09e02242 PDF

ANALISIS PERSOALAN OPTIMISASI KONVEKS
DUA TAHAP (TWO-LEVEL)
TESIS
Oleh
LASKER PANGARAPAN SINAGA

077021005/MT
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
Diajukan Sebagai Salah Satu Syarat

Untuk Memperoleh Gelar Magister Sains dalam
Program Studi Magister Matematika pada Sekolah Pascasarjana
Universitas Sumatera Utara
Oleh
LASKER PANGARAPAN SINAGA

077021005/MT
SEKOLAH PASCASARJANA
UNIVERSITAS SUMATERA UTARA
MEDAN
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
(Dr. Tulus, M.Si) (Prof. Dr. Herman Mawengkang)

Ketua Anggota
Ketua Program Studi, Direktur,
(Prof. Dr. Herman Mawengkang) (Prof. Dr. Ir. T.Chairun Nisa. B, M.Sc)
Tanggal lulus: Juni 2009
Telah diuji pada
Tanggal Juni 2009
PANITIA PENGUJI TESIS
Ketua : Dr. Tulus, M.Si
Anggota : 1. Prof. Dr. Herman Mawengkang
2. Dr. Sutarman, M.Sc
3. Drs. Marwan Harahap, M.Eng
ABSTRAK
Persoalan program konveks dua tahap merupakan alat yang bermanfaat

untuk memecahkan permasalahan keputusan yang hirarkis. Program ini meng-
gunakan persoalan optimisasi dengan dua level yang hirarkis, dimana pengambil
keputusan pada level lebih tinggi (upper) dan level lebih rendah (lower) masing-
masing mempunyai kendala dan fungsi tujuan berupa fungsi konveks. Pembuat
keputusan pada level lower harus mengoptimalkan fungsi tujuan di bawah para-
meter yang diberikan oleh level upper. Tesis ini menunjukkan bahwa persoalan di
atas dapat dipecahkan dengan menggunakan kombinasi dari Metode Proyeksi Gra-
dien dan Metode Penalty, dengan membuat level lower berfungsi sebagai fungsi
penalty dari himpunan yang layak, untuk menunjukkan regulerisasi. Proses regu-
lerisasi ini dibutuhkan untuk menunjukkan analisis konvergensi barisan solusi ter-
batas yang dibangkitkan metode tersebut.
Kata kunci : Optimisasi konveks, metode proyeksi gradien, metode penalty.
i
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.
Keywords : Convex optimization, gradient projection method, penalty method.
ii
KATA PENGANTAR
Tesis ini berjudul Analisis Persoalan Optimisasi Konveks Dua Tahap
(Analysis of Two Level Convex Optimization Problems). Tesis ini disusun
sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program
Studi Magister Matematika, Sekolah Pascasarjana, Universitas Sumatera Utara.
Penelitian ini diharapkan dapat bermanfaat dalam membantu menyelesaikan
berbagai persoalan optimisasi dua tahap bersifat konveks dengan memperlihatkan

proses penganalisisan kekonvergenan solusinya.
Penulis sangat sadar bahwa tesis ini masih jauh dari sempurna, namun besar
harapan bahwa tesis ini bermanfaat bagi para pembaca dan pada pengembangan
penelitian di bidang Operasi Riset.
Medan, Juni 2009
Penulis,
Lasker Pangarapan Sinaga
iii
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
berjudul ”Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level)”. Tesis
ini merupakan persyaratan tugas akhir pada Program Studi Matematika Sekolah
Pascasarjana Universitas Sumatera Utara.
Pada kesempatan ini, penulis menyampaikan ucapan terima kasih dan peng-
hargaan yang sebesar-besarnya kepada:
Prof. dr. Chairuddin P. Lubis, DTM&H, Sp.A(K) selaku Rektor Univer-
sitas Sumatera Utara.
Prof. Dr. Ir. T. Chairun Nisa B, M.Sc selaku Direktur Sekolah Pascasarjana
Universitas Sumatera Utara yang telah memberikan kesempatan kepada penulis
untuk mengikuti Program Studi Magister Matematika di Sekolah Pascasarjana,
Universitas Sumatera Utara.
Prof. Dr. Herman Mawengkang selaku Ketua Program Studi Magister Ma-
tematika, Sekolah Pascasarjana, Universitas Sumatera Utara; Dr. Saib Suwilo,
M.Sc selaku Sekretaris Program Studi Magister Matematika, Sekolah Pascasar-
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
Dosen-dosen Magister Matematika, Sekolah Pascasarjana, Universitas Sumatera
Utara : Prof. Dr. Herman Mawengkang, Dr. Saib Suwilo, M.Sc,
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,
Drs. Sawaluddin, MIT, Dra. Mardiningsih, M.Si, Dra. Esther Naba-
ban, M.Sc, yang telah banyak memberikan masukan ilmu pengetahuan dalam
konsentrasi Matematika Operasi Riset (OR).
Seluruh rekan mahasiswa angkatan ke-6 (2007-2008) Program Studi Magis-
ter Matematika, Sekolah Pascasarjana USU, atas kebersamaanya selama perku-

liahan.
Seluruh pegawai Sekolah Pascasarjana Universitas Sumatera Utara, secara
khusus kepada Misiani, S.Si, selaku staf administrasi Program Studi Magister
Matematika, yang banyak membantu penulis dalam berbagai urusan administrasi
selama perkuliahan.
Pimpinan SSC-Medan, Ronald Backer Simanjuntak, yang memberikan
waktu bagi penulis untuk melanjutkan perkuliahan, dan juga kepada seluruh rekan
pengajar dan pegawai SSC-Medan atas kerjasamanya selama ini.
Secara khusus, kepada orang tua penulis: Edison Sinaga dan Relianna
Saragih Sumbayak, dan kepada mertua: Budiman Damanik dan Pittauli
Purba, serta kedua saudara penulis (Nenny D Sinaga dan David Saragih,
Aditia Irving Saragih) dan Selpiani Sinaga, S.E. yang memberikan du-
kungan doa kepada penulis.
v
Teristimewa kepada istri tercinta Fitri Yanti Damanik, S.E. yang banyak
memberikan pengertian dan dukungan sepanjang waktu.
Ucapan terima kasih kepada seluruh keluarga dan rekan-rekan yang tidak da-
pat penulis sebutkan namanya satu persatu pada kesempatan ini, atas dukungan
doa yang diberikan sehingga penulis dapat menyelesaikan pendidikan ini.
Akhirnya penulis berharap semoga tesis ini dapat bermanfaat bagi pembaca
dan pihak-pihak lain yang memerlukannya.
Medan, Juni 2009
Penulis,
Lasker Pangarapan Sinaga
vi
RIWAYAT HIDUP
Lasker Pangarapan Sinaga dilahirkan di Merek Raya (Simalungun) pada
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
Umum (SMU) Negeri 1 (Plus Partuha Maujana Simalungun Angkatan I) pada
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
pendidikan Program Studi Magister Matematika di Sekolah Pascasarjana Univer-

sitas Sumatera Utara. Tahun 2008 menikah dengan Fitri Yanti Damanik, S.E.
vii
DAFTAR ISI
Halaman
ABSTRAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
KATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . iii
UCAPAN TERIMA KASIH . . . . . . . . . . . . . . . . . . . . . . iv
RIWAYAT HIDUP . . . . . . . . . . . . . . . . . . . . . . . . . . vii
DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii
DAFTAR GAMBAR . . . . . . . . . . . . . . . . . . . . . . . . . x
DAFTAR SIMBOL . . . . . . . . . . . . . . . . . . . . . . . . . . xi
BAB 1 PENDAHULUAN . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . 4
1.3 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . 4
1.4 Kontribusi Penelitian . . . . . . . . . . . . . . . . . . . 5
1.5 Metode Penelitian . . . . . . . . . . . . . . . . . . . . . 5
BAB 2 TINJAUAN PUSTAKA . . . . . . . . . . . . . . . . . . . . 7
BAB 3 KONTINUITAS DAN KONVEKSITAS . . . . . . . . . . . . 11
3.1 Analisis Matematika . . . . . . . . . . . . . . . . . . . . 11
3.1.1 Fungsi Kontinu dan Fungsi Lipschitz . . . . . . . . . 11
3.1.2 Barisan (Sequence) . . . . . . . . . . . . . . . . . 13
3.2 Konveksitas Himpunan dan Fungsi . . . . . . . . . . . . . 14
3.2.1 Himpunan Konveks . . . . . . . . . . . . . . . . . 15
viii
3.2.2 Fungsi Konveks . . . . . . . . . . . . . . . . . . . 17
BAB 4 OPTIMISASI KONVEKS DAN OPTIMISASI DUA TAHAP

