TUGAS 5

ANALISIS SISTEM DAN PENGAMBILAN KEPUTUSAN SDA

“ OPTIMASI DAN PROGRAMA NONLINEAR”
( NONLINEAR PROGRAMMING )

Dosen Pengampu:
Dr.Ir.M.Cahyono
Faisal I.W.Rohmat, S.T.,M.T.,Ph.D

Oleh
Widiawati Rustan
NIM : 25822013

( Program Studi Magister Pengelolaan Sumber Daya Air )

INSTITUT TEKNOLOGI BANDUNG

2022
Solve
𝐦𝐢𝐧 𝟐
𝒛 = (𝑨𝒙𝟏 − √𝟓) + (𝑩𝒙𝟐 − 𝝅)𝟐 + 𝟏𝟎
𝒙𝟏 , 𝒙𝟐
Dengan Metode Steepest Ascent dan Newton Raphson

Start 𝒙𝟏 = 𝑻𝒂𝒏𝒈𝒈𝒂𝒍 𝑳𝒂𝒉𝒊𝒓, 𝒙𝟐 = 𝑩𝒖𝒍𝒂𝒏 𝑳𝒂𝒉𝒊𝒓

NIM = 25822013

Tanggal Lahir 26 April

𝐦𝐢𝐧 𝟐
𝒛 = (𝒙𝟏 − √𝟓) + (𝟑𝒙𝟐 − 𝝅)𝟐 + 𝟏𝟎
𝒙𝟏 , 𝒙𝟐
Penyelesaian :
a. Metode Steepest Ascent
Untuk membuat soal menjadi maksimal, didefinisikan 𝑓 = −𝑧, sehingga :

max 2
𝑥1 , 𝑥2 𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
Dengan fungsi umum :

𝑥𝑘+1 = 𝑥𝑘 + 𝜆∗𝑘 ∇𝑓|𝑥𝑘

Kemudian definisikan derivasi-derivasi fungsi terhadap :

max 2
2
𝑥1 , 𝑥2 𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋) − 10
max 2 2 2
𝑥1 , 𝑥2 𝑓 = −𝑥1 + 2√5 𝑥1 − 5 − 9𝑥2 + 6𝜋𝑥2 − 𝜋 − 10

𝜕𝑦 𝜕𝑦
= −(2𝑥1 − 2√5 ), = − (18𝑥2 − 6𝜋)
𝜕𝑥1 𝜕𝑥2

Dalam kasus ini, 𝑘 berarti indeks iterasi dan 𝒙 berarti vector [𝑥1 , 𝑥2 ]𝑇 , sehingga

𝑥1 𝑥1 −2(𝑥1 − √5)
[𝑥 ] = [𝑥 ] + 𝜆 [ ]
2 𝑘+1 2 𝑘 −6(3𝑥2 − 𝜋) 𝑘
Untuk memulai metode ini, dapat langsung dimulai dengan satu titik random di dalam
domain.

Iterasi 0:
Start random pada (𝑥1 , 𝑥2 ) = (26,4)
2
Dengan 𝑓(26,4) = −(26 − √5) − (3(4) − 𝜋)2 − 10 = −653.196
Iterasi 1:
Dilanjutkan dengan memasukkan semua yang diketahui ke dalam persamaan
𝑥1 26 −2(26 − √5)
𝑥𝑘+1 = [𝑥 ] = [ ] + 𝜆 [ ]
2 𝑘 4 −6(12 − 𝜋)
26 − 47.5279𝜆
𝑥𝑘+1 = [ ]
4 − 53.1504𝜆

Nilai 𝑥𝑘+1 ini kemudian dimasukkan ke fungsi tujuan:

2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
2
𝑓𝑘+1 = −((26 − 47.5279𝜆) − √5) − (3(4 − 53.1504𝜆) − 𝜋)2 − 10
𝑓𝑘+1 = −27683.6 𝜆2 + 5083.87 𝜆 − 653.196

Pada tahapan ini, kita sudah mengubah fungsi tujuan yang semula bervariabel
𝑥1,𝑥2 ke variabel 𝜆.
Kemudian untuk mencari nilai 𝑓𝑘+1 maksimum, yaitu dengan menurunkan
𝜕𝑓
fungsinya, dan turunan tersebut adalah sama dengan =0
𝜕𝜆

