SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016

T - 12

Metode Numerik Stepest Descent Dengan Arah Pencarian

Negatif Sigma Gradien

Rukmono Budi Utomo

Universitas Muhammadiyah Tangerang
rukmono.budi.u@mail.ugm.ac.id

Abstrak— Penelitian ini mengkaji tentang metode numerik stepest descent dengan
arah pencarian negatif sigma gradien. Penelitian dilakukan dengan memahami terlebih
dahulu mengenai metode numerik Stepest Descent dengan arah pencarian negatif
gradien beserta algoritmanya. Setelah itu dikonstruksi metode numerik Stepest
Descent dengan arah pencarian negatif sigma gradien beserta algoritmanya. Dalam
penilitian ini juga diberikan contoh penggunaan kedua metode numerik dalam
menyelesaikan masalah optimisasi satu fungsi tujuan tanpa kendala beserta analisis
hasilnya.

Kata kunci:stepest descent, arah pencarian negatif sigma gradien

I. PENDAHULUAN
Dalam menyelesaikan suatu masalah dunia nyata (real problem), langkah awal yang dilakukan
para matematikawan adalah menyatakan masalah dunia nyata tersebut kedalam pengertian matematis.
Langkah ini meliputi identifikasi variabel-variabel yang terjadi pada masalah, dan membentuk hubungan
antar variabel-variabel tersebut[1]. Langkah selanjutnya adalah menjabarkan variabel-variabel,
merumuskan asumsi-asumsi yang diperlukan dan membuat kerangka model sebelum akhirnya
merumuskan model matematis yang dimaksud. Model matematis merupakan suatu formula matematika
yang menjelaskan atau merepresentasikan sistem fisik atau masalah dalam dunia nyata dalam pernyataan
matematik. Model matematik dapat berbentuk model statistik, stokastik, persamaan diferensial tergantung
bidang yang digunakan dalam menyusun model matematis tersebut.
Setelah memperoleh model matematis, langkah selanjutnya yang dilakukan matematikawan
adalah berusaha memperoleh solusi penyelesaian dari model matematis yang telah dihasilkan. Solusi
penyelesaian ini dapat berupa solusi sejati (analytic) maupun hampiran (numeric). Solusi analitik
merupakan solusi sejati dari suatu model matematis sedangkan solusi numerik merupakan solusi
hampiran atau pendekatan (approximate) dari solusi sejati [2]. Karena merupakan solusi hampiran, maka
terdapat besarnya kesalahan atau galat dari solusi numerik terhadap solusi sejati. Besarnya kesalahan atau
galat ini disimbolkan dengan konstanta positif epsilon H. Konstanta positif epsilon Hyang menyatakan
galat tidak boleh terlalu besar karena akan mengakibatkan solusi numerik yang dihasilkan akan jauh dari
solusi sejati, untuk hal demikian besarnya epsilon H diharapkan sedekat mungkin dengan nol.
Kesalahan atau galat yang dimiliki oleh solusi numerik umumnya disebabkan oleh dua faktor
yakni karena pemotongan (cutting) ekspansi suku yang terlalu panjang, dan pembulatan (rounding) digit
angka desimal. Meskipun memiliki galat, bukan berarti metode numerik (solusi numerik) tidak menjadi
pilihan, atau hanya sekadar menjadi pilihan kedua dalam menyelesaikan model matematis. Dalam
beberapa kasus, metode numerik sering menjadi pilihan utama tatkala model matematis yang dihasilkan
sangat sulit ditemukan solusi sejatinya.
Dalam kehidupan sehari-hari, salah satu masalah dunia nyata yang sering ditemukan adalah
pengoptimalan atau masalah optimisasi. Beberapa contoh masalah optimisasi yang sering dijumpai adalah
masalah pergudangan (inventory) untuk menentukan seberapa besar barang yang harus dipesan dari
produsen, masalah meminimalkan biaya produksi suatu perusahaan, sampai kepada aspek yang lebih jauh
dari pada itu seperti optimisasi pada jaringan listrik, kabel, dan rute perjalanan. Masalah optimisasi seperti
ini jelas memerlukan model matematis yang tepat untuk memperoleh solusi yang optimal.
Secara umum masalah optimisasi berdasarkan fungsi tujuan yang ingin dioptimalkan dibagi
atas dua jenis yakni masalah optimisasi single objektif dan masalah optimisasi multi objektif. Masalah
optimisasi single objektif hanya memiliki satu fungsi tujuan yang dioptimalkan, sedangkan masalah
optimisasi multi objektif memiliki sekurangnya dua fungsi objektif yang dioptimalkan. Menurut kendala
(constrain), masalah optimisasi juga dibagi atas dua, yakni masalah optmisasi dengan dan tanpa kendala.

