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

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

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

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

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

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

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) .

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

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

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

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

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 .Contoh pencarian akar fungsi dengan metode Bisection: akar fungsi x a x1 x3 x4 b x2 Jika εi ≡ xi+1 − xi . ε2 = x3 − x2 .

.. 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..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 ) − . εi+1 = f'(xi ) − εif''(xi ) + . .... metode Newton-Raphson lebih cepat dari metode Bisection.. 1 f(xi ) − εif'(xi ) + 2 εi2f''(xi ) − .

7390851 f(akar) 9.72 dan 0.3692161E-06 -7. Batas awal kiri dan kanan untuk metode Bisection 0.7470244E-09 jumlah langkah 12 4 Keterangan: • • • Pencarian akar berhenti jika kesalahan relatif semu sama atau kurang dari 1.0E-05.72.7390795 0.75. 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. .

…. j = 1. n aij dan bi xj = ? . 2.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.

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

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

j = k...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) (m) aij . bi(m) ≡ aij . .... 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.. 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. n − 1. n. bi pada langkah ke m halaman berikut . . ...

j-1) n-j − a ∑a k =n.j..j+1 (n.j..j-1) n .j n (n.n .k k x (j = 1.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 − 1) . .

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

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

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

N. .Data Fitting dengan Metode Least Square f(x) p(x) Keterangan: • f(xi ) mewakili data. 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 . …. i = 1.

. . + amx = ∑ ajx j 2 3 m j= 0 m (Secara umum.Prinsip penentuan fungsi p(x): • p(x) merupakan polinomial orde m: p(x) = a0 + a1x + a2x + a3x + .. 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. . 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. …. p(x) juga bisa merupakan polinomial bentuk yang lain seperti.. 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.

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

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

Contoh: Terdapat tiga data f(x) yaitu. Dari data itu jelas p(x) bukan fungsi linear.  a0   0       a1  =  25  a   5   2   Cek: p(1) = 30. Jadi. Cari fungsi p(x) yang dapat melukiskan data itu. f(2) = 70 dan f(3) = 120. f(1) = 30. 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(2) = 70. p(3) = 120 p(x) = 5x(x + 5 ) K! O .

03808997 0.06273566 0.01794775 0.07853982 0.04201338 y θ E Cari fungsi p(x) yang dapat melukiskan data itu.Contoh: Kuat medan listrik E di sekitar sebuah benda berbentuk lempeng diukur pada jarak 10 cm dari pusat massanya dan arah yang bervariasi.04807485 0.04795629 0. Arah dinyatakan dalam sudut θ terhadap sumbu y yang ditetapkan sebelum pengukuran.07395442 0. Diperoleh data sebagai berikut: θ [derajat] 10 15 20 25 30 35 40 45 50 55 E [V/cm] 0.05516225 0.05598281 0. .

741786330789355E .402768734407800E .252863805243949E .757260839248139E .08 S = 8.2.02 a1 = 1.10 a8 = 3.03 m = 5: a3 = .985715636865594E .802185976358352E .1629E .03 a3 = 3.324478388111303E .05 a4 = 1.1.8.01 a1 = .063951754163944E .983713484853211E .596300085173997E .3.06 a5 = .03 a2 = 8.8.07 a6 = 8.07 S = 1.3.4.02 a2 = .05 a0 = .05 a3 = .02 a2 = 4.876184315740421E .03 a3 = .12 a9 = .132254508386570E .09 a7 = .459511835946927E .02 a1 = 1.368895999268855E .085809790211842E .3.0339E .1.09 a7 = 1.864754537649403E .1.862332690401015E .03 a0 = . diperoleh: a0 = 8.5.362046192596346E .631839872868015E .061996221844471E .11 a0 = 1.317446724324134E .557800654975570E .912806006890119E .07 a6 = .11 S = 3.14 S = 1.3.1573E .262829873458547E .007658091692495E .04 a4 = .487808787880805E .230489224228010E .05 a5 = 1.04 m = 3: a2 = 3.7528E .05 m = 9: m = 7: a4 = .07 .1.358961098305538E .03 a1 = 1.Dicoba beberapa polinomial dengan orde berbeda.06 a5 = 1.