SERTA METODE PROYEKSI GRADIEN . . . . . . . . . . . 21
4.1 Optimisasi Konveks . . . . . . . . . . . . . . . . . . . . 22
4.2 Optimisasi Dua Tahap . . . . . . . . . . . . . . . . . . . 24
4.3 Metode Steepest Descent . . . . . . . . . . . . . . . . . 26
4.4 Algoritma Proyeksi Gradien (Gradient Projection Algorithms) 27
4.5 Analisis kekonvergenan Metode Proyeksi Gradien . . . . . . 31
BAB 5 PEMBAHASAN . . . . . . . . . . . . . . . . . . . . . . . 36
5.1 Formulasi Optimisasi Konveks Dua Tahap . . . . . . . . . 36
5.2 Regulerisasi Optimisasi Konveks Dua Tahap . . . . . . . . 37
5.3 Kondisi Optimal dari Solusi . . . . . . . . . . . . . . . . 42
5.4 Algoritma Proyeksi Gradien dan Analisis Kekonvergenan So-

lusi Optimisasi Konveks Dua Tahap . . . . . . . . . . . . 43
BAB 6 KESIMPULAN DAN SARAN . . . . . . . . . . . . . . . . . 52
6.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . 52
6.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . 53
ix
DAFTAR GAMBAR
Nomor Judul Halaman
3.1 Implementasi secara geometri fungsi kontinu . . . . . . . . . 12
3.2 Konveks dan tidak konveks . . . . . . . . . . . . . . . . . 15
3.3 Polihedron P dengan irisan dari lima buah halfspaces dengan

vektor normal a1, . . . , a5 . . . . . . . . . . . . . . . . . . . 15
3.4 Sebuah convex cone: untuk setiap titik x1 , x2 ∈ C dan untuk

setiap 0 ≤ θ ≤ 1 maka θx1 + (1 − θ)x2 ∈ C . . . . . . . . . . 16
3.5 Sebuah hyperlane dengan dua halfspaces . . . . . . . . . . . 16
3.6 Sebuah ellipsoid dalam R2 . . . . . . . . . . . . . . . . . . 16
3.7 Fungsi Konveks dan Fungsi Tidak Konveks . . . . . . . . . . 17
3.8 Jika f fungsi terdifferensialkan dan x , y ∈ dom f, maka

f (y) ≥ f (x) + ∇f (x)T (y − x) . . . . . . . . . . . . . . . . 18
4.1 Ilustrasi solusi global dan lokal . . . . . . . . . . . . . . . . 23
4.2 Contoh ilustrasi metode proyeksi gradien . . . . . . . . . . . 30
5.1 Himpunan solusi upper atau solusi optimisasi Su adalah bagian

dari solusi lower Sl . . . . . . . . . . . . . . . . . . . . . 37
5.2 Ilustrasi sederhana minimisasi Fσ (xu , xl ) dengan domain Su pada

optimisasi konveks dua tahap . . . . . . . . . . . . . . . . 40
5.3 Interpretasi kondisi optimal . . . . . . . . . . . . . . . . . 42
5.4 Ilustrasi solusi optimal pada Optimisasi Konveks Dua Tahap . 49
x
DAFTAR SIMBOL
∅ : Himpunan kosong f : Fungsi
C : Himpunan konveks fu : Fungsi objektif level upper
K : Konstanta Lipschitz fl : Fungsi objektif level lower
R : Bilangan Riel gu : Fungsi kendala level upper
N : Bilangan Asli gl : Fungsi kendala level lower
Rn : Ruang Euklidis n Su : Himpunan solusi level upper
∀ : Untuk setiap Sl : Himpunan solusi level lower

∃ : Terdapat/beberapa x̄ : Titik kumpul (cluster point)
→ : Mendekati/menuju k.k : Norm(2)
⊆ : Subset h·, ·i : Inner product
⊂ : Proper subset aT : Transpose a
{xk } : Barisan solusi x Df(x) : Differensial f (x)
Min : Minimize f 0 (x) : Differensial f (x)
Max : Maksimum ∇f (x) : Gradien
Inf : Infimum PC (x) : Proyeksi orthogonal pada C
Dist : Distance Fσ (x) : Regulerisasi F (x)
Dom : Domain f¯u : inf{fu (x)}
Lim : Limit f¯l : min{fl (x)}
xu : Variabel level upper Arg : argumen

xl : Variabel level lower L(c) : Fungsi level
xi
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Masalah selalu dihadapi terus menerus di dalam kehidupan, sehingga setiap
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-
bangan seharusnya benar-benar dipikirkan oleh pengambil keputusan. Hal ini
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
sekali bahwa pengambil keputusan harus dapat menentukan keputusan terbaik
untuk mengatasi masalah yang sedang dihadapi secepat mungkin dengan tanpa
menimbulkan masalah yang lain akibat keputusan tersebut.
Ilmu matematika, secara khusus konsentrasi operasi riset (Research Opera-

tion) telah menanggapi dan berperan aktif dalam mengatasi masalah pengambilan
keputusan seperti permasalahan pengambil keputusan di atas. Persoalan pengam-
bilan keputusan sering diformulasikan sebagai persoalan optimisasi. Optimisasi
matematika akan memodelkan berbagai kasus masalah dan mencari cara atau
metode yang tepat dan cepat untuk menyelesaikannya. Optimisasi matematika
ditujukan pada metode untuk mendapatkan suatu solusi yang optimal. Pusat
permasalahannya adalah mendapatkan solusi yang memaksimumkan suatu fungsi
tujuan atau meminimumkan risiko.
1
2
Secara matematis, permasalahan optimisasi adalah sebuah abstraksi masalah
untuk mengambil sebuah pilihan vektor terbaik di Rn dari sekumpulan pilihan
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).
Penelitian lebih lanjut menyatakan bahwa keputusan yang telah diambil
memang diharapkan dapat menyelesaikan persoalan yang sedang dihadapi tetapi
sering tidak terpikirkan bahwa keputusan tersebut dapat menyebabkan masalah

dibagian yang lain. Keputusan yang baik adalah keputusan yang dapat menye-
lesaikan permasalahan bersangkutan pada saat ini dan tidak menyebabkan per-
masalahan berikutnya di bagian yang lain. Kejadian seperti ini menstimulus
munculnya bentuk optimisasi multi tahap. Optimisasi ini diharapkan dapat mem-
bantu si pembuat keputusan dalam mengambil keputusan yang terbaik dalam
berbagai kasus berbentuk optimisasi dua tahap dalam kehidupan sehari-hari.
Bard, Plummer dan Sourie (1998).
Optimisasi dua tahap (Two Level Optimization) adalah bentuk optimisasi
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).
3
Secara umum, optimisasi dua tahap dituliskan dengan bentuk:
(Level upper)
Minimizexu ,xl fu (xu , xl) (1.1)
s. t. gu (xu ) ≤ 0 (1.2)
(Level lower)
Minimizexl fl (xu , ·) (1.3)
s.t. gl (xu , ·) ≤ 0 (1.4)
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)
Vicente (1997) dan lihat juga Wang, Wan dan Lv (2008).
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
dapat diformulasikan dengan himpunan solusi berikut:
S(xu , xl) ∈ Rn × Rn = {(xu , xl)|Su ∩ Sl )} (1.8)
Chio (2004) dan Audet, Haddad dan Savard (2006).
4
Seorang matematikawan, Chris Fricke dari Departemen Matematika dan
Statistika, Universitas Melbourne menjelaskan tentang optimisasi dua tahap terse-
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
dan metode penalty.
1.2 Rumusan Masalah
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
tahap (Two Level Convex Optimization).
Permasalahannya adalah bagaimana memformulasi atau memodelkan opti-
misasi konveks dua tahap tersebut ke bentuk yang sederhana dengan regulerisasi
dan menunjukkan penganalisisan kekonvergenan solusi dari barisan solusi layak
yang dibangkitkan oleh sebuah algoritma untuk menunjukkan keoptimalan solusi.
Proses ini memerlukan definisi, sifat dan teorema yang mendukung.
1.3 Tujuan Penelitian
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
5
ini adalah menunjukkan keoptimalan solusi optimisasi konveks dua tahap dengan
memperlihatkan bahwa apakah kedua titik kumpul pada kedua himpunan solusi
tersebut adalah titik yang sama atau berbeda.
1.4 Kontribusi Penelitian
Penelitian ini memberikan teori tentang penganalisaan optimisasi konveks
multitahap dengan pembatasan masalah pada dua tahap dan menyelesaikannya
dengan sebuah metode serta memberikan jaminan teori dalam memperlihatkan
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.
1.5 Metode Penelitian
Penelitian ini dikerjakan dengan metode literatur dengan tahapan pelak-
sanaannya sebagai berikut:
1. Menjelaskan secara teori tentang konveksitas himpunan dan fungsi.
2. Menunjukkan bentuk optimisasi konveks dan optimisasi dua tahap.
3. Memformulasi bentuk optimisasi konveks dua tahap dan melakukan regule-
risasi fungsi dengan regulerisasi Tikhonov serta fungsi penalty.
4. Menganalisis konveksitas fungsi terregulerisasi dan eksistensi solusi dengan
menggunakan algoritma proyeksi gradien serta melakukan penganalisisan
kekonvergenannya pada kedua level (upper dan lower).
6
5. Menganalisis titik kluster pada kedua level dan menunjukkan apakah kedua
titik kluster tersebut sama atau berbeda.
BAB 2
TINJAUAN PUSTAKA
Optimisasi konveks adalah sebuah kelas optimisasi yang mempunyai domain
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).
Suatu masalah optimisasi dengan kasus minimisasi tidak berkendala dengan
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
membuat proyeksi orthogonal sangat memungkinkan digunakan dalam menun-
jukkan arah yang layak dan descent, yaitu arah pergerakan gradien disetiap iterasi,
oleh Iusem (2003). Hal ini terjadi karena metode proyeksi gradien meminimisasi
sebuah fungsi terdifferensialkan dan kontinu f : Rn → R atas himpunan konveks
tak kosong dan tertutup C ⊂ Rn yang telah dijelaskan sebelumnya oleh Calamai
dan More (1987).
Algoritma atau metode pendekatan adalah cara terbaik untuk menyelesaikan
kasus optimisasi nonlinear. Berbagai algoritma untuk mendapatkan solusi opti-
7
8
misasi yang berkaitan dengan proyeksi telah dikembangkan, yaitu metode proyeksi
gradien oleh Rosen dapat dilihat pada Iusem (2006) dan metode proyeksi gradien
konjugasi, metode proyeksi gradien Quasi-Newton dan metode proyeksi gradien

