TUGAS KELOMPOK

“Algoritma Pemrograman Non Linier Tak Dibatasi”

Dosen pengampu : Dr. Nerli Khairani, M.Si.
Mata kuliah : Operasi Riset Lanjutan

Disusun oleh:
Kelompok 8

Juliana Tampubolon 4203230033

Rodelta Nababan 4203230006
Yulan Indiana Sianipar 4201230009

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
UNIVERSITAS NEGERI MEDAN
2023
 KATA PENGANTAR
Puji syukur kita panjatkan kehadiran Tuhan Yang Maha Esa karena dengan rahmat,
karunia, serta taufik dan hidayah-Nya penulis dapat menyelesaikan tugas makalah yang
berjudul “Algoritma Pemrograman Non Linier Tak Dibatasi” ini dengan baik. Kami selaku
Penulis juga berterimakasih kepada dosen mata kuliah Operasi Riset Lanjutan yaitu Ibu Dr.
Nerli Khairani, M.Si.. yang telah memberikan tugas ini kepada penulis. Penulis sangat
berharap kiranya makalah ini dapat bermanfaat bagi para pembaca. Penulis juga menyadari
sepenuhnya bahwa di dalam makalah ini terdapat kekurangan. Oleh karenanya, penulis
berharap adanya kritik, saran dan usulan demi perbaikan tugas yang telah penulis buat,
mengingat tidak ada sesuatu yang sempurna tanpa saran yang membangun.
Semoga makalah sederhana ini dapat dipahami dan berguna bagi siapa pun yang
membacanya terutama penulis. Sebelumnya tim penulis mohon maaf apabila terdapat
kesalahan kata-kata yang kurang berkenan dan penulis memohon kritik dan saran yang
membangun demi perbaikan di masa depan.

Medan, 11 November 2023

Penulis
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Saat ini masalah optimasi merupakan masalah yang paling diperhatikan dan sangat
menarik dalam bidang matematika. Secara umum, sebuah masalah optimasi berisi tentang
cara memaksimumkan atau meminimumkan suatu permasalahan matematika. Salah satu
bentuk optimasi pada fungsi adalah mencari nilai minimum dari fungsi tersebut. Fungsi yang
sering disajikan adalah fungsi yang memperhatikan bentuk turunannya (diferensial) tetapi ada
juga fungsi yang sangat kompleks sehingga tidak mudah mencari bentuk diferensialnya atau
bahkan tidak ada.
Adapun metode optimasi multivariabel yang cukup populer dalam kalangan pendidikan
yaitu metode pencarian langsung dan metode gradien. Metode pencarian langsung yaitu
metode optimasi non linier yang tidak memanfaatkan penurunan dalam menyelesaikannya.
Sedangkan metode gradient merupakan kebalikan dari metode pencarian langsung dimana
metode ini melihat proses penurunan dari suatu fungsi untuk mendapatkan solusi optimlanya.
1.2 Rumusan Masalah
Berdasarkan latar belakang diatas, rumusan masalah yang akan dibahas adalah sebagai
berikut :
1. Bagaimana mendapatkan solusi optimum dengan menggunakan metode pencarian
langsung?
2. Bagaimana mendapatkan solusi optimum dengan menggunakan metode gradient?
1.3 Tujuan
Adapun tujuan dari penulisan makalah ini yaitu sebagai berikut :
1. Untuk mengetahui solusi optimum dengan menggunakan metode pencarian langsung
2. Untuk memahami solusi optimum dengan menggunakan metode gradient
 BAB II
PEMBAHASAN

1. Metode Pencarian Langsung

Metode pencarian langsung merupakan metode yang tidak memerlukan turunan fungsi,
sehingga dapat digunakan untuk menentukan optimum suatu fungsi dimana turunannya sulit
dihitung atau tidak dapat ditentukan (tidak mempunyai turunan).
 Metode Hooke-Jeeves
Metode ini merupakan metode optimasi pencarian langsung tanpa kendala yang
digunakan untuk mencari nilai minimum atau maksimum fungsi tak linier tanpa
kendala Adapun algoritma penyelesaian untuk metode ini yaitu sebagai berikut :

MULAI

Tentukan :
X1 , X2 , … , Xn
d X1 , d X2, … , d Xn
tol1 , tol2 , … ,tol n dan rasio

