Teorema Dasar Analisis Aliran Daya

Teorema Dasar Analisis Aliran Daya ademurti@te.ft.unib.ac.
id
TEOREMA DASAR
ANALISIS ALIRAN DAYA
1.1 Pendahulan
Studi aliran daya, yang juga dikenal dengan aliran beban, merupakan tulang punggung dari
analisis dan desain suatu sistem tenaga. Studi aliran daya dilakukan untuk mendapatkan informasi
mengenai aliran daya atau tegangan sistem dalam kondisi operasi tunak. Informasi ini digunakan
untuk mengevaluasi ujuk kerja sistem tenaga dan menganalisis kondisi pembangkitan maupun
pembebanan, serta informasi keadaan sistem tenaga pada kondisi normal dan terganggu.
Masalah aliran daya sangat dibutuhkan untuk perencanaan, operasi dan penjadwalan
ekonomis serta transfer daya. Sebagai tambahan, analisis aliran daya dibutuhkan juga pada analisis
stabilitas transient. Masalah aliran daya mencakup perhitungan aliran dan tegangan sistem pada
terminal tertentu atau bus tertentu. Representasi fasa tunggal selalu dilakukan karena sistem
dianggap seimbang. Didalam studi aliran daya bus-bus dibagi dalam tiga macam, yaitu :
a. Slack bus atau swing bus atau bus referensi
b. Voltage controlled bus atau bus generator
c. Load bus atau bus beban.
Tiap-tiap bus terdapat empat besaran, yaitu :
a. Daya aktif P
b. Daya reaktif Q
c. Nilai skalar tegangan |V|
d. Sudut fasa tegangan θ.
Pada tiap-tiap bus hanya ada dua macam besaran yang ditentukan sedangkan kedua besaran lainnya
merupakan hasil akhir dari perhitungan. Besaran-besaran yang ditentukan itu adalah :
a. Slack bus ; harga skalar |V| dan sudut fasanya θ.
b. Voltage controlled bus; daya aktif P dan harga skalar tegangan |V|
c. Load bus; daya aktif P dan daya reaktif Q.
Slack bus merupakan bus yang menyuplai kekurangan daya aktif P dan daya reaktif Q pada sistem.
1.2 Matriks Admitansi Bus

Untuk mendapatkan persamaan simpul-tegangan, sebagaimana sistem tenaga listrik
visit: http://www.te.ft.unib.ac.id 1
Teorema Dasar Analisis Aliran Daya ademurti@te.ft.unib.ac.id
sederhana pada gambar 1.1, dimana impedansinya dinyatakan dalam satuan per unit pada dasar
MVA sementara untuk penyederhanaan resistansinya di abaikan. Berdasarkan Hukum Arus
Kirchhoff impedansi-impedansi di ubah ke admitansi- admitansi, yaitu :
1 1
y ij = =
z ij r ij  jx ij
gambar 1.1 Diagram impedansi sistem tenaga listrik sederhana
gambar 1.2 Diagram admitansi untuk sistem tenaga listrik dari gambar 1.1
Rangkaian gambar 1.1 digambar ulang seperti gambar 1.2 dalam besaran admitansi dan
pengubahan kedalam bentuk sumber arus. Simpul 0 (biasanya adalah ground) diambil sebagai
referensi. Dengan menerapkan Hukum Arus Kirchhoff antara simpul 1 hingga 4 akan
menghasilkan:
I 1 = y 10 V 1 y 12 V 1−V 2  y 13 V 1−v 3
I 2= y 20 V 2 y12 V 2−V 1 y 23 V 2−V 3 
0 = y23 V 3 −V 2 y13 V 3 −V 1 y 34 V 3−V 4 
0 = y34 V 4−V 3 
Dengan menyusun ulang persamaan diatas maka didapat .
I 1 = y 10 y 12 y 13 V 1− y 12 V 2− y 13 V3
I 2=− y12 V 1 y 20  y 12  y 23V 2 − y 23 V 3
0 =− y 13 V 1 − y 23 V 2 y 13 y 23 y 34 V 3− y 34 V 4
0 =− y 34 V 3 y 34 V 4
Dengan admitansi sebagai berikut .
Y 11= y 10 y 12 y 13
Y 22= y 20 y 12 y 23
Y 33= y 13 y 23 y 34
Y 44 = y 34
Y 12=Y 21=− y 12
Y 13=Y 31=− y 13
Y 23=Y 32=− y 23
Y 34=Y 43=− y34
Reduksi persamaan simpul menjadi.
I 1 =Y 11 V 1Y 12 V 2Y 13 V 3 Y 14 V 4
I 2=Y 21 V 1Y 22 V 2Y 23 V 3 Y 24 V 4
I 3 =Y 31 V 1Y 32 V 2Y 33 V 3 Y 34 V 4
I 4=Y 41 V 1Y 42 V 2Y 43 V 3Y 44 V 4
Pada jaringan sistem tenaga listrik sederhana di atas, karena tidak ada hubungan antara bus 1 dan
bus 4, maka Y14 = Y41 = 0, dan Y24 = Y42 = 0.
Dari persamaan diatas, untuk sistem dengan n bus, persamaan tegangan-simpul dalam
bentuk matriks adalah :
[][ ][ ]
I1 Y 11 Y 12 .. . Y 1i ... Y 1n V1
. . . . . . . .
. . . . . . . .
Ii = Y i1 Y i2 .. . Y ii ... Y in
= Vi (1.1)
. . . . . . . .
. . . . . . . .
In Y n1 Y n2 .. . Y ni ... Y nn V n
atau
Ibus = Ybus Vbus (1.2)

