TUGAS MAKALAH

ANALISA NUMERIK
Oleh :
AGATA KASYAHANDA R.P
ALDY KURNIA AZHARI
ASFARI AZKA FADHILAH
HANA ROCHMAN
HERDI SITEPU
IFZAN
MIZWAR P RACHMAN
TEKNIK METALURGI FAKULTAS TEKNIK
UNIVERSITAS SULTAN AGENG TIRTAYASA
CILEGON 201
KATA PENGANTAR
Dengan menyebu tnama Allah Yang Maha Pengasih lagi Maha Penyayang penulis
ucapkan karena atas Berkah dan Rahmat yang diberikan penulis telah diberikan kekuatan
untuk menyelesaikan makalah ini, dengan judul Analisa Numerik.
Dalam pelaksanaan penyusunan makalah penulis banyak menemui hambatan dan
kesulitan. Hal ini terutama dari keterbatasan penulis dalam hal pengetahuan yang penulis
miliki.
Penulis menyadari baha penyusunan makalah ini masih terdapat kekurangan. !leh
karena itu, penulis mengharapkan saran dan kritik untuk penyempurnaan makalah ini.
"ileg#n, Mei $%&'
Penulis
ii
DAFTAR ISI
HA(AMAN )*D*( +++++++++++++++++++++++++++i
,A-A P.N/AN-AR ++++++++++++++++++++++++++...ii
DA0-AR 121 ++++++++++++++++++++++++++++++.iii
BAB 1 P.NDAH*(*AN
&.&. (atar Belakang +++++++++++++++++++++++...&
&.$. -ujuan +++++++++++++++++++++++++++$
&.3. Rumusan Masalah ++++++++++++++++++++++..3
BAB 11 121
$.&. !ptimi4ati#n ++++++++++++++++++++++++..'
$.$. !ptimi4ati#n "#nstraint ++++++++++++++++++++5
$.3. "ur6e 0itting ++++++++++++++++++++++++.&%
$.'. Persamaan di77erensial Biasa ++++++++++++++++++&8
BAB 111 ,.21MP*(AN
DA0-AR P*2-A,A
(AMP1RAN
iii
BAB I
PENDAHULUAN
1.1. LatarBelakang
Analisa numeric adalah teknik di mana masalah matematika di7#rmulasikan
sedemikian rupa sehingga dapat diselesaikan #leh peng#perasian aritmatika, dengan
mengurangi matematika yang lebih tinggi menjadi #perasi aritmatika dasar. Penyelesaian
analisa numeric menggunakan dua perangka tpenting ,yaitu matematika dan c#mputer.
Analisa numeric tidak mengutamakan diper#lehnya jaaban yang eksak9tepat, tetapi
mengusahakan perumusan met#da yang menghasilkan jaaban pendekatan yang berbeda
dari jaaban eksak sebesar suatu nilai yang dapat diterima berdasarkan pertimbangan
praktis, tetapi cukup member gambaran terhadap permasalahan yang dihadapi.
1.2. Tujuan
-ujuan dari pembuatan makalah ini adalah untuk mempelajari dan megetahui
beberapa p#int yang ada di dalam analisa 'ariabl, yaitu : #ptimi4ati#n #ptimi4ati#n
c#nstrain, cur6e 7itting dan #rdinary di77erential e;uati#n.
1.!. Ru"u#an$a#ala%
Rumusan masalah yang akan dibahas dalam makalah ini adalah #ptimi4ati#n
#ptimi4ati#n c#nstrain, cur6e 7itting dan #rdinary di77erential e;uati#n. Beserta c#nt#h
s#al dengan penyelesaiansecara manual dan secara k#mputasi dengan menggunakan
matlab.
BAB II
ISI
2.1. &PTI$I'ATI&N
!ptimisasi merupakan suatu pr#ses untuk mencari k#ndisi yang #ptimum, dalam arti
paling menguntungkan. !ptimisasi bias berupa maksimasi atau minimasi. )ika berkaitan
dengan masalah keuntungan, maka keadaan #ptimum adalah keadaan yang memberikan
keuntungan maksimum <maksimasi=. )ika berkaitan dengan masalah pengeluaran9
peng#rbanan, maka keadaan #ptimum adalah keadaan yang memberikan pengeluaran9
peng#rbanan minimum <minimasi=.
2ecara umum, 7ungsi yang akan dimaksimumkan atau diminimumkan disebut 7ungsi
#bjekti7 <objective function), sedangkanharga>harga yang berpengaruh dan bias dipilih
disebut 6ariable <perubah= atau decision variable. 2ecara analitik, nilai maksimum atau
minimum dari suatu persamaan :( ) *+,- dapat diper#leh pada harga ? yang memenuhi :
*ntuk 7ungsi yang sulit untuk diturunkan atau mempunya iturunan yang sulit
dicariakarnya, pr#ses #ptimisasi dapat dilakukansecara numeric. Di dalam #ptimisasi dikenal
istilah>istilah :
a. Maksimasi (#cal danMaksimasi/l#bal
b. Minimasi (#cal danMinimasi gl#bal
(. ) *. +,- ) /
/ambar &. MaksimasidanMinimasi(#kaldan /l#bal
/ambar $. 1lustrasiMaksimasi
2.1.1 &PTI$ASI SATU 0ARIABEL
-injaulah sebuah 7ungsi dengan satu 6ariable sbb. :y @ 7 <?=. 1ngin dicari harga ? yang
memberikan harga y maksimum (maksimasi) atau minimum (minimasi). Dalam hal ini, ? yang
diper#leh merupakan nilai ? #ptimum 7ungsi.
Beberapa met#de yang akan dibahas meliputi:
A Met#de golden section
A Met#de Net#n
A Met#de interp#lasi kuadrat
$.&.&.& $ET&DE GOLDEN SECTION
Golden section merupakan salah satu cara atau met#de #ptimasi 6ariabel yang dapat
diterapkan untuk 7ungsi yang bersi7at uni m#dal. ,edua tipe #ptimasi, yaitu maksimasi dan
minimasi dapat diselesaikan dengan cara ini. Golden-section (search) method merupakan
met#de #ptimasi satu Bariable yang sederhana, dan mempunyai pendekatan yang mirip
dengan met#de bisection dalam penentuan akar persamaan tak linier.
-injaulah 7ungsi 7<?= yang akan ditentukan maksimum>nya, padarentang ? @ ?l dan ? @ ?u
(perhatikangambar di bawahini).
Mirip dengan bisection, ide dasa rmet#de ini adalah meman7aatkan nilai yang lama
sebagai nilai yang baru, secara BariableB. 2ebagai akibatnya, rentang9 inter6al aal 6ariabel
yang dipilih semakin lama akan semakin menyempit, karena
ada sebagian sub>inter6al Bariable yang dieliminasi,
hingga diper#leh tingkat k#n6ergensi yang
diinginkan.Berdasarkan gra7ik di atas, secara matematika berlaku:
,arena: maka:
Ambil kebalikan nya dan kemudian de7inisikan:
Maka: atau : atau :
Maka
<Bilangan R ini selanjutnya biasa disebut sebagai g#lden rati# atau g#lden number=.
$.&.&.$ METODE NEWTON
Met#de ini menggunakan pendekatan yang sama dengan met#de Net#n dalam
penentuan akar persamaan tak>linier, melalui pende7inisian 7ungsi:
,arena pada k#ndisi #ptimum berlaku:
maka, nilai ?C dapat diper#leh secara iterati6e sebagai berikut:
2.1.1.! $ET&DE INTERP&LASI KUADRAT
Met#de interp#lasi kuadrat dapat digunakan untuk melakukan #ptimasi secara
numerik. Hal ini disebabkan #leh penggunaan p#lin#mial #rde>dua yang menghasilkan
pendekatan cukup baik terhadap bentuk 7 <?= di dekat titik #ptimumnya. < Perhatikan gambar
di baah ini =
)ika mula>mula kita mempunyai tiga buah titik tebakan aal <yakni ?
%
, ?
&
, dan ?
$
=
yang mengapit titik #ptimumnya, maka sebuah parab#la dapat di>7it>kan melalui ketiganya.
Di7erensiasikan persamaan yang dipr#leh, set hasilnya menjadi samadengan n#l, dan
perkiraan ? #ptimum dapat ditentukan <dalam hal ini sebagai ?3= sbb.:
Penentuan ?3 dilakukan secara DariableD, melalui strategi yang sama dengan met#de g#lden
secti#n, hingga diper#leh penyelesaian yang k#n6ergen.
2.1.2 &PTI$ASI BAN1AK 0ARIABEL
Misal diketahui sebuah 7ungsi dengan banyak 6ariable sbb:
1ngin dicari harga ?
&
, ?
$
, ?
3
, +.,?
n