Hitung nilai Y , gunakan hasilnya sebagai

acuan nilai optimum awal (Y opt )

Tahap Eksplorasi
(menambah/mengurang X 1 dengan
d X1

Y <Y opt ? ya
Ulang Sukses

tidak

Kecilkan Semua Delta

d X 1=d X 1* rasio tidak Cek Delta
d X 1≤tol i ? ?///
…
d X n=d X n* rasio /?

ya
TULIS
X1 , X2 , … , X N
opt opt opt

Y opt

SELESAI
Contoh :
Seorang produsen memproduksi dua jenis mesin, masing – masing sebanyak x 1 dan x 2
2 2
. Fungsi biaya gabungan adalah f ( x 1 , x 2 ) =(2−x1 ) + 0 ,5 (3−x 2 ) +3 . Untuk
meminimumkan biaya, berapa masing-masing mesin harus diproduksi?
Penyelesaian :
function opt_multil
clear all
clc
%y = (2-x1)^2+0.5*(x2-3)^2+3
%tebakan awal
x10=5;
x20=5;
dx=0.7;%inkremen awal
dx1=0.5;%inkremen x1
dx2=dx1;%inkremen x2

%pemberhentian program
while and (dx1>0.001,dx2>0.001)

%basis awal

x1=x10;x2=x20;
fx0=fungsi(x1,x2);

%analisis untuk x1 : kondisi pertama

x1=x10+dx1;x2=x20;
fx=fungsi(x1,x2);
tanda1=0%tanda looping x1
tanda2=0;%tanda looping x2
%pengandaian kondisi pertama
if fx<fx0
fxo=fx;
x10=x1;
tanda1=1;
else
%analisis untuk x1 : kondisi kedua
x1=x10-dx1;
fx=fungsi(x1,x2);
%pengandaian kondisi kedua
if fx<fx0
fx0=fx;
x10=x1;
tanda1=-1;
end
end
 %analisis x2 kondisi pertama
x1=x10;x2=x20+dx2;
fx=fungsi(x1,x2);
%pengandaian kondisi pertama
if fx<fx0
fx0=fx;
x20=x2;
tanda2=1;
else
%analisis x2 kondisi kedua
x2=x20-dx2;
fx=fungsi(x1,x2);
%pengandaian kondisi kedua
if fx<fx0
fx0=fx;
x20=x2;
tanda2=-1;
end
end

%looping untuk inkremen x1

if abs(tanda1)<=0
dx1=dx1*dx;
else
%looping untuk inkremen x2
if abs(tanda2)<=0
dx2=dx1*dx;
else
while fx<fx0
x1=x10+dx1*tanda1;
x2=x20+dx2*tanda2;
fx=fungsi(x1,x2);
x10=x1;
x20=x2;
fx0=fx;
end
end
end
end

fprintf('x1 optimal = %2.4f\n',x10);

fprintf('x2 optimal = %2.4f\n',x20);
fprintf('nilai y = %2.4f\n',fx0);
end
function fx=fungsi(x1,x2)
fx=(2-x1)^2+0.5*(x2-3)^2+3
end
 Metode Nelder Mead
Metode Nelder Mead ditemukan pada tahun 1965 oleh John Nelder dan Roger
Mead. Metode ini dikenal juga sebagai metode dowmhill simpleks. Idenya adalah
menggerakkan simpleks dalam ruang berdimensi n untuk mengelilingi titik optimal
kemudian mengecilkan simpleks hingga ukurannya mencapai toleransi kesalahan
yang ditentukan. Metode ini juga merupakan metode pencarian langsung dalam arti
mengevaluasi fungsi tujuan pada sejumlah titik terbatas per iterasi dan memutusakan
tindakan mana yang akan diambil selanjutnya berdasarkan n nilai-nilai fungsi tersebut
tanpa menggunakan derivatif. Metode Nelder Mead merupakan salah satu metode
paling popular yang tidak menggunakan turunan (Andrew R. Conn , Katya
Scheinberg and Luis N. Vicente, 2009).
Adapun algoritma Nelder Mead adalah sebagai berikut :
Metode simpleks untuk menemukan minimum lokal dari suatu fungsi 2 variabel
dirancang oleh Nelder dan Mead. Pada kasus fungsi dua variabel, simpleks
merupakan suatu segitiga dan metode yang digunakan adalah membandingkan nilai
fungsi pada titik segitiga. Titik terburuk (worst) yaitu titik dengan nilai f(x,y) terbesar
akan disisihkan dan diganti dengan titik baru dengan nilai f(x,y) yang lebih kecil.
Dengan demikian akan terbentuk segitiga yang baru dan pencarian titik-titik yang
lebih baik dilanjutkan. Proses ini membangkitkan barisan segitiga (yang mungkin
memiliki bentuk berbeda) dengan nilai fungsi yang lebih kecil dan lebih kecil lagi.
Ukuran segitiga menyempit dan akhirnya ditemukan nilai minimum yang diinginkan.
 Menentukan Fungsi
dan Titik Awal

