You are on page 1of 46

SOAL

:
1. Jelaskan apa yang anda ketahui tentang system prsamaan linear
operasi LINEAR ALJABAR ! (Min. 5 Lembar).
2. Sebutkan & jelaskan metode-metode yang digunakan dalam
system operasi linear diserati contohnya ! (Min. 10 Lembar).
3. Jealaskan apa yang anda ketahui tentang interpolasi dan kurva
fitting ! (Min. 5 Lembar).
4. Sebutkan & jelaskan metode-metode yang digunakan pada
interpolasi dan kurva fitting beserta contohnya ! (Min. 10
Lembar).

JAWAB :
1. Sistem Persamaan Aljabar Linier (SPAL) atau dikenal juga sebagai
‘Persamaan Aljabar Linier Serempak’ banyak sekali dijumpai
dalam perhitungan-perhitungan teknik kimia yang melibatkan
solusi numeris. Beberapa metode solusi yang melibatkan solusi
SPAL, di antaranya dalah: solusi Sisten Persamaan Aljabar Non-
Linier (SPANL), solusi Persamaan Diferensial Biasa (PDB), solusi
persamaan Diferensial Parsial (PDP), Regresi Linier dan Non-
Linier, dll.

A. Skalar, Vektor, Matriks dan SPAL

(a). Skalar atau konstanta didefinisikan sebagai suatu obyek
tunggal (berdimensi nol), baik bilangan nyata (R, real) ataupun
bilangan kompleks (C, complex) yang daripadanya dapat
dilakukan sembarang operasi aritmatika/aljabar secara linier,
seperti: penambahan (adisi), pengurangan (substraksi),
perkalian (multiplikasi), pembagian (divisi), perpangkatan
(eksponen), dsb.
Dalam prakteknya, besaran skalar dapat dibagi atas 2 bagian
besar dalam domain bilangan, yaitu: k = R, suatu skalar dalam
bidang bilangan nyata, z = C, suatu skalar dalam bidang
bilangan kompleks.

(b). Vektor atau ‘ruang vektor V’ adalah suatu set (sekumpulan)
obyek berupa skalar (berdimensi satu) yang kepadanya dapat
dilakukan operasi-operasi skalar spesifik berupa ‘penambahan
vektor’ (vector addition) dan ‘perkalian skalar’ (scalar
multiplication). Operasi-operasi tersebut harus memenuhi
aturan-aturan baku, berupa: asosiatif, komutatif, dan distributif.

V = Rn, suatu set skalar dalam bidang bilangan nyata dengan
jumlah anggota sebanyak n buah, atau
V =Rn, merupakan ‘vektor horizontal’, sedangkan
H = [ ] h1 h2 L hn , merupakan ‘vektor horisontal’,
Z = Cn, suatu set skalar dalam bidang bilangan kompleks dengan
jumlah anggota sebanyak n buah.

(c). Matriks didefinisikan sebagai suatu set vektor yang
tersususn sedemikian rupa sehingga tebentuk kumpulan
bilangan dengan pola persegi-empat, atau berorder m (baris) x n
(kolom) (berdimensi dua).

Dalam sistem linier, pada umumnya hanya digunakan
matriksmatrik bujur-sangkar sehingga secara sederhana: order
matriks identik dengan jumlah persamaan. Lambang matriks
selalu dituliskan dalam huruf besar (capital), sedangkan
elemenelemennya dituliskan dalam huruf kecil seperti dalam
penulisan matriks A di atas.

(d). Sistem persamaan linier, dalam modul ini digunakan
istilah SPAL (Sistem Persamaan Aljabar Linier) yang
didefinisikan sebagai suatu set persamaan-persamaan aljabar
yang variable-variabelnya berpangkat tunggal (linier) dengan
notasi berikut:

sedemikian rupa sehingga persamaan di atas dapat dituliskan
dalam notasi berikut:
[A].[x] = [b]
atau

SPAL di atas memiliki n buah variabel atau bilangan anu (xj, j
= 1, 2,…, n) yang identik dengan jumlah persamaannya.
Koefisien koefisien xi,j, (x1,1 . . . xn,n) merupakan konstanta
(diketahui), demikian juga bi (b1 . . . bn) yang dikenal sebagai
vektor ruas kanan (VRK).
Menurut konvensi : indeks pertama dari elemen ai,j menyatakan
baris (= i) sedangkan indeks kedua menyatakan kolom (= j).
Agar solusi SPAL di atas dapat diperoleh, maka persayaratan
(teorema) berikut harus dipenuhi:
1. A x = b mempunyai jawab unik x Î V untuk setiap b Î V,
2. A x = b hanya mempunyai satu solusi x Î V untuk setiap b Î V,
3. Jika A x = 0, berarti x = 0,
4. A-1 atau inversi dari matriks A ada,
5. Determinan(A) ¹ 0,
6. Rank(A) = n, atau matriks A berorder n.

karena:  ada beberapa persamaan yang mendekati kombinasi linier. cukup hanya 2 baris yang menyebabkannya. prinsipnya: merupakan operasi eliminasi dan substitusi variabel-variabelnya sedemikian rupa sehingga dapat terbentuk matriks segitiga atas. dapat diklasifikasikan sebagai: a. Namun demikian. dan akhirnya solusinya diselesaikan menggunakan teknik substitusi balik (backsubstitution). akibat adanya “round off error” dari mesin penghitung pada suatu tahap perhitungan  adanya akumulasi “round off error” pada proses komputasi akan berakibat domain bilangan nyata (fixed point) dalam perhitungan akan terlampaui (overflow). Metode Langsung  Eliminasi Gauss (EGAUSS). maka akan terjadi kombinasi linier (akan mengakibatkan persamaan aljabar di atas bersifat SINGULAR). B. biasanya akibat dari jumlah persamaan yang terlalu besar Metode-metode solusi numerik yang banyak dipakai. namun dalam metode ini jumlah operasi numerik .  Eliminasi Gauss-Jordan (EGJ). Solusi SPAL secara numeris Solusi SPAL secara numeris umumnya selalu (harus) lebih efisien dan cepat dibandingkan dengan metode-metode analitis. Kombinasi Linier :  per baris. seperti metode Cramer. solusi numerik ini secara teknis adakalanya juga berkendala.Seperti telah dijelaskan di atas.  per kolom. bila semua baris yang menyebabkanya. matriks A merupakan matriks bujur sangkar. prinsipnya: mirip sekali dengan metode EG. Bila teorema di atas tak terpenuhi.

