11 algo akarpersamaan
-
Upload
arif-rahman -
Category
Engineering
-
view
72 -
download
0
Transcript of 11 algo akarpersamaan
Akar Persamaan
Akar persamaan menyatakan harga variabel x yang membuat nilai fungsi f(x) sama dengan 0 (nol)
Akar persamaan kuadrat
Akar persamaan bukan kuadratMetode AkoladeMetode Terbuka
aacbbx
242
12
2
Metode Akolade
Metode Akolade (Bracketing Method)Metode GrafikMetode Bagi DuaMetode Posisi PalsuMetode Carian Inkremental
3
Metode Terbuka
Metode TerbukaIterasi Satu Titik SederhanaMetode Newton RaphsonMetode SecantAkar Ganda
4
Akar Persamaan
KuadratN
akar = b2-(4*a*c)
akar > 0X1 = (-b + akar) / (2 * a)X2 = (-b – akar) / (2 * a)
N
Y
akar = 0X1 = (-b ) / (2 * a)X2 =X1
Y
akar imaginer
5
Metode Grafik
Metode grafik memperoleh taksiran mengenai akar persamaan dengan membuat grafik fungsi tersebut dan mengamati di mana ia memotong sumbu xTaksiran akar persamaan adalah sebesar x = 0,57f(0,57) = e-0,57 – 0,57 = -0,0045
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
f(x) = e-x – x
x f(x)0 1,000
0,1 0,805
0,2 0,619
0,3 0,441
0,4 0,270
0,5 0,107
0,6 -0,051
0,7 -0,203
0,8 -0,351
0,9 -0,493
1 -0,632
6
Metode Bagi Dua
Metode bagi dua (bisection method), disebut juga pemotongan biner (binary chopping), pembagian dua (interval halving) atau metode Bolzano adalah suatu jenis carian inkremental di mana interval senantiasa dibagi separuhnya.
7
Metode Bagi Dua
Algoritma :1. Pilih taksiran awal terrendah xlower dan
tertinggi xupper
2. Taksiran akar ditentukan dari
3. Evaluasi hasil taksiranJika nilai absolut f(xestimated) < batas penyimpangan, hentikan, akar = xestimated
Jika (f(xlower).f(xestimated)) = 0, hentikan, akar = xestimated
Jika (f(xlower).f(xestimated)) < 0, xupper = xestimated , ulangi langkah 2Jika (f(xlower).f(xestimated)) > 0, xlower = xestimated , ulangi langkah 2
8
2upperlower
estimated
xxx
Metode Bagi Dua
N
Xlower Xupper
Xestimated = (Xlower + Xupper) / 2
Abs(f(Xe)) < Batas
Y
Y
akar = Xestimated
(f(Xl).f(Xe)) = 0 (f(Xl).f(Xe)) < 0
Xlower = Xestimated
Xupper = Xestimated
N NY
9
Metode Bagi Dua
Iterasi xlower xupper f(xlower) f(xupper) xestimated f(xestimated)
1 0 1 1 -0,6321 0,5 0,1065
2 0,5 1 0,1065 -0,6321 0,75 -0,2776
3 0,5 0,75 0,1065 -0,2776 0,625 -0,0897
4 0,5 0,625 0,1065 -0,0897 0,5625 0,0073
5 0,5625 0,625 0,0073 -0,0897 0,59375 -0,0415
6 0,5625 0,59375 0,0073 -0,0415 0,578125 -0,0172
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
f(x) = e-x – x
10
Metode Posisi Palsu
Metode posisi palsu (method of false position), disebut juga metode interpolasi linear, adalah suatu jenis carian inkremental di mana interval didasarkan pada perkalian penyimpangan dengan fungsi sebelumnya.
