Professional Documents
Culture Documents
yang mempunyai fungsi objektif dan kendala berbentuk linier untuk meminimal-
Maks Z = cT y (2.1)
x>0 (2.3)
Dimana x adalah variabel, c dan b adalah koefisien vektor dan A adalah ma-
dapat dilakukan dengan metode grafik, akan tetapi untuk fungsi objektif atau
kendala mempunyai tiga variabel atau lebih metode grafik sulit atau tidak dapat
10
11
mempunyai dua variabel keputusan, artinya, hanya mempunyai dua dimensi. Se-
hingga prosedur metode grafik dapat digunakan untuk menentukan nilai variabel
keputusan. Solusi optimum selalu berada pada titik pojok daerah layak
yang mempunyai tiga variabel atau lebih disebut metode simpleks. Metode ini
dikembangkan oleh George Dantzig pada tahun 1947. Metode simpleks adalah
suatu penyelesaian secara aljabar, tetapi konsep yang mendasarinya adalah geo-
baik dua variabel atau lebih yang penyelesaiannya dilakukan melalui perhitungan
berulang (iterasi) dengan langkah yang sama hingga solusi optimum dicapai.
metode grafik, dimana solusi optimum selalu berada pada titik pojok daerah
1. Inisialisasi dimulai dengan memilih solusi awal dari sebuah titik pojok layak
2. Uji optimalitas dengan bergerak dari suatu titik pojok layak ke titik pojok
12
minimalisasi.
3. Iterasi dilakukan berulang-ulang sampai diperoleh solusi yang lebih baik dan
er dapat diubah ke dalam bentuk tabel, dan disebut tabel simpleks. Langkah-
2. Uji optimalitas, solusi layak basis sudah optimal jika dan hanya jika setiap
koefisien dalam baris nol adalah tidak negatif. Bila tidak, dilakukan iterasi
3. Iterasi pertama dilakukan dengan menetukan variabel basis yang masuk de-
koefisien paling negatif dalam suatu kolom tertentu, dimana kolom itu dise-
positif,
b. Menetapkan baris yang memiliki rasio terkecil dari hasil pembagian ko-
c. Variabel basis pada baris rasio terkecil adalah variabel yang keluar, dan
digantikan dengan variabel basis yang masuk dalam kolom variabel ba-
keputusan dari kendala linier dengan mengurangi ruang matriks dari kendala
x ∈ Rn
Partisi variabel keputusan x ke dalam variabel terikat atau basic (xB ) dan variabel
Dimana matriks B adalah matriks kuadratik, dan sisanya adalah matriks S. Mem-
dinyatakan menjadi:
∆xB xB − xkB
∆x =
=
(2.8)
∆xS xS − xkS
Persamaan (2.7) dan (2.8) dapat memenuhi persamaan (2.6). Oleh karena itu
atau
atau
∆x = Z∆xS (2.12)
15
−1
−B xB
Dimana Z =
disebut sebagai transformasi matriks
I
Dari derivatif kedua ekspansi deret Taylor dari f(x) pada iterasi ke - k, xk , maka
Dinyatakan reduced gradien gRT = ∇f (xk )T z dan reduced Hessi HR = z T ∇x f (xk )z,
δf
Kondisi penting untuk syarat minimum dipenuhi bila = 0, yaitu;
δ∆xS
Oleh karena itu, HR ∆xS = gRT adalah sistem linier dari persamaan dalam (n − m)
variabel.
Program tak linier (Non linear programming (NLP)) adalah suatu program
dalam masalah optimisasi yang mempunyai fungsi objektif tidak linier dan bebe-
rapa atau semua fungsi kendala tidak linier, akan tetapi tidak diketahui konveks
atau tidak konveks. Pembahasan tentang program tak linier dapat dilihat dalam
16
Luenberger (1984), Sugden (1992), Hiller dan Lieberman (2005), Boyd dan Van-
denberghe (2009).
