permasalahan itu dalam permodelan aljabar linier, penggunaan istilah linear programming).
kemudian dari model ini mereka mengemukakan ide Kebanyakan dunia nyata dan masalah-masalah
tentang berbagai cara formal untuk memecahkan teoritis dapat dimodelkan dalam bentuk umum
permasalahan-permasalahan tersebut. Baik dengan framework ini. Formulasi masalah menggunakan
pemecahan yang sederhana atau dengan pemecahan tekhnik ini seperti dalam bidang fisika dan komputer
yang kompleks seperti menggunakan metode vision, dan boleh jadi mereka merujuk istilah ini
simplex. sebagai energy minimization [2].
Akan tetapi, perluasan makna optimasi Formalisma lagrange dalam fisika juga
dilakukan orang dengan tidak saja sekedar sebagai menggunakan konteks energi minimal sebagai
mencari nilai maksimum dan minimum sebuah sebuah postulat dasar bahwa setiap benda atau setiap
fungsi atau sebuah himpunan fungsi akan tetapi entitas baik itu massa atau kuanta selalu menempuh
menjadi abstrak seperti misalnya dengan lintasan dengan fungsi energi yang bernilai minimal.
menjelaskan bahwa optimasi adalah proses Sehingga secara otomatis, formalisma lagrange
pemilihan alternatif terbaik (yang mana setiap didasarkan pada persoalan optimasi energi materi.
alternatif dicirikan oleh sejumlah kriteria) dari Kembali kepada framework perumusan
sejumah alternatif jawaban yang tersedia [1]. persoalan optimasi diatas, secara khusus, A adalah
Perluasan makna ini menyebabkan optimasi sebuah subset dari ruang euclid Rn, seringkali subset
mendapatkan tempat yang lebih luas khususnya A, batas-batasnya ditentukan oleh sebuah himpunan
dalam ranah ilmu komputer. Yaitu bahwa optimasi batasan atau constraints, persamaan atau
juga menjadi permasalahan sistem pengambilan pertidaksamaan yang mana setiap anggota A harus
keputusan, dimana masalah optimasi dimodelkan memenuhinya. Domain A dari fungsi f dinamakan
menjadi sebuah multiple attribute decision making sebagai ruang pencarian atau ruang pemilihan
ataupun model-model keputusan yang lain. Dalam (search space or the choice set), dimana setiap
ranah datamining, optimasi juga mengambil anggota dari A adalah dinamakan sebagai candidate
tempatnya dengan melihat permasalahan klasterisasi solutions atau feasible solutions [2].
sebagai contoh metode k-mean sebenarnya adalah Fungsi f sendiri dinamakan sebagai objective
permasalahan optimasi. Dan berbagai contoh lain function, yang dapat berupa sebuah loss function
yang menyebabkan optimasi mendapat tempat yang atau cost function (minimasi) [3], sebuah utility
luas dalam ilmu komputer. function atau fitness function (maksimasi),atau pada
Akan tetapi dengan melihat daripada sumber bidang-bidang tertentu, dikatakan sebagai energy
asal dari permasalahan optimasi ini, yaitu kalkulus function atau energy functional. Sebuah solusi yang
dan aljabar linier dalam matematika, maka dalam feasible yang meminimalkan (atau memaksimalkan,
makalah ini mencoba mengetengahkan tinjauan dari sesuai dengan tujuannya) objective function
berbagai metode optimasi tersebut. dinamakan sebagai sebuah optimal solution [2].
Permasalahan dalam Optimasi Dalam matematika, konvensi masalah-masalah
Sebuah permasalahan optimasi dapat disajikan optimasi biasanya dinyatakan dalam terminologi-
dengan cara atau model sebagai berikut [2]: terminologi minimasi. Secara umum, dengan syarat
bahwa objective function dan feasible region adalah
Given: a function f : A R from some set A to convex dalam rumusan masalah minimasinya, maka
the real numbers disana ada terdapat beberapa minimum lokal.
