Masalah Optimisasi Dengan Kendala ∗

Agus Yodi Gunawan

December 2, 2014

Pada bagian ini akan dibahas masalah optimisasi dengan kendala. Masalah optimisasi
yang dibahas berbentuk
Minimum f (x)
hj (x) = 0, j ∈ E, (1)
hj x ≥ 0, j ∈ I,
dimana f adalah fungsi skalar, hj (x) fungsi berpeubah vektor dengan nilai vektor, him-
punan E dan I masing-masing merupakan himpunan indeks kendala persamaan dan
kendala pertidaksamaan. Pada bagian ini, gradien dari fungsi f , dinotasikan oleh ∇f (x),
didefinisikan sebagai vektor berdimensi n. Matriks
[ 2 simetri
] Hess(ian) dari f didefinisikan
∂ f (x)
oleh matriks berukuran n × n, ∇2 f (x) = . Kondisi keoptimalan akan ditu-
∂xi ∂xj
runkan, pertama untuk kasus kendala linear, dan kedua untuk kendala berupa tak linear.
Beberapa konsep yang muncul pada bagian ini antara lain Pengali Lagrange dan fungsi
Lagrange. Pengali Lagrange memiliki keserupaan dengan variabel dual pada masalah
optomisasi linear. Fungsi Lagrange adalah fungsi tunggal yang menggabungkan fungsi
obyektif dan kendala.

1. Optimisasi dengan kendala berupa persamaan linear. Perhatikan masalah

optimisasi dengan kendala berikut,
Minimum f (x)
(2)
Ax = b,
dimana A adalah matriks berukuran m × n dan b vektor konstan. Fungsi f dia-
sumsikan dapat diturunkan secara kontinu dua kali dan matriks A memiliki rank
penuh. Asumsi rank penuh dari matriks A biasa disebut dengan asumsi regulari-
tas. Gagasannya adalah mentransformasikan masalah optimisasi berkendala men-
jadi masalah optimisasi tanpa kendala yang bersesuaian.
Misalkan x titik feasibel, yaitu Ax = b. Titik feasibel lain dapat dinyatakan sebagai
x = x + p, dengan p vektor arah feasibel. Perhatikan berikut

b = Ax = Ax + Ap = b + Ap ⇒ Ap = 0.

Jadi vektor arah feasibel p harus terletak pada ruang nol matriks A, p ∈ N (A).
Dengan demikian daerah feasibel masalah optimisasi di atas dapat dituliskan sebagai
{x|x = x + p, p ∈ N (A)}.
∗
Sumber rujukan: I. Griva, S.G. Nash, dan A. Sofer,”Linear and Nonlinear Optimization”, SIAM,
2009.

1
Selanjutnya, misalkan matriks Z berukuran n × r (dengan r ≥ n − m) merupakan
matriks ruang nol dari A. Daerah feasibel masalah optimisasi ini dapat dituliskan
kembali menjadi {x|x = x + Zv, v ∈ Rn }. Dengan demikian masalah optimisasi (2)
yang berkendala dapat dituliskan manjadi masalah yang ekivalen tanpa kendala,

Minimum
n
Φ(v) = f (x + Zv) (3)
v∈R

Fungsi Φ adalah restriksi dari fungsi f pada daerah feasibel; fungsi Φ disebut fungsi
tereduksi (reduced function). Jika Z matriks basis dari ruang nol A, maka Φ akan
merupakan fungsi dengan (n − m) peubah.
Perhatikan contoh berikut
Minimum f (x) = x21 − 2x1 + x22 − x23 + 4x3
(4)
dengan kendala x1 − x2 + 2x3 = 2,

Cara I: Untuk setiap peubah x2 feasibel, maka x2 dapat dinyatakan dalam per-
samaan x2 = x1 + 2x3 − 2. Substitusikan peubah ini pada fungsi obyektif akan
diperoleh masalah optimisasi tanpa kendala

