Anda di halaman 1dari 37

MINIMALISASI BIAYA MENGGUNAKAN

GOLDEN SECTION AND HOOK JEEVES METHODS

OBJECTIVES
 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, “An Introduction to Numerical Methods for Chemical Engineers”, Texas: Texas Tech University Press, Chapter 6 􀂄 Steven C. Chapra & Raymond P. Canale, 2003,“Numerical Methods for Engineers: With Software and Programming Applications”, 4th edition, New York: McGraw-Hill Company Inc, Part Four 􀂄
etc.

Diameter pipa optimum. dan biaya operasi $ / year Cost components 1 Operating Costs Pump capital costs Total Pipe capital costs 168 401 Pipe diamater (in) 1.5 312 389 150 852 2 2. berdasarkan: Biaya investasi.25 308 192 1.5 56 660 150 866 4697 660 164 474 150 788 Diameter pipa mana yang akan Anda pilih? 5266 1160 .INTRODUCTORY EXAMPLE Persoalan pemilihan diameter pipa untuk mengangkut fluida dari satu proses ke proses yang lain.

kendala (constraints)  Contoh-contoh persoalan optimasi dalam bidang Engineering  Contoh-contoh constraints yang menyertai persoalan optimasi .PENGANTAR-1  Definisi optimasi  Jenis optimasi: 1. 2.fungsi objektif dan decision variables. 2.minimasi  Dua hal penting dalam studi optimasi: 1.maksimasi.

. Optimasi bisa berupa maksimasi atau minimasi. dalam arti paling menguntungkan. Jika berkaitan dengan masalah keuntungan.Definisi dan Jenis Optimasi Optimasi merupakan suatu proses untuk mencari kondisi yang optimum. maka keadaan optimum adalah keadaan yang memberikan pengeluaran/pengorbanan minimum (minimasi). maka keadaan optimum adalah keadaan yang memberikan keuntungan maksimum (maksimasi). Jika berkaitan dengan masalah pengeluaran/pengorbanan.

proses optimasi dapat dilakukan secara numerik. Secara analitik. . sedangkan harga-harga yang berpengaruh dan bisa dipilih disebut variabel (perubah) atau decision variable. nilai maksimum atau minimum dari suatu persamaan: y = f(x) dapat diperoleh pada harga x yang memenuhi: y’ = f’(x) = 0 Untuk fungsi yang sulit untuk diturunkan atau mempunyai turunan yang sulit dicari akarnya.Fungsi Objektif Secara umum. fungsi yang akan dimaksimumkan atau diminimumkan disebut fungsi objektif (objective function).

.Contoh Persoalan Optimasi dalam Bidang Engineering  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.

untuk kasus minimasi .PENGANTAR-2 Ilustrasi maksimasi (secara grafik): Beberapa istilah: Maksimum lokal Maksimum global A unimodal function One hump or one valley Catatan: Analog.

PENGANTAR-3 Maksimum dan minimum lokal dan global: .

PENGANTAR-4 Perbedaan antara persoalan optimasi dengan pencarian/ penentuan akar persamaan: .

PENGANTAR-5 Ilustrasi grafik optimasi dua variabel: .

: y = f(x) Ingin dicari harga x yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi). .Tinjaulah sebuah fungsi dengan satu variabel sbb. Dalam hal ini. x yang diperoleh merupakan nilai x optimum fungsi. Beberapa metode yang akan dibahas 􀂄 􀂄 􀂄 􀂄 Metode golden section Metode Newton Metode interpolasi kuadrat dsb.

Kedua tipe optimasi. dan mempunyai pendekatan yang mirip dengan metode bisection dalam penentuan akar persamaan tak linier. yaitu maksimasi dan minimasi dapat diselesaikan dengan cara ini. .METODE GOLDEN SECTION Golden section merupakan salah satu cara atau metode optimasi numerik yang bisa dipakai untuk fungsi yang bersifat unimodal. Golden-section (search) method merupakan metode optimasi satu variabel yang sederhana.

ide dasar metode ini adalah memanfaatkan nilai yang lama sebagai nilai yang baru.METODE GOLDEN SECTION Tinjaulah fungsi f(x) yang akan ditentukan maksimumnya. pada rentang x = xl dan x = xu . Secara matematik: (perhatikan gambar di samping). .

