TESIS
Oleh
SEKOLAH PASCASARJANA
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
ANALISIS PERSOALAN OPTIMISASI KONVEKS
DUA TAHAP (TWO-LEVEL)
TESIS
Oleh
SEKOLAH PASCASARJANA
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
Judul Tesis : ANALISIS PERSOALAN OPTIMISASI
KONVEKS DUA TAHAP (TWO-LEVEL)
Nama Mahasiswa : Lasker Pangarapan Sinaga
Nomor Pokok : 077021005
Program Studi : Matematika
Menyetujui,
Komisi Pembimbing
(Prof. Dr. Herman Mawengkang) (Prof. Dr. Ir. T.Chairun Nisa. B, M.Sc)
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
Telah diuji pada
Tanggal Juni 2009
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
ABSTRAK
i
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
ABSTRACT
The two level convex programming problems are useful tools for solving the
hierarchy decision problems. This programming problems are nested optimization
problems with two levels in a hierarchy, the upper level and lower level decision
makers who have their own objective functions and constraints are convex func-
tion. The decision maker at the lower level has to optimize its own objective
function under the given parameters from the decision maker at the upper level.
This paper will show that the above problem can be solved by using combination
of Gradient Projection Method and Penalty Method, corresponding to taking the
lower level function as penalty function of feasible set, for showing regularization.
Some regularity process is needed for showing convergence analysis of generated
bounded sequence of solutions of that methods.
ii
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
KATA PENGANTAR
sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program
Penulis sangat sadar bahwa tesis ini masih jauh dari sempurna, namun besar
harapan bahwa tesis ini bermanfaat bagi para pembaca dan pada pengembangan
Penulis,
iii
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
UCAPAN TERIMA KASIH
Pertama penulis panjatkan puji dan syukur kepada Tuhan Yang Maha Esa,
karena atas berkat, kasih dan karunia-Nya yang telah diberikan kepada penulis,
sehingga penulis dapat menyelesaikan tesis ini tepat pada waktunya. Tesis ini
ini merupakan persyaratan tugas akhir pada Program Studi Matematika Sekolah
Pada kesempatan ini, penulis menyampaikan ucapan terima kasih dan peng-
Prof. Dr. Ir. T. Chairun Nisa B, M.Sc selaku Direktur Sekolah Pascasarjana
Prof. Dr. Herman Mawengkang selaku Ketua Program Studi Magister Ma-
jana, Universitas Sumatera Utara, yang telah banyak membantu dalam penulisan
tesis ini.
Dr. Tulus, M.Si selaku Ketua Komisi Pembimbing yang sangat banyak mem-
bantu penulis dengan banyak memberikan ilmu dalam penulisan tesis ini.
iv
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
Dosen-dosen Magister Matematika, Sekolah Pascasarjana, Universitas Sumatera
Dr. Tulus, M.Si, Prof. Opim Salim S, M.Sc, Phd, Drs. Marwan
Harahap, M.Eng, Dr. Sutarman, M.Sc, Drs. Open Darnius, M.Sc,
ban, M.Sc, yang telah banyak memberikan masukan ilmu pengetahuan dalam
khusus kepada Misiani, S.Si, selaku staf administrasi Program Studi Magister
selama perkuliahan.
waktu bagi penulis untuk melanjutkan perkuliahan, dan juga kepada seluruh rekan
Secara khusus, kepada orang tua penulis: Edison Sinaga dan Relianna
Purba, serta kedua saudara penulis (Nenny D Sinaga dan David Saragih,
Aditia Irving Saragih) dan Selpiani Sinaga, S.E. yang memberikan du-
v
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
Teristimewa kepada istri tercinta Fitri Yanti Damanik, S.E. yang banyak
Ucapan terima kasih kepada seluruh keluarga dan rekan-rekan yang tidak da-
pat penulis sebutkan namanya satu persatu pada kesempatan ini, atas dukungan
Akhirnya penulis berharap semoga tesis ini dapat bermanfaat bagi pembaca
Penulis,
vi
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
RIWAYAT HIDUP
tanggal 02 Agustus 1979 dan merupakan anak ke-2 dari 3 orang bersaudara dari
Ayah Edison Sinaga dan Ibu Relianna Saragih Sumbayak. Menamatkan Sekolah
Dasar (SD) Inpres Sihubu di Merek Raya pada tahun 1992, Sekolah Menengah
Pertama (SMP) Negeri 3 Merek Raya pada tahun 1995 dan Sekolah Menengah
tahun 1998. Tahun 1998 memasuki Perguruan Tinggi Negeri Universitas Suma-
tera Utara, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA), Jurusan
Matematika dan memperoleh gelar sarjana pada tahun 2003. Pada Tahun 2003
bekerja sebagai tenaga pengajar Matematika SSC Medan. Tahun 2007 mengikuti
vii
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
DAFTAR ISI
Halaman
ABSTRAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
DAFTAR GAMBAR . . . . . . . . . . . . . . . . . . . . . . . . . x
DAFTAR SIMBOL . . . . . . . . . . . . . . . . . . . . . . . . . . xi
BAB 1 PENDAHULUAN . . . . . . . . . . . . . . . . . . . . . . . 1
viii
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
3.2.2 Fungsi Konveks . . . . . . . . . . . . . . . . . . . 17
BAB 5 PEMBAHASAN . . . . . . . . . . . . . . . . . . . . . . . 36
6.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . 52
6.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . 53
ix
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
DAFTAR GAMBAR
x
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
DAFTAR SIMBOL
xi
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
BAB 1
PENDAHULUAN
orang dituntut untuk mencari solusi yang tepat dan cepat untuk menyelesaikan
setiap masalah tersebut. Setiap solusi yang diambil merupakan keputusan akhir
yang harus diambil seseorang dengan atau tanpa pertimbangan. Setiap pertim-
dilakukan demi mengurangi risiko yang akan terjadi akibat keputusan yang diam-
bil tersebut. Ini bukanlah sebuah permasalahan yang mudah untuk diselesaikan,
karena keputusan yang tepat harus secepat mungkin diputuskan. Tentu jelas
untuk mengatasi masalah yang sedang dihadapi secepat mungkin dengan tanpa
matematika akan memodelkan berbagai kasus masalah dan mencari cara atau
ditujukan pada metode untuk mendapatkan suatu solusi yang optimal. Pusat
1
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
2
vektor yang ada. Vektor terbaik berarti vektor yang dapat menjadi solusi dari
permasalahan optimisasi yang diberikan, yaitu solusi optimal yang memenuhi
fungsi tujuan dan kendala dari permasalahan optimisasi tersebut. Boyd dan Van-
denberghe (2004).
