2015-DTO-Draft 03-20

JUDUL
TEKNIK OPTIMASI UNTUK FUNGSI

NONLINIER
Penulis:
Yandra Arkeman
Nisa Zahra
1
KATA PENGANTAR
Puji dan syukur kami panjatkan pada Allah Tuhan Yang Maha Berilmu.
Dengan karunia dan izin-Nya-lah kami dapat menulis dan berbagi
pengetahuan tentang teori dan dasar optimasi untuk fungsi nonlinier. Tiada
ilmu bagi kita kecuali apa yang telah diajarkan-Nya kepada kita.
Berbagai permasalahan yangterjadi di industri, besar kemungkinan

disebabkan oleh kurang optimalnya berbagai aspek dalam industri, yang
mencakup proses, biaya, perencanaan, dan lain-lain.Dengan perumusan
masalah yang dihadapi tersebut ke dalam model matematika serta
penggunaan model teknik optimasi yang tepat, diharapkan permasalahan-
permasalahan tersebut dapat ditangani dengan baik.
Dengan bahasa yang ringan dan mudah, buku ini mencoba membahas
tentang berbagai teknik optimasi dasar yang dikhususkan bagi problema
nonlinier. Buku ini ditujukan kepada pembaca umum yang ingin mendalami
teori optimasi untuk fungsi nonlinier dan disusun berdasarkan berbagai
referensi penunjang. Secara lebih rinci, bahasan yang akan dilakukan
diantaranya: ruang lingkup dan falsafah teknik optimasi, persamaan
nonlinier, optimasi fungsi satu variabel tanpa kendala, optimasi fungsi
multivariabel tanpa kendala, optimasi fungsi dengan kendala persamaan
dan pertidaksamaan, dan ulasan ringkas mengenai program Matlab.
Beberapa contoh soal dan latihan soal pada setiap bab disajikan untuk
mendukung pemahaman pembaca terhadap materi yang diberikan.
2
Setelah memahami buku ini, pembaca diharapkan dapat memahami teori
dan model teknik optimasi, serta mampu menerapkannya dalam berbagai
permasalahan di dunia bisnis maupun industri, khususnya agroindustri. Tak
lupa penulis mengucapkan terima kasih yang sebesar-besarnya kepada para
asisten responsi Mata KuliahTeknik Optimasi di Departemen Teknologi
Industri Pertanian (TIN), Institut Pertanian Bogor angkatan 46: Rizky Amelia,
Devina Kurniati, Elisabeth Yan Vivi, Lianitha Kurniawati, serta para asisten
responsi Teknik Optimasi TIN angkatan 45, 44, dan 43 yang telah turut
membantu penulisan buku ini sehingga dapat tersaji kepada pembaca
secara luas.
Penulis
3
1. PENDAHULUAN
Optimasi merupakan upaya pencarian hasil terbaik, dalam hal ini yang
paling optimal, baik itu berupa usaha meminimumkan atau
memaksimumkan, dari pilihan hasil yang ada. Proses optimasi ini biasanya
dibatasi oleh keterbatasan sumber daya atau kondisi, disebut sebagai
kendala. Sebagai contoh, berapa unit produk sepatu dan tas berbahan kulit
lembu yang harus diproduksi untuk memaksimumkan keuntungan, dengan
memperhitungkan keterbatasan bahan baku kulit lembu dan keterbatasan
jam tenaga kerja per minggunya. Teknik optimasi merupakan berbagai
metode dan teknik yang digunakan untuk memecahkan masalah optimasi
baik itu linier maupun nonlinier. Pada umumnya, berbagai teknik optimasi
tersebut menghendaki perumusan masalah yang dihadapi ke dalam sebuah
model matematis, dalam hal ini dapat berupa fungsi, baik linier maupun
tidak linier (nonlinier) tergantung dari masing-masing permasalahan
optimasi tersebut. Untuk selanjutnya, model matematis permasalahan
tersebut dapat dicari nilai optimumnya dengan menggunakan bantuan
program komputer.
Teknik optimasi nonlinier merupakan salah satu cabang ilmu yang banyak
digunakan di berbagai bidang saat ini dan di masa depan. Para insinyur,
ilmuwan dan praktisi di bidang mesin, elektronika, bioproses, kedokteran
sipil, teknik fisika, ketahanan pangan, bisnis dan agroindustri banyak
menghadapi masalah-masalah optimasi yang kompleks, tidak linier
(nonlinier) dan berskala besar dalam kehidupan mereka sehari-hari.
4
Masalah-masalah optimasi yang rumit seperti di atas tentu saja tidak dapat
dipecahkan dengan teknik optimasi konvensional. Hal ini disebabkan karena
teknik optimasi konvensional umumnya bersifat linier dan hanya bisa
digunakan dengan berbagai asumsi yang tidak fleksibel.
Buku ini membahas secara ringkas tentang teori dan aplikasi teknik
optimasi nonlinier. Pemahaman mengenai teori dan praktek optimasi
penting dimiliki agar dapat melakukan proses optimasi secara efektif.
Beberapa teknik optimasi nonlinier yang berpotensi menawarkan hasil yang
dapat dipercaya tersaji pada buku ini. Pemahaman terhadap teknik
optimasi sesungguhnya tidak memerlukan pengetahuan matematika yang
kompleks. Beberapa rumus dari kalkulus dan aljabar linear merupakan
persyaratan dasar dalam memahami teori, teknik komputasi dan
pemahaman mengenai bagaimana teknik optimasi dapat bekerja. Sebagai
langkah awal, formulasi permasalahan (problem formulation) memiliki
pengaruh yang besar terhadap kemudahan penyelesaian masalah. Adapun
komponen penting dalam permasalahan optimasi antara lain:
1. Fungsi objektif (Objective Function)/Fungsi tujuan

2. Constraints/fungsi batasan/kendala
Formulasi permasalahan dapat dikatakan sebagai tahapan yang paling

penting dalam menyelesaikan sebuah masalah yang melibatkan optimasi.
Formulasi masalah membutuhkan identifikasi elemen penting dari
pernyataan verbal dari sebuah aplikasi yang diberikan, dan mengaturnya ke
dalam sebuah bentuk matematis yang dinamakan: fungsi Objektif/fungsi
tujuan (kriteria ekonomi), dan model proses (constraints/batasan kendala).
5
Fungsi tujuan (objective function) adalah fungsi yang menggambarkan
tujuan sasaran di dalam permasalahan linier programming maupun non
linier programming yang berkaitan dengan pengaturan secara optimal
sumberdaya-sumberdaya, misalnya, untuk memperoleh keuntungan
maksimal atau biaya minimal. Pada umumnya nilai yang akan dioptimalkan
dinyatakan sebagai 𝒁.Fungsi tujuan merepresentasikan keuntungan (profit),
biaya (cost), energi, yield, dll, dalam kaitannya dengan variabel dari proses
yang sedang dianalisa. Proses model dan constraints menggambarkan
hubungan antara variabel kunci.
Perbedaan dari permasalahan Linier Programming dan Non-Linier

programming terletak dari jenis fungsi yang dioptimasi dan metode
optimasi yang digunakan untuk menyelesaikan masalah optimasi tersebut.
Fungsi linier merupakan fungsi dengan persamaan yang memiliki variabel

berpangkat satu. Persamaan linier berbentuk sebuah garis lurus.Bentuk
umum persamaan linier adalah: 𝑦 = 𝑎 + 𝑏𝑥. Di mana 𝑎 adalah konstanta
dan 𝑏 adalah koefisien.
Linear Programming (LP) atau pemrograman linier merupakan teknik

optimasi yang digunakan secara luas dan juga paling efektif. Istilah
pemrograman linier mengacu pada prosedur optimasi terhadap sebuah
permasalahan dengan fungsi tujuan dan kendala yang linier.
Hampir semua masalah pemrograman linier umumnya dapat melibatkan

penggunaan program komputer. Namun demikian, Istilah “pemrograman”
pada pemrograman linier tidak mesti selalu mengacu pada kebutuhan akan
pengkodean komputasi. Salah satu metode optimasi untuk pemrograman
6
linier adalah dengan metode simplex. Beberapa program komputer yang
dapat digunakan untuk memecahkan masalah linear programming
diantaranya POM, MATLAB, Ms. Excel, dan lain-lain.
Fungsi nonliniermerupakan fungsi dengan persamaan yang memiliki

variabel berpangkat lebih dari satu, atau dengan kata lain berpangkat
banyak (polinom). Persamaan nonlinier dapat berbentuk garis lengkung,
kurva, atau daerah tiga dimensi tertentu. Fungsi nonlinier lebih rumit
dibandingkan dengan fungsi linier dalam hal penyelesaiannya.
Nonlinear Program (NLP) atau pemrograman nonlinier mirip dengan

pemrograman linier, yaitu terdiri dari fungsi tujuan, kendala, dan variabel.
Perbedaannya adalah pada NLP memiliki setidaknya satu fungsi nonlinier,
bisa itu pada fungsi tujuannya, atau pada beberapa atau seluruh
kendalanya (constraints). Banyak sistem dalam kenyataannya adalah
nonlinier, dan biasanya jauh lebih sulit untuk dioptimumkan.
Fungsi kendala (constraints) merupakan bentuk penyajian secara

matematis dari batasan-batasan/kendala kapasitas yang tersedia yang akan
dialokasikan secara optimal ke berbagai kegiatan.
Di bidang bisnis dan agroindustri, hasil dari upaya optimasi menjadi sangat
penting karena dapat mempengaruhi besarnya laba, tingkat efisiensi
produksi, maupun menjadi bahan pertimbangan penting dalam
pengambilan berbagai keputusan. Sebagai contoh, penentuan lokasi
sumber daya, lokasi pemasok, kapasitas gudang dan jalur distribusi suatu
produk hasil pertanian untuk meminimumkan biaya transportasi
merupakan upaya optimasi di bidang Supply Chain Management (SCM).
7
Contoh lain kegiatan optimasi yang dapat diterapkan dalam berbagai
proyek, diantaranya:
1. Penentuan tata letak lokasi pabrik terbaik

2. Penentuan rute distribusi bahan baku dan produk jadi
3. Tata letak dan penentuan ukuran saluran pipa
4. Peralatan dan desain bangunan
5. Perawatan dan penjadwalan penggantian peralatan
6. Operasional peralatan, seperti reaktor, kolom, absorber, dll.
7. Evaluasi data bangunan untuk membangun model sebuah proses
8. Minimisasi biaya penyimpanan
9. Alokasi bahan atau layanan diantara berbagai proses
10. Perencanaan dan penjadwalan pembangunan, dll
Proses Optimasi atau pencarian titik optimum (titikekstrim) dapat dilakukan

dengan beberapa metode, yaitu:
1. Analitik
Metode analitik merupakan metode menghitung titik optimum
(titik ekstrim) menggunakan syarat perlu fungsi dan perhitungan
turunan fungsi. Metode ini disebut sebagai metode indirect
(metode tak langsung), karena secara tak langsung mencari titik
optimum dari sebuah fungsi, yaitu dengan cara menurunkan fungsi
tersebut (memanfaatkan turunan fungsi/metode derivative).
Metode analitik mudah digunakan dalam memecahkan
permasalahan optimasi sederhana, namun sulit digunakan untuk
menyelesaikan masalah dengan fungsi tujuan nonlinear yang
memiliki lebih dari satu variabel.
8
2. Numerik
Dengan berkembangnya ilmu komputer modern, pencarian titik
optimum pada sebuah fungsi yang lebih kompleks dapat
diselesaikan secara iterative (berulang-ulang), atau numeric
(metode pencarian titik ekstremum dengan menggunakan
penyelesaian fungsi dan terkadang juga menggunakan turunan
fungsi)
Metode ini dapat disebut sebagai metode direct (metode langsung),
karena secara langsung mencari titik optimum pada suatu fungsi
dengan pencarian titik per titik 𝑥, secara berulang.
3. Heuristik
Metode ini mengacu pada experience-based techniques untuk
pemecahan masalah, termasuk penyelesaian masalah optimasi.
Metode ini mencari titik optimum atau yang mendekati optimum
dengan aturan (rules) tertentu. Metode heuristik biasanya
digunakan untuk menyelesaikan fungsi yang kompleks.
9
2. KONSEP DASAR OPTIMASI
Pemahaman mengenai beberapa konsep dasar diperlukan untuk

memahami prosedur strategi optimasi fungsi nonlinier. Bab ini akan
membahas beberapa sifat fungsi tujuan dan kendala dalam menganalisa
permasalahan optimasi. Syarat perlu dan syarat cukup sebuah fungsi juga
dibahas untuk mengetahui apakah titik ekstrim fungsi merupakan titik
minimum, maksimum atau titik belok (saddle point).
2.1 Kontinuitas Fungsi
Dalam memecahkan sebuah permasalahan optimasi baik secara analitik

maupun numerik, biasanya lebih mudah jika fungsi yang akan dioptimasi
merupakan fungsi yang kontinu, dibandingkan dengan fungsi yang
diskontinu. Fungsi dengan turunan yang kontinu juga biasanya lebih
diinginkan, terutama dalam penyelesaian masalah optimasi secara analitik.
Sebuah fungsi dengan satu variabel x disebut kontinu pada sebuah titik 𝑥0 ,
jika:
𝑓 𝑥0 𝑎𝑑𝑎
lim 𝑓(𝑥) 𝑎𝑑𝑎

𝑥→𝑥 0
lim 𝑓(𝑥) = 𝑓(𝑥0 )

𝑥→𝑥 0
10
𝑓(𝑥1 ) 𝑓(𝑥2 )
𝑥1 𝑥2
Kasus A Kasus B
Gambar 1. Diskontinuitas pada fungsi dan/atau turunan fungsi
Sebuah ke-diskontinu-an mungkin dapat menyebabkan kesulitan dalam

upaya pengoptimasian tergantung dari metode optimasi yang digunakan.
Pada Gambar 1 kasus A, titik maksimum terdapat pada area yang jauh dari
area diskontinu, sehingga sulit ditemukan pada saat proses pencarian titik
optimum. Pada kasus B, jika upaya pencarian titik optimasi tidak
menggunakan metode dengan turunan, maka adanya sudut pucuk bawah
fungsi bisa jadi tak masalah dalam proses pencarian. Namun, pencarian titik
optimasi bisa gagal bila menggunakan metode yang memanfaatkan turunan
fungsi.
2.2 Fungsi Unimodal vs Multimodal
Fungsi unimodal merupakan fungsi 𝑓(𝑥) yang memiliki satu titik ekstremum
(minimum atau maksimum), sedangkan fungsi multimodal merupakan
fungsi yang memiliki dua atau lebih titik ekstremum (Gambar 2 dan Gambar
3).
11
𝑓(𝑥)
𝑥1 𝑥2 𝑥∗ 𝑥3
Gambar 2. Fungsi unimodal
𝑓(𝑥)
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑥7 x
Gambar 3. Fungsi multimodal
Jika turunan pertama fungsi 𝑓(𝑥), yaitu 𝑓′(𝑥)sama dengan nol (𝑓′ 𝑥 = 0)
pada titik ekstremum, maka titik tersebut itu disebut sebagai titik stasioner
(dan bisa jadi merupakan titik minimum atau maksimum ataupun titik
belok/titik pelana/saddle point). Fungsi multimodal memiliki beberapa titik
stasioner. Global ekstremum merupakan titik paling tinggi atau paling
rendah di antara sekumpulan titik ekstremum. Lokal ekstremum
merupakan semua titik ekstremum yang terdapat pada fungsi. Perbedaan
kedua jenis ekstremum ini sangat berpengaruh pada saat pemecahan
masalah optimasi fungsi nonlinier. Pencarian titik optimum dengan
12
beberapa metode numerik biasanya berhenti pada titik ekstremum lokal,
padahal mungkin bukan titik tersebut yang sebenarnya dicari.
2.3 Fungsi Cembung (Convex) dan Fungsi Cekung

(Concave)
Pemahaman mengenai kekonveks-an suatu fungsi dapat membantu

menentukan apakah suatu fungsi memiliki titik minimum atau maksimum.
(i) Fungsi cekung/concave (ii) Fungsi cembung/convex
𝑓(𝑥) 𝑓(𝑥)
𝑥 𝑥
𝑥1 𝑥2 𝑥1 𝑥2
Gambar 4. Perbandingan antara fungsi cekung/concave (i) dan fungsi

cembung/convex (ii)
Jika nilai 𝑓 𝑥 pada garis lurus (pada Gambar 4 digambarkan sebagai garis
lurus putus-putus) yang menghubungkan setiap 𝑓(𝑥1 ) dan 𝑓(𝑥2 ) untuk
setiap pasang 𝑥1 dan 𝑥2 terletak pada atau di bawah nilai fungsinya sendiri,
maka fungsi tersebut pada range 𝑥1 hingga 𝑥2 adalah concave (cekung
terhadap sumbu 𝒙 ). Jika nilai 𝑓 𝑥 pada garis lurus antara 𝑓(𝑥1 ) dan
𝑓(𝑥2 )terletak pada atau di atas nilai fungsinya sendiri, maka fungsi tersebut
13
pada range 𝑥1 hingga 𝑥2 adalah fungsi convex (cembung terhadap sumbu 𝒙)
(Edgar & Himmelblau 1989).
𝑓′(𝑥) 𝑓′(𝑥)
0 𝑥 0 𝑥
Gambar 5. Plot turunan pertama fungsi cekung/concave (i) dan

cembung/convex (ii) dengan satu variabel
Gambar 5 merupakan plot turunan pertama (𝑓′ 𝑥 ) dari fungsi cekung

