Optimasi Fungsi Tanpa Kendala

Pendahuluan
Setelah mempelajari bab ini, anda dapat:
• Menentukan nilai optimum fungsi variabel tunggal tanpa
kendala menggunakan kalkulus
• Menentukan nilai optimum fungsi multi variabel tanpa kendala
menggunakan kalkulus
 Pendahuluan
A. Pendahuluan
Metode optimasi kalkulus (klasik) digunakan dalam pencarian
solusi optimum fungsi yang dapat dideferensialkan dan kontinu.
Metode ini merupakan metode analitik dan menggunakan kalkulus
differensial dalam usaha mendapatkan titik-titik optimum. Karena
beberapa masalah praktikal melibatkan fungsi obyektif yang tidak
kontinu dan/atau tidak dapat dideferensialkan, maka teknik optimasi
klasik mempunyai keterbatasan ruang lingkup dalam penerapan
praktis.
 Optimasi Fungsi Satu Variabel
B. Optimasi Fungsi Satu Variabel
Suatu fungsi satu variabel f(x) dikatakan mempunyai minimum
lokal atau minimum relatif di x = x* jika f(x*)≤ f(x*+h) untuk
semua nilai h positif maupun negatif yang cukup kecil. Dengancara
serupa, sebuah titik x=x* dikatakan maksimum lokal atau
maksimum relatif jika f(x*)≥ f(x*+h) untuk semua nilai h positif
maupun negatif yang cukup kecil. Suatu fungsi f(x) dikatakan
mempunyai sebuah minimum global atau minimum absolut di x =x*
jika f(x*) ≤f(x) untuk semua x tidak hanya untuk semua x yang
dekat dengan x* dalam domain sepanjang f(x) terdefenisi.
Serupa,sebuah titik x=x* dikatakan maksimum global ataupun
maksimum absolut jika f(x*) ≥ f(x) untuk semua x dalam
domainnya.
 Optimasi Fungsi Satu Variabel
Masalah optimasi fungsi satu variabel adalah masalah optimasi
dimana nilai x = x* ditemukan dalam interval [a,b] sehingga x*
meminimisasi f(x). Berikut dua buah teorema yang menyediakan
syarat perlu dan syarat cukup untuk minimum relatif suatu fungsi
satu variabel.

Teorema 3.2 (syarat perlu)

Jika sebuah fungsi f(x) terdefenisi dalam interval [a,b] dan
mempunyai sebuah minimum relatif x=x*, dimana a<x*<b dan jika
turunan ada pada x=x*, maka f’(x*) = 0.
Optimasi Fungsi Satu Variabel

Gambar 3.1 Minimum Relatif dan Minimum Global

 Optimasi Fungsi Satu Variabel
Catatan 3.1
1. Teorema ini dapat dibuktikan jika x* adalah sebuah maksimum
relatif.
2. Teorema ini tidak mengatakan apa yang terjadi jika minimum atau
maksimum terjadi pada titik x* dimana turunannya tidak ada.
Sebagai contoh, dalam gambar 3.2

bergantung apakah h mendekati nol dari positif atau negatif. Dalam

hal ini turunan f’(x*) tidak ada (tidak terdefenisi). Dengan demikian
, jika f’(x*) tidak ada, teorema ini tidak dapat diterapkan.
Optimasi Fungsi Satu Variabel

Gambar 3.2 Turunan tak terdefenisi pada x*

 Optimasi Fungsi Satu Variabel
3. Teorema ini tidak mengatakan apa yang terjadi jika minimum atau
maksimum terletak pada titik-titik ujung interval domain fungsi.
4. Teorema ini tidak mengatakan bahwa fungsi perlu mempunyai titik
minimum atau maksimum pada setiap titik dimana turunannya nol.
Sebagai contoh, turunan f’(x) = 0 pada x=0 untuk fungsi yang
ditunjukkan pada gambar 3.3, tetapi titik tersebut bukan maksimum
maupun minimum. Secara umum, sebuah titik x* dimana f(x*) = 0
dinamakan titik stasioner.
Optimasi Fungsi Satu Variabel

Gambar 3.3 Titik Stasioner (belok)

 Optimasi Fungsi Satu Variabel
Jika fungsi f(x) mempunyai turunan kontinu pada setiap ordo dalam
lingkungan x=x*, teorema berikut menyediakan syarat cukup untu
nilai minimum atau maksimum suatu fungsi.

