Nughthoh Arfawi Kurdhi, M.

Sc Department of Mathematics FMI PA UNS

OPTIMASI FUNGSI MULTIVARIABLE TANPA KENDALA
DENGAN METODE NEWTON

Susi Ranangga [M0108067] , Aeroni Dwijayanti [M0108078] Hamdani Citra P. [M0110031],
Nafi Nur Khasana [M0110058]


1. Pendahuluan

Dalam kehidupan sehari-hari baik disadari maupun tidak, sebenarnya orang selalu
melakukan optimasi untuk memenuhi kebutuhannya. Tetapi optimasi yang dilakukan
masyarakat awam lebih banyak dilandasi oleh intuisi daripada teori optimasi. Dalam
masalah optimasi terdapat dua bentuk optimasi yaitu fungsi optimasi tanpa kendala dan
dengan kendala. Banyak aplikasi dari pemodelan matematika yang berbentuk linear atau
nonlinear dalam optimasi fungsi yang mensyaratkan beberapa kendala ataupun tanpa
kendala untuk diperoleh suatu solusi optimal. Permasalahan ini berfungsi untuk mencari
nilai ektrim dari fungsi tujuan. Persoalan dengan model nonlinear yang tidak disertai
kendala dinamakan optimasi nonlinear tanpa kendala. Optimasi merupakan masalah yang
berhubungan dengan keputusan yang terbaik, maksimum, minimum dan memberikan cara
penentuan solusi yang memuaskan.

Terdapat beberapa metode dalam mencari optimasi multivariable tanpa kendala.
Diantaranya metode Univariate, Steepest Descent, dan Newton. Dalam metode Univariate
membutuhkan iterasi yang banyak dalam mencari nilai optimasinya. Begitu pula dengan
metode Steepest Descent yang nilai iterasinya tergantung pada pemilihan nilai , semaki
kecil semakin banyak iterasi yang dibutuhkan. Dari berbagai masalah itu metode Newton
memberikan alternatif yang lebih bagus. Dalam makalah ini akan dijelaskan tentang metode
Newton beserta contoh kasusnya.


2. Pembahasan

Fungsi Multivariable tanpa Kendala
Cara analitis yang diterapkan pada permaslahan optimasi satu variable dapat diterapkan
pada permasalahan multivariable. Dalam makalah ini akan dibahas masalah optimasi
untuk fungsi lebih dari satu variabel. Seperti masalah minimisasi pada satu variabel;
minimumkon: z =(x
1
,x
2
,,x
n
).
Sedangkan bentuk umum dari fungsi multivariable:
minimumkon:z =(x) =_
x
1
x
2

x
n
_ R
n

Merupakan fungsi dari n variabel :R
n
R tranpose dari matriks x ditulis dengan
x
t
=[x
1
,x
2
,,x
n
]
Penggunaan turunan sebagai syarat perlu dan cukup: (x) =0 Dan
2
(x) definit positif.
Sering ada problem yang gagal memenuhi syarat-syarat tersebut tetapi (x) masih
mempuyai optimum, misal (x) =|x|.

Metode Newton
Dalam analisis numerik, metode Newton juga dikenal dengan metode Newton Rapshon
yang mendapat nama dari I saac Newton (1669) dan J oseph Rapshon (1690), merupakan
suatu metode yang cukup dikenal untuk mencari pendekatan terhadap akar fungsi riil.
Metode Newton Rapshon sering konvergen dengan cepat, terutama bila dimulai cukup
dekat dengan akar yang diinginkan. Namun, bila iterasi dimulai jauh dari akar yang
dicari, metode ini dapat melesat tanpa peringatan.I mplementasi metode ini biasanya
mendeteksi dan mengatasi kegagalan konvergensi.

