SIMULTANEOUS LINEAR EQUATIONS TOPIC: GAUSS-SEIDEL METHOD
2013/9/9
GAUSS-SEIDEL METHOD Adalah metode ITERASI Prosedur dasar: - Menyelesaikan tiap persamaan linier secara aljabar untuk xi - Membuat nilai asumsi solusi - Selesaikan untuk tiap xi dan ulangi - Gunakan perkiraan kesalahan relatif tiap akhir iterasi untuk mengecek apakah error sudah mencapai angka toleransi.
GAUSS-SEIDEL METHOD Kenapa? Untuk mengatasi round-off error (kesalahan pembulatan).
Metode eliminasi seperti Gaussian Elimination and LU Decomposition(*) rawan terhadap kesalahan pembulatan.
GAUSS-SEIDEL METHOD Algorithm Sistem persamaan linier
a11x1 a12x2 a13x3 ... a1n xn b1 a21x1 a22 x2 a23x3 ... a2n xn b2 . . .
. . .
an1x1 an 2 x2 an3 x3 ... ann xn bn
Kita mengubah sistem persamaan [A]{X}={B} untuk menyelesaikan x1 dengan persamaan pertama, menyelesaikan x2 dengan persamaan kedua, dan seterusnya.
GAUSS-SEIDEL METHOD Algorithm General Form of each equation n
c1 a1 j x j x1
j 1 j 1
a11
cn 1 xn 1
n
a
j 1 j n 1
n 1, j
an 1,n 1 n
c n a nj x j
n
c2 a2 j x j x2
j 1 j2
a 22
xj
xn
j 1 j n
a nn
MENJADI: Untuk sistem persamaan 3x3
b1 a12 x2 a13 x3 x1 a11 b2 a21x1 a23 x3 x2 a22 b3 a31x1 a32 x2 x3 a33
Now we can start the solution process by choosing guesses for the x’s. A simple way to obtain initial guesses is to assume that they are zero. These zeros can be substituted into x1equation to calculate a new x1=b1/a11.
BATAS AKHIR ITERASI New x1 is substituted to calculate x2 and x3. The procedure is repeated until the convergence criterion is satisfied:
a i
x
baru i
lama i
x
baru i
x
100 diperkenankan
a
approximation error, sering digunakan, seringkali disebut sebagai galat absolut.
t
True error, kurang berarti. digunakan Relative error, dalam prosentase
GAUSS-SEIDEL METHOD: EXAMPLE 1
Diketahui sistem persamaan
Initial Guess: asumsi nilai awal,
25 5 1 x1 106.8 64 8 1 x 177.2 2 144 12 1 x 3 279.2
x1 1 x 2 2 x3 5
GAUSS-SEIDEL METHOD: EXAMPLE 1 Tulis ulang untuk aplikasi Gauss-Seidel
25 5 1 x1 106.8 64 8 1 x 177.2 2 144 12 1 x 3 279.2
106.8 5 x2 x3 x1 25 177.2 64 x1 x3 x2 8 279.2 144 x1 12 x2 x3 1
GAUSS-SEIDEL METHOD: EXAMPLE 1 Masukkan nilai perkiraan awal untuk selesaikan xi x1 1 x 2 2 x3 5 Initial Guess
x1
106.8 5(2) (5) 3.6720 25
177.2 643.6720 5 x2 7.8510 8 279.2 1443.6720 12 7.8510 x3 155.36 1
GAUSS-SEIDEL METHOD: EXAMPLE 1 Finding the absolute relative approximate error
a
i
x inew x iold 100 new xi
a 1
3.6720 1.0000 x100 72.76% 3.6720
a 2
7.8510 2.0000 x100 125.47% 7.8510
a 3
155.36 5.0000 x100 103.22% 155.36
At the end of the first iteration
a1 3.6720 a 7.8510 2 a3 155.36 The maximum absolute relative approximate error is 125.47%
GAUSS-SEIDEL METHOD: EXAMPLE 1 Iteration #2 Using
a1 3.6720 a 7.8510 2 a3 155.36
the values of ai are found:
106.8 5 7.8510 155.36 a1 12.056 25
from iteration #1
a2
177.2 6412.056 155.36 54.882 8
279.2 14412.056 12 54.882 a3 798.34 1
GAUSS-SEIDEL METHOD: EXAMPLE 1 Hitung “the absolute relative approximate error” a 1
12.056 3.6720 x100 69.542% 12.056
a 2
54.882 7.8510 x100 85.695% 54.882
a 3
798.34 155.36 x100 80.54% 798.34
Akhir iterasi kedua
a1 12.056 a 54.882 2 a3 798.34 Galat absolut terbesar 85.695%
GAUSS-SEIDEL METHOD: EXAMPLE 1 Tersukan iterasi, kita dapatkan nilai berikut. Iteration
1 2 3 4 5 6
a1 3.672 12.056 47.182 193.33 800.53 3322.6
a 1 % 72.767 67.542 74.448 75.595 75.850 75.907
a2 -7.8510 -54.882 -255.51 -1093.4 -4577.2 -19049
a 2 % 125.47 85.695 78.521 76.632 76.112 75.971
! Lho, kok? – Error nya nggak berkurang?
