kuliah-8
TRANSCRIPT
MINIMAMINIMALISASLISASI BIAYA I BIAYA MENGGUNAKANMENGGUNAKAN GOLDEN SECTION GOLDEN SECTION AND HOOK JEEVES METHODSAND HOOK JEEVES METHODS
OBJECTIVESOBJECTIVES
Understand why and where optimization occurs in engineering problem solving
Understand the major elements of the general optimization problem (1) objective function (2) decision variables and (3) constraints
Be able to distinguish between linear and nonlinear optimization and between constrained and unconstrained problems
PUSTAKA
James B Riggs 1988 ldquoAn Introduction to Numerical Methods for Chemical Engineersrdquo Texas Texas Tech University Press Chapter 6
1048708 Steven C Chapra amp Raymond P Canale 2003ldquoNumerical Methods for Engineers With Software and Programming Applicationsrdquo 4th edition New York McGraw-Hill Company IncPart Four
1048708 etc
Cost components
$ year
Pipe diamater (in)
1 125 15 25
Operating Costs 4697 660 312 164 56
Pipe capital costs 168 308 389 474 660
Pump capital costs
401 192 150 150 150
Total 5266 1160 852 788 866
INTRODUCTORY EXAMPLEINTRODUCTORY EXAMPLE
Persoalan pemilihan diameter pipa untuk mengangkut fluida dari satu proses ke proses yang lain
Diameter pipa optimum berdasarkanBiaya investasi dan biaya operasi
Diameterpipa manayang akanAnda pilih
2
PENGANTAR-1PENGANTAR-1
Definisi optimasi Jenis optimasi 1- maksimasi 2- minimasi Dua hal penting dalam studi optimasi
1- fungsi objektif dan decision variables 2- kendala (constraints)
Contoh-contoh persoalan optimasi dalam bidang
Engineering
Contoh-contoh constraints yang menyertai persoalan optimasi
Definisi dan Jenis Optimasi
Optimasi merupakan suatu proses untuk mencari kondisi yang optimum dalam arti paling menguntungkan
Optimasi bisa berupa maksimasi atau minimasiJika berkaitan dengan masalah keuntungan maka keadaan optimum adalah keadaan yang memberikan keuntungan maksimum (maksimasi)Jika berkaitan dengan masalah pengeluaranpengorbanan maka keadaan optimum adalah keadaan yang memberikan pengeluaranpengorbanan minimum (minimasi)
Fungsi ObjektifFungsi Objektif
Secara umum fungsi yang akan dimaksimumkan atau diminimumkan disebut fungsi objektif (objective function) sedangkan harga-harga yang berpengaruh dan bisa dipilih disebut variabel (perubah) atau decision variableSecara analitik nilai maksimum atau minimum dari suatu persamaan y = f(x)dapat diperoleh pada harga x yang memenuhiyrsquo = frsquo(x) = 0Untuk fungsi yang sulit untuk diturunkan atau mempunyai turunan yang sulit dicari akarnya proses optimasi dapat dilakukan secara numerik
Contoh Persoalan Optimasi dalam Bidang Contoh Persoalan Optimasi dalam Bidang EngineeringEngineering
Design pump and heat transfer equipment for maximum efficiency
Design waste water treatment system to meet water-quality standards of least cost
Optimal planning and scheduling Optimal pipeline network Inventory control Maintenance planning to minimize cost etc
Ilustrasi maksimasi (secara grafik)
Beberapa istilahMaksimum lokalMaksimum global
A unimodal function
One hump orone valley
PENGANTAR-2PENGANTAR-2
Catatan Analoguntuk kasus minimasi
Maksimum dan minimum lokal dan global
PENGANTAR-3PENGANTAR-3
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
OBJECTIVESOBJECTIVES
Understand why and where optimization occurs in engineering problem solving
Understand the major elements of the general optimization problem (1) objective function (2) decision variables and (3) constraints
