Optimasi Non Liniear Multivariabel Tanpa Kendala

Cara analitis yang diterapkan pada permasalahan optimasi satu variabel dapat pula diterapkan
kepada permasalahan multivariable. Secara umum Teknik yang digunakan pada optimasi satu
dimensi dapat digunakan dalam optimasi multivariable. Kita definisikan beberapa simbol berikut:

(𝑖) 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) akan ditulis sebagai 𝑓(𝑋) 𝑑𝑒𝑛𝑔𝑎𝑛 𝑋 = {𝑥1 , 𝑥2 , … , 𝑥𝑛 }𝑡

(𝑖𝑖) 𝑓(𝑋)∗ = {𝑥1∗ , 𝑥2∗ , … , 𝑥𝑛∗ }

𝜕
(𝑖𝑖𝑖) ∇𝑓(𝑋)∗ = 𝑓(𝑥1∗ , 𝑥2∗ , … , 𝑥𝑛∗ ) untuk 𝑗 = 1,2, … , 𝑛
𝜕𝑥𝑗

𝜕𝑓 𝜕𝑓 𝜕𝑓
(𝑖𝑣) ∇𝑓(𝑋 ∗ ) = 𝐶 setara dengan { , , … , 𝜕𝑥 } ={𝑐1 , 𝑐2 , … , 𝑐𝑛 }
𝜕𝑥 𝜕𝑥 1 2 𝑛

Teorema 1 :

Jika 𝑓(𝑋) mempunyai sebuah titik ekstrem (minimum atau maksimum) pada 𝑋 = 𝑋 ∗ dan jika
derivasi pertama dari 𝑓(𝑋) mempunyai nilai pada titik 𝑋 ∗ , maka ∇𝑓(𝑋 ∗ ) = 0.

Perhatian : kebalikannya belum tentu benar yaitu jika ∇𝑓(𝑋 ∗ ) = 0 maka 𝑋 ∗ adalah titik ekstrem.

Teorema 2:

Titik 𝑋 ∗ disebut titik maksimum lokal dari 𝑓(𝑋) jika dan hanya jika :

(𝑖) ∇𝑓(𝑋 ∗ ) = 0

(𝑖𝑖) 𝐻(𝑋 ∗ ) < 0 Definit negatif dengan H=matriks Hessian yang di definisikan sebagai :

ℎ11 ⋯ ℎ1𝑛
𝜕2 𝑓
𝐻=( ⋮ ⋱ ⋮ ) dengan ℎ𝑖𝑗 =
𝜕𝑥𝑖 𝜕𝑥𝑗
ℎ𝑛1 ⋯ ℎ𝑛𝑛

H adalah definit negatif jika dan hanya jika :

(−1)𝑗 |𝐻|𝑗 > 0 untuk 𝑗 = 1,2, … , 𝑛

ℎ11 ⋯ ℎ1𝑛
Dengan |𝐻|𝑗 = 𝑑𝑒𝑡 [ ⋮ ⋱ ⋮ ], sehingga
ℎ𝑛1 ⋯ ℎ𝑛𝑛
 ℎ11 ℎ12 ℎ13
ℎ ℎ12
ℎ11 < 0, | 11 | > 0, |ℎ21 ℎ22 ℎ23 | < 0, … 𝑑𝑠𝑡
ℎ21 ℎ22
ℎ31 ℎ32 ℎ33

Tabel syarat untuk maksimum lokal :

Keadaan yang dipenuhi 𝑋 ∗ adalah maksimum lokal

∇𝑓(𝑋 ∗ ) = 0 Pasti
𝐻(𝑋 ∗ ) < 0 Definit negatif
∇𝑓(𝑋 ∗ ) = 0 Mungkin
𝐻(𝑋 ∗ ) ≤ 0 Semi Definit negatif
∇𝑓(𝑋 ∗ ) = 0 Mustahil
𝐻(𝑋 ∗ ) tak tentu

Teorema 3 :