Hitung nilai fungsi, tentukan

titik B, G, dan W. Mencari
titik tengah M Awal

Refleksi
R=2M-W

Konstraksi
CI=(W+M)/2
Tidak Tidak CI=(M+R)/2
F(R)<f(G)? F(R)<f(W)? Titik dengan nilai fungsi yang lebih
kecil disebut titik C

Ya

Ya
F(B)<f(R)? F(C)<f(W)?

Ya Tidak

Tidak Ya

Titik W diganti Penyusutan

Ekspansi titik C S=(B+W)/2
E=2R-M

Titik W Titik G
F(E)<f(B)? diganti titik S diganti titik
Tidak M

Titik W diganti
titik R
Ya

Titik W diganti titik E

Tidak Konvergen? Ya
Selesai
Contoh :
Sebuah perusahaan AB memproduksi tas dan sepatu. Misalkan x adalah jumlah tas
yang harus diproduksi dan y adalah jumlah sepatu yang harus diproduksi, diketahui
fungsi biaya produksi kedua jenis barang tersebut adalah :
2 2
f ( x , y )=x −4 x+ y − y−xy . Tentukan berapa jumlah masing-masing barang yang
harus diproduksi agar biaya produksi minimum.
Penyelesaian :
Iterasi 1 Dengan titik awal v 1=( 0 , 0 ) , v 2=( 1.2 , 0 ) , dan v 3=(0 , 8)
Mengurutkan Titik
f ( v 1 )=f ( 0 , 0 )=0
f ( v 2 )=f ( 1.2, 0 )=−3 , 36
f ( v 3 )=f ( 0 , 0 , 8 )=−0 , 16
f ( v 2 )=−3 ,36< f ( v 3) =−0 , 16< f ( v 1 ) =0

Sehingga didapatkan titik B=v 2=( 1.2 , 0 ) ,G=v 3= ( 0 ,8 ) , dan

W =v 1 ¿ ( 0 , 0 ) .
ε =0,005
¿
¿ 3 , 2>0,005
Karena nilai ¿ maka iterasi dilanjutkan.
Titik tengah

M=
2 2 (
B+ G 1 ,2+ 0 0+0 , 8
= ,
2 )
=(0 , 6 , 0 , 4)

Refleksi
R=2 M −W =2 ( 0.6 , 0.4 )−( 0 , 0 ) =( 1.2, 0.8 )
Karena f ( R )=−4 , 48< f ( G )=−0 , 16
Karena f ( B )=−3 ,36 >f ( R ) =−4 , 48 maka dilakukan ekspansi.
Ekspansi
E=2 R−M =2 ( 1 ,2 , 0 , 8 )− ( 0.6 , 0.4 )=(1.8 , 1.2)
f ( E )=−5 , 88
Karena f ( E )=−5 , 88< f ( B ) =−5 , 88 maka titik W =(0 ,0) diganti
dengan Titik E=(1.8 , 1.2).
Iterasi 2 Dengan titik awal v 1=( 1.8 ,1 , 2 ) , v 2=( 1.2 , 0 ) , dan v 3=(0 , 0.8)
Mengurutkan Titik
f ( v 1 )=f ( 1.8 ,1.2 ) =−5 , 88
f ( v 2 )=f ( 1.2, 0 )=−3 , 36
f ( v 3 )=f ( 0 , 0.8 )=−0 ,16
f ( v 1 )=−5 , 88< f ( v 2 ) =−3 , 36< f ( v 3 )=−0 ,16