Minimum f (x) = 2x21 − 2x1 + 4x1 x3 + 3x23 − 4x3

.
Cara II: Pilih  
1 −2
 
Z= 1 0 
0 1
sebagai matriks ruang nol A = (1 −1 2). Misalkan dipilih titik feasibel x = (2, 0, 0).
Maka titik feasibel lain dapat dituliskan menjadi
   
2 1 −2
   
x = x + Zv =  0  +  1 0  v
0 0 1

dengan v = (v1 , v2 ). Substitusikan ke f , akan diperoleh fungsi tereduksi

Φ(v1 , v2 ) = 2v12 + 3v22 − 4v1 v2 + 2v1 .

Fungsi yang mirip dengan fungsi tereduksi ini dapat diperoleh dengan mensubsti-
tusikan x1 pada (4) ke fungsi obyektif.
Untuk syarat keoptimalan, turunan dari fungsi tereduksi Φ cukup memegang per-
anan penting. Untuk x = x + Zv, kita peroleh

∇Φ = Z t ∇f (x + Zv) = Z t ∇f (x) (5)

2
 dan
∇2 Φ = Z t ∇2 f (x + Zv)Z = Z t ∇2 f (x)Z. (Buktikan!) (6)
Vektor (5) disebut vektor gradien tereduksi, sedangkan matriks (6) disebut matriks
Hess tereduksi.
Titik dimana gradien tereduksi bernilai nol disebut titik stasioner.

2. Syarat perlu untuk kendala berupa persamaan linear. Jika x∗ suatu titik
minimum lokal dari masalah (2), dan Z matriks ruang nol dari A, maka berlaku
Z t ∇f (x∗ ) = 0 dan Z t ∇2 f (x∗ )Z matriks semidefinit positif.
Syarat semidefinit positif matriks Z t ∇2 f (x∗ )Z ekivalen dengan mengatakan bahwa
matriks Hess f di titik x∗ harus semidefinit positif pada ruang nol A (ingat, p ∈
N (A) maka ada v sehingga p = Zv).

3. Syarat cukup untuk kendala berupa persamaan linear. Misalkan Z matriks

basis untuk ruang nol A. Jika x∗ memenuhi

• Ax∗ = b (titik feasibel),

• Z t ∇f (x∗ ) = 0 (titik stasioner),
• Z t ∇2 f (x∗ )Z matriks definit positif,

maka x∗ merupakan titik minimum lokal tegas untuk masalah (2).

Untuk contoh (4), perlihatkan bahwa titik feasibel (2, 0, 0) bukan titik minimum,
tetapi titik (5/2, −3/2, −1) merupakan titik minimum lokal tegas.

4. Syarat perlu orde pertama dan pengali Lagrange. Misalkan x∗ suatu titik
minimum lokal dan Z matriks basis untuk ruang nol A berukuran n × r. Ingat
bahwa ruang nol A berdimensi r saling ortogonal (terhadap hasilkali titik biasa)
dengan ruang baris dari A (atau ruang kolom At ) berdimensi (n-r). Setiap vektor
di Rn dapat dituliskan sebagai jumlah langsung dari dua subrung ortogonal di Rn .
Kita tahu ∇f (x∗ ) ∈ Rn , maka

∇f (x∗ ) = Zv∗ + At λ∗ (7)

dimana v∗ ∈ Rr dan λ∗ ∈ Rm . Kalikan Persamaan (7) dengan Z t kemudian me-

nerapkan bahwa gradien tereduksi pada titik minimum bernilai nol dan ruang nol A
saling ortogonal dengan ruang kolom At , maka Z t Zv∗ = 0. Matriks Z t Z berukuran
r × r dengan rank r. Jadi v∗ = 0. Dengan demikian, jika x∗ suatu titik minimum
lokal maka
∇f (x∗ ) = At λ∗ (8)

