LAPORAN PRAKTIKUM KOMPUTASI BIOMEDIS

CHAPTER 4
SYSTEM OF LINEAR EQUATION : GAUSS ELIMINATION
Hari, Tanggal : Selasa, 28 September 2021 Jam Ke : 3-4

Oleh :
Reza Ummam Nor (081911733012)
KELAS T1
Dosen Pembimbing :
ALFIAN PRAMUDITA PUTRA, S.T., M.Sc.

LAPORAN KOMPUTASI BIOMEDIS

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
2021
A. TUJUAN
Menentukan hasil sistem persamaan linier dengan menggunakan metode
Eliminasi Gauss.

B. DASAR TEORI
Python adalah bahasa pemrograman interpretatif multiguna. Tidak
seperti bahasa lain yang susah untuk dibaca dan dipahami, python lebih
menekankan pada keterbacaan kode agar lebih mudah untuk memahami
sintaks. Hal ini membuat Python sangat mudah dipelajari baik untuk pemula
maupun untuk yang sudah menguasai bahasa pemrograman lain (Henri, 2003).
Salah satu penerapan phyton adalah untuk komputasi. Contoh bentuk
komputasi adalah penyelesaian system persamaan linier. Dengan demikian,
adanya komputasi yang memanfaatkan phyton dapat mempermudah pekerjaan
manusia dalam mencari nilai variable dari suatu system persamaan linier
(Capra dkk, 2010).
Penyelesaian sistem persamaan linear adalah dengan menemukan nilai
setiap variabel. Beberapa metode telah digunakan untuk menyelesaikan sistem
persamaan linier, seperti:
1. Eliminasi Gauss
2. Pembalikan Matriks

Operasi Baris Elementer

Ada tiga operasi yang dapat dilakukan terhadap sistem persamaan linier
tanpa mengubah solusi nyata, yaitu:
1. Mengatur ulang urutan persamaan.
2. Perkalian persamaan dengan angka bukan nol.
3. Mengubah persamaan dengan menjumlahkan persamaan tersebut dengan
perkalian persamaan lain.

Semuanya bisa diterapkan dalam matriks penuh dan disebut Elementary

Row Operation (ERO). Dengan menggunakan ERO, matriks lengkap diubah
menjadi matriks berdasarkan sistem persamaan linier yang lebih mudah
diselesaikan. Matriks yang memiliki sifat ini disebut Matriks Eselon. Menurut
Kiusalaas (2013), suatu matriks disebut matriks eselon jika memenuhi dua
karakteristik, yaitu:
1. Jika ada baris yang semua elemennya nol, maka baris tersebut harus
ditempatkan di bawah baris yang elemennya tidak nol.
2. Pada baris yang memiliki elemen bukan nol, elemen bukan nol tersebut
harus ditempatkan di sebelah kanan elemen bukan nol dari baris sebelumnya
(elemen bukan nol ini disebut elemen prinsip)

Metode penyelesaian sistem persamaan linear dengan menggunakan

metode eliminasi Gauss dapat dilakukan sebagai berikut (Modul Praktikum
Komputasi Biomedis, 2021).
1. Membentuk matriks lengkap sistem persamaan linear
2. Mengubah matriks penuh menjadi matriks eselon dengan beberapa operasi
baris elementer
3. Memperoleh solusi sistem persamaan linear.

Sebagai contoh, jika beberapa persamaan seperti di bawah ini,

a11x + a12y + a13z = b1

a21x + a22y + a23z = b2
a31x + a32y + a33z = b3

Matriks awal :
𝑎11 𝑎12 𝑎13 𝑥 𝑏1
[𝑎21 𝑎22 𝑎23] [𝑦] = [𝑏2 ]
𝑎31 𝑎32 𝑎33 𝑧 𝑏3

Sistem persamaan linier :

𝑎11 𝑎12 𝑎13 𝑏1
(𝑎21 𝑎22 𝑎23 |𝑏2 )
𝑎31 𝑎32 𝑎33 𝑏3

Dengan menggunakan operasi baris elementer, matriks eselon diperoleh.

𝑧 = 𝑏3′
𝑦 + 𝑎23𝑧 = 𝑏2′ → 𝑦 = 𝑏2′ − 𝑎23𝑧
𝑥 + 𝑎12𝑦 + 𝑎13𝑧 = 𝑏1′ → 𝑥 = 𝑏1′ − 𝑎12𝑦 − 𝑎13𝑧

Algoritma
1. Menentukan matriks a, matriks b dan orde matriks (n).
2. Mengambil koefisien persamaan linier sebagai:
Do for k = 1 to n
Do for i = k+1 to n
𝑎𝑖𝑘 = 𝑎𝑖𝑘 /𝑎𝑘𝑘
Do for j = k+1 to n
𝑎𝑖𝑗 = 𝑎𝑖𝑗 − 𝑎𝑖𝑘 𝑎𝑘𝑗
3. Eliminasi maju :
Do for k = 1 to n
Do for i = k+1 to n
𝑏𝑖 = 𝑏𝑖 − 𝑎𝑖𝑘 𝑎𝑖𝑘
4. Solusi mundur :
Do for i = n down to 1 do
𝑠 = 𝑏𝑖
Do for j = i+1 to n
𝑠 = 𝑠 − 𝑎𝑖𝑗 𝑥𝑗
𝑥𝑖 = 𝑠/𝑎𝑖𝑖
C. CODING, HASIL, DAN ANALISIS
Link Google Collab :
https://colab.research.google.com/drive/1GfbEufKu57yVqBB9TbhJlrW3FAU
3ejG0?usp=sharing

CONTOH
#REZA UMMAM NOR
#081911733012
#ELIMINASI GAUSS

import numpy as np
from numpy import *

a=np.array([[1, 1, 1],[1, 2, -1],[2, 1, 2]])

b=np.array([[6],[2],[10]])
n=len(a)

#forward elimination
for k in range (0,n-1) :
for i in range (k+1,n) :
pivot=a[i][k]/a[k][k]
for j in range (k,n) :
a[i][j]=a[i][j]-pivot*a[k][j]
b[i]=b[i]-pivot*b[k]
print('a = \n',a)
print('b = \n',b)

#backward slove
x=zeros((n,1))
x[n-1]=b[n-1]/a[n-1][n-1]

print('x = \n',x)

for i in range (n-2,-1,-1) :

sum=0
for j in range (i+1,n) :
sum=sum+a[i][j]*x[j]
x[i]=(b[i]-sum)/a[i][i]

print ('x = \n',x)