yang memberikan harga y maksimum <maksimasi= atau
minimum <minimasi=. Pengel#mp#kan met#denya secara garis besar adalah: <&= n#n>gradient
meth#ds, dan <$= gradient meth#ds.
Beberapa met#de yang akan dibahas meliputi:
A Met#de H##ke>)ee6es
A Met#de steepest ascent <ascending=9 descent <descending=
A Met#de langsung9 rand#m search
2.1.2.1 $ET&DE H&&KE23EE0ES
Prinsip penerapan met#de H##ke>)ee6es meliputi $ hal sebagai berikut:
<&= .kspl#rasi nilai E?i <imenyatakan indeks Dariable ?=
<$= Mengulangi langkah sukses
2.1.2.2 $ET&DE STEEPEST AS4ENT 5DES4ENT
A Merupakan jenis met#de Dariable yang paling sederhana.
A -ermin#l#gi: > steepest ascent digunakan untuk pencarian maksimum 7ungsi
> steepest descent digunakan untuk pencarian minimum 7ungsi
A Prinsip pencarian #ptimum:
Dilakukan serangkaian pr#ses trans7#rmasi untuk mengubah sebuah 7ungsi dengan banyak
&%ariable <multi>dimensi#nal 7uncti#n= menjadi sebuah 7ungsi dengan 6ariable tunggal <#ne>
dimensi#nal 7uncti#n=, berdasarkan gradient arah pencarian.
2.1.2.! $ET&DELANGSUNG +RAND&$ SEAR4H-
2esuai dengan namanya, met#de rand#m search secara berulang>ulang menge6aluasi
nilai 7ungsi pada nilai>nilai 6ariable bebas tertentu <selected 6alues= secara acak <rand#mly=.
)ika banyaknya sampel yang dic#ba mencukupi, maka k#ndisi #ptimumnya akan teramati,
dan sebaliknya. Dengan demikian, met#deini tidak e7isienF
Met#de ini dapat diterapkan untuk 7ungsi yang disc#ntinu#us dan n#n>di77erentiable
sekalipun.
Pendekatan ini pada umumnya akan menghasilkan titik #ptimum gl#bal <bukan
#ptimum &%aria=.
2.2 Optimisation Constrain
2.2.1 Menentukan Nilai Constrain
Nilai c#nstrain pada #ptimasi ini merupakan nilai dari batas baah dan batas atas dari
ketebalan dan radius ge#metri r#tating disk itu sendiri. Berikut merupakan 6ariable c#nstrain
yang akan digunakan dalam mendisain &%ariable r#tating disk:.
Beberapa macam type c#nstrains :
B#und "#nstrains : batas atas dan baah pada tiap k#mp#nen dimana ? G l dan ? H u
(inear 1ne;uality "#nstraints : Pertidaksamaan linear dari bentuk AI? H b. A adalah
matriks m dengan n, yang merupakan batasan m pada &%ariable ? 6ekt#r dengan
k#mp#nen m. Dan b merupakan k#mp#nen 6ekt#r m.
Contoh dari linear inequality contrains :
?&J?3H',
$?$K?3GK$,
?&K ?$ J ?3K ?'G D.
Dimana m @ 3 dan n @ '
Penulisan untuk matriks A dan 6ekt#r b menjadi :
Perhatikan baha pada pertidaksamaan diatas pada n#tasi matriks A L(ebih dariM
6ekt#r b dikalikan >& guna n#tasi menjadi Lkurang dariM untuk memudahkan MA-(AB
menjalankan perintah linear ine;uality c#ntrains diatas.
Lin ear equality Constraints : Persamaan linier dari bentuk Ae;I? @ be;. 1ni merupakan
persamaan m dengan n k#mp#nen 6ekt#r dari ?.
Nonlinear Constraints : Batas ketidaksamaan n#nliniear adalah bentuk dari c<?= H %,
dimana c adalah pembatas 6ekt#r, yang salah satu k#mp#nennya untuk tiap pembatas.
Demikian pula dengan batas persamaan n#nlinier berasal dari bentuk ce; <?= @ %. )ika
kita memasukkan &&ariable untuk c dan ce; maka akan didapat hasil yang lebih akurat.
2.2.2 Menjalankan roses Optimasi
Dalam menjalankan #ptimasi ada $ cara :
2... Men!!unakan optimi"ation tool
/ambar !ptimi4ati#n t##l MA-(AB.
Pada gambar diatas, disebelah kanan k#l#m #pti#n yaitu untuk mengatur segala
&$ariable #ptimasi yang sesuai dengan kehendak kita atau jika tidak, set semua pengaturan
pada pilihan L *se de7ault L. 2edangkan pada k#l#m sebelah kiri adalah pengaturan masalah
dan hasil.
2#l6er : Memilih jenis 7ungsi yang digunakan untuk #ptimasi.
!bjecti6e 0uncti#n : Memasukkan 7ungsi nilai 6ekt#r untuk s#lusi minima?.3'
Deri6ati6e : Menentukan &$ariable jika tersedia atau s#lusi pendekatan.
2tart p#int : Menentukan tebakan aal
N"#nstraints : Memasukkan segala macam c#nstraints yang kita inginkan.
B. Mem#uat $outine Optimasi pa%a m&'ile
/ambar R#utine 7minima? s#l6er MA-(AB.
2elain menggunakan #ptimi4ati#n t##l ada cara lain yaitu dengan cara manual dengan
membuat R#untine seperti pada gambar 3.D diatas. 2ama halnya pada penggunaan
#ptimi4ati#n t##l, diperlukan tebakan aal < O% = untuk melakukan pendekatan nilai pada
pr#ses #ptimasi nantinya.
(angkah>langkah dalam pr#ses ini adalah:
&. Membuat 7ungsi dasar dalam pr#ses ini diberi nama ( Contru)tDisk ( yang didalamnya
berisi parameter spesi7ikasi disk, persamaan analisa tegangan pada r#tating disk dan #bjecti6e
7uncti#n.
$. Membuat r#utine untuk mencari data 7ungsi dari 6ariasi R dan (
/ambar R#utine 7ungsi 6ariasi R dan ( MA-(AB.
3. Memilih jenis s#l6er yang akan digunakan untuk melakukan pr#ses #ptimasi. 2#l6er yang
digunakan untuk melakukan pr#ses #ptimasi adalah s#l6er 7minima?.
'. Pengetikan synta? 7ungsi 7minima? pada m>7ile.
8. Memasukkan nilai start p#int atau tebakan aal.
5. Menentukan nilai c#nstrain berupa upper b#und dan l#er b#und yaitu nilai pada
k##rdinat sumbu ? dan sumbu y.
B. Menjalankan pr#ses simulasi.
!utput yang dihasilkan berupa nilai 6ariasi ( atau R dan #bjecti6e 7uncti#n yang paling
minimum yang telah diberikan c#nstrain.
/ambar Pr#ses !ptimasi MA-(AB.
P. Memasukan nilai O #ptimum dan data dari p#int $ ke r#utine baru untuk memper#leh pl#t
gra7ik pr#ses jalannya #ptimasi yang dilakukan.
/ambar R#utine Pl#t /ra7ik MA-(AB.
2.3. CURVE FITTING
Data>data yang bersi7at diskrit dapat dibuat c#ntinuum melalui pr#ses cur6e>7itting.
"ur6e>7itting merupakan pr#ses data>sm##thing, yakni pr#ses pendekatan terhadap
kecenderungan data>data dalam bentuk persamaan m#del matematika. Pr#ses ini juga dapat
digunakan untuk keperluan interp#lasi data. Misalkan tersedia data>data y pada berbagai ?
<sejumlah n pasang=, maka dapat dicari suatu persamaan y @ 7<?= yang memberikan hubungan
y dengan ? yang mendekati data. Pr#ses ini disebut cur6e 7itting.
2ecara garis besar, ada $ kateg#ri persamaan m#del matematika, yakni:
&. Persamaan analitik, yang berbasiskan te#ri dan 7en#mena 7isik &8ariab yang teramati
$. Persamaan &8ariabl, yang <lebih= berbasiskan hubungan antara input dan #utput &8ariab
yang ditinjau.
(angkah>langkah yang dapat ditempuh untuk menentukan persamaan 6ariable adalah sebagai
berikut:
&. Membuat gra7ik y 6ersus ? berdasarkan data yang tersedia
$. Meramalkan bentuk persamaan yang kira>kira sesuai <mengandung tetapan>tetapan yang
belum diketahui=, berdasarkan gra7ik
Misal: Persamaan linier: y @ a ? Q y @ a
%
J a
&
?
Persamaan kuadrat: y @ a
%
J a
&
? J a
$
?
$
Persamaan &8ariable&8&8 ber#rde>m: y @ a
%
J a
&
? J a
$
?J + J a
m>&
?

