B. Konsep Dasar Optimasi
B. Konsep Dasar Optimasi
Masalah Optimasi(1)
• Dengan optimasi, desain suatu sistem bisa
menghasilkan ongkos yg lebih murah,
menurunkan waktu proses, dsb
• Keberhasilan penerapan teknik optimasi
memerlukan tiga syarat:
1. Kemampuan membuat model matematika dari
permasalahan yg dihadapi
2. Pengetahuan mengenai teknik optimasi
3. Pengetahuan akan program komputer
Masalah Optimasi(2)
• Shg pengertian optimasi adl suatu kumpulan formula
matematis dan metode numerik utk menemukan dan
mengidentifikasi kandidat terbaik dari sekumpulan
alternatif tanpa harus secara eksplisit menghitung dan
mengevaluasi semua alternatif yg mungkin
• Masalah optimasi biasanya dinyatakan dalam fungsi
matematik
• Optimasi adl proses memaksimasi atau meminimasi
suatu fungsi tujuan dgn memperhatikan pembatas yg
ada
Masalah Optimasi(3)
• Fungsi adl aturan yg menugaskan setiap pilihan
nilai x dgn satu nilai unik y = f(x)
• Permasalahan optimasi dapat dibagi dalam
beberapa kategori:
1. Optimasi tanpa pembatas (unconstrained
optimization)
Jk suatu fungsi f berlaku untuk S = R tanpa ada
pembatas.
Minimasi f(x), x ϵ R
Masalah Optimasi(4)
2. Optimasi dengan pembatas (constrained
optimization)
Min f(x)
Pembatas h(x) = 0
g(x) ≤ 0
Masalah Optimasi(5)
• Pengelompokan masalah optimasi berdasarkan
jumlah variabel:
1. Optimasi satu variabel
Problem optimasi dgn satu variabel adalah
bentuk paling dasar dari permasalahan optimasi
2. Optimasi multi variabel
Problem optimasi yg melibatkan lebih dari satu
variabel
Masalah Optimasi(6)
• Pengelompokan masalah optimasi berdasarkan
nilai variabelnya:
1. Problem optimasi dgn variabel kontinyu
Masalah optimasi dgn nilai x bisa berapa saja
(anggota bil real) dalam daerah fisibel.
2. Problem optimasi diskrit
Masalah optimasi dgn nilai solusi terbatas pada
nilai-nilai tertentu, biasanya bilangan bulat
Masalah Optimasi(7)
• Pengelompokan masalah optimasi berdasarkan
variabel keputusan, fungsi objektif, dan
pembatasnya:
1. Linear programming (LP): baik fungsi objektif
dan pembatasnya linier, variabel keputusannya
bernilai kontinyu
2. Nonlinear programming (NLP): fungsi objektif
dan atau pembatasnya tidak linier, var
keputusannya kontinyu
Masalah Optimasi(8)
3. Integer programming (IP): var keputusan
bernilai integer
4. Mixed integer linear programming (MILP):
fungsi objektif dan pembatas linier, var
keputusan bernilai campuran integer dan riil
5. Mixed integer nonlinear programming (MINLP)
Masalah pemrograman non linier dgn var
keputusan integer dan kontinyu
Masalah Optimasi(9)
6. Discrete optimization: problem yg
mempunyai var keputusan diskret (integer),
yg meliputi IP, MILP, MINLP
7. Stochastic programming/stochastic
optimization: optimisasi dgn ketidakpastian,
dimana fungsi objektif dan pembatas
mengandung var random yg mengandung
ketidakpastian (uncertainty)
Masalah Optimasi(10)
8. Multiobjective optimization: problem
optimasi yg mempunyai lebih dari satu
objektif, bisa linier atau tdk linier baik utk
fungsi objektif ataupun pembatasnya
Local dan Global Optimum(1)
• Jk suatu permasalahan optimasi atau fungsi
matematik hanya mempunyai satu titik optimum
dgn nilai paling baik dibandingkan titik yg lain, maka
persoalan dinamakan optimasi global
• Jk mempunyai beberapa local optimal yg nilai fungsi
objektifnya bisa berbeda/sama, maka termasuk
kategori optimasi lokal. Jd titiknya hanya mempunyai
keoptimalan local karena optimalnya hanya berlaku
utk area disekitarnya saja (neighborhood)
Local dan Global Optimum(2)
• Jk suatu fungsi objektif mempunyai satu local
minimal maka dsb unimodal
• Jk mempunyai lebih dari satu local minimal
dsb dgn multimodal
Contoh masalah optimasi
• Penjadwalan
Perusahaan mendapatkan order utk
mengerjakan suatu proyek, yg terdiri dari 10 job
yg dikerjakan pd 1 mesin. Masing-masing job
mempunyai waktu operasi, due date, dan pinalti
jk terjadi keterlambatan (tardiness). Bagaimana
urutan job dikerjakan shg meminimumkan total
keterlambatan?
Fungsi tujuan adl minimasi total keterlambatan
Contoh masalah optimasi
• Traveling Salesman Problem
TSP adl permasalahan dimana seorang
salesman harus mengunjungi sejumlah N kota,
disyaratkan setiap kota hanya dikunjungi
sekali, lalu kembali ke kota asal dia berangkat.
Salesman harus memilih rute shg jarak total yg
ditempuh minimum.
Membangkitkan bilangan random(1)
3. Jarak Minkowski
Jarak dua titik x dan y dirumuskan:
dan
Lagrange Multiplier(3)
• Kondisi yg memadai utk metode Lagrangean
adalah
dimana
2. Minimumkan
dengan batasan
Fungsi Pinalti (1)
• Minimasi f(x1, x2, x3,…,xn)
Pembatas
hk(x1,x2,…,xn) = 0, k = 1,2,…,l
gj(x1,x2,…,xn) <= 0, j = 1,2,…,m
Fungsi Pinalti (2)
• Masalah tersebut dibuat menjadi masalah
optimasi tanpa pembatas sebagai brk.