BAB 23: PENGANTAR METODE NUMERIK & ERROR
A. Mengapa Metode Numerik?
1. Masalah yang Tidak Dapat Diselesaikan Secara Analitik
a. Banyak persamaan fisika tidak memiliki solusi eksak (analitik)
b. Contoh: persamaan diferensial non-linear, integral kompleks, sistem multi-partikel
c. Metode numerik memberikan solusi pendekatan (aproksimasi)
d. Solusi numerik mendekati solusi eksak dengan tingkat akurasi tertentu
e. Komputer memungkinkan perhitungan numerik dengan cepat dan akurat
2. Peran Komputer dalam Fisika
a. Komputer melakukan perhitungan berulang (iterasi) dengan sangat cepat
b. Dapat memproses data dalam jumlah besar (big data)
c. Memvisualisasikan hasil perhitungan dalam bentuk grafik/animasi
d. Memungkinkan simulasi sistem kompleks (cuaca, aerodinamika, sirkuit)
e. Fisika komputasi adalah "pilar ketiga" fisika (teori + eksperimen + komputasi)
3. Aplikasi dalam Elektronika
a. Simulasi rangkaian (SPICE) — menganalisis perilaku rangkaian
b. Simulasi RF — antena, propagasi, filter
c. Simulasi sistem kontrol — PID, Kalman filter
d. Simulasi termal — heatsink, pendinginan
e. Optimasi desain — mencari parameter terbaik
B. Error Absolut dan Relatif
1. Definisi Error
a. Error = nilai pendekatan - nilai eksak (true value)
b. Error terjadi karena: pembulatan, pemotongan, atau kesalahan metode
c. Semakin kecil error, semakin akurat hasil perhitungan
d. Error selalu ada dalam perhitungan numerik (tidak bisa dihilangkan sepenuhnya)
2. Error Absolut
a. E_abs = x_approx - x_true — selisih absolut antara nilai pendekatan dan nilai eksak
b. Satuan sama dengan nilai yang dihitung
c. Kelemahan: tidak memberikan informasi tentang signifikansi error
d. Contoh: error 0.1 pada nilai 1000 vs error 0.1 pada nilai 1 (sangat berbeda signifikansinya)
3. Error Relatif
a. E_rel = x_approx - x_true / x_true × 100% — dalam persen
b. Memberikan informasi tentang signifikansi error relatif terhadap nilai
c. Lebih bermakna daripada error absolut
d. Contoh: error 0.1 pada nilai 1000 = 0.01%, error 0.1 pada nilai 1 = 10%
4. Contoh Perhitungan Error
a. x_true = 3.14159, x_approx = 3.14 → E_abs = 0.00159, E_rel = 0.0506%
b. x_true = 1.41421, x_approx = 1.41 → E_abs = 0.00421, E_rel = 0.298%
c. Penting untuk melaporkan error pada setiap hasil perhitungan
d. Aplikasi: dalam desain teknik, error harus < toleransi yang ditentukan
C. Deret Taylor
1. Konsep Deret Taylor
a. Deret Taylor merepresentasikan fungsi sebagai jumlah tak hingga dari turunan-turunannya
b. f(x) = f(a) + f'(a)(x-a) + f''(a)(x-a)²/2! + f'''(a)(x-a)³/3! + ...
c. Semakin banyak suku, semakin akurat aproksimasi
d. Digunakan untuk menghitung fungsi yang tidak dapat dihitung langsung oleh computer
e. Contoh: sin(x), cos(x), e^x dihitung menggunakan deret Taylor
2. Deret Taylor untuk Fungsi Umum
a. sin(x) = x - x³/3! + x⁵/5! - x⁷/7! + ...
b. cos(x) = 1 - x²/2! + x⁴/4! - x⁶/6! + ...
c. e^x = 1 + x + x²/2! + x³/3! + x⁴/4! + ...
d. ln(1+x) = x - x²/2 + x³/3 - x⁴/4 + ...
e. Semua fungsi ini dihitung oleh komputer menggunakan deret Taylor
3. Truncation Error (Error Pemotongan)
a. Terjadi karena deret Taylor dipotong pada suku tertentu (tidak tak hingga)
b. Semakin banyak suku yang digunakan, semakin kecil truncation error
c. Trade-off: lebih banyak suku → lebih akurat, tetapi lebih lambat
d. Contoh: sin(x) dengan 3 suku → error ≈ x⁷/7! (suku pertama yang diabaikan)
e. Aplikasi: menentukan jumlah suku yang cukup untuk akurasi yang diinginkan
4. Aplikasi Deret Taylor dalam Komputasi
a. Komputer menggunakan deret Taylor untuk menghitung fungsi trigonometri, logaritma, eksponensial
b. Library matematika (math.h, numpy) menggunakan deret Taylor
c. Deret Taylor juga digunakan dalam metode numerik lain (ODE, PDE)
d. Digunakan dalam analisis error metode numerik
D. Bilangan Floating Point (Presisi Tunggal dan Ganda)
1. Representasi Floating Point
a. Bilangan real direpresentasikan dalam bentuk: ±M × B^E
b. M = mantissa (signifikan), B = base (2 untuk biner), E = eksponen
c. Standar IEEE 754 — digunakan oleh semua komputer modern
d. Floating point memungkinkan representasi bilangan sangat kecil dan sangat besar
e. Tidak semua bilangan real dapat direpresentasikan secara eksak
2. Presisi Tunggal (32-bit)
a. 1 bit tanda (sign) + 8 bit eksponen + 23 bit mantissa
b. Rentang: ±1.18×10⁻³⁸ hingga ±3.4×10³⁸
c. Presisi: sekitar 7 digit decimal
d. Digunakan untuk aplikasi yang tidak memerlukan presisi tinggi
e. Contoh: float di C/C++, single di MATLAB
3. Presisi Ganda (64-bit)