m>&
J a
m
?
m
Persamaan eksp#nensial: y @ a e
b?
3. Menge6aluasi nilai tetapan>tetapan tersebut berdasarkan data yang ada R regresi. 2ecara
garis besar, met#de regresi ada $ macam: <a= regresi linier dan <b= regresi n#n>linier
'. Menge6aluasi kesesuaian persamaan &8ariabl terhadap data.
2ecara sederhana, persamaan 6ariable dianggap sesuai jika err#r>nya kecil dan bentuk
kur6a berdasarkan persamaan &8ariabl ini mirip dengan bentuk kur6a berdasarkan data. )ika
persamaan &8ariabl tidak sesuai, maka harus dic#ba bentuk persamaan yang lain. "ara
menge6aluasi nilai>nilai tetapan dalam persamaan &8ariabl: 6isual inspecti#n, meth#d #7
a6erage, dan met#de kuadrat terkecil <least s;uares=. Met#de kuadrat terkecil merupakan
met#de yang paling banyak digunakan. Pada met#de ini, nilai>nilai tetapan terbaik adalah
yang memberikan jumlah kuadrat kesalahan9penyimpangan <sum #7 s;uares #7 err#rs, 22.=
yang terkecil <minimum=.
*ntuk bentuk>bentuk persamaan tertentu, met#de kudrat terkecil dapat dilakukan secara
analitik, tetapi untuk bentuk>bentuk yang lain harus dilakukan secara &8ariabl. Prinsipnya
adalah minimasi 22. terhadap &8ariable nilai>nilai tetapan dalam persamaan &8ariabl. 2ecara
&8ariable&8, kesesuaian antara bentuk kur6a dengan data dapat dinyatakan dalam term
k#e7isien k#relasi <r= atau k#e7isien determinasi <r
$
=. Besarnya k#e7isien k#relasi <r= adalah:
,esesuaian yang sempurna ditunjukkan #leh besarnya: 22. @ % dan r @ r
$
@ &.
2.!.1. Regre#i Linier
+2- Bentuk Per#a"aan6 ( ) a/ 7 a1 , 8
+9-


