - (k
1 - i
i
2
i
2
i
(k)
i
1) - (k
1 i
1) - (k
1 - i i
i
(k)
i
y
2
h c
1 y
2
h c
1 h a
h b 2
1
y (2)
y y h 2d
h 2e
1
y (1)
Iterasi Gauss-Siedel (contoh untuk i membesar, i = 1, …, n-1):
( )
( )
|
|
¹
|

\
|
|
¹
|

\
|
+ + |
¹
|

\
|
− + −


− + ≅
+
+
1) - (k
1 i
i
(k)
1 - i
i
2
i
2
i
(k)
i
1) - (k
1 i
(k)
1 - i i
i
(k)
i
y
2
h c
1 y
2
h c
1 h a
h b 2
1
y (2)
y y h 2d
h 2e
1
y (1)
Catatan, sesuai syarat batas:
n
(k)
n 0
(k)
0
y y y y = =

Isi
• • • • • • akar fungsi solusi sistem persamaan linear fitting dengan least square interpolasi integrasi persamaan differensial

Akar Fungsi
f(x) = 0 x=?
akar fungsi f(x)
1 =0 x

Contoh:

x-

x2 = 1

x = 1 dan -1

3x2 = 6 - 7x

3x2 + 7x - 6 = (3x - 2)(x + 3) = 0

Pada dua contoh di atas akar fungsi dapat dicari secara analitik. Secara umum, tidak selalu begitu keadaannya.

x = 2/3 dan -3

Kapan sensor cahaya menerima cahaya terbanyak? Sensor menerima cahaya terbanyak pada saat posisi lampu dan celah membentuk garis tegak lurus terhadap plat. seperti pada gambar 2. Piringan diputar konstan 1 rad/s dan plat beserta sensor digeser lurus konstan 10 cm/s. Saat ini posisi celah dan lampu seperti pada gambar 1. Sebuah plat bercelah sempit diletakkan di dekat piringan itu.Problem: Sebuah lampu dipasang di pinggir sebuah piringan berjari-jari 10 cm. x = r cos (ωt) = vt r lampu gambar 1 celah ω plat v gambar 2 cos (t) = t sensor ? . Tepat di belakang celah itu dipasang sebuah sensor cahaya yang menghadap tegak lurus ke celah.

75. Bisakah lebih akurat lagi? Cari secara numerik akar fungsi dari f(x) = cos(x) .Plot cos(x) dan x: Grafik ini menunjukkan bahwa cos(x) = x pada x sedikit kurang dari 0.x .

6. f atau nilai di tengahnya bisa dipilih sebagai akar fungsi. 5. Belah dua daerah berisi akar fungsi itu. 2. 3. Perkirakan akar fungsi (bisa dengan cara memplot fungsi). akar fungsi a df e c b . lalu paruh batas itu terus menerus sampai batas itu sedemikian sempit dan dengan demikian lokasi akar fungsi diketahui dengan keakuratan tertentu. Tentukan akar fungsi. Langkah: 1. Ulangi langkah 3 dan 4 sampai dianggap cukup. Batas e. Tentukan daerah yang berisi akar fungsi.Bisection Prinsip: Kurung akar fungsi di antara dua batas. Tentukan batas awal yang mengurung akar fungsi. 4.

maka f(x < z) dan f(x > z) saling berbeda tanda. berarti di antara a & c ada akar fungsi. yang dapat diketahui dari kesalahan relatif semu.• Menentukan daerah yang berisi akar fungsi: Jika z merupakan akar fungsi. f(b)*f(c) positif. berarti di antara b & c tidak ada akar fungsi f(x) a c b z x • Menentukan kapan proses pencarian akar fungsi berhenti: Proses pencarian akar fungsi dihentikan setelah keakuratan yang diinginkan dicapai. f(a)*f(c) negatif.perkiraan berikut perkiraan berikut . kesalahan relatif semu = perkiraan sebelum .

Karena perkiraan langkah berikut dianggap lebih akurat. yaitu lebih mendekati nilai sebenarnya.Kesalahan kesalahan mutlak = | perkiraan – nilai sebenarnya | perkiraan – nilai sebenarnya nilai sebenarnya kesalahan relatif = Dalam perhitungan numerik. nilai sebenarnya justru sering tidak diketahui.perkiraan berikut perkiraan berikut kesalahan relatif semu = . maka kesalahan yang dihitung yaitu: kesalahan mutlak semu = | perkiraan sebelum – perkiraan berikut | perkiraan sebelum . yang didapat hanya perkiraan terbaik.

Titik tempat garis singgung itu memotong garis nol ditentukan sebagai akar fungsi.Newton-Raphson Prinsip: Buat garis singgung kurva f(x) di titik di sekitar akar fungsi. f(x) akar fungsi yang diperoleh x a akar fungsi sebenarnya p(x) = garis singgung kurva f(x) di titik f(a) .

f(x) c a x p(x) Diperoleh: p(x) = f(a) + (x − a)f'(a) (f’(a) turunan pertama f(x) pada x = a) p(c) = 0 c=a− f(a) f'(a) .

Buat garis singgung pada titik sesuai akar fungsi yang diperkirakan itu. 4. 5. lalu cari titik potongnya dengan garis nol. Perkirakan akar fungsi. f(x) c a akar fungsi sebenarnya x f(x) a c x c=a− f(a) f'(a) . Titik potong itu merupakan perkiraan akar fungsi baru. 2. 3. Titik potong garis nol dan garis singgung kurva yang terakhir dinyatakan sebagai akar fungsi.Langkah: 1. Ulangi langkah 2 dan 3 sampai dianggap cukup.

1 x 2 1 f(x) Contoh perkiraan akar fungsi awal yang buruk perkiraan akar fungsi makin menjauhi akar fungsi sebenarnya. x 2 .f(x) Contoh perkiraan akar fungsi awal yang baik perkiraan akar fungsi makin mendekati akar fungsi sebenarnya.