3
 untuk suatu vektor λ∗ ∈ Rm . Hal ini mengindikasikan bahwa di titik minimum
lokal gradien dari fungsi obyektif merupakan kombinasi linear dari gradien fungsi
kendalanya. Komponen dari vektor λ∗ merupakan konstanta kombinasi linear, dan
vektor λ∗ dikenal dengan vektor pengali-pengali Lagrange.
Sampai saat ini kita telah menunjukkan bahwa jika gradien tereduksi bernilai nol
maka ada vektor pengali Lagrange yang memenuhi syarat keoptimalan (8). Seba-
liknya pun berlaku (buktikan!), yaitu jika (8) berlaku maka gradien tereduksi berni-
lai nol. Pengali Lagrange akan sangat berperan pada saat membicarakan analisis
sensitifitas.
Selain itu, matriks A pada masalah yang dibahas diasumsikan memiliki rank penuh.
Untuk kasus rank yang umum, analisis yang sama dapat digunakan akan tetapi
vektor pengali Lagrange yang diperoleh belum tentu tunggal. Untuk masalah per-
samaan kendala yang nonlinear, asumsi regularitas pada pada gradien fungsi kendala
di titik lokal diperlukan untuk menurunkan syarat keoptimalan.

5. Fungsi dan pengali Lagrange. Perhatikan kembali Persamaan (2) beserta asumsi-
asumsinya. Misalkan telah diperoleh titik minimum x∗ dengan nilai optimal f (x∗ ).
Misalkan pula data vektor b berubah sedikit/terperturbasi oleh vektor δ menjadi
b + δ. Jika perubahan tersebut cukup kecil, maka cukup beralasan apabila masalah
yang terperturbasi memiliki titik minimum yang dekat dengan titik minimum semula
x∗ . Untuk x yang cukup dekat x∗ dengan Ax = b+δ, hampiran Taylor memberikan

f (x) ≈ f (x∗ ) + (x − x∗ )t ∇f (x∗ )

= f (x∗ ) + (x − x∗ )t At λ∗
= f (x∗ ) + δ t λ∗
∑m
= f (x∗ ) + δj λ∗j
j=1

Hal di atas mengindikasikan bahwa jika nilai kendala ke-j berubah sebesar δj , maka
fungsi obyektif akan berubah sebesar δj λ∗j . Dengan demikian λ∗j menyatakan pe-
rubahan nilai obyektif optimal per satuan perubahan pada nilai ruas kanan kendala
ke-j. Untuk alasan ini, pengali Lagrange juga disebut shadow prices atau dual
variable.
Selanjutnya, kita akan melihat sisi lain dari syarat keoptimalan (8). Karena setiap
solusi (8) harus feasibel, maka pada dasarnya titik lokal optimal adalah menyele-
saikan (n + m) persamaan dengan (n + m) peubah:

∇f (x) − At λ = 0
(9)
Ax = Ab.

4
 Kedua persamaan ini dapat diturunkan dari fungsi L(x, λ), yang disebut fungsi
Lagrange, yang didefinisikan oleh
∑
m
L(x, λ) = f (x) − λj (atj x − bj ) = f (x) − λt (Ax − b), (10)
j=1

dimana atj menyatakan baris ke-j dari matriks A. Persamaan pertama dan kedua
(9) dapat diperoleh dari ∇x L = 0 dan ∇λ L = 0. Dengan demikian, titik minimum
lokal adalah titik stasioner dari fungsi Lagrange.