Teorema 3.2 (Syarat Cukup)

Misalkan f’(x*) = f’’(x*) = … = f (n-1)(x*)=0, dan f(n)(x*) ≠ 0 .
Maka f(x*) adalah (i) nilai minimum dari f(x) jika f(n)(x*)>0 dan n
bilangan genap; (ii) nilai maksimum dari f(x) jika f(n) (x*) <0 dan n
bilangan genap;(iii) bukan minimum maupun bukan maksimum jika
n bilangan ganjil.
Berdasarkan Teorema 3.1 dan 3.2 tersebut maka prosedur untuk
mendapatkan titik minimum ataupun maksimum fungsi f(x) adalah
sebagai berikut. Misalkan diberikan fungsi satu variabel f(x).
 Optimasi Fungsi Satu Variabel
1. Cari titik x=x* dengan menyelesaikan persamaan f’(x) = 0
2. Misalkan f’’(x*) = f’’’(x*) = …=f(n-1)(x*) = 0, tetapi f(n)(x*) ≠
0. Maka f(x*) adalah
a. Nilai minimum dari f(x) jika f(n)(x*)>0 dan n genap.
b. Nilai maksimum dari f(x) jika f(n)(x*)<0 dan n genap.
c. Bukan niai maksimum maupun minimum dari f(x) jika n
ganjil. Selanjutnya x* dinamakan titik saddle (titik belok)

Contoh 3.1
Tentukan nilai-nilai maksimum dan minimum dari fungsi:
f(x) = 12x5-45x4+40x3+5.
 Optimasi Fungsi Satu Variabel
Jawaban
Karena f’(x) = 60x4-180x3+120x2=60x2(x-1)(x-2), maka f’(x) = 0
pada x = 0, x = 1 dan x = 2. Turunan keduanya adalah
f’’(x)=60(4x3-9x2+4x).
Pada x = 1, f’’(x) = -60 < 0, jadi x = 1 adalah sebuah maksimum
relatif. Dengan demikian fmaks = f(1) = 12.
Pada x = 2, f”(x) = 240 > 0, jadi x = 2 adalah sebuah minimum
relatif. Dengan demikian fmin = f(2) = -11.
Pada x = 0, f’’(x) = 0, dengan demikian kita harus menginvestigasi
turunan ordo berikutnya. F’’’(x) = 60(12x2-18x+4) = 240 pada x =
0.
Karena f’’’(x) ≠ 0 pada x = 0, maka x = 0 bukan minimum maupun
maksimum, dan x = 0 adalah titik belok.
 Optimasi Fungsi Satu Variabel
Latihan 3.1
1. Tentukan nilai minimum dari fungsi:

dimana semua k>1, cp, T, p1, p3 semuanya positif.

2. Carilah maksima dan minima (jika ada) dari fungsi

3. Carilah maksima dan minima (jika ada) dari fungsi

f(x) = 4x3-18x2+27x-7
 Optimasi Fungsi Satu Variabel
4. Tentukan nilai optimum dari fungsi:
f(x) = 10x6-48x5+15x4+200x3-120x2-480x+100
5. Diberikan dengan ϕ konstanta. Buktikan bahwa

6. Diberikan dimana A, C, D, dan h semuanya

konstanta positif. Cari nilai minimum K.
 Optimasi Fungsi Multivariabel Tanpa
Kendala
C. Optimasi Fungsi Multivariabel Tanpa Kendala
Pada sub bab ini diuraikan masalah optimasi fungsi multi variabel
tanpa kendala f(X), dimana X = (x1,x2,…xn)T adalah vektor berdimensi-n.
Secara matematika, sebuah titik X0 = (x10,x20,…,xn0)T dikatakan titik
maksimum dari f(X) jika f(X0+h) ≤ f(x0) untuk semua h = (h1,h2,…hn)T
dan |hj| cukup kecil untuk semua j. Dengan kata lain, X0 adalah sebuah
titik maksimum dari f jika nilai f pada setiap titik dalam lingkungan X0
tidak melebihi f(X0). Dengan cara yang sama, X0 dikatakan titik minimum
dari f(X) jika f(X0+h) ≥ f(X0) untuk semua h = (h1,h2,…,hn)T dan |hj|
cukup kecil untuk semua j. Titik X0 dinamakan titik maksimum
(minimum) relatif dari f.
Selanjutnya dibahas syarat perlu dan syarat cukup untuk minimum
atau maksimum dari suatu fungsi beberapa variabel tanpa kendala. Fungsi
f diasumsikan mempunyai turunan parsial ordo pertama dan kedua serta
kontinu pada setiap titik X
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Teorema 3.3 (Syarat Perlu)
Jika f(X0 dengan X = (x1,x2,…,xn)T mempunyai sebuah titik
ekstrim (minimum atau maksimum) pada X = X* dan jika turunan
parsial dari f(X) di X* ada, maka ∇ f(X*) = 0; dengan kata lain