..61803 ..METODE GOLDEN SECTION Karena: l0  l1  l2 .. 2 (R biasa disebut sebagai Golden ration atau golden number) .. l1 l2 maka :  l1  l2 l1 l2 R l1 Ambil kebalikannya dan kemudian definisikan: l1  l2 l1  l1 l2 l2 l1 1 atau 1   atau : 1  R  l1 l2 R Sehingga: R 2  R  1  0 Nilai akar positifnya : R 5 1  0.

Mulai dari 2 nilai tebakan awal xl dan xu. Tentukan nilai x1 dan x2 di dalam rentang xl dan xu. sesuai dengan golden ratio (R) 5 1 X u  X l  d 2 x1  x1  d x2  xu  d . 2.ALGORITMA (kasus maksimasi): 1. yang mengapit titik maksimum.

sehingga salah satu titik lama bisa dipakai lagi pada evaluasi langkah berikutnya. Ada 2 kasus: (a) Jika: f(x1) > f(x2) Maka: domain x antara xl dan x2 dieliminasi x2 lama = xl baru x1 lama = x2 baru xu lama = xu baru x1 baru ditentukan (b) Jika: f(x2) > f(x1) Maka: domain x antara x1 dan xu dieliminasi x1 lama = xu baru x2 lama = x1 baru xl lama = xl baru x2 baru ditentukan . diharapkan ada sebagian interval yang dapat dieliminasi.ALGORITMA (kasus maksimasi): 3. Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2). Jadi hanya diperlukan 1 titik baru.

618)N = 0.METODE GOLDEN SECTION Algoritma untuk kasus minimasi kebalikan dari algoritma untuk kasus maksimasi tersebut di atas.001 N = 14.001 dari semula. maka jumlah step yang diperlukan (N) adalah: (0.3 ≈ 15 Jumlah evaluasi = 2 + (N – 1) x 1 = 16 Silakan Pelajari Contoh Soal . Efektivitas evaluasi dengan metode golden section: Misal diinginkan pengecilan interval sampai menjadi 0.

001 (SAMPLE) X=XA = 0 YA = (2*02) .EXAMPLE : DETERMINING MINIMATION FUNCTION Y = 2X2 – 8X + 12 KNOWN L 5 1  0.618 2 XA = LOWER LIMIT (BATAS BAWAH) = 0 XB = UPPER LIMIT (BATAS ATAS) = 4 TOL = 0.(8*0) + 12 = 12 X=XB=4 YB = (2*42 )– (8*4) +12 =12 .

472 – 1.02 XQNEW=1.618) * (4 – 0) =1.01 DST……         .53) +12 = 4.53 YP = (2 * 1.53) = 1.4722) – (8*2.8898 YPNEW=( 2*1.472 – 1.   XP=XA + (1 – L) * (XB – XA) = 0 + ( 1 – 0.45 XPNEW=1.53) = 1.8898) + 12 = 4.44 XQ=XA + L*(XB – XA) = 0 + 0.618*(4 – 0) = 2.472 YQ= (2*2.915) +12 = 4.53 + (1 – L)*(2.9152) – (8*1.915 YPNEW = (2*1.88982) – (8*1.618*(2.53 + 0.472) + 12 = 4.5322) – (8*1.

METODE NEWTON Metode ini menggunakan pendekatan yang sama dengan metode Newton dalam penentuan akar persamaan tak linier. melalui pendefinisian fungsi: g(x) = f’(x) Karena pada kondisi optimum: f '(x*) = g (x*) = 0 (x* menyatakan nilai x optimum) maka. nilai x* dapat diperoleh secara iteratif sebagai berikut: f ' ( xi) xi 1  xi  f " ( xi) Silakan Pelajari Contoh Soal Berikut .