11
Metode Posisi Palsu
Algoritma :1. Pilih taksiran awal terrendah xlower dan
tertinggi xupper
2. Taksiran akar ditentukan dari
3. Evaluasi hasil taksiranJika nilai absolut f(xestimated) < batas penyimpangan, hentikan, akar = xestimated
Jika (f(xlower).f(xestimated)) = 0, hentikan, akar = xestimated
Jika (f(xlower).f(xestimated)) < 0, xupper = xestimated , ulangi langkah 2Jika (f(xlower).f(xestimated)) > 0, xlower = xestimated , ulangi langkah 2
12
)()()).((
upperlower
upperlowerupperupperestimated xfxf
xxxfxx
Metode Posisi Palsu
N
Xlower Xupper
Abs(f(Xe)) < Batas
Y
Y
akar = Xestimated
(f(Xl).f(Xe)) = 0 (f(Xl).f(Xe)) < 0
Xlower = Xestimated
Xupper = Xestimated
N NY
13
)()()).((
upperlower
upperlowerupperupperestimated xfxf
xxxfxx
Metode Posisi Palsu
Iterasi xlower xupper f(xlower) f(xupper) xestimated f(xestimated)
1 0 1 1 -0,6321 0,6127 -0,0708
2 0 0,6127 1 -0,0708 0,57218 -0,0079
3 0 0,57218 1 -0,0079 0,56770 -0,0009
4 0 0,56770 1 -0,0009 0,56721 -9,8E-05
5 0 0,56721 1 -9,8E-05 0,56715 -1,1E-05
6 0 0,56715 1 -1,1E-05 0,56714 -1,2E-06
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
f(x) = e-x – x
14
Metode Carian
Inkremental
Metode carian inkremental (method of incremental trace), adalah metode pencarian dengan menetapkan pilihan bermula pada suatu ujung daerah yang diinginkan, lalu membuat evaluasi fungsi dengan kenaikan kecil di sepanjang daerah tersebut. Jika tanda fungsi berubah berarti terdapat akar yang terlewatkan.
15
Metode Carian
Inkremental
Algoritma :1. Pilih taksiran awal xinitial dan inkremental x
2. Taksiran akar ditentukan dari xestimated = xinitial + x
3. Evaluasi hasil taksiranJika nilai absolut f(xestimated) < batas penyimpangan, hentikan, akar = xestimated
Jika (f(xinitial).f(xestimated)) = 0, hentikan, akar = xestimated
Jika f(xinitial) > 0 dan f(xinitial) < f(xestimated), atau jika f(xinitial) < 0 dan f(xinitial) > f(xestimated) , maka ubah tanda (+/-) dari x , ulangi langkah 2Jika (f(xinitial).f(xestimated)) < 0, xinitial = xestimated , maka ubah tanda (+/-) dari x, dan perkecil besaran absolut x, ulangi langkah 2
16
Metode Carian
InkrementalN
Xinitial
X
Xestimated = Xlast + (Pengali * X)
Abs(f(Xe)) < Batas
Y
Y
akar = Xestimated
(f(Xl).f(Xe)) = 0 (f(Xl).f(Xe)) < 0
Xinitial = Xestimated
Pengali = -1 * Pengali X = X / 10
N NY
Pengali = 1
17
Metode Iterasi Satu
Titik SederhanaMetode iterasi satu titik sederhana (one simple point iteration), adalah metode pencarian dengan mengatur kembali fungsi persamaan sedemikian hingga x berada pada ruas kiri persamaan. f(x) = 0 x = f(x) + x
18
Metode Iterasi Satu
Titik SederhanaAlgoritma :1. Pilih taksiran awal iterasi ke-0, x0 = 0
2. Akar iterasi ke-i ditaksir dari xi = f(xi-1) + xi-1
1. Evaluasi hasil taksiran1. Jika f(xi) = 0, hentikan, akar = xi
2. Jika nilai absolut f(xi) < batas toleransi penyimpangan, hentikan, akar = xi
3. Lanjutkan iterasi berikutnya, i = i + 1, ulangi langkah 2
19
Metode Iterasi Satu
Titik Sederhana
Iterasi xestimated f(xestimated)
0 0 1
1 1 -0,6321
2 0,36788 0,3243
3 0,69220 -0,1917
4 0,50047 0,1058
5 0,60624 -0,0608
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Iterasi xestimated f(xestimated)
6 0,54540 0,0342
7 0,57961 -0,0195
8 0,56012 0,0110
9 0,57114 -0,0063
10 0,56488 0,0035
11 0,56843 -0,0020
f(x) = e-x – xx = e-x
f(x) = e-x – x
20
Metode Newton
RaphsonMetode Newton Raphson, adalah metode pencarian yang diturunkan berdasarkan interpretasi geometrik di mana jika tebakan awal dari akr adalah xi , sebuah garis singgung dapat diperluas dari titik [xi, f(xi)].
