SIMULTANEOUS LINEAR EQUATIONS

TOPIC: GAUSS-SEIDEL METHOD

2013/9/9

GAUSS-SEIDEL METHOD
Adalah metode ITERASI
Prosedur dasar:
- Menyelesaikan tiap persamaan linier secara aljabar untuk xi
- Membuat nilai asumsi solusi
- Selesaikan untuk tiap xi dan ulangi
- Gunakan perkiraan kesalahan relatif tiap akhir iterasi untuk
mengecek apakah error sudah mencapai angka toleransi.

GAUSS-SEIDEL METHOD
Kenapa?
Untuk mengatasi round-off error (kesalahan pembulatan).

Metode eliminasi seperti Gaussian Elimination and LU

Decomposition(*) rawan terhadap kesalahan pembulatan.

GAUSS-SEIDEL METHOD
Algorithm
Sistem persamaan linier

a11x1 a12x2 a13x3 ... a1n xn b1

a21x1 a22 x2 a23x3 ... a2n xn b2
.
.
.

.
.
.

an1x1 an 2 x2 an3 x3 ... ann xn bn

Kita mengubah sistem

persamaan [A]{X}={B}
untuk menyelesaikan x1
dengan persamaan
pertama, menyelesaikan
x2 dengan persamaan
kedua, dan seterusnya.

GAUSS-SEIDEL METHOD
Algorithm
General Form of each equation
n

c1 a1 j x j
x1

j 1
j 1

a11

cn 1
xn 1

j 1
j n 1

n 1, j

an 1,n 1
n

c n a nj x j

c2 a2 j x j
x2

j 1
j2

a 22

xj

xn

j 1
j n

a nn

MENJADI:
Untuk sistem
persamaan 3x3

b1 a12 x2 a13 x3
x1
a11
b2 a21x1 a23 x3
x2
a22
b3 a31x1 a32 x2
x3
a33

Now we can start the solution process by

choosing guesses for the xs. A simple way to
obtain initial guesses is to assume that they are
zero. These zeros can be substituted into
x1equation to calculate a new x1=b1/a11.

BATAS AKHIR ITERASI

New x1 is substituted to calculate x2 and x3. The procedure is
repeated until the convergence criterion is satisfied:

a i

baru
i

lama
i

baru
i

100 diperkenankan

approximation error, sering digunakan, seringkali

disebut sebagai galat absolut.

True error, kurang berarti. digunakan Relative error,

dalam prosentase

GAUSS-SEIDEL METHOD: EXAMPLE 1

Diketahui sistem persamaan

Initial Guess: asumsi nilai awal,

25 5 1 x1 106.8
64 8 1 x 177.2

144 12 1 x 3 279.2

x1 1
x 2
2
x3 5

GAUSS-SEIDEL METHOD: EXAMPLE 1

Tulis ulang untuk aplikasi
Gauss-Seidel

25 5 1 x1 106.8
64 8 1 x 177.2

144 12 1 x 3 279.2

106.8 5 x2 x3
x1
25
177.2 64 x1 x3
x2
8
279.2 144 x1 12 x2
x3
1

GAUSS-SEIDEL METHOD: EXAMPLE 1

Masukkan nilai perkiraan awal untuk selesaikan xi
x1 1
x 2
2
x3 5
Initial Guess

x1

106.8 5(2) (5)

3.6720
25

177.2 643.6720 5
x2
7.8510
8
279.2 1443.6720 12 7.8510
x3
155.36
1

GAUSS-SEIDEL METHOD: EXAMPLE 1

Finding the absolute relative approximate error

x inew x iold

100
new
xi

a 1

3.6720 1.0000
x100 72.76%
3.6720

a 2

7.8510 2.0000
x100 125.47%
7.8510

a 3

155.36 5.0000
x100 103.22%
155.36

At the end of the first iteration

a1 3.6720
a 7.8510
2

a3 155.36
The maximum absolute
relative approximate error is
125.47%

GAUSS-SEIDEL METHOD: EXAMPLE 1

Iteration #2
Using

a1 3.6720
a 7.8510
2

a3 155.36

the values of ai are found:

106.8 5 7.8510 155.36

a1
12.056
25

from iteration #1

a2

177.2 6412.056 155.36

54.882
8

279.2 14412.056 12 54.882

a3
798.34
1

GAUSS-SEIDEL METHOD: EXAMPLE 1

Hitung the absolute relative approximate error
a 1

12.056 3.6720
x100 69.542%
12.056

a 2

54.882 7.8510
x100 85.695%
54.882

a 3

798.34 155.36
x100 80.54%
798.34

Akhir iterasi kedua

a1 12.056
a 54.882
2

a3 798.34
Galat absolut terbesar
85.695%

GAUSS-SEIDEL METHOD: EXAMPLE 1

Tersukan iterasi, kita dapatkan nilai berikut.
Iteration

1
2
3
4
5
6

a1
3.672
12.056
47.182
193.33
800.53
3322.6

a 1 %
72.767
67.542
74.448
75.595
75.850
75.907

a2
-7.8510
-54.882
-255.51
-1093.4
-4577.2
-19049

a 2 %
125.47
85.695
78.521
76.632
76.112
75.971

! Lho, kok? Error nya nggak berkurang?

a3
-155.36
-798.34
-3448.9
-14440
-60072
-249580

a 3 %
103.22
80.540
76.852
76.116
75.962
75.931

GAUSS-SEIDEL METHOD: PITFALL

Salahnya dimana?
Contoh tadi mengilustrasikan kemungkinan kesalahan pada
Gauss-Siedel method: tidak semua sistem persamaan akan
konvergen.
Is there a fix?
One class of system of equations always converges: One with a
diagonally dominant coefficient matrix.
Diagonally dominant: [A] in [A] [X] = [C] is diagonally dominant
if:
n

aii aij
j 1
j i

Untuk semua i ;

DAN

aii aij
j 1
j i

Untuk minimal
sebuah i

GAUSS-SEIDEL METHOD: PITFALL

Diagonally dominant: Koefisien pada diagonal harus sama atau lebih
besar dari jumlah semua koefisien pada baris itu, dan minimal satu baris
harus memiliki diagonal yang lebih besar dari jumlah koefisien pada
baris itu.
Manakah matriks yang diagonally dominant?
2 5.81 34
A 45 43 1
123 16
1

124 34 56
[ B] 23 53 5
96 33 129

GAUSS-SEIDEL METHOD: EXAMPLE 2

Sistem persamaan linier

12x1 3x 2 - 5x 3 1

x1 5x 2 3x 3 28
3x1 7x2 13x3 76

Matriks Koefisien nya

adalah

12 3 5
A 1 5 3
3 7 13

Dengan asumsi nilai awal

x1 1
x 0
2
x3 1

Akan konvergen kah?

GAUSS-SEIDEL METHOD: EXAMPLE 2

Cek apakah matriks nya diagonally dominant
12 3 5
A 1 5 3
3 7 13

a11 12 12 a12 a13 3 5 8

a22 5 5 a21 a23 1 3 4

a33 13 13 a31 a32 3 7 10

Benar. Seharusnya konvergen dengan Gauss-Siedel Method

GAUSS-SEIDEL METHOD: EXAMPLE 2

Tulis ulang

Asumsi nilai awal

12 3 5 a1 1
1 5 3 a 28

2
3 7 13 a3 76

1 3 x 2 5 x3
x1
12
28 x1 3x3
x2
5
76 3x1 7 x2
x3
13

x1 1
x 0
2
x3 1

x1

x2

1 30 51
0.50000
12

28 0.5 31
4.9000
5

76 30.50000 74.9000
x3
3.0923
13

GAUSS-SEIDEL METHOD: EXAMPLE 2

The absolute relative approximate error

0.50000 1.0000
a 1
100 67.662%
0.50000

a
a

4.9000 0

100 100.00%
4.9000
3.0923 1.0000

100 67.662%
3.0923

Galat absolut terbesar di akhir iterasi pertama adalah 100%

GAUSS-SEIDEL METHOD: EXAMPLE 2

Setelah iterasi #1
x1 0.5000
x 4.9000
2

x3 3.0923

Masukkan nilai x pada persamaan

x1 0.14679
x 3.7153
2

x3 3.8118

x1

1 34.9000 53.0923
0.14679
12

x2

28 0.14679 33.0923
3.7153
5

x3

76 30.14679 73.7153
3.8118
13

Setelah iterasi #2

GAUSS-SEIDEL METHOD: EXAMPLE 2

Galat absolut dari Iterasi #2
a 1

0.14679 0.50000
100 240.62%
0.14679

a 2

3.7153 4.9000
100 31.887%
3.7153

a 3

3.8118 3.0923
100 18.876%
3.8118

Galat absolut maksimum 240.62%

Lebih besar dari iterasi #1. Is this a problem?

