PENGANTAR METODE

NUMERIS ALJABAR
LINIER

OOM HUMAIROH
SYIFA QOLBI S
FATHIRACHMA K
8.1 Pembandingan Prosedur Untuk Pemecahan Sistem Linear
kita akan menelaah empat metode untuk memecahkan sistem linear, 𝐴x = 𝑏, dari 𝑛 pers
amaan pada 𝑛 bilangan takdiketahui.

Eliminasi Gauss dengan penyulihan balik

Eliminasi gauss-Jordan
Dengan menghitung 𝐴−1 , maka x = 𝐴−1 b
Aturan Cramer
Pada komputer modern besar, waktu pelaksanaan dilambangkan dengan mikrodetik (1
mikrodetik = 10-6 detik) untuk operasi aritmatik dasar adalah:

Perkalian = 1,0 mikrodetik

Pembagian = 3,0 mikrodetik
Penambahan = 0,5 mikrodetik
Pengurangan = 0,5 mikrodetik
Tabel 8.1 Jumlah Operasi untuk Matriks A yang berukuran n × n yang dapat dibalik

Metode Jumlah Penjumlahan Jumlah Perkalian

Pecahkanlah 𝐴x = 𝑏 dengan eli
1 3 1 2 5 1 3 1
minasi Gauss-Jordan 𝑛 + 𝑛 − 𝑛 𝑛 + 𝑛2 − 𝑛
3 2 6 3 3
Pecahkanlah 𝐴x = 𝑏 dengan eli
1 3 1 2 5 1 3 1
minasi Gauss 𝑛 + 𝑛 − 𝑛 𝑛 + 𝑛2 − 𝑛
3 2 6 3 3
Carilah 𝐴−1 dengan mereduksi
ሾ𝐴ȁ𝐼] ke ሾ𝐼ȁ𝐴−1 ] 𝑛3 − 2𝑛2 + 𝑛 𝑛3

Pecahkanlah 𝐴x = 𝑏 sebagai x =
𝑛 3 − 𝑛2 𝑛 3 + 𝑛2
𝐴−1 𝑏
Carilah det(A) dengan reduksi ba 1 3 1 2 1 1 3 2
ris 3
𝑛 − 𝑛 + 𝑛
2 6 3
𝑛 + 𝑛−1
3
Pecahkanlah 𝐴x = 𝑏 dengan atu
1 4 1 3 1 2 1 1 4 1 3 2 2 1
ran Cremer 𝑛 − 𝑛 − 𝑛 + 𝑛 𝑛 + 𝑛 + 𝑛 − 𝑛−1
3 6 3 6 3 3 3 3
Untuk mengilustrasikan bagaimana hasil pada Tabel 8.1 diperhitungkan, kita mem
peroleh jumlah operasi untuk eliminasi Gauss-Jordan. Untuk membahas ini kita p
erlukan rumus berikut untuk jumlah 𝑛 pertama bilangan bulat positif dan jumlah ku
adrat 𝑛 pertama bilangan bulat positif