𝜕𝑓
= −55367.2𝜆 + 5083.87 = 0
𝜕𝜆

5083.87
𝜆= = 0,0918
55367.2
Nilai 𝜆 ini kemudian dimasukkan ke dalam persamaan 𝑥𝑘+1 , sehingga diperoleh
posisi dan nilai f.
26 − 47.5279𝜆
𝑥𝑘+1 = [ ]
4 − 53.1504𝜆
26 − 47.5279(0.0918) 21.6359
𝑥𝑘+1 = [[ ]]= [ ]
4 − 53.1504(0.0918) −0,8803
2
𝑓𝑘+1 = −(21.6359 − √5) − (3(−0.8803) − 𝜋)2 − 10

𝑓𝑘+1 = −419.7933

Pada tahapan ini, nilai 𝑓𝑘+1 sudah berubah signifikan dari −653.196 ke -419.7933

Iterasi 2:
Dilanjutkan dengan memasukkan semua yang diketahui ke dalam persamaan
𝑥1 −2(𝑥1 − √5)
𝑥𝑘+2 = [𝑥 ] +𝜆[ ]
2 𝑘+2 −6(3𝑥2 − 𝜋) 𝑘+2
21.6359 −2(21.6359 − √5)
𝑥𝑘+2 = [ ] +𝜆[ ]
−0,8803 𝑘+2 −6(3(−0,8803) − 𝜋) 𝑘+2
21.6359 − 38.7998𝜆
𝑥𝑘+2 = [ ]
−0,8803 + 34.6954𝜆
 Nilai 𝑥𝑘+2 ini kemudian dimasukkan ke fungsi tujuan:
2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
2
𝑓𝑘+2 = −((21.6359 − 38.7998𝜆) − √5) − (3(−0,8803 + 34.6954𝜆) − 𝜋)2
− 10
𝑓𝑘+2 = −12339.9 𝜆2 + 2709.25 𝜆 − 419.7933

Pada tahapan ini, kita sudah mengubah fungsi tujuan yang semula bervariabel
𝑥1,𝑥2 ke variabel 𝜆.
Kemudian untuk mencari nilai 𝑓𝑘+2 maksimum, yaitu dengan menurunkan
𝜕𝑓
fungsinya, dan turunan tersebut adalah sama dengan =0
𝜕𝜆

𝜕𝑓
= −24679.8𝜆 + 2709.25 = 0
𝜕𝜆

2709.25
𝜆= = 0,10978
24679.8
Nilai 𝜆 ini kemudian dimasukkan ke dalam persamaan 𝑥𝑘+2 , sehingga diperoleh
posisi dan nilai f.
21.6359 − 38.7998𝜆
𝑥𝑘+2 = [ ]
−0,8803 + 34.6954𝜆
21.6359 − 38.7998(0.10978) 17.3767
𝑥𝑘+2 = [[ ]]= [ ]
−0,8803 + 34.6954(0.10978) 2.9284
2
𝑓𝑘+2 = −(17.3767 − √5) − (3(2.9284) − 𝜋)2 − 10

𝑓𝑘+2 = −271.0879

Pada tahapan ini, nilai 𝑓𝑘+2 sudah berubah signifikan dari −419.7933ke -271.0879

Iterasi 3:
Dilanjutkan dengan memasukkan semua yang diketahui ke dalam persamaan
𝑥1 −2(𝑥1 − √5)
𝑥𝑘+3 = [𝑥 ] +𝜆[ ]
2 𝑘+3 −6(3𝑥2 − 𝜋) 𝑘+3
17.3767 −2(17.3767 − √5)
𝑥𝑘+3 = [ ] +𝜆[ ]
2.9284 𝑘+3 −6(3(2.9284) − 𝜋) 𝑘+3
17.3767 − 30.2812𝜆
𝑥𝑘+3 = [ ]
2.9284 − 33.8616𝜆

Nilai 𝑥𝑘+3 ini kemudian dimasukkan ke fungsi tujuan:

2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
 2
𝑓𝑘+3 = −((17.3767 − 30.2812𝜆) − √5) − (3(2.9284 − 33.8616𝜆) − 𝜋)2 − 10
𝑓𝑘+3 = −11236.4334 𝜆2 + 2063.56 𝜆 − 271.0879

Pada tahapan ini, kita sudah mengubah fungsi tujuan yang semula bervariabel 𝑥1,𝑥2 ke
variabel 𝜆.
Kemudian untuk mencari nilai 𝑓𝑘+3 maksimum, yaitu dengan menurunkan fungsinya, dan
𝜕𝑓
turunan tersebut adalah sama dengan =0
𝜕𝜆

𝜕𝑓
= −22472.86675𝜆 + 2063.56 = 0
𝜕𝜆

2063.56
𝜆= = 0.0918
22472.86675
Nilai 𝜆 ini kemudian dimasukkan ke dalam persamaan 𝑥𝑘+3 , sehingga diperoleh
posisi dan nilai f.
17.3767 − 30.2812𝜆
𝑥𝑘+3 = [ ]
2.9284 − 33.8616𝜆
17.3767 − 30.2812(0.0918) 14.596
𝑥𝑘+3 = [[ ]]= [ ]
2.9284 − 33.8616(0.0918) −0.181
2
𝑓𝑘+3 = −(14.596 − √5) − (3(−0.181) − 𝜋)2 − 10

𝑓𝑘+3 = −176.345

Pada tahapan ini, nilai 𝑓𝑘+3 sudah berubah signifikan dari −271.0879ke -176.345

Iterasi 4:
Dilanjutkan dengan memasukkan semua yang diketahui ke dalam persamaan
𝑥1 −2(𝑥1 − √5)
𝑥𝑘+4 = [𝑥 ] +𝜆[ ]
2 𝑘+4 −6(3𝑥2 − 𝜋) 𝑘+4
14.596 −2(14.596 − √5)
𝑥𝑘+4 = [ ] +𝜆[ ]
−0.181 𝑘+4 −6(3(−0.181) − 𝜋) 𝑘+4
14.596 − 24.7201𝜆
𝑥𝑘+4 = [ ]
−0.181 + 22.1063𝜆

Nilai 𝑥𝑘+4 ini kemudian dimasukkan ke fungsi tujuan:

2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
2
𝑓𝑘+4 = −((14.596 − 24.7201𝜆) − √5) − (3(−0.181 + 22.1063𝜆) − 𝜋)2 − 10
𝑓𝑘+4 = −5009.2595𝜆2 + 1099.769𝜆 − 176.345

Pada tahapan ini, kita sudah mengubah fungsi tujuan yang semula bervariabel
𝑥1,𝑥2 ke variabel 𝜆.
 Kemudian untuk mencari nilai 𝑓𝑘+4 maksimum, yaitu dengan menurunkan
𝜕𝑓
fungsinya, dan turunan tersebut adalah sama dengan =0
𝜕𝜆

𝜕𝑓
= −10018.519𝜆 + 1099.769 = 0
𝜕𝜆

1099.769
𝜆= = 0.1098
10421.88
Nilai 𝜆 ini kemudian dimasukkan ke dalam persamaan 𝑥𝑘+4 , sehingga diperoleh
posisi dan nilai f.
14.596 − 24.7201𝜆
𝑥𝑘+4 = [ ]
−0.181 + 22.1063𝜆
14.596 − 24.7201(0.1098) 11.8825
𝑥𝑘+4 = [[ ]]= [ ]
−0.181 + 22.1063(0.1098) 2.2458
2
𝑓𝑘+4 = −(11.8825 − √5) − (3(2.2458) − 𝜋)2 − 10

𝑓𝑘+4 = −115.9824

Pada tahapan ini, nilai 𝑓𝑘+4 sudah berubah dari −176.345 ke -115.9824

Iterasi 5:
Dilanjutkan dengan memasukkan semua yang diketahui ke dalam persamaan
𝑥1 −2(𝑥1 − √5)
𝑥𝑘+5 = [𝑥 ] +𝜆[ ]
2 𝑘+5 −6(3𝑥2 − 𝜋) 𝑘+5
11.8825 −2(11.8825 − √5)
𝑥𝑘+5 = [ ] +𝜆[ ]
2.2458 𝑘+5 −6(3(2.2458) − 𝜋) 𝑘+5
11.8825 − 19.2929𝜆
𝑥𝑘+5 = [ ]
2.2458 − 21.5740𝜆

