Anda di halaman 1dari 15

OPTIMIZATION WITH EXTRAS

MATLAB
PENDAHULUAN

Model optimasi berusaha untuk menjelaskan, secara matematis, tujuan


menyelesaikan masalah dalam jalan terbaik.

Misalkan dalam bisnis: problem untuk memaksimalkan keuntungan,


meminimalkan kerugian, memaksimalkan efisiensi, atau meminimalkan
resiko;

Problem optimasi secara tipikal akan memaksimalkan atau meminimalkan


suatu fungsi yang disebut fungsi obyektif (objective function) pada himpunan
titik-titik S (feasible set).
Secara umum feasible set didefinisikan dalam variabel kendala (constraints);

2
OPTIMASI LINIER

Apabila fungsi obyektif dan variabel kendala yang akan dioptimalkan linier,
maka optimasinya adalah optimasi linier;

Contoh 1:

Fungsi obyektif = 21 + 2

1 + 2 1; 1 0; 2
Kendala 0

Problem: menemukan nilai 1 dan 2 sedemikian sehingga fungsi obyektif


menjadi optimal.

3
OPTIMASI LINIER

Contoh 2: persamaan linier

b(t ) x1 x2t x3t 2


Dimana 1 , 2 , 3 adalah tiga parameter yang tidak diketahui yang
menentukan persamaan kuadratik tersebut. Tiga titik yang mendefinisikan
persamaan tersebut adalah:
1 + 22 + 43 = 1
1 + 32 + 93 = 6
1 + 52 + 253 = 4

4
NON LINIER OPTIMASI

Apabila salah satu dari fungsi obyektif atau variabel kendala yang akan
dioptimalkan non-linier, maka optimasinya adalah optimasi non linier.

Contoh:

= 1 + 2 2
Fungsi obyektif
1 2 0; 2 1 1;
Kendala 2 2 1

Problem: menemukan nilai 1 dan 2 sedemikian sehingga fungsi obyektif


menjadi optimal.

5
EXPONENTIAL SMOOTHING

Apa yang dioptimalkan dalam exponential smoothing?


Parameter smoothing sedemikian sehingga model exponential smoothing memiliki
MSE terkecil
Siapa yang menjadi fungsi obyektif?
1 2
Fungsi MSE yaitu = =1
Siapa yang menjadi kendalan (constraints)?
Syarat dari nilai-nilai parameter yaitu nilai parameter yang berada diantara 0
hingga 1.
Termasuk ke dalam optimasi linier atau non linier? Mengapa?
Optimasi non linier, karena data dibobot secara eksponensial sehingga
menyebabkan parameter pembobot tidak linier.

6
LEVENBERG-MARQUARDT

Fungsi dalam MATLAB: lsqcurvefit dengan option: algoritma levenberg-


marquardt

Fungsi lsqcurvefit:

Sintak:
[x, resnorm] = lsqcurvefit (fun, x0, xdata, ydata, lb, ub, options)
Output:
X : hasil parameter optimum
Resnorm : residual
Input
Fun : fungsi obyektifnya;
x0 : nilai awal parameter yang akan dioptimasi;
lb, ub : lower bound, upper bound untuk parameter yang akan dioptimasi;
Dimana options dapat diisi dengan:
TolFun : toleransi fungsi untuk menghentikan iterasi, ketik: TolFun, 1e-4
MaxIter : maksimum iterasi yang diinginkan, ketik: MaxIter, 200
Algorithm : ketik Algorithm, levenberg-marquardt 7
LEVENBERG-MARQUARDT

Fungsi obyektif 1

Proses optimasi

8
Contoh 1: data yang digunakan
t data data
1 5.1 15
2 4
10
3 6.7
4 5 5
5 9.2
0
6 7.8
7 10 Model yang digunakan adalah Holt Exponential Smoothing.
8 5
9 10.3 Parameter hasil optimasi:
Alpha : 0.4050
10 11.1 Beta : 0.5221
9
QUASI-NEWTON

Fungsi MATLAB lain yang dapat digunakan untuk optimasi non-linier adalah:
fmincon

Fungsi fmincon: menemukan minimum dari suatu fungsi obyektif yang


memiliki kendala (constraint);

Sintak:
[x, fval] = fmincon (fun, x0, A, b, Aeq, beq, lb, ub, nonlcon, options)
Output:
x : parameter
Fval : nilai dari fungsi obyektif
10
QUASI-NEWTON

Sedikit berbeda dengan lsqcurvefit, fungsi obyektif yang akan diminimalkan


menggunakan fungsi fmincon adalah fungsi MSE; sehingga kita harus
mendefinisikan fungsi MSE-nya terlebih dahulu.

1 2
Fungsi MSE = =1

Contoh data yang digunakan sama pada contoh 1;


Parameter optimum yang dihasilkan adalah:
Alpha : 0.4049
Beta : 0.5203

11
QUASI-NEWTON

Fungsi obyektif 2

Proses optimasi

12
LEAST-SQUARE DATA FITTING

Fungsi MATLAB yang digunakan addalah lsqnonlin

Fungsi lsqnonlin:

Dengan menggunakan fungsi obyektif 2, proses optimasinya:

Hasil optimasi:
Alpha : 0.4064
Beta : 0.5187
13
GENETIC ALGORITHM

Menggunakan optimasi dari genetic-algorithm dengan fungsi: ga

Fungsi obyektif yang digunakan adalah fungsi obyektif 2;

Hasil optimasi:
Alpha : 0.4024
Beta : 0.5259

14
REFERENSI

Griva, I., Nash, S. G., Sofer, A., 2009, Linier and Non Linier Optimization 2nd
Edition, SIAM.
MATLAB non linier optimization toolbox;
www.mathworks.com/help

15

Anda mungkin juga menyukai