• Anita Fira Waluyo, S.Si., M.Sc.

Optimasi Satu Variabel

• Universitas Teknologi Yogyakarta
(Metode Golden Section
dan Metode Newton)
Definisi Optimasi, Jenis Optimasi, Fungsi
Objektif, Decision Variables, dan Kendala
• Optimasi → suatu proses untuk mencari kondisi yang optimum,
dalam arti paling menguntungkan.

OPTIMASI

MAKSIMASI MINIMASI

Berkaitan dengan masalah

Berkaitan dengan keuntungan → pengeluaran/pengornbanan →
Keadaan yang memberi keuntungan Keadaan yang memberikan
pengeluaran/pengorbanan minimum
• Hal-hal penting dalam studi optimasi meliputi :
1. Fungsi objektif dan decision variables
2. Kendala (constraints)
• Secara umum, fungsi yang akan dimaksimumkan atau diminimumkan
disebut fungsi objektif (objective function), sedangkan harga-harga yang
berpegaruh dan bisa dipilih disebut variabel (perubah) atau decision
variable.
• Secara analitik, nilai maksimum dan minimum dari suatu persamaan
y = f (x) dapat diperoleh pada harga x yang memenuhi :
dy df
y ' = f ' ( x) = = =0
dx dx
• Untuk fungsi yang sulit untuk diturunkan atau mempunyai turunan yang
sulit dicari akarnya, proses optimasi dapat dilakukan secara numerik.
➢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
➢Contoh kendala (constraints) yang
menyertai persoalan optimasi dalam
bidang Teknik Kimia :
• Maximum process temperature
• Maximum flow rate limitation
• Maximum conversion limitation
• Product purity
• Strength of materials
• Environmental factor
• Safety consideration
• Availability of utilities
• Corrosion considerations
Ilustrasi secara Grafik
Contoh optimasi satu variabel :
Contoh optimasi dua variabel (maksimasi) :
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 meliputi :
✓Metode Golden Section
✓Metode Newton
✓Metode Interpolasi Kuadrat
METODE GOLDEN SECTION
• Golden Section merupakan salah satu cara atau metode optimasi numerik
yang dapat diterapkan untuk fungsi yang bersifat unimodal (hanya
memiliki 1 nilai maksimum/minimum).
• 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.
• Mirip dengan bisection, ide dasar metode ini adalah memanfaatkan nilai
yang lama sebagai nilai yang baru, secara iteratif. Sebagai akibatnya,
rentang/interval awal variabel yang dipilih semakin lama akan semakin
menyempit, karena ada sebagian sub-interval variabel yang dieliminasi,
hingga diperoleh tingkat konvergensi yang diinginkan.
• Kunci untuk pendekatan secara efisien adalah pemilihan nilai tengah.
• Berdasarkan grafik di samping, secara matematika berlaku :
Karena : l1 l2 maka : l = l + l
= 0 1 2
Tinjaulah fungsi f(x) yang akan ditentukan
l0 l1 maksimumnya, pada rentang x=x1 dan x=xu
• Ambil kebalikannya dan kemudian definisikan : (perhatikan gambar di bawah ini).
l2
R=
l1
• Maka : l + l l1
1 2
=
l1 l2
l2 l1
1+ =
l1 l2
1
1+ R =
R
R2 + R −1 = 0
5 −1
• Nilai akar positifnya adalah sebesar : R = = 0,61803...
2
• (bilangan R ini selajutnya biasa disebut sebagai golden ratio atau golden number
 ALGORITMA (Kasus Maksimasi)
1. Mulailah dari 2 nilai tebakan awal x1 dan xu, yang
mengapit titik maksimum. (Perhatikan ilustrasi
grafik)
2. Tentukan nilai x1 dan x2 di dalam rentang x1 dan xu,
sesuai dengan golden ratio (R), yakni sebesar :
x1 = xl + d
x2 = xu − d
Dengan :
5 −1
d= (xu − xl ) = R(xu − xl )
2
3. Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan
x2), maka diharapkan ada sebagian interval yang
dapat dieliminasi, sehingga salah satu titik lama
bisa dipakai lagi pada evaluasi langkah berikutnya.
Jadi hanya diperlukan 1 titik baru. Demikian
seterusnya.
• Ada 2 kemungkinan kasus, yaitu :
a) Jika : f(x1) > f(x2), maka: domain x antara xl dan x2 dieliminasi
Dengan demikian : x2 lama = xl baru
x1 lama = x2 baru
xu lama = xu baru
x1 baru → ditentukan

b) Jika : f(x2)>f(x1), maka: domain x antara x1 dan xu dieliminasi

Dengan demikian : x1 lama = xu baru
x2 lama = x1 baru
xl lama = xl baru
x2 baru → ditentukan
Perhatian : Algoritma untuk kasus minimasi merupakan kebalikan dari
algoritma untuk kasus maksimasi yang telah diuraikan tesebut di atas.
 CONTOH SOAL :
1. Gunakan metode golden-section
search untuk menentukan maksimum
dari fungsi :
x2
f ( x ) = 2 sin x −
10