(3.1)
Bukti. Menurut Teorema Taylor, untuk 0 < θ < 1,
f(X*+h)-f(X*) = ∇ f(X*)h+1/2 hTHh|X*+θh
Dimana h = (h1,h2,…hn)T dan H adalah matriks Hess (Matriks
turunan parsial ordo dua dari f). Untuk |hj| yang cukup kecil, suku
1/2hTHh adalah ordo hj2 sehingga
f(X*+h)-f(X*) = ∇ f(X*)h+o(h2) ≈ ∇ f(X*)h
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Akan ditunjukkan dengan kontradiksi bahwa ∇f(X*) = 0 pada sutu
titik minimum X*. Andaikan ∇f(X*) ≠ 0 pada suatu titik minimum
X*, maka untuk suatu j berlaku

atau

Dengan memilih tanda yang sesuai dengan hj, selalu dimungkinkan

untuk mendapatkan ketaksamaan hj
Selanjutnya ekspansi Taylor menghasilkan ketaksamaan
f(X*+h)-f(X*) < 0, yaitu f(X*+h) < f(X*).
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Hal ini bertentangan dengan asumsi bahwa X* adalah suatu titik
minimum. Konsekuensinya haruslah berlaku hubungan ∇f(X*) = 0 .
Bukti serupa dapat dilakukan untuk kasus maksimum.
Selanjutnya titik-titik yang diperoleh dari penyelesaian ∇f(X) =
0 dinamakan titik stasioner dari fungsi f. Teorema berikut ini
menentukan syarat cukup untuk titik X* menjadi titik ekstrim
(maksimum atau minimum).

Teorema 3.4 (Syarat Cukup)

Syarat cukup untuk sebuah titik stasioner X* menjadi titik ekstrim
adalah bahwa matriks turunan ordo dua (Matriks Hess) dari f(X)
pada X* adalah(i) definit positif) jika X* adalah titik minimum
relatif, dan (ii) definit negatif jika X* adalah titik maksimum relatif.
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Bukti. Menurut Teorema Taylor,untuk 0 < θ < 1,
f(X*+h)-f(X*) = ∇ f(X*)h+1/2 hTHh|X*+θh
Karena X* adalah titik stasioner, maka ∇f(X*) = 0 (Teorema 3.3),
sehingga f(X*+h)-f(X*) = 1/2 hTHh|X*+θh
Jika X* adalah titik minimum, maka f(X*+h) > f(X*),
sehingga haruslah berlaku hubungan 1/2 hTHh|X*+θh > 0.
Diketahui bahwa turunan parsial ordo dua dari f adalah kontinu,
maka 1/2 hTHh haruslah mempunyai tanda yang sama pada kedua
titik X* dan X* + θh. Karena hTHh|X* mendefenisikan sebuah
bentuk kuadrat, maka hTHh|X* (dan juga hTHh|X*+θh adalah positif
jika dan hanya jika H|X* defenitif positif. Ini berarti bahwa syarat
cukup untuk titik stasioner X* menjadi titik minimum adalah bahwa
matriks Hess H, pada titik X* defenit positif.
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Bukti yang serupa untuk kasus maksimum menunjukkan bahwa
matriks Hess yang bersangkutan haruslah defenitif negatif.

