Professional Documents
Culture Documents
-Menggunakan Matlab-
Supriyanto Suparno
( Website: http://supriyanto.fisika.ui.ac.id )
( Email: supriyanto@sci.ui.ac.id atau supri92@gmail.com )
Edisi Pertama
Revisi terakhir tgl: 24 Oktober 2014
Departemen Fisika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Univeristas Indonesia
2014
Untuk
Muflih Syamil
Hasan Azmi
Farah Raihana
Nina Marliyani
Kata Pengantar
Segala puji saya panjatkan kepada Tuhan Yang Maha Esa atas kesempatan yang telah Dia diberikan untuk menulis Buku Komputasi untuk Sains dan Teknik. Buku ini disusun dengan tujuan
yaitu, pertama, untuk memperkenalkan sejumlah metode komputasi numerik kepada mahasiswa sarjana ilmu sika; kedua, memperkenalkan tahap-tahap pembuatan program komputer
(script) dan logika pemrograman dalam bahasa Matlab untuk memecahkan problem sika secara numerik. Rujukan utama buku adalah pada buku teks standar yang sangat populer di dunia
komputasi, yaitu buku yang ditulis oleh Richard L. Burden dan J. Douglas Faires dengan judul
Numerical Analysis edisi ke-7, diterbitkan oleh Penerbit Brooks/Cole, Thomson Learning Academic Resource Center. Namun demikian, buku ini telah dilengkapi dengan sejumlah contoh
script yang mudah dipahami oleh programmer pemula.
Walaupun buku ini masih jauh dari sempurna, semoga ia dapat memberikan sumbangan
yang berarti untuk peningkatan kapasitas dan kompetensi anak bangsa generasi penerus. Bagi
yang ingin berdiskusi, memberikan masukan, kritikan dan saran, silakan dikirimkan ke email:
supriyanto@sci.ui.ac.id
Akhirnya saya ingin mengucapkan rasa terima kasih yang tak terhingga kepada Dede Djuhana yang telah berkenan memberikan format LATEX-nya sehingga tampilan tulisan pada buku
ini benar-benar layaknya sebuah buku yang siap dicetak. Tak lupa, saya pun berterima kasih
kepada seluruh mahasiswa yang telah mengambil mata kuliah Komputasi Fisika dan Anaisis Numerik di Departemen Fisika, FMIPA, Universitas Indonesia atas diskusi yang berlangsung selama
kuliah. Kepada seluruh mahasiswa dari berbagai universitas di Timur dan di Barat Indonesia
juga saya ungkapkan terima kasih atas pertanyaan-pertanyaan yang turut memperkaya isi buku
ini. Tak lupa saya ingin sampaikan rasa terima kasih kepada Dikti, Kementerian Pendidikan dan
Kebudayaan, RI atas segala dukungan dan apresiasi terhadap penerbitan buku ini.
iii
iv
Daftar Isi
Lembar Persembahan
Kata Pengantar
iii
Daftar Isi
iii
Daftar Gambar
ix
Daftar Tabel
xiii
1 Pendahuluan
1.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
15
15
16
16
17
17
18
18
18
18
19
19
19
19
20
20
20
21
vi
2.5.3 Perkalian matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
27
. . . . . . . . . . . . . . . . . . . . .
35
36
2.6 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
2.7 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
3 Fungsi
41
41
42
44
46
47
49
3.7 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
3.8 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
55
55
65
65
65
69
72
72
75
76
78
6 Integral Numerik
79
79
80
82
82
83
85
85
6.6.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
6.6.2 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
vii
7 Diferensial Numerik
89
89
95
98
141
. . . . . . . . . . . . . . . . . . . . . 143
. . . . . . . . . . . . . . . . . . . . . . . . . . . 143
171
viii
9.2.1 Cara menghilangkan sebuah variabel . . . . . . . . . . . . . . . . . . . . . 173
9.2.2 Permainan indeks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
9.3 Triangularisasi dan Substitusi Mundur . . . . . . . . . . . . . . . . . . . . . . . . 174
9.3.1 Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
9.3.2 Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
9.4 Matrik dan Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
9.4.1 Matrik Augmentasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
9.4.2 Penerapan pada contoh pertama . . . . . . . . . . . . . . . . . . . . . . . 178
9.4.3 Source-code dasar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
9.4.4 Optimasi source code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
9.4.5 Pentingnya nilai n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
9.4.6 Jangan puas dulu.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
9.4.7 Pivoting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
9.5 Function Eliminasi Gauss
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
205
223
233
247
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
ix
14 Metode Monte Carlo
257
14.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
15 Inversi
261
267
269
Daftar Gambar
1.4 Grak gelombang berfrekuensi 5 Hz dalam rentang waktu dari 0 hingga 1 detik .
1.5 Grak yang dilengkapi dengan keterangan sumbu-x dan sumbu-y serta judul . . .
10
11
1.10 Kapasitor dan induktor masing-masing terhubung seri dengan sumber tegangan
bolak-balik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
3.1 Kurva lintasan gerak parabola yang dihasilkan oleh fungsi eksternal parabol() . .
43
4.1 Vektor percepatan gravitasi dalam arah vertikal akibat benda anomali dan akibat
bumi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
57
63
5.1 Fungsi dengan dua akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = 2 dan x = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
5.2 Fungsi dengan satu akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu pada x = 1, 2599 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
68
5.4 Awal perhitungan: batas kiri adalah a = 0, batas kanan adalah b = 1; sementara
p adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . .
68
5.5 Iterasi kedua: batas kiri adalah a = 0,5, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . . .
69
5.6 Iterasi ketiga: batas kiri adalah a = 0,5, batas kanan adalah b = 0,75; sementara
p adalah posisi tengah antara a dan b . . . . . . . . . . . . . . . . . . . . . . . . .
70
71
5.8 Nilai akar ditandai oleh lingkaran kecil pada kurva yang memotong sumbu-x . . .
72
xi
DAFTAR GAMBAR
xii
6.1 Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Trapesoida menghitung integral dengan cara menghitung luas area integrasi, dimana
luas area integrasi sama dengan luas trapesium di bawah kurva f (x) dalam batas-batas a
dan b. Jika anda perhatikan dengan teliti, ada area kecil dibawah garis kurva dan diatas
garis miring yang berada diluar bidang trapesium. Metode Trapesoida tidak menghitung
luas area kecil tersebut. Disinilah letak kelemahan metode trapezoida. . . . . . . . . . .
80
6.2 Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Simpson menghitung luas area integrasi, dimana area integrasi di bawah kurva f (x)
dibagi 2 dalam batas interval a x1 dan x1 b dengan lebar masing-masing adalah h . .
81
6.3 Metode Composite Simpson. Kurva fungsi f (x) dengan batas bawah integral adalah a
dan batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-
masing adalah h. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
7.1 Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebesar
h. Pasangan t1 adalah y(t1 ), pasangan t2 adalah y(t2 ), begitu seterusnya. Kanan: Garis
singgung yang menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis singgung
tersebut, ditentukan pasangan t1 sebagai w1 . Perhatikan gambar itu sekali lagi! w1 dan
y(t1 ) beda tipis alias tidak sama persis. . . . . . . . . . . . . . . . . . . . . . . . . . .
90
7.2 Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu
nilai wi .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
7.3 Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta
orde 4, yaitu nilai wi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
7.4 Rangkaian RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.8 Skema grid lines dan mesh points pada aplikasi metode Finite-Difference . . . . . . 115
7.9 Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu . . . . . . . . . . . . . . . . . . . . . . . 117
7.10 Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur. Jarak antar titik ditentukan sebesar h = 0, 1. . . . . . . . . . . . . . . . . . . . . . . . . 124
7.11 Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005 . . . . . . . 124
7.12 Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forwarddifference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat . . . . 125
DAFTAR GAMBAR
xiii
xiv
DAFTAR GAMBAR
Daftar Tabel
67
86
7.1 Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih
antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
7.2 Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact
y(ti ) serta selisih antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . .
98
7.3 Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan
hasil perhitungan dari solusi exact, yaitu persamaan (7.16) . . . . . . . . . . . . 103
7.4 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2 adalah
solusi analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forward-difference. Kolom ke-4 dan ke-6 adalah selisih antara solusi analitik dan numerik . . . . . . . . . . . 128
7.5 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backwarddifference dimana k = 0, 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.6 Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan
metode backward-difference dan Crank-Nicolson . . . . . . . . . . . . . . . . . . . 136
8.1 Hasil akhir elemen-elemen vektor x hingga iterasi ke-10 . . . . . . . . . . . . . . 154
8.2 Hasil perhitungan norm2-selisih hingga iterasi ke-10 . . . . . . . . . . . . . . . . 155
8.3 Hasil Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.4 Hasil perhitungan iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . 169
8.5 Hasil perhitungan iterasi Relaksasi dengan = 1, 25 . . . . . . . . . . . . . . . . 169
10.1 Data suhu bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . . . 205
10.2 Data suhu bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . . . 210
10.3 Data ketinggian terhadap waktu dari planet X . . . . . . . . . . . . . . . . . . . . 217
13.1 Koordinat Sumber Sinyal dan Waktu Tempuh Sinyal
. . . . . . . . . . . . . . . . 251
xv
xvi
DAFTAR TABEL
Bab 1
Pendahuluan
Objektif :
Mengenal cara inisialisasi variabel.
Mengenal operasi matematika.
Mengenal fungsi-fungsi dasar.
Mengenal cara membuat grafik.
nekan tombol angka 3, dan diakhiri dengan menekan tombol =; maka keluarlah hasilnya yaitu
angka 6. Kalau di komputer, proses perhitungan seperti ini dapat dilakukan dengan memanfaatkan variabel. Pertama-tama kita munculkan sebuah variabel yang diinisialisasi1 dengan angka
2, misalnya A = 2. Kemudian kita munculkan variabel lain yang diinisialisasi dengan angka 3,
misalnya B = 3. Setelah itu kita ketikkan A B; maka pada layar monitor akan tampil angka 6.
Bahkan kalau mau, hasil perhitungannya dapat disimpan dalam variabel yang lain lagi, misalnya
kita ketikkan C = A B; maka hasil perhitungan, yaitu angka 6 akan disimpan dalam variabel
C. Skrip2 Matlab untuk melakukan proses perhitungan seperti itu adalah sebagai berikut
A = 2;
B = 3;
C = A * B
1
BAB 1. PENDAHULUAN
Nama suatu variabel tidak harus hanya satu huruf, melainkan dapat berupa sebuah kata.
Misalnya kita ingin menyatakan hukum Newton kedua, yaitu F = ma, dengan m adalah massa,
a adalah percepatan dan F adalah gaya. Maka, script Matlab dapat ditulis seperti berikut ini
massa = 2;
percepatan = 3;
gaya = massa * percepatan
Atau bisa jadi kita memerlukan variabel yang terdiri atas dua patah kata. Dalam hal ini, kedua
kata tadi mesti dihubungkan dengan tanda underscore. Perhatikan contoh berikut
besar_arus = 2;
beda_potensial = 3;
nilai_hambatan = beda_potensial / besar_arus
Semua contoh di atas memperlihatkan perbedaan yang begitu jelas antara penggunaan komputer dan kalkulator dalam menyelesaikan suatu perhitungan.
Angka 0 pada script di atas merupakan nilai awal; sedangkan angka 10 adalah nilai akhir.
Contoh lainnya, jika Anda hanya menginginkan bilangan genap, cukup ketikkan
t = 0:2:10;
angka 2 bertindak sebagai nilai interval dari 0 sampai 10. Sehingga angka-angka yang muncul
adalah 0, 2, 4, 6, 8 dan 10. Urutan angka dapat dibalik dengan mengetikkan
t = 10:-2:0;
sehingga angka yang muncul adalah 10, 8, 6, 4, 2 dan 0. Adakalanya proses perhitungan
meminta kita untuk memulainya dari angka kurang dari nol, misalnya
t = -10:3:4;
maka angka-angka yang tersimpan pada variabel t adalah -10, -7, -4, -1 dan 2.
Dengan adanya kemampuan dan sekaligus kemudahan inisialisasi urutan angka seperti ini,
maka kita dimudahkan dalam melakukan perhitungan yang berulang. Sebagai contoh, kita
ingin mensimulasikan perubahan kecepatan mobil balap yang punya kemampuan akselerasi 2
m/s2 . Rumus gerak lurus berubah beraturan sangat memadai untuk maksud tersebut
v = vo + at
(1.1)
Jika kita hendak mengamati perubahan kecepatan mobil balap dari detik pertama di saat sedang diam hingga detik ke-5, kita dapat menghitung perubahan tersebut setiap satu detik, yaitu
pada
t=1
v1 = (0) + (2)(1)
2m/s
pada
t=2
v2 = (0) + (2)(2)
4m/s
pada
t=3
v3 = (0) + (2)(3)
6m/s
pada
t=4
v4 = (0) + (2)(4)
8m/s
pada
t=5
v5 = (0) + (2)(5)
10m/s
(1.2)
Untuk menentukan perubahan jarak tempuh tersebut, skrip sebelumnya mesti ditambah satu
baris lagi
1
2
3
4
a = 2;
t = 1:5;
vo = 0;
s = vo * t + 1/2 * a * t.^2
Ada hal penting yang perlu diperhatikan pada baris ke-4 di atas, yaitu penempatan tanda titik
pada t. 2. Maksud dari tanda titik adalah setiap angka yang tersimpan pada variabel t harus dikuadratkan. Jika Anda lupa menempatkan tanda titik, sehingga tertulis t 2, maka skrip tersebut
tidak akan bekerja.
Gerak mobil
Seringkali suatu informasi lebih mudah dianalisis setelah informasi tersebut ditampilkan dalam
bentuk grak. Pada contoh mobil balap di atas, kita bisa menggambar data perubahan kecepatan mobil terhadap waktu dengan menambahkan perintah plot seperti ditunjukkan oleh skrip
dibawah ini
1
2
3
4
5
a = 2;
t = 1:5;
vo = 0;
v = vo + a * t
plot(t,v,o)
BAB 1. PENDAHULUAN
4
10
1.5
2.5
3.5
4.5
2
3
4
5
6
7
8
a = 2;
t = 1:5;
vo = 0;
v = vo + a * t;
plot(t,v,o);
xlabel(Waktu (s));
ylabel(Kecepatan (m/s))
title(Data Kecepatan vs Waktu)
7
6
5
4
3
2
1.5
2.5
3
Waktu (s)
3.5
4.5
Gambar 1.2: Data perubahan kecepatan terhadap waktu dengan keterangan gambar
Osilasi teredam
Gerak dari suatu benda yang mengalami osilasi teredam (damped oscillations) memenuhi persamaan berikut:
y = Ae(b/2m)t cos(t + )
(1.3)
k
+
m
b
2m
2
(1.4)
Simpangan (meter)
0.04
0.02
0
0.02
0.04
0.06
0.08
0.1
0.5
1
Waktu (detik)
1.5
Gambar 1.3: Kurva simpangan benda yang mengalami gerak osilasi teredam
Skrip Matlab untuk menghasilkan Gambar 1.3 adalah
1
2
3
4
5
6
m = 10.6;
k = 2.05e4;
b = 63.50;
A = 0.1;
theta = 0;
t = 0:0.001:2;
7
8
9
w = sqrt((k/m)+(b/(2*m))^2);
y = A*exp((-b/(2*m))*t).*cos(w*t+theta);
10
11
plot(t,y)
BAB 1. PENDAHULUAN
6
12
13
xlabel(Waktu (detik));
ylabel(Simpangan (meter));
1
2
3
clear
close
clc
4
5
6
7
8
9
10
11
12
a = 2;
t = 1:5;
vo = 0;
v = vo + a * t;
plot(t,v,o);
xlabel(Waktu (dt));
ylabel(Kecepatan (m/dt))
title(Data Kecepatan vs Waktu)
(1.5)
1
2
3
clc
clear
close
4
5
6
7
8
9
A = 1; % amplitudo
f = 5; % frekuensi
theta = 0; % sudut fase gelombang
t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
y = A * sin(2*pi*f*t + theta); % persamaan gelombang
10
11
plot(t,y)
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Gambar 1.4: Grak gelombang berfrekuensi 5 Hz dalam rentang waktu dari 0 hingga 1 detik
Grak di atas muncul karena ada perintah plot(t,y) yang diletakkan di baris paling akhir pada
skrip. Kata atau kalimat yang ditulis setelah tanda % tidak akan dikerjakan oleh komputer.
Modikasi skrip perlu dilakukan untuk memberi keterangan pada sumbu-x dan sumbu-y serta
menambahkan judul grak
1
2
3
clc
clear
close
4
5
6
7
8
9
A = 1; % amplitudo
f = 5; % frekuensi
theta = 0; % sudut fase gelombang
t = 0:0.001:1; % t_awal = 0; t_akhir = 1; interval = 0.001
y = A * sin(2*pi*f*t + theta); % persamaan gelombang
10
11
12
13
14
Untuk memperbesar font judul grak, tambahkan kata fontsize{14} pada title(), contohnya
title(\fontsize{14} Gelombang berfrekuensi 5 Hz); % judul grafik
Untuk menggambar dua buah grak, contoh skrip berikut ini bisa digunakan
1
2
3
clc
clear
close
4
5
t = 0:0.001:1;
6
7
A1 = 1;
% amplitudo gelombang 1
BAB 1. PENDAHULUAN
Gelombang berfrekuensi 5 Hz
1
0.8
0.6
Amplitudo
0.4
0.2
0
0.2
0.4
0.6
0.8
1
0.1
0.2
0.3
0.4
0.5
Waktu, t (detik)
0.6
0.7
0.8
0.9
Gambar 1.5: Grak yang dilengkapi dengan keterangan sumbu-x dan sumbu-y serta judul
Gelombang berfrekuensi 5 Hz
1
0.8
0.6
Amplitudo
0.4
0.2
0
0.2
0.4
0.6
0.8
1
0.1
0.2
0.3
0.4
0.5
Waktu, t (detik)
0.6
0.7
0.8
0.9
f1 = 5; % frekuensi gelombang 1
theta1 = 0; % sudut fase gelombang 1
y1 = A1 * sin(2*pi*f1*t + theta1); % persamaan gelombang 1
11
12
13
14
15
A2 = 1; % amplitudo gelombang 2
f2 = 3; % frekuensi gelombang 2
theta2 = pi/4; % sudut fase gelombang 2
y2 = A2 * sin(2*pi*f2*t + theta2); % persamaan gelombang 2
16
17
figure
18
19
20
21
22
23
subplot(2,1,1)
plot(t,y1) % menggambar grafik persamaan gelombang 1
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 5 Hz);
24
25
26
27
28
29
subplot(2,1,2)
plot(t,y2) % menggambar grafik persamaan gelombang 2
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 3 Hz, fase pi/4);
Gelombang berfrekuensi 5 Hz
Amplitudo
1
0.5
0
0.5
1
0.1
0.2
0.3
0.4
0.5
Waktu, t (detik)
0.6
0.7
0.8
0.9
0.8
0.9
1
0.5
0
0.5
1
0.1
0.2
0.3
0.4
0.5
Waktu, t (detik)
0.6
0.7
clc
clear
close
4
5
t = 0:0.001:1;
6
7
8
9
A1 = 1; % amplitudo gelombang 1
f1 = 5; % frekuensi gelombang 1
theta1 = 0; % sudut fase gelombang 1
BAB 1. PENDAHULUAN
10
10
y1 = A1 * sin(2*pi*f1*t + theta1);
% persamaan gelombang 1
11
12
13
14
15
A2 = 1; % amplitudo gelombang 2
f2 = 3; % frekuensi gelombang 2
theta2 = pi/4; % sudut fase gelombang 2
y2 = A2 * sin(2*pi*f2*t + theta2); % persamaan gelombang 2
16
17
y3 = y1 + y2;
% superposisi gelombang
18
19
figure
20
21
22
23
24
25
subplot(3,1,1)
plot(t,y1) % menggambar grafik persamaan gelombang 1
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 5 Hz);
26
27
28
29
30
31
subplot(3,1,2)
plot(t,y2) % menggambar grafik persamaan gelombang 2
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Gelombang berfrekuensi 3 Hz, fase pi/4);
32
36
37
Gelombang berfrekuensi 5 Hz
Amplitudo
35
subplot(3,1,3)
plot(t,y3) % menggambar grafik superposisi gelombang
xlabel(Waktu, t (detik));
ylabel(Amplitudo);
title(\fontsize{14} Superposisi gelombang 5 Hz dan 3 Hz);
1
0
1
0.2
0.4
0.6
Waktu, t (detik)
0.8
34
1
0
1
0.2
0.4
0.6
Waktu, t (detik)
0.8
33
2
0
2
0.2
0.4
0.6
Waktu, t (detik)
0.8
1.6. LATIHAN
11
1.6 Latihan
1. Jarak tempuh mobil balap yang bergerak dengan percepatan 2 m/s2 dari posisi diam ditentukan oleh rumus berikut
1
s = vo t + at2
2
Buatlah skrip untuk menggambarkan grak jarak tempuh terhadap waktu dimulai dari t
= 0 hingga t = 20 dt.
2. Sebuah elektron memasuki daerah yang dipengaruhi oleh medan listrik seperti Gambar
1.9
y=
1 eE 2
t
2 m
dengan percepatan
a=
eE
m
Buatlah skrip untuk menentukan variasi posisi elektron (x, y) terhadap waktu (t), mulai
dari t = 0 detik hingga t = 3,33108 detik dengan interval waktu 3,331010 detik.
3. Berkali-kali bola ditendang dari depan gawang ke tengah lapangan oleh penjaga gawang
yang sedang berlatih. Misalnya bola ditendang sedemikian rupa sehingga bola selalu bergerak dengan kecepatan awal 5 m/dt. Diketahui konstanta gravitasi adalah 9,8 m/s2 .
(a) Plot variasi ketinggian maksimum bola bila sudut tendangan bervariasi dari 30 hingga 60 dengan interval 5 . Persamaan untuk menghitung ketinggian maksimum adalah
hmaks =
vo2 sin2
2g
(b) Plot variasi jangkauan maksimum bola bila sudut tendangan bervariasi dari 30 hingga 60 dengan interval 5 . Persamaan untuk menghitung jangkauan maksimum ada-
BAB 1. PENDAHULUAN
12
lah
xmaks =
vo2 sin 2
g
4. Tuliskan sebuah skrip untuk menggambar superposisi gelombang yang terbentuk dari 9
gelombang berfrekuensi 9 Hz, 18 Hz, 27 Hz, 35 Hz, 47 Hz, 57 Hz, 65 Hz, 74 Hz dan 82
Hz.
5. Sebuah kapasitor 8 F dan sebuah induktor sebesar 25 mH, masing-masing dihubungkan
ke sumber tegangan bolak-balik 150 Volt dengan frekuensi 60 Hz seperti terlihat pada
Gambar 1.10
Gambar 1.10: Kapasitor dan induktor masing-masing terhubung seri dengan sumber tegangan
bolak-balik
(a) Tentukan nilai reaktansi kapasitif pada rangkaian (a); dan reaktansi induktif pada
rangkaian (b).
(b) Tuliskan skrip Matlab untuk menggambarkan kurva arus dan tegangan pada rangkaian (a); kemudian plot gambar kurva-nya.
(c) Tuliskan skrip Matlab untuk menggambarkan kurva arus dan tegangan pada rangkaian (b); kemudian plot gambar kurva-nya.
6. Muatan Q1 sebesar 4C terletak pada x = -1; sementara Q2 = 20C terletak pada x = 1.
Buatlah skrip Matlab untuk tujuan:
(a) plot kurva medan listrik dari x = -10 hingga x = 10 dengan interval 0.1
(b) menghitung medan listrik pada x = 0 (cek: dititik ini, medannya TIDAK NOL; dimanakah posisi yang medannya NOL ?)
(c) mencari titik x yang medan-nya nol pada -1 < x < 1
(d) mencari titik-titik x yang medannya bernilai 20000
7. Muatan Q1 sebesar 4C terletak pada x = -1; sementara Q2 = 4C terletak pada x = 1.
Buatlah skrip Matlab untuk tujuan:
(a) menghitung potensial listrik pada x = -2
1.6. LATIHAN
13
14
BAB 1. PENDAHULUAN
Bab 2
Objektif :
Mengenalkan matriks, vektor dan jenis-jenis matriks.
Mendeklarasikan elemen-elemen matriks ke dalam memori komputer.
Mengenalkan operasi penjumlahan dan perkalian matriks.
Membuat skrip operasi matriks.
Anm . Huruf n menyatakan jumlah baris, dan huruf m jumlah kolom. Suatu matriks tersusun
atas elemen-elemen yang dinyatakan dengan huruf kecil lalu diikuti oleh angka-angka indeks,
misalnya aij . Indeks i menunjukkan posisi baris ke-i dan indeks j menentukan posisi kolom
ke-j.
a11
a21
A = (aij ) =
..
.
an1
a12 . . . a1m
a22 . . . a2m
..
..
.
.
an2 . . . anm
(2.1)
Pada matriks ini, a11 , a12 , ..., a1m adalah elemen-elemen yang menempati baris pertama. Sementara a12 , a22 , ..., an2 adalah elemen-elemen yang menempati kolom kedua.
Contoh 1: Matriks A23
A=
#
"
3 8 5
6 4 7
dengan masing-masing elemennya adalah a11 = 3, a12 = 8, a13 = 5, a21 = 6, a22 = 4, dan
a23 = 7.
15
16
Contoh 2: Matriks B32
1 3
B = 5 9
2 4
dengan masing-masing elemennya adalah b11 = 1, b12 = 3, b21 = 5, b22 = 9, b31 = 2, dan
b32 = 4.
(2.2)
Sedangkan suatu matriks dinamakan vektor-kolom berukuran n, bila hanya memiliki satu kolom
dan n baris, yang dinyatakan sebagai berikut
a11
a1
a21 a2
a=
.. = ..
. .
an
an1
(2.3)
1
2
3
A(1,1)
A(1,2)
A(1,3)
A(2,1)
A(2,2)
A(2,3)
A
4
5
6
7
8
9
10
=
=
=
=
=
=
3;
8;
5;
6;
4;
7;
Cara ini bisa diterapkan pada bahasa C, Fortran, Pascal, Delphi, Java, Basic, dll. Sementara cara kedua dan cara
ketiga hanya akan dimengerti oleh Matlab
1
2
17
clear all
clc
3
4
5
6
7
8
9
10
B(1,1)
B(1,2)
B(2,1)
B(2,2)
B(3,1)
B(3,2)
B
=
=
=
=
=
=
1;
3;
5;
9;
2;
4;
Cara kedua relatif lebih mudah dan benar-benar merepresentasikan dimensi matriksnya, dengan
jumlah baris dan jumlah kolom terlihat dengan jelas.
1
2
clear all
clc
3
4
5
A=[ 3 8 5
6 4 7 ];
6
7
8
9
B=[ 1 3
5 9
2 4 ];
Cara ketiga jauh lebih singkat, namun tidak menunjukkan dimensi matriks lantaran ditulis hanya dalam satu baris.
1
2
clear all
clc
3
4
5
A=[ 3 8 5 ; 6 4 7 ];
B=[ 1 3 ; 5 9 ; 2 4];
matriks transpose
Operasi transpose terhadap suatu matriks akan menukar elemen-elemen kolom menjadi elemenelemen baris. Notasi matriks tranpose adalah AT atau At .
Contoh 3: Operasi transpose terhadap matriks A
A=
"
#
3 8 5
6 4 7
3 6
AT = 8 4
5 7
Dengan Matlab, operasi transpose cukup dilakukan dengan menambahkan tanda petik tunggal
di depan nama matriksnya
1
2
clear all
clc
18
3
4
5
A=[ 3 8 5
6 4 7 ];
6
7
AT = A;
2.4.2
matriks bujursangkar
matriks bujursangkar adalah matriks yang jumlah baris dan jumlah kolomnya sama.
Contoh 4: Matrik bujursangkar berukuran 3x3 atau sering juga disebut matriks bujursangkar
orde 3
1 3 8
A = 5 9 7
2 4 6
2.4.3
Matrik simetrik
matriks simetrik adalah matriks bujursangkar yang elemen-elemen matriks transpose-nya bernilai sama dengan matriks asli-nya.
Contoh 5: matriks simetrik
3
A=
7
1
2.4.4
3 7
3 7
3 5 6 2
A =
7
6
9
8
1 2 8 10
6 2
6 9 8
2 8 10
5
matriks diagonal
matriks diagonal adalah matriks bujursangkar yang seluruh elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonalnya.
Contoh 6: matriks diagonal orde 3
11 0
A = 0 29
0
2.4.5
61
matriks identitas
matriks identitas adalah matriks bujursangkar yang semua elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonal yang seluruhnya bernilai 1.
Contoh 7: matriks identitas orde 3
1 0 0
I = 0 1 0
0 0 1
19
matriks upper-triangular
matriks upper-tringular adalah matriks bujursangkar yang seluruh elemen dibawah elemen diagonal bernilai 0 (nol).
Contoh 8: matriks upper-triangular
3 6 2 1
0 4 1 5
A=
0 0 8 7
0 0 0 9
2.4.7
matriks lower-triangular
matriks lower-tringular adalah matriks bujursangkar yang seluruh elemen diatas elemen diagonal bernilai 0 (nol).
Contoh 9: matriks lower-triangular
12
32 2 0 0
A=
8
7
11
0
5 10 6 9
2.4.8
matriks tridiagonal
matriks tridiagonal adalah matriks bujursangkar yang seluruh elemen bukan 0 (nol) berada
disekitar elemen diagonal, sementara elemen lainnya bernilai 0 (nol).
Contoh 10: matriks tridiagonal
2 4 1 0
A=
0 5 8 7
0 0 3 9
2.4.9
n
X
j=1,j6=i
|aij |
(2.4)
7 2
A = 3 5 1
0 5 6
B = 4 2 0
3 0
1
20
Pada elemen diagonal aii matriks A, |7| > |2|+|0|, lalu |5| > |3|+|1|, dan |6| > |5|+|0|. Maka
matriks A disebut matriks diagonal dominan. Sekarang perhatikan elemen diagonal matriks B,
|6| < |4| + | 3|, | 2| < |4| + |0|, dan |1| < | 3| + |0|. Dengan demikian, matriks B bukan
matriks diagonal dominan.
2.4.10
matriks positive-definite
Suatu matriks dikatakan positive-definite bila matriks tersebut simetrik dan memenuhi
xT Ax > 0
(2.5)
A = 1
0
1
1 2
x1
i 2 1 0
h
xT Ax = x1 x2 x3 1 2 1 x2
x3
0 1 2
2x1 x2
i
h
= x1 x2 x3 x1 + 2x2 x3
x2 + 2x3
Dari sini dapat disimpulkan bahwa matriks A bersifat positive-definite, karena memenuhi
x21 + (x1 x2 )2 + (x2 x3 )2 + x23 > 0
kecuali jika x1 =x2 =x3 =0.
Penjumlahan matriks
Operasi penjumlahan pada dua buah matriks hanya bisa dilakukan bila kedua matriks tersebut
berukuran sama. Misalnya matriks C23
C=
#
"
9 5 3
7 2 1
21
dijumlahkan dengan matriks A23 , lalu hasilnya (misalnya) dinamakan matriks D23
D =A+C
D =
"
"
"
3 8 5
"
#
9 5 3
7 2 1
#
3+9 8+5 5+3
6 4 7
"
(2.6)
(2.7)
dengan i=1,2 dan j=1,2,3. Perhatikan baik-baik! Batas i hanya sampai angka 2 sementara batas j sampai angka 3. Kemampuan Anda dalam menentukan batas indeks sangat
penting dalam dunia programming.
2.5.2
Berdasarkan contoh operasi penjumlahan di atas, indeks j pada persamaan (2.7) lebih cepat
berubah dibanding indeks i sebagaimana ditulis pada 3 baris pertama dari Persamaan (2.6),
d11 = a11 + c11
d12 = a12 + c12
d13 = a13 + c13
22
Jelas terlihat, ketika indeks i masih bernilai 1, indeks j sudah berubah dari nilai 1 sampai 3.
Hal ini membawa konsekuensi pada skrip pemrograman, dengan looping untuk indeks j harus
diletakkan di dalam looping indeks i. Aturan mainnya adalah yang looping-nya paling cepat
harus diletakkan paling dalam; sebaliknya, looping terluar adalah looping yang indeksnya
paling jarang berubah.
Bila Anda masih belum paham terhadap kalimat yang dicetak tebal, saya akan berikan contoh source code dasar yang nantinya akan kita optimasi selangkah demi selangkah. OK, kita
mulai dari source code paling mentah berikut ini.
1
2
clear all
clc
3
4
A=[3 8 5; 6 4 7];
% inisialisasi matriks A
C=[9 5 3; 7 2 1];
% inisialisasi matriks B
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Tanda % berfungsi untuk memberikan komentar atau keterangan. Komentar atau keterangan
tidak akan diproses oleh Matlab. Saya yakin Anda paham dengan logika yang ada pada bagian %
proses penjumlahan matriks- dalam source code di atas. Misalnya pada baris ke-9, elemen
d11 adalah hasil penjumlahan antara elemen a11 dan c11 , sesuai dengan baris pertama Persamaan
2.6.
Tahap pertama penyederhanaan source code dilakukan dengan menerapkan perintah for end untuk proses looping. Source code tersebut berubah menjadi
1
2
clear all
clc
3
4
A=[3 8 5; 6 4 7];
% inisialisasi matriks A
C=[9 5 3; 7 2 1];
% inisialisasi matriks B
5
6
7
8
9
10
11
12
13
14
15
for j=1:3
D(2,j)=A(2,j)+C(2,j);
end
23
16
17
18
19
20
Pada baris ke-9 dan ke-13, saya mengambil huruf j sebagai nama indeks dengan j bergerak dari
1 sampai 3. Coba Anda pikirkan, mengapa j hanya bergerak dari 1 sampai 3?
Modikasi tahap kedua adalah sebagai berikut
1
2
clear all
clc
3
4
A=[3 8 5; 6 4 7];
% inisialisasi matriks A
C=[9 5 3; 7 2 1];
% inisialisasi matriks B
5
6
7
8
9
10
11
12
13
14
15
16
17
i=2
for j=1:3
D(i,j)=A(i,j)+C(i,j);
end
18
19
20
21
22
Saya gunakan indeks i pada baris ke-9 dan ke-14 yang masing-masing berisi angka 1 dan 2.
Dengan begitu indeks i bisa menggantikan angka 1 dan 2 yang semula ada di baris ke-11 dan
ke-16. Nah sekarang coba Anda perhatikan, statemen pada baris ke-10, ke-11 dan ke-12 sama
persis dengan statemen pada baris ke-15, ke-16 dan ke-17, sehingga mereka bisa disatukan
kedalam sebuah looping yang baru dengan i menjadi nama indeksnya.
1
2
clear all
clc
3
4
A=[3 8 5; 6 4 7];
% inisialisasi matriks A
C=[9 5 3; 7 2 1];
% inisialisasi matriks B
5
6
7
8
9
10
11
12
13
14
15
16
24
17
18
C
D
Coba Anda pahami dari baris ke-9, mengapa indeks i hanya bergerak dari 1 sampai 2?
Source code di atas memang sudah tidak perlu dimodikasi lagi, namun ada sedikit saran
untuk penulisan looping bertingkat dimana sebaiknya looping terdalam ditulis agak menjorok
kedalam seperti berikut ini
1
2
clear all
clc
3
4
A=[3 8 5; 6 4 7];
% inisialisasi matriks A
C=[9 5 3; 7 2 1];
% inisialisasi matriks B
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Sekarang Anda lihat bahwa looping indeks j ditulis lebih masuk kedalam dibandingkan looping
indeks i. Semoga contoh ini bisa memperjelas aturan umum pemrograman dimana yang looping-nya paling cepat harus diletakkan paling dalam; sebaliknya, looping terluar adalah
looping yang indeksnya paling jarang berubah. Dalam contoh ini looping indeks j bergerak
lebih cepat dibanding looping indeks i.
2.5.3
Perkalian matriks
Operasi perkalian dua buah matriks hanya bisa dilakukan bila jumlah kolom matriks pertama
sama dengan jumlah baris matriks kedua. Jadi kedua matriks tersebut tidak harus berukuran
sama seperti pada penjumlahan dua matriks. Misalnya matriks A23 dikalikan dengan matriks
B32 , lalu hasilnya (misalnya) dinamakan matriks E22
25
E =
"
"
# 1 3
3 8 5
5 9
6 4 7
2 4
82
Tanpa mempedulikan nilai elemen-elemen masing-masing matriks, operasi perkalian antara matriks A23 dan B32 , bisa juga dinyatakan dalam indeks masing-masing dari kedua matriks tersebut, yaitu
#
"
e11 e12
e21 e22
#
"
a11 .b11 + a12 .b21 + a13 .b31 a11 .b12 + a12 .b22 + a13 .b32
a21 .b11 + a22 .b21 + a23 .b31 a21 .b12 + a22 .b22 + a23 .b32
(2.8)
(2.9)
(2.10)
(2.11)
Sejenak, mari kita amati perubahan pasangan angka-angka indeks yang mengiringi elemen e,
elemen a dan elemen b mulai dari persamaan (2.8) sampai persamaan (2.11). Perhatikan perubahan angka-indeks-pertama pada elemen e seperti berikut ini
e1.. = ..
e1.. = ..
e2.. = ..
e2.. = ..
