OPTIMASI

(Pemrograman Non Linear)

3 SKS – PILIHAN

Arrival Rince Putri, 2013 1

 Silabus

I. Pendahuluan
1. Perkuliahan: Silabus, Referensi, Penilaian
2. Pengantar Optimasi
3. Riview Differential Calculus

II. Dasar-Dasar Pemrograman Non Linier

III. Model-Model Pemrograman Non Linier

Arrival Rince Putri, 2013 2

 Silabus

IV. Pemrograman Non Linier Tanpa

Kendala

V. Pemrograman Non Linier Berkendala

VI. Optimasi Kuadrat Terkecil

Arrival Rince Putri, 2013 3

 Referensi

1. A.L. Peressini, F.E. Sullivan, and J.J. Uhl, Jr, The

Mathematics of Non Linear Programming, Springer-
Verlag (1998)

2. Griva, I., Nash, S. G., Sofer, A., Linear and Non Linear
Optimization, SIAM, Philadelphia, 2009

3. Winston, W.L., Operation Research : Applications and

Algorithms, Brooks/Cole, USA, 2004.

Arrival Rince Putri, 2013 4

 Evaluasi Dan Penilaian

Penilaian:

UAS : 50%
TUGAS KELOMPOK : 40%
KEHADIRAN : 20%

Arrival Rince Putri, 2013 5

 Pengantar Optimisasi

Optimisasi – Definisi Umum

 Optimisasi mencakup penentuan cara terbaik untuk
melakukan sesuatu.
 Optimisasi merupakan proses untuk menentukan
himpunan kondisi yang diperlukan untuk mencapai
hasil terbaik dengan situasi yang diberikan.

Arrival Rince Putri, 2013 6

Penerapan Metode Optimisasi
• Sains, Engineering, Matematika, Ekonomi,
Komersial.
• Contoh persoalan optimisasi :
- Perancangan reaktor kimia.
- Perancangan enjin pesawat dan struktur pesawat.
- Perancangan struktur bangunan, jembatan.
- Alokasi sumber, penjadwalan, komposisi
produksi, persediaan.
- Analisis numerik.

Arrival Rince Putri, 2013 7

Elemen Model Optimisasi
• Fungsi tujuan (objective function)
- Merupakan pernyataan tujuan secara matematik yang akan
dioptimisasi, dapat berupa :
* Kuantitas yang dihasilkan.
* Keuntungan dari suatu sistem operasi.
• Fungsi pembatas (constraint function)
- Variabel yang memiliki daerah kerja.
- Hubungan berbagai hal yang dibatasi.
• Variabel keputusan (decision variables)
- Merupakan besaran yang dapat berubah pada sistem
operasinya,
- Varibel dapat memiliki daerah kerja (batasan).

Arrival Rince Putri, 2013 8

Klasifikasi Model Optimisasi

Karakteristik Properti Klasifikasi

Banyak variable keputusan Satu Univariat
Lebih dari satu Multivariat
Tipe variable keputusan Kontinu Kontinu
Beberapa integer Integer atau diskret
Tipe fungsi Linier Linier
Beberapa nonlinier Nonlinier
Banyak fungsi objektif Satu Single
Lebih dari satu Multiple
Formulasi masalah Dengan kendala Berkendala
Tidak dengan kendala Tak berkendala
Kondisi data input Diketahui Deterministik
Tidak diketahui Stokastik

Arrival Rince Putri, 2013 9

Riview Differential Calculus

Arrival Rince Putri, 2013 10

Arrival Rince Putri, 2013
Arrival Rince Putri, 2013 11
Arrival Rince Putri, 2013 12
Arrival Rince Putri, 2013 13
 Dasar-Dasar Pemrograman NonLinier

Non-Linear Programming (NLP)

• Berkendala / Constrained NLP
• Tak berkendala / Unconstrained NLP

Dalam banyak kasus real baik ekonomi maupun

teknologi, fungsi tujuan / kendala adalah nonlinier,
yang dapat berbentuk variabel berpangkat, logaritma,
eksponensial dan bentuk lain yang bukan linier.

Arrival Rince Putri, 2012 14

Contoh

Misalkan h(x) adalah harga pada tingkat penjualan x.

K adalah profit/ keuntungan, dihitung dari pendapatan
dikali penjualan dikurangi dengan ongkos produksi dan
distribusi, ditulis K(x) = x . h(x) – c(x) ; K nonlinier.
Permasalahan: memaksimumkan profit dengan batasan
sumber-sumber yang diperlukan untuk menghasilkan
suatu produk, dimana terdapat elastisitas harga, jumlah
yang dapat dijual berbanding terbalik dengan harga
yang diberikan (lihat gambar).

