Direct search

optimization (Cara
Lima Titik, Golden
section, Hooke
Jeeves)

OBJECTIVES
Understand why and where optimization
occurs in engineering problem solving.
Understand the major elements of the
general optimization problem: (1) objective
function, (2) decision variables, and (3)
constraints.
Be able to distinguish between linear and
nonlinear optimization, and between
constrained and unconstrained problems

PUSTAKA
James B. Riggs, 1988, An Introduction to
Numerical Methods for Chemical Engineers,
Texas: Texas Tech University Press, Chapter 6
Steven C. Chapra & Raymond P. Canale,
2003,Numerical Methods for Engineers: With
Software and Programming Applications, 4th
edition, New York: McGraw-Hill Company Inc,
Part Four
etc.

INTRODUCTORY EXAMPLE
Persoalan pemilihan diameter pipa untuk mengangkut fluida
dari satu proses ke proses yang lain.

Diameter pipa optimum, berdasarkan:

Biaya investasi, dan biaya operasi

$ / year
Cost
components

Pipe diamater (in)

1

1,25

1,5

2,5

4697

660

312

164

56

Pipe capital costs 168

308

389

474

660

Pump capital
costs

401

192

150

150

150

Total

5266

1160

852

788

866

Operating Costs

Diameter
pipa mana
yang akan
Anda
pilih?

Course Contents
Definisi optimasi
Jenis optimasi: 1- maksimasi; 2- minimasi

Dua hal penting dalam studi optimasi:

1- fungsi objektif dan decision variables;
2- kendala (constraints)
Contoh-contoh persoalan optimasi dalam
bidang Engineering
Contoh-contoh constraints yang menyertai
persoalan optimasi

Definisi dan Jenis Optimasi

Optimasi merupakan suatu proses untuk
mencari kondisi yang optimum, dalam arti
paling menguntungkan.
Optimasi bisa berupa maksimasi atau
minimasi.
Jika berkaitan dengan masalah keuntungan,
maka keadaan optimum adalah keadaan yang
memberikan keuntungan maksimum
(maksimasi).
Jika berkaitan dengan masalah
pengeluaran/pengorbanan, maka keadaan
optimum adalah keadaan yang memberikan

Fungsi Objektif
Secara umum, fungsi yang akan
dimaksimumkan atau diminimumkan disebut
fungsi objektif (objective function),
sedangkan harga-harga yang berpengaruh
dan bisa dipilih disebut variabel (perubah)
atau decision variable.
Secara analitik, nilai maksimum atau
minimum dari suatu persamaan: y = f(x)
dapat diperoleh pada harga x yang
memenuhi:
y = f(x) = 0
Untuk fungsi yang sulit untuk diturunkan atau
mempunyai turunan yang sulit dicari

Contoh Persoalan Optimasi dalam Bidang

Engineering
Design pump and heat transfer equipment for
maximum efficiency
Design waste water treatment system to meet waterquality standards of least cost
Optimal planning and scheduling
Optimal pipeline network
Inventory control
Maintenance planning to minimize cost
etc.

Ilustrasi maksimasi (secara

grafik):
Beberapa istilah:
Maksimum lokal
Maksimum global
A unimodal function

One hump or
one valley

Catatan: Analog,
untuk kasus minimasi

Maksimum dan minimum lokal dan global:

Perbedaan antara persoalan optimasi dengan

pencarian/ penentuan akar persamaan:

Ilustrasi grafik optimasi dua variabel:

Tinjaulah sebuah fungsi dengan satu

variabel sbb.:
y = f(x)
Ingin dicari harga x yang memberikan
harga y maksimum (maksimasi) atau
minimum (minimasi). Dalam hal ini, x
yang diperoleh merupakan nilai x
optimum fungsi.
Beberapa metode yang akan dibahas

Metode golden section

Metode Newton
Metode interpolasi kuadrat
dsb.

METODE GOLDEN SECTION

Golden section merupakan salah satu cara atau
metode optimasi numerik yang bisa dipakai untuk
fungsi yang bersifat unimodal. Kedua tipe
optimasi, yaitu maksimasi dan minimasi dapat
diselesaikan dengan cara ini.
Golden-section (search) method merupakan
metode optimasi satu variabel yang sederhana,
dan mempunyai pendekatan yang mirip dengan
metode bisection dalam penentuan akar
persamaan tak linier.

METODE GOLDEN
SECTION
Tinjaulah fungsi f(x) yang
akan ditentukan maksimumnya,
pada rentang x = xl dan x = xu
(perhatikan gambar di
samping).
Mirip dengan bisection, ide
dasar metode ini adalah
memanfaatkan nilai yang lama
sebagai nilai yang baru.
Secara matematik:

METODE GOLDEN SECTION

Karena:

l0 l1 l2 ,

l1
l2
maka :

l1 l2 l1

l2
R
l1

Ambil kebalikannya dan kemudian definisikan:

l1 l2 l1

l1
l2

l2 l1
1
atau 1
atau : 1 R
l1 l2
R

Sehingga : R R 1 0
2

Nilai akar positifnya :

5 1
R
0,61803 ......
2

(R biasa disebut sebagai

Golden ration atau golden number)

ALGORITMA
(kasus maksimasi):
1. Mulai dari 2 nilai tebakan awal xl
dan xu, yang mengapit titik
maksimum.
2. Tentukan nilai x1 dan x2 di dalam
rentang
1sesuai dengan golden ratio
xl dan5xu,
d (R)