Be able to distinguish between linear and nonlinear optimization and between constrained and unconstrained problems
PUSTAKA
James B Riggs 1988 ldquoAn Introduction to Numerical Methods for Chemical Engineersrdquo Texas Texas Tech University Press Chapter 6
1048708 Steven C Chapra amp Raymond P Canale 2003ldquoNumerical Methods for Engineers With Software and Programming Applicationsrdquo 4th edition New York McGraw-Hill Company IncPart Four
1048708 etc
Cost components
$ year
Pipe diamater (in)
1 125 15 25
Operating Costs 4697 660 312 164 56
Pipe capital costs 168 308 389 474 660
Pump capital costs
401 192 150 150 150
Total 5266 1160 852 788 866
INTRODUCTORY EXAMPLEINTRODUCTORY EXAMPLE
Persoalan pemilihan diameter pipa untuk mengangkut fluida dari satu proses ke proses yang lain
Diameter pipa optimum berdasarkanBiaya investasi dan biaya operasi
Diameterpipa manayang akanAnda pilih
2
PENGANTAR-1PENGANTAR-1
Definisi optimasi Jenis optimasi 1- maksimasi 2- minimasi Dua hal penting dalam studi optimasi
1- fungsi objektif dan decision variables 2- kendala (constraints)
Contoh-contoh persoalan optimasi dalam bidang
Engineering
Contoh-contoh constraints yang menyertai persoalan optimasi
Definisi dan Jenis Optimasi
Optimasi merupakan suatu proses untuk mencari kondisi yang optimum dalam arti paling menguntungkan
Optimasi bisa berupa maksimasi atau minimasiJika berkaitan dengan masalah keuntungan maka keadaan optimum adalah keadaan yang memberikan keuntungan maksimum (maksimasi)Jika berkaitan dengan masalah pengeluaranpengorbanan maka keadaan optimum adalah keadaan yang memberikan pengeluaranpengorbanan minimum (minimasi)
Fungsi ObjektifFungsi Objektif
Secara umum fungsi yang akan dimaksimumkan atau diminimumkan disebut fungsi objektif (objective function) sedangkan harga-harga yang berpengaruh dan bisa dipilih disebut variabel (perubah) atau decision variableSecara analitik nilai maksimum atau minimum dari suatu persamaan y = f(x)dapat diperoleh pada harga x yang memenuhiyrsquo = frsquo(x) = 0Untuk fungsi yang sulit untuk diturunkan atau mempunyai turunan yang sulit dicari akarnya proses optimasi dapat dilakukan secara numerik
Contoh Persoalan Optimasi dalam Bidang Contoh Persoalan Optimasi dalam Bidang EngineeringEngineering
Design pump and heat transfer equipment for maximum efficiency
Design waste water treatment system to meet water-quality standards of least cost
Optimal planning and scheduling Optimal pipeline network Inventory control Maintenance planning to minimize cost etc
Ilustrasi maksimasi (secara grafik)
Beberapa istilahMaksimum lokalMaksimum global
A unimodal function
One hump orone valley
PENGANTAR-2PENGANTAR-2
Catatan Analoguntuk kasus minimasi
Maksimum dan minimum lokal dan global
PENGANTAR-3PENGANTAR-3
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
PUSTAKA
James B Riggs 1988 ldquoAn Introduction to Numerical Methods for Chemical Engineersrdquo Texas Texas Tech University Press Chapter 6
1048708 Steven C Chapra amp Raymond P Canale 2003ldquoNumerical Methods for Engineers With Software and Programming Applicationsrdquo 4th edition New York McGraw-Hill Company IncPart Four
1048708 etc
Cost components
$ year
Pipe diamater (in)
1 125 15 25
Operating Costs 4697 660 312 164 56
Pipe capital costs 168 308 389 474 660
Pump capital costs
401 192 150 150 150
Total 5266 1160 852 788 866
INTRODUCTORY EXAMPLEINTRODUCTORY EXAMPLE
Persoalan pemilihan diameter pipa untuk mengangkut fluida dari satu proses ke proses yang lain