Pola perubahan yang sama akan kita dapati pada angka-indeks-pertama dari elemen a
e1.. = a1.. .b... + a1.. .b... + a1.. .b...
e1.. = a1.. .b... + a1.. .b... + a1.. .b...
e2.. = a2.. .b... + a2.. .b... + a2.. .b...
e2.. = a2.. .b... + a2.. .b... + a2.. .b...
Dengan demikian kita bisa mencantumkan huruf i sebagai pengganti angka-angka indeks yang
26
polanya sama
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
ei.. = ai.. .b... + ai.. .b... + ai.. .b...
dengan i bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan i=1,2. Selanjutnya, masih dari persamaan (2.8) sampai persamaan (2.11), marilah kita perhatikan perubahan
angka-indeks-kedua pada elemen e dan elemen b,
ei1 = ai.. .b..1 + ai.. .b..1 + ai.. .b..1
ei2 = ai.. .b..2 + ai.. .b..2 + ai.. .b..2
ei1 = ai.. .b..1 + ai.. .b..1 + ai.. .b..1
ei2 = ai.. .b..2 + ai.. .b..2 + ai.. .b..2
Dengan demikian kita bisa mencantumkan huruf j sebagai pengganti angka-angka indeks yang
polanya sama
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
eij = ai.. .b..j + ai.. .b..j + ai.. .b..j
dengan j bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan j=1,2. Selanjutnya, masih dari persamaan (2.8) sampai persamaan (2.11), mari kita perhatikan perubahan
angka-indeks-kedua elemen a dan angka-indeks-pertama elemen b, dimana kita akan dapati
pola sebagai berikut
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
eij = ai1 .b1j + ai2 .b2j + ai3 .b3j
Dan kita bisa mencantumkan huruf k sebagai pengganti angka-angka indeks yang polanya sama,
27
dengan k bergerak mulai dari angka 1 hingga angka 3, atau kita nyatakan k=1,2,3.
eij = aik .bkj + aik .bkj + aik .bkj
eij = aik .bkj + aik .bkj + aik .bkj
eij = aik .bkj + aik .bkj + aik .bkj
eij = aik .bkj + aik .bkj + aik .bkj
Kemudian secara sederhana dapat ditulis sebagai berikut
eij = aik .bkj + aik .bkj + aik .bkj
(2.12)
3
X
aik bkj
(2.13)
k=1
m
X
aik bkj
(2.14)
k=1
2.5.4
Mari kita mulai lagi dari source code paling dasar dari operasi perkalian matriks sesuai dengan
contoh di atas.
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
28
Sejenak, mari kita amati dengan cermat statemen dari baris ke-9 sampai ke-12 sambil dikaitkan
dengan bentuk umum penulisan indeks pada perkalian matriks yaitu
eij = aik .bkj + aik .bkj + aik .bkj
(2.15)
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Agar baris ke-9 memiliki pola yang sama dengan baris ke-11 dan ke-12, upaya yang dilakukan
adalah
1
2
29
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Kemudian cara yang sama dilakukan pada E(1, 2), E(2, 1), dan E(2, 2). Anda mesti cermat dan
hati-hati dalam menulis angka-angka indeks!!!
1
2
clear all
clc
3
4
5
6
30
7
8
9
10
11
12
13
14
15
16
E(1,2)=0;
for k=1:3
E(1,2)=E(1,2)+A(1,k)*B(k,2);
end
17
18
19
20
21
E(2,1)=0;
for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end
22
23
24
25
26
E(2,2)=0;
for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end
27
28
29
30
31
Inisialisasi elemen-elemen matriks E dengan angka nol, bisa dilakukan diawal proses perkalian
yang sekaligus memunculkan indeks i dan j untuk elemen E
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
for k=1:3
E(1,1)=E(1,1)+A(1,k)*B(k,1);
end
17
18
19
20
for k=1:3
E(1,2)=E(1,2)+A(1,k)*B(k,2);
end
21
22
23
24
for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end
25
26
27
28
29
for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end
31
Sekarang coba Anda perhatikan statemen pada baris ke-15 dan ke-19, lalu bandingkan indeks
i dan indeks j pada elemen E. Indeks mana yang berubah? Ya. Jawabannya adalah indeks j.
Dengan demikian kita bisa munculkan indeks j
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
j=1;
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
18
19
20
21
22
j=2;
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
23
24
25
26
for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end
27
28
29
30
for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end
31
32
33
34
35
Lihatlah, statemen dari baris ke-15 sampai ke-17 memiliki pola yang sama dengan statemen
dari baris ke-20 sampai ke-22, sehingga mereka bisa disatukan kedalam looping indeks j
1
2
clear all
clc
3
4
5
6
7
8
32
for j=1:2
E(i,j)=0;
end
9
10
11
12
end
13
14
15
16
17
18
for j=1:2
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
end
19
20
21
22
for k=1:3
E(2,1)=E(2,1)+A(2,k)*B(k,1);
end
23
24
25
26
for k=1:3
E(2,2)=E(2,2)+A(2,k)*B(k,2);
end
27
28
29
30
31
Sekarang coba sekali lagi Anda perhatikan statemen pada baris ke-21 dan ke-25, lalu bandingkan indeks i dan indeks j pada elemen E. Indeks mana yang berubah? Ya. Jawabannya tetap
indeks j. Dengan demikian kita bisa munculkan juga indeks j disana
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
for j=1:2
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
end
19
20
21
22
23
j=1;
for k=1:3
E(2,j)=E(2,j)+A(2,k)*B(k,j);
end
24
25
26
27
28
29
j=2;
for k=1:3
E(2,j)=E(2,j)+A(2,k)*B(k,j);
end
33
Cermatilah, statemen dari baris ke-21 sampai ke-23 memiliki pola yang sama dengan statemen
dari baris ke-25 sampai ke-27, sehingga mereka pun bisa disatukan kedalam looping indeks j
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
for j=1:2
for k=1:3
E(1,j)=E(1,j)+A(1,k)*B(k,j);
end
end
19
20
21
22
23
24
for j=1:2
for k=1:3
E(2,j)=E(2,j)+A(2,k)*B(k,j);
end
end
25
26
27
28
29
Akhirnya kita sampai pada bagian akhir tahapan modikasi. Perhatikan baris ke-16 dan ke-22.
Indeks i pada elemen E dan A bergerak dari 1 ke 2, sehingga indeks i bisa dimunculkan
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
i=1;
for j=1:2
34
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
16
17
18
19
end
20
21
22
23
24
25
26
i=2;
for j=1:2
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
27
28
29
30
31
Sekarang, statemen dari baris ke-15 sampai ke-19 memiliki pola yang sama dengan statemen
dari baris ke-22 sampai ke-26. Mereka bisa disatukan oleh looping indeks i
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
for i=1:2
for j=1:2
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end
21
22
23
24
25
Inilah hasil akhir dari tahapan-tahapan modikasi yang selanjutnya saya sebut sebagai proses
optimasi. Upaya yang baru saja saya perlihatkan, sebenarnya penuh dengan jebakan-jebakan
kesalahan, terutama jika Anda kurang cermat membaca indeks dan pola. Upaya seperti itu
memerlukan konsentrasi dan perhatian yang tidak sebentar. Upaya semacam itu tidak semudah
meng-copy hasil akhir optimasi. Walaupun bisa di-copy, namun saya menyarankan agar Anda
mencoba melakukan proses optimasi itu sekali lagi di komputer tanpa melihat catatan ini dan
tanpa bantuan orang lain. Kalau Anda gagal, cobalah berkir lebih keras untuk mencari jalan
keluarnya. Jika masih tetap gagal, silakan lihat catatan ini sebentar saja sekedar untuk mencari
35
tahu dimana letak kesalahannya. Hanya dengan cara begitu ilmu programming ini akan bisa
menyatu pada diri Anda.
2.5.5
Operasi perkalian antara matriks dan vektor-kolom sebenarnya sama saja dengan perkalian antara dua matriks. Hanya saja ukuran vektor-kolom boleh dibilang spesial yaitu m x 1, dengan
m merupakan jumlah baris sementara jumlah kolomnya hanya satu. Misalnya matriks A, pada contoh 1, dikalikan dengan vektor-kolom x yang berukuran 3 x 1 atau disingkat dengan
mengatakan vektor-kolom x berukuran 3, lalu hasilnya (misalnya) dinamakan vektor-kolom y
y = Ax
# 2
"
3 8 5
y =
3
6 4 7
4
#
"
3.2 + 8.3 + 5.4
=
6.2 + 4.3 + 7.4
" #
50
=
52
Sekali lagi, tanpa mempedulikan nilai elemen-elemen masing-masing, operasi perkalian antara
matriks A dan vektor-kolom x, bisa juga dinyatakan dalam indeksnya masing-masing, yaitu
" #
y1
y2
"
3
X
aij xj
j=1
dengan i=1,2.
Berdasarkan contoh tersebut, secara umum bila ada matriks A berukuran n x m yang dikalikan
dengan vektor-kolom x berukuran m, maka akan didapatkan vektor-kolom y berukuran n x 1
36
dengan elemen-elemen vektor-kolom y memenuhi
yi =
m
X
aij xj
(2.16)
j=1
Mari kita mulai lagi dari source code paling dasar dari operasi perkalian antara matriks dan
vektor-kolom sesuai dengan contoh di atas
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matriks A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
Sejenak, mari kita amati dengan cermat statemen dari baris ke-8 dan ke-9 sambil dikaitkan
dengan bentuk umum penulisan indeks pada perkalian antara matriks dan vektor-kolom yaitu
yi1 = aij .xj1 + aij .xj1 + aij .xj1
(2.17)
clear all
clc
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
37
% inisialisasi matriks A
% inisialisasi vektor x
6
7
8
9
10
11
12
y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
13
14
15
16
17
Agar baris ke-8 memiliki pola yang sama dengan baris ke-9 dan ke-10, upaya yang dilakukan
adalah
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matriks A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
14
15
16
17
18
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matriks A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
y(2,1)=A(2,1)*x(1,1)+A(2,2)*x(2,1)+A(2,3)*x(3,1);
14
15
16
17
18
38
Dengan cara yang sama, baris ke-13 dimodikasi menjadi
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matriks A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
15
16
y(2,1)=0;
for j=1:3
y(2,1)=y(2,1)+A(2,j)*x(j,1);
end
17
18
19
20
21
Inisialisasi vektor y dengan angka nol dapat dilakukan diawal proses perkalian, sekaligus memunculkan indeks i
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matriks A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
for j=1:3
y(1,1)=y(1,1)+A(1,j)*x(j,1);
end
15
16
17
18
for j=1:3
y(2,1)=y(2,1)+A(2,j)*x(j,1);
end
19
20
21
22
23
Kemudian, untuk menyamakan pola statemen baris ke-13 dan ke-17, indeks i kembali dimunculkan
1
2
clear all
clc
2.6. PENUTUP
39
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matriks A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
15
i=1;
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
16
17
18
19
20
i=2;
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
21
22
23
24
25
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matriks A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
15
16
for i=1:2
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end
17
18
19
20
21
2.6 Penutup
Demikianlah catatan singkat dan sederhana mengenai jenis-jenis matriks dasar dan operasi penjumlahan dan perkalian yang seringkali dijumpai dalam pengolahan data secara numerik. Semuanya akan dijadikan acuan atau referensi pada pembahasan topik-topik numerik yang akan
datang.
40
2.7 Latihan
1. Diketahui matriks A, matriks B, dan vektor x sebagai berikut
5
9
7
5.6
A=
2
4
8
1
21
3
10
5
0.1
B=
7
2
9
5
0.4178
2.9587
x=
56.3069
8.1
Bab 3
Fungsi
Objektif :
Mengenalkan fungsi internal.
Membuat fungsi ekstenal.
Membuat fungsi ekternal untuk penjumlahan matrik.
Membuat fungsi ekternal untuk perkalian matrik.
Selain sqrt(), sind() dan log10(), masih banyak lagi fungsi internal yang dimiliki Matlab. Adanya
fungsi internal sangat memudahkan kita dalam membuat script dengan Matlab.
41
BAB 3. FUNGSI
42
1 2
gt
2
(3.1)
dimana h = adalah jarak vertikal, t adalah waktu (detik) dan konstanta gravitasi g = 9, 8m/dt2 .
Bukalah window Matlab editor, kemudian ketik script berikut
1
function y = gjb(t)
2
3
4
g = 9.8;
y = 0.5*g*t^2;
lalu simpan dengan nama gjb.m. Sampai disini, kita sudah selesai membuat fungsi eksternal
dengan nama gjb(). Sebagai bukti, misalnya kita ingin hitung jarak jatuh setelah 2 detik, coba
jalankan perintah berikut di window command
>> gjb(2)
ans =
19.6000
gx2
2(vo cos o )2
(3.2)
function y = parabol(x)
2
3
4
5
vo = 5;
g = 9.8;
tetha = 30;
6
7
y = tand(tetha)*x - (g*x.^2)/(2*(vo*cosd(tetha))^2);
43
Seperti fungsi lainnya, ia bisa menerima input berupa angka yang banyak, misalnya
>>
>>
>>
>>
>>
>>
x=0:0.01:2;
y=parabol(x);
plot(x,y)
xlabel(Jangkauan (meter));
ylabel(Tinggi (meter));
title(Lintasan Gerak Parabola)
0.3
Tinggi (meter)
0.25
0.2
0.15
0.1
0.05
0.5
1
Jangkauan (meter)
1.5
Gambar 3.1: Kurva lintasan gerak parabola yang dihasilkan oleh fungsi eksternal parabol()
Dalam contoh di atas, fungsi parabol() dibuat hanya bisa menerima sebuah input, yaitu x. Jika
inputnya mau dimodikasi dengan memasukkan faktor sudut awal dan kecepatan awal, maka
fungsi eksternal diubah menjadi
1
function y = parabol(x,vo,theta)
2
3
g = 9.8;
4
5
y = tand(theta)*x - (g*x.^2)/(2*(vo*cosd(theta))^2);
vo = 5;
theta = 30;
x=0:0.01:2;
y=parabol(x,vo,theta);
plot(x,y)
xlabel(Jangkauan (meter));
ylabel(Tinggi (meter));
title(Lintasan Gerak Parabola)
BAB 3. FUNGSI
44
clear all
clc
3
4
5
A=[3 8 5; 6 4 7];
C=[9 5 3; 7 2 1];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
14
15
16
17
Pertanyaan yang segera muncul adalah apakah source code tersebut bisa digunakan untuk menyelesaikan penjumlahan matrik yang dimensinya bukan 2x3 ? Misalnya
D =A+C
4 3 8 6
2 6 7 2
D = 5 1 2 3 + 9 1 3 8
6 7 9 1
5 8 4 7
Tentu saja bisa, asal indeks i bergerak dari 1 sampai 3 dan indeks j bergerak dari 1 sampai 4.
Lihat source code berikut
1
2
clear all
clc
3
4
5
A=[4 3 8 6; 5 1 2 3; 6 7 9 1];
C=[2 6 7 2; 9 1 3 8; 5 8 4 7];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
14
15
16
17
45
Walaupun bisa digunakan, namun cara modikasi seperti itu sangat tidak eksibel dan beresiko
salah jika kurang teliti. Untuk menghindari resiko kesalahan dan agar lebih eksibel, source
code tersebut perlu dioptimasi sedikit lagi menjadi
1
2
clear all
clc
3
4
5
A=[4 3 8 6; 5 1 2 3; 6 7 9 1];
C=[2 6 7 2; 9 1 3 8; 5 8 4 7];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Perhatikan, ada tambahan 3 statemen yaitu mulai dari baris ke-8 sampai ke-10. Sementara
baris ke-11 dan ke-12 hanya mengalami sedikit perubahan. Statemen di baris ke-8 bermaksud
mendeklarasikan variabel dim untuk diisi oleh hasil perhitungan fungsi internal yang bernama
size. Matrik A dijadikan parameter input fungsi size. Fungsi size berguna untuk menghitung
jumlah baris dan jumlah kolom dari matrik A. Hasilnya adalah dim(1) untuk jumlah baris dan
dim(2) untuk jumlah kolom. Pada baris ke-9, variabel n dideklarasikan untuk menerima informasi jumlah baris dari dim(1), sementara variabel m diisi dengan informasi jumlah kolom dari
dim(2) pada baris ke-10. Adapun baris ke-11 dan ke-12 hanya mengubah angka indeks batas
atas, masing-masing menjadi n dan m.
Sekarang kalau kita balik lagi menghitung penjumlahan matrik dari contoh sebelumnya yang
berukuran 2x3, maka source code akan seperti ini
1
2
clear all
clc
3
4
5
A=[3 8 5; 6 4 7];
C=[9 5 3; 7 2 1];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
14
15
BAB 3. FUNGSI
46
16
17
18
19
20
Ajaib bukan!? Tidak ada statemen yang berubah kecuali hanya pada baris ke-4 dan ke-5. Perubahan itu tidak bisa dihindari karena memang di kedua baris itulah deklarasi elemen-elemen
matrik A dan matrik C dilakukan.
dim=size(A);
n=dim(1);
m=dim(2);
for i=1:n
for j=1:m
D(i,j)=A(i,j)+C(i,j);
end
end
Kita akan jadikan potongan source code ini menjadi fungsi eksternal, dengan menambahkan
statemen function seperti ini
1
2
3
4
5
6
7
8
9
function D=jumlah(A,C)
dim=size(A);
n=dim(1);
m=dim(2);
for i=1:n
for j=1:m
D(i,j)=A(i,j)+C(i,j);
end
end
kemudian ia harus di-save dengan nama jumlah.m. Sampai dengan langkah ini kita telah membuat fungsi eksternal dan diberi nama fungsi jumlah. Sederhana sekali bukan? Untuk menguji
kerja fungsi eksternal tersebut, coba jalankan source code berikut ini
1
2
clear all
clc
3
4
5
A=[3 8 5; 6 4 7];
C=[9 5 3; 7 2 1];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
47
C
D
clear all
clc
3
4
5
A=[4 3 8 6; 5 1 2 3; 6 7 9 1];
C=[2 6 7 2; 9 1 3 8; 5 8 4 7];
% inisialisasi matrik A
% inisialisasi matrik B
6
7
8
9
10
11
12
13
clear all
clc
3
4
5
V=[4 3; 5 1];
W=[2 6; 9 3];
% inisialisasi matrik V
% inisialisasi matrik W
6
7
8
9
10
11
12
13
Periksa hasilnya, betul atau salah? Pasti betul! Kesimpulannya adalah setelah fungsi eksternal
berhasil anda dapatkan, maka seketika itu pula anda tidak perlu menggubrisnya lagi. Bahkan
anda tidak perlu mengingat nama matrik aslinya yang tertulis di fungsi jumlah yaitu matrik
A, matrik C dan matrik D. Ditambah lagi, source code anda menjadi terlihat lebih singkat dan
elegan. Dan kini, perhatian anda bisa lebih difokuskan pada deklarasi matrik-nya saja.
clear all
clc
3
4
5
BAB 3. FUNGSI
48
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
for i=1:2
for j=1:2
for k=1:3
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end
21
22
23
24
25
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
for i=1:m
for j=1:n
for k=1:p
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end
49
26
27
28
29
30
Selanjutnya kita ambil bagian proses perkalian matrik nya untuk dibuat fungsi eksternal
1
2
3
4
5
6
7
8
9
10
11
function E=kali(A,B)
dim=size(A);
m=dim(1);
p=dim(2);
dim=size(B);
n=dim(2);
for i=1:m
for j=1:n
E(i,j)=0;
end
end
12
13
14
15
16
17
18
19
for i=1:m
for j=1:n
for k=1:p
E(i,j)=E(i,j)+A(i,k)*B(k,j);
end
end
end
lalu di-save dengan nama kali.m, maka terciptalah fungsi eksternal yang bernama fungsi kali.
Kemudian coba anda uji fungsi kali tersebut dengan menjalankan source code berikut
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
Silakan anda periksa hasil perhitungannya. Pasti betul! Anda bisa mencoba perkalian matrik
lainnya dengan menggunakan source code tersebut. Bahkan anda bisa mengganti nama matriknya untuk selain A, B dan E.
BAB 3. FUNGSI
50
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
15
16
for i=1:2
for j=1:3
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end
17
18
19
20
21
Source code tersebut digunakan untuk menghitung perkalian matrik dan vektor-kolom berikut
y21 = A23 x31
Dan kita bisa sepakati simbol indeks m dan n untuk men-generalisir dimensi matrik
ym1 = Amn xn1
Dengan demikian, source code tersebut dapat dioptimasi menjadi
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
13
14
15
16
17
18
19
for i=1:m
for j=1:n
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end
20
21
22
23
3.7. PENUTUP
24
51
Selanjutnya kita ambil bagian proses perkalian matrik dan vektor nya untuk dibuat fungsi eksternal
1
2
3
4
5
6
7
function y=kalivektor(A,x)
dim=size(A);
m=dim(1);
n=dim(2);
for i=1:m
y(i,1)=0;
end
8
9
10
11
12
13
for i=1:m
for j=1:n
y(i,1)=y(i,1)+A(i,j)*x(j,1);
end
end
lalu di-save dengan nama kalivektor.m, maka terciptalah fungsi eksternal yang bernama fungsi
kalivektor. Kemudian coba anda uji fungsi kalivektor tersebut dengan menjalankan source code
berikut
1
2
clear all
clc
3
4
5
A = [3 8 5; 6 4 7];
x = [2; 3; 4];
% inisialisasi matrik A
% inisialisasi vektor x
6
7
8
9
10
11
12
Silakan anda periksa hasil perhitungannya. Pasti betul! Anda bisa mencoba perkalian matrik dan
vektor-kolom dengan angka elemen yang berbeda menggunakan source code tersebut. Bahkan
anda bisa mengganti nama matrik dan vektor nya untuk selain A, x dan y.
3.7 Penutup
Ada tiga pilar yang harus dikuasai oleh seorang calon programmer. Pertama, ia harus tahu
bagaimana cara mendeklarasikan data. Kedua, ia harus tahu bagaimana mendayagunakan flowcontrol, yang dalam bab ini dan bab sebelumnya menggunakan pasangan for-end. Dan ketiga,
ia harus bisa membuat fungsi eksternal.
Tidak ada yang melarang anda beralih ke Fortran, atau ke Delphi, atau ke C++, atau ke
Python, atau bahasa pemrograman apa saja. Saran saya, ketika anda berkenalan dengan suatu
bahasa pemrograman, yang pertama kali anda lakukan adalah menguasai ketiga pilar itu. Insya
Allah ia akan membantu anda lebih cepat mempelajari bahasa pemrograman yang sedang anda
geluti.
BAB 3. FUNGSI
52
Penguasaan atas ketiga pilar tersebut akan mengarahkan programmer untuk membuat source code yang bersifat modular atau extention. Ini adalah modal untuk memasuki apa yang
disebut object oriented programming.
Sesungguhnya Matlab memiliki banyak fungsi internal yang bisa langsung dipakai. Anda
bisa coba sendiri suatu saat nanti. Kekuatan bahasa pemrograman salah satunya terletak pada
seberapa kaya dia memilik banyak fungsi. Library adalah kata lain untuk fungsi. Jadi, suatu
bahasa pemrograman akan semakin unggul bila dia memiliki semakin banyak library. Menurut
saya, yang terdepan saat ini masih dimenangkan oleh Python. Dengan Python, source code anda
akan bisa berjalan di Windows, Linux dan Machintos serta beberapa platform lainnya.
3.8 Latihan
1. Diketahui gelombang elektromagnetik bergerak dari medium 1 (permitivitas 1 = 1) ke
medium 2 (permitivitas, 2 = 80) dengan sudut datang (I ) bervariasi dari 0 o hingga 70
o.
2
1
cos I
2
1
cos I +
q
q
2
1
sin2 I
2
1
sin2 I
(a) Buatlah script untuk menghitung koesien reeksi dengan interval sudut per 5 o
(b) Buatlah gambar grak Koesien Reeksi vs Sudut
(c) Buatlah fungsi eksternal untuk perhitungan koesien reeksi tersebut.
2. Diketahui gelombang elektromagnetik bergerak dari medium 1 (permitivitas 1 = 1) ke
medium 2 (permitivitas, 2 = 80) dengan sudut datang (I ) bervariasi dari 0 o hingga 70
o.
2
+
2
1
cos I +
2
q
2
1
sin2 I
(a) Buatlah script untuk menghitung koesien transmisi dengan interval sudut per 5 o
(b) Buatlah gambar grak Koesien Transmisi vs Sudut
(c) Buatlah fungsi eksternal untuk perhitungan koesien transmisi tersebut.
3. Soal berikut ini berkaitan dengan superposisi gelombang
(a) Buatlah script untuk mem-plot gelombang sinusoidal berfrekuensi 200 Hz dengan
amplitudo 10 dalam fungsi waktu (t) dari 0 ms sampai 10 ms.
(b) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar gelombang sinusoidal berfrekuensi 500 Hz dengan amplitudo 6; kemudian di-plot pada
grak yang sama.
3.8. LATIHAN
53
(c) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar gelombang sinusoidal berfrekuensi 1000 Hz dengan amplitudo 6; kemudian di-plot
pada grak yang sama.
(d) Lanjutkan script yang tadi dengan menambahkan script baru untuk menggambar superposisi ketiga gelombang di atas; kemudian di-plot pada grak yang sama.
(e) Buatlah fungsi eksternal hanya untuk ketiga persamaan gelombang-nya saja. Sementara perhitungan superposisi dan plot grak tetap ditulis pada main program.
54
BAB 3. FUNGSI
Bab 4
Objektif :
Mengaplikasikan teori yang diuraikan pada Bab sebelumnya.
Menganalisis respon gaya gravitasi.
Menganalisis respon gaya potensial listrik.
Menganalisis respon gaya gravitasi dari banyak buah bola.
Keterampilan paling mendasar yang harus dimiliki oleh seorang programmer aplikasi sains
ada 4 yaitu mampu melakukan inisialisasi variabel, mampu membuat proses berulang (looping
process) dan mampu membuat fungsi eksternal serta mampu memvisualisasi dalam bentuk grak. Pada Bab ini, akan dihadirkan contoh proses pembuatan suatu script/program setahap demi
setahap, dimulai dari program yang paling sederhana, lalu dimodikasi berulang kali, hingga
akhirnya diperoleh program nal yang paling efektif dan esien dilengkapi fungsi eksternal.
Kasus-kasus yang dihadirkan disini adalah respon gravitasi, respon potensial listrik, serta seismik
m1 m2
r2
(4.1)
Dalam satuan Standar Internasional konstanta gravitasi G bernilai 6.672 1011 N m2 /kg2 ;
sementara dalam cgs, G = 6.672 108 Dyne cm2 /g2 .
Gaya gravitasi menyebabkan benda kedua m2 merasakan percepatan gravitasi akibat penga-
m1
r2
(4.2)
56
Me
Re2
(4.3)
dimana Re adalah jari-jari bumi. Percepatan gravitasi pertama kali diukur oleh Galileo di Menara Miring Pisa. Nilai g dipermukaan bumi adalah 980 cm/dt2 . Sebagai penghargaan terhadap
Galileo, 1 cm/dt2 disebut 1 galileo atau 1 gal. Gravimeter adalah alat ukur percepatan gravitasi
bumi di permukaan bumi. Sensititas gravimeter memiliki orde 105 gal atau 0.01 mgal.
Gambar 4.1 memperlihatkan diagram vektor respon gravitasi bumi g dan respon gravitasi
yang berasal dari suatu benda anomali g dengan komponen horizontal gx dan komponen vertikal gz . Karena gz jauh lebih kecil dibanding g, maka sudut tidak signikan atau relatif
sangat kecil sehingga bisa diasumsikan g gz . Artinya respon gravitasi komponen vertikal
dari benda anomali dianggap sama persis atau mendekati respon gravitasi yang arah-nya menuju benda anomali tersebut. Sehingga, total percepatan gravitasi dalam arah vertikal adalah
g + gz , terdiri atas percepatan gravitasi bumi dan percepatan gravitasi akibat benda anomali.
Gambar 4.1: Vektor percepatan gravitasi dalam arah vertikal akibat benda anomali dan akibat
bumi
Pusat massa sebuah bola, berjari-jari a dengan densitas , berada pada kedalaman z memiliki
pengaruh gaya gravitasi pada benda yang ada disekitarnya. Alat gravimeter diletakkan di titik P
sebagaimana tampak pada Gambar 4.2. Komponen vertikal percepatan gravitasi gz dirumuskan
sebagai berikut
gz = G
m
mz
mz
cos = G 2 = G 3
2
r
r r
r
(4.4)
57
x2 + z 2 , sementara V = 43 a3 , maka
4
z
gz = G a3 2
3
(x + z 2 )3/2
(x2
z
+ z 2 )3/2
(4.5)
(4.6)
dimana k = 43 G
Gambar 4.2: Benda anomali berupa bola berada dibawah permukaan bumi
Sebuah bola berjari-jari 50 m dengan densitas 2500 kg/m3 berada di kedalaman 3000 m.
Besarnya percepatan gravitasi yang terukur oleh gravimeter di titik stasiun yang berjarak horizontal x = 200 m dihitung menggunakan script Matlab berikut
1
2
3
4
5
6
G =
k =
a =
rho
z =
x =
6.672*1e-11;
(4*G*pi)/3;
50;
= 2500;
3000;
200;
% konstanta gravitasi
%
%
%
%
jari-jari bola
densitas bola
kedalaman pusat bola
jarak horizontal
7
8
dgz = (k*rho*a^3*z)/(x^2+z^2)^(3/2);
Pada bagian awal script, perlu ditambahkan clc dan clear all
1
2
clc
clear all
3
4
5
6
7
8
9
G =
k =
a =
rho
z =
x =
6.672*1e-11;
(4*G*pi)/3;
50;
= 2500;
3000;
200;
% konstanta gravitasi
%
%
%
%
jari-jari bola
densitas bola
kedalaman pusat bola
jarak horizontal
10
11
dgz = (k*rho*a^3*z)/(x^2+z^2)^(3/2);
58
Agar lebih informatif, perlu ditambahkan keterangan tujuan program serta mempertegas bagian
inisialisasi dan perhitungan dgz
1
2
3
4
5
clc
clear all
6
7
8
9
10
11
12
13
14
15
16
3
4
5
clc
clear all
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Variasi jarak horizontal disimpan dalam sebuah variabel, yaitu variabel x. Hasil perhitungan
dgz juga disimpan dalam sebuah variabel, yaitu variabel dgz
1
2
3
4
5
clc
clear all
6
7
8
9
a = 50;
rho = 2500;
z = 3000;
59
% jari-jari bola
% densitas bola
% kedalaman pusat bola
13
14
15
16
17
18
19
Jika terdapat 3 variasi jarak horizontal, maka variabel x diisi dengan 3 angka. Adapun perhitungan dgz mengikuti jumlah angka pada variabel x
1
2
3
4
5
clc
clear all
6
7
8
9
10
11
12
13
14
15
% ------- Ada 3 variasi disimpan dalam variabel x ----x = [-100 200 300];
% variasi jarak horizontal x
16
17
18
19
20
Selanjutnya looping process diterapkan untuk perhitungan dgz yang berulang 3 kali
1
2
3
4
5
clc
clear all
6
7
8
9
10
11
12
13
14
15
% ------- Ada 3 variasi disimpan dalam variabel x ----x = [-100 200 300];
% variasi jarak horizontal x
16
17
18
19
60
dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
20
21
end
Banyaknya angka pada variabel x dapat dihitung secara otomatis menggunakan perintah length()
1
2
3
4
5
clc
clear all
6
7
8
9
10
11
12
13
14
15
16
% ------- Ada 3 variasi disimpan dalam variabel x ----x = [-100 200 300];
% variasi jarak horizontal x
n = length(x);
% menghitung jumlah angka pada variabel x
17
18
19
20
21
22
Selanjutnya, jarak horizontal dapat divariasikan dengan angka yang lebih banyak lagi, misalnya
x dimulai dari -10000 hingga 10000 dengan interval 10 m.
1
2
3
4
5
clc
clear all
6
7
8
9
10
11
12
13
14
15
16
17
18
19
61
3
4
5
clc
clear all
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Tambahkan perintah close all pada bagian awal script agar setiap kali script dijalankan ia akan
menghapus semua grak
1
2
3
4
5
6
clc
clear all
close all
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Berikutnya adalah pembuatan fungsi eksternal untuk perhitungan dgz. Mula-mula script perhitungan dgz diatur kembali agar memperjelas bagian mana yang akan di copy-paste menjadi
fungsi eksternal
62
1
2
3
4
5
6
clc
clear all
close all
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Sederatan baris perintah yang berisi perhitungan dgz di-copy-paste kedalam le fungsi eksternal
yang diberinama gravbola()
1
2
3
4
5
6
n = length(x);
% menghitung jumlah angka pada variabel x
for j = 1:n
dgz(j) = (k*rho*a^3*z)/(x(j)^2+z^2)^(3/2);
end
Sekarang didapatkan script nal perhitungan dgz dengan variasi jarak horizontal
1
2
3
4
5
6
clc
clear all
close all
7
8
9
10
11
12
13
14
15
16
17
63
18
20
21
22
23
x 10
0.9
0.8
0.7
percepatan gravitasi
19
0.6
0.5
0.4
0.3
0.2
0.1
0
1
0.5
0
jarak horizontal
0.5
1
4
x 10
Gambar 4.3: Variasi nilai percepatan gravitasi terhadap perubahan jarak horizontal
64
Bab 5
Objektif :
Mengetahui definisi akar
Mengenalkan metode Bisection
Mengenalkan metode Newton
Mengaplikasikan metode Bisection dan Newton
a+b
2
(5.1)
66
f(x) = x2 4
25
20
f(x)
15
10
5
5
Gambar 5.1: Fungsi dengan dua akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = 2 dan x = 2
jika f (p) dikali f(a) lebih kecil dari nol, maka b = p
Agar lebih memperjelas cara kerja metode bisection, saya demonstrasikan untuk mencari
salah satu akar dari fungsi kuadrat f (x) = x2 + 3x 2. Gambar 5.3 memperlihatkan kurva
fungsi tersebut yang didalamnya terdapat 2 nilai akar.
Dengan metode bisection, akar yang di sebelah kanan akan dicari. Secara visual terlihat
bahwa posisi akar tersebut ada diantara 0 dan 1. Ketika perhitungan baru dimulai, batas kiri
adalah a = 0. Batas kanan adalah b = 1. Sementara p adalah posisi tengah antara a dan b.
Posisi p belum berada pada titik perpotongan dengan sumbu x; sehingga saat ini nilai p bukan
nilai akar (lihat Gambar 5.4). Absis titik p ditentukan oleh
p=
a+b
0+1
=
= 0, 5
2
2
Langkah berikutnya adalah mengevaluasi perkalian f (a) dan f (p). Terlihat dari Gambar 5.4,
nilai f (a) adalah negatif, demikian juga dengan f (p), maka f (a) dikali f (p) hasilnya positif.
Berdasarkan hasil ini, nilai a yang lama (angka 0) harus diganti dengan nilai p = 0,5. Adapun
nilai b tidak berubah sama sekali, yaitu 1. Ini adalah perhitungan iterasi pertama.
Iterasi kedua dimulai dengan menetapkan a dan b. Berdasarkan hasil iterasi pertama, nilai
a = 0,5 dan nilai b = 1. Berikutnya menentukan nilai p kembali menggunakan
p=
a+b
0, 5 + 1
=
= 0, 75
2
2
Langkah berikutnya adalah mengevaluasi kembali perkalian f (a) dan f (p). Terlihat dari Gambar
5.5, nilai f (a) adalah negatif, sebaliknya nilai f (p) positif, maka f (a) dikali f (p) hasilnya negatif.
Berdasarkan hasil ini, nilai b yang lama (angka 1) harus diganti dengan nilai p = 0,75. Adapun
nilai a tidak berubah sama sekali, yaitu 0,5. Ini adalah perhitungan iterasi kedua.