Rosen-ParTan (Parallel Tangents) oleh Chio (2004).
Metode proyeksi gradien adalah sebuah generalisasi dari metode descent,
dimana gradien negatif diproyeksikan pada daerah terbatas dan mencari solusi di
sepanjang kurva. Luenberger (1974). Metode proyeksi gradien ini diperkenalkan
pertama sekali oleh Rosen (1960) dan digunakan untuk menyelesaikan program
nonlinear (Nonlinear Programming). Metode ini bekerja dengan membangkitkan

sebuah barisan solusi-solusi layak yang konvergen ke solusi optimal, oleh Zhu dan
Zhang (2006). Bentuk analisis kekonvergenan metode ini juga telah dijelaskan
oleh Calamai (1987).
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
metode proyeksi gradien mempunyai proses kekonvergenan yang cukup lambat,
sehingga dengan kombinasi tersebut, proses kekonvergenan dapat dicapai dengan
cepat, oleh Zhu dan Zhang (2006).
Dengan demikian, tujuan dari setiap algoritma jelas untuk mendapatkan
bentuk kekonvergenan solusi dengan lebih cepat. Sebagai contoh, proses mini-
misasi yang berhubungan dengan masalah gradien yang dijelaskan oleh Polak,
Sargent dan Sebastian (1974).
9
Sehubungan dengan masalah kekonvergenan dari metode iteratif di atas
maka pendekatan regulerisasi (Tikhonov Regulerization) pada fungsi tujuan sangat
perlu dilakukan untuk menunjukkan kekonvergenan barisan solusi yang dibang-

kitkan algoritma pada optimisasi konveks, hal ini dijelaskan oleh Ali (2005).
Dari uraian diatas, perkembangan ilmu matematika berbanding lurus de-
ngan perkembangan masalah optimisasi serta metode-metode penyelesaiannya.
Sebagai contoh adalah kelas optimisasi dua tahap. Metode proyeksi gradien juga
digunakan dalam menyelesaikan optimisasi dua tahap (Bilevel Optimization) oleh
Solodov (2007). Kelas optimisasi dua tahap ini menampilkan aksi Leader-Follower
dalam membantu mengambil keputusan (Decision Making), oleh Bard, Plummer
dan Sourie (1998) dan Ye (1999).
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-
tama, pembuat keputusan (pemimpin) harus memilih pertama suatu strategi x

untuk meminimumkan fungsi sasaran, dan pembuat keputusan pada level kedua
(pengikut) harus memilih suatu strategi y untuk meminimumkan fungsi sasarannya
sendiri yang diparameteri x. Mengantisipasi reaksi dari pengikut, maka pemimpin
harus menemukan nilai-nilai variabelnya yang memenuhi sasarannya dan juga
memenuhi sasaran pengikutnya, oleh Ankhili dan Mansouri (2008).
Kondisi kelambanan dari level lower dimasukkan ke sasaran level upper

dengan suatu penalty. Kemudian menguraikan program dua level yang linier
ke dalam satu barisan program linier dan mendapatkan solusi optimal, Solodov
(2007).
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).
BAB 3
KONTINUITAS DAN KONVEKSITAS
3.1 Analisis Matematika
Analisis matematika membicarakan masalah kekontinuan suatu fungsi dan
kekonvergenan suatu barisan. Demikian halnya dengan analisis optimisasi berikut,
akan membicarakan tentang keoptimalan solusi dengan memperhatikan kekon-
tinuan fungsi serta kekonvergenan barisan solusi yang dibangkitkan oleh suatu
algoritma.
Pada bagian ini akan dijelaskan beberapa definisi ataupun teorema yang
mendukung penganalisisan konveksitas sebuah fungsi dan kekontinuan serta kekon-
vergenan solusi layaknya, yang akan mendukung pembahasan pada bab berikut-
nya. Seperti operator norm, kekontinuan seragam, fungsi Lipschitz dan barisan
terbatas dan lain-lain.
3.1.1 Fungsi Kontinu dan Fungsi Lipschitz
Definisi 3.1.1 Norm adalah operator yang disimbolkan dengan k.k, yaitu sebuah
ukuran panjang dari dua buah vektor x1, x2 ∈ A ⊆ Rn , sehingga:
dist(x1, x2) = kx1 − x2k dan
dist(x1, A) = inf kx1 − x2k , ∀x2 ∈ A
11
12
Definisi 3.1.2 Sebuah himpunan A ⊂ R disebut himpunan terbuka jika dan
hanya jika untuk setiap x ∈ A terdapat lingkungan Q dari x sedemikian sehingga
Q ⊂ A.
Definisi 3.1.3 Sebuah fungsi f : Rn → Rm adalah kontinu pada x1 ∈ dom f
jika untuk setiap ε > 0 terdapat δ > 0 sedemikian sehingga:
x2 ∈ dom f kx2 − x1 k < δ ⇒ kf (x2 ) − f(x1 )k < ε
Misalkan saja lim f(x) = L (ada) sedemikian implementasi definisi di atas dapat
x→c
dijelaskan kembali secara geometri pada gambar di bawah ini:
Gambar 3.1 : Implementasi secara geometri fungsi kontinu
Definisi 3.1.4 Sebuah fungsi f : A → R disebut fungsi kontinu seragam pada
A ⊆ R jika dan hanya jika untuk setiap ε > 0 terdapat δ(ε) > 0 sedemikian:
x1 , x2 ∈ A maka |x1 − x2| ≤ δ(ε) ⇒ |f (x1 ) − f(x2)| < ε
13
Definisi 3.1.5 (Fungsi Lipschitz) Misalkan A ⊂ R dan f : A → R disebut fungsi
Lipschitz jika terdapat K > 0 sedemikian sehingga:
kf (x1 ) − f(x2 )k ≤ K kx1 − x2 k , ∀x1, x2 ∈ A
Teorema 3.1.1 Jika f : A → R adalah fungsi Lipschitz maka f adalah fungsi
kontinu seragam pada A.
Bukti: Jika kondisi fungsi Lipschitz f : A → R dipenuhi dengan konstanta
K > 0, kemudian diberikan ε > 0 dan mengambil δ(ε) = ε/K sedemikian sehingga
untuk setiap x1, x2 ∈ A memenuhi
kx1 − x2 k ≤ δ(ε) ⇒ kf (x1 ) − f(x2 )k < K.ε/K = ε
3.1.2 Barisan (Sequence)
Definisi 3.1.6 Sebuah barisan bilangan riel R adalah sebuah fungsi pada him-
punan bilangan asli N dimana hasilnya berada dalam R.
Definisi 3.1.7 Sebuah barisan {xn }∞

n=1 konvergen ke sebuah bilangan riel x̄ jika
dan hanya jika ∀ε > 0 terdapat sebuah bilangan bulat n ≥ N sedemikian sehingga:
|xn − x̄| < ε
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,
untuk setiap lingkungan V , himpunan {n : xn ∈ V } adalah tak berhingga.
14
Definisi 3.1.9 Sebuah barisan {xn } disebut terbatas jika terdapat sebuah bilangan
riel K > 0 sedemikian sehingga ∀n ∈ N, kxn k ≤ K.
Teorema 3.1.2 (Bolzano-Weierstrass) Setiap barisan terbatas di R mempunyai
sebuah sub-barisan yang konvergen.
Bukti: Misalkan {xn } adalah sebuah barisan terbatas di Rm dan ∀n ∈ N ,

(n) (n) (n)
kxn k ≤ K. Kemudian, untuk setiap n, misalkan juga xn = (x1 , x2 , . . . , xm ).
(n)
Barisan {x1 } adalah sebuah barisan pada bilangan riel dan karena ∀n ∈ N ,