6. Optimisasi dengan kendala berupa pertidaksamaan linear. Perhatikan

masalah optimisasi (2) tetapi sekarang dengan kendala pertidaksamaan linear,
Minimum f (x)
(11)
Ax ≥ b.
Kita asumsikan sistem memiliki solusi feasibel. Untuk mengingatkan kembali, kendala
yang memenuhi persamaan, Ax = b, disebut kendala aktif, sedangkan kendala yang
memenuhi pertidaksamaan, Ax > b, disebut kendala tidak aktif.
Misalkan x∗ solusi minimum lokal. Karena kendala yang tidak aktif pada titik x∗
tidak akan memberikan pengaruh pada keoptimalan solusi lokal di x∗ , maka kendala
tersebut dapat diabaikan selama pembahasan. Selanjutnya, misalkan A b adalah ma-
triks dengan vektor barisnya atj yang merupakan koefisien-koefisien kendala aktif
dan bb adalah vektor ruas kanan dari kendala yang bersesuaian. Dengan demikian,
b ∗ = b.
Ax b Titik feasibel yang lain dapat dicapai dari x∗ dengan berpindah sepanjang
b ≥ 0. Se-
arah feasibel p. Perlu dicatat, p arah feasibel di x∗ jika dan hanya jika Ap
lanjutnya, kita asumsikan regularitas pada matriks A b (vektor-vektor barisnya bebas
linear).
Karena x∗ solusi lokal masalah optimisasi dengan kendala pertaksamaan/tak aktif,
maka titik tersebut juga merupakan solusi lokal untuk masalah optimisasi dengan
kendala persamaan/aktif,
Minimum f (x)
(12)
b
b = b.
Ax
b Syarat perlu orde pertama untuk kendala
Misalkan Z matriks ruang nol untuk A.
persamaan mengakibatkan

Z t ∇f (x∗ ) = 0 atau ∇f (x∗ ) = A b ∗,

bt λ (13)

dimana λb ∗ ∈ Rs (jika terdapat sebanyak s kendala aktif) merupakan vektor pengali

Lagrange. Selanjutnya, Syarat perlu orde kedua untuk kendala persamaan mengak-
ibatkan matriks Z t ∇2 f (x∗ )Z semidefinit positif. Berikutnya kita akan perlihatkan
bahwa (13) dipenuhi oleh λ b ∗ ≥ 0.

5
 Andaikan (13) dipenuhi oleh λb ∗ < 0. Tanpa mengurangi keberlakukan secara
b∗1 < 0. Notasikan e1 vektor di Rs
umum, misalkan komponen pertamanya negatif, λ
dimana komponen pertama berisi angka satu dan lainnya nol. Baris-baris matriks
b bebas linear, maka ada p ∈ Rn sehingga Ap
A b = e1 . Karena Ap
b = e1 > 0 maka p
arah feasibel. Akan tetapi,

b ∗ = et λ
bt λ
pt ∇f (x∗ ) = pt A b b
1 ∗ = λ∗1 < 0.

Artinya, vektor p merupakan descent direction dimana hal ini yang bertentangan
dengan asumsi bahwa x∗ solusi minimum lokal. Jadi, pada titik optimal lokal vektor
pengali Lagrange harus tak negatif.
Perhatikan kembali kondisi (13). Kondis ini dapat dituliskan menjadi

∇f (x∗ ) = At λ∗ , λ∗ ≥ 0, (14)

dimana untuk setiap kolom dari matriks A yang bersesuaian dengan kendala tak
aktif akan dikalikan dengan pengali Lagrange yang bernilai nol. Kondisi dimana
kendala tak aktif memiliki pengali Lagrange nol dapat ditulsikan sebagai

λ∗j (atj x∗ − bj ) = 0, j = 1, 2, · · · , m (15)

dimana atj vektor baris dari matriks A. Kondisi (15) disebut kondisi complementary
slackness. Kondisi ini mengatakan bahwa pada titik minimum lokal salah satu
dari berikut berlaku: titik memenuhi kendala aktif ((atj x∗ − bj ) = 0) atau pengali
Lagrange yang bersesuaiannya bernilai nol (λ∗j = 0). Kondisi dimana tepat dari
kedua pilihan tersebut dipenuhi disebut kondisi complementary tegas. Dalam kondisi
ini, pengali Lagrange untuk kendala aktif bernilai positif. Jika suatu kendala aktif
memiliki pengali Lagrange nol, kendala tersebut dinamakan kendala degenerate.
Selanjutnya akan disampaikan syarat perlu dan syarat cukup untuk masalah opti-
masi dengan kendala berupa pertidaksamaan linear.

