2 Dasar - Dasar Matematika Optimasi: 2.1. Gradien
2 Dasar - Dasar Matematika Optimasi: 2.1. Gradien
Pada bagian ini akan dibahas dasar – dasar matematika untuk persoalan optimasi.
Materi yang dibahas meliputi gradien, matrik hessian, matrik definit positip, matrik definit
negatif, syarat perlu keoptimalan, syarat cukup keoptimalan, fungsi konveks dan fungsi
konkaf. Dasar – dasar matematika ini sangat diperlukan untuk menyelesaikan
permasalahan optimasi dengan pendekatan analitis.
2.1. Gradien
Didefinisikan f (x) adalah fungsi bernilai skalar yang didefinisikan pada ruang vektor x
x1
x
2
x = x3
.
x n
df
Differensial f (x) skalar dim(1x1) terhadap vektor x dim(nx1) akan menghasilkan
dx
vektor dim(nx1).
Jika f (x) :adalah gradien dari fungsi f (x) , maka
f
x
1
f
x df
f ( x ) = 2 =
. dx
.
f
x
n
df
Untuk mencari titik-titik optimal dari suatu fungsi f (x) , maka = f ( x ) = 0 .
dx
Contoh 2.1
f ( x) = 3x1 + 2 x2 + 4 x1 x2 − 6 x1 − 8 x2 + 6
2 2
maka,
f
x 6 x + 4 x2 − 6
f ( x) = 1 = 1
f 4 x1 + 4 x 2 − 8
x2
Latihan 2.1
Suatu fungsi f ( x) = x1 + 2 x2 + x3 + 4 x1 x2 − 2 x2 x3 + 6 x1 − 8x2 − 3x3 + 6
2 2 2
Tentukan f (x)
Contoh 2.2
Diketahui :
x12 + x 22 − 2 x1 x 2
x
f ( x) = 2 x1 + 3 x 22 + 6 x 2 , x = 1 ,
4 x1 − 6 x 2 + 4 x2
maka
df 2 x − 2 x 2 2 4
= 1
d x 2 x2 − 2 x1 6 x2 + 6 − 6
Didefinisikan H (x ) adalah matriks hessian dari f (x) , dimana f (x) adalah fungsi skalar
yang didefinisikan dalam ruang vektor x . Maka H (x ) adalah turunan tingkat dua fungsi
f (x) terhadap x .
2 f 2 f
H ( x) = =
xi x j x
2
2 f 2 f 2 f
.......
x12x1 x1x 2 x1x n
f 2 f 2 f
H ( x) = x x .......
x 2 x 2 x 2 x n
2 1
....... ........ ....... ........
f 2 f f
2 2
.......
x n x1 x n x 2 x n x n
Operator Integral dan differensial mempunyai sifat linier, karena linier maka juga
mempunyai sifat komutatif.
2 f
fungsi f (x) adalah minimum dan = H ( x) 0 fungsi f (x) adalah maksimum.
x
2
Contoh 2.3
f ( x) = 3x1 + 2 x2 + 4 x1 x2 − 6 x1 − 8 x2 + 6
2 2
maka,
2 f 2 f
x x x1x 2 6 4
H ( x) = 12 1 =
f 2 f 4 4
x x x 2 x 2
2 1
Latihan 2.2
Suatu fungsi f ( x) = x1 + 2 x2 + x3 + 4 x1 x2 − 2 x2 x3 + 6 x1 − 8x2 − 3x3 + 6
2 2 2
Karena pembuktian xTAx yang harus berlaku untuk semua x bilangan riel sangat sulit,
maka para ahli matematik telah membuktikan cara/pendekatan yang kedua.
a a12
A2 = 11
a 21 a 22
Contoh 2.4
6 4
Suatu matrik H =
4 4
maka dapat dihitung determinan minor - minornya
det (H1 ) = 6 = 6 > 0
6 4
det (H 2 ) = = 24 − 16 = 8 > 0
4 4
Jadi, matrik H adalah Definit Positip
Latihan 2.3
Suatu fungsi f ( x) = x1 + 2 x2 + x3 + 4 x1 x2 − 2 x2 x3 + 6 x1 − 8x2 − 3x3 + 6
2 2 2
Tentukan apakah matrik Hessian dari fungsi f(x) bersifat definit positip atau negatif?
