Aproksimasi dan Kesalahan Pembulatan

Truncation error adalah kesalahan yang timbul karena pemotongan suku pada suatu
deret atau rumus aproksimasi, misalnya suatu rumus rumit diganti dengan rumus yang lebih
sederhana.Round-off error adalah kesalahan yang timbul akibat adanya pembulatan angka.
1. Angka Signifikan (significant figure)
Gambar
Odometer

Speedometer dan

Dari

gambar
diatas,
bila
dilihat
maka
speedometer
menunjukkan mobil
berjalan dengan
kecepatan 48 atau 49
km/jam.
Jika
menginginkan
satu
angka
dibelakang
koma,
maka kita masih
bisa memperkirakan
nilainya
48,7
atau mungkin 48,8
km/jam.
Adanya keterbatasan speedometer menyebabkan tidak dapat dipastikan. Angka signifikan
atau digit menyatakan suatu keadaan sebuah nilai numerik. Untuk speedometer diatas, maka
mengandung tiga angka signifikan. Odometer memiliki taksiran tujuah angka signifikan.
Beberapa angka nol tidak selamanya signifikan, karena mereka diperlakukan sekedar
menempatkan sebuah titik desimal.
Konsep angka bena (significant figure) atau angka berarti telah dikembangkan secara
formal untuk menandakan keandalan suatu nilai numerik. Angka bena adalah angka
bermakna, angka penting, atau angka yang dapat digunakan dengan pasti
Contohnya,
43.123 memiliki 5 angka bena (yaitu 4, 3, 1, 2, 3)
0.1764 memiliki 4 angka bena (yaitu 1, 7, 6, 4)
0.0000012 memiliki 2 angka bena (yaitu 1, 2)
278.300 memiliki 6 angka bena (yaitu 2, 7, 8, 3, 0, 0)
270.0090 memiliki 7 angka bena (yaitu 2, 7, 0, 0, 0, 9, 0)
0.0090 memiliki 2 angka bena (yaitu 9, 0)
1360, 1.360, 0.001360 semuanya memiliki 4 angka bena
Konsep angka signifikan memiliki dua implikasi penting bagi penelitian dengan metode
numerik :
a. Seperti diperkenalkan pada masalah penerjun, metode numerik menghasilkan hasil
perkiraan . Kita harus mengembangkan kriteria untuk menentukan seberapa yakin kita
dalam hasil perkiraan kita. Salah satu cara untuk melakukan ini adalah dalam hal

angka signifikan. Sebagai contoh, kita mungkin memutuskan bahwa pendekatan dapat
diterima jika sudah benar empat angka signifikan .
b. Meskipun kuantitas ,e , 7 mewakili kuantitas spesifik, tetapi mereka tidak dapat
dinyatakan persis dengan sejumlah digit.
Sebagai contoh, =3 . 141592653589793238462643
2. Akurasi dan Presisi
Akurasi mengacu pada seberapa dekat angka pendekatan atau pengukuran
terhadap angka sebenarnya.
Presisi mengacu pada :
Jumlah angka signifikan yang menyatakan suatu besaran
Penyebaran dari nilai nilai yang terbaca dari suatu alat ukur
Gambar dibawah ini disajikan untuk lebih memperjelas penggambaran dari pengertian
akurasi dan presisi diatas.

Presisi adalah derajat kedekatan kesamaan pengukuran antara satu dengan lainnya.
Jika hasil pengukuran saling berdekatan (mengumpul) maka dikatakan mempunyai
presisi tinggi dan sebaliknya jika hasil pengukuran menyebar maka dikatakan
mempunyai presisi rendah. Presisi diindikasikan dengan penyebaran distribusi
probabilitas. Distribusi yang sempit mempunyai presisi tinggi dan sebaliknya. Ukuran
presisi yang sering digunakan adalah standar deviasi (). Presisi tinggi nilai standar
deviasinya kecil dan sebaliknya.
Akurasi adalah derajat kedekatan pengukuran terhadap nilai sebenarnya. Akurasi
mencakup tidak hanya kesalahan acak, tetapi juga bias yang disebabkan oleh
kesalahan sistematik yang tidak terkoreksi. Jika tidak ada bias kesalahan sistematik
maka standar deviasi dapat dipakai untuk menyatakan akurasi.
Derajat ketidakpastian (uncertainty) Derajat ketidakpastian adalah selang nilai
ukuran yang didalamnya diprediksi kesalahan pengukuran telah tereduksi.
3. Definisi Error (Kesalahan)

Timbul dari penggunaan aproksimasi, meliputi dua hal yaitu,

Truncation error (Kesalahan Pemotongan), dihasilkan sewaktu aproksimasi
digunakan untuk menyatakan suatu prosedur matematika eksak.
Round off error (Kesalahan Pembulatan), dihasilkan bila angka angka
aproksimasi dipakai untuk meyatakan angka angka eksak.
Harga sebenarnya=aproksimasi+ error ....................................................(1)

Et =harga sebenarnyaaproksimasi ...............................................................(2)

Dimana

Et

adalah harga pasti error, dengan t berarti true.