Model program tak linier (NLP) dapat dinyatakan seperti berikut ini.
h(x) = 0 (2.19)
x>0
Dimana f(x) adalah fungsi tak linier, h(x) dan g(x) keduanya fungsi tak linier
Pemecahan masalah program tak linier adalah untuk menentukan nilai variabel
X = (x1 , x2 , ..., xn ) dari kendala yang memperoleh solusi optimum (minimum atau
maksimum) untuk fungsi objektif. Terdapat beberapa bentuk masalah dalam pro-
gram tak linier, bentuknya tergantung pada ciri-ciri fungsi objektif dan kendala.
fungsi objektif dan kendala yang muncul dalam berbagai bentuk, seperti fungsi
konveks atau tidak konveks. Akibatnya daerah layak dapat menjadi menjadi daer-
Definisi 2.1: Himpunan C disebut himpunan konveks atau konkaf, apabila semua
titik pada segmen garis melalui sembarang dua titik dalam himpunan C juga ele-
17
men himpunan C.
0 6λ6 1
Fungsi konveks adalah suatu fungsi yang memenuhi untuk setiap dua titik
xi dan xj , dapat ditarik garis yang menghubungkan f (xi ) dan f (xj ) pada fungsi
Definisi 2.5: Suatu fungsi f(x) disebut fungsi konveks apabila untuk sebarang dua
titik xi dan xj pada Rn dipenuhi f (λxi + (1 − λ)xj 6 λf (xi ) + (1 − λ)f (xj ), untuk
18
untuk sebarang dua titik, xi dan xj pada Rn dipenuhi f (λxi + (1 − λ)xj >
Definisi 2.6: Suatu fungsi f(x) dikatakan fungsi konkaf apabila untuk sebarang
dua titik xi dan xj pada Rn dipenuhi f (λxi + (1 − λ)xj > λf (xi ) + (1 − λ)f (xj ),
untuk 0 6 λ 6 1. Suatu fungsi f(x) disebut fungsi konkaf kuat (strictly) apabila
untuk sebarang dua titik xi dan xj pada Rn dipenuhi f (λxi + (1 − λ)xj <
Definisi 2.7: Suatu fungsi f(x) dikatakan tak konveks, apabila fungsi tak linier
Definisi 2.8: Suatu fungsi f(x) disebut tak konveks apabila untuk sebarang dua
titik xi dan xj pada Rn terdapat suatu titik xk ∈ λf (xi ) + (1 − λ)f (xj ) untuk
0 6 λ 6 1.
19
Definisi 2.9: Daerah layak F adalah konveks apabila untuk setiap dua titik pada
daerah layak F, semua kombinasi konveks titik-titik dalam F juga dalam daerah
layak F.
sebagai berikut.
Daerah layak F(x) adalah konveks, karena untuk sebarang titik x1 , x2 ∈ F , se-
tiap kombinasi konveks dari titik-titik x1 , dan x2 dalam daerah layak F, yaitu
Definisi 2.10. Daerah layak dikatakan tidak konveks apabila beberapa titik
dalam garis yang menghubungkan dua titik tidak berada dalam daerah layak.
Definisi 2.11. Daerah layak F dikatakan tidak konveks apabila kombinasi kon-
veks dari sebarang dua titik dalam F tidak dalam daerah layak F.
20
Dalam permasalahan optimisasi, daerah layak tak konveks dari daerah layak F =
Daerah layak F(x adalah tidak konveks, karena untu sebarangk dua titik titik
∈
/ F (x) untuk semua nilai λ untuk 0 6 λ 6 1.
Membahas masalah program tak linier tidak terlepas dari pemecahan ma-
salah fungsi tak linier. Terdapat beberapa pendekatan yang digunakan untuk
pemecahan fungsi tak linier dalam rangka mencari titik ekstrim. Perbedaan pen-
dekatan tergantung kepada bentuk fungsi dan tujuan yang akan dicapai. Pen-
dekatan atau metode yang biasa digunakan dalam pemecahan fungsi tak lini-
er, seperti deret Taylor, fungsi Lagrange, dan Kondisi Kuhn-Tucher, pendekatan
tersebut dapat dilihat dalam Rao (2009), Mital (1976), Bronson (1996), Chachuat
objektif, yaitu dengan gradient fungsi dan matriks Hessian untuk memperoleh
karakteristik solusi optimal dari pengujian konveksitas suatu fungsi dan titik eks-
trim.