PEMBAHASAN :
Program ini bertujuan untuk menyelesaikan system persamaan berikut,
𝑥 + 𝑦 + 𝑧 = 6
𝑥 + 2𝑦 + −𝑧 = 2
2𝑥 + 𝑦 + 2𝑧 = 10
Program ini nantinya akan mencari nilai x, y, dan z.
Tanda # pada awal code merupakan komentar yang tidak diproses
program. Bagian tersebut menampilkan identitas programmer serta program
yang dibuat yaitu penyelesaian system persamaan linier menggunakan metode
Gauss.
Syntax import berfungsi untuk mengimpor modul pada phyton. Numpy
merupakan modul yang didalamnya terdapat operasi matematika serta array
yang dibutuhkan pada program ini.
Selanjutnya adalah mendeklarasikan array yang akan digunakan yaitu
array a dan b. Array a berisi matriks dengan elemen koefisien tiap-tiap variable
yang akan dicari nilainya. Karena terdapat 3 variabel dan 3 persamaan maka
array a berukuran 3x3. Disisi lain array b memuat matriks dengan elemen hasil
dari tiap persamaan. Karena ada 3 persamaan maka ukuran array yaitu 3x1 atau
membentuk 1 kolom. Berikut ilustrasinya,

Matriks awal :

1 1 1 𝑥 6 1 1 1 6
[1 2 −1] [𝑦] = [ 2 ] → 𝑎 = [1 2 −1] ; 𝑏 = [ 2 ]
2 1 2 𝑧 10 2 1 2 10

Tahap selanjutnya adalah mencari panjang array a dengan syntax len.

Diketahui panjang array a atau banyaknya kolom adalah 3. Nilai tersebut
dimasukkan ke variable n sehingga n=3.
Setelah itu masuk ke bagian forward elimination atau operasi baris
elementer. Operasi ini bertujuan membentuk array atau matriks menjadi
segitiga atas atau matriks eselon dengan cara membuat nol semua elemen
dibawah diagonal matriks. Ilustrasinya adalah,
𝑎11 𝑎12 𝑎13 𝑏1 𝑎11 𝑎12 𝑎13 𝑏1
(𝑎21 𝑎22 𝑎23 |𝑏2 ) → ( 0 𝑎22 𝑎23 |𝑏2 )
𝑎31 𝑎32 𝑎33 𝑏3 0 0 𝑎33 𝑏3
Untuk menyelesaikan operasi tersebut menggunakan looping dengan
kostruk for. Terdapat kombinasi 3 looping pada operasi ini.

for k in range (0,n-1) :

Looping pertama tersebut berfungsi agar operasi berjalan runtut dari
kolom paling kiri ke kolom sebelah kanannya. Acuan perulangannya adalah
variable k dengan range dari 0 ke n-1=2. Range ini masih mengikuti format
Phyton. Pada implementasinya kedalam matriks, range mencangkup kolom
pertama sampai 1 kolom sebelum kolom terakhir yaitu kolom ke-2.

for i in range (k+1,n) :

pivot=a[i][k]/a[k][k]
b[i]=b[i]-pivot*b[k]
 Looping kedua tersebut berfungsi untuk menghitung pivot elemen-
elemen dibawah diagonal pada kolom yang sama. Pivot merupakan bilangan
pengali yang berfungsi menyetarakan nilai antara elemen-elemen dibawah
diagonal dengan elemen diagonal acuannya. Sedangkan operasi b[i]
menentukan nilai b ke i setelah dilakukan operasi baris elementer. Operasi
pivot dan b[i] akan diulang dengan acuan variable i dengan range k+1 sampai
n=3. Range tersebut masih dalam format Phyton. Implementasinya ke matriks
yaitu elemen baris ke k+1 sampai dengan baris terakhir yaitu ke-3 (urut dari
atas ke-bawah).

for j in range (k,n) :

a[i][j]=a[i][j]-pivot*a[k][j]
Looping ketiga tersebut berfungsi untuk menentukan nilai elemen hasil
operasi baris elementer. Tentunya operasi berlangsung pada baris dibawah
baris diagonal acuan. Operasi ini berjalan runtut dari elemen kolom paling kiri
ke kolom kanannya dalam satu baris yang sama. Acuan ulangan adalah variable
j dengan range k sampai n atau ulangan ke-k sampai ke n=3. Range tersebut
masih dalam format Phyton. Implementasi ke matriks adalah elemen kolom ke-
k sampai kolom terakhir yaitu 3. Operasi yang digunakan yaitu mengurangi
elemen target dengan hasil kali pivot dengan elemen 1 baris diatasnya. Dengan
adanya pivot maka elemen dibawah elemen diagonal acuan nilainya akan nol
sehingga membentuk matriks segitiga atas.
Array a dan b hasil operasi baris elementer yang berhasil didapatkan
akan dicetak dengan syntax print untuk melihat hasilnya.
Setelah berhasil mencari matriks segitiga atas selanjutnya adalah
mencari nilai masing-masing variable yang belum diketahui menggunakan
operasi backward solve. Pada bagian awal operasi ini akan dideklarasikan array
x dengan ukuran nx1=3x1 yang elemennya adalah nol. Pada array inilah
nantinya akan diisi nilai untuk 3 variabel yang belum diketahui.
Pertama adalah mencari nilai variable ke-3 melalui persamaan ke-3
hasil operasi baris elementer. Operasi yang dilakukan yaitu membagi hasil
persamaan ke-3 atau b3 dengan koefisien variable ke-3 atau a33 (pada phyton
a22). Dengan demikian didapatkan nilai variable ke-3 yang selanjutnya
dimasukkan pada array x elemen ke 3 (dalam phyton x[2]). Digunakan syntax
print(x) agar terlihat nilai variable ke-3 tersebut pada array x.
Selanjutnya adalah mencari nilai variable ke-1 dan ke-2 dengan
kombinasi 2 looping yang sama-sama menggunakan konstruk for.