Bila besaran diperhitungkan dengan menormalisasikan error terhadap harga

sebenarnya :
kesalahan
Kesalahan Relatif Fraksional=
harga sebenarnya .............................................(3)
Bila dinyatakan dalam presentase ;
error sebenarnya
t =
100 ...................................................................................
harga sebenarnya
(4)
Dimana

adalah error relatif sebenarnya.

Maka terdapat alternatif untuk menormalisasi error dengan menggunakan taksiran

terbaik dari harga sebenarnya yaitu,
error aproksimasi
a =
100
aproksimasi
a menandakan aproksimasi.

4. Round Off Error (Kesalahan Pembulatan)

Komputer hanya dapat menyimpan sejumlah tertentu angka signifikan selama
kalkulasi. Contoh =3,141592 dengan mengabaikan suku suku yang lainnya.
Nama teknik penyimpanan ini adalah chopping, jadi tergantung pada tipe data yang
digunakan.

KESALAHAN PEMBULATAN DAN TAYLOR SERIES

Diberikan deret Taylor dalam bentuk diperluas di sekitar titik yang dikenal sebagai

( x x0 )2
f ( x ) f ( x0 ) ( x x0 ) f ' ( x0 )
f ' ' ( x0 ) ...
2!
kita dapat memotong di beberapa titik dan dikenakan kesalahan. Jika kita memotong itu di urutan ken, kesalahan pemotongan akan menjadi

( x x0 )2
f ( x ) f ( x0 ) ( x x0 ) f ' ( x0 )
f ' ' ( x0 ) ...
2!
( x x0 )n n
...
f ( x0 ) Rn
n!
Dimana

Rn

diberikan sebagai:

( x t ) n n 1
Rn
f
( t )dt
n!
x
x

Bagaimana kita menghitung kesalahan residual ini? Kita bisa memperkirakan menggunakan
teorema nilai rata-rata (Mean value theorem) diidentifikasi di bawah.
Teorema nilai rata-rata (Mean value theorem)
b

I f ( t )dt
Bilangan bulat

merupakan area di bawah kurva dari t=a ke t=b.

Daerah ini dapat dengan mudah diasumsikan kurang lebih sama dengan
mana

f ( )

( a b ) f ( )

di

adalah nilai fungsi antara dua batas.

f (t )
f ( )

J f (t ) g (t )dt
a

Begitu pula, integral dengan produk dari dua fungsi sebagai integran

adalah

J ( b a ) f ( ) g ( t )dt

volume persegi panjang perkiraan

Dari sudut pandang ini, kesalahan pemotongan pada serangkaian Taylor adalah

Rn

f n 1 ( ) x
( x x0 )n dx

n!
x
0

untuk beberapa nilai

dalam kisaran tertentu.

Setelah integrasi menjadi:

f n 1 ( )
Rn
( x x0 )n 1
( n 1 )!
Kesimpulannya diberikan fungsi terdiferensialkan, kita dapat mengembangkannya sebagai
polinomial pada suatu titik tertentu. Jika kesalahan pemotongan dalam melakukannya cukup
cukup kecil, kita dapat menerima ekspansi polinomial melalui deret Taylor sebagai
perhitungan yang valid.
Stabilitas dan kondisi.

Pertimbangkan sebuah sistem

S ( x ,t ) y

di mana x adalah sistem input dan y output sistem

yang sesuai pada suatu waktu t. Misalkan, input ke sistem meningkat

ke sebuah output

Jika

yang mengarah

sistem tidak stabil, itu meledak

sistem stabil

sistem yang terkandung, berada dalam batas-siklus

Ini adalah satu set universal pengamatan yang mengklasifikasikan sistem dinamik. Sebuah
sistem yang diberikan oleh persamaan

dy
g( t ), y(t0 ) y0
dt
juga memenuhi syarat untuk set yang sama pertimbangan. Misalkan, solusinya adalah

y( t ) y( t0 h ) y( t0 ) hg ( t0 )
Output dihitung dan input dapat diklasifikasikan sebagai berikut:

Ekspansi masukan relatif =

Error output relatif =

h
t0

y( t ) y( t0 ) hg( t0 )

y( t )
y( t0 )

Persyaratan, atau kondisi jumlah sistem, C adala

t g( t )
Re lative _ output _ error
0 0
Re lative _ input _ exp ansion
y( t0 )

C 1

tidak stabil,

Stabil

Limit-cyc

Kesalahan Pembulatan
Kesalahan pembulatan adalah kesalahan yang diakibatkan oleh penggunaan pendekatan di
tempat prosedur matematika yang tepat.
ex 1 x

x2 x3
xn
x n 1

...