67
Fungsi f(x) = x3 + 2
150
100
f(x)
50
50
100
150
5
0
x
Gambar 5.2: Fungsi dengan satu akar yang ditandai oleh lingkaran kecil berwarna merah, yaitu
pada x = 1, 2599
Iterasi ketiga dimulai dengan menetapkan a dan b. Berdasarkan hasil iterasi kedua, nilai a
= 0,5 dan nilai b = 0,75. Berikutnya menentukan nilai p kembali menggunakan
p=
a+b
0, 5 + 0, 75
=
= 0, 625
2
2
Langkah berikutnya adalah mengevaluasi kembali perkalian f (a) dan f (p). Terlihat dari Gambar
5.6, nilai f (a) adalah negatif, adapun nilai f (p) tetap positif, maka f (a) dikali f (p) hasilnya
negatif. Berdasarkan hasil ini, nilai b yang lama (angka 0,75) harus diganti dengan nilai p =
0,625. Adapun nilai a tidak berubah sama sekali, yaitu 0,5. Ini adalah perhitungan iterasi
ketiga.
Jika iterasi dilanjutkan hingga iterasi ke-20, maka f (p) akan bervariasi dengan kecenderungan menuju nol. Sementara nilai p cenderung menuju ke nilai kestabilan tertentu. Pada saat
f (p) = 0, nilai akar adalah nilai p. Tabel 5.1 memperlihatkan nilai p cenderung stabil pada p =
0,5615. Sehingga dapat disimpulkan salah satu akar dari f (x) = x2 + 3x 2 adalah 0,5615.
iterasi
f (p)
p
1
-0,25
0,5
20
7,7107
0,5615
Gambar 5.7 memperlihatkan secara grak mengenai pola perubahan f (p) dan p seiring dengan bertambahnya iterasi.
68
Kurva f(x)=x2+3x2
30
25
20
f(x)
15
10
5
4
Kurva f(x)=x2+3x2
f(b)
2
1.5
1
f(x)
0.5
0
f(p)
0.5
1
1.5
2
f(a)
a= 0
0.2
0.4
0.6
0.8
b=1
Gambar 5.4: Awal perhitungan: batas kiri adalah a = 0, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b
69
Kurva f(x)=x2+3x2
2.5
f(b)
f(x)
1.5
f(p)
0.5
f(a)
0.5
0.4
0.5
0.6
0.7
0.8
0.9
1.1
Gambar 5.5: Iterasi kedua: batas kiri adalah a = 0,5, batas kanan adalah b = 1; sementara p
adalah posisi tengah antara a dan b
5.2.1
Script Matlab untuk aplikasi metode bisection telah ditulis seperti di bawah ini. Script ini perlu
dukungan fungsi eksternal f.m untuk menyimpan persamaan matematika. Variabel toleransi
perlu diberikan untuk membatasi jumlah iterasi. Nilai toleransi berisi batasan nilai terkecil yang
dapat dianggap bernilai nol.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
for j = 1:itermaks
p = (a+b)/2;
% iterasi maksimum
% toleransi nilai yang dianggap sudah nol
70
Kurva f(x)=x2+3x2
1.2
1
f(b)
0.8
0.6
f(x)
0.4
f(p)
0.2
0
f(a)
0.2
0.4
0.6
0.4
0.45
0.5
0.55
0.6
0.65
0.7
0.75
0.8
0.85
Gambar 5.6: Iterasi ketiga: batas kiri adalah a = 0,5, batas kanan adalah b = 0,75; sementara
p adalah posisi tengah antara a dan b
if abs(f(p)) < toleransi
break;
% perintah untuk selesai/berhenti
end
if f(p)*f(a) > 0
a = p;
else
b = p;
end
24
25
26
27
28
29
30
31
32
end
33
34
35
36
plot(p,f(p),ro);
akar = p
jumlah_iterasi = j
function y = f(x)
2
3
4
5
6
n = length(x);
for j = 1:n
y(j) = x(j)^2 + 3*x(j) - 2;
end
Fungsi eksternal f.m juga bisa dituliskan dalam bentuk lain, yaitu
1
function y = f(x)
2
3
y = x.^2 + 3*x - 2;
Bentuk penulisan seperti di atas, tidak bisa diterapkan dalam bahasa Fortran ataupun bahasa C.
71
0.8
nilai f(p)
0.6
0.4
0.2
0.2
0.4
10
15
Jumlah iterasi
20
25
20
25
0.7
nilai p
0.65
0.6
0.55
0.5
10
15
Jumlah iterasi
72
Kurva f(x) = x2 + 3x 2
30
25
nilai f(x)
20
15
10
akar = 0,5615
5
5
4
0
nilai x
Gambar 5.8: Nilai akar ditandai oleh lingkaran kecil pada kurva yang memotong sumbu-x
Metode Newton sangat populer dan powerfull untuk mencari akar suatu fungsi yang kontinyu.
Metode ini melakukan perhitungan secara berulang-ulang (iterasi) sampai diperoleh nilai akhir
yang akurat; yang tidak lain adalah nilai akar itu sendiri. Formulasi metode Newton adalah
xbaru = xlama
f (xlama )
f (xlama )
(5.2)
5.3.1
f (xn1 )
f (xn1 )
n1
(5.3)
Mari kita terapkan metode ini untuk mencari akar dari fungsi f (x) = x2 4, dimana kurva
fungsinya sudah tergambar pada Gambar 5.1. Fungsi tersebut mempunyai turunan pertama
f (x) = 2x. Untuk mencari akar-akar-nya, langkah penyelesaian dimulai dengan menentukan
nilai awal, misalnya xlama = 4. Kemudian persamaan (5.2) diterapkan untuk mendapatkan
73
xbaru
f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
(4)2 4
= 4
2(4)
= 2, 5000
xbaru = xlama
Walaupun xbaru telah didapat, belum tentu nilai xbaru tersebut adalah akar f (x). Perlu ada
kriteria untuk memastikan apakah nilai xbaru merupakan akar yang dicari atau bukan. Saat ini
saya ingin ulangi lagi proses perhitungan di atas dengan terlebih dahulu memindahkan xbaru
(hasil perhitungan pertama tadi) menjadi xlama . Hasil pengulangan perhitungan ini disebut
hasil iterasi ke-2.
f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
(2, 5000)2 4
= 2, 5000
2(2, 5000)
= 2, 0500
xbaru = xlama
xbaru = xlama
xbaru = xlama
74
sedangkan pada iterasi ke-5
f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
(2, 0000)2 4
= 2, 0000
2(2, 0000)
= 2, 0000
xbaru = xlama
Tampak jelas hasil iterasi ke-4 dan iterasi ke-5 tidak berbeda. Kalau dilanjutkan iterasi ke-6,
dipastikan hasilnya akan tetap sama, yaitu -2,0000. Kesimpulannya, akar dari f (x) = x2 4
Tetapi bukankah akar dari f (x) = x2 4 ada dua (lihat Gambar 5.1)? Hasil perhitungan di
atas baru menemukan salah satu akarnya saja. Lalu bagaimana dengan akar yang satunya lagi?
Ok, untuk akar yang lainnya, kita tetap bisa mengandalkan metode Newton, namun nilai
awalnya perlu diubah. Misalnya saya pilih nilai awalnya xlama = 1. Maka hasil iterasi ke-1
yang akan didapat adalah
f (xlama )
f (xlama )
4
x2
= xlama lama
2xlama
2
(1) 4
= 1
2(1)
= 2, 5000
xbaru = xlama
xbaru = xlama
xbaru = xlama
75
xbaru = xlama
xbaru = xlama
Tampak jelas hasil iterasi ke-4 dan iterasi ke-5 tidak berbeda. Kalau dilanjutkan iterasi ke-6,
dipastikan hasilnya akan tetap sama, yaitu 2,0000. Kesimpulannya, akar dari f (x) = x2 4
Script metode Newton terbagi tiga, yaitu script utama, script fungsi f (x) yang dinyatakan dalam
fungsi eksternal, dan script turunan pertama f (x) yang juga dinyatakan dalam fungsi eksternal.
Ini adalah script utamanya
1
2
3
clear all
close all
clc
4
5
6
7
8
9
10
11
12
13
14
15
for k = 1:itermaks
xbaru = xlama - (fs(xlama))/ft(xlama);
if abs(xbaru-xlama) < epsilon
break;
end
xlama = xbaru;
end
function y = fs(x)
y = x.^2 - 4;
76
function y = ft(x)
y = 2*x;
5.3.3
Sekarang kita beralih ke fungsi f (x) = x3 + 2. Turunan pertama fungsi ini adalah f (x) = 3x2 .
Maka script untuk fungsi-nya dan untuk turunan pertama-nya, masing-masing adalah
1
2
function y = fs(x)
y = x.^3 + 2;
dan
1
2
function y = ft(x)
y = 3*x.^2;
Sedangkan script utamanya tetap sama, kecuali hanya merubah nilai awalnya saja. Misalnya
anda pilih nilai awalnya xlama = 0.5, maka script utamanya ditulis sebagai berikut
1
2
3
clear all
close all
clc
4
5
6
7
8
9
10
11
12
13
14
15
for k = 1:itermaks
xbaru = xlama - (fs(xlama))/ft(xlama);
if abs(xbaru-xlama) < epsilon
break;
end
xlama = xbaru;
end
jika script ini dijalankan, maka akan diperoleh akar pada x = 1.2599. Coba iseng-iseng anda
ganti nilai awalnya dengan angka 4,5 atau -3,21 atau angka-angka lainnya, apakah akarnya
tetap x = 1.2599 ? Jawabannya tentu iya. Tapi cobalah anda ganti nilai awalnya dengan
angka 1, apakah akarnya tetap x = 1.2599 ? Jawabannya pasti tidak. Mengapa bisa begitu?
Mari kita periksa formulasi metode Newton. Ketika anda memilih xlama = 1, maka iterasi
xbaru = xlama
= 1
= 0
(1)2 + 2
3(1)2
77
jika hasil ini diumpankan pada iterasi ke-2, maka f (x) akan bernilai nol. Efeknya adalah komputer akan menemukan operasi pembagian dimana bagian penyebutnya (dalam hal ini turunan
pertamanya) bernilai nol, sehingga komputer akan mengeluarkan pesan kesalahan devided by
zero. Seketika komputer langsung hang (berhenti memproses perhitungan). Perlu ada modikasi untuk mengantisipasi hal ini. Salah satu caranya adalah dengan mengubah angka xlama
jika ditemukan nilai turunan pertama bernilai nol. Berikut ini script utama dengan modikasi
1
2
3
clear all
close all
clc
4
5
6
7
itermaks = 1000;
% batas iterasi maksimum
epsilon = 10^(-5); % batas toleransi
xlama = 1;
% nilai awal
8
9
10
11
12
13
14
15
16
17
18
19
for k = 1:itermaks
if ft(xlama) == 0 % antisipasi jika turunan pertamanya = 0
xlama = xlama + 0.001; % sekedar ditambah 0.001 aja. Pakai angka lain juga bisa.
end
xbaru = xlama - (fs(xlama))/ft(xlama);
if abs(xbaru-xlama) < epsilon
break;
end
xlama = xbaru;
end
xbaru
78
Bab 6
Integral Numerik
Objektif :
Mengenalkan metode Trapezoida
Mengenalkan metode Simpson
Mengenalkan metode Composite-Simpson
Mengenalkan metode Adaptive Quardrature
Mengenalkan metode Gaussian Quadrature
f (x)dx
(6.1)
Pendekatan numerik yang paling dasar dalam memecahkan masalah integral adalah metode
Trapezoida, yang dirumuskan sebagai berikut
Z
f (x)dx =
h3
h
[f (x0 ) + f (x1 )] f ()
2
12
(6.2)
dimana x0 = a, x1 = b dan h = b a. Akan tetapi, suku yang terakhir pada ruas kanan
dimana terdapat faktor turunan ke-2, f , seringkali diabaikan dengan tujuan agar persamaan
f (x)dx =
h
[f (x0 ) + f (x1 )]
2
(6.3)
Akibatnya pendekatan Trapezoida hanya bekerja efektif pada fungsi-fungsi yang turunan keduanya bernilai nol (f = 0). Gambar (6.1) memperlihatkan prinsip metode trapezoida dalam
bentuk grak. Sementara, script berikut ini dibuat berdasarkan persamaan (6.3).
79
80
f(x)
f(x)
f(x1)
f(x0)
x0=a
x1=b
x0=a
x1=b
Gambar 6.1: Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Trapesoida
menghitung integral dengan cara menghitung luas area integrasi, dimana luas area integrasi sama dengan luas trapesium di bawah kurva f (x) dalam batas-batas a dan b. Jika anda perhatikan dengan teliti,
ada area kecil dibawah garis kurva dan diatas garis miring yang berada diluar bidang trapesium. Metode
Trapesoida tidak menghitung luas area kecil tersebut. Disinilah letak kelemahan metode trapezoida.
1
2
clear all
clc
3
4
5
a = ...
b = ...
6
7
8
9
x0 = a;
x1 = b;
h = b-a;
10
11
12
function y = f(x)
y = ... % rumus fungsi yang di-integralkan;
f (x)dx =
h5
h
[f (x1 ) + 4f (x2 ) + f (x3 )] f 4 ()
3
90
(6.4)
maka
f (x)dx =
a
h
[f (x1 ) + 4f (x2 ) + f (x3 )]
3
(6.5)
Gambar (6.2) memperlihatkan prinsip metode trapezoida dalam bentuk grak. Sementara,
script berikut ini dibuat berdasarkan persamaan (6.5).
81
f(x)
f(x)
f(x2)
f(x1)
f(x0)
h
h
x0=a
x1=b
x0=a
x1
x2=b
Gambar 6.2: Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Simpson
menghitung luas area integrasi, dimana area integrasi di bawah kurva f (x) dibagi 2 dalam batas interval
a x1 dan x1 b dengan lebar masing-masing adalah h
1
2
clc
clear all
3
4
5
6
7
8
9
10
x1 = a;
x3 = b;
h = (b-a)/2;
x1 = a + h;
11
12
13
Contoh
Metode Trapezoida untuk fungsi f pada interval [0,2] adalah
Z
2
0
2
0
f (x)dx
1
[f (0) + 4f (1) + f (2)]
3
Tabel berikut ini memperlihatkan evaluasi integral numerik terhadap beberapa fungsi dalam
interval [0,2] beserta solusi exact-nya. Jelas terlihat, metode Simpson lebih baik dibanding
Trapezoida. Karena hasil intergral numerik metode Simpson lebih mendekati nilai exact
f (x)
Nilai exact
Trapezoida
Simpson
x2
2,667
4,000
2,667
x4
6,400
16,000
6,667
1/(x + 1)
1,099
1,333
1,111
1 + x2
2,958
3,236
2,964
sin x
1,416
0,909
1,425
ex
6,389
8,389
6,421
82
x2
h
h3
[f (x1 ) + f (x2 )] f ()
2
12
(6.6)
h
h5
[f (x1 ) + 4f (x2 ) + f (x3 )] f 4 ()
3
90
(6.7)
f (x)dx =
x1
ketika n = 2: Simpson
Z
x3
f (x)dx =
x1
x4
f (x)dx =
x1
3h
3h5 4
[f (x1 ) + 3f (x2 ) + 3f (x3 ) + f (x4 )]
f ()
8
80
ketika n = 4:
Z x5
8h7 6
2h
[7f (x1 ) + 32f (x2 ) + 12f (x3 ) + 32f (x4 ) + 7f (x5 )]
f ()
f (x)dx =
45
945
x1
6.3.1
clc
clear all
3
4
5
6
% -- batas integrasi -a = 0;
b = 2;
7
8
9
10
11
12
13
x0 = a;
x3 = b;
h = (b-a)/3;
x1 = a + h;
x2 = a + 2*h;
% ---------------------
14
15
16
clc
clear all
(6.8)
(6.9)
83
% -- batas integrasi -a = 0;
b = 2;
7
8
9
10
11
12
13
14
x0 = a;
x4 = b;
h = (b-a)/4;
x1 = a + h;
x2 = a + 2*h;
x3 = a + 3*h;
% ---------------------
15
16
17
Perbandingan tingkat akurasi hasil perhitungan seluruh metode integral numerik yang sudah
dibahas adalah sebagai berikut
f (x)
Nilai exact
Trapezoida
Simpson n=2
Simpson n=3
Simpson n=4
x2
2,667
4,000
2,667
2,667
2,667
x4
6,400
16,000
6,667
6,519
6,400
1/(x + 1)
1,099
1,333
1,111
1,105
1,099
1 + x2
2,958
3,236
2,964
2,960
2,958
sin x
1,416
0,909
1,425
1,420
1,416
ex
6,389
8,389
6,421
6,403
6,389
Keempat bentuk persamaan integral numerik di atas dikenal dengan closed Newton-Cotes
formulas. Keterbatasan metode Newton-Cotes terlihat dari jumlah pembagian interval. Di
atas tadi pembagian interval baru sampai pada n = 4. Bagaimana bila interval evaluasinya
dipersempit supaya solusi numeriknya lebih mendekati solusi exact? Atau dengan kata lain
n > 4.
4
0
ex dx
2 0
e + 4e2 + e4 = 56, 76958
3
Padahal solusi exact dari integral tersebut adalah e4 e0 = 53, 59815, artinya terdapat error
sebesar 3,17143 yang dinilai masih terlampau besar untuk ditolerir. Bandingkan dengan metode
84
f(x)
x0=a x1
x2
x3
x4
x5
x7 xn=b
x6
Gambar 6.3: Metode Composite Simpson. Kurva fungsi f (x) dengan batas bawah integral adalah a dan
batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-masing adalah h.
ex dx =
ex dx +
ex dx
1 2
1 0
e + 4e + e2 +
e + 4e3 + e4
3
3
1 0
e + 4e + 2e2 + 4e3 + e4
=
3
= 53, 86385
Hasil ini memperlihatkan error yang makin kecil, yaitu menjadi 0,26570. Jadi dengan memperkecil h, error menjadi semakin kecil dan itu artinya solusi integral numerik semakin mendekati
solusi exact. Sekarang kita coba kecilkan lagi nilai h menjadi h =
1
2
ex dx
e dx +
e dx +
3
2
1
0
1
1 0
e + 4e1/2 + e +
e + 4e3/2 + e2 +
6
6
1
1 2
5/2
3
e + 4e + e +
e3 + 4e7/2 + e4
6
6
1 0
e + 4e1/2 + 2e + 4e3/2 + 2e2 + 4e5/2 + 2e3 + 4e7/2 + e4
=
6
= 53, 61622
e dx =
e dx +
dan seperti yang sudah kita duga, error -nya semakin kecil menjadi 0,01807.
Prosedur ini dapat digeneralisir menjadi suatu formula sebagai berikut
Z
f (x)dx =
a
n/2 Z
X
j=1
x2j
f (x)dx
x2j2
n/2
X
h
j=1
h5 (4)
[f (x2j2 ) + 4f (x2j1 ) + f (x2j )] f (j )
3
90
(6.10)
85
dimana h = (b a)/n dan xj = a + jh, untuk j = 1, ..., n/2, dengan x0 = a dan xn = b. Formula
ini dapat direduksi menjadi
Z
n/2
(n/2)1
n/2
X
X
h
h5 X (4)
f (x)dx =
f (j )
f (x0 ) + 2
f (x2j ) + 4
f (x2j1 ) + f (xn )
3
90
j=1
(6.11)
j=1
j=1
f (x)dx = S(a, b)
h5 (4)
f ()
90
(6.12)
dengan
h
[f (a) + 4f (a + h) + f (b)]
3
S(a, b) =
Langkah berikutnya adalah men
Z
h
3h
h
f (a) + 4f a +
+ 2f (a + h) + 4f a +
+ f (b)
f (x)dx =
6
2
2
4
h
(b a) (4)
f (
)
2
180
(6.13)
f (x)dx =
a
f
1
(b a)t + (b + a)
2
(b a)
dt
2
(6.14)
1
2x a b
x = [(b a)t + a + b]
ba
2
(6.15)
86
6.6.1
Contoh
1,5
ex dx
(6.16)
1,5
x2
e
1
1
dx =
4
(t+5)2
16
dt
(6.17)
1,5
1
ex dx
i
1 h ((0,5773502692+5)2 /16)
2
e
+ e((0,5773502692+5) /16) = 0, 1094003
4
Untuk n = 3
Z
6.6.2
1,5
ex dx
1
2
2
[(0, 5555555556)e((0,7745966692+5) /16) + (0, 8888888889)e((5) /16)
4
2 /16)
+ (0, 5555555556)e((0,7745966692+5)
Latihan
0,35
0
x2
2
dx
4
] = 0, 1093642
87
3,5
3
x
x2
dx
88
Latihan
a.
b.
c.
x ln xdx,
2
2
dx,
+4
x
dx,
2
x +4
3
1
2
x3 ex dx,
2
Z 3/8
e.
n=6
x2
d.
n=4
n=8
n=4
tan xdx,
n=8
f.
x2 4
dx,
n=8
dengan metode Composite Simpson, bila error yang ditolerir harus lebih kecil dari 104 .
3. Dalam durasi 84 detik, kecepatan sebuah mobil balap formula 1 yang sedang melaju di arena
grandprix dicatat dalam selang interval 6 detik:
time(dt)
speed(f t/dt)
0
124
6
134
12
148
18
156
24
147
30
133
36
121
42
109
48
99
54
85
60
78
66
89
72
104
78
116
Gunakan metode integral numerik untuk menghitung panjang lintasan yang telah dilalui mobil
tersebut selama pencatatan waktu di atas!
84
123
Bab 7
Diferensial Numerik
Objektif :
Mengenalkan metode Euler
Mengenalkan metode Runge Kutta orde 4
Mengenalkan metode Finite Difference
Mengenalkan Persamaan Diferensial Parsial Eliptik
Mengenalkan Persamaan Diferensial Parsial Hiperbolik
Mengenalkan Persamaan Diferensial Parsial Parabolik
a t b,
y(a) =
(7.1)
Nilai t dibatasi dari a hingga ke b. Sementara, syarat awal telah diketahui yaitu pada saat
t = a maka y bernilai . Akan tetapi kita sama sekali tidak tahu bentuk formulasi persamaan
asalnya y(t). Gambar 7.1 memperlihatkan kurva persamaan asal y(t) yang tidak diketahui bentuk formulasinya. Tantangannya adalah bagaimana kita bisa mendapatkan solusi persamaan
diferensial untuk setiap nilai y(t) yang t-nya terletak diantara a dan b ?
Tahap awal solusi pendekatan numerik adalah dengan menentukan point-point dalam jarak
yang sama di dalam interval [a,b]. Jarak antar point dirumuskan sebagai
h=
ba
N
(7.2)
dengan N adalah bilangan integer positif. Nilai h ini juga dikenal dengan nama step size.
Selanjutnya nilai t diantara a dan b ditentukan berdasarkan
ti = a + ih,
i = 0, 1, 2, ..., N
89
(7.3)
90
y
y(tN)=y(b)
y=f(t,y)
y(t)
y(t)
y(a)=a
y(t2)
y=f(t,y)
y(a)=a
y(t1)
y(t0)=a
y(a)=f(a,a)
w1
a
h
h
t0=a
t1
t2
.....
tN=b
t0=a
t1
t2
.....
tN=b
Gambar 7.1: Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebesar
h. Pasangan t1 adalah y(t1 ), pasangan t2 adalah y(t2 ), begitu seterusnya. Kanan: Garis singgung yang
menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis singgung tersebut, ditentukan pasangan
t1 sebagai w1 . Perhatikan gambar itu sekali lagi! w1 dan y(t1 ) beda tipis alias tidak sama persis.
Metode Euler diturunkan dari deret Taylor. Misalnya, fungsi y(t) adalah fungsi yang kontinyu dan memiliki turunan dalam interval [a,b]. Dalam deret Taylor, fungsi y(t) tersebut dirumuskan sebagai
y(ti+1 ) = y(ti ) + (ti+1 ti )y (ti ) +
(ti+1 ti )2
y (i )
2
(7.4)
h2
y (i )
2
(7.5)
dan, karena y(t) memenuhi persamaan diferensial (7.1), dimana y (ti ) tak lain adalah fungsi
turunan f (ti , y(ti )), maka
y(ti+1 ) = y(ti ) + hf (ti , y(ti )) +
h2
y (i )
2
(7.6)
Metode Euler dibangun dengan pendekatan bahwa suku terakhir dari persamaan (7.6), yang
memuat turunan kedua, dapat diabaikan. Disamping itu, pada umumnya, notasi penulisan bagi
y(ti ) diganti dengan wi . Sehingga metode Euler diformulasikan sebagai
wi+1 = wi + hf (ti , wi )
w0 =
(7.7)
dimana i = 0, 1, 2, .., N 1.
Contoh
Diketahui persamaan diferensial
y = y t2 + 1 batas interval: 0 t 2 syarat awal:
y(0) = 0, 5
(7.8)
dimana N = 10. Disini terlihat bahwa batas awal interval, a = 0; dan batas akhir b = 2.
Dalam penerapan metode euler, pertama kali yang harus dilakukan adalah menghitung step-
91
20
ba
=
= 0, 2
N
10
sehingga ti = 0, 2i
= wi + 0, 2(wi 0, 04i2 + 1)
= 1, 2wi 0, 008i2 + 0, 2
Pada saat i = 0 dan dari syarat awal diketahui w0 = 0, 5, kita bisa menghitung w1
w1 = 1, 2w0 0, 008(0)2 + 0, 2 = 0, 8000000
Pada saat i = 1
w2 = 1, 2w1 0, 008(1)2 + 0, 2 = 1, 1520000
Pada saat i = 2
w3 = 1, 2w2 0, 008(2)2 + 0, 2 = 1, 5504000
Demikian seterusnya, hingga mencapai i = 9
w10 = 1, 2w9 0, 008(9)2 + 0, 2 = 4, 8657845
Berikut ini adalah script matlab untuk menghitung w1 , w2 , sampai w10
1
2
clear all
clc
3
4
format long
5
6
7
8
9
10
11
12
13
14
15
92
16
17
18
19
20
21
22
23
t3=a+3*h;
t4=a+4*h;
t5=a+5*h;
t6=a+6*h;
t7=a+7*h;
t8=a+8*h;
t9=a+9*h;
t10=a+10*h;
24
25
26
27
28
29
30
31
32
33
34
35
% solusinya:
w1=w0+h*(w0-t0^2+1)
w2=w1+h*(w1-t1^2+1)
w3=w2+h*(w2-t2^2+1)
w4=w3+h*(w3-t3^2+1)
w5=w4+h*(w4-t4^2+1)
w6=w5+h*(w5-t5^2+1)
w7=w6+h*(w6-t6^2+1)
w8=w7+h*(w7-t7^2+1)
w9=w8+h*(w8-t8^2+1)
w10=w9+h*(w9-t9^2+1)
clear all
clc
3
4
format long
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
% solusinya:
w(1)=w0+h*(w0-t0^2+1);
for i=2:N
k=i-1;
w(i)=w(k)+h*(w(k)-t(k)^2+1);
end
w
clear all
clc
(7.9)
93
3
4
format long
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
% solusi exact:
for i=1:N
y(i)=(t(i)+1)^2-0.5*exp(t(i));
end
y
Tabel 7.1: Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih antara
keduanya
i
ti
wi
yi = y(ti )
|wi yi |
0
1
2
3
4
5
6
7
8
9
10
0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2,0
0,5000000
0,8000000
1,1520000
1,5504000
1,9884800
2,4581760
2,9498112
3,4517734
3,9501281
4,4281538
4,8657845
0,5000000
0,8292986
1,2140877
1,6489406
2,1272295
2,6408591
3,1799415
3,7324000
4,2834838
4,8151763
5,3054720
0,0000000
0,0292986
0,0620877
0,0985406
0,1387495
0,1826831
0,2301303
0,2806266
0,3333557
0,3870225
0,4396874
Coba anda perhatikan sejenak bagian kolom selisih |wi yi |. Terlihat angkanya tumbuh semakin
besar seiring dengan bertambahnya ti . Artinya, ketika ti membesar, akurasi metode euler justru
berkurang. Untuk lebih jelasnya, mari kita plot hasil-hasil ini dalam suatu gambar.
Gambar (7.2) memperlihatkan sebaran titik-titik merah yang merupakan hasil perhitungan
metode euler (wi ). Sementara solusi exact y(ti ) diwakili oleh titik-titik biru. Tampak jelas bahwa titik-titik biru dan titik-titik merah pada nilai t yang sama tidak ada yang berhimpit alias
ada jarak yang memisahkan mereka. Bahkan semakin ke kanan, jarak itu semakin melebar.
Adanya jarak, tak lain menunjukkan keberadaan error (kesalahan). Hasil perhitungan metode
euler yang diwakili oleh titik-titik merah ternyata menghadirkan tingkat kesalahan yang semakin membesar ketika menuju ke-N atau ketika ti bertambah. Untuk mengatasi hal ini, salah
satu pemecahannya adalah dengan menerapkan metode Runge-Kutta orde-4. Namun sebelum
masuk ke pembahasan tersebut, ada baiknya kita memodikasi script matlab yang terakhir tadi.
Saya kira tidak ada salahnya untuk mengantisipasi kesalahan pengetikan fungsi turunan
yang terdapat dalam script sebelumnya yaitu,
94
5.5
4.5
y(t)
3.5
2.5
1.5
0.5
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
Gambar 7.2: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu nilai wi .
w(1)=w0+h*(w0-t0^2+1);
dan
w(i)=w(k)+h*(w(k)-t(k)^2+1);
Ketika fungsi turunan memiliki formulasi yang berbeda dengan contoh di atas, bisa jadi
kita akan lupa untuk mengetikkan formulasi yang baru di kedua baris tersebut. Oleh karena
itu, lebih baik fungsi turunan tersebut dipindahkan kedalam satu le terpisah. Di lingkungan
matlab, le tersebut disebut le function. Jadi, isi le function untuk contoh yang sedang kita
bahas ini adalah
function y = futur(t,w)
y = w - t^2 + 1;
File function ini mesti di-save dengan nama le yang sama persis dengan nama fungsinya, dalam
contoh ini nama le function tersebut harus bernama futur.m. Kemudian le ini harus disimpan
dalam folder yang sama dimana disana juga terdapat le untuk memproses metode euler.
Setelah itu, script metode euler dimodikasi menjadi seperti ini
1
2
clear all
clc
3
4
format long
5
6
b=2;
95
a=0;
%batas awal interval
N=10; % bilangan interger positif
h=(b-a)/N; % nilai step-size
w0=0.5; % nilai w awal
t0=0; % nilai t awal
12
13
14
15
16
17
18
19
20
21
22
23
24
% solusinya:
w(1)=w0+h*futur(t0,w0);
for i=2:N
k=i-1;
w(i)=w(k)+h*futur(t(k),w(k));
end
w
Mulai dari baris ke-13 sampai dengan baris ke-24, tidak perlu diubah-ubah lagi. Artinya, jika
ada perubahan formulasi fungsi turunan, maka itu cukup dilakukan pada le futur.m saja.
Ok. Sekarang mari kita membahas metode Runge Kutta.
(7.10)
(7.11)
(7.12)
(7.13)
(7.14)
0 t 2,
y(0) = 0, 5
96
Jika N = 10, maka step-size bisa dihitung terlebih dahulu
h=
ba
20
=
= 0, 2
N
10
dan
ti = a + ih = 0 + i(0, 2)
ti = 0, 2i
serta
w0 = 0, 5
Sekarang mari kita terapkan metode Runge-Kutta Orde-4 ini. Untuk menghitung w1 , tahaptahap perhitungannya dimulai dari menghitung k1
k1 = hf (t0 , w0 )
= h(w0 t20 + 1)
k2 = hf (t0 +
dilanjutkan dengan k3
k2
h
, w0 + )
2
2
k2
h
= h[(w0 + ) (t0 + )2 + 1)]
2
2
0, 328
0, 2 2
= 0, 2[(0, 5 +
) (0, 0 +
) + 1)]
2
2
= 0, 3308
k3 = hf (t0 +
kemudian k4
k4 = hf (t1 , w0 + k3 )
= h[(w0 + k3 ) t21 + 1]
97
akhirnya diperoleh w1
1
(k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 5 + (0, 3 + 2(0, 328) + 2(0, 3308) + 0, 35816)
6
1
= 0, 5 + (0, 3 + 0, 656 + 0, 6616 + 0, 35816)
6
= 0, 8292933
w1 = w0 +
Dengan cara yang sama, w2 , w3 , w4 dan seterusnya dapat dihitung dengan program komputer.
Script matlab-nya sebagai berikut1 :
1
2
clear all
clc
3
4
format long
5
6
7
8
9
10
11
b=2;
a=0;
N=10;
h=(b-a)/N;
w0=0.5;
t0=0;
%
%
%
%
%
%
12
13
14
15
16
17
18
19
20
21
22
23
% solusinya:
k1=h*futur(t0,w0);
k2=h*futur(t0+h/2,w0+k1/2);
k3=h*futur(t0+h/2,w0+k2/2);
k4=h*futur(t(1),w0+k3);
w(1)=w0+1/6*(k1+2*k2+2*k3+k4);
24
25
26
27
28
29
30
31
32
33
for i=2:N
k=i-1;
k1=h*futur(t(k),w(k));
k2=h*futur(t(k)+h/2,w(k)+k1/2);
k3=h*futur(t(k)+h/2,w(k)+k2/2);
k4=h*futur(t(i),w(k)+k3);
w(i)=w(k)+1/6*(k1+2*k2+2*k3+k4);
end
w
Dibandingkan dengan metode Euler, tingkat pertumbuhan truncation error, pada kolom |wi yi |
(lihat Tabel 7.2), jauh lebih rendah sehingga metode Runge-Kutta Orde Empat lebih disukai
untuk membantu menyelesaikan persamaan-diferensial-biasa.
Contoh tadi tampaknya dapat memberikan gambaran yang jelas bahwa metode Runge-Kutta
Orde Empat dapat menyelesaikan persamaan diferensial biasa dengan tingkat akurasi yang lebih
1
Jangan lupa, le futur.m mesti berada dalam satu folder dengan le Runge Kutta nya!
98
Tabel 7.2: Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact y(ti )
serta selisih antara keduanya
i
ti
wi
yi = y(ti )
|wi yi |
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8292933 0,8292986 0,0000053
2 0,4 1,2140762 1,2140877 0,0000114
3 0,6 1,6489220 1,6489406 0,0000186
4 0,8 2,1272027 2,1272295 0,0000269
5 1,0 2,6408227 2,6408591 0,0000364
6 1,2 3,1798942 3,1799415 0,0000474
7 1,4 3,7323401 3,7324000 0,0000599
8 1,6 4,2834095 4,2834838 0,0000743
9 1,8 4,8150857 4,8151763 0,0000906
10 2,0 5,3053630 5,3054720 0,0001089
5.5
4.5
y(t)
3.5
2.5
1.5
0.5
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
Gambar 7.3: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta orde 4, yaitu nilai wi .
tinggi. Namun, kalau anda jeli, ada suatu pertanyaan cukup serius yaitu apakah metode ini
dapat digunakan bila pada persamaan diferensialnya tidak ada variabel t ? Misalnya pada kasus
pengisian muatan pada kapasitor berikut ini.
