Tugas 1 Rekayasa & Optimasi Proses

Nama : Syuman Hadi

Nim : 17142042P

Jurusan : Teknik Informatika

Pengantar Metode kalkulus

Kalkulus (bahasa Latin: calculus, artinya "batu kecil", untuk menghitung) adalah cabang
ilmu matematika yang mencakup limit, turunan, integral, dan deret tak terhingga.
Kalkulus adalah ilmu yang mempelajari perubahan, sebagaimana geometri yang
mempelajari bentuk dan aljabar yang mempelajari operasi dan penerapannya untuk
memecahkan persamaan. Kalkulus memiliki aplikasi yang luas dalam bidang-
bidang sains, ekonomi, dan teknik; serta dapat memecahkan berbagai masalah yang
tidak dapat dipecahkan dengan aljabar elementer.

Kalkulus memiliki dua cabang utama, kalkulus diferensial dan kalkulus integral yang
saling berhubungan melalui teorema dasar kalkulus. Contoh cabang kalkulus yang lain
adalah kalkulus proposisional, kalkulus variasi, kalkulus lambda, dan kalkulus proses.
Pelajaran kalkulus adalah pintu gerbang menuju pelajaran matematika lainnya yang
lebih tinggi, yang khusus mempelajari fungsi dan limit, yang secara umum
dinamakan analisis matematika.

fungsi linier

Adalah suatu fungsi yang memiliki 2 variable atau lebih, yang memiliki masing-masing
variable nilainya saling mempengaruhi dan variable bebas ny memiliki pangkat paling
tinggi adalah satu. Dikatakan linier karena grafik fungsinya dalam diagram Cartesius
yang memiliki bentuk yang lurus.

Bentuk Persamaannya:

y = ax + b

dimana;
y : variable tidak bebas

x : variable bebas

a dan b : konstanta

fungsi non linier

adalah hubungan matematis antara satu variabel dengan variabel lainnya, yang
membentuk garis lengkung. Bentuk persamaan fungsi non linier merupakan pangkat
lebih dari 1.

Bentuk fungsi non linier adalah lingkaran, eclips, hiperbola & parabola.

Bentuk persamaannya:

Y 2 +
Lingkaran : ax +
2 2
aXby bXcx +
c dy + e = 0

Eclips : ( x - i )2 ( y - j )2
 1
r12 r2 2

( x - i )2 ( y - j )2
Hiperbola : sumbu lintang sejajar sumbu x :  1
m2 n2
2 2
sumbu lintang sejajar sumbu y : ( y - j )  ( x - i )  1
2 2
n m
Parabola :

Metode Optimasi Analitik

Optimasi pada pokoknya adalah merupakan sebuah terminologi untuk menyatakan

sebuah himpunan masalah dalam matematika untuk menjawab pertanyaan tentang ada
tidaknya sebuah nilai yang unik dan optimum dalam sebuah himpunan jawaban yang
ditawarkan. Akan tetapi sebagai penggunaannya yang berkembang ke berbagai cabang
ilmu pengetahuan, terutama dalam ilmu komputer sendiri, optimasi menjadi sebuah
persoalan yang dilihat sebagai persoalan komputasi.

Optimasi sebagai sebuah persoalan komputasi, tidaklah hanya sekedar bahwa optimasi
selain dapat dikerjakan secara prosedural dan rigid dalam langkah-langkah yang
dikerjakan dengan pensil dan kertas serta menghasilkan sebuah keputusan tentang
yang mana yang terbaik atau optimum, atau tidaklah juga sekedar sebagai tinjuan
bahwa optimasi adalah persoalan komputasi yang harus dapat dikerjakan dalam
langkah-langkah algoritma yang dimodelkan dalam model komputasi mesin turing atau
model komputasi lainnya, atau secara konkrit adalah dapat dibuat dalam susunan baris-
baris perintah pemrograman. Akan tetapi bahwa optimasi terlebih dahulu harus dapat

ditunjukkan secara rigid sebagai dapat dideskripsikan secara formal matematika dan
dapat diselesaikan.

Perluasan makna ini menyebabkan optimasi mendapatkan tempat yang lebih luas
khususnya dalam ranah ilmu komputer. Yaitu bahwa optimasi juga menjadi
permasalahan sistem pengambilan keputusan, dimana masalah optimasi dimodelkan
menjadi sebuah multiple attribute decision making ataupun model-model keputusan
yang lain. Dalam ranah datamining, optimasi juga mengambil tempatnya dengan
melihat permasalahan klasterisasi sebagai contoh metode k-mean sebenarnya adalah
permasalahan optimasi. Dan berbagai contoh lain yang menyebabkan optimasi
mendapat tempat yang luas dalam ilmu komputer.
Akan tetapi dengan melihat daripada sumber asal dari permasalahan optimasi ini, yaitu
kalkulus dan aljabar linier dalam matematika, maka dalam makalah ini mencoba
mengetengahkan tinjauan dari berbagai metode optimasi tersebut.
Permasalahan dalam Optimasi
Sebuah permasalahan optimasi dapat disajikan dengan cara atau model sebagai
berikut [2]:

Given: a function f : A R from some set A to the real numbers

Sought: an element x0 in A such that f(x0) ≤ f(x) for all x in A ("minimization")

or such that f(x0) ≥ f(x) for all x in A ("maximization").