Ber:a#arkan ;er#a"aan +11- :an +12- "aka %arga a/ :an a1 :a;at
:itentukan. $i#al :engan "enggunakan 4ra"er.# rule :i;er<le%6

$aka 6
+n "en(atakan =an(akn(a :ata-
2.!.2. Regre#i P<lin<"
*ntuk persamaan kuadrat dengan bentuk: y @ a
%
J a
&
? J a
$
?
$
+ <&3=
Dengan cara yang sama, untuk pasangan data ?i, yi, maka nilai sum #7 s;uares
#rerr#rs>nya:
Persamaan <&P=, <&D=, dan <$%= selanjutnya dapat disusun dalam bentuk
perkalian matriks, sbb.:
2.!.!. Multiple Linier $e!ression
Regresi linier berganda diterapkan terhadap persamaan linier &Dariable&D&Dble
<dengan banyaknya &Dariable sejumlah m= yang mempunyai bentuk umum:
y @ a% J a& ?& J a$ ?$ J + J am>& ?m>& J am ?m + <$$=
Dengan menggunakan met#de kuadrat terkecil, melalui penurunan yang sama dengan
kasus>kasus sebelumnya, maka dihasilkan persamaan>persamaan berikut ini:
Atau, dapat
disusun dalam bentuk perkalian matriks sebagai berikut :
Dengan demikian, harga>harga a
%
, a
&
, a
$
, +. am dapat ditentukan secara simultan.
"atatan: Persamaan dalam bentuk perkalian berpangkat:
Dapat di manipulasi menjadi :
sehingga menjadi persamaan linier &Dariable&D&Dble seperti bentuk di atas.

2.>. Per##a"aan Di**ren#ial Bia#a
PersamaanDi77erensial yaitu persamaan yang mengandung &Dariable>6ariabel?,y,
serta turunan y terhadap ?. ada beberapa PD yaitu PD #rdesatu, dua, tiga, dll tergantung dari
pangkat tertinggi yang dimiliki #leh Persamaan tersebut.
Ada banyak cara dalam mencari s#lusi persamaanDi77erensial, diantaranya met#de
analitik danmet#de numeric. Dalam Met#de Numerik, salah satume t#de yang digunakan
untuk menyelesaikan persamaan di77erensial yaitu met#de .uler.
$.'.& Met#de .uler
Met#de .uler adalah salah satu dari met#de satu langkah yang paling sederhana. Di
banding dengan beberapa met#de lainnya, met#de ini paling kurang teliti. Namun demikian
met#de ini perlu dipelajari mengingat kesederhanaannya dan mudah pemahamannya sehingga
memudahkan dalam mempelajari met#de lain yang lebih teliti.
Met#de euler atau disebut juga met#de #rde pertama karena persamaannya kita
hanya mengambil sampai suku #rde pertama saja.
Misalnya diberikan PDB #rde satu,
@ dy9d? @ 7<?,y= dan nilai aal y<?
%
= @ ?
%
Misalkan
y
r
@ y<?
r
=
adalah hampiran nilai di ?
r
yang dihitung dengan met#de euler. Dalam hal ini
?
r
@ ?
%
J rh, r @ &, $, 3,+n
met#de euler diturungkan dengan cara menguraikan y<?
rJ&
= d
i se
kitar ?
r
ke dalam deret tayl#r :
y<?
rJ&
=@y<?
r
=J
( )
&
&F
r
r