Menghitung akar fungsi dengan metode Newton-Raphson: xi+1 = xi − f(xi ) f'(xi ) (i = 0.. x0 = a ) kesalahan relatif semu: ∆ rel = xi − xi+1 xi+1 Penghitungan dihentikan jika kesalahan relatif semu sudah mencapai / melampaui batas yang diinginkan.. . 2.. . 1.

x2 − x1 > x3 − x2 > x4 − x3 . proses pencarian akar fungsi berhenti. Proses itu harus bersifat konvergen yaitu. Setelah dianggap cukup. kecepatan proses itu untuk sampai pada hasil akhir. yang kemudian dinyatakan sebagai akar fungsi hasil perhitungan tersebut.. lalu diikuti oleh perkiraan berikutnya dan seterusnya sampai perkiraan yang terakhir. xn − xn −1 ≤ ε (ε = bilangan kecil) Kecepatan konvergensi sebuah proses yaitu. ..Kecepatan Konvergensi Pencarian akar fungsi dimulai dengan perkiraan akar fungsi yang pertama. selisih perkiraan sebelum dari yang setelahnya makin lama makin kecil.

ε2 = x3 − x2 .Contoh pencarian akar fungsi dengan metode Bisection: akar fungsi x a x1 x3 x4 b x2 Jika εi ≡ xi+1 − xi . maka dari gambar diperoleh: ε1 = x2 − x1 . ε3 = 2 ε2 Kecepatan konvergensi bersifat linear: 1 εi+1 = 2 εi . ε3 = x4 − x3 1 1 ε2 = 2 ε1 .

. 1 f(xi ) − εif'(xi ) + 2 εi2f''(xi ) − ... . εi+1 = f'(xi ) − εif''(xi ) + . f'(xi+1 ) = f'(xi − εi ) = f'(xi ) − εif''(xi ) + .. 1 f(xi ) − εif'(xi ) + 2 εi2f''(xi ) ≅ f'(xi ) ≅ f''(xi ) 2 εi 2f'(xi ) εi+1 ≅ f''(xi ) 2 εi 2f'(xi ) Kecepatan konvergensi pada metode Newton-Raphson bersifat kurang lebih kuadratik: Dengan begitu.. metode Newton-Raphson lebih cepat dari metode Bisection..Pada metode Newton-Raphson: xi+1 = xi − f(xi ) f'(xi ) εi ≡ xi − xi+1 = f(xi ) f'(xi ) εi+1 = f(xi+1 ) =? f'(xi+1 ) ekspansi deret Taylor: 1 f(xi+1 ) = f(xi − εi ) = f(xi ) − εif'(xi ) + 2 εi2f''(xi ) − ...

Perkiraan akar fungsi pertama untuk metode Newton-Raphson 0.Contoh hasil pencarian akar fungsi untuk soal cos(x) = x: metode Bisection Newton-Raphson akar 0.3692161E-06 -7.75.7470244E-09 jumlah langkah 12 4 Keterangan: • • • Pencarian akar berhenti jika kesalahan relatif semu sama atau kurang dari 1.7390795 0.72. .72 dan 0.7390851 f(akar) 9.0E-05. Batas awal kiri dan kanan untuk metode Bisection 0.

Solusi Sistem Persamaan Linear Sistem persamaan linear: n buah persamaan dengan n buah unknown a11x1 a21x1 a31x1 ⋮ an1x1 + a12x2 + a22x2 + a32x2 ⋮ + an2x2 + a13x3 ⋯ + a1n xn + a23x3 ⋯ + a2n xn + a33x3 ⋯ + a3n xn ⋮ ⋱ ⋮ + an3x3 ⋯ + ann xn = b1 = b2 = b3 ⋮ = bn xj diketahui i. j = 1. 2. n aij dan bi xj = ? . ….

(1) mencari x . (1) 2x − 3y + 2z = −6 0. (3) – 5 pers.5y − 2z = −1 2. (3) mencari z pers. (3) – 0.5 − 6 + 3y − 2z = −1 x= 2 y= substitusi mundur: pers.5 pers.5y − 2z = 3 eliminasi x: pers. (2) mencari y pers.5 pers.Soal: 2x − 3y + 2z = −6 − x + 2y − 3z = 2 x+ y− z =0 (1) (2) (3) (1) (2) (3) 3 persamaan dan 3 unknown Jawab: 2x − 3y + 2z = −6 0.5y − 2z = −1 8z = 8 z =1 (1) (2) (3) eliminasi y: pers. (2) + 0. (1) pers. (2) − 1 + 2z =2 0.

5 − 2  y  =  − 1   0 2.5 − 2  z   3       2  x   − 6  2 −3       0 0.5 − 2  y  =  − 1  0 0 8  z   8       Jawab: z =1 − 1 + 2z =2 y= 0.Dalam bentuk matriks: Soal: 2  x   − 6   2 −3      2 − 3  y  =  2   −1  1 1 − 1  z   0       2  x   − 6  2 −3       0 0.5 − 6 + 3y − 2z = −1 x= 2 .

. n. j = k..... bi(0) = bi a (k) ij =a (k -1) ij (k aik -1) (k-1) − (k-1) akj akk (k aik -1) (k −1) − (k-1) bk akk b (k) i =b (k −1) i (k = 1.. n) (m) aij .. bi pada langkah ke m halaman berikut . a   0   0  ⋮   0 (0) 11 a a 0 ⋮ 0 (0) 12 (1) 22 a a a ⋮ 0 (0) 13 (1) 23 (2) 33 ⋯ a  x1   b      ⋯ a  x2   b     ⋯ a  x3  =  b    ⋱ ⋮  ⋮   ⋮      (n ⋯ ann-1)  xn   bn(n-1)  (0) 1n (1) 2n (2) 3n (0) 1 (1) 2 (2) 3 i = k + 1.. . bi(m) ≡ aij . .Eliminasi Gauss Metode Eliminasi Gauss mencari solusi sebuah sistem persamaan linear dengan cara seperti ditunjukkan pada contoh sebelum ini:  a11   a21 a  31  ⋮ a  n1 a12 a22 a32 ⋮ an2 a13 ⋯ a1n  x1   b1      a23 ⋯ a2n  x2   b2  a33 ⋯ a3n  x3  =  b3      ⋮ ⋱ ⋮  ⋮   ⋮  an3 ⋯ ann  xn   bn      (0) aij = aij .. . n − 1.

.k k x (j = 1..j+1 (n..j.j n (n.j-1) n . n − 1) .j.j-1) n-j − a ∑a k =n.Substitusi mundur: (0)  a11   0   0  ⋮   0 (0) a12 (1) a22 0 (0) a13 ⋯ (1) a23 ⋯ (2) a33 ⋯ ⋮ 0 ⋮ 0  x1   b1(0)     (1)   x2   b2   x  =  (2)   3   b3  ⋱ ⋮  ⋮   ⋮      (n ⋯ ann-1)  xn   bn(n-1)  (0) a1n (1) a2n (2) a3n bn(n-1) xn = (n-1) ann b xn − j = (n.j-1) n . .n .