7. Syarat perlu untuk kendala berupa pertidaksamaan linear. Jika x∗ solusi

minimum lokal untuk (11), maka untuk suatu pengali Lagrange λ∗

• ∇f (x∗ ) = At λ∗ (ekivalen dengan Z t ∇f (x∗ ) = 0),

• λ∗ ≥ 0,
• λt∗ (Ax∗ − b) = 0,
• Z t ∇2 f (x∗ )Z matriks semidefinit positif,

dimana Z matriks ruang nol untuk matriks kendala aktif di titik x∗ .

6
8. Syarat cukup untuk kendala berupa pertidaksamaa linear. Misalkan Z
matriks basis untuk ruang nol matriks A. Jika x∗ memenuhi

• Ax∗ ≥ b,
• ∇f (x∗ ) = At λ∗ ,
• λ∗ ≥ 0,
• complementary tegas,
• Z t ∇2 f (x∗ )Z matriks definit positif,

maka x∗ titik minimum lokal tegas untuk masalah optimisasi dengan kendala (11).
Jika vektor pengali Lagrange yang bersesuaian dengan kendala aktif bernilai posi-
tif, maka pergeseran di dalam bagian dalam daerah feasibel akan menaikkan ni-
lai fungsi obyektifnya. Akan tetapi, jka vektor pengali Lagrange yang bersesuaian
dengan kendala aktif bernilai nol (kasus degenerate), maka mustahil untuk mem-
prediksi berdasarkan orde pertama apakah pergeseran di dalam daerah feasibel akan
meningkatkan atau menurunkan fungsi obyektif. Oleh karena itu, dalam kasus de-
generate diperlukan syarat melibatkan orde keduanya (matriks Hess).
Syarat cukup untuk kendala berupa pertidaksamaa linear, kasus degen-
erate. Misalkan A b+ submatriks A
b yang berkaitan dengan kendala aktif nondegen-
b+ . Jika x∗
erate di titik x∗ . Misalkan Z+ matriks basis untuk ruang nol matriks A
memenuhi

• Ax∗ ≥ b,
• ∇f (x∗ ) = At λ∗ ,
• λ∗ ≥ 0,
• λt∗ (Ax∗ − b) = 0,
• Z+t ∇2 f (x∗ )Z+ matriks definit positif,

maka x∗ titik minimum lokal tegas untuk masalah optimisasi dengan kendala (11).

9. Optimisasi dengan kendala persamaan nonlinear. Perhatikan kembali Per-

samaan (1). Pembahasan pertama akan difokuskan pada kendala berupa persamaan
nonlinear,
Minimum f (x)
(16)
hj (x) = 0, j = 1, 2, · · · , m.
Selama pembahasan,
[ ] matriks Jacobi dari fungsi kendala h(x) akan dinotasikan oleh
∂hi (x)
Dh(x)i,j = . Terlebih dahulu akan diperkenalkan istilah titik regular. Titik
∂xj

7
 x∗ dikatakan titik regular jika himpunan gradien dari kendala aktif di x∗ , yaitu
{∇hj (x∗ )|hj (x∗ ) = 0}, bebas linear.
Kondisi keoptimalan akan diturunkan melalui fungsi Lagrange berikut
∑
m
L(x, λ) = f (x) − λj hj (x) = f (x) − λt h(x), (17)
j=1

dimana λ merupakan vektor pengali Lagrange dan h = (h1 , · · · , hm ) ∈ Rm .