lesaikan permasalahan bersangkutan pada saat ini dan tidak menyebabkan per-
munculnya bentuk optimisasi multi tahap. Optimisasi ini diharapkan dapat mem-
multitahap dengan dua tahap. Sebuah himpunan yang memuat variabel yang
menjadi solusi awal dari masalah optimisasi ini akan menjadi parameter untuk
variabel lainnya. Hal ini berarti ada proses dua tahap (Level Upper dan Level
Lower) yang dilakukan yaitu dengan setiap keputusan pada level upper atau outer
problem maka ditentukan keputusan pada lower problem atau inner problem. Ye
(1999).
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
3
(Level upper)
s. t. gu (xu ) ≤ 0 (1.2)
(Level lower)
xu , xl ≥ 0 (1.5)
dengan
xu ∈ Rn , xl ∈ Rn ; fu , fl : Rn × Rn → R (1.6)
gu : Rn → R ; gl : Rn × Rn → R (1.7)
Jika untuk setiap nilai dari variabel upper maka didefinisikan himpunan so-
lusi yang meminimumkan kendala pada level lower yang bergantung pada solusi
level upper. Misalkan Su adalah himpunan solusi level upper dan Sl adalah him-
punan solusi level lower maka solusi dari bentuk optimisasi dua tahap di atas
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
4
but. Dia menerangkan bahwa perhitungan secara manual terhadap beberapa ka-
sus optimisasi dua tahap tidak menjamin keoptimalan solusi. Dengan demikian
perlu dilakukan penganalisisan yang lebih lanjut terhadap kasus ini untuk menun-
jukkan keoptimalan solusi dengan konvergensi barisan solusi oleh suatu algoritma
Misalkan domain dan fungsi tujuan serta kendala pada bentuk optimisasi
dua tahap (1.1-1.7) dibatasi dengan bersifat konveks untuk masing masing level,
maka diperoleh kelas optimisasi yang lebih khusus yaitu optimisasi konveks dua
misasi konveks dua tahap tersebut ke bentuk yang sederhana dengan regulerisasi
Optimisasi konveks dua tahap mempunyai dua himpunan solusi yaitu him-
punan solusi level lower dan himpunan solusi level upper. Kedua himpunan so-
lusi tersebut adalah terbatas dan mempunyai titik kluster. Tujuan penelitian
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
5
ini adalah menunjukkan keoptimalan solusi optimisasi konveks dua tahap dengan
memperlihatkan bahwa apakah kedua titik kumpul pada kedua himpunan solusi
keoptimalan solusi layak dengan suatu regulerisasi dan analisis kekonvergenan so-
lusi, sehingga sangat diharapkan dapat berguna untuk membantu dalam menye-
lesaikan berbagai kasus optimisasi pada lingkungan operasi riset atau teknik.
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
6
5. Menganalisis titik kluster pada kedua level dan menunjukkan apakah kedua
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
BAB 2
TINJAUAN PUSTAKA
fungsi dan fungsi objektif serta fungsi kendala yang bersifat konveks. Dilihat
dari segi modelnya maka optimisasi konveks jelas bersifat lebih umum daripada
optimisasi linear. Hal ini dijelaskan oleh Boyd dan Vandenberghe (2004).
Kemudian, jika ditinjau dari segi analisis kekontinuan fungsi tujuan dan
kendalanya maka jika f merupakan fungsi konveks maka f adalah Lipschitz lokal
sekitar titik elemen domainnya jika dan hanya jika terbatas pada lingkungan titik
tersebut. Hal ini telah dijelaskan oleh Borwein dan Lewis (1999).
fungsi objektif bersifat konveks, maka metoda steepest descent akan mempunyai
sifat kekonvergenan yang lebih kuat daripada masalah minimisasi dengan fungsi
tujuan yang bersifat nonkonveks. Konveksitas domain fungsi pada optimisasi
jukkan arah yang layak dan descent, yaitu arah pergerakan gradien disetiap iterasi,
oleh Iusem (2003). Hal ini terjadi karena metode proyeksi gradien meminimisasi
tak kosong dan tertutup C ⊂ Rn yang telah dijelaskan sebelumnya oleh Calamai
7
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
8
misasi yang berkaitan dengan proyeksi telah dikembangkan, yaitu metode proyeksi
gradien oleh Rosen dapat dilihat pada Iusem (2006) dan metode proyeksi gradien
dimana gradien negatif diproyeksikan pada daerah terbatas dan mencari solusi di
pertama sekali oleh Rosen (1960) dan digunakan untuk menyelesaikan program
Zhang (2006). Bentuk analisis kekonvergenan metode ini juga telah dijelaskan
Selain metode proyeksi gradien, ada sebuah metode lain yang digunakan
untuk menyelesaikan program nonlinear yaitu metode fungsi penalty. Metode ini
digunakan dengan prosedur descent orde pertama yaitu steepest descent, Luen-
berger (1974).
