Anda di halaman 1dari 18

TUGAS

TEORI OPTIMISASI

PROGRAM KUADRATIK

TUGAS TEORI OPTIMISASI PROGRAM KUADRATIK OLEH: KELOMPOK 6 AUGISTRI PUTRI PRADANI ELOK FAIQOTUL HIMMAH MEGASARI

OLEH:

KELOMPOK 6

AUGISTRI PUTRI PRADANI ELOK FAIQOTUL HIMMAH

MEGASARI 13/353881/PPA/04251 ROFIATUN 13/354252/PPA/04279

13/355009/PPA/04336

13/353907/PPA/04263

PROGRAM STUDI S2 MATEMATIKA

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS GADJAH MADA YOGYAKARTA

2014

PENDAHULUAN

Pesatnya perkembangan ilmu pengetahuan dan teknologi membuat matematika menjadi memiliki peranan yang penting. Hampir dapat dipastikan bahwa setiap bagian dari ilmu dan teknologi baik dalam unsur kajian umum ilmu murni atau terapannya memerlukan peranan matematika sebagai ilmu bantuannya.

Salah satu bagian dari matematika terapan adalah pemrograman nonlinier. Terdapat banyak jenis masalah pemrograman nonlinier, tergantung pada karakteristik fungsi tujuan dan fungsi kendala. Salah satunya adalah pmrograman kuadratis yang merupakan bentuk khusus dari pemrograman nonlinier. Pemrograman kuadratis ini memiliki kendala linier, tetapi fungsi tujuan berbentuk kuadratis. Oleh karena itu, satu-satunya perbedaan antara pemrograman kuadratis dengan pemrograman linier adalah terletak pada fungsi tujuannya, dimana pada fungsi kuadratis fungsi tujuannya melibatkan pangkat dua dari variabel atau perkalian dari dua variabel.

Beberapa metode telah dikembangkan untuk menyelesaikan kasus pemrograman kuadratis dengan asumsi tambahan fungsi tujuan merupakan fungsi konveks. Salah satu metode untuk menyelesaikan masalah pemrograman kuadratis adalah dengan persyaratan Karush-Kuhn- Tucker (KKT). Metode ini sangat efektif untuk permasalahan optimasi nonlinier dengan kendala pertidaksamaan. Dengan pendekatan persyaratan KKT dapat diperoleh optimasi dari pemrograman kuadratis. Dalam hal ini kondisi yang perlu diperhatikan adalah mengikuti syarat cukup agar mendapatkan nilai-nilai variabel yang optimal untuk mencapai hasil yang diinginkan.

PEMBAHASAN

1. Pemrograman Kuadratik Pemrograman kuadratik adalah masalah optimasi dengan maksud memaksimumkan atau meminimumkan fungsi tujuan yang berbentuk kuadratik dengan fungsi kendalanya berbentuk persamaan atau pertidaksamaan linier. Adapun bentuk umum fungsi kuadratis dengan notasi matriks seperti persamaan (2.1).

f

(

x

)

cx x

T

Hx

(2.1)

Dengan kendala :

Ax b dan H AR R

dengan :

nxn

mxn

x 0

: matriks Hessian berukuran (nxn)

: matriks kendala

xR

cR

bR

n

n

m

: vektor kolom

: vektor baris dari fungsi tujuan

: vektor kolom dari kendala bagian kanan

2. Kondisi Karush-Kuhn-Tucker Pada tahun 1951 Kuhn Tucker mengemukakan suatu teknik optimisasi yang dapat digunakan untuk pencarian titik optimum dari suatu fungsi berkendala. Metode Karush-Kuhn- Tucker (KKT) ini dapat digunakan untuk mencari solusi yang optimum dari suatu fungsi tanpa memandang sifat dari dari fungsi tersebut apakah linier atau nonlinier. Jadi metode KKT ini bersifat teknik yang umum dalam pencarian titik optimum dari setiap fungsi.