Arrival Rince Putri, 2012 15

Jika industri tersebut menghasilkan n jenis produk dan apabila xj unit
produk dijual (j = 1,2, …, n), maka fungsi tujuan akan menjadi :
F ( x)   K j x j 
n

j 1

dimana Kj adalah keuntungan (profit) produk ke-j dalam tingkat xj.

Penjumlahan ini adalah suatu jumlah fungsi-fungsi nonlinier. Bentuk
nonlinier juga muncul pada kendala-kendala.

Arrival Rince Putri, 2012 16

Ilustrasi Grafik

Contoh 1 :
Jika KL unit produk dapat dihasilkan dengan K sumber
pertama (modal) dan L orang pekerja dengan harga
sumber pertama Rp 4/unit dan pekerja di bayar
Rp 1/orang. Modal yang tersedia Rp 8, maka formulasi
problem dengan memaksimumkan jumlah produk yang
di buat adalah : Maks :Z=K.L
Kendala : 4K + L ≤ 8
K, L ≥ 0

Arrival Rince Putri, 2012 17

 L

4 Optimal : K = 1, L = 4, Z = 4

Z=4
Z=2
Z=1

1 2 K

Arrival Rince Putri, 2012 18

Contoh 2 :
Min : Z = (x – 3)2 + (y – 4)2
Kendala : x ≤ 3
y ≤ 2
y

Z=1
Z=4
4

2
Optimal, x=3, y=2; Z=4

x
3

Arrival Rince Putri, 2012 19

Bentuk Umum NLP

Maks/Min : Z = f (x1, x2, …, xn)

Kendala : gj (x1, x2, …, xn) ≤ (atau ≥ atau = ) bj
; j = 1, 2, …, m
Dimana f, gj diantaranya adalah fungi nonlinier.
Jika NLP diatas dimana gj ≠ ø ; j = 1, 2, …, m , maka nilai NLP
tersebut dinamakan NLP berkendala (constrained), dan jika gj = ø
; j = 1, 2, …, m , maka disebut NLP tak berkendala (unconstrained).

Daerah layak (feasible region) dari NLP sama saja dengan LP biasa.
Suatu titik di dalam suatu daerah layak, dimana f  x   f x , x


pada daerah layak adalah optimal untuk kasus maksimasi (dan “ ≤ ” untuk
kasus minimasi).

Arrival Rince Putri, 2012 20

 Pemrograman Non Linier Berkendala

NLP n Variabel dengan Kendala = (Pengali Lagrange)

Problem : Max/Min : f (x1, x2, …, xn) .....(3)

Kendala : gi(x1, x2, …, xn) = bi ; i = 1,2,…,m

Jika terdapat 1 , 2 ,..., m sedemikian sehingga

L (x1, x2, …, xn, 1 , 2 ,..., m ) = f (x1, x2, …, xn) +  i bi  g x1 , x2 ,..., xn   0
n

i 1

L L L L L L
maka :   ...     ...  0
x1 x2 xn1 1 2 m

Arrival Rince Putri, 2012 21

Teorema :
1. Problem (3) max, f concav, semua kendala
linear, (x1, x2, …, xn) solusi optimal
2. Problem (3) min, f covex, semua kendala
linear, (x1, x2, …, xn) solusi optimal

Variabel i sebagai harga bayangan dari

konstrain ke-i. Bila sisi kanan dari konstrain ke-i
dinaikkan dengan sejumlah kecil  (pada masalah max
atau masalah min), maka nilai fungsi objektif
optimal untuk (3) akan naik dengan pendekatan i

Arrival Rince Putri, 2012 22

Contoh :

Sebuah perusahaan berencana untuk mengeluarkan

biaya $10.000 untuk iklan, yaitu $3.000 / menit untuk
iklan di televisi dan $1.000 / menit untuk iklan di
radio, pendapatannya dalam $1.000 diberikan oleh
f x, y   2 x  y  xy  8x  3 y
2 2

Bagaimana perusahaan dapat memaksimalkan

pendapatannya?