Kedua metode ini selalu digunakan sebagai kombinasi yang serasi karena
bentuk kekonvergenan solusi dengan lebih cepat. Sebagai contoh, proses mini-
misasi yang berhubungan dengan masalah gradien yang dijelaskan oleh Polak,
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
9
Sebagai contoh adalah kelas optimisasi dua tahap. Metode proyeksi gradien juga
Solodov (2007). Kelas optimisasi dua tahap ini menampilkan aksi Leader-Follower
dalam membantu mengambil keputusan (Decision Making), oleh Bard, Plummer
Masalah program dua tahap adalah suatu masalah optimisasi dimana ken-
dala secara implisit ditentukan oleh masalah optimisasi yang lain. Dengan kata
lain, suatu optimisasi hirarkis yang terkandung dalam dua level. Di level per-
ke dalam satu barisan program linier dan mendapatkan solusi optimal, Solodov
(2007).
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
10
Program dua tahap dapat diformulasi lebih sederhana dan analisis kebera-
daan solusi dengan menggunakan metode penalty yaitu dengan membuat level
lower sebagai penalty. Hal ini dijelaskan oleh Lv, et all (2007) serta Aboussoror
dan Mansouri (2005).
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
BAB 3
tinuan fungsi serta kekonvergenan barisan solusi yang dibangkitkan oleh suatu
algoritma.
Pada bagian ini akan dijelaskan beberapa definisi ataupun teorema yang
vergenan solusi layaknya, yang akan mendukung pembahasan pada bab berikut-
nya. Seperti operator norm, kekontinuan seragam, fungsi Lipschitz dan barisan
Definisi 3.1.1 Norm adalah operator yang disimbolkan dengan k.k, yaitu sebuah
11
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
12
Q ⊂ A.
Misalkan saja lim f(x) = L (ada) sedemikian implementasi definisi di atas dapat
x→c
A ⊆ R jika dan hanya jika untuk setiap ε > 0 terdapat δ(ε) > 0 sedemikian:
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
13
K > 0, kemudian diberikan ε > 0 dan mengambil δ(ε) = ε/K sedemikian sehingga
Definisi 3.1.6 Sebuah barisan bilangan riel R adalah sebuah fungsi pada him-
dan hanya jika ∀ε > 0 terdapat sebuah bilangan bulat n ≥ N sedemikian sehingga:
Definisi 3.1.8 Misalkan {xn } adalah sebuah barisan dalam X. Sebuah titik
x̄ ∈ X disebut titik kumpul (cluster point) dari barisan {xn } jika dan hanya jika,
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
14
Definisi 3.1.9 Sebuah barisan {xn } disebut terbatas jika terdapat sebuah bilangan
Obyek yang berperan utama dalam penelitian ini adalah himpunan dan
fungsi yang bersifat konveks. Berikut pendefinisian dan penjelasan secara teori
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
15
Definisi 3.2.1 Himpunan C dikatakan bersifat konveks jika terdapat dua titik
dan tidak konveks suatu himpunan sesuai dengan definisi di atas. Secara ma-
1. Polihedral
Gambar 3.3 : Polihedron P dengan irisan dari lima buah halfspaces dengan vektor
normal a1, . . . , a5
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
16
2. Cone
Gambar 3.4 : Sebuah convex cone: untuk setiap titik x1 , x2 ∈ C dan untuk setiap
0 ≤ θ ≤ 1 maka θx1 + (1 − θ)x2 ∈ C
3. Hyperplane/Halfspaces
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
17
himpunan konveks dan jika untuk setiap x1 , x2 ∈ Dom f dan untuk setiap
0 ≤ θ ≤ 1, f(θx1 + (1 − θ)x2 ) ≤ θf (x1 ) + (1 − θ)f (x2 )
gambar di atas, dengan arti bahwa ruas garis yang dibentuk oleh titik A(x1, f (x1 ))
dan B(x2, f(x2 )), disebut dengan chord dari titik A ke titik B.
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
18
gradien:
T
∂f(x) ∂f(x)
∇f(x) = ,..., = Df (x)T (3.3)
∂x1 ∂xn
dan gradien chord dari fungsi yang dimaksud dapat diformulasikan sebagai ap-
proksimasi barisan Taylor orde pertama yang merupakan fungsi affine dari x,
yaitu:
veks maka kurva pada gambar di bawah ini merupakan fungsi konveks jika f
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
19
dengan 1 − θ sehingga:
θf (x) + (1 − θ) ≥ f (z)
Lipschitz.
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
20
Beberapa jenis fungsi yang bersifat konveks adalah fungsi logaritma pada
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
BAB 4
hi (x) = 0, (4.3)
samaan atau persamaan kendala. Nilai x disebut solusi layak (feasible solution)
jika memenuhi kendala tersebut. Jika C adalah himpunan solusi yang memenuhi
kendala di atas maka nilai optimal pada permasalahan optimisasi tersebut dino-
tasikan:
misasi tak konveks, optimisasi dua tahap, optimisasi bersifat stokastik, dan seba-
gainya.