𝑛 𝑛+1
1 + 2 + 3 + ⋯+ 𝑛 = (8.1)
2

𝑛 𝑛 + 1 2𝑛 + 1
12 + 22 + 32 + ⋯ + 𝑛2 = (8.2)
6
Di samping itu, kita juga membutuhkan rumus untuk penjumlahan 𝑛 − 1 pertama b
ilangan bulat positif dan penjumlahan kuadrat dari 𝑛 − 1 pertama bilangan bulat p
ositif. Ini dapat kita peroleh dengan menyulihkan 𝑛 − 1 untuk 𝑛 dalam (8.1) dan (8.
2)
𝑛 𝑛+1
1 + 2 + 3 + ⋯ + (𝑛 − 1) = (8.3)
2
𝑛 𝑛 + 1 2𝑛 + 1
12 + 22 + 32 + ⋯ + (𝑛 − 1)2 = (8.4)
6
Jumlah operasi untuk Eliminasi Gauss-Jordan. Misalkan 𝐴x = 𝑏 adala
h sebuah sistem 𝑛 persamaan linear dalam 𝑛 bilangan takdiketahui, dan a
nggaplah bahwa 𝐴 dapat dibalik, sehingga sistem tersebut mempunyai pe
mecahan unik. Untuk penyederhanaan, anggap juga bahwa tidak ada per
tukaran baris yang diperlukan untuk menempatkan matriks yang diperbes
ar ሾ𝐴 ȁ𝑏] dalam bentuk eselon baris tereduksi. Asumsi ini dapat dipenuhi d
engan kenyataan bahwa pertukaran baris yang dilakukan sebagai operasi
perhitungan pada komputer dan banyaknya waktu yang terbuang dari sua
tu operasi aritmatik
Karena tidak ada pertukaran baris yang diperlukan, maka langkah awal dalam pro
ses eliminasi Gauss-Jordan memperkenalkan 1 utama dalam baris pertama deng
an mengalikan unsur-unsur dalam baris tersebut dengan mempertukarkan entri p
aling kiri pada baris itu. Kita akan menyajikan langkah ini secara skematis sebagai
berikut
Jadi, jumlah operasi yang diperlukan untuk melengkapi langkah yang berurutan ini adalah sebagai ber
ikut:
Langkah 1 dan 1a
Perkalian : 𝑛 + 𝑛 𝑛 − 1 = 𝑛2
Penjumlahan : 𝑛 𝑛 − 1 = 𝑛2 − 𝑛
Langkah 2 dan 2a
Perkalian : (𝑛 − 1) + 𝑛 − 1 (𝑛 − 2) = (𝑛 − 1)2
Penjumlahan : 𝑛−1 𝑛−2 = 𝑛−1 2− 𝑛−1
Langkah 3 dan 3a
Perkalian : (𝑛 − 2) + 𝑛 − 2 (𝑛 − 3) = (𝑛 − 2)2
Penjumlahan : 𝑛−2 𝑛−3 = 𝑛−2 2− 𝑛−2
Langkah (𝒏 − 𝟏) dan (𝒏 − 𝟏)a
Perkalian : 4 = (22 )
Penjumlahan : 2 = (22 − 2)
Langkah 𝒏
Perkalian : 1 = (12 )
Penjumlahan : 0 = (12 − 1)

Sehingga, total jumlah operasi yang diperlukan untuk mereduksi ሾ𝐴 ȁ𝑏] terhadap bentuk eselon baris a
dalah:
Perkalian : 𝑛2 + 𝑛 − 1 2 + 𝑛 − 2 2 + ⋯ + 12

Penjumlahan : 𝑛 2 + 𝑛 − 1 2 + 𝑛 − 2 2 + ⋯ + 12
−ሾ𝑛 + 𝑛 − 1 + 𝑛 − 2 + ⋯ + 1]
Atau, pada penerapan rumus (8.1) dan (8.2)
𝑛 𝑛+1 2𝑛+1 𝑛3 𝑛2 𝑛
Perkalian : = + +6 (8.5)
6 3 2

𝑛 𝑛+1 2𝑛+1 𝑛 𝑛+1 𝑛3 𝑛

Penjumlahan : − 2 = −3 (8.6)
6 3
Tabel 8.2 Mengaproksimasikan Jumlah Operasi untuk Matriks n × n yang
dapat dibalik dengan nilai n yang benar
Metode Jumlah Penjumlahan Jumlah Perkalian
Pecahkan 𝐴x = 𝑏 dengan eli
𝑛3 𝑛3
minasi Gauss-Jordan ≈ ≈
3 3
Pecahkan 𝐴x = 𝑏 dengan eli 𝑛3 𝑛3
minasi Gauss ≈ ≈
3 3
Carilah 𝐴−1 dengan mereduk
si ሾ𝐴ȁ𝐼] ke ሾ𝐼ȁ𝐴−1 ] ≈ 𝑛3 ≈ 𝑛3