A

X = B

atau

AX = B

Jadi, metode Eliminasi Gauss terdiri dari dua tahap: 1. triangulasi: mengubah matriks A menjadi matriks segitiga (matriks B dengan begitu juga berubah)

=

=

2. substitusi mundur: menghitung x mengikuti urutan terbalik, dari yang terakhir ( xn ) sampai yang pertama ( x1 )

Kasus Beberapa Sistem Persamaan Linear
Pada kasus yang lebih umum bisa saja terdapat beberapa sistem persamaan linear dengan nilai B yang berlainan, namun memiliki nilai A yang sama. Dalam bentuk matriks sistem seperti ini dituliskan sebagai:

A

X

=

B

atau AX = B

Keterangan: •

A matriks n x n, X dan B matriks n x m, dengan m = jumlah sistem persamaan linear, n = jumlah persamaan / unknown dalam tiap sistem persamaan tersebut Tiap kolom matriks X merupakan solusi untuk kolom yang sama pada matriks B.

Langkah dan rumus pada metode Eliminasi Gauss berlaku sama untuk kasus ini. Hanya saja, di sini matriks X dan B terdiri dari beberapa kolom, bukan hanya satu.

Contoh dua sistem persamaan linear yang memiliki nilai A sama tapi B berbeda.

 a11   a21 a  31  ⋮ a  n1

a12 a22 a32 ⋮ an2

a13 a23 a33 ⋮ an3

⋯ a1n  x11   b11      ⋯ a2n  x21   b21  ⋯ a3n  x31  =  b31      ⋱ ⋮  ⋮   ⋮  ⋯ ann  xn1   bn1     

 a11   a21 a  31  ⋮ a  n1

a12 a22 a32 ⋮ an2

a13 a23 a33 ⋮ an3

⋯ a1n  x12   b12      ⋯ a2n  x22   b22  ⋯ a3n  x32  =  b32      ⋱ ⋮  ⋮   ⋮  ⋯ ann  xn2   bn2     

 a11   a21 a  31  ⋮ a  n1

a12 a22 a32 ⋮ an2

a13 ⋯ a1n  x11  a23 ⋯ a2n  x21 a33 ⋯ a3n  x31  ⋮ ⋱ ⋮  ⋮ an3 ⋯ ann  xn1 

x12   b11 b12     x22   b21 b22  x32  =  b31 b32     ⋮   ⋮ ⋮  xn2   bn1 bn2    

. . m) (m) (m) aij . .. m) • rumus substitusi mundur: (n bnr -1) xnr = (n-1) ann (r = 1..r = 1.j. j = 1..i = k + 1. n − 1.. bir ≡ aij .. n. ...j.. . . r = 1. ... r = 1. .Metode Eliminasi Gauss: • rumus triangulasi: (0) (0) aij = aij .n . ..j n (n.... bir (k) (k aij = aij -1) − a a (k -1) ik (k -1) kk (k akj -1) (k = 1. . m) .j-1) n ... pada langkah ke m (k) bir (k aik -1) (k −1) (k = bir −1) − (k-1) bkr akk j = k. n − 1.j-1) n....... bir = bir (i..j.j-1) n. n.j+1 (n.. n.. m) − a b xn − j.r = (n.k kr x (j = 1.r ∑a k =n ..

apakah elemen matriks A yang bersangkutan sama dengan nol. Jika bernilai nol. Karena itu. oleh elemen diagonal matriks A. maka akan timbul error. sehingga elemen diagonal menjadi bukan nol. Perubahan baris pada matriks A harus disertai perubahan baris yang sama pada matriks B. . maka baris berisi elemen diagonal nol itu harus ditukar dengan salah satu baris setelahnya. pada setiap langkah dalam proses triangulasi matriks A perlu dilakukan pemeriksaan.Catatan: Dalam rumus-rumus metode Eliminasi Gauss terdapat pembagian oleh elemen diagonal matriks yaitu. Jika secara kebetulan elemen diagonal itu nol.

5 − 0.25  4     x4 = 1 x3 = 3 + 0.5 − 0.5 − 1 + 0.75 2.5  x4   1      baris 2 ditukar dengan baris 3 Jawab: 1 3  x1   2  2 − 4      2 − 0.5  0 − 1.5 3.5 − 0.5 − 2.5x3 + 2.5  x2   − 1  0 = 0 0 3.5 3.Soal: 1 3  x1   2   2 −4      2 3 − 2  x2   2   −1  3 −4  x  =  2  1 2 3       1 − 3 −1 5  x4   2       1 3  x1   2  2 − 4      0 3.5  x2   3  0 0  x  =  − 1 2 − 0.5 3       0 − 1 − 1 .5 3       0 − 1 − 1 .5  x3   3       0 0 0 2  x4   2       1 3  x1   2  2 − 4      2 − 0.5  x4   1      1 3  x1   2  2 − 4      2 − 0.5 − 2.5  x2   − 1 0 = 0 0 3.5x4 =1 3.5 − 2.5 − 2.5  x2   − 1 0 0  x  =  3  0 3.5x4 =1 2 2 + 4x2 − x3 − 3x4 =1 x1 = 2 x2 = .5  x3   3       0  x   0.5 − 0.

Data Fitting dengan Metode Least Square f(x) p(x) Keterangan: • f(xi ) mewakili data. i = 1. . N = jumlah data p(x) merupakan fungsi yang dicocokkan (fitted) terhadap data f( xi ) • x Sifat fitting: tidak selalu p(xi ) = f( xi ) untuk semua xi . N. ….

m) yang membuat S bernilai minimum.) • Selisih antara p(x) dan f(x) untuk titik data tertentu: ∆i = f(xi ) − p(xi ) = f(xi ) − ∑ ajxij j= 0 m (i = 1.. N ) 2 • Jumlah kuadrat selisih antara p(x) dan f(x) untuk semua titik data: m   2 2  f(xi ) − ∑ ajxij  S = ∑ ∆i = ∑ (f(xi ) − p(xi ) ) = ∑   i=1 i=1 i=1  j= 0  N N N Fungsi p(x) ditentukan dengan mencari nilai aj (j = 0. …. .Prinsip penentuan fungsi p(x): • p(x) merupakan polinomial orde m: p(x) = a0 + a1x + a2x + a3x + .. p(x) juga bisa merupakan polinomial bentuk yang lain seperti... + amx = ∑ ajx j 2 3 m j= 0 m (Secara umum. polinomial Legendre.. .