(concave) dan cembung (convex) pada Gambar 4 (fungsi kuadratik dengan
satu variabel). Sedangkan Gambar 6 merupakan plot dari turunan kedua
(𝑓" 𝑥 ) dari fungsi-fungsi yang sama.
𝑓′′(𝑥) 𝑓′′(𝑥)
0 𝑥 0 𝑥
Gambar 6. Plot turunan kedua fungsi cekung/concave (i) dan

cembung/convex (ii) dengan satu variabel
14
Dalam pencarian titik optimasi, digunakan turunan pertama
fungsi𝒇(𝒙)yang disebut denganvektor gradien 𝛁𝒇(𝒙). Turunan kedua dari
fungsi 𝑓(𝑥) adalah ∇2 𝑓(𝑥) jika 𝑥 sebuah vektor. ∇2 𝑓(𝑥) disebut Hessian
Matrix (matriks Hess) dan sering dinotasikan dengan simbol H(𝑥)atau H.
Jika nilai vektor gradien sama dengan nol ( ∇𝑓(𝑥) = 0 ) pada titik 𝑥 ∗ tertentu,
maka titik tersebut disebut sebagai titik stasioner (di mana bisa jadi tercapai
titik ekstremum, yaitu bisa titik minimum, titik maksimum, atau bukan
keduanya; yaitu titik pelana/titik sadel/saddle point).
Jika terdapat suatu fungsi 𝑓(𝑥) dengan variabel sejumlah 𝑛, maka vektor
gradiennya:
𝜕𝑓 𝑥1 , 𝑥2 , … 𝑥𝑛
𝜕𝑥1
𝜕𝑓 𝑥1 , 𝑥2 , … 𝑥𝑛
𝜕𝑥2
∇𝑓 𝑥1 , 𝑥2 , … 𝑥𝑛 = ..
..
..
𝜕𝑓 𝑥1 , 𝑥2 , . . 𝑥𝑛
𝜕𝑥𝑛
Jika fungsi 𝑓diturunkan/ dideferensiasikan secara kontinu sebanyak 2 kali,

maka di titik 𝑥 terdapat matriks turunan kedua yang disebut matriks Hess
(H):
15
𝜕 2 𝑓(𝑥1 , 𝑥2 , . . 𝑥𝑛 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 , . . 𝑥𝑛 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 , . . 𝑥𝑛 )
…
𝜕 2 𝑥1 𝜕𝑥1 𝜕𝑥2 𝜕𝑥1 𝜕𝑥𝑛
2 2 2
𝜕 𝑓(𝑥1 , 𝑥2 , . . 𝑥𝑛 ) 𝜕 𝑓 𝑥1 , 𝑥2 , . . 𝑥𝑛 𝜕 𝑓(𝑥1 , 𝑥2 , . . 𝑥𝑛 )
…
𝜕𝑥2 𝜕𝑥1 𝜕 2 𝑥2 𝜕𝑥2 𝜕𝑥𝑛
H𝑥 = ..
..
..
𝜕 2 𝑓(𝑥1 , 𝑥2 , . . 𝑥𝑛 ) 𝜕 2 𝑓 𝑥1 , 𝑥2 , . . 𝑥𝑛 … 𝜕 2 𝑓(𝑥1 , 𝑥2 , . . 𝑥𝑛 )
𝜕𝑥𝑛 𝜕𝑥1 𝜕𝑥𝑛 𝜕𝑥2 𝜕 2 𝑥𝑛
Pengetahuan mengenai rumus turunan fungsi ada baiknya diperdalam

kembali untuk menyelesiakan soal-soal yang berkaitan dengan vektor
gradien dan matriks Hess.
Contoh Soal 2. 1
Tentukan vektor gradien dan matriks Hess H dari fungsi
𝑓 𝑥, y = 6𝑥 2 + 𝑦 3 + 8𝑥𝑦 + 3𝑦 2
Jawab :
Gradien vector dari fungsi 𝑓(𝑥) adalah
𝜕𝑓(𝑥, 𝑦)
𝜕𝑥 12𝑥 + 8𝑦
∇𝑓 𝑥, 𝑦 = 𝜕𝑓(𝑥, 𝑦) =
3𝑦 2 + 8𝑥 + 6𝑦
𝜕𝑦
Sehingga matriks Hessnya adalah
𝜕 2 𝑓(𝑥, 𝑦) 𝜕 2 𝑓(𝑥, 𝑦)
𝜕2 𝑥 𝜕𝑥𝜕𝑦 12 8
H𝑥 = 2 =
2
𝜕 𝑓(𝑥, 𝑦) 𝜕 𝑓(𝑥, 𝑦) 8 6𝑦 +6
𝜕𝑦𝜕𝑥 𝜕2 𝑦
16
------------------------------------------------------------------------------------------
Contoh Soal 2. 2
Tentukan vektor gradien dan matriks Hess dari fungsi
𝑓 𝑥1 , 𝑥2 = −5𝑥1 2 + 𝑥2 2 − 6𝑥1 + 6
Jawab :
Gradien vector dari fungsi 𝑓 𝑥1 , 𝑥2 adalah
𝜕𝑓(𝑥1 , 𝑥2 )
𝜕𝑥1 −10𝑥1 − 6
∇𝑓 𝑥1 , 𝑥2 = =
𝜕𝑓(𝑥1 , 𝑥2 ) 2𝑥2
𝜕𝑥2
𝜕 2 𝑓(𝑥1 , 𝑥2 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 )
𝜕2 𝑥 𝜕𝑥1 𝜕𝑥2 −10 0
H𝑥 = 2 2 =
𝜕 𝑓(𝑥1 , 𝑥2 ) 𝜕 𝑓(𝑥1 , 𝑥2 ) 0 2
𝜕𝑥2 𝜕𝑥1 𝜕 2 𝑥2
------------------------------------------------------------------------------------------
Contoh Soal 2. 3
𝑓 𝑥 = 3𝑥1 2 + 6𝑥1 + 𝑥2 2 +6𝑥1 𝑥2 + 𝑥3 + 2𝑥32 + 𝑥2 𝑥3 + 𝑥2
Jawab :
Gradien vector dari fungsi 𝑓 𝑥 adalah
17
𝜕𝑓(𝑥1 , 𝑥2 , 𝑥3 )
𝜕𝑥1
𝜕𝑓(𝑥1 , 𝑥2 , 𝑥3 ) 6𝑥1 + 6𝑥2 + 6
∇𝑓 𝑥1 , 𝑥2 , 𝑥3 = = 2𝑥2 + 6𝑥1 + 𝑥3 + 1
𝜕𝑥2 4𝑥3 + 𝑥2 + 1
𝜕𝑓(𝑥1 , 𝑥2 , 𝑥3 )
𝜕𝑥3
𝜕 2 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 , 𝑥3 )

𝜕 2 𝑥1 𝜕𝑥1 𝜕𝑥2 𝜕𝑥1 𝜕𝑥3
2 2 2
𝜕 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) 𝜕 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) 𝜕 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) 6 6 0
H𝑥 = = 6 2 1
𝜕𝑥2 𝜕𝑥1 𝜕 2 𝑥2 𝜕𝑥2 𝜕𝑥3 0 1 4
𝜕 2 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 , 𝑥3 )
𝜕𝑥3 𝜕𝑥1 𝜕𝑥3 𝜕𝑥2 𝜕 2 𝑥3
------------------------------------------------------------------------------------------
Contoh Soal 2. 4
𝑓 𝑥1 , 𝑥2 = 𝑎0 𝑥1 + 𝑎1 𝑥2 +𝑎2 𝑥1 2 +𝑎3 𝑥2 2 + 𝑎4 𝑥1 𝑥2
Jawab :
Vektor gradien dari fungsi 𝑓 𝑥1 , 𝑥2 adalah
𝜕𝑓(𝑥1 , 𝑥2 )
𝜕𝑥1 𝑎 + 2𝑎2 𝑥1 + 𝑎4 𝑥2
∇𝑓 𝑥1 , 𝑥2 = = 0
𝜕𝑓(𝑥1 , 𝑥2 ) 𝑎1 + 2𝑎3 𝑥2 + 𝑎4 𝑥1
𝜕𝑥2
18
𝜕 2 𝑓(𝑥1 , 𝑥2 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 )
𝜕2 𝑥 𝜕𝑥1 𝜕𝑥2 2𝑎2 𝑎4
H𝑥 = 2 =
𝜕 𝑓(𝑥1 , 𝑥2 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 ) 𝑎4 2𝑎3
𝜕𝑥2 𝜕𝑥1 𝜕 2 𝑥2
------------------------------------------------------------------------------------------
Dari Gambar 6 dapat dilihat bahwa, jika nilai 𝑓" 𝑥 pada batas 𝑎 ≤ 𝑥 ≤ 𝑏
adalah negatif atau nol, maka fungsi 𝑓(𝑥) adalah concave (fungsi dengan
titik maksimum/cekung terhadap sumbu 𝑥). Dan jika nilai 𝑓”(𝑥) pada batas
𝑎 ≤ 𝑥 ≤ 𝑏 adalah positif atau nol, maka fungsi 𝑓(𝑥) adalah convex
(fungsi dengan titik minimum/cembung terhadap sumbu 𝑥). Strictly concave
berarti bahwa 𝑓”(𝑥) selalu negatif, dan strictly convex berarti 𝑓”(𝑥) selalu
positif pada batas 𝑥 tertentu.
Dalam menentukan status matriks Hess (H) atau sifat titik

stasioner/ekstremum suatu fungsi, terdapat dua macam tes yang bisa
dilakukan (Edgar & Himmelblau 1989), yaitu:
1. Determinan principal minor

Untuk fungsi convex (fungsi dengan titik minimum): Semua elemen
diagonal H harus positif, dan determinan principal minor-nya, det
{Mi(H)}, det (H) adalah positif (>0)
Untuk fungsi concave (fungsi dengan titik maksimum): Semua
elemen diagonal H harus negatif, dan det (H) dan det {Mi(H)} > 0
untuk i genap (i = 2, 4, 6, …), det (H) dan det {Mi(H)} < 0 untuk i
ganjil (i = 1, 3, 5, …), di mana Mi merupakan determinan principal
minor ke-i.
2. Nilai eigen (eigenvalue)
19
Untuk fungsi convex (fungsi dengan titik minimum): Semua nilai
eigen H(𝑥) adalah positif (>0).
Untuk fungsi concave (fungsi dengan titik maksimum): Semua nilai
eigen H(𝑥) adalah negatif.
Tabel hubungan antara sifat fungsi 𝑓(𝑥) dengan H(𝑥):
𝒇(𝒙) adalah 𝐇(𝒙) adalah Semua nilai Determinan

eigen dari 𝐇(𝒙) principal minor
adalah H*(∆i)
Pasti convex Positif difinit >0 ∆1> 0, ∆2> 0, …
Convex Positif semi- ≥0 ∆1≥ 0, ∆2≥ 0, …

definit
Concave Negatif semi- ≤0 ∆1≤ 0, ∆2 ≥ 0, ∆3≤

definit 0, …
Pasti concave Negatif definit <0 ∆1< 0, ∆2> 0, ∆3< 0,

…
(Edgar & Himmelblau 1989)
Bila terdapat hasil test matriks Hess suatu fungsi tidak tergolong aturan di
atas, maka besar kemungkinan pada titik 𝑥 ∗ tertentu pada fungsi tersebut
adalah titik pelana/titik balik/saddle point.
Jika sebuah fungsi memiliki titik stasioner dengan matriks Hess-nya memiliki
nilai eigen dengan tanda berbeda-beda, maka fungsi tersebut tidaklah
cembung (convex) dan tidak juga cekung (concave).
20
Misalkan sebuah fungsi dengan dua variabel memiliki elemen diagonal
matriks Hess positif, namun setelah dianalisa determinan principal minor-
nya menghasilkan :
Det M1 positif
Der M2 negatif
Maka fungsi tersebut memiliki titik stasioner berupa titik pelana/titik

balik/saddle point (perhatikan contoh-contoh soal yang diuraikan
selanjutnya).
Suatu fungsi mungkin saja memiliki beberapa titik stasioner, yaitu saat
∇𝑓(𝑥) = 0, dengan titik minimum global dan lokal, titik maksimum dan titik
pelana sekaligus (Gambar 7).
𝑓(𝑥)
𝑥
𝑎 𝑏 𝑐 𝑑 𝑒
a – titik maksimum golbal (atau maksimum lokal)

b – titik minimum global (atau minimum global)
c – titik balik (atau titik pelana/saddle point)
d – titik maksimum lokal
e – titik minimum lokal
21
Gambar 7. Fungsi dengan beberapa titik stasioner
Contoh Soal 2. 5
Diketahui fungsi 𝑓 𝑥 = 2𝑥1 2 +3𝑥1 𝑥2 + 2𝑥2 2 . Apakah fungsi

𝑓(𝑥)minimum, maksimum, atau titik pelana? Gunakan tes determinan
principal minor dan nilai eigen matriks Hess-nya!
Jawab :
Vektor gradien dari fungsi f adalah
𝜕𝑓(𝑥1 , 𝑥2 )
𝜕𝑥1 4𝑥1 + 3𝑥2
∇𝑓 𝑥1 , 𝑥2 = =
𝜕𝑓(𝑥1 , 𝑥2 ) 3𝑥1 + 4𝑥2
𝜕𝑥2
Sehingga matriks Hess
𝜕 2 𝑓(𝑥1 , 𝑥2 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 )
𝜕2 𝑥 𝜕𝑥1 𝜕𝑥2 4 3
H𝑥 = 2 2 =
𝜕 𝑓(𝑥1 , 𝑥2 ) 𝜕 𝑓(𝑥1 , 𝑥2 ) 3 4
𝜕𝑥2 𝜕𝑥1 2
𝜕 𝑥2
 Tes determinan principal minor
M1 (order 1) = 4
M2 (order 2) = 7
Det M1 = 4 > 0
Det M1 = 7 > 0
22
H(𝑥) positif definit →𝑓(𝑥) pasti cembung (convex), yaitu fungsi dengan
titik minimum.
 Test nilai eigen
4−𝛼 3
Menentukan nilai eigen H(𝑥) → H − 𝛼𝐼 =
3 4−𝛼
4−𝛼 3
Det = 4−𝛼 4−𝛼 − 3 3 =0
3 4−𝛼
𝛼 2 − 8𝛼 + 16 = 0
𝛼1 = 4 dan 𝛼2 = 4
 kedua nilai eigen positif, sehingga fungsi 𝑓(𝑥) merupakan fungsi

cembung (convex), yaitu fungsi dengan titik minimum.
------------------------------------------------------------------------------------------
Pencarian nilai 𝑥1 dan 𝑥2 (dalam contoh soal di atas, mencari nilai 𝛼1 dan
𝛼2 ) dapat menggunakan rumus persamaan kuadrat:
−𝑏 ± 𝑏 2 − 4𝑎𝑐
𝑥=
2𝑎
------------------------------------------------------------------------------------------
Contoh Soal 2. 6
Periksa apakah titik [2,1] merupakan titik minimum lokal pada fungsi
𝑓 𝑥 = 2𝑥1 2 −2𝑥1 𝑥2 + 2𝑥2 2 − 6𝑥1 + 6
Jawab
Vektor gradien dari fungsi 𝑓 adalah
23
𝜕𝑓(𝑥1 , 𝑥2 )
𝜕𝑥1 4𝑥1 − 2𝑥2 − 6
∇𝑓 𝑥1 , 𝑥2 = =
𝜕𝑓(𝑥1 , 𝑥2 ) −2𝑥1 + 4𝑥2
𝜕𝑥2
𝜕 2 𝑓(𝑥1 , 𝑥2 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 )
𝜕2 𝑥 𝜕𝑥1 𝜕𝑥2 4 −2
H𝑥 = 2 2 =
𝜕 𝑓(𝑥1 , 𝑥2 ) 𝜕 𝑓(𝑥1 , 𝑥2 ) −2 4
𝜕𝑥2 𝜕𝑥1 2
𝜕 𝑥2
M1 (order 1) = 4
M2 (order 2) = 12
Det M1 = 4 > 0
Det M1 = 12 > 0
 karena semua elemen diagonal matriks Hess adalah positif dan

determinan prinsipal minor juga positif, maka benar fungsi 𝑓 adalah fungsi
convex/cembung yang memiliki titik minimum.
Memeriksa titik [2,1] sebagai titik minimum:
→ titik ekstrim (minimum atau maksimum) tercapai saat vektor gradien

fungsi adalah sama dengan nol (∇𝑓 𝑥 = 0).
𝜕𝑓 (𝑥 1 ,𝑥 2 )
𝜕𝑥 1 4𝑥1 − 2𝑥2 − 6
∇𝑓 𝑥1 , 𝑥2 = = =0
𝜕𝑓 (𝑥 1 ,𝑥 2 ) −2𝑥1 + 4𝑥2
𝜕𝑥 2
Masukkan titik [2,1] pada fungsi vektor gradien
24
4(2) − 2(1) − 6 0
∇𝑓 2,1 = =
−2(2) + 4(1) 0
maka benar bahwa titik (2,1) adalah titik minimum.
--------------------
Contoh Soal 2. 7
Pada fungsi 𝑓 𝑥 = 𝑥1 2 +2𝑥1 + 6𝑥2 + 3𝑥2 2 + 4 , periksa titik [-1,-1] apakah

merupakan titik minimum, maksimum, atau titik pelana?
Jawab
𝜕𝑓(𝑥1 , 𝑥2 )
𝜕𝑥1 2𝑥1 + 2
∇𝑓 𝑥1 , 𝑥2 = =
𝜕𝑓(𝑥1 , 𝑥2 ) 6𝑥2 + 6
𝜕𝑥2
𝜕 2 𝑓(𝑥1 , 𝑥2 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 )
𝜕2 𝑥 𝜕𝑥1 𝜕𝑥2 2 0
H𝑥 = 2 =
𝜕 𝑓(𝑥1 , 𝑥2 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 ) 0 6
𝜕𝑥2 𝜕𝑥1 𝜕 2 𝑥2
Elemen diagonal H(𝑥)> 0
Det 1 x 1 = 2 > 0
Det 2 x 2 = Det [H] = 12 – 0 = 12, 12 >0
benar fungsi 𝑓 merupakan fungsi cembung terhadap sumbu 𝑥 (convex)

sehingga memiliki titik minimum.
25
Menentukan titik (-1,-1) sebagai titik minimum:
→ titik ekstrem (minimum atau maksimum) tercapai saat vektor gradien

fungsi adalah sama dengan nol (∇𝑓 𝑥 = 0).
2𝑥1 + 2 0
∇𝑓 −1, −1 = =
6𝑥2 + 6 0
maka benar bahwa titik (-1,-1) adalah titik minimum.
--------------------
Contoh Soal 2. 8
Tentukan titik optimum persamaan 𝑓 𝑥, y = 4𝑥 2 + 6𝑦 2 − 12𝑥𝑦 + 60 +