21
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
22
dipakai pada model program matematika karena bentuk kesulitan optimisasi bukan
konveks lebih istimewa dibanding kelas optimisasi lainnya, yaitu sifatnya yang
mempunyai solusi lokal yang juga merupakan solusi global (hal ini akan dibuk-
tikan lebih lanjut sebagai Teorema 4.1.1), teori dualitas dan kondisi optimalitas
serta metoda solusi yang sederhana (pada kasus ini akan menggunakan algoritma
proyeksi gradien).
Solusi layak yang optimal dari permasalahan optimisasi dibedakan atas so-
lusi optimal lokal dan solusi optimal global. Misalkan C adalah himpunan solusi
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
23
Perhatikan ilustrasi solusi optimal global dan lokal pada gambar berikut:
Teorema 4.1.1 Pada permasalahan optimisasi konveks, solusi optimal lokal meru-
kecil dari x1 menuju x2 yaitu z sehingga z = λx2 + (1 − λ)x1 dengan nilai λ > 0
adalah sangat kecil, sehingga z sangat dekat ke x1 dengan f0 (z) < f0 (x1). Hal ini
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
24
Optimisasi dua tahap adalah persoalan optimisasi yang bersifat hirarkis di-
mana sebuah himpunan bagian yang dibatasi menjadi solusi dari persoalan opti-
misasi yang diberikan, yang diparameteri oleh variabel lainnya. Hal ini menggam-
barkan bahwa untuk setiap keputusan yang diambil pertama sekali (level upper)
akan menjadi dasar untuk mengambil keputusan berikutnya (level lower). Dengan
demikian opimisasi ini terdiri dengan dua tahap yang disebut dengan level upper
Secara matematis, untuk setiap variabel pada level upper akan ditentukan
beberapa variabel yang terbatas pada level lower (solusi pada level lower) pada
optimisasi tahap ganda tersebut. Struktur optimisasi hirarkis ini nampak secara
alami diberbagai applikasi ketika aksi dari level lower bergantung pada keputusan
level upper. Formula optimisasi dua tahap ini dituliskan dalam bentuk:
(Level upper)
(Level lower)
xu , xl ≥ 0 (4.13)
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
25
dengan:
xu ∈ Rn , xl ∈ Rn ; fu , fl : Rn × Rn → R (4.14)
gu : Rn → R gl : Rn × Rn → R (4.15)
Secara umum, level upper sering disebut dengan outer problem sementara
Untuk setiap nilai dari variabel xu pada level upper, kendala pada level lower
Jadi Sl (xu , xl (xu )) adalah himpunan solusi dari level lower, dengan:
bentuk:
Bentuk di atas menunjukkan bahwa untuk setiap solusi level upper beraksi
pertama sekali atau sering disebut Leaders Problem, sementara level lower dibuat
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
26
dalam bentuk:
Salah satu kelas optimisasi multitahap adalah optimisasi konveks dua tahap
solusi analitis, sehingga harus digunakan suatu pendekatan atau algoritma nu-
rapkan dapat dengan cepat mencapai kondisi konvergen ke solusi yang optimal.
evaluasi titik xk secara berkelanjutan sebagai arah dari setiap langkah untuk se-
tiap iterasi algoritma. Kriteria yang memperlihatkan iterasi berhenti adalah jika
k∇f k2 ≤ ε (4.22)
dimana ε adalah suatu nilai yang kecil dan positif. Metode gradien negatif men-
melalui:
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
27
αk
βk = (4.24)
k∇f (xk )k
dengan
X
∞ X
∞
αk = ∞, α2k < ∞ (4.25)
k=0 k=0
yang tepat (linesearch) atau pelacak Armijo, diperoleh dari teorema kekonverge-
nan global Zangwill dan teorema kekonvergenan global, serta pernyataan bahwa
setiap titik kumpul x̄ dari xk ∈ Rn bila ada, adalah stasioner, yaitu jika
∇f (x̄) = 0. Agar keberadaan titik kumpul tersebut dapat dipastikan, maka diper-
lukan sebuah asumsi bahwa permulaan iterasi x0 berada pada suatu himpunan
terbatas dari fungsi f . Situasi ini akan menjadi lebih baik jika f merupakan fungsi
Tetapi pengamatan yang lebih lanjut menyatakan bahwa kasus βk yang diberi oleh
(4.24) dan (4.25) pada metoda ini tidaklah menjamin bahwa f (xk+1 ) < f (xk ) un-
tuk semua k.
dan menjadi salah satu metoda yang digunakan untuk menyelesaikan program
nonlinear. Metoda ini akan dipilih untuk menyelesaikan persoalan pada penelitian
ini.
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
28
Adapun yang menjadi alasan untuk menggunakan metode ini adalah karena
solusi yang aktif dalam sejumlah iterasi terhitung. Setelah himpunan solusi terse-
but diidentifikasi dengan benar, algoritma proyeksi gradien mereduksi algoritma
descent pada subruang dari variabel-variabel bebas. Lebih jelasnya, metode ini
kekonvergenan yang lebih cepat. Ada dua metode program nonlinear yang umum
dan terkenal yaitu metode proyeksi gradien dan metode fungsi penalty, yang di-
dimana gradien negatif diproyeksikan pada daerah terbatas dan mencari solusi
solusi-solusi layak.