Nilai 𝑥𝑘+5 ini kemudian dimasukkan ke fungsi tujuan:

2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
2
𝑓𝑘+5 = −((11.8825 − 19.2929𝜆) − √5) − (3(2.2458 − 21.5740𝜆) − 𝜋)2 − 10
𝑓𝑘+5 = −4561.1638𝜆2 + 837.6532 𝜆 − 115.9824

Pada tahapan ini, kita sudah mengubah fungsi tujuan yang semula bervariabel 𝑥1,𝑥2 ke
variabel 𝜆.
Kemudian untuk mencari nilai 𝑓𝑘+5 maksimum, yaitu dengan menurunkan fungsinya, dan
𝜕𝑓
turunan tersebut adalah sama dengan =0
𝜕𝜆

𝜕𝑓
𝜕𝜆
= −9122.32767𝜆 + 837.6532 = 0
 837.6532
𝜆= = 0.0918
9122.32767
Nilai 𝜆 ini kemudian dimasukkan ke dalam persamaan 𝑥𝑘+5 , sehingga diperoleh
posisi dan nilai f.
11.8825 − 19.2929𝜆
𝑥𝑘+5 = [ ]
2.2458 − 21.5740𝜆
11.8825 − 19.2929(0.0918) 10.1109
𝑥𝑘+5 = [[ ]]= [ ]
2.2458 − 21.5740(0.0918) 0.2647
2
𝑓𝑘+5 = −(10.1109 − √5) − (3(0.2647) − 𝜋)2 − 10

𝑓𝑘+5 = −77.5239

Pada tahapan ini, nilai 𝑓𝑘+5 sudah berubah dari −115.9824ke -77.5239

Iterasi 6:
Dilanjutkan dengan memasukkan semua yang diketahui ke dalam persamaan
𝑥1 −2(𝑥1 − √5)
𝑥𝑘+6 = [𝑥 ] +𝜆[ ]
2 𝑘+6 −6(3𝑥2 − 𝜋) 𝑘+6
10.1109 −2(10.1109 − √5)
𝑥𝑘+6 = [ ] +𝜆[ ]
0.2647 𝑘+6 −6(3(0.2647) − 𝜋) 𝑘+6
10.1109 − 15.754𝜆
𝑥𝑘+6 = [ ]
0.2647 + 14.386𝜆

Nilai 𝑥𝑘+6 ini kemudian dimasukkan ke fungsi tujuan:

2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
2
𝑓𝑘+6 = −((10.1109 − 15.754𝜆) − √5) − (3(0.2647 + 14.386𝜆) − 𝜋)2 − 10
𝑓𝑘+6 = −2033.3902𝜆2 + 446.425𝜆 − 77.5239

Pada tahapan ini, kita sudah mengubah fungsi tujuan yang semula bervariabel
𝑥1,𝑥2 ke variabel 𝜆.
Kemudian untuk mencari nilai 𝑓𝑘+6 maksimum, yaitu dengan menurunkan
𝜕𝑓
fungsinya, dan turunan tersebut adalah sama dengan =0
𝜕𝜆

𝜕𝑓
= −4066.78034𝜆 + 446.425 = 0
𝜕𝜆

446.425
𝜆= = 0.1098
4066.78034
Nilai 𝜆 ini kemudian dimasukkan ke dalam persamaan 𝑥𝑘+6 , sehingga diperoleh
posisi dan nilai f.
10.1109 − 15.754𝜆
𝑥𝑘+6 = [ ]
0.2647 + 14.386𝜆
 10.1109 − 15.754(0.1098) 8.382
𝑥𝑘+6 = [[ ]]= [ ]
0.2647 + 14.386(0.1098) 1.811
2
𝑓𝑘+6 = −(8.382 − √5) − (3(1.811) − 𝜋)2 − 10