f(x) = 0
dxxfxf )()('
1
0)()('
ii
ii xx
xfxf
21
Metode Newton
RaphsonAlgoritma :1. Pilih taksiran awal iterasi ke-0, x0 = 0
2. Akar iterasi ke-i ditaksir dari
3. Evaluasi hasil taksiranJika f(xi) = 0, hentikan, akar = xi
Jika nilai absolut f(xi) < batas toleransi penyimpangan, hentikan, akar = xi
Lanjutkan iterasi berikutnya, i = i + 1, ulangi langkah 2
22
)(')(
1
11
i
iii xf
xfxx
Metode Newton
RaphsonIterasi xestimated f(xestimated) f '(xestimated)
0 0 1 -2
1 0,5 0,1065 -1,6065
2 0,566311003 0,0013 -1,5676
3 0,567143165 1,9E-07 -1,5671
4 0,56714329 4,4E-15 -1,5671
5 0,56714329 0 -1,5671
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
f(x) = e-x – x
23
Metode Secant
Metode Secant, adalah metode pencarian dengan pendekatan differensiasi terbagi hingga. f(x) = 0
dxxfxf )()('
ii
iii xx
xfxfxf
1
1 )()()('
24
Metode Secant
Algoritma :1. Pilih taksiran awal iterasi ke-0, x0 = 0
dengan x-1 x0
2. Akar iterasi ke-i ditaksir dari
3. Evaluasi hasil taksiranJika f(xi) = 0, hentikan, akar = xi
Jika nilai absolut f(xi) < batas toleransi penyimpangan, hentikan, akar = xi
Lanjutkan iterasi berikutnya, i = i + 1, ulangi langkah 2
25
)()()).((
12
1211
ii
iiiii xfxf
xxxfxx
Metode Secant
Iterasi xestimated f(xestimated)
-1 1 -0,6321
0 0 1
1 0,612699837 -0,0708
2 0,572181412 -0,0079
3 0,56710208 6,4E-05
4 0,567143328 -5,9E-08
5 0,56714329 -4,4E-13
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
f(x) = e-x – x
26
Metode Akar Ganda
Metode Akar Ganda yang dikembangkan Ralston dan Rabinowitz, adalah metode pencarian yang berhubungan dengan titik ekstrim (maksimum, minimum atau belok) dalam fungsi menyinggung sumbu x .
27
Metode Akar Ganda
Algoritma :1. Pilih taksiran awal iterasi ke-0, x0 = 0
2. Akar iterasi ke-i ditaksir dari
3. Evaluasi hasil taksiranJika f(xi) = 0, hentikan, akar = xi
Jika nilai absolut f(xi) < batas toleransi penyimpangan, hentikan, akar = xi
Lanjutkan iterasi berikutnya, i = i + 1, ulangi langkah 2
28
)(").())('()(').(
112
1
111
iii
iiii xfxfxf
xfxfxx
Metode Akar Ganda
Iterasi xestimated f(xestimated) f '(xestimated) f '' (xestimated)
0 0 1 -2 1
1 0,666666667 -0,15325 -1,51342 0,51342
2 0,568769033 -0,00255 -1,56622 0,56622
3 0,567143768 -7,5E-07 -1,56714 0,56714
4 0,56714329 -6,5E-14 -1,56714 0,56714
5 0,56714329 0 -1,56714 0,56714
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
f(x) = e-x – x
29