prinsipnya: merupakan perbaikan secara langsung dari Metode Gauss. Metode Tak-Langsung (Metode Iteratif)  Metode Jacobi. . Metode ini dapat dilihat dan dipelajari pada buku-buku numerik yang adadi perpustakaan atau toko buku. namun melibatkan perhitungan implisit.  Metode Gauss-Seidel.  Solusi sistem TRIDIAGONAL (S3DIAG). satu diagonal utama. prinsipnya: merupakan metode iteratif yang melakuakn perbaharuan nilai x yang diperoleh tiap iterasi (mirip metode substitusi berurutan.  Metode Successive Over Relaxation (SOR). namun sangat bermanfaat untuk menginversikan matriks. prinsipnya: melakukan dekomposisi matriks A terlebih dahulu sehingga dapat terbentuk matriks-matrik segitiga atas dan bawah. prinsipnya: mirip metode Jacobi. Karena kendala tersebut. prinsipnya merupakan solusi SPAL dengan bentuk matrik pita (satu diagonal bawah. maka metode ini sangat jarang dipakai. karena matriks A mengalami inversi terlebih dahulu untuk mendapatkan matriks identitas (I).yang dilakukan jauh lebih besar. successive substitution).Seidel dengan cara menggunakan faktor relaksasi (factor pembobot) pada setiap tahap/proses iterasi. kemudian secara mudah dapat melakukan substitusi balik (backsubstitution) untuk berbagai vektor VRK (vektor ruas kanan).  Dekomposisi LU (DECOLU). dan satu diagonal atas) pada matriks A. b. Metode-metode tak-langsung seperti di atas pada umunya sangat tidak efisien dan ‘time consuming’ (memerlukan CPUtime) yang jauh lebih besar dari metode langsung.

Tentukan ‘pengali baris’ sebagai berikut: Kemudian. sedangkan kolom pertama dari matriks A(1) di bawah diagonal harus dibuat nol. prinsipnya: merupakan operasi eliminasi dan substitusi variabel-variabelnya sedemikian rupa sehingga dapat terbentuk matriks segitiga atas. Metode Eliminasi Gauss Eliminasi Gauss (EGAUSS).2. Algoritma Solusi SPAL dengan Metode Eliminasi Gauss  Langkah #1: Pilih harga (1)a1.1 sedemikian rupa yang tidak berharga nol. seperti berikut: Dalam hal ini. Sistem A(2)·x = b(2) akan tampak seperti berikut: . baris pertama dari matriks A dan vektor b tidak boleh diganggu. A. dan akhirnya solusinya diselesaikan menggunakan teknik substitusi balik (backsubstitution). konstanta-konstanta pengali baris (m) di atas digunakan untuk melakukan ‘eliminasi’ term-term x1 pada persamaan-persamaan 2 sampai ke-n.

3 sampai ken. seperti berikut: .Proses eliminasi dilanjutkan untuk kolom-kolom 2. dan dengan anggapan termterm x1. x2. Tentukan ‘pengali baris’ sebagai berikut: Kemudian. dan diungkapkan dalam langkah berikut. Bila A(k)·x = b(k) telah terbentuk. xk -1 telah tereliminasi pada tahap sebelumnya. gunakan konstanta-konstanta di atas untuk mengeliminasi term-term xk pada persamaan-persamaan k+1 sampai ke-n. sehingga matriks A(k) sekarang memiliki bentuk sebagai berikut: Pilih harga (1) a1.  Langkah k: menggunakan k untuk indeks iterasi.K. untuk rentang harga: 1 £ k £ n-1.1 sedemikian rupa yang tidak berharga nol.

dan harga-harga nol dimasukkan pada kolom k di bawah diagonal. solusi . terutama bila dijumpai matriks-matrik yang bersifat ‘singular’ karena adanya ‘kombinasi linier’. bahwa matriks A di atas sekarang telah berubah menjadi matriks segitiga atas (= matriks U). diikuti dengan: Teknik Pivoting dalam Metode Eliminasi Gauss Dalam beberapa kasus. yang disebut sebagai substitusi balik (back substitution). setelah langkah ke n-1 akan diperoleh suatu matriks dengan susunan seperti berikut: Perhatikan. tidak boleh diganggu. sehingga: U·x = b(n) Hal ini berarti bahwa solusi harga-harga x harus dilakukan dimulai dari indeks terbesar (=n) menuju indeks terkecil (=1). yang dimulai dengan: kemudian.Baris-baris terdahulu. Dengan mengikuti langkah-langkah seperti di atas. dari 1 sampai k.

Contoh Solusi SPAL dengan Eliminasi Gauss Diberikan SPAL berikut: Maka. sedangkan koefisien pertama dari persamaan kedua disebut “pivot”)  Persamaan pertama dikalikan dengan 2 untuk mengeliminasi x1 pada persamaan kedua . Pada prinsipnya.  Untuk hasil terbaik. sebaiknya gunakan variabel ‘presisi ganda’ (DOUBLE PRECISION atau REAL*8). solusinya adalah sebagai berikut:  Tahap I : Triangularisasi  Eliminasi x1 dari persamaan kedua dan ketiga (dalam hal ini : persamaan pertama disebut “persamaan pivotal”. secara langsung menggunakan algoritma metode eliminasi Gauss tidak memberikan hasil dan ketelitian yang baik.  Pemilihan pivot dilakukan berdasarkan ‘pembandingan harga terbesar (maksimum)’ dari setiap elemen a ji " j ³ i . Untuk menghindari fenomena tersebut. modifikasi tersebut dilakukan dengan memperhatikan hal-hal berikut:  Harga pivot diambil yang terbesar dari setiap baris dan kolom yang sesuai. bahkan seringkali memberikan hasil yang meleset jauh dari yang diharapkan. Persamaan pertama dikalikan dengan 2 untuk mengeliminasi x1 pada persamaan ketiga : . yaitu komponen aii . diperlukan modifikasi dari algoritma eliminasi Gauss.

baris ke n). dimulai dari beris ke n-1 sampai baris pertama dihitung menggunakan algoritma :  Perolehan : vektor jawab yang dihasilkan adalah (a). langsung dapat dihitung bahwa : x = n bn a n . Listing Program Eliminasi Gauss (tanpa Pivoting) C PROGRAM Solusi Sistem Persamaan Aljabar Linier (SPAL) atau .n  Baris lainnya. sedangkan koefisien x 2 dari persamaan ketiga disebut “pivot”)  Persamaan kedua dikalikan dengan 3 untuk mengeliminasi x 2 pada persamaan kedua :  Tahap II : Substitusi Balik (Back Substitution)  Dimulai dari baris ketiga (baris terakhir. Eliminasi x 2 dari persamaan ketiga (dalam hal ini : persamaan kedua menjadi “persamaan pivotal”.