Sought: an element x0 in A such that f(x0) ≤ f(x) Sebuah inimum lokal x* didefinisikan sebagai
for all x in A sebuah titik dimana disana terdapat δ > 0 sedemikian
("minimization") or such sehingga untuk seluruh x berlaku :
that f(x0) ≥ f(x) for all x in || x – x*|| < δ maka ekspresi f(x*) < f(x) berlaku.
A ("maximization"). Dengan kata lain bahwa untuk beberapa region yang
memuat x* , seluruh nilai fungsi adalah lebih besar
Perumusan masalah seperti ini dinamakan atau sama dengan nilai pada titik tersebut. Dengan
sebagai sebuah optimization problem atau sebuah cara yang sama, maksimum lokal didefinisikan [2].
mathematical programming problem (istilah ini
tidak secara langsung memiliki arti sebagai sebuah
permasalahan pemrograman komputer, akan tetapi
penggunaanya secara luas adalah serupa dengan
C. Optimasi Secara Kalkulus Variasi Sebuah fungsional J[y] dikatakan memiliki sebuah
extrema pada fungsi f jika
Kalkulus variasi adalah sebuah bidang pada
ΔJ = J [ y ] - J [ f] memiliki tanda yang sama untuk
matematika analisis yang menangani masalah
seluruh y dalam sebuah sebarang lingkungan
maksimasi dan minimasi dari fungsional-fungsional.
tetangga yang kecil dari f. Fungsi f dinamakan
Yang memetakan sebuah himpunan fungsi kepada
sebuah fungsi extremal atau extremal. Extremum
bilangan ril. Fungsional seringkali dinyatakan
J[f] dinamakan sebuah maximum jika ΔJ ≤ 0
sebagai sebuah definite integrals yang melibatkan
dimana-mana dalam sebuah sebarang lingkungan
fungsi-fungsi dan turunannya. Perhatian sebenarnya
tetangga yang kecil dari f, dan sebuah minimum jika
adalah dalam extremal (titik-titik ekstrim) dari
ΔJ ≥ 0 disana. Untuk sebuah ruang fungsi dari fungsi
fungsi-fungsi yang membuat fungsional
kontinu, extrema dari fungsional-fungsional yang
menghasilkan nilai maksimum atau minimum – atau
berkorespondensi dinamakan sebagai weak extrema
stasionari dari fungsi-fungsi – dimana rata-rata
atau strong extrema, bergantung padamana turunan
perubahan dari fungsi adalah nol. Sebagai contoh
pertama dari fungsi-fungsi kontinu adalah berakibat
untuk masalah seperti itu adalah menemukan kurva
keseluruhannya kontinu atau tidak [8].
dengan panjang terpendek yang menghubungkan
dua tititk. Jika disana tak terdapat batasan-batasan,
D. Optimasi Secara Algoritma Genetika
maka jelas bahwa solusinya adalah sebuah garis
lurus diantara kedua titik tersebut. Akan tetapi, jika Dalam bidang kecerdasan buatan, algoritma
kurva dibatasi agar terletak pada sebuah permukaan genetika (GA) adalah sebuah pencarian heuristik
dalam ruang, maka solusi menjadi kurang jelas, dan yang meniru proses seleksi alam. Sifat heuristik ini
boleh jadi ada banyak solusi. Solusi yang demikian (juga kadang disebut sebagai metaheuristik) adalah
dinamakan sebagai geodesik. Masalah yang seperti secara rutin digunakan untuk menghasilkan solusi-
ini dikemukakan oleh prinsip format: cahaya solusi yang berguna bagi masalah-masalah optimasi
mengikuti jejak optik terpendek yang dan pencarian. Algoritma genetik termasuk dalam
menghubungkan dua titik, dimana panjang optik kelas yang lebih besar yaitu algoritma-algoritma
bergantung kepada material dari medium. Salah satu evolusi (EA), yang menghasilkan solusi-solusi untuk
konsep yang berhubungan dalam mekanika adalah masalah-masalah optimasi menggunakan teknik
prinsip aksi terkecil. Banyak masalah-masalah yang diinspirasi oleh evolusi alam, seperti misalnya
penting melibatkan fungsi-fungsi dengan banyak penurunan, mutasi, seleksi dan persilangan [11].