  .Titik Minimum g(x) g(a) merupakan titik minimum jika: dg(x) dx x = a dg(x) d2g(x) = 0 dan >0 2 dx x = a dx x = a a x Spesial: fungsi kuadratik g(x) = ax2 + bx + c dg(x) = 2ax + b dx 2 d g(x) = 2a dx 2   g(x) memiliki satu titik minimun jika a > 0 atau  sebaliknya satu titik maksimum jika a < 0.

S merupakan fungsi kuadratik dalam aj (j = 0. . m) S memiliki satu titik minimum pada nilai aj (j = 0... . …...... ….. .. m) tertentu.... + f2 (xi )  S(a0 .. . . am ) = 2∑ xi2k > 0 2 ∂ak i=1 (k = 0.. m) N ∂ 2S(a0 . am )  f(xi ) − ∑ ajxij xik = −2∑   ∂ak i=1  j= 0  (k = 0. .. m): m N  m    j 2  f(xi ) − ∑ ajxi  = ∑  ∑ aj xi2j + ... am ) = ∑     j= 0 i=1  j= 0 i=1    N 2 ( ) N  m  ∂S(a0 .

am )  f(xi ) − ∑ ajxij xik = 0 = −2∑   ∂ak i=1  j= 0  (k = 0. m): N  m  ∂S(a0 ... m) diperoleh sebagai solusi persamaan linear CA = B.. .... …... m) Definisikan: ckj ≡ ∑ x i=1 N j +k i bk ≡ ∑ f(xi )xik i=1 m N maka diperoleh sebuah sistem persamaan linear: ∑c j= 0 kj j a = bk (k = 0. . ….. .. .Mencari aj (j = 0. aj (j = 0. m) dalam bentuk matrik: C A = B atau CA = B Jadi. ... m) N  N j+k  ∑  ∑ xi aj = ∑ f(xi )xik j= 0  i=1 i=1  m (k = 0.

p(2) = 70. dicoba fungsi kuadratik: f(x) 120 p(x) p(x) = a0 + a1x + a2x2 Sistem persamaan linier untuk mencari aj : 70 30 1 2 3 x  3 6 14  a0   220       6 14 36  a1  =  530    14 36 98  a   1390    2     3 6 14  a0   220        0 1 4  a1  =  45   0 0 1  a   5    2    Jadi. p(3) = 120 p(x) = 5x(x + 5 ) K! O . f(2) = 70 dan f(3) = 120. Dari data itu jelas p(x) bukan fungsi linear. Jadi. Cari fungsi p(x) yang dapat melukiskan data itu.  a0   0       a1  =  25  a   5   2   Cek: p(1) = 30.Contoh: Terdapat tiga data f(x) yaitu. f(1) = 30.

05598281 0.06273566 0.03808997 0. Arah dinyatakan dalam sudut θ terhadap sumbu y yang ditetapkan sebelum pengukuran.07395442 0.04795629 0.01794775 0. .Contoh: Kuat medan listrik E di sekitar sebuah benda berbentuk lempeng diukur pada jarak 10 cm dari pusat massanya dan arah yang bervariasi.07853982 0.04201338 y θ E Cari fungsi p(x) yang dapat melukiskan data itu.05516225 0.04807485 0. Diperoleh data sebagai berikut: θ [derajat] 10 15 20 25 30 35 40 45 50 55 E [V/cm] 0.

07 S = 1.07 a6 = 8.085809790211842E .05 a5 = 1.3.02 a1 = 1.876184315740421E .05 a4 = 1.596300085173997E .07 .03 a3 = .252863805243949E .3.358961098305538E .368895999268855E .03 a1 = 1.1.7528E .09 a7 = .09 a7 = 1.03 a3 = 3.02 a1 = 1.02 a2 = 4.07 a6 = .862332690401015E .05 m = 9: m = 7: a4 = .557800654975570E .8.487808787880805E .1.3.11 S = 3.12 a9 = .802185976358352E .912806006890119E .362046192596346E .230489224228010E .08 S = 8.983713484853211E .05 a0 = .864754537649403E .1573E .1629E .03 a0 = .4.5.1.741786330789355E .04 m = 3: a2 = 3.1.061996221844471E .262829873458547E .132254508386570E .0339E .10 a8 = 3.02 a2 = .03 m = 5: a3 = .01 a1 = .8.11 a0 = 1.631839872868015E .06 a5 = .2.04 a4 = .402768734407800E .14 S = 1.063951754163944E .757260839248139E .3.459511835946927E .06 a5 = 1.985715636865594E . diperoleh: a0 = 8.05 a3 = .317446724324134E .007658091692495E .03 a2 = 8.Dicoba beberapa polinomial dengan orde berbeda.324478388111303E .

.

N = jumlah data p(x) merupakan fungsi interpolasi berdasarkan data f(xi ) • x Sifat interpolasi: p(xi ) = f(xi ) untuk semua xi . i = 1. N.Interpolasi f(x) p(x) Keterangan: • f(xi ) mewakili data. . ….

suatu polinomial berorde m = N – 1.. ….. + aN-1x2 -1 = f(x2 ) 2 N p(x3 ) = a0 + a1x3 + a2x3 + .. .. diperoleh persamaan linear: p(x1 ) = a0 + a1 x1 + a2 x12 + .. …. N ) p(xi ) = f(xi ) Jadi.. + aN-1x3 -1 = f(x3 ) ... N-1) diperoleh sebagai solusi dari persamaan linear itu...Interpolasi Lagrange Digunakan p(x).. .. N-1) ditetukan dengan menetapkan bahwa untuk semua titik data: (i = 1.... + aN-1 xN -1 = f(xN ) dan ai (i = 0. dengan N = jumlah data: p(x) = a0 + a1x + a2x2 + . + aN-1 x1N-1 = f(x1 ) 2 N p(x2 ) = a0 + a1x2 + a2 x2 + . 2 N p(xN ) = a0 + a1xN + a2xN + . + aN-1x N-1 ≅ f(x) Nilai ai (i = 0.

