Misalkan suatu fungsi f dengan 3 variable bebas yang

memiliki first dan second order partial derivative maka bordered Hessian Matrix dari fungsi f dapat ditulis sebagai berikut :

0 f1 H f2 f3

f1 f11 f 21 f 31

f2 f12 f 22 f 32

f3 f13 f 23 f 33

 Bordered Hessian Matrix dibentuk dari Hessian

Matrix dengan penambahan [0 f1 f2 f3] (jika hanya terdiri dari 3 variable bebas) sebagai baris pertama dan kolom pertama Baris dan kolom pertama yang melingkungi Hessian Matrix untuk fungsi bersyarat adalah syarat dari fungsi tersebut yang harus di penuhi

Bordered Hessian Matrix : Positive/Negative Definite

Sama seperti Hessian Matrix, minor bordered Hessian

Matrix dapat mengklasifikasikan apakah suatu fungsi adalah positive/negative definite Misalkan suatu fungsi terdir dari 3 variable bebas maka Bordered Hessian Matrix dan minornya adalah :

H2

0 f1 f2

f1 f11 f 21

f2 f12 f 22 f1 f11 f 21 f 31 f2 f12 f 22 f 32 f3 f13 f 23 f 33

H3

0 f1 H f2 f3

 Untuk fungsi f yang terdiri n variable bebas:

1. Fungsi adalah positive definite jika

H 2 0, H 3 0,....., H n 0

Dalam kasus ini, fungsi f adalah quasiconvex untuk bilangan ril positive berdimensi n 2. Fungsi adalah negative definite jika
H 2 0, H 3 0,...., H n H 0 untuk n genap atau H n H 0 untuk n ganjil

Dalam kasus ini, fungsi f adalah quasiconcave untuk bilangan rill positive berdimensi n

 Evaluasi untuk mendefinisikan positive/negative

definite tergantung pada banyaknya variable bebas. Jika hanya ada 2 variable bebas maka Contoh: H 2 H Tunjukan apakah fungsi y = x1x22 adalah fungsi quasiconcave atau quasiconvex pada bilangan positive berdimensi dua

Optimalisasi Bersyarat
Optimalisasi bersyarat adalah mencari nilai

maksimum atau minimum suatu fungsi yang terkekang oleh fungsi lain yang harus dipenuhi Kasus optimalisasi bersyarat banyak ditemukan dalam ekonomi Misalnya konsumen hendak memaksimumkan utility tetapi terikat pada fungsi pendapatan atau suatu perusahaan hendak meminimumkan cost tetapi terikat pada fungsi produksinya

Lagrange Method
Lagrange Method adalah suatu metoda penyelesaian

masalah optimalisasi bersyarat Metoda ini membentuk fungsi baru yang disebut Lagrange function Lagrange Function merupakan penjumlahan dari fungsi yang hendak dioptimumkan dengan hasil kali antara pengganda Lagrange () dan fungsi kendala

 Secara matematis, fungsi lagrange dapat ditulis

sebagai berikut : Max y = f(x1,x2) s.t g= g(x1,x2) maka fungsi lagrange-nya adalah:

L( x1 , x2 , ) f ( x1 , x2 ) ( g g ( x1 , x2 ))
= Multiplier (pengganda) lagrange yang merupakan suatu variable tak tertentu dan hanya bersifat membantu

Tahap-Tahap Penyelesaian Optimalisasi Bersyarat

Syarat Perlu (necessary condition) Mencari titik kritis yang diperoleh dari first order condition (FOC) fungsi lagrange yang sama dengan nol 2. Syarat cukup (sufficient condition) Menentukan apakah titik kritis maksimum atau minimum dengan menentukan apakah fungsi adalah positive/negative definite minor Bordered Hessian Matrix
1.

 Jika minor Bordered Hessian Matirx menunjukan

bahwa fungsi adalah negative definite (quasiconcave) maka titik kritis adalah nilai maksimum (memenuhi kondisi maksimum) Jika minor Bordered Hessian Matrix menunjukan bahwa fungsi adalah positive definite (quasiconvex) maka titik kritisnya adalah nilai minimum (memenuhi kondisi minimum)

Contoh:
1.

Tentukan apakah fungsi berikut ini adalah memenuhi nilai maksimum atau minimum
2 2 y x12 2 x2 x3 x1 x2 x3 jika x1 x2 x3 35

2.

max y x

0.25 0.75 1 2

subject to : 2 x14 x2 100

3. Berapakah jumlah output yang diproduksi oleh suatu perusahaan apabila biaya minimum perusahaan ditunjukan oleh fungsi sebagai berikut :

TC 3q 5q1q2 6q
2 1

2 2

dan perusahaan ingin memproduksi output sebesar 5q1+7q2=800. Tunjukan apakah biaya produksi perusahaan tersebut adalah minimum.