j) ENDDO WRITE(*.20) 'A('.neq WRITE(*.i.j.x(iarg) CALL system('clear') C Proses Pemasukan Harga Variabel: C -------------------------------- WRITE(*.j.i.'.iarg) REAL*8 b(iarg).neq DO j = 1.k.neq WRITE(*.'.') : ' READ(*.*) A(i.*) b(i) ENDDO C Proses Pemanggilan Subprogram Eliminasi Gauss-Jordan: C ----------------------------------------------------- CALL EGAUSS(neq.A.10) 'Jumlah Persamaan : ' READ(*.30) 'b('.x(i) .neq REAL*8 A(iarg.C atau Persamaan Aljabar Linier Simultan C Deklarasi Jenis dan Variabel: C ----------------------------- IMPLICIT NONE INTEGER iarg PARAMETER (iarg = 7) INTEGER i.*) neq DO i = 1.x.40) 'x('.i.') = '.') : ' READ(*.b) C Pemaparan/penyajian Hasil Perhitungan: C -------------------------------------- DO i = 1.

dengan rincian sbb | C n = jumlah persamaan aljabar linier (dimensi SPAL) | C A = matriks bujur sangkar n x n yang berisi koefisien persamaan.b) C --------------------------------------------------------------------------- C SUBPROGRAM ELIMINASI GAUSS: | C Merupakan solusi Sistem Persamaan Aljabar Linier (SPAL) dengan | C format persamaan matriks: [A].I1.7) STOP END SUBROUTINE EGAUSS(n.A.A.A.$) 20 FORMAT (3X.I1.j.G12.b(n).A.x(n) INTEGER i.[x] = [b].TOP C Proses solusi: (a) Substitusi dan Eliminasi C ------------------------------------------- DO j = 1.A.ENDDO 10 FORMAT (3X.n-1 .A.A.x.I1.A1.I1.k REAL*8 PIVOT.A. | C x = vektor variabel persamaan yang akan dicari harga- harganya | C b = vektor ruas kanan yang berisi harga-harga persamaan tunggal | C --------------------------------------------------------------------------- C Deklarasi Variabel: C ------------------- INTEGER n REAL*8 A(7.$) 40 FORMAT (5X.MULT.$) 30 FORMAT (5X.7).

A.PIVOT = A(j.MULT*A(j.j)/PIVOT DO k = j+1.-1 TOP = b(i) DO k = i+1.A(i.k) ENDDO b(i) = b(i) . Listing Program Eliminasi Gauss (dengan Pivoting) SUBROUTINE PGAUSS(n. Di bawah ini diberikan subroutine yang telah menggunakan ‘teknik pivoting’.n) DO i = n-1.b) C --------------------------------------------------------------------------- C SUBPROGRAM ELIMINASI GAUSS dengan TEKNIK PIVOTING | .n TOP = TOP .k) .k) = A(i.n MULT = A(i. (b).MULT*b(j) ENDDO ENDDO C Proses solusi: (b) Substitusi Balik C ----------------------------------- x(n) = b(n)/A(n.1.n A(i.k)*x(k) ENDDO x(i) = TOP/A(i.i) ENDDO RETURN END Listing program (source code) di atas masih menggunakan subroutine eliminasi Gauss yang belum dilakukan ‘pivoting’ pada setiap penggunaan elemen aii .j) DO i = j+1.x.

x(n) INTEGER i.j)) KPOS = j DO i = j+1.C --------------------------------------------------------------------------- C Deklarasi Variabel: C ------------------- INTEGER n REAL*8 A(7. PIVMAX) THEN PIVMAX = ABS(A(i.j)) .n-1 C Mencari PIVOT terbesar: C ----------------------- PIVMAX = ABS(A(j. j) THEN itemp = ipos(j) ipos(j) = ipos(KPOS) ipos(KPOS) = itemp ENDIF C Akhir pencarian PIVOT terbesar: .b(n).k REAL*8 PIVOT.j.NE.n ipos(i) = i ENDDO DO j = 1.GT.7).n IF (ABS(A(i.PIVMAX.ipos(7).TOP INTEGER KPOS.j)) KPOS = i ENDIF ENDDO IF (KPOS .MULT.itemp C Proses solusi: (a) Substitusi dan Eliminasi C -------------------------------------------- DO i = 1.

MULT*b(ipos(j)) ENDDO ENDDO C Proses solusi: (b) Substitusi Balik C ----------------------------------- x(n) = b(ipos(n))/A(ipos(n).k) ENDDO b(itemp) = b(itemp) .n TOP = TOP .ipos(j) PIVOT = A(ipos(j).A(itemp.j)/PIVOT DO k = j+1.n) DO i = n-1.*) 'i-pos = '.n itemp = ipos(i) MULT = A(itemp.k) .C ------------------------------- C write(*.n A(itemp.k)*x(k) ENDDO x(i) = TOP/A(itemp.i) ENDDO RETURN END B.MULT*A(ipos(j). karena matriks A mengalami .k) = A(itemp. Metode Eliminasi Gauss-Jordan (EGJ) Eliminasi Gauss-Jordan (EGJ).j) DO i = j+1. prinsipnya: mirip sekali dengan metode EG.-1 itemp = ipos(i) TOP = b(itemp) DO k = i+1. namun dalam metode ini jumlah operasi numerik yang dilakukan jauh lebih besar.1.

Metode Dekomposisi LU Dekomposisi LU (DECOLU).inversi terlebih dahulu untuk mendapatkan matriks identitas (I). maka metode ini sangat jarang dipakai. prinsipnya: melakukan dekomposisi matriks A terlebih dahulu sehingga dapat terbentuk matriks- matrik segitiga atas dan bawah. kemudian secara mudah dapat melakukan substitusi balik (backsubstitution) untuk berbagai vektor VRK (vektor ruas kanan). Prinsip Dekomposisi LU dan Matriks Identitas Matriks [A] dari SPAL didekomposisi (difaktorisasis) menjadi matriks-matrik segitiga bawah (L) dan segitiga atas (U) sedemikian rupa sehingga identitasnya adalah: [A] = [L]·[U] atau A = L·U Notasi Matriks LU berdasarkan Metode Doolittle Notasi matriks L seperti di atas dituliskan sbb: Perhatikan. namun sangat bermanfaat untuk menginversikan matriks. Karena kendala tersebut. C. bahwa semua elemen diagonal dari matriks L di atas berharga 1 (satu) ! Sedangkan semua elemen di atas diagonal semuanya berharga 0 (nol) ! Notasi matriks U dituliskan sbb: .

sedangkan yang terletak di bawahnya berharga 0 (nol) ! Notasi Matriks A dan LU dalam SPAL . bahwa semua elemen diagonal dari matriks L di atas tidak harus berharga 1 (satu).1 … un.Perhatikan.n) berharga 1 (satu). sedangkan. bahwa semua elemen diagonal (= u1. bahwa semua elemen yang terletak di bawah diagonal dari matriks U di atas (= u1.1 … un.n) berharga 0 (nol) ! Notasi Matriks LU berdasarkan Metode Crout Notasi matriks L seperti di atas dituliskan sbb: Perhatikan. elemen-elemen di atas diagonal semuanya berharga 0 (nol) ! Notasi matriks U dituliskan sbb: Perhatikan.