7.2.1
Sebuah kapasitor yang tidak bermuatan dihubungkan secara seri dengan sebuah resistor dan
baterry (Gambar 7.4). Diketahui = 12 volt, C = 5,00 F dan R = 8,00 105 . Saat sa-
99
klar dihubungkan (t=0), muatan belum ada (q=0). Berdasarkan hukum Kirchoff II, bentuk
persamaan diferensial yang sesuai dengan rangkaian tersebut adalah
dq
q
=
dt
R RC
(7.15)
(7.16)
Anda bisa lihat semua suku di ruas kanan persamaan (7.15) tidak mengandung variabel t. Pa-
= 1, 5 105
R
1
= 0, 25
RC
100
walaupun t1 tidak dilibatkan dalam perhitungan ini
k1 = hf (q0 )
= h(m1 q0 m2 )
lalu menghitung k2
k2 = hf (q0 +
k1
)
2
= h[(m1 (q0 +
k1
)m2 )]
2
0, 15 105
)(0, 25)]
2
= 0, 14813 105
dilanjutkan dengan k3
k3 = hf (q0 +
k2
)
2
= h[(m1 (q0 +
k2
)m2 )]
2
0, 14813 105
)(0, 25)]
2
= 0, 14815 105
kemudian k4
k4 = hf (q0 + k3 )
= h[(m1 (q0 + k3 )m2 )]
akhirnya diperoleh q1
1
(k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 0 + (0, 150 + 2(0, 14813) + 2(0, 14815) + 0, 14630) 105
6
= 0, 14814 105
q1 = q0 +
101
Selanjutnya q2 dihitung. Tentu saja pada saat t2 , dimana t2 = 0, 2, namun sekali lagi, t2 tidak
terlibat dalam perhitungan ini. Dimulai menghitung k1 kembali
k1 = hf (q1 )
= h(m1 q1 m2 )
lalu menghitung k2
k2 = hf (q1 +
k1
)
2
= h[(m1 (q1 +
k1
)m2 )]
2
0, 14630 105
)(0, 25)]
2
= 0, 14447 105
dilanjutkan dengan k3
k3 = hf (q1 +
k2
)
2
= h[(m1 (q1 +
k2
)m2 )]
2
0, 14447 105
)(0, 25)]
2
= 0, 14449 105
kemudian k4
k4 = hf (q1 + k3 )
= h[(m1 (q1 + k3 )m2 )]
= 0, 14268 105
akhirnya diperoleh q2
1
(k1 + 2k2 + 2k3 + k4 )
6
1
= 0, 14814 105 + (0, 14630 + 2(0, 14447) + 2(0, 14449) + 0, 14268) 105
6
= 0, 29262 105
q2 = q1 +
Dengan cara yang sama, q3 , q4 , q5 dan seterusnya dapat dihitung. Berikut ini adalah script dalam
matlab yang dipakai untuk menghitung q
102
1
2
clear all
clc
3
4
format long
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
% solusinya:
k1=h*futur(q0);
k2=h*futur(q0+k1/2);
k3=h*futur(q0+k2/2);
k4=h*futur(q0+k3);
q(1)=q0+1/6*(k1+2*k2+2*k3+k4);
24
25
26
27
28
29
30
31
32
33
for i=2:N
k=i-1;
k1=h*futur(q(k));
k2=h*futur(q(k)+k1/2);
k3=h*futur(q(k)+k2/2);
k4=h*futur(q(k)+k3);
q(i)=q(k)+1/6*(k1+2*k2+2*k3+k4);
end
q
1
2
3
4
5
6
7
function y=futur(q)
E=12;
% tegangan (volt)
R=800000;
% hambatan (ohm)
C=5e-6;
% kapasitansi (farad)
m1=E/R;
m2=1/(R*C);
y=m1-(m2*q);
Luar biasa!! Tak ada error sama sekali. Mungkin, kalau kita buat 7 angka dibelakang koma,
error nya akan terlihat. Tapi kalau anda cukup puas dengan 5 angka dibelakang koma, hasil ini
sangat memuaskan. Gambar 7.5 memperlihatkan kurva penumpukan muatan q terhadap waktu
t dengan batas atas interval waktu dinaikkan hingga 20 .
Sampai disini mudah-mudahan jelas dan bisa dimengerti. Silakan anda coba untuk kasus
yang lain, misalnya proses pembuangan (discharging ) q pada rangkaian yang sama, atau bisa
juga anda berlatih dengan rangkaian RL dan RLC. Saya akhiri dulu uraian saya sampai disini.
7.3. LATIHAN I
103
Tabel 7.3: Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan hasil
perhitungan dari solusi exact, yaitu persamaan (7.16)
i
ti
qi
qexact = q(ti )
|qi qexact |
5
5
0 0,0 0,0000010
0,0000010
0,00000
1 0,1 0,14814105 0,14814105
0,00000
2 0,2 0,29262105 0,29262105
0,00000
3 0,3 0,43354105 0,43354105
0,00000
4 0,4 0,57098105 0,57098105
0,00000
5 0,5 0,70502105 0,70502105
0,00000
6 0,6 0,83575105 0,83575105
0,00000
5
5
7 0,7 0,9632610
0,9632610
0,00000
8 0,8 1,0876105
1,0876105
0,00000
9 0,9 1,2089105
1,2089105
0,00000
5
5
10 1,0 1,327210
1,327210
0,00000
7.3 Latihan I
1. Sebuah benda bersuhu 50o F diletakkan di dalam ruangan bersuhu 100o F. Laju perubahan
suhu terhadap waktu diformulasikan oleh hukum Newton sebagai berikut
dT
= k(Tr Tb )
dt
dimana Tr = suhu ruang; Tb = suhu benda yang berubah-ubah dan k = konstanta bernilai
0,045.
(a) Buatlah kurva peningkatan suhu benda terhadap waktu berdasarkan analisis numerik
menggunakan medote Runge-kutta orde-4. Parameter waktu divariasikan mulai dari
0 menit hingga 20 menit.
(b) Berapakah suhu benda setelah 5 menit? Berapakah suhu benda setelah 20 menit?.
2. Peluruhan zat radioaktif diformulasikan sebagai
dN
kN = 0
dt
dimana N = massa zat radioaktif pada waktu tertentu; k = konstanta bernilai peluruhan.
Jika mula-mula adalah 50 miligram dan k = -0,053,
(a) Buatlah kurva peluruhan zat radioaktif terhadap waktu berdasarkan analisis numerik
menggunakan medote Runge-kutta orde-4. Parameter waktu divariasikan mulai dari
0 jam hingga 20 jam.
(b) Berapakah masa zat radioaktif setelah 4 jam? Berapakah masa zat radioaktif setelah
15 jam?
3. Saat saklar baru dihubungkan, yaitu pada t = 0 dan I = 0, arus mulai mengalir dari
104
5
x 10
10
12
14
16
18
20
dI
=0
dt
I(0) = 0
7.3. LATIHAN I
105
(f) Solusi analitik persamaan diferensial di atas adalah I(t) = R 1 eRt/L . Gambarkan kurva hubungan antara arus (Ampere) terhadap waktu (milisecond) yang didapat
dari solusi analitik dan bandingkan dengan kurva yang diperoleh dari metode RungeKutta orde 4.
106
Gambar 7.6: Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah x0 = a hingga batas atas x6 = b
a x b,
y(a) = ,
y(b) =
(7.17)
(7.18)
ba
N +1
(7.19)
Dengan demikian maka titik-titik x yang merupakan sub-interval antara a dan b dapat dinyatakan sebagai
xi = a + ih,
i = 1, 2, 3, ..., N
(7.20)
Pencarian solusi persamaan diferensial melalui pendekatan numerik dilakukan dengan memanfaatkan polinomial Taylor untuk mengevaluasi y dan y pada xi+1 dan xi1 seperti berikut
ini
y(xi+1 ) = y(xi + h) = y(xi ) + hy (xi ) +
h2
y (xi )
2
(7.21)
h2
y (xi )
2
(7.22)
dan
107
(7.23)
y(xi+1 ) y(xi1 )
2h
(7.24)
Sebelum dilanjut, saya nyatakan bahwa y(xi+1 )=wi+1 dan y(xi )=wi serta y(xi1 )=wi1 . Maka
persamaan di atas dapat ditulis sebagai berikut
+ p(xi )
wi+1 wi1
2h
h
p(xi ) (wi+1 wi1 ) + h2 q(xi )wi
2
h
h
wi+1 + 2wi wi1 + p(xi )wi+1 p(xi )wi1 + h2 q(xi )wi
2
2
h
h
wi1 p(xi )wi1 + 2wi + h2 q(xi )wi wi+1 + p(xi )wi+1
2
2
h
h
1 + p(xi ) wi1 + 2 + h2 q(xi ) wi 1 p(xi ) wi+1
2
2
(wi+1 + 2wi wi1 ) +
= h2 r(xi )
= h2 r(xi )
= h2 r(xi )
= h2 r(xi )
(7.25)
dimana i=1,2,3...sampai N, karena yang ingin kita cari adalah w1 , w2 , w3 ,..., wN . Sementara,
satu hal yang tak boleh dilupakan yaitu w0 dan wN +1 biasanya selalu sudah diketahui. Pada
persamaan (7.17), jelas-jelas sudah diketahui bahwa w0 = dan wN +1 =; keduanya dikenal
sebagai syarat batas atau istilah asingnya adalah boundary value. Topik yang sedang bahas
ini juga sering disebut sebagai Masalah Syarat Batas atau Boundary Value Problem.
Sampai disini kita mendapatkan sistem persamaan linear yang selanjutnya dapat dinyatakan
sebagai bentuk operasi matrik
Aw = b
(7.26)
108
dimana A adalah matrik tridiagonal dengan orde N N
2 + h2 q(x1 )
1
h2 p(x2 )
...
...
0
1 + h2 p(x1 )
2 + h2 q(x2 )
1 h2 p(x3 )
0
...
...
...
0
1 + h2 p(x2 )
2 + h2 q(x3 )
1 h2 p(x4 )
...
...
...
...
0
1 + h2 p(x3 )
2 + h2 q(x4 )
...
...
...
...
...
0
1 + h2 p(x4 )
...
1 h2 p(xN1 )
...
...
...
...
0
...
2 + h2 q(xN1 )
1 h2 p(xN )
0
0
...
1 + h2 p(xN1 )
2
2 + h q(xN )
w1
w2
w
3
w=
w4
..
.
N 1
wN
b=
h2 r(x1 ) + 1 + h2 p(x1 ) w0
h2 r(x2 )
h2 r(x3 )
h2 r(x4 )
..
.
h2 r(xN 1 )
h2 r(xN ) + 1 h2 p(xN ) wN +1
(7.27)
Agar lebih jelas, mari kita lihat contoh berikut; diketahui persamaan diferensial dinyatakan
sebagai
2
sin(ln x)
2
,
y = y + 2 y +
x
x
x2
1 x 2,
y(1) = 1,
y(2) = 2
Dengan metode Finite-Difference, solusi pendekatan dapat diperoleh dengan membagi interval
1 x 2 menjadi sub-interval, misalnya kita gunakan N = 9, sehingga spasi h diperoleh
h=
ba
21
=
= 0, 1
N +1
9+1
Dari persamaan diferensial tersebut, kita dapat menentukan fungsi p, fungsi q dan fungsi r
sebagai berikut:
p(xi ) =
q(xi ) =
r(xi ) =
2
xi
2
x2i
sin(ln xi )
x2i
Script matlab telah dibuat untuk menyelesaikan contoh soal ini. Isi script fungsi p yang disimpan
dengan nama le p.m:
function u = p(x)
2
3
u = -2/x;
function u = q(x)
2
3
u = 2./x.^2;
function u = r(x)
2
3
u = sin(log(x))./x.^2;
%
%
%
%
%
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
clc;clear;close
%============== MENENTUKAN SYARAT BATAS =====================
a = 1; b = 2;
alpha = 1; beta = 2;
N = 9;
h = (b-a)/(N+1);
for k = 1:N
x(k) = a + k*h;
end
%============== MEMBUAT MATRIKS A ===========================
A = zeros(N);
for k = 1:N
A(k,k) = 2 + h^2*q(x(k));
end
21
22
23
24
25
26
27
28
for k = 2:N
A(k-1,k) = -1 + (h/2) * p(x(k-1));
A(k,k-1) = -1 - (h/2) * p(x(k));
end
%============== MEMBUAT VEKTOR b ============================
b(1,1) = -h^2*r(x(1)) + (1+(h/2)*p(x(1)))*alpha;
for k = 2:N-1
109
110
b(k,1) = -h^2*r(x(k));
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
end
b(N,1) = -h^2*r(x(N)) + (1-(h/2)*p(x(N)))*beta;
%============== MENGHITUNG w ================================
w = inv(A) * b;
%============== MEMPLOT HASIL FINITE DIFFERENCE =============
plot(x,w,*b)
xlabel(nilai x);
hold on
%============== MEMPLOT HASIL SOLUSI ANALITIK ===============
h = 0.1;
x = 1:h:2;
y = sol_analitik(x);
plot(x,y,sr);
ylabel(nilai y);
title(\fontsize{14} Kesesuaian Antara Solusi FD dan Solusi Analitik);
Dalam script di atas, hasil perhitungan metode FD tersimpan pada baris 33 dan di-plot pada
baris 35. Disisi lain, solusi analitik dari persamaan diferensial
2
2
sin(ln x)
y = y + 2 y +
,
x
x
x2
adalah
y = c1 x +
dimana
c2 =
1 x 2,
y(1) = 1,
y(2) = 2
1
3
c2
sin(ln x)
cos(ln x),
2
x
10
10
1
[8 12 sin(ln 2) 4 cos(ln 2)] 0, 03920701320
70
dan
c1 =
11
c2 1, 1392070132.
10
Pada script di atas, solusi analitik akan didapat pada baris 41, dimana sol_analitik() adalah
fungsi eksternal untuk menyimpan persamaan solusi analitik di atas.
Tabel berikut ini memperlihatkan hasil perhitungan dengan pendekatan metode FD wi dan
hasil perhitungan dari solusi exact y(xi ), dilengkapi dengan selisih antara keduanya |wi y(xi )|.
Tabel ini memperlihatkan tingkat kesalahan (error) berada pada orde 105 . Untuk memperkecil
orde kesalahan, kita bisa menggunakan polinomial Taylor berorde tinggi. Akan tetapi proses
kalkulasi menjadi semakin banyak dan disisi lain penentuan syarat batas lebih kompleks dibandingkan dengan pemanfaatan polinomial Taylor yang sekarang. Untuk menghindari hal-hal
yang rumit itu, salah satu jalan pintas yang cukup efektif adalah dengan menerapkan ekstrapolasi Richardson.
Contoh
Pemanfaatan ekstrapolasi Richardson pada metode Finite Difference untuk persamaan diferen-
111
solusi FD
solusi analitik
1.8
1.7
nilai y
1.6
1.5
1.4
1.3
1.2
1.1
1
1.2
1.4
1.6
1.8
nilai x
Gambar 7.7:
1 x 2,
y(1) = 1,
y(2) = 2,
4wi (h = 0, 05) wi (h = 0, 1)
3
16Ext2i Ext1i
15
Tabel berikut ini memperlihatkan hasil perhitungan tahapan-tahapan ekstrapolasi tersebut. Jika
seluruh angka di belakang koma diikut-sertakan, maka akan terlihat selisih antara solusi exact
dengan solusi pendekatan sebesar 6, 3 1011 . Ini benar-benar improvisasi yang luar biasa.
112
xi
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
xi
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
wi (h = 0, 1)
1,00000000
1,09260052
1,18704313
1,28333687
1,38140205
1,48112026
1,58235990
1,68498902
1,78888175
1,89392110
2,00000000
7.4.1
wi
1,00000000
1,09260052
1,18704313
1,28333687
1,38140205
1,48112026
1,58235990
1,68498902
1,78888175
1,89392110
2,00000000
wi (h = 0, 05)
1,00000000
1,09262207
1,18707436
1,28337094
1,38143493
1,48114959
1,58238429
1,68500770
1,78889432
1,89392740
2,00000000
y(xi )
1,00000000
1,09262930
1,18708484
1,28338236
1,38144595
1,48115942
1,58239246
1,68501396
1,78889853
1,89392951
2,00000000
wi (h = 0, 025)
1,00000000
1,09262749
1,18708222
1,28337950
1,38144319
1,48115696
1,58239042
1,68501240
1,78889748
1,89392898
2,00000000
|wi y(xi )|
2,88 105
4,17 105
4,55 105
4,39 105
3,92 105
3,26 105
2,49 105
1,68 105
8,41 106
Ext1i
1,00000000
1,09262925
1,18708477
1,28338230
1,38144598
1,48115937
1,58239242
1,68501393
1,78889852
1,89392950
2,00000000
Ext2i
1,00000000
1,09262930
1,18708484
1,28338236
1,38144595
1,48115941
1,58239246
1,68501396
1,78889853
1,89392951
2,00000000
Ext3i
1,00000000
1,09262930
1,18708484
1,28338236
1,38144595
1,48115942
1,58239246
1,68501396
1,78889853
1,89392951
2,00000000
Aplikasi
Besar simpangan terhadap waktu (y(t)) suatu sistem osilator mekanik yang padanya diberikan
gaya secara periodik (forced-oscilations) memenuhi persamaan diferensial seperti dibawah ini
berikut syarat-syarat batasnya
d2 y
dy
+ 2y + cos(t),
=
2
dt
dt
0t
,
2
y(0) = 0, 3,
y( ) = 0, 1
2
Dengan metode Finite-Difference, tentukanlah besar masing-masing simpangan di setiap interval h = /8. Buatlah table untuk membandingkan hasil nite-difference dengan solusi analitik
1
yang memenuhi y(t) = 10
[sin(t) + 3cos(t)].
jawab:
Secara umum, persamaan diferensial dapat dinyatakan sbb:
d2 y
dy
(x) = p(x) (x) + q(x)y(x) + r(x),
dx2
dx
a x b,
y(a) = ,
y(b) =
q(t) = 2
r(t) = cos(t)
a=0
b=
= 0, 3
= 0, 1
7.5. LATIHAN II
113
(7.28)
2 + h2 q(x1 )
1 h2 p(x2 )
...
...
0
w1
0
1 + h2 p(x2 )
2 + h2 q(x3 )
1 h2 p(x4 )
...
...
...
w2
w
3
w=
w4
..
.
N 1
wN
...
0
1 + h2 p(x3 )
2 + h2 q(x4 )
...
...
...
b=
...
...
0
1 + h2 p(x4 )
...
1 h2 p(xN1 )
...
...
...
...
0
...
2 + h2 q(xN1 )
1 h2 p(xN )
h2 r(x1 ) + 1 + h2 p(x1 ) w0
h2 r(x2 )
h2 r(x3 )
h2 r(x4 )
..
.
h2 r(xN 1 )
h2 r(xN ) + 1 h2 p(xN ) wN +1
0
0
...
1 + h2 p(xN1 )
2
2 + h q(xN )
Jumlah baris matrik ditentukan oleh bilangan n. Namun disoal hanya tersedia informasi nilai
h = /8, sehingga n harus dihitung terlebih dahulu:
h=
ba
n+1
n=
0
ba
1= 2
1=3
h
/8
perhitungan ini dilakukan didalam script matlab. Selanjutnya seluruh elemen matrik A dan
vektor b dihitung dengan matlab
2, 3084
0, 8037
w1
0, 5014
1, 1963 2, 3084 0, 8037 w2 = 0, 1090
0
1, 1963 2, 3084
0, 1394
w3
Proses diteruskan dengan metode Eliminasi Gauss dan didapat hasil akhir berikut ini
w1 = 0.3157
7.5 Latihan II
1.
w2 = 0.2829
w3 = 0.2070
114
(7.29)
Dalam ilmu sika, persamaan (7.29) dikenal sebagai Persamaan Poisson. Persamaan tersebut
akan lebih sederhana jika f (x, y)=0,
2u
2u
(x,
y)
+
(x, y) = 0
x2
y 2
(7.30)
yang biasa disebut sebagai Persamaan Laplace. Contoh masalah PDP eliptik di bidang sika
adalah distribusi panas pada kondisi steady-state pada obyek 2-dimensi dan 3-dimensi.
Jenis PDP kedua adalah PDP parabolik yang dinyatakan sebagai berikut
2u
u
(x, t) 2 2 (x, t) = 0
t
x
(7.31)
Fenomena sis yang bisa dijelaskan oleh persamaan ini adalah masalah aliran panas pada suatu
obyek dalam fungsi waktu t.
Terakhir, PDP ketiga adalah PDP hiperbolik yang dinyatakan sebagai berikut
2
2u
2u
(x,
t)
=
(x, t)
2x
t2
(7.32)
(7.33)
dimana R = [(x, y)|a < x < b, c < y < d]. Maksudnya, variasi titik-titik x berada di antara a dan
b. Demikian pula dengan variasi titik-titik y, dibatasi mulai dari c sampai d (lihat Gambar 7.8).
Jika h adalah jarak interval antar titik yang saling bersebelahan pada titik-titik dalam rentang
horizontal a dan b, maka titik-titik variasi di antara a dan b dapat diketahui melalui rumus ini
xi = a + ih,
dimana i = 1, 2, . . . , n
(7.34)
115
mesh points
......
ym
grid lines
y2
k
y1
c
a
x1
x2
...
xn
h
Gambar 7.8: Skema grid lines dan mesh points pada aplikasi metode Finite-Difference
dimana a adalah titik awal pada sumbu horisontal x. Demikian pula pada sumbu y. Jika k
adalah jarak interval antar titik yang bersebelahan pada titik-titik dalam rentang vertikal c dan
d, maka titik-titik variasi di antara c dan d dapat diketahui melalui rumus ini
yj = c + jk,
dimana j = 1, 2, . . . , m
(7.35)
dimana c adalah titik awal pada sumbu vertikal y. Perhatikan Gambar 7.8, garis-garis yang
sejajar sumbu horisontal, y = yi dan garis-garis yang sejajar sumbu vertikal, x = xi disebut grid
lines. Sementara titik-titik perpotongan antara garis-garis horisontal dan vertikal dinamakan
mesh points.
Bentuk diskrit turunan kedua persamaan (7.33) dapat dinyatakan dalam rumus centereddifference sebagai berikut
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj ) h2 4 u
2u
(x
,
y
)
=
(i , yj )
i
j
x2
h2
12 x4
(7.36)
(xi , j )
i j
y 2
k2
12 y 4
(7.37)
Metode Finite-Difference biasanya mengabaikan suku yang terakhir, sehingga cukup dinyatakan
sebagai
2u
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj )
(xi , yj ) =
2
x
h2
(7.38)
(7.39)
Pengabaian suku terakhir otomatis menimbulkan error yang dinamakan truncation error. Jadi,
ketika suatu persamaan diferensial diolah secara numerik dengan metode Finite-Difference, ma-
116
ka solusinya pasti meleset alias keliru "sedikit", dikarenakan adanya truncation error tersebut.
Akan tetapi, nilai error tersebut dapat ditolerir hingga batas-batas tertentu yang uraiannya akan
dikupas pada bagian akhir bab ini.
Ok. Mari kita lanjutkan! Sekarang persamaan (7.38) dan (7.39) disubstitusi ke persamaan
(7.33), hasilnya adalah
u(xi+1 , yj ) 2u(xi , yj ) + u(xi1 , yj ) u(xi , yj+1 ) 2u(xi , yj ) + u(xi , yj1 )
+
= f (xi , yj ) (7.40)
h2
k2
dimana i = 1, 2, ..., n 1 dan j = 1, 2, ..., m 1 dengan syarat batas sebagai berikut
u(x0 , yj ) = g(x0 , yj )
u(xn , yj ) = g(xn , yj )
u(xi , y0 ) = g(xi , y0 )
u(xi , ym ) = g(xi , ym )
Pengertian syarat batas disini adalah bagian tepi atau bagian pinggir dari susunan mesh points.
Pada metode Finite-Difference, persamaan (7.40) dinyatakan dalam notasi w, sebagai berikut
wi,j+1 2wi,j + wi,j1
wi+1,j 2wi,j + wi1,j
+
2
h
k2
2
h
wi+1,j 2wi,j + wi1,j + 2 (wi,j+1 2wi,j + wi,j1 )
k
h2
h2
h2
wi+1,j 2wi,j + wi1,j + 2 wi,j+1 2 2 wi,j + 2 wi,j1
k
k
k
h2
h2
2[1 + 2 ]wi,j + (wi+1,j + wi1,j ) + 2 (wi,j+1 + wi,j1 )
k
k
h2
h2
2[1 + 2 ]wi,j (wi+1,j + wi1,j ) 2 (wi,j+1 + wi,j1 )
k
k
= f (xi , yj )
= h2 f (xi , yj )
= h2 f (xi , yj )
= h2 f (xi , yj )
= h2 f (xi , yj )
(7.41)
wn,j = g(xn , yj )
j = 1, 2, ..., m 1;
wi,0 = g(xi , y0 )
wi,m = g(xi , ym )
i = 1, 2, ..., n 1.
Persamaan (7.41) adalah rumusan akhir metode Finite-Difference untuk PDP Eliptik.
7.7.1
Contoh pertama
Misalnya kita diminta mensimulasikan distribusi panas pada lempengan logam berukuran 0, 5
m x 0, 5 m. Temperatur pada 2 sisi tepi lempengan logam dijaga pada 0 C, sementara pada
2 sisi tepi lempengan logam yang lain, temperaturnya diatur meningkat secara linear dari 0 C
hingga 100 C. Problem ini memenuhi PDP Eliptik:
2u
2u
(x,
y)
+
(x, y) = 0;
x2
y 2
0 < x < 0, 5,
0 < y < 0, 5
117
Y
U(0,y)=0
W0,3
W0,2
W0,1
W2,4
W1,4
W3,4
W1,3
W2,3
W3,3
W1,2
W2,2
W3,2
W1,1
W2,1
W3,1
W2,0
W1,0
W3,0
W4,3
W4,2
W4,1
0.5
U(0.5,y)=200y
0.5
U(x,0.5)=200x
U(x,0)=0
Gambar 7.9: Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu
u(x, 0) = 0,
u(0.5, y) = 200y
0, 5
= 0, 125
4
k=
0, 5
= 0, 125
4
Grid lines berikut mesh points dibuat berdasarkan nilai h dan k tersebut (lihat Gambar 7.9).
Langkah berikutnya adalah menyusun persamaan Finite-Difference, dimulai dari persamaan asalnya (persamaan 7.41)
2[1 +
h2
h2
]w
(w
+
w
)
(7.42)
Disisi lain, karena n = 4, maka nilai i yang bervariasi i = 1, 2, ..., n 1 akan menjadi i =
118
temperaturnya, diperoleh
dan
w3,4 = w4,3 = 75
Dengan memasukkan syarat batas tersebut ke dalam sistem persamaan linear, maka
4w1,3 w2,3 w1,2 = 25
4w2,3 w3,3 w2,2 w1,3 = 50
4w3,3 w3,2 w2,3 = 150
4w1,2 w2,2 w1,1 w1,3 = 0
4w2,2 w3,2 w2,1 w1,2 w2,3 = 0
4w3,2 w3,1 w2,2 w3,3 = 50
4w1,1 w2,1 w1,2 = 0
4w2,1 w3,1 w1,1 w2,2 = 0
4w3,1 w2,1 w3,2 = 25
119
4 1 0 1 0
0
0
0
0
w1,3
0
0
0 w2,3
1 4 1 0 1 0
w3,3
0 1 4
0
0
1
0
0
0
0
4 1 0 1 0
0 w1,2
1 0
0 1 0 1 4 1 0 1 0 w2,2
0 1 0 1 4
0
0 1 w3,2
0
0
0 1 0
0
4 1 0
w1,1
0
0
0 1 0 1 4 1 w2,1
0
w3,1
25
50
150
= 0
50
0
25
Mari kita perhatikan sejenak susunan elemen-elemen angka pada matrik berukuran 9x9 di atas.
Terlihat jelas pada elemen diagonal selalu berisi angka 4. Ini sama sekali bukan ketidaksengajaan. Melainkan susunan itu sengaja direkayasa sedemikian rupa sehingga elemen-elemen
tri-diagonal terisi penuh oleh angka bukan 0 dan pada diagonal utamanya diletakkan angka
yang terbesar. Metode Eliminasi Gauss dan Iterasi Gauss-Seidel telah diaplikasikan untuk menyelesaikan persamaan matrik di atas.
7.7.2
Inilah script Matlab yang dipakai untuk menghitung nila-nilai w menggunakan metode Eliminasi
Gauss.
1
2
3
4
5
6
7
8
9
10
11
12
clear
clc
n=9;
A=[ 4
-1
0
-1
0
0
0
0
0
all
-1 0 -1 0 0 0 0 0;
4 -1 0 -1 0 0 0 0;
-1 4 0 0 -1 0 0 0;
0 0 4 -1 0 -1 0 0;
-1 0 -1 4 -1 0 -1 0;
0 -1 0 -1 4 0 0 -1;
0 0 -1 0 0 4 -1 0;
0 0 0 -1 0 -1 4 -1;
0 0 0 0 -1 0 -1 4];
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
120
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
for p=1:n+1
u=A(j,p);
v=A(j+1,p);
A(j+1,p)=u;
A(j,p)=v;
end
end
%----akhir proses pivot--jj=j+1;
for i=jj:n
m=A(i,j)/A(j,j);
for k=1:(n+1)
A(i,k)=A(i,k)-(m*A(j,k));
end
end
end
%-------------------------------------------
45
46
47
48
49
50
51
52
53
54
55
56
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*x(j,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
57
58
59
Sementara berikut ini adalah script Matlab untuk menghitung nila-nilai w menggunakan metode
Iterasi Gauss-Seidel.
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
n=9;
A=[ 4 -1 0 -1 0 0 0 0 0;
-1 4 -1 0 -1 0 0 0 0;
0 -1 4 0 0 -1 0 0 0;
-1 0 0 4 -1 0 -1 0 0;
0 -1 0 -1 4 -1 0 -1 0;
0 0 -1 0 -1 4 0 0 -1;
0 0 0 -1 0 0 4 -1 0;
0 0 0 0 -1 0 -1 4 -1;
0 0 0 0 0 -1 0 -1 4];
14
15
16
17
18
19
20
21
22
121
sc=0.001;
%----memulai iterasi------------for iterasi=1:itermax
smtr1=0;
for j=2:n
smtr1=smtr1+A(1,j)*xl(j,1);
end
xb(1,1)=(-smtr1+b(1,1))/A(1,1);
%---------------------------------------------for i=2:n-1
smtr2=0;
for j=i+1:n
smtr2=smtr2-A(i,j)*xl(j,1);
end
smtr3=0;
for k=1:i-1
smtr3=smtr3-A(i,k)*xb(k,1);
end
xb(i,1)=(smtr3+smtr2+b(i,1))/A(i,i);
end
%---------------------------------------------smtr4=0;
for k=1:n-1
smtr4=smtr4-A(n,k)*xb(k,1);
end
xb(n,1)=(smtr4+b(n,1))/A(n,n);
%------perhitungan norm2 ------------s=0;
for i=1:n
s=s+(xb(i,1)-xl(i,1))^2;
end
epsilon=sqrt(s);
%------------------------------------xl=xb;
%------memeriksa stopping criteria-------if epsilon<sc
w=xb
break
end
%----------------------------------------end
Tabel berikut memperlihatkan hasil pemrosesan dengan metode Eliminasi Gauss (disingkat: EG)
dan iterasi Gauss-Seidel (disingkat: GS)
w1,3
w2,3
w3,3
w1,2
w2,2
w3,2
w1,1
w2,1
w3,1
Inilah solusi yang ditawarkan oleh Finite-Difference. Kalau diamati dengan teliti, angkaangka distribusi temperatur pada 9 buah mesh points memang logis dan masuk akal. Dalam
kondisi riil, mungkin kondisi seperti ini hanya bisa terjadi bila lempengan logam tersebut terbuat
dari bahan yang homogen.
122
Hasil EG dan GS memang berbeda, walaupun perbedaannya tidak significant. Namun perlu
saya tegaskan disini bahwa jika sistem persamaan linear yang diperoleh dari Finite Difference
berorde 100 atau kurang dari itu, maka lebih baik memilih metode Eliminasi Gauss sebagai
langkah penyelesaian akhir. Alasannya karena, direct method seperti eliminasi Gauss, lebih stabil dibandingkan metode iterasi. Tapi jika orde-nya lebih dari 100, disarankan memilih metode
iterasi seperti iterasi Gauss-Seidel, atau menggunakan metode SOR yang terbukti lebih esien
dibanding Gauss-Seidel. Jika matrik A bersifat positive definite, metode Court Factorization adalah pilihan yg paling tepat karena metode ini sangat esien sehingga bisa menghemat memori
komputer.
7.7.3
Contoh kedua
0 < x < 2,
0 < y < 1,
u (2, y) = 2ey ,
0 y 1,
u (x, 0) = x,
u (x, 1) = ex,
0 x 2,
Solusi numerik dihitung dengan pendekatan nite-difference gauss-seidel dimana batas toleransi kesalahan ditentukan
(l)
(l1)
wij wij 1010
0 < x < ,
t > 0,
dan
u(x, 0) = f (x),
0 x ,
t > 0,
(7.43)
123
Metode Forward-difference
u (xi , tj + k) u (xi , tj ) k 2 u
u
(xi , tj ) =
(xi , j )
t
k
2 t2
(7.44)
(7.45)
Sementara itu, turunan kedua persamaan (7.43) terhadap x berdasarkan deret Taylor adalah
u (xi + h, tJ ) 2u (xi , tj ) + u (xi h, tJ ) h2 4 u
2u
(x
,
t
)
=
(i , tj )
i
j
x2
h2
12 x4
(7.46)
Pengabaian suku terakhir menjadikan persamaan di atas ditulis kembali sebagai berikut
u (xi + h, tj ) 2u (xi , tj ) + u (xi h, tj )
2u
(xi , tj ) =
2
x
h2
(7.47)
Kemudian persamaan (7.45) dan (7.47) disubstitusi kedalam persamaan (7.43), maka diperoleh
u (xi , tj + k) u (xi , tj )
u (xi + h, tj ) 2u (xi , tj ) + u (xi h, tj )
= 2
k
h2
(7.48)
(7.49)
22 k
1 2
h
wi,j + 2
jika
=
k
(wi+1,j + wi1,j )
h2
2 k
h2
(7.50)
(7.51)
maka
(1 2) wi,j + wi+1,j + wi1,j = wi,j+1
2
(7.52)
Pada Bab ini ada beberapa istilah yang masing-masing menggunakan kata difference, yaitu finite difference, forward difference, centered difference dan backward difference. Setiap istilah punya arti yang berbeda.
124
7.8.2
Misalnya diketahui, distribusi panas satu dimensi (1D) sebagai fungsi waktu (t) pada sebatang
logam memenuhi persamaan berikut
u
2u
(x, t) 2 (x, t) = 0,
t
x
0 < x < 1 0 t,
0 < t,
0 x 1,
u(x, t) = e t sin(x)
Adapun sebaran posisi mesh-points dalam 1-D diperlihatkan pada Gambar 7.10. Sementara
h=0.1
Gambar 7.10: Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur.
Jarak antar titik ditentukan sebesar h = 0, 1.
Gambar 7.11 melengkapi Gambar 7.10, dimana perubahan waktu tercatat setiap interval k =
0, 0005. Sepintas Gambar 7.11 terlihat seolah-olah obyek yang mau disimulasikan berbentuk
2-dimensi, padahal bendanya tetap 1-dimensi yaitu hanya sebatang logam.
t
0.0.....
k=0.0005
1 x
0
h=0.1
Gambar 7.11: Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005
Selanjutnya, Gambar 7.12 memperlihatkan tepi-tepi syarat batas yaitu angka 0 di ujung kiri
dan angka 1 di ujung kanan pada sumbu horisontal x. Diantara batas-batas itu terdapat sebaran
titik simulasi berjarak h = 0, 1. Sementara, sumbu vertikal menunjukan perubahan dari waktu
ke waktu dengan interval k = 0, 0005. Karena = 1, h = 0, 1 dan k = 0, 0005 maka dapat
125
t
0.0.....
0.0015
0.0010
0.0005
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1 x
Gambar 7.12: Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forwarddifference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat
0, 0005
2 k
=
= 0, 05
2
h
0, 12
Berdasarkan persamaan (7.52), sistem persamaan linear dapat disusun sebagai berikut
0, 9w1,j + 0, 5w2,j
= w1,j+1 0, 5w0,j
= w2,j+1
= w3,j+1
= w4,j+1
= w5,j+1
= w6,j+1
= w7,j+1
= w8,j+1
0, 9w9,j + 0, 5w8,j
= w9,j+1 0, 5w10,j
Syarat batas menetapkan bahwa w0,j = w10,j = 0. Lalu dinyatakan dalam bentuk operasi matrik
0, 9 0, 5
0, 5 0, 9 0, 5
0
0
0
0
0
0
0
0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9
w1,j
w2,j
w3,j
w4,j
w5,j
=
w6,j
w7,j
w8,j
w9,j
w1,j+1
w2,j+1
w3,j+1
w4,j+1
w5,j+1
w6,j+1
w7,j+1
w8,j+1
w9,j+1
(7.53)
126
Persamaan matriks di atas dapat direpresentasikan sebagai
Aw(j) = w(j+1)
(7.54)
0, 9 0, 5
0, 5 0, 9 0, 5
0
0
0
0
0
0
0
0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9
w1,0
w2,0
w3,0
w4,0
w5,0
=
w6,0
w7,0
w8,0
w9,0
w1,1
w2,1
w3,1
w4,1
w5,1
w6,1
w7,1
w8,1
w9,1
Nilai w1,0 , w2,0 , ..., w9,0 sudah ditentukan oleh kondisi awal, yaitu
u(x, 0) = sin x,
0 x 1,
0, 9 0, 5
0, 5 0, 9 0, 5
0
0
0
0
0
0
0
0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9
0, 3090
0, 5878
0, 8090
0, 9511
1, 0000
=
0, 9511
0, 8090
0, 5878
0, 3090
w1,1
w2,1
w3,1
w4,1
w5,1
w6,1
w7,1
w8,1
w9,1
Ini hanya perkalian matrik biasa 3 . Hasil perkalian itu adalah: w1,1 = 0, 3075; w2,1 = 0, 5849;
w3,1 = 0, 8051; w4,1 = 0, 9464; w5,1 = 0, 9951; w6,1 = 0, 9464; w7,1 = 0, 8051; w8,1 = 0, 5849; dan
w9,1 = 0, 3075. Semua angka ini adalah nilai temperatur kawat di masing-masing mesh points
setelah selang waktu 0, 0005 detik4 .
