PUSTAKA

„ James B. Riggs, 1988, “An Introduction to

Optimasi Numerik
Materi Kuliah:
Pengantar; Optimasi Satu Variabel;
Optimasi Banyak Variabel
by: siti diyar kholisoh
dy/Analisis Numerik
JURUSAN TEKNIK KIMIA – FTI - UPN “VETERAN” YOGYAKARTA
Numerical Methods for Chemical
Engineers”, Texas: Texas Tech University
Press, Chapter 6
„ Steven C. Chapra & Raymond P. Canale, 2003,
“Numerical Methods for Engineers: With
Software and Programming Applications”, 4th
edition, New York: McGraw-Hill Company Inc,
Part Four
„ etc.

INTRODUCTORY EXAMPLE
OBJECTIVES Persoalan pemilihan diameter pipa untuk mengangkut
fluida dari satu proses ke proses yang lain.
„ Understand why and where optimization occurs
in engineering problem solving. Diameter pipa optimum, berdasarkan:
Biaya investasi, dan biaya operasi
„ Understand the major elements of the general
optimization problem: (1) objective function, (2) $ / year Diameter
decision variables, and (3) constraints. Cost components Pipe diameter (in) pipa mana
1 1,25 1,5 2 2,5 yang akan
„ Be able to distinguish between linear and Operating costs 4697 660 312 164 56 Anda pilih?
nonlinear optimization, and between Pipe capital costs 168 308 389 474 660
constrained and unconstrained problems. Pump capital costs 401 192 150 150 150
Total 5266 1160 852 788 866

1
 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
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.
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).
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.
2
 Contoh Constraints yang Menyertai PENGANTAR-2
Persoalan Optimasi Ilustrasi maksimasi (secara grafik):
„ Maximum process temperature
Beberapa istilah:
„ Maximum flow rate limitation
„ Maximum conversion limitation Maksimum lokal
„ Product purity Maksimum global
„ Strength of materials
„ Environmental factor A unimodal function
„ Safety consideration
„ Availability of utilities
„ Corrosion considerations One hump or
„ Availability and characteristics of feed stocks one valley
„ Market demand for the product
„ Space limitation Catatan: Analog,
„ An upper limit on the capital investment
untuk kasus minimasi

PENGANTAR-4
PENGANTAR-3
Perbedaan antara persoalan optimasi dengan
Maksimum dan minimum lokal dan global: pencarian/ penentuan akar persamaan:

3
 PENGANTAR-5
Ilustrasi grafik optimasi dua variabel:
optimum
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.
OPTIMASI SATU 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
Tinjaulah fungsi f(x) yang
akan ditentukan maksimum-
nya, pada rentang x = xl dan
x = xu (perhatikan gambar di
samping).
Mirip dengan bisection, ide
dasar metode ini adalah me-
manfaatkan nilai yang lama
sebagai nilai yang baru.
l1 l2
Secara matematik: =
l0 l1
4
 METODE GOLDEN SECTION ALGORITMA
(kasus maksimasi):
l1 l
Karena: l0 = l1 + l2 maka: = 2 1. Mulai dari 2 nilai tebakan
l1 + l2 l1 awal xl dan xu, yang mengapit
l2 titik maksimum.
Ambil kebalikannya dan kemudian definisikan: R=
l1 2. Tentukan nilai x1 dan x2 di
l1 + l2 l1 l l 1 dalam rentang xl dan xu, sesuai
= atau: 1+ 2 = 1 atau: 1 + R = dengan golden ratio (R)
l1 l2 l1 l2 R
5 −1
sehingga: R2 + R −1 = 0 d= ( xu − xl )
2
Nilai akar positifnya:
5 −1
(R biasa disebut sebagai x1 = xl + d
R= = 0,61803... golden ratio atau
2 golden number) x2 = xu − d