+

yS<?
r
=J
( )
$
&
$F
r r

+

yM<?
r
=J+ <&=
bila persamaan di atas dip#t#ng samapai suku #rde tiga, per#leh
y<?
rJ&
= @ y<?
r
= J
( )
&
&F
r
r

+

yS<?
r
= J
( )
$
&
$F
r r

+

yM<t=, ?
r
TtT?
rJ&
<$=
berdasarkan persamanan bentuk baku PDB #rde #rde satu maka
yS<?
r
= @ 7<?
r
, y
r
=
dan
?
rJ&
K ?
r
@ h
maka persamaan $ dapat ditulis menjadi
y<?
rJ&
= y<?
r
=Jh7<?
r
,y
r
=J
$
$
h
yM<t= <3=
dua suku pertama persamaan di atas yaitu :
y<?
rJ&
= @ y<?
r
= J h7<?
r
, y
r
= Q r @ %, &, $,+,n <'=
atau dapat ditulis
y
rJ&
@ y
r
J h7
r
yang

merupakan met#de .uler.
$.'.&.& -a7siran ge#metri Met#de PDB
7<?,y= dalam persamaan di7erensial menyatakan gradiaen garis siggng kur6a
di titik <?,y=. kita mulai menarik garis singgung dari titik <?
%
,y
%
= dengan $&ariable
7<?
%
,y
%
= dan berenti di titik <?
&
,y
&
=, dengan y
&
di hitung dari persamaan '. 2elanjutnya
di titik <?
&
,y
&
= ditarik lagi garis dengan $&ariable 7<?
&
,y
&
= dan berhenti dititik <?
$
,y
$
=
dengan y
$
dihitung dari persamaan '. Pr#ses ini kita ulang beberapa kali, misalnya
sampai lelaran ke>n, sehingga hasilnya adalah garis patah>patah seperti yang
ditunjukkan pada gambar berikut:
y y@7<?=

gradient 7<?
n>&,
y
n>&
=

+
?
%
?
&
?
$
?
3
+ ?
n>&
?
n
?
<-a7siran ge#metri untuk penurunan met#de PDB=
y y<?=
y
rJ&
sejati

y
rJ&

y
r

h

?
r
?
rJ&
?
ta7siran ge#metri untuk penurunan met#de euler
pada gambar kedua $$ariable <m= garis singgung di ?
r
adalah
U &
<% = < , =
r
r r r
y yr y !C
m y f y
"! h
+

= = = = =
V
V
&
< , =
r r r r
y y hf y
+
= +
Yang tidak lain adalah persamaan .uler.
$.'.&.$ Analisis /alat Met#de .uler
Meskipun met#de .uler sederhana, tetapi ia mengandung dua macam galat, yaitu galat
pem#t#ng <truncati#n err#r= dan galat l#ngg#kan <cumulati6e err#r=. /alat pem#t#ng dapat
langsung ditentukan dari persamaan berikut:
$ V $
&
< = %< =
$
p
# h y t h = = <p.8=
/alat pem#t#ngan ini sebanding dengan kuadrat ukuran langkah h sehingga di sebut juga galat
;er langka% <error per step= atau galat l#cal. 2emakin kecil nilai h <yang berarti semakin
banyak langkah perhitungan=. Nilai pada setiap langkah <y
r
= dipakai lagi pada langkah
berikutnya. /alat s#lusi pada langkah ke>r adalah tumpukan galat dari langkah>langkah
sebelumnya. /alat yang terkumpul pada akhir langkah ke>r ini di sebit galat l<ngg<kan
<cumulative error=. )ika langkah dimulai dari ?
%
@ a dan berakhir di ?
n
@ b maka t#tal galat yang
terkumpul pada s#lusi akhir <y
n
= adalah
( )
$
$ V V V
&
< =
&9 $ < = < = < =
$ $
n
total
r
h b a
# h y t n y t y t h
=

= = =

<p.5=
/alat l#ngg#kan t#tal ini sebenarnya adalah
< = < =
total sejati n #uler
# y b y =
ALG&RIT$A UNTUK $ET&DE EULER
Merghitung hampiran penyelesaian masalah nilai aal y
S
@ 7<t,y= dengan
y<t
%
= @ y
%
pada Wt
%
, bX
INPUT 6 n, t
%
, b, y
%
, dan 7ungsi 7
&UTPUT 6 <t
k
, y
k
=, r @ &, $, 3, +, n
LANGKAH2LANGKAH6
&. Hitung h @ <b K t
%
=9n
$. 0!R r @ &, $, 3, +, n
Hitung ?
r
@ ?
r>&
J h, y
r
@ y
r>&
J h C 7<?
r>&
, y
r>&
=
3. 2.(.2A1
2.>.2. $et<:e Heun +Per=aikan $et<:e Euler-
Met#de .uler mempunyai ketelitian yang rendah karena galatnya besar <sebanding
dengan h=. buruknya galat ini dapat dikurangi dengan menggunakan met#de Heun, yang
merupakan perbaikan met#de .uler <modifified #uler$s method =. Pada met#de Heun , s#lusi
dari met#de .uler dijadikan sebagai s#lusi perkiraan aal <$3ariable$3=, selanjutnya s#lusi
perkiraan aal diperbaiki dengan met#de Heun <"#rrect#r=.
Met#de Heun diturunkan sebagai berikut:
Pandang PDB #rde 2atu
U
< = < , < == y f y =
1ntegrasikan kedua ruas persamaan dari ?
r
sampai ?
rJ&
:
& &
U
< , < == < =
r r
r r