Notasi Matriks LU sebagai dekomposan matriks A dapat dituliskan dalam SPAL sbb: [A] · [x] = [L]·[U]·[x] = [b] Sehingga.2 + u2.n .1·u1. dalam notasi Metode Crout dapat dituliskan: Deskripsi Tahapan dan Strategi Dekomposisi Notasi A = LU dalam Metode Doolittle seperti di atas dapat diuraikan dalam operasi perkalian matriks (sebagai contoh: matriks n x n) sbb: Baris 1 (i = 1): Baris 2 (i = 2): a2.3 = l2.3 : : : : a2.1·u1. dalam notasi Metode Doolittle dapat dituliskan: Sedangkan.1·u1.2 a2.3 + u2.1 a2.2 = l2.n + u2.1·u1.1 = l2.n = l2.

3 + ln.n + u3.3 : : : : an.2 = l3.n + … + … + un.n .n Baris n (i = n): an.2 + l32·u2.2 a3. Harga-harga elemen pada kolom 1 untuk matriks L.1·u1.1 = ai.n-1 = ln.n = ln.1·u1.3 = ln.3·u3.n + ln.n-1 + … + ln.Baris 3 (i = 3): a3.2 an.1 an.n-1 + ln.1·u1.n-1·un- 1.…. demikian seterusnya sampai baris terakhir (ke-n).1 = ln. dan kemudian diikuti pengisian matriks U pada baris yang sama.3 + ln.1 / u1. dapat dihitung menggunakan persamaan berikut: li.1·u1.2·u2.3·u3.3 + u3. mengisi matriks L pada baris terendah terlebih dulu (mulai baris ke-2). i = 2.2 = ln.2·u2. (2).2 + ln.n = l3. dapat disimpulkan beberapa hal berikut: (1).3·u3.3 : : : : a3.n + l32·u2.1·u1. Harga-harga dari semua elemen matriks U pada baris 1 identik dengan elemen-elemen matriks A (matriks asal).1 = l3.n-1 an. Selanjutnya.3 + l32·u2.1·u1. (3).1·u1.1·u1.n + ln.n # Dari operasi-operasi perkalian matriks LU seperti di atas.3 = l3.1 a3. Mekanisme ‘proses dekomposisi’ dilakukan dengan cara mengisi terlebih dahulu baris pertama matriks U.2·u2.1 .n-1 + ln.2·u2.1·u1.

1. prinsipnya merupakan solusi SPAL dengan bentuk matrik pita (satu diagonal bawah. satu diagonal utama.(4). dan satu diagonal atas) pada matriks A. (5). Bentuk umum Matrik Tri-Diagonal Secara spesifik. Solusi Numerik SPAL dengan Matriks Tri-Diagonal Solusi SPAL yang berbentuk matriks tri-diagonal seringkali dijumpai pada problem-problem yang berbentuk PDP (persamaan diferensial parsial) yang dominan secara diagonal (definit positif). D. Teorema Solusi matriks Tri-Diagonal . Jumlah maksimum operasi penjumlahan per elemen matriks A sesuai dengan jumlah/posisi baris. Metode TRIDIAGONAL (S3DIAG) Solusi sistem TRIDIAGONAL (S3DIAG). Pada baris rendah. bentuk SPAL yang memiliki matriks tri-diagonal dapat disajikan sebagai berikut: atau [A] [x] = [b] 2. dan sebaliknya. langkah/iterasi pengisian matriks U lebih banyak dibandingkan dengan matriks L.

bila dibandingkan dengan penghitungan melalui matriks penuh. yang berarti bahwa matriks [A] di atas. Hal lain yang perlu dicatat adalah. sedangkan matriks U adalah matriks atas yang berisi diagonal utama [du] dan diagonal atas [cu]. Dalam hal ini jika penulisan SPAL di atas disusunulang menjadi: Dapat dilihat dengan jelas. Langkah solusi yang digunakan adalah analogi dengan metode ELIMINASI GAUSS. maka [A] memiliki suatu mentuk faktorisasi LU yang unik. . dalam hal ini baik L maupun U hanya memiliki duadiagonal: L adalah matriks bawah dengan struktur diagonal utama (dituliskan dalam lambang [dl]) dan diagonal bawah (dituliskan dalam lambang [al]). yang berarti juga sebagai “penghematan usaha dan daya komputasi numerik” yang relative sangat besar. hanya diperlukan 1 buah elemen tak-nol (bukan 0) yang dieliminasi. melainkan cukup hanya dalam 3 buah ventor dengan panjang masing-masing (maksimum) sebesar n elemen. selain ketiga diagonal di atas matriks [A] hanya diisi oleh elemen 0 (nol). tidak perlu disimpan dalam suatu variabel berbentuk matriks. bahwa pada setiap kolom. Jumlah memori untuk penyimpanan menjadi semakin sangat berarti pada saat harga n menjadi sangat besar.Jika matriks bujur-sangkar [A] di atas merupakan matriks yang dominan secara diagonal (atau definit :positif) dan membentuk matriks tri-diagonal.

Teruskan cara perhitungan di atas. sebagai berikut: dengan. maka x1 dapat dieliminasi dari persamaan kedua dengan menghitung “faktor pengali” berikut: dan dihasilkan persamaan baru sebagai berikut: dengan. (b).Selanjutnya. Dengan cara yang sama. x2 dapat dieliminasi dari persamaan ketiga sehingga dihasilkan persamaan ketiga yang baru. jika ' 2 d ¹ 0. xi dapat dieliminasi dari persamaan . Jika d1 ¹ 0. langkah algoritma penyelesaiannya adalah sebagai berikut: (a). sehingga dapat disimpulkan pada tahap-i. dan (c).

yaitu dengan menganggap bahwa dn' ¹ 0. … . sehingga sistem awalnya tertransformasi menjadi “matriks segitiga atas” (e).…. dan (d). yaitu keberulangan dari i = 1.i+1 (dengan asumsi di' ¹ 0) dan memberikan persamaan baru berikut: dengan. Sekuens-sekuens dalam butir (c) di atas sebenarnya merupakan sesuatu yang beraturan. 1. Sebagai solusi akhirnya. yaitu “substitusi balik” yang juga mirip dengan “metode eliminasi Gauss”. akan diperoleh: ' dan kemudian. dapat digunakan: . n-2. untuk i = n-1. n-1. 2.