a3 -155.36 -798.34 -3448.9 -14440 -60072 -249580
a 3 % 103.22 80.540 76.852 76.116 75.962 75.931
GAUSS-SEIDEL METHOD: PITFALL Salahnya dimana? Contoh tadi mengilustrasikan kemungkinan kesalahan pada Gauss-Siedel method: tidak semua sistem persamaan akan konvergen. Is there a fix? One class of system of equations always converges: One with a diagonally dominant coefficient matrix. Diagonally dominant: [A] in [A] [X] = [C] is diagonally dominant if: n
n
aii aij j 1 j i
Untuk semua ‘i’ ;
DAN
aii aij j 1 j i
Untuk minimal sebuah ‘i’
GAUSS-SEIDEL METHOD: PITFALL Diagonally dominant: Koefisien pada diagonal harus sama atau lebih besar dari jumlah semua koefisien pada baris itu, dan minimal satu baris harus memiliki diagonal yang lebih besar dari jumlah koefisien pada baris itu. Manakah matriks yang diagonally dominant? 2 5.81 34 A 45 43 1 123 16 1
124 34 56 [ B] 23 53 5 96 33 129
GAUSS-SEIDEL METHOD: EXAMPLE 2 Sistem persamaan linier
12x1 3x 2 - 5x 3 1
x1 5x 2 3x 3 28 3x1 7x2 13x3 76
Matriks Koefisien nya adalah
12 3 5 A 1 5 3 3 7 13
Dengan asumsi nilai awal
x1 1 x 0 2 x3 1
Akan konvergen kah?
GAUSS-SEIDEL METHOD: EXAMPLE 2 Cek apakah matriks nya diagonally dominant 12 3 5 A 1 5 3 3 7 13
a11 12 12 a12 a13 3 5 8
a22 5 5 a21 a23 1 3 4 a33 13 13 a31 a32 3 7 10
Benar. Seharusnya konvergen dengan Gauss-Siedel Method
GAUSS-SEIDEL METHOD: EXAMPLE 2 Tulis ulang
Asumsi nilai awal
12 3 5 a1 1 1 5 3 a 28 2 3 7 13 a3 76
1 3 x 2 5 x3 x1 12 28 x1 3x3 x2 5 76 3x1 7 x2 x3 13
x1 1 x 0 2 x3 1
x1
x2
1 30 51 0.50000 12
28 0.5 31 4.9000 5
76 30.50000 74.9000 x3 3.0923 13
GAUSS-SEIDEL METHOD: EXAMPLE 2 The absolute relative approximate error
0.50000 1.0000 a 1 100 67.662% 0.50000
a a
2
3
4.9000 0 100 100.00% 4.9000 3.0923 1.0000 100 67.662% 3.0923
Galat absolut terbesar di akhir iterasi pertama adalah 100%
GAUSS-SEIDEL METHOD: EXAMPLE 2 Setelah iterasi #1 x1 0.5000 x 4.9000 2 x3 3.0923
Masukkan nilai x pada persamaan x1 0.14679 x 3.7153 2 x3 3.8118
x1
1 34.9000 53.0923 0.14679 12
x2
28 0.14679 33.0923 3.7153 5
x3
76 30.14679 73.7153 3.8118 13
Setelah iterasi #2
GAUSS-SEIDEL METHOD: EXAMPLE 2 Galat absolut dari Iterasi #2 a 1
0.14679 0.50000 100 240.62% 0.14679
a 2
3.7153 4.9000 100 31.887% 3.7153
a 3
3.8118 3.0923 100 18.876% 3.8118
Galat absolut maksimum 240.62%
Lebih besar dari iterasi #1. Is this a problem?