Syarat perlu: Misalkan x∗ titik minimum lokal dari masalah (16). Misalkan pula
Z(x∗ ) matriks ruang nol untuk matriks Jacobi Dh(x∗ ) . Jika x∗ titik regular dari
kendala-kendala, maka ada vektor pengali Lagrange λ∗ sehingga

• ∇x L(x∗ , λ∗ ) = 0 (atau ekivalen dengan Z(x∗ )t ∇f (x∗ ) = 0) dan

• Z(x∗ )t ∇2xx L(x∗ , λ∗ )Z(x∗ ) matriks semidefinit positif.

Syarat cukup: Misalkan x∗ titik yang memenuhi h(x∗ ) = 0 (titik feasibel). Mi-
salkan pula Z(x∗ ) matriks basis untuk ruang nol dari matriks Jacobi Dh(x∗ ) . Jika
ada suatu vektor λ∗ sehingga

• ∇x L(x∗ , λ∗ ) = 0 dan
• Z(x∗ )t ∇2xx L(x∗ , λ∗ )Z(x∗ ) matriks definit positif,

maka x∗ merupakan titik minimum lokal tegas dari masalah (16).

Lihat contoh 14.17 di Griva et al.

10. Optimisasi dengan kendala pertidaksamaan nonlinear. Pada kasus ini ben-
tuk persamaannya diberikan oleh

Minimum f (x)
(18)
hj (x) ≥ 0, j = 1, 2, · · · , m.

Syarat perlu untuk optimasi dengan kendala pertidaksamaan nonlinear biasa disebut
dengan syarat Karush-Kuhn-Tucker (KKT), yang dinyatakan sebgai berikut.
Syarat perlu (syarat KKT). Misalkan x∗ titik minimum lokal dari masalah (18).
Misalkan pula vektor-vektor kolom dari Z(x∗ ) membentuk basis untuks ruang nol
dari matriks Jacobi untuk kendala-kendala aktif di x∗ . Jika x∗ titik regular dari
kendala-kendala, maka ada vektor pengali Lagrange λ∗ sehingga

• ∇x L(x∗ , λ∗ ) = 0 (atau ekivalen dengan Z(x∗ )t ∇f (x∗ ) = 0) ,

• λ∗ ≥ 0,
• λt∗ h(x∗ ) = 0 (kondisi complementary slackness),

8
 • Z(x∗ )t ∇2xx L(x∗ , λ∗ )Z(x∗ ) matriks semidefinit positif.

Karena vektor λ∗ dan h keduanya tak negatif, maka kondisi complementary slack-
ness dapat dituliskan menjadi λt∗j hj (x∗ ) = 0, j = 1, 2, · · · , m. Kondisi ini meny-
atakan bahwa untuk kendala tak aktif nilai pengali Lagrange nya nol. Jika kendala
aktif memiliki pengali Lagrange nol, maka syarat perlu orde kedua perlu diber-
lakukan.
Syarat cukup: Misalkan x∗ titik yang memenuhi h(x∗ ) ≥ 0 (titik feasibel). Mi-
salkan pula Z+ (x∗ ) matriks basis untuk ruang nol dari matriks Jacobi untuk kendala
nondegenerate. Jika ada suatu vektor λ∗ sehingga

• ∇x L(x∗ , λ∗ ) = 0,
• λ∗ ≥ 0,
• λt∗ h(x∗ ) = 0 (kondisi complementary slackness),
• Z+ (x∗ )t ∇2xx L(x∗ , λ∗ )Z+ (x∗ ) matriks definit positif,

maka x∗ merupakan titik minimum lokal tegas dari masalah (18).

Lihat contoh 14.20 di Griva et al.

Latihan
1.
Minimum f (x) = x21 + x21 x23 + 2x1 x2 + x42 + 8x2
dengan kendala 2x1 + 5x2 + x3 = 3.

(a) Periksa apakah titik-titk berikut merupakan titik stasioner: (0, 0, 2), (0, 0, 3), (1, 0, 1).
(b) Tentukan masing-masing jenisnya (titik minimum, titik maksimum, titik pelana).