f y d y d
+ +
=

@ y<?
rJ&
=>y<?
r
=
@ y
rJ&
>y
r
Nyatakan y
rJ&
di ruas kiri dan suku>suku lainnya di ruas kanan:
&
&
< , < ==
r
r

r r

y y f y d
+
+
= +

<p.B=
2uku yang mengandung integral di ruas kanan ,
&
< , < ==
r
r

f y d
+

,
dapat diselesaikan dengan kaidah trape4ium menjadi
&
& &
< , < == W < , = < , =X
$
r
r

r r r r

h
f y d f y f y
+
+ +
= +

<p.P=
2ulihkan persamaan <p.B= ke dalam persamaan <p.P= , menghasilkan persamaan
& & &
W < , = < , =X
$
r r r r r r
h
y y f y f y
+ + +
= + + <p.D=
Yang nerupakan "et<:e Heun , atau "et<:e Euler24au?%( (ang :i;er=aiki. Dalam
persamaan <p.P= suku ruas kanan mengandung y
rJ&
ini adalah s#lusi perkiraan aal
<%&ariable%&= yang dihitung dengan met#de .uler. Persamaan <p.D= dapat dituls sebagai :
predictor :
<%=
&
< , =
r r r r
y y hf y
+
= +
Corrector :
<%=
& & &
W < , = < , =X
$
r r r r r r
h
y y f y f y
+ + +
= + + <p.&%=
Atau ditulis dalam satu kesatuan,
& &
W < , = < , = < , =X
$
r r r r r r r r
h
y y f y f y hf y
+ +
= + + + <p. &&=
$.'.$.&. Ta*#iran Ge<"etri $et<:e Heun
Pada selang ?
r
sampai ?
r
J Y hkita menghampiri s#lusi y dengan garis singgung melalui
titik <?
r
, y
r
= dengan $'ariable 7<?
r
, y
r
= dan kemudian meneruskan garis singgung dengan
$'ariable 7<?
rJ&
, y
<%=

rJ&
= sampai ? mencapai ?
rJ&.
Y<?=
y
&

y
%

?
%
?
&
<ta7siran

ge#metri met#de Heun=
2.>.2.2 Galat "et<:e Heun
Dari persamaan <p.&%= suku h9$ W7<?
r
, y
r
= J 7<?
rJ&
, y
<%=

rJ&
=X bersesuaian trapesiun pada
integrasi numeric. Dapat dibuktikan baha galat per langkah met#de Heun sama dengan
galat kaidah trapesiun, yaitu:
.
p
@ y
M
<t= , ?
r
T t T ?
rJ&
<p. &$=
@ #<h
3
=
Bukti6
Misalkan ,
Y
rJ&
adalah nilai y sejati di ?
rJ&
y
rJ&
adalah nampiran nilai y di ?
rJ&
*raikan Y
rJ&
di sekitar ?
r
:
Y
rJ&
@
& $ 3
& & &
< = < = < =
< = U< = V< = VU< = ...
&F $F 3F
r r r r r r
r r r r

y y y y
+ + +

+ + + +
@
$ 3
U V VU ...
$ 5
r r r r
h h
y hy y y + + + +
Dengan menyatakan
U
,
< , =
r r r r
y f y f = =
maka
$ 3
U UUU
&
...
$ 5
r r r r r
h h
y y hf f f
+
= + + + + <p.&3=
Dari persamaan <p.&%=
<%=
& & &
W < , = < , =X
$
r r r r r r
h
y y f y f y
+ + +
= + +
*raikan
<%=
& &
< , =
r r
f y
+ +
dengan menggunakan deret tayl#r di sekitar
r
:
<%=
& &
< , =
r r
f y
+ +
@
& &
< , =
r r
f y
+ +
@
$ $
U UU & $ & $
< = < =
< , < , = < , = ...
$F $F
r r
r r r r r r

f y f y f y
+ +

+ + +
@
$
U V
...
$
r r r
h
f hf hf + + +
2ehingga persamaan <p.&%= dapat ditulis menjadi:
<%=
& & &
W < , = < , =X
$
r r r r r r
h
y y f y f y
+ + +
= + +
@
U V
&
W ...X
$ $
r r r r r
h
y f f hf hf + + + + +
@
$ 3
U V
...
$ '
r r r r
h h
y hf f f + + + +
/alat per langkah @ nilai sejati K nilai hampiran
@
& & r r
' y
+ +

@
$ 3 $ 3
U VU U UV
< ...= < ...=
$ 5 $ '
r r r r r r r r
h h h h
y hf f f y hf f f + + + + + + + +
@
3 3
VU UV
...
5 '
r r
h h
f f +
@
3
UV
...
&$
r
h
f +
@
3
UV
< =,
&$
r
h
f t ?
r
TtT?
rJ&
@ %<h
3
=
/alat l#ngg#kannya adalah,
3
&
&
V< =
&$
n
(
r
# h y t
=
=