MT 79
 ISBN. 978-602-73403-1-2

Berdasarkan variabel bebas (independent) masalah optimisasi terbagi atas dua jenis yakni masalah
optimiasasi dengan satu dan banyak variabel bebas.

Berbagai metode penyelesaian dapat digunakan untuk menyelesaikan berbagai jenis masalah
optmisasi. Contohnya untuk menyelesaikan masalah optimisasi single objektif dengan satu variabel
bebas dapat digunakan metode rasio emas (golden rato), Fibonacci, dan biseksi, sedangkan untuk
menyelesaikan masalah optimiasi single objektif dengan beberapa (multi) variabel bebas dapat digunakan
metode numerik Aksial, Newton, Hook and Jeeves, Roosenberg dan Stepest Descent [3]. Untuk
menyelesaikan masalah optimisasi multi objektif dapat menggunakan Pengali Lagrange dan Kuhn-Tucker
.Pada Masalah optimiasi multi objectif tidak dibahas dan peneliti lebih memfokuskan kajian pada masalah
optimisasi single objektif tanpa kendala.
Metode numerik Stepest Descent merupakan salah satu metode yang dapat digunakan dalam
menyelesaikan masalah optmisasi single objektif tanpa kendala dengan banyak variabel bebas. Metode
numerik Stepest Descent bekerja dengan mengambil sembarang titik awal X  R n dengan menggunakan
arah pencarian (direction) negatif gradient d k ’ Z X k  [4]. Metode numerik Stepest Descent sering
digunakan karena solusi numerik yang dihasilkan cenderung akurat dengan solusi sejati, bahkan dalam
beberapa kasus, solusi numerik yang dihasilkan dapat identik dengan solusi sejati atau dengan kata lain
solusi numerik tanpa galat. Meskipun demikian, penelitian lebih lanjut pada metode numerik ini terus
dikembangkan, salah satunya dengan mementuk arah pencarian (direction) yang lain. Sebagaimana
diketahui perbedaaan yang mendasar dari metode-metode numerik untuk menyelesaikan masalah
optimisasi single tanpa kendala ada pada arah pencariannya. Metode numerik Aksial, misalnya memiliki
arah pencarian verktor normal, sedangkan metode numerik arah konjugasi melibatkan matriks Hessian
dalam arah pencariannya .
Penelitian ini mengkaji dan membahas mengenai metode numerik Steepest Descent dengan arah
n
pencarian (direction) berupa negatif sigma gradien d k ¦ ’ Z X  . Penelitian ini bertujuan untuk
k
k 1
melihat proses iterasi dalam memperoleh solusi numerik dengan menggunakan metode Stepest Descent
dengan arah pencarian yang lain dalam hal ini negatif sigma gradien. Penelitian dilakukan dengan
memahami terlebih dahulu mengenai metode numerik Steepest Descent dengan arah pencarian negatif
gradien biasa kemudian menyusun algoritma untuk metode Steepest Descent dengan arah pencarian
negatif sigma gradient.Buku-buku yang digunakan dalam menunjang penelitian antara lain An
Introduction to Optimization karya Edwin K.P.Chong dan Stanislaw H Zak, Theory of Multiobjective
Optimization karya Yoshikazu Sawaragi, Hirotaka Nakayama dan Tetsuzo Tanino, Nonlinear
Programming Theory and Algorithm karya Mochtar S Bazaraa, Hanif D Sherali dan C.M Shetty, An
Introduction to Model Building karya Wayne L Winston, Metode Numerik karya Rinaldi Munir , Diktat
kuliah Optimisasi karya Salmah dan buku-buku lainnya yang dapat dilihat pada daftar pustaka. Dalam
penelitian ini pulaakan diberikan contoh perhitungan numerik untuk metode Steepest Descent dengan
kedua arah pencarian tersebut beserta analisis dan perbandingan keakuratan solusi antara keduanya.
II. HASIL DAN PEMBAHASAN
Definisi Norm
Diberikan , X sembarang
Y dua vektor. Sembarang bilangan riil || X || dinamakan norm dari X apabila
memenuhi aksioma-aksioma sebagai berikut
i. | X ||d0
ii. || aX || 0 l X 0
iii. || aX || | a ||| X ||, a  R
iv. | X Y ||d|| X || || Y ||

