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)

• Teknik metaheuristik banyak menggunakan

pembangkitan bilangan random
• Bilangan random digunakan dalam beberapa
bagian dari algoritma utk menentukan pilihan
langkah
• Teknik pembangkitan bilangan random yg
sering digunakan adl linear congruential
generator
 Membangkitkan bilangan random(2)
• Umumnya bilangan random akan dibangkitkan
secara uniform diantara 0 dan 1.
• Akan dibangkitkan urutan bilangan integer x1,
x2,x3, …. antara 0 dan m-1 dengan persamaan
berikut:
, i = 0,1,2,…
• Dimana x0 dinamakan seed, a adl multiplier
konstan, c adl peningkatan, dan m adl modulus
• Keempatnya dsb parameter pembangkitan
 Membangkitkan bilangan random(3)

• Bilangan random antara 0 dan 1 dibangkitkan

dengan cara
 Konsep jarak(1)
• Untuk mengukur jarak dua titik x dan y (d(x,y)),
dapat digunakan beberapa konsep jarak.
• Ukuran jarak harus memenuhi syarat-syarat
berikut:
1. d(x,y) ≥ 0
2. d(x,y) = 0 jhj x = y
3. d(x,y) = d(y,x)
4. d(x,z) ≤ d(x,y) + d(y,z)
 Konsep jarak(2)
• Beberapa macam jarak dlm literatur optimasi:
1. Jarak euclidean.
Jarak dua titik x dan y dalam ruang dimensi n
oleh Euclidean dirumuskan:
 Konsep jarak(3)
2. Jarak Manhattan atau Cityblock
Jarak dua titik x dan y dirumuskan:

3. Jarak Minkowski
Jarak dua titik x dan y dirumuskan:

Dimana q≥1 adl parameter yg dpt diseleksi

 Konsep jarak(4)
4. Jarak Chebyshev
Jarak antara dua titik x dan y dirumuskan:
 Vektor(1)
• Vektor adl sekumpulan bilangan riil dgn
dimensi tertentu.
• Contoh: a = (a1,a2,…,an) adl vektor dgn n
elemen atau komponen
• Jika a = (a1,a2,…,an) dan b = (b1,b2,…,bn)
Maka
a + b = (a1+b1,a2+b2,…,an+bn)
a – b = (a1-b1,a2-b2,…,an-bn)
 Vektor(2)
• Untuk sembarang skalar α maka
αa = (αa1,αa2,…,αan)
• Dot product dua vektor a dan b adalah
ab = a1.b1 + a2.b2 + … + an.bn
• Suatu himpunan vektor a = (a1,a2,…,an)
dikatakan linearly independent jk ada skalar
α = (α1,α2,…,αn) yg tdk semuanya nol shg
 Matriks(1)
• Suatu matriks A dgn dimensi mxn adl array dgn
jumlah baris m dan kolom n.
• Contoh:

• Suatu matriks dgn jumlah baris dan kolom yg

sama dsb matriks bujur sangkar
• Transpose suatu matriks A dinotasikan dgn A’ adl
suatu matriks yg didapat dgn cara menukar baris
dgn kolom dari A
 Matriks(2)
• Matriks A dikatakan simetris jika A’ = A
• Matriks identitas dinotasikan dgn I adl matriks
dgn semua elemen diagonal sama dgn 1 dan
semua elemen yg lainnya bernilai nol.
 Operasi Matriks(1)
• Jumlah atau selisih dua matriks A dan B adalah
matriks C maka ditulis A ± B = C dimana