Nughthoh Arfawi Kurdhi, M.Sc Department of Mathematics FMI PA UNS

Gagasan awal metode Newton Rapshon adalah metode yang digunakan untuk mencari
akar dari sebuah fungsi riil. Metode ini dimulai dengan memperkirakan satu titik awal
dan mendekatinya dengan memperlihatkan slope atau gradient pada titik tersebut.
Diharapkan dari titik awal tersebut akan diperoleh pendekatan terhadap akar fungsi
yang dimaksud.

Diberikan fungsi R
n
R

2
(x) definit positif untuk semua x, jadi juga konveks. Misal x
k
suatu vektor tertentu
(merupakan estimasi untuk (x

). Untuk menemukan estimasi baru x

k+1
sebagai be-
rikut. Perhatikan pendekatan kuadratis lewat ekspansi taylor dari fungsi di titik x
k
.
P(x) =(x
k
) +(x x
k
).(x
k
) +1/ 2
2
(x
k
)(x x
k
)
P(x
k
) =(x
k
)
P(x) =(x
k
) +
2
(x
k
)(x x
k
)
P(x
k
) =(x
k
)

2
P(x
k
) =
2
(x
k
)
Sehingga
2
P(x) definit positif dan P(x) adalah konveks. Estimasi baru untuk x

dapat
dengan mencari minimum dari p(x), diperoleh
x
k+1
=x
k
[
2
(x
k
)]
-1
.(x
k
).

Algoritma
I nput R
n
R:, ,
2
, (definit positif), estimasi awal x
0
R
n
, toleransi (o),k =0.
Step: 1. x
k+1
=x
k
[
2
(x
k
)]
-1
.(x
k
)
2. jika (x
k+1
) <o , STOP. x

=x
k+1

3. k
0
=k +1, ulangi step 1.

Contoh Kasus
(1) Diketahui: A =j
1 1
1 2
[, b =j
1
1
[, c =0, x =j
x
1
x
2
[. Carilah minimum dari fungsi kuadratik (x)
yang diperoleh dari matriks A,b,x Jon konstonto 0 di atas, dengan toleransi o =0.01 dan
imulai dari titik awal x
0
=j
0
0
[.

Penyelesaian:
(x
1
,x
2
) =
1
2
x
t
Ax +b
t
x +c
=
1
2
x
1
2
+x
2
2
+x
1
x
2
x
1
x
2

Dengan gambar sbagai berikut.



Gradien dari
(x) =Ax +b =_
]
x
1
]
x
2
_ =_
x
1
+x
2
1
x
1
+2x
2
1
_.
Diperoleh
Nughthoh Arfawi Kurdhi, M.Sc Department of Mathematics FMI PA UNS

(x
0
) =j
0+01
0+01
[ =j
1
1
[

2
(x) =

o
2

ox
1
2
o
2

ox
2
x
1
o
2

ox
2
x
1
o
2

ox
2
x
2

=j
1 1
1 2
[

2
(x
0
) =j
1 1
1 2
[

2
(x) =A =j
1 1
1 2
[ ,
1
=1 >0,
2
=1 >0
J adi
2
definit positif.

I terasi 1: k =0
x
1
=x
0
[
2
(x
0
)]
-1
.(x
0
)
=j
0
0
[ j
2 1
1 1
[ .j
1
1
[ =j
1
0
[
(x
1
) =_
x
1
+x
2
1
x
1
+2x
2
1
_ =j
1+01
1+01
[ =j
0
0
[,
(x
1
) =0
2
+0
2
=0 <o =0.01.
I terasi berhenti, dan
x

=x
1
=j
1
0
[.

(2) Diberikan suatu fungsi (x
1
,x
2
) =x
1
3
+x
2
3
+2x
1
2
+4x
2
2
+6, o =0.01 dan nilai awal x
0
=j
0
0
[.