Diameter pipa optimum berdasarkanBiaya investasi dan biaya operasi
Diameterpipa manayang akanAnda pilih
2
PENGANTAR-1PENGANTAR-1
Definisi optimasi Jenis optimasi 1- maksimasi 2- minimasi Dua hal penting dalam studi optimasi
1- fungsi objektif dan decision variables 2- kendala (constraints)
Contoh-contoh persoalan optimasi dalam bidang
Engineering
Contoh-contoh constraints yang menyertai persoalan optimasi
Definisi dan Jenis Optimasi
Optimasi merupakan suatu proses untuk mencari kondisi yang optimum dalam arti paling menguntungkan
Optimasi bisa berupa maksimasi atau minimasiJika berkaitan dengan masalah keuntungan maka keadaan optimum adalah keadaan yang memberikan keuntungan maksimum (maksimasi)Jika berkaitan dengan masalah pengeluaranpengorbanan maka keadaan optimum adalah keadaan yang memberikan pengeluaranpengorbanan minimum (minimasi)
Fungsi ObjektifFungsi Objektif
Secara umum fungsi yang akan dimaksimumkan atau diminimumkan disebut fungsi objektif (objective function) sedangkan harga-harga yang berpengaruh dan bisa dipilih disebut variabel (perubah) atau decision variableSecara analitik nilai maksimum atau minimum dari suatu persamaan y = f(x)dapat diperoleh pada harga x yang memenuhiyrsquo = frsquo(x) = 0Untuk fungsi yang sulit untuk diturunkan atau mempunyai turunan yang sulit dicari akarnya proses optimasi dapat dilakukan secara numerik
Contoh Persoalan Optimasi dalam Bidang Contoh Persoalan Optimasi dalam Bidang EngineeringEngineering
Design pump and heat transfer equipment for maximum efficiency
Design waste water treatment system to meet water-quality standards of least cost
Optimal planning and scheduling Optimal pipeline network Inventory control Maintenance planning to minimize cost etc
Ilustrasi maksimasi (secara grafik)
Beberapa istilahMaksimum lokalMaksimum global
A unimodal function
One hump orone valley
PENGANTAR-2PENGANTAR-2
Catatan Analoguntuk kasus minimasi
Maksimum dan minimum lokal dan global
PENGANTAR-3PENGANTAR-3
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Cost components
$ year
Pipe diamater (in)
1 125 15 25
Operating Costs 4697 660 312 164 56
Pipe capital costs 168 308 389 474 660
Pump capital costs
401 192 150 150 150
Total 5266 1160 852 788 866
INTRODUCTORY EXAMPLEINTRODUCTORY EXAMPLE
Persoalan pemilihan diameter pipa untuk mengangkut fluida dari satu proses ke proses yang lain
Diameter pipa optimum berdasarkanBiaya investasi dan biaya operasi
Diameterpipa manayang akanAnda pilih
2
PENGANTAR-1PENGANTAR-1
Definisi optimasi Jenis optimasi 1- maksimasi 2- minimasi Dua hal penting dalam studi optimasi
1- fungsi objektif dan decision variables 2- kendala (constraints)
Contoh-contoh persoalan optimasi dalam bidang
Engineering
Contoh-contoh constraints yang menyertai persoalan optimasi
Definisi dan Jenis Optimasi
Optimasi merupakan suatu proses untuk mencari kondisi yang optimum dalam arti paling menguntungkan
Optimasi bisa berupa maksimasi atau minimasiJika berkaitan dengan masalah keuntungan maka keadaan optimum adalah keadaan yang memberikan keuntungan maksimum (maksimasi)Jika berkaitan dengan masalah pengeluaranpengorbanan maka keadaan optimum adalah keadaan yang memberikan pengeluaranpengorbanan minimum (minimasi)
Fungsi ObjektifFungsi Objektif