Dengan Ibus adalah vektor arus bus yang di injeksikan. Arus bernilai positif ketika masuk
menuju bus dan bernilai negatif saat meninggalkan bus Vbus adalah vektor tegangan bus yang diukur
dari simpul referensi. Ybus dikenal dengan nama matriks admitansi bus. Elemen diagonal masing-
masing simpul merupakan penjumlahan admitansi bus yang terhubung padanya. Elemen diagonal
ini disebut admitansi-sendiri.
n
Y ii =∑ y ij (1.3)
j=0
elemen non-diagonal bernilai negatif terhadap admitansi antar simpul. Dikenal dengan admitansi
bersama.
Yij = Yji = -yij (1.4)
Jika arus pada bus diketahui, dari persamaan (1.2) maka untuk tegangan n bus dapat ditentukan
dengan :
Vbus = Ybus -1 Ibus (1.5)
Invers dari matriks admitansi bus dikenal sebagai matriks impedansi bus Zbus.
Berdasarkan persamaan (1.3) dan (1.4) , matriks admitansi bus untuk jaringan pada gambar
1.2 yaitu :
[ ]
− j 8.50 j 2.50 j 5.00 0
j2.50 − j8.75 j 5.00 0
Y bus =
j5.00 j5.00 − j 22.50 − j 12.50
0 0 j 12.50 − j 12.50
Contoh 1.1
Untuk jaringan gambar 1.1 diberikan tegangan E1=1.1∢0° dan E2=1.0∢0 ° .
Tentukan matriks impedansi bus dengan cara inversi matriks, dan tentukan nilai tegangan busnya.
Penyelesaian
Dengan menggunakan python kita akan mencoba menyelesaikan contoh soal 1.1 diatas :
(catatan: dalam python, matriks dimulai dari titik [0,0] bukan dari [1,1]).
Berikut ini skrip yang dapat digunakan untuk menyelesaikan contoh soal 1.1, buatlah skrip
ini di teks editor ubuntu (penulis menggunakan software geany) anda, pastikan anda telah
memasang library scipy dengan benar.
#Contoh Soal 1.1
from scipy import *
z = matrix([[1.0j], # impedansi dari simpul 0 ke 1
[0.8j], # impedansi dari simpul 0 ke 2
[0.08j] # impedansi dari simpul 3 ke 4
])
# Menentukan nilai y
y = 1/z
# Menentukan komponen matriks Ybus
Y11 = y[0,0]+y[2,0]+y[3,0]
Y22 = y[1,0]+y[2,0]+y[4,0]
Y33 = y[3,0]+y[4,0]+y[5,0]
Y44 = y[5,0]
Y12 = y[2,0]
Y21 = Y12
Y13 = y[3,0]
Y31 = Y13
Y23 = y[4,0]
Y32 = Y23
Y34 = y[5,0]
Y43 = Y34
Y14 = 0.0
Y41 = Y14
Y24 = 0.0
Y42 = Y24
# Matriks Ybus
Ybus = matrix ([[Y11,Y12,Y13,Y14],[Y21,Y22,Y23,Y24],
[Y31,Y32,Y33,Y34],[Y41,Y42,Y43,Y44]])
# Menentukan Matriks Zbus
Zbus = Ybus.I
E1 = 1.1 + 0.0j # tegangan E1
E2 = 1.0 + 0.0j # tegangan E2
# dengan transformasi sumber, sumber arus ekivalennya adalah :
I1 = (E1/(z[0,0]))
I2 = (E2/(z[1,0]))
# Matriks Ibus
Ibus = matrix ([[I1],[I2],[0],[0]])
# Menentukan Magnitude Vbus
Vbus = abs(Zbus * Ibus)
print "Y = "
print Ybus
print "Zbus ="
print Zbus
print "Vbus = "
print Vbus
Simpan skrip diatas dengan nama ex_1.1.py lalu eksekusi program tersebut melalui terminal ubuntu
anda seperti dibawah ini :
1.3 Penyelesaian Persamaan Aljabar Nonlinear