Jika dihadapkan pada masalah optimisasi dalam bentuk :

Maksimumkan/minimumkan : Z f (x) dengan

X

{

x

1

,

x

2

,

,

x

n

Dengan kendala :

g

i

(

x

)

0

atau

g

i

(

x

)

0

dengan i 1,2,3, ,m

}

X 0

m n (Jumlah kendala lebih kecil dari variabel)

maka langkah pertama, tuliskan kembali fungsi kendalanya yang masing-masing dengan tanda lebih kecil dari atau sama dengan, kemudian tambahkan variabel-variabel slack berturut-turut pada ruas kiri kendala sehingga tiap-tiap ketidaksamaan menjadi suatu kesamaan. Selanjutnya dibentuk fungsi Lagrange yaitu :

L f

(

X

)

(

g

i

i

(

x

))

Dengan

i adalah pengali Lagrange. Langkah terakhir adalah menyelesaikan sistem

persamaan:

Persamaan

di

x L

i

L

i

0

0

(3.2)

(3.3)

i

atas

0 (3.4)

membentuk

persyaratan

minimasi program linier dan nonlinier.

KKT

untuk

maksimasi

ataupun

Teorema 2.1 di bawah ini memberikan kondisi Kuhn-Tucker untuk memecahkan persoalan nonlinear berkendala.

Teorema 2.1

Diasumsikan

f

(

x

),

g

1

(

x

x

*

1 '

x

,

2 '

x

,

,

n '

x

menjadi

),

g

2

(

x

),

solusi

,

g

m

(

x

)

optimal

merupakan fungsi yang dapat diturunkan, maka

untuk

permasalahan

pemrograman

nonlinier

masalah minimisasi hanya jika terdapat sejumlah m bilangan

syarat kondisi KKT berikut terpenuhi:

  

1

,

2

,

,

m

sehingga semua

(i)

(ii)

(iii)

(iv)

(v)

(vi)

f

x

j

m



i 1

i

  x g

j

0

x   f

x

j

j

m



i 1

i

  x g    0

j

f

  g

i

m



i

(

g

x

i

j

i

0

0

x

i

i 1

)

i

0

0

pada

x

x

* untuk j=1,2,…,n

pada

x

x

* untuk j=1,2,…,n

untuk i=1,2,…,m

untuk i=1,2,…,m

untuk j=1,2,…,n

untuk i=1,2,…,m

Teorema 2.2

Diasumsikan

x

*

1 '

x

,

2 '

x

,

,

n '

x

f

(

x

),

g

1

(

x

menjadi

),

g

2

(

x

),

solusi

,

g

m

(

x

)

optimal

merupakan

fungsi

yang terdifferensial,

maka

untuk

permasalahan

pemrograman

nonlinier

masalah maksimasi hanya jika terdapat sejumlah m bilangan

syarat kondisi KKT berikut terpenuhi:

  

1

,

2

,

,

m

sehingga semua

(i)

(ii)

(iii)

(iv)

(v)

(vi)

f

x

j

m



i 1

i

  x g

j

0

x   f

x

j

j

m



i 1

i

  x g    0

j

f

 

g

i

m



i

(

g

x

i

j

i

0

0

x

i

i 1

)

i

0

0

pada

x

x

* untuk j=1,2,…,n

pada

x

x

* untuk j=1,2,…,n

untuk i=1,2,…,m

untuk i=1,2,…,m

untuk j=1,2,…,n

untuk i=1,2,…,m

3. Kondisi Optimal Dalam Pemrograman Kuadratis Diperhatikan kembali persamaan (2.1). Prosedur menggunakan Kondisi KKT untuk memecahkan suatu masalah optimasi dalam pemrograman kuadratis dengan kendala berupa pertidaksamaan secara esensial melibatkan fungsi Lagrange. Adapun fungsi Lagrange untuk program kuadratik (2.1) seperti persamaan (3.5).

L

(

x cx x Hx Ax b

,

)

T

(

)

(3.5)

Dengan

adalah vektor baris berdimensi m. Selanjutnya kondisi KKT program

kuadratis untuk minimum lokal memenuhi :

L

x

j

L

i

0,

j

1,

,

n

maka

0,

i

1,

,

m

maka

T

c x H A 0

Ax b 0

(3.6)

(3.7)

x

L

)

0,

j

1,

j

x

j

i

g

i

(

x

0, i

,

1,

m n

x   0, 0, i j  

j

i

1, 1,

,

,

n

maka

,

m

maka

 

maka

maka

T

x

(

T

c

)

Hx A

T

Ax b0

x 0

0

0

(3.8)

(3.9)

(3.10)

(3.11)