GAUSS-SEIDEL METHOD: EXAMPLE 2 Ulangi iterasi, didapatkan… Iteration 1 2 3 4 5 6
a1 0.50000 0.14679 0.74275 0.94675 0.99177 0.99919
x1 0.99919 Hasil akhir x 3.0001 2 x3 4.0001
a 1
a2
67.662 240.62 80.23 21.547 4.5394 0.74260
4.900 3.7153 3.1644 3.0281 3.0034 3.0001
a
a3 2
100.00 31.887 17.409 4.5012 0.82240 0.11000
3.0923 3.8118 3.9708 3.9971 4.0001 4.0001
a
3
67.662 18.876 4.0042 0.65798 0.07499 0.00000
x1 1 Mendekati solusi sejati x 3 2 x3 4
LATIHAN Sistem persamaan linier
3x1 7x2 13x3 76 x1 5x2 3x3 28 x1 1 x 0 2 x3 1
12x1 3x2 - 5x3 1 With an initial guess of
GAUSS-SEIDEL METHOD The Gauss-Seidel Method can still be used The coefficient matrix is not diagonally dominant
But this is the same set of equations used in example #2, which did converge.
3 7 13 A 1 5 3 12 3 5 12 3 5 A 1 5 3 3 7 13
If a system of linear equations is not diagonally dominant, check to see if rearranging the equations can form a diagonally dominant matrix.
GAUSS-SEIDEL METHOD Not every system of equations can be rearranged to have a diagonally dominant coefficient matrix. Observe the set of equations
x1 x2 x3 3 2 x1 3x2 4 x3 9
x1 7 x2 x3 9 Which equation(s) prevents this set of equation from having a diagonally dominant coefficient matrix?
GAUSS-SEIDEL METHOD
Summary -Advantages of the Gauss-Seidel Method -Algorithm for the Gauss-Seidel Method -Pitfalls of the Gauss-Seidel Method
GAUSS-SEIDEL METHOD
Questions?
METODE PENYELESAIAN • • • • •
Metode grafik Eliminasi Gauss Metode Gauss – Jourdan Metode Gauss – Seidel LU decomposition
LU DECOMPOSITION A=LU Ax=b LUx=b
Define Ux=y Ly=b
Solve y by forward substitution
Ux=y
Solve x by backward substitution
LU DECOMPOSITION BY GAUSSIAN ELIMINATION There are infinitely many different ways to decompose A. Most popular one: U=Gaussian eliminated matrix L=Multipliers used for elimination 1 m 2,1 m3,1 A mn 1,1 mn ,1
0 1 m3, 2 mn 1, 2 mn , 2
0 0 1 mn 1,3 mn ,3
0 0 0 1 mn , 4
(1) 0 a11 0 0 0 0 0 0 1 0
(1) a12 ( 2) a22 0 0 0
(1) a13 ( 2) a23 ( 3) a33 0 0
an( n1) n 1 0
a1(1n) a2( 2n) a3(3n) an( n1) n (n) ann
Compact storage: The diagonal entries of L matrix are all 1’s, they don’t need to be stored. LU is stored in a single matrix.
NEXT: SOLUSI PERSAMAAN NON LINIER • Persamaan matematis yang sulit diselesaikan dengan “tangan” analitis, sehingga diperlukan penyelesaian pendekatan numerik • Metode Numerik: Teknik menyelesaikan masalah matematika dengan pengoperasian hitungan, umumnya mencakup sejumlah besar kalkulasi aritmetika yang sangat banyak dan menjenuhkan • Diselesaikan dengan algoritma (serangkaian perintah untuk menyelesaikan masalah), sehingga diperlukan bantuan komputer untuk melaksanakannya
SUMBER GALAT / ERROR • Kesalahan pemodelan contoh: penggunaan hukum Newton asumsi benda adalah partikel • Kesalahan bawaan contoh: kekeliruan dlm menyalin data salah membaca skala • Ketidaktepatan data • Kesalahan pemotongan / penyederhanaan persamaan(truncation error) • Kesalahan pembulatan (round-off error)
SOLUSI PERSAMAAN NON LINEAR 1)Metode Akolade (bracketing method) / Closed method
• Metode Bagi dua (Bisection Method) • Metode Regula Falsi (False Position Method) • Metode Grafik Kerugian: relatif lambat konvergen Keuntungan: selalu konvergen
SOLUSI PERSAMAAN NON LINEAR 2) Metode Terbuka Contoh: • Iterasi Titik-Tetap (Fix Point Iteration) • Metode Newton-Raphson • Metode Secant Keuntungan: cepat konvergen Kerugian: tidak selalu konvergen