3
4
127
Selanjutnya, hasil ini diumpankan lagi ke persamaan matriks yang sama untuk mendapatkan
wx,2
0, 9 0, 5
0, 5 0, 9 0, 5
0
0
0
0
0
0
0
0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5 0
0
0
0
0
0 0, 5 0, 9 0, 5
0
0
0
0
0
0 0, 5 0, 9
0, 3075
0, 5849
0, 8051
0, 9464
0, 9951
=
0, 9464
0, 8051
0, 5849
0, 3075
w1,2
w2,2
w3,2
w4,2
w5,2
w6,2
w7,2
w8,2
w9,2
Perhitungan dengan cara seperti ini diulang-ulang sampai mencapai waktu maksimum. Jika
waktu maksimum adalah T = 0, 5 detik, berarti mesti dilakukan 1000 kali iterasi5 . Untuk
sampai 1000 kali, maka indeks j bergerak dari 1 sampai 1000. Dengan bantuan script Matlab,
proses perhitungan menjadi sangat singkat.
7.8.2.1
Script Forward-Difference
Script matlab Forward-Difference untuk menyelesaikan contoh masalah ini, dimana h = 0, 1 dan
k = 0, 0005
1
2
clear all
clc
3
4
5
6
7
8
n=9;
alpha=1.0;
k=0.0005;
h=0.1;
lambda=(alpha^2)*k/(h^2);
9
10
11
12
13
% Kondisi awal
for i=1:n
suhu(i)=sin(pi*i*0.1);
end
14
15
16
17
18
19
20
21
22
23
24
25
26
128
27
28
29
30
31
32
33
34
35
36
iterasi=1000;
for k=1:iterasi
disp(perkalian matriks)
%======================================
for i=1:n
w(i,1)=0.0;
end
37
for i=1:n
for j=1:n
w(i,1)=w(i,1)+A(i,j)*w0(j,1);
end
end
%====================================
w
w0=w;
38
39
40
41
42
43
44
45
46
end
Tabel 7.4 memperlihatkan hasil perhitungan yang diulang-ulang hingga 1000 kali. Tabel tersebut juga menunjukkan hasil perbandingan antara pemilihan nilai interval k = 0, 0005 dan
k = 0, 01. Tabel ini menginformasikan satu hal penting, yaitu pada saat interval k = 0, 0005,
forward-difference berhasil mencapai konvergensi yang sangat baik. Namun pada saat interval
k = 0.01, dengan jumlah iterasi hanya 50 kali untuk mencapai time maksimum 0, 5 detik, terlihat jelas hasil forward-difference tidak konvergen (Bandingkan kolom ke-4 dan kolom ke-6!),
dan ini dianggap bermasalah. Masalah ini bisa diatasi dengan metode backward-difference.
Tabel 7.4: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2 adalah solusi
analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forward-difference. Kolom ke-4 dan ke-6 adalah
selisih antara solusi analitik dan numerik
xi
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
u(xi , 0.5)
0
0,00222241
0,00422728
0,00581836
0,00683989
0,00719188
0,00683989
0,00581836
0,00422728
0,00222241
0
wi,1000
k = 0, 0005
0
0,00228652
0,00434922
0,00598619
0,00703719
0,00739934
0,00703719
0,00598619
0,00434922
0,00228652
0
wi,50
k = 0, 01
0
8, 19876 107
1, 55719 108
2, 13833 108
2, 50642 108
2, 62685 108
2, 49015 108
2, 11200 108
1, 53086 108
8, 03604 107
0
129
Metode Backward-difference
Kalau kita ulang lagi pelajaran yang lalu tentang forward-difference, kita akan dapatkan formula
forward-difference adalah sebagai berikut (lihat persamaan (7.49))
wi,j+1 wi,j
wi+1,j 2wi,j + wi1,j
2
=0
k
h2
Sekarang, dengan sedikit modikasi, formula backward-difference dinyatakan sebagai
wi+1,j 2wi,j + wi1,j
wi,j wi,j1
2
=0
k
h2
jika ditetapkan
=
(7.55)
2 k
h2
(7.56)
coba sejenak anda bandingkan dengan formula forward-difference dalam sebagaimana dinyatakan oleh persamaan (7.52)
(1 2) wi,j + wi+1,j + wi1,j = wi,j+1
O.K., mari kita kembali ke contoh soal kita yang tadi, dimana ada perubahan nilai k yang semula
k = 0, 0005 menjadi k = 0, 01. Sementara dan h nilainya tetap. Maka dapat dihitung dengan
persamaan (7.51) kembali
=
2 k
0, 1
=
=1
2
h
0, 012
= w1,j1 + 1w0,j
= w2,j1
= w3,j1
= w4,j1
= w5,j1
= w6,j1
= w7,j1
= w8,j1
3w9,j 1w8,j
= w9,j1 + 1w10,j
130
Syarat batas masih sama, yaitu w0,j = w10,j = 0. Lalu jika dinyatakan dalam bentuk operasi
matrik
3
1
0
0
0
0
0
0
0
1
3
1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1
0
0
0
0
0
0 1 3
w1,j
w2,j
w3,j
w4,j
w5,j
=
w6,j
w7,j
w8,j
w9,j
w1,j1
w2,j1
w3,j1
w4,j1
w5,j1
w6,j1
w7,j1
w8,j1
w9,j1
(7.57)
3
1
0
0
0
0
0
0
0
1
3
1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1 0
0
0
0
0
0 1 3 1
0
0
0
0
0
0 1 3
w1,1
w2,1
w3,1
w4,1
w5,1
=
w6,1
w7,1
w8,1
w9,1
w1,0
w2,0
w3,0
w4,0
w5,0
w6,0
w7,0
w8,0
w9,0
1 3 1 0
0 1 3 1
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
1
0
1
3
w1,1
w2,1
w3,1
w4,1
w5,1
w6,1
w7,1
w8,1
w9,1
0, 3090
0, 5878
0, 8090
0, 9511
1, 0000
0, 9511
0, 8090
0, 5878
0, 3090
131
Berbeda dengan operasi matrik forward difference, operasi matrik backward difference ini bukan
perkalian matrik biasa. Operasi matrik tersebut akan dipecahkan oleh metode Eliminasi Gauss6 .
Untuk jumlah iterasi hingga j = 50, perhitungannya dilakukan dalam script Matlab.
7.8.3.1
1
2
clear all
clc
3
4
5
6
7
8
n=9;
alpha=1.0;
k=0.01;
h=0.1;
lambda=(alpha^2)*k/(h^2);
9
10
11
12
13
%Kondisi awal
for i=1:n
suhu(i)=sin(pi*i*0.1);
end
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
0;
29
30
31
32
33
iterasi=50;
for i=1:iterasi
%&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
A=AA; %Matriks Backward Difference dicopy supaya fix
34
35
36
37
for i=1:n
A(i,n+1)=w0(i,1);
end
38
39
40
41
42
43
44
45
46
47
48
49
6
132
end
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*w(j,1);
end
w(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
w0=w;
65
66
67
68
69
70
71
72
73
74
75
end
w
Hasilnya menunjukkan bahwa kinerja metode backward-difference lebih baik dibanding metode
forward-difference, ini ditunjukkan dari selisih yang relatif kecil antara solusi numerik dan solusi
analitik, sebagaimana bisa terlihat dari kolom ke-4 pada tabel berikut
Tabel 7.5: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backwarddifference dimana k = 0, 01
7.8.4
xi
u(xi , 0.5)
wi,50
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
0
0,00222241
0,00422728
0,00581836
0,00683989
0,00719188
0,00683989
0,00581836
0,00422728
0,00222241
0
0
0,00289802
0,00551236
0,00758711
0,00891918
0,00937818
0,00891918
0,00758711
0,00551236
0,00289802
0
Metode Crank-Nicolson
Metode ini dimunculkan disini karena metode ini memiliki performa yang lebih unggul dari
dua metode sebelumnya. Namun begitu pondasi metode Crank-Nicolson terdiri atas metode
Forward-Difference dan metode Backward-Difference. Mari kita ulang lagi pelajaran yang sudah
133
(7.58)
Jika formula ini dijumlahkan dengan formula forward-difference, kemudian hasilnya dibagi 2,
maka akan diperoleh
wi+1,j+1 2wi,j+1 + wi1,j+1
wi,j+1 wi,j
2 wi+1,j 2wi,j + wi1,j
+
=0
k
2
h2
h2
(7.59)
2 k
h2
maka
wi,j+1 wi,j
wi,j+1 wi,j
(7.60)
untuk j = 0, 1, 2, ...
(7.61)
Dengan menggunakan contoh soal yang sama, yang sebelumnya telah diselesaikan dengan metode Forward-Difference dan Backward-Difference, maka penyelesaian soal tersebut dengan metode Crank-Nicolson juga akan didemonstrasikan di sini. Dengan nilai k = 0, 01; h = 0, 1; = 1
134
dan berdasarkan persamaan (7.60) diperoleh
clear all
clc
3
4
5
6
7
8
9
n=9;
iterasi=50;
alpha=1.0;
k=0.01;
h=0.1;
lambda=(alpha^2)*k/(h^2);
10
11
12
13
14
%Kondisi awal
for i=1:n
suhu(i)=sin(pi*i*0.1);
end
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
AA=[(1+lambda) -lambda/2 0 0 0 0 0 0 0;
-lambda/2 (1+lambda) -lambda/2 0 0 0 0 0 0;
0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0;
0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0;
0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0;
0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0;
0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0;
0 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2;
0 0 0 0 0 0 0 -lambda/2 (1+lambda)];
30
31
32
33
34
35
36
37
38
39
B=[(1-lambda) lambda/2 0 0 0 0 0 0 0;
lambda/2 (1-lambda) lambda/2 0 0 0 0 0 0;
0 lambda/2 (1-lambda) lambda/2 0 0 0 0 0;
0 0 lambda/2 (1-lambda) lambda/2 0 0 0 0;
0 0 0 lambda/2 (1-lambda) lambda/2 0 0 0;
0 0 0 0 lambda/2 (1-lambda) lambda/2 0 0;
0 0 0 0 0 lambda/2 (1-lambda) lambda/2 0;
0 0 0 0 0 0 lambda/2 (1-lambda) lambda/2;
0 0 0 0 0 0 0 lambda/2 (1-lambda)];
40
41
42
iterasi=50;
for iter=1:iterasi
43
44
45
46
47
48
49
50
51
52
%===perkalian matriks===================
for i=1:n
b(i,1)=0.0;
end
for i=1:n
for j=1:n
b(i,1)=b(i,1)+B(i,j)*w0(j,1);
end
end
135
%======================================
54
55
56
57
58
59
60
for i=1:n
A(i,n+1)=b(i,1);
end
61
62
63
64
65
66
67
68
69
70
71
72
end
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
for i=n-1:-1:1
S=0;
for j=n:-1:i+1
S=S+A(i,j)*w(j,1);
end
w(i,1)=(A(i,n+1)-S)/A(i,i);
end
%&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
w0=w;
end
iter
w
Terlihat disini bahwa orde kesalahan metode Crank-Nicolson (kolom ke-6) sedikit lebih kecil dibandingkan metode Backward-Difference (kolom ke-5). Ini menunjukkan tingkat akurasi CrankNicolson lebih tinggi dibandingkan Backward-Difference.
136
Tabel 7.6: Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan metode
backward-difference dan Crank-Nicolson
BD
CN
Backward-Diff
Crank-Nicolson
xi
u(xi , 0.5)
wi,50
wi,50
|u(xi , 0.5) wi,50 | |u(xi , 0.5) wi,50 |
0,0
0
0
0
0,1 0,00222241 0,00289802 0,00230512
6, 756 104
8, 271 105
3
0,2 0,00422728 0,00551236 0,00438461
1, 285 10
1, 573 104
0,3 0,00581836 0,00758711 0,00603489
1, 769 103
2, 165 104
3
0,4 0,00683989 0,00891918 0,00709444
2, 079 10
2, 546 104
3
0,5 0,00719188 0,00937818 0,00745954
2, 186 10
2, 677 104
0,6 0,00683989 0,00891918 0,00709444
2, 079 103
2, 546 104
3
0,7 0,00581836 0,00758711 0,00603489
1, 769 10
2, 165 104
3
0,8 0,00422728 0,00551236 0,00438461
1, 285 10
1, 573 104
0,9 0,00222241 0,00289802 0,00230512
6, 756 104
8, 271 105
1,0
0
0
0
(x, t) = 0,
t2
x2
0 < x < ,
t>0
(7.62)
dan
untuk t > 0,
u
(x, 0) = g (x) ,
t
untuk 0 x
dimana adalah konstanta. Kita tentukan ukuran time-step sebesar k, jarak tiap mesh point
adalah h.
xi = ih
dan
tj = jk
dengan i = 0, 1, ..., m dan j = 0, 1, .... Pada bagian interior, posisi mesh points ditentukan oleh
koordinat (xi , tj ), karenanya persamaan gelombang ditulis menjadi
2
2u
2 u
(x
,
t
)
(xi , tj ) = 0
i
j
t2
x2
(7.63)
137
(7.64)
(7.65)
dengan i = 1, 2, ..., m 1 dan j = 1, 2, .... Kondisi syarat batas ditentukan sebagai berikut
w0,j = wm,j = 0,
untuk
j = 1, 2, 3, ...
(7.66)
untuk i = 1, 2, ..., m 1
(7.67)
Berbeda dengan PDP eliptik dan PDP parabolik, pada PDP hiperbolik, untuk menghitung mesh
point (j + 1), diperlukan informasi mesh point (j) dan (j 1). Hal ini sedikit menimbulkan
masalah pada langkah/iterasi pertama karena nilai untuk j = 0 sudah ditentukan oleh persa-
maan (7.67) sementara nilai untuk j = 1 untuk menghitung wi,2 , harus diperoleh lewat kondisi
kecepatan awal
u
(x, 0) = g (x) ,
t
0x
(7.68)
u (xi , t1 ) = u (xi , 0) + k
(7.69)
u
(xi , 0)
t
= u (xi , 0) + kg (xi )
konsekuensinya
wi,1 = wi,0 + kg(xi ),
untuk
i = 1, 2, ..., m 1
(7.70)
138
7.9.1
Contoh
0 < x < 1,
0<t
untuk 0 < t,
0x1
0x1
7.10 Latihan
1. Carilah solusi persamaan differensial elliptik berikut ini dengan pendekatan numerik menggunakan metode Finite Difference
2u 2u
+ 2 = (x2 + y 2 )exy ,
x2
y
0 < x < 2,
0 < y < 1;
gunakan h = 0, 2 dan k = 0, 1
u(0, y) = 1,
u(x, 0) = 1,
u(2, y) = e2y ,
x
u(x, 1) = e ,
0y1
0x2
7.10. LATIHAN
139
2. Carilah solusi persamaan differensial parabolik berikut ini dengan pendekatan numerik
menggunakan metode Finite Difference Backward-Difference
1 2u
u
= 0,
t
16 x2
0 < x < 1,
u(0, t) = u(1, t) = 0,
u(x, 0) = 2 sin 2x,
0 < t;
0 < t;
0 x 1;
u (xi , t1 ) = u (xi , 0) + k
2 /4)t
sin 2x
u
k2 2 u
k3 3 u
(xi , 0) +
(x
,
0)
+
(xi ,
i )
i
t
2 t2
6 t3
2
f
2u
2 u
2 d
(x
,
0)
=
(x
,
0)
=
(xi ) = 2 f (xi )
i
i
t2
x2
dx2
k3 3 u
2 k2
f (xi ) +
(xi ,
i )
2
6 t3
f (xi ) =
2 k2
f (xi )
2
f
h2
12
(7.71)
(7.72)
(7.73)
(7.74)
(7.75)
k2 2
f (xi+1 ) 2f (xi ) + f (xi1 ) h2 + O k3 + h2 k2 (7.76)
2
2h
2
f (xi+1 ) 2f (xi ) + f (xi1 ) h2 + O k3 + h2 k2
2
2
2
= 1 2 f (xi ) + f (xi+1 ) + f (xi1 ) + kg (xi ) + O k3 + h2 k2
2
2
2
2
wi,1 = 1 2 f (xi ) + f (xi+1 ) + f (xi1 ) + kg (xi )
2
2
(7.77)
(7.78)
(7.79)
140
Bab 8
Metode Iterasi
Objektif :
Mengenalkan konsep Norm.
Mengenalkan iterasi Jacobi.
Mengenalkan iterasi Gauss-Seidel.
Mengenalkan iterasi Succesive-Over-Relaxation (SOR).
x1
x2
x=
..
.
xn
(8.1)
(8.2)
h
iT
2
= 3; 2; 8; 5
x=
8
5
Cara penulisan seperti ini digunakan untuk menyatakan vektor-kolom pada suatu kalimat di
dalam paragraf. Alasannya supaya tidak terlalu menyita banyak ruang penulisan. Sementara,
141
142
persamaan (8.1), lebih sering digunakan pada penulisan operasi matrik. Satu hal lagi, pada
paragraf-paragraf berikutnya, saya persingkat penulisan istilah vektor-kolom menjadi vektor
saja.
(8.3)
(8.4)
i=1
dan
1in
Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)
1
2
clear all
clc
3
4
x = [ 3 ; -2 ; 8 ; 5 ];
5
6
7
8
9
10
11
n = length(x);
S = 0;
for i = 1:n
S = S + x(i,1)^2;
end
hasil = sqrt(S);
2
3
4
5
6
n = length(x);
S = 0;
for i = 1:n
S = S + x(i,1)^2;
143
end
hasil = sqrt(S);
8.2.2
Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)
1
2
clear all
clc
3
4
x = [ 3 ; -9 ; 8 ; 5 ];
5
6
7
8
9
10
11
12
13
n = length(x);
xx = x;
for i=1:n
if xx(i,1) < 0
xx(i,1) = xx(i,1) * -1;
end
end
hasil = max(xx);
Script ini menggunakan fungsi internal yang bernama max() untuk mendapatkan nilai elemen
terbesar diantara elemen-elemen yang ada dalam vektor x. Berdasarkan script di atas, dapat
dibuat fungsi eksternal sebagai berikut:
1
2
3
4
5
6
7
8
9
10
n = length(x);
xx = x;
for i=1:n
if xx(i,1) < 0
xx(i,1) = xx(i,1) * -1;
end
end
hasil = max(xx);
8.2.3
Perhitungan norm-selisih
Misalnya kita punya vektor bernama xlama. Lalu ada vektor lainnya bernama xbaru. Norm
selisih dari xlama dan xbaru dapat dihitung dengan bantuan fungsi eksternal yang baru saja
kita buat di atas, yaitu bernama norm2() dan normth().
1
2
clear all
clc
3
4
5
xlama = [ 3 ; -2 ; 8 ; 5 ];
xbaru = [ 9 ; 4 ; 6 ; 1 ];
6
7
8
9
xselisih = xbaru-xlama;
hasil1 = norm2(xselisih);
hasil2 = normth(xselisih);
144
Cara perhitungan norm-selisih seperti ini akan diterapkan pada kebanyakan metode iterasi.
Jadi tolong diingat baik-baik!!
x1 =
x2
x3
x4
Kita bisa menyatakan bahwa nilai x1 , x2 , x3 dan x4 yang berada di ruas kiri tanda = (baca: sama
dengan) sebagai x(baru) . Sementara nilai x1 , x2 , x3 dan x4 yang berada di ruas kanan tanda =
(baca: sama dengan) sebagai x(lama) . Sehingga sistem persamaan tersebut dapat ditulis seperti
ini
(baru)
x1
(baru)
x2
(baru)
x3
(baru)
x4
1 (lama)
2 (lama)
6
x2
x3
+
10
10
10
1 (lama)
3 (lama) 25
1 (lama)
x
+ x3
x4
+
=
11 1
11
11
11
1
1 (lama) 11
2 (lama)
+ x2 + x4
= x1
10
10
10
10
3 (lama) 1 (lama) 15
+ x3
+
= x2
8
8
8
145
yang secara umum dapat diformulasikan sebagai persamaan matrik berikut ini
x(baru) = Jx(lama) + u
(8.5)
dimana
(baru)
x1
(baru)
x2
x(baru)
3
(baru)
x4
1
10
1
11
0
=
2
1
10
10
0 38
2
10
(lama)
x1
3
x(lama)
11
2
1 (lama)
0
10 x3
(lama)
1
0
x4
8
1
11
6
10
25
11
11
10
15
8
(8.6)
(k)
x1
(k)
x2
x(k)
3
(k)
x4
1
10
1
11
0
=
2
1
10
10
0 38
2
10
(k1)
x1
3
x(k1)
11
2
1 (k1)
0
10 x3
(k1)
1
0
x4
8
1
11
6
10
25
11
11
10
15
8
Pada persamaan di atas, indeks k menunjukan jumlah perhitungan iterasi. Pada k = 1, maka
penulisan sistem persamaan linear menjadi
(1)
x1
(1)
x2
(1)
x3
(1)
x4
1 (0)
2 (0)
6
x x3 +
10 2
10
10
1 (0)
3 (0) 25
1 (0)
x1 + x3 x4 +
=
11
11
11
11
1 (0)
1 (0) 11
2 (0)
= x1 + x2 + x4
10
10
10
10
3 (0) 1 (0) 15
= x2 + x3 +
8
8
8
(0)
(0)
(0)
(0)
x1
(1)
x2
(1)
x3
(1)
x4
6
10
25
=
11
11
=
10
15
=
8
=
atau x(1) = (0, 6000; 2, 2727; 1, 1000; 1, 8750)T . Setelah nilai-nilai x(1) diperoleh, perhitungan
tersebut diulang kembali guna mendapatkan hasil iterasi kedua, yaitu ketika k = 2. Caranya
146
adalah dengan memasukan nilai-nilai x(1) = (0, 6000; 2, 2727; 1, 1000; 1, 8750)T ke suku-suku
pada ruas kanan tanda sama-dengan,
(2)
x1
(2)
x2
(2)
x3
(2)
x4
1 (1)
2 (1)
6
x2 x3 +
10
10
10
1 (1)
1 (1)
3 (1) 25
=
x1 + x3 x4 +
11
11
11
11
1 (1)
1 (1) 11
2 (1)
= x1 + x2 + x4
10
10
10
10
3 (1) 1 (1) 15
= x2 + x3 +
8
8
8
maka nilai-nilai x(2) yang kita dapat adalah x(2) = (1, 0473; 1, 7159; 0, 8052; 0, 8852)T . Sete-
lah diperoleh nilai-nilai x(2) , perhitungan tersebut diulangi kembali guna mendapatkan ha-
sil iterasi ketiga, dimana nilai k = 3. Caranya adalah dengan memasukan nilai-nilai x(2) =
(1, 0473; 1, 7159; 0, 8052; 0, 8852)T ke ruas kanan kembali,
(3)
x1
(3)
x2
(3)
x3
(3)
x4
1 (2)
2 (2)
6
x2 x3 +
10
10
10
1 (2)
1 (2)
3 (2) 25
=
x1 + x3 x4 +
11
11
11
11
1 (2)
1 (2) 11
2 (2)
= x1 + x2 + x4
10
10
10
10
3 (2) 1 (2) 15
= x2 + x3 +
8
8
8
maka kita akan memperoleh nilai-nilai x(3) = (0, 9326; 2, 0530; 1, 0493; 1, 1309)T . Lalu proses
perhitungan diulangi lagi dengan k = 4. Begitulah seterusnya. Proses ini diulangi lagi berkalikali untuk nilai-nilai k berikutnya. Proses yang berulang ini disebut proses iterasi.
Sampai dengan x(3) di atas, kita sudah melakukan tiga kali proses iterasi. Lantas sampai
kapan proses iterasi ini terus berlanjut? Jawabnya adalah sampai x(baru) mendekati solusi yang
tepat, yaitu
x = (1; 2; 1; 1)T
Dengan kata lain, proses iterasi harus dihentikan bila x(baru) sudah mendekati solusi. Lalu
kriteria apa yang digunakan sehingga suatu hasil iterasi bisa dikatakan paling dekat dengan
solusi yang sebenarnya? OK, simpan dulu pertanyaan ini, sebagai gantinya marilah kita pelajari
terlebih dahulu script Matlab untuk metode iterasi Jacobi.
8.3.1
Sebagaimana biasa, saya tidak akan memberikan script yang sudah matang kepada anda. Saya
lebih suka mengajak anda mengikuti proses optimalisasi script; mulai dari yang mentah hingga
matang. Sebagai upaya pembelajaran, sengaja saya mulai dengan menampilkan script yang
paling kasar terlebih dahulu, lalu selangkah demi selangkah dimodikasi hingga menjadi script
esien.
Mari kita mulai dengan menampilkan kembali sistem persamaan linear pada contoh diatas,
147
yaitu
10x1 x2 + 2x3 = 6
x1 + 11x2 x3 + 3x4 = 25
2x1 x2 + 10x3 x4 = 11
3x2 x3 + 8x4 = 15
Sistem persamaan linear tersebut dapat dinyatakan dalam persamaan matrik
10
x1
1 11 1 3 x2 25
=
2 1 10 1 x 11
3
15
0
3 1 8
x4
Langkah pertama adalah mendeklarasikan matrik A dan vektor b sebagai berikut
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
x1 =
x2
x3
x4
(k)
x1
(k)
x2
x(k)
3
(k)
x4
1
10
1
11
0
=
2
1
10
10
0 38
2
10
(k1)
x1
3
x(k1)
11
2
1 (k1)
0
10 x3
(k1)
1
0
x4
8
1
11
6
10
25
11
11
10
15
8
148
Saya nyatakan suatu matrik J dan vektor u sebagai berikut
1
10
1
11
0
J =
2
1
10
10
0 83
2
10
1
11
11
1
0
10
1
0
8
u=
6
10
25
11
11
10
15
8
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
% n = jumlah baris
J = zeros(4);
12
13
14
15
16
17
18
19
20
21
22
23
24
J(2,1)
J(2,3)
J(2,4)
u(2,1)
=
=
=
=
-A(2,1)/A(2,2);
-A(2,3)/A(2,2);
-A(2,4)/A(2,2);
b(2,1)/A(2,2);
J(3,1)
J(3,2)
J(3,4)
u(3,1)
=
=
=
=
-A(3,1)/A(3,3);
-A(3,2)/A(3,3);
-A(3,4)/A(3,3);
b(3,1)/A(3,3);
J(4,1)
J(4,2)
J(4,3)
u(4,1)
=
=
=
=
-A(4,1)/A(4,4);
-A(4,2)/A(4,4);
-A(4,3)/A(4,4);
b(4,1)/A(4,4);
25
26
27
28
29
30
31
32
33
34
Statemen baris 16 sampai 34 berfungsi menghitung elemen matrik J dan vektor u. Untuk menyederhanakan baris 16 hingga 19, kita buat proses looping dengan indeks k, tetapi dengan
pengecualian pada k=1.
for k = 1:4
if (k ~= 1)
J(1,k) = -A(1,k)/A(1,1);
end
end
u(1,1) = b(1,1)/A(1,1);
149
Mulai dari baris 21 hingga 24 juga bisa dibuat proses looping dengan pengecualian pada k=2.
for k = 1:4
if (k ~= 2)
J(2,k) = -A(2,k)/A(2,2);
end
end
u(2,1) = b(2,1)/A(2,2);
Proses looping yang sama juga diterapkan terhadap baris ke-26 hingga ke-29.
for k = 1:4
if (k ~= 3)
J(3,k) = -A(3,k)/A(3,3);
end
end
u(3,1) = b(3,1)/A(3,3);
Sementara untuk baris ke-31 hingga ke-34, penyerderhanaan dilakukan dengan cara yang sama
pula
for k = 1:4
if (k ~= 4)
J(4,k) = -A(4,k)/A(4,4);
end
end
u(4,1) = b(4,1)/A(4,4);
Kalau seluruh penyederhanaan ini digabung, maka scriptnya akan seperti ini
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(4);
14
15
16
17
18
19
20
for k = 1:4
if (k ~= 1)
J(1,k) = -A(1,k)/A(1,1);
end
end
u(1,1) = b(1,1)/A(1,1);
21
22
23
24
25
for k = 1:4
if (k ~= 2)
J(2,k) = -A(2,k)/A(2,2);
end
150
26
27
end
u(2,1) = b(2,1)/A(2,2);
28
29
30
31
32
33
34
for k = 1:4
if (k ~= 3)
J(3,k) = -A(3,k)/A(3,3);
end
end
u(3,1) = b(3,1)/A(3,3);
35
36
37
38
39
40
41
for k = 1:4
if (k ~= 4)
J(4,k) = -A(4,k)/A(4,4);
end
end
u(4,1) = b(4,1)/A(4,4);
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(4);
14
15
16
17
18
19
20
21
p = 1;
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
22
23
24
25
26
27
28
29
p = 2;
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
30
31
32
33
34
35
36
37
p = 3;
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
38
39
p = 4;
151
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
Selanjutnya saya buat proses looping menggunakan indeks p tersebut. Perhatikan baik-baik
perubahannya
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(4);
14
15
16
17
18
19
20
21
22
for p = 1:4
for k = 1:4
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end
Dan akhirnya, angka 4 dapat digantikan dengan huruf n agar script tersebut tidak dibatasi oleh
matrik 4x4 saja.
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(n);
14
15
16
17
18
19
20
for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
152
21
22
u(p,1) = b(p,1)/A(p,p);
end
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = size(A);
12
13
J = zeros(n);
14
15
16
17
18
19
20
21
22
for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end
23
24
25
xbaru yang didapat tak lain adalah hasil iterasi pertama, yaitu x(1) = (0, 6000; 2, 2727; 1, 1000;
1, 8750)T . Kemudian, sebelum iterasi ke-2 dilakukan, xbaru tersebut mesti disimpan sebagai
xlama.
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(n);
14
15
16
17
18
19
20
21
for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
153
end
23
24
25
26
27
28
xlama = xbaru;
xbaru = J*xlama + u;
Sampai disini, xbaru yang didapat dari hasil iterasi ke-2 adalah x(2) = (1, 0473; 1, 7159;
0, 8052; 0, 8852)T . Setelah itu, untuk iterasi ke-3, xbaru tersebut mesti disimpan sebagai xlama
kembali,
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(n);
14
15
16
17
18
19
20
21
22
for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end
23
24
25
26
27
28
xlama = xbaru;
xbaru = J*xlama + u;
xlama = xbaru;
xbaru = J*xlama + u;
29
30
31
Sampai disini, xbaru yang didapat adalah hasil iterasi ke-3, yaitu x(3) = (0, 9326; 2, 0530;
1, 0493; 1, 1309)T . Kemudian, untuk iterasi ke-4, script di atas dimodikasi dengan cara yang
sama. Tapi konsekuensinya script tersebut akan semakin bertambah panjang. Guna menghindari
hal itu, script di atas perlu dioptimasi dengan proses looping sebagai berikut
1
2
clear all
clc
3
4
5
6
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
154
7
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
J = zeros(n);
14
15
16
17
18
19
20
21
22
for p = 1:n
for k = 1:n
if (k ~= p)
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p,1)/A(p,p);
end
23
24
xlama = [ 0 ; 0 ; 0 ; 0 ];
25
26
27
28
29
30
Dalam script di atas, jumlah iterasi dibatasi hanya sampai 10 kali saja. Maka keluaran dari script
di atas adalah hanya sampai hasil perhitungan iterasi yang ke-10. Hasil dari keseluruhan iterasi,
mulai dari iterasi ke-1 hingga iterasi ke-10 disajikan pada Tabel 8.1.
k
(k)
x1
(k)
x2
(k)
x3
(k)
x4
0,6000
2,2727
-1,1000
1,8852
1,0473
1,7159
-0,8052
0,8852
0,9326
2,0530
-1,0493
1,1309
1,0152
1,9537
-0,9681
0,9739
...
...
...
...
0,9997
2,0004
-1,0004
1,0006
1,0001
1,9998
-0,9998
0,9998
Berdasarkan Tabel 8.1, terlihat bahwa hasil iterasi ke-1, x(1) = (0, 6000; 2, 2727; 1, 1000; 1, 8852)T
adalah hasil yang paling jauh dari solusi, x = (1; 2; 1; 1)T . Coba bandingkan dengan hasil ite-
rasi ke-2! Jelas terlihat bahwa hasil iterasi ke-2 lebih mendekati solusi. Kalau terus diurutkan,
maka hasil iterasi ke-10 merupakan hasil yang paling dekat dengan solusi.
Sebelum dilanjutkan, saya ingin tuliskan script yang sudah dimodikasi, dimana semua bagian inisialisasi saya letakkan di baris-baris awal
1
2
clear all
clc
3
4
5
6
7
8
9
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
b = [ 6 ; 25 ; -11 ; 15 ];
xlama = [ 0 ; 0 ; 0 ; 0 ];
155
itermaks = 10;
11
12
n = length(A);
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
8.3.2
Stopping criteria
Tabel 8.2 memperlihatkan perhitungan norm2-selisih antara xbaru dan xlama dari iterasi ke-1
hingga iterasi ke-10. Hasil perhitungan norm2-selisih tersebut, saya beri nama epsilon, , dimana semakin kecil nilai epsilon (), menandakan hasil iterasinya semakin dekat dengan solusi.
Hasil norm2-selisih yang semakin kecil pada iterasi ke-10 menunjukan bahwa hasil iterasi ke-10
adalah hasil yang paling dekat dengan solusi yang sebenarnya.
norm 2
Tabel
8.2: Hasil
norm2-selisih
(2)
perhitungan
(3)
(4) hingga
iterasi
ke-10
x x(1)
x x(2)
x x(3)
...
x(10) x(9)
2
2
2
2
0,6000
0,4473
0,1146
...
0,0004
clear all
clc
3
4
5
6
7
8
9
10
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
b = [ 6 ; 25 ; -11 ; 15 ];
xlama = [ 0 ; 0 ; 0 ; 0 ];
itermaks = 10;
11
12
n = length(A);
13
14
15
16
17
18
19
156
end
end
u(p,1) = b(p,1)/A(p,p);
20
21
22
23
end
24
25
26
27
28
29
30
31
Tanda titik-koma pada baris ke-29 sengaja dihilangkan agar nilai epsilon selalu ditampilkan
ketika script tersebut dijalankan.
Nilai epsilon ini begitu penting untuk menentukan kapan proses iterasi harus dihentikan.
Oleh karenanya, nilai epsilon difungsikan sebagai stopping criteria. Berdasarkan Tabel 8.2, jika nilai ditentukan sebesar 0,2 , maka proses iterasi akan berhenti pada iterasi ke-4. Atau
kalau nilai ditentukan sebesar 0,0001 , maka proses iterasi akan berhenti pada iterasi ke-10.
Kesimpulannya, semakin kecil nilai , semakin panjang proses iterasinya, namun hasil akhirnya
semakin akurat.
Di bawah ini adalah script iterasi Jacobi yang memanfaatkan nilai epsilon untuk menghentikan proses iterasi
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
A = [ 10 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8];
b = [ 6 ; 25 ; -11 ; 15 ];
xlama = [ 0 ; 0 ; 0 ; 0 ];
itermaks = 1000;
epsilon = 0.0001;
12
13
n = length(A);
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
157
break;
end
xlama = xbaru;
end
iterasi = k
x = xbaru
Pada baris ke-11 saya tetapkan nilai epsilon sebesar 0,0001. Sementara baris ke-10, dimana
itermaks saya batasi hingga 1000 kali iterasi. Akan tetapi dengan adanya baris ke-30, maka jika
norm2(xselisih) lebih kecil nilainya dari nilai epsilon yang dinyatakan pada baris ke-11, proses
iterasi akan dihentikan. Sementara, statemen baris ke-35 sengaja saya tambahkan hanya untuk
sekedar mengetahui berapa kali komputer kita melakukan proses iterasi. Dengan nilai epsilon
0,0001, proses iterasi akan dihentikan pada iterasi yang ke-10. Jadi, walaupun itermaks telah
ditentukan yaitu 1000, komputer hanya melakukan proses iterasi sampai iterasi yang ke-10 saja.
8.3.3
Fungsi eksternal metode iterasi Jacobi dapat diambil dari script yang terakhir di atas adalah
1
2
3
n = length(A);
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Dengan fungsi eksternal ini, maka untuk menyelesaikan suatu sistem persamaan linear, anda
dapat menyusun program sederhana. Contohnya adalah
1
2
clear all
clc
3
4
5
6
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
158
7
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
12
13
14
15
16
17
[k,xbaru] = iterjacobi(A,b,xlama,itermaks,epsilon);
x = xbaru
iterasi = k
Demikianlah penjelasan tentang metode iterasi Jacobi dilengkapi dengan cara membuat scriptnya. Sebagai catatan, metode iterasi Jacobi ini selalu sukses mencapai solusi hanya jika matrik A
memiliki pola diagonal dominan dimana nilai elemen-elemen diagonal harus lebih besar dibandingkan nilai elemen setiap barisnya. Sekarang mari kita beralih ke metode iterasi Gauss-Seidel.