Diperhatikan bahwa agar dapat dicari penyelesaian optimalnya maka persamaan (3.6) harus ditambahkan variabel surplus, yaitu variabel yang dikurangkan dari model matematik kendala untuk mengkonversikan pertidaksamaan menjadi persamaan (=), sedangkan untuk persamaan (3.7) perlu ditambahkan slack yaitu variabel yang ditambahkan ke model matematik kendala dengan mengkonversikan pertidaksamaan menjadi persamaan (=). Sehingga diperoleh :

T

c

Hx A y 0

T

T

dan Axbv 0

Selanjutnya, kondisi KKT menjadi :

Hx A y c

T

T

T

Ax v b

x 0,0, y 0,v 0

T

y x

0,

v

0

(3.12)

(3.13)

(3.14)

(3.15)

Adapun kondisi KKT program kuadratis untuk maksimum lokal memenuhi :

L

x

j

L

i

x

j

L

x

j

0,

0,

j

i

0,

1,

1,

j

,

,

1,

n

m

i

g

i

( )

x

0,

i

1,

 

maka

maka

,

n

maka

,

m

maka

T

c x H A 0

Ax b 0

T

x

(

T

c

)

Hx A

T

Ax b0

 

(3.16)

(3.17)

0

(3.18)

(3.19)

x 0, 0, i j

j

i

1, 1,

 

,

n

maka

x 0

(3.20)

,

m

maka

0

(3.21)

Diperhatikan bahwa agar dapat dicari penyelesaian optimalnya maka persamaan (3.16) harus ditambahkan variabel slack, yaitu variabel yang ditambahkan ke model matematik kendala untuk mengkonversikan pertidaksamaan menjadi persamaan (=). Sedangkan untuk persamaan (3.17) perlu ditambahkan variabel surplus yaitu variabel yang dikurangkan dari model matematik kendala dengan mengkonversikan pertidaksamaan menjadi persamaan (=) sehingga diperoleh :

T

c

Hx A y 0

T

T

dan Axbv 0

Selanjutnya, kondisi KKT menjadi :

Hx A y c

T

T

T

Ax v b

x 0,0, y 0,v 0

T

y x

0,

v

0

(3.22)

(3.23)

(3.24)

(3.25)

4. Mencari Penyelesaian Optimum Berikut adalah prosedur untuk mencari penyelesaian optimum dari program kuadratik:

a)

Menentukan

Selanjutnya dibentuk seperti persamaan (3.12) dan (3.13)

c

T

,

,

H A

,

b berdasarkan fungsi objektif dan kendala yang telah diberikan.

b) Jika pada ruas kanan nilainya negatif, maka persamaan yang bersesuaian dikalikan dengan

-1.

c) Menambahkan variabel buatan pada masing-masing persamaan. Variabel buatan adalah variabel yang ditambahkan ke model matematik kendala dengan bentuk atau = untuk difungsikan sebagai variabel basis awal. Variabel ini harus bernilai 0 pada solusi optimal, karena kenyataannya variabel ini tidak ada (variabel ini hanya ada di kertas).

d) Memisalkan fungsi tujuan adalah jumlah dari seluruh variabel buatan.

e) Menyelesaikan program linier dengan metode simpleks.

5. Langkah Penyelesaian Metode Simpleks Berikut adalah langkah-langkah penyelesaian metode simpleks:

a) Masukkan variabel-variabel pada kondisi KKT ke dalam tabel simpleks, kemudian tentukan variabel basisnya. Variabel basis merupakan variabel yang nilainya bukan nol pada sembarang iterasi. Pada solusi awal, variabel basis merupakan variabel slack (jika fungsi kendala merupakan pertidaksamaan atau variabel buatan (jika fungsi kendala merupakan pertidaksamaan atau =).

b) Periksa apakah tabel layak atau tidak. Kelayakan tabel simpleks dilihat dari solusi (nilai kanan). Jika solusi ada yang bernilai negatif, maka tabel tidak layak. Tabel yang tidak layak tidak dapat diteruskan untuk dioptimalkan.

c) Tentukan kolom pivot. Penentuan kolom pivot dilihat dari:

Untuk masalah minimasi : Pilih kolom yang memuat

Untuk masalah maksimasi : Pilih kolom yang memuat

min

c

j

 

c

z

j

c

z

j

j

maks c

j

dengan

z

j

m



i 1

c

Bi

a

ij

j

z

j

0

  0

z

j

d) Jika kolom pivot ditandai dan ditarik ke atas, maka kita akan mendapatkan variabel keluar. Jika nilai paling negatif (untuk tujuan maksimisasi) atau positif terbesar (untuk tujuan minimisasi) lebih dari satu, pilih salah satu secara sembarang.

e) Tentukan baris pivot. Baris pivot ditentukan setelah membagi nilai solusi dengan nilai kolom pivot yang bersesuaian (nilai yang terletak dalam satu baris). Dalam hal ini, nilai negatif dan 0 pada kolom pivot tidak diperhatikan, artinya tidak ikut menjadi pembagi. Baris pivot adalah baris dengan rasio pembagian terkecil. Jika baris pivot ditandai dan ditarik ke kiri, maka kita akan mendapatkan variabel keluar. Variabel ini kemudian digantikan oleh variabel masuk, pada iterasi berikutnya akan bernilai nol. Jika rasio pembagian terkecil lebih dari satu, pilih salah satu secara sembarang.

f) Tentukan elemen pivot. Elemen pivot merupakan nilai yang terletak pada perpotongan kolom dan baris pivot.

g) Bentuk tabel simpleks baru. Tabel simpleks baru dibentuk dengan pertama sekali menghitung nilai baris pivot baru. Baris pivot baru adalah baris pivot lama dibagi dengan elemen pivot. Baris baru lainnya merupakan pengurangan nilai kolom pivot baris yang

bersangkutan dikali baris pivot baru dalam satu kolom terhadap baris lamanya yang terletak pada kolom tersebut, jika dituliskan dalam kalimat matematika menjadi:

h) Periksa apakah tabel sudah optimal, ciri-ciri tabel optimal yaitu:

Untuk masalah minimasi :

c

Untuk masalah maksimasi :

dengan

z

j

m



i 1

c

Bi

a

ij

  z z   0 0

j

c

j

j

j

Contoh penyelesaian metode simpleks :

Maksimum z = 8 x 1 + 9 x 2 + 4x 3 + 0s 1 + 0s 2 + 0s 3

Kendala :

x 1 + x 2 + 2x 3 + s 1

= 2

2x 1 + 3x 2 + 4x 3 + s 2 = 3

7x 1 + 6x 2 + 2x 3

+ s 3 = 8

x 1 ,x 2 ,x 3 ,s 1 , s 2 , s 3 ≥ 0

Tabel awal simpleks :

Basis

X(j)

X1

X2

X3

S1

S2

S3

b(i)

bi/a(ij)

C(j)

8

9

4

0

0

0

S1

0

1

1

2

1

0

0

2

 

S2

0

2

3

4

0

1

0

3

 

S3

0

7

6

2

0

0

1

8

 

z(j)

0

0

0

0

0

0

   

c(j)-z(j)

8

9

4

0

0

0

   

6. Contoh Kasus dan Pembahasan Kasus I

Selesaikan masalah berikut:

Minimalkan

Dengan syarat

Penyelesaian:

Didefinisikan variable sebagai berikut:

 

(

),

(

),

(

),

(

)

 

,

,

,

Kondisi Karush- Kuhn Tucker (KKT) :

atau

(

) (

)

(

) (

)

(

)

(

)

(

) (

)

(

)

(

)+

Sehingga kondisi KKT dapat dituliskan kembali sebagai berikut :

Penambahan variable buatan:

Minimalkan

Dengan syarat:

Semua variable

Selanjutnya diselesaikan dengan modifikasi metode simpleks dua fase.

Iterasi 1.

Basis

xj

x1

x2

m1

m2

y1

y2

v1

v2

a1

a2

a3

a4

bi

bi/ai

cj

0

0

0

0

0

0

0

0

1

1

1

 

a1

1

2

0

1

1

-1

0

0

0

1

0

0

0

8

 

a2

1

0

8

1

0

0

-1

0

0

0

1

0

0

16

2

a3

1

1

1

0

0

0

0

1

0

0

0

1

0

5

5

a4

1

1

0

0

0

0

0

0

1

0

0

0

1

3

 

zj

 

4

9

2

1

-1

-1

1

1

1

1

1

1

32

3.555556

cj-zj

 

-4

-9

-2

-1

1

1

-1

-1

0

0

0

-1

   

Iterasi 2.