(n)
x1 ≤ kxn k ≤ K maka barisan tersebut adalah barisan terbatas.
n o
n (k)
Pilih sebuah sub-barisan x1 1 adalah barisan yang konvergen, sedemikian
n o
n1 (k)
x2 ≤ xn1 (k) ≤ K dimana x2 2
n (k)
adalah barisan yang terbatas se-
n o
n (k)
hingga konvergen. Karena x1 2 adalah sub-barisan dari barisan konvergen
n o
n (k)
x1 1 maka akan konvergen juga. Dengan proses yang lebih umum maka sete-
lah langkah ke m sebuah barisan {nm (k)}∞

k=1 dari integer j = 1, . . . , m, masing-

masing barisan {xj m } konvergen ke xj . Karena xnm (k) − x → 0, k → ∞
n (k)
dengan x = (x1, x2, ..., xm)
3.2 Konveksitas Himpunan dan Fungsi
Obyek yang berperan utama dalam penelitian ini adalah himpunan dan
fungsi yang bersifat konveks. Berikut pendefinisian dan penjelasan secara teori
tentang bentuk konveksitas himpunan dan fungsi tersebut.
15
3.2.1 Himpunan Konveks
Definisi 3.2.1 Himpunan C dikatakan bersifat konveks jika terdapat dua titik
dalam C yang membentuk segmen garis yang juga terletak dalam C.
Gambar 3.2 : Konveks dan tidak konveks
Bentuk kurva yang digambarkan di atas memperlihatkan bentuk konveks
dan tidak konveks suatu himpunan sesuai dengan definisi di atas. Secara ma-
tematis, bentuk definisi tersebut dapat dituliskan kembali dengan memberikan
setiap titik x1, x2 ∈ C dan untuk setiap 0 ≤ θ ≤ 1 maka θx1 + (1 − θ)x2 ∈ C.
Beberapa himpunan yang bersifat konveks adalah:
1. Polihedral
Gambar 3.3 : Polihedron P dengan irisan dari lima buah halfspaces dengan vektor
normal a1, . . . , a5
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
Gambar 3.5 : Sebuah hyperlane dengan dua halfspaces
4. Bola Euklidis dan Ellipsoida
Gambar 3.6 : Sebuah ellipsoid dalam R2
17
3.2.2 Fungsi Konveks
Definisi 3.2.2 Sebuah fungsi f : Rn → R adalah konveks jika domain f adalah
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 3.7 : Fungsi Konveks dan Fungsi Tidak Konveks
Pertidaksamaan pada Definisi (3.2.2) telah ditunjukkan secara geometri pada
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.
Sebuah fungsi f dikatakan dapat didifferensialkan pada titik x jika terdapat
sebuah matriks Df(x) ∈ Rmxn sehingga memenuhi:
kf(z) − f (x) − Df (x)(z − x)k2

lim =0 (3.1)
z→x kz − xk2
dan sebuah fungsi affine dari z diberikan dengan bentuk:
f (x) + Df (x)(z − x) (3.2)
18
Misalkan f adalah fungsi yang bernilai riel f : Rn → R dan terdifferensialkan
maka Df (x) adalah sebuah matriks 1 × n, dimana transposnya disebut dengan
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:
f (x) ' f(x0) + ∇f (x0 )T (x − x0) (3.4)
Kemudian, untuk x1, x2 ∈ C ⊆ Rn sedemikian f : Rn → R adalah fungsi kon-
veks maka kurva pada gambar di bawah ini merupakan fungsi konveks jika f
terdifferensialkan dan gradiennya ∇f (x) ada ∀x ∈ domf dan memenuhi:
f(y) ≥ f (x) + ∇f (x)T (y − x) (3.5)
Gambar 3.8 : Jika f fungsi terdifferensialkan dan x , y ∈ dom f, maka

f (y) ≥ f (x) + ∇f (x)T (y − x)
19
Pernyataan di atas disajikan kembali sebagai bentuk teorema di bawah ini
sehingga lebih terjamin dengan sebuah pembuktian sebagai berikut:
Teorema 3.2.1 Jika x1 , x2 ∈ C ⊆ Rn dan f adalah fungsi yang memenuhi
f (x2 ) ≥ f (x1) + ∇f (x1 )T (x2 − x1 )
maka f adalah fungsi konveks.
Bukti: Pilih x 6= y dan 0 ≤ θ ≤ 1 serta x + θ(y − x) ∈ domf . Misalkan
z = x + (1 − θ)y sedemikian sehingga:
f(x) ≥ f(z) + f 0 (z)(x − z) dan f(y) ≥ f (z) + f 0 (z)(y − z)
Dengan mengalikan pertidaksamaan pertama dengan θ dan pertidaksamaan kedua
dengan 1 − θ sehingga:
θf (x) ≥ θf (z) + θf 0 (z)(x − z) dan
f(y) − θf (y) ≥ f (z) − θf (z) + f 0 (z)(y − z) − θf 0 (z)(y − z)
Dengan menjumlahkan kedua pertidaksamaan tersebut maka diperoleh:
θf (x) + (1 − θ) ≥ f (z)
Hasil tersebut jelas merupakan bentuk fungsi konveks.
Teorema 3.2.2 Jika f : C → R adalah fungsi konveks maka f adalah fungsi
Lipschitz.
20
Bukti: Fungsi f : C → R dan x1 , x2 ∈ C disebut fungsi konveks jika memenuhi:
f(x2 ) ≥ f (x1) + ∇f (x1 )T (x2 − x1 )
atau diformulasi menjadi: f (x1 ) − f (x2 ) ≤ ∇f (x1)T (x1 − x2 ), dengan menggu-
nakan operator norm maka
f(x1 ) − f(x2) ≤ ∇f (x1)T (x1 − x2)
sehingga kondisi tersebut memenuhi kondisi fungsi Lipschitz.
Beberapa jenis fungsi yang bersifat konveks adalah fungsi logaritma pada
R+ , fungsi eksponensial pada R, fungsi norm pada Rn , fungsi linear pada Rn ,
fungsi kuadrat pada Rn dan lain-lain.
BAB 4
OPTIMISASI KONVEKS DAN OPTIMISASI DUA TAHAP

SERTA METODE PROYEKSI GRADIEN
Optimisasi matematika mempunyai bentuk secara umum:
Minimize f0 (x) (4.1)
s.t fi (x) ≤ 0 (4.2)
hi (x) = 0, (4.3)
Untuk i = 1, 2, . . . , m dan vektor x = (x1 , . . . , xn ) adalah variabel optimisasi
dan f0 : Rn → R adalah fungsi objektif serta fi , hi : Rn → R adalah pertidak-
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:
f0 (x) = f ∗ dengan f ∗ = inf f0 (x) (4.4)

x∈C
Penguraian bentuk (4.4) dapat dilihat pada Teorema 5.3.2.
Permasalahan optimisasi ini berkembang ke berbagai bentuk kelas opti-
misasi, seperti optimisasi linear, optimisasi nonlinear, optimisasi konveks, opti-
misasi tak konveks, optimisasi dua tahap, optimisasi bersifat stokastik, dan seba-
gainya.
21
22
4.1 Optimisasi Konveks
Optimisasi konveks adalah bentuk optimisasi dengan fungsi tujuan dan
fungsi kendala merupakan fungsi konveks. Masalah pendekatan konveksitas banyak
dipakai pada model program matematika karena bentuk kesulitan optimisasi bukan
dilihat dari bentuk kelinearannya tetapi berdasarkan konveksitasnya.
Optimisasi konveks dituliskan dengan bentuk:
Min f0 (x) (4.5)
s.t. fi (x) ≤ 0 (4.6)
dengan fi : Rn → R adalah fungsi konveks, untuk setiap ∀x ∈ Rn adalah
himpunan konveks. Adakah keistimewaan optimisasi konveks dibandingkan de-

ngan kelas optimisasi lainnya? Ada tiga alasan yang membuat bentuk optimisasi
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
layak dari suatu permasalahan optimisasi yang diberikan, maka:
Solusi optimal lokal jika memenuhi:
x2 ∈ C, kx2 − x1 k ≤ R ⇒ f0 (x2) ≥ f0(x1 ), untuk terdapat R > 0 (4.7)
23
Solusi optimal global jika memenuhi:
x2 ∈ C ⇒ f0 (x2) ≥ f0 (x1 ) (4.8)
Perhatikan ilustrasi solusi optimal global dan lokal pada gambar berikut:
Gambar 4.1 : Ilustrasi solusi global dan lokal
Teorema 4.1.1 Pada permasalahan optimisasi konveks, solusi optimal lokal meru-
pakan solusi optimal global.
Bukti: Misalkan bahwa x1 adalah solusi optimal lokal, karena terdapat x2 ∈ C

dengan f0 (x2) ≥ f0 (x1) maka dilakukan sedikit langkah pergeseran yang sangat
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
kontradiksi dengan pernyataan keoptimalan lokal.
24
4.2 Optimisasi Dua Tahap
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
sebagai tahap pertama dan level lower sebagai tahap kedua.
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)
Minimizexu ,xl fu (xu , xl ) (4.9)
s.t. gu (xu ) ≤ 0 (4.10)
(Level lower)
Minimizexl fl (xu , ·) (4.11)
s.t. gl (xu , ·) ≤ 0 (4.12)
xu , xl ≥ 0 (4.13)
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
level lower disebut dengan inner problem.
Untuk setiap nilai dari variabel xu pada level upper, kendala pada level lower
g(xu , ·) ≤ 0 mendefinisikan himpunan kendala Ω(xu ) dari persoalan level lower:
Ω(xu ) = {xl : gl (xu , ·) ≤ 0} (4.16)
Jadi Sl (xu , xl (xu )) adalah himpunan solusi dari level lower, dengan:
Sl (xu , xl (xu )) = {xl ∈ arg min{fl (xu , ·) : xl ∈ Ω(xu )}} (4.17)
Sehingga optimisasi dua tahap di atas dapat diformulasikan kembali menjadi
bentuk:
Minimizexu ,xl fu (xu , xl ) (4.18)
s.t. gu (xu ) ≤ 0 (4.19)
xl ∈ Sl (xu , xl) (4.20)
Bentuk di atas menunjukkan bahwa untuk setiap solusi level upper beraksi
pertama sekali atau sering disebut Leaders Problem, sementara level lower dibuat
untuk bereaksi untuk mendapatkan solusi xl secara optimal bergantung pada
pilihan xu atau Followers Problem. Kemudian himpunan solusi layak dituliskan
26
dalam bentuk:
S = {(xu , xl ) ∈ Rn×n : gu (xu ) ≤ 0, xl ∈ Sl (xu , xl )} (4.21)
Salah satu kelas optimisasi multitahap adalah optimisasi konveks dua tahap
yang akan dibahas pada bab pembahasan.
4.3 Metode Steepest Descent
Misalkan permasalahan optimisasi yang dibicarakan tidak mempunyai suatu
solusi analitis, sehingga harus digunakan suatu pendekatan atau algoritma nu-
merik (iteratif) untuk memecahkan masalah tersebut. Algoritma tersebut diha-
rapkan dapat dengan cepat mencapai kondisi konvergen ke solusi yang optimal.
Metode gradien descent menggunakan gradien negatif (−∇f ) untuk meng-
evaluasi titik xk secara berkelanjutan sebagai arah dari setiap langkah untuk se-
tiap iterasi algoritma. Kriteria yang memperlihatkan iterasi berhenti adalah jika
mencapai kondisi final:
k∇f k2 ≤ ε (4.22)
dimana ε adalah suatu nilai yang kecil dan positif. Metode gradien negatif men-
jamin arah setiap langkah pada algoritma adalah arah descent.
Misalkan f : Rn → R merupakan fungsi kontinu yang dapat didifferen-