@
$ V
< =
< =
&$
b a
h y t

@ %<h
$
=
)adi galat l#ngg#kan met#de Heun sebanding dengan h
$
. 1ni berarti s#lusi PDB
met#de heun lebih baik dari pada s#lusi dari met#de .uler, namun jumlah k#mputasinya
menjadi lebih banyak dibandingkan dengan met#de .uler. Perbandingan met#de Heun
dengan met#de .uler dapat dilihat pada gambar berikut:
y y<?=
y
rJ&
sejati
y
rJ&
<&=
Heun
y
rJ&
<%=
.uler
y
r


h
?
r
?
rJ&
ssperbandingan met#de .uler dengan met#de Heun
ALG&RIT$A $ET&DE HEUN
Menghitung hampiran penyelesaian masalah nilai aal y
S
@ 7<t,y= dengan
y<t
%
= @ y
%
pada Wt
%
, bX.
INPUT 6 t
%
, b, y
%
, h, dan 7ungsi 7
&UTPUT6 +t
r
,y
r
- r @ &, $, +, n
LANGKAH2LANGKAH6
&. Hitung n @ <b K t
%
=9h
$. 0!R r @ &, $, 3, +, n
Hitung t
r
@ t
r>&
J h,
Hitung 2
&
@ 7<t
r>&
, y
r>&
=,
Hitung 2
$
@ 7<t
r
, y
r>&
J h C 2
&
=,
Hitung y
r
@

y
r>&
J <2
&
J2
$
=.
SELESAI
BAB III
KESI$PULAN
Dari pembuatan makalah ini dapat disimpulkan baha :
&. !ptimisasi merupakan suatu pr#ses untuk mencari k#ndisi yang #ptimum, dalam arti
paling menguntungkan.
$. Beberapa macam type c#nstrains :
B#und "#nstrains : batas atas dan baah pada tiap k#mp#nen dimana ? G l
dan ? H u
(inear 1ne;uality "#nstraints : Pertidaksamaan linear dari bentuk AI? H b. A
adalah matriks m dengan n, yang merupakan batasan m pada $Pariable ?
6ekt#r dengan k#mp#nen m. Dan b merupakan k#mp#nen 6ekt#r m.
3. "ur6e>7itting merupakan pr#ses data>sm##thing, yakni pr#ses pendekatan terhadap
kecenderungan data>data dalam bentuk persamaan m#del matematika.
'. PersamaanDi77erensial yaitu persamaan yang mengandung $Pariable>6ariabel?,y,
serta turunan y terhadap ?. ada beberapa PD yaitu PD #rdesatu, dua, tiga, dll
tergantung dari pangkat tertinggi yang dimiliki #leh Persamaan tersebut.
DAFTAR PUSTAKA
Agus 2etiaan, 2-, M-, $%%5, pengantar Met#de Numerik, y#gyakata : penerbit Andy
Y#gyakarta
Drs. 2ahid, M.2c. $%%8, pengantar ,#mputasi Numerik dengan Matlab, y#gyakata : penerbit
Andy Y#gyakarta
Rinaldi Munir. $%%P, Met#de Numerik, Re6isi kedua, Bandung : in7#rmatika Bandung
i@
LA$PIRAN
A. 4<nt<% Per%itungan
&. "#nt#h Perhitungan PDB
"#nt#h
Diketahui PDB
Dy9d? @ ? J y dan y<%=@&
/unakan met#de .uler untuk menghitung y<%, &%=dengan ukuran langkah h @ %,%8 dan h @
%,%$. )umlah angka bena @ 8.diketahui s#lusi sejati PDB tresebut adalah
y<?= @ e
?
K ? K &.
Penyelesaian:
<i= Diketahui
a @ ?
%
@ %
b @ %.&%
c @ %.%8
dalam hal ini 7<?,y= @ ? J y, dan penerapan met#de .uler pada PDB tersebut menjadi
&
%.%$< =
r r r r
y y y
+
= + +
(angkah>langkah:
% %
% % y = =
& & % % %
%.%8 %.%8< = & <%.%8=<% &= &.%%8% y y y = = + + = + + =
$ $ & & &
%.&% %.%8< = &.%%8% <%.%8 &.%%8%= &.%8BB8 y y y = = + + = + + =
)adi,
<%.&%= &.%8BB8 y
<bandingkan dengan s#lusi sejatinya,
%.&%
<%.&%= %.& & %.%%8$ y e = =
2ehingga galatnya adalah
/alat @ %.%%8$ K &.%8BB8 @ >&.&%3%
<ii= Diketahi
%
%
%.&%
%.%$
a
b
h
= =
=
=
Dalam hal ini ,
< , = f y y = +
, dan penerapan met#de .uler pada PDB tersebut
menjadi
&
%.%$< =
r r r r
y y y
+
= + +
(angkah>langkah:
% %
% & y = =
& & % % %
%.%$ %.%$< = & <%.%$=<% &= &.%$%% y y y = = + + = + + =
$ $ & & &
%.%' %.%$< = &.%$%% <%.%$=<%.%$ &.%$%%= &.%'%P y y y = = + + = + + =
3 3
%.%5 &.%5$' y = =
' '
%.%P &.%P'P y = =
8 8
%.&% &.&%P& y = =
)adi
<%,&%= &.&%P& y
<bandingkan dengan s#lusi sejatinya, y<%,&%= @ &.&&%3, sehingga galatnya adalah
/alat @ &.&&%3 K &.&%P& @ &.&%P&=
Pr<gra" "atla=n(a (aitu6
clcQ
clearQ
?@%Q
y@&Q
b@%.&%Q
n@8Q
h@<b>?=9n
hasil@W% &XQ
7#r r@&:n
y@yJhC<?Jy=Q
?@?JhQ
hasil@WhasilQ ? yXQ
end
7@e?p<b=>b>&Q
galat@7>yQ
hasil
er#r@W7 galatX
Aut;utn(a (aitu6
% ) /./2//
%a#il )
/ 1.////
/./2// 1./2//
/./>// 1./>/A
/./9// 1./92>
/./A// 1./A>B
/.1/// 1.1/A2
er<r ) /.//C2 21.1/!/
"#nt#h:
Diketahui PDB
dy9d? @ ? J y Q y<%= @ &
hitung y<%.&%= dengan met#de Heun <h @ %.%$=
penyelesaian:
dietahui:
7<?,y= @ ? J y
a @ ?
%
@ %
b @ %.&%
h @ %.%$
maka n @ <%.&% > %=9%.%$ @ 8 <jumlah langkah=
langkah>langjah:
?
&
@ %,%$ y
<%=
& @ y
%
J h7<?
%
, y
%
=
@ & J %.%$<%J&=
@ &.%$%%
Y
<&=
& @ y
%
J <h9$=W7<?
%
,y
%
=J7<?
&
,y
<%=
&=X
@ & J <%.%$9$=<%J&J%.%$J&.%$%%=
@ &.%$%'
O
$
@ %.%' y
<%=
$ @ y
&
J h7<?
&
, y
&
=
@ &.%$%' J %.%$<%.%$ J &.%$%'=
@ &.%'&$
Y
<&=
$ @ y
&
J <h9$=W7<?
&
, y
&
= J 7<?
$
, y
<%=
$=X
@ &.%$%' J <%.%$9$=W%.%$ J &.%$%' J %.%' J &.%'&$X
@&.%'&5
+
O
8
@ %.&% y
<%=
8 @ y
'
J h7<?
'
, y
'
=
Y
<%=
8 @ y
'
J <h9$=W7<?
'
, y
'
= J 7<?
8
,y
<%=
8=X
@ &.&&%'
)adi, y<%.&%= &.&&%'
Pr<gra" "atla=n(a (aitu6
clcQ
clearQ
?@%Q
y@&Q
b@%.&%Q
n@8Q
h@<b>?=9n
hasil@W% &XQ
7#r r@&:n