Sehingga didapatkan titik B=v 1=( 1.8 , 1.2 ) , G=v 2=¿

( 1.2 , 0 ) , danW =v 3 ¿ ( 0 , 0.8 ) .
ε =0,005
¿
¿ 2 ,52> 0,005
Karena nilai ¿ maka iterasi dilanjutkan.
Titik tengah

M=
2 (
B+ G 1 , 8+ 1 ,2 1 ,2+ 0
=
2
,
2
=(1.5 , 0.6))
Refleksi
R=2 M −W =2(1.5 , 0.6)− ( 0 , 0.8 )=( 3 , 0.4 )
Karena f ( R )=−4 , 44< f ( G )=−3 ,36
Karena f ( B )=−5 ,88 >f ( R ) =−4 , 44 maka titik W =v 3= ( 0 , 0.8 )
Diganti dengan titik R=(3 , 0.4) .
k Titik B Titik G Titik W
1 f ( 1.2 , 0 )=−3 ,36 f ( 0 ,0.8 )=−0 , 16 f ( 0 ,0 )=0
2 f ( 1.8 , 1.2 )=−5 , 88 f ( 1.2 , 0 )=−3 ,36 f ( 0 ,0.8 )=−0 , 16
3 f ( 1.8 , 1.2 )=−5 , 88 f ( 3 , 0.4 )=−4 , 44 f ( 1.2 , 0 )=−3 ,36
4 f ( 3.6 ,1.6 )=−6 , 24 f ( 1.8 , 1.2 )=−5 , 88 f ( 3 , 0.4 )=−4 , 44
5 f ( 3.6 ,1.6 )=−6 , 24 f ( 2.4 ,2.4 )=−6 , 24 f ( 1.8 , 1.2 )=−5 , 88
6 f ( 2.4 ,1.6 )=−6 ,72 f ( 3.6 ,1.6 )=−6 , 24 f ( 2.4 ,2.4 )=−6 , 24
7 f ( 2.7 ,2 ) =−6 , 91 f ( 2.4 ,1.6 )=−6 ,72 f ( 3.6 ,1.6 )=−6 , 24
8 f ( 2.7 ,2 ) =−6 , 91 f ( 3.075 , 1.7 )=−6,8819 f ( 2.4 ,1.6 )=−6 ,72
9 f ( 3.1313 , 1.975 ) =−6,9789
f ( 2.7 ,2 ) =−6 , 91 f ( 3.075 , 1.7 )=−6,8819
10 f ( 3.1313 , 1.975 ) =−6,9789
f ( 32.9954 ,1.8438 )=−6,9763
f ( 2.7 ,2 ) =−6 , 91
 Sehingga titik minimum yang didapatkan dengan menggunakan metode Nelder Mead
2 2
dari f ( x , y )=x −4 x+ y − y−xy adalah
v 1=( 3.1313 ,1.975 ) , v 2=( 32.9954 , 1.8438 ) , v 3=( 32.9954 ,1.8438 ) dengan
f ( v 1 )=−6,9789 , f ( v 2 )=−6,9763 , f ( v 3 ) =−6 , 91. Dari ketiga titik tersebut titik yang

terbaik adalah titik B=v 1=( 3.1313 , 1.975 ) dan f ( B )=−6,9789.

2. Metode Gradien
Metode gradien merupakan metode optimasi pendekatan yang menggunakan informasi
gradien atau turunan dari fungsi objektif untuk mengarahkan pencarian menuju minimum
atau maksimum.
 Metode Steepest Ascent/Descent
Metode Steppest Ascent/Descent merupakan prosedur paling mendasar yang
diperkenalkan oleh Cauchy pada tahun 1847. Metode ini adalah metode gradien
sederhana yang menggunakan vektor gradien untuk menentukan arah pencarian pada
setiap iterasi. Kemudian, arah tersebut akan ditentukan besar ukuran langkahnya.
Pada beberapa kasus, metode ini memiliki kekonvergenan yang lambat menuju solusi
optimum karena langkahnya yang berbentuk zig – zag.
Metode Steppest Ascent/Descent digunakan untuk mencari minimum suatu
fungsi, yakni dengan menggunakan nilai negatif dari gradient fungsi di suatu titik.
Digunakan nilai negatif dari gradient karena gradien memberikan nilai kenaikan yang
semakin besar. Dengan nilai negatif dari gradient maka akan diperoleh nilai
penurunan yang semakin besar.
Algoritma Penyelesaian :
Misal, untuk sebuah fungsi dua variabel: f(x,y) yang akan dicari titik optimumnya
dengan nilai awal: x = x0 dan y = y0, maka pada langkah iterasi pertama, nilai x dan y
yang baru dapat ditentukan dengan :