Jika himpunan domain fungsi pada kasus ini adalah himpunan konveks C,
sialkan dan kontinu f : Rn → R atas himpunan konveks tak kosong dan tertutup
C ⊂ Rn .
Definisi 4.4.1 .
1. hx1, x2i adalah perkalian dalam (inner product) dari x1 dan x2.
2. Jika C adalah himpunan konveks tertutup, maka PC (x) adalah proyeksi or-
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
29
dist(x, C) = kx − PC (x)k
PC (x) berperan untuk menunjukkan arah yang turun (descent) yang mungkin
pada setiap langkah iterasi yang dimulai dari x(k) dengan arah −∇f (x(k)).
α(k)>0 sehingga:
parameter tersebut.
k
Nilai parameter λk (z (k) ∈ [0, 1] dari barisan solusi x ∈ Rn dapat di-
tentukan dari bentuk kemonotonan kondisi f (xk+1 ) < f (xk ). Parameter skalar
α(k) > 0 yang dipilih merupakan langkah atau iterasi dari algoritma di atas. Nilai
α(k) harus diseleksi sehingga diperoleh suatu nilai yang dapat menjamin sem-
barang limit titik x∗ dari barisan xk ∈ Rn yang memenuhi kondisi optimal
yaitu:
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
30
atau
∇f (z)T (x − z) ≥ 0, ∀x ∈ C (4.27)
2
ε ≤ α(k) ≤
(1 − ε) (4.28)
K
dan untuk ε dalam (0,1), maka ada limit dari xk ∈ Rn yang merupakan titik
stasioner dari masalah minimisasi pada optimisasi tersebut.
Proses pada ilustrasi di atas adalah kasus pada sebuah persamaan kendala
yang paling utama yaitu arah dari gradien negatif yang diproyeksikan dari p (yang
mana sama dengan gradien negatif dari q). Pergerakan yang kedua ini identik
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
31
Bagaimanapun jika nilai α(k) > 0 adalah besar maka hasil dari pergerakan
pertama adalah z k yang berada pada permukaan kendala. Jadi cukup jelas bahwa
ide dari metode proyeksi gradien adalah meminimumkan fungsi f atas permukaan
S (kendala h(x) = 0) dari titik xk pada S bergerak ke arah xk+1 pada S dengan
dari suatu solusi pada fungsi ditinjau dari bentuk kekontinuan uniformnya. Ber-
solusi layak {xn } yang konvergen ke solusi optimal. Berikut definisi dan teorema
z ∈ C.
2. Sebuah titik x̄ disebut pembuat minimum pada sebuah fungsi konveks f pada
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
32
Sifat yang telah dijelaskan pada proyeksi orthogonal (Teorema 4.5.1) dapat
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
33
dua.
(2βk )
dengan mengalikan dengan σ
, maka
εj ≤ 2βj γj ∇f (xj )T (z j − xj )
2βj 2β̂
εj ≤ f (xj ) − f(xj+1 ) ≤ f(xj ) − f(xj+1 )
σ σ
dengan o ≤ j ≤ k maka
X
k
2β̂ 2β̂
εj ≤ f(x0 ) − f(xk+1 ) ≤ f(x0 ) − f(x̄)
j=0
σ σ
P
k P
k
dan εj dapat dijumlahkan sehingga εj < ∞, maka
j=0 j=0
k+1
2
2
x − x̄
≤
xk − x̄
+ εk
titik stasioner.
Dengan sifat konveksitas fungsi, maka titik kumpul yang dimaksud adalah solusi
dari masalah yang diberikan, dan barisan xk konvergen ke solusi tersebut.
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
34
k+1
2
2
x − z
≤
xk − z
+ εk
Untuk setiap z ∈ C dan untuk setiap k dimana {εk } ⊂ R+ adalah sebuah barisan
2. Jika sebuah titik kumpul (cluster point) x̄ berada di C, maka seluruh barisan
Bukti:
k+1
2
0
2 X
k−1
0
2 X
∞
x
−z ≤ x −z +
εj ≤ x − z + εj
j=0 j=0
Karena {εk } adalah barisan yang dapat dijumlahkan maka {xk } adalah ter-
batas
2. Misalkan x̄ ∈ C adalah titik kumpul dari {xk } dan ambil δ > 0. Misalkan
{xk } adalah sebuah subbarisan dari {xk } yang konvergen ke x̄. Karena
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
35
k+1
2
2 X k−1
2 X ∞
δ δ
x − x̄
≤
xlk1 − x̄
+ εj ≤
xlk1 − x̄
+ εj < + = δ
j=l j=l
2 2
k1 k1
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
BAB 5
PEMBAHASAN
adalah kelas optimisasi dua tahap (Bilevel Optimization) yang mempunyai fungsi
tujuan maupun fungsi kendala bersifat konveks untuk kedua levelnya. Bentuk
optimisasi dua tahap yang telah diuraikan pada Bab 3 dapat ditampilkan kembali
dengan mengubah jenis himpunan domain, fungsi kendala dan tujuannya menjadi
himpunan dan fungsi bersifat konveks untuk kedua levelnya sehingga diperoleh
dengan
Berdasarkan bentuk di atas, untuk setiap variabel upper (xu ), terdapat va-
riabel lower (xl ) yang bergantung pada (xu ), yang dibatasi menjadi solusi dari level
lower dengan himpunan solusi Sl (xu , ·). Hal ini menjelaskan bahwa semua solusi
layak pada level upper, akan layak pada level lower tetapi akan lebih layak secara
umum pada optimisasi dua tahap jika didapatkan variabel x(xu , xl ) yang dapat
menyelesaikan kedua level. Dengan demikian, semua himpunan solusi yang layak
36
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
37
pada level lower dan level upper akan terbatas sedemikian sehingga pasangan ke-
dua variabel ini memenuhi optimisasi tahap kedua dan pertama atau dengan kata
lain, himpunan solusi tersebut merupakan solusi akhir dari persoalan optimisasi
konveks dua tahap dan dikumpulkan di dalam sebuah himpunan S(xu , xl ), yaitu:
upper dengan solusi level lower di atas dengan contoh kasus yang sederhana pada
Gambar 5.1 : Himpunan solusi upper atau solusi optimisasi Su adalah bagian
dari solusi lower Sl
Dengan formulasi optimisasi konveks dua tahap (5.1 - 5.4) yang telah di-
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
38
P : Minimizex f (x)
s.t. g(x) ≤ 0
x ∈ Rn
Sebuah fungsi p(x) : Rn → R disebut fungsi penalty pada P jika p(x) memenuhi:
s.t. x ∈ Rn
Teorema 5.2.1 (Teorema Konvergensi Penalty) Misalkan f (x), g(x) dan p(x)
adalah fungsi kontinu. Misalkan xk adalah sebuah barisan solusi P (δ). Kemu-
dian x̄ dari xk sebagai solusi P (δ).
