MINIMALISASI BIAYA

MENGGUNAKAN 

GOLDEN SECTION 
 AND HOOK JEEVES METHODS 
OBJECTIVES 

 Understand why and where optimization occurs 

in engineering problem solving.
 Understand the major elements of the general 
optimization problem: (1) objective function, (2) 
decision variables, and (3) constraints.
 Be able to distinguish between linear and 
nonlinear optimization, and between
between constrained 
and unconstrained problems 
OBJECTIVES 

 Understand why and where optimization occurs 

in engineering problem solving.
 Understand the major elements of the general 
optimization problem: (1) objective function, (2) 
decision variables, and (3) constraints.
 Be able to distinguish between linear and 
nonlinear optimization, and between
between constrained 
and unconstrained problems 
PUSTAKA

 James B. Riggs, 1988, “An Introduction to Numerical 

Methods for Chemical Engineers” , Texas: Texas Tech
University Press, Chapter 6

 Steven C. Chapra & Raymond P. P. Canale,

Cana le,
2003,“Numerical
2003,“Numerical Methods for Engineers: With Software 
Programming Applications” , 4th edition, New York:
and Programming
McGraw-Hill Company Inc,
Part Four

 etc.
 INTRODUCTORY EXAMPLE 

Persoalan pemilihan diameter pipa untuk mengangkut fluida dari satu

proses ke proses yang lain.

Diameter pipa optimum, berdasarkan:

Biaya investasi, dan biaya operasi

$ / year
Cost
Pipe diamater (in) Diameter 
components
1 1,25 1,5 2 2,5  pipa mana 
yang akan 
Operating Costs 4697 660 312 164 56  Anda pilih? 
Pipe capital costs 168 308 389 474 660
Pump capital 401 192 150 150 150
costs
Total 5266 1160 852 788 866
PENGANTAR-1 

 Definisi optimasi
 Jenis optimasi: 1- maksimasi; 2- minimasi
 Dua hal penting dalam studi optimasi:
1- fungsi objektif dan decision variables ;
2- kendala (constraints) 

 Contoh-contoh persoalan optimasi dalam bidang

Engineering 

 Contoh-contoh constraints yang menyertai

persoalan optimasi
Definisi dan Jenis Optimasi 

Optimasi merupakan suatu proses untuk mencari

kondisi yang optimum, dalam arti paling
menguntungkan.

Optimasi bisa berupa maksimasi atau minimasi.

Jika berkaitan dengan masalah keuntungan, maka
keadaan optimum adalah keadaan yang memberikan
keuntungan maksimum (maksimasi).
Jika berkaitan dengan masalah
pengeluaran/pengorbanan, maka keadaan optimum
adalah keadaan yang memberikan
pengeluaran/pengorbanan minimum (minimasi).
Fungsi Objektif 

Secara umum, fungsi yang akan dimaksimumkan

atau diminimumkan disebut fungsi objektif 
(objective function) , sedangkan harga-harga yang
berpengaruh dan bisa dipilih disebut variabel
(perubah) atau decision variable .
Secara analitik, nilai maksimum atau minimum dari
suatu persamaan: y = f(x)
dapat diperoleh pada harga x yang memenuhi:
 y’ = f’(x) = 0
Untuk fungsi yang sulit untuk diturunkan atau
mempunyai turunan yang sulit dicari akarnya,
proses optimasi dapat dilakukan secara numerik.
Contoh Persoalan Optimasi dalam Bidang Engineering 

 Design pump and heat transfer equipment for maximum 

efficiency 
 Design waste water treatment system to meet water-quality 
standards of least cost 
 Optimal planning and scheduling 
 Optimal pipeline network 
 Inventory control 
 Maintenance planning to minimize cost 
 etc.
PENGANTAR-2 
Ilustrasi maksimasi (secara grafik):

Beberapa istilah:
Maksimum lokal
Maksimum global

 A unimodal function 

One hump or 

one valley 
Catatan:  Analog,
untuk kasus minimasi 
 PENGANTAR-3 

Maksimum dan minimum lokal dan global:

 PENGANTAR-4 
Perbedaan antara persoalan optimasi dengan
pencarian/ penentuan akar persamaan:
 PENGANTAR-5 

Ilustrasi grafik optimasi dua variabel:

Tinjaulah sebuah fungsi dengan satu
variabel sbb.:

 y = f(x)

Ingin dicari harga x yang memberikan harga y

maksimum (maksimasi) atau minimum
(minimasi). Dalam hal ini, x yang diperoleh
merupakan nilai x optimum fungsi.