for i in range (n-2,-1,-1) :

sum=0
Looping tersebut berfungsi agar perulangan berjalan mundur dari baris
ke n-2=1 (baris ke-2) sampai ke baris baris pertama. Selanjutnya dideklarasikan
variable sum dengan nilai nol yang akan digunakan untuk operasi looping
berikutnya.
 for j in range (i+1,n) :
sum=sum+a[i][j]*x[j]
Looping tersebut berfungsi untuk menjumlahkan hasil kali koefisien
dengan variable yang telah diketahui nilainya. Nilai sum akan bertambah urut
dari elemen kolom kiri ke elemen kolom sebelah kanannya. Acuan ulangan
adalah variable j dengan range i+1 sampai n=3 yang maknanya elemen kolom
ke i+1 sampai kolom terakhir yaitu ke-3.
x[i]=(b[i]-sum)/a[i][i]
Operasi tersebut merupakan bagian dari looping pertama akan tetapi
menggunakan nilai sum yang didapatkan pada looping kedua. Operasi ini
bertujuan untuk mencari nilai variable ke-i melalui persamaan baris ke-i.
Operasi yang digunakan adalah mengurangi hasil persamaan ke-i atau b(i)
dengan sum lalu dibagi dengan koefisien variable yang ingin dicari nilainya.
Dengan demikian nilai variable ke-i berhasil didapatkan dan akan dimasukkan
pada array x. Kemudian looping akan berlanjut mundur untuk mendapatkan
nilai variable ke-(i-1) sampai semua nilai variable berhasil didapatkan.
Setelah berhasil menentukan nilai semua variable. Selanjutnya adalah
mencetak array x dengan syntax print agar terlihat hasilnya.
Program berhasil dijalankan dengan baik dan hasil yang didapatkan
telah sesuai dengan penghitungan manual yaitu x=1, y=2, dan z=3.

D. TUGAS
Temukan solusi untuk sistem persamaan linier dalam masalah berikut!

Pemodelan farmakokinetik untuk "animal-on-chip"

Keseimbangan material dilakukan untuk pembangkitan, konsumsi, dan

pengangkutan naftalena epoksida (NO), dalam perangkat CCA yang dijelaskan
pada Gambar 4.1; NO adalah zat antara yang terbentuk selama metabolisme
naftalena.

Rute generasi naftalena epoksida:

(1)konversi naftalena menjadi epoksidanya.

Rute konsumsi naftalena epoksida:

(1)konversi epoksida menjadi naftalena dihidrodiol;
(2)mengikat GSH untuk membentuk konjugat epoksida-GSH;
(3)penataan ulang menjadi naftol.
 Gambar 4.1 Diagram Keseimbangan Material untuk Naftalena Epoksida

Diagram keseimbangan material untuk naftalena epoksida (NO)

ditunjukkan pada Gambar 4.1. Karena kita berurusan dengan sistem
multikomponen, kita menggunakan superskrip N, NO, dan NOH untuk
naftalena, naftalena epoksida, dan naftol, masing-masing, untuk membedakan
antara istilah konsentrasi di berbagai kompartemen.
Keseimbangan massa NO dilakukan di dua ruang - paru-paru dan hati.
𝑁𝑂 𝑁𝑂
Ini menghasilkan dua persamaan linier di yang tidak diketahui 𝐶𝑙𝑢𝑛𝑔 dan 𝐶𝑙𝑖𝑣𝑒𝑟 .
Perhatikan bahwa penyederhanaan telah dibuat untuk persamaan asli (Quick dan
𝑁𝑂 𝑁𝑂
Shuler, 1999) dengan mengasumsikan bahwa 𝐶𝑙𝑢𝑛𝑔 dan 𝐶𝑙𝑖𝑣𝑒𝑟 kecil
dibandingkan dengan konstanta relevan yang ada dalam persamaan.
Kompartemen paru-paru :
𝑁𝑂 𝑁𝑂
𝑅(𝑄𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟 + 𝑄𝑜𝑡 𝐶𝑙𝑢𝑛𝑔 ) + 𝑣𝑚𝑎𝑥,𝑃450−𝑙𝑢𝑛𝑔 𝑉𝑙𝑢𝑛𝑔 −
𝑁𝑂
𝑣𝑚𝑎𝑥,𝑃450−𝑙𝑢𝑛𝑔 𝐶𝑙𝑢𝑛𝑔 𝑣𝑚𝑎𝑥,𝐺𝑆𝑇𝐶 𝑁𝑂 𝐶 𝐺𝑆𝐻
𝑙𝑢𝑛𝑔 𝑙𝑢𝑛𝑔
𝑉𝑙𝑢𝑛𝑔 − 𝑉𝑙𝑢𝑛𝑔 𝐺𝑆𝐻 −
𝐾𝑚,𝐸𝐻−𝑙𝑢𝑛𝑔 𝐾1𝑙𝑢𝑛𝑔 + 𝐾2𝑙𝑢𝑛𝑔 𝐶𝑙𝑢𝑛𝑔
𝑁𝑂 𝑁𝑂
𝑘𝑁𝑂𝐻 exp(𝑙𝑁𝑂𝐻 𝑇𝑃𝑙𝑢𝑛𝑔 ) 𝐶𝑙𝑢𝑛𝑔 𝑉𝑙𝑢𝑛𝑔 − 𝑄𝑙𝑢𝑛𝑔 𝐶𝑙𝑢𝑛𝑔 = 0 . . . (1)

Kompartemen hati :
𝑁𝑂
𝑁𝑂
𝑣𝑚𝑎𝑥,𝑃450−𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟
𝑄𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑢𝑛𝑔 + 𝑣𝑚𝑎𝑥,𝑃450−𝑙𝑢𝑛𝑔 𝑉𝑙𝑖𝑣𝑒𝑟 − − 𝑉𝑙𝑖𝑣𝑒𝑟
𝐾𝑚,𝐸𝐻−𝑙𝑖𝑣𝑒𝑟
𝑣𝑚𝑎𝑥,𝐺𝑆𝑇𝐶 𝑁𝑂 𝐺𝑆𝐻
𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟 𝑁𝑂
𝐺𝑆𝐻 − 𝑘𝑁𝑂𝐻 exp(𝑙𝑁𝑂𝐻 𝑇𝑃𝑙𝑖𝑣𝑒𝑟 ) 𝐶𝑙𝑖𝑣𝑒𝑟 𝑉𝑙𝑖𝑣𝑒𝑟 −
𝐾1𝑙𝑖𝑣𝑒𝑟 + 𝐾2𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟
𝑁𝑂
𝑄𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟 = 0 . . . (2)

TIDAK ADA asumsi keseimbangan

1. Pengikatan naftalena epoksida ke protein relatif kurang penting dan dapat
diabaikan.
2. Konsentrasi GSH dalam sel adalah konstan. Diasumsikan bahwa GSH
disintesis ulang pada tingkat konsumsi.
3. Produksi enansiomer RS dari epoksida (dibandingkan dengan SR oksida)
dominan, dan karenanya parameter reaksi yang berkaitan dengan produksi RS
hanya digunakan.
4. Kandungan protein total dalam sel yang mengikat metabolit tetap konstan.
Nilai dan definisi parametrik disediakan di bawah ini. Parameter pemodelan
sesuai dengan pemrosesan naftalena pada tikus.