Definisi Kombinasi Linear [5]

Misalkan X i , 1 d i d m vektor-vektor di V maka X disebut kombinasi linear dari vektor-vektor Xi
m
jika X ¦ aX
i 1
i i

MT 80
 SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016

Definisi Bentuk Kuadratik [6]

F (X ) c11x 12 c2 2 x22 ... cnnx 2
n c12x x1 2 c1,3x 1x 3 ... c23x x2 3 ... dengan cij  R ,

1,id j d n , disebut fungsi bentuk kuadratik dengan n variabel bebas x1 ,x 2 ,..., xn

Definisi Fungsi Positif

Bentuk kuadratik X TAX disebut positif (negatif) definit jika X TAX ! ( )0 untuk semua X z 0
T
dan terdapat sekurangnya satu vektor tak nol sedemikian hingga X AX 0 . Apabila tidak memenuhi
keduanya, maka bentuk kuadratik tersebut dikatakan Tidak definite.

Teorema Fungsi Definit

Suatu matriks A dikatakan
i. Positif definit jika dan hanya jika Oi ! 0
ii. Negatif definit jika dan hanya jika Oi 0
iii. Positif semi definit jika dan hanya jika Oi t 0
iv. Negatif semi definit jika dan hanya jika Oi d 0
dengan Oi merupakan nilai-nilai eigen dari matriks A dan ketidaksamaan dicapai untuk sekurang-
kurangnya satu j . Apabila Oi tidak memenuhi butir i,ii,iii, dan iv maka matriks A disebut Tidak
definite.

Definisi Minimum Global [7]

Fungsi F ( x) dikatakan memiliki minimum global di x0 dalam S jika f (x ) t f (x 0 )

Definisi Minimum Lokal Relatif

Fungsi F ( x) dikatakan memiliki minimum lokal di x 0 dalam S jika terdapat sekitar G dari x0
sedemikian hingga f (x ) t f (x 0 ) untuk setiap x di dalam persekitaran tersebut.

Algoritma Stepest Descent denganNegatif Gradien dan Negatif Sigma Gradien[8],[9],[10]

Diberikan suatu fungsi objektif Z F (X ) F (x 2 , x2 ,., xn ) dan akan ditentukan nilai
X {x,1 x 2 ,., xn } yang meminimalkanatau memaksimalkan fungsi Z F (X ) tersebut
i. Ambil X1 {x,1 x 2 ,., xn } Rn sembarang titik awal dan H! 0 suatu konstanta positif yang
menyatakan besarnya kesalahan atau galat yang ditoleransi.
ªwZ wZ wZ º
ii. Dibentuk fungsi gradient ’ ZX
 « , , , dan tentukan ’ Z  X k  dengan
»
¬wx1 wx2 wxn ¼
1,2, , yang
k menyatakan
n posisi iterasi