Pecahkanlah 𝐴x = 𝑏 sebagai x 𝑛3 𝑛3
−1
=𝐴 𝑏 ≈ ≈
3 3
Carilah det(A) dengan reduksi 𝑛3 𝑛3
baris ≈ ≈
3 3
Pecahkanlah 𝐴x = 𝑏 dengan a
𝑛4 𝑛4
turan Cremer ≈ ≈
3 3
8.2 Dekomposisi LU

Dengan menggunakan eliminasi Gauss dan eliminasi Gauss-Jordan suatu sistem linear dapat dipeca
hkan dengan mengoprasikan matriks yang diperbesar secara sistematis. Pada bagian ini kita akan m
embahas pendekatan yang lain, yang satu didasarkan atas pemaktoran matriks koefisien ke dalam ha
sil kali matriks segitiga bagian bawah dan bagian atas. Metode ini sangat bermanfaat untuk komputer
digital dan merupakan basis untuk banyak program komputer praktis.
Kita akan mengolahnya dalam dua tahapan. Mula-mula kita akan menunjukkan bagaimana sistem lin
ear 𝐴x = 𝑏 dapat dipersiapkan untuk memecahkan 𝐴 dengan memaktorkannya ke hasil kali matriks s
egitiga bawah dan atas. Kemudian kita akan menunjukkan bagaimana membentuk faktorisasi.
Jika matriks 𝐴 berukuran 𝑛 × 𝑛 dapat difaktorkan sebagai
𝐴 = 𝐿𝑈
di mana 𝐿 adalah segitiga bawah dan 𝑈 adalah segitiga atas, maka sistem linear 𝐴x = 𝑏 dapat dipeca
hkan sebagai berikut:
Langkah 1. Tuliskan kembali sistem 𝐴x = 𝑏 sebagai 𝐿𝑈x = b (8.11)
Langkah 2. Definisikanlah matriks baru 𝑦 yang berukuran 𝑛 × 1 dengan 𝑈x = 𝑦 (8.12)
Langkah 3. Gunakanlah (8.12) untuk menulis kembali (8.11) dan pecahkanlah
sistem ini untuk 𝑦.
Langkah 4. Tuliskanlah 𝑦 dalam (8.12) dan pecahkan untuk 𝑥.
Teorema 1. Jika 𝑨 adalah matriks kuadrat yang dapat direduksi terhadap bentuk eselon baris U
tanpa menggunakan pertukaran baris, maka A dapat difaktorkan sebagai 𝑨 = 𝑳𝑼 di mana L ada
lah matriks segitiga bawah.

Definifi. Sebuah faktorisasi matriks 𝐴 kuadrat seperti 𝐴 = 𝐿𝑈, di mana 𝐿 adalah segi tiga bawah dan
𝑈 adalah segitiga atas dikatakan sebuah dekomposisi 𝑳𝑼 atau dekomposisi segitiga 𝑨.
Contoh
Carilah dekomposisi-𝐿𝑈 dari
2 6 2
𝐴 = −3 −8 0
4 9 2
Ringkasnya, kita mempunyai prosedur berikut untuk membentuk dekomposisi-LU dari matriks kuadrat
A yang dapat direduksi terhadap bentuk eselon baris tanpa mempertukarkan baris-baris tersebut.

Langkah 1. Reduksi 𝐴 terhadap bentuk eselon baris 𝑈 tanpa menggunakan pertukaran bar
is, dengan mencari jejak pengali-pengali yang digunakan untuk memperkenalkan 1 utama dan pengali
-pengali yang digunakan untuk memperkenalkan nol di bawah 1 utama.
Langkah 2. Pada masing-masing kedudukan sepanjang diagonal utama 𝐿, tempatkanlah p
engali yang saling bertukar yang memperkenalkan 1 utama dalam kedudukan 𝑈,
Langkah 3. Pada masing-masing kedudukan di bawah diagonal utama 𝐿, tempatkanlah bil
angan negatif pengali yang digunalkan untuk memperkenalkan nol dalam kedudukan 𝑈,
Langkah 4. Bentuklah dekomposisi 𝐴 = 𝐿𝑈.
Contoh
Carilah dekomposisi-𝐿𝑈 dari