Laju aliran
𝑄𝑙𝑢𝑛𝑔 ∶ 𝐿𝑎𝑗𝑢 𝑎𝑙𝑖𝑟𝑎𝑛 𝑚𝑒𝑙𝑎𝑙𝑢𝑖 𝑘𝑜𝑚𝑝𝑎𝑟𝑡𝑒𝑚𝑒𝑛 𝑝𝑎𝑟𝑢 − 𝑝𝑎𝑟𝑢 = 2 𝜇𝑙/𝑚𝑖𝑛;
𝑄𝑙𝑖𝑣𝑒𝑟 ∶ 𝐿𝑎𝑗𝑢 𝑎𝑙𝑖𝑟𝑎𝑛 𝑚𝑒𝑙𝑎𝑙𝑢𝑖 𝑘𝑜𝑚𝑝𝑎𝑟𝑡𝑒𝑚𝑒𝑛 ℎ𝑎𝑡𝑖 = 0.5 𝜇𝑙/𝑚𝑖𝑛;
𝑄𝑜𝑡 ∶ 𝐿𝑎𝑗𝑢 𝑎𝑙𝑖𝑟𝑎𝑛 𝑚𝑒𝑙𝑎𝑙𝑢𝑖 𝑘𝑜𝑚𝑝𝑎𝑟𝑡𝑒𝑚𝑒𝑛 𝑗𝑎𝑟𝑖𝑛𝑔𝑎𝑛 𝑙𝑎𝑖𝑛 = 1,5 𝜇𝑙/𝑚𝑖𝑛;

Volume Kompartemen
𝑉𝑙𝑢𝑛𝑔 : 𝑣𝑜𝑙𝑢𝑚𝑒 𝑜𝑓 𝑙𝑢𝑛𝑔 𝑐𝑜𝑚𝑝𝑎𝑟𝑡𝑒𝑚𝑒𝑛𝑡 = 2𝑚𝑚 × 2𝑚𝑚 × 20𝜇𝑚
= 8 × 10𝑙 = 0.08𝜇𝑙;
𝑉𝑙𝑖𝑣𝑒𝑟 : 𝑣𝑜𝑙𝑢𝑚𝑒 𝑜𝑓 𝑙𝑢𝑛𝑔 𝑐𝑜𝑚𝑝𝑎𝑟𝑡𝑒𝑚𝑒𝑛𝑡 = 3.5𝑚𝑚 × 4.6𝑚𝑚 × 20𝜇𝑚
= 3.22 × 10 − 7𝑙 = 0.322𝜇𝑙.

Konstanta Reaksi
(1) 𝑁𝑎𝑝𝑡ℎ𝑎𝑙𝑒𝑛𝑒 → 𝑛𝑎𝑝𝑡ℎ𝑎𝑙𝑒𝑛𝑒 𝑎𝑝𝑜𝑥𝑖𝑑𝑒
𝑉𝑚𝑎𝑥,𝑃450−𝑙𝑢𝑛𝑔 : kecepatan reaksi maksimum untuk konversi naftalena menjadi
epoksida naftalena oleh sitokrom P450 monooksigenase dalam sel paru-paru =
8.75 𝜇𝑀/𝑚𝑖𝑛;
𝑉𝑚𝑎𝑥,𝑃450−𝑙𝑖𝑣𝑒𝑟 : kecepatan reaksi maksimum untuk konversi naftalena menjadi
epoksida naftalena oleh sitokrom P450 monooksigenase dalam sel hati =
118 𝜇𝑀/𝑚𝑖𝑛;

(2) 𝑁𝑎𝑝𝑡ℎ𝑎𝑙𝑒𝑛𝑒 𝑎𝑝𝑜𝑥𝑖𝑑𝑒 → 𝑛𝑎𝑝𝑡ℎ𝑎𝑙𝑒𝑛𝑒 𝑑𝑖ℎ𝑦𝑑𝑟𝑜𝑑𝑖𝑜𝑙

𝑉𝑚𝑎𝑥,𝐸𝐻−𝑙𝑢𝑛𝑔 : kecepatan reaksi maksimum untuk konversi naftalena epoksida
menjadi dihidrodiol oleh epoksida hidrolase di paru-paru= 26.5 𝜇𝑀/𝑚𝑖𝑛;
𝐾𝑚,𝐸𝐻−𝑙𝑢𝑛𝑔 : 𝐾𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎 𝑀𝑖𝑐ℎ𝑎𝑒𝑙𝑖𝑠 = 4.0 𝜇𝑀;
𝑉𝑚𝑎𝑥,𝐸𝐻−𝑙𝑖𝑣𝑒𝑟 : kecepatan reaksi maksimum untuk konversi naftalena epoksida
menjadi dihidrodiol oleh epoksida hidrolase di hati= 336 𝜇𝑀/𝑚𝑖𝑛;
𝐾𝑚,𝐸𝐻−𝑙𝑖𝑣𝑒𝑟 : 𝐾𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎 𝑀𝑖𝑐ℎ𝑎𝑒𝑙𝑖𝑠 = 21 𝜇𝑀;

(3) 𝑁𝑎𝑝𝑡ℎ𝑎𝑙𝑒𝑛𝑒 𝑎𝑝𝑜𝑥𝑖𝑑𝑒 → 𝑛𝑎𝑝ℎ𝑡𝑜𝑙

𝑘𝑁𝑂𝐻 : konstanta laju untuk penataan ulang epoksida menjadi naftol
= 0.173 𝜇𝑀/𝜇𝑀 𝑜𝑓 𝑁𝑂/𝑚𝑖𝑛;
𝑙𝑁𝑂𝐻 : konstanta yang menghubungkan laju pembentukan naftol dengan
kandungan protein total = −20.2 𝑚𝑙/ℎ protein
(3) 𝑁𝑎𝑝𝑡ℎ𝑎𝑙𝑒𝑛𝑒 𝑎𝑝𝑜𝑥𝑖𝑑𝑒 → 𝑒𝑝𝑜𝑥𝑖𝑑𝑒– 𝐺𝑆𝐻 𝑐𝑜𝑛𝑗𝑢𝑔𝑎𝑡𝑒𝑠
𝑉𝑚𝑎𝑥,𝐺𝑆𝑇 : kecepatan reaksi maksimum untuk pengikatan naftalena epoksida ke
GSH yang dikatalisis oleh GST (glutathione S-transferase)
= 2750 𝜇𝑀/𝑚𝑖𝑛;
𝐾1𝑙𝑢𝑛𝑔 : konstan dalam laju pengikatan epoksida-GSH = 310000 𝜇𝑀2;
𝐾2𝑙𝑢𝑛𝑔 : konstan dalam laju pengikatan epoksida-GSH = 35 𝜇𝑀;
𝐾1𝑙𝑖𝑣𝑒𝑟 : konstan dalam laju pengikatan epoksida-GSH = 150000 𝜇𝑀2;
𝐾2𝑙𝑖𝑣𝑒𝑟 : konstan dalam laju pengikatan epoksida-GSH = 35 𝜇𝑀;