𝑓𝑘+6 = −53.02106

Pada tahapan ini, nilai 𝑓𝑘+6 sudah berubah dari −77.5239 ke -53.02106

Iterasi 7:
Dilanjutkan dengan memasukkan semua yang diketahui ke dalam persamaan
𝑥1 −2(𝑥1 − √5)
𝑥𝑘+7 = [𝑥 ] +𝜆[ ]
2 𝑘+7 −6(3𝑥2 − 𝜋) 𝑘+7
8.382 −2(8.382 − √5)
𝑥𝑘+7 = [ ] +𝜆[ ]
1.811 𝑘+7 −6(3(1.811) − 𝜋) 𝑘+7
8.382 − 12.2919𝜆
𝑥𝑘+7 = [ ]
1.811 − 13.7453𝜆

Nilai 𝑥𝑘+7 ini kemudian dimasukkan ke fungsi tujuan:

2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
2
𝑓𝑘+7 = −((8.382 − 12.2919𝜆) − √5) − (3(1.811 − 13.7453𝜆) − 𝜋)2 − 10
𝑓𝑘+7 = −1851.4964𝜆2 + 340.02545𝜆 − 53.0211

Pada tahapan ini, kita sudah mengubah fungsi tujuan yang semula bervariabel 𝑥1,𝑥2
ke variabel 𝜆.
Kemudian untuk mencari nilai 𝑓𝑘+7 maksimum, yaitu dengan menurunkan fungsinya,
𝜕𝑓
dan turunan tersebut adalah sama dengan =0
𝜕𝜆

𝜕𝑓
= −3702.9927𝜆 + 340.02545 = 0
𝜕𝜆

340.02545
𝜆= = 0.0918
3702.9927
Nilai 𝜆 ini kemudian dimasukkan ke dalam persamaan 𝑥𝑘+7 , sehingga diperoleh
posisi dan nilai f.
8.382 − 12.2919𝜆
𝑥𝑘+7 = [ ]
1.811 − 13.7453𝜆
8.382 − 12.2919(0.0918) 7.2533
𝑥𝑘+7 = [[ ]]= [ ]
1.811 − 13.7453(0.0918) 0.5487
2
𝑓𝑘+7 = −(7.2533 − √5) − (3(0.5487) − 𝜋)2 − 10

𝑓𝑘+7 = −37.40973

Pada tahapan ini, nilai 𝑓𝑘+7 sudah berubah dari −53.02106ke -37.40973
 Karena tahapan iterasi untuk menghasilkan optimasi sampai Iterasi ke 60 dan proses
perhitungan sama dengan iterasi sebelumnya maka hasil dari Iterasi dapat diliat dari
tabel di bawah :