Beberapa metode yang akan dibahas

 Metode golden section 

 Metode Newton
 Metode interpolasi kuadrat
 dsb.
METODE GOLDEN SECTION 

Golden section merupakan salah satu cara atau

metode optimasi numerik yang bisa dipakai untuk 
fungsi yang bersifat unimodal. Kedua tipe
optimasi, yaitu maksimasi dan minimasi dapat
diselesaikan dengan cara ini.

Golden-section (search) method merupakan

metode optimasi satu variabel yang sederhana,
dan mempunyai pendekatan yang mirip dengan
metode bisection dalam penentuan akar
persamaan tak linier.
 METODE GOLDEN 
SECTION 
Tinjaulah fungsi f(x) yang
akan ditentukan maksimumnya,
pada rentang x = xl dan x = xu
(perhatikan gambar di samping).
, ide dasar metode ini adalah
memanfaatkan nilai yang lama
sebagai nilai yang baru.
Secara matematik:
 METODE GOLDEN SECTION 
Karena: l 1 l 2 l 2
l 0  l 1  l 2 , maka :   R 

l 1  l 2 l 1 l 1

 Ambil kebalikannya dan kemudian definisikan:

l 1  l 2 l 1 l 2 l 1 1

 atau 1   atau : 1   R 
l 1 l 2 l 1 l 2  R

Sehingga:  R 2   R  1  0

 Nilai akar  positifnya :
5 1 (R biasa disebut sebagai
 R   0,61803 ......
2 Golden ration atau golden number)
 ALGORITMA

(kasus maksimasi): 

1. Mulai dari 2 nilai tebakan awal xl

dan xu, yang mengapit titik maksimum.

2. Tentukan nilai x1 dan x2 di dalam rentang

xl dan xu, sesuai dengan golden ratio (R)

5 1
d    X u   X l  
2
 x1   x1  d 

 x2   xu  d 
 ALGORITMA (kasus maksimasi): 

3. Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2), diharapkan ada
sebagian interval yang dapat dieliminasi, sehingga salah satu titik lama
bisa dipakai lagi pada evaluasi langkah berikutnya. Jadi hanya diperlukan
1 titik baru.

 Ada 2 kasus:

(a) Jika: f(x1) > f(x2)

Maka: domain x antara xl dan x2 dieliminasi
x2 lama = xl baru
x1 lama = x2 baru
xu lama = xu baru
 x1 baru ditentukan

(b) Jika: f(x2) > f(x1)

Maka: domain x antara x1 dan xu dieliminasi
x1 lama = xu baru
x2 lama = x1 baru
xl lama = xl baru
METODE GOLDEN SECTION 

 Algoritma untuk kasus minimasi  kebalikan dari 

algoritma untuk kasus maksimasi tersebut di atas.

Efektivitas evaluasi dengan metode golden section: 

Misal diinginkan pengecilan interval sampai menjadi 0,001 dari

semula, maka jumlah step yang diperlukan (N) adalah:

(0,618)N  = 0,001
N = 14,3 ≈ 15

Jumlah evaluasi = 2 + (N – 1) x 1 = 16

Silakan Pelajari Contoh Soal

EXAMPLE : DETERMINING MINIMATION FUNCTION

 Y = 2X2 – 8X + 12
5 1
KNOWN L   0.618
2
XA = LOWER LIMIT (BATAS BAWAH) = 0
XB = UPPER LIMIT (BATAS ATAS) = 4
TOL = 0.001 (SAMPLE)

X=XA = 0
 YA = (2*02) - (8*0) + 12 = 12

X=XB=4
 YB = (2*42 ) – (8*4) +12 =12
 XP=XA + (1 – L) * (XB – XA)
 = 0 + ( 1 – 0.618) * (4 – 0) =1,53
  YP = (2 * 1,5322) – (8*1,53) +12 = 4,44

 XQ=XA + L*(XB – XA)

 = 0 + 0.618*(4 – 0) = 2,472
  YQ= (2*2,4722) – (8*2,472) + 12 = 4,45

 XPNEW=1,53 + (1 – L)*(2,472 – 1,53) = 1,8898

  YPNEW=( 2*1,88982) – (8*1,8898) + 12 = 4,02

 XQNEW=1,53 + 0,618*(2,472 – 1,53) = 1,915

  YPNEW = (2*1,9152) – (8*1,915) +12 = 4,01

 DST……
METODE NEWTON 

Metode ini menggunakan pendekatan yang sama dengan

metode Newton dalam penentuan akar persamaan tak linier,
melalui pendefinisian fungsi: g(x) = f’(x)