Arrival Rince Putri, 2012 23

Max : Z  2 x 2  y 2  xy  8x  3 y
Kendala : 3x + y = 10

Lx, y, z   2x 2  y 2  xy  8x  3 y   10  3x  y 

L L L
Kita set :    0
x y 
L
Menghasilkan :  4 x  y  8  3  0
x
L
 2 y  x  3    0
y
L
 10  3x  y  0

Subsitusi persamaan-persamaan di atas, sehingga didapatkan :
x = 69/28, y = 73/28

Arrival Rince Putri, 2012 24

Hessian untuk f(x,y) adalah :
 4 1 
H ( x, y )   
 1  2
Karena semua principal minor pertama (yaitu: -4 dan -2) adalah
negatif dan principal minor kedua (yaitu: 7) > 0, maka f(x,y)
adalah concav. Konstrain adalah linear, sehingga dari teorema
memperlihatkan bahwa pengali Lagrange menghasilkan solusi
optimal terhadap NLP.

Jadi perusahaan harus membeli 69/28 menit waktu televisi dan

73/28 menit waktu radio. λ = ¼ artinya bahwa perusahaan
Mengeluarkan ekstra  (ribuan) untuk  yang kecil, yang
akan menaikkan pendapatan perusahaan sebesar $ 0,25 
(dalam ribuan).
Arrival Rince Putri, 2012 25
Tugas :

Tentukan titik ekstrim dan jenisnya:

1. Min : f(x,y) = 2x2 + y2
Kendala : x + y = 10

2. Min : f x1 , x2 , x3   x1  4 x2  16 x3
3 2

Kendala : x1 + x2 + x3 = 5

Arrival Rince Putri, 2008 26

 Pemrograman NonLinier Tanpa Kendala

NLP Satu Variabel

Bentuk Umum : Max/Min : Z = f(x) (1)

Kendala : x є [a, b]
Jika b  +∞, daerah yang layak untuk NLP pada
persamaan (1) adalah x ≥ a.
Jika a  -∞, daerah yang layak untuk NLP pada
persamaan (1) adalah x ≤ b.

Arrival Rince Putri, 2012 27

a

Arrival Rince Putri, 2012 28

a. Max f(x)
Kendala x є (-∞, b]

b. Min f(x)
Kendala x є [a, +∞)

Arrival Rince Putri, 2012 29

Terdapat tiga tipe titik-titik dimana bentuk umum NLP pada
persamaan (1) dapat memiliki nilai maksimum / minimum lokal
(titik ini disebut kandidat ekstrim), yaitu :
Kasus 1 : titik dimana a < x < b, dan f’(x) = 0
(disebut titik stationer dari f(x))
Kasus 2 : titik dimana f’(x) tidak ada
Kasus 3 : ujung selang dari interval [a, b]

Titik-titik ekstrim (max/min) sebagaimana dalam kalkulus :

1. f’(x) = 0
2. Titik-titik ujung x = a dan x = b
3. f’(x) tidak ada

Arrival Rince Putri, 2012 30

Contoh :
1. Problem NLP : Max : f(x) = 5x – x2
Kendala : x є [0, 10]

Uji : 1. f’(x) = 5 – 2x = 0 , x = 2,5 є [0, 10]

f(x=2,5) = 6,25
2. f’(x) = 5 – 2x, f’(x) ada x є [0, 10]
Maka kasus f’(x) tidak ada, tidak ada
3. x = 0  f(0) = 0
x = 10  f(10) = -50
Jadi karena problem max, maka solusi x = 2,5 dengan
nilai max = 6,25

Arrival Rince Putri, 2012 31

2. Problem NLP : Max : f(x) = x2 + 2x
Kendala : -3 ≤ x ≤ 5

Uji : 1. f’(x) = 2x + 2= 0 , x = 1 є [-3, 5]

f(x= -1) = -1
2. f’(x) tidak ada, tidak ada
3. x = -3  f(-3) = 3
x = 5  f(5) = 35
Jadi karena problem max, maka solusi x = 5
dengan nilai max = 35

Arrival Rince Putri, 2012 32

3. Problem NLP : Max : Z = x - ex
Kendala : -1 ≤ x ≤ 3

Uji : 1. f’(x) = 1 – ex = 0 , ex = 1 x = 0 є [-3, 5]

f(x= 0) = -1 є [-1, 3]
2. f’(x) tidak ada, tidak ada
3. x = -1  f(-1) = -1 – 1/e ≈ -1,333
x = 3  f(3) = 1 – e3 ≈ - 17

Arrival Rince Putri, 2012 33

NLP n Variabel

Bentuk Umum : Max/Min : Z = f (x1, x2, …, xn)

Kendala : (x1, x2, …, xn)   b …(2)
Asumsi : turunan parsial pertama dan kedua
ada dan kontinu pada semua titik.