Iterasi X1 X2 f Iterasi X1 X2 f
0 26 4 0 -653.1958 31 2.258515 1.044967 0.091825 -10.00054862
1 21.63595 -0.88032 0.091821 -419.7933 32 2.253587 1.049374 0.109773 -10.00034954
2 17.37667 2.928392 0.109776 -271.0878 33 2.250369 1.045777 0.091825 -10.0002227
3 14.5961 -0.18093 0.091825 -176.3452 34 2.247229 1.048584 0.109773 -10.00014189
4 11.8825 2.245751 0.109773 -115.9825 35 2.24518 1.046292 0.091825 -10.0000904
5 10.11094 0.264727 0.091825 -77.52394 36 2.243179 1.048081 0.109773 -10.0000576
6 8.382039 1.810824 0.109773 -53.0211 37 2.241873 1.046621 0.091825 -10.0000367
7 7.253335 0.548667 0.091825 -37.40976 38 2.240599 1.04776 0.109773 -10.00002338
8 6.151812 1.533722 0.109773 -27.46341 39 2.239767 1.04683 0.091825 -10.0000149
9 5.432687 0.729572 0.091825 -21.12635 40 2.238955 1.047556 0.109773 -10.0000095
10 4.730881 1.357174 0.109773 -17.08886 41 2.238424 1.046963 0.091825 -10.000006
11 4.27271 0.844831 0.091825 -14.51648 42 2.237907 1.047426 0.109773 -10.000003852
12 3.825572 1.244691 0.109773 -12.87756 43 2.237569 1.047048 0.091825 -10.000002454
13 3.533661 0.918265 0.091825 -11.83336 44 2.23724 1.047343 0.109773 -10.000001564
14 3.248779 1.173025 0.109773 -11.16808 45 2.237025 1.047103 0.091825 -10.000000996
15 3.062795 0.965052 0.091825 -10.74421 46 2.236815 1.04729 0.109773 -10.000000635
16 2.88129 1.127365 0.109773 -10.47415 47 2.236677 1.047137 0.091825 -10.000000404
17 2.762795 0.99486 0.091825 -10.30209 48 2.236544 1.047257 0.109773 -10.000000258
18 2.647154 1.098274 0.109773 -10.19247 49 2.236456 1.047159 0.091825 -10.000000164
19 2.571658 1.013852 0.091825 -10.12263 50 2.236371 1.047235 0.109773 -10.000000105
20 2.497981 1.07974 0.109773 -10.07813 51 2.236315 1.047173 0.091825 -10.000000067
21 2.449881 1.025953 0.091825 -10.04978 52 2.236261 1.047222 0.109773 -10.000000042
22 2.402939 1.067931 0.109773 -10.03171 53 2.236226 1.047182 0.091825 -10.000000027
23 2.372293 1.033662 0.091825 -10.02021 54 2.236191 1.047213 0.109773 -10.000000017
24 2.342385 1.060407 0.109773 -10.01287 55 2.236168 1.047188 0.091825 -10.000000011
25 2.32286 1.038574 0.091825 -10.0082 56 2.236146 1.047207 0.109773 -10.000000007
26 2.303805 1.055614 0.109773 -10.00523 57 2.236132 1.047191 0.091825 -10.000000004
27 2.291365 1.041703 0.091825 -10.00333 58 2.236118 1.047204 0.109773 -10.000000003
28 2.279225 1.05256 0.109773 -10.00212 59 2.236109 1.047194 0.091825 -10.00000000
29 2.271299 1.043697 0.091825 -10.00135 60 2.2361 1.047202 0.109773 -10.00000000
30 2.263564 1.050614 0.109773 -10.00086

Karena perubahan 𝑓𝑘+59 ke 𝑓𝑘+60 sudah tidak signifikan, maka optimasi sudah dianggap
berhenti. Sehingga fungsi f maksimal pada titik 𝑥1 dan 𝑥2 sebagai berikut:
𝑥1 2.236109 √5
[𝑥 ] = [ ] ≈ [𝜋 ]
2 1.047202 ⁄3

b. Metode Newton Raphson

Metode Newton-Raphson menggunakan turunan kedua dalam bentuk matriks Hessian

untuk membantu optimasi dengan persamaan umum:

−𝟏
𝒙𝒌+𝟏 = 𝒙𝒌 − (𝑯𝒇 |𝒙𝒌 ) 𝛁𝒇|𝒙𝒌
Mendefinisikan derivasi-derivasi fungsi:
𝝏𝒚 𝝏𝒚
= −𝟐(𝒙𝟏 − 𝟐√𝟓), = − 𝟔(𝟑𝒙𝟐 − 𝝅)
𝝏𝒙𝟏 𝝏𝒙𝟐

Iterasi 0
Start random pada (𝑥1 , 𝑥2 ) = (26,4)
2
Dengan 𝑓(26,4) = −(26 − √5) − (3(4) − 𝜋)2 − 10 = −653.196

Iterasi 1
Sama seperti metode SA, fungsi terlebih dulu dijadikan maksimum

max 2
𝑥1 , 𝑥2 𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10

Mendefinisikan matriks Hessian

𝜕 2𝑓 𝜕 2𝑓
⋯
𝜕𝑥12 𝜕𝑥1 𝜕𝑥𝑛
𝐻[𝑓(𝑥)] = ⋮ ⋱ ⋮
2 2
𝜕 𝑓 𝜕 𝑓
⋯
[𝜕𝑥𝑛 𝜕𝑥1 𝜕𝑥𝑛2 ]
2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10