*) neq WRITE(*.a.neq REAL*8 a(iarg).x.d.b(neq) C Proses Pemanggilan Subprogram Eliminasi Gauss-Jordan: C ----------------------------------------------------- CALL S3DIAG(neq.x(iarg) CALL system('clear') OPEN (10.d(neq).*) '--------HASIL---------' DO i = 1.b) C Pemaparan/penyajian Hasil Perhitungan: C -------------------------------------- WRITE(*.c(i).neq .c(iarg).FILE='s3diag.*) a(i).b(iarg).c.dta') C Proses Pemasukan Harga Variabel: C -------------------------------- READ(10.Listing Program Matriks Tri-Diagonal: C PROGRAM Solusi Sistem Persamaan Aljabar Linier (SPAL) atau C atau Persamaan Aljabar Linier Simultan dengan TEKNIK TRIDIAGONAL C Deklarasi Jenis dan Variabel: C ----------------------------- IMPLICIT NONE INTEGER iarg PARAMETER (iarg = 7) INTEGER i.d(iarg).neq-1 READ(10.*) d(1).c(1).neq READ(10.b(i) ENDDO READ(10.d(i).*) 'Jumlah Persamaan : '.*) a(neq).b(1) DO i = 2.

A.7) 40 FORMAT (5X.G15.A.A. | C d = vektor koefisien pada diagonal utama dengan dimensi n.7) STOP END SUBROUTINE S3DIAG(n.[x] = [b].40) 'x('. TGP-FTUI Modul 2 – Solusi Sistem Persamaan Aljabar Linier (SPAL) (29/29) C Deklarasi Variabel: C ------------------- .WRITE(*.a. Setijo Bismo. | C c = vektor koefisien pada diagonal atas dengan dimensi n-1.G15. dengan rincian sbb | C n = jumlah persamaan aljabar linier (dimensi SPAL) | C a = vektor koefisien pada diagonal bawah dengan dimensi n-1.A.A..i.') = '. | C x = vektor variabel persamaan yang akan dicari harga- harganya | C b = vektor ruas kanan yang berisi harga-harga persamaan tunggal | C --------------------------------------------------------------------------- Seri Matematika Terapan untuk S2 Intellectual Property of DR.c.x.G15. Ir. DEA.d.A1.I1.7) 30 FORMAT (5X.b) C --------------------------------------------------------------------------- C SUBPROGRAM SOLUSI MATRIKS TRI-DIAGONAL dengan ELIMINASI GAUSS | C Merupakan solusi Sistem Persamaan Aljabar Linier (SPAL) dengan | C format persamaan matriks: [A].I1.x(i) ENDDO CLOSE(10) 20 FORMAT (3X.I1.A.I1.

INTEGER n REAL*8 a(n).b(n).MULT*c(i) b(i+1) = b(i+1) .MULT*b(i) ENDDO C Proses solusi: (b) Substitusi Balik C ----------------------------------- x(n) = b(n)/d(n) DO i = n-1. Apabila data diyakini merupakan . Manfaatnya adalah memprediksi data yang akan datang atau data yang lebih detail dari yang ada. penentuan jenis fungsi ini dapat dilakukan melalui 2 cara.c(i)*x(i+1))/d(i) ENDDO RETURN END 3.-1 x(i) = (b(i) .x(n) INTEGER i REAL*8 PIVOT. yaitu Aproksimasi Fungsi (atau disebut juga curve fitting) dan interpolasi/ekstrapolasi.MULT C Proses solusi: (a) Substitusi dan Eliminasi C ------------------------------------------- DO i = 1.c(n). Salah satu cara mengolah data yang didapat dari pengukuran atau ekperimen adalah penentuan apakah data tersebut merupakan hasil dari suatu fungsi.1.d(n).n-1 PIVOT = d(i) MULT = a(i+1)/PIVOT a(i+1) = MULT d(i+1) = d(i+1) . Apabila data diyakini merupakan data deterministik.

data stokastik. Proses ini juga dapat digunakan untuk keperluan interpolasi data. Curve-fitting merupakan proses data- smoothing. maka dapat dicari suatu persamaan y = f(x) yang memberikan hubungan y dengan x yang mendekati data. kita hanya dapat menentukan distribusi dari data tersebut. Sekarang yang dibahas adalah penentuan jenis fungsi dari data deterministic. Data-data yang bersifat diskrit dapat dibuat continuum melalui proses curve-fitting. Misalkan tersedia data-data y pada berbagai x (sejumlah n pasang). yakni proses pendekatan terhadap kecenderungan data-data dalam bentuk persamaan model matematika. . Proses ini disebut curve fitting.

Persamaan empirik. Membuat grafik y versus x berdasarkan data yang tersedia 2.. Mengevaluasi kesesuaian persamaan empirik terhadap data. + am-1 xm-1 + am xm Persamaan eksponensial: y = a ebx. Meramalkan bentuk persamaan yang kira-kira sesuai (mengandung tetapan-tetapan yang belum diketahui).Secara garis besar. persamaan empirik dianggap sesuai jika error-nya kecil dan bentuk kurva berdasarkan persamaan . berdasarkan grafik Misal: Persamaan linier: y = a x . Secara sederhana. yakni: 1. metode regresi ada 2 macam: (a) regresi linier dan (b) regresi non-linier 4. 3. Persamaan analitik. ada 2 kategori persamaan model matematika. Mengevaluasi nilai tetapan-tetapan tersebut berdasarkan data yang ada ? regresi Secara garis besar. yang berbasiskan teori dan fenomena fisik sistem yang teramati 2. yang (lebih) berbasiskan hubungan antara input dan output sistem yang ditinjau Langkah-langkah yang dapat ditempuh untuk menentukan persamaan empirik adalah sebagai berikut: 1.. y = a0 + a1 x Persamaan kuadrat: y = a0 + a1 x + a2 x2 Persamaan polinomial berorde-m: y = a0 + a1 x + a2 x2 + .