Secara umum fungsi yang akan dimaksimumkan atau diminimumkan disebut fungsi objektif (objective function) sedangkan harga-harga yang berpengaruh dan bisa dipilih disebut variabel (perubah) atau decision variableSecara analitik nilai maksimum atau minimum dari suatu persamaan y = f(x)dapat diperoleh pada harga x yang memenuhiyrsquo = frsquo(x) = 0Untuk fungsi yang sulit untuk diturunkan atau mempunyai turunan yang sulit dicari akarnya proses optimasi dapat dilakukan secara numerik
Contoh Persoalan Optimasi dalam Bidang Contoh Persoalan Optimasi dalam Bidang EngineeringEngineering
Design pump and heat transfer equipment for maximum efficiency
Design waste water treatment system to meet water-quality standards of least cost
Optimal planning and scheduling Optimal pipeline network Inventory control Maintenance planning to minimize cost etc
Ilustrasi maksimasi (secara grafik)
Beberapa istilahMaksimum lokalMaksimum global
A unimodal function
One hump orone valley
PENGANTAR-2PENGANTAR-2
Catatan Analoguntuk kasus minimasi
Maksimum dan minimum lokal dan global
PENGANTAR-3PENGANTAR-3
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
PENGANTAR-1PENGANTAR-1
Definisi optimasi Jenis optimasi 1- maksimasi 2- minimasi Dua hal penting dalam studi optimasi
1- fungsi objektif dan decision variables 2- kendala (constraints)
Contoh-contoh persoalan optimasi dalam bidang
Engineering
Contoh-contoh constraints yang menyertai persoalan optimasi
Definisi dan Jenis Optimasi
Optimasi merupakan suatu proses untuk mencari kondisi yang optimum dalam arti paling menguntungkan
Optimasi bisa berupa maksimasi atau minimasiJika berkaitan dengan masalah keuntungan maka keadaan optimum adalah keadaan yang memberikan keuntungan maksimum (maksimasi)Jika berkaitan dengan masalah pengeluaranpengorbanan maka keadaan optimum adalah keadaan yang memberikan pengeluaranpengorbanan minimum (minimasi)
Fungsi ObjektifFungsi Objektif
Secara umum fungsi yang akan dimaksimumkan atau diminimumkan disebut fungsi objektif (objective function) sedangkan harga-harga yang berpengaruh dan bisa dipilih disebut variabel (perubah) atau decision variableSecara analitik nilai maksimum atau minimum dari suatu persamaan y = f(x)dapat diperoleh pada harga x yang memenuhiyrsquo = frsquo(x) = 0Untuk fungsi yang sulit untuk diturunkan atau mempunyai turunan yang sulit dicari akarnya proses optimasi dapat dilakukan secara numerik
Contoh Persoalan Optimasi dalam Bidang Contoh Persoalan Optimasi dalam Bidang EngineeringEngineering
Design pump and heat transfer equipment for maximum efficiency
Design waste water treatment system to meet water-quality standards of least cost
Optimal planning and scheduling Optimal pipeline network Inventory control Maintenance planning to minimize cost etc
Ilustrasi maksimasi (secara grafik)
Beberapa istilahMaksimum lokalMaksimum global
A unimodal function
One hump orone valley
PENGANTAR-2PENGANTAR-2
Catatan Analoguntuk kasus minimasi
Maksimum dan minimum lokal dan global
PENGANTAR-3PENGANTAR-3
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Definisi dan Jenis Optimasi
Optimasi merupakan suatu proses untuk mencari kondisi yang optimum dalam arti paling menguntungkan
Optimasi bisa berupa maksimasi atau minimasiJika berkaitan dengan masalah keuntungan maka keadaan optimum adalah keadaan yang memberikan keuntungan maksimum (maksimasi)Jika berkaitan dengan masalah pengeluaranpengorbanan maka keadaan optimum adalah keadaan yang memberikan pengeluaranpengorbanan minimum (minimasi)
Fungsi ObjektifFungsi Objektif