Teknik-teknik yang paling umum digunakan untuk menyelesaikan persamaan aljabar
nonlinear secara iterasi adalah motode Gauss-Seidel, Newton-Raphson, dan Quasi-Newton.
1.3.1 Metode Gauss-Seidel
Metode Gauss-Seidel juga dikenal dengan metode pergantian suksesif (successive
displacement). Sebagai gambaran untuk teknik ini, temukan penyelesaian persamaan nonlinear yang
diberikan oleh :
f(x) = 0 (1.6)
Fungsi di atas disusun ulang dan ditulis menjadi :
x = g(x) (1.7)
Jika x(k) merupakan nilai perkiraan awal dari variabel x, maka bentuk urutan iterasinya adalah :
x(k+1)=g(x(k)) (1.8)
Penyelesaiannya ditemukan ketika perbedaan antara nilai mutlak iterasi suksesifnya kurang dari
akurasi yang ditentukan, yaitu :
|x(k+1)-x(k)| ≤ є (1.9)
dimana є adalah akurasi yang ditetapkan.
Contoh 1.2
Gunakan metode Gauss-Seidel untuk menentukan akar dari persamaan berikut :
f(x) = x3 - 6x2 + 9x - 4 = 0
Penyelesaian
Penyelesaian untuk x, persamaan di atas ditulis kembali menjadi :
1 6 4
x = − x 3 x2 
9 9 9
= g x 
Dengan menerapkan algoritma Gauss-Seidel dan menggunakan nilai pendekatan awal yaitu :
x(0) = 2
Dari persamaan (1.8), didapat iterasi pertama, yaitu :
1 6 4
x 1=g 2=− 23  22 =2,2222
9 9 9
Iterasi keduanya adalah :
1 6 4
x 2=g 2,2222=− 2,22223  2,22222 =2,5173
9 9 9
Hasil dari tahapan-tahapan iterasi yang dilakukan adalah 2.8966, 3.3376, 3.7398, 3.9568,
3.9988 dan 4.000. Prosesnya akan berulang sampai perubahan pada variabel mencapai akurasi yang
telah ditetapkan. Dapat dilihat bahwa metode Gauss-Seidel memerlukan banyak iterasi untuk
mencapai akurasi yang ditentukan, dan tidak ada jaminan penyelesaiannya konvergen.
Skrip berikut ini akan menunjukkan prosedur penyelesaian persamaan yang diberikan pada
contoh 1.2 untuk nilai perkiraan awal x(0) = 2.
# Contoh 1.2
dx = 1.0 # Set perubahan variabel awal
x = 2.0 # nilai perkiraan awal
iter = 0 # penghitungan iterasi
while abs(dx) >= 0.001 :
iter = iter + 1 # nomor iterasi
g = ((1.0/9.0)*(x*x*x)) + ((6.0/9.0) * (x*x)) + (4.0/9.0)
dx = gx # perubahan variabel
x = g # pendekatan suksesif
print "iterasi : ", iter, "g = ", g, "dx = ", dx, " x = ", x
Simpan skrip diatas dengan nama ex_1.2.py lalu jalankan melalui terminal linux anda, maka
hasilnya adalah sebagai berikut :
Dapat dilihat bahwa akar persamaan nonlinear contoh soal 1.2 ditemukan (konvergen) pada
iterasi ke-9 dengan nilai g = 4.0 (akar persamaan).
Dalam beberapa kasus, faktor akselarasi dapat digunakan untuk meningkatkan tingkat
konvergensi. Jika α > 1 adalah faktor akselarasi, maka algoritma Gauss-Seidel menjadi :
x k1=x  kα [ g x k  – x k ] (1.10)
Contoh 1.3
Tentukan akar persamaan dalam contoh 1.2, menggunakan metode Gauss-Seidel dengan faktor
akselarasi α = 1.25.
Penyelesaian
# Contoh 1.3
x = 2.0 # nilai perkiraan awal
g = ((1.0/9.0)*(x*x*x)) + ((6.0/9.0) * (x*x)) + (4.0/9.0)
dx = gx # perubahan variabel
x = x + 1.25 * dx # pendekatan suksesif dg faktor
akselarasi
print "iterasi : ", iter, "g = ", g, "dx = ", dx, " x = ", x
Hasilnya adalah :
Terlihat bahwa faktor akselarasi dapat mempercepat konvergensi sehingga iterasi dapat
lebih sedikit, namun faktor akselarasi yang tidak tepat dapat membuat perhitungan menjadi lebih
lama dengan jumlah iterasi yang lebih banyak bahkan dapat tidak terkendali atau over flow semisal,
jika anda ganti faktor akselarasi menjadi 1.8, maka akan terjadi iterasi sebanyak 26 kali untuk
mencapai konvergensi.
Python sebenarnya menyediakan satu fungsi khusus untuk menentukan akan dari suatu
persamaan yaitu dengan fungsi roots( ). Jika kita gunakan fungsi ini untuk menentukan akar dari
persamaan pada contoh soal 1.2 maka hasilnya adalah :
Dapat dilihat bahwa ada tiga akar yang dapat digunakan untuk menyelesaikan persamaan
pada contoh soal 1.2 yaitu 4.0, 1.00000002, dan 0.99999998 atau dapat kita simpulkan lagi bahwa
ada dua akar persamaan yang dapat digunakan yaitu 4.0 dan 1.0.
1.3.2 Metode Newton-Raphson