• Perkalian dua matriks A dan B terdefinisi jika

jumlah kolom matriks A sama dengan jumlah
baris matriks B.
• Jika A berdimensi mxn dan B berdimensi nxr
dgn elemen (i,j) adalah
 Operasi Matriks(2)
• Operasi matriks mengikuti aturan sebagai brk:
1. (A + B) + C = A + (B + C)
2. A + B = B + A
3. (A + B) C = AC + BC
4. (AB)C = A(BC)
5. AI = IA = A
6. (A + B)’ = A’ + B’
7. (AB)’ = B’A’
 Fungsi Convex(1)
• Suatu fungsi dgn n variabel f(x) didefinisikan dlm
set convex D
• D dikatakan convex jhj utk sembarang dua titik x1
dan x2 dalam D dan 0≤λ≤1 memenuhi f[λx1 + (1-
λ )x2] ≤ λf(x1) + (1-λ)f(x2)
• Properti dari fungsi convex:
1. Garis yg menghubungkan dua titik sembarang yg
terletak dalam kurva selalu berada pada atau di
atas kurva diantara dua titik tsb
 Fungsi Convex(2)
2. Slope atau turunan pertama dari f(x)
increasing ketika x naik
3. Turunan kedua dari f(x) selalu non negatif utk
semua x dlm interval
4. Utk suatu fungsi convex suatu titik lokal
minimum selalu sekaligus menjadi global
minimum
 Fungsi Convex(3)
• Suatu fungsi satu var f(x) dikatakan convex jk
f”(x) ≥ 0
• Jk bisa dipastikan suatu fungsi tujuan adl convex
maka local minimum akan otomatis menjadi
global minimum
• Dalam optimasi convex disyaratkan fungsi
tujuan harus convex, pembatas yg berupa
pertidaksamaan harus convex, sedangkan
pembatas berbentuk persamaan harus linier.
 Set convex
• Suatu set S dikatakan convex jhj utk dua titik
sembarang di dalam set, garis yg
menghubungkan titik-titik itu juga terletak
dalam set tsb.
• Secara matematis, S adl convex jk utk dua
vektor x1 dan x2 dlm S,
vektor x = λx1 + (1-λ)x2 jg terletak dlm S utk
sembarang nilai λ yg bernilai dari 0 sampai 1
atau [0,1].
 Optimasi dgn pembatas
• Utk menyelesaikannya persoalan diubah
menjadi optimasi tanpa pembatas shg
algoritma heuristik dpt diterapkan utk
menyelesaikannya
• Salah satu caranya adl menggunakan Lagrange
multiplier dan fungsi pinalti
 Lagrange Multiplier(1)
• Digunakan utk menyelesaikan masalah optimasi dgn
pembatas berupa persamaan.
• Misal
Minimasi f(X)
pembatas g(X) = 0
X = (x1,x2,…,xn)

Metode Lagrange multiplier akan mengubah masalah ini

menjadi masalah tanpa pembatas Minimasi L(X,λ) = f(X)
– λg(X)
 Lagrange Multiplier(2)
• Fungsi L(x,λ) dsb fungsi Lagrange dan λ
dinamakan Lagrange multiplier
• Selanjutnya utk mencari nilai x dan λ optimal,
fungsi Lagrange tsb diturunkan thd x dan λ,
yaitu dgn mencari penyelesaian:

dan
 Lagrange Multiplier(3)
• Kondisi yg memadai utk metode Lagrangean
adalah

dimana

dan untuk semua i

dan j
Matrik dsb matrik Hessian berbatas
 Lagrange Multiplier(4)
• Dengan diketahui titik stasioner (X0,λ0) utk
fungsi Lagrangean L(X,λ) dan matriks Hessian
terbatas yang dievaluasi di (X0,λ0) maka
X0 adl
1. Titik maksimum jk dgn dimulai dari
determinan minor prinsipal dgn order (2m+1),
(n-m) determinan minor prinsipal terakhir
dari membentuk pola tanda yg berselang
seling dgn dimulai dgn
 Lagrange Multiplier(5)
2. Titik minimum, jk dgn dimulai dari
determinan minor prinsipal dgn order
(2m+1), (n-m) determinan minor prinsipal
terakhir dari memiliki tanda
 Contoh Soal
1. Minimumkan
dengan batasan

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.

Dimana x mewakili vektor x1,x2,…,xn , rh dan

rg > 0 adl konstanta pinalti yg nilainya adl
bilangan positif yg besar masing-masing utk
pembatas h(x) dan g(x).