Secara umum fungsi yang akan dimaksimumkan atau diminimumkan disebut fungsi objektif (objective function) sedangkan harga-harga yang berpengaruh dan bisa dipilih disebut variabel (perubah) atau decision variableSecara analitik nilai maksimum atau minimum dari suatu persamaan y = f(x)dapat diperoleh pada harga x yang memenuhiyrsquo = frsquo(x) = 0Untuk fungsi yang sulit untuk diturunkan atau mempunyai turunan yang sulit dicari akarnya proses optimasi dapat dilakukan secara numerik
Contoh Persoalan Optimasi dalam Bidang Contoh Persoalan Optimasi dalam Bidang EngineeringEngineering
Design pump and heat transfer equipment for maximum efficiency
Design waste water treatment system to meet water-quality standards of least cost
Optimal planning and scheduling Optimal pipeline network Inventory control Maintenance planning to minimize cost etc
Ilustrasi maksimasi (secara grafik)
Beberapa istilahMaksimum lokalMaksimum global
A unimodal function
One hump orone valley
PENGANTAR-2PENGANTAR-2
Catatan Analoguntuk kasus minimasi
Maksimum dan minimum lokal dan global
PENGANTAR-3PENGANTAR-3
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Fungsi ObjektifFungsi Objektif
Secara umum fungsi yang akan dimaksimumkan atau diminimumkan disebut fungsi objektif (objective function) sedangkan harga-harga yang berpengaruh dan bisa dipilih disebut variabel (perubah) atau decision variableSecara analitik nilai maksimum atau minimum dari suatu persamaan y = f(x)dapat diperoleh pada harga x yang memenuhiyrsquo = frsquo(x) = 0Untuk fungsi yang sulit untuk diturunkan atau mempunyai turunan yang sulit dicari akarnya proses optimasi dapat dilakukan secara numerik
Contoh Persoalan Optimasi dalam Bidang Contoh Persoalan Optimasi dalam Bidang EngineeringEngineering
Design pump and heat transfer equipment for maximum efficiency
Design waste water treatment system to meet water-quality standards of least cost
Optimal planning and scheduling Optimal pipeline network Inventory control Maintenance planning to minimize cost etc
Ilustrasi maksimasi (secara grafik)
Beberapa istilahMaksimum lokalMaksimum global
A unimodal function
One hump orone valley
PENGANTAR-2PENGANTAR-2
Catatan Analoguntuk kasus minimasi
Maksimum dan minimum lokal dan global
PENGANTAR-3PENGANTAR-3
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Contoh Persoalan Optimasi dalam Bidang Contoh Persoalan Optimasi dalam Bidang EngineeringEngineering
Design pump and heat transfer equipment for maximum efficiency
Design waste water treatment system to meet water-quality standards of least cost
Optimal planning and scheduling Optimal pipeline network Inventory control Maintenance planning to minimize cost etc
Ilustrasi maksimasi (secara grafik)
Beberapa istilahMaksimum lokalMaksimum global
A unimodal function
One hump orone valley
PENGANTAR-2PENGANTAR-2
Catatan Analoguntuk kasus minimasi
Maksimum dan minimum lokal dan global
PENGANTAR-3PENGANTAR-3
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Ilustrasi maksimasi (secara grafik)
Beberapa istilahMaksimum lokalMaksimum global
A unimodal function
One hump orone valley
PENGANTAR-2PENGANTAR-2
Catatan Analoguntuk kasus minimasi
Maksimum dan minimum lokal dan global
PENGANTAR-3PENGANTAR-3
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Maksimum dan minimum lokal dan global
PENGANTAR-3PENGANTAR-3
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Perbedaan antara persoalan optimasi denganpencarian penentuan akar persamaan
PENGANTAR-4PENGANTAR-4
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Ilustrasi grafik optimasi dua variabel