Konsentrasi Protein
𝑇𝑃𝑙𝑢𝑛𝑔 : kandungan protein total dalam kompartemen paru-paru = 92𝑚𝑔/𝑚𝑙;
𝑇𝑃𝑙𝑖𝑣𝑒𝑟 : kandungan protein total dalam kompartemen paru-paru = 192𝑚𝑔/𝑚𝑙;
𝐺𝑆𝐻
𝐶𝑙𝑢𝑛𝑔 : Konsentrasi GSH di kompartemen paru-paru= 1800 𝜇𝑀;
𝐺𝑆𝐻
𝐶𝑙𝑖𝑣𝑒𝑟 : Konsentrasi GSH di kompartemen hati= 7500 𝜇𝑀;

R: fraksi dari aliran luar yang masuk kembali ke sirkuit mikro.

Tujuan Anda adalah untuk memvariasikan fraksi daur ulang dari 0,6
hingga 0,95 dalam peningkatan 0,05 untuk mempelajari efek pengurangan
ekskresi racun pada nilai konsentrasi sirkulasi naftalena dan metabolit utamanya
naftalena epoksida.
a. Gunakan metode eliminasi Gaussian untuk menentukan konsentrasi
napthalene epoxide di outlet paru-paru dan kompartemen hati dari animalon-
a-chip untuk kisaran R yang ditentukan.
b. Plot nilai konsentrasi epoksida di ruang hati dan paru-paru sebagai fungsi dari
R.

PENYELESAIAN :
a) Menyederhanakan persamaan dengan subtitusi variable yang sudah
diketahui:
Kompartemen paru-paru :
𝑁𝑂 𝑁𝑂
𝑅(𝑄𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟 + 𝑄𝑜𝑡 𝐶𝑙𝑢𝑛𝑔 ) + 𝑣𝑚𝑎𝑥,𝑃450−𝑙𝑢𝑛𝑔 𝑉𝑙𝑢𝑛𝑔 −
𝑁𝑂
𝑣𝑚𝑎𝑥,𝑃450−𝑙𝑢𝑛𝑔 𝐶𝑙𝑢𝑛𝑔 𝑣𝑚𝑎𝑥,𝐺𝑆𝑇𝐶 𝑁𝑂 𝐶 𝐺𝑆𝐻
𝑙𝑢𝑛𝑔 𝑙𝑢𝑛𝑔
𝑉𝑙𝑢𝑛𝑔 − 𝑉𝑙𝑢𝑛𝑔 𝐺𝑆𝐻 −
𝐾𝑚,𝐸𝐻−𝑙𝑢𝑛𝑔 𝐾1𝑙𝑢𝑛𝑔 + 𝐾2𝑙𝑢𝑛𝑔 𝐶𝑙𝑢𝑛𝑔
𝑁𝑂 𝑁𝑂
𝑘𝑁𝑂𝐻 exp(𝑙𝑁𝑂𝐻 𝑇𝑃𝑙𝑢𝑛𝑔 ) 𝐶𝑙𝑢𝑛𝑔 𝑉𝑙𝑢𝑛𝑔 − 𝑄𝑙𝑢𝑛𝑔 𝐶𝑙𝑢𝑛𝑔 = 0 . . . (1)

𝑁𝑂 𝑁𝑂
↔ 𝑅(0.5 × 𝐶𝑙𝑖𝑣𝑒𝑟 + 1.5 × 𝐶𝑙𝑢𝑛𝑔 ) + 8.75 × 0.08 −
𝑁𝑂 𝑁𝑂
8.75𝐶𝑙𝑢𝑛𝑔 2750 × 𝐶𝑙𝑢𝑛𝑔 × 1800
0.08 − 0.08 −
4.0 310000 + 35 × 1800
𝑁𝑂 𝑁𝑂
0.173 exp(−20.2 × 92) 𝐶𝑙𝑢𝑛𝑔 0.08 − 2 × 𝐶𝑙𝑢𝑛𝑔 = 0 . . . (1)

𝑁𝑂 𝑁𝑂 𝑁𝑂 𝑁𝑂
↔ (0.5𝑅 × 𝐶𝑙𝑖𝑣𝑒𝑟 + 1.5𝑅 × 𝐶𝑙𝑢𝑛𝑔 ) + 0.7 − 0.175𝐶𝑙𝑢𝑛𝑔 − 1.062 × 𝐶𝑙𝑢𝑛𝑔
 𝑁𝑂
−2 × 𝐶𝑙𝑢𝑛𝑔 = 0 . . . (1)

𝑁𝑂 𝑁𝑂 𝑁𝑂
↔ 0.5𝑅 × 𝐶𝑙𝑖𝑣𝑒𝑟 + 1.5𝑅 × 𝐶𝑙𝑢𝑛𝑔 − 3.237 × 𝐶𝑙𝑢𝑛𝑔 = −0.7 . . . (1)

𝑁𝑂 𝑁𝑂
↔ 0.5𝑅 × 𝐶𝑙𝑖𝑣𝑒𝑟 + (1.5𝑅 − 3.237)𝐶𝑙𝑢𝑛𝑔 = −0.7 . . . (1)

𝑁𝑂 𝑁𝑂
𝑀𝑖𝑠𝑎𝑙𝑘𝑎𝑛 ∶ 𝐶𝑙𝑖𝑣𝑒𝑟 = 𝑥1 𝑑𝑎𝑛 𝐶𝑙𝑢𝑛𝑔 = 𝑥2

↔ 0.5𝑅𝑥1 + (1.5𝑅 − 3.237)𝑥2 = −0.7 . . . (1)