sialkan, maka metode steepest descent membangkitkan sebuah barisan xk ∈ Rn
melalui:
xk+1 = xk − βk ∇f (xk ) (4.23)
27
dimana βk adalah sejumlah bilangan riel positif dan memenuhi:
αk
βk = (4.24)
k∇f (xk )k
dengan
X
∞ X
∞
αk = ∞, α2k < ∞ (4.25)
k=0 k=0
Dasar dari kekonvergenan metoda gradien descent adalah pencarian garis
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
konveks. Dengan konveksitas fungsi f maka sangat memungkinkan untuk mem-
buktikan kekonvergenan dari barisan yang dibangkitkan oleh algoritma tersebut.
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.
4.4 Algoritma Proyeksi Gradien (Gradient Projection Algorithms)
Metoda proyeksi gradien pertama sekali diperkenalkan oleh Rosen, 1960
dan menjadi salah satu metoda yang digunakan untuk menyelesaikan program
nonlinear. Metoda ini akan dipilih untuk menyelesaikan persoalan pada penelitian
ini.
28
Adapun yang menjadi alasan untuk menggunakan metode ini adalah karena
didalam penerapan, metode proyeksi gradien mampu mengidentifikasi himpunan
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
selalu digunakan bersama-sama dengan metoda lain untuk mendapatkan tingkat
kekonvergenan yang lebih cepat. Ada dua metode program nonlinear yang umum
dan terkenal yaitu metode proyeksi gradien dan metode fungsi penalty, yang di-
gunakan dengan prosedur descent orde pertama yaitu steepest descent.
Metode proyeksi gradien adalah sebuah generalisasi dari metode descent,
dimana gradien negatif diproyeksikan pada daerah terbatas dan mencari solusi
di sepanjang kurva sehingga metode ini bekerja dengan membangkitkan barisan
solusi-solusi layak.
Jika himpunan domain fungsi pada kasus ini adalah himpunan konveks C,
maka keadaan menjadi memungkinkan untuk menggunakan proyeksi orthogonal

pada C, yaitu menunjukkan arah pergerakan gradien disetiap iterasi. Hal ini
terjadi karena metode proyeksi gradien meminimisasi sebuah fungsi terdifferen-
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-
29
thogonal titik x pada C, dan jarak x ke C:
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)).
Berikut adalah deskripsi dari algoritma proyeksi gradien yang dimaksud.
Inisialisasi: Ambil x(0) ∈ C
Iterasi: Jika x(k) adalah stasioner maka stop.
Iterasi bergerak dari z (k) ke z (k+1) dan dipilih parameter skalar
α(k)>0 sehingga:
z (k) = PC (x(k) − α(k) ∇f (x(k)))
kemudian pilih parameter skalar kedua λ(k) ∈ [0, 1] sehingga:
x(k+1) = x(k) + λk (z (k) − x(k) )
Approksimasi akhir algoritma ini bergantung pada nilai kedua
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:
h∇f (x∗), x − x∗i ≥ 0, x ∈ C (4.26)
30
atau
∇f (z)T (x − z) ≥ 0, ∀x ∈ C (4.27)
Sembarang titik x∗ yang memenuhi kondisi keoptimalan di atas disebut dengan

titik stasioner dari kasus optimisasi yang akan diteliti (lihat Teorema 5.3.1). Jika
∇f adalah kontinu Lipschitz dengan konstan Lipschitz K dan α(k) memenuhi:
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.
Perhatikan gambar di bawah ini
Gambar 4.2 : Contoh ilustrasi metode proyeksi gradien
Proses pada ilustrasi di atas adalah kasus pada sebuah persamaan kendala
tunggal h(x) = 0. Pergerakan pertama adalah disepanjang garis yang ditunjukkan
dengan ∇f(xk ) ke arah permukaan kendala. Pergerakan berikutnya adalah bagian
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
dengan menentukan gradien descent dan kemudian menggunakan garis pelacak.
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
arah yang ditentukan.
4.5 Analisis kekonvergenan Metode Proyeksi Gradien
Pada analisis kekonvergenan metode proyeksi gradien, konvergensi yang kuat
dari suatu solusi pada fungsi ditinjau dari bentuk kekontinuan uniformnya. Ber-
dasarkan algoritma proyeksi gradien maka dibangkitkan sebuah barisan solusi -
solusi layak {xn } yang konvergen ke solusi optimal. Berikut definisi dan teorema
yang membuktikan pernyataan berikut.
Definisi 4.5.1 Misalkan C 6= ∅ merupakan himpunan konveks tertutup maka:
1. Dipenuhi y = PC (x) jika dan hanya jika hx − y, z − yi ≤ 0 untuk setiap
z ∈ C.
2. Sebuah titik x̄ disebut pembuat minimum pada sebuah fungsi konveks f pada
himpunan C, jika dan hanya jika x̄ = PC (x̄ − αf 0 (x̄)), α > 0.
Teorema 4.5.1 Asumsikan bahwa permasalahan optimisasi di atas mempunyai
solusi. Kemudian algoritma proyeksi gradien membangkitkan sebuah barisan tak

hingga xk dan iterasi berhenti pada suatu iterasi k, yang mana xk adalah sebuah
solusi dari masalah optimisasi tersebut, yang konvergen ke solusi x̄.
32
Bukti: Diasumsikan bahwa algoritma tersebut membangkitkan sebuah barisan

tak hingga xk . Jika iterasi berhenti pada iterasi ke-k maka xk adalah stasioner.
Karena f adalah konveks, titik stasioner merupakan solusi dari permasalahan.

Misalkan x̄ adalah solusi dari masalah optimisasi yang diberikan.
k+1 2 2 2

x − xk + xk − x̄ − xk+1 − x̄ = 2 xk − xk+1 , xk − x̄

= 2γk z k − xk , x̄ − xk
Sifat yang telah dijelaskan pada proyeksi orthogonal (Teorema 4.5.1) dapat
ditampilkan sebagai: hPC (u) − u, v − PC (u)i ≥ 0, u ∈ Rn , v ∈ C, sehingga

0 ≤ z k − xk + βk ∇f(xk ), x̄ − z k

= z k − xk + βk ∇f(xk ), x̄ − xk + z k − xk + βk ∇f (xk ), xk − z k
sehingga dengan ini:

k

z − xk , x̄ − xk ≥ βk ∇f (xk ), xk − x̄ − z k − xk + βk ∇f (xk ), xk − z k

≥ βk f(xk ) − f(x̄) + z k − xk + βk ∇f (xk ), z k − xk

≥ z k − xk + βk ∇f (xk ), z k − xk
2

= z k − xk + βk ∇f (xk ), z k − xk
dengan menggunakan pertidaksamaan gradien pada fungsi konveks f pada per-
tidaksamaan yang kedua, maka diperoleh:

k+1 2 2 2 h 2
i
x − xk + xk − x̄ − xk+1 − x̄ ≥ 2γk z k − xk + βk ∇f (xk ), z k − xk
2

= 2γk−1 xk+1 − xk + 2γk βk ∇f (xk ), z k − xk
dan dengan mengatur kembali, maka:

k+1 2 2 2

x − x̄ ≤ xk − x̄ + (1 − 2γk−1 ) xk+1 − xk − 2γk βk ∇f (xk ), z k − xk
2

≤ xk − x̄ − 2γk βk ∇f (xk ), z k − xk
33
dengan menggunakan kenyataan bahwa γk ∈ [0, 1] pada ketidaksamaan yang ke-
dua.
−σγj ∇f(xj )T (z j − xj ) ≤ f (xj ) − f(xj+1 )
(2βk )
dengan mengalikan dengan σ
, maka
εj ≤ 2βj γj ∇f (xj )T (z j − xj )
karena {f(xj )} tidak naik, diperoleh
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
Akhir perhitungan ini menunjukkan bahwa barisan solusi konvergen ke sebuah
titik stasioner.
Misalkan saja bahwa S adalah himpunan solusi dari permasalahan opti-

misasi pada kasus ini dengan x̄ ∈ S dan εk dapat dihitung sehingga xk adalah

konvergen ke S. Dengan teorema di atas maka xk adalah sebuah barisan yang
terbatas sehingga mempunyai suatu titik kumpul (cluster points) atau stasioner.
Dengan sifat konveksitas fungsi, maka titik kumpul yang dimaksud adalah solusi

dari masalah yang diberikan, dan barisan xk konvergen ke solusi tersebut.
34
Teorema 4.5.2 Misalkan C ⊂ Rn adalah himpunan tidak kosong dan {xk } ⊂ Rn
merupakan sebuah barisan sedemikian sehingga:
k+1 2 2
x − z ≤ xk − z + εk
Untuk setiap z ∈ C dan untuk setiap k dimana {εk } ⊂ R+ adalah sebuah barisan
yang dapat dijumlahkan maka:
1. {xk } adalah terbatas
2. Jika sebuah titik kumpul (cluster point) x̄ berada di C, maka seluruh barisan
{xk } akan konvergen ke x̄.
Bukti:
1. Misalkan z ∈ C, maka diperoleh bahwa:
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
{εk } adalah sebuah barisan yang dapat dijumlahkan, terdapat k0 sedemikian