PENGANTAR-5PENGANTAR-5
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Tinjaulah sebuah fungsi dengan satu variabel sbb
y = f(x)
Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi) Dalam hal ini x yang diperoleh merupakan nilai x optimum fungsi
Beberapa metode yang akan dibahas
1048708 Metode golden section1048708 Metode Newton1048708 Metode interpolasi kuadrat1048708 dsb
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
METODE GOLDEN SECTION
Golden section merupakan salah satu cara ataumetode optimasi numerik yang bisa dipakai untukfungsi yang bersifat unimodal Kedua tipeoptimasi yaitu maksimasi dan minimasi dapatdiselesaikan dengan cara ini
Golden-section (search) method merupakanmetode optimasi satu variabel yang sederhanadan mempunyai pendekatan yang mirip
denganmetode bisection dalam penentuan akarpersamaan tak linier
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
METODE GOLDEN SECTION
Tinjaulah fungsi f(x) yangakan ditentukan maksimumnyapada rentang x = xl dan x = xu (perhatikan gambar di samping) ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baruSecara matematik
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
METODE GOLDEN SECTION
1
2
21
1210
l
l
ll
lmakalll
1
2
l
lR
RRatau
l
l
l
latau
l
l
l
ll 111
2
1
1
2
2
1
1
21
Karena
Ambil kebalikannya dan kemudian definisikan
01 2 RRSehingga
6180302
15
R
positifnyaakarNilai
(R biasa disebut sebagaiGolden ration atau golden number)
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
ALGORITMAALGORITMA
(kasus maksimasi)
1 Mulai dari 2 nilai tebakan awal xl dan xu yang mengapit titik
maksimum
2 Tentukan nilai x1 dan x2 di dalam rentang
xl dan xu sesuai dengan golden ratio (R)
dxx
dxx
XXd
u
lu
2
11
2
15
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
ALGORITMA (kasus maksimasi)
3 Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2) diharapkan ada sebagian interval yang dapat dieliminasi sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya Jadi hanya diperlukan 1 titik baru
Ada 2 kasus
(a) Jika f(x1) gt f(x2)Maka domain x antara xl dan x2 dieliminasix2 lama = xl barux1 lama = x2 baruxu lama = xu barux1 baru ditentukan
(b) Jika f(x2) gt f(x1)Maka domain x antara x1 dan xu dieliminasix1 lama = xu barux2 lama = x1 baruxl lama = xl baru
x2 baru ditentukan
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
METODE GOLDEN SECTIONMETODE GOLDEN SECTION
Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas
Efektivitas evaluasi dengan metode golden section
Misal diinginkan pengecilan interval sampai menjadi 0001 dari semula maka jumlah step yang diperlukan (N) adalah
(0618)N = 0001N = 143 asymp 15
Jumlah evaluasi = 2 + (N ndash 1) x 1 = 16
Silakan Pelajari Contoh Soal
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
EXAMPLE DETERMINING MINIMATION FUNCTION Y = 2X2 ndash 8X + 12 KNOWN
XA = LOWER LIMIT (BATAS BAWAH) = 0XB = UPPER LIMIT (BATAS ATAS) = 4TOL = 0001 (SAMPLE)
X=XA = 0YA = (202) - (80) + 12 = 12
X=XB=4YB = (242 )ndash (84) +12 =12
61802
15
L
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
XP=XA + (1 ndash L) (XB ndash XA) = 0 + ( 1 ndash 0618) (4 ndash 0) =153 YP = (2 15322) ndash (8153) +12 = 444
XQ=XA + L(XB ndash XA) = 0 + 0618(4 ndash 0) = 2472 YQ= (224722) ndash (82472) + 12 = 445
XPNEW=153 + (1 ndash L)(2472 ndash 153) = 18898 YPNEW=( 2188982) ndash (818898) + 12 = 402
XQNEW=153 + 0618(2472 ndash 153) = 1915 YPNEW = (219152) ndash (81915) +12 = 401
DSThelliphellip