12𝑦 − 6𝑥, dan tentukan apakah titik tersebut merupakan titik maksimum,
minimum, atau pelana.
Jawab :
𝜕𝑓(𝑥, 𝑦)
𝜕𝑥 8𝑥 − 12𝑦 − 6
∇𝑓 𝑥, 𝑦 = 𝜕𝑓(𝑥, 𝑦) =
12𝑦 − 12𝑥 + 12
𝜕𝑦
Sehingga matriks Hess nya adalah
𝜕 2 𝑓(𝑥, 𝑦) 𝜕 2 𝑓(𝑥, 𝑦)
𝜕2 𝑥 𝜕𝑥𝜕𝑦 8 −12
H𝑥 = 2 2 =
𝜕 𝑓(𝑥, 𝑦) 𝜕 𝑓(𝑥, 𝑦) −12 12
𝜕𝑦𝜕𝑥 𝜕2 𝑦
Memeriksa H𝑥, diagonal matriks H𝑥 dalah positif
Det M1 = 8 > 0
26
Det M2= det H = 8 x 12 – (-12) x (-12) = -48 < 0
Determinan M1 dan M2 berbeda tanda, perlu diperiksa nilai eigen.
8−𝛼 −12
Menentukan nilai eigen H(𝑥) → 𝐻 − 𝛼𝐼 =
−12 12 − 𝛼
8−𝛼 −12
Det = 8 − 𝛼 12 − 𝛼 − −12 −12 = 0
−12 12 − 𝛼
𝛼 2 − 20𝛼 + 48 = 0
𝛼1 = 22.167 dan 𝛼2 = −2.15
nilai eigen berbeda tanda yang berarti fungsi 𝑓 bukan fungsi cembung
ataupun cekung namun merupakan fungsi stasioner dengan titik pelana.
→ pencarian titik stasioner
𝜕𝑓 (𝑥,𝑦)
𝜕𝑥 8𝑥 − 12𝑦 − 6 0
∇𝑓 𝑥, 𝑦 = = =
𝜕𝑓 (𝑥,𝑦) 12𝑦 − 12𝑥 + 12 0
𝜕𝑦
8𝑥 – 12 𝑦 – 6 = 0 dan 12 𝑦 − 12𝑥 + 12 = 0
3 1
Maka titik stasioner ada pada (𝑥, 𝑦) dengan 𝑥 = dan 𝑦 =
2 2
--------------------
Contoh Soal 2. 9
Tentukan apakah fungsi 𝑓 𝑥, y = 𝑥 2 − 𝑦 2 memiliki titik maksimum,

minimum atau pelana.
Jawab
27
𝜕𝑓(𝑥, 𝑦)
𝜕𝑥 2𝑥
∇𝑓 𝑥, 𝑦 = 𝜕𝑓(𝑥, 𝑦) =
−2𝑦
𝜕𝑦
Sehingga matriks Hess nya adalah
𝜕 2 𝑓(𝑥, 𝑦) 𝜕 2 𝑓(𝑥, 𝑦)
𝜕2 𝑥 𝜕𝑥𝜕𝑦 2 0
H𝑥 = 2 2 =
𝜕 𝑓(𝑥, 𝑦) 𝜕 𝑓(𝑥, 𝑦) 0 −2
𝜕𝑦𝜕𝑥 2
𝜕 𝑦
Diagonal matriks H berbeda tanda
Det M1 = 2, 2>0
Det M2 = -4 < 0
didapat bahwa tanda pada determinan prinsipal minor saling berbeda

sehingga fungsi 𝑓 merupakan fungsi yang memiliki titik stasioner tipe titik
pelana.
2.4Area konveks (convex region)
Sebuah area konveks (himpunan titik) memainkan peranan yang penting

dalam pengoptimasian fungsi dengan kendala. Sebuah himpunan konveks
ada jika untuk sembarang dua titik pada area, yaitu 𝑥𝑎 dan 𝑥𝑏 ; semua titik 𝑥
pada garis yang menyatukan 𝑥𝑎 dan 𝑥𝑏 tersebut berada dalam himpunan.
Jika sebuah area dibatasi oleh fungsi-fungsi konkaf untuk kasus di mana
semua kendala 𝑔𝑗 (𝑥) ≥ 0, maka fungsi membentuk sebuah area konveks
tertutup. Untuk kasus di mana semua kendala pertidaksamaan berbentuk
28
𝑔𝑗 (𝑥) ≤ 0 adalah fungsi konveks, maka fungsi membentuk sebuah area
konveks.
--------------------
2.5 Soal Latihan
1. Tentukan nilai vektor gradien dan H untuk fungsi berikut, pada titik (𝑥, 𝑦)
= (2,2):
1
𝑓 𝑥, 𝑦 = 2𝑥 2 + 𝑦 2 +
2𝑥 2 + 𝑦2
2. Tentukan ∇𝑓 dan H untuk fungsi berikut pada titik (𝑥, 𝑦, 𝑧) = (1,2,3):
𝑓 𝑥, 𝑦, 𝑧 = 𝑥 3 + 12𝑥𝑦 2 + 2𝑦 2 + 5𝑧 2 + 𝑥𝑧 4
3. Sebuah perusahaan garmen di daerah Bogor memproduksi dan

mengimpor pakaian fashion ke luar negeri. Pada bulan Januari perusahaan
tersebut memutuskan untuk memproduksi pakaian desain baru. Fungsi
awal keuntungan (profit) dari penjualan pakaian tersebut adalah:
𝑍 = 𝑉𝑃 − 𝐶𝑓 − 𝑉𝐶𝑣
di mana 𝑉 adalah jumlah penjualan pakaian desain baru per bulan, 𝑃 adalah
price/harga pakaian desain baru, 𝐶𝑓 adalah biaya tetap (fixed cost), dan
𝐶𝑣 adalah biaya tidak tetap (variable cost).
Untuk memproduksi pakaian jenis itu dibutuhkan biaya tetap (fixed cost)
sebesar $10.000 per bulannya, dan biaya tidak tetap (variable cost) sebesar
29
$8 per unit pakaian. Harga pakaian desain baru (price) memiliki hubungan
matematis dengan jumlah penjualan pakaian desain baru (volume), yaitu=
𝑉 = 1.500 − 24,6𝑃
a. Rumuskan fungsi nonlinier dari keuntungan (profit) penjualan pakaian

desain baru tersebut
b. Tentukan harga pakaian desain baru agar diperoleh keuntungan

(profit) maksimum
c. Tentukan jumlah pakaian desain baru yang mesti diproduksi agar

keuntungan mencapai maksimum dengan harga yang telah ditentukan
pada poin b.
d. Buatlah kurva fungsi keuntungan (profit), dan tandai titik optimum

harga dan keuntungan maksimumnya!
4. Sebuah perusahaan furniture yang sedang berkembang pesat

memproduksi kursi kayu. Dalam satu bulan, perusahaan memproduksi kursi
kayu dengan biaya tetap (fixed cost) sebesar $7.500, dengan biaya tidak
tetap (variable cost) sebesar $40 per kursi. Harga kursi (price) memiliki
hubungan matematis dengan jumlah permintaan terhadap kursi kayu
(volume), yaitu 𝑉 = 400 − 1,2𝑃 . Fungsi awal keuntungan (profit) dari
penjualan pakaian tersebut adalah:
𝑍 = 𝑉𝑃 − 𝐶𝑓 − 𝑉𝐶𝑣
30
di mana 𝑉 adalah jumlah penjualan pakaian desain baru per bulan, 𝑃 adalah
price/harga pakaian desain baru, 𝐶𝑓 adalah biaya tetap (fixed cost), dan
𝐶𝑣 adalah biaya tidak tetap (variable cost).
a. Rumuskan fungsi nonlinier dari keuntungan (profit) pembuatan kursi

kayu tersebut
b. Tentukan harga kursi agar diperoleh keuntungan (profit) maksimum
c. Tentukan jumlah kursi yang mesti diproduksi agar keuntungan mencapai

maksimum dengan harga yang telah ditentukan pada poin b.
d. Buatlah kurva fungsi keuntungan (profit), dan tandai titik optimum harga
dan keuntungan maksimumnya!
3. Cari titik ekstrem dari fungsi 𝑓 𝑥 = 0,9𝑥 2 + 2,2𝑥𝑦 + 0,9𝑦 2 dan

tentukan tipe titik ekstrem (titik stasioner) yang diperoleh
4. Dari fungsi-fungsi di bawah ini, tentukan vektor gradien (∇𝑓(𝑥)), matriks

Hess, titik ekstremum/titik stasioner dan analisa matriks Hess-nya untuk
menentukan jenis titik stasioner pada masing-masing fungsi di bawah ini
(apakah titik minimum atau maksimum, atau titik balik), dan jelaskan
perbedaan antara ketiganya:
a. 𝑓 𝑥, 𝑦 = 2𝑥 + 𝑥 2 + 2𝑦 2
b. 𝑓 𝑥, 𝑦 = 2𝑥 + 𝑥 2 − 2𝑦 2
c. 𝑓 𝑥, 𝑦 = −2𝑥 − 𝑥 2 − 2𝑦 2
5. Jelaskan mengapa vektor gradien (∇𝑓(𝑥)) dan matriks Hess [H𝑥] suatu
fungsi perlu dianalisa?
31
3. OPTIMASI FUNGSI SATU VARIABEL TANPA
KENDALA
3.1 Metode Numerik untuk Optimasi Fungsi dengan Satu

Variabel
Sebelum memasuki bahasan mengenai metode numerik pada bab ini dan
bab-bab selanjutnya, berikut ulasan terhadap metode yang telah dipelajari
maupun yang akan dipelajari selanjutnya.
a. Metode Analitis; metode pencarian titik ekstremum (baik titik

minimum ataupun maksimum sebuah fungsi) dengan
memanfaatkan cara turunan fungsi. Titik ekstremum ditemukan
berdasarkan syarat cukup & perlu (vektor gradien & matriks Hess),
juga nilai fungsi serta fungsi turunannya. Metode ini digunakan
sebelum berkembangnya teknologi komputer.
Walaupun metode ini dapat menemukan titik ekstremum secara
cepat pada fungsi nonlinear yang dapat diturunkan, namun metoda
ini mulai sulit digunakan untuk penyelesaian masalah fungsi
nonlinear dengan banyak variabel.
Pemahaman dasar mengenai metode analitis telah disajikan pada
Bab 2.
b. Metode Numerik/iteratif; merupakan metode pencarian titik
ekstremum fungsi (baik titik minimum ataupun maksimum sebuah
32
fungsi) dengan mengujicoba serangkaian titik 𝑥 (𝑥1 , 𝑥2 , 𝑥3 , … . )
pada fungsi 𝑓(𝑥) dan terkadang juga menggunakan cara turunan
fungsi. Cara ini dilakukan secara berulang-ulang (iterative) terhadap
sejumlah titik 𝑥 yang diujicobakan untuk mendapatkan nilai 𝑓(𝑥)
ekstremum, sehingga tak heran, metode ini berkembang seiring
dengan perkembangan teknologi komputer. Metode ini dapat
menyelesaikan masalah optimasi pada fungsi yang tidak kontinu,
atau yang memiliki titik akhir (end points) (Edgar & Himmelblau
1989).
Dalam pelaksanaannya, untuk menggunakan metode numerik
diperlukan titik 𝑥0 , yaitu titik 𝑥 awal pencarian.
fungsi: 𝑓 𝑥 = 4𝑥 2 − 8𝑥 + 4
Mulai
f(x) pencarian
Metode iterasi:
Titik x* perkiraan
kedua
Metode analitis
dengan turunan:
𝜕𝑓 𝑥
=0 Metode iterasi:
𝜕𝑥
∗
𝑥 Titik x* perkiraan
pertama
(x)
33
Gambar 8. Metode iterasi vs analitis dalam pencarian titik minimum
Perbedaan antara metode iterasi dan metode analitis dalam pencarian

sebuah titik minimum disajikan pada Gambar 8. Untuk fungsi 𝑓(𝑥) =
4𝑥2 – 8𝑥 + 4; dengan menggunakan metode analitis, titik minimum
ditemukan pada titik 𝑥 ∗ = 1 di mana turunan pertama fungsi atau
𝑓’(𝑥) = 0 (vektor gradien bernilai nol). Sedangkan dengan menggunakan
metode iterasi, usaha pencarian titik minimum dicoba dari titik 𝑥0 = 3,
dan titik minimum 𝑥 ∗ = 1 ditemukan setelah beberapa kali iterasi.
Penentuan titik awal 𝒙𝟎 , prosedur penggolongan (bracketing)
Pencarian titik optimum dengan menggunakan metode numerik lazimnya

membutuhkan penentuan titik awal 𝑥0 , yang merupakan titik di mana
pencarian terhadap titik optimum dimulai. Semakin dekat titik awal (𝑥0 ) itu
terpilih dari titik optimum, maka semakin cepat proses pencarian
optimasinya (Edgar & Himmelblau 2001).
Misalkan terdapat sebuah permasalahan minimasi fungsi: 𝑓 𝑥 = 2𝑥 4 −

4𝑥 + 5, dengan menggunakan metode iterasi. Pencarian titik minimum
dimulai dari titik 𝑥0 . Sebaiknya titik 𝑥0 tidak begitu saja dipilih dari titik 𝑥
sembarang, karena semakin jauh titik 𝑥0 terpilih berada dari 𝑥 ∗ optimum,
semakin banyak iterasi yang mesti dilakukan untuk menemukan titik 𝑥 ∗
optimum. Lazimnya, digunakan sebuah cara pengelompokan (bracketing)
terhadap calon 𝑥0 yang diambil dari nilai 𝑥 sembarang, sebagai berikut:
X -2 -1 0 1 2 3 4 5 6
f(x) 45 11 5 3 29 155 501 1235 2573
34
Dari nilai fungsi 𝑓(𝑥) yang dihasilkan dengan memasukan sejumlah nilai 𝑥
sembarang tersebut tampak kecenderungan bahwa fungsi menurun pada
titik 𝑥 = −1 dan naik pada 𝑥 = 2 . Dari ilustrasi ini, dalam upaya
menemukan titik minimum dengan metode iteratif -idealnya nilai 𝑥0
diambil kira-kira pada nilai antara𝑥 = 0atau 𝑥 = 2.
3.2 Metode: Unidimensional Search
Terdapat tiga prosedur dasar dalam pencarian sebuah titik ekstremum dari
fungsi dengan satu variabel (Edgar & Himmelblau 1989), yaitu:
1. Newton’s method
2. Finite difference approximation of Newton’s method (FDAD)
3. Secant Method
3.2.1 Metode Newton
𝑓 ′ (𝑥 𝑘 )
𝑥 𝑘+1 = 𝑥 𝑘 −
𝑓"(𝑥 𝑘 )
Rumus metoda Newton tersebut merupakan rumus yang dilakukan secara

iteratif atau berulang-ulang. 𝑥 𝑘 pada iterasi pertama adalah 𝑥0 , yang
merupakan titik 𝑥 awal pencarian. Nilai 𝑥 𝑘+1 hasil iterasi pertama akan
dimasukan kembali pada rumus, dan demikian seterusnya pada iterasi
berikutnya, hingga mendapatkan nilai 𝑥 𝑘+𝑛 optimum. Proses iterasi
dihentikan jika nilai 𝑥 𝑘+1 − 𝑥 𝑘 ≤ 𝜀 yang diinginkan (selisih nilai 𝑥 hasil
iterasi dengan 𝑥 iterasi sebelumnya kurang dari nilai eror yang diinginkan),
35
dan tidak ada beda antara nilai fungsi 𝑓(𝑥) hasil iterasi yang satu dengan
yang selanjutnya. Pada kondisi ini dapat dikatakan bahwa 𝑥 ∗ yang diperoleh
merupakan 𝑥 ∗ optimum (Edgar & Himmelblau 1989).
Untuk permasalahan minimisasi, pastikan bahwa nilai 𝑓(𝑥 𝑘+1 ) <

𝑓(𝑥 𝑘 )(nilai fungsi suatu iterasi lebih kecil dari nilai fungsi pada iterasi
sebelumnya).
f ’(x)
f ’(x)
Tangen f ’(x) pada xk
x*
xk x
xk+1
Gambar 9. Aplikasi metode Newton pada penyelesaian 𝑓’(𝑥) = 0
Ilustrasi mengenai aplikasi metode Newton untuk pencarian titik

𝑥 𝑛 optimum disajikan pada Gambar 9. Grafik turunan fungsi pertama 𝑓’(𝑥)
diplotkan terhadap titik 𝑥. Sebagaimana telah diketahui, titik 𝑥 optimum
tercapai pada saat 𝑓’𝑥) = 0. Pencarian dimulai pada titik 𝑥0 = 𝑥 𝑘 . Rumus
metode Newton menghasilkan nilai 𝑥 𝑘+1 yang mendekati titik 𝑥 ∗ optimum.
Pencarian mesti dilakukan secara berulang/iteratif untuk menghasilkan nilai
𝑥 ∗ optimum.
36
Contoh Soal 3. 1
Minimumkan fungsi 𝑓 𝑥 = 𝑥 2 − 8 , gunakan metode newton dengan

titik awal pencarian 𝑥0 = 3. Lakukan setidaknya 3 kali iterasi untuk
memastikan 𝑥 ∗ optimum tercapai.
Jawab :
𝑓 𝑥 = 𝑥2 − 8 , maka 𝑓 ′ 𝑥 = 2𝑥 dan 𝑓 " 𝑥 = 2 dengan nilai 𝑓”(𝑥)

selalu definit positif.
𝑓 ′ (𝑥 𝑛−1 )
𝑥 𝑛 = 𝑥 𝑛−1 −
𝑓 " (𝑥 𝑛−1 )
6
𝑥1 = 3 − =0
2
0
𝑥2 = 0 − =0
2
𝑥3 = 0
𝑓 0 = −8
Nilai 𝑥 2 = 𝑥 3 = 0 dengan menggunakan metode newton; maka fungsi

𝑓(𝑥) optimum pada 𝑥 = 0 dengan 𝑓(𝑥) = −8 .
37
f(x)2
1
0
-4 -2 -1 0 2 4x
-2 x0 = 3
-3
-4
-5
-6 x*= 0
-7
-8
-9
Gambar 10. Ilustrasi Contoh Soal 3. 1
------------------------------------------------------------------------------------------
38
Untuk memperdalam pemahaman mengenai rumus metoda newton,
berikut disajikan Contoh Soal 3. 2, dengan kasus serupa dengan contoh soal
sebelumnya, namun titik awal pencarian 𝑥0 = −4.
Contoh Soal 3. 2
Minimumkan fungsi 𝑓 𝑥 = 𝑥 2 − 8 , dengan menggunakan metode

newton dengan titik awal pencarian 𝑥0 = −4. Lakukan setidaknya 3 kali
iterasi untuk memastikan 𝑥 ∗ optimum tercapai.
Jawab :
𝑓 𝑥 = 𝑥 2 − 8 , maka 𝑓 ′ 𝑥 = 2𝑥 dan 𝑓" 𝑥 = 2 dengan nilai 𝑓”(𝑥)

𝑓 ′ (𝑥 𝑛−1 )
𝑥 𝑛 = 𝑥 𝑛−1 −
𝑓 " (𝑥 𝑛−1 )
−8
𝑥 1 = −4 − =0
2
0
𝑥2 = 0 − =0
2
𝑥3 = 0 − 0 = 0
𝑓 0 = −8
Nilai 𝑥 2 = 𝑥 3 = 0 dengan menggunakan metode newton; maka fungsi

𝑓(𝑥) optimum pada 𝑥 = 0 dengan 𝑓(𝑥) = −8 .
------------------------------------------------------------------------------------------
Perhatikan Contoh Soal 3. 1 dan Contoh Soal 3. 2, pencarian titik optimum