Arrival Rince Putri, 2012 34

Teorema :
 f x 
Jika x adalah ekstrim local untuk problem (2), maka x  0 i
i

Kondisi keekstriman titik x diuji dengan melibatkan

matrik Hessian untuk menentukan apakah x ekstrim max local
(cekung / concav) atau min local (cembung / convex).

Teorema :
1. Jika H ( x ) ≥ 0  cembung
 x min local
2. Jika H( x ), bertanda (-1)k  cekung
 x max local
3. Jika H( x ) tidak memenui (1) dan (2), maka ekstrim x
tidak max / min.

Arrival Rince Putri, 2012 35

 Dasar-Dasar Pemrograman NonLinier

Convex Set (Himpunan Convex/Daerah Cembung)

Definisi :
Suatu himpunan convex adalah suatu koleksi titik-titik
sedemikian sehingga untuk setiap pasangan titik-titik dalam
koleksi itu, keseluruhan segmen garis yang menghubungkan
setiap dua titik ini juga di dalam koleksi.
Cara menguji suatu kurva dikatakan convex set, yaitu :
• Ambil 2 titik (di dalam/di batas) kurva
• Semua titik pada garis yang menghubungkan 2 titik
tersebut semuanya berada di kurva.

Arrival Rince Putri, 2012 36

Contoh :

b
a

e d

A B C D

A : convex set
B : convex set
C : convex set
D : bukan convex set
NLP  daerah solusinya harus convex set ( supaya hasilnya optimal)

Arrival Rince Putri, 2012 37

Fungsi Convex (Cembung) dan
Fungsi Concave (Cekung)

Dalam kalkulus dikenal fungsi dimana nilai kritisnya diuji dengan turunan
kedua, jika xo adalah titik kritis pada Df dan f”(xo) ≤ 0, maka xo adalah titik
kritis maksimum pada Df dan bila f”(xo) ≥ 0, maka xo adalah titik kritis
minimum pada Df, dan apabila :

d2 f
f” (x) = 0 , x  D f maka f dikatakan fungsi cekung (concave)
dx 2

pada Df

d2 f
f” (x) = 2
 0 , x  D f maka f dikatakan fungsi cembung (convex)
dx

pada Df

Arrival Rince Putri, 2012 38

Akibatnya, fungsi linier (f”(x) = 0 x )
dikatakan cembung sekaligus cekung. Fungsi
cembung biasa dinamakan juga cekung ke atas
dan fungsi cekung sebagai cekung ke bawah.

Arrival Rince Putri, 2012 39

Andaikan sebarang fungsi satu variabel f(x) yang memiliki
turunan kedua pada setiap nilai x pada daerah definisinya, maka
f(x) pada Df adalah :

d2 f
1. Cembung (convex)  2
 0 x  D f
dx

d2 f
2. Cembung sejati  2  0 x  D f
dx

d2 f
3. Cekung (concave)   0 x  D f
dx 2

d2 f
4. Cekung sejati  2  0 x  D f
dx

Arrival Rince Putri, 2012 40

Contoh:

Fungsi cekung Fungsi cembung Fungsi cekung

sejati sejati

Arrival Rince Putri, 2012 41

 Fungsi cekung Fungsi bukan cekung
sekaligus cembung dan bukan cembung

Arrival Rince Putri, 2012 42

Uji kecembungan fungsi dua variabel

Cembung Cekun
Kuantitas Cembung Cekung
Sejati g Sejati

 2 f x1 , x 2   2 f x1 , x 2    2 f x1 , x 2 

2 ≥0 >0 ≥0 >0
.  
x1 x 2  x1 x 2 
2 2

 2 f x1 , x 2 
x1
2

 f x1 , x 2 
2
≥0 >0 ≤0 <0
x 2
2

≥0 >0 ≤0 <0

Nilai-nilai (x1,x2) Semua nilai f yang mungkin

Arrival Rince Putri, 2012

Untuk ilustrasi uji kecembungan fungsi dua variabel,
misalkan : f ( x1, x2 )  ( x1  x2 )2  x12  2 x1x2  x22
Dengan demikian :
(1)  f x1, x2  .  f x1, x2     f x1, x2   2(2)  (2)2  0
2
2 2 2

 
x1
2
x2
2
 x1x2 

(2)  2 f  x1 , x2 
 20
x1
2

(3)  2 f  x1 , x2 
20
x2
2

maka ketiga kondisi memenuhi tanda ≥, jadi f(x 1,x2)

adalah cembung, dan bukan cembung sejati.