Catatan 3.2
1. Matriks turunan ordo dua (Matriks Hess) dari f(X) pada X*
didefenisikan oleh
(3.2)

2. Matriks A adalah defenitif positif jika semua nilai eigennya bernilai

positif; yaitu semua nilai λ yang memenuhi persamaan determinan.
|A- λ I| = 0 (3.3)
 Optimasi Fungsi Multivariabel Tanpa
Kendala
bernilai positif. Serupa, matriks A dikatakan defenit negatif jika
semua nilai eigennya negatif.
3. Cara lain untuk menentukan apakah matriks A defenit positif atau
negatif adalah dengan mengevaluasi n determinan berikut

(3.4)

Matriks A adalah defenit positif jika dan hanya jika semua nilai A1,
A2, A3,…, An positif. Matriks A adalah defenit negatif jika dan
hanya jika tanda Aj, adalah (-1)j untuk j = 1,2,…,n. Jika beberapa Aj
positif dan lainnya bernilai nol, matriks A dikatakan semidefinit.
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Berdasarkan pada teorema 3.3 dan 3.4 dapt diturunkan prosedur
untuk mendapatkan titik ekstrim (minimum atau maksimum) untuk
fungsi multivariabel tanpa kendala. Misalkan f(X) adalah fungsi
dari n variabel dimana X = (x1,x2,…,xn)T. Untuk mencari nilai
optimum (Maksimum ataupun minimum) dari f(X) digunakan
langkah-langkah sebagai berikut.
1. Cari titik stasioner X=X* dengan menyelesaikan persamaan

2. (a) X* adalah titik minimum relatif dari f(X) jika matriks Hess dari
f(X) defenit positif.
(b) X* adalah titik maksimum relatif dari f(X) jika matriks Hess
dari f(X) defenit negatif.
 Optimasi Fungsi Multivariabel Tanpa
Kendala
(c) X* adalah tidak dapat ditentukan jenisnya jika matriks Hess dari
f(X) semi definit.
3. Dalam kasus fungsi dua variabel, f(x,y), matriks Hess
dimungkinkan bukan defenit positif maupun negatif pada titik
(x*,y*) yang mana
Titik (x*,y*) tersebut dinamakan titik saddle. Karakteristik titik
saddle terkait dengan sebuah minimu atau maksimum relatif dari
fungsi f(x,y) terhadap satu variabel, misalkan x (variabel lainnya
tetap pada y = y*) dan sebuah maksimum atau minimum relatif dari
fungsi f(x,y) terhadap variabel kedua y (variabel lainnya tetap
berada pada x=x*). Sebagai contoh,diberikan fungsi f(x,y) = x2-y2.
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Untuk fungsi yang memberikan titik stasioner
x*=0 dan y* = 0. Matriks Hess fungsi f di titik (x*,y*)

adalah

Karena matriks ini buka defenit positif maupun defenit negatif, titik
(x*,y*) = (0,0) adalah sebuah titik saddle. Dapat ditunjukkan bahwa
f(x*,y*) = f(x,0) mempunyai minimum relatif dan f(x*,y) = f(0,y)
mempunyai maksimum relatif pada titik saddle (x*,y*). Titik saddle
bisa terjadi pada fungsi dengan variabel lebih dari dua.
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Contoh 3.3

Carilah titik-titik ekstrim dan tentukan jenisnya dari fungsi

f(x1,x2,x3) = x1 +2x3 +x2x3 – x12 – x22 –x32

Jawaban

Syarat perlu untuk keberadaan titik ekstrim adalah ∇f(X) = 0,

memberikan
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Penyelesaian sistem persamaan simulatan ini adalah

X* = (1/2, 2/3, 4/3)T.

Matriks Hess dari f di titik stasioner X* = (1/2, 2/3, 4/3)T adalah

Darim matriks Hess tersebut, didapatkan H1 = |-2| = -2,

dan H3 = |H| = -6; sehingga H adalah

 Optimasi Fungsi Multivariabel Tanpa
Kendala
definit negatif dan X* = (1/2, 2/3, 4/3)T merupakan titik
masksimum. Nilai maksimum fungsi f adalah fmaks = f(x*) = f(1/2,
2/3, 4/3) = 1,5833.

Secara umum, persamaan syarat perlu ∇f = 0 boleh jadi sukar

untuk diselesaikan secara numerik. Metode Newton-Raphson adalah
sebuah prosedur iteratif untuk menyelesaikan sistem persamaan non
linier secara simultan (bersamaan).