N = 2: p(x1 ) = a0 + a1x1 = f(x1 ) p(x2 ) = a0 + a1 x2 = f(x2 ) a0 = − x2f(x1 ) − x1f(x2 ) x1 − x2 a1 = f(x1 ) − f(x2 ) x1 − x2  x − x2   x − x1  f(x1 ) +  p(x) =  x −x   x − x f(x2 )  2  1   1  2 N = 3: p(x1 ) = a0 + a1 x1 + a2 x12 = f(x1 ) 2 p(x2 ) = a0 + a1x2 + a2 x2 = f(x2 ) 2 p(x3 ) = a0 + a1x3 + a2x3 = f(x3 ) a0 = (x2 − x3 )x2 x3f(x1 ) + (x3 − x1 )x3x1f(x2 ) + (x1 − x2 )x1x2f(x3 ) 2 2 (x2 − x3 )x12 + (x3 − x1 )x2 + (x1 − x2 )x3 2 2 2 2 (x2 − x3 )f(x1 ) + (x3 − x12 )f(x2 ) + (x12 − x2 )f(x3 ) a1 = − 2 2 (x2 − x3 )x12 + (x3 − x1 )x2 + (x1 − x2 )x3 a2 = (x2 − x3 )f(x1 ) + (x3 − x1 )f(x2 ) + (x1 − x2 )f(x3 ) 2 2 (x2 − x3 )x12 + (x3 − x1 )x2 + (x1 − x2 )x3  x − x1  x − x2   x − x2  x − x3   x − x1  x − x3  f(x1 ) +  f(x2 ) +    p(x) =   x − x  x − x   x − x  x − x   x − x  x − x f(x3 )   2  1 3  3  2   1  2 1  2  3 1  3 .

untuk N data rumus interpolasi Lagrange: p(x) = ∑ l(x.  xk − xk  . N):   xi − xj   = 1.. xi ) = ∏    j≠i  xi − xj  . (i = k) ∏   xk − xj   j≠i  xi − xj   =  l(xk . xi ) = δik p(xk ) = f(xk ) . (i ≠ k)     x −x  j    i l(xk . = 0. ….Secara umum.. xi )f(xi ) i=1 N  x − xj   l(x.. xi ) = ∏   xi − xj  j≠i   Untuk x = xk (k = 1..

untuk interpolasi cukup digunakan polinomial p(x) berorde rendah. Kini. contoh berorde 3 (fungsi kubik). Data yang penting yaitu yang berada di sekitar titik x. x2 ) =   x − x  x − x  x − x     1  2 3  2 4   2  x − x1  x − x2  x − x3  l(x. semakin jauh dari x pengaruh data f( xi ) semakin kecil dalam menentukan nilai p(x). x3 ) < l(x. cukup data-data di sekitar titik x yang digunakan. l(x. x1 ) =   x − x  x − x  x − x     2  1 3  1 4   1  x − x1  x − x2  x − x4  l(x. . x4 ) =   x − x  x − x  x − x     1  4 2  4 3   4 Dapat dilihat bahwa. x1 ) < l(x. x3 ) =   x − x  x − x  x − x     2  3 4   3 1  3  x − x1  x − x3  x − x4  l(x. x4 ) . misal N = 4 dan x berada di sekitar x4 . Ini berarti. maka diperoleh:  x − x2  x − x3  x − x4  l(x. Dengan kata lain. yang berarti menggunakan polinomial p(x) berorde N-1. Karena itu.Perlukah memakai semua N data yang ada? Pada bagian sebelum ini interpolasi menggunakan seluruh N data f( xi ) yang tersedia. x2 ) < l(x.

…. x0 = xi-1 . 1.Interpolasi Lagrange Kubik Interpolasi Lagrange Kubik menggunakan polinomial p(x) berorde 3 sebagai fungsi interpolasi: p(x) = a0 + a1x + a2x2 + a3x3 ≅ f(x) Untuk mencari nilai aj (j = 0. f(x2 ). xj )f(xj ) j= 0 3  x − xk l(x. f(x3 ) (xi ≤ x ≤ xi+1 . x3 = xi+2 ) untuk membentuk sistem persamaan linear: 2 3 a0 + a1xj + a2xj + a3xj = f(xj ) (j = 0. x2 = xi+1 . 2. x1 = xi . N). f(x1 ). menentukan xj (j = 0. 1. 1. Diperoleh p(x) = ∑ l(x. 3) diperlukan 4 data f( xi ) di sekitar x: f(x0 ). 3) Langkah pertama dengan begitu. 2. xj ) = ∏   k ≠ j  xj − xk     . 2. 3) dengan melihat posisi x di antara titik data xi (i = 1.

y) = ∑ S(x. Prinsip yang sama berlaku untuk interpolasi berdimensi lebih tinggi. Untuk dimensi lebih tinggi berlaku cara yang sama. Interpolasi dilakukan per dimensi: Untuk satu titik data x tertentu dilakukan interpolasi di sepanjang sumbu y. yj ) i=1 j=1 n m Pada contoh di atas. . interpolasi menggunakan (n x m) data f(x. maka dilakukan interpolasi multidimensi. hal yang sama dilakukan untuk semua titik data x yang lain. Sebagai contoh di sini ditunjukkan interpolasi 2 dimensi. Metode interpolasi yang telah disampaikan bisa dipakai untuk melakukan interpolasi multidimensi.Interpolasi Multidimensi Jika data bergantung pada lebih dari satu variabel. xi )∑ S(y.y). p(x. yj )f(xi .

interpolasi Lagrange kubik: p(x. xi ) = ∏  x −x   k ≠i  i k   y − ys   l(y.Contoh. yj ) = ∏    s ≠ j  yj − ys  . y) = ∑ l(x. xi )∑ l(y. yj ) i= 0 j= 0 3 3  x − xk  l(x. yj )f(xi .

01794775 0.04807485 0.Kembali ke contoh problem least square: Kuat medan listrik E di sekitar sebuah benda berbentuk lempeng diukur pada jarak 10 cm dari pusat massanya dan arah yang bervariasi.07395442 0.04201338 y θ E Dengan interpolasi.06273566 0. cari nilai p(x) di sepanjang titik data.07853982 0.05516225 0. .05598281 0.03808997 0. Arah dinyatakan dalam sudut θ terhadap sumbu y yang ditetapkan sebelum pengukuran.04795629 0. Diperoleh data sebagai berikut: θ [derajat] 10 15 20 25 30 35 40 45 50 55 E [V/cm] 0.