iii. Apabila Z  Xk  H, ’1,2, , maka

k iterasi
n berhenti, sebaliknya iterasi dilanjutkan

MT 81
 ISBN. 978-602-73403-1-2

iv. Tentukan Ok dengan cara mencari titik ekstrim Z X k Ok d k  yakni dengan cara

menderivatifkan fungsi Z X k Ok d k  dan menyamadengankan nol dengan arah pencarian

negative gradien dk ’ Z X k , 1,2, , k n

v. Nilai X k ditentukan dengan X k Xk 1 Ok 1dk 1

Berdasarkan algoritma Stepest Descent dengan arah pencarian negatifgradien dk ’ Z X k  ,

1,2, , akank dikembangkan
n suatu metode Stepest Descent dengan arah pencarian negatif sigma
gradient. Algoritma Stepest Descet dengan arah pencarian negative sigma gradien memiliki langkah yang
sama dengan metode numerik steepest descent dengan arah pencarian negatifgradien, namun dalam hal
n
ini arah pencarian didefinisikan sebagai dk ¦ ’ Z X  dan iterasi berhenti ketika nilai norm
k
k 1
n

¦ Z  Xk  H ’
k 1

Contoh Numerik [11]

Diberikan suatu fungsi Z (x 1x, 2 ) 6x12 2 x22 2x1 x2 12 x1 2 x2 6 , dengan menggunakan
metode Stepest Descent, tentukan pembuat minimum X {x,1 x 2 } apabila diberikan titik awal
1 } X Rkesalahan H 0.125
{ 0 , 12 toleransi

Solusi Stepest Descent dengan Arah Pencarian Negatif Gradien

Dalam soal diketahui diambiltitik awal 1 } X Rtoleransi kesalahan H 0.125 .
{ 0 , 12 dengan
Berdasarkan hal tersebut dapat ditentukan nilai gradien ’ Z X
 1^ 10,2 ` .Karena nilai norm
’ ZX
1 104 ! H maka iterasi dilanjutkan dengan arah pencarian d1 ’ Z X 1 10, 2 
104
dan diperoleh O1 | 0.092 (Iterasi 1). Apabila dicari lebih lanjut, akan diperoleh nilai
1136
X2 ^0.92,0.816` dengan nilai gradien ’ Z  X 2  ^ 0.672,3.104` dan nilai norm
’ Z  X2  10.0864 | 3.1759 ! H . Berdasarkan hal tersebut iterasi dilanjutkan dengan arah
pencarian d2 ’ Z X 2  0.672, 3.104  dan O2 | 0.193 (Iterasi 2).
Pada Iterasi 3 diperoleh X3 ^0.79,0.217` dengan gradien ’ Z  X 3^ 2.086,0.488` dan
nnorm ’ Z  X 3  | 2.136 ! H. Nilai arah pencarian d3 ’ Z X 3 2.086, 0.448  dengan
O3 | 0.08 . Pada iterasi 4, nilai X 4 ^0.96,0.18` dengan nilai gradien ’ Z  X 4  ^ 0.12,0.64`
dan nilai norm ’ Z  X 4  | 0.651 ! H . Nilai arah pencarian diperoleh

d4 ’ Z X 3 0.12, 0.64  dengan O4 | 0.282 .

Pada Iterasi 5, Dengan menggunakan langkah yang sama diperoleh X5 ^0.994,0.0005` dengan
gradien ’ Z  X ^
5 0.071, 0.01 ` dan nilai norm ’ Z  X 5  | 0.123 H . Karena nilai norm

MT 82
 SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016

Z  X5  H, ’ iterasi berhenti dan solusi numerik untuk masalah optimisasi pada contoh ini
maka

adalah { 0 . 9 9 4 , 0 2.. Penyajian

0 0 0 5perhitungan
} X R disajiikan dalam tabel 1berikut ini.