variabel. Solusi-solusi pada masalah nilai batas Dalam algoritma genetika, populasi solusi
untuk persamaan laplace memenuhi prinsip kandidat (disebut individu, makhluk, atau fenotipe)
dirichlet. Masalah Plateau membutuhkan penemuan untuk masalah optimasi berkembang ke arah solusi
sebuah permukaan dengan area minimal yang yang lebih baik. Setiap solusi kandidat memiliki
merentang kontur yang diberikan dalam ruang: yaitu seperangkat sifat (kromosom atau genotipe) yang
sebuah solusi yang seringkali dapat ditemukan dapat bermutasi dan berubah; tradisional, solusi
dengan menyelami lebih dalam sebuah kerangka direpresentasikan dalam biner sebagai string dari 0
solusi pada permukaan busa sabun. Walaupun secara dan 1, tetapi pengkodean lain juga mungkin. Evolusi
eksperimen adalah relatif lebih mudah dilakukan, biasanya dimulai dari populasi individu secara acak,
interpretasi matematikanya jauh dari sederhana: dan merupakan proses berulang, dengan populasi di
disana mungkin lebih dari satu minimum lokal, dan setiap iterasi yang disebut generasi. Dalam setiap
boleh jadi merupakan topologi non-trivial [9]. generasi, kecocokan setiap individu dalam populasi
Kalkulus variasi adalah memusatkan diri pada dievaluasi; kecocokan biasanya nilai fungsi tujuan
maksima atau minima dari fungsioanl-fungsional, dalam masalah optimasi dipecahkan. Individu lebih
yang secara kolektif disebut sebagai extrema. cocok secara stokastik yang dipilih dari populasi saat
Sebuah fungsional bergantung kepada sebuah fungsi, ini, dan genom masing-masing individu yang
yang nampak seperti sebuah fungsi yang dapat dimodifikasi (digabungkan dan mungkin secara acak
bergantung kepada sebuah nilai numerik variabel- bermutasi) untuk membentuk generasi baru.
variabel, dengan demikian sebuah fungsional dapat Generasi baru dari solusi kandidat ini kemudian
digambarkan sebagai sebuah fungsi bagi sebuah digunakan dalam iterasi berikutnya dari algoritma.
fungsi. Fungsional-fungsional memiliki extrema Umumnya, algoritma berakhir ketika baik jumlah
yang muncul akibat kehadiran elemen y pada sebuah maksimum generasi telah diproduksi, atau tingkat
ruang fungsi yang didefinisikan di atas domain. kecocokan yang memuaskan telah tercapai untuk
penduduk. Sebuah algoritma genetika khas dari konteks sebelumnya, dalam cara pandang
membutuhkan: representasi genetik dari domain metode yang berbeda.
solusi, fungsi kecocokan untuk mengevaluasi
domain solusi. Sebuah representasi standar setiap DAFTAR PUSTAKA
solusi kandidat adalah sebagai array bit. Array jenis
dan struktur lainnya dapat digunakan di dasarnya [1] "The Nature of Mathematical Programming,"
dengan cara yang sama. Properti utama yang Mathematical Programming Glossary,
membuat representasi genetik ini baik adalah bahwa INFORMS Computing Society.
bagian mereka dengan mudah disesuaikan karena http://glossary.computing.society.informs.org,
ukurannya yang tetap, yang memudahkan operasi Diakses tanggal 18 Okt. 2015.