.

.Integrasi Menghitung luas daerah di bawah kurva: f(x) analitik f(x) numerik ∫ f(x) dx a b ∑ w f(x ) i i i a b b N x a b x I = ∫ f(x) dx ≅ ∑ wif(xi ) a i=1 Integral numerik sering disebut juga sebagai quadrature. integrasi numerik disebut sebagai integrasi dgn menjumlah quadrature.

Meski tidak terlihat pada rumus akhir. pada integrasi numerik integrand f(x) diinterpolasi dengan suatu polinomial: I = ∫ f(x) dx ≅ ∑ wif(xi ) a i=1 b N f(x) ≅ p(x) polinomial Akan dibahas: • • quadrature trapezoid quadrature Simpson .

a a i=1 b b N p(x) = r + sx f(x) Untuk menarik garis lurus diperlukan minimal 2 titik. p(b) = f(b) ∫ p(x) dx a b a b x .Quadrature Trapezoid Kurva integrand f(x) diinterpolasi dengan sebuah garis lurus (f(x) diinterpolasi dengan fungsi linier / polinomial orde 1): I = ∫ f(x) dx ≅ ∫ p(x) dx = ∑ wip(xi ). dipilih titik f(a) dan f(b): p(x) p(a) = f(a).

a) + s(b2 − a2 ) = r(w1 + w2 ) + s(aw1 + bw2 ) 2 w1 + w2 = b . w2 = ? Mencari w1 dan w2 : p(x) = r + sx ∫ (r + sx) dx = w (r + sa) + w (r + sb) 1 2 b 1 r(b .a 1 aw1 + bw2 = (b2 − a2 ) 2 a w1 = w2 = 1 (b − a) 2 Rumus quadrature trapezoid: I = ∫ f(x) dx ≅ a b h (f(a) + f(b) ) 2 (h = b − a) luas trapezoid (lihat gambar) .Dengan diketahui hanya p(a) dan p(b) (r dan s tidak dicari). maka integrasi numerik dikerjakan untuk N = 2: ∫ p(x) dx = ∑ w p(x ) = w p(x ) + w p(x ) = w p(a) + w p(b) i i 1 1 2 2 1 2 a i=1 b 2 w1 .

p(c) = f(c) dengan ∫ p(x) dx a b b= a+c 2 a b c x . quadrature Simpson memakai p(x) fungsi kuadratik / polinomial orde 2 untuk menginterpolasi integrand f(x): I = ∫ f(x) dx ≅ ∫ p(x) dx = ∑ wip(xi ). dipilih titik f(a). p(b) = f(b). f(b) dan f(c): p(x) p(a) = f(a).Quadrature Simpson & Boole Cara yang sama seperti pada quadrature trapezoid bisa dipakai untuk polinomial p(x) orde lebih tinggi. Contoh. a a i=1 c c N p(x) = r + sx + tx2 f(x) Untuk membuat kurva kuadratik diperlukan minimal 3 titik.

a 1 aw1 + bw2 + cw3 = (c2 − a2 ) 2 1 a2w1 + b2w2 + c2w3 = (c3 − a3 ) 3 w1 = w3 = w2 = 1 (c − a) 6 2 (c − a) 3 . w2 . w2 .Integrasi numerik dikerjakan untuk N = 3: ∫ p(x) dx = ∑ w p(x ) = w p(a) + w p(b) + w p(c) i i 1 2 3 a i=1 c 3 w1 . w3: p(x) = r + sx + tx2 (r + sx + tx2 ) dx = w1 (r + sa + ta2 ) + w2 (r + sb + tb2 ) ∫ a c r(c . w3 = ? Mencari w1 .a) + 1 1 s(c2 − a2 ) + t(c3 − a3 ) = 2 3 + w3 (r + sc + tc2 ) r(w1 + w2 + w3 ) + s(aw1 + bw2 + cw3 ) + t(a2w1 + b2w2 + c2w3 ) w1 + w2 + w3 = c .

menggunakan p(x) polinomial orde 3 diperoleh rumus quadrature Simpson 3 8 : I = ∫ f(x) dx ≅ a d 3h (f(a) + 3f(b) + 3f(c) + f(d) ) 8 d-a   = b − a = c − b = d − c h = 3   dan dengan p(x) polinomial orde 4 rumus quadrature Boole: 2h (7f(a) + 32f(b) + 12f(c) + 32f(d) + 7f(e) ) I = ∫ f(x) dx ≅ 45 a e e-a  h=  4        = b− a  = c −b = d−c  = e − d  .Diperoleh Rumus quadrature Simpson: I = ∫ f(x) dx ≅ a c h (f(a) + 4f(b) + f(c) ) 3 dengan h = c−a yaitu jarak antar titik xi tempat f(x) dihitung: h = b − a = c − b 2 Dengan cara yang sama.

Kasus sederhana yaitu. Juga. Quadrature trapezoid dan Simpson pada dasarnya memadai untuk daerah integrasi yang sempit. maka quadrature trapezoid dan Simpson bisa dipakai juga untuk daerah integrasi yang lebar. lalu di tiap daerah yang sempit itu digunakan polinomial orde rendah untuk interpolasi.Integrasi Komposit Polinomial orde rendah memadai untuk menginterpolasi sebuah fungsi dalam daerah yang sempit. Integrasi seperti ini disebut integrasi komposit. semua integral untuk daerah yang sempit bisa dihitung menurut rumus quadrature yang sama. membagi daerah fungsi yang lebar itu dalam beberapa daerah yang sempit. atau berbeda-beda. . namun dengan membagi daerah integrasi dalam beberapa daerah yang sempit. Alternatif lain yaitu. misal semuanya trapezoid. bila daerah integrasi dibagi sama panjang dan untuk tiap daerah digunakan rumus quadrature yang sama. Bergantung pada integrand f(x). Untuk daerah yang lebar diperlukan orde yang lebih tinggi. Integral total merupakan jumlah semua integral untuk daerah yang sempit. sesuai kurva di tiap daerah sempit itu. daerah integrasi yang lebar bisa dibagi dalam beberapa daerah sempit yang sama atau berbeda panjang.