TABEL 1. PERHITUNGAN NUMERIK STEPEST DESCENT DENGAN ARAH PENCARIAN NEGATIF GRADIEN

Iterasi Xk ’ Z Xk  ’ Z  Xk  dk Ok
k
1 {0,1} ^ 10,2 ` 104 ! H 10, 2  0.092
2 ^0.92,0.816` ^0.672,3.104` 3.1759 ! H 0.672, 3.104  0.193
3 ^0.79,0.217` ^ 2.086,0.488` 2.136 ! H  2.086, 0.448  0.08
4 ^0.96,0.18` ^ 0.12,0.64` 0.651 ! H  0.12, 0.64  0.282
5 ^0.994,0.0005` ^ 0.071, 0.01 ` 0.123 H - -

Dari tabel di atas, terlihat bahwa solusi numerik untuk masalah optimisasi pada contoh satu adalah
x1 0.994 dan x2 0.0005 . Apabila dilakukan pengecekan lebih lanjut, solusi sejati untuk masalah
optimisasi pada contoh ini adalah x1 1 dan x2 0 , berdasarkan hal tersebut galat dari solusi numerik
yang dihasilkan untuk x 1adalah 0.006 dan x 2 adalah 0.005.

Solusi Stepest Descent dengan Arah Pencarian Negatif Gradien

Pada bagian ini akan dicoba pencarian solusi numerik masalah optimisasi ini dengan cara Stepest Descent
dengan arah pencarian negatif sigma gradien.
Pada iterasi 1, tetap dilakukan pengambilan titik awal 1 } X HR 0.125 , selanjutnya
{ 0 , 12 dengan
diperoleh ’ Z X
 1^ 10,2 ` dengan ’ Z  X
1 104 ! H . Lebih lanjut arah pencarian
104
d1 ’ Z X 1 10, 2  dan O1 | 0.092 . Apabila dicari lebih lanjut, akan diperoleh nilai
1136
X2 ^0.92,0.816` dengan nilai gradien ’ Z  X 2  ^ 0.672,3.104` dan nilai norm
2

¦ ’ ZX  k | 10.633 ! H . Berdasarkan hal tersebut iterasi dilanjutkan dengan arah pencarian
k 1
2
d2 ¦ ’ Z X  
k 1
k 9.328, 5.104  dan O2 | 0.0099 (Iterasi 2).

Pada Iterasi 3 diperoleh X3 ^1.0123,0.7654` dengan gradien ’ Z  X 3^ 1.6784,3.0862` dan

3
nilai normdiperoleh ¦ ’ ZX  k | 11.2069 ! H . Nilai arah pencarian d3 diperoleh
k 1
3
d3 ¦ ’ Z X  
k 1
k 7.6496, 8.1902  dengan O3 | 0.017 .

Pada Iterasi 4 diperoleh X4 ^1.1423,0.6261` dengan gradien ’ Z  X 4  ^ 2.9598,2.7890` dan

4
nilai norm diperoleh ¦ ’ ZX  k | 11.9388 ! H . Nilai arah pencarian d 4 diperoleh
k 1
3
d4 ¦ ’ Z X  
k 1
k 4.6898, 10.9792  dengan O4 | 0.03 .

MT 83
 ISBN. 978-602-73403-1-2

Pada Iterasi 5, dengan menggunakan langkah yang sama diperoleh X5 ^1.2876,0.2858` dengan
gradien ’ Z  X 5^ 4.0248,1.7224` dan nilai norm ’ Z  X 5  | 12.7016 ! H .Nilai arah
5
pencarian d 5 diperoleh d5 ¦ ’ Z X  
k 1
k 0.6650, 12.7016  dengan O5 | 0.031 dan nilai

X6 ^1.3082, 0.1085 ` . Hasil perhitungan disajikan dalam tabel 2 di bawah ini.

TABEL 2. PERHITUNGAN NUMERIK STEPEST DESCENT DENGAN ARAH PENCARIAN NEGATIF SIGMA GRADIEN.