Bukti: Misalkan x̄ adalah limit dari xk . Dari sifat kekontinuan fungsi diperoleh
p(x), p(x̄) = 0 dan g(x̄) ≤ 0, berarti bahwa x̄ adalah sebuah solusi layak sehingga:
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
39
s.t. x ∈ Rn
s.t. x ∈ Rn
yang bernilai kecil (jika mungkin) sedemikian sehingga nilai residu (Ax − b) juga
kecil.
tinu Lipschitz lokal pada titik-titik yang disebut dengan daerah kestabilan, yaitu
himpunan semua parameter (variabel upper) dimana solusi optimal pada level
lower tidak akan mendapat perubahan, dengan demikian (5.1-5.2) dapat diregu-
lerisasi.
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
40
Minimizex Fσ (x)
s.t. x ∈ C ⊆ Rn
tersebut.
Gambar 5.2 : Ilustrasi sederhana minimisasi Fσ (xu , xl) dengan domain Su pada
optimisasi konveks dua tahap
pakan iterasi ke-k dan σk adalah parameter ke-k sehingga terjadi iterasi proyeksi
X
∞
lim σk = 0, σk = +∞ (5.7)
k→∞
k=0
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
41
optimisasi awal atau tidak? Persoalan ini akan ditunjukkan dengan bentuk teo-
rema berikut.
Teorema 5.2.2 Misalkan fu (x) dan fl (x) adalah fungsi objektif bersifat konveks
dari masalah optimisasi dua tahap dan Fσ (x) adalah fungsi regulerisasi dengan
Fσ (x) = σfu (x) + fl (x), σ > 0 maka Fσ (x) adalah merupakan fungsi konveks.
sehingga
pat dipertahankan maka metode proyeksi gradien akan digunakan untuk menye-
lesaikan masalah tersebut. Tujuan dari metode ini adalah mendapatkan kekon-
optimal solusi.
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
42
z(t) = tx2 + (1 − t)x1, dimana t ∈ [0, 1] adalah parameter. Karena z(t) adalah
chord antara x1 ∈ C dan x2 ∈ C dan himpunan layak adalah konveks maka adalah
dan dimiliki f (z(t)) < f (x1 ), yang membuktikan bahwa x1 ∈ C tidak optimal.
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
43
arsiran dan terbatas pada daerah A, dan level kurva f (x) ditunjukkan dengan
garis arsir. Titik x dikatakan optimal, −∇f (x) mendefinisikan sebuah hyperplane
penyangga yang ditunjukkan dengan garis utuh pada A di x.
adalah himpunan tidak kosong, terdapat v = inf x∈S F (x). Dengan definisi bahwa
dapat sebuah subbarisan dari {xn } yang konvergen ke titik x̄ ∈ S (Teorema 3.2.5).
Dengan sifat kekontinuan F (x), maka F (x̄) = lim F (xk ) dan v ≤ F (xk ) ≤ v + εk ,
k→∞
dengan sebahagian titik limit atau kemungkinan semua titik limit dari barisan
halnya pada optimisasi konveks dua tahap berikut dengan algoritma proyeksi
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
44
Teorema 5.4.1 Misalkan xk adalah barisan yang dibangkitkan oleh algoritma
proyeksi gradien dan C adalah himpunan solusi x untuk setiap k. Jika xk dan z k
bahwa xk ∈ C dan dengan z k (αk ) = PC (xk − αFσ0 k (xk )) maka disimpulkan bahwa
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
45
fungsi objektif dan kendala suatu permasalahan optimisasi maka pada pengana-
Misalkan saja bahwa persoalan tersebut dapat diselesaikan maka fungsi tujuan
nan. Dengan (5.11) dan (5.12) maka regulerisasi fungsi (5.6) menjadi:
x.
Teorema 5.4.2 Misalkan xk adalah barisan yang dibangkitkan oleh algoritma
tersebut. Jika xk adalah terbatas maka xk juga terbatas.
k
Bukti: Dengan Teorema 4.5.2 dan Teorema 4.5.3 maka x adalah terbatas.