= x1 + x2 + x4
10
10
10
10
3 baru 1 baru 15
= x2 + x3 +
8
8
8
xbaru
=
1
xbaru
2
xbaru
3
xbaru
4
x1
(k)
x2
(k)
x3
(k)
x4
2 (k1)
6
1 (k1)
x2
x3
+
10
10
10
1 (k)
1 (k1)
3 (k1) 25
=
x + x3
x4
+
11 1
11
11
11
1 (k)
1 (k1) 11
2 (k)
= x1 + x2 + x4
10
10
10
10
3 (k) 1 (k) 15
= x2 + x3 +
8
8
8
(0)
(0)
(0)
159
(1)
= 0, 6000
(1)
x2
(1)
x3
(1)
x4
= 2, 3272
= 0, 9873
= 0, 8789
Lalu proses perhitungan diulangi lagi dengan k = 2. Begitu seterusnya proses ini diulang-ulang
lagi untuk nilai-nilai k berikutnya sampai x(k) mendekati solusi yang sesungguhnya, yaitu
x = (1; 2; 1; 1)t
Marilah kita amati hasil seluruh iterasi. Tabel di bawah ini menampilkan hasil perhitungan
hingga iterasi yang ke-5. Kita bisa saksikan bahwa dibandingkan dengan iterasi Jacobi, problem
sistem persamaan linear yang sama, bisa diselesaikan oleh metode iterasi Gauss-Seidel hanya
dalam 5 kali iterasi. Dari kasus ini, bisa kita simpulkan bahwa iterasi Gauss-Seidel bekerja lebih
k
(k)
x1
(k)
x2
(k)
x3
(k)
x4
0
0,0000
0,0000
0,0000
0,0000
1,030
2,037
-1,014
0,9844
1,0065
2,0036
-1,0025
0,9983
1,0009
2,0003
-1,0003
0,9999
5
1,0001
2,0000
-1,0000
1,0000
efektif dibandingkan iterasi Jacobi. Ya.., memang secara umum demikian, akan tetapi ternyata
ditemukan kondisi yang sebaliknya pada kasus-kasus yang lain.
8.4.1
Pembuatan script iterasi Gauss-Seidel dimulai dari sistem persamaan linear yang telah dibahas
di atas, yaitu
1 lama
2
6
x2
xlama
+
3
10
10
10
1 baru
1 lama
3
25
=
x1 + x3
xlama
+
4
11
11
11
11
1 baru
1 lama 11
2 baru
= x1 + x2 + x4
10
10
10
10
3 baru 1 baru 15
= x2 + x3 +
8
8
8
xbaru
=
1
xbaru
2
xbaru
3
xbaru
4
Pada pembahasan iterasi Jacobi, saya telah membuat matrik J berisi konstanta yang menemani
variabel x. Matrik J ini akan saya gunakan lagi untuk menyusun script metode iterasi Gauss-
160
Seidel
1
10
1
11
0
J =
2
1
10
10
0 38
2
10
1
11
11
1
0
10
1
0
8
1
10
1
11
0
2
1
10
10
0 83
2
10
1
11
3
1
11
11
0
=
2
1
1
0
10
10
10
1
3
0
0
8
8
1
10
0 0
+ 0
0 0
0
1
0
8 0
0 0
0
0
2
10
1
11
11
1
0
10
0
0
Sampai disini saya nyatakan matrik L, matrik U dan vektor u sebagai berikut
0
0
1
11
L=
2
1
10
10
0 83
0 0
0 0
00
1
8 0
0
U =
0
1
10
0
0
0
2
10
11
1
0
10
0
0
1
11
u=
6
10
25
11
11
10
15
8
Karena matrik L dan U berasal dari matrik J, maka pembuatan script iterasi Gauss-Seidel akan
saya mulai dari script perhitungan matrik J yang telah dibuat sebelumnya. Inilah script untuk
membuat matrik J,
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
161
u(n,1) = b(n,1)/A(n,n);
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for k = 2:4
L(1,k) = 0;
end
for k = 3:4
L(2,k) = 0;
end
for k = 4:4
L(3,k) = 0;
end
Proses perhitungan mulai dari baris ke-35 hingga ke-43 akan disederhanakan dengan langkahlangkah berikut. Saya munculkan indeks p,
L = J;
% matrik J dicopy ke matrik L
p = 1;
for k = 2:4
L(p,k) = 0;
end
p = 2;
for k = 3:4
162
L(p,k) = 0;
end
p = 3;
for k = 4:4
L(p,k) = 0;
end
Selanjutnya, angka 3 dan 4 dapat diganti dengan variabel n agar bisa digabung dengan script
utamanya. Perhatikan baris ke-35 dan ke-36 pada script berikut
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
14
15
16
17
18
19
20
21
22
23
163
end
24
25
26
27
28
29
30
31
32
33
34
35
for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for p = 1:n-1
for k = p+1:n
L(p,k) = 0;
end
end
OK, dengan demikian matrik L telah terbentuk dan tersimpan di memory komputer. Sekarang
kita akan membentuk matrik U. Prosesnya sama seperti saat pembentukan matrik L, yaitu dimulai dengan mencopy matrik J ke dalam matrik U. Perhatikan mulai dari baris ke-41 berikut
ini,
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for p = 1:n-1
for k = p+1:n
L(p,k) = 0;
end
end
%------------------------------------------U = J;
% matrik J dicopy ke matrik U
164
38
39
40
41
42
43
44
45
46
for k = 2:4
U(k,1) = 0;
end
for k = 3:4
U(k,2) = 0;
end
for k = 4:4
U(k,3) = 0;
end
Akhirnya, script ini digabungkan ke script utamanya setelah mengganti angkan 3 dan 4 dengan
variabel n.
1
2
clear all
clc
3
4
5
6
7
A = [ 10 -1 2 0;
-1 11 -1 3;
2 -1 10 -1;
0 3 -1 8];
8
9
b = [ 6 ; 25 ; -11 ; 15 ];
10
11
n = length(A);
12
13
14
15
16
17
18
19
20
21
22
23
165
end
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
for k = 1:n-1
J(n,k) = -A(n,k)/A(n,n);
end
u(n,1) = b(n,1)/A(n,n);
%------------------------------------------L = J;
% matrik J dicopy ke matrik L
for p = 1:n-1
for k = p+1:n
L(p,k) = 0;
end
end
%------------------------------------------U = J;
% matrik J dicopy ke matrik U
for p = 1:n-1
for k = p+1:n
U(k,p) = 0;
end
end
Secara umum, script iterasi Gauss-Seidel yang saya tuliskan disini hampir sama dengan iterasi Jacobi. Perbedaan kecil-nya terletak pada bagian nilai update, dimana elemen xbaru hasil
perhitungan dilibatkan langsung untuk menghitung elemen xbaru selanjutnya.
1
2
clear all
clc
3
4
5
6
7
8
9
%----nilai awal----------xlama(1,1)=0;
xlama(2,1)=0;
xlama(3,1)=0;
xlama(4,1)=0;
xlama
10
11
12
13
n=4
itermaks=10
sc=0.001
14
15
16
17
18
19
20
21
for i=1:itermaks
%------nilai update------------xbaru(1,1)=(1/10)*xlama(2,1)-(2/10)*xlama(3,1)+(6/10);
xbaru(2,1)=(1/11)*xbaru(1,1)+(1/11)*xlama(3,1)-(3/11)*xlama(4,1)+(25/11);
xbaru(3,1)=-(2/10)*xbaru(1,1)+(1/10)*xbaru(2,1)+(1/10)*xlama(4,1)-(11/10);
xbaru(4,1)=-(3/8)*xbaru(2,1)+(1/8)*xbaru(3,1)+(15/8);
xbaru
22
23
24
25
26
27
28
%------norm selisih------------s=0;
for i=1:n
s=s+(xbaru(i,1)-xlama(i,1))^2;
end
epsilon=sqrt(s)
166
29
30
31
32
33
34
35
36
xi
P
Pi1
(k1)
(k)
n
+ bi
a
x
a
x
ij j
ij j
j=i+1
j=1
aii
dimana i=1,2,3,...,n.
8.4.2
Algoritma
Pi1
j=1 aij xj
Pn
+ bi
aii
Langkah 4: Jika kx XOk < , maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
Langkah 5: Tentukan k=k+1
Langkah 6: Untuk i=1,...n, tentukan XOi = xi
Langkah 7: OUTPUT (Iterasi maksimum telah terlampaui) lalu STOP
8.4.3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
62
(8.7)
52
20
21
22
23
24
25
26
27
28
72
29
30
31
32
33
34
110
35
36
37
38
39
40
111
41
42
43
44
45
46
C
100
C
47
48
49
50
51
20
52
53
54
55
23
56
57
58
10
C
59
60
61
62
40
63
64
65
66
67
68
69
70
71
72
73
74
75
76
WRITE (*,*)
CONTINUE
WRITE (*,(1X,A)) JUMLAH ITERASI MAKSIMUM ?
READ (*,*) ITMAX
WRITE (*,(1X,A)) NILAI EPSILON ATAU TOLERANSI ?
READ (*,*) EPS
WRITE (*,*) MASUKAN NILAI AWAL UNTUK XO
DO 72 I = 1,N
WRITE (*,(1X,A,I2,A)) XO(,I,) ?
READ (*,*) XO(I)
CONTINUE
WRITE (*,*)
MENAMPILKAN MATRIK A
WRITE (*,(1X,A)) MATRIK A:
DO 110 I = 1,N
WRITE (*,6) (A(I,J),J=1,N)
CONTINUE
WRITE (*,*)
MENAMPILKAN VEKTOR B
WRITE (*,(1X,A)) VEKTOR B:
DO 111 I = 1,N
WRITE (*,6) B(I)
CONTINUE
WRITE (*,*)
LANGKAH 1
K = 1
LANGKAH 2
IF(K.GT.ITMAX) GOTO 200
LANGKAH 3
DO 10 I = 1,N
S1 = 0.0
DO 20 J=I+1,N
S1 = S1-A(I,J)*XO(J)
CONTINUE
S2 = 0.0
DO 23 J=1,I-1
S2 = S2-A(I,J)*X(J)
CONTINUE
X(I) = (S2+S1+B(I))/A(I,I)
CONTINUE
SAYA PILIH NORM-2. ANDA BOLEH PAKAI NORM YANG LAIN!
NORM = 0.0
DO 40 I=1,N
NORM = NORM + (X(I)-XO(I))*(X(I)-XO(I))
CONTINUE
NORM = SQRT(NORM)
WRITE(*,(1X,A,I3)) ITERASI KE-, K
WRITE(*,(1X,A,F14.8)) NORM-2 = , NORM
WRITE(*,(1X,A,I3,A,F14.8)) (X(,I,) = , X(I),I=1,N)
WRITE(*,*)
LANGKAH 4
IF(NORM.LE.EPS) THEN
WRITE(*,7) K,NORM
GOTO 400
END IF
LANGKAH 5
K = K+1
LANGKAH 6
DO 30 I=1,N
167
168
77
78
30
79
80
81
C
200
82
83
400
XO(I) = X(I)
CONTINUE
GOTO 100
LANGKAH 7
CONTINUE
WRITE(*,9)
STOP
84
85
86
87
5
6
7
88
89
90
FORMAT(1X,I3)
FORMAT(1X,(6(1X,F14.8)))
FORMAT(1X,KONVERGEN PADA ITERASI YANG KE- ,I3,
* , NORM= ,F14.8)
FORMAT(1X,MELEBIHI BATAS MAKSIMUM ITERASI)
END
xi
(k1)
= (1 ) xi
bi
aii
i1
X
j=1
(k)
aij xj
n
X
(k1)
aij xj
j=i+1
(8.8)
dimana i=1,2,3,...,n.
Untuk lebih jelasnya, marilah kita perhatikan contoh berikut, diketahui sistem persamaan
linear Ax = b yaitu
4x1 + 3x2 + = 24
3x1 + 4x2 x3 = 30
x2 + 4x3 = 24
memiliki solusi (3, 4, 5)t . Metode Gauss-Seidel dan Relaksasi dengan = 1, 25 akan digunakan
untuk menyelesaikan sistem persamaan linear di atas dengan x(0) = (1, 1, 1)t . Untuk setiap nilai
k = 1, 2, 3, ..., persamaan Gauss-Seidelnya adalah
(k)
x1
(k)
x2
(k)
x3
(k1)
= 0, 75x2
+6
0, 25x3
(k)
0, 75x1 +
(k)
0, 25x2 6
(k1)
+ 7, 5
x1
(k)
x2
(k)
x3
(k1)
= 0, 25x1
=
=
(k1)
0, 9375x2
+ 7, 5
(k)
(k1)
(k1)
0, 9375x1 0, 25x2
+ 0, 3125x3
(k)
(k1)
0, 3125x2 0, 25x3
7, 5
+ 9, 375
Tabel berikut ini menampilkan perhitungan dari masing-masing metode hingga iterasi ke-7.
(k)
x1
(k)
x2
(k)
x3
1
1
1
k
(k)
x1
(k)
x2
(k)
x3
169
3,1406
3,8828
-5,0293
3,0879
3,9267
-5,0183
3,0549
3,9542
-5,0114
3,0343
3,9714
-5,0072
3,0215
3,9821
-5,0044
6,3125
3,5195
-6,6501
2,6223
3,9585
-4,6004
3,1333
4,0102
-5,0967
2,9570
4,0075
-4,9735
3,0037
4,0029
-5,0057
2,9963
4,0009
-4,9983
7
3,0134
3,9888
-5,0028
7
3,0000
4,0002
-5,0003
Dari kasus ini, bisa kita simpulkan bahwa iterasi Relaksasi memerlukan proses iterasi yang
lebih singkat dibandingkan iterasi Gauss-Seidel. Jadi, pada kasus ini (dan juga secara umum),
Relaksasi lebih efektif dibandingkan Gauss-Seidel. Pertanyaannya sekarang, bagaimana menentukan nilai optimal?
Metode Relaksasi dengan pilihan nilai yang berkisar antara 0 dan 1 disebut metode underrelaxation, dimana metode ini berguna agar sistem persamaan linear bisa mencapai kondisi
konvergen walaupun sistem tersebut sulit mencapai kondisi konvergen dengan metode GaussSeidel. Sementara bila nilainya lebih besar dari angka 1, maka disebut metode successive
over-relaxation (SOR), yang mana metode ini berguna untuk mengakselerasi atau mempercepat
kondisi konvergen dibandingkan dengan Gauss-Seidel. Metode SOR ini juga sangat berguna
untuk menyelesaikan sistem persamaan linear yang muncul dari persamaan diferensial-parsial
tertentu.
8.5.1
xi = (1 ) XOi +
P
Pn
i1
a
x
a
XO
+
b
ij
j
ij
j
i
j=1
j=i+1
aii
Langkah 4: Jika kx XOk < , maka keluarkan OUTPUT (x1 , ..., xn ) lalu STOP
Langkah 5: Tentukan k=k+1
Langkah 6: Untuk i=1,...n, tentukan XOi = xi
Langkah 7: OUTPUT (Iterasi maksimum telah terlampaui) lalu STOP
Demikianlah catatan singkat dari saya tentang metode iterasi untuk menyelesaikan problem
sistem persamaan linear. Saya cukupkan sementara sampai disini. Insya Allah akan saya sam-
170
bung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email:
supri92@gmail.com.
Bab 9
Objektif :
Mengenalkan sistem persamaan linear.
Mengenalkan teknik triangularisasi dan substitusi mundur.
Aplikasi metode Eliminasi Gauss menggunakan matrik.
Membuat algoritma metode Eliminasi Gauss.
Menghitung invers matrik menggunakan metode Eliminasi Gauss.
(9.1)
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
4
1
-3
4
Problem dari sistem persamaan linear adalah bagaimana mencari nilai pengganti bagi variabel x1 , x2 , x3 , dan x4 sehingga semua persamaan diatas menjadi benar. Langkah awal penyelesaian problem tersebut adalah dengan melakukan penyederhanaan sistem persamaan linear.
171
172
x1 + x2 + 3x4 = 4
jika = 2, maka
2P1 :
Persamaan Pj dapat dikalikan dengan sembarang konstanta kemudian dijumlahkan dengan persamaan Pi , lalu hasilnya ditempatkan di posisi persamaan Pi . Simbol operasi ini
adalah (Pi Pj ) (Pi ). Contoh
P2 :
2x1 + x2 x3 + x4 = 1
2P1 :
x2 x3 5x4 = 7
Dengan cara ini, maka variabel x1 berhasil dihilangkan dari P2 . Upaya untuk menghilangkan suatu variabel merupakan tahapan penting dalam metode Eliminasi Gauss.
Persamaan Pi dan Pj dapat bertukar posisi. Simbol operasi ini adalah (Pi ) (Pj ). Contoh
P2 :
P3 :
2x1 + x2 x3 + x4 = 1
3x1 x2 x3 + 2x4 = 3
menjadi
P2 :
P3 :
3x1 x2 x3 + 2x4 = 3
2x1 + x2 x3 + x4 = 1
173
Sebelum dilanjut, saya ingin mengajak anda untuk fokus memahami aturan operasi yang kedua.
Misalnya ada 2 persamaan linear yaitu
P1 :
P2 :
Kemudian anda diminta untuk menghilangkan variabel x1 dari P2 . Itu artinya, anda diminta
untuk memodikasi P2 sedemikian rupa sehingga didapat P2 yang baru, yang didalamnya tidak
ada x1 .
Berdasarkan rumus operasi (Pi Pj ) (Pi ), maka operasi yang tepat adalah (P2 43 P1 )
(P2 ). Perhatikan! Bilangan , yaitu 43 , harus dikalikan dengan P1 , BUKAN dengan P2 . Sedangkan angka
(P2
4
3
4
3 P1 ).
adalah satu-satunya angka yang bisa menghapus variabel x1 dari P2 lewat operasi
Selengkapnya adalah sebagai berikut
P2 :
4
P1 :
3
4
4
4
4
4
4 3 x1 + 7 2 x2 1 5 x3 + 6 8 x4 = 9 3
3
3
3
3
3
Dengan sendirinya x1 akan lenyap dari P 2. Mudah-mudahan jelas sampai disini. Demikianlah
cara untuk menghilangkan x1 dari P 2.
9.2.2
Permainan indeks
Sekarang, mari kita tinjau hal yang sama, yaitu menghilangkan x1 dari P2 , namun menggunakan
permainan indeks. Secara umum, P1 dan P2 bisa dinyatakan sebagai
P1 :
P2 :
Agar x1 hilang dari P2 , operasi yang benar adalah (P2 P1 ) (P2 ), dimana =
a21
a11 .
Dengan
a21
a21
a21
a21
a21
a11 x1 + a22
a12 x2 + a23
a13 x3 + a24
a14 x4 = a25
a15
P2 : a21
a11
a11
a11
a11
a11
Perhatikanlah variasi indeks pada persamaan diatas. Semoga intuisi anda bisa menangkap keberadaan suatu pola perubahan indeks. Jika belum, mari kita kembangkan persoalan ini.
174
Sekarang saya ketengahkan kehadapan anda tiga buah persamaan, yaitu P1 , P2 dan P3
P1 :
P2 :
P3 :
a31
a11 ..
a31
a31
a31
a31
a31
a11 x1 + a32
a12 x2 + a33
a13 x3 + a34
a14 x4 = a35
a15
P3 : a31
a11
a11
a11
a11
a11
Mudah-mudahan, pola perubahan indeksnya semakin jelas terlihat. Selanjutnya jika ada persamaan P4 yang ingin dihilangkan x1 nya dengan memanfaatkan P1 , bagaimana caranya?
Tentu saja operasinya adalah (P4 P1 ) (P4 ), dengan =
a41
a11
a41
a41
a41
a41
a41
P4 : a41
a11 x1 + a42
a12 x2 + a43
a13 x3 + a44
a14 x4 = a45
a15
a11
a11
a11
a11
a11
Contoh pertama
Sekarang, mari kita kembali kepada sistem persamaan linear yang sudah ditulis di awal bab ini
P1
P2
P3
P4
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
4
1
-3
4
Sekali lagi saya tegaskan bahwa problem dari sistem persamaan linear adalah bagaimana
mendapatkan angka-angka yang bisa menggantikan variabel x1 , x2 , x3 , dan x4 sehingga semua
persamaan di atas menjadi benar. Dengan berpegang pada ketiga teknik penyederhanaan tadi,
maka sistem persamaan linear di atas dapat disederhanakan dengan langkah-langkah berikut
ini:
1. Gunakan persamaan P1 untuk menghilangkan variabel x1 dari persamaan P2 , P3 dan P4
dengan cara (P2 2P1 ) (P2 ), (P3 3P1 ) (P3 ) dan (P4 + P1 ) (P4 ). Hasilnya akan
seperti ini
P1 :
x1 + x2 + 3x4 = 4,
P2 :
x2 x3 5x4 = 7,
P3 :
P4 :
175
2. Gunakan persamaan P2 untuk menghilangkan variabel x2 dari persamaan P3 dan P4 dengan cara (P3 4P2 ) (P3 ) dan (P4 + 3P2 ) (P4 ). Hasilnya akan seperti ini
P1 :
x1 + x2 + 3x4 = 4,
P2 :
x2 x3 5x4 = 7,
P3 :
P4 :
13x4 = 13
Kalau x3 masih ada di persamaan P4 , dibutuhkan satu operasi lagi untuk menghilangkannya. Namun hasil operasi pada langkah ke-2 ternyata sudah otomatis menghilangkan
x3 dari P4 . Bentuk akhir dari sistem persamaan linear di atas, dikenal sebagai bentuk
triangular.
Sampai dengan langkah ke-2 ini, kita berhasil mendapatkan sistem persamaan linear yang
lebih sederhana. Apa yang dimaksud dengan sederhana dalam konteks ini? Suatu sistem
persamaan linear dikatakan sederhana bila kita bisa mendapatkan seluruh nilai pengganti
variabelnya dengan cara yang lebih mudah atau dengan usaha yang tidak memakan waktu
lama dibandingkan sebelum disederhanakan.
3. Selanjutnya kita jalankan proses backward-substitution untuk mendapatkan angka-angka
pengganti bagi x1 , x2 , x3 dan x4 . Melalui proses backward-substitution, yang pertama
kali didapat adalah angka pengganti bagi variabel x4 , kemudian x3 , lalu diikuti x2 , dan
akhirnya x1 . Silakan cermati yang berikut ini
P4 :
P3 :
P2 :
P1 :
x4 =
13
13
= 1,
1
1
(13 13) = 0,
x3 = (13 13x4 ) =
3
3
x2 = (7 + 5x4 + x3 ) = (7 + 5 + 0) = 2,
x1 = 4 3x4 x2 = 4 3 2 = 1
176
9.3.2
Contoh kedua
Diketahui sistem persamaan linear, terdiri dari empat buah persamaan yaitu P1 , P2 , P3 , dan P4
seperti berikut ini:
P1
P2
P3
P4
:
:
:
:
x1
2x1
x1
x1
x2
2x2
x2
x2
+
+
+
+
2x3
3x3
x3
4x3
x4
3x4
3x4
=
=
=
=
-8
-20
-2
4
Seperti contoh pertama, solusi sistem persamaan linear di atas akan dicari dengan langkahlangkah berikut ini:
1. Gunakan persamaan P1 untuk menghilangkan x1 dari persamaan P2 , P3 dan P4 dengan
cara (P2 2P1 ) (P2 ), (P3 P1 ) (P3 ) dan (P4 P1 ) (P4 ). Hasilnya akan seperti ini
P1 :
x1 x2 + 2x3 x4 = 8,
P2 :
x3 x4 = 4,
P3 :
2x2 x3 + x4 = 6,
P4 :
2x3 + 4x4 = 12
Perhatikan persamaan P2 ! Akibat dari langkah yang pertama tadi, ternyata tidak hanya
x1 saja yang hilang dari persamaan P2 , variabel x2 pun turut hilang dari persamaan P2 .
Kondisi ini bisa menggagalkan proses triangularisasi. Untuk itu, posisi P2 mesti ditukar
dengan persamaan yang berada dibawahnya, yang masih memiliki variabel x2 . Maka
yang paling cocok adalah ditukar dengan P3 .
2. Tukar posisi persamaan P2 dengan persamaan P3 , (P2 P3 ). Hasilnya akan seperti ini
P1 :
P2 :
x1 x2 + 2x3 x4 = 8,
2x2 x3 + x4 = 6,
P3 :
x3 x4 = 4,
P4 :
2x3 + 4x4 = 12
3. Agar sistem persamaan linear di atas menjadi berbentuk triangular, maka kita harus menghilangkan variabel x3 dari persamaan P4 . Karenanya, gunakan persamaan P3 untuk menghilangkan x3 dari persamaan P4 dengan cara (P4 + 2P3 ) (P4 ). Hasilnya akan seperti
ini
P1 :
P2 :
P3 :
P4 :
x1 x2 + 2x3 x4 = 8,
2x2 x3 + x4 = 6,
x3 x4 = 4,
2x4 = 4
177
4. Selanjutnya adalah proses backward-substitution. Melalui proses ini, yang pertama kali
didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 , dan akhirnya x1 .
P4 :
P3 :
P2 :
P1 :
4
2
4 + x4
x3 =
1
6 + x3 x4
x2 =
2
x1 = 8 + x2 2x3 + x4
x4 =
= 2,
= 2,
= 3,
= 7
Matrik Augmentasi
Sejumlah matrik bisa digunakan untuk menyatakan suatu sistem persamaan linear. Sejenak,
mari kita kembali lagi melihat sistem persamaan linear secara umum seperti berikut ini:
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
............... = ...
............... = ...
an1 x1 + an2 x2 + . . . + ann xn = bn
Sementara, kalau dinyatakan dalam bentuk operasi matrik, maka akan seperti ini:
a11
a21
..
.
a12
a22
..
.
. . . a1n
. . . a2n
..
.
x1
x2
..
.
xn
b1
b2
..
.
bn
(9.2)
Dalam mencari solusi suatu sistem persamaan linear dengan metode eliminasi gauss, bentuk
operasi matrik di atas dimanipulasi menjadi matrik augment, yaitu suatu matrik yang berukur-
178
an n x (n + 1) seperti berikut ini:
a11
a12
. . . a1n
| b1
a11
a12 . . . a1n
| a1,n+1
a21 a22 . . . a2n | a2,n+1
= .
..
..
..
.
.
.
|
.
.
an1 an2 . . . ann | an,n+1
(9.3)
Inilah source code Matlab untuk membentuk matrik augmentasi yang terdiri atas matrik A dan
vektor b,
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
9.4.2
Pada contoh pertama di atas, diketahui sistem persamaan linear yang terdiri dari empat buah
persamaan yaitu P1 , P2 , P3 , dan P4
P1
P2
P3
P4
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
4
1
-3
4
2
1 1 1
3 1 1 2
1 2
3 1
x1
x2 1
x = 3
3
4
x4
Setelah itu matrik augment disusun seperti ini (perhatikan angka-angka indeks pada matriks
179
disebelahnya)
1
1
0
3
2
1 1 1
3 1 1 2
1 2
3 1
| 3
| 4
|
|
Kemudian kita lakukan operasi triangularisai terhadap matrik augment, dimulai dari kolom
pertama (yang tujuannya untuk menghilangkan variabel x1 dari P2 , P3 , dan P4 ), yaitu
a21
a21
a21
a21
a21
a11 x1 + a22
a12 x2 + a23
a13 x3 + a24
a14 x4 = a25
a15
P2 : a21
a11
a11
a11
a11
a11
a31
P3 : a31
a11 x1 + a32
a11
a41
a11 x1 + a42
P4 : a41
a11
a31
a12 x2 + a33
a11
a41
a12 x2 + a43
a11
a31
a13 x3 + a34
a11
a41
a13 x3 + a44
a11
a31
a14 x4 = a35
a11
a41
a14 x4 = a45
a11
a31
a15
a11
a41
a15
a11
Sekarang akan saya tulis source code Matlab untuk menyelesaikan perhitungan diatas. Saran
saya, anda jangan hanya duduk sambil membaca buku ini, kalau bisa nyalakan komputer/laptop
dan ketik ulang source-code ini agar anda memperoleh feeling-nya! OK, mari kita mulai..
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
m=A(3,1)/A(1,1);
A(3,1)=A(3,1)-m*A(1,1);
A(3,2)=A(3,2)-m*A(1,2);
A(3,3)=A(3,3)-m*A(1,3);
A(3,4)=A(3,4)-m*A(1,4);
180
33
A(3,5)=A(3,5)-m*A(1,5);
34
35
36
37
38
39
40
m=A(4,1)/A(1,1);
A(4,1)=A(4,1)-m*A(1,1);
A(4,2)=A(4,2)-m*A(1,2);
A(4,3)=A(4,3)-m*A(1,3);
A(4,4)=A(4,4)-m*A(1,4);
A(4,5)=A(4,5)-m*A(1,5);
0 1 1 5 | 7
Pada kolom pertama, seluruh elemen berubah menjadi nol (a21 = 0, a31 = 0, dan a41 = 0)
kecuali elemen yang paling atas a11 . Itu berarti kita sudah menghilangkan variabel x1 dari P2 ,
P3 , dan P4 . Sekarang dilanjutkan ke kolom kedua, dengan operasi yang hampir sama, untuk
membuat elemen a32 dan a42 bernilai nol
a32
a32
a32
a32
a32
a21 x1 + a32
a22 x2 + a33
a23 x3 + a34
a24 x4 = a35
a25
P3 : a31
a22
a22
a22
a22
a22
a42
a42
a42
a42
a42
a21 x1 + a42
a22 x2 + a43
a23 x3 + a44
a24 x4 = a45
a25
P4 : a41
a22
a22
a22
a22
a22
Source-code berikut ini adalah kelanjutan dari source-code diatas. Jadi jangan dipisah dalam le
lain!!!
1
2
3
4
5
6
m=A(3,2)/A(2,2);
A(3,1)=A(3,1)-m*A(2,1);
A(3,2)=A(3,2)-m*A(2,2);
A(3,3)=A(3,3)-m*A(2,3);
A(3,4)=A(3,4)-m*A(2,4);
A(3,5)=A(3,5)-m*A(2,5);
7
8
9
10
11
12
13
m=A(4,2)/A(2,2);
A(4,1)=A(4,1)-m*A(2,1);
A(4,2)=A(4,2)-m*A(2,2);
A(4,3)=A(4,3)-m*A(2,3);
A(4,4)=A(4,4)-m*A(2,4);
A(4,5)=A(4,5)-m*A(2,5);
14
Hasilnya akan seperti dibawah ini. Itu berarti kita telah menghilangkan variabel x2 dari P3 , dan
P4 ; bahkan tanpa disengaja x3 juga hilang dari P4 . Inilah bentuk triangular
0 1 1 5 | 7
0 0
3
13 | 13
0 0
0 13 | 13
181
Walaupun x3 sudah hilang dari P4 , sebaiknya source-code penghapusan x3 dari P4 tetap ditambahkan pada source-code sebelumnya agar source-code tersebut menjadi lengkap.
1
2
3
4
5
6
m=A(4,3)/A(3,3);
A(4,1)=A(4,1)-m*A(3,1);
A(4,2)=A(4,2)-m*A(3,2);
A(4,3)=A(4,3)-m*A(3,3);
A(4,4)=A(4,4)-m*A(3,4);
A(4,5)=A(4,5)-m*A(3,5);
Dengan memperhatikan angka-angka indeks pada matrik augment di atas, kita akan mencoba membuat rumusan proses substitusi-mundur untuk mendapatkan seluruh nilai pengganti
variabel x. Dimulai dari x4 ,
x4 =
lalu dilanjutkan dengan x3 , x2 , dan x1 .
a45
13
=
=1
a44
13
a35 a34 x4
a33
a25 (a23 x3 + a24 x4 )
x2 =
a22
a15 (a12 x2 + a13 x3 + a14 x4 )
x1 =
a11
x3 =
=
=
=
13 [(13)(1)]
=0
3
(7) [(1)(0) + (5)(1)]
=2
(1)
4 [(1)(2) + (0)(0) + (3)(1)]
= 1
1
x(4,1)=A(4,5)/A(4,4);
x(3,1)=(A(3,5)-A(3,4)*x(4,1))/A(3,3);
x(2,1)=(A(2,5)-(A(2,3)*x(3,1)+A(2,4)*x(4,1)))/A(2,2);
x(1,1)=(A(1,5)-(A(1,2)*x(2,1)+A(1,3)*x(3,1)+A(1,4)*x(4,1)))/A(1,1);
9.4.3
Source-code dasar
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
182
A(i,n+1) = b(i);
17
18
end
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
m=A(3,1)/A(1,1);
A(3,1)=A(3,1)-m*A(1,1);
A(3,2)=A(3,2)-m*A(1,2);
A(3,3)=A(3,3)-m*A(1,3);
A(3,4)=A(3,4)-m*A(1,4);
A(3,5)=A(3,5)-m*A(1,5);
35
36
37
38
39
40
41
m=A(4,1)/A(1,1);
A(4,1)=A(4,1)-m*A(1,1);
A(4,2)=A(4,2)-m*A(1,2);
A(4,3)=A(4,3)-m*A(1,3);
A(4,4)=A(4,4)-m*A(1,4);
A(4,5)=A(4,5)-m*A(1,5);
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
m=A(4,2)/A(2,2);
A(4,1)=A(4,1)-m*A(2,1);
A(4,2)=A(4,2)-m*A(2,2);
A(4,3)=A(4,3)-m*A(2,3);
A(4,4)=A(4,4)-m*A(2,4);
A(4,5)=A(4,5)-m*A(2,5);
57
58
59
60
61
62
63
64
65
66
67
68
69
70
183
Singkatnya, tujuan dari dilakukannya proses optimasi adalah untuk memperkecil jumlah baris
statemen pada source code dasar. Seperti kita ketahui bersama, source code dasar eliminasi gauss
yang tertulis di atas terdiri atas 70 baris statemen, sehingga perlu dilakukan proses optimasi
untuk memperkecil jumlah baris statemen (tanpa menyalahi hasil perhitungan).
9.4.4.1
Langkah optimasi source code bagian triangularisasi dimulai dari baris statemen ke 23 hingga
ke 27, yaitu
m=A(2,1)/A(1,1);
A(2,1)=A(2,1)-m*A(1,1);
A(2,2)=A(2,2)-m*A(1,2);
A(2,3)=A(2,3)-m*A(1,3);
A(2,4)=A(2,4)-m*A(1,4);
A(2,5)=A(2,5)-m*A(1,5);
Langkah optimasi yang sama juga bisa diterapkan untuk rangkaian baris statemen dari baris
ke 30 hingga 34 dan baris ke 37 hingga 41 (yang terdapat pada source-code dasar), sehingga
masing-masing akan menjadi
for k = 1:5
A(3,k) = A(3,k)-m*A(1,k);
end
dan
for k = 1:5
A(4,k) = A(4,k)-m*A(1,k);
end
Ternyata, pola optimasi yang sama juga masih bisa ditemui mulai baris ke 45 hingga baris
statemen ke 64. Dengan demikian, setidaknya, tahapan pertama ini akan menghasil source-code
baru hasil optimasi awal yaitu
1
2
clear all
clc
3
4
5
6
7
184
8
-1 2 3 -1];
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
m=A(3,1)/A(1,1);
for k = 1:5
A(3,k) = A(3,k)-m*A(1,k);
end
31
32
33
34
35
m=A(4,1)/A(1,1);
for k = 1:5
A(4,k) = A(4,k)-m*A(1,k);
end
36
37
38
39
40
41
42
43
44
45
46
m=A(4,2)/A(2,2);
for k = 1:5
A(4,k) = A(4,k)-m*A(2,k);
end
47
48
49
50
51
52
53
54
55
56
57
58
Sekarang, source-code eliminasi gauss telah mengecil menjadi hanya 58 baris statemen saja (sebelumnya ada 70 baris statemen). Namun ini belum merupakan akhir proses optimasi. Sourcecode yang terakhir ini masih bisa dioptimasi kembali.
Coba anda perhatikan pola yang nampak mulai pada baris statemen ke-22 hingga ke-35.