(minimum) untuk fungsi 𝑓(𝑥) = 𝑥 2 – 8 (Gambar 10) dengan
39
menggunakan Metode Newton dengan titik awal 𝑥0 = 3 akan
menghasilkan titik optimum 𝑥 ∗ yang sama bila pencarian dilakukan dengan
titik awal 𝑥0 = −4. Hal ini terjadi pada fungsi yang memiliki satu nilai titik
ekstremum (unimodal).
Contoh Soal 3. 3
Optimumkan fungsi 𝑓 𝑥 = (𝑥 + 3)(𝑥 + 1)(𝑥 − 2) ,
gunakan metode newton dengan titik awal pencarian 𝑥0 = −3.
Jawab :
𝑓 𝑥 = 𝑥 + 3 𝑥 + 1 𝑥 − 2 = 𝑥 3 + 2𝑥 2 − 5𝑥 − 6 , maka 𝑓 ′ 𝑥 =
3𝑥 2 + 4𝑥 − 5 dan 𝑓 " 𝑥 = 6𝑥 + 4.
𝑓 ′ (𝑥 𝑛−1 )
𝑥 𝑛 = 𝑥 𝑛−1 −
𝑓 " (𝑥 𝑛−1 )
𝑓′ 𝑥 0 10
𝑥1 = 𝑥 0 − 𝑓 " 𝑥0
= −3 − −14 = −2.28571 𝑓 𝑥1 = 3,9386
1.530612
𝑥 2 = −2.28571 − −9.71429 = −2.12815 𝑓 𝑥2 = 4,060356
0.074478
𝑥 3 = −2.12815 − −8.76891 = −2.11966 𝑓 𝑥3 = 4,060673
0.000216
𝑥 4 = −2.11966 − = −2.11963 𝑓 𝑥4 = 4,060673
−8.71795
𝑥 5 = −2.11963 𝑓 𝑥5 = 4,060673
𝑥 6 = −2.11963 𝑓 𝑥6 = 4,060673
𝑥 7 = −2.11963 𝑓 𝑥7 = 4,060673
40
Nilai 𝑥 5 = 𝑥 6 = 𝑥 7 = −2.11963 dengan menggunakan metode
newton; maka fungsi 𝑓(𝑥) optimum pada 𝑥 = −2.11963 dengan
𝑓(𝑥) = 4.060673. Karena nilai 𝑥 ∗ meningkat selama iterasi, maka nilai 𝑥 ∗
merupakan titik maksimum.
------------------------------------------------------------------------------------------
Contoh Soal 3. 4
Optimumkan fungsi 𝑓 𝑥 = (𝑥 + 3)(𝑥 + 1)(𝑥 − 2) , gunakan metode

newton dengan titik awal pencarian 𝑥0 = 1.
Jawab :
𝑓 𝑥 = 𝑥 + 3 𝑥 + 1 𝑥 − 2 = 𝑥 3 + 2 𝑥 2 − 5𝑥 − 6 ,
maka 𝑓 ′ 𝑥 = 3 𝑥 2 + 4𝑥 − 5 dan 𝑓 " 𝑥 = 6𝑥 + 4
𝑓 ′ (𝑥 𝑛−1 )
𝑥 𝑛 = 𝑥 𝑛−1 −
𝑓 " (𝑥 𝑛−1 )
𝑓′ 𝑥 0 2
𝑥1 = 𝑥 0 − 𝑓 " 𝑥0
= 1 − 10 = 0.8 𝑓 𝑥1 = −8
0.12
𝑥 2 = 0.8 − 8.8
= 0.786364 𝑓 𝑥2 = −8,208
0.000558
𝑥 3 = 0.786364 − 8.718182 = 0.7863 𝑓 𝑥3 = −8,20882
𝑥 4 = 0.7863 𝑓 𝑥4 = −8,20882
𝑥 5 = 0.7863 𝑓 𝑥5 = −8,20882
Nilai 𝑥 3 = 𝑥 4 = 𝑥 5 = 0.7863 dengan menggunakan metode newton;

maka fungsi 𝑓(𝑥) optimum pada 𝑥 = 0.7863 dengan nilai 𝑓(𝑥) =
41
−8.20882 . Karena nilai 𝑥 ∗ menurun selama iterasi, maka nilai 𝑥 ∗
merupakan titik minimum.
Titik optimum yang diperoleh bukan titik maksimum (bandingkan dengan

hasil pencarian pada Contoh Soal 3. 3), namun titik minimum.
------------------------------------------------------------------------------------------
Perhatikan bahwa titik 𝑥 ∗ optimum dari fungsi yang sama namun dicari dari
titik awal pencarian 𝑥0 yang berbeda ternyata menghasilkan nilai
𝑥 ∗ optimum serta 𝑓(𝑥) optimum yang berbeda (Contoh Soal 3. 3 dan
Contoh Soal 3.4). Hal ini terjadi karena fungsi 𝑓 𝑥 = 𝑥 + 3 𝑥 + 1 (𝑥 −
2) merupakan fungsi multimodal yang memiliki dua esktremum (titik
maksimum dan titik minimum).
6
f(x)
(-2.12, 4.061)
4
0
x
-4 -3 -2 -1 0 1 2 3
-2
-4
-6
-8
-10 (0.786, -8.208)
Gambar 11. Fungsi 𝑓 𝑥 = 𝑥 + 3 𝑥 + 1 (𝑥 − 2)
42
Karenanya untuk kasus minimasi fungsi, pastikan bahwa nilai 𝑓(𝑥 𝑘+1 ) <
𝑓(𝑥 𝑘 ), dan sebaliknya, untuk kasus maksimasi fungsi, pastikan bahwa nilai
𝑓(𝑥 𝑘+1 ) > 𝑓(𝑥 𝑘 ).
3.2.2 Metode FDAD (Finite Difference Approximation of Newton’s

Method)
Jika fungsi 𝑓(𝑥) tidak diberikan dengan formula, atau formula fungsi terlalu
kompleks sehingga sulit diturunkan, rumus pada metode sebelumnya dapat
diganti dengan persamaan FDAD sebagai berikut:
𝑓 𝑥 + 𝑕 − 𝑓(𝑥 − 𝑕) /2𝑕
𝑥 𝑘+1 = 𝑥 𝑘 −
𝑓 𝑥 + 𝑕 − 2𝑓 𝑥 + 𝑓(𝑥 − 𝑕) /𝑕2
Atau
𝑓 𝑥 + 𝑕 − 𝑓(𝑥 − 𝑕) 𝑕
𝑥 𝑘+1 = 𝑥 𝑘 −
𝑓 𝑥 + 𝑕 − 2𝑓 𝑥 + 𝑓(𝑥 − 𝑕) 2
𝑕 = ukuran langkah pencarian
Contoh Soal 3. 5
Minimumkan fungsi 𝑓 𝑥 = 𝑥 2 − 8 , gunakan metode FDAD dengan titik

awal pencarian 𝑥0 = 3 dan 𝑕 = 0.001. Hentikan iterasi apabila sudah
mencapai eror antar nilai 𝑥 sebesar 0.001.
Jawab :
𝑓 𝑥 + 𝑕 − 𝑓(𝑥 − 𝑕) /2𝑕
𝑥 𝑘+1 = 𝑥 𝑘 −
𝑓 𝑥 + 𝑕 − 2𝑓 𝑥 + 𝑓(𝑥 − 𝑕) /𝑕2
43
Atau
𝑓 𝑥 + 𝑕 − 𝑓(𝑥 − 𝑕) 𝑕
𝑥 𝑘+1 = 𝑥 𝑘 −
𝑓 𝑥 + 𝑕 − 2𝑓 𝑥 + 𝑓(𝑥 − 𝑕) 2
(3.0012 −8)−(2.9992 −8)

0.002 6
𝑥1 = 3 − =3− =0
(3.0012 −8)−(2 3 3 −8 +(2.9992 −8) 2
0.000001
0
𝑥2 = 0 − =0
2
𝑥3 = 0
Nilai 𝑥 1 = 𝑥 2 = 𝑥 3 = 0 dengan menggunakan metode FDAD; maka

fungsi 𝑓(𝑥) optimum pada 𝑥 = 0 dengan 𝑓(0) = −8.
------------------------------------------------------------------------------------------
3.2.3 Metode Secant
Rumus metode Secant adalah sebagai berikut:
𝑓 ′ (𝑥 𝑞 )
𝑥∗ = 𝑥𝑞 −
𝑓 ′ 𝑥𝑞 − 𝑓 ′ 𝑥 𝑝 /(𝑥 𝑞 − 𝑥 𝑝 )
Di mana 𝑥 ∗ merupakan perkiraan nilai 𝑥 yang dihasilkan dari perhitungan

rumus tersebut pada satu iterasi 𝑘.
Kemiringan = m
𝑓 ′ (𝑥)
𝑥∗
44
𝑥𝑝
𝑥∗ 𝑥𝑞 𝑥
Gambar 12.Metode secant untuk penyelesaian 𝑓’(𝑥) = 0
Metode secant dimulai dari penggunaan dua titik 𝑥 𝑝 dan 𝑥 𝑞 pada garis
interval 𝑥 . Kedua titik tersebut memiliki nilai 𝑓’(𝑥 𝑝 ) dan 𝑓’(𝑥 𝑞 ) yang
masing-masingnya berbeda tanda; yaitu negatif atau positif (- atau +),
sehingga titik optimum 𝑥 ∗ dengan nilai 𝑓’(𝑥) = 0 (titik stasioner) akan
selalu berada di antara titik 𝑥 𝑝 dan 𝑥 𝑞 .
Nilai 𝑥 hasil perhitungan satu iterasi akan menjadi input bagi iterasi
selanjutnya, entah itu sebagai 𝑥 𝑝 atau 𝑥 𝑞 pada iterasi berikutnya. Cara
menentukan apakah 𝑥 yang dihasilkan akan menggantikan 𝑥 𝑝 atau 𝑥 𝑞 pada
iterasi selanjutnya adalah dengan memastikan bahwa nilai 𝑓’(𝑥) dengan
𝑓’(𝑥 𝑝 ) atau 𝑓’(𝑥 𝑞 )harus berbeda tanda (positif atau negatif-nya), agar nilai
𝑥 ∗ optimum tetap berada pada interval 𝑥 𝑝 dan𝑥 𝑞 di setiap iterasi yang
dilakukan (Edgar & Himmelblau 1989).
Iterasi dihentikan jika nilai 𝑥 antar iterasi memiliki selisih lebih kecil dari
eror yang diinginkan, 𝑥 𝑘+1 – 𝑥 𝑘 ≤ 𝜀
Contoh Soal 3. 6
Diketahui : minimasi fungsi 𝑓 𝑥 = 𝑥 2 − 8 , gunakan metode Secant

dengan 𝑥 𝑝 = −4 dan 𝑥 𝑞 = 4.
Jawab :
45
𝑓 𝑥 = 𝑥 2 − 8 , maka 𝑓 ′ 𝑥 = 2𝑥 dan 𝑓′′ 𝑥 = 2 dengan nilai 𝑓”(𝑥)
𝑓 ′ (𝑥 𝑞 )
𝑥∗ = 𝑥𝑞 −
𝑓′ 𝑥𝑞 − 𝑓 ′ 𝑥 𝑝 /(𝑥 𝑞 − 𝑥 𝑝 )
2(4) 8
𝑥1 = 4 − =4− 16 = 0 → 𝑓 ′ 0 = 0 → optimum.
2(4)−2(4)/(4−(−4)
8
iterasi dihentikan karena titik stasioner telah tercapai dengan

𝑥𝑂𝑝𝑡𝑖𝑚𝑢𝑚 = 0 dan 𝑓(𝑥) = −8.
f ’(x)
10
𝑥𝑝 2
0
-6 -4 -2 0 2 4 x6
-2
𝑥𝑞
x* opt
-4
-6
-8
-10
Gambar 13. Plot 𝑓’(𝑥) dari fungsi 𝑓 𝑥 = 𝑥 2 − 8
Gambar 13 merupakan plot turunan pertama (𝑓’(𝑥) dari fungsi 𝑓 𝑥 =

𝑥 2 − 8. Terlihat dari gambar bahwa 𝑥 𝑝 dan𝑥 𝑞 menghasilkan nilai 𝑓’(𝑥) yang
46
saling berbeda tanda, yaitu masing-masing 𝑓’(𝑥 𝑝 ) dan 𝑓’(𝑥 𝑞 ) adalah -8 dan
8. Titik optimum tercapai saat 𝑓’(𝑥) = 0, yaitu pada 𝑥 ∗ optimum sama
dengan nol.
------------------------------------------------------------------------------------------
Untuk semua metode numerik pada bagian ini, pada kasus minimasi fungsi,
asumsikan fungsi adalah unimodal, golongkan kemungkinan titik 𝑥
mendekati minimum (bracketing), pilih titik awal pencarian 𝑥0 , gunakan
salah satu rumus dari tiga metoda untuk mendapatkan 𝑥 𝑘−1 (atau 𝑥) dari
𝑥 𝑘 (atau 𝑥 𝑝 dan𝑥 𝑞 ), dan pastikan bahwa 𝑓(𝑥 𝑘+1 ) < 𝑓(𝑥 𝑘 ) pada setiap
iterasi untuk mengetahui bahwa proses iterasi mengarah pada minimum.
Selama nilai 𝑓”(𝑥 𝑘 ) positif, maka nilai 𝑓(𝑥 𝑘 ) menurun. Untuk kasus
maksimasi fungsi, gunakan bentuk minimasi fungsi – 𝒇(𝒙).
3.3 Penyelesaian Optimasi dengan bantuan Excel dan

Matlab
Jumlah iterasi yang dilakukan pada masing-masing metode tergantung pada

jenis fungsi dan titik awal pencarian 𝑥0 yang dipilih. Contoh-contoh soal
yang sebelumnya dibahas pada bab ini merupakan contoh soal fungsi
sederhana yang dapat diturunkan hingga dua kali, sehingga hanya
membutuhkan sedikit iterasi dalam pencarian titik optimumnya. Di dunia
nyata dan fungsi-fungsi yang ada pada umumnya lebih kompleks dan
membutuhkan pencarian titik optimum dengan pengulangan (iterasi) yang
jauh lebih banyak. Hal ini menyebabkan penghitungan secara manual
menjadi tidak efisien. Penggunaan program komputer menjadi salah satu
47
solusi yang paling dapat diandalkan dalam penyelesaian kasus optimasi
dengan pengulangan (iterasi) yang banyak. Bagaimana pun, dasar-dasar
mengenai penghitungan optimasi menggunakan rumus yang telah dipelajari
secara manual sebelumnya tetap perlu dikuasai untuk membantu
menyusun alur penyelesaian maupun kode dalam program komputer
sehingga optimasi fungsi kompleks dapat diselesaikan.
Terdapat beberapa program komputer yang dapat digunakan untuk

membantu menyelesaikan pengoptimasian fungsi non linier, diantaranya
yang akan dibahas dalam buku ini adalah program MS Excel dan Matlab.
Penjelasan mengenai kedua progam disajikan melalui contoh-contoh soal
berikut ini. Penggunaan Matlab dalam menyelesaikan masalah optimasi non
linier akan dibahas secara ringkas dalam Bab 6 berikutnya.
Contoh Soal 3. 7
Tentukan nilai 𝑥 ∗ optimum fungsi:
𝑓 𝑥 = 2𝑥 4 − 4𝑥 + 5
Dengan menggunakan
a. metode newton (diketahui titik awal pencarian 𝑥0 = 3)

b. metode FDAD (diketahui 𝑥0 = 3 dan 𝑕 = 0,001)
c. metode secant (dengan 𝑥𝑝 = −3 dan 𝑥𝑞 = 3)
Lakukan iterasi hingga selisih nilai 𝑥 ∗ antar iterasi hanya berbeda pada 10-
7
(tingkat ketelitian 10-7). Gunakan bantuan program MS Excel.
Jawab
a. Metode newton
48
diketahui 𝑓 𝑥 = 2𝑥 4 − 4𝑥 + 5 dengan 𝑥0 = 3
maka turunan pertama dan kedua fungsi adalah:
 𝑓′ 𝑥 = 8𝑥 3 − 4
 𝑓′′ 𝑥 = 24𝑥 2
Dan proses iterasi pencariannya:
𝑓 ′ (𝑥 𝑘 )
𝑥 𝑘+1 = 𝑥 𝑘 − 𝑓"(𝑥 𝑘 ),
𝑓 ′ (𝑥0 ) 212
𝑥1 = 𝑥0 − =3− = 2,018519
𝑓"(𝑥0 ) 216
61,79429
𝑥2 = 2,018519 − = 1,386585
97,78900823
Bila iterasi dilanjutkan (misalnya hingga sepuluh kali iterasi), maka

diperoleh nilai 𝑥 𝑘 untuk masing-masing iterasi ke-𝑘 adalah sebagai berikut:
iterasi
ke- xk f'x f"x xk+1 f(xk)
0 3 212 216 2.018519 155
1 2.018519 61.79429 97.78600823 1.386585 30.12767
2 1.386585 17.32697 46.14280847 1.011077 6.846574
3 1.011077 4.268808 24.53464911 0.837086 3.045792
4 0.837086 0.692459 16.81711862 0.79591 2.633653
5 0.79591 0.033503 15.20335804 0.793707 2.618935
6 0.793707 9.27E-05 15.11928613 0.793701 2.618898
7 0.793701 7.16E-10 15.1190526 0.793701 2.618898
8 0.793701 0 15.1190526 0.793701 2.618898
9 0.793701 0 15.1190526 0.793701 2.618898
10 0.793701 0 15.1190526 0.793701 2.618898
49
f200
(x)
𝑓 𝑥 = 2𝑥 4 − 4𝑥 + 5
180
x0
160
140
120
100
80
60
40 x1
20
x7
0
-4 -3 -2 -1 0 1 2 3 x4
Gambar 14. Fungsi 𝑓 𝑥 = 2𝑥 4 − 4𝑥 + 5
Dengan menggunakan metode newton, diperoleh nilai 𝑥∗

optimum/mendekati optimum adalah 𝑥 ∗ = 0,793701 , dengan nilai
𝑓(𝑥) = 2,618898
b. metode FDAD
diketahui fungsi 𝑓 𝑥 = 2𝑥 4 − 4𝑥 + 5 dengan 𝑥0 = 3 dan 𝑕 = 0,001
digunakan persamaan:
50
𝑓 𝑥 + 𝑕 − 𝑓(𝑥 − 𝑕) /2𝑕
𝑥 𝑘+1 = 𝑥 𝑘 −
𝑓 𝑥 + 𝑕 − 2𝑓 𝑥 + 𝑓(𝑥 − 𝑕) /𝑕2
Perhitungan pencarian titik optimum 𝑥 ∗ adalah sebagai berikut:
iterasi
ke- xk h f(x+h) f(x-h) f(x) xk+1 xk+1-xk
0 3 0.001 155.212 154.78 155 2.018 -0.981
1 2.018 0.001 30.189 30.065 30.127 1.386 -0.632
2 1.386 0.001 6.863 6.829 6.846 1.011 -0.375
3 1.011 0.001 3.050 3.041 3.045 0.837 -0.174
4 0.837 0.001 2.634 2.632 2.633 0.795 -0.041
5 0.795 0.001 2.618 2.618 2.618 0.793 -0.002
6 0.7937 0.001 2.618 2.618 2.618 0.793 -6.13E-06
7 0.7937 0.001 2.618 2.618 2.618 0.793 -4.57E-11
8 0.7937 0.001 2.618 2.618 2.618 0.793 1.46E-14
Dengan menggunakan metode FDAD, diperoleh nilai 𝑥∗