Penyelesaian:

Gradien dari
(x) =Ax +b =_
o/ ox
1
o/ ox
2
_ =_
3x
1
2
+4x
1
3x
2
2
+8x
2
_.
Diperoleh
(x
0
) =j
3.0+4.0
3.0+8.0
[ =j
0
0
[

2
(x) =

o
2

ox
1
2
o
2

ox
2
x
1
o
2

ox
2
x
1
o
2

ox
2
2

=_
6x
1
+4 0
0 6x
2
+8
_

2
(x
0
) =j
6.0+4 0
0 6.2+8
[ =j
4 0
0 8
[

2
(x) =A =j
4 0
0 8
[ ,
1
=4>0,
2
=32>0.
J adi
2
definit positif.


Nughthoh Arfawi Kurdhi, M.Sc Department of Mathematics FMI PA UNS


I terasi 1: k =0
x
1
=x
0
[7
2
(x
0
)]
-1
.7(x
0
)
=j
0
0
[ j
4 0
0 8
[
-1
.j
0
0
[
=j
0
0
[
1
32
j
8 0
0 4
[ .j
0
0
[
=j
0
0
[ _
1
4
0
0
1
8
_ .j
0
0
[
=j
0
0
[ j
0
0
[ =j
0
0
[
7(x
1
) =_
3x
1
2
+4x
1
3x
2
2
+8x
2
_,
7(x
1
) =7 [j
0
0
[ =j
3.0+4.0
3.0+8.0
[ =j
0
0
[
7(x
1
) =0
2
+0
2
=0 <o =0.01.
I terasi berhenti, dan
x

=x
1
=j
0
0
[.

(3) Diberikan suatu fungsi (x
1
,x
2
) =2x
1
2
+x
2
2
+2x
1
x
2
+x
1
x
2
, o =0.01 dengan x
0
=j
0
0
[.

Penyelesaian:
Gradien f
(x) =Ax +b =_
o/ ox
1
o/ ox
2
_ =_
4x
1
+2x
2
+1
2x
1
+2x
2
1
_
Diperoleh
(x
0
) =j
4.0+2.0+1
2.0+2.01
[ =j
1
1
[

2
(x) =A =_

2
x
x
1
2

2
x
x
1
x
2

2
x
x
2
x
1

2
x
x
2
2
_ =j
4 2
2 2
[ ,
1
=4>0,
2
=4>0.
J adi
2
definit positif.

I terasi 1: k =0
x
1
=x
0
[
2
(x
0
)]
-1
.(x
0
)
=j
0
0
[ j
4 2
2 2
[
-1
.j
1
1
[
=j
0
0
[
1
4
j
2 2
2 4
[ j
1
1
[
=j
0
0
[ _
1
2

1
2

1
2
1
_ j
1
1
[
=j
0
0
[ _
1
3/ 2
_ =_
1
3/ 2
_
(x
1
) =_
4(1) +2(3/ 2) +1
2(1) +2(3/ 2) 1
_ =j
0
0
[, (x
1
) =0<o =0.01.
I terasi berhenti, dan
x

=x
1
=_
1
3/ 2
_.






Nughthoh Arfawi Kurdhi, M.Sc Department of Mathematics FMI PA UNS

3. Penutup

Kesimpulan yang bisa diambil dari pembahasan adalah :
Algoritma atau langkah dari metode Newton adalah
R
n
R, ,
2
, (definit positif), estimasi awal x
0
R
n
, dengan toleransi (o),k =0.
Step: 1. x
k+1
=x
k
[
2
(x
k
)]
-1
.(x
k
)
2. jika(x
k+1
) <o , STOP. x

=x
k+1

3. k
0
=k +1, ulangi step
Dari kasus 1, diperoleh f minimum dengan x*=j
1
0
[ , kasus 2 diperoleh f minimum dengan
x* =j
0
0
[ dan kasus 3 diperoleh x* =j
1
1.5
[.

4. DAFTARPUSTAKA
I ndriati, Diari. (2008). Program Tak Linear, Surakarta.
Luknanto, Djoko. (2000). PengantarOptimasi Non Linear, Yogjakarta.