Karena pada kondisi optimum:

f '(x *) = g (x *) = 0
(x* menyatakan nilai x optimum) 

maka, nilai x* dapat diperoleh secara iteratif sebagai berikut:

 f  ' ( xi)
 xi 1   xi 
 f  " ( xi)
Silakan Pelajari Contoh Soal Berikut
 METODE INTERPOLASI KUADRAT 

Metode ini dapat digunakan

untuk melakukan optimasi
secara numerik.

Hal ini disebabkan oleh

penggunaan polinomial
orde-dua yang menghasilkan
pendekatan cukup baik 
terhadap bentuk f(x) di dekat
titik optimumnya.

(Perhatikan gambar di 

samping…) 
 METODE INTERPOLASI KUADRAT 

Jika mula-mula kita mempunyai tiga buah titik tebakan awal (yakni x0, x1,
dan x2) yang mengapit titik optimumnya, maka sebuah parabola dapat di-
fit-kan melalui ketiganya.

Diferensiasikan persamaan yang diperoleh, set hasilnya menjadi sama

dengan nol, dan perkiraan x optimum dapat ditentukan (dalam hal ini
sebagai x3) sbb.:

2 2 2 2 2 2
 f  ( x0 )( x1   x2 )   f  ( x1 )( x2  x0 )   f  ( x2 )( x0   x1 )
 x3 
2 f  ( x0 )( x1  x2 )  2 f  ( x1 )( x2  x0 )  2 f  ( x2 )( x0  x1 )

Penentuan x3 dilakukan secara iteratif, melalui strategi yang sama dengan

metode golden section , hingga diperoleh penyelesaian yang konvergen.
OPTIMASI BANYAK VARIABEL 

Misal diketahui sebuah fungsi dengan banyak variabel sbb:

 y = f(x1, x2, x3, ….., xn)

Ingin dicari harga x1, x2, x3, ….., xn yang memberikan harga
y maksimum (maksimasi) atau minimum (minimasi).

Pengelompokan metodenya secara garis besar: (1) non gradient 

methods , dan (2) gradient methods 

Beberapa metode yang akan dibahas:

 Metode Hooke-Jeeves
 Metode langsung/ random search 
 Metode steepest ascent (ascending)/ descent (descending) 
METODE HOOKE-JEEVES 

Prinsip metode Hooke-Jeeves:

(1) Eksplorasi nilai Δxi

(2) Mengulangi langkah sukses

Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam contoh

berikut. Misal ingin dilakukan minimasi dari suatu fungsi:

 y = (x1 – 4)2 + 0,5.(x2 – 9)2 + 3

Sebagai cek, dengan mudah dapat terlihat bahwa minimum terjadi

pada x1 = 4, x2 = 9, dan harga ymin =3.

Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1,

x2 = 16, serta interval awal Δx1 = 1 dan Δx2 = 2.
X1 X2 Y Komentar Hooke Jeeves -2 
1 16 36,5 Basis
Eksplorasi dengan  Δ x1 = 1, Δ x2 =2
2 16 31,5 Sukses
2 18 47,5 Gagal
2 14 19,5 Sukses
Mengulangi langkah sukses Hasil 
3 12 8,5 Sukses Perhitungan 
4 10 3,5 Sukses
5 8 4,5 Gagal
Eksplorasi dengan Δ x1 = 1, Δ x2 =2
5 10 4,5 Gagal
3 10 4,5 Gagal
4 12 7,5 Gagal
4 8 3,5 Gagal
 X1 X2 Y Komentar
Eksplorasi dengan Δ x1 = 0,2, x2 =0,4 Hooke Jeeves -3 

4,2 10 3,54 Gagal

3,8 10 3,54 Gagal
4 10,4 4,96 Gagal
4 9,6 3,18 Sukses
Mengulangi langkah sukses
Hasil
4 9,2 3,02 Sukses
Perhitungan
4 8,8 3,02 Gagal
Eksplorasi dengan Δx1 = 0,2 ; x2 =0,4
4,2 9,2 3,06 Gagal
3,8 9,2 3,06 Gagal
4 9,6 3,18 Gagal
4 8,8 3,02 Gagal
Hooke Jeeves -4 