: . Hubungan antara r dengan SSE dapat dinyatakan sbb. Cara mengevaluasi nilai-nilai tetapan dalam persamaan empirik: visual inspection. maka harus dicoba bentuk persamaan yang lain. tetapi untuk bentuk- bentuk yang lain harus dilakukan secara numerik. Jika persamaan empirik tidak sesuai. Metode kuadrat terkecil merupakan metode yang paling banyak digunakan.empirik ini mirip dengan bentuk kurva berdasarkan data. kesesuaian antara bentuk kurva dengan data dapat dinyatakan dalam term koefisien korelasi (r) atau koefisien determinasi (r2). metode kudrat terkecil dapat dilakukan secara analitik. method of average. Besarnya koefisien korelasi (r) adalah: dengan n menyatakan banyaknya data. Prinsipnya adalah minimasi SSE terhadap variabel nilai-nilai tetapan dalam persamaan empirik. nilai- nilai tetapan terbaik adalah yang memberikan jumlah kuadrat kesalahan/penyimpangan (sum of squares of errors. dan metode kuadrat terkecil (least squares). SSE) yang terkecil (minimum). Untuk bentuk-bentuk persamaan tertentu. Secara statistik. Pada metode ini.

.Kesesuaian yang sempurna ditunjukkan oleh besarnya: SSE = 0 dan r = r2 = 1.

.

4. maka error-nya adalah: Harga a terbaik adalah yang memberikan SSE minimum.1 K: dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 3 dari 16 CA (gmol/liter) 0. Besar galat terakhir lebih baik daripada yang sebelumnya.. Galat antara nilai dari fungsi (kolom 3) dengan nilai logaritma dari data sebenarnya (kolom 2) diberikan kolom 4. Sedangkan galat antara nilai eksponensial dari fungsi (kolom 6) dengan nilai data sebenarnya (kolom 5) dituliskan pada kolom 7. curve fitting dilakukan untuk mendapatkan fungsi yang mendekati nilai-nilai data yang ada. (1) ingin dicari harga a (a biasa disebut sebagai slope) Untuk pasangan data xi.0776 0.0603 0. Harga SSE akan minimum jika: CONTOH 1#: Nitrous anhydride (N2O5) dapat terurai secara homogeny menjadi dinitrogen tetraoksida (N2O4) dan oksigen melalui reaksi: Berikut adalah data-data konsentrasi N2O5 (CA) vs waktu untuk reaksi ini pada suhu 313.0892 0. yi. untuk mencari aproksimasi fungsi linier.1000 0. REGRESI LINIER DENGAN METODE KUADRAT TERKECIL Bentuk persamaan linier: (1) y = a x dan (2) y = a0 + a1 x (1) Bentuk Persamaan: y = a x .0542 0. Dari contoh di atas. Fungsi tersebut tidak perlu melalui semua data yang ada karena diyakini data yang terkumpul memuat galat dari pengukuran dan lainnya..0705 0.0471 Waktu (detik) 0 500 1000 1500 2000 2500 3000 Dengan menganggap .Dilakukan curve fitting: Pada tabel berikut merupakan proses menggunakan transformasi logaritma seperti yang terlihat pada kolom 2. yang hasilnya pada kolom 3.

Atau. (2) Bentuk Persamaan: y = a0 + a1 x .69 22750000 -5636. diperoleh nilai tetapan (yakni tetapan kecepatan reaksi) k sebesar 0. dan dapat diplotkan sbb: -0.22 3000 -0.8 -0. dapat juga dinyatakan dalam bentuk: k t Persamaan (*) merupakan bentuk persamaan linier (berorde satu. maka profil konsentrasi reaktan yang terhadap waktu dapat dinyatakan sebagai: kt A A C = C e− 0 .6 -0.68 2500 -0.1 0 500 -0.7 -0..5 -0.4 -0.5058 4000000 -1011.7529 9000000 -2258.336 2000 -0.bahwa reaksi ini berorde-pertama terhadap konsentrasi reaktannya: r = k CA .1446 1000 -0.3496 2250000 -524. garis lurus) yang mempunyai bentuk umum: y = a x.3 -0.2 -0. dengan CA0 menyatakan konsentrasi reaktan mula-mula.67 Berdasarkan metode regresi linier terhadap data-data di atas.. (6) .0002 detik-1.1143 250000 -57.2536 1000000 -253.603 1500 -0.6125 6250000 -1531.

. (7) sehingga nilai sum of squares of errors-nya: Ax=b Slope = -k = -0.ingin dicari harga a0 dan a1 (a0 biasa disebut sebagai intercept dan a1 sebagai slope) Dengan cara yang sama. Berikut ini adalah contoh beberapa bentuk persamaan dan hasil linierisasinya: Bentuk Persamaan Awal Bentuk Persamaan Hasil Linierisasi Ordinat Absis Slope yang dihasilkan Intercept yang dihasilkan y=ax+b-yxab y = a eb x ln y = ln a + b x ln y x b ln a axb yx + =axb y x=+ y . maka error-nya adalah: ( ) i 0 1 i i terhitung data R = a + a x − y = y − y .0002 dy/analisis numeric/curve-fitting dan interpolasi /maret / 2007/ halaman 4 dari 16 maka: (n menyatakan banyaknya data) Nilai-nilai tetapan pada persamaan non-linier dapat ditentukan melalui proses linierisasi. yi.. untuk pasangan data xi.

3010 0 0 2 1.2276 0.4886 0.0792 2.4771 0.7 8.3010 0.4241 .0694 3 3.5 1.4551 5 8. jika trend data mengikuti model bentuk pangkat: y = a xb PENYELESAIAN: Bentuk: y = a xb dapat dilinierisasi menjadi bentuk: log y = log a + b log x x y log x log y (log x) 2 log x .1411 1.7559 0.6990 0.7 3.xxab b x y=a+-y x 1ab y = a xb ln y = ln a + b ln x log y = log a + b log x ln y log y ln x log x b ln a log a CONTOH 2#: Berdasarkan data-data x-y berikut ini: x12345 y 0.4 0.5 0 -0. log y 1 0.7 0.2536 4 5.3625 0.5315 0.4 5.0906 0.1693 1.4 tentukan harga-harga a dan b.6021 0.6460 Σ 2.2304 0.4 0.9243 0.7 0.