Di dalam interval : xl = 0 dan xu = 4

Penyelesaian :
Secara grafik, fungsi f(x) pada interval x
sebesar 0 s.d 4 ditunjukkan pada gambar
berikut. Perhatikanlah bahwa nilai
maksimum fungsi teramati di sekitar
harga x = 1,5.
• Secara numerik, dengan metode golden-section search, dapat dilakukan
langkah-langkah perhitungan sebagai berikut :
• Iterasi pertama :
xl = 0 : f ( xl ) = 0
xu = 4 : f ( xu ) = −3,1136
5 −1 5 −1
d= (xu − xl ) = (4 − 0) = 2,4721
2 2
x1 = xl + d = 0 + 2,4721 = 2,4721 : f ( x1 ) = 0,6300
x2 = xu − d = 4 − 2,4721 = 1,5279 : f ( x2 ) = 1,7647
• Karena kasus ini merupakan persoalan maksimasi, dan f(x2) > f(x1), maka :
xl baru = xl lama
xu baru = x1 lama
• Dengan kata lain, sub-interval x kanan (yakni antara xl dan xu) dieliminasi
• Iterasi kedua :
xl = 0 : f ( xl ) = 0
xu = 2,4721 : f ( xu ) = 0,6300
5 −1 5 −1
d= (xu − xl ) = (2,4721 − 0) = 1,5279
2 2
x1 = xl + d = 0 + 1,5279 = 1,5279 = x2lama : f ( x1 ) = 1,7647
x2 = xu − d = 2,4721 − 1,5279 = 0,9443 : f ( x2 ) = 1,5310

• Karena kasus ini merupakan persoalan maksimasi, dan f(x2) < f(x1), maka :
xl baru = x2 lama
xu baru = x2 lama
• Dengan kata lain, sub-interval x kiri (yakni antara xl dan xu) dieliminasi
• Cara perhitungan yang sama/ analog dapat dilakukan pada langkah iterasi
berikutnya. Perhitungan dapat dilakukan secara berulang-ulang hingga
mencapai nilai toleransi yang diinginkan. Perhatikanlah bahwa
penyelesaian ini konvergen menuju nilai maksimum yang sebenarnya
(yakni pada x = 1,4276; dengan nilai maksimum f (x) = 1,7757). Hasil-hasil
perhitungan selengkapnya (hingga langkah iterasi ke-17) disajikan pada
tabel berikut ini:
• Catatan: Secara analitik, nilai maksimum fungsi dapat ditentukan dengan
cukup mudah, karena f(x) berbentuk persamaan yang mudah diturunkan
(atau ditentukan fungsi turunannya). Tentukan fungsi turunan pertama
dari f(x), dan selanjutnya tentukan nilai x yang membuat f’(x) = 0. Untuk
mengecek kebenaran kategori persoalan optimasinya (yakni apakah
maksimum atau minimum) pada nilai x yang ditinjau, tentukan nilai fungsi
turunan kedua dari f(x). Silakan Anda coba sendiri...!
• Efektivitas evaluasi dengan metode golden section: Misal diinginkan
pengecilan interval sampai menjadi 0,001 dari semula, maka jumlah step
yang diperlukan (N) adalah:
• (0,618)N = 0,001
• N = 14,3 ≈ 15
• Jumlah evaluasi = 2 + (N – 1) x 1 = 16
 RINGKASAN ALGORITMA
1. Tentukan batas bawah (xl) dan batas atas (xu) → xl  x  xu
2. Hitung nilai fungsi f(xl) dan f(xu)
3. Tentukan titik tengah xl dan xu menggunakan golden ratio
R = 0,618
d = R (xu-xl)
x1 = xl + d
x2 = xu - d
4. Hitung nilai fungsi dari kedua titik tengah tersebut : f(xl) dan f(xu)
5. Update batas dengan mengevaluasi nilai fungsi :
Jika f(x1) > f(x2), maka :
xl = x2; nilai xu tetap
x1 menjadi x2 baru
x1 baru = xl+d
Jika f(x1) < f(x2), maka :
xu = x1; nilai xl tetap
x2 menjadi x1 baru
x2 baru = xu-d
6. Ulangi hingga konvergen
METODE NEWTON
TUGAS !
• Buatlah soal dan cara penyelesaiannya mengenai metode golden
section dan metode newton, lalu bandingkan hasilnya! (pemahaman
dari sebuah jurnal lebih ok)
• Kerjakan secara kelompok, 1 kelompok 3-4 orang
• Tabel dan grafik bisa menggunakan excel atau matlab, jelaskan
terlebih dahulu bagaimana cara perhitungan iterasi pertama dan
keduanya
TERIMA KASIH