optimum/mendekati optimum 𝑥 ∗ = 0,793 dengan nilai 𝑓(𝑥) = 2,618.
c. Metode secant
diketahui fungsi 𝑓 𝑥 = 2𝑥 4 − 4𝑥 + 5 , dengan 𝑥𝑝 = −3dan 𝑥𝑞 = 3
 𝑓′ 𝑥 = 8𝑥 3 − 4
persamaan Metode Secant:
𝑓 ′ (𝑥 𝑞 )
𝑥∗ = 𝑥𝑞 −
𝑓 ′ 𝑥𝑞 − 𝑓 ′ 𝑥 𝑝 /(𝑥 𝑞 − 𝑥 𝑝 )
Sehingga:
𝑓 ′ (3)
𝑥1 = 3 − = 0,055556
𝑓 ′ 3 − 𝑓 ′ −3 /(3 − (−3))
51
Cek nilai 𝑥1 = 0,055556 pada persamaan turunan pertama fungsi :
𝑓′ 𝑥 = 8𝑥 3 − 4. Dihasilkan nilai 𝑓 ′ (𝑥1 ) = −3,998628258. Diketahui nilai
𝑥 hasil perhitungan pada suatu iterasi menghasilkan nilai 𝑓’(𝑥) negatif,
sehingga pada iterasi selanjutnya 𝑥 akan menggantikan nilai 𝑥 𝑝 , dan nilai
𝑥 𝑞 = 3 tidak dirubah agar titik ekstremum 𝑓 ′ 𝑥 ∗ = 0 tetap berada di
antara 𝑥 𝑝 dan 𝑥 𝑞 .
f ’(x)
250
xq
200
150
100
50 𝑓 ′ 𝑥 = 8𝑥 3 − 4
0 x
-4 -3 -2 -1 0 1 2 3 4
-50
𝑥 ∗ 𝑜𝑝𝑡 = 0,7937
-100
𝑥1 = 0,055556
-150
-200
xp
-250
Gambar 15. Plot turunan pertama fungsi 𝑓 𝑥 = 2𝑥 4 − 4𝑥 + 5
Iterasi selanjutnya akan menghasilkan:
Iterasi xp xq f'(xp) f'(xq) xq-xp x* f(x)

52
ke-
0 -3 3 -220 212 6 0.0556 4.778
1 0.0555 3 -3.9986 212 2.944 0.1100 4.560
2 0.1100 3 -3.9893 212 2.889 0.1634 4.348
3 0.1634 3 -3.9651 212 2.836 0.2155 4.142
4 0.2155 3 -3.9199 212 2.784 0.2660 3.946
5 0.2660 3 -3.8493 212 2.734 0.3148 3.760
6 0.3148 3 -3.7504 212 2.685 0.3615 3.588
20 0.7202 3 -1.0111 212 2.279 0.7310 2.647
30 0.7795 3 -0.2099 212 2.220 0.7818 2.619
40 0.7911 3 -0.0389 212 2.209 0.7915 2.619
50 0.7932 3 -0.0071 212 2.207 0.7933 2.619
60 0.7936 3 -0.0013 212 2.206 0.7936 2.619
70 0.7937 3 -0.0002 212 2.206 0.7937 2.619
80 0.7937 3 -4.16E-05 212 2.206 0.7937 2.619
84 0.7937 3 -2.09E-05 212 2.206 0.7937 2.619
85 0.7937 3 -1.77E-05 212 2.206 0.7937 2.619
86 0.7937 3 -1.49E-05 212 2.206 0.7937 2.619
Dengan menggunakan metode secant, nilai 𝑥 ∗ mendekati optimum adalah

𝑥 ∗ = 0,7937, dengan 𝑓 𝑥 = 2,61889 didapat setelah 86 kali iterasi.
------------------------------------------------------------------------------------------
Dari contoh soal sebelumnya, dapat dilihat bahwa penggunaan program MS.
Excel dapat memudahkan pencarian titik optimum. Grafik fungsi 𝑓(𝑥) dan
grafik fungsi turunannya 𝑓 ′ (𝑥) juga dapat dibuat dengan MS. Excel untuk
memudahkan menganalisa fungsi dan memeriksa hasil perhitungan
terhadap titik optimum fungsi satu variabel tanpa kendala.
Contoh-contoh soal berikutnya menjelaskan tentang pencarian titik

optimum terhadap fungsi satu variabel tanpa kendala dengan
53
menggunakan bantuan program matlab. Pengenalan terhadap program
matlab dan dasar-dasar pengkodean untuk optimasi fungsi satu variabel
tanpa kendala dibahas secara ringkas pada Bab 6.
Contoh Soal 3. 8
Dengan menggunakan matlab, tentukan nilai 𝑥 ∗ optimum bagi fungsi

berikut:
𝑓 𝑥 = (𝑥 − 1)4
Dengan menggunakan metode :
a. Newton
b. FDAD
c. Secant
Jawab
a. Dengan Metode Newton, pengkodean memakai program matlab

dapat dituliskan sebagai berikut pada M-file Matlab:
%TEKNIK OPTIMASI
%OPTIMASI FUNGSI TANPA KENDALA
%METODE NEWTON
clc;
clear all;
disp('OPTIMASI FUNGSI TANPA KENDALA');
disp('METODE NEWTON');
disp('f(x)=(x-1)^4');
x(1)=input('MASUKKAN NILAI TEBAKAN ANDA (Xo) : ');
%x(1)=1;
tol=0.0000001;
for i=1:1000000
x(i+1)=x(i)-(4*(x(i)-1)^3)/(12*(x(i)-1)^2);
if abs(x(i+1)-x(i))<=tol
break;
end;
end;
54
x
a=-20:0.1:20;
b=(a-1).^4;
c=4*(a-1).^3;
d=12*(a-1).^2;
plot(a,b,'b-',a,c,'r-',a,d,'k-')
legend('f(x)','f1(x)','f"(x)',0)
disp('SHOW THE TABLE');
disp(' x f(x) f1(x) f"(x)')
disp([a' b' c' d']);
grid on
disp('THANK YOU');
setelah M-file berisi pengkodean ini di-save dan di –run, maka hasil yang
keluar adalah sebagai berikut:
OPTIMASI FUNGSI TANPA KENDALA

METODE NEWTON
f(x)=(x-1)^4
MASUKKAN NILAI TEBAKAN ANDA (Xo) : 1.1
x =
Columns 1 through 9
1.1000 1.0667 1.0444 1.0296 1.0198
1.0132 1.0088 1.0059 1.0039
Columns 10 through 18
1.0026 1.0017 1.0012 1.0008 1.0005
1.0003 1.0002 1.0002 1.0001
1.0001 1.0000 1.0000 1.0000 1.0000
1.0000 1.0000 1.0000 1.0000
1.0000 1.0000 1.0000 1.0000 1.0000
1.0000 1.0000
b. Dengan Metode FDAD, pengkodean memakai program matlab

%TEKNIK OPTIMASI
%METODE FDAD
55
clc;
clear all;
disp('METODE FDAD');
disp('f(x)=(x-1)^4');
h=0.01;
tol=0.0000001;
for i=1:1000000
f1=(x(i)-1)^4;
f2=(x(i)+h-1)^4;
f3=(x(i)-h-1)^4;
x(i+1)=x(i)-(((f2-f3)/2*h)*(h/2)/((f2-2*f1+f3)));
break;
end;
end;
x
a=-3:0.1:3;
b=(a-1).^4;
c=4*(a-1).^3;
d=12*(a-1).^2;
legend('f(x)','f1(x)','f"(x)',0)
grid on
disp('THANK YOU');
setelah M-file berisi pengkodean ini disave dan di –run, maka hasil yang
keluar terdiri lebih dari 1000 kolom hingga mencapai titik x* optimum (x =
1).
c. Dengan Metode Secant, pengkodean memakai program

matlab dapat dituliskan sebagai berikut pada M-file Matlab:
%TEKNIK OPTIMASI
%METODE SECANT
clc;
56
clear all;
disp('METODE SECANT');
disp('f(x)=(x-1)^4');
x(1)=input('MASUKKAN NILAI TEBAKAN ANDA (Xp) : ');
xq=input('MASUKKAN NILAI TEBAKAN ANDA (Xq) : ');
tol=0.0000001;
for i=1:1000000
x(i+1)=xq-((4*(xq-1)^3)*(xq-x(i))/((4*(xq-1)^3)-
(4*(x(i)-1)^3)));
break;
end;
end;
x
a=-3:0.1:3;
b=(a-1).^4;
c=4*(a-1).^3;
d=12*(a-1).^2;
legend('f(x)','f1(x)','f"(x)',0)
grid on
disp('THANK YOU');

METODE SECANT
f(x)=(x-1)^4
MASUKKAN NILAI TEBAKAN ANDA (Xp) : 1
MASUKKAN NILAI TEBAKAN ANDA (Xq) : 2
x =
1 1
------------------------------------------------------------------------------------------
57
Contoh Soal 3. 9
Dengan menggunakan matlab, tentukan nilai 𝑥 ∗ optimum bagi fungsi

berikut:
𝑓 𝑥 = 𝑥 6 + 6𝑥 3 + 3𝑥
Dengan menggunakan metode :
a. Newton
b. FDAD
c. Secant
Jawab

%TEKNIK OPTIMASI
%METODE NEWTON
clc;
clear all;
disp('f(x)=x^6-6x^3+3x');
%x(1)=1;
tol=0.0000001;
for i=1:1000000
x(i+1)=x(i)-(6*x(i)^5-18*x(i)^2+3)/(30*x(i)^4-
36*x(i));
break;
end;
end;
x
a=-2:0.1:2;
b=a.^6-6*a.^3+3*a;
c=6*a.^5-18*a.^2+3;
d=30*a.^4-36*a;
58
legend('f(x)','f1(x)','f"(x)',0)
grid on
disp('THANK YOU');

METODE NEWTON
f(x)=x^6-6x^3+3x
MASUKKAN NILAI TEBAKAN ANDA (Xo) : 1
x =
1.0 -0.5000 -0.4151 -0.4040 -0.4038 -

0.4038
b. Dengan metode FDAD, pengkodean memakai program matlab

%TEKNIK OPTIMASI
%METODE QUASI NEWTON
clc;
clear all;
disp('METODE QUASI NEWTON');
disp('f(x)=x^6-6x^3+3x');
h=0.01;
tol=0.0000001;
for i=1:1000000
f1=x(i)^6-6*x(i)^3+3*x(i);
f2=(x(i)+h)^6-6*(x(i)+h)^3+3*(x(i)+h);
f3=(x(i)-h)^6-6*(x(i)-h)^3+3*(x(i)-h);
59
x(i+1)=x(i)-(((f2-f3)/2*h)*(h/2)/((f2-2*f1+f3)));
break;
end;
end;
x
a=-8:0.1:8;
b=a.^6-6*a.^3+3*a;
c=6*a.^5-18*a.^2+3;
d=30*a.^4-36*a;
legend('f(x)','f1(x)','f"(x)',0)
grid on
disp('THANK YOU');
keluar mencapai lebih dari seribu kolom nilai mendapatkan nilai x optimum
c. Dengan Metode Secant, pengkodean memakai program matlab

%TEKNIK OPTIMASI
%METODE SECANT
clc;
clear all;
disp('f(x)=x^6-6x^3+3x');
tol=0.0000001;
for i=1:1000000
x(i+1)=xq-((6*xq^5-18*xq^2+3)*(xq-x(i))/((6*xq^5-
18*xq^2+3)-(6*x(i)^5-18*x(i)^2+3)));
break;
end;
end;
x
60
a=-9:0.1:9;
b=a.^6-6*a.^3+3*a;
c=6*a.^5-18*a.^2+3;
d=30*a.^4-36*a;
legend('f(x)','f1(x)','f"(x)',0)
grid on
disp('THANK YOU');

METODE SECANT
f(x)=x^6-6x^3+3x
x =
Columns 1 through 9
0 0.2500 0.3796 0.4094 0.4128

0.4131 0.4131 0.4131 0.4131
Column 10
0.4131
------------------------------------------------------------------------------------------
Contoh Soal 3. 10
𝑓 𝑥 = 10 + 6𝑥 + 20𝑥 4 − 𝑥 6
61
Dengan menggunakan metode:
a. Newton, dengan 𝑥0 = −3
b. FDAD, dengan 𝑥0 = −3.6, 𝑕 = 0.01
c. Secant, dengan 𝑥𝑝 = −3.6; 𝑥𝑞 = −3.4
Jawab

%TEKNIK OPTIMASI
%METODE NEWTON
clc;
clear all;
disp('f(x)=10+6x+20x^4-x^6');
%x(1)=1;
tol=0.0000001;
for i=1:1000000
x(i+1)=x(i)-(6+80*x(i)^3-6*x(i)^5)/(240*x(i)^2-
30*x(i)^4);
break;
end;
end;
x
a=-7:0.1:0;
b=10+6*a+20*a.^4-a.^6;
c=6+80*a.^3-6*a.^5;
d=240*a.^2-30*a.^4;
legend('f(x)','f1(x)','f"(x)',0)
grid on
disp('THANK YOU');
62

METODE NEWTON
f(x)=10+6x+20x^4-x^6
MASUKKAN NILAI TEBAKAN ANDA (Xo) : -3
x =
-3.0000 -5.5778 -4.7194 -4.1276 -3.7880

-3.6646 -3.6489 -3.6487 -3.6487
b. Dengan metode FDAD, pengkodean memakai program matlab

%TEKNIK OPTIMASI
%METODE FDAD
clc;
clear all;
disp('f(x)=10+6x+20x^4-x^6');
h=0.01;
tol=0.0000001;
for i=1:1000000
f1=10+6*x(i)+20*x(i)^4-x(i)^6;
f2=10+6*(x(i)+h)+20*(x(i)+h)^4-(x(i)+h)^6;
f3=10+6*(x(i)-h)+20*(x(i)-h)^4-(x(i)-h)^6;
x(i+1)=x(i)-(((f2-f3)/2*h)*(h/2)/((f2-2*f1+f3)));
break;
end;
end;
x
a=-100:10:100;
b=10+6*a+20*a.^4-a.^6;
c=6+80*a.^3-6*a.^5;
d=240*a.^2-30*a.^4;
63
legend('f(x)','f1(x)','f"(x)',0)
grid on
disp('THANK YOU');
keluar mencapai 1500 kolom nilai 𝑥 untuk mendapatkan nilai 𝑥 optimum
yaitu 𝑥 = −3,6487.

%TEKNIK OPTIMASI
%METODE SECANT
clc;
clear all;
disp('f(x)=10+6x+20x^4-x^6');
tol=0.0000001;
for i=1:1000000
x(i+1)=xq-((6+80*xq^3-6*xq^5)*(xq-x(i))/((6+80*xq^3-
6*xq^5)-(6+80*x(i)^3-6*x(i)^5)));
break;
end;
end;
x
a=-100:10:100;
b=10+6*a+20*a.^4-a.^6;
c=6+80*a.^3-6*a.^5;
d=240*a.^2-30*a.^4;
legend('f(x)','f1(x)','f"(x)',0)
64
grid on
disp('THANK YOU');

METODE SECANT
f(x)=10+6x+20x^4-x^6
MASUKKAN NILAI TEBAKAN ANDA (Xp) : -3.6
MASUKKAN NILAI TEBAKAN ANDA (Xq) : -3.4
x =
Columns 1 through 9
-3.6000 -3.6628 -3.6447 -3.6498 -3.6484

-3.6487 -3.6486 -3.6487 -3.6487
-3.6487 -3.6487 -3.6487 -3.6487
------------------------------------------------------------------------------------------
Contoh Soal 3. 11
𝑓 𝑥 = sin 𝑥 + cos 𝑥 𝑑𝑒𝑛𝑔𝑎𝑛 0 < 𝑥 < 2𝜋

Dengan menggunakan metode:
a. Newton, dengan 𝑥0 = 1
b. FDAD, dengan 𝑥0 = 0.8, 𝑕 = 0.01
c. Secant, dengan 𝑥𝑝 = 1; 𝑥𝑞 = 2
65
Jawab

%TEKNIK OPTIMASI
%METODE NEWTON
clc;
clear all;
disp('f(x)=sin(x)+cos(x)');
%x(1)=1;
tol=0.0000001;
for i=1:1000000
x(i+1)=x(i)-(cos(x(i))-sin(x(i)))/(-sin(x(i))-
cos(x(i)));
break;
end;
end;
x
a=0:0.1:7;
b=sin(a)+cos(a);
c=cos(a)-sin(a);
d=-sin(a)-cos(a);
legend('f(x)','f1(x)','f"(x)',0)
grid on
disp('THANK YOU');

METODE NEWTON
f(x)=sin(x)+cos(x)
66
MASUKKAN NILAI TEBAKAN ANDA (Xo) : 1
x =
1.0000 0.7820 0.7854 0.7854
b. Dengan Metode FDAD, pengkodean memakai program matlab

%TEKNIK OPTIMASI
%METODE FDAD
clc;
clear all;
h=0.01;
tol=0.00001;
for i=1:1000000
f1=sin(x)+cos(x);
f2=sin(x+h)+cos(x+h);
f3=sin(x-h)+cos(x-h);
x(i+1)=x(i)-(((f2-f3)/2*h)*(h/2)/((f2-2*f1+f3)));
break;
end;
end;
x
a=0:0.1:7;
b=sin(a)+cos(a);
c=cos(a)-sin(a);
d=-sin(a)-cos(a);
legend('f(x)','f1(x)','f"(x)',0)
grid on
disp('THANK YOU');
67
keluar mencapai 540 kolom nilai 𝑥 untuk mendapatkan nilai 𝑥 optimum,
yaitu 0,7804.

%TEKNIK OPTIMASI
%METODE SECANT
clc;
clear all;
tol=0.0000001;
for i=1:1000000
x(i+1)=xq-((cos(xq)-sin(xq))*(xq-x(i))/((cos(xq)-
sin(xq))-(cos(x(i))-sin(x(i)))));
break;
end;
end;
x
a=0:0.1:7;
b=sin(a)+cos(a);
c=cos(a)-sin(a);
d=-sin(a)-cos(a);
legend('f(x)','f1(x)','f"(x)',0)
grid on
disp('THANK YOU');
68
METODE SECANT
f(x)=sin(x)+cos(x)
x =
Columns 1 through 9
1.0000 0.7060 0.8070 0.7789 0.7873

0.7848 0.7856 0.7853 0.7854
0.7854 0.7854 0.7854 0.7854 0.7854

0.7854
------------------------------------------------------------------------------------------
3.4 Soal Latihan
1. Dengan menggunakan metode newton minimumkan fungsi 𝑓 𝑥 = 𝑥 2 −

𝑥, dengan titik awal pencarian 𝑥0 = −2. Lakukan setidaknya tiga kali
iterasi untuk memastikan titik 𝑥 ∗ optimum telah tercapai.
2. Lakukan kembali pencarian terhadap titik optimum dari fungsi

𝑓 𝑥 = 𝑥 2 − 𝑥 , pencarian dimulai dari 𝑥0 = 3 . Apa yang dapat
disimpulkan dari soal nomor 1 dan 2? Jelaskan!
3. Optimumkan fungsi 𝑓 𝑥 = 𝑥 3 + 3𝑥 2 − 24𝑥 + 1, dengan menggunakan

metode Newton dan titik awal 𝑥0 = 4.
69
4. Dengan titik awal 𝑥0 = −3 , optimumkan fungsi 𝑓 𝑥 = 𝑥 3 + 3𝑥 2 −
24𝑥 + 1 dengan menggunakan metode Newton. Bandingkan hasilnya
dengan soal nomor 3, kenapa hal tersebut bisa terjadi? Jelaskan!
5. Optimumkan fungsi 𝑓 𝑥 = 𝑥 2 − 𝑥 dengan menggunakan:
a. Metode FDAD, dengan titik awal pencarian 𝑥0 = 3, , dan h=10-3

b. Metode Secant, dengan 𝑥 = 3, dan 𝑥 = −3. Lakukan minimal 2
kali iterasi untuk mendapatkan titik x* optimum
6. Gunakan bantuan program Ms. Excel dalam menemukan titik optimum

fungsi nonkuadrat berikut:
𝑓 𝑥 = 𝑥4 − 𝑥 + 1
Dengan menggunakan:
a. metode Newton (diketahui titik awal pencarian 𝑥 0 = 3)

b. metode FDAD (diketahui h=0,1)
c. metode scant (dengan 𝑥𝑝 = 3 dan 𝑥𝑞 = −3
Gambarkan grafik fungsi 𝑓 𝑥 serta grafik plot turunan pertama fungsi

𝑓′ 𝑥 . Iterasi dapat dihentikan jika selisih antar nilai x hanya berbeda 10-
7
(tingkat ketelitian 10-7).
7. Gunakan Matlab untuk menyelesaikan kasus optimasi fungsi-fungsi

berikut.
a. 𝑓 𝑥 = 2𝑥 4 − 4𝑥 + 5
b. 𝑓 𝑥 = 2𝑥 8 − 7𝑥 5 + 8𝑥 2 + 9
c. 𝑓 𝑥 = 19 + 2𝑥 2 − 8𝑥 5 − 3𝑥 8
70
d. 𝑓 𝑥 = 9𝑥 7 + 5𝑥 3 − 3𝑥 2 + 20
Tuliskan pengkodeannya, dan lampirkan hasil running program beserta

gambar grafiknya.
71
4. OPTIMASI FUNGSI MULTIVARIABEL TANPA
KENDALA
4.1 Metode yang Digunakan
Optimasi numerik dari sebuah fungsi tujuan multivariabel tentunya

menuntut penggunaan teknik yang efisien dan tepat. Efisiensi menjadi
penting karena penyelesaian masalah optimasi umumnya membutuhkan
langkah iteratif atau berulang-ulang. Trial & error menjadi tidak efisien
untuk fungsi dengan tiga atau lebih variabel.
Pada bab ini akan dibahas penyelesaian terhadap masalah optimasi fungsi
tanpa kendala dengan banyak variabel, yaitu:
𝑡𝑒𝑚𝑢𝑘𝑎𝑛 𝑥 ∗= [𝑥1 𝑥2 … . 𝑥𝑛 ]𝑇 𝑦𝑎𝑛𝑔 𝑚𝑒𝑚𝑖𝑛𝑖𝑚𝑢𝑚𝑘𝑎𝑛 𝑓(𝑥1 , 𝑥2 , 𝑥3 )

≡ 𝑓(𝑥)
Penentuan apakah sebuah fungsi multivariabel tanpa kendala merupakan

fungsi yang memiliki titik stasioner berupa titik
maksimum/minimum/pelana dapat dilakukan dengan mengkaji vektor
gradien serta karakteristik matriks Hessnya, menggunakan pertimbangan
berdasarkan nilai principal minor H atau nilai eigen matriks Hess (Bab 2
tentang konsep dasar optimasi).
Misalkan fungsi 𝑓(𝑥) merupakan fungsi yang mempunyai turunan parsial

kedua di 𝑥 ∗ , jika 𝑥 ∗ adalah titik minimum lokal, maka
72
∇𝑓 𝑥 ∗ = 0 (syarat orde pertama);
dan matriks Hess H(𝑥 ∗ ) definit/semidefinit positif (syarat orde kedua),

dimana titik 𝑥 ∗ sehingga∇𝑓 𝑥 ∗ = 0 dinamakan titik kritis atau titik ekstrem
atau titik stasioner fungsi 𝑓.
Titik kritis dari fungsi 𝑓(𝑥) yang bukan merupakan titik maksimum dan
bukan titik minimum dinamakan titik sadel/saddle point/titik pelana dari
fungsi 𝑓(𝑥).
Contoh Soal 4. 1
Tentukan titik ekstrim lokal dari fungsi 𝑓 𝑥 = 𝑥1 3 −3𝑥1 𝑥2 + 𝑥2 3
Jawab
Titik-titik ekstrem dari fungsi 𝑓 𝑥 merupakan solusi dari ∇𝑓 𝑥 = 0
𝜕𝑓 𝑥1 , 𝑥2
= 3𝑥12 − 3𝑥2 = 0
𝜕𝑥1
𝜕𝑓 𝑥1 , 𝑥2
= −3𝑥1 + 3𝑥22 = 0
𝜕𝑥1
Dari persamaan diperoleh
𝑥1 = 𝑥22 dan𝑥2 = 𝑥12
Dan dengan substitusi persamaan diperoleh
𝑥1 = 0 𝑎𝑡𝑎𝑢𝑥1 = 1
𝑥1 = 0 → 𝑥2 = 0
𝑥1 = 1 → 𝑥2 = 1
73
Titik kritis fungsi 𝑓 𝑥 adalah (0,0) dan (1,1). Titik kemudian diuji dengan
matriks Hess.
𝜕 2 𝑓(𝑥1 , 𝑥2 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 )
𝜕2 𝑥 𝜕𝑥1 𝜕𝑥2 6𝑥1 −3
H𝑥 = 2 =
2
𝜕 𝑓(𝑥1 , 𝑥2 ) 𝜕 𝑓(𝑥1 , 𝑥2 ) −3 6𝑥2
𝜕𝑥2 𝜕𝑥1 2
𝜕 𝑥2
0 −3
 H(0,0) = → det 1x1 = 0 dan det 2x2 = -9
−3 0
Jadi (0,0) bukan titik maksimum maupun minimum fungsi 𝑓 𝑥
6 −3
 H(1,1) = → det 1x1 = 6 dan det 2x2 = 25; 6 > 0
−3 6
dan 25 > 0.
Jadi(1,1) merupakan titik minimum lokal dari fungsi 𝑓 𝑥
------------------------------------------------------------------------------------------
Contoh Soal 4. 2
Tentukan jenis titik ekstrem dari fungsi
𝑓 𝑥1 , 𝑥2 , 𝑥3 = −𝑥12 − 3𝑥22 − 10𝑥32 − 4𝑥1 +24𝑥2 +20𝑥3
Jawab
Titik-titik ekstrem dari fungsi 𝑓 𝑥 merupakan solusi dari ∇𝑓 𝑥 = 0, maka
𝜕𝑓 𝑥
= −2𝑥1 + 4 = 0
𝜕𝑥1
𝜕𝑓 𝑥
= −6𝑥2 + 24 = 0
𝜕𝑥2
74
𝜕𝑓 𝑥
= −20𝑥3 + 20 = 0
𝜕𝑥3
Solusi dari persamaan di atas adalah :
−6𝑥2 + 24 = 0 −20𝑥3 + 20 = 0
−2𝑥1 + 4 = 0
−6𝑥2 = −24 −20𝑥3 = −20
−2𝑥1 = −4
𝑥2 = 4 𝑥3 = 1
𝑥1 = 2
Maka (𝑥1, 𝑥2 , 𝑥3 ) adalah (2,4,1)
2 0 0 det H1 = -2 <0
Matriks Hess dari 𝑓 adalahH𝑥 = 0 −6 0 → det H2 = 12 > 0
0 0 −20 det H3 = -240 < 0
Sehingga diketahui bahwa fungsi 𝑓 𝑥 adalah fungsi dengan titik

maksimum
------------------------------------------------------------------------------------------
Contoh Soal 4. 3
Tentukan jenis titik ekstrem dari fungsi
𝑓 𝑥1 , 𝑥2 , 𝑥3 = 𝑥12 + (𝑥1 + 𝑥2 )2 + (𝑥1 + 𝑥3 )2
Jawab
Titik-titik ekstrem dari fungsi 𝑓 𝑥 merupakan solusi dari ∇𝑓 𝑥 = 0, maka
𝜕𝑓 𝑥
= 2𝑥1 + 2 𝑥1 + 𝑥2 + 2(𝑥1 + 𝑥3 ) = 0
𝜕𝑥1
𝜕𝑓 𝑥
= 2 𝑥1 + 𝑥2 = 0
𝜕𝑥2
75
𝜕𝑓 𝑥
= 2(𝑥1 + 𝑥3 ) = 0
𝜕𝑥3
Dengan mudah dapat diperiksa bahwa titik kritisnya adalah 𝑥 ∗ = (0,0,0)𝑇
6 2 2 det H1 = 6 >0
Matriks Hess dari 𝑓 adalah H𝑥 = 2 2 0 → det H2 = 12-4= 8> 0
2 0 2 det H3 = 24-8-8= 8 > 0
Titik (0,0,0) merupakan titik minimum dari fungsi 𝑓(𝑥)
------------------------------------------------------------------------------------------
Contoh Soal 4. 4
Buktikan bahwa fungsi 𝑓 𝑥1 , 𝑥2 , 𝑥3 = 𝑥14 + (𝑥1 + 𝑥2 )2 + (𝑥1 + 𝑥3 )2

merupakan fungsi cembung (convex).
Jawab
𝜕𝑓 𝑥
= 4𝑥13 + 2 𝑥1 + 𝑥2 + 2(𝑥1 + 𝑥3 ) = 0
𝜕𝑥1
𝜕𝑓 𝑥
= 2 𝑥1 + 𝑥2 = 0
𝜕𝑥2
𝜕𝑓 𝑥
𝜕𝑥 3
= 2(𝑥1 + 𝑥3 ) = 0
12𝑥12 + 4 2 2 det H1 = 12𝑥12 + 4> 0

Matriks Hess dari 𝑓 adalahH𝑥 = 2 2 0 → det H2 = 12𝑥12  0
2 0 2 det H3 = 48𝑥12  0
Benar fungsi 𝑓 𝑥1 , 𝑥2 , 𝑥3 = 𝑥14 + (𝑥1 + 𝑥2 )2 + (𝑥1 + 𝑥3 )2 merupakan

fungsi cembung (convex)
------------------------------------------------------------------------------------------
76
Contoh Soal 4. 5
Tentukan titik ekstrim lokal dari fungsi𝑓 𝑥 = 𝑥1 𝑥2 − 𝑥1 2 − 𝑥2 2 dan

tentukan jenis titik ekstremnya dengan menganalisa matriks hess.
Jawab
Titik-titik ekstrem dari fungsi 𝑓 𝑥 merupakan solusi dari ∇𝑓 𝑥 = 0,
𝜕𝑓 𝑥1 , 𝑥2
= 𝑥2 −2𝑥1 = 0
𝜕𝑥1
𝜕𝑓 𝑥1 , 𝑥2
= 𝑥1 −2𝑥2 = 0
𝜕𝑥1
Dari persamaan tersebut diperoleh
𝑥2 −2𝑥1 = 0 𝑥1 −2𝑥2 = 0
𝑥2 = 2𝑥1 𝑥1 = 2𝑥2
𝑥2 = 0 𝑥1 = 0
Titik kritis fungsi 𝑓 𝑥 adalah (0,0). Titik kemudian dianalisa matriks Hess-
nya untuk menentukan tipe titik ekstremnya.
𝜕 2 𝑓(𝑥1 , 𝑥2 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 )
𝜕2 𝑥 𝜕𝑥1 𝜕𝑥2 −2 1
H𝑥 = 2 =
𝜕 𝑓(𝑥1 , 𝑥2 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 ) 1 −2
𝜕𝑥2 𝜕𝑥1 2
𝜕 𝑥2
−2 1 det H1 = -2 < 0
𝐻(0,0) = →
1 −2 det H2 = 3 > 0
77
Matriks Hess definit negatif sehingga titik ekstremum fungsi merupakan
titik maksimum.
------------------------------------------------------------------------------------------
Prosedur iterasi yang paling efektif untuk memecahkan masalah optimasi

tanpa kendala (Edgar & Himmelblau 2001) adalah sebagai berikut:
1. memilih arah pencarian (𝑠 𝑘 )

2. melakukan minimasi pada arah tersebut sejauh jangkauan tertentu
untuk menemukan titik baru 𝑥 𝑘+1 = 𝑥 𝑘 + ∆𝑥 𝑘 di mana ∆𝑥 𝑘 ≡
𝑥 𝑘+1 − 𝑥 𝑘 merupakan ukuran langkah. Untuk kasus maksimasi,
minimasikan – 𝑓(𝑥).
3. Menentukan vektor inisial 𝑥 0 = [𝑥10 𝑥20 … 𝑥𝑛0 ]𝑇
4. Menentukan kriteria konvergen untuk pemberhentian proses
iterasi.
Dimulai dari titik awal pencarian yang telah diberikan, ditentukan arah
pencarian dan 𝑓(𝑥) diminimumkan pada arah tersebut.
Metode-metode pencarian titik optimum untuk kasus fungsi dengan banyak

variabel tanpa kendala di antaranya:
1. Direct Method
Metode ini tidak membutuhkan penggunaan turunan dalam
menentukan arah pencarian. Pada beberapa kondisi metode ini
dapat digunakan secara efektif untuk memecahkan masalah
optimasi namun dapat menjadi tidak efektif dibandingkan dengan
metode lainnya. Beberapa metode direct diantaranya: Random
search, grid search, univariate search, metode simplex, dll.
78
2. Indirect Method
Metode ini menggunakan turunan fungsi dalam menentukan arah
pencarian untuk optimasi. Arah pencarian yang baik dapat
mengurangi nilai fungsi tujuan (untuk kasus minimasi) sehingga jika
𝑥 0 adalah titik awal dan 𝑥 1 adalah titik baru berikutnya, maka
𝑓 𝑥 1 < 𝑓(𝑥 0 )
Arah pencarian 𝑠 arah menurun untuk kasus minimasi disebut juga
descent direction. Indirect method yang dikaji pada diktat ini adalah
metode gradien dan metode newton.
4.1.1 Metode Gradient (Edgar & Himmelblau 2001)
Metode ini hanya menggunakan turunan pertama dari fungsi tujuan.

Mengulang kembali bab yang telah dipelajari sebelumnya, gradien
merupakan sebuah vektor pada titik 𝑥 yang memberikan arah (lokal) pada
pertambahan nilai 𝑓(𝑥) . Untuk kasus maksimasi, arah pencarian
merupakan gradien (disebut juga “steepest ascent”); sedangkan untuk
kasus minimasi, arah pencarian adalah negatif dari gradien (“steepest
descent”).
𝑠 𝑘 = −∇𝑓(𝑥 𝑘 )
Pada steepest descent pada tahap ke-𝑘, perubahan dari titik 𝑥 𝑘 ke titik lain
𝑥 𝑘+1 disajikan pada persamaan berikut:
𝑥 𝑘+1 = 𝑥 𝑘 + ∆𝑥 𝑘
= 𝑥 𝑘 + 𝜆𝑘 𝑠 𝑘
= 𝑥 𝑘 − 𝜆𝑘 ∇𝑓(𝑥 𝑘 )
79
Di mana∆𝑥 𝑘 = vektor dari 𝑥 𝑘 ke 𝑥 𝑘+1
𝑠 𝑘 = arah pencarian, arah steepest descent
𝜆𝑘 = skalar yang menentukan besar langkah pada arah 𝑠 𝑘
Tanda negatif pada gradien memberikan arah untuk

minimisasi.Diasumsikan nilai 𝑓(𝑥) menurun.Umumnya satu langkah pada
arah steepest descent tidak langsung sampai pada titik fungsi 𝑓(𝑥)
minimum, karena itu persamaan di atas mesti dilakukan secara berulang
(iteratif) sampai titik minimum tercapai.Pada kondisi minimum, nilai elemen
vektor gradient(∇𝑓 𝑥 𝑘 ) adalah nol.
Algrotima steepest descent adalah sebagai berikut:
1. Pilih titik awal pencarian 𝑥 0 , misalnya pada 𝑥 𝑘 .

2. Hitung secara analitik atau numerik turunan parsial:
𝜕𝑓 (𝑥)
j = 1, … , n
𝜕𝑥 𝑗
3. Hitung vektor arah pencarian:

𝑠 = −∇𝑓(𝑥 𝑘 )
4. Gunakan persamaan:
𝑥 𝑘+1 = 𝑥 𝑘 + 𝜆𝑘 𝑠 𝑘
Untuk mendapatkan nilai 𝑥 𝑘+1 . Untuk mendapatkan nilai
𝜆𝑘 minimumkan 𝑓(𝑥) secara numerik.
5. Bandingkan 𝑓 𝑥 𝑘+1 dengan 𝑓 𝑥 𝑘 ; jika perubahan 𝑓 𝑥 𝑘 lebih
kecil daripada nilai toleransi yang sudah ditentukan, maka iterasi
dapat dihentikan. Jika belum, kembali ke langkah nomor 2 dan
tetapkan 𝑘 = 𝑘 + 1.
80
Contoh Soal 4. 6
Dengan menggunakan metode steepest descent, tentukan minimum dari

fungsi
𝑓 𝑥 = 𝑓 𝑥1 , 𝑥2 = 𝑥12 − 2𝑥1 𝑥2 + 3𝑥22
Dengan titik awal 𝑥 0 = (1,1)𝑇 dan lakukan setidaknya dua kali iterasi!
Jawab :
Iterasi 1
𝜕𝑓 𝑥1 , 𝑥2
𝜕𝑥1 2𝑥1 − 2𝑥2
∇𝑓 𝑥1 , 𝑥2 = =
𝜕𝑓 𝑥1 , 𝑥2 −2𝑥1 + 6𝑥2
𝜕𝑥2
0
∇𝑓 𝑥 0 = dan untuk menghitung vektor arah pencarian
4
ditentukan 𝑢1 berupa :
0
𝑢0 = −∇𝑓 𝑥 0 =
−4
Untuk menentukan 𝑥 1 harus ditentukan panjang langkah optimal 𝜆1 terlebih

dahulu
1 0 1
𝑥 0 + 𝜆𝑢0 = +𝜆 =
1 −4 −4𝜆 + 1
𝑓 𝜆 = 𝑓(𝑥 0 + 𝜆𝑢0 )
= 12 + 3(−4𝜆 + 1)2 − 2(1)(−4𝜆 + 1)
= 48𝜆2 − 16𝜆 + 2
81
𝜕𝐹 1 𝜕2𝐹
Karena𝜕𝜆 = 96𝜆 − 16 = 0 untuk 𝜆0 = 6 dan karena 𝜕𝜆 2 = 96 > 0, maka
benar bahwa 𝜆0 meminimumkan 𝑓(𝜆), dan
𝑥 1 = 𝑥 0 + 𝜆𝑢0
1 0 1
1
= + = 1
1 6 −4
3
4
∇𝑓 𝑥 1 = 3
0
Perhitungan dilanjutkan ke iterasi berikutnya
Iterasi 2
−4
𝑢1 = −∇𝑓 𝑥 1 =
3
0
−4
1 −4 𝜆+1
𝑥 1 + 𝜆𝑢1 = 1 + 𝜆 3 = 3
1
3 0
3
𝑓 𝜆 = 𝑓(𝑥 1 + 𝜆𝑢1 )
−4 1 1 −4
= ( 𝜆 + 1)2 + 3( )2 − 2( )( 𝜆 + 1)
3 3 3 3
16 2 16 2
= 𝜆 − 𝜆+
9 9 3
𝜕𝐹 32 16
Karena 𝜕𝜆
= 9
𝜆 + 9
= 0 untuk 𝜆1 = 1/2 dan karena
𝜕2𝐹 32
𝜕𝜆 2
= 9
> 0, maka diperoleh titik
𝑥 2 = 𝑥 1 + 𝜆𝑢1
82
1 1 −4
= 1 +
2 3
3 0
1
2 3
diperoleh 𝑥 = 1
3
Iterasi dihentikan hanya sampai dua kali iterasi sesuai dengan

kriteria pemberhentian perhitungan yang diminta. 𝑥2
merupakan nilai 𝑥 yang mendekati 𝑥* optimum .
------------------------------------------------------------------------------------------
Contoh Soal 4. 7
------------------------------------------------------------------------------------------
4.1.2 Metode Newton (Edgar & Himmelblau 2001)
Metode indirect berikutnya yang dibahas pada diktat ini adalah metode
newton yang merupakan metode yang memanfaatkan informasi orde
kedua turunan fungsi 𝑓(𝑥) pada 𝑥 𝑘 . Informasi tersebut diperoleh dari
turunan kedua fungsi 𝑓(𝑥) , sehingga bentuk kurva 𝑓(𝑥) dapat turut
ditentukan dan arah pencarian yang diperoleh dapat diidentifikasi dengan
lebih baik dibanding dengan metode gradient.
𝑓(𝑥) minimum pada arah 𝑥 𝑘 dapat diperoleh dengan :
∇𝑓 𝑥 = ∇𝑓 𝑥 𝑘 + 𝐻 𝑥 𝑘 ∆𝑥 𝑘 = 0
atau
83
−1
𝑥 𝑘+1 − 𝑥 𝑘 = ∆𝑥 𝑘 = − 𝐻 𝑥 𝑘 ∇𝑓(𝑥 𝑘 )
Di mana [𝐻 𝑥 𝑘 ]−1 merupakan invers dari matriks Hess 𝐻(𝑥 𝑘 ).
Perhatikan bahwa baik arah maupun panjang langkah (step length)

ditentukan dari persamaan pertama di atas. Agar tidak menggunakan
inversi matriks untuk mengevaluasi ∆𝑥 pada persamaan kedua, maka
persamaan pertama tersebut dapat digunakan untuk menyelesaikan
persamaan linier untuk ∆𝑥 𝑘 sebagai berikut:
𝐻 𝑥 𝑘 ∆𝑥 𝑘 = −∇𝑓(𝑥 𝑘 )
Jika fungsi 𝑓(𝑥) merupakan fungsi kuadratik, maka hanya satu langkah saja
yang dibutuhkan untuk mencapai minimum. Namun biasanya, untuk fungsi
tujuan nonlinier umumnya, titik minimum 𝑓(𝑥) tidak dapat dicapai hanya
dalam satu langkah, sehingga persamaan kedua di atas dapat dimodifikasi
menjadi persamaan:
−1
𝑥 𝑘+1 − 𝑥 𝑘 = −𝜆𝑘 𝐻 𝑥 𝑘 ∇𝑓(𝑥 𝑘 )
Perhatikan bahwa kini arah pencarian 𝑠 untuk minimisasi adalah:
−1
𝑠𝑘 = − 𝐻 𝑥𝑘 ∇𝑓(𝑥 𝑘 )
dan panjang langkah (step length) adalah 𝜆𝑘 .
Persamaan modifikasi pertama di atas dilakukan secara iteratif (berulang)

sampai kriteria penghentian tercapai. Untuk versi asli metode newton,
𝜆 = 1 pada setiap tahap iterasi.
Contoh Soal 4. 8
84
Minimumkan fungsi 𝑓 𝑥 = 𝑥 2 + 3𝑦 2 − 2𝑥𝑦 , gunakan metode Newton
dengan titik awal [1 1]T.
Jawab :
𝜕𝑓 𝑥, 𝑦
𝜕𝑥 2𝑥 − 2𝑦 0
∇𝑓 𝑥, 𝑦 = = → ∇𝑓 1,1 =
𝜕𝑓 𝑥, 𝑦 6𝑦 − 2𝑥 4
𝜕𝑦
𝜕 2 𝑓(𝑥, 𝑦) 𝜕 2 𝑓(𝑥, 𝑦)
𝜕2 𝑥 𝜕𝑥𝑦 2 −2
𝐻𝑥 = 2 2 =
𝜕 𝑓(𝑥, 𝑦) 𝜕 𝑓(𝑥, 𝑦) −2 6
𝜕𝑦𝑥 𝜕2 𝑦
3 1
𝐻 −1 𝑥 = 4 4
1 1
4 4
Dan
3 1
4 4 0 −1
𝑥 𝑜 = −𝐻 −1 𝑥 0 ∇𝑓 𝑥 0 = − 1 1 = ; dengan 𝜆 =
4 −1
4 4
1 −1 0
𝑥 1 = 𝑥 0 + 𝜆𝑥 𝑜 = +𝜆 =
1 −1 0
0 0
Diperoleh ∇𝑓 =
0 0
0
Titik optimum yang menghasilkan 𝑓(𝑥) minimum adalah 𝑥 1 =
0
85
Permasalahan ini juga dapat diselesaikan denganpersamaan :
𝐻 𝑥 𝑘 𝑥 𝑘 = −∇𝑓 𝑥 𝑘
2 −2 ∆𝑥 𝑜 0
=−
−2 6 ∆𝑦 𝑜 4
2∆𝑥 𝑜 − 2∆𝑦 𝑜 = 0 −2∆𝑥 𝑜 + 6∆𝑦 𝑜 = −4

∆𝑥 𝑜 = ∆𝑦 𝑜 −∆𝑥 𝑜 + 3∆𝑦 𝑜 = −2
∆𝑥 𝑜 = −1; ∆𝑦 𝑜 = −1
0
Titik optimum yang menghasilkan 𝑓(𝑥) minimum adalah 𝑥 1 =
0
Hasil ini sama dengan hasil perhitungan sebelumnya.
------------------------------------------------------------------------------------------
Metode Newton, jika berhasil, merupakan metode tercepat dalam kasus

minimasi ataupun maksimasi. Namun, metode ini juga memiliki beberapa
kelemahan, yaitu:
1. Metode tersebut tidak selalu menemukan solusi global jika

terdapat beberapa solusi lokal.
2. Metode newton memerlukan inversi matriks
3. Metode ini membutuhkan cara analitik turunan pertama dan kedua
yang kadang tidak praktis untuk diperoleh
4. Metode ini bisa saja menunjukan titik sadel/saddle point jika H(x)
tidak positif definit.
86
4.2 Latihan Soal
1. Tentukan titik stasioner dari fungsi 𝑓 𝑥, 𝑦 = −4𝑥 4 + 2𝑥𝑦 − 𝑥 2 −

𝑦 2 dan tentukan tipe titik stasioner yang ada.
2. Tentukan semua titik minimum lokal, maksimum lokal, dan titik
pelama (jika ada) dari fungsi𝑓 𝑥, 𝑦 = 𝑥 4 − 4𝑥𝑦+𝑦 4
3. Tentukan jenis titik kritis (jika ada) dari fungsi 2 variabel berikut:
𝑓 𝑥 = 𝑥1 3 −12𝑥1 𝑥2 + 8𝑥2 3
4. Tentukan jenis titik kritis (jika ada) dari fungsi 3 variabel berikut:
𝑓 𝑥1 , 𝑥2 , 𝑥3 = 𝑥12 + 𝑥22 + 𝑥32 − 4𝑥1 𝑥2
5. Tentukan jika ada lokal, global minimizer, maximize atau titik sadel
fungsi-fungsi berikut :
𝑓 𝑥, 𝑦 = 2𝑥 3 + 𝑥𝑦 2 + 5𝑥 2 + 𝑦 2
6. Tentukan jika ada lokal, global minimizer, maximize dari titik sadel
fungsi berikut :
𝑓 𝑥1 , 𝑥2 = 𝑥12 𝑥2 + 𝑥23 𝑥1 − 𝑥1 𝑥2
7. Tentukan jika ada lokal, global minimizer, maximize dari titik sadel
fungsi-fungsi berikut :
𝑓 𝑥 = −𝑥12 − 𝑥1 𝑥2 − 2𝑥22
8. Temukan semua titik minimum, maksimum, atau titik pelana (jika
ada) dari fungsi 𝑓 𝑥, 𝑦 = 𝑥 4 − 4𝑥𝑦 + 𝑦 4
9. Dengan menggunakan Metode Steepest Descent, tentukan
minimum dari fungsi
𝑓 𝑥 = 𝑓 𝑥1 , 𝑥2 = 𝑥1 − 𝑥2 + 2𝑥12 + 2𝑥1 𝑥2 + 𝑥22
Dengan titik awal 𝑥 0 = (0 0)𝑇 dan kriteria pemberhentian adalah
∇𝑓 𝑥 𝑖 < 0.1
87
10. Temukan titik minimum fungsi 𝑓 𝑥 = 𝑥 3 + 3𝑦 2 𝑥 − 27𝑥 − 12𝑦 ,
dengan menggunakan Metode Newton dan titik awal pencarian
𝑥𝑜 = 0 dan 𝑦𝑜 = 0
11. Dengan menggunakan Metode Newton, minimumkan fungsi
𝑓 𝑥 = 4𝑥12 + 𝑥22 − 2𝑥1 𝑥2
Dimulai dari titik awal 𝑥 0 = (1 1)𝑇
12. Dengan menggunakan Metode Newton, minimumkan 𝑓 𝑥 = 𝑥14 +
2𝑥12 𝑥22 + 𝑥24 dengan titik awal 𝑥 0 = (1 1)𝑇 dan kriteria
kekonvergenan ∇𝑓 𝑥 𝑖 < 0.3
13. Dengan menggunakan Metode Newton tentukan minimum dari
1
𝑓 𝑥 = 𝑥12 + 𝑥1 𝑥2 + 𝑥22
2
Dengan titik awal 𝑥 0 = 10 −5 𝑇
dan kriteria kekonvergenan
∇𝑓 𝑥 𝑖 < 0.25
14. Gunakan Metode Newton untuk menentukan titik minimum dari
fungsi berikut:
𝑓 𝑥1 , 𝑥2 = 8𝑥12 + 4𝑥1 𝑥2 − 5𝑥22
Dengan titik awal 𝑥 0 = (10 10)𝑇
15. Tentukan nilai optimum dengan menggunakan Metode Newton
dari persamaan:
𝑓 𝑥1 , 𝑥2 = sin 𝑥1 + 𝑥2 + cos 𝑥1 + 𝑥2 − sin⁡
(𝑥1 𝑥2 )
Dengan 𝑥 0 = (8 8)𝑇
88
5. OPTIMASI FUNGSI DENGAN KENDALA
5.1 Optimasi Fungsi Non Linier dengan Kendala

Persamaan
Pada bab-bab sebelumnya, optimasi fungsi tanpa kendala telah dikaji.

Dalam kehidupan nyata, permasalahan optimasi juga sering terjadi pada
fungsi yang memiliki kendala, yaitu berupa batasan pada fungsi tersebut,
yang tentu saja sangat berpengaruh pada nilai titik optimumnya. Kendala
dalam optimasi fungsi dapat diidentifikasi sebagai kendala persamaan
ataupun pertidaksamaan. Dalam bab ini, akan dibahas permasalahan yang
lebih sulit dibanding dengan bab-bab sebelumnya, menyangkut minimasi
atau maksimasi fungsi tujuan yang memiliki kendala linier maupun tidak
linier:
Minimumkan 𝑓 𝑥 𝑥 = [𝑥1 𝑥2 … … 𝑥𝑛 ]𝑇
subject to/dengan kendala 𝑕𝑗 𝑥 = 0 𝑗 = 1, 2, … , 𝑚

𝑔𝑗 𝑥 ≥ 0 𝑗 = 𝑚 + 1, … . , 𝑝
persamaan 5. 1
kendala pertidaksamaan pada fungsi di atas seringkali ditransformasikan

menjadi persamaan. Karena itu, pada bab ini, akan difokuskan terhadap
penyelesaian masalah dengan kendala persamaan dahulu, sebelum
akhirnya mempelajari kendala pertidaksamaan. Metode optimasi fungsi
dengan kendala persamaan yang dibahas antara lain:
89
1. Cara substitusi langsung
2. Metode Lagrange
3. Metode Penalty
5.1.1 Cara: Eliminasi Langsung
Salah satu metode yang menangani fungsi dengan satu atau dua kendala
persamaan linier ataupun tidak linier adalah dengan mengatasi satu
variabelnya dan mengeliminasi variabel tersebut dari formula
permasalahan dengan cara men-substitusi-nya pada setiap fungsi dan
persamaan dalam permasalahan tersebut. Dalam banyak kasus, metode ini
merupakan cara yang ampuh dalam mencari titik optimum. Misal, terdapat
soal sebagai berikut:
Minimumkan 𝑓 𝑥, 𝑦 = 𝑥 2 + 𝑦 2 persamaan 5. 2
Terhadap kendala𝑦 + 3𝑥 = 3 persamaan 5. 3
𝑓(𝑥, 𝑦)
𝑓(𝑥, 𝑦) 𝑓(𝑥)
𝑕(𝑥, 𝑦)
Kontur dari 𝑓(𝑥, 𝑦)

9 𝑥
diproyeksikan pada 10
bidang 𝑥 − 𝑦
𝑥
90
Gambar 16. Optimasi fungsi dua variabel dibatasi kendala satu variabel
Baik 𝑥maupun 𝑦dapat dengan mudah dieliminasi. Penyelesaian untuk 𝑦:
𝑦 = 3 − 3𝑥 persamaan 5. 4
Lalu eliminasikan pada persamaan 5.2. Jika persamaan 5.4 disubstitusikan

pada fungsi objektif (persamaan 5.2), didapat fungsi objektif baru dengan
satu variabel, 𝑥:
𝑓 𝑥, 𝑦 = 𝑥 2 + 𝑦 2
 𝑓 𝑥, 𝑦 = 𝑥 2 + (3 − 3𝑥)2
 𝑓 𝑥 = 10𝑥 2 − 18𝑥 + 9 persamaan 5. 5
Persamaan kendala (pembatas) dalam bentuk semula (persamaan 5.3) telah

dieliminasi, dan 𝑓 𝑥 merupakan sebuah fungsi tanpa kendala.
Kini fungsi objektif yang baru (persamaan 5.5) dapat diminimumkan, yaitu
dengan membuat turunan pertama fungsi objektif menjadi nol, dan
mencari nilai optimum untuk 𝑥.
𝜕𝑓 (𝑥) 9
𝜕𝑥
= 20𝑥 − 18 = 0 𝑥 ∗ optimum = 10
Sehingga diperoleh 𝑦 ∗ = 3 − 3𝑥
9
𝑦 ∗ = 3 − 3(10 )
3
𝑦 ∗ optimum = 10
Dengan menggunakan metode eliminasi langsung, fungsi 𝑓 𝑥, 𝑦 = 𝑥 2 + 𝑦 2

9 3
dengan kendala 𝑦 + 3𝑥 = 3 memiliki titik optimum 𝑥, 𝑦 𝑜𝑝𝑡 = ,
10 10
9
dengan nilai 𝑓 𝑥, 𝑦 optimum adalah 10 .
91
Jenis titik optimum pada permasalah di atas dapat diketahui melalui
turunan kedua fungsi (analisa matriks Hess), di mana:
𝑓" 𝑥, 𝑦 = 20 > 0, karenanya titik optimum yang diperoleh merupakan

titik minimum.
Pada beberapa kasus optimasi di mana terdapat sejumlah 𝑛 variabel dan 𝑚

kendala persamaan, dapat dilakukan usaha untuk menghilangkan sejumlah
𝑚 variabel dengan cara substitusi langsung. Jika semua kendala persamaan
dapat dihilangkan, dan tidak terdapat kendala pertidaksamaan, maka fungsi
objektif dapat diturunkan berkenaan dengan setiap sisa (𝑛 − 𝑚) variabel
dan turunan-turunannya di-set menjadi nol. Titik 𝑥 ∗ optimum juga dapat
diperoleh dengan cara memanfaatkan kode komputasi.
Jika fungsi objektif merupakan fungsi convex (seperti contoh kasus di atas)
dan kendala yang ada membentuk area convex, maka akan terdapat satu
titik stasioner, yang merupakan titik global minimum.
Sayangnya, dalam prakteknya hanya sedikit masalah optimasi yang

bentuknya sedemikian sederhana sehingga dapat diatasi hanya dengan
mengeliminasi semua kendala persamaan. Karenanya, dibutuhkan
penyelesaian masalah optimasi dengan menggunakan metode lain,
diantaranya adalah metode pengali lagrange (Lagrange Multiplier), dan
metode penalty (Penalty Method).
92
5.1.2 Metode: Pengali Lagrange(Edgar & Himmelblau 1989)
Misalkan terdapat sebuah permasalahan optimasi yang melibatkan 2

variabel dan sebuah kendala persamaan. Permasalahan tersebut
dinyatakan dengan
Minimumkan 𝑓(𝑥1 , 𝑥2 ) persamaan 5. 6
Terhadap kendala 𝑕 𝑥1 , 𝑥2 = 𝑒 (𝑒 𝑚𝑒𝑟𝑢𝑝𝑎𝑘𝑎𝑛 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎)

persamaan 5. 7
Misalnya:
Terhadap kendala 𝑕 𝑥1 , 𝑥2 = 𝑕 − 𝑒 = 0
Pada optimum berkendala, dua kondisi perlu di bawah ini harus terpenuhi:
𝜕𝑓 𝜕𝑓
𝑑𝑓 = 0 = 𝜕𝑥 𝑑𝑥1 + 𝜕𝑥 2
𝑑𝑥2
1
persamaan 5. 8
𝜕𝑕 𝜕𝑕
𝑑𝑕 = 0 = 𝑑𝑥1 + 𝑑𝑥2
𝜕𝑥 1 𝜕𝑥 2
persamaan 5. 9
Jika 𝑓 𝑥1 , 𝑥2 merupakan fungsi tanpa kendala, maka kedua turunan 𝑓(𝑥)

𝜕𝑓 𝜕𝑓
haruslah nol (yaitu 𝜕𝑥1 = 0 dan 𝜕𝑥2 = 0 untuk semua 𝑑𝑥1 dan 𝑑𝑥2 )
pada kondisi optimum. Namun dalam kasus ini, variabel 𝑥1 dan 𝑥2

berkendala (𝑑𝑥1 dan 𝑑𝑥2 tidak independent), sehingga dalam pencarian
kondisi optimumnya tidak dapat dengan begitu saja langsung menetapkan
kedua turunan dari 𝑓(𝑥) sama dengan nol. Bagaimana pun 𝑓(𝑥) haruslah
ekstremum pada kondisi optimum saat 𝑑𝑓 𝑥 = 0. Kondisi kedua, yaitu
93
𝑑𝑕 𝑥 = 0 , ada karena kendala 𝑕(𝑥1 , 𝑥2 ) diasumsikan setara dengan
konstanta.
Pada persamaan 5.8 dan 5.9, dimisalkan 𝑑𝑥1 dan 𝑑𝑥2 merupakan variasi
dari titik optimum 𝑥1∗ dan 𝑥2∗ . Persamaan-persamaan tersebut kemudian
ditulis kembali dalam bentuk persamaan dengan dua variabel yang tidak
dikenal:
𝑎11 𝑑𝑥1 + 𝑎12 𝑑𝑥2 = 0 persamaan 5. 10
𝑎21 𝑑𝑥1 + 𝑎22 𝑑𝑥2 = 0 persamaan 5. 11
Karena sisi kanan kedua persamaan 5.10 dan 5.11 adalah 0, maka baik
penyelesaian trivial (𝑑𝑥1 = 𝑑𝑥2 = 0) maupun penyelesaian nontrivial (non-
unik) dapat dipilih untuk menyelesaikan kasus ini. Pada penyelesaian
nontrivial, determinan dari koefisien matriks (𝑎𝑖𝑗 ) pada persamaan 5.10 dan
5.11 harus nol.
𝑎 11 𝑎 𝑎 11 𝑎
𝑎 21
= 𝑎 12 or 𝑎 12
= 𝑎 21 persamaan 5. 12
22 22
Oleh karena itu, secara umum
𝑎11 = −𝜔𝑎11 dan 𝑎12 = −𝜔𝑎22 persamaan 5. 13
Di mana 𝜔 merupakan parameter yang menghubungkan turunan 𝑓(𝑥) dan

𝑕(𝑥); 𝜔 biasanya disebut sebagai pengali Lagrange. Jika sebuah fungsi
objektif tambahan, yang disebut sebagai Lagrangian, didefinisikan sebagai:
𝐿 𝑥, 𝜔 = 𝑓 𝑥 + 𝜔𝑕 𝑥 [𝑐𝑎𝑡𝑎𝑡𝑎𝑛: 𝑕 𝑥 = 0]
maka persamaan h dapat ditulis dengan cara di bawah ini (untuk dua
variabel 𝑥1 dan 𝑥2 ):
94
𝜕𝑓 𝜕𝑕 𝜕𝐿
𝜕𝑥 1
+ 𝜔 𝜕𝑥 = 𝜕𝑥 = 0 persamaan 5. 14
1 1
𝜕𝑓 𝜕𝑕 𝜕𝐿
𝜕𝑥 2
+ 𝜔 𝜕𝑥 = 𝜕𝑥 = 0 persamaan 5. 15
2 2
Persamaan 5.14 dan 5.15 menggambarkan kondisi optimum, namun belum

secara eksplisit mencakup pengaruh kendala. Karenanya, sebagai tambahan
dari syarat perlu untuk kondisi optimum berkendala, persamaan berikut
mesti dicakup:
𝜕𝐿(𝑥,𝜔 )
𝜕𝜔
=𝑕 𝑥 =0 persamaan 5. 16
Kesimpulannya, prosedur penggunaan pengali lagrange dalam pencarian

titik optimum membutuhkan variabel tambahan 𝜔 sebagaimana
dibutuhkannya fungsi lagrange. Salah satu syarat perlu untuk kondisi
ekstremum dari 𝑓(𝑥) adalah bahwa turunan dari 𝐿(𝑥) sehubungan dengan
𝑥1 , 𝑥2 , dan 𝜔 harus menghilang. Karenanya, dimensi permasalahan
optimasi ditingkatkan dengan sebuah persamaan kendala, namun
kemudian kendala tersebut dieliminasi secara eksplisit. Sebagai tambahan ,
jika kendala h(x)=0 terpenuhi, maka nilai 𝑓(𝑥) dan 𝐿(𝑥, 𝜔) pada kondisi
optimum berkendala adalah sama.
Pada kasus maksimasi fungsi, nilai parameter 𝜔 > 0, di mana pada kasus
minimasi fungsi nilai 𝜔 < 0 . Untuk pemecahannya, dapat digunakan
penyelesain terhadap turunan pertama fungsi seperti yang telah diuraikan,
atau dapat diselesaikan dengan membuat kasus tersebut sebagai minimasi
fungsi.
𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚𝑘𝑎𝑛 𝑓 𝑥 = 𝑚𝑖𝑛𝑖𝑚𝑢𝑚𝑘𝑎𝑛 − 𝑓(𝑥)
95
Contoh Soal 5. 1
Minimumkan 𝑓 𝑥, 𝑦 = 𝑥 2 + 𝑦 2 (persamaan a)
Terhadap kendala 𝑔 𝑥, 𝑦 = 𝑦 + 3𝑥 = 3 (persamaan b)
Dengan menggunakan metode Pengali Lagrange
Jawab
Fungsi Lagrange𝐿 𝑥, 𝑦, 𝜔 = 𝑥 2 + 𝑦 2 + 𝜔(𝑦 + 3𝑥 − 3) (persamaan c)
Aplikasikan syarat cukup (persamaan 5.14, 5.15, dan persamaan 5.16)
𝜕𝐿(𝑥,𝑦,𝜔)
= 2𝑥 + 3𝜔 = 0 (persamaan d)
𝜕𝑥
= 2𝑦 + 𝜔 = 0 (persamaan e)
𝜕𝑦
= 𝑦 + 3𝑥 − 3 = 0 (persamaan f)
𝜕𝜔
Dengan substitusi diperoleh:
Dari persamaan e 2𝑦 + 𝜔 = 0
𝑦 = −𝜔 2
Dari persamaan d 2𝑥 + 3𝜔 = 0
𝑥 = −3 2𝜔
Dengan demikian persamaan f menjadi
𝑦 + 3𝑥 − 3 = 0
 (− 𝜔 2) + 3(− 3 2 𝜔) − 3 = 0
3
 𝜔=−
5
96
𝑦 = −𝜔 2
3
(− 5)
 𝑦=− 2
3
 𝑦=
10
𝑥 = −3 2𝜔
3 3
 𝑥 = − 2 (− 5)
9
 𝑥 = 10
Sehingga diperoleh titik optimum
9 ∗ 3 3
𝑥 ∗ optimum = 𝑦 optimum = dan 𝜔∗ = −
10 10 5
9
Dengan nilai 𝑓 𝑥, 𝑦, 𝜔 = 10
------------------------------------------------------------------------------------------
Contoh Soal 5. 2
Gunakan Metode Pengali Lagrange untuk mengoptimumkan fungsi dua
variabel dengan satu kendala berikut:
𝑓 𝑥, 𝑦 = 𝑥 2 𝑦
Dengan kendala 𝑥 2 + 𝑦 2 = 3
Jawab:
Fungsi Lagrange: 𝐿 𝑥, 𝑦, 𝜔 = 𝑥 2 𝑦 + 𝜔(𝑥 2 + 𝑦 2 − 3)
Syarat Perlu:
97
𝜕𝐿
= 2𝑥𝑦 + 2𝜔 = 0
𝜕𝑥
𝜕𝐿
= 𝑥 2 + 2𝜔𝑦 = 0
𝜕𝑦
𝜕𝐿
= 𝑥2 + 𝑦2 − 3 = 0
𝜕𝜔
Penyelesaian terhadap persamaan:
 2𝑥𝑦 + 2𝜔𝑥 = 0
2𝜔𝑥 = −2𝑥𝑦
𝜔 = −𝑦𝑦 = −𝜔
 𝑥 2 + 2𝜔𝑦 = 0
𝑥 2 = −2𝜔𝑦
 𝑥2 + 𝑦2 − 3 = 0
−2𝜔𝑦 + 𝑦 2 − 3 = 0
−2 −𝑦 (𝑦) + 𝑦 2 − 3 = 0
2𝑦 2 + 𝑦 2 − 3 = 0
3𝑦 2 − 3 = 0
𝑦2 = 1
𝑦 = ±1𝑦 = 1 atau 𝑦 = −1
 Untuk 𝑦 = 1
𝜔 = −𝑦
𝜔1 = −1
98
𝑥 2 + 𝑦 2 − 3 = 0
𝑥2 + 1 2
−3=0
𝑥2 − 2 = 0
𝑥 2 = 2 sehingga 𝑥 = ± 2
Sehingga untuk 𝑦 = 1 diperoleh titik ekstrem ( 2, 1) atau − 2, 1)
 Untuk 𝑦 = −1
𝜔 = −𝑦
𝜔2 = 1
𝑥 2 + 𝑦 2 − 3 = 0
𝑥 2 + −1 2
−3=0
𝑥2 − 2 = 0
𝑥 2 = 2 sehingga 𝑥 = ± 2
Sehingga untuk 𝑦 = −1 diperoleh titik ekstrem ( 2, −1) atau − 2, −1)
------------------------------------------------------------------------------------------
Contoh Soal 5. 3
Gunakan metode Pengali Lagrange untuk mengoptimumkan fungsi tiga
variabel dengan dua kendala berikut: 𝑓 𝑥 = 3𝑥 − 𝑦 − 3𝑧
Terhadap kendala 𝑥+𝑦−𝑧 =0
𝑥 2 + 2𝑧 2 = 1
Jawab:
99
Fungsi Lagrange:
𝐿 𝑥, 𝑦, 𝑧, 𝜔1 , 𝜔2 = 3𝑥 − 𝑦 − 3𝑧 + 𝜔1 (𝑥 + 𝑦 − 𝑧) + 𝜔2 (𝑥 2 + 2𝑧 2 − 1)
Syarat Perlu:
𝜕𝐿
= 3 + 𝜔1 + 2𝜔2 𝑥 = 0
𝜕𝑥
𝜕𝐿
= −1 + 𝜔1 = 0
𝜕𝑦
𝜕𝐿
= −3 − 𝜔1 + 4𝑧𝜔2 = 0
𝜕𝑧
𝜕𝐿
=𝑥+𝑦−𝑧 = 0
𝜕𝜔1
𝜕𝐿
= 𝑥 2 + 2𝑧 2 − 1 = 0
𝜕𝜔2
Dari persamaan-persamaan di atas, diperoleh solusi:
 −1 + 𝜔1 = 0
𝜔1 = 1
 3 + 𝜔1 + 2𝜔2 𝑥 = 1
−2
𝜔2 =
𝑥
 −3 − 𝜔1 + 4𝜔2 𝑧 = 0
1
𝜔2 =
𝑧
−2 1
 𝜔2 = 𝑥
=𝑧
𝑥
𝑧 = − 2 𝑥 = −2𝑧
 𝑥 2 + 2𝑧 2 − 1 = 0
100
 (−2𝑧)2 + 2𝑧 2 − 1 = 0
6𝑧 2 = 1
1
𝑧2 =
6
1
𝑧=±
6
1
 Untuk 𝑧 = 6
1 2
𝑥 = −2𝑧 = −2 ∙ =−
6 6
𝑥+𝑦−𝑧 =0
𝑦 =𝑧−𝑥
1 2 3
𝑦= + =
6 6 6
2 3 1
Sehingga diperoleh titik kritis (− , , )
6 6 6
dan nilai 𝑓 𝑥, 𝑦, 𝑧 =
−4,89895
1
 Untuk 𝑧 = − 6
1 2
𝑥 = −2𝑧 = −2 ∙ − =
6 6
𝑥+𝑦−𝑧 =0
𝑦 =𝑧−𝑥
1 2 3
𝑦=− − =−
6 6 6
2 3 1
Sehingga diperoleh titik kritis ( , − , − ) dan nilai 𝑓 𝑥, 𝑦, 𝑧 =
6 6 6
4,89895
------------------------------------------------------------------------------------------
101
102

2015-DTO-Draft 03-20

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

2015-DTO-Draft 03-20

Diunggah oleh

Hak Cipta:

Format Tersedia

JUDUL

TEKNIK OPTIMASI UNTUK FUNGSI

Berbagai permasalahan yangterjadi di industri, besar kemungkinan

1. Fungsi objektif (Objective Function)/Fungsi tujuan

Formulasi permasalahan dapat dikatakan sebagai tahapan yang paling

Perbedaan dari permasalahan Linier Programming dan Non-Linier

Fungsi linier merupakan fungsi dengan persamaan yang memiliki variabel

Linear Programming (LP) atau pemrograman linier merupakan teknik

Hampir semua masalah pemrograman linier umumnya dapat melibatkan

Fungsi nonliniermerupakan fungsi dengan persamaan yang memiliki

Nonlinear Program (NLP) atau pemrograman nonlinier mirip dengan

Fungsi kendala (constraints) merupakan bentuk penyajian secara

1. Penentuan tata letak lokasi pabrik terbaik

Proses Optimasi atau pencarian titik optimum (titikekstrim) dapat dilakukan

Pemahaman mengenai beberapa konsep dasar diperlukan untuk

2.1 Kontinuitas Fungsi

Dalam memecahkan sebuah permasalahan optimasi baik secara analitik

lim 𝑓(𝑥) 𝑎𝑑𝑎

lim 𝑓(𝑥) = 𝑓(𝑥0 )

Gambar 1. Diskontinuitas pada fungsi dan/atau turunan fungsi

Sebuah ke-diskontinu-an mungkin dapat menyebabkan kesulitan dalam

2.2 Fungsi Unimodal vs Multimodal

Gambar 3. Fungsi multimodal

2.3 Fungsi Cembung (Convex) dan Fungsi Cekung

Pemahaman mengenai kekonveks-an suatu fungsi dapat membantu

(i) Fungsi cekung/concave (ii) Fungsi cembung/convex

Gambar 4. Perbandingan antara fungsi cekung/concave (i) dan fungsi

(i) Fungsi cekung/concave (ii) Fungsi cembung/convex

Gambar 5. Plot turunan pertama fungsi cekung/concave (i) dan

Gambar 5 merupakan plot turunan pertama (𝑓′ 𝑥 ) dari fungsi cekung

(i) Fungsi cekung/concave (ii) Fungsi cembung/convex

Gambar 6. Plot turunan kedua fungsi cekung/concave (i) dan

Jika fungsi 𝑓diturunkan/ dideferensiasikan secara kontinu sebanyak 2 kali,

Pengetahuan mengenai rumus turunan fungsi ada baiknya diperdalam

Tentukan vektor gradien dan matriks Hess H dari fungsi

Gradien vector dari fungsi 𝑓(𝑥) adalah

Sehingga matriks Hessnya adalah

Tentukan vektor gradien dan matriks Hess dari fungsi

Gradien vector dari fungsi 𝑓 𝑥1 , 𝑥2 adalah

Sehingga matriks Hessnya adalah

Tentukan vektor gradien dan matriks Hess dari fungsi

𝑓 𝑥 = 3𝑥1 2 + 6𝑥1 + 𝑥2 2 +6𝑥1 𝑥2 + 𝑥3 + 2𝑥32 + 𝑥2 𝑥3 + 𝑥2

Gradien vector dari fungsi 𝑓 𝑥 adalah

Sehingga matriks Hessnya adalah

𝜕 2 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) 𝜕 2 𝑓(𝑥1 , 𝑥2 , 𝑥3 )

Tentukan vektor gradien dan matriks Hess dari fungsi

Vektor gradien dari fungsi 𝑓 𝑥1 , 𝑥2 adalah

Sehingga matriks Hessnya adalah

Dalam menentukan status matriks Hess (H) atau sifat titik

1. Determinan principal minor

Tabel hubungan antara sifat fungsi 𝑓(𝑥) dengan H(𝑥):

𝒇(𝒙) adalah 𝐇(𝒙) adalah Semua nilai Determinan

Pasti convex Positif difinit >0 ∆1> 0, ∆2> 0, …

Convex Positif semi- ≥0 ∆1≥ 0, ∆2≥ 0, …

Concave Negatif semi- ≤0 ∆1≤ 0, ∆2 ≥ 0, ∆3≤

Pasti concave Negatif definit <0 ∆1< 0, ∆2> 0, ∆3< 0,

(Edgar & Himmelblau 1989)

Maka fungsi tersebut memiliki titik stasioner berupa titik pelana/titik

a – titik maksimum golbal (atau maksimum lokal)

Diketahui fungsi 𝑓 𝑥 = 2𝑥1 2 +3𝑥1 𝑥2 + 2𝑥2 2 . Apakah fungsi

Vektor gradien dari fungsi f adalah

Sehingga matriks Hess

 Tes determinan principal minor

 Test nilai eigen