P
∞ 2
sehingga εj < δ2 dan terdapat k1 sehingga lk1 ≥ k0 dan xlk − x̄ < δ2
j=k0
untuk k ≥ k1 .
Kemudian, untuk k > lk1 , dimiliki:
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
sehingga lim xk = x̄.

k→∞
BAB 5
PEMBAHASAN
5.1 Formulasi Optimisasi Konveks Dua Tahap
Optimisasi konveks dua tahap (Two Level Convex Optimization Problem)
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
formulasi bentuk persoalan optimisasi konveks dua tahap sebagai berikut:
Minimizexu ,xl fu (xu , xl) (5.1)
s.t xl ∈ Sl (xu , xl) = arg min{fl (xu , ·)|(xu , xl) ∈ C} (5.2)
dengan
C ⊆ Rn adalah himpunan konveks tertutup, (5.3)
fu , fl : Rn × Rn → R adalah fungsi bersifat konveks. (5.4)
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
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:
S = {(xu , xl ) ∈ Rn×n (5.5)
Perhatikan implementasi pernyataan tentang hubungan antara solusi level
upper dengan solusi level lower di atas dengan contoh kasus yang sederhana pada
ilustrasi gambar berikut:
Gambar 5.1 : Himpunan solusi upper atau solusi optimisasi Su adalah bagian
dari solusi lower Sl
5.2 Regulerisasi Optimisasi Konveks Dua Tahap
Dengan formulasi optimisasi konveks dua tahap (5.1 - 5.4) yang telah di-
jelaskan, maka akan dilakukan regulerisasi fungsi dengan menggunakan metode
penalty dan regulerisasi Tikhonov.
38
Definisi 5.2.1 (Fungsi Penalty) Misalkan P adalah sebuah bentuk optimisasi:
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:
1. p(x) = 0 jika g(x) ≤ 0
2. p(x) > 0 jika g(x) > 0
sehingga dengan program penalty, bentuk masalah P di atas menjadi:
P : Minimizex f (x) + δp(x), δ > 0
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
lim f(xk ) = f (x̄), dan q ∗ = lim q(δk , xk ) ≤ f (x∗), sehingga:

k→∞ k→∞

lim δk p(xk ) = lim q(δk , xk ) − f(xk ) = q ∗ − f (x̄)
k→∞ k→∞
Karena δk → ∞ maka lim p(xk ) = 0. Kemudian dari kekontinuan g(x) dan

k→∞
p(x), p(x̄) = 0 dan g(x̄) ≤ 0, berarti bahwa x̄ adalah sebuah solusi layak sehingga:
f (xk ) ≤ f(x∗ ) untuk setiap k dan f (xk ) ≤ f (x∗ ).

Kemudian x̄ dari xk adalah solusi dari masalah P (δ) tersebut.
39
Definisi 5.2.2 (Regulerisasi) Misalkan P adalah sebuah bentuk optimisasi de-
ngan dua fungsi objektif kAx − bk dan kxk sebagai berikut:
P : Minimizex (kxk, kAx − bk)
s.t. x ∈ Rn
sehingga bentuk regulerisasi dari masalah P di atas dituliskan:
P (δ) : Minimizex δkxk + kAx − bk, δ > 0
s.t. x ∈ Rn
untuk sebuah barisan naik (increasing sequence) konstan δ dengan δ → +∞.
Kuantitas skalar δ disebut dengan parameter penalty.
Dasar dari approksimasi regulerisasi adalah mendapatkan suatu vektor x
yang bernilai kecil (jika mungkin) sedemikian sehingga nilai residu (Ax − b) juga
kecil.
Berdasarkan kedua definisi di atas, dan formulasi optimisasi konveks dua

tahap (5.1-5.4) yaitu fungsi objektif pada program dua tahap adalah fungsi kon-
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.
Misalkan x = (xu , xl ) ∈ S ⊆ Rn×n sebagai solusi optimisasi konveks dua

tahap maka bentuk regulerisasi fungsi objektif dinotasikan dengan sebuah famili
fungsi yang berparameter σ sebagai berikut:
Fσ (x) = σfu (x) + fl (x), σ > 0 (5.6)
40
dimana σ berubah-ubah sepanjang iterasi, sehingga bentuk (5.1-5.4) dapat ditu-
liskan kembali menjadi:
Minimizex Fσ (x)
s.t. x ∈ C ⊆ Rn
Gambar di bawah ini adalah illustrasi kasus sederhana tentang optimisasi
tersebut.
Gambar 5.2 : Ilustrasi sederhana minimisasi Fσ (xu , xl) dengan domain Su pada
optimisasi konveks dua tahap
Dengan bentuk regulerisasi (5.6) berarti bahwa jika xk ∈ C adalah meru-
pakan iterasi ke-k dan σk adalah parameter ke-k sehingga terjadi iterasi proyeksi
gradien dari Fσ (x) ke titik xk , dengan σk dapat di up-date. Kekonvergenan algo-

ritma ke solusi persoalan optimisasi di atas akan menunjukkan:
X
∞
lim σk = 0, σk = +∞ (5.7)
k→∞
k=0
41
Selanjutnya perlu dibuktikan kembali bahwa apakah fungsi regulerisasi Fσ (x)
tersebut dapat mempertahankan konveksitas fungsi objektif dan fungsi kendala
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.
Bukti: Misalkan Fσ : Rn → R ∀x1, x2 ∈ Rn ; ∀α, β ∈ R ; α + β = 1, α > 0, β > 0
sehingga
Fσ (αx1 + βx2) ≤ σfu (αx1 + βx2) + fl (αx1 + βx2)
≤ σ{αfu (x1) + βfu (x2)} + {αfl (x1) + βfl(x2 )}
≤ αFσ (x1) + βFσ (x2 )
Perhitungan akhir jelas menunjukkan bahwa sifat konveksitas (Definisi 3.2.2)
pada fungsi regulerisasi Fσ (x) sangat dipenuhi atau dapat dipertahankan.
Setelah meregulerisasi bentuk optimisasi dan membuktikan konveksitas da-
pat dipertahankan maka metode proyeksi gradien akan digunakan untuk menye-
lesaikan masalah tersebut. Tujuan dari metode ini adalah mendapatkan kekon-
vergenan barisan ke solusi optimal. Berikut adalah penjelasan tentang kondisi
optimal solusi.
42
5.3 Kondisi Optimal dari Solusi
Teorema 5.3.1 Misalkan f : C → R adalah fungsi objektif bersifat konveks pada
suatu masalah optimisasi dan terdifferensialkan sehingga untuk setiap x1, x2 ∈ C

dan f (x2 ) ≥ f(x1 ) + ∇f(x1)T (x2 − x1) (Teorema 3.2.1) maka x1 adalah optimal
jika dan hanya jika x1 ∈ C dan ∇f (x1 )T (x2 − x1) ≥ 0, ∀x2 ∈ C.
Bukti: Pertama sekali misalkan x1 ∈ C memenuhi ∇f (x1)T (x2 − x1) ≥ 0, ∀x2 ∈
C kemudian jika x2 ∈ C maka ∇f (x1)T (x2 − x1 ) < 0. Misalkan bahwa titik
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
z(t) layak. Nyatakan bahwa t sangat kecil, sehingga

d
f(z(t)) = ∇f (x1)T (x2 − x1 ) < 0
dt t=0
dan dimiliki f (z(t)) < f (x1 ), yang membuktikan bahwa x1 ∈ C tidak optimal.
Kondisi sebaliknya adalah optimal.
Perhatikan gambar di bawah ini!
Gambar 5.3 : Interpretasi kondisi optimal
43
Misalkan A adalah himpunan solusi layak yang ditunjukkan dengan daerah
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.
Teorema 5.3.2 (Weierstrass) Misalkan S ⊆ Rn adalah terbatas dan tertutup dan
F : Rn → R adalah fungsi kontinu maka minx∈S F (x) mempunyai solusi optimal.
Bukti: Karena himpunan S adalah terbatas, F (x) dibatasi pada S. Karena S
adalah himpunan tidak kosong, terdapat v = inf x∈S F (x). Dengan definisi bahwa
untuk ε > 0, Sε = {x ∈ S : v ≤ F (x) ≤ v + ε} adalah tidak kosong. Misalkan
saja ε → 0 dengan k → ∞ dan misalkan xk ∈ Sεk . Karena S adalah terbatas, ter-
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→∞
hal ini berarti bahwa F (x̄) = lim F (xk ) = v.

