Metode Optimasi Analitis

[menuju akhir]

Metode Optimasi Analitis

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Satu Variabel Tanpa Kendala

2. Multi Variabel Tanpa Kendala

3. Multi Variabel dengan Kendala Persamaan

4. Multi Variabel dengan Kendala Pertidak-samaan

Suatu permasalahan optimasi disebut nonlinier jika fungsi tujuan dan kendalanya mempunyai bentuk nonlinier pada salah satu atau keduanya, contohnya adalah sebagai berikut:

1. Satu Variabel Tanpa Kendala [back]

Dimisalkan x adalah variabel penentu dan f(x) adalah fungsi tujuan dari suatu masalah. Metode optimasi menyelesaikan masalah:

Untuk menyelesaikan permasalahan seperti tertera di atas digunakan kalkulus diferensial yang dinyatakan seperti di bawah ini:

Misalkan f adalah fungsi yang menerus dalam interval tertutup [a,b] dan dapat diderivasikan pada interval terbuka (a,b).

(i) Jika f’(x) > 0 untuk seluruh x dalam (a,b), maka f adalah menanjak pada [a,b].

(ii) Jika f’(x) < 0 untuk seluruh x dalam (a,b), maka f adalah menurun pada [a,b].

Test derivasi pertama: Misalkan f adalah fungsi yang menerus dalam interval tertutup [a,b] dan dapat diderivasikan pada interval terbuka (a,b) kecuali mungkin di titik c yang berada didalam (a,b).

(i) Jika f’(x) > 0 untuk a < x < c dan f’(x) < 0 untuk c < x < b, maka f(c) adalah sebuah maximum lokal dari f.

(ii) Jika f’(x) < 0 untuk a < x < c dan f’(x) > 0 untuk c < x < b, maka f(c) adalah sebuah minimum lokal dari f.

(iii) Jika f’(x) < 0 atau f’(x) > 0 untuk setiap x dalam (a,b) kecuali x = c, maka f(c) BUKAN sebuah nilai ekstrim.

Test derivasi kedua: Misalkan f adalah fungsi yang dapat diderivasikan pada interval terbuka yang berisi titik c dan f’(c) = 0,

(i) Jika f”(c) < 0, maka f(c) adalah sebuah maximum lokal dari f.

(ii) Jika f”(c) > 0, maka f(c) adalah sebuah minimum lokal dari f.

Contoh 1:

Sebuah perusahaan catering (makanan ringan yang menyediakan konsumsi untuk suatu penataran di JTE FT UMY) berusaha mengurangi pengeluaran untuk keperluan pembungkus. Bungkus tersebut terbuat dari kertas karton seperti tampak pada Gambar di samping. Keempat pojoknya akan dipotong segi empat samasisi sedemikian rupa sehingga volumenya menjadi maksimum.

Dari contoh di atas tampak bahwa dengan cara analitis kalkulus diferensial nilai x yang memberikan nilai f maximum dapat dicari tanpa mengetahui nilai dari f itu sendiri.

Untuk melengkapi teorema optimasi nonlinier satu variabel yang telah dijelaskan di atas disajikan teorema yang dapat digunakan untuk menentukan titik-titik ekstrem dari suatu fungsi satu variabel.

Teorema:

Misalkan f’(c) = f”(c) = … = f(n-1)(c) = 0, tetapi f(n)(c) ≠ 0. Maka f(c) adalah:

(i) nilai minimum dari f(x), jika f(n)(c) > 0 dan n adalah bilangan genap,

(ii) nilai maximum dari f(x), jika f(n) (c) < 0 dan n adalah bilangan genap,

(iii) bukan minimum dan maximum jika n adalah bilangan gasal.

Contoh 2.

Tentukan maximum dan minimum dari fungsi di bawah ini

Penyelesaian:

2.  Multi Variabel Tanpa Kendala [back]

Cara analitis yang diterapkan pada permasalahan optimasi satu variabel dapat pula diterapkan kepada permasalahan multi variabel.

Secara umum teknik yang digunakan pada optimasi satu dimensi dapat digunakan dalam optimasi multi variabel.

Definisi dan simbol-simbol yang digunakan:

Teorema:

Jika f(X) mempunyai sebuah titik ekstrem (minimum maupun maximum) pada X = X* dan jika derivasi pertama dari f(X) mempunyai nilai pada titik X*, maka ∇f(X*) = 0

PERHATIAN: Kebalikannya belum tentu benar yaitu jika ∇f(X*) = 0 maka X* adalah titik ekstrem.