GAUSS-SEIDEL METHOD: EXAMPLE 2

Ulangi iterasi, didapatkan
Iteration
1
2
3
4
5
6

a1
0.50000
0.14679
0.74275
0.94675
0.99177
0.99919

x1 0.99919
Hasil akhir x 3.0001
2

x3 4.0001

a 1

a2

67.662
240.62
80.23
21.547
4.5394
0.74260

4.900
3.7153
3.1644
3.0281
3.0034
3.0001

a3
2

100.00
31.887
17.409
4.5012
0.82240
0.11000

3.0923
3.8118
3.9708
3.9971
4.0001
4.0001

67.662
18.876
4.0042
0.65798
0.07499
0.00000

x1 1
Mendekati solusi sejati x 3
2
x3 4

LATIHAN
Sistem persamaan linier

3x1 7x2 13x3 76

x1 5x2 3x3 28
x1 1
x 0
2
x3 1

12x1 3x2 - 5x3 1

With an initial guess of

GAUSS-SEIDEL METHOD
The Gauss-Seidel Method can still be used
The coefficient matrix is not
diagonally dominant

But this is the same set of

equations used in example #2,
which did converge.

3 7 13
A 1 5 3
12 3 5
12 3 5
A 1 5 3
3 7 13

If a system of linear equations is not diagonally dominant, check to see if

rearranging the equations can form a diagonally dominant matrix.

GAUSS-SEIDEL METHOD
Not every system of equations can be rearranged to have a
diagonally dominant coefficient matrix.
Observe the set of equations

x1 x2 x3 3
2 x1 3x2 4 x3 9

x1 7 x2 x3 9
Which equation(s) prevents this set of equation from having a
diagonally dominant coefficient matrix?

GAUSS-SEIDEL METHOD

Summary
-Advantages of the Gauss-Seidel Method
-Algorithm for the Gauss-Seidel Method
-Pitfalls of the Gauss-Seidel Method

GAUSS-SEIDEL METHOD

Questions?

METODE PENYELESAIAN

Metode grafik
Eliminasi Gauss
Metode Gauss Jourdan
Metode Gauss Seidel
LU decomposition

LU DECOMPOSITION
A=LU
Ax=b LUx=b

Define Ux=y
Ly=b

Solve y by forward substitution

Ux=y

Solve x by backward substitution

LU DECOMPOSITION BY GAUSSIAN
ELIMINATION
There are infinitely many different ways to decompose A.
Most popular one: U=Gaussian eliminated matrix
L=Multipliers used for elimination
1
m
2,1
m3,1
A

mn 1,1

mn ,1

0
1
m3, 2

mn 1, 2
mn , 2

0
0
1

mn 1,3
mn ,3

0
0
0

1
mn , 4

(1)
0 a11
0 0
0 0

0
0

1 0

(1)
a12
( 2)
a22
0

0
0

(1)
a13
( 2)
a23
( 3)
a33

0
0

an( n1) n 1
0

a1(1n)

a2( 2n)
a3(3n)

an( n1) n

(n)
ann

Compact storage: The diagonal entries of L matrix are all 1s,

they dont need to be stored. LU is stored in a single matrix.

NEXT: SOLUSI PERSAMAAN NON

LINIER
Persamaan matematis yang sulit diselesaikan
dengan tangan analitis, sehingga diperlukan
penyelesaian pendekatan numerik
Metode Numerik: Teknik menyelesaikan masalah
matematika dengan pengoperasian hitungan,
umumnya mencakup sejumlah besar kalkulasi
aritmetika yang sangat banyak dan menjenuhkan
Diselesaikan dengan algoritma (serangkaian
perintah untuk menyelesaikan masalah), sehingga
diperlukan bantuan komputer untuk
melaksanakannya

SUMBER GALAT / ERROR

Kesalahan pemodelan
contoh: penggunaan hukum Newton
asumsi benda adalah partikel
Kesalahan bawaan
contoh: kekeliruan dlm menyalin data
salah membaca skala
Ketidaktepatan data
Kesalahan pemotongan / penyederhanaan
persamaan(truncation error)
Kesalahan pembulatan (round-off error)

SOLUSI PERSAMAAN NON

LINEAR
1)Metode Akolade (bracketing method)
/ Closed method

Metode Bagi dua (Bisection Method)

Metode Regula Falsi (False Position
Method)
Metode Grafik
Kerugian: relatif lambat konvergen
Keuntungan: selalu konvergen

SOLUSI PERSAMAAN NON

LINEAR
2) Metode Terbuka
Contoh: Iterasi Titik-Tetap (Fix Point Iteration)
Metode Newton-Raphson
Metode Secant
Keuntungan: cepat konvergen
Kerugian: tidak selalu konvergen