Skip to main content

06 — Turunan fungsi parameter dan tingkat tinggi

Tujuan Pembelajaran: 1. Memahami konsep kurva parametrik \(x = x(t)\) dan \(y = y(t)\) sebagai representasi lintasan objek dinamis di ruang 2D/3D. 2. Menghitung turunan pertama \(\frac{dy}{dx}\) kurva parameter via aturan rantai serta menentukan garis singgung dan normal. 3. Menghindari jebakan klasik pada turunan kedua \(\frac{d^2y}{dx^2} \neq \frac{y''(t)}{x''(t)}\) dan menentukan kecekungan (concavity). 4. Menguasai turunan tingkat tinggi (\(n\)-th order), interpretasi fisis (posisi \(\to\) kecepatan \(\to\) percepatan \(\to\) jerk), serta Teorema Leibniz. 5. Memahami relevansi turunan berulang dalam grafika komputer (Kurva Bézier), kontinuitas \(C^1/C^2\), serta optimasi orde kedua dalam Machine Learning (Metode Newton-Raphson & Matriks Hessian).

Slide Kuliah (Typst): Unduh PDF Slide Teori (38 Halaman) · Unduh PDF Latihan Soal & Pembahasan (41 Halaman)
Navigasi Silabus: 00 — Deskripsi MK & Silabus · Pertemuan sebelumnya: 05 — Turunan fungsi dasar & implisit · Pertemuan berikutnya: 07 — Aplikasi turunan (optimasi & laju terkait).


1. Kurva Parametrik & Turunan Pertama

Mengapa Bentuk Parametrik Diperlukan?

Pada fungsi kartesius eksplisit \(y = f(x)\), setiap nilai \(x\) hanya boleh dipetakan ke tepat satu nilai \(y\) (Vertical Line Test). Model ini tidak dapat menggambarkan lintasan kurva yang berbalik arah, melingkar tertutup, membentuk simpul (loop), atau lintasan gerak partikel dinamis terhadap waktu \(t\).

Dalam representasi parameter: \[x = x(t), \quad y = y(t), \quad t \in [a, b]\] Parameter perantara \(t\) melambangkan waktu, sudut putar, atau variabel bebas pengontrol.

Rumus Turunan Pertama via Aturan Rantai

Berdasarkan aturan rantai: \[\frac{dy}{dt} = \frac{dy}{dx} \cdot \frac{dx}{dt} \implies \frac{dy}{dx} = \frac{\frac{dy}{dt}}{\frac{dx}{dt}} = \frac{y'(t)}{x'(t)} \quad \text{dengan syarat } x'(t) \neq 0\]

  • Garis Singgung Horizontal (Mendatar): \(\frac{dy}{dt} = 0\) dan \(\frac{dx}{dt} \neq 0\).
  • Garis Singgung Vertikal (Tegak): \(\frac{dx}{dt} = 0\) dan \(\frac{dy}{dt} \neq 0\).

2. Turunan Kedua Fungsi Parameter & Jebakan Klasik

Peringatan: Miskonsepsi Fatal

\[\frac{d^2y}{dx^2} \neq \frac{\frac{d^2y}{dt^2}}{\frac{d^2x}{dt^2}} \quad \text{(SALAH)}\]

Penurunan Rumus yang Benar

Turunan kedua adalah turunan dari turunan pertama terhadap variabel \(x\), bukan terhadap variabel \(t\): \[\frac{d^2y}{dx^2} = \frac{d}{dx}\left[ \frac{dy}{dx} \right] = \frac{\frac{d}{dt}\left[ \frac{dy}{dx} \right]}{\frac{dx}{dt}}\]

Prosedur Baku 3 Langkah:

  1. Temukan turunan pertama \(y' = \frac{dy}{dx} = \frac{y'(t)}{x'(t)}\).
  2. Turunkan hasil \(y'\) tersebut terhadap parameter \(t\): \(\frac{d}{dt}\left[\frac{dy}{dx}\right]\).
  3. Bagi hasil langkah 2 dengan turunan pertama penyebut semula \(\frac{dx}{dt}\).

Kecekungan (Concavity):

  • \(\frac{d^2y}{dx^2} > 0 \implies\) Kurva cekung ke atas (concave up / \(\cup\)).
  • \(\frac{d^2y}{dx^2} < 0 \implies\) Kurva cekung ke bawah (concave down / \(\cap\)).

3. Turunan Tingkat Tinggi (Higher-Order Derivatives)

Hirarki & Makna Fisis Kinematika

Orde Notasi Leibniz Notasi Lagrange Besaran Kinematika Satuan SI Peran / Dampak Rekayasa
0 \(y\) \(s(t)\) Posisi (Position) \(\text{m}\) Koordinat titik spasial
1 \(\frac{ds}{dt}\) \(v(t) = s'(t)\) Kecepatan (Velocity) \(\text{m/s}\) Laju perpindahan sesaat
2 \(\frac{d^2s}{dt^2}\) \(a(t) = s''(t)\) Percepatan (Acceleration) \(\text{m/s}^2\) Gaya resultan Newton (\(F = ma\))
3 \(\frac{d^3s}{dt^3}\) \(j(t) = s'''(t)\) Sentakan (Jerk) \(\text{m/s}^3\) Kehalusan gerak lift/robotik
4 \(\frac{d^4s}{dt^4}\) \(s^{(4)}(t)\) Snap / Jounce \(\text{m/s}^4\) Optimasi lintasan drone quadrotor

Pola Turunan ke-\(n\) (\(n\)-th Order Patterns):

  • Polinomial \(x^m\): Turunan ke-\(m\) adalah konstan \(m!\), dan turunan ke-\(n\) dengan \(n > m\) bernilai 0.
  • Eksponensial: \(\frac{d^n}{dx^n} e^{kx} = k^n e^{kx}\).
  • Trigonometri: Pola bersiklus dengan periode modulo 4 (\(\sin(x) \to \cos(x) \to -\sin(x) \to -\cos(x) \to \sin(x)\)).
  • Resiprokal: \(\frac{d^n}{dx^n}\left(\frac{1}{x+c}\right) = \frac{(-1)^n n!}{(x+c)^{n+1}}\).

Aturan Perkalian Leibniz:

\[(u \cdot v)^{(n)} = \sum_{k=0}^n \binom{n}{k} u^{(n-k)} v^{(k)}\]


4. Relevansi Komputasi & Machine Learning

  1. Grafika Komputer & Animasi (Kurva Bézier): Font digital TrueType/OpenType, format vektor SVG, dan timing function transisi CSS menggunakan polinomial parametrik \(B(t) = (1-t)^2 P_0 + 2(1-t)t P_1 + t^2 P_2\). Kontinuitas \(C^1\) dan \(C^2\) menjamin rendering lengkungan mulus tanpa distorsi visual.
  2. Optimasi Machine Learning (Metode Newton-Raphson): Pembaruan bobot orde kedua memanfaatkan kurvatur turunan kedua: \[x_{k+1} = x_k - \frac{f'(x_k)}{f''(x_k)}\] Metode ini konvergen kuadratik (jauh lebih cepat daripada Gradient Descent standar).
  3. Komputasi Numerik (Deret Taylor & Maclaurin): CPU/GPU menghitung fungsi transenden melalui hampiran polinomial berbobot turunan tingkat tinggi: \[f(x) = \sum_{n=0}^\infty \frac{f^{(n)}(a)}{n!} (x - a)^n\]