(Perhatikan gambar di samping…) .METODE INTERPOLASI KUADRAT Metode ini dapat digunakan untuk melakukan optimasi secara numerik. Hal ini disebabkan oleh penggunaan polinomial orde-dua yang menghasilkan pendekatan cukup baik terhadap bentuk f(x) di dekat titik optimumnya.

: f ( x0 )(x1  x2 )  f ( x1 )(x2  x0 )  f ( x2 )(x0  x1 ) x3  2 f ( x0 )(x1  x2 )  2 f ( x1 )(x2  x0 )  2 f ( x2 )(x0  x1 ) 2 2 2 2 2 2 Penentuan x3 dilakukan secara iteratif. .METODE INTERPOLASI KUADRAT Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0. melalui strategi yang sama dengan metode golden section. maka sebuah parabola dapat difit-kan melalui ketiganya. x1. dan perkiraan x optimum dapat ditentukan (dalam hal ini sebagai x3) sbb. dan x2) yang mengapit titik optimumnya. hingga diperoleh penyelesaian yang konvergen. Diferensiasikan persamaan yang diperoleh. set hasilnya menjadi sama dengan nol.

x2.. x2.. …. dan (2) gradient methods Beberapa metode yang akan dibahas: 􀂄 􀂄 􀂄 Metode Hooke-Jeeves Metode langsung/ random search Metode steepest ascent (ascending)/ descent (descending) . xn) Ingin dicari harga x1. x3. x3. …. xn yang memberikan harga y maksimum (maksimasi) atau minimum (minimasi). Pengelompokan metodenya secara garis besar: (1) non gradient methods.OPTIMASI BANYAK VARIABEL Misal diketahui sebuah fungsi dengan banyak variabel sbb: y = f(x1...

dan harga ymin =3. x2 = 16. . Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1. Misal ingin dilakukan minimasi dari suatu fungsi: y = (x1 – 4)2 + 0.5. x2 = 9. serta interval awal Δx1 = 1 dan Δx2 = 2.(x2 – 9)2 + 3 Sebagai cek.METODE HOOKE-JEEVES Prinsip metode Hooke-Jeeves: (1) Eksplorasi nilai Δxi (2) Mengulangi langkah sukses Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh berikut. dengan mudah dapat terlihat bahwa minimum terjadi pada x1 = 4.

Δ x2 =2 Mengulangi langkah sukses Hasil Perhitungan Eksplorasi dengan Δ x1 = 1.5 19.5 47. Δ x2 =2 4 4 12 8 7.5 4.5 4.5 8.5 3.5 3.5 31.5 Komentar Basis Sukses Gagal Sukses Sukses Sukses Gagal Gagal Gagal Hooke Jeeves -2 Eksplorasi dengan Δ x1 = 1.X1 1 2 2 2 3 4 5 5 3 X2 16 16 18 14 12 10 8 10 10 Y 36.5 4.5 Gagal Gagal .

2 .2 9.02 3.54 4.X1 4.2.2 9.8 4 4 X2 10 10 10.06 3.4 9.2 3.96 3.8 9.6 8.54 3.02 Komentar Hooke Jeeves -3 Eksplorasi dengan Δ x1 = 0.4 Gagal Gagal Gagal Sukses Sukses Gagal Gagal Gagal Gagal Gagal Mengulangi langkah sukses Hasil Perhitungan Eksplorasi dengan Δx1 = 0.2 3. x2 =0.06 3.8 4 4 4 4 4.6 9. x2 =0.18 3.02 3.8 Y 3.2 8.4 .18 3.

12 3.2 9.96 3.021 3.039 3.007 Gagal Gagal Gagal Sukses Mengulangi langkah sukses 4.00 9.00 4.08 4.96 4.04 8.00 4.021 3.28 9.0008 3.0008 Sukses Gagal . Δ x2 =0.00 9.2 9.04 3.Hooke Jeeves -4 X1 X2 Y Komentar Eksplorasi dengan Δ x1 = 0.04.