.

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

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

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 .

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

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

f(x1 ). 1. xj )f(xj ) j= 0 3  x − xk l(x. f(x3 ) (xi ≤ x ≤ xi+1 . 3) diperlukan 4 data f( xi ) di sekitar x: f(x0 ). x1 = xi .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. 2. x2 = xi+1 . 3) dengan melihat posisi x di antara titik data xi (i = 1. 1. 1. 2. N). menentukan xj (j = 0. 2. 3) Langkah pertama dengan begitu. …. x3 = xi+2 ) untuk membentuk sistem persamaan linear: 2 3 a0 + a1xj + a2xj + a3xj = f(xj ) (j = 0. f(x2 ). x0 = xi-1 . Diperoleh p(x) = ∑ l(x. xj ) = ∏   k ≠ j  xj − xk     .

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

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

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. Diperoleh data sebagai berikut: θ [derajat] 10 15 20 25 30 35 40 45 50 55 E [V/cm] 0. cari nilai p(x) di sepanjang titik data.01794775 0.05516225 0.06273566 0.05598281 0.07853982 0.04795629 0.03808997 0. Arah dinyatakan dalam sudut θ terhadap sumbu y yang ditetapkan sebelum pengukuran. .04201338 y θ E Dengan interpolasi.07395442 0.04807485 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 .

p(b) = f(b) ∫ p(x) dx a b a b x . dipilih titik f(a) dan f(b): p(x) p(a) = f(a).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 ). a a i=1 b b N p(x) = r + sx f(x) Untuk menarik garis lurus diperlukan minimal 2 titik.

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 .a) + s(b2 − a2 ) = r(w1 + w2 ) + s(aw1 + bw2 ) 2 w1 + w2 = 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). w2 = ? Mencari w1 dan w2 : p(x) = r + sx ∫ (r + sx) dx = w (r + sa) + w (r + sb) 1 2 b 1 r(b .

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

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 . w3 = ? Mencari w1 . w2 .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 . w3: p(x) = r + sx + tx2 (r + sx + tx2 ) dx = w1 (r + sa + ta2 ) + w2 (r + sb + tb2 ) ∫ a c r(c .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 .

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. 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  .

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

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

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 .

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 . daerah integrasi [a.Integrasi komposit yang menggunakan quadrature trapezoid dan Simpson.

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

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

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

y0 ) f(x.Metode Euler Menurut metode Euler: f(x. y0 ) y(x0 + h) sebenarnya x0 x0 + h .y) f(x0 .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 . y0 ) ∫ dx y0 x x0 ≅ y0 + hf(x0 .

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

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

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

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

maka kita temui kasus PD dengan syarat batas.. .. 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. gelombang yang merambat di sepanjang tali bisa digambarkan dengan PD orde 2. y. terikat terikat Bentuk umum PD orde 1 & 2 linear: (1) y'= f(x.. n . Jika ujung-ujung tali itu diikat sehingga tidak bisa bergerak. n − 1) dengan h = xn − x0 .PD dengan Syarat Batas Contoh.

iterasi. Contoh: iterasi Jacobi dan iterasi Gauss-Siedel. contoh. sistem persamaan linear juga dapat diselesaikan dengan cara lain yaitu. 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. Eliminasi Gauss.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. .

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

. 2. (k) Sebaliknya.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. (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). 2.. maka semua xj>i (k) sudah diperoleh ketika mencari xi . jika dilakukan dengan urutan i yang makin kecil. 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.... 1)  1  (k (k)  bi − ∑ aijxj -1) − ∑ aijxj  =   aii  j<i j>i  Iterasi seperti ini disebut iterasi Gauss-Siedel. (k) (k) Karena itu. . n) (i = n. .. .

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

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. 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. sesuai syarat batas: . …. i = 1.