Basis

xj

x1

x2

m1

m2

y1

y2

v1

v2

a1

a2

a3

a4

bi

bi/ai

cj

0

0

0

0

0

0

0

 

1

1

1

     

a1

1

2

0

1

1

-1

-1

0

0

1

1

0

0

8

4

x2

0

0

1

0.125

0

0

-0.125

0

0

0

0.125

0

0

2

 

a3

0

1

0

-0.125

0

0

0.125

1

0

0

-0.125

1

0

3

3

a4

1

1

0

0

0

0

0

0

1

0

0

0

1

3

3

zj

 

3

0

1

1

-1

-1

0

1

1

1

0

1

11

 

cj-zj

-3

0

-1

-1

1

1

0

 

0

0

1

-1

   

Iterasi 3.

Basis

xj

x1

x2

m1

m2

y1

y2

v1

v2

a1

a2

a3

a4

bi

bi/ai

cj

0

0

0

0

0

0

0

0

1

1

1

1

a1

1

0

0

1.25

1

-1

-1.25

-2

0

1

1.25

-2

0

2

1.6

x2

0

0

1

0.125

0

0

-0.125

0

0

0

0.125

0

0

2

16

x1

0

1

0

-0.125

0

0

0.125

1

0

0

-0.125

1

0

3

a4

1

0

0

0.125

0

0

-0.125

-1

1

0

0.125

-1

1

0

0

zj

0

0

1.375

1

-1

-1.375

-3

1

1

1.375

-3

1

2

cj-zj

0

0

-1.375

-1

1

1.375

3

-1

0

-0.375

4

0

Iterasi 4.

Basis

xj

x1

x2

m1

m2

y1

y2

v1

v2

a1

a2

a3

a4

bi

bi/ai

cj

0

0

0

0

0

0

0

0

1

1

1

1

a1

1

0

0

0

1

-1

0

8

-10

1

0

8

-10

2

2

x2

0

0

1

0

0

0

0

1

-1

0

0

1

-1

2

 

x1

0

1

0

0

0

0

0

0

1

0

0

0

1

3

m1

0

0

0

1

0

0

-1

-8

8

0

1

-8

8

0

zj

 

0

0

0

1

-1

0

8

-10

1

0

8

-10

2

 

cj-zj

 

0

0

0

-1

1

0

-8

10

0

1

-7

11

 
cj-zj   0 0 0 -1 1 0 -8 10 0 1 -7 11  

Iterasi 5.

 

Basis

xj

x1

x2

m1

m2

y1

y2

v1

v2

a1

a2

a3

a4

bi

bi/ai

cj

0

0

0

0

0

0

0

0

1

1

1

1

v1

0

0

0

0

1

-1

0

8

-10

1

0

8

-10

2

 

x2

0

0

1

0

0

0

0

1

-1

0

0

1

-1

2

 

x1

0

1

0

0

0

0

0

0

1

0

0

0

1

3

 

m1

0

0

0

1

0

0

-1

-8

8

0

1

-8

8

0

 

zj

 

0

0

0

0

0

0

0

0

0

0

0

0

0

 

cj-zj

 

0

0

0

0

0

0

0

0

1

1

1

1

 
cj-zj   0 0 0 0 0 0 0 0 1 1 1 1  

Tabel di atas sudah optimal, sebab semua nilai pada baris z sudah negatif atau 0 sehingga iterasi dihentikan.

Berdasarkan tabel di atas, diperoleh nilai x1=3 dan x2=2 sehingga diperoleh nilai minimum

fungsi

=-31.