Metode yang paling luas digunakan dalam menyelesaikan persamaan aljabar nonlinear
simultan ialah metode Newton-Raphson. Metode ini menggunakan pendekatan suksesif berdasarkan
nilai perkiraan awal yang tidak diketahui dan menggunakan perluasan deret Taylor. Tentukan
penyelesaian persamaan satu-dimensi berikut ini :
f(x) = c (1.11)
Jika x(0) adalah nilai perkiraan awal dari penyelesaian persamaan tersebut, dan Δx(0) adalah nilai
deviasi dari penyelesaian sebenarnya, maka
f  x 0 Δx 0 =c
Dengan menggunakan perluasan deret Tylor pada bagian sebelah kiri persamaan di atas untuk x(0)
maka didapat :
 0 df 0  0  1 d 2f 0  2
f  x   x  20 
 x  . . .=c
dx 2 ! dx
Dengan mengasumsikan bahwa eror Δx(0) sangat kecil, maka bagian berorde-tinggi dapat diabaikan,
sehingga :
df 0   0
 c 0 ≃  x
dx
dimana
Δc  0=c – f  x 0 
Tambahkan Δx(0) ke nilai perkiraan awal maka akan menghasilkan pendekatan keduanya
 c 0
x 1=x 0 
df 0 
 
dx
Penggunaan metode suksesif pada prosedur ini menghasilkan apa yang disebut algoritma Newton-
Raphson
Δc  k=c – f  x k  (1.12)
 c k 
 k
Δx =  k
df (1.13)
 
dx
x k1=x  kΔx  k (1.14)
persamaan (1.16) dapat disusun ulang menjadi :
Δc  k= j k Δx  k (1.15)
dimana
 k df  k
j = 
dx
Contoh 1.4
Gunakan metode Newton-Raphson untuk mencari akar persamaan yang diberikan pada contoh 1.2.
Asumsikan nilai perkiraan awal x(0) = 6
Penyelesaian
Penyelesaian secara analitik diberikan oleh algoritma Newton-Rapshon sebagai berikut:
df  x 
=3x 2−12 x9
dx
 c 0 =c−f  x0 =0−[63 −66296−4]=−50
df  0
  =3 62−1269=45
dx
 0
0   c −50
x = = =−1.1111
df 0 
45
 