a. 1 bit tanda + 11 bit eksponen + 52 bit mantissa
b. Rentang: ±2.23×10⁻³⁰⁸ hingga ±1.79×10³⁰⁸
c. Presisi: sekitar 15-16 digit decimal
d. Standar untuk komputasi ilmiah dan Teknik
e. Contoh: double di C/C++, double di MATLAB
4. Floating Point Error
a. Rounding error (error pembulatan) — terjadi karena bilangan tidak dapat direpresentasikan secara eksak
b. Contoh: 0.1 + 0.2 = 0.30000000000000004 (bukan 0.3)
c. Catastrophic cancellation — pengurangan dua bilangan yang hampir sama
d. Accumulation error — error bertambah seiring banyaknya operasi
e. Solusi: menggunakan presisi ganda, menghindari operasi yang tidak stabil
E. Kondisi Numerik (Stabil vs Tidak Stabil)
1. Definisi Kestabilan Numerik
a. Algoritma stabil: error tidak membesar selama perhitungan
b. Algoritma tidak stabil: error membesar secara eksponensial
c. Kestabilan tergantung pada masalah dan algoritma yang digunakan
d. Algoritma yang stabil menghasilkan hasil yang dapat diandalkan
e. Algoritma yang tidak stabil menghasilkan hasil yang tidak berarti
2. Algoritma Stabil vs Tidak Stabil
a. Contoh stabil: menghitung e^x menggunakan deret Taylor untuk x positif
b. Contoh tidak stabil: menghitung e^x menggunakan deret Taylor untuk x negatif (alternating series)
c. Solusi untuk e^(-x): gunakan 1/e^x (stabil)
d. Contoh: menghitung akar persamaan kuadrat dengan diskriminan kecil
e. Solusi: gunakan rumus alternatif untuk menghindari cancellations
3. Ill-Conditioned Problems
a. Masalah yang sensitif terhadap perubahan kecil pada input
b. Kesalahan kecil pada input menghasilkan perubahan besar pada output
c. Contoh: sistem persamaan linear dengan matriks hampir singular
d. Solusi: menggunakan presisi tinggi, regularisasi
e. Condition number mengukur seberapa ill-conditioned suatu masalah
4. Condition Number
a. Condition number = (perubahan output) / (perubahan input)
b. Condition number besar → masalah ill-conditioned
c. Contoh: matriks dengan determinan sangat kecil
d. Aplikasi: analisis kestabilan sistem kontrol, simulasi
e. Digunakan untuk menentukan apakah hasil perhitungan dapat dipercaya
F. Metode Numerik Dasar
1. Akar Persamaan (Root Finding)
a. Metode Bagi Dua (Bisection) — sederhana, selalu konvergen
b. Metode Newton-Raphson — cepat jika tebakan awal baik
c. Metode Secant — tidak perlu turunan
d. Aplikasi: mencari titik operasi rangkaian, mencari frekuensi resonansi
e. Contoh: mencari tegangan pada dioda (persamaan non-linear)
2. Integral Numerik
a. Metode Trapesium — sederhana, akurasi rendah
b. Metode Simpson — akurasi lebih tinggi
c. Metode Gauss-Legendre — akurasi tinggi
d. Aplikasi: menghitung daya, energi, nilai RMS
e. Contoh: menghitung integral sinyal untuk mendapatkan nilai rata-rata
3. Diferensiasi Numerik
a. Metode Forward Difference — f'(x) ≈ (f(x+h) - f(x))/h
b. Metode Central Difference — f'(x) ≈ (f(x+h) - f(x-h))/(2h)
c. Metode Central Difference lebih akurat
d. Aplikasi: menghitung gradien, sensitivitas
e. Contoh: menghitung arus dari muatan (I = dQ/dt)
4. Interpolasi dan Ekstrapolasi
a. Interpolasi Linear — sederhana, untuk data yang jarang
b. Interpolasi Spline — halus, untuk data yang banyak
c. Interpolasi Lagrange — polinomial orde tinggi
d. Aplikasi: mengisi data yang hilang, membuat kurva dari data diskrit
e. Contoh: membuat kurva karakteristik dioda dari data pengukuran
G. Aplikasi dalam Fisika
1. Simulasi Rangkaian DC
a. Metode Newton-Raphson untuk rangkaian non-linear
b. Analisis titik kerja transistor, diode
c. SPICE menggunakan metode ini
d. Contoh: mencari tegangan output rangkaian dengan diode
e. Perbandingan: solusi analitik vs solusi numerik
2. Simulasi Rangkaian Transien
a. Metode Euler untuk ODE orde-1 (RC, RL)
b. Metode Runge-Kutta untuk ODE orde-2 (RLC)
c. Aplikasi: respon transien rangkaian, pengisian kapasitor
d. Contoh: simulasi pengisian kapasitor dengan tegangan step
e. Perbandingan dengan solusi analitik (eksak)
3. Simulasi RF dan Gelombang
a. Metode FDTD (Finite Difference Time Domain) — untuk gelombang EM
b. Metode FEM (Finite Element Method) — untuk antena dan filter
c. Aplikasi: desain antena, simulasi propagasi
d. Contoh: pola radiasi antena dipole
e. Menggunakan software: CST, HFSS, FEKO
4. Simulasi Sistem Dinamis
a. Metode state-space untuk sistem kontrol
b. Simulasi PID, Kalman filter, dan kontroler lainnya
c. Aplikasi: sistem kontrol suhu, kecepatan moto
d. Contoh: simulasi closed-loop system
e. Menggunakan software: MATLAB Simulink, Python Control
Komentar
Posting Komentar