x=x 0 +
∂f
∂x |
x0 , y0
h dan y= y 0+
∂f
∂y |
x 0 , y0
h

∂f ∂f
dengan dan merupakan turunan parsial fungsi f(x,y) masing-masing terhadap x
∂x ∂y
∂f ∂f
dan y. Dalam hal ini, vektor gradien fungsinya dinyatakan sebagai : ∇ f = i+ j
∂x ∂y
(Pada kasus ini, sebuah fungsi 2 variabel dalam x dan y, f(x,y), ditransformasikan
menjadi sebuah fungsi satu variabel dalam h, g(h).)
Nilai x dan y yang diperoleh pada langkah iterasi ini selanjutnya menjadi x 0 dan y0 pada
langkah iterasi berikutnya. Demikian seterusnya.
Contoh :
Ada sebuah perusahaan kelapa sawit yang memproduksi CPO dan PKO. Masing-
masing adalah x dan y, misal x adalah jumlah produksi CPO dan y adalah jumlah
produksi PKO. Adapun jumlah permintaan sebesar : f (x , y )=2 xy +2 x −x2 −2 y 2.
Hitung masing-masing x dan y untuk memaksimalkan jumlah permintaan.
Penyelesaian :
Turunan parsial fungsi di atas dapat dituliskan sebagai :
∂f ∂f
=2 y +2−2 x dan =2 x−4 y
∂x ∂y
Iterasi pertama :
Nilai awal: x0 = -1 dan y0 = 1
Pada x0 dan y0: f (x , y )=2(−1)(1)+ 2(−1)−(−1)2−2( 1)2=−7
Evaluasi nilai turunan parsial fungsi pada x0 dan y0:
∂f
∂x | x0 , y0
=2 ( 1 )+ 2−2 (−1 )=6

∂ y|
∂f
=2 (−1 )−4 ( 1 )=−6
x0 , y0

Maka, vektor gradiennya dapat dituliskan sebagai : ∇ f =6 i+6 j

dan : x=x 0 +
∂f
∂x | x0 , y0
h=−1+6 h

y= y 0+
∂f
∂x |
x0 , y0
h=1−6 h

Substitusikan nilai x dan y (sebagai fungsi h) ke dalam f(x,y) di atas :

2 2
f (x , y )=2 xy +2 x −x −2 y
2 2
f ( x , y )=2 (−1+6 h ) ( 1−6 h )+ 2 (−1+6 h )−(−1+6 h ) −2 (1−6 h )
2
f ( x , y )=−180 h +72 h−7=g(h)
Fungsi turunan pertama dari g(h) maksimum dicapai pada saat g' ( h )=0 , yakni sebesar :
'
g ( h )=−360 h+72=0
360 h=72
h=0 , 2
Dengan demikian, nilai x baru dan y baru dapat dihitung sebagai berikut :
 x=−1+6 h=−1+6 ( 0 , 2 )=0 ,2
y=1−6 h=1−6 ( 0 , 2 )=−0 ,2
Cara perhitungan yang sama dapat dilakukan untuk langkah-langkah iterasi berikutnya.
Hasil perhitungan selesangkapnya (hingga langkah iterasi ke-12) disajikan dalam tabel
berikut ini :

Berdasarkan hasil-hasil tersebut di atas, terlihat bahwa penyelesaian bersifat konvergen

menuju ke nilai x optimum dan y optimum yang sebenarnya, yakni x = 2 dan y = 1,
dengan nilai f (x,y) maksimum sebesar 2.