. N i N • integrasi komposit menggunakan quadrature Simpson I = ∫ f(x) dx ≅ a b 2h 1 [2 (f0 + f2N ) + 2(f1 + f3 + . + f2N−2 ] 3 h= b−a . 2N i 2N ...b] dibagi dalam N bagian sama panjang. I = ∫ f(x) dx = a b a +d ∫ f(x) dx + a a +2d ∫ f(x) dx + ........ daerah integrasi [a. + f −1 ] 0 N 1 2 N a b h= b−a . f = f(a + ih).. f = f(a + ih). i = 0. . .. + b -d ∫ f(x) dx + ∫ f(x) dx b -d b a +d b-2d b−a  d=   N   • integrasi komposit menggunakan quadrature trapezoid 1 I = ∫ f(x) dx ≅ h[2 (f + f ) + f + f + . i = 0.Contoh. + f2N−1 ) + f2 + f4 + ...

Integrasi komposit trapezoid untuk daerah integrasi [a.b] yang dibagi 8 sama panjang: 1 I = ∫ f(x) dx ≅ h[2 (f0 + f ) + f + f + f + f4 + f + f + f ] 8 1 2 3 5 6 7 a b f(x) a h b x .

Integrasi komposit yang menggunakan quadrature trapezoid dan Simpson. daerah integrasi [a.b] yang dibagi 3: b I = ∫ f(x) dx ≅ a h1 (fa + 2fa +h1 + fc ) + h2 (fc + 4fc+h2 + fb ) 2 3 Simpson f(x) trapezoid a h1 h1 c 2h2 b x .

Integral dianggap sebagai satu persegi panjang. Pada keadaan ini. integrasi Monte Carlo dapat dipilih. dengan lebar daerah integrasi dan tinggi nilai rata-rata integrand f(x).a) ∑ f(xi ) n i=1 a b .Integrasi Monte Carlo Mungkin saja cara-cara integrasi numerik yang sudah disampaikan sulit atau tidak bisa diterapkan untuk mengevaluasi suatu integral. yang diperoleh melalui statistik dengan memanfaatkan bilangan acak: f(x) 1 n < f(x) >= ∑ f(xi ) n i=1 xi = bilangan acak : a ≤ xi ≤ b <f(x)> (b-a)<f(x)> x a b 1 n I = ∫ f(x)dx ≅ (b . Integrasi Monte Carlo tidak menggunakan interpolasi seperti pada cara-cara integrasi numerik sebelum ini.

Dua masalah yang akan dibahas yaitu: • • PD dengan syarat awal PD dengan syarat batas . bukan persamaan differensial parsial. untuk orde 1 dan 2.Persamaan Differensial Persamaan differensial (PD) yang dimaksud yaitu persamaan differensial biasa.

y)dx x0 Setelah y(x0 + h) didapat. y) dx y(x) = ? Masalah persamaan differensial berubah menjadi masalah persamaan integral. y)dx x0 x0 +h x Dicari y(x) pada titik x = x0 + h : y(x0 + h) = y0 + ∫ f(x.PD dengan Syarat Awal Bentuk umum PD orde 1: Diketahui: Integrasi: y'= dy = f(x. y(x0 ) = y0 y ∫ dy = ∫ f(x. Demikian seterusnya. . y)dx y0 x0 x y(x) = y0 + ∫ f(x. selanjutnya dicari y(x0 + 2h) .

y) dianggap konstan dan dihitung pada x = x0. x x0 x0 + h Diperoleh: x0 +h y(x) y(x0 + h) yg diperoleh y(x0 + h) ≅ y0 + f(x0 .y) f(x0 .Metode Euler Menurut metode Euler: f(x. y0 ) f(x. y0 ) ∫ dx y0 x x0 ≅ y0 + hf(x0 . y0 ) y(x0 + h) sebenarnya x0 x0 + h .

y0 ) 1 2 1 2 x x0 x0 + h 1 x0 + 2 h y(x) y(x0 + h) yg diperoleh Diperoleh: 1 1 y(x0 + h) ≅ y0 + hf(x0 + 2 h. y0 + 2 hf(x0 .y) Modifikasi dilakukan dalam memilih nilai f(x.Metode Euler yang Dimodifikasi f(x. y0 )) y0 x y(x0 + h) sebenarnya x0 x0 + h 1 x0 + 2 h . 1 Dipilih f(x. y(x0 + 2 h)) 1 1 ≅ y0 + hf(x0 + 2 h.y) pada titik x = x0 + 2 h : 1 1 f(x0 + 2 h. y(x0 + 2 h)) f(x0 + h.y) yang dianggap konstan. y(x0 + h)) 1 dengan y(x0 + 2 h) dihitung memakai metode Euler: 1 1 y(x0 + 2 h) ≅ y0 + 2 hf(x0 .

y)dx ≅ h[f(x . y0 ) dengan y(x0 + h) dihitung memakai metode Euler: Diperoleh: 1 y(x0 + h) ≅ y0 + 2 h[f(x0 .y) yang merupakan rata-rata dari dua nilai f(x. y0 + hf(x0 . y(x0 + h))] f(x. y0 ) + f(x0 + h. y0 ) + f(x0 + h. y 1 2 0 0 ) + f(x0 + h. y(x0 + h))] 1 ≅ y0 + 2 h[f(x0 . masing-masing pada titik x0 dan x0 + h : 1 2 [f(x0 . y0 ) + f(x0 + h.y).Metode Euler yang Lebih Baik (Improved) Kali ini dipakai nilai f(x. y0 ))] .y) Ini sama dengan menggunakan quadrature trapezoid untuk mengevaluasi integral: x0 +h ∫ f(x. y(x0 + h))] x x0 x0 x0 + h y(x0 + h) ≅ y0 + hf(x0 .

y. y') dx y(x0 ) = y0 . y) u'= f(x. y. u) Masalah PD orde 2 berubah menjadi masalah PD orde 1. . y'(x0 ) = y'0 y(x) = ? u = y' u0 = y'0 y'= u(x.PD Orde 2 Bentuk umum PD orde 2: Diketahui: Definisikan fungsi baru u: d2 y y''= 2 = f(x.

y) 1 y(x0 + h) = y0 + 2 h(u0 + u1 ) u0 = y'0 f = f(x0 + h. y(x0 + h) → y0 . u(x0 + h) → u0 . y0 . u) 1 u(x0 + h) = u0 + 2 h(f + f ) 0 1 f = f(x0 . u0 ) 0 y'= u(x. u0 f 0 u1 f . y0 + hu0 . u(x0 + h) 1 x0 + h → x0 . u1 ) 1 Alur perhitungan: u1 = u0 + hf 0 y0 . y. y(x0 + h).Contoh penyelesaian dengan metode Euler yang lebih baik (improved): u'= f(x.