Xu Xl

2
x1 x1 d

x2 xu d

ALGORITMA (kasus maksimasi):

3. Berdasarkan harga f(x) pada 2 titik tersebut (x1 dan x2),
diharapkan ada sebagian interval yang dapat dieliminasi,
sehingga salah satu titik lama bisa dipakai lagi pada evaluasi
langkah berikutnya. Jadi hanya diperlukan 1 titik baru.
Ada 2 kasus:
(a) Jika: f(x1) > f(x2)
Maka: domain x antara xl dan x2 dieliminasi
x2 lama = xl baru
x1 lama = x2 baru
xu lama = xu baru
x1 baru
ditentukan
(b) Jika: f(x2) > f(x1)
Maka: domain x antara x1 dan xu dieliminasi
x1 lama = xu baru
x2 lama = x1 baru
xl lama = xl baru
x2 baru

ditentukan

METODE GOLDEN SECTION

Algoritma untuk kasus minimasi
kebalikan dari
algoritma untuk kasus maksimasi tersebut di atas.
Efektivitas evaluasi dengan metode golden section:
Misal diinginkan pengecilan interval sampai menjadi 0,001
dari semula, maka jumlah step yang diperlukan (N) adalah:
(0,618)N = 0,001
N = 14,3 15
Jumlah evaluasi = 2 + (N 1) x 1 = 16

Silakan Pelajari Contoh Soal

EXAMPLE : DETERMINING MINIMATION FUNCTION

Y = 2X2 8X + 12
KNOWN

5 1
0.618
2

XA = LOWER LIMIT (BATAS BAWAH) = 0

XB = UPPER LIMIT (BATAS ATAS) = 4
TOL = 0.001 (SAMPLE)
X=XA = 0
YA = (2*02) - (8*0) + 12 = 12
X=XB=4
YB = (2*42 ) (8*4) +12 =12

XP=XA + (1 L) * (XB XA)

= 0 + ( 1 0.618) * (4 0) =1,53
YP = (2 * 1,5322) (8*1,53) +12 = 4,44

XQ=XA + L*(XB XA)

= 0 + 0.618*(4 0) = 2,472
YQ= (2*2,4722) (8*2,472) + 12 = 4,45

XPNEW=1,53 + (1 L)*(2,472 1,53) = 1,8898

YPNEW=( 2*1,88982) (8*1,8898) + 12 = 4,02

XQNEW=1,53 + 0,618*(2,472 1,53) = 1,915

YPNEW = (2*1,9152) (8*1,915) +12 = 4,01

DST

METODE NEWTON
Metode ini menggunakan pendekatan yang sama dengan
metode Newton dalam penentuan akar persamaan tak
linier,
melalui pendefinisian fungsi: g(x) = f(x)
Karena pada kondisi optimum:
f '(x*) = g (x*) = 0
(x* menyatakan nilai x optimum)
maka, nilai x* dapat diperoleh secara iteratif sebagai
berikut:

f ' ( xi)
xi 1 xi
f " ( xi )

Silakan Pelajari Contoh Soal Berikut

METODE INTERPOLASI KUADRAT

Metode ini dapat

digunakan
untuk melakukan
optimasi secara numerik.
Hal ini disebabkan oleh
penggunaan polinomial
orde-dua yang
menghasilkan
pendekatan cukup baik
terhadap bentuk f(x) di
dekat
titik optimumnya.
(Perhatikan gambar di
samping)

METODE INTERPOLASI KUADRAT

Jika mula-mula kita mempunyai tiga buah titik tebakan awal
(yakni x0, x1, dan x2) yang mengapit titik optimumnya, maka
sebuah parabola dapat di-fit-kan melalui ketiganya.
Diferensiasikan persamaan yang diperoleh, set hasilnya menjadi
sama dengan nol, dan perkiraan x optimum dapat ditentukan
(dalam hal ini sebagai x3) sbb.:
2

f ( x0 )( x1 x2 ) f ( x1 )( x2 x0 ) f ( x2 )( x0 x1 )
x3
2 f ( x0 )( x1 x2 ) 2 f ( x1 )( x2 x0 ) 2 f ( x2 )( x0 x1 )
Penentuan x3 dilakukan secara iteratif, melalui strategi yang
sama dengan metode golden section, hingga diperoleh
penyelesaian yang konvergen.

OPTIMASI BANYAK VARIABEL

Misal diketahui sebuah fungsi dengan banyak variabel sbb:
y = f(x1, x2, x3, .., xn)
Ingin dicari harga x1, x2, x3, .., xn yang memberikan harga
y maksimum (maksimasi) atau minimum (minimasi).
Pengelompokan metodenya secara garis besar: (1) non
gradient
methods, dan (2) gradient methods
Beberapa metode yang akan dibahas:
Metode Hooke-Jeeves
Metode langsung/ random search
Metode steepest ascent (ascending)/ descent (descending)

METODE HOOKE-JEEVES
Prinsip metode Hooke-Jeeves:
(1) Eksplorasi nilai xi
(2) Mengulangi langkah sukses
Optimasi dengan cara Hooke-Jeeves ditunjukkan dalam
contoh berikut. Misal ingin dilakukan minimasi dari suatu
fungsi:
y = (x1 4)2 + 0,5.(x2 9)2 + 3
Sebagai cek, dengan mudah dapat terlihat bahwa minimum
terjadi pada x1 = 4, x