Andaikan fungsi f(x) adalah fungsi yang dapat dideferensialkan secara kontinu
dan mempunyai nilai riel dari X dalam Rn . Dapat diambil x + δx sebagai per-
sekitaran dari x dalam Rn sedemikian sehingga ∆X = {δx1 , δx2 , ..., δxn } dan
X + ∆x = {x1 + δx1 , x2 + δx2 , ..., xn + δxn }, dimana derivatif dari f(x) adalah
h i
∂f ∂f ∂f
∇f = ∂x ,
1 ∂x2
, ..., ∂xn
, sehingga deret Taylor untuk f(x) dalam variabel n dapat
∂f
dinyatakan dengan f {x1 + δx1 , x2 + δx2 , ..., xn + δxn } = f (x1 , x2 , ..., xn )+ f (δx1 ∂x1
∂f ∂f ∂f ∂f ∂f 2
+ δx2 ∂x2
+ ... + δxn ∂xn
) + 12 f (δx1 ∂x1
+ δx2 ∂x2
+ ... + δxn ∂xn
) + ... + n1 f (δx1
∂f ∂f ∂f n 1 ∂f ∂f ∂f n+1
∂x1
+δx2 ∂x2
+...+δxn ∂xn
) + n+1 f (δx1 ∂x1
+δx2 ∂x2
+...+δxn ∂xn
)
∂2f ∂2f ∂2f
2 , , ...,
∂ x1 ∂x1 ∂x2 ∂x1 ∂xn
∂2f ∂2f ∂2f
∂x ∂x , ∂ 2 x , ..., ∂x ∂x
H(x) = 2 1 2 2 n (2.20)
............, ............, ..........
∂2f ∂2f ∂2f
, , ..., 2
∂xn ∂x1 ∂xn ∂x2 ∂ xn
1
F (x + ∆x) = f (x) + (∆x)1 ∇f (x) + (∆x)1 H(x)∆x + E(x, ∆x) k ∆x k2 (2.21)
2
Dimana E(x, ∆x) → 0, dan k ∆x k→ 0
Titik ekstrim adalah suatu titik maksimum atau minimum dari seluruh ni-
lai variabel suatu fungsi. Titik yang membuat f (x) minimum mengakibatkan
(−f (x)) menjadi maksimum atau sebaliknya. Hal itu berarti, suatu masalah
Definisi 3.11. Titik x∗ ∈ D disebut minimum lokal dari fungsi f(x) pada D
lokal dari fungsi f(x) pada D apabila terdapat persekitaran ε > 0 dari x∗ sedemi-
maksimum global dari fungsi f(x) pada D apabila untuk semua x ∈ D memenuhi
f (x) 6 f (x∗ ).
linier atau non-linier adalah dengan metode pengali Lagrange. Metode ini digu-
nakan untuk mencari solusi dari suatu permasalahan titik ekstrim dari beberapa
variabel dan fungsi yang memenuhi semua persamaan kendala. Prosedur metode
xi > 0
dimana f(x) dan g(x) adalah fungsi yang dapat dideferensialkan dan mempunyai
disebut fungsi lagrange, dan bilangan λi disebut pengali lagrange, dengan memenu
hi persyaratan pengali, apabila x∗ = x∗1 , ..., x∗n adalah solusi dari masalah pada
suatu titik ekstim dari Pers.(2.22) - (2.23), maka terdapat bilangan yang paling
kecil tidak nol dari pengali lagrange λ∗ = λ∗0 , ..., λ∗m sedemikian sehingga titik-titik
x∗ , λ∗ adalah titik stationer dari fungsi lagrange yang memenuhi variabel xj dan
Teorema 2. 1. Misalkan x ∈ L ⊆ Rn , f(x) dan g(x) adalah fungsi yang dapat di-
Bukti:
sebagai berikut:
∂(g1 , g2 , ..., gm )
6= 0 (2.25)
∂(x1 , x2 , ..., xm )
25
Karena x∗ adalah relatif ekstrim dari f(x), maka (∆x)(∇f (x∗ )) = 0, atau pada
x∗ berlaku:
∂f ∂f ∂f
∂x1 + ∂x2 + ... + ∂xn =0 (2.26)
∂x1 ∂x2 ∂xn
Karena Pers.(2.24) merupakan matriks non singular, maka terdapat nilai unik