Optimasi tahap dua dilakukan untuk menyederhanakan bagian tersebut, yaitu
for j = 2:4
m=A(j,1)/A(1,1);
for k = 1:5
A(j,k) = A(j,k)-m*A(1,k);
end
end
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
185
186
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
187
m=A(j,i)/A(i,i);
for k = 1:5
A(j,k) = A(j,k)-m*A(i,k);
end
end
end
Sehingga hasil optimasi sampai tahapan ini telah mengecilkan jumlah baris statemen dari semula 70 baris menjadi hanya 34 baris saja. Inilah hasilnya
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
9.4.4.2
OK, sekarang kita beralih ke bagian substitusi-mundur. Saya mulai dengan memodikasi bagian
tersebut menjadi seperti ini
%==== Proses Substitusi Mundur ====
x(4,1)=A(4,5)/A(4,4);
S = 0;
S = S + A(3,4)*x(4,1);
188
x(3,1)=(A(3,5)-S)/A(3,3);
S = 0;
S = S + A(2,3)*x(3,1);
S = S + A(2,4)*x(4,1);
x(2,1)=(A(2,5)-S)/A(2,2);
S = 0;
S = S + A(1,2)*x(2,1);
S = S + A(1,3)*x(3,1);
S = S + A(1,4)*x(4,1);
x(1,1)=(A(1,5)-S)/A(1,1);
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
for i = 3:-1:1
S = 0;
for k = i+1:4
S = S + A(i,k)*x(k,1);
end
189
190
x(i,1)=(A(i,5)-S)/A(i,i);
38
39
end
9.4.5
Pentingnya nilai n
Pada baris ke-15, nilai n adalah nilai ukuran matrik A yang berbentuk bujursangkar. Dalam
contoh ini, n bernilai 4. Dengan menggunakan angka 4 (atau n) sebagai acuan, maka source
code hasil optimasi terakhir dimodikasi kembali menjadi seperti ini
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
for i = n-1:-1:1
S = 0;
for k = i+1:n
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
Sekarang, source code di atas akan bisa memproses matrik bujursangkar yang ukurannya sembarang; tidak hanya 4x4. Demikianlah akhir dari proses optimasi yang cukup melelahkan.
191
Walaupun memiliki jumlah baris statemen yang lebih sedikit, source-code ini masih mengandung
bug yang bisa berakibat fatal. Sekarang coba anda ganti angka-angka pada bagian inisialisasi
matrik menjadi angka-angka baru yang disesuaikan dengan sistem persamaan linear berikut ini
P1
P2
P3
P4
:
:
:
:
x1
2x1
x1
x1
x2
2x2
x2
x2
+
+
+
+
2x3
3x3
x3
4x3
x4
3x4
3x4
=
=
=
=
-8
-20
-2
4
Saya jamin source code yang tadi akan berhenti sebelum tugasnya selesai. Artinya ia gagal
menjalankan tugas mencari solusi sistem persamaan linear. Mengapa bisa begitu?
9.4.7
Pivoting
Pada baris ke-23, yang merupakan bagian dari proses triangularisasi dalam source code di atas,
terdapat
m=A[j,i]/A[i,i]
elemen A[i, i] tentunya tidak boleh bernilai nol. Jika itu terjadi, maka proses triangularisasi
otomatis akan berhenti dan itu sekaligus menggagalkan metode eliminasi Gauss. Dilihat dari
indeks-nya yang kembar yaitu [i, i], maka tidak diragukan lagi bahwa ia pasti menempati posisi
di elemen diagonal dari matrik A. Nama lain elemen ini adalah elemen pivot. Jadi apa yang
harus dilakukan jika secara tidak disengaja didalam aliran proses terdapat elemen pivot yang
bernilai nol?
Salah satu cara untuk mengatasinya adalah dengan menukar seluruh elemen yang sebaris
dengan elemen diagonal bernilai nol. Ia harus ditukar posisinya dengan baris yang ada dibawahnya, sampai elemen diagonal matrik menjadi tidak nol, aii 6= 0. Cara ini disebut pivoting.
Penambahan proses pivoting kedalam source code eliminasi Gauss dimulai dari baris ke-23 sampai baris ke-30 berikut ini
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
192
16
17
18
for i = 1:n
A(i,n+1) = b(i);
end
19
20
21
22
23
24
25
26
27
28
29
30
31
32
for j = i+1:n
m=A(j,i)/A(i,i);
for k = 1:n+1
A(j,k) = A(j,k)-m*A(i,k);
end
end
33
34
35
36
37
38
39
end
40
41
42
43
44
45
46
47
48
49
50
for i = n-1:-1:1
S = 0;
for k = i+1:n
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
function x=elgauss(A,b)
2
3
4
5
6
7
8
9
10
11
12
13
14
193
v = A(i,s);
u = A(i+1,s);
A(i,s) = u;
A(i+1,s) = v;
15
16
17
18
end
end
%---- akhir proses pivoting -----
19
20
21
22
for j = i+1:n
m=A(j,i)/A(i,i);
for k = 1:n+1
A(j,k) = A(j,k)-m*A(i,k);
end
end
23
24
25
26
27
28
29
end
30
31
32
33
34
35
36
37
38
39
40
for i = n-1:-1:1
S = 0;
for k = i+1:n
S = S + A(i,k)*x(k,1);
end
x(i,1)=(A(i,n+1)-S)/A(i,i);
end
Dengan adanya function elgauss, maka source-code untuk menyelesaikan sistem persamaan linear
dengan metode eliminasi gauss dapat ditulis secara sangat sederhana. Berikut ini contohnya..
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
x=elgauss(A,b)
194
Gunakan metode Eliminasi Gauss untuk menentukan arus i1 , i2 dan i3 yang mengalir pada
rangkaian berikut ini
jawab:
Berdasarkan Hukum Kirchhoff:
I1 + I2 = I3
14 + 6I1 10 4I2 = 0
10 6I1 2I3 = 0
Lalu kita susun ulang ketiga persamaan di atas menjadi seperti ini:
I1 + I2 I3 = 0
6I1 4I2 = 24
6I1 + 2I3 = 10
Kemudian dinyatakan dalam bentuk matriks:
I1
0 I2 = 24
2
10
I3
6 4
6 0
6 4
6 0
1
0
24
10
195
m=
a21 = a21 m.a11
m=
a31 = a31 m.a11
0 10
0 6
1
6
8
24
10
a32
a22
6
).(0)
10
6
a32 = a32 m.a22 = 6 (
).(10)
10
6
).(6)
a33 = a33 m.a23 = 8 (
10
6
).(24)
a34 = a34 m.a24 = 10 (
10
a31 = a31 m.a21 = 0 (
24
0 10 6
0
0
4, 4 4, 4
6
10
= 0
= 0
= 4, 4
= 4, 4
196
Sekarang tinggal melakukan proses substitusi mundur
a34
a33
a24 a23 .I3
I2 =
a22
a14 (a13 .I3 + a12 .I2 )
I1 =
a11
I3 =
=
=
=
4, 4
= 1
4, 4
24 (6).(1)
= 3
10
(0 [(1).(1) + (1).(3)]
=2
1
Jadi besar masing-masing arus pada rangkaian di atas adalah I1 = 2A, I2 = 3A dan I3 = 1A.
Tanda minus (-) memiliki arti bahwa arah arus yang sesungguhnya berlawanan arah dengan
asumsi awal yang kita gunakan. Keseluruhan tahapan perhitungan di atas cukup diselesaikan
oleh source-code berikut ini
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
I=elgauss(A,b)
Isi matrik A diturunkan dari sistem persamaan linear yang mengacu kepada Hukum Kirchhoff
sebagai berikut
I1 + I2 I3 = 0
6I1 4I2 = 24
6I1 + 2I3 = 10
yang kemudian dinyatakan dalam bentuk matrik A dan vektor b:
6 4
6 0
9.6.2
I1
0 I2 = 24
2
10
I3
Dalam kaitannya dengan invers matrik, matrik A disebut matrik non-singular jika matrik A
memiliki matrik invers dirinya yaitu A1 . Atau dengan kata lain, matrik A1 adalah invers dari
matrik A. Jika matrik A tidak memiliki invers, maka matrik A disebut singular. Bila matrik A
dikalikan dengan matrik A1 maka akan menghasilkan matrik identitas I, yaitu suatu matrik
197
AA
=I=
1 0 ... 0
0 1 ... 0
.. .. . . ..
. .
. .
0 0 ... 1
(9.4)
Misalnya diketahui,
A=
1 2 1
A1 =
0 ,
2
2 1
1 1
5
9
91
1
3
29
4
9
31
19
2
9
1
3
AA1 =
1 2 1
92
0 94
31
2
2 1
1 1
5
9
19
1
3
91
2
9
1
3
1 0 0
= 0 1 0
0 0 1
Lalu bagaimana cara memperoleh matrik invers, A1 ? Itulah bahan diskusi kita kali ini. Baiklah.., anggap saja kita tidak tahu isi dari A1 . Tapi yang jelas matrik A1 ukurannya mesti
sama dengan matrik A, yaitu 3x3.
AA1 = I
1 2 1
1 0 0
0 i21 i22 i23 = 0 1 0
0 0 1
2
i31 i32 i33
2 1
1 1
(9.5)
1 2 1
2 1
1 1
i11
0 i21 = 0
2
i31
0
198
1 2 1
2 1
1 1
1 1
i21
i31
0 i22 = 1
2
0
i23
1 2 1
2 1
0 i32 = 0
1
2
i32
Ketiganya dapat diselesaikan satu persatu menggunakan source code Eliminasi Gauss. Source
code untuk mendapatkan kolom pertama dari matrik invers adalah
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
I=elgauss(A,b)
Sementara, source code untuk mendapatkan kolom kedua dari matrik invers adalah
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
I=elgauss(A,b)
clear all
clc
3
4
5
199
2 1 0
-1 1 2];
8
9
10
11
12
13
14
15
I=elgauss(A,b)
Memang pada prinsipnya, dengan menjalankan tiga source-code di atas, akan diperoleh matrik invers. Namun cara seperti ini tentunya kurang efektif. Mungkinkah ketiganya digabung
menjadi satu? Jelas bisa!
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
for j = 1:3
b(j,1) = 0;
end
b(2,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,2) = I(k,1);
end
28
29
30
31
32
33
34
35
36
for j = 1:3
b(j,1) = 0;
end
b(3,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,3) = I(k,1);
end
clear all
clc
200
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
i = 2;
for j = 1:3
b(j,1) = 0;
end
b(i,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,i) = I(k,1);
end
30
31
32
33
34
35
36
37
38
39
i = 3;
for j = 1:3
b(j,1) = 0;
end
b(i,1) = 1;
I=elgauss(A,b);
for k = 1:3
AI(k,i) = I(k,1);
end
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
201
end
Diperlukan sedikit lagi modikasi agar source code tersebut dapat berlaku umum
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
9.6.2.1
Berdasarkan source code yang sudah teroptimasi di atas, kita bisa membuat function untuk
menghitung matrik invers.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
clear all
clc
3
4
5
6
202
7
-1 1 2];
8
9
10
Keberadaan matrik A1 bisa digunakan untuk menyelesaikan sistem persamaan linear (men-
(9.6)
Contoh berikut ini akan menjelaskan prosesnya secara lebih rinci. Misalnya diketahui sistem
persamaan linear
x1 + 2x2 x3 = 2
2x1 + x2 = 3
x1 + x2 + 2x3 = 4
Bila dikonversikan kedalam operasi matrik menjadi
1 2 1
2 1
1 1
x1
0 x2 = 3
2
x3
4
Berdasarkan persamaan (9.6), maka elemen-elemen vektor x dapat dicari dengan cara
x = A1 b
x=
92
4
9
31
5
9
19
1
3
91
2
9
1
3
3 =
4
7
9
13
9
5
3
Akhirnya diperoleh solusi x1 = 7/9, x2 = 13/9, dan x3 = 5/3. Penyelesaian sistem persamaan
linear menjadi lebih mudah bila matrik A1 sudah diketahui. Sayangnya, untuk mendapatkan matrik A1 , diperlukan langkah-langkah, seperti yang sudah dibahas pada contoh pertama
di atas, yang berakibat in-esiensi proses penyelesaian (secara komputasi) bila dibandingkan
dengan metode eliminasi gauss untuk memecahkan sistem persamaan linear. Namun bagaimanapun, secara konseptual kita dianjurkan mengetahui cara bagaimana mendapatkan matrik
A1 .
9.7. PENUTUP
203
9.7 Penutup
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email yang tercantum di halaman
paling depan.
204
Bab 10
Objektif :
Mengenalkan model garis.
Mengenalkan model parabola.
Mengenalkan model bidang.
Pada bab ini, saya mencoba menuliskan aplikasi Metode Eliminasi Gauss sebagai dasar-dasar
teknik inversi yaitu meliputi model garis, model parabola dan model bidang. Uraian aplikasi
tersebut diawali dari ketersediaan data observasi, lalu sejumlah parameter model mesti dicari
dengan teknik inversi. Mari kita mulai dari model garis.
(10.1)
206
Temperatur (Celcius)
200
150
100
50
10
20
30
40
50
60
Kedalaman (meter)
70
80
90
100
1 z1
1 z2
1 z
3
1 z4
T1
#
"
m1
T2
=
m
T
2
3
T4
(10.2)
(10.3)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
207
patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
GT Gm = GT d
(10.4)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu Gt
1 z1
1 z2
G=
1 z
3
1 z4
Gt =
"
z1 z2 z3 z4
2. Tentukan GT G
Gt G =
"
z1 z2 z3
1 z1
#
1 z2
z4
1 z3
1 z4
1
P #
"
N
zi
= P
P 2
zi
zi
dimana N = 4 dan i = 1, 2, 3, 4.
3. Kemudian tentukan pula GT d
Gt d =
"
z1 z2 z3
T1
#
#
" P
T2
T
i
= P
z4
zi Ti
T3
T4
1
# " P
#
P #"
m1
N
zi
Ti
= P
P
P 2
m2
zi
zi
zi Ti
(10.5)
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
"
#
P
P
N
zi |
Ti
P
P 2
P
zi
zi |
zi Ti
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
"
146
392
208
7. Lakukan proses triangularisasi dengan operasi (P2 (36, 5)P1 ) P2 . Saya sertakan pula
indeks masing-masing elemen pada matrik augment sebagaimana yang telah saya lakukan
pada catatan kuliah yang berjudul Metode Eliminasi Gauss. Hasilnya adalah
"
146
392
0 5577 | 11154
"
a23
11154
=
=2
a22
5577
392 (146)(2)
a13 a12 m2
=
= 25
a11
4
Script inversi model garis ini dibangun dari beberapa script yang sudah kita pelajari sebelumnya,
yaitu script transpose matriks, perkalian matrik dan script eliminasi gauss. Silakan pelajari
maksud tiap-tiap baris pada script ini.
1
2
3
clc
clear all
close all
4
5
6
7
8
%
N
z
T
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
%
A
b
m
24
25
26
27
28
29
30
%-------MENGGAMBAR GRAFIK---------------------plot(z,T,ro);
xlabel(Kedalaman (meter));ylabel(Suhu (derajat Celcius));
title(Data variasi suhu terhadap kedalaman)
hold on;
for i=1:max(z)
32
33
34
35
zi(i)=i;
Ti(i)=m(1)+m(2)*zi(i);
end
plot(zi,Ti);
hold off;
200
31
209
150
100
50
10
20
30
40
50
60
Kedalaman (meter)
70
80
90
100
Gambar 10.2: Kurva hasil inversi data observasi antara suhu dan kedalaman
Demikianlah contoh aplikasi metode Eliminasi Gauss pada model garis. Anda bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki bentuk model
yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model persamaan garis atau
disingkat model garis: y = m1 + m2x. Selanjutnya mari kita pelajari inversi model parabola.
(10.6)
dimana m1 , m2 dan m3 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut
model. Sedangkan m1 , m2 dan m3 disebut model parameter. Jadi pada model di atas terdapat
tiga buah model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai
210
suhu T1 , T2 ,..., dan T8 . Berdasarkan model tersebut, kita bisa menyatakan suhu dan kedalaman
masing-masing sebagai berikut:
m1 + m2 z1 + m3 z12 = T1
m1 + m2 z2 + m3 z22 = T2
m1 + m2 z3 + m3 z32 = T3
m1 + m2 z4 + m3 z42 = T4
m1 + m2 z5 + m3 z52 = T5
m1 + m2 z6 + m3 z62 = T6
m1 + m2 z7 + m3 z72 = T7
m1 + m2 z8 + m3 z82 = T8
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
1 z1 z12
T1
T2
1 z2 z22
1 z3 z32
T3
m1
T4
1 z4 z42
m2 =
1 z5 z52
T5
m
3
T6
1 z6 z62
T
1 z7 z72
7
T8
1 z8 z82
(10.7)
(10.8)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara mendapatkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d
(10.9)
211
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu Gt
G=
1 z1 z12
1 z2 z22
1 z3 z32
2
1 z4 z4
1 z5 z52
2
1 z6 z6
1 z7 z72
2
1 z8 z8
Gt = z1
z2 z3
z4
z5
z6 z7
z8
z82
2. Tentukan Gt G
1 1 1 1 1 1 1
G G = z1 z2 z3 z4 z5 z6 z7
z12 z22 z32 z42 z52 z62 z72
t
z8
z82
1 z1 z12
1 z2 z22
P
P 2
1 z3 z32
N
z
z
i
P
P 2 P i3
1 z4 z42
=
z
zi
z
P 2 P i3 P i4
1 z5 z52
zi
zi
zi
1 z6 z62
1 z7 z72
1 z8 z82
1 1 1 1 1 1 1
G d = z1 z2 z3 z4 z5 z6 z7
z12 z22 z32 z42 z52 z62 z72
t
z8
z82
T1
T2
T3
P
Ti
T4
P
=
zi Ti
T5
P 2
zi Ti
T6
T7
T8
4. Sekarang persamaan (10.14) dapat dinyatakan sebagai (ini khan least square juga...!?)
P
P
P 2
N
zi
zi
m1
Ti
P 2 P 3
P
P
zi m2 =
zi
zi
zi Ti
P 2 P 3 P 4
P 2
zi
zi
zi
m3
zi Ti
(10.10)
212
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
P
P 2
P
N
zi
zi |
Ti
P
P 2 P 3
P
zi
zi |
zi Ti
zi
P 2
P 2 P 3 P 4
zi |
zi Ti
zi
zi
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.
219
8547
349, 89
8547
393423 | 12894, 81
219
8547 393423 19787859 | 594915, 33
7. Lakukan proses triangularisasi dengan operasi (P2 (219/8)P1 ) P2 . Hasilnya adalah
219
0
8547
8547
349, 89
2551, 88 159448, 88 |
393423
3316, 57
| 594915, 33
19787859
219
8547
349, 89
159448, 88 | 3316, 57
0 2551, 88
0 159448.88 10656457, 88 | 221101, 6
9. Masih dalam proses triangularisai, operasi berikutnya (P3 (159448, 88/2551, 88)P2 ) P3 .
Hasilnya adalah
219
8547
349, 89
(10.11)
Seperti catatan yang lalu, saya ingin menyertakan pula notasi masing-masing elemen pada
matrik augment sebelum melakukan proses substitusi mundur.
219
8547
349, 89
213
13872, 19
a34
=
= 0, 02
a33
693609, 48
a24 a23 m3
3316, 57 (159448, 88)(0, 02)
=
= 0, 05
a22
2551, 88
dan m1
m1 =
10.2.1
Perbedaan utama script ini dengan script inversi model garis terletak pada inisialisasi elemenelemen matrik kernel. Elemen-elemen matrik kernel sangat ditentukan oleh model matematika
yang digunakan. Seperti pada script ini, matrik kernelnya diperoleh dari model parabola.
1
2
3
clc
clear all
close all
4
5
6
7
8
%
N
z
T
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
%
A
b
m
24
25
26
27
28
29
30
31
32
33
34
35
%-------MENGGAMBAR GRAFIK---------------------plot(z,T,ro);
xlabel(Kedalaman (meter));ylabel(Suhu (derajat Celcius));
title(Data variasi suhu terhadap kedalaman);
hold on;
for i=1:max(z)
zi(i)=i;
Ti(i)=m(1)+m(2)*zi(i)+m(3)*zi(i)^2;
end
plot(zi,Ti);
hold off;
214
90
80
70
60
50
40
30
20
10
20
30
Kedalaman (meter)
40
50
60
Gambar 10.3: Kurva hasil inversi data observasi antara suhu dan kedalaman
Demikianlah contoh aplikasi metode Eliminasi Gauss pada model parabola. Anda bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki bentuk model
yang sama dengan yang telah dikerjakan pada catatan ini, yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan parabola: y = m1 + m2 x + m3 x2 . Pada
catatan berikutnya, saya akan membahas model yang mengandung tiga model parameter dalam
2 dimensi.
Dalam catatan ini saya belum sempat mencari contoh pengukuran yang sesuai untuk model
2-dimensi. Maka, saya ingin langsung saja mengajukan sebuah model untuk 2-dimensi berikut
ini:
m1 + m2 xi + m3 yi = di
(10.12)
dimana m1 , m2 dan m3 merupakan model parameter yang akan dicari. Adapun yang berlaku
sebagai data adalah d1 , d2 , d3 , ..., di . Berdasarkan model tersebut, kita bisa menyatakan suhu
215
x1
y1
x2
1
..
.
x3
..
.
d2
y2
m
1
y3
m2 = d3
.
..
..
.
m3
yN
dN
1 xN
d1
(10.13)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara mendapatkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
Gt Gm = Gt d
(10.14)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu Gt
G=
x1
y1
x2
1
..
.
x3
..
.
y2
y3
..
.
yN
1 xN
Gt = x1 x2 x3 xN
y1 y2 y3 yN
2. Tentukan Gt G
Gt G = x1 x2 x3 xN
y1
y2
y3 yN
x1
y1
x2
1
..
.
x3
..
.
P
P
y2
N
xi
yi
P 2 P
P
y3
=
xi
xi
xi y i
P
P
P
..
yi
xi y i
yi2
.
yN
1 xN
216
Gt d = x1 x2 x3 xN
y1
y2
y3 yN
d1
d2
di
d3
=
xi di
P
..
yi di
.
dN
P
P
N
xi
yi
di
m1
P 2 P
P
P
xi y i m 2 =
xi
xi di
xi
P
P
P
P 2
yi
xi y i
m3
yi di
yi
(10.15)
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
P
P
P
N
xi
yi |
di
P
P 2 P
P
xi y i |
xi di
xi
xi
P
P
P 2
P
yi
xi y i
yi |
yi di
6. Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model linear
dan model parabola)
Anda bisa mengaplikasikan data pengukuran yang anda miliki, dengan syarat kasus yang
anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan
ini, yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan
bidang (atau 2-dimensi): d = m1 + m2 x + m3 y.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email: supri@f isika.ui.ac.id.
Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera mengeluarkan kamera otomatis, lalu melakukan ekperimen kinematika yaitu dengan melempar batu
vertikal ke atas. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut
Plot data pengukuran waktu vs ketinggian diperlihatkan pada Gambar 10.4. Anda diminta untuk membantu proses pengolahan data sehingga diperoleh nilai konstanta gravitasi di planet
tersebut dan kecepatan awal batu. Jelas, ini adalah persoalan inversi, yaitu mencari unkown
parameter (konstanta gravitasi dan kecepatan awal batu) dari data observasi (hasil foto gerak
sebuah batu).
217
Langkah awal untuk memecahkan persoalan ini adalah dengan mengajukan asumsi model
matematika, yang digali dari konsep-konsep sika, yang kira-kira paling cocok dengan situasi
pengambilan data observasi. Salah satu konsep dari sika yang bisa diajukan adalah konsep
tentang Gerak-Lurus-Berubah-Beraturan (GLBB), yang formulasinya seperti ini
1
ho + vo t gt2 = h
2
Berdasarkan tabel data observasi, ketinggian pada saat t = 0 adalah 5 m. Itu artinya ho = 5 m.
Sehingga model matematika (formulasi GLBB) dapat dimodikasi sedikit menjadi
1
vo t gt2 = h ho
2
(10.16)
1
m2 = g
2
(10.17)
(10.18)
m1 t2 + m2 t22 = h2 5
m1 t3 + m2 t23 = h3 5
..
..
.
.
.
= ..
218
9
Tinggi (meter)
0.5
1.5
2.5
Waktu (detik)
3.5
4.5
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
t1
t2
t3
t4
..
.
t19
t20
t21
h1 5
h2 5
"
#
h3 5
m1
..
m
2
.
..
h19 5
t219
h20 5
t220
t22
t23
t24
(10.19)
219
t1 t21
t2 t22
t
2
3 t3
2
G=
t4 t4
..
..
.
.
t
2
19 t19
t20 t220
Gt =
"
t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220
2. Menentukan Gt G
GG=
"
t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220
t1
t21
t2
t22
t23
" P 2 P 3 #
ti
ti
2
t4
= P t3 P t4
..
i
i
.
t219
t220
t3
t4
..
.
t19
t20
Gt d =
"
t1 t2 t3 t4 . . . t19 t20
t21 t22 t23 t24 . . . t219 t220
h1
h2
#
h3
" P
t
h
i
i
h4
= P t2 h
..
i i
.
h19
h20
t2i
t3i
t3i
t4i
#"
m1
m2
" P
"
179, 4
689, 1
689, 1 2822, 9
#"
m1
m2
ti hi
t2i hi
273, 7
796, 3
(10.20)
Hasil inversinya adalah nilai kecepatan awal yaitu saat batu dilempar ke atas adalah sebesar
m1 = vo = 3,2009 m/dt. Adapun percepatan gravitasi diperoleh dari m2 dimana m2 = 12 g =
220
9
Ketinggian (m)
0.5
1.5
2.5
Waktu (dt)
3.5
4.5
Berikut adalah script inversi dalam Matlab untuk memecahkan masalah ini
1
2
3
clc
clear all
close all
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
end
23
24
25
26
27
%
A
b
m
28
29
30
31
32
33
34
35
36
37
38
%-------MENGGAMBAR GRAFIK---------------------plot(t,h,ro);
xlabel(Waktu (detik));ylabel(ketinggian (meter));
title(Data variasi waktu terhadap ketinggian)
hold on;
for i=1:N
hi(i)=m(1)*t(i)+m(2)*t(i)^2+5;
end
plot(t,hi);
hold off;
221
222
Bab 11
Metode LU Decomposition
Objektif :
Mengenalkan teknik faktorisasi matrik.
Mengenalkan aplikasi LU Decomposition pada sistem persamaan linear.
Merumuskan algoritma LU Decomposition.
(11.1)
Pada metode LU-decomposition, matrik A difaktorkan menjadi matrik L dan matrik U, dimana
dimensi atau ukuran matrik L dan U harus sama dengan dimensi matrik A. Atau dengan kata
lain, hasil perkalian matrik L dan matrik U adalah matrik A,
A = LU
223
(11.2)
224
sehingga persamaan (12.4) menjadi
LU x = b
Langkah penyelesaian sistem persamaan linear dengan metode LU-decomposition, diawali dengan menghadirkan vektor y dimana,
Ux = y
(11.3)
Langkah tersebut tidak bermaksud untuk menghitung vektor y, melainkan untuk menghitung
vektor x. Artinya, sebelum persamaan (11.3) dieksekusi, nilai-nilai yang menempati elemenelemen vektor y harus sudah diketahui. Lalu bagaimana cara memperoleh vektor y? Begini
caranya,
Ly = b
(11.4)
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
4
1
-3
4
x1
x2 1
1
3 1 1
2
x3 3
1
2
3 1
4
x4
2
1 1
(11.5)
Pada metode eliminasi gauss, matrik A dikonversi menjadi matrik triangular melalui urutan
operasi-operasi berikut: (P2 2P1 ) (P2 ), (P3 3P1 ) (P3 ), (P4 (1)P1 ) (P4 ), (P3
4P2 ) (P3 ), (P4 (3)P2 ) (P4 ). Disisi lain, vektor b ikut berubah nilainya menyesuaikan
225
proses triangularisasi,
1
1
0
3
0 1 1 5
0
0
3
13
0
0
0 13
x1
4
x2 7
=
x 13
3
13
x4
(11.6)
Lain halnya dengan metode LU-decomposition dimana vektor b tidak mengalami perubahan.
Yang berubah hanya matrik A saja, yaitu menjadi matrik L dan matrik U, A = LU
A=
0 0 0
1 0 0
1
0 1 1 5
= 2
0
3
13
4 1 0
3 1 1
2
0
3
0
0
0 13
1 3 0 1
1
2
3 1
2
1 1
L=
0 0 0
1 0 0
3
4 1 0
1 3 0 1
2
0 1 1 5
U =
0
0
3
13
0
0
0 13
Coba bandingkan matrik U di atas dengan matrik hasil triangularisasi dari metode eliminasi
gauss pada persamaan (11.6), sama persis bukan? Jadi, cara memperoleh matrik U adalah
dengan proses triangularisasi! Lantas, bagaimana cara memperoleh matrik L? Begini caranya:
(1) elemen-elemen diagonal matrik L diberi nilai 1 (Asal tahu saja, cara ini dikenal dengan
metode Doolittle). (2) elemen-elemen matrik L yang berada di atas elemen-elemen diagonal
diberi nilai 0. (3) sedangkan, elemen-elemen matrik L yang berada di bawah elemen-elemen
diagonal diisi dengan faktor pengali yang digunakan pada proses triangularisasi eliminasi gauss.
Misalnya pada operasi (P2 2P1 ) (P2 ), maka faktor pengalinya adalah 2; pada operasi
Inilah letak perbedaannya, seluruh faktor pengali tersebut sangat dibutuhkan pada metode
LU-decomposition untuk membentuk matrik L. Padahal dalam metode eliminasi gauss, seluruh
faktor pengali tersebut tidak dimanfaatkan alias dibuang begitu saja. Disisi lain, vektor b tidak
mengalami proses apapun sehingga nilainya tetap. Jadi, proses konversi matrik pada metode
LU-decomposition hanya melibatkan matrik A saja!
Setelah langkah faktorisasi matrik A dilalui, maka operasi matrik pada persamaan (11.5)
menjadi,
0 0 0
1 0 0
0 1 1 5
3
4 1 0
0
3
13
0
1 3 0 1
0
0
0 13
2
x1
x2 1
x = 3
3
4
x4
(11.7)
226
0 0 0
1 0 0
3
4 1 0
1 3 0 1
y1
4
y2
= 1
y3
3
4
y4
1
2
0 1 1 5
0
0
3
13
0
0
0 13
x1
x2 7
=
x 13
3
13
x4
Melalui proses ini, yang pertama kali didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 ,
dan akhirnya x1 .
x4 = 1
1
x3 =
(13 13x4 ) = 0
3
x2 = (7 + 5x4 + x3 ) = 2
x1 = 4 3x4 x2 = 1
akhirnya diperoleh solusi x1 = 1, x2 = 2, x3 = 0, dan y4 = 1. Demikianlah contoh penyelesai-
Sekali matrik A difaktorkan, maka vektor b bisa diganti nilainya sesuai dengan sistem persamaan linear yang lain, misalnya seluruh nilai di ruas kanan diganti menjadi
P1
P2
P3
P4
:
:
:
:
x1
2x1
3x1
x1
+
+
x2
x2
x2
2x2
x3
x3
3x3
+
+
+
3x4
x4
2x4
x4
=
=
=
=
8
7
14
-7
11.2. ALGORITMA
227
x1
3
8
1
x2 = 7
3 1 1
2 x3
14
1
2
3 1
7
x4
1
2
1
0
1 1
(11.8)
Perhatikan baik-baik! Matrik A sama persis dengan contoh sebelumnya. Perbedaannya hanya
pada vektor b. Selanjutnya, dengan metode LU-decomposition, persamaan (11.8) menjadi
0 0 0
1 0 0
0 1 1 5
0
3
13
3
4 1 0
0
0
0
0 13
1 3 0 1
2
x1
x2 7
x = 14
3
x4
7
(11.9)
Silakan anda lanjutkan proses perhitungannya dengan mencari vektor y sesuai contoh yang
telah diberikan sebelumnya. Pada akhirnya akan diperoleh solusi sebagai berikut: x1 = 3,
x2 = 1, x3 = 0, dan y4 = 2.
11.2 Algoritma
Sekarang saatnya saya tunjukkan algoritma metode LU decomposition. Algoritma ini dibuat
untuk menyelesaikan sistem persamaan linear, dengan cara menfaktorkan matrik A = (aij ) berukuran n x n menjadi matrik L = (lij ) dan matrik U = (uij ) dengan ukuran yang sama. Algoritma LU-decomposition yang anda lihat sekarang merupakan modikasi dari algoritma eliminasi
gauss. Silakan anda periksa langkah-langkah mana saja yang telah mengalami modikasi! Tapi
asal tahu saja bahwa ini bukan satu-satunya algoritma untuk mendapatkan matrik LU. Sejauh
yang saya tahu, ada algoritma lain untuk tujuan yang sama, dimana algoritma tersebut membutuhkan matrik permutasi untuk menggeser elemen pivot yang bernilai nol agar terhindar dari
singular. Nah, sedangkan algoritma yang akan anda baca saat ini, sama sekali tidak berurusan dengan matrik permutasi. Algoritma ini cuma memanfaatkan trik tukar posisi yang sudah
pernah dibahas di awal-awal catatan khususnya ketika membahas konsep eliminasi gauss.
Satu lagi yang harus saya sampaikan juga adalah bahwa dalam algoritma ini, elemen-elemen
matrik L dan matrik U digabung jadi satu dan menggantikan seluruh elemen-elemen matrik A.
Perhatian! cara ini jangan diartikan sebagai perkalian matrik L dan matrik U menjadi matrik A
kembali. Cara ini dimaksudkan untuk menghemat memori komputer. Suatu aspek yang tidak
boleh diabaikan oleh para programer. Marilah kita simak algoritmanya bersama-sama!
INPUT: dimensi n; nilai elemen aij , 1 i, j n; nilai elemen bi .
OUTPUT: solusi x1 , x2 , x3 , ..., xn atau pesan kesalahan yang mengatakan bahwa faktorisasi tidak
mungkin dilakukan.
228
A=
a11
a21
..
.
a12
a22
..
.
. . . a1n
. . . a2n
..
.
b=
b1
b2
..
.
bn
(11.10)
api 6= 0. Langkah dilakukan bila ditemukan elemen diagonal yang bernilai nol (aii =
0). Ketika ada elemen diagonal yang bernilai nol, maka program harus mencari dan
memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang sama dengan
kolom tempat elemen diagonal tersebut berada. Jadi saat proses ini berlangsung,
integer i (indeks dari kolom) dibuat konstan, sementara integer p (indeks dari baris)
bergerak dari p = i sampai p = n. Bila ternyata setelah mencapai elemen paling
bawah dalam kolom tersebut, yaitu saat p = n tetap didapat nilai api = 0, maka
sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki solusi yang unik.
Lalu program berakhir: STOP.
Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh
elemen yang tidak sama dengan nol (api 6= 0), maka bisa dipastikan p 6= i. Jika p 6= i
aji
aii
i1
X
j=1
aij yj
11.2. ALGORITMA
229
an,n+1
ann
ai,n+1
Pn
j=i+1 aij xj
aii
Langkah 11: Diperoleh solusi yaitu x1 , x2 , ..., xn . Algoritma telah dijalankan dengan sukses. STOP.
Algoritma di atas telah diimplementasi kedalam program yang ditulis dengan bahasa Fortran. Program tersebut sudah berhasil dikompilasi dengan visual fortran (windows) dan g77
(debian-linux). Inilah programnya:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
60
16
17
18
19
50
20
21
22
23
24
25
110
26
27
28
29
30
31
32
100
33
34
35
36
37
38
200
C
230
39
40
41
42
43
44
45
46
20
47
48
49
50
51
52
53
54
55
56
57
40
C
58
59
60
61
30
10
C
62
63
64
65
120
66
67
68
69
70
71
72
73
16
74
75
76
15
C
77
78
79
80
138
81
82
83
84
85
86
87
88
89
90
26
91
92
93
24
C
94
95
96
97
18
11.2. ALGORITMA
98
99
100
101
102
103
104
400
6
8
231
WRITE(*,*)
WRITE(*,*) SELESAI --> SUKSES
WRITE(*,*)
CONTINUE
FORMAT(1X,5(F14.8))
FORMAT(1X,TIDAK DAPAT DIFAKTORKAN)
END
Demikianlah, sekarang kita punya tiga buah algoritma untuk memecahkan problem sistem
persamaan linear, yaitu eliminasi gauss, invers matrik, dan lu-decomposition. Diantara ketiganya, eliminasi gauss adalah algoritma yang paling simpel dan esien. Dia hanya butuh proses
triangularisasi dan substitusi-mundur untuk mendapatkan solusi. Sedangkan dua algoritma
yang lainnya membutuhkan proses-proses tambahan untuk mendapatkan solusi yang sama.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email.