k→∞
5.4 Algoritma Proyeksi Gradien dan Analisis Kekonvergenan Solusi

Optimisasi Konveks Dua Tahap
Pada teori konvergensi global dari algoritma program nonlinear dibuktikan
dengan sebahagian titik limit atau kemungkinan semua titik limit dari barisan
yang dibangkitkan memenuhi kondisi dari kasus minimisasi berkendala. Demikian
halnya pada optimisasi konveks dua tahap berikut dengan algoritma proyeksi
gradien yang dijelaskan sebagai berikut:
44
Algoritma: Pilih parameter ᾱ > 0, θ ∈ (0, 1) dan η ∈ (0, 1)
Pilih x0 ∈ C dan σ > 0 dan set k = 0 sebagai awal
Diberikan xk , hitung xk+1 = z k (αk ) dimana,
z k (αk ) = PC (xk − αFσ0 k (xk ))
dan αk = η mk ᾱ dengan mk adalah bilangan bulat
non negatif m yang memenuhi:

Fσk (z k (η m ᾱ)) ≤ Fσk (xk ) + θ Fσ0 k (xk ), z k (η m ᾱ) − xk
Pilih 0 < σk+1 < σk dan set k = k + 1 dan ulangi!
Jika xk stasioner maka stop.
Berdasarkan Teorema 4.5.2 dan Teorema 4.5.3, algoritma proyeksi gradien

telah membangkitkan barisan solusi yang terbatas. Berikut adalah bentuk peng-
analisisan kekonvergenan barisan solusi yang dibangkitkan oleh algoritma tersebut
terhadap optimisasi konveks dua tahap.

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
memenuhi algoritma tersebut maka xk berada pada C untuk setiap k.
Bukti: Dengan menggunakan induksi matematika maka untuk k = 0 telah
dipenuhi berdasarkan langkah awal (inisialisasi) sehingga x0 ∈ C. Asumsikan
bahwa xk ∈ C dan dengan z k (αk ) = PC (xk − αFσ0 k (xk )) maka disimpulkan bahwa
z k ∈ C. Kemudian, dengan pernyataan bahwa αk ∈ [0.1] dan approksimasi algo-
ritma xk+1 = z k (αk ) maka xk+1 ∈ C. Dengan demikian xk ∈ C.
45
Misalkan himpunan konveks C adalah himpunan solusi yang memenuhi
fungsi objektif dan kendala suatu permasalahan optimisasi maka pada pengana-
lisisan kekonvergenan optimisasi konveks dua tahap, diasumsikan bahwa fungsi

objektif fu terbatas pada himpunan C sehingga:
−∞ < f¯u = inf{fu (x)|x ∈ C} (5.8)
Misalkan saja bahwa persoalan tersebut dapat diselesaikan maka fungsi tujuan
kedua juga secara otomatis terbatas pada C, sehingga:
−∞ < f¯l = min{fl (x)|x ∈ C} (5.9)
Regulerisasi pada fungsi tujuan digunakan untuk menunjukkan kekonverge-
nan. Dengan (5.11) dan (5.12) maka regulerisasi fungsi (5.6) menjadi:
Fσ (x) = σ(fu (x) − f¯u ) + (fl (x) − f¯l ), σ > 0 (5.10)
Asumsikan bahwa x = (xu , xl) ∈ Rn×n adalah solusi masalah optimisasi

tersebut. Berikut adalah penjabaran kekonvergenan fungsi Fσ (x) ke suatu solusi
x.


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.
Jika k → ∞ maka ik → ∞. Perhatikan bahwa solusi S = Su 6= ∅ sedemikian

fungsi konveks φ : C → R, dengan φ(x) = max fl (x) − f¯l , fu (x) − fu (x̄) dan
sebuah himpunan terbatas L(c) = {x ∈ C|φ(x) ≤ c} , c ∈ R.
46
Karena fu (x) − f¯u ≥ 0 untuk setiap x ∈ C dan σk+1 ≤ σk sehingga dipenuhi
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
xik ∈ L(c) yaitu himpunan terbatas sedemikian sehingga {xik } terbatas.


tersebut. Jika xk adalah tak berhingga, x̄ adalah titik kumpul dari barisan
tersebut dan permasalahan optimisasi di atas mempunyai solusi maka x̄ adalah
titik stasioner.
Bukti: Karena C adalah tertutup, x̄ ∈ C (oleh Teorema 5.4.1). Misalkan {xjk }

adalah subbarisan dari xk sedemikian sehingga lim xjk = x̄. Observasi bahwa
k→∞
{γk } ⊂ [0, 1]; lim βjk = β̄; sedemikian:

k→∞
0 < −σγk ∇Fσ (xk )T (z k − xk ) ≤ Fσ (xk ) − Fσ (xk+1 )

Bentuk di atas menunjukkan Fσ (xk ) adalah barisan turun karena xk ⊂ C

dan masalah optimisasi mempunyai solusi dan Fσ (xk ) dibatasi maka konvergen
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:
Kasus 1. γ̂ > 0 dan ū = x̄ − β̄∇Fσ (x̄) sehingga:
∇Fσ (x̄)T [PC (ū) − x̄] = β̄ −1 (x̄ − ū)T [PC (ū) − x̄] = 0
47
berdasarkan (ū − x̄)T [PC (ū) − x̄] = 0, x̄ ∈ C, sifat proyeksi orthogonal:
x̄ = PC (ū) = PC (x̄ − β̄∇Fσ (x̄))
dan β̄ > 0 dan ∇Fσ (x̄)T (x − x̄) ≥ 0, ∀x ∈ C (Teorema 5.3.1) sehingga x̄ adalah
titik stasioner optimisasi.
Kasus 2. 0 = γ̂ = lim γjk , n ∈ N . Karena γjk = 2−l(jk ) , ∃kl(jk ) > n sedemikian:

k→∞
Fσ (xjk − 2−n (z jk − xjk )) > Fσ (xjk ) − σ2−n ∇Fσ (xjk )T (xjk − z jk )
dengan mengambil k → ∞ dan definisi z̄ = PC (x̄ − β̄∇Fσ (x̄)), diperoleh:
Fσ (x̄ − 2−n (z̄ − x̄)) ≥ Fσ (x̄) + σ2−n ∇Fσ (x̄)T (z̄ − x̄)
dengan
∇Fσ (x̄)T (x̄ − z̄) ≥ 0
diperoleh
Fσ (x̄)T (z̄ − x̄) = ∇Fσ (x̄)T (PC (ū) − x̄)
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)
dibatasi pada himpunan konveks tertutup C dan himpunan Su adalah himpunan
solusi level upper yang tidak kosong dan terbatas.

Kemudian barisan xk memenuhi dist(xk , Su ) → 0, k → ∞.

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 )
48
Dengan melanjutkan penjumlahan untuk k = 0, 1, . . . , k̄ maka diperoleh:
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 )
≤ σ0 (fu (x0) − f¯u ) + (fl (x0) − f¯l )
Faktanya bahwa untuk setiap k, fu (xk ) ≥ f¯u dan fl (xk ) ≥ f¯l karena xk ∈ C dan
0 < σk+1 ≤ σk . Kemudian dengan memberikan k̄ → ∞, memberi kesimpulan:

P∞

Fσ0 k (xk ), xk − xk+1 ≤ θ−1 (σ0(fu (x0 ) − f¯u ) + (fl (x0 ) − f¯l )) < +∞.
k=0
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-
goritma proyeksi gradien maka semua titik akumulasinya berada pada Sl .

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
x̂ = PC (x̂ − α̂fl0 (x̂)), α̂ > 0
Berdasarkan Teorema 4.5.1(2) dan Teorema 4.5.2 maka x̂ adalah nilai pem-
buat minimum dari fl pada himpunan C dengan x̂ ∈ Sl ⊂ C atau semua titik
akumulasinya berada pada himpunan Sl .
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?
Perhatikan gambar di bawah ini sebagai illustrasi pernyataan diatas.
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.
Bukti: Misalkan x̄ ∈ Su 6= ∅, dan Fσk (x) konveks (Teorema 5.2.1), ditunjukkan:

0 k
Fσk (x ), x̄ − xk ≤ Fσk (x̄) − Fσk (xk )
= σk (fu (x̄) − f¯u ) + (fl (x̄) − f¯l ) − σk (fu (xk ) − f¯u ) + (fl (xk ) − f¯l )
≤ σk (fl (x̄) − fl (xk ))
dimana dengan menggunakan fakta bahwa fl (x̄) ≤ fl (xk ), karena x̄ ∈ Su ⊂ Sl
dan xk ∈ C. Selanjutnya dimiliki bahwa:
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 )
Misalkan kasus ini dipisah atas dua kasus.
Kasus 1.
Terdapat k0 sedemikian sehingga fu (x̄) ≤ fu (xk ) untuk setiap k ≥ k0 sehingga
bentuk di atas menunjukkan:
k+1 2 2

x − x̄ ≤ xk − x̄ + 2ᾱ Fσ0 k (xk ), xk − xk+1
2
Disimpulkan bahwa xk − x̄ konvergen sehingga xk terbatas.
Selanjutnya untuk menunjukkan bahwa lim fu (xk ) = fu (x̄) maka asumsikan

k→∞
bahwa bertentangan bahwa terdapat ε > 0 sedemikian sehingga fu (x̄) ≤ fu (xk )−ε
untuk setiap k ≥ k2 dan dipenuhi, bahwa:

k+1 2 2

x − x̄ ≤ xk − x̄ + 2ᾱ Fσ0 k (xk ), xk − xk+1 − 2βεσk
k 2 X
k

0 i i X
k
2
≤ x − x̄ + 2ᾱ Fσk (x ), x − xi+1
− 2βε σi
i=k2 −1 i=k2 −1
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 → ∞
dengan Teorema 5.4.2 maka {xik } terbatas dengan demikian:
fu (x̄) ≤ fu (xi ), i = ik + 1, . . . , k untuk k ≥ ik
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
{xik } adalah solusi dari masalah optimisasi.
BAB 6
KESIMPULAN DAN SARAN
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
bergantung pada variabel upper.
Optimisasi konveks dua tahap dapat diformulasikan dengan sederhana de-
ngan regulerisasi Tikhonov dan Metode Penalty, yaitu dengan membuat level
lower sebagai penalty, tanpa menghilangkan sifat konveksitas fungsi. Selanjut-
nya dengan Algoritma Proyeksi Gradien dapat ditunjukkan kekonvergenan solusi
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
konveks dua tahap tersebut.
6.2 Saran
Penelitian ini masih membicarakan kasus yang sederhana, maka perlu di-
lakukan penganalisisan ke tahap yang lebih tinggi atau meneliti dengan menggu-
nakan sudut pandang komputerisasi, aljabar topologi, dan lain-lain.
52
DAFTAR PUSTAKA
Aboussoror, A., Mansouri, A. (2005). Weak linear bilevel programming problems:

existence of solutions via a penalty method, Journal of Mathematical Analysis
and Applications. Vol. 304, 399-408.
Ali, M. S. S. (2005). Descent Methods for Convex Optimization Problems in Ba-
nach Spaces. International Journal of Mathematics and Mathematical Sci-
ence, Vol. 15, 2347-2357.
Ankhili, Z., Mansouri, A. (2008). An Exact Penalty on Bilevel Programs with
Linear Vector Optimization Lower Level, European Journal of Operational
Research, Journal Homepage: www.elsevier.com/locate/ejor.
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
54
Iusem, A. N. (2003). On the Convergence Properties of the Projected Gradient

Method for Convex Optimization. Journal of Computational and Applied
Mathematics, Vol. 22 No 1, 37-52.
Kleywegt, A. J., Shapiro, A. (2000). Stochastic Optimization. School of Industrial
and Systems Engineering, Georgia Institute of Technology, Atlanta, Georgia.
Luenberger, D. G. (1974). A Combined Penalty Function and Gradient Projection
Methods for Nonlienar Programming. Journal of Optimization Theory and
Applications, Vol. 14 No 5.
Luenberger, D. G. (1972). The Gradient Projection Methods along Geodesis. Jour-
nal of Management Science, Vol. 18 No 11.
Lv, Y., Hu, T., Wang G., Wan, Z. (2007). A Penalty Function Method Based On
KuhnTucker Condition for Solving Linear Bilevel Programming, Journal of
Applied Mathematics and Computation, Vol. 188, 808-813.
Polak, E., Sargent, R. W. H., Sebastian, D. J. (1974). On the Convergence of
Sequential Minimization Algorithms. Journal of Optimization Theory and
Applications, Vol. 14 No. 4
Rosen, J. B., (1960). The Gradient Projection Methods for Nonlinear Program-
ming. Part I, Linear Consraint. Siam Journal Applied Mathematics, Vol. 8,
181-217.
Shi, C., Lu, J., Zhang, G., Zhou, H. (2006). An Extended Branch and Bound
Algorithm for Linear Bilevel Programming, Journal of Applied Mathematics
and Computation, Vol. 180, 529-537
Solodov, M. (2007). An Explicit Descent Methods For Bilevel Convex Optimiza-
tion. Journal of Convex Analysis, Vol. 14, No. 2.
Tseveendorj, I. (2006). Reverse Convex Problems: An Approach Based On Opti-
mality Conditions. Journal of Applied Mathematics and Decision Sciences.
Vol. 2006, Article ID 29023, 1-16.
Vicente, L. N. (1997). Bilevel Programming. Journal of Global Optimization. De-
partemento de Matematica Universidade de Coimbra, 3000 Coimbra, Portu-
gal.
Wang, G., Wan, Z., Wang, X., Lv, Y. (2008). Genetic Algorithm Based on Simplex
Method for Solving Linear-Quadratic Bilevel Programming Problem. Journal
of Computers and Mathematics with Applications, Vol 56, 2550-2555.
Yang, J., Zhang, M., He, B., Yang, C. (2008). Bilevel Programming Model and
Hybrid Genetic Algorithm for Flow Interception Problem with Customer
Choice. Journal of Computers and Mathematics with Applications, Journal
Homepage: www.elsevier.com/locate/camwa.
Ye, J. J. (1999). Optimality Conditions for Optimization Problems with Comple-

mentarity Constraints. Siam Journal Optimization, Vol. 9 No. 2, 374-387.
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.

09e02242 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

09e02242 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS PERSOALAN OPTIMISASI KONVEKS

DUA TAHAP (TWO-LEVEL)

LASKER PANGARAPAN SINAGA

Diajukan Sebagai Salah Satu Syarat

LASKER PANGARAPAN SINAGA

(Dr. Tulus, M.Si) (Prof. Dr. Herman Mawengkang)

Ketua Program Studi, Direktur,

Tanggal lulus: Juni 2009

PANITIA PENGUJI TESIS

Ketua : Dr. Tulus, M.Si

Anggota : 1. Prof. Dr. Herman Mawengkang

2. Dr. Sutarman, M.Sc

3. Drs. Marwan Harahap, M.Eng

Persoalan program konveks dua tahap merupakan alat yang bermanfaat

Kata kunci : Optimisasi konveks, metode proyeksi gradien, metode penalty.

Keywords : Convex optimization, gradient projection method, penalty method.

Tesis ini berjudul Analisis Persoalan Optimisasi Konveks Dua Tahap

(Analysis of Two Level Convex Optimization Problems). Tesis ini disusun

Studi Magister Matematika, Sekolah Pascasarjana, Universitas Sumatera Utara.

Penelitian ini diharapkan dapat bermanfaat dalam membantu menyelesaikan

berbagai persoalan optimisasi dua tahap bersifat konveks dengan memperlihatkan

penelitian di bidang Operasi Riset.

Medan, Juni 2009

Lasker Pangarapan Sinaga

berjudul ”Analisis Persoalan Optimisasi Konveks Dua Tahap (Two-Level)”. Tesis

Pascasarjana Universitas Sumatera Utara.

hargaan yang sebesar-besarnya kepada:

Prof. dr. Chairuddin P. Lubis, DTM&H, Sp.A(K) selaku Rektor Univer-

sitas Sumatera Utara.

Universitas Sumatera Utara yang telah memberikan kesempatan kepada penulis

untuk mengikuti Program Studi Magister Matematika di Sekolah Pascasarjana,

Universitas Sumatera Utara.

tematika, Sekolah Pascasarjana, Universitas Sumatera Utara; Dr. Saib Suwilo,

M.Sc selaku Sekretaris Program Studi Magister Matematika, Sekolah Pascasar-

Utara : Prof. Dr. Herman Mawengkang, Dr. Saib Suwilo, M.Sc,

Drs. Sawaluddin, MIT, Dra. Mardiningsih, M.Si, Dra. Esther Naba-

konsentrasi Matematika Operasi Riset (OR).

Seluruh rekan mahasiswa angkatan ke-6 (2007-2008) Program Studi Magis-

ter Matematika, Sekolah Pascasarjana USU, atas kebersamaanya selama perku-

Seluruh pegawai Sekolah Pascasarjana Universitas Sumatera Utara, secara

Matematika, yang banyak membantu penulis dalam berbagai urusan administrasi

Pimpinan SSC-Medan, Ronald Backer Simanjuntak, yang memberikan

pengajar dan pegawai SSC-Medan atas kerjasamanya selama ini.

Saragih Sumbayak, dan kepada mertua: Budiman Damanik dan Pittauli

kungan doa kepada penulis.

memberikan pengertian dan dukungan sepanjang waktu.

doa yang diberikan sehingga penulis dapat menyelesaikan pendidikan ini.

dan pihak-pihak lain yang memerlukannya.

Medan, Juni 2009

Lasker Pangarapan Sinaga

Lasker Pangarapan Sinaga dilahirkan di Merek Raya (Simalungun) pada

Umum (SMU) Negeri 1 (Plus Partuha Maujana Simalungun Angkatan I) pada

pendidikan Program Studi Magister Matematika di Sekolah Pascasarjana Univer-

KATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . iii

UCAPAN TERIMA KASIH . . . . . . . . . . . . . . . . . . . . . . iv

RIWAYAT HIDUP . . . . . . . . . . . . . . . . . . . . . . . . . . vii

DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii

1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . 4

1.3 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . 4

1.4 Kontribusi Penelitian . . . . . . . . . . . . . . . . . . . 5

1.5 Metode Penelitian . . . . . . . . . . . . . . . . . . . . . 5

BAB 2 TINJAUAN PUSTAKA . . . . . . . . . . . . . . . . . . . . 7