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
46
Fσk+1 (x) ≤ Fσk (xk ) dan 0 ≤ Fσk+1 (xk+1 ) ≤ Fσk (xk+1 ) ≤ Fσk (xk ). Hal ini menun-
jukkan bahwa Fσk (xk ) adalah barisan tidak naik dan terbatas sehingga konver-
gen serta berarti bahwa fl (xk ) − f¯l adalah terbatas. Dengan c ≥ 0 sedemikian
sehingga fl (xk ) − f¯l ≤ c untuk setiap k. Karena fu (xik ) − f¯u (x̄) < 0 ≤ c maka
Teorema 5.4.3 Misalkan xk adalah barisan yang dibangkitkan oleh algoritma
tersebut. Jika xk adalah tak berhingga, x̄ adalah titik kumpul dari barisan
titik stasioner.
sehingga:
lim Fσ (xk ) − Fσ (xk+1 ) = 0
k→∞
diperoleh
0 ≤ −σγ̂ ∇Fσ (x̄)T PC (x̄ − β̄∇Fσ (x̄)) − x̄ ≤ 0
dengan kekontinuan ∇Fσ dan PC sehingga perhitungan dipisah menjadi dua kasus:
∇Fσ (x̄)T [PC (ū) − x̄] = β̄ −1 (x̄ − ū)T [PC (ū) − x̄] = 0
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
47
dan β̄ > 0 dan ∇Fσ (x̄)T (x − x̄) ≥ 0, ∀x ∈ C (Teorema 5.3.1) sehingga x̄ adalah
Fσ (x̄ − 2−n (z̄ − x̄)) ≥ Fσ (x̄) + σ2−n ∇Fσ (x̄)T (z̄ − x̄)
dengan
diperoleh
Kedua kasus ini mempunyai kesimpulan yang sama, sehingga berdasarkan Teo-
rema 5.3.1, maka kondisi tersebut optimal dan x̄ adalah titik stasioner.
Teorema 5.4.4 Dengan fu (x) dan fl (x) adalah fungsi yang bersifat konveks yang
derivatifnya adalah fungsi Lipschitz kontinu pada himpunan terbatas. Fungsi fu (x)
Bukti: θ Fσ0 k (xk ), xk − xk+1 ≤ Fσk (xk ) − Fσk (xk+1 ) (dengan 5.8)
= σk (fu (xk ) − f¯u ) + σk (fu (xk+1 ) − f¯u ) + (fl (xk ) − f¯l ) + (fl (xk+1 ) − f¯l )
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
48
X
k̄
0 k k X
k̄−1
θ Fσk (x ), x − xk+1 0 ¯
≤ σ0 (fu (x ) − fu ) + (σk+1 − σk )(fu (xk+1 ) − f¯u )
k=0 k=0
− σk̄ (fu (xk̄+1 ) − f¯u ) + (fl (x0) − f¯l ) − (fl (xk+1 ) − f¯l )
Faktanya bahwa untuk setiap k, fu (xk ) ≥ f¯u dan fl (xk ) ≥ f¯l karena xk ∈ C dan
Secara partikuler:
0 k k
Fσk (x ), x − xk+1 → 0, k → ∞
Teorema 5.4.5 Jika xk adalah sebuah barisan terbatas yang dibangkitkan al-
Bukti: Misalkan dimiliki barisan solusi xk di atas adalah terbatas (Teorema
4.5.3), Misalkan x̂ adalah titik akumulasi xk . Dengan memperhitungkan kekon-
tinuan dari operator proyeksi dan fakta σk → 0 dan 0 < β ≤ αk ≤ ᾱ untuk setiap
k, disimpulkan dari (xk − xk+1 ) → 0 dan xk − PC (xk − αk (σk fu0 (xk ) + fl0(xk ))) → 0,
k → ∞ maka
Berdasarkan Teorema 4.5.1(2) dan Teorema 4.5.2 maka x̂ adalah nilai pem-
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
49
Berdasarkan definisi dan Teorema 5.4.4 dan Teorema 5.4.5, perlu dianalisis
kembali kedua titik akumulasi tersebut. Misalkan x̂ adalah titik akumulasi pada
Sl dan x̄ adalah titik akumulasi pada Su maka akan diperiksa bahwa apakah setiap
titik akumulasi pada sl merupakan titik akumulasi pada su atau tidak?
Gambar 5.4 : Ilustrasi solusi optimal pada Optimisasi Konveks Dua Tahap
Teorema 5.4.6 Jika x̄ adalah titik akumulasi xk pada Su dan x̂ adalah titik
akumulasi xk pada Sl maka kedua titik akumulasi tersebut adalah sama.