T (K): T 400 475 520 580 660 750 850 Cp 41. pada berbagai suhu. dapat dihasilkan persamaan-persamaan berikut..27 .30 65... . menjadi: dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 5 dari 16 Dengan menggunakan aturan Cramer.. maka: Ax=b dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 6 dari 16 Dengan demikian. dan a2 dapat ditentukan secara simultan.29 45..50 48. + am-1 xm-1 + am xm . harga-harga a0. a2. Cp (kal/gmol.Persamaan (11) dan (12) diterapkan untuk kasus ini. a1. CONTOH 3#: Berikut adalah data-data kapasitas panas gas.00 51.31 55. harga a0. yang disajikan dalam bentuk perkalian matriks dan vektor: Ax=b Elemen-elemen matriks A dan vektor b dapat dihitung dengan mudah.61 60. dan diperoleh hasil sbb.. Dengan cara yang sama. a1.: 7 4235 2713025 1830387875 367. (21) dapat dihasilkan persamaan-persamaan berikut ini: Dengan demikian. a1. am dapat ditentukan secara simultan.26 Jika Cp = f (T) didekati dengan persamaan polinomial berorde 3 tentukanlah harga-harga a0.. secara umum. a2.K). untuk persamaan polinomial berorde-m dengan bentuk: y = a0 + a1 x + a2 x2 + . dan a3! PENYELESAIAN: Dengan menggunakan metode kuadrat terkecil.

5 -3.3 Pertukarkan baris ke-2 dan ke-3 (maximum column pivoting): 1830387875 1.0 -898362.10E+14 -4389064.8 -1.8 -1.06E+11 0 -83071679.11E+17 1.10E+14 -4389064.10E+14 -4389064.5 -3.11E+17 1.29E+12 230246.4235 2713025 1830387875 1.8 -1.29E+12 9.11E+17 1.11E+17 1.0 -898362.5 -889484632.8 -37.3 Hasil eliminasi kedua: 1830387875 1.1 .29E+12 9.1 7516954861 -37.8 0 -83071679.1 0 -702.09E+11 -1.44E+14 7.11E+17 1.06E+11 Matriks A Vektor b Dicoba diselesaikan dengan metode eliminasi Gauss.29E+12 9.29E+12 9.06E+11 0 -83071679.2 Hasil eliminasi ketiga: 1830387875 1.55E+11 -14506.8 0 -702.09E+11 -1.09E+11 -1.06E+11 0 -273862.44E+14 152405037.6 -0.06E+11 0 -83071679.44E+14 7.29E+12 9.44E+14 7.5 -889484632.29E+12 9.27 dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 7 dari 16 Hasil eliminasi pertama: 1830387875 1.8 -37.44E+14 152405037.29E+12 230246.1 0 -273862.8 -354501579.9 2713025 1830387875 1.8 -354501579.44E+14 7.29E+12 9.55E+11 -14506.44E+14 7.09E+11 -1.29E+12 9.5 7 4235 2713025 1830387875 367. Pertukarkan baris ke-1 dan ke-4 (maximum column pivoting): 1830387875 1.5 1830387875 1.8 38682348.44E+14 7.11E+17 1.4 0 0 20519.8 -1.10E+14 -4389064.06E+11 4235 2713025 1830387875 1.9 2713025 1830387875 1.1 0 0 3968550.

. diperoleh hasil sbb.0533499 a0 = 19.5282182 a1 0.0026952 a2 9. maka diperoleh hasil sbb..9999998 R^2adj = 0.021E-08 2.923E-06 4.1.0 0 3968550.0533499 0.7 0..9999997 Rmsd = 0.015164 Sebagai alternatif. jika menggunakan POLYMATH 5.0011711 Variance = 2.: a3 = -1.448E-06 a3 -1.0214 E-08 a2 = 9.376E-09 General Order of polynomial = 3 Regression including free parameter Number of observations = 7 Statistics R^2 = 0.: POLYMATH Results Polynomial Regression Report Model: Cp = a0 + a1*T + a2*T^2 + a3*T^3 Variable Value 95% confidence a0 19.0019 Dengan substitusi balik.1 7516954861 -37.015164 0.24E-05 REGRESI LINIER BERGANDA (MULTIPLE LINEAR REGRESSION) Regresi linier berganda diterapkan terhadap persamaan linier multivariabel (dengan banyaknya variabel sejumlah m) yang mempunyai bentuk umum: y = a0 + a1 x1 + a2 x2 + . (22) .4 0 0 0 -184914. + am-1 xm-1 + am xm .9231E-06 a1 = 0..

CONTOH 4#: Berikut adalah data-data percobaan kinetika sebuah reaksi homogen ireversibel: A ��r→ P CA (gmol/liter) 1. a1.. melalui penurunan yang sama dengan kasus-kasus sebelumnya.87 1.255 Jika kecepatan reaksi dianggap mempunyai bentuk: n = exp − 0 .899 2. E ≡ energi aktivasi reaksi.75 0.detik) 1. (23) dapat dimanipulasi menjadi: sehingga menjadi persamaan linier multivariabel seperti bentuk di atas...566 1. maka dihasilkan persamaan-persamaan berikut ini: Ax=b Dengan demikian.. am dapat ditentukan secara simultan.15 0. (k0 ≡ faktor preeksponensial reaksi..508 2.K.936 1. dan n berdasarkan data yang tersedia.05 0.. .780 1. Catatan: Persamaan dalam bentuk perkalian berpangkat: y k x a x b x c�x 1 2 3 = .242 4. harga-harga a0.293 3. (**) dan R = 1.Dengan menggunakan metode kuadrat terkecil.923 1.00 0.55 0. perkirakan harga-harga k0.. dan n ≡ orde reaksi) PENYELESAIAN: Bentuk persamaan non-linier (**) dapat dilinierisasi menjadi: A n C RT ln r ln k E 1 ln 0 = − + . a2.987 kal/gmol.65 Suhu (K) 373 395 365 400 405 388 410 380 Kecepatan reaksi (gmol/liter. E.

002380 0.256965 0.019533 0.001653 -0.1 kal/gmol.002439 -0.000348 6.000203 6.2500E-06 0.9252E-06 0.002740 0.048790 1.163799 5 0.9627.611259 8 0.000120 6.015967 -1.035914 4 0. diperoleh hasil sbb: INTERPOLASI LINIER .080126 1.033693 Dalam hal ini: y = ln r .185574 0.074095 6 0.6426E-06 0.105 detik-1.410784 0 7.002577 -0. hasil-hasil perhitungannya disajikan sbb.357409 0.9999 ≈ 1 Sebagai alternatif.002532 -0. jika menggunakan program EXCEL SOLVER.641327 -0.001458 5.019394 0.002469 0.001101 0 2 0.002940 -0.000383 7.1876E-06 0 0.227136 -0.673472 0.020569 -1.139762 0. x1 = 1/T .5061E-06 0.330539 -0.000741 6. dan n = 0.002681 0 0.002727 -0.176190 -0.139262 1.086300 3 0.022451 -0.002500 -0.9488E-06 0.184498 7 0.001134 6.002494 -0.430783 0.2966E-05 0.000598 -0.518638 0.597837 1.077048 -0.Dengan menggunakan metode kuadrat terkecil.4092E-06 0.: Data x1 x2 y x1 x2 x1 2 x2 2 x1 y x2 y 1 0.000704 0.347138 6. E = 9932.006420 0.002632 -0.097846 Σ 0.003381 5.0966E-06 0.287682 0.082761 0. dan x2 = ln CA Dalam bentuk perkalian matriks: Jadi: k0 = 9.003750 0.