Arrival Rince Putri, 2012 44

Untuk memperumum ini, dan untuk fungsi yang
memiliki lebih dari dua variabel, sebagai contoh
dalam ungkapan matematika, f ( x1 , x2 ,..., xn )
adalah cembung jika dan hanya jika matriks
Hessian nxn adalah semi definit positif untuk
semua nilai (x1, x2, …,xn) yang mungkin, atau
bisa dinyatakan bahwa : jika terdapat 2 variabel
atau lebih gunakan Hessian Matriks dan ditulis :
 2 f 
H (x1, x2, …, xn)    i, j ; i, j  1,2,..., n
 x i x j  nxn

Arrival Rince Putri, 2012 45

Definisi :
Matriks Hessian dari f (x1, x2, …, xn) adalah
matriks nxn, dimana elemen ke-ij adalah
2 f
xi x j

Contoh :
f (x1, x2, x3) = 2x12 + x22 + 2x3
 4 0 0
H x1 , x 2 , x 3   0 2 0
0 0 0 3 x3

Arrival Rince Putri, 2012 46

Teorema 1 :
Determinan minor utama (Leading Principle
Minor) yang ke-k adalah determinan matrik n x n
dengan menghapus (n – k) baris dan kolom
terakhir.
 4 0 0
H  x , x , x   0 2 0
Contoh : 1 2 3  
0 0 0

Arrival Rince Putri, 2012 47

 4 0 0
0 2 0 , determinan minor utama ke-1 = 4
 
0 0 0

Ket : bilangan yang digaris bawahi yaitu 2 (n –

k = 3 – 1) baris dan kolom terakhir
dihapus sehingga yang tersisa adalah 4

Arrival Rince Putri, 2012 48

Teorema 2 :
Principal Minor (minor utama) ke-k dari matrik n x n
adalah determinan dari matrik k x k yang diperoleh
dengan menghapus n – k baris dan n – k kolom yang
sesuai dengan matrik.

 2  1 
Contoh : H ( x1 , x 2 )   
  1  4 
Principal minor ke-1 adalah : -4 dan -2 (n=2, k=1, n – k = 1)
Principal minor ke-2 adalah : 7 (n=2, k=2, n – k = 0)

Arrival Rince Putri, 2012 49

Teorema 3 :
Andaikan f (x1, x2, …, xn) mempunyai turunan
parsial kedua kontinu untuk setiap
x = (x1, x2,…, xn) di S , maka f (x1, x2, …, xn)
adalah suatu fungsi cembung / cekung pada S
jika dan hanya jika untuk setiap x є S semua
principal minor dari matrik H adalah non negatif
(convex) / matrik H yang ≠ 0 mempunyai tanda
(-1)k untuk principal minor ke-k (concave).

Arrival Rince Putri, 2012 50

Contoh :

2 0 
1. H ( x1 , x 2 )   
 0  2 

Principal minor ke-1 adalah : 2 dan -2

(tanda (-1)1 : negatif)
Principal minor ke-2 adalah : -4
(tanda (-1)2 : positif)
Jadi : karena tidak ada yang sesuai dengan teorema 3,
maka f tidak cembung dan tidak cekung.

Arrival Rince Putri, 2012 51

 6 x1 2
2. H ( x1 , x 2 )   
 2 2 

Principal minor ke-1 adalah : 2 dan 6x1

Principal minor ke-2 adalah : 12x1 – 4
Karena sudah ada 2 yang positif (2 dan 6x1), maka
yang dapat kita tentukan hanya selang untuk f
cembung / convex, yaitu : 6x1  0 dan 12 x1  4  0
 x1  0 dan x1  1/ 3  x1  1/ 3 sehingga ( x1, x2 x1  1/ 3)
f cembung / convex.

Arrival Rince Putri, 2012 52

Soal-soal

1. f x1 , x 2   x1  2 x1 x 2  x 2 , x1 , x2  di S  
2 2 2

 2 2
H ( x1 , x 2 )   
 2 2

Karena semua principal minor (ke-1 adalah 2 dan

2, yang ke-2 adalah 0) merupakan non negatif,
maka f adalah fungsi cembung pada R2.

Arrival Rince Putri, 2012 53

2. f x1 , x 2    x1  x1 x 2  2 x 2 , x1 , x2  di  2
2 2

 2  1 
H ( x1 , x 2 )   
  1  4 

Karena principal minor pertama, (-2 dan -4)

keduanya negatif, dan principal minor kedua
adalah -2(-4) – (-1)(-1) = 7 > 0, jadi f adalah
suatu fungsi cekung pada R2.

Arrival Rince Putri, 2012 54