Kompartemen hati :
𝑁𝑂
𝑁𝑂
𝑣𝑚𝑎𝑥,𝑃450−𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟
𝑄𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑢𝑛𝑔 + 𝑣𝑚𝑎𝑥,𝑃450−𝑙𝑢𝑛𝑔 𝑉𝑙𝑖𝑣𝑒𝑟 − 𝑉𝑙𝑖𝑣𝑒𝑟 − 𝑉𝑙𝑖𝑣𝑒𝑟
𝐾𝑚,𝐸𝐻−𝑙𝑖𝑣𝑒𝑟
𝑁𝑂 𝐺𝑆𝐻
𝑣𝑚𝑎𝑥,𝐺𝑆𝑇 𝐶𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟
) 𝑁𝑂
𝐺𝑆𝐻 − 𝑘𝑁𝑂𝐻 exp(𝑙𝑁𝑂𝐻 𝑇𝑃𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟 𝑉𝑙𝑖𝑣𝑒𝑟 −
𝐾1𝑙𝑖𝑣𝑒𝑟 + 𝐾2𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟
𝑁𝑂
𝑄𝑙𝑖𝑣𝑒𝑟 𝐶𝑙𝑖𝑣𝑒𝑟 = 0 . . . (2)

𝑁𝑂
𝑁𝑂
118 × 𝐶𝑙𝑖𝑣𝑒𝑟
↔ 0.5𝐶𝑙𝑢𝑛𝑔 + 8.75 × 0.322 − 0.322 − 0.322
21
𝑁𝑂
2750 × 𝐶𝑙𝑖𝑣𝑒𝑟 × 7500 𝑁𝑂
− 0.173 exp(−20.2 × 192) 𝐶𝑙𝑖𝑣𝑒𝑟 × 0.322 −
150000 + 35 × 7500
𝑁𝑂
0.5 × 𝐶𝑙𝑖𝑣𝑒𝑟 = 0 . . . (2)

𝑁𝑂 𝑁𝑂 𝑁𝑂
↔ 0.5𝐶𝑙𝑢𝑛𝑔 + 2.818 − 1.809 × 𝐶𝑙𝑖𝑣𝑒𝑟 − 16.1 × 𝐶𝑙𝑖𝑣𝑒𝑟 −
𝑁𝑂
0.5 × 𝐶𝑙𝑖𝑣𝑒𝑟 = 0 . . . (2)

𝑁𝑂 𝑁𝑂
↔ 0.5𝐶𝑙𝑢𝑛𝑔 + 2.818 − 18.409 × 𝐶𝑙𝑖𝑣𝑒𝑟 = 0 . . . (2)

𝑁𝑂 𝑁𝑂
↔ 0.5𝐶𝑙𝑢𝑛𝑔 − 18.409 × 𝐶𝑙𝑖𝑣𝑒𝑟 = −2.818 . . . (2)

𝑁𝑂 𝑁𝑂
𝑀𝑖𝑠𝑎𝑙𝑘𝑎𝑛 ∶ 𝐶𝑙𝑖𝑣𝑒𝑟 = 𝑥1 𝑑𝑎𝑛 𝐶𝑙𝑢𝑛𝑔 = 𝑥2

↔ 0.5𝑥2 − 18.409𝑥1 = −2.818 . . . (2)

↔ 18.409𝑥1 − 0.5𝑥2 = 2.818 . . . (2)

b) Menyusun system persamaan dan bentuk matriksnya

0.5𝑅𝑥1 + (1.5𝑅 − 3.237)𝑥2 = −0.7 . . . (1)

18.409𝑥1 − 0.5𝑥2 = 2.818 . . . (2)
 Matriks awal :
0.5𝑅 1.5𝑅 − 3.237 𝑥1 −0.7
[ ][ ] = [ ]
18.409 −0.5 𝑥2 2.818

Augmented matriks :
0.5𝑅 1.5𝑅 − 3.237 −0.7
( | )
18.409 −0.5 2.818

c) Membuat program system persamaan linier dengan metode eliminasi gauss

#REZA UMMAM NOR
#081911733012
#ELIMINASI GAUSS

import numpy as np
from numpy import *
import pylab
from tabulate import tabulate

R =[]
X1=[]
X2=[]

for r in arange (0.6,1.0,0.05) :

a=np.array([[0.5*r,(1.5*r-3.237)],[18.409, -0.5]])
b=np.array([[-0.7],[2.818]])
n=len(a)
print('----------------------------------------')
print('R = ',(round(r,2)))

#forward elimination
for k in range (0,n-1) :
for i in range (k+1,n) :
pivot=a[i][k]/a[k][k]
for j in range (k,n) :
a[i][j]=a[i][j]-pivot*a[k][j]
b[i]=b[i]-pivot*b[k]
print('a = \n',a)
print('b = \n',b)

#backward solve
x=zeros((n,1))
x[n-1]=b[n-1]/a[n-1][n-1]

for i in range (n-2,-1,-1) :

sum=0
for j in range (i+1,n) :
sum=sum+a[i][j]*x[j]
 x[i]=(b[i]-sum)/a[i][i]

R.append(r)
X1.append(x[0])
X2.append(x[1])

print ('x = \n',x,'\n')

print('----------------------------------------')
table={'R':R,'X1':X1,'X2':X2}

print('\nTABEL PENYELESAIAN SISTEM PERSAMAAN LINIER\n')

print(tabulate(table, headers='keys',tablefmt='fancy-grid'))
print('\n')

#PLOT
print('GRAFIK R TERHADAP X1 DAN X2')
pylab.plot(R,X1, 'o-')
pylab.plot(R,X2, '*-')

PEMBAHASAN :
Program yang dibuat ini bertujuan untuk mencari penyelesaian sistem
persamaan linier untuk menentukan konsentrasi napthalene epoxide di outlet
paru-paru dan kompartemen hati dari animalon-a-chip untuk kisaran R yang
ditentukan.
Program diawali dengan tanda # yang merupakan komentar sehingga
tidak diproses program. Bagian tersebut menampilkan identitas programmer
serta program yang dibuat yaitu penyelesaian system persamaan linier
menggunakan metode Gauss.
Syntax import berfungsi untuk mengimpor modul pada phyton.
Numpy merupakan modul yang didalamnya terdapat operasi matematika
serta array yang dibutuhkan pada program ini. Selain itu terdapat modul pylab
yang berfungsi untuk menampilkan plot. Sedangkan modul tabulate
digunakan untuk membuat table.
Selanjutnya adalah mendeklarasikan 3 array kosong, yaitu R, X1, dan
X2. Array R nantinya akan diisi variasi fraksi daur ulang dari aliran luar yang
masuk kembali ke sirkuit mikro. Sedangkan X1 akan diisi dengan nilai
𝑁𝑂
𝐶𝑙𝑖𝑣𝑒𝑟 untuk masing-masing variasi R. Kemudian X2 akan diisi dengan nilai
𝑁𝑂
𝐶𝑙𝑢𝑛𝑔 untuk masing-masing variasi R
Program ini menggunakan satu looping utama yang mengandung 2
blok looping didalamnya yaitu blok looping forward elimination dan
backward solve.