Tinjaulah 2 titik data (x1. dan menggunakan pendekatan forward difference untuk f’(x1). Ekspansi deret Taylor untuk f(x) di sekitar x1: dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 10 dari 16 Dengan mengabaikan suku-suku setelah linear-term. perkirakan besarnya entalpi saturated steam pada 252oF! PENYELESAIAN: Dengan menerapkan persamaan (27) ke dalam kasus ini. yakni: Persamaan (27) merupakan formula interpolasi linier untuk mencari harga f(x).6 1167. f(x2)). dengan x yang berada di antara x1 dan x2. menggunakan dua titik data (data points) untuk mengembangkan pendekatan linier terhadap fungsi yang ditinjau.6 260 1167.4 1160. f(x1)) dan (x2.4 Dengan interpolasi linier. CONTOH 5#: Berikut adalah data-data yang diambil dari tabel saturated steam: Suhu (oF) Entalpi saturated steam (BTU/lb) 240 1160. yang merupakan bentuk interpolasi paling sederhana. maka: ( 240) 260 240 ( ) 1160.6 − − − HT=+T .Interpolasi linier.

3583519 0.6931472 Interpolasi pertama (pada rentang x = 1 dan x = 6): (1) 0.4620981 0.6 − = − − H T = + BTU/lb CONTOH 6#: Perkirakanlah harga ln 2 dengan interpolasi linier! Gunakan 2 titik data: ln 1 = 0 dan ln 6 = 1. Hal ini dapat dipertegas dari visualisasi grafik di samping: . tetapi lakukan dalam rentang ln 1 = 0 dan ln 4 = 1. Dengan demikian dapat disimpulkan bahwa interval yang lebih sempit menghasilkan pendekatan yang lebih baik.3% 0.6931472 0.791759.100% 33.386294.3583519 (2 1) 0 1.3% 0.6 1167.6931472 = Perhatikanlah bahwa interpolasi kedua menghasilkan nilai yang lebih dekat kepada nilai sebenarnya.100% 48.6931472 0.4620981 (2 1) 0 1.6931472 = Interpolasi kedua (pada rentang x = 1 dan x = 4): (1) 0. PENYELESAIAN: Sebagai catatan.791759 0 (Error terhadap nilai sebenarnya.7 260 240 ( ) 1160.386294 0 (Error terhadap nilai sebenarnya. Ulangi perhitungan. nilai yang sebenarnya: ln 2 = 0. .4 1160. .Pada T = 252oF: (252 240) 1164.

.. x . .: Untuk polinomial berorde m... yang menggambarkan perbedaan dua first finite-divided difference.... diperlukan sejumlah (m+1) titik data. x2.. Polinomial berorde m dapat dituliskan sbb. bm: ( ) 0 0 b = f x . x . (34) [ ] 2 2 1 0 b = f x . x m m m− …… = .. (36) Perhitungan di dalam kurung siku pada persamaan-persamaan (33). .. (35). dan (36) menggunakan beda-terbagi hingga (finite divided-differences). secara umum dinyatakan sbb. (33) [ ] 1 1 0 b = f x . pendekatan yang sama dapat dikembangkan untuk interpolasi polinomial berorde m.... (34).. x . persamaan-persamaan berikut dapat digunakan untuk menghitung koefisien-koefisien b0. Secara umum. x1. first finite-divided difference dinyatakan sbb. x . Dengan menggunakan titik-titik data ini. yakni: x0.Nilai sebenarnya Hasil interpolasi linier f (x) = ln x •x dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 11 dari 16 INTERPOLASI POLINOMIAL NEWTON Berdasarkan penurunan untuk interpolasi kuadrat di atas. xm. b1.: Second finite divided-difference.: . x .. (35) � [ ] 1 1 0 b f x .

dan b3 selanjutnya disubstitusikan ke persamaan polinomial berorde-tiga di atas.. b2. x1. finite divided-difference ke-m dapat dinyatakan sbb.Dan seterusnya. f (x3) = 1. perkirakanlah harga ln 2 dengan interpolasi polinomial Newton berorde-tiga (interpolasi kubik)! Gunakan 1 titik data tambahan berikut: x3 = 5.. b1.46209813 (x −1) − 0.6094379 PENYELESAIAN: Polinomial berorde-tiga (persamaan kubik) dapat dituliskan sebagai: Harga-harga b0 (= f (x0)). seperti tersaji dalam contoh skema berikut ini: • Nilai sebenarnya Hasil interpolasi linier f (x) = ln x Hasil interpolasi kuadrat dy/analisis numerik/curve-fitting dan interpolasi/maret/2007/halaman 13 dari 16 i x Finite divided-difference i f (xi) Pertama Kedua Ketiga Keterangan: x0. x2.051873116 (x −1) (x − 4) . menghasilkan: f (x) = 0 + 0. xm tidak perlu dalam urutan naik CONTOH 8#: Ulangi contoh sebelumnya.: Persamaan (37) – (39) memperlihatkan perhitungan yang bersifat rekursif. . yang berarti bahwa finitedivided difference yang lebih tinggi disusun dari finite-divided difference yang lebih rendah..

0078655415 (2 −1) (2 − 4) (2 − 6) = 0.62876869 Jadi. .46209813 (2 −1) − 0. .+ 0.0078655415 (x −1) (x − 4) (x − 6) Jika dievaluasi pada x = 2: f (2) = 0 + 0.100% 9. dengan interpolasi polinomial Newton berorde-tiga.6931472 0.3% 0. diperoleh: ln 2 = 0. pada contoh 6# dan 7#).62876869 (Error terhadap nilai sebenarnya.6931472 = t ε) dy/analisis numerik/curve-fitting dan interpolasi/ maret/ 2007/ halaman 14 dari 16 Perhatikanlah bahwa kedua hasil ini sangat dekat dengan hasil yang dihitung dengan menggunakan metode interpolasi polinomial Newton.051873116 (2 −1) (2 − 4) + 0.62876869 0.