2.4. Syarat Perlu Keoptimalan
Syarat perlu keoptimalan digunakan untuk mencari calon/kandidat titik-titik optimal
x * pada pendekatan analitis. Syarat perlu keoptimalan mengatakan bahwa :
Bila x * adalah titik optimal dari f (x ) maka :
( )
f x * = 0
x * yang memenuhi persamaan di atas merupakan calon penyelesaian atau disebut juga
titik optimal.
Contoh 2.5
Suatu fungsi :
f ( x) = 3x1 + 2 x2 + 4 x1 x2 − 6 x1 − 8 x2 + 6
2 2
− 1
Jadi x * = adalah titik optimal dari f (x )
3
Latihan 2.4
Dapatkan titik optimal x * dari fungsi :
f ( x) = 2 x13 + 3x22 − 12 x1 x2
Bila f (x ) = 0
*
dan H (x ) definit negatif maka x
* *
titik maksimum
Contoh 2.6
Suatu fungsi :
f ( x) = 3x1 + 2 x2 + 4 x1 x2 − 6 x1 − 8 x2 + 6 :
2 2
− 1
Pada contoh 2.5 telah didapatkan calon penyelesaian atau titik optimal x * = dan
3
pada contoh 2.2 dan contoh 2.4 didapatkan matrik Hessiannya adalah :
6 4
H (x* ) = adalah definit positip
4 4
Jadi,
− 1
x * = adalah titik minimum dengan
3
Latihan 2.5
Tentukan titik minimum atau titik maksimum dari fungsi :
f ( x) = 2 x13 + 3x22 − 12 x1 x2
matematis vektor sama dengan titik dengan syarat titik referensinya sama. Titik adalah
isitilah pada geometri sedangkan vektor adalah istilah pada space. Perbedaannya, titik
selalu dinyatakan pada koordinat tetap sedangkan vektor dinyatakan dalam koordinat
tertentu yang bisa berubah-ubah (tidak tetap).
x1
2
x
0
0
1 2
Kombinasi Konveks dari x dan x adalah titik-titik yang terletak pada garis lurus yang
1 2
menghubungkan x dengan x , yang dipenuhi dengan persamaan:
x( ) = x + (1 − )x 0,1
1 2
x1
Vektor/titik konveks yang ada
dalam cone x1 dan x2
=1 =0.5 =0
x1 x2
x2
f (x ) fungsi konveks ( )
f (x( )) f x + (1 − ) f x
1
( ) 2
f(x) konveks
x1 x() x2
( )
f (x( )) f x + (1 − ) f x
1
( ) 2
f(x) konveks
g(x)=-f(x) konkav
( )
f ( x( )) = f x + (1 − ) f x
1
( )2
f(x) linier
x1 x() x2
f (x ) fungsi konveks
matriks Hessiannya adalah Semi Definit Positip
f (x ) fungsi konkav
matriks Hessiannya adalah Semi Definit Negatif
Fungsi konveks dan konkav ini dapat menggantikan syarat cukup semi definit positif dan
negatif.
x1
x1
x2
x2
S S
Contoh 2.7
Suatu fungsi :
f ( x) = 3x1 + 2 x 2 + 4 x1 x 2 − 6 x1 − 8 x 2 + 6
2 2
Latihan 2.6
Suatu fungsi :
f ( x) = x1 + x 2 + x1 x 2 − 2 x1 − 4 x 2 + 1
2 2
f
x
1
f
x df
f ( x ) = 2 =
. dx
.
f
x
n
2. Matrik Hessian H(x) merupakan turunan kedua f (x) terhadap x
2 f 2 f 2 f
.......
x12x1 x1x 2 x1x n
f 2 f 2 f
H ( x) = x x .......
x 2 x 2 x 2 x n
2 1
....... ........ ....... ........
f 2 f 2 f
2
.......
x n x1 x n x 2 x n x n
Bila f (x ) = 0
*
dan H (x ) definit negatif maka x
* *
titik maksimum
6. f (x ) fungsi konveks jika dan hanya jika matriks Hessiannya adalah Semi Definit Positip
7. f (x ) fungsi konkaf jika dan hanya jika matriks Hessiannya adalah Semi Definit Negatif