dx
Sehingga, hasil akhir pada iterasi pertama adalah
x 1=x 0  x0=6−1.1111=4.8889
Akar persamaan akhirnya daat ditemukan pada iterasi ke-5 dengan nilai masing-masing iterasi yaitu
4.2789, 4.0405, 4.0011, 4.000.
Dapat kita lihat bahwa metode Newton-Raphson lebih cepat konvergen dibandingkan
metode Gauss-Seidel.
Berikut ini skrip yang menunjukkan prosedur untuk penyelesaian dari persamaan yang
diberikan dengan metode Newton-Raphson.
# Contoh 1.4
from math import *
x = input("Masukkan Nilai Pendekatan Awal : ") # nilai perkiraan
awal
deltaC = 0(pow(x,3) (6 * (pow(x,2))) + (9 *x) 4)
J = 3 * pow(x,2) 12 * x + 9
dx = deltaC/J # perubahan variabel
x = x + dx # pendekatan suksesif
print "iterasi : ", iter, "dC = ", deltaC, "J = ", J, " dx = ",
dx, " x = ",x # hasil
Hasilnya adalah
Sekarang, jika n-dimensi persamaan yang diberikan oleh persamaan(1.11). Perluasan bagian
kiri persamaan(1.11) dalam deret Tylor dengan nilai perkiraan awal dan persamaan orde tingginya
diabaikan, maka akan menghasilkan
 0 ∂ f 1  0  0 ∂ f 1
0 
0 ∂f 1  0
f 1  =   x1    x 2 . . .   x 0n =c 1
∂ x1 ∂ x2 ∂ xn
∂ f 2  0
0 0 
∂f ∂f
f 2  0= 2   x10  2   x0 2 . . .   x 0n =c 2
∂ x1 ∂ x2 ∂ xn
.
.
.
∂ f n 0   0 ∂ f n 0  ∂ f n  0
  x n0=c n
0  0 
f n  =   x1    x 2 . . .
∂ x1 ∂ x2 ∂ xn
atau dalam bentuk matriks
[ ]
∂ f 1  0 ∂ f 1  0 ∂ f 1  0
    . . .  
∂ x1 ∂ x2 ∂ xn
[ ] []
c 1−f 1  0  x10
∂ f 2  0 ∂ f 2  0  0
∂f
c 2−f 2  0     . . .  2  x20
. = ∂ x1 ∂ x2 ∂ xn = .
. . . . . .
. .
. . . . . .
c n−f n  0  0  xn0
∂ f n  0  0
∂fn ∂f
    . . .  n
∂ x1 ∂ x2 ∂ xn
Dalam bentuk sederhana dapat ditulis menjadi :

 X  k=J  k  X k
atau
 X  k=[J k ]−1 C k  (1.17)
dan Algoritma Newton-Raphson untuk persamaan n-dimensi menjadi
X  k1=X  k Xk (1.18)
dimana
[] [ ]
 x k1  c 1−f 1  0
 x k2  c 2−f 2  0
 k  k
X = . dan C = . (1.19)
. .
 x kn  c n−f n  0
[ ]
∂ f 1  0 ∂ f 1  0 ∂ f 1  0
    . . .  
∂ x1 ∂ x2 ∂ xn
∂ f  0 ∂ f 2  0 ∂ f  0
 2   . . .  2
k 
J = ∂ x 1 ∂ x 2 ∂ xn (1.20)
. . . . . .
. . . . . .
 0
∂fn ∂ f n  0 ∂ f n  0
    . . .  
∂ x1 ∂ x2 ∂ xn
J(k) disebut dengan matriks Jacobian. Elemen pada matriks ini hasil dari turunan parsial pada
X(k). diasumsikan bahwa J(k) memiliki invers pada tiap iterasinya (tidak singular). Metode ini
digunakan untuk meningkatkan akurasi dari nilai perkiraan yang dihasilkan.
Contoh soal 1.5

