Buku ini menuntun pembaca dari nol: gagasan karakteristik dibangun melalui PDP orde satu, deret Fourier dan separasi variabel disiapkan sebagai mesin utama, lalu ketiga persamaan fundamental — panas, gelombang, dan Laplace — dikupas tuntas masing-masing dua bab, hingga teori Sturm–Liouville yang menyingkap mengapa semuanya bekerja. Bab penutup menghidupkan seluruh deret dengan visualisasi Python yang setiap gambarnya adalah hasil eksekusi nyata dari kode yang tercetak, dan lampirannya menyajikan metode beda hingga untuk persoalan yang tak punya solusi deret.
Bagi pembaca dari program rekayasa, setiap persamaan pokok dilengkapi kotak Terapan Teknik Sipil yang memperlihatkan wujud lapangannya: konsolidasi tanah Terzaghi, panas hidrasi beton massa, gelombang tegangan pada pemancangan tiang, pengukuran gaya kabel jembatan, rembesan di bawah bendungan, model arus lalu lintas, serta analogi membran Prandtl dan lendutan pelat.
Setiap bab mengikuti pola yang sama: motivasi fisis, penurunan yang teliti, contoh yang dikerjakan langkah demi langkah, ringkasan, dan latihan bertingkat — dilengkapi glosarium dwibahasa serta kunci jawaban terpilih. Tiga belas babnya, ditambah lampiran metode beda hingga, dipetakan pas untuk perkuliahan satu semester, sekaligus dirancang sebagai rujukan yang dapat dibuka sepotong-sepotong saat dibutuhkan.
Buku ini merupakan Jilid 4 sekaligus jilid penutup Seri Matematika Teknik Sipil. Pembahasannya mengandaikan penguasaan kalkulus multivariabel dan persamaan diferensial biasa sebagaimana disajikan pada Jilid 2 dan Jilid 3 dari seri yang sama.
Mohammad Jamhuri adalah dosen pada Program Studi Matematika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang. Ia mengampu mata kuliah persamaan diferensial parsial, metode numerik, persamaan diferensial untuk program rekayasa, serta pembelajaran mesin.
Minat penelitiannya berada di persilangan matematika komputasi dan kecerdasan buatan, khususnya metode optimisasi orde dua untuk pelatihan jaringan saraf — meliputi varian Gauss–Newton, pendekatan bebas-Hessian, dan prakondisi untuk physics-informed neural networks — serta pemodelan berbasis persamaan diferensial.