X1 X2 Y Komentar

Eksplorasi dengan Δ x1 = 0,04, Δ x2 =0,08

4,04 9,2 3,021 Gagal

3,96 9,2 3,021 Gagal

4,00 9,28 3,039 Gagal

4,00 9,12 3,007 Sukses

Mengulangi langkah sukses

4,00 9,04 3,0008 Sukses

4,00 8,96 3,0008 Gagal

METODE LANGSUNG (RANDOM SEARCH) 

 Sesuai dengan namanya, metode ini secara berulang-ulang

mengevaluasi nilai fungsi pada nilai-nilai variabel bebas
tertentu (selected values) secara acak. Jika banyaknya sampel
yang dicoba mencukupi, maka kondisi optimumnya akan
teramati.

tidak efisien…!

 Metode ini dapat diterapkan untuk fungsi yang discontinuous 

dan non-differentiable sekalipun.

 Pendekatan ini pada umumnya akan menghasilkan titik 

optimum global (bukan optimum lokal)

Silahkan Pelajari Contoh

METODE STEEPEST ASCENT/DESCENT 

 Merupakan jenis metode gradien yang paling sederhana.

 Terminologi:
steepest ascent  untuk pencarian maksimum fungsi
steepest descent  untuk pencarian minimum fungsi

 Prinsip pencarian optimum:

Dilakukan serangkaian proses transformasi untuk mengubah

sebuah fungsi dengan banyak variabel (multidimensional 
function) menjadi sebuah fungsi dengan variabel tunggal
(one-dimensional function) , berdasarkan gradien arah pencarian.
Langkah pencarian optimum ini selanjutnya dilakukan secara 
berulang-ulang (iteratif).
PENCARIAN TITIK OPTIMUM

Sebagai ilustrasi, f(x,y)

tinjaulah fungsi 2
variabel f(x,y) yang
akan ditentukan titik 
maksimumnya. (lihat 
gambar di samping) 

Berdasarkan nilai
awal x = x0 & y = y0,
dapat ditentukan
nilai gradien (atau
arah steepest 
ascent) -nya, yakni
sebesar h0.
Berdasarkan h0, nilai maksimum fungsi
dapat ditentukan, yakni pada titik “1”.
Demikian seterusnya , proses ini
dilakukan berulang-ulang hingga
diperoleh titik optimum sesungguhnya.
Secara Numerik:

Misal, untuk sebuah fungsi 2 variabel: f(x,y)

yang akan dicari titik optimumnya, dengan nilai awal:

 x = x0 dan y = y0

Pada langkah iterasi pertama, nilai x dan y yang baru

dapat ditentukan dengan:
f 
x  x0  h
x x , y
0 0

and
f 
y  y0  h
y x , y
0 0
 f    f   merupakan turunan parsial fungsi f(x,y)
and  terhadap x dan y
 x  y

Dalam hal ini, vektor gradien fungsinya dinyatakan sbg:

 f  
 f    i   f   j
 x  y
Pada kasus ini, sebuah fungsi 2 variabel dalam x dan y,
f(x,y), ditransformasikan menjadi sebuah fungsi satu 
variabel dalam h, g(h).

Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya

menjadi x0 dan y0 pada langkah iterasi berikutnya. Demikian
seterusnya.

Silahkan Pelajari Contoh

 Contoh Aplikasi: 
LOKASI OPTIMUM PENGOLAH LIMBAH TERPADU

Sejumlah N pabrik dengan posisi koordinat masing-masing (xi,yi)

menghasilkan limbah masing-masing sejumlah Qi. Akan dibangun
suatu unit pengolah limbah terpadu untuk seluruh pabrik tersebut.
Ongkos pengangkutan limbah dari pabrik ke unit pengolah limbah
berbanding lurus dengan debit pangkat 0,6. Ingin ditentukan posisi
(koordinat) unit pengolah limbah agar ongkos pengangkutan
limbah minimum.

 Analisis:
 H  arg a  k (  jarak )( debit ) 0, 6
Misal: Lokasi pengolah limbah berada di titik P (xP, yP)

Jarak pabrik (xi,yi) ke lokasi pengolah limbah:

d i  ( x p   xi ) 2  ( y p  yi ) 2

Ongkos transport dari pabrik (xi, yi):

0,6
C i  k .Qi ( x p  xi ) 2  ( y p  yi ) 2
Ongkos transport total:

Dicari nilai xP dan yP yang memberikan nilai CT minimum.

Misal:

Dimisalkan pula: nilai k = 1