𝜕 2𝑓 𝜕2𝑓
𝜕𝑥12 𝜕𝑥1 𝜕𝑥2
𝐻[𝑓(𝑥)] =
𝜕 2𝑓 𝜕 2𝑓
[𝜕𝑥2 𝜕𝑥1 𝜕𝑥22 ]
𝜕 𝜕 𝜕 𝜕
𝑓 𝑓
𝜕𝑥1 𝜕𝑥1 𝜕𝑥1 𝜕𝑥2
𝐻[𝑓(𝑥)] =
𝜕 𝜕 𝜕 𝜕
𝑓 𝑓
[𝜕𝑥2 𝜕𝑥1 𝜕𝑥2 𝜕𝑥2 ]

𝜕 𝜕 𝜕 𝜕
𝜕𝑥1 𝜕𝑥1 𝜕𝑥1 𝜕𝑥2 2
𝐻[𝑓(𝑥)] = (−(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10)
𝜕 𝜕 𝜕 𝜕
[𝜕𝑥2 𝜕𝑥1 𝜕𝑥2 𝜕𝑥2 ]
 𝜕 𝜕
(−(2𝑥1 − 2√5 ) (− (18𝑥2 − 6𝜋))
𝜕𝑥1 𝜕𝑥1
𝐻[𝑓(𝑥)] =
𝜕 𝜕
(−(2𝑥1 − 2√5) (− (18𝑥2 − 6𝜋))
[ 𝜕𝑥2 𝜕𝑥2 ]

−2 0
𝐻[𝑓(𝑥)] = [ ]
0 −18

1 −18 0 1 −18 0 −0,5 0

𝐻 −1 [𝑓(𝑥)] = [ ]= [ ]= [ ]
(−2). (−18) 0 −2 36 0 −2 0 −0,056

Kemudian
−(2𝑥1 − 2√5) −(2 ∗ 26 − 2√5) −47.52786
∇𝑓 = [ ]= [ ]=[ ]
−(18𝑥2 − 6𝜋) −(18 ∗ 4 − 6 𝜋) −53.15044
Sehingga,

26 −0,5 0 −47.52786
𝑥𝑘+1 = 𝑥𝑘 − 𝐻 −1 ∇𝑓 = [ ] − [ ][ ]
4 0 −0,056 −53.15044
26 23.7639
=[ ]− [ ]
4 2.97642
2.2361
𝑥𝑘+1 = [ ]
1.02358
2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
2
𝑓𝑘+1 = −(2.2361 − √5) − (3 ∗ 1.02358 − 𝜋)2 − 10

𝑓𝑘+1 = −10.00502

Pada tahapan ini, nilai 𝑓𝑘+1 sudah berubah signifikan dari −653.196 ke -10,00502

Iterasi 2
−(2𝑥1 − 2√5) −(2 ∗ 2.2361 − 2√5) 0.0000
∇𝑓 = [ ]= [ ]=[ ]
−(18𝑥2 − 6𝜋) −(18 ∗ 1.02358 − 6𝜋) 0.4252
Sehingga,

2.2361 −0,5 0 0.0000

𝑥𝑘+1 = 𝑥𝑘 − 𝐻 −1 ∇𝑓 = [ ]−[ ][ ]
1.02358 0 −0,056 0.4252
2.2361 0.0000
=[ ]− [ ]
1.02358 −0.0238
2.2361
𝑥𝑘+1 = [ ]
1.0474
 2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
2
𝑓𝑘+1 = −(2.2361 − √5) − (3 ∗ 1.0474 − 𝜋)2 − 10

𝑓𝑘+1 = −10.0000

Iterasi 3
−(2𝑥1 − 2√5) −(2 ∗ 2.2361 − 2√5) 0.0000
∇𝑓 = [ ]= [ ]=[ ]
−(18𝑥2 − 6𝜋) −(18 ∗ 1.0474 − 6𝜋) −0.0034
Sehingga,