3. Metode Separable Programming

Separable ProgramMetode Separable Programming merupakan suatu metode
penyelesaian dalam pemrograman non-linier dengan mentransformasi bentuk non-linier
menjadi bentuk linear yang memuat satu variabel. Metode ini dapat digunakan untuk
menyelesaikan permasalahan non-linier dengan kendala yang memuat fungsi-fungsi non-
linier. Untuk menyelesaikan masalah separable programming digunakan piecewise linear
programming, dengan cara melinearkan fungsi-fungsi non-linier, sehingga fungsi-fungsi
tersebut dapat lebih mudah diselesaikan melalui algoritma simpleks. Metode ini dapat
digunakan untuk menyelesaikan permasalahan pemrograman non-linier tak dibatasi.
Berikut adalah rumus dan pengerjaan metode Separable Programming untuk menyelesaikan
permasalahan pemrograman non-linier tak dibatasi:
 Membentuk fungsi separable

Z=f 1 ( x 1 ) +f 2 ( x 2 ) +…+ f n ( x n )
g11 ( x 1 ) + g12 ( x 2 ) +… g1 n ( x n ) (≤ ,=≥)b1
g21 ( x 1 ) + g22 ( x 2) + … g 2 n ( x n ) (≤ ,=≥)b 2
 gm 1 ( x 1) + g m 2 ( x 2 ) +… gmn ( x n ) (≤ ,=≥) bm
dan x 1 , x 2 , … , x n ≥ 0
 Mentransformasikan fungsi nonlinear menjadi fungsi linear dengan hampiran fungsi
linear sepotong-sepotong formulasi delta.
kj
f`j ( x j ) =f j ( x 0 j ) +∑ ( ∆ f vj ) δ vj , f vj =f j ( v vj )−f j ¿
v=1

kj
g` j ( x j )=g j ( x 0 j) + ∑ ( ∆ g vj ) δ vj , g vj=g j ( v vj )−g j ¿
v=1

 Membentuk masalah AP berdasarkan hampiran linear dari masalah P yang diperoleh

dengan menggunakan formulasi delta. Memaksimumkan/Meminimumkan
`k j

Z=∑ f j (x ¿¿ 0 j)+¿ ∑ ( ∆ x vj ) δ vj ¿ ¿
j∄ L v=1

terhadap kendala

∑ ¿¿
j∄ L

Untuk v=1 ,2 , 3 , … , k j ∄ L

 Memperoleh masalah pemrograman linear dengan fungsi tujuan dan fungsi kendala
linear.

Contoh soal
Seorang produsen ingin memproduksi dua jenis produk, yaitu A dan B. Biaya produksi untuk
produk A adalah Rp. 500.000 per unit dan biaya produksi untuk produk B adalah Rp. 750.000
per unit. Produsen ingin memperoleh keuntungan sebesar Rp. 1.000.000 dari hasil penjualan
produk-produk tersebut. Keuntungan dari produk A adalah Rp. 800.000 per unit dan
keuntungan dari produk B adalah Rp. 1.200.000 per unit. Berapa unit yang harus diproduksi
untuk setiap jenis produk agar produsen memperoleh keuntungan maksimum?
Jawab
- Tentkan fungsi objektif dan kendala
Fungsi objektif : f ( X )=800.000 x 1+1.200 .000 x 2
Kendala: 500.000 x 1+750.000 x 2 ≤ 1.000 .000

- Ubah fungsi objektif menjadi bentuk linear menjadi satu variabel menggunkan piecewise
linear programming
f ( X )=800.000 x 1+1.200 .000 x 2
¿ 800.000 ( x 1 /2 )+ 800.000( x 1 /2)+1.200 .000(x 2 /2)+1.200 .000(x 2/2)
¿ 400.000 ( x 1/2 )+ 400.000( x 1/2)+ 600.000(x 2 /2)+600.000(x 2/2)+ 200.000(x 1 /2)+600.000(x 2/2)
¿ 200.000( x 1/2)+600.000 (x 2 /2)+200.000(x 1/2)+600.000 (x 2/2)+600.000(x 2/2)
¿ 4 00.000(x 1/2)+1.8 00.000(x 2/2)

- Gunakan algoritma simpleks untuk menyelesaikan permasalahan linear yang dihasilkan

Bentuk fungsi objektif dan kendala dalam bentuk matriks:
 [400.000¿1.800 .000] ¿

Bentuk matriks augmented:

[400.000¿1.800 .000¿1.000 .000]

Bentuk matriks setelah dilakukan operasi baris:

[1¿ 4 , 5¿2 , 5]

[0¿1¿0,5556]

Solusi yang diperoleh: 𝑋1 = 1.1111 dan 𝑋2 = 0.5556

- Kembalikan nilai 𝑋1 dan 𝑋2 ke dalam fungsi objektif awal untuk menentukan solusi
optimal
Jadi, produsen harus memproduksi 1.1111 unit produk A dan 0.5556 unit produk B untuk
memperoleh keuntungan maksimum sebesar Rp. 1.000.000.