for r in arange (0.6,1.0,0.05) :

Looping utama tersebut berfungsi untuk perulangan variasi nilai R
dengan arrange (0.6,1.0,0.05). Maknanya dari nilai 0.6 sampai kurang dari
1.0 dengan kenaikan tiap 0.05. Dengan demikian variasi nilai R = 0.6, 0.65,
0.70, 0.75, 0.80, 0.85, 0.9, 0.95.
Selanjutnya adalah mendeklarasikan array system persamaan linier
yang akan diselesaikan yaitu array a dan b. Array a berisi matriks dengan
elemen koefisien tiap-tiap variable yang akan dicari nilainya. Karena terdapat
2 variabel dan 2 persamaan maka array a berukuran 2x2. Disisi lain array b
memuat matriks dengan elemen hasil dari tiap persamaan. Karena ada 2
persamaan maka ukuran array yaitu 2x1 atau membentuk 1 kolom. Berikut
ilustrasinya,
Matriks awal :

0.5𝑅 1.5𝑅 − 3.237 𝑥1 −0.7

[ ][ ] = [ ]
18.409 −0.5 𝑥2 2.818

0.5𝑅 1.5𝑅 − 3.237 −0.7

→𝑎=[ ];𝑏 = [ ]
18.409 −0.5 2.818

Tahap selanjutnya adalah mencari panjang array a dengan syntax len.

Diketahui panjang array a atau banyaknya kolom adalah 2. Nilai tersebut
dimasukkan ke variable n sehingga n=2. Syntax print digunakan untuk
mencetak batas dan nilai R untuk tiap variasi.

Block Forward Elimination

Setelah itu masuk ke bagian forward elimination atau operasi baris
elementer. Operasi ini bertujuan membentuk array atau matriks menjadi
segitiga atas (matriks eselon) dengan cara membuat nol semua elemen
dibawah diagonal matriks. Ilustrasinya adalah,
𝑎11 𝑎12 𝑏1 𝑎11 𝑎12 𝑏1
( | )→( | )
𝑎21 𝑎22 𝑏2 0 𝑎22 𝑏2

Untuk menyelesaikan operasi tersebut menggunakan looping dengan

kostruk for. Terdapat kombinasi 3 looping pada operasi ini.

for k in range (0,n-1) :

Looping pertama tersebut berfungsi agar operasi berjalan runtut dari
kolom paling kiri ke kolom sebelah kanannya. Acuan perulangannya adalah
variable k dengan range dari 0 ke n-1=1. Range ini masih mengikuti format
Phyton. Pada implementasinya kedalam matriks, range hanya mencangkup
kolom pertama.

for i in range (k+1,n) :

pivot=a[i][k]/a[k][k]
b[i]=b[i]-pivot*b[k]
Looping kedua tersebut berfungsi untuk menghitung pivot elemen
dibawah diagonal aray pada kolom yang sama. Pivot merupakan bilangan
pengali yang berfungsi menyetarakan nilai antara elemen dibawah diagonal
dengan elemen diagonal acuannya. Sedangkan operasi b[i] menentukan nilai
b ke i setelah dilakukan operasi baris elementer. Operasi pivot dan b[i] akan
diulang dengan acuan variable i dengan range k+1 sampai n=2. Range
tersebut masih dalam format Phyton. Implementasinya ke matriks yaitu
elemen baris ke k+1 sampai dengan baris terakhir yaitu ke-2 (urut dari atas
ke-bawah). Dikarenakan hanya terdapat 2 persamaan maka looping hanya
terjadi pada baris ke-2.

for j in range (k,n) :

a[i][j]=a[i][j]-pivot*a[k][j]
Looping ketiga tersebut berfungsi untuk menentukan nilai elemen
hasil operasi baris elementer. Tentunya operasi berlangsung pada baris
dibawah baris diagonal. Operasi ini berjalan runtut dari elemen kolom paling
kiri ke kolom kanannya dalam satu baris yang sama. Acuan ulangan adalah
variable j dengan range k sampai n atau ulangan ke-k sampai ke n=2. Range
tersebut masih dalam format Phyton. Implementasi ke matriks adalah elemen
kolom ke-k sampai kolom terakhir yaitu 2. Operasi yang digunakan yaitu
mengurangi elemen target dengan hasil kali pivot dengan elemen 1 baris
diatasnya. Dengan adanya pivot maka elemen dibawah elemen diagonal
acuan nilainya akan nol sehingga membentuk matriks segitiga atas.
Array a dan b hasil operasi baris elementer yang berhasil didapatkan
akan dicetak dengan syntax print untuk melihat hasilnya.

Block Backward Solve

Setelah berhasil mencari matriks segitiga atas selanjutnya adalah
mencari nilai masing-masing variable yang belum diketahui menggunakan
operasi backward solve. Pada bagian awal operasi ini akan dideklarasikan
array x dengan ukuran nx1=2x1 yang elemennya adalah nol. Pada array inilah
nantinya akan diisi nilai untuk 2 variabel yang belum diketahui.
Pertama adalah mencari nilai variable ke-2 melalui persamaan ke-2
hasil operasi baris elementer. Operasi yang dilakukan yaitu membagi hasil
persamaan ke-2 atau b2 dengan koefisien variable ke-2 atau a22 (pada phyton
a11). Dengan demikian didapatkan nilai variable ke-2 yang selanjutnya
dimasukkan pada array x elemen ke 2 (dalam phyton x[1]).
Selanjutnya adalah mencari nilai variable ke-1 dengan kombinasi 2
looping yang sama-sama menggunakan konstruk for.

for i in range (n-2,-1,-1) :

sum=0
Looping tersebut berfungsi agar perulangan berjalan mundur dari
baris ke n-2 sampai ke baris baris pertama. Dikarenakan system hanya
memiliki 2 persamaan maka operasi ini hanya berlaku untuk persaman
pertama karena nilai variable ke-2 telah ditemukan. Selanjutnya
dideklarasikan variable sum dengan nilai nol yang akan digunakan untuk
operasi looping berikutnya.
 for j in range (i+1,n) :
sum=sum+a[i][j]*x[j]
Looping tersebut berfungsi untuk menjumlahkan hasil kali koefisien
dengan variable yang telah diketahui nilainya. Nilai sum akan bertambah urut
dari elemen kolom kiri ke elemen kolom sebelah kanannya. Acuan ulangan
adalah variable j dengan range i+1 sampai n=2 yang maknanya elemen kolom
ke i+1 sampai kolom terakhir yaitu ke-2.