Pengantar Metode Lagrange Multiplayer

Metode Lagrange Multipliers merupakan salah satu alat untuk
menyelesaikan constrained optimization dalam hal mencari minimum/maksimum lokal,
dimana fungsi batasan dalam bentuk persamaan (equality constraint). Dengan
metode ini, formulasi (1) dapat ditulis kembali dengan memanfaatkan sebuah variabel
yang disebut sebagai Lagrange multiplier dalam bentuk fungsi Lagrange sbb:

Metode Lagrange Multipliers digunakan untuk mengoptimalkan fungsi yang

bergantung pada sejumlah independen variabel dan ketika kendala fungsional terlibat.
Dengan demikian,dapat diterapkan untuk berbagai situasi praktis disediakan fungsi
tujuan dan kendaladapat dinyatakan sebagai fungsi kontinu dan terdiferensialkan.
Selain itu, kendalakesetaraan hanya dapat dipertimbangkan dalam proses optimasi.

Dasar Pendekatan

Pernyataan matematika dari masalah optimasi diberikan dalam sebelumnya pada bab
sebagai,

Tunduk pada kendala

tunduk pada kendala

dimana U adalah fungsi tujuan yang akan dioptimalkan dan Gi = 0, dengan i

bervariasidari 1 sampai n, merupakan kendala kesetaraan n. Seperti disebutkan
sebelumnya, jikakendala ketimpangan muncul dalam masalah, ini harus diubah menjadi
kesetaraankendala untuk menerapkan metode ini. Selain itu, dalam beberapa
kasus,ketidaksetaraan kendala hanya mendefinisikan domain diterima dan tidak
digunakandalam optimasi proses. Namun demikian, solusi yang diperoleh diperiksa
untukmemastikan bahwa kendala puas.Metode Lagrange pada dasarnya mengubah
masalah sebelumnya untuk menemukanminimum atau maksimum ke solusi dari sistem
aljabar persamaan, sehinggamemberikan skema yang nyaman untuk menentukan
optimal. Itu fungsi tujuan dankendala digabungkan menjadi Y fungsi baru, yang dikenal
sebagai ekspresi Lagrangedan didefinisikan sebagai;

Dimana λ adalah parameter yang tidak diketahui, yang dikenal sebagai pengali
Lagrange.Kemudian, menurut metode ini, optimum terjadi pada solusi dari sistem
persamaanyang dibentuk oleh persamaan berikut:

Ketika pembedaan diterapkan pada ekspresi Lagrange, menemukan bahwa

optimumdiperoleh dengan menyelesaikan sistem persamaan berikut:
Jika U fungsi tujuan dan kendala Gi yang terus menerus dan terdiferensialkan,sistem

persamaan aljabar diperoleh. Karena ada persamaan m untuk kendala dan persamaan
tambahan n berasal dari ekspresi Lagrange, total m+ n persamaan simultandiperoleh.
Yang tidak diketahui adalah m pengganda, sesuai dengan kendala m, danvariabel
independen n. Oleh karena itu, sistem ini dapat diselesaikan untukmendapatkan nilai-
nilai variabel independen, yang menentukan lokasi yang optimum,serta multiplier.
Analytical metode untuk memecahkan sistem persamaan aljabar dapatdigunakan jika
persamaan linier diperoleh dan / atau ketika jumlah persamaan kecil,biasanya sampai
dengan sekitar lima. untuk nonlinear persamaan dan untuk set yanglebih besar, metode
numerik umumnya lebih tepat. Nilai optimum dari fungsi tujuan inikemudian ditentukan
dengan menggantikan nilai-nilai yang diperoleh untuk variable independen terhadap
ekspresi untuk U. optimum sering diwakili oleh tanda bintang,yaitu, X1* X2*, …. Xn* dan
U*.

Fungsi dan tujuan

Dua istilah yang mirip, yaitu Lagrange Multiplier Test dan Lagrangian Multiplier Test.
Sebab keduanya sebenarnya dua istilah yang sama maksudnya, yaitu uji Lagrange
Multiplier dimana salah satu fungsi atau kegunaannya adalah untuk menentukan
estimasi terbaik, apakah menggunakan random effect atau tidak.
Tujuan Lagrange Multiplier Test

Seperti yang sudah kita pahami bersama sebelumnya, Uji Lagrange Multiplier Test
dengan eviews ini harus dilakukan jika kita berada pada dua kondisi saat melakukan
regresi data panel. Yaitu:

1. Uji Chow Test menunjukkan bahwa metode yang terbaik adalah Common
Effect dari pada fixed effect. Sehingga langkah berikutnya untuk menentukan
apakah Common Effect lebih baik dari pada Random Effect, maka diperlukan
uji Lagrange Multiplier Test.
2. Uji Hausman Test menunjukkan bahwa metode yang terbaik adalah Random
effect dari pada Fixed Effect. Sehingga langkah berikutnya untuk menentukan
apakah Random Effect lebih baik dari pada Common Effect, maka diperlukan
uji Lagrange Multiplier Test.