= σk (fu (x̄) − f¯u ) + (fl (x̄) − f¯l ) − σk (fu (xk ) − f¯u ) + (fl (xk ) − f¯l )
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
50
k+1
2
2
2
x − x̄
=
xk − x̄
+ 2 xk+1 − xk , xk − x̄ +
xk+1 − xk
2
2
=
xk − x̄
−
xk+1 − xk
+ 2 xk+1 − xk , xk+1 − x̄
dengan,
k+1
x − xk , xk+1 − x̄ = xk+1 − xk + αk Fσ0 k (xk ), xk+1 − x̄ − αk Fσ0 k (xk ), xk+1 − x̄
≤ αk Fσ0 k (xk ), xk+1 − x̄
= αk Fσ0 k (xk ), xk − xk+1 + αk Fσ0 k (xk ), x̄ − xk
≤ ᾱ Fσ0 k (xk ), xk − xk+1 + αk σk (fl (x̄) − fl (xk ))
berdasarkan fakta Fσ0 k (xk ), xk − xk+1 ≥ 0 dan αk ≤ ᾱ sehingga:
k+1
2
2
x − x̄
≤
xk − x̄
+ 2ᾱ Fσ0 k (xk ), xk − xk+1 + 2αk σk (fl (x̄) − fl (xk )
Kasus 1.
k+1
2
2
x − x̄
≤
xk − x̄
+ 2ᾱ Fσ0 k (xk ), xk − xk+1
2
Disimpulkan bahwa
xk − x̄
konvergen sehingga xk terbatas.
bahwa bertentangan bahwa terdapat ε > 0 sedemikian sehingga fu (x̄) ≤ fu (xk )−ε
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
51
dengan k → ∞, sehingga:
X
∞
2 X
∞
0 i i
2βε σi ≤
xk2 − x̄
+ 2ᾱ Fσk (x ), x − xi+1
i=k2 −1 i=k2 −1
Dimana kontradiksi dengan bentuk di atas. Dengan demikian dapat diambil ke-
simpulan bahwa lim fu (xk ) = fu (x̄). Karena barisan tersebut adalah barisan ter-
k→∞
batas maka terdapat sebuah titik akumulasi x̂ sedemikian fu (x̂) = fu (x̄). Karena
x̂ ∈ Sl maka dengan Bolzano diperoleh x̂ ∈ Su ⊂ Sl maka xk → x̂ ∈ Su ⊂ Sl .
Kasus 2.
Untuk setiap k, terdapat k1 ≥ k sedemikian sehingga fu (x̄) > fu (xk1 ) dan didefi-
nisikan:
ik = max i ≤ k|fu (x̄) > fu (xi ) , ik → ∞, k → ∞
sehingga dimiliki:
k
X
k−1
0 i i
x − x̄
2 ≤
xik − x̄
2 + 2ᾱ Fσi (x ), x − xi+1
i=ik +1
2 X∞
≤
xik − x̄
+ 2ᾱ Fσ0 i (xi ), xi − xi+1
i=ik +1
dengan ik → ∞, maka:
X
∞
0 i i
Fσi (x ), x − xi+1 → 0, k → ∞
i=ik +
Karena semua titik akumulasi xk berada pada Sl dan untuk titik akumulasi
x̂ dari {xik } maka fu (x̄) ≥ fu (x̂) dan berarti juga bahwa semua titik akumulasi
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
BAB 6
6.1 Kesimpulan
Optimisasi konveks dua tahap adalah suatu kelas optimisasi yang hirarkis,
dengan dua level (level upper dan level lower). Variabel pada level upper akan
menjadi parameter untuk mencari solusi pada level lower sehingga variabel lower
ngan regulerisasi Tikhonov dan Metode Penalty, yaitu dengan membuat level
optimisasi tersebut, yaitu titik akumulasi pada himpunan solusi level upper dan
titik akumulasi pada himpunan solusi level lower adalah titik akumulasi atau titik
kumpul (cluster point) yang sama atau titik pembuat minimum kasus optimisasi
6.2 Saran
Penelitian ini masih membicarakan kasus yang sederhana, maka perlu di-
lakukan penganalisisan ke tahap yang lebih tinggi atau meneliti dengan menggu-
52
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
DAFTAR PUSTAKA
Audet, C., Haddad, J., Savard, G. (2006). A Note on the Definition of a Linear
Bilevel Programming Solution, Journal of Applied Mathematics and Compu-
tation, Vol. 181, 351-355.
Bard, J. F., Plummer, J., Souie, J. C. (2000), A Bilevel Programming Approach
to Determining Tax for Biofuel Production, European Journal of Operational
Research, Vol. 12, 30-46.
Bartle, R. G., Sherbert, D. R. (1994), Introduction to Riel Analysis, Jhon Wiley
& Sons (SEA), INC, Singapore.
Borwein, J. M., Lewis, A. S. (1999), Convex Analysis and NonLinear Optimization.
Gargnano, Italy.
Boyd, S., Vandenberghe, L. (2004). Convex Optimization. Cambridge University
Press, Cambridge, USA.
Calamai, P, H., More, J, J,. (1987). Projected Gradient Methods for Linearly
Constrained Problems, Journal of Mathematical Programming, Vol. 39, 93-
116.
Chiou, S. (2004). Bilevel Programming for The Continuous Transport Network
Design Problem, Journal of Transportation Research, Part B Vol. 39, 361-
383.
Farag, M. H. (1996). The Gradient Projection Method for Solving an Optimal
Control Problem, J: Applicationes Mathematicae, Vol 24. No 2, 141-147.
Freund, R. M. (2004). Penalty and Barrier Methods for Constrained Optimization.
Massachusetts Institute of Technology, Massachusetts.
Gaughan E. D. (1987). Introducton to Analysis. Wadsworth Inc, Belmont, Pacific
Grove, California, USA.
Hindi, H. (2004). A Tutorial on Convex Optimization. Palo Alto Research Centre
(PARC), Palo Alto, California.
53
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
54
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.
55
Zhu Z., Zhang B,. (2006). A General Projection Gradient Methods for Linear
Constrained Optimization with Superlinear Convergence. Journal of Applied
Sciences, Vol. 6 No 5, 1085-1089.
Lasker Pangarapan Sinaga : Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level), 2009.