x[i]=(b[i]-sum)/a[i][i]
Operasi tersebut merupakan bagian dari looping pertama block
backward solve, akan tetapi menggunakan nilai sum yang didapatkan pada
looping kedua. Operasi ini bertujuan untuk mencari nilai variable ke-i melalui
persamaan baris ke-i. Operasi yang digunakan adalah mengurangi hasil
persamaan ke-i atau b(i) dengan sum lalu dibagi dengan koefisien variable
yang ingin dicari nilainya. Dengan demikian nilai variable ke-i berhasil
didapatkan dan akan dimasukkan pada array x. Kemudian looping akan
berlanjut mundur untuk mendapatkan nilai variable ke-(i-1) sampai semua
nilai variable berhasil didapatkan. Akan tetapi karena pada system ini yang
belum dicari hanya nilai variable pertama maka looping hanya berjalan 1 kali.
Setelah berhasil menentukan nilai semua variable. Selanjutnya adalah
mencetak array x dengan syntax print agar terlihat hasilnya.
Untuk memudahkan pembacaan hasil maka dibuat table dengan 3
bagian yaiu R, X1, dan X2. Bagian R akan diisi elemen array R dan akan terus
bertambah sesuai looping menggunakan syntax append. Begitu juga untuk
bagian X1 yang diisi elemen array X1, serta bagian X2 diisi dengan array X2.
Setelah membuat table selanjutnya adalah membuat plot untuk
melihat hubungan antara variasi fraksi daur ulang(R) terhadap konsentrasi
napthalene epoxide pada kompartemen hati (X1) dan kompartemen paru-paru
(X2). Plot dibuat dengan menggunakan syntax pylab.plot.
d) Tabel Hasil Program dan Plot

Pada hasil tersebut tampak untuk mendapatkan nilai X1 dan X2 pada

setiap variasi R harus mengubah matriks system persamaan linier menjadi
matriks segitiga atas (eselon) terlebih dahulu. Setelah itu melakukan subtitusi
dan eliminasi untuk mendapatkan nilai X1 dan X2. Konsep inilah yang
dikenal dengan Eliminasi Gasuss.
 Table D.d.1 Hasil Program Penentuan Nilai X1 dan X2 untuk tiap Variasi R

Pada table tersebut tampak jika nilai variasi R semakin meningkat

maka nilai X1 dan X2 juga semakin meningkat. Hal ini mengindikasikan
bahwa semakin besar nilai R atau fraksi dari aliran luar yang masuk kembali
ke sirkuit mikro maka nilai konsentrasi napthalene epoxide di kompartemen
𝑁𝑂 𝑁𝑂
liver (X1) / 𝐶𝑙𝑖𝑣𝑒𝑟 dan paru-paru (X2) / 𝐶𝑙𝑢𝑛𝑔 ikut meningkat.

Gambar D.d.1 Hubungan R terhadap X1 dan X2

Pada plot tersebut sumbu-x mewakili variasi nilai R sedangkan

sumbu-y mewakili nilai X1 dan X2. Untuk X1 pada garis biru sedangkan
untuk X2 pada garis warna oranye. Tampak kedua garis mengalami kenaikan
secara linier. Akan tetapi kenaikan lebih signifikan untuk nilai X2
dibandingkan X1. Dengan demikian pengaruh variasi nilai R lebih besar
untuk konsentrasi napthalene epoxide di kompartemen paru-paru (X2) atau
𝑁𝑂 𝑁𝑂
𝐶𝑙𝑢𝑛𝑔 daripada di kompartemen liver (X1) atau 𝐶𝑙𝑖𝑣𝑒𝑟 .

e) Kesimpulan hasil
𝑁𝑂 𝑁𝑂
Nilai 𝐶𝑙𝑖𝑣𝑒𝑟 yang diwakili dengan X1 dan nilai 𝐶𝑙𝑢𝑛𝑔 yang diwakili
dengan X2 untuk tiap-tiap variasi R dapat ditemukan dengan program yang
 mengadopsi metode eliminasi Gauss. Hasil akhir menunjukkan bahwa
semakin besar nilai R atau fraksi dari aliran luar yang masuk kembali ke
sirkuit mikro maka nilai konsentrasi napthalene epoxide di kompartemen
𝑁𝑂 𝑁𝑂
liver (X1) / 𝐶𝑙𝑖𝑣𝑒𝑟 dan paru-paru (X2) / 𝐶𝑙𝑢𝑛𝑔 ikut meningkat. Selanjutnya
pengaruh variasi nilai R lebih signifikan pada konsentrasi napthalene epoxide
𝑁𝑂
di kompartemen paru-paru (X2) atau 𝐶𝑙𝑢𝑛𝑔 daripada di kompartemen liver
𝑁𝑂
(X1) atau 𝐶𝑙𝑖𝑣𝑒𝑟 berdasarkan plot yang telah dibuat.

E. KESIMPULAN

Praktikum Komputasi Biomedis Chapter 4 yang bertujuan untuk

menentukan hasil sistem persamaan linier dengan menggunakan metode
Eliminasi Gauss telah dilaksanakan dengan baik. Program yang dibuat dibagi
menjadi 2 operasi. Pertama forward elimination atau operasi baris elementer
bertujuan untuk membuat matriks system persamaan linier menjadi matriks
segitiga atas (matriks eselon). Operasi kedua yaitu backward solve bertujuan
untuk menentukan nilai tiap variable yang dicari dengan subtitusi dan eliminasi
mundur dari baris terakhir matriks segitiga atas menutu ke baris pertamanya.
Dengan demikian variable-variabel dari system persamaan linier dapat dicari
menggunakan system komputasi.

F. DAFTAR PUSTAKA

Capra, Steven C and Canale. 2010. Numerical Methods for Engineers with
Personal Computer Applications. MacGraw-Hill Book Company.

Hendri. 2003. Cepat Mahir Phyton. IlmuComputer.com

Kiusalaas J. 2013. Numerical Methods in Engineering with Python 3. Vol. 51.

Cambridge University Press: New York.

Modul Praktikum Komputasi Biomedis, Program Studi Teknobiomedik, Dep.

Fisika, Fakultas Sains dan Teknologi UNAIR 2021.