2.2361 −0,5 0 0.0000

𝑥𝑘+1 = 𝑥𝑘 − 𝐻 −1 ∇𝑓 = [ ]−[ ][ ]
1.0472 0 −0,056 −0.0034
2.2361 0.0000
=[ ]− [ ]
1.0472 0.0002
2.2361
𝑥𝑘+1 = [ ]
1.0472
2
𝑓 = −(𝑥1 − √5) − (3𝑥2 − 𝜋)2 − 10
2
𝑓𝑘+1 = −(2.2361 − √5) − (3 ∗ 1.0472 − 𝜋)2 − 10

𝑓𝑘+1 = −10.0000

Iterasi 4
−(2𝑥1 − 2√5) −(2 ∗ 2.2361 − 2√5) 0.0000
∇𝑓 = [ ]= [ ]=[ ]
−(18𝑥2 − 6𝜋) −(18 ∗ 1.0472 − 6𝜋) −0.00004
H tidak perlu dihitung lagi karena independent terhadap (𝑥1 , 𝑥2 )
Sehingga,

2.2361 −0,5 0 0.0000

𝑥𝑘+1 = 𝑥𝑘 − 𝐻 −1 ∇𝑓 = [ ]−[ ][ ]
1.0472 0 −0,056 −0.00004
2.2361 0.0000
=[ ]− [ ]
1.0472 0.0000
2.2361
𝑥𝑘+1 = [ ]
1.0472
Karena nilai dari 𝑥𝑘+1 ke 𝑥𝑘+2 sudah tidak berubah maka akan menghasilkan 𝑓𝑘+3 yang
sama dengan 𝑓𝑘+4 , maka optimasi bisa dianggap berhenti.
c. Cek Syarat Cukup
Cek syarat cukup yaitu apabila matriks memiliki invers dan memiliki determinan positif
atau determinan > 0
−2 0
𝐻[𝑓(𝑥)] = [ ]
0 −18

1 1
Determinan = (−2).(−18) = >0
36
Sehingga memenuhi syarat cukup.
Resume
“ Swarm Optimization for Water Resources Systems “

Metode Particle Swarm Optimization atau PSO , diumpamakan dengan sekawanan

burung, mereka dapat memecahkan masalah yang kompleks dengan cara komunikasi.
Contoh algoritma yang lain yang bisa dijadikan perumpamaan yaitu :
- Algoritma koloni lebah
- Algoritma Koloni semut

Cara menggunakan inspirasi alami untuk memecahkan masalah SDA yang komples

Contoh real disebuah Negara bagian colorado tepatnya di lower Arkansa River valerry ,
terdapat suatu sungai yang digunakan untuk irigasi secara ekstensif yang sebenarnya
lokasi ini daerah kering tetapi karena manajemen air yang bagus sehingga menjadikan
daearah ini produktif irigasi sehingga mampu mencukupi kebutuhan pangan warga sekitar
dan mengalirkan air ke Kanzas.

Dengan memperhatikan isu permasalahan iklim dan meningkatnya permintaan bahan

makanan bisa diselesaikan permasalahan yang kompleks ini dengan coba-coba (Trail and
Eror),

Solusinya dengan mencoba konsep koloni burung :

Dimisalkan Satu agen optimasi => mencari solusi ( studi kasus permaslahan air di
Colorado), bagaimana mengatur ,Kapan menyimpan Air, Kapan merilis air, Kemana
lokasinya dan berapa banyak air => di evaluasi di system => mendapatkan feedback=>
komunikasi dengan koloni yang lain=> mendapat skor yang lebih baik=> dan secara
gradual bergerak menuju kearah yang lebih baik.

Pada dasarnya trial dan eror ini dilakukan secara iteratif, bisa dilakukan puluhan, ratusan
ataupun ribuan koloni.

Contoh :

Satu kawanan yang bergerak di satu fungsi optimasi, start random, kemudian bergerak
berkomunikasi dan sebagaian terkonversi ke satu area yang dioptimal.

Kesimpulan Dari hasil riset, Mencari solusi terbaik dengan menjamin keberlanjutan air di
kolorado disaat yang bersamaan mengalirkan air ke kanzaz. :

1. Bagaimana cara bisa mengambil prinsip-prinsip alam untuk memecahkan masalah

yang di alam “From the nature, back to the nature”
2. Komunikasi bisa digunakan untuk memecahkan masalah.