4. Metode Lagrange Multiplier

Metode Lagrange Multiplier dapat digunakan untuk menyelesaikan permasalahan
pemrograman non-linier tak dibatasi. Metode ini bekerja dengan cara membentuk fungsi
Lagrange dengan mengalikan setiap kendala dengan sebuah pengali Lagrange (𝜆), kemudian
fungsi Lagrange tersebut ditambahkan ke dalam fungsi objektif. Selanjutnya, persamaan baru
tersebut diturunkan untuk mencari nilai 𝑋 dan 𝜆 yang memenuhi persamaan. Nilai 𝑋 dan 𝜆
yang diperoleh digunakan untuk menentukan solusi optimal dari permasalahan pemrograman
non-linier. Metode Lagrange Multiplier dapat digunakan untuk menyelesaikan permasalahan
pemrograman non-linier dengan kendala-kendala non-linier. Metode ini juga dapat digunakan
untuk menentukan harga/nilai minimum relatif atau maksimum dari suatu fungsi yang
dibatasi oleh suatu kondisi (constrain conditions)
Metode Lagrange Multiplier dapat digunakan untuk menyelesaikan permasalahan
pemrograman non-linier tak dibatasi. Berikut adalah rumus dan pengerjaan metode Lagrange
Multiplier:
 Membentuk fungsi lagrange yaitu fungsi yang memuat hasil penjumlahan atau selisih
fungsi tujuan dan perkalian antara pengali lagrange dengan fungsi kendala. Fungsi
Lagrange yang terbentuk adalah
,
F ( x , y , λ i )=f ( x , y ) +∑ λi gi ( X , Y )
i=1
F ( x 1 , x 2 , x 3 , λi ) =f ( x 1 , x 2 , x 3 ) + λ i gi ( x 1 , x 2 , x 3 )
i=1 , 2 ,3

 Membuat turunan pertama pada semua variabel sebagai syarat perlu meminimumkan
fungsi lagrange dalam kondisi stasioner
∂F ∂f ∂ gi
i. ( x , x , x , λ )= ( x , x , x )+ λ
∂ x1 1 2 3 i ∂ x1 1 2 3 i ∂x 1 1 2 3
( x , x , x ) =0

∂F ∂f ∂ gi
ii.
∂ x2
( x 1 , x 2 , x 3 , λi ) =
∂x2
( x1 , x2 , x3 )+ λi ( x , x , x ) =0
∂ x2 1 2 3
 ∂F ∂f ∂ gi
iii.
∂ x3
( x 1 , x2 , x3 , λi ) =
∂x 3
( x 1 , x 2 , x 3 ) + λi ( x , x , x )=0
∂ x3 1 2 3

∂F
iv. ( x , x , x , λ ) =gi ( x1 , x2 , x3 ) =0 ,=1, 2 , 3
λi 1 2 3 i

 Mencari nilai ekstrim dengan mensubstitusikan titik-titik kritis ke dalam persamaan

nonlinear.
 Menentukan solusi optimal

Contoh soal
Seorang petani ingin menanam dua jenis tanaman, yaitu jagung dan kacang hijau. Luas lahan
yang tersedia adalah 1000 m². Biaya untuk menanam jagung adalah Rp. 500.000 per hektar
dan biaya untuk menanam kacang hijau adalah Rp. 750.000 per hektar. Petani ingin
memperoleh keuntungan sebesar Rp. 1.000.000 dari hasil panen. Keuntungan dari jagung
adalah Rp. 800.000 per hektar dan keuntungan dari kacang hijau adalah Rp. 1.200.000 per
hektar. Berapa hektar yang harus ditanam untuk setiap jenis tanaman agar petani memperoleh
keuntungan maksimum?
Jawaban
- Tentukan fungsi objektif dan kendala
Fungsi objektif : f ( X )=800.000 x 1+1.200 .000 x 2
Kendala : 500.000 x 1+750.000 x 2 ≤ 1.000 .000 dan x 1+ x 2 ≤1000

