根を求めるための反復法
応用数学、物理学、工学、コンピュータ科学において、「根を求める」問題は非常に頻繁に発生します。根とは、関数をゼロにするxの値、つまり次の方程式の解のことです。
\[
f(x)=0
\]
すべての方程式が、二次方程式のように閉じた形式の式で解を表せるわけではありません。複雑な非線形方程式など、多くの現実世界のケースでは、数値的なアプローチが必要です。最も重要なアプローチの1つが反復法であり、これは反復によって根に近づく一連の近似解を生成する手順です。
この記事では、反復法の基本概念、収束条件、および根を求めるために一般的に用いられる反復法について解説します。
-
1. 反復法の基本概念
反復法は、初期推定値 \(x_0\) を設定し、それを徐々に改善して数列を得ることで機能します。
\[
x_0, x_1, x_2, \dots, x_n
\]
期待を込めて：
\[
x_n \to \alpha
\]
ここで、\(\alpha\) は方程式 \(f(x)=0\) の真の根です。
一般に、反復法は問題 \(f(x)=0\) を等価な形式に変換します。
\[
x = g(x)
\]
次に反復処理が実行されます。
\[
x_{n+1} = g(x_n)
\]
このプロセスが収束する場合、\(g(x)\) の固定点は元の方程式の根解となります。
-
2. 収束：反復処理はいつ成功するのか？
すべての関数 \(g(x)\) が安定した反復を生成するわけではありません。反復 \(x_{n+1}=g(x_n)\) が根 \(\alpha\) に収束するためには、一般的に以下の条件が用いられます。
1. \(g(\alpha)=\alpha\) (根は不動点)
2. \(|g'(\alpha)| < 1\) (kontraksi lokal)
Intuisi dari \(|g'(\alpha)| < 1\) adalah: di sekitar solusi, fungsi \(g\) “tidak terlalu curam”, sehingga setiap iterasi membawa nilai \(x_n\) semakin dekat, bukan menjauh.
Konvergensi juga dipengaruhi oleh tebakan awal. Dua metode yang sama dapat berhasil atau gagal tergantung pada \(x_0\).
---
3. Metode Bagi Dua (Bisection) sebagai Iterasi Sederhana
Walaupun sering diklasifikasikan terpisah, metode bagi dua dapat dilihat sebagai metode iteratif yang sangat andal. Syaratnya: fungsi \(f(x)\) kontinu pada interval \([a,b]\) dan terjadi perubahan tanda:
\[
f(a)\cdot f(b) < 0
\]
Artinya, ada akar di antara \(a\) dan \(b\). Algoritmanya:
1. Hitung titik tengah \(c=\frac{a+b}{2}\)
2. Tentukan subinterval yang masih mengurung akar (berdasarkan perubahan tanda)
3. Ulangi sampai toleransi tercapai
Kelebihan metode ini: pasti konvergen jika syarat perubahan tanda terpenuhi. Kekurangannya: konvergensinya relatif lambat karena galat berkurang kira-kira setengah tiap iterasi (konvergensi linear).
---
4. Metode Iterasi Titik Tetap (Fixed-Point Iteration)
Inilah bentuk iterasi paling langsung:
\[
x_{n+1} = g(x_n)
\]
Langkahnya:
1. Ubah \(f(x)=0\) menjadi \(x=g(x)\)
2. Pilih tebakan awal \(x_0\)
3. Lakukan iterasi sampai \(|x_{n+1}-x_n|\) atau \(|f(x_n)|\) lebih kecil dari toleransi
Keunggulannya adalah kesederhanaan. Namun, metode ini sangat sensitif terhadap pilihan \(g(x)\). Untuk persamaan yang sama, terdapat banyak cara menulis \(x=g(x)\), tetapi hanya sebagian yang konvergen.
Sebagai contoh, jika ingin mencari akar dari \(f(x)=x^3-2x-5\), kita bisa menulis:
- \(x = \sqrt[3]{2x+5}\) sehingga \(g(x)=\sqrt[3]{2x+5}\)
Lalu lakukan iterasi \(x_{n+1}=\sqrt[3]{2x_n+5}\). Keberhasilan iterasi bergantung pada apakah \(|g'(x)|<1\) di sekitar akar.