Titik 𝑋 ∗ disebut titik minimum lokal dari 𝑓(𝑋) jika dan hanya jika :

(𝑖) ∇𝑓(𝑋 ∗ ) = 0

(𝑖𝑖) 𝐻(𝑋 ∗ ) < 0 Definit negatif dengan H=matriks Hessian yang di definisikan sebagai :

|𝐻|𝑗 > 0 untuk 𝑗 = 1,2, … , 𝑛 sehingga :

ℎ11 ℎ12 ℎ13

ℎ ℎ12
ℎ11 > 0, | 11 | > 0, |ℎ21 ℎ22 ℎ23 | > 0, … 𝑑𝑠𝑡
ℎ21 ℎ22
ℎ31 ℎ32 ℎ33

Tabel syarat untuk minimum lokal :

Keadaan yang dipenuhi 𝑋 ∗ adalah minimum lokal

∇𝑓(𝑋 ∗ ) = 0 Pasti
𝐻(𝑋 ∗ ) > 0 Definit positif
∇𝑓(𝑋 ∗ ) = 0 Mungkin
𝐻(𝑋 ∗ ) ≥ 0 Semi Definit positif
∇𝑓(𝑋 ∗ ) = 0 Mustahil
𝐻(𝑋 ∗ ) tak tentu
Contoh soal :

Tentukan Optimasi dari 𝑓(𝑥1 , 𝑥2 ) = 𝑥13 + 𝑥23 + 2𝑥12 + 4𝑥22 + 6 !

Penyelesaian :

Titik-titik ekstrem harus memenuhi syarat :

𝜕𝑓 𝜕𝑓
= 3𝑥12 + 4𝑥1 = 𝑥1 (3𝑥1 + 4) = 0 𝑑𝑎𝑛 = 3𝑥22 + 8𝑥2 = 𝑥2 (3𝑥2 + 8) = 0
𝜕𝑥1 𝜕𝑥2

Persamaan di atas dipenuhi oleh titik-titik :

8 4 4 8
(0,0), (0, − ) , (− , 0) , 𝑑𝑎𝑛 (− , − )
3 3 3 3

Untuk mengetahui titik yang mana yang maksimum atau minimum maka harus diselidiki matriks
Hessiannya. Derivasi kedua dari f adalah :

𝜕 2𝑓
= 6𝑥1 + 4
𝜕 2 𝑥1 2

𝜕 2𝑓
= 6𝑥2 + 8
𝜕 2 𝑥2 2

𝜕 2𝑓
=0
𝜕𝑥1 𝜕𝑥2

Jadi matriks hessiannya menjadi :

6𝑥1 + 4 0 6𝑥1 + 4 0
𝐻=[ ] sehingga : 𝐻1 = [6𝑥1 + 4], 𝑑𝑎𝑛 𝐻2 = [ ]
0 6𝑥2 + 8 0 6𝑥2 + 8

Nilai matriks hessian untuk masing-masing titik ekstrem disajikan di bawah ini :

(𝑥1 , 𝑥2 ) Matriks H 𝐻1 𝐻2 Sifat H 𝑆𝑖𝑓𝑎𝑡 (𝑥1 , 𝑥2 ) 𝑓(𝑥1 , 𝑥2 )

(0,0) 4 0 +4 +32 Definit Minimum 6
[ ]
0 8
positif
8 4 0 +4 −32 Tak tentu Titik belok 418
(0, − ) [ ]
3 0 −8 27
 4 −4 0 −4 −32 Tak tentu Titik belok 194
(− , 0), [ ]
3 0 8 27
4 8 −4 0 −4 +32 Definit Maksimum 50
(− , − ) [ ]
3 3 0 −8 3
negatif

Grafik 𝑓(𝑥) dalam ruang tiga dimensi disajikan dalam gambar berikut :

Gambar plot dari 𝑓(𝑥1 , 𝑥2 ) = 𝑥13 + 𝑥23 + 2𝑥12 + 4𝑥22 + 6