Iterasi k Xk ’ Z Xk  n dk Ok
¦ ’ ZX  k
k 1

1 {0,1} ^ 10,2 ` 104 ! H 10, 2  0.092

2 ^0.92,0.816` ^0.672,3.104` 10.633 ! H  9.328, 5.104  0.0099
3 ^1.0123,0.7654` ^1,6784,3.0862 ` 11.2069 ! H  7.6496, 8.1902  0.017

4 ^1.1423,0.6261` ^2.9598,2,7890 ` 11.9388 ! H  4.6898, 10.9792  0.03

5 ^1.2876,0.2858` ^4.0248,1.7224` 12.7016 ! H  0.6650, 12.7016  0.031

6 ^1.3082, 0.1085 ` - - - -

Pada tabel 2 di atas, terlihat bahwa iterasi tidak mungkin berhenti dikarenakan nilai norm
n

¦ ’ Z X  k selalu lebih besar dari epsilon. Hal ini ditandai dengan nilai gradien ’ Z  X k  yang
k 1

semakin membesar dan nilai Ok , k 1,2,

,5 yang semakin membesar. Hasil perhitungan nilai X k
terlihat bahwa nilai x 1semakin menjaui dari nilai aslinya yakni x1 1 , begitupun pada x 2 yang juga
menjauh dari nilai aslinya yakni x2 0 meskipun sampai iterasi ke 5, terlihat nilai x2 seolah menuju
nilai aslinya, namun hal demikian tidak benar dengan melihat pada iterasi selanjutnya dimana nilai x 2
justru menjauhi nilai nol.
III. SIMPULAN DAN SARAN
Simpulan
Terdapat beberapa hal yang menjadi kesimpulan dalam penelitian ini, diantarnya:
1. Masalah optimisasi berdasarkan fungsi onjektifnya dibagi atas 2 jenis yakni masalah optimisasi
single objektif dan masalah optimisasi multi objektif.
2. Menurut variabel bebasnya masalah optimisasi dibagi atas 2 jenis yakni masalah optimisasi
dengan satu variabel bebas dan multi variabel bebas. Lebih lanjut, menurut kendalanya masalah
optimisasi juga dibagi atas 2 jenis yakni masalah optimisasi dengan dan tanpa kendala
3. Masalah optimisasi single objektif tanpa kendala dengan satu variabel bebas dapat diselesaikan
dengan metode numerik golden rasio, Fibonacci, biseksi dl, sedangkan masalah optimisasi single
objektif tanpa kendala dengan multi variable bebas dapat diselesaikan salah satunya dengan
metode numerik Stepest Descent

MT 84
 SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016

4. Metode numerik Stepest Descent dimulai dengan mengambil sembarang X {x,1 x 2 ,., xn }
dengan arah pencarian negatif gradien dk ’ Z X k  . Iterasi berhenti ketika norm

Z  Xk  H, ’1,2, , k n
5. Metode numerik Stepset Descent dengan arah pencarian negatif sigma gradient juga dimulai
dengan mengambil X {x,1 x 2 ,., xn } , namun menggunakan arah pencarian
n n
dk ¦ ’ Z X k  . Iterasi berhenti ketika nilai norm ¦ Z  Xk  H, ’1,2, , k n
k 1 k 1
6. Pada contoh dalam penelitian ini, terlihat bahwa untuk masalah optimisasi single objektif tanpa
kendala meminimalkan Z (x 1x, 2 ) 6 x12 2x22 2x1 x2 12 x1 2 x2 6 dengan toleransi
kesalahan H 0.125 , solusi numerik yang dihasilkan melalui Stepest Descent dengan arah
negatif gradient akan berhenti pada iterasi ke 5 yakni dengan nilai x1 0.994 dan
x2 0.0005 dengan nilai norm ’ Z  X 5  | 0.123 H . Galata atau kesalahan yang
dihasilkan untuk x 1adalah 0.006 dan x 2 adalah 0.005.
7. Berbeda dengan solusi numerik yang dihasilkan oleh Stepest Descent dengan arah pencarian
negatif gradient, solusi numerk yang dihasilkan dengan metode numerik negaif sigma gradient
justru tidak akan berhenti untuk nilai iterasi berapapun. Hal ini dapat disebabkan nilai gradien
’ Z  X k  dan Ok , 1,2, , akan
k semakin
n membesar seiring bertambahnya iterasi. Hal
demikan terlihat contoh di atas dengan nilai X yang
k semakin menjaui dari nilai aslinya.