Jika banyaknya sampel yang dicoba mencukupi.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. maka kondisi optimumnya akan teramati.  Pendekatan ini pada umumnya akan menghasilkan titik optimum global (bukan optimum lokal) Silahkan Pelajari Contoh . tidak efisien…!  Metode ini dapat diterapkan untuk fungsi yang discontinuous dan non-differentiable sekalipun.

METODE STEEPEST ASCENT/DESCENT 􀂄 􀂄 Merupakan jenis metode gradien yang paling sederhana. Langkah pencarian optimum ini selanjutnya dilakukan secara berulang-ulang (iteratif). berdasarkan gradien arah pencarian. Terminologi: steepest ascent 􀂄 untuk pencarian maksimum fungsi steepest descent 􀂄 untuk pencarian minimum fungsi 􀂄 Prinsip pencarian optimum: Dilakukan serangkaian proses transformasi untuk mengubah sebuah fungsi dengan banyak variabel (multidimensional function) menjadi sebuah fungsi dengan variabel tunggal (one-dimensional function). .

. yakni pada titik “1”. dapat ditentukan nilai gradien (atau arah steepest ascent)-nya. nilai maksimum fungsi dapat ditentukan. Demikian seterusnya. (lihat gambar di samping) Berdasarkan nilai awal x = x0 & y = y0.y) tinjaulah fungsi 2 variabel f(x.PENCARIAN TITIK OPTIMUM Sebagai ilustrasi. yakni sebesar h0.y) yang akan ditentukan titik maksimumnya. proses ini dilakukan berulang-ulang hingga diperoleh titik optimum sesungguhnya. Berdasarkan h0. f(x.

Secara Numerik: Misal. y0 . y0 h x 0 .y) yang akan dicari titik optimumnya. untuk sebuah fungsi 2 variabel: f(x. nilai x dan y yang baru dapat ditentukan dengan: x  x0  and y  y0  f x f y h x 0 . dengan nilai awal: x = x0 dan y = y0 Pada langkah iterasi pertama.

vektor gradien fungsinya dinyatakan sbg: f  f  f  i  j x y Pada kasus ini. Demikian seterusnya. Silahkan Pelajari Contoh .f f merupakan turunan parsial fungsi f(x. g(h). Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x0 dan y0 pada langkah iterasi berikutnya. sebuah fungsi 2 variabel dalam x dan y. ditransformasikan menjadi sebuah fungsi satu variabel dalam h.y) and terhadap x dan y x y Dalam hal ini. f(x.y).

LOKASI OPTIMUM PENGOLAH LIMBAH TERPADU Contoh Aplikasi: Sejumlah N pabrik dengan posisi koordinat masing-masing (xi.6 ( x p  xi ) 2  ( y p  yi ) 2 .6. Ongkos pengangkutan limbah dari pabrik ke unit pengolah limbah berbanding lurus dengan debit pangkat 0. yP) Jarak pabrik (xi.yi) menghasilkan limbah masing-masing sejumlah Qi. 6 Misal: Lokasi pengolah limbah berada di titik P (xP. Ingin ditentukan posisi (koordinat) unit pengolah limbah agar ongkos pengangkutan limbah minimum. yi): Ci  k. Akan dibangun suatu unit pengolah limbah terpadu untuk seluruh pabrik tersebut. Analisis: H arg a  k ( jarak )( debit) 0.yi) ke lokasi pengolah limbah: d i  ( x p  xi ) 2  ( y p  yi ) 2 Ongkos transport dari pabrik (xi.Qi0.

Misal: Dimisalkan pula: nilai k = 1 .Ongkos transport total: Dicari nilai xP dan yP yang memberikan nilai CT minimum.

OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIK (sebuah perbandingan) 􀂄 􀂄 Tinjaulah sebuah fungsi 2 variabel: f(x.y) mempunyai minimum lokal: jika det(H) > 0 dan f(x.y) Kriteria optimumnya dapat dibagi menjadi 3 kategori: f(x.y) mempunyai titik belok (saddle point): jika det(H) < 0 det(H) merupakan nilai determinan matriks Hessian yang dinyatakan sebagai .y) mempunyai maksimum lokal: jika det(H) > 0 dan f(x.