6 −2 0
𝐴 = 9 −1 1
3 7 5
8.3 METODE GAUSS-SEIDEL DAN METODE JACOBI

Walaupun eliminasi Gauss secara umum adalah metode pilihan untuk

pemecahan sistem linier dari n persamaan dalam n bilangan tidak diket
ahui, ada pendekatan lain untuk memecahkan sistem linier, yang kita n
amakan iteratif (pengulangan)/ metode tak langsung.
a. Iterasi Jacobi / Metode Penggerakan Serentak

𝑎11 𝑥1 + 𝑎12 2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
⋮ ⋮ ⋮ ⋮
𝑎𝑛1 𝑥1 + 𝑎𝑛2 2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏𝑛
Untuk memulainya, tuliskan kembali sistem persamaan tersebut meng
gunakan pemecahan persamaan pertama untuk 𝑥1 , kemudian dengan
memecahkan persamaan kedua untuk 𝑥2 , selanjutnya dengan memec
ahkan persamaan ketiga untuk 𝑥3 , dan seterusnya.
sehingga menghasilkan:
1
𝑥1 = (𝑏1 − 𝑎12 𝑥2 − 𝑎13 𝑥3 − ⋯ 𝑎1𝑛 𝑥𝑛 )
𝑎11
1
𝑥2 = (𝑏 − 𝑎21 𝑥1 − 𝑎23 𝑥3 − ⋯ 𝑎2𝑛 𝑥𝑛 )
𝑎21 2
⋮
1
𝑥𝑛 = 𝑏 − 𝑎𝑛1 𝑥1 − 𝑎𝑛2 𝑥2 − ⋯ 𝑎𝑚𝑛−1 𝑥𝑛−1
𝑎𝑛𝑛 𝑛
contoh
20𝑥1 + 𝑥2 − 𝑥3 = 17
𝑥1 − 10𝑥2 + 𝑥3 = 13
−𝑥1 + 𝑥2 + 10𝑥3 = 18
b. Iterasi Gauss-Seidel/ Metode Pergeseran Berurutan

Merupakan modifikasi kecil dai iterasi jacobi. Metode Gauss-Seidel da

n Jacobi tersebut tidak selalu dapat kita gunakan. Dalam beberapa kas
us, satu atau kedua metode ini dapat mengalani kegagalan untuk men
ghasilkan sebuah aproksimasi yang baik terhadap pemecahan tersebu
t, tak peduli berapa banyakpun iterasi yang anda lakukan. Pada kasus-
kasus seperti itu aproksimasi ini kita namakan berdivergensi
Sebuah matriks kuadrat
𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛
⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛
Kita namakan dominan diagonal secara tepat jika nilai mutlak masin
g-masing entri diagonal lebih besar dari jumlah nilai mutlak entri yang s
elebihnya pada baris yang sama, yaitu:
𝑎11 > 𝑎12 + 𝑎13 + ⋯ + ȁ𝑎1𝑛 ȁ
𝑎21 > 𝑎21 + 𝑎23 + ⋯ + ȁ𝑎2𝑛 ȁ
⋮ ⋮ ⋮ ⋮
𝑎𝑛𝑛 > 𝑎𝑛1 + 𝑎𝑛2 + ⋯ + ȁ𝑎𝑛𝑚−1
Contoh
5 1 3
2 −4 1
1 −3 6
8.4 PERPUTARAN PARSIAL: REDUKSI GALAT PEMBULATAN