Gunakan metode Newton-Raphson untuk menentukan interseksi dari kurva berikut :
x 21x 22=4
e x x 2=1
1
Penyelesaian
Dengan mengambil turunan parsial dari kedua persamaan diatas maka didapat matriks
Jacobian sebagai berikut
J=
[ 2 x1 2 x2
e
x1
1 ]
Skrip python untuk menyelesaikan persamaan di atas dengan metode Newton-Raphson
adalah sebagai berikut.
# Contoh 1.5
from scipy import matrix
from math import pow, exp
x1 = input ("Nilai Perkiraan Awal Persamaan 1 :")
x2 = input ("Nilai Perkiraan Awal Persamaan 2 :")
x = matrix([[x1],[x2]])
C = matrix ([[4],[1]])
Dx = matrix ([[1],[1]])
iter = 0
while max(abs(Dx)) >= 1e4 :
iter=iter+1
f = matrix ([[pow(x[0,0],2)+pow(x[1,0],2)],[exp (x[0,0]) +
x[1,0]]])
DC = C f
J = matrix ([[2*x[0,0],2*x[1,0]],[exp(x[0,0]),1]])
Dx = J.I * DC
x = x + Dx
print "iterasi ke : ", iter ," x1 = ", x[0,0], " x2 = " ,
x[1,0], "Dx max = ", max (abs(Dx))
Jika skrip ini dijalankan maka hasilnya adalah
Dengan nilai pendekatan awal 0.5 dan -1 maka ditemukan penyelesaian yang konvergen
pada iterasi ke-5 dengan nilai x1 = 1.00416873847 dan x2 = -1.72963728703.
Contoh 1.6
Mulai dengan nilai awal, x1 =1, x2 = 1, x3 = 1, selesaikan persamaan berikut ini dengan
menggunakan metode Newton-Rapshon.
x12−x 22 x32=11
x 1 x 2x 2
2 −3x3=3
x 1−x 1 x 3x 2 x 3=6
Penyelesaian
Dengan menurunkan secara parsial ketiga persamaan di atas, maka didapat matrik Jacobian
sebagai berikut.
[ ]
2 x1 −2 x 2 2 x3
J = x2 x 12 x2 −3
1−x 3 x3 −x 1x 2
Skrip berikut dapat digunakan untuk menyelesaikan persamaan yang diberikan pada contoh 1.6 di
atas.
# Contoh 1.6
from scipy import matrix
from math import pow
x = matrix([[1],[1],[1]])
C = matrix ([[11],[3],[6]])
Dx = matrix ([[10],[10],[10]])
iter = 0
while max(abs(Dx)) >= 1e4 :
iter=iter+1
f = matrix ([[pow(x[0,0],2)pow(x[1,0],2)+pow(x[2,0],2)],
[(x[0,0]*x[1,0]) + pow(x[1,0],2)3*x[2,0]],[x[0,0]x[0,0]*x[2,0]+
x[1,0]*x[2,0]]])
DC = C f
J = matrix ([[2*x[0,0],2*x[1,0],2*x[2,0]],[x[1,0],x[0,0]+
2*x[1,0],3],[1x[2,0],x[2,0],x[0,0]+x[1,0]]])
Dx = J.I * DC
x = x + Dx
print "iterasi ke : ", iter ," x1 = ", x[0,0], " x2 = " ,
x[1,0], "Dx max = ", max (abs(Dx))
Jika dijalankan maka skript ini akan menghasilkan penyelesaian untuk contoh 1.6 sebagai berikut
Dapat dilihat bahwa penyelesaian konvergen pada iterasi ke-6 dengan nilai x1 = 2.0 dan x2 =
3.0, metode Newton-Raphson memiliki keunggulan saat melakukan konvergensi secara kuadratik
ketika akar persamaan yang dicari sudah dekat.

Teorema Dasar Analisis Aliran Daya

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Teorema Dasar Analisis Aliran Daya

Uploaded by

Copyright:

Available Formats

Teorema Dasar Analisis Aliran Daya ademurti@te.ft.unib.ac.

1.2 Matriks Admitansi Bus

gambar 1.1 Diagram impedansi sistem tenaga listrik sederhana

Ibus = Ybus Vbus (1.2)

Yij = Yji = -yij (1.4)

Vbus = Ybus -1 Ibus (1.5)

1.3 Penyelesaian Persamaan Aljabar Nonlinear

1.3.2 Metode Newton-Raphson

Dalam bentuk sederhana dapat ditulis menjadi :

Contoh soal 1.5

Jika skrip ini dijalankan maka hasilnya adalah

You might also like