---
5. Metode Newton-Raphson: Iterasi Cepat Berbasis Turunan
Metode Newton-Raphson adalah salah satu metode paling populer karena konvergensinya biasanya sangat cepat. Rumus iterasinya:
\[
x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)}
\]
Interpretasinya: pada \(x_n\), kita buat garis singgung fungsi \(f(x)\). Perpotongan garis singgung dengan sumbu-\(x\) dipakai sebagai perkiraan berikutnya.
Keunggulan:
- Konvergensi kuadratik (sangat cepat) jika sudah cukup dekat dengan akar dan \(f'(\alpha)\neq 0\).
Kekurangan:
- Membutuhkan turunan \(f'(x)\).
- Bisa gagal jika tebakan awal buruk, atau jika \(f'(x_n)\) mendekati nol, sehingga langkah iterasi menjadi tidak stabil.
Metode ini banyak digunakan dalam optimasi, pemodelan fisika, hingga komputasi teknik karena efisiensinya ketika kondisi mendukung.
---
6. Metode Secant: Alternatif Newton Tanpa Turunan
Jika turunan sulit dihitung, metode secant menawarkan kompromi. Ide utamanya adalah mendekati turunan dengan selisih hingga:
\[
f'(x_n)\approx \frac{f(x_n)-f(x_{n-1})}{x_n-x_{n-1}}
\]
Sehingga rumus iterasinya:
\[
x_{n+1}=x_n - f(x_n)\,\frac{x_n-x_{n-1}}{f(x_n)-f(x_{n-1})}
\]
Metode ini memerlukan dua tebakan awal: \(x_0\) dan \(x_1\). Kecepatan konvergensinya umumnya lebih baik daripada bagi dua dan fixed-point sederhana, meskipun biasanya sedikit lebih lambat daripada Newton. Namun, karena tidak perlu turunan, secant sering lebih praktis.
---
7. Kriteria Berhenti (Stopping Criteria)
Dalam komputasi numerik, iterasi harus dihentikan ketika sudah cukup akurat atau jika dicurigai tidak konvergen. Kriteria umum:
1. Galat antar iterasi kecil :
\[
|x_{n+1}-x_n|<\varepsilon
\]
2. Nilai fungsi mendekati nol :
\[
|f(x_n)|<\varepsilon
\]
3. Batas iterasi maksimum untuk mencegah loop tak berujung:
\[
n \le n_{\max}
\]
Pemilihan toleransi \(\varepsilon\) bergantung pada kebutuhan: simulasi teknik mungkin memerlukan toleransi ketat, sementara perhitungan kasar cukup longgar.
---
8. Perbandingan Singkat Metode Iterasi
Secara ringkas:
- Bisection : paling stabil, pasti konvergen (dengan syarat perubahan tanda), tapi lambat.
- Fixed-point : sangat sederhana, tetapi konvergensi tidak selalu terjamin.
- Newton-Raphson : sangat cepat, tetapi butuh turunan dan sensitif terhadap tebakan awal.
- Secant : tidak perlu turunan, cukup cepat, tetapi bisa kurang stabil dibanding bisection.
Dalam praktik, pemilihan metode bergantung pada sifat fungsi, ketersediaan turunan, kebutuhan kecepatan, dan kestabilan.
---
Kesimpulan
Metode iterasi adalah tulang punggung pencarian akar secara numerik untuk persamaan nonlinier. Dengan membangun urutan perkiraan yang diperbarui secara berulang, kita dapat mendekati solusi ketika metode analitik tidak tersedia. Pemahaman tentang konvergensi, pemilihan tebakan awal, dan kriteria berhenti sangat penting agar iterasi menghasilkan akar yang benar dan efisien.
Pada aplikasi nyata, sering kali digunakan strategi gabungan: mulai dengan metode stabil seperti bisection untuk “mengunci” interval akar, lalu beralih ke Newton atau secant untuk mempercepat konvergensi. Dengan demikian, kita memperoleh keseimbangan antara keandalan dan kecepatan—dua aspek yang sangat berharga dalam komputasi numerik.
---
Jika Anda ingin, saya bisa menambahkan contoh perhitungan langkah demi langkah (numerik) untuk salah satu metode di atas agar artikel lebih konkret.