y@yJ<h9$=C<<?Jy=J<?J<yJhC<?Jy====Q
?@?JhQ
hasil@WhasilQ ? yXQ
end
7@e?p<b=>b>&Q
galat@7>yQ
hasil
er#r@W7 galatX
&ut;un(a (aitu6
h @ %.%$%%
hasil @
% &.%%%%
%.%$%% &.%$%$
%.%'%% &.%'&$
%.%5%% &.%53&
%.%P%% &.%P8B
%.&%%% &.&%D3
er#r @ %.%%8$ > &.&%'&

$. "#nt#h s#al #ptimisati#n dan #ptimisati#n c#nstrain
2ebuah perusahaan ingin menentukan berapa banyak maing>massing dari tiga pr##duk yang
berbeda yang akan dihasilkan dengan tersedianya sumber daya yang terbatas gar diper#leh
keuntungan yang maksimum. ,ebutuhan buruh dan bahan mentah serta keuntungan masing>
masing pr#duk adalah sebagai berikut :
-ersedia &P% jam kerja dan bahan mentah sebanyak &8% kg. maka tentukanlah jumlah
masing>masing pr#duk agar keuntungan maksimumZ
Penyelesaian:
A. [ariable ,eputusan
-erdapat dua 6ariable dalam maslah ini yaitu pr#duk A dan B. Maka dapat
diasumsikan sebagai :
O
&
@ )umlah pr#duk A
O
$
@ )umlah pr#duk B
B. 0ungsi -ujuan
-ujuan masalah k#mbinasi pr#duk adalah memaksimumkan keuntungan t#tal. Maka
keuntungan adalah jumlah keuntungan yang diper#leh masing>masing pr#duk.
,euntungan pr#duk A adalah perkalian antara jumlah pr#duk A dengan keuntungan
per unti, begitu pula dengan pr#duk B, sehingga :
\ @ 8%O
&
J 5%O
$
". 0ungsi ,endala
0ungsi kendala pada buruh, pr#duk A membuthkan buruh sebanyak $ jam9unit,
shingga jumlah buruh yang dibutuhkan pr#duk A adalah $O
&
, begitu pula untuk
pr#duk B. sementara junlah buruh yang tersedia adalah $'%, maka :
$O
&
J 3O
$
&P%
0ungsi kendala pada bahan mentah, pr#duk A membutuhkan bahan mentah sebanyak
3 kg9unit,sehingga jumlah bahan mentah yang dibutuhkan pr#duk A adalah 3O
&
,begitu pula untuk pr#duk B. karena yang tersedia sebanyak &8% kg bahan mentah,
maka :
3O
&
J $O
$
&8%
Masing>masing 6ariable yang tersedia juga harus dibatasi dengan nilai p#siti7, karena
tidak mungkin untuk menghasilkan jumlah pr#duk negati6e.
O
&
, O
$
G %
Dari analisis diatas, maka penyelesaian dengan matlabnya adalah sebagai berikut :
)adi, agar keuntungan mencapai maksimum yaitu Rp 3.BP%,%% ,maka harus mempr#duksi
pr#duk A sebanyak &P buah dan pr#duk B sebanyak 'P buah.