Pertimbangkan persamaan simultan fi(X) = 0, I =1,2,…,m

 Optimasi Fungsi Multivariabel Tanpa
Kendala
Misalkan diberi Xk, maka menurut ekspansi Taylor berlaku

fi(X) ≈ fi(Xk) +∇ fi(Xk)(X-Xk),i =1,2,…,m

Karena fi(X) = 0, i = 1,2,…,m maka fi(Xk) +∇ fi(Xk)(X-Xk) = 0, i =

1,2,…,m

Persamaan-persamaan ini dapat ditulis dalam notasi matriks sebagai

Ak+Bk(X-Xk) = 0

Jika Bk nonsingular (mempunyai invers), maka didapatkan

X = Xk-Bk-1Ak
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Ide Metode ini adalah mulai dari titik awal X0. Dengan
menggunakan persamaan ke depan, titik X k+1 ditentukan dari Xk
dengan rumusan Xk+1 = Xk-Bk-1Ak

Prosedur ini berhenti pada Xm sebagai solusi jika Xm ≈Xm-1

Latihan 3.2

1. Tentukan jenis matriks berikut, apakah positif, negatif atau

indefenite. (a) (b)

(c)
 Optimasi Fungsi Multivariabel Tanpa
Kendala
2. Tentukan titik-titik ekstrim fungsi berikut

(a) f(x1,x2) = x13+x23-3x1x2

(b) f(x1,x2,x3) = 2x12+x22+x32+6(x1+x2+x2)+2x1x2x3

(c) f(x1,x2) = 2x1+4x2-x12-x22-3

(d) f(x1,x2) = x12+2x22+2x1x2

(e) f(x1,x2) = (x1-x2)(1-x1x2)

(f) f(x1,x2) = 3x1-3x2-2x13-x1x22+2x12x2+x23

(g) f(x1,x2) = x1x2(2x1+4x2+1)

 Optimasi Fungsi Multivariabel Tanpa
Kendala
3. Buktikan bahwa fungsi

f(x1,x2,x3) = 2x1x2x3 – 4x1x3 – 2x2x3 +x12+x22+x33-2x1-4x2+4x3

Mempunyai titik-titik stasioner (0,3,1), (0,1,-1), (1,2,0), (2,1,1) dan

(2,3,-1) kemudian tentukan jenis-jenisnya.

4. Carilah nilai minimum U jika U = 1/2k2x12 + 1/2k3(x2-x1)2 +

1/2k1x22 – Px2 dimana k1, k2, k3, P semuanya konstanta positif

5. Profit dari suatu perusahaan diberikan oleh fungsi

f(x1,x2) = 20x1 + 26x2 + 4x1x2 – 4x12 – 3x22

 Optimasi Fungsi Multivariabel Tanpa
Kendala
Dimana x1 dan x2 berturut-turut adalah biaya tenaga kerja dan biaya

lainnya. Carilah profit maksimumnya

6. Carilah titik ekstrim dan tentukan jenisnya dari fungsi

f(x1,x2,x3) = -x12 - x22 + 2x1x2 – x32 + 6x1x3 + 4x1 -5x3 +2

7. Volume penjualan (f) sebuah produk dirumuskan sebagai fungsi dari

banyaknya iklan surat kabar (x) dan lamanya (dalam menit)
tayangan iklan di televisi (y) sebagai f = 12xy – x2 - y2

Biaya setiap iklan di surat kabar atau setiap menit tayanagan iklan
di televisi adalah $ 1000. Bagaimana perusahaan mengalokasikan
 Optimasi Fungsi Multivariabel Tanpa
Kendala
dana $ 48,000 di antara dua media periklanan tersebut untuk

memaksimumkan profit?
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Contoh 3.2

Carilah titik-titik ekstrim dan tentukan jenisnya dari fungsi

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

Jawaban

Syarat perlu untuk keberadaaan titik ekstrim adalah

= 3x1+4x1 = x1(3x1+4) = 0

= 3x22+8x2 = x2(3x2+8) = 0
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Persamaan-persamaan ini dipenuhi pada titik-titik

(0,0),(0,-8/3), (-4/3,0) dan (-4/3.-8/3)

Untuk menentukan jenis titik ekstrim ini, kita harus menggunakan

syarat cukup. Turunan ordo dua dari f adalah

, dan ;

sehingga matriks Hess dari f adalah

karena H1 = |6x1+4| dan H2 = maka nilai J1

dan J2 dan jenis titik ekstrim diberikan oleh tabel berikut
 Optimasi Fungsi Multivariabel Tanpa
Kendala
Titik X* Nilai H1 Nilai H2 Jenis H Jenis X* f(X*)
(0,0) +4 +32 Def. Positif Min. relatif 6
(0,-8/3) +4 -32 Indefenite Titik saddle 418/27
(-4/3,0) -4 -32 Indefenite Titik saddle 194/27
(-4/3,-8/3) -4 +32 Def. Negatif Maks. relatif 50/3