2. Tentukan titik minimum dan titik maksimum dari

(a) f (x) = x1 x32 , kendala: 2x1 + 3x2 = 4.

(b) f (x) = 2x1 − 3x2 , kendala: x21 + x22 = 25.
(c) f (x) = x2 , kendala: x31 + x32 − 3x1 x2 = 0.

3. Tentukan nilai prameter α dan β sehingga titik (0, 0) meminimumkan atau memak-
simumkan

f (x) = (α + 2)x1 − 2x2 , kendala : α(x1 + ex1 ) + β(x2 + ex2 ) = 1.

4. Selesaikan
Maksimum f (x) = x1 x2 x3
x1 x2
dengan kendala a1
+ a2
+ xa33 = 1, (a1 , a2 , a2 > 0)

9
 5. Diberikan garis ℓ dan dua titik di bidang (titik A dan titik B), dimana kedua titik
tersebut terletak pada setengah bidang yang sama terhadap garis ℓ. Jika titik C
pada garis ℓ meminimumkan penjumlahan dari jarak AC dan BC, buktikan bahwa
sudut yang dibentuk oleh garis ℓ dengan AC sama dengan sudut yang dibentuk oleh
garis ℓ dengan BC.

6. Buktikan Persamaan (5) dan (6).

7. Minimum f (x) = ct x dengan kendala Ax = b. Buktikan: jika masalah tersebut

memiliki solusi feasibel, maka salah satu berikut berlaku: masalah tersebut memiliki
solusi tak terbatas atau semua solusi feasibelnya optimal.

8. Misalkan Z matriks ruang nol dari matriks A. Buktikan: jika ∇f (x∗ ) = At λ∗ untuk
suatu λ∗ , maka Z t ∇f (x∗ ) = 0.

9. Selesaikan
Minimum f (x) = 3x21 − 21 x22 − 12 x23 + x1 x2 − x1 x3 + 2x2 x3
dengan kendala 2x1 − x2 + x3 = 2.

Gunakan pengali Lagrange untuk menaksir nilai minimum f jika kendalanya diper-
turbasi menjadi 2x1 − x2 + x3 = 2 + δ. Kemudian bandingkan nilai minimum fungsi
obyektif taksiran dengan nilai minimum fungsi obyektif aktual, untuk δ = 0, 25.

10. Selesaikan
Minimum f (x) = −x21 + x22 − x1 x2
dengan kendala 2x1 − x2 ≥ 2, x1 + x2 ≤ 4, x1 ≥ 0.

11. Perhatikan
Minimum f (x) = ct x
Ax = b.

(a) Tuliskan syarat perlu orde pertama dan orde kedua untuk solusi lokal.
(b) Perlihatkan bahwa syarat cukup orde kedua tidak berlaku, akan tetapi titik
yang memenuhi syarat perlu orde pertama merupakan titik minimum global
(petunjuk: perlihatkan bahwa tidak ada descent direction feasibel di titik terse-
but).

12. Selesaikan
Minimum f (x) = 12 x21 + x22
dengan kendala 2x1 + x2 ≥ 2
x1 − x2 ≤ 1
x1 ≥ 0

10
13. Selesaikan
Minimum f (x) = −x21 + x22 − x1 x2
dengan kendala 2x1 − x2 ≥ 2
x1 + x2 ≤ 4
x1 ≥ 0

14. Misalkan A matriks berukuran m × n dimana vektor-vektor barisnya bebas linear.

Buktikan: ada vektor y sehingga Ay = e1 dimana e1 = (1, 0, · · · , 0).

15. Selesaikan
Minimum f (x) = c1 x21 + c1 x22
dengan kendala x1 + x2 = 0
x21 + x22 = 1

16. Selesaikan
Minimum f (x) = x1 + x2
dengan kendala ln(x1 ) + 4 ln(x2 ) ≥ 1

11