Selanjutnya, penyelesaian menggunakan bantuan program computer yaitu WinQSB diperoleh sebagai berikut :

fungsi =-31. Selanjutnya, penyelesaian menggunakan bantuan program computer yaitu WinQSB diperoleh sebagai berikut :
fungsi =-31. Selanjutnya, penyelesaian menggunakan bantuan program computer yaitu WinQSB diperoleh sebagai berikut :
fungsi =-31. Selanjutnya, penyelesaian menggunakan bantuan program computer yaitu WinQSB diperoleh sebagai berikut :
fungsi =-31. Selanjutnya, penyelesaian menggunakan bantuan program computer yaitu WinQSB diperoleh sebagai berikut :
Diperoleh solusi dalam bentuk grafik yaitu : Jadi diperoleh nilai minimum f  x 

Diperoleh solusi dalam bentuk grafik yaitu :

Diperoleh solusi dalam bentuk grafik yaitu : Jadi diperoleh nilai minimum f  x  

Jadi diperoleh nilai minimum f x31 , dengan

Kasus II

Selesaikan masalah berikut:

Minimalkan

Dengan syarat

Penyelesaian:

x

1

3 dan

x

2

2

Didefinisikan variable sebagai berikut:

(

),

,

(

),

,

,

,

Kondisi Karush- Kuhn Tucker (KKT) :

atau

(

) (

)

(

)

(

)

(

)

 

(

)

Sehingga kondisi KKT dapat dituliskan kembali sebagai berikut :

Penambahan variable buatan:

Minimalkan

Dengan syarat:

Semua variable

Selanjutnya diselesaikan dengan menggunakan metode simpleks. Iterasi 1.

Basis xj x1 x2 m1 m2 y1 y2 v a1 a2 a3 bi bi/ai cj
Basis
xj
x1
x2
m1
m2
y1
y2
v
a1
a2
a3
bi
bi/ai
cj
0
0
0
0
0
0
0
1
1
1
a1
1
8
0
-1
-1
-1
0
0
-1
0
0
2
a2
1
0
4
-1
-1
0
-1
0
0
-1
0
2
0.5
a3
1
1 1
0
0 0
0 -1
0
0 1
2
2
zj
9
4
-2
-2
-1
-2
0
-1
0
2
cj-zj
-9
-4
2
2
1
2
0
2
1
-1

Iterasi berikutnya diselesaikan dengan langkah yang sama dengan kasus 1, diperhatikan bahwa pada kasus maksimisasi ini, kolom pivot dipilih yang nilai kolomnya memuat

maks c

j

z

j

c

j

z

j

0

Penyelesaian dengan menggunakan program WinQSB diperoleh output sebagai berikut:

j  z j  0  Penyelesaian dengan menggunakan program WinQSB diperoleh output sebagai berikut:
j  z j  0  Penyelesaian dengan menggunakan program WinQSB diperoleh output sebagai berikut:
j  z j  0  Penyelesaian dengan menggunakan program WinQSB diperoleh output sebagai berikut:
j  z j  0  Penyelesaian dengan menggunakan program WinQSB diperoleh output sebagai berikut:
Diperoleh grafik sebagai berikut: Diperoleh x1=0.25, x2=0.5 dan nilai maksimum . Untuk memaksimumkan fungsi f(x)

Diperoleh grafik sebagai berikut:

Diperoleh grafik sebagai berikut: Diperoleh x1=0.25, x2=0.5 dan nilai maksimum . Untuk memaksimumkan fungsi f(x) pada

Diperoleh x1=0.25, x2=0.5 dan nilai maksimum

.

Untuk memaksimumkan fungsi f(x) pada masalah program kuadratik sama halnya dengan meminimumkan negative fungsi f(x) tersebut.

Contoh :

Memaksimumkan

sama halnya dengan meminimumkan

.

Iterasi 1.

Iterasi 1. Iterasi 2. Iterasi 3. Iterasi 4. Iterasi 5. diperoleh nilai x1=0.25, x2=0.5 dan nilai

Iterasi 2.

Iterasi 1. Iterasi 2. Iterasi 3. Iterasi 4. Iterasi 5. diperoleh nilai x1=0.25, x2=0.5 dan nilai

Iterasi 3.

Iterasi 1. Iterasi 2. Iterasi 3. Iterasi 4. Iterasi 5. diperoleh nilai x1=0.25, x2=0.5 dan nilai

Iterasi 4.

Iterasi 1. Iterasi 2. Iterasi 3. Iterasi 4. Iterasi 5. diperoleh nilai x1=0.25, x2=0.5 dan nilai

Iterasi 5.

Iterasi 1. Iterasi 2. Iterasi 3. Iterasi 4. Iterasi 5. diperoleh nilai x1=0.25, x2=0.5 dan nilai

diperoleh nilai x1=0.25, x2=0.5 dan nilai minimum f(x)=-0.75