ALGORITMA (kasus maksimasi): METODE GOLDEN SECTION

3. Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2), Algoritma untuk kasus minimasiÆ kebalikan dari
diharapkan ada sebagian interval yang dapat dieliminasi, algoritma untuk kasus maksimasi tersebut di atas
sehingga salah satu titik lama bisa dipakai lagi pada evalua-
si langkah berikutnya. Jadi hanya diperlukan 1 titik baru. Efektivitas evaluasi dengan metode golden section:
Ada 2 kasus: Misal diinginkan pengecilan interval sampai
menjadi 0,001 dari semula, maka jumlah step
(a) Jika: f(x1) > f(x2) (b) Jika: f(x2) > f(x1) yang diperlukan (N) adalah:
Maka: domain x antara xl dan Maka: domain x antara x1 (0,618) N = 0,001
x2 dieliminasi dan xu dieliminasi
x2 lama = xl baru x1 lama = xu baru N = 14,3 ≈ 15
x1 lama = x2 baru x2 lama = x1 baru Jumlah evaluasi = 2 + (N – 1) x 1 = 16
xu lama = xu baru xl lama = xl baru
x1 baru Æ ditentukan x2 baru Æ ditentukan Silakan pelajari contoh soal #1…!

5
 METODE NEWTON METODE INTERPOLASI KUADRAT
Metode ini menggunakan pendekatan yang sama dengan Metode ini dapat digu-
metode Newton dalam penentuan akar persamaan tak- nakan untuk melakukan
linier, melalui pendefinisian fungsi: g(x) = f’(x) optimasi secara nume-
Karena pada kondisi optimum: rik. Hal ini disebabkan
f ' ( x*) = g ( x*) = 0 oleh penggunaan polino-
mial orde-dua yang
(x* menyatakan nilai x optimum) menghasilkan pende-
maka, nilai x* dapat diperoleh secara iteratif sebagai katan cukup baik terha-
berikut: dap bentuk f(x) di dekat
f ' ( xi ) titik optimumnya.
xi +1 = xi −
f ' ' ( xi ) (Perhatikan gambar di
samping…)
Silakan pelajari contoh soal #2…!

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 men-
jadi sama dengan nol, dan perkiraan x optimum dapat diten-
tukan (dalam hal ini sebagai x3) sbb.:
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 dipero-
leh penyelesaian yang konvergen.
Silakan pelajari contoh soal #3…!
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).
2
2 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)

6
 X1 x2 y Komentar HOOKE-
METODE HOOKE-JEEVES 1 16 36,5 Basis JEEVES-2
Eksplorasi dengan Δx1 = 1, Δx2 =2

Prinsip metode Hooke-Jeeves:

2 16 31,5 Sukses Hasil
2 18 47,5 Gagal perhitungan:
(1) Eksplorasi nilai ∆xi
(2) Mengulangi langkah sukses 2 14 19,5 Sukses
Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan 3 12 8,5 Sukses
dalam contoh berikut. Misal ingin dilakukan minimasi
4 10 3,5 Sukses
dari suatu fungsi:
5 8 4,5 Gagal
y = (x1 – 4)2 + 0,5.(x2 – 9)2 + 3
Eksplorasi dengan Δx1 = 1, Δx2 =2
Sebagai cek, dengan mudah dapat terlihat bahwa 5 10 4,5 Gagal
minimum terjadi pada x1 = 4, x2 = 9, dan harga ymin =
3 10 4,5 Gagal
3. Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1,
x2 = 16, serta interval awal Δx1 = 1 dan Δx2 = 2. 4 12 7,5 Gagal
4 8 3,5 Gagal

Eksplorasi dengan Δx1 = 0,2, Δx2 = 0,4 HOOKE- HOOKE-JEEVES-4

4,2 10 3,54 Gagal JEEVES-3
3,8 10 3,54 Gagal Eksplorasi dengan Δx1 = 0,04, Δx2 = 0,08
4 10,4 4,96 Gagal 4,04 9,2 3,021 Gagal
4 9,6 3,18 Sukses 3,96 9,2 3,021 Gagal
Mengulangi langkah sukses 4,00 9,28 3,039 Gagal
4 9,2 3,02 Sukses 4,00 9,12 3,007 Sukses
4 8,8 3,02 Gagal Mengulangi langkah sukses
Eksplorasi dengan Δx1 = 0,2, Δx2 = 0,4 4,00 9,04 3,0008 Sukses
4,2 9,2 3,06 Gagal 4,00 8,96 3,0008 Gagal
3,8 9,2 3,06 Gagal
4,0 9,6 3,18 Gagal Proses dihentikan setelah eksplorasi
4,0 8,8 3,02 Gagal gagal, serta Δx1 dan Δx2 cukup kecil.