. maka kita temui kasus PD dengan syarat batas. terikat terikat Bentuk umum PD orde 1 & 2 linear: (1) y'= f(x. y) = d(x) − e(x)y (2) y''= g(x. y') = a(x) − b(x)y − c(x)y' Diketahui: x0 ≤ x ≤ xn y(x0 ) = y0 y(xn ) = yn y(x) = ? Dicari yi = y(xi ) pada titik xi = x0 + ih (i = 1. Jika ujung-ujung tali itu diikat sehingga tidak bisa bergerak.PD dengan Syarat Batas Contoh... gelombang yang merambat di sepanjang tali bisa digambarkan dengan PD orde 2. n . y. n − 1) dengan h = xn − x0 . .

iterasi. Eliminasi Gauss. sistem persamaan linear juga dapat diselesaikan dengan cara lain yaitu. Contoh: iterasi Jacobi dan iterasi Gauss-Siedel. contoh.Metode Finite Differences (1) y'+e(x)y = d(x) (2) y''+c(x)y'+b(x)y = a(x) (1) y' +ei yi = di i (2) y'' +ci y' +bi yi = ai i i (1) yi+1 − yi−1 2h y − 2yi + yi−1 y'' ≅ i+1 i h2 y' ≅ i yi+1 − yi−1 + ei yi ≅ di 2h y − 2yi + yi−1 y −y (2) i+1 + ci i+1 i−1 + bi yi ≅ ai h2 2h Jadi. Namun. pada akhirnya ditemui masalah sistem persamaan linear: (1) − yi−1 + 2eihyi + yi+1 ≅ 2dih  ch   ch  (2)  1 − i  yi−1 − 2 − bih2 yi +  1 + i  yi+1 ≅ aih2 2  2    ( ) yang dapat diselesaikan menggunakan metode. .

.. . n) hasil perkiraan / tebakan.....Iterasi Jacobi sistem persamaan linear: ∑a x ij j=1 n j = bi (i = 1.. n) =   aii  j≠i  Demikian seterusnya berulang-ulang. xi ε = bilangan kecil . nilai perkiraan pada langkah ke k diperoleh dari nilai perkiraan pada langkah ke k-1: x (k) i n  1  (k =  bi − ∑ aijxj -1)  (i = 1. n)  aii  j≠i   Pencarian dihentikan setelah didapat nilai xi yang konvergen yaitu. n) n  1  solusi: xi =  bi − ∑ aijxj   aii  j≠i   Pencarian solusi dimulai dengan nilai awal xi(0) (i = 1.. .. Dengan nilai tebak awal ini diperoleh nilai perkiraan berikut xi(1) melalui: x (1) i n  1  (0)  bi − ∑ aijxj  (i = 1. …. yang tidak atau sedikit berubah dari nilai yang diperoleh pada langkah sebelumnya: xi(k-1) 1 − (k) < ε. .

. (k) (k) maka semua xj<i sudah diperoleh ketika mencari xi .. nilai xj<i atau xj>i itu bisa langsung dipakai untuk mencari xi(k). (k) (k) Karena itu. 2. . . (k) Sebaliknya. 2... sehingga iterasi mencapai nilai konvergen menjadi lebih cepat: xi(k) = x (k) i  1  (k) (k  bi − ∑ aijxj − ∑ aijxj -1)   aii  j<i j>i   (i = 1.. n) (i = n.Iterasi Gauss-Siedel (k) i Rumus iterasi Jacobi dapat ditulis: x  1  (k (k  bi − ∑ aijxj -1) − ∑ aijxj -1)  =   aii  j<i j>i  Jika pada tiap langkah pencarian dilakukan dengan urutan i yang makin besar. 1)  1  (k (k)  bi − ∑ aijxj -1) − ∑ aijxj  =   aii  j<i j>i  Iterasi seperti ini disebut iterasi Gauss-Siedel. maka semua xj>i (k) sudah diperoleh ketika mencari xi ... jika dilakukan dengan urutan i yang makin kecil.

Pada tiap langkah dilakukan pemeriksaan konvergensi untuk semua elemen x. yang bisa saja sulit dilakukan atau menimbulkan masalah. untuk tiap elemen x terdapat kesempatan yang sama untuk mencapai keakuratan yang diinginkan. misalnya membuat iterasi terlalu lama mencapai konvergensi. . Pada metode ini terdapat substitusi mundur dan maju.Sebelum ini dikenal metode Eliminasi Gauss dan LU Decomposition untuk mencari solusi sebuah sistem persamaan linear. nilai xi dihitung dari nilai xj>i ( xj<i ). pada metode iterasi ada keharusan menentukan nilai awal. Semua elemen x dilihat secara sama. Jadi. terjadi perambatan kesalahan. Pada substitusi mundur (maju). Namun. sehingga kesalahan (ketidakakuratan) pada xj>i ( xj<i ) terakumulasi pada xi . Pada metode iterasi tidak terdapat perambatan kesalahan seperti itu. Dengan kata lain.

Aplikasi Iterasi Jacobi dan Gauss-Siedel pada PD dengan Syarat Batas PD orde 1: (1) y'= d(x) − e(x)y PD orde 2: (2) y''= a(x) − b(x)y − c(x)y' Iterasi Jacobi: − yi−1 + 2eihyi + yi+1 ≅ 2dih  cih   ch  1 −  yi−1 − (2 − bih2 )yi +  1 + i  yi+1 ≅ aih2 2  2    (1) yi(k) ≅ (2) yi(k) ≅ 1 2dih + yi(k-1) − yi(k1-1) + -1 2eih ( )   1  ch   ch   − aih2 +  1 − i  yi(k-1) +  1 + i  yi(k1-1)  -1 +  (2 − bih2 )  2  2      Iterasi Gauss-Siedel (contoh untuk i membesar. …. i = 1. sesuai syarat batas: . n-1): (1) yi(k) ≅ (2) yi(k) ≅ 1 2dih + yi(k) − yi(k1-1) + -1 2eih ( )   1  ch   ch   − aih2 +  1 − i  yi(k) +  1 + i  yi(k1-1)  -1 +  (2 − bih2 )  2  2      (k) y0 = y0 (k) yn = yn Catatan.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->