...
2! 3!
n! ( n 1)!

pendekatan
kesalahan pembulatan

Formulasi matematis yang tepat

1. Kesalahan (Blunders)
Kesalahan dapat terjadi pada setiap tahap proses pemodelan matematika dan dapat
berkontribusi untuk semua komponen lain dari kesalahan. Mereka dapat dihindari hanya
dengan pengetahuan tentang prinsip-prinsip dasar dan dengan perawatan yang Anda
mendekati dan merancang solusi untuk masalah.
Kesalahan biasanya diabaikan dalam diskusi metode numerik. Ini tidak diragukan lagi
karena fakta bahwa, coba seperti yang kita dapat, kesalahan yang sampai batas tertentu
tidak dapat dihindari. Namun, kami percaya bahwa ada sejumlah cara di mana terjadinya
mereka dapat diminimalkan. Secara khusus, kebiasaan pemrograman yang baik yang
digariskan dalam Bab 2 sangat berguna untuk mengurangi kesalahan pemrograman. Selain
itu, ada cara sederhana biasanya untuk memeriksa apakah metode numerik tertentu bekerja
dengan benar.
2. Kesalahan Formulasi
Formulasi, atau model, kesalahan berhubungan dengan bias yang dapat berasal model
matematika lengkap. Contoh dari kesalahan formulasi diabaikan adalah kenyataan bahwa
hukum kedua Newton tidak memperhitungkan efek relativistik. Ini tidak mengurangi
kecukupan solusi dalam Contoh 1.1 karena kesalahan ini minimal pada skala waktu dan
ruang yang terkait dengan jatuh masalah penerjun.
Namun, anggaplah bahwa hambatan udara tidak berbanding lurus jatuh kecepatan,
seperti dalam Persamaan. (1.7), tetapi merupakan fungsi dari kuadrat kecepatan. Jika hal
ini terjadi, baik solusi analitis dan numerik yang diperoleh di Bab 1 akan salah karena
kesalahan formulasi. Pertimbangan lebih lanjut tentang kesalahan formulasi termasuk
dalam beberapa aplikasi rekayasa dalam sisa buku. Anda harus menyadari masalah ini dan
menyadari bahwa, jika Anda bekerja dengan model kurang dipahami, tidak ada metode
numerik akan memberikan hasil yang memadai.
3. Data Ketidakpastian
Kesalahan kadang masuk ke dalam analisis karena ketidakpastian dalam data fisik di
mana model didasarkan. Sebagai contoh, misalkan kita ingin menguji model penerjun

jatuh dengan memiliki individu membuat melompat berulang dan kemudian mengukur
kecepatan nya setelah interval waktu tertentu. Ketidakpastian akan pasti dikaitkan dengan
pengukuran ini, karena penerjun tersebut akan jatuh lebih cepat selama beberapa
melompat daripada selama orang lain. Kesalahan ini dapat menunjukkan baik
ketidaktepatan dan ketidaktepatan. Jika instrumen kami secara konsisten meremehkan atau
melebih-lebihkan kecepatan, kita berhadapan dengan akurat, atau bias, perangkat. Di sisi
lain, jika pengukuran adalah acak tinggi dan rendah, kita berhadapan dengan pertanyaan
tentang presisi.
Kesalahan pengukuran dapat diukur dengan meringkas data dengan satu atau lebih
wellchosen statistik yang menyampaikan informasi sebanyak mungkin mengenai
karakteristik khusus dari data. Ini statistik deskriptif yang paling sering dipilih untuk
mewakili (1) lokasi pusat distribusi data dan (2) tingkat penyebaran data. Dengan
demikian, mereka menyediakan ukuran bias dan ketidaktepatan, masing-masing. Kami
akan kembali ke topik karakteristik ketidakpastian data dalam Bagian Kelima.
Meskipun Anda harus menyadari kesalahan, kesalahan formulasi, dan data pasti,
metode numerik yang digunakan untuk membangun model dapat dipelajari, untuk
sebagian besar, terlepas dari kesalahan ini. Oleh karena itu, untuk sebagian besar buku ini,
kita akan menganggap bahwa kita tidak membuat kesalahan kotor, kami memiliki model
suara, dan kita berhadapan dengan pengukuran bebas dari kesalahan. Dengan kondisi
tersebut, kita dapat mempelajari kesalahan numerik tanpa faktor rumit.