ngakibatkan:
∂L(x, λ)
= 0, i = 1, ..., n pada x∗ (2.32)
∂xi
Solusi optimal dari permasalahan program tak linier dianalisis oleh Karush
adalah valid untuk pemecahan masalah program tak linier dengan fungsi objektif
dan kendala tak linier yang mempunyai kendala bentuk pertidaksamaan atau
persamaan. Jadi, syarat perlu untuk memperoleh solusi optimal dari program
x>0
Berdasarkan fungsi Lagrange diperoleh L(x, λ) = f (x) + λgi (x), i = 1, ..., n, di-
mana λ > 0 adalah pengali Lagrange. Sehingga untuk memperoleh titik stationer
27
∂L(x,λ)
harus memenuhi; ∂xi
= 0, i = 1, ..., n sehingga kondisi Karush-Kuhn-Tucher
(KTT) adalah;
m
∂L(x, λ) ∂f X ∂gk
= + (λk ) = 0, i = 1, ..., n (2.35)
∂xi ∂xi k=1 ∂gi
dan
gk (x) 6 0
λk gk (x) = 0 , k = 1, ..., m (2.36)
λk > 0
atau
m
∂f X ∂gk
+ (λk )>0
∂xi k=1 ∂gi
" #
m
∂f X ∂gk (2.37)
xj + (λk ) = 0
∂xi k=1 ∂gi
xj > 0
dan
gi (x) 6 0
λi gi (x) = 0 , k = i, ..., m (2.38)
λi > 0
titik pelana (saddle) dari f (x, λ) dengan variabel x tidak dibatasi dan λ > 0.
Dengan kondisi yang sama Pers. (2.36)-(2.37) untuk x > 0, λ > 0. Apabila f(x)
dan gi (x) adalah fungsi konveks dengan titik sadle (x∗ , λ∗ ), λ∗ > 0 dari L(x, λ)
28
dengan demikian x∗ adalah titik minimum dari f(x) dengan kendala gi (x). Kare-
na f(x) adalah fungsi konveks maka f(x) hanya mempunyai satu titik optimum
yang menjadi titik minimumnya. Jadi kondisi ini merupakan solusi perkiraan
kondisi Kuhn-Tucher yang memberikan titik minimum dari f(x). Sehingga masa-
lah program tak linier mempunyai solusi optimum hanya jika terdapat m bilangan
m
∂f ∂gi
(2) x∗j ( ∂x ) = 0, ∀i = 1, ..., n di xj = x∗j
P
j
− λk ∂xj
k=1
Program konveks suatu klas khusus dari program tak linier yang memiliki
fungsi tujuan linier atau tidak linier dan kendala tidak linier, dimana semua solusi
layak berada dalam daerah layak. Program konveks berarti fungsi adalah kon-
dari banyak variabel bila matriks Hessian (suatu matriks untuk semua derivative
keduanya) adalah definit positif pada semua (entire) domainnya, dan masalah
program konveks mengacu pada masalah optimisasi yang hanya mempunyai satu
x>0
Definisi 3.13. Misal C adalah himpunan konveks yang tidak kosong di dalam
konveks.
Nilai f (x∗ ) adalah minimum pada titik x∗ yang memenuhi f (x) > f (x∗ ) untuk
k x − x∗ k< δ, dan minimum global dalam daerah layak F nilai pada f (x∗ ) adalah
minimum yang memenuhi memenuhi f (x) > f (x∗ ), ∀x ∈ F, dan menentukan nilai
Teorema 2.2. Misal x∗ adalah minimum lokal pada program konveks, maka x∗
λ)f (x∗ ) < λf (x∗ ) + (1 − λ)f (x∗ ) 6 f (x∗ ) atau f (x) 6 f (x∗ ).