232
Bab 12
Interpolasi
Objektif :
Mengenalkan Interpolasi Lagrange
Mengenalkan Interpolasi Spline-cubic
x x1
x0 x1
L1 (x) =
x x0
x1 x0
dan
x0 x0
x0 x1
y0 +
y1 = y0
x0 x1
x1 x0
233
234
dan pada saat x = x1
P (x1 ) =
x1 x0
x1 x1
y0 +
y1 = y1
x0 x1
x1 x0
dari contoh ini, kira-kira apa kesimpulan sementara anda? Ya.. kita bisa sepakat bahwa fungsi
polinomial
P (x) =
x x1
x x0
y0 +
y1
x0 x1
x1 x0
(12.1)
Sekarang mari kita perhatikan lagi contoh lainnya. Misalnya ada tiga titik yaitu (x0 , y0 ), (x1 , y1 )
dan (x2 , y2 ). Tentukanlah fungsi polinomial yang melewati ketiganya! Dengan pola yang sama
kita bisa awali langkah pertama yaitu mendenisikan
L0 (u) =
(u x1 )(u x2 )
(x0 x1 )(x0 x2 )
L1 (u) =
(u x0 )(u x2 )
(x1 x0 )(x1 x2 )
L2 (u) =
(u x0 )(u x1 )
(x2 x0 )(x2 x1 )
lalu
dan
(u x0 )(u x2 )
(u x0 )(u x1 )
(u x1 )(u x2 )
y0 +
y1 +
y2
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
(x0 x0 )(x0 x2 )
(x0 x0 )(x0 x1 )
(x0 x1 )(x0 x2 )
y0 +
y1 +
y2 = y0
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
pada saat x = x1
P (x1 ) =
(x1 x0 )(x1 x2 )
(x1 x0 )(x1 x1 )
(x1 x1 )(x1 x2 )
y0 +
y1 +
y2 = y1
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
pada saat x = x2
P (x2 ) =
(x2 x1 )(x2 x2 )
(x2 x0 )(x2 x2 )
(x2 x0 )(x2 x1 )
y0 +
y1 +
y2 = y2
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
235
(x x0 )(x x2 )
(x x0 )(x x1 )
(x x1 )(x x2 )
y0 +
y1 +
y2
(x0 x1 )(x0 x2 )
(x1 x0 )(x1 x2 )
(x2 x0 )(x2 x1 )
(12.2)
Kalau kita bandingkan antara persamaan (12.1) dan persamaan (12.2), terlihat bahwa derajat
persamaan (12.2) lebih tinggi dibandingkan dengan derajat persamaan (12.1). Hal ini terlihat
dari x2 pada persamaan (12.2) sementara pada persamaan (12.1) hanya ada x. persamaan
(12.2) disebut fungsi polinomial berderajat 2, sedangkan persamaan (12.1) disebut fungsi polinomial berderajat 1.
Script matlab untuk polinomial Lagrange berderajat 2 yang sesuai persamaan (12.2) adalah
sebagai berikut:
1
2
3
4
x = [2 7.2 -6];
y = [4 6.3 5];
5
6
7
plot(x,y,sr);
axis([-8 8 0 8]);
8
9
10
11
12
13
14
15
u = 5;
% =========== Menghitung koefisien Lagrange ============
L1 = (u-x(2))*(u-x(3)) / ((x(1)-x(2))*(x(1)-x(3)));
L2 = (u-x(1))*(u-x(3)) / ((x(2)-x(1))*(x(2)-x(3)));
L3 = (u-x(1))*(u-x(2)) / ((x(3)-x(1))*(x(3)-x(2)));
% =========== Menghitung interpolasi Lagrange ==========
P = L1*y(1) + L2*y(2) + L3*y(3);
16
17
18
19
20
hold on
plot(u,P,*); grid on;
xlabel(\fontsize{12} x);
ylabel(\fontsize{12} P(x));
Script matlab untuk polinomial Lagrange yang bisa menyesuaikan jumlah pasangan titik
adalah sebagai berikut:
1
2
3
4
5
x = [2 7.2 -6 4 -1];
y = [4 6.3 5 3 0];
u = -5:0.001:7;
6
7
8
plot(x,y,sr)
axis([-7 8 -6 7]);
9
10
11
12
13
14
n = length(x);
w = length(u);
for h = 1:w
for q = 1:n
M = 1;
236
P(x)
for k = 1:n
if k ~=
M =
end
end
N = 1;
for k = 1:n
if k ~=
N =
end
end
L(q) = M/N;
q
M * (u(h)-x(k));
q
N * (x(q)-x(k));
end
P = 0;
for k = 1:n
P = P + L(k)*y(k);
end
B(h) = P;
end
hold on
plot(u,B); grid on;
xlabel(\fontsize{12} x);
ylabel(\fontsize{12} P(x));
237
Gambar 12.2: Sejumlah titik terdistribusi pada koordinat kartesian. Masing-masing titik memiliki pasangan koordinat (x, y)
Untuk bisa menghasilkan kurva seperti yang tampak pada Gambar (12.3), interpolasi cubic
spline menciptakan sejumlah fungsi polinomial S(x) yang merupakan potongan fungsi polinomial kecil-kecil (Gambar 12.4) berderajat tiga (cubic ) yang saling sambung-menyambung untuk
menghubungkan dua titik yang bersebelahan
Agar tujuan interpolasi cubic spline dapat tercapai, diperlukan sejumlah ketentuan-ketentuan
sebagai berikut:
1. Sj (x) adalah potongan fungsi yang berada pada sub-interval dari xj hingga xj+1 untuk
238
Gambar 12.3: Kurva interpolasi cubic spline yang menghubungkan semua titik
Gambar 12.4: Sejumlah polinomial cubic yaitu S0 , S1 , S2 ... dan seterusnya yang saling sambungmenyambung sehingga mampu menghubungkan seluruh titik
nilai j = 0, 1, ..., n 1;
2. S(xj ) = f (xj ), artinya pada setiap titik data (xj ), nilai f (xj ) bersesuaian dengan S(xj )
dimana j = 0, 1, ..., n;
3. Sj+1 (xj+1 ) = Sj (xj+1 ). Perhatikan titik xj+1 pada Gambar (12.4). Ya.. tentu saja jika
fungsi itu kontinyu, maka titik xj+1 menjadi titik sambungan antara Sj dan Sj+1 .
4. Sj+1
(xj+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan pertama dari Sj dan Sj+1
5. Sj+1
j+1 ) = Sj (xj+1 ), artinya kontinyuitas menuntut turunan kedua dari Sj dan Sj+1
pada titik xj+1 harus bersesuaian juga.
6. Salah satu syarat batas diantara 2 syarat batas x0 dan xn berikut ini mesti terpenuhi:
S (x0 ) = S (xn ) = 0 ini disebut natural boundary
239
(12.3)
(12.4)
(12.5)
(12.6)
tapi dengan ketentuan tambahan yaitu S (x)/2, sehingga persamaan ini dimodikasi menjadi
Sj (x) = cj + 3dj (x xj )
240
dengan cara yang sama, ketika x = xj
Sj (xj ) = cj + 3dj (xj xj ) = cj
dan ketika x = xj+1
cj+1 = Sj (xj+1 ) = cj + 3dj (xj+1 xj )
cj+1 = cj + 3dj hj
dan dj bisa dinyatakan
dj =
1
(cj+1 cj )
3hj
(12.7)
(12.8)
= aj + bj hj +
cj h2j
= aj + bj hj +
h2j
(2cj + cj+1 )
3
(cj+1 cj )
(12.9)
(12.10)
Sampai sini masih bisa diikuti, bukan? Selanjutnya, kita coba mendapatkan bj dari persamaan
(12.9)
bj =
dan untuk bj1
bj1 =
1
hj
(aj+1 aj ) (2cj + cj+1 )
hj
3
1
hj1
(aj aj1 )
hj1
(2cj1 + cj )
3
(12.11)
(12.12)
Langkah berikutnya adalah mensubtitusikan persamaan (12.11) dan persamaan (12.12) kedalam persamaan (12.10),
hj1 cj1 + 2(hj1 + hj )cj + hj cj+1 =
3
3
(aj+1 aj )
(aj aj1 )
hj
hj1
(12.13)
n1
dimana j = 1, 2, ..., n 1. Dalam sistem persamaan ini, nilai {hj }j=0
dan nilai {aj }nj=0 sudah
diketahui, sementara nilai {cj }nj=0 belum diketahui dan memang nilai inilah yang akan dihitung
Sekarang coba perhatikan ketentuan nomor (6), ketika S (x0 ) = S (xn ) = 0, berapakah nilai
241
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 )
H=
. . .
...
...
. . .
...
...
0
...
...
...
...
...
h2
...
...
. . . hn2
...
...
...
0
...
...
0
1
...
c0
c1
c=
..
.
cn
0
3
h1 (a2 a1 )
..
.
(a1 a0 )
h
0
d=
3 (a a
3
n1 ) hn2 (an1 an2 )
hn1 n
0
Sekarang kita beralih ke clamped boundary dimana S (a) = f (a) dan S (b) = f (b). Nah, kita
bisa evaluasi persamaan (12.11) dengan j = 0, dimana f (a) = S (a) = S (x0 ) = b0 , sehingga
f (a) =
1
h0
(a1 a0 ) (2c0 + c1 )
h0
3
konsekuensinya,
2h0 c0 + h0 c1 =
3
(a1 a0 ) 3f (a)
h0
1
hn1
(an an1 )
hn1
(2cn1 j + cn )
3
(12.14)
242
Jadi
f (b) =
=
hn1
(2cn1 j + cn ) + hn1 (cn1 + cn )
hn1
3
1
hn1
(an an1 +
(cn1 j + 2cn )
hn1
3
(an an1 )
3
hn1
(an an1 )
(12.15)
Persamaan (12.14) dan persamaan (12.15) ditambah persamaan (12.13 membentuk operasi
matrik Ax = b dimana
2h0
h0
0
h0 2(h0 + h1 )
h1
0
h1
2(h1 + h2 )
A=
...
...
...
...
...
...
0
...
...
...
...
...
h2
...
...
. . . hn2
...
...
...
0
...
...
hn1
2hn1
...
c0
c1
x=
..
.
cn
3
h0 (a1
a0 ) 3f (a)
..
b=
3 (a a
3
n1 ) hn2 (an1 an2 )
hn1 n
3
3f (b) hn1
(an an1 )
1
2
3
4
5
%
%
%
%
%
==============================================================
PROGRAM - Interpolasi Cubic Spline
diaplikasikan pada punggung burung
dibuat oleh Supriyanto, 17 Desember 2012
==============================================================
6
7
8
9
clc
close
clear
10
11
12
13
data = load(burung.txt);
x = data(:,1);
y = data(:,2);
14
15
plot(x,y,sr);
16
17
n = length(x);
for k = 1:n-1
h(k) = x(k+1) - x(k);
end
21
22
23
24
H = zeros(n);
H(1,1) = 1;
H(n,n) = 1;
25
26
27
28
29
30
31
32
33
34
a = y;
r(1,1) = 0;
for k = 2:n-1
H(k,k) = 2*(h(k-1)+h(k));
H(k,k-1) = h(k-1);
H(k,k+1) = h(k);
r(k,1) = 3/h(k)*(a(k+1)-a(k)) - 3/h(k-1)*(a(k)-a(k-1));
end
r(n,1) = 0;
35
36
c = inv(H)*r;
37
38
39
40
41
for k = 1:n-1
b(k,1) = 1/h(k)*(a(k+1)-a(k)) - h(k)/3*(2*c(k)+c(k+1));
d(k,1) = 1/(3*h(k))*(c(k+1)-c(k));
end
42
43
hold on
44
45
46
47
48
49
for k = 2:n
xx = x(k-1):0.01:x(k);
S = a(k-1)+b(k-1)*(xx-x(k-1))+c(k-1)*(xx-x(k-1)).^2+d(k-1)*(xx-x(k-1)).^3;
plot(xx,S);
end
243
244
245
2.5
1.5
0.5
10
12
14
12
14
10
246
j
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
xj
0,9
1,3
1,9
2,1
2,6
3,0
3,9
4,4
4,7
5,0
6,0
7,0
8,0
9,2
10,5
11,3
11,6
12,0
12,6
13,0
13,3
aj
1,3
1,5
1,85
2,1
2,6
2,7
2,4
2,15
2,05
2,1
2,25
2,3
2,25
1,95
1,4
0,9
0,7
0,6
0,5
0,4
0,25
bj
0,54
0,42
1,09
1,29
0,59
-0,02
-0,5
-0,48
-0,07
0,26
0,08
0,01
-0,14
-0,34
-0,53
-0,73
-0,49
-0,14
-0,18
-0,39
cj
0,00
-0,30
1,41
-0,37
-1,04
-0,50
-0,03
0,08
1,27
-0,16
-0,03
-0,04
-0,11
-0,05
-0,1
-0,15
0,94
-0,06
0
-0,54
dj
-0,25
0,95
-2,96
-0,45
0,45
0,17
0,08
1,31
-1,58
0,04
0,00
-0,02
0,02
-0,01
-0,02
1,21
-0,84
0,04
-0,45
0,60
Bab 13
Objektif :
Mengenalkan fungsi ber-input vektor
Mengenalkan fungsi ber-output vektor
Mengenalkan fungsi ber-output matrik
Menerapkan metode Newton pada sistem persamaan non linear
x=
8
5
itu artinya x1 = 3; x2 = -2; x3 = 8 dan x4 = 5. Kemudian vektor kolom x tersebut diinputkan
ke dalam suatu persamaan
y = x31 + 2x22 4x3 x4
dan diperoleh nilai y = -2. Di dalam Matlab, fungsi ini ditulis sebagai fungsi eksternal yang
diberinama fun.m sebagai berikut
1
function y = fun(x)
2
3
Yang dimaksud vektor disini adalah matrik yang hanya terdiri dari satu kolom atau satu baris
247
248
Pada script di atas, cara penulisan y = fun(x) memiliki pola yang sama dengan penulisan
fungsi eksternal sebelum-sebelumnya. Namun sebenarnya berbeda makna-nya. Parameter input
x disini bermakna vektor yang didalamnya terdapat 4 buah angka. Untuk lebih jelasnya, coba
anda bandingkan dengan script berikut
1
function y = fun(x)
2
3
y = x^3;
y2 = x21 + 3x22 x3
1
x2
y3 =
2x2 + 3
x1
2
function y = fun(x)
2
3
4
5
249
13.0000
36.3333
sehingga
x31 + 2x22 4x3 = 3
x21 + 3x22 x3 = 13
1
x2
2x2 + 3 = 36.3333
x1
2
(13.1)
3x21
J(x) =
2x1
x12
1
4x2 4
6x2 1
2 x3
function J = jaco(x)
2
3
4
5
J = [3*x(1)^2 4*x(2) -4
2*x(1) 6*x(2) -1
-1/x(1)^2 -2 x(3)];
-8.0000
-4.0000
6.0000
-12.0000
-1.0000
-0.1111
-2.0000
8.0000
f (xlama )
f (xlama )
250
Metode Newton juga bisa diterapkan untuk mencari solusi sistem persamaan yang terdiri atas
sejumlah angka. Untuk maksud tersebut, formula di atas dimodikasi menjadi
xb = x (J(x))1 f (x)
(13.2)
dimana J(x) = matriks Jacobian dan f(x) = fungsi sistem persamaan. Untuk membahas hal
ini mari kita perhatikan contoh berikut. Misalnya diketahui sistem persamaan berikut
x31 + 2x22 4x3 = 3
x21 + 3x22 x3 = 13
x2
1
2x2 + 3 = 36.3333
x1
2
Tentukan solusi x1 , x2 dan x3 . Langkah pertama penyelesaian adalah dengan membentuk vektor
fungsi, yaitu
f21
J(x) = x
1
f3
x1
f1
x2
f2
x2
f3
x2
f1
x3
f2
x3
f3
x3
3x21
=
2x1
x12
1
4x2 4
6x2 1
2 x3
langkah berikutnya adalah menerapkan metode Newton (persamaan (13.2)) dengan nilai awal
x = [1;2;1]. Setelah iterasi ke-27, diperoleh solusi xb = [3;-2;8] atau x1 = 3, x2 = -2 dan
x3 = 8. Script utama untuk masalah ini adalah
1
2
clear all
clc
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
itermaks = 10000;
tol = 10^(-10);
x = [1; 2; 1];
for k = 1:itermaks
if det(jaco(x))==0
x = x + 0.0000000001;
end
xb = x - inv(jaco(x))*fun(x);
if abs(xb-x) < tol
break;
end
x = xb;
end
xb
iterasi = k
adapun fungsi eksternal fun.m dan jaco.m sudah dibuat pada contoh sebelumnya.
251
6
7
2
-3
10
-6
9
-8
0.7354
0.3992
0.6438
0.0357
2
0
2
4
6
8
4
2
X
(13.3)
dimana (xp , yp ) adalah koordinat sumber sinyal; (x, y) adalah koordinat detektor; v adalah kecepatan rambat sinyal; dan t adalah waktu tempuh sinyal. Dengan demikian, sistem persamaan
252
(xp x1 )2 + (yp y1 )2
v
p
(xp x2 )2 + (yp y2 )2
v
p
2
(xp x3 ) + (yp y3 )2
v
p
(xp x4 )2 + (yp y4 )2
v
t1 =
t2 =
t3 =
t4 =
atau dapat diformulasikan sebagai
ti =
(xp xi )2 + (yp yi )2
v
(13.4)
Sekarang anggap saja kita tidak tahu koordinat sumber sinyal. Lalu kita percayakan kepada inversi non-linear (dengan metode Newton) untuk menemukan koordinat sumber sinyal
tersebut. Untuk membahas ini lebih jauh, saya mulai dengan memunculkan kembali formulasi
metode Newton yaitu
(baru) = (lama)
f (lama)
f (lama)
Berdasarkan formulasi tersebut, yang pertama harus dilakukan adalah menentukan fungsi f (lama).
Dalam kasus ini, fungsi f (lama) diperoleh dengan memodikasi persamaan 13.4 dimana variabel ti yang semula terletak di sebelah kiri tanda sama-dengan, dipindah ke sebelah kanan tanda
sama-dengan, sehingga menjadi
p
(xp xi )2 + (yp yi )2
fi (xp , yp ) =
ti
v
(13.5)
Mengingat jumlah detektor-nya ada 4, maka fungsi f untuk masing-masing detektor adalah
f1 (xp , yp ) =
f2 (xp , yp ) =
f3 (xp , yp ) =
f4 (xp , yp ) =
(xp x1 )2 + (yp y1 )2
v
p
2
(xp x2 ) + (yp y2 )2
v
p
(xp x3 )2 + (yp y3 )2
v
p
(xp x4 )2 + (yp y4 )2
v
t1
(13.6)
t2
(13.7)
t3
(13.8)
t4
(13.9)
253
f1 (xp , yp )
f2 (xp , yp )
f(xp , yp ) =
f3 (xp , yp )
f4 (xp , yp )
(13.10)
Parameter yang belum diketahui (unknown parameters) adalah xp dan yp , yang tidak lain adalah
koordinat sumber sinyal; dan itu yang akan kita cari dengan metode Newton. Formulasi metode
Newton untuk xp dan yp adalah
(xp , yp )baru = (xp , yp )lama
f ((xp , yp )lama )
f ((xp , yp )lama )
f (xp , yp )
f (xp , yp )
(13.11)
fi (xp , yp )
fi (xp , yp )
(13.12)
dimana i = 1, 2, 3 dan 4 sesuai dengan jumlah detektor. Karena fi telah dinyatakan sebagai
sebuah vektor f (lihat persamaan 13.10), maka
(xbp , ypb ) = (xp , yp )
f(xp , yp )
fi (xp , yp )
(13.13)
Nah sekarang bagaimana cara mendapatkan fi (xp , yp )? Untuk menjawab pertanyaan tersebut, mari kita ambil fungsi f1 dari detektor 1 (persamaan 13.7)
f1 (xp , yp ) =
(xp x1 )2 + (yp y1 )2
t1
v
Operasi turunan terhadap fungsi f1 hanya dilakukan terhadap unknown-paramters saja yaitu xp
dan yp . Dengan demikian, turunan fungsi f1 terhadap xp adalah
(xp x1 )
f1
= p
xp
v (xp x1 )2 + (yp y1 )2
(yp y1 )
f1
= p
yp
v (xp x1 )2 + (yp y1 )2
Tentu dengan cara yang sama, kita bisa mendapatkan nilai-nilai untuk f2 (xp , yp ), f3 (xp , yp ) dan
f4 (xp , yp ); disesuaikan dengan jumlah detektor. Semua nilai tersebut dapat digabung dalam
254
sebuah matrik yaitu
f1
xp
f2
xp
f (xp , yp ) =
f3
xp
f4
xp
f1
yp
f2
yp
f3
yp
f4
yp
(xp x1 )
v (xp x1 )2 +(yp y1 )2
(xp x2 )
v (xp x2 )2 +(yp y2 )2
(xp x3 )
v (x x )2 +(y y )2
p
p
3
3
4)
(xp x
v (xp x4 )2 +(yp y4 )2
(yp y1 )
2
2
v (xp x1 ) +(yp y1 )
(yp y2 )
v (xp x2 )2 +(yp y2 )2
(yp y3 )
v (xp x3 )2 +(yp y3 )2
(yp y4 )
v (xp x4 )2 +(yp y4 )2
Setiap elemen matrik adalah turunan pertama dari suatu unknown-parameter (bisa terhadap xp
maupun yp ). Matrik yang tiap elemennya berbentuk turunan pertama dikenal dengan nama
matrik Jacobian. Jumlah baris matrik Jacobian ditentukan oleh banyaknya detektor atau oleh
banyaknya data. Sedangkan jumlah kolomnya ditentukan oleh banyaknya jumlah unknownparameter.
J(xp , yp ) =
f1
xp
f2
xp
f3
xp
f4
xp
f1
yp
f2
yp
f3
yp
f4
yp
Nah, sekarang formulasi metode Newton saya tulis kembali dalam bentuk
(xbp , ypb ) = (xp , yp )
f(xp , yp )
J(xp , yp )
(13.14)
dimana f(xp , yp ) berupa vektor dan J(xp , yp ) berupa matrik. Lalu bagaimana cara menghitung
pembagian antara vektor dan matrik dalam komputasi? Kalau anda masih ingat dengan persamaan matrik Gm = d, tentu anda masih ingat juga bagaimana caranya mendapatkan vektor m,
yaitu
m = [GT G]1 GT d
dalam hal ini bukankah
m=
d
G
dimana d berupa vektor dan G berupa matrik? Bentuknya sama persis dengan vektor f dibagi
matrik Jacobian pada Persamaan 13.14. Dengan demikian formulasi Newton dalam komputasi
dapat saya nyatakan sebagai
(xbp , ypb ) = (xp , yp ) [J T (xp , yp )J(xp , yp )]1 J T (xp , yp )f(xp , yp )
(13.15)
"
m1
m2
" #
xp
yp
(13.16)
255
dimana mb adalah vektor yang berisi unknown-parameters ter-update hasil iterasi sekian kali.
Untuk mengakhiri catatan ini, berikut saya tuliskan script Matlab untuk kasus mencari koordinat sumber sinyal. Dalam hal ini saya membuat fungsi eksternal untuk menghitung elemenelemen vektor f dan elemen-elemen matrik Jacobian J. Sebagai nilai awal, saya pilih xp = -2
dan yp = 5. Saat iterasi berakhir, akan didapat xp = -3,9986 dan yp = -7,9997 dengan jumlah
iterasi = 8. Sedangkan solusi yang sesungguhnya adalah xp = -4 dan yp = -8.
1
2
3
4
5
%
%
%
%
%
6
7
8
9
clc
clear all
close all
10
11
12
13
14
x
y
t
v
=
=
=
=
[6 7 2 -3];
% koordinat x tiap stasiun
[10 -6 9 -8];
% koordinat y tiap stasiun
[0.7354 0.3992 0.6438 0.0357]; % waktu tempuh sinyal di tiap stasiun
28;
% kecepatan rambat sinyal
15
16
m = [-2 5];
epsilon = 1e-12;
itermaks = 1000;
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
% ============ HASIL
xp = m(1)
%
yp = m(2)
%
Jml_iterasi = p
%
256
No
Lokasi stasiun
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Bayah
Cisolok
Pelabuhan Ratu
Sukabumi
Jakarta
Serpong
Serang
Merak
Rajabasa
Krakatau
Bandar Lampung
Ulu Belu
Cibaliung
Labuhan
Pandeglang
Rangkasbitung
Pangandaran
Garut
9233524,43
9230887,17
9227840,52
9243720,59
9313254,00
9301381,24
9321631,57
9341758,86
9354831,95
9319709,03
9397735,04
9419854,84
9257238,94
9298007,77
9302623,36
9295866,68
9148191,79
9197731,98
24
47
225
1303
13
45
54
6
7
279
4
1090
95
7
249
66
1
829
Bab 14
Objektif :
Mengenalkan metode Monte Carlo
14.1 Penyederhanaan
Kita awali pembahasan metode Monte Carlo dengan mengetengahkan contoh yang sangat terkenal yaitu menghitung luas suatu lingkaran. Fugure 1 memperlihatkan lingkaran dengan radius
r = 1 berada di dalam kotak bujursangkar. Luas lingkaran adalah r 2 = (1)2 = sementara
luas bujursangkar adalah (2)2 = 4. Rasio antara luas lingkaran dan luas bola adalah
=
luas lingkaran
= = 0, 7853981633974483
luas bujursangkar
4
(14.1)
258
Jadi, dengan mengetahui nilai , maka kita bisa menghitung luas lingkaran dengan cara
luas
(14.2)
Bayangkan anda punya satu set permainan dart. Anda lemparkan sejumlah dart ke arah
lingkaran tadi. Misalnya, total dart yang menancap di papan dart ada 1024 buah. Sebanyak
812 dart berada di dalam lingkaran, dan yang lainnya di luar lingkaran. Rasio antara keduanya
=
total
812
dart di dalam lingkaran
=
= 0, 79296875
dart di dalam bujursangkar
1024
(14.3)
Gambar 14.2: Dart yang menancap pada bidang lingkaran dan bujursangkar
Dengan pendekatan ke persamaan (14.2) maka luas lingkaran adalah
luas
Apakah angka ini make sense ? Mungkin anda masih ragu. Sekarang mari kita coba hitung nilai
dengan mengacu pada rumus di atas. Kita sepakati saja bahwa dart yang berada di dalam
lingkaran mesti memenuhi x2i + yi2 1. Dalam perhitungan, semua dart diganti dengan bi-
langan acak (random number ). Dari 1000 dart, yang masuk lingkaran ada 787 buah, sehingga,
mengacu persamaan (14.3)
=
787
= 0, 787
1000
14.1. PENYEDERHANAAN
259
Gambar 14.3: Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar
leh.
Sekarang mari kita kembangkan metode Monte Carlo ini untuk menghitung luas suatu area
yang terletak di bawah garis kurva suatu fungsi f (x). Atau sebut saja menghitung integral suatu
fungsi f (x) yang dievaluasi antara batas a dan b. Luas kotak R yang melingkupi luas bidang
integral A adalah
R = {(x, y) : a x b dan
0 y d}
(14.4)
dimana
d = maksimum
f (x) ,
axb
(14.5)
260
Bab 15
Inversi
Objektif :
Mengenalkan inversi linear
Mengenalkan inversi non-linear
yi
1,3
3,5
4,2
5,0
7,0
xi
6
7
8
9
10
yi
8,8
10,1
12,5
13,0
15,6
Lalu data tersebut di-plot dalam sumbu x dan y. Sekilas, kita bisa melihat bahwa data yang
16
14
12
10
Y 8
6
4
2
0
1
10
telah di-plot tersebut dapat didekati dengan sebuah persamaan garis, yaitu a1 xi + a0 . Artinya,
261
262
(15.1)
Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa, sehingga posisi
garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas?
Dengan kata lain, sebisa mungkin yi sama dengan P (xi ) atau dapat diformulasikan sebagai
m
X
yi P (xi ) = 0
(15.2)
yi (a1 xi + a0 ) = 0
(15.3)
i=1
m
X
i=1
dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu
E(a0 , a1 ) =
m
X
i=1
yi (a1 xi + a0 )
(15.4)
Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Jadi, tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. Namun
demikian, kita masih bisa berharap agar fungsi error menghasilkan suatu nilai, dimana nilai
tersebut adalah nilai yang paling minimum atau paling mendekati nol. Harapan tersebut diwujudkan oleh metode least square dengan sedikit modikasi pada fungsi error-nya sehingga
menjadi
m
X
[yi (a1 xi + a0 )]2
E(a0 , a1 ) =
(15.5)
i=1
Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
E(a0 , a1 )
=0
ai
(15.6)
dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a0 dan a1 . Maka mesti ada dua
buah turunan yaitu:
m
X
E(a0 , a1 )
[yi (a1 xi + a0 )]2 = 0
=
a0
a0
i=1
m
X
i=1
(yi a1 xi a0 )(1) = 0
a0 .m + a1
m
X
i=1
xi =
m
X
i=1
yi
(15.7)
263
dan
m
X
E(a0 , a1 )
[yi (a1 xi + a0 )]2 = 0
=
a1
a1
i=1
m
X
i=1
(yi a1 xi a0 )(xi ) = 0
a0
m
X
i=1
x i + a1
m
X
x2i
i=1
m
X
xi y i
(15.8)
i=1
Akhirnya persamaan (15.7) dan (15.8) dapat dicari solusinya berikut ini:
a0 =
Pm
dan
a1 =
2
i=1 xi
Pm
Pm
Pm
i=1 yi
i=1 xi yi
i=1 xi
Pm 2
Pm
2
i=1 xi ( i=1 xi )
Pm
Pm
yi
i=1 xi
i=1 xi yi
Pm 2
Pm i=12
m
i=1 xi ( i=1 xi )
Pm
(15.9)
(15.10)
Coba anda bandingkan kedua hasil di atas dengan rumus least square yang terdapat pada buku
Praktikum Fisika Dasar keluaran Departemen Fisika-UI. Mudah-mudahan sama persis. OK,
berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka didapat:
a0 =
385(81) 55(572, 4)
= 0, 360
10(385) (55)2
(15.11)
10(572, 4) 55(81)
= 1, 538
10(385) (55)2
(15.12)
dan
a1 =
(15.13)
Solusi least square dengan pendekatan persamaan garis seperti ini juga dikenal dengan nama
lain yaitu regresi linear. Sedangkan nilai a0 dan a1 disebut koefisien regresi. Gambar di
bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya
Tentu saja anda sudah bisa menduga bahwa selain regresi linear, mungkin saja terdapat regresi
parabola atau quadratik dimana fungsi pendekatannya berupa persamaan parabola, yaitu:
P (xi ) = a2 x2i + a1 xi + a0
(15.14)
dimana koesien regresinya ada tiga yaitu a0 , a1 dan a2 . Kalau anda menduga demikian, maka
dugaan anda benar! Bahkan sebenarnya tidak terbatas sampai disitu. Secara umum, fungsi
pendekatan, P (xi ), bisa dinyatakan dalam aljabar polinomial berikut ini:
P (xi ) = an xni + an1 xin1 + ... + a2 x2i + a1 xi + a0
(15.15)
264
16
14
12
10
8
6
4
2
0
2
0
10
Namun untuk saat ini, saya tidak ingin memperluas pembahasan hingga regresi parabola, dan
polinomial. Saya masih ingin melibatkan peranan metode eliminasi gauss dalam menyelesaikan
problem least square seperti yang selalu saya singgung pada catatan-catatan kuliah saya yang
terdahulu. Nah, kalau metode eliminasi gauss hendak digunakan untuk mencari solusi regresi
linear, kita bisa mulai dari persamaan (15.7) dan (15.8), yaitu:
a0 .m + a1
a0
m
X
x i + a1
i=1
m
X
i=1
m
X
m
X
xi =
i=1
m
X
x2i =
yi
xi y i
i=1
i=1
m
Pm
i=1 xi
Pm
i=1 xi
Pm
2
i=1 xi
#"
a0
a1
" P
m
i=1 yi
Pm
i=1 xi yi
(15.16)
Kalau anda mengikuti catatan-catatan terdahulu, pasti anda tidak asing lagi dengan dengan semua elemen-elemen matrik di atas. Semua sudah saya ulas pada catatan yang berjudul Aplikasi
Elimininasi Gauss: Model Garis. Silakan anda lanjutkan perhitungan matrik tersebut hingga
diperoleh koesien regresi a0 dan a1 . Selamat mencoba!
(15.17)
(15.18)
265
dimana G adalah matrik kernel, namun dia juga biasa dikenal dengan sebutan matrik Jacobian, sementara adalah faktor pengali Lagrange, dan I adalah matrik identitas yang ordenya
disesuaikan dengan Gt G. Adapun denisi m dan d akan dijelaskan pada bagian akhir catatan
ini.
Langkah-langkah untuk menyelesaikan problem least squares non-linear adalah:
1. Menentukan model, misal f (x) = xm
2. Menghitung jacobian, G. Caranya adalah menghitung turunan pertama dari model terhadap model-parameter, m. Sesuai permisalan pada point 1, didapat
G=
f (x)
= xm ln(x)
m
(15.19)
f (x) = xm . Sekarang dinamakan dc = f (x). Jangan lupa bahwa saat perhitungan, nilai
x bergerak dari 1 sampai 10. Jadi, nanti didapat 10 dc .
5. Hitunglah d, dimana d = dc d. Sebelumnya sudah dinyatakan bahwa dc ada 10 buah,
demikian juga d ada 10 buah, maka d harus ada 10 buah juga.
1
1
(dc d)2 = d2
N
N
(15.20)
dimana N = 10 karena d-nya ada 10. Rumus ini tidak mutlak harus demikian, anda bisa
juga menggunakan norm 2, 2 .
7. Tentukan nilai epsilon, , misal = 0.000001. Lalu lakukan evaluasi sederhana. Cek,
apakah ||d|| < ? Pasti awalnya ||d|| > , kenapa? Karena m 6= m0 . Kalau begini
situasinya, d yang ada 10 biji itu dimasukan kedalam proses berikutnya.
(15.21)
266
dengan -nya dikasih nilai sembarang antara 0 dan 1, misalnya = 0.005. Perhitungan
ini bisa diselesaikan dengan metode eliminasi gauss.
9. Ganti nilai m0 menjadi m1 sesuai dengan rumus
m1 = m0 + m
(15.22)
Nah, m1 ini dimasukan ke proses yang dijelaskan pada point 4 kemudian proses diulangi
hingga point 9, begitu seterusnya. Dari sinilah dimulai proses iterasi. Iterasi akan berhenti
bila ||d|| < . Pada saat itu, nilai mk akan mendekati m = 2 sesuai dengan m simulasi.
Selamat mencoba! Saya juga telah menulis beberapa persamaan non-linear sebagai bahan
latihan. Lihat saja di Latihan 1. Tapi tolong diperiksa lagi, apakah jacobiannya sudah benar
atau ada kekeliruan. Selanjutnya, kalau ada pertanyaan atau komentar, silakan kirim ke supri92@gmail.com
Bab 16
Lampiran
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
%
24
25
26
27
28
29
30
31
32
% epsilon adalah batas nilai selisih antara xbaru dan xlama yang
% dihitung secara norm-2. Epsilon bisa diartikan sebagai batas
% toleransi. Anda bisa merubahnya sesuai kebutuhan.
epsilon = 10^(-5);
33
34
35
36
37
38
n = length(A);
267
268
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
for p = 1:n
J(p,p) = 0;
for k = 1:n
if k ~= p
J(p,k) = -A(p,k)/A(p,p);
end
end
u(p,1) = b(p)/A(p,p);
end
for k = 1:itermaks
xbaru = J*xlama + u;
L2 = norm2(xlama-xbaru);
if L2 < epsilon
break;
end
xlama = xbaru;
end
27
28
29
30
31
% epsilon adalah batas nilai selisih antara xbaru dan xlama yang
% dihitung secara norm-2. Epsilon bisa diartikan sebagai batas
% toleransi. Anda bisa merubahnya sesuai kebutuhan.
epsilon = 10^(-5);
32
33
34
35
36
37
J(k,k) = 0;
for q = 1:n
if q ~= k
J(k,q) = -A(k,q)/A(k,k);
end
end
p(k,1) = b(k)/A(k,k);
end
L = zeros(n);
U = zeros(n);
for q = 1:n-1
for k = q+1:n
L(k,q) = J(k,q);
U(q,k) = J(q,k);
end
end
for v = 1:itermaks
xsmt = U*xlama + p;
xbaru(1,1) = xsmt(1,1);
for q = 1:n-1
sum = 0;
for k = 1:q
sum = sum + L(q+1,k)*xbaru(k,1);
end
xbaru(q+1,1) = sum + xsmt(q+1,1);
end
L2 = norm2(xbaru-xlama);
if L2 < epsilon
break;
end
xlama = xbaru;
end
269