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
METODE NEWTONMETODE NEWTON
Metode ini menggunakan pendekatan yang sama denganmetode Newton dalam penentuan akar persamaan tak liniermelalui pendefinisian fungsi g(x) = frsquo(x)
Karena pada kondisi optimum
f (x) = g (x) = 0(x menyatakan nilai x optimum)
maka nilai x dapat diperoleh secara iteratif sebagai berikut
)(
)(1 xif
xifxx ii
Silakan Pelajari Contoh Soal Berikut
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Metode ini dapat digunakanuntuk melakukan optimasi secara numerik
Hal ini disebabkan oleh penggunaan polinomialorde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekattitik optimumnya
(Perhatikan gambar disampinghellip)
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
METODE INTERPOLASI KUADRATMETODE INTERPOLASI KUADRAT
Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0 x1 dan x2) yang mengapit titik optimumnya maka sebuah parabola dapat di-fit-kan melalui ketiganya
Diferensiasikan persamaan yang diperoleh set hasilnya menjadi sama dengan nol dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb
Penentuan x3 dilakukan secara iteratif melalui strategi yang sama dengan metode golden section hingga diperoleh penyelesaian yang konvergen
))((2))((2))((2
))(())(())((
102021210
21
202
20
221
22
210
3 xxxfxxxfxxxf
xxxfxxxfxxxfx
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
OPTIMASI BANYAK VARIABELOPTIMASI BANYAK VARIABEL
Misal diketahui sebuah fungsi dengan banyak variabel sbb
y = f(x1 x2 x3 hellip xn)
Ingin dicari harga x1 x2 x3 hellip xn yang memberikan hargay maksimum (maksimasi) atau minimum (minimasi)
Pengelompokan metodenya secara garis besar (1) non gradientmethods dan (2) gradient methods
Beberapa metode yang akan dibahas
1048708 Metode Hooke-Jeeves1048708 Metode langsung random search1048708 Metode steepest ascent (ascending) descent (descending)
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
METODE HOOKE-JEEVESMETODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves
(1) Eksplorasi nilai Δxi(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut Misal ingin dilakukan minimasi dari suatu fungsi
y = (x1 ndash 4)2 + 05(x2 ndash 9)2 + 3
Sebagai cek dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4 x2 = 9 dan harga ymin =3
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1x2 = 16 serta interval awal Δx1 = 1 dan Δx2 = 2
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Gagal3584
Gagal75 12 4
Gagal45 10 3
Gagal45 10 5
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Gagal45 8 5
Sukses35 10 4
Sukses85 12 3
Mengulangi langkah sukses
Sukses195 14 2
Gagal475 18 2
Sukses315 16 2
Eksplorasi dengan Δ x1 = 1 Δ x2 =2
Basis36516 1
KomentarKomentarYYXX22XX11Hooke Jeeves -2Hooke Jeeves -2
Hasil Hasil PerhitunganPerhitungan
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Hooke Jeeves -3Hooke Jeeves -3
Hasil Perhitungan
Gagal302884
Gagal318 964
Gagal306 92 38
Gagal306 92 42
Eksplorasi dengan Δx1 = 02 x2 =04
Gagal302884
Sukses302 92 4
Mengulangi langkah sukses
Sukses318964
Gagal496 104 4
Gagal354 10 38
Gagal354 10 42
Eksplorasi dengan Δ x1 = 02 x2 =04
KomentarYX2X1
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Gagal30008896400
Sukses30008904400
Mengulangi langkah sukses
Sukses3007912400
Gagal3039 928 400
Gagal302192396
Gagal302192404
Eksplorasi dengan Δ x1 = 004 Δ x2 =008
KomentarYX2X1
Hooke Jeeves -4Hooke Jeeves -4
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