Hal ini bertentangan dengan pengandaian, bahwa x∗ adalah minimum lokal. Jadi
adalah fungsi konveks. Biasanya, bila masalah tidak diasumsikan pada masalah
konveks, maka masalah mempunyai solusi optimum lokal . Hasil yang diperoleh
Program tak konveks adalah suatu program yang mempunyai fungsi objek-
tif tak linier dan beberapa atau semua kendala tak linier. Masalah program tak
konveks mungkin mempunyai banyak titik optimum lokal, hal itu akan memer-
atau tidak, apabila solusi yang akan dicari adalah minimum global. Oleh karena
itu, masalah pemecahan masalah program tak konveks pada umumnya lebih sulit,
bahkan fungsi adalah sangat smooth (halus). Dalam program tak konveks, dia-
sumsikan bahwa minimum lokal tidak menjadi minimum global, atau maksimum
dapat dilihat dalam Bertsimas (1999), Boyd dan Vabdenberghe (2004), Flet-
cher (2000), Nocedal dan Wright (2006), pemecahan itu diuraikan secara ringkas
berikut ini.
Pencarian garis (line search) digunakan untuk masalah optimisasi tak ber-
kendala dengan fungsi objektif non-linier. Pada tiap iterasi suatu penaksiran dari
dekatan berbeda untuk menentukan arah dan panjang langkah seperti Steepest des−
Daerah kepercayaan (Trust region) adalah suatu metode yang digunakan se-
bagai suatu alternatif untuk pencarian garis. Pada tiap-tiap iterasi, pencarian dari
titik terbaik menggunakan perkiraan yang dibatasi ke dalam suatu trust region,
dan ditetapkan dengan suatu panjang langkah maksimum. Pendekatan ini di-
dorong oleh fakta bahwa perkiraan dari fungsi non-linier pada titik yang diberikan
tidak dapat menjadi titik terbaik. Oleh karena itu trust region dapat menun-
jukkan bagian seharusnya yang dapat memberikan perkiraan yang baik. Kemu-
dian arah dan panjang langkah pencarian memberikan perbaikan terbaik untuk
peroleh kelayakan dan nilai optimalitas dari suatu penambahan syarat-syarat so-
lusi yang menetapkan ketidaklayakan solusi. Ketika suatu fungsi penalty memini-
malkan solusi dari N LP awal. Hal itu disebut eksak, dengan kata lain minimal-
isasi fungsi penalty mengarahkan kepada solusi optimal dari masalah asli. Suatu
contoh dari metode penalty eksak adalah metode Augmented Lagrangian yang
Himpunan aktif (active set) adalah himpunan variabel aktif dalam suatu
persamaan kendala. Metode himpunan aktif adalah suatu metode iteratif untuk
tian kendala dalam himpunan aktif, suatu pergerakan mengidentifikasi titik baru
untuk iterasi selanjutnya. Algoritma simpleks oleh Dantzig (1956) adalah suatu
metode kendala aktif untuk pemecahan masalah program linier. Suatu hasil yang
efektif dan luas digunakan dalam kasus khusus dengan metode himpunan aktif
suatu rangkaian pemecahan masalah untuk menaksir masalah NLP terakhir. Su-
Metode himpunan aktif adalah suatu metode yang mengestimasi himpunan vari-
abel aktif dari solusi optimal. Masalah N LP dibagi dalam dua bagian himpunan
kendala tidak aktif. Pertidaksamaan kendala dalam himpunan tidak aktif diang-
gap sebagai pertidaksamaan kuat pada solusi optimum dan mengabaikan yang
sangat utama. Sisa masalah dipecahkan dengan suatu metode untuk memecah-
Pemecahan masalah NLP terdiri dari dua tahap iterasi yang memberikan suatu es-
timasi himpunan aktif dari solusi. Tahap pertama adalah tahap kelayakan, dima-
34
na fungsi objektif diabaikan ketika titik layak ditemukan pada kendala Ax=b dan
Dx > f . Tahap kedua adalah tahap optimalitas, dimana fungsi objektif dimini-
malkan ketika kelayakan diperbaiki. Kedua tahap dari algoritma terkait dengan
dari ketidaklayakan kepada fungsi objektif. Metode ini mempunyai prosedur un-
tuk meninjau ulang himpunan aktif, salah satu cara adalah dengan penghapusan
aktif (Active set) dapat dilihat dalam Panier (1987), Murty dan Yu (1997), Oberlin
dan Wright (2006). Kontribusi metode active set tersebut mendasari pemecahan