Sebagian besar aritmatik komputer dilakukan dengan menggunakan bi

langan titik apung ternormalisasi, ini berarti bilangan-bilangan dinyat
akan dalam bentuk
±𝑀 × 10𝑘
Dimana 𝑘 adalah bilangan bulat dan 𝑀 adalah pecahan yang memenu
hi
0,1 ≤ 𝑀 < 1
Ps: Pecahan 𝑚 kita namakan matrisa
Contoh
125 = 0,125 × 103
−1,25 = 0,125 × 10−1
Kita sekarang akan memperkenalkan sebuah teknik, yang kita namaka
n perputaran parsial/kondensasi berputar, yang dapat digunakan un
tuk mereduksi galat pembulatan dalam eliminasi Gauss, eliminasi Gau
ss-Jordan, atau sebarang prosedur perhitungan lainnya yang digunaka
n terhadapat operasi baris elementer.
Contoh
0,00044𝑥1 + 0,0003𝑥2 − 0,0001𝑥3 = 0,00046
4𝑥1 + 𝑥2 + 𝑥3 = 1,5
3𝑥1 − 9,2𝑥2 − 0,5𝑥3 = −8,2
8.5 MENGAPROKSIMASI NILAI EIGEN DENGAN MENGGUNAKAN
METODE PANGKAT

Definisi. Sebuah nilai eigen dari sebuah matriks A kita namakan nilai
eigen dominan (dominant eigenvalue) A jika nilai mutlaknya lebih
besar dari nilai nilai mutlak dari nilai- nilai eigen yang selebihnya.
Sedangkan vector eigen yang bersesuaian dengan nilai eigen dominan
kita namakan vektor eigen dominan (dominant eigen vector) A.
CONTOH

Jika matriks A yang berukuran 4 × 4 mempunyai nilai nilai eigen

𝜆1 = −4, 𝜆2 = 3 , 𝜆3 = −2 , 𝜆4 = 2

Maka 𝜆2 = −4 adalah nilai eigen dominan karena

−4 > 3 , −4 > −2 dan −4 > 2

Metode Pangkat Dengan Penskalaan

Langkah 0
Pilihlah sebarang vector taknol

Langkah 1
Hitunglah 𝐴𝑥0 dan skalakanlah kebawahuntuk mendapatkan aproksimasi pertama terhadap vector
eigen dominan. Namakanlah vector eigen tersebut 𝑥1

Langkah 2
Hitunglah 𝐴𝑥1 dan skalakanlah kebawah untuk mendapatkan aproksimasi kedua, 𝑥2

Langkah 3
Hitunglah 𝐴𝑥2 skalakanlah kebawah untuk mendaptkan aproksimasiketiga , 𝑥3
Jika 𝑥෤ adalah aproksimasi terhadap vector eigen dominan, maka nilai
eigen dominan 𝜆1 dapat diaproksimasi oleh

𝑥,
෤ 𝐴𝑥෤
𝜆1 ≈
𝑥,
෤ 𝑥෤
 Langkah 0 1 2 3 4 5 6 7
i

𝑥𝑖 = aproksima
si terhadap ve
ctor eigen yan
g diskalakan k
1 1 1 1 1 1 1 1
e bawah
1 −0,2 −0,385 −0,448 −0,475 −0,448 −0,494 −0,497

𝐴𝑥1 5 2,6 2,23 2,104 2,050 2,024 2,012 -

−1 −1 −1 −1 −1 −1 −1

Aproksimasi te
rhadap 𝜆1
- 2,692 2,278 2,125 2,060 2,029 2,014 -
8.6 MENGAPROSIMASI NILAI EIGEN TAKDOMINAN: DEFLASI
DAN METODE PANGKAT INVERS

Theorema 2. Misalkan A adalah matriks 𝑛 × 𝑛 yang simetrik denga

n nilai-nilai eigen 𝜆1 , 𝜆2 , … , 𝜆𝑛 . Jika 𝑣1 adalah vector eigen yang
bersesuaian dengan 𝜆1 , dan 𝑣1 = 1, maka:
a) Matriks 𝐵 = 𝐴 − 𝜆1 𝑣1 𝑣1𝑡 mempunyai nilai- nilai eigen 0, 𝜆2 , … , 𝜆𝑛
b) Jika 𝑣 adalah vektor eigen 𝐵 yang bersesuaian dengan nilai
eigen taknol dalam himpunan {𝜆2 , … , 𝜆𝑛 } maka v adalah juga vector
eigen 𝐴 yang bersesuaian dengan nilai eigen ini.
TERIMAKASIH