Teorema:

Titik X* disebut titik maksimum lokal dari f(X) jika dan hanya jika:

(i) ∇f(X*) = 0

(ii) H(X*) < 0 definit negatif dengan H = matrik Hessian yang didefinisikan sebagai:

Teorema:

Titik X* disebut titik minimum lokal dari f(X) jika dan hanya jika:

(i) ∇f(X*) = 0

(ii) H(X*) > 0 definit positif atau |H|^j > 0 untuk j = 1,2,…,n, sehingga

Contoh 3:

Tentukan titik-titik ekstrim dari fungsi:

3. Multi Variabel dengan Kendala Persamaan[back]

Pada bagian ini akan didiskusikan teknik optimasi multi variabel dengan kendala persamaan yang mempunyai bentuk umum sebagai berikut:

disini m ≤ n, jika terjadi bahwa m > n, maka biasanya tidak dapat diselesaikan

Untuk menyelesaikan permasalahan optimasi di atas, digunakan metode pengali Lagrange, yaitu:

Teorema:

Syarat perlu bagi sebuah fungsi f(X) dengan kendala g_j(X) = 0, dengan j = 1, 2, …, m agar mempunyai minimum relatif pada titik X* adalah derivasi parsial pertama dari fungsi Lagrangenya yang didefinisikan sebagai L = L(x₁,x₂,…,x_n, λ₁,λ₂,…,λ_n) terhadap setiap argumennya mempunyai nilai nol.

Teorema:

Syarat harus bagi sebuah fungsi f(X) agar mempunyai minimum (atau maximum) relatif pada titik X* adalah jika fungsi kuadrat, Q, yang didefinisikan sebagai

dievaluasi pada X = X* harus definit positif (atau negatif) untuk setiap nilai dX yang memenuhi semua kendala.

Syarat perlu agar

menjadi definit positif (atau negatif) untuk setiap variasi nilai dX adalah setiap akar dari polinomial, zi, yang didapat dari determinan persamaan di bawah ini harus positif (atau negatif).

Contoh 4:

Sebuah perusahaan pelumas ingin membuat kaleng pelumas dari seng. Kaleng berbentuk silinder dengan bahan yang terpakai seluas A0 = 24π. Berapa maximum volume kaleng yang dapat dibuat dari bahan yang tersedia?

Penyelesaian

4. Multi Variabel dengan Kendala Pertidak-samaan [back]

Pada bab ini akan didiskusikan teknik optimasi multi variabel dengan kendala pertidak-samaan yang mempunyai bentuk umum sebagai berikut:

Kunci dari penanganan permasalahan di atas adalah merubah kendala pertidak-samaan menjadi persamaan dengan menambah variabel slack. Jadi permasalahan optimasi di atas dapat ditulis kembali sebagai:

Permasalahan ini dapat diselesaikan metode pengali Lagrange. Untuk itu, dibentuk fungsi Lagrange sebagai berikut:

Syarat perlu untuk suatu penyelesaian optimum pers diperoleh dari penyelesaian sistem persamaan di bawah ini.

Syarat perlu agar persamaan optimasi, mencapai titik minimumnya dapat pula dicari dengan syarat Kuhn-Tucker. Syarat ini perlu tetapi secara umum bukan merupakan syarat cukup untuk mencapai minimum. Tetapi untuk problema jenis konvex, syarat Kuhn-Tucker menjadi syarat perlu dan cukup untuk sebuah minimum global.

PERHATIAN:

Jika permasalahannya adalah memaksimumkan {bukan meminimumkan seperti contoh}, maka λj ≤ 0 dalam Pers.(1.21d).

Jika kendalanya adalah gj ≥ 0, maka λj ≤ 0 dalam Pers.(1.21d).

Jika permasalahannya adalah memaksimumkan dan jika kendalanya adalah gj ≥ 0, maka λj ≥ 0 dalam Pers.(1.21d).

Contoh 5:

Sebuah perusahaan pembuat komputer mendapat kontrak untuk menyediakan 50 unit komputer pada akhir bulan pertama, 50 unit komputer pada akhir bulan kedua, dan 50 unit komputer pada akhir bulan ketiga. Biaya produksi x buah komputer tiap bulannya adalah x2. Perusahaan ini dapat memproduksi komputer lebih dari yang dipesan dan menyimpannya di gudang untuk diserahkan pada bulan berikutnya. Biaya gudang adalah sebesar 20 satuan harga untuk tiap komputer yang disimpan dari bulan yang lalu kebulan berikutnya. Diandaikan bahwa pada permulaan pesanan di gudang tidak terdapat persediaan komputer. Tentukan jumlah produksi komputer tiap bulannya agar biaya pembuatannya minimum.

[menuju awal]