METODE LANGSUNG (RANDOM SEARCH)
Sesuai dengan namanya metode ini secara berulang-ulang mengevaluasi nilai fungsi pada nilai-nilai variabel bebas tertentu (selected values) secara acak Jika banyaknya sampel yang dicoba mencukupi maka kondisi optimumnya akan teramati
tidak efisienhellip
Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun
Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
METODE STEEPEST ASCENTDESCENT
1048708 Merupakan jenis metode gradien yang paling sederhana
1048708 Terminologisteepest ascent 1048708 untuk pencarian maksimum fungsisteepest descent 1048708 untuk pencarian minimum fungsi
1048708 Prinsip pencarian optimum
Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensionalfunction) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function) berdasarkan gradien arah pencarian Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif)
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
PENCARIAN TITIK OPTIMUM
Sebagai ilustrasi f(xy)tinjaulah fungsi 2variabel f(xy) yangakan ditentukan titikmaksimumnya (lihatgambar di samping)
Berdasarkan nilaiawal x = x0 amp y = y0dapat ditentukannilai gradien (atauarah steepestascent)-nya yaknisebesar h0
Berdasarkan h0 nilai maksimum fungsi
dapat ditentukan yakni pada titik ldquo1rdquoDemikian seterusnya proses inidilakukan berulang-ulang hinggadiperoleh titik optimum
sesungguhnya
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Secara Numerik
Misal untuk sebuah fungsi 2 variabel f(xy)yang akan dicari titik optimumnya dengan nilai awal
x = x0 dan y = y0
Pada langkah iterasi pertama nilai x dan y yang barudapat ditentukan dengan
hy
fyy
and
hx
fxx
00
00
yx0
yx0
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
merupakan turunan parsial fungsi f(xy) terhadap x dan y
Dalam hal ini vektor gradien fungsinya dinyatakan sbg
Pada kasus ini sebuah fungsi 2 variabel dalam x dan yf(xy) ditransformasikan menjadi sebuah fungsi satuvariabel dalam h g(h)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya Demikian seterusnya
y
fand
x
f
jy
fix
ff
Silahkan Pelajari Contoh Silahkan Pelajari Contoh
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Contoh AplikasiLOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing (xiyi)menghasilkan limbah masing-masing sejumlah Qi Akan dibangunsuatu unit pengolah limbah terpadu untuk seluruh pabrik tersebutOngkos pengangkutan limbah dari pabrik ke unit pengolah limbahberbanding lurus dengan debit pangkat 06 Ingin ditentukan posisi(koordinat) unit pengolah limbah agar ongkos pengangkutanlimbah minimum
Analisis
Misal Lokasi pengolah limbah berada di titik P (xP yP)
Jarak pabrik (xiyi) ke lokasi pengolah limbah
Ongkos transport dari pabrik (xi yi)
60))((arg debitjarakkaH
22 )()( ipipi yyxxd
2260 )()( ipipii yyxxQkC
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
Ongkos transport total
Dicari nilai xP dan yP yang memberikan nilai CT minimumMisal
Dimisalkan pula nilai k = 1
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai
OPTIMASI FUNGSI 2 VARIABEL SECARA OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIKANALITIK
(sebuah perbandingan)(sebuah perbandingan)
1048708 Tinjaulah sebuah fungsi 2 variabel f(xy)1048708 Kriteria optimumnya dapat dibagi menjadi 3 kategori
f(xy) mempunyai minimum lokal jika det(H) gt 0 dan
f(xy) mempunyai maksimum lokal jika det(H) gt 0 dan
f(xy) mempunyai titik belok (saddle point) jika det(H) lt 0det(H) merupakan nilaideterminan matriks Hessian yangdinyatakan sebagai