7
 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.
Æ 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)
Silakan pelajari contoh soal #5…!
METODE STEEPEST ASCENT/DESCENT
„ Merupakan jenis metode gradien yang paling sederhana.
„ Terminologi:
steepest ascent Æ untuk pencarian maksimum fungsi
steepest descent Æ untuk pencarian minimum fungsi
„ Prinsip pencarian optimum:
Dilakukan serangkaian proses transformasi untuk
mengubah sebuah fungsi dengan banyak variabel (multi-
dimensional 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 OPTIMUM Secara Numerik:

y
Sebagai ilustrasi, f(x,y) Titik Misal, untuk sebuah fungsi 2 variabel: f(x,y)
optimum
tinjaulah fungsi 2 h2 yang akan dicari titik optimumnya, dengan nilai awal:
variabel f(x,y) yang h1 x = x0 dan y = y0
h0
akan ditentukan titik
maksimumnya. (lihat Pada langkah iterasi pertama, nilai x dan y yang baru
gambar di samping) dapat ditentukan dengan:
•2
Berdasarkan nilai 1• ∂f
awal x = x0 & y = y0, y0 •0 x = x0 + h
dapat ditentukan ∂x x0 , y 0
nilai gradien (atau x0 x
dan
arah steepest Berdasarkan h0, nilai maksimum fungsi
ascent)-nya, yakni dapat ditentukan, yakni pada titik “1”. ∂f
sebesar h0. Demikian seterusnya, proses ini y = y0 + h
dilakukan berulang-ulang hingga ∂y x0 , y 0
diperoleh titik optimum sesungguhnya.

8
 ∂f ∂f Contoh Aplikasi:
dan merupakan turunan parsial fungsi f(x,y) LOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
∂x ∂y terhadap x dan y Sejumlah N pabrik dengan posisi koordinat masing-masing (xi,yi)
Dalam hal ini, vektor gradien fungsinya dinyatakan sbg: menghasilkan limbah masing-masing sejumlah Qi. Akan dibangun
suatu unit pengolah limbah terpadu untuk seluruh pabrik tersebut.
∂f ∂f Ongkos pengangkutan limbah dari pabrik ke unit pengolah limbah
∇f = i+ j berbanding lurus dengan debit pangkat 0,6. Ingin ditentukan posisi
∂x ∂y (koordinat) unit pengolah limbah agar ongkos pengangkutan
limbah minimum.
Pada kasus ini, sebuah fungsi 2 variabel dalam x dan y,
f(x,y), ditransformasikan menjadi sebuah fungsi satu Analisis:
H arg a = k .( jarak )(
. debit )
0,6
variabel dalam h, g(h).
Misal: Lokasi pengolah limbah berada di titik P (xP, yP)
Nilai x dan y yang diperoleh pada langkah iterasi ini
selanjutnya menjadi x0 dan y0 pada langkah iterasi Jarak pabrik (xi,yi) ke lokasi pengolah limbah:
berikutnya. Demikian seterusnya. di = (x P − x i )2 + (y P − y i )2

Ongkos transport dari pabrik (xi, yi):

Silakan pelajari contoh soal #4…! Ci = k .Qi0 ,6 . (x P − x i )2 + (y P − yi )2

N OPTIMASI FUNGSI 2 VARIABEL SECARA ANALITIK

Ongkos transport total: CT = ∑ Ci (sebuah perbandingan)
i =1
N
=k ∑ Q i0 ,6 (x P − x i )2 + (y P − y i )2 „ Tinjaulah sebuah fungsi 2 variabel: f(x,y)
i =1 „ Kriteria optimumnya dapat dibagi menjadi 3 kategori:
= f (x P , y P )
f(x,y) mempunyai minimum lokal: ∂ 2f
Dicari nilai xP dan yP yang memberikan nilai CT minimum. jika det(H) > 0 dan >0
Misal:
y
2
∂x
i xi yi Qi
(3,7)
f(x,y) mempunyai maksimum lokal: ∂ 2f
1 1 4 20 jika det(H) > 0 dan <0
2 2 1 30
2
∂x
(1,4)
f(x,y) mempunyai titik belok (saddle point):
3 3 7 25
(8,3) jika det(H) < 0
4 8 3 80 ∂2 f ∂2 f
det(H) merupakan nilai
Dimisalkan pula: nilai k = 1
(2,1)
determinan matriks Hessian yang ∂x 2 ∂x∂y
det( H ) = 2
x
dinyatakan sebagai: ∂ f ∂2 f
∂y∂x ∂y 2