persilangan sederhana. Variabel panjang representasi [2] “Mathematical optimization, From Wikipedia,
dapat juga digunakan, tetapi implementasi the free encyclopedia”
persilangan lebih kompleks dalam kasus ini. https://en.wikipedia.org/wiki/Mathematical_opt
Representasi seperti pohon dieksplorasi dalam imization. Diakses tanggal 18 Okt. 2015.
genetik pemrograman dan grafik-bentuk representasi [3] W. Erwin Diewert (2008). "Cost Functions,"
yang dieksplorasi dalam pemrograman evolusioner; The New Palgrave Dictionary of Economics,
campuran keduanya kromosom linear dan pohon 2nd Edition.
dieksplorasi dalam pemrograman ekspresi gen. http://www.dictionaryofeconomics.com.
Setelah representasi genetik dan fungsi kecocokan Diakses tanggal 18 Okt. 2015.
didefinisikan, sebuah hasil GA untuk [4] “Linear programming From Wikipedia, the free
menginisialisasi populasi solusi dan kemudian encyclopedia”
memperbaikinya melalui aplikasi berulang dari https://en.wikipedia.org/wiki/Linear_programm
operator mutasi, persilangan, inversi dan seleksi. ing. Diakses tanggal 19 Okt. 2015.
[5] Spall, J. C. (2003). “Introduction to Stochastic
IV. PENUTUP Search and Optimization”. Wiley. ISBN 0-471-
Kajian yang telah dikemukakan di atas 33052-3.
menyatakan pandangan historik dan spektral tentang [6] “Stochastic optimization From Wikipedia, the
bagaimana persoalan optimasi tumbuh dalam free encyclopedia”.
berbagai konteks dan bagaimana orang https://en.wikipedia.org/wiki/Stochastic_optimi
mengemukakan solusi-solusi sesuai dengan konteks- zation. Diakses tanggal 19 Okt. 2015.
konteks tersebut. Dalam pandangan probabilistik, [7] Fu, M. C. (2002). "Optimization for Simulation:
optimasi adalah mencari kombinasi peluang terbaik Theory vs. Practice". INFORMS Journal on
dari sejumlah solusi yang mungkin. Dalam Computing 14 (3): 192–227.
pandangan riset operasi, optimasi adalah maksimasi doi:10.1287/ijoc.14.3.192.113.
atau minimasi fungsi objektif, fungsi yang [8] M.C. Campi and S. Garatti. The Exact
merumuskan kombinasi linier penggunaan semua Feasibility of Randomized Solutions of
sumberdaya yang mungkin. Dalam pandangan Uncertain Convex Programs. SIAM J. on
analitik kalkulus varisasi, optimasi adalah mencari Optimization, 19, no.3: 1211–1230, 2008.
summasi atau integral minimum dari sejumlah [9] “Calculus of variations From Wikipedia, the
alternatif lintasan (path) yang mungkin, dimana free encyclopedia”
integral itu bisa berarti energi minimum yang https://en.wikipedia.org/wiki/Calculus_of_varia
mungkin, dan sebagainya cara pandang. tions, Diakses tanggal 22 Okt. 2015.
Secara umum, kita dapat mengembalikan
[10] Gelfand, I. M.; Fomin, S. V. (2000). Silverman,
gagasan optimasi kepada konsep yang abstrak dan
Richard A., ed. Calculus of variations
filosofis, yaitu dengan mengembalikannya kepada
(Unabridged repr. ed.). Mineola, New York:
pandangan bahwa optimasi hanya sebagai usaha
Dover Publications. pp.12-13. ISBN 978-
untuk memperoleh pilihan solusi terbaik dari
0486414485.
sejumlah solusi yang mungkin tersedia. Dengan
demikian, gagasan optimasi dapat diperluas dan [11] “Genetic algorithm From Wikipedia, the free
dikembangkan dalam berbagai konteks yang berbeda encyclopedia”
https://en.wikipedia.org/wiki/Genetic_algorithm