Saran
Terdapat beberapa hal yang menjadi saran dalam penelitian ini, diantarnya:
1. Umumnya metode numerik Stepest Descent dengan arah pencarian negatif gradien sudah cukup
baik dalam menyelesaikan masalah optimisasi single objektif tanpa kendala, namun penelitian
untuk mengembangkan arah pencarian yang lain tetap diperlukan agar langkah iterasi untuk
mencari solusi numerik menjadi lebih singkat dan menjadi semakin akurat.

2. Berkaca pada hasil Stepest Descent dengan arah pencarian negatif sigma gradien yang justu
menghasilkan solusi yang tidak optimal, maka perlu dikembangkan lagi arah pencarian yang lain
agar solusi numerik dari masalah optmiasi menjadi lebih akurat dan dengan langkah yang lebih
sedikit.

UCAPAN TERIMA KASIH

Ucapan terimakasih penulis ucapkan kepada Rektorat Universitas Muhammadiyah Tangerang dan
Departemen S3 Matematika ITB atas bantuan finansial sehingga penulis dapat menyelesaikan paper dan
mengikuti seminar nasional matematika dan pembelajaran matematika UNY pada tanggal 5 November
2016

DAFTAR PUSTAKA
[1] Widowati, 6XWLPLQ, ³ 3HPRGHODQ 0DWHPDWLND $QDOLVLV GDQ$SOLNDVLQ\D´, 6HPDUDQJ, 3HQHUELW 8QGLS 3UHVV
[2] 0 XQLU, 5LQDOGL. ³0HWRGH 1XPHULN´, %DQGXQJ, ,QIRUPDWLND
[3] (SSHUVRQ, -DPHV,´$Q ,QWURGXFWLRQ WR 1XPHULFDO 0HWKRGV DQG $QDO\VLV´, 1HZ <RUN -RKQ :LOOH\ DQG 6RQV. ,QF
WWR,
[4] 6.5.
2 DQG 'HQLHU, -.3,´$Q LQWURGXFWLRQ WR 3URJUDPPLQJ DQG 1XPHULFDO 0HWKRGV LQ 0DWODE ³, /RQGRQ, 6SULQJHU-Verlag:
2005
[5] $QWRQ, +RZDUG,³Aljabar Linier Elementer: Penerjemah Pantur Silaban, Jakarta, Erlangga: 1991
[6] %D]DUDD, 6. 0RFKWDU,1RQOLQHDU 3URJUDPPLQJ 7KHRU\ DQG $OJRULWKPV´, London, John-Willey Inter Science: 2006
[7] 6DOPDK, ³'LNWDW 2SWLPLVDVL´, <RJ\DNDU\D, )0,3$ 8*0

MT 85
 ISBN. 978-602-73403-1-2

[8] %REHU, :LOOLDP,³An Introduction to Numerical and Analytical Methods with Matlab for Engineers and Scientist´, London:
Taylor and Francis Group: 2014
[9] . .3.&KRQJ,(GZLQ,³An Introduction to Optimization´, 1HZ <RUN, -RKQ :LOH\ & 6RQV Inc.
[10] Corless, Robert, M, and Fillion, Nicholas.³A Graduate Introduction to Numerical Methods´,/RQGRQ, Springer-Verlag:2013
[11] /LQQD, ³ 0HWRGH 1XPHULN 6WHSHVW 'HVFHQW 6RDO 8$6 ).,3 807´,

MT 86