- Bentuk fungsi langrange

L=( x , λ )=f ( x )+ λ 1 ( 1.000 .000−800.000 x 1−1.200 .000 x 2 )+ λ 2(1000−x 1−x 2)

- Turunkan persamaan baru

∂L
=800.000−500.000 λ 1−λ 2=0
∂ x1

∂L
=1.200 .000−750.000 λ 1−λ 2=0
∂ x2

∂L
=1.000.000−800.000 x 1−1.200 .000 x 2=0
∂ λ1

∂L
=1000−x 1−x 2=0
∂ λ2

Maka diperolej hasil λ 1=1, 2 dan λ 2=400

Untuk persamaan selanjutnya diperoleh x 1=0 , 6 dan x 2=0 , 4
Jadi, petani harus menanam jagung sebesar 0,6 hektar dan kacang hijau sebesar 0,4 hektar
untuk memperoleh keuntungan maksimum sebesar Rp. 1.000.000.
v1

BAB III
 PENUTUP
3.1 Kesimpulan
Kesimpulan yang didapatkan berdasarkan pembahasan diatas yaitu :
1. Metode pencarian langsung merupakan metode yang tidak memerlukan turunan
fungsi, sehingga dapat digunakan untuk menentukan optimum suatu fungsi dimana
turunannya sulit dihitung atau tidak dapat ditentukan (tidak mempunyai turunan).
2. Metode gradien merupakan metode optimasi pendekatan yang menggunakan
informasi gradien atau turunan dari fungsi objektif untuk mengarahkan pencarian
menuju minimum atau maksimum.
3.2 Saran

DAFTAR PUSTAKA
Arindita, T., Mashuri, M., & Veronika, R. B. (2022). Pemrograman Non Linear dengan
Pendekatan Separable Programming dan Lagrange Multiplier dalam Penetapan Biaya
Produksi Optimal Lanting di “Lanting Bumbu An-Nisa”. Indonesian Journal of
Mathematics and Natural Sciences, 45(1), 9-19.
Rao, S.S. (2009). Engineering Optimization : Theory and Practice 4 th. John Wiley & Sons,
Inc.: Canada
Santosa, Budi. (2017). Pengantar Metaheuristik : Implementasi dengan Matlab. ITS Tekno
Sains : Surabaya
Sudirga, R. S. (2017). PEMECAHAN MASALAH NONLINEAR PROGRAMMING
DENGAN LAGRANGEAN METHOD MENGGUNAKAN SUBSTITUTION
METHOD ATAU MICROSOFT EXCEL. Business Management Journal, 4(2).
SOAL
1. Sebuah toko menyediakan dua jenis tisu, masing – masing sebanyak x 1 dan x 2. Fungsi
2 2
biaya gabungan adalah f ( x 1 , x 2 ) =(11−x 1) +0 , 75(14−x 2) +9 . Untuk meminimumkan
biaya, berapa masing-masing mesin harus diproduksi? (gunakan metode Hooke-Jeeves)
2. Sebuah perusahaan MBC memproduksi sarung dan bantal. Misalkan x adalah jumlah
sarung yang harus diproduksi dan y adalah jumlah bantal yang harus diproduksi,
diketahui fungsi biaya produksi kedua jenis barang tersebut adalah :
f ( x , y )=7 x 2−3 x+ 12 y 2− y−xy . Tentukan berapa jumlah masing-masing barang yang
harus diproduksi agar biaya produksi minimum. (gunakan metode Helder – Mead)
3. Ada sebuah perusahaan yang memproduksi kursi dan meja. Masing-masing adalah x dan
y, misal x adalah jumlah produksi kursi dan y adalah jumlah produksi meja. Adapun
jumlah permintaan sebesar : f ( x , y )=39 xy + x−x 2−2 y 2+ 3 x 2−5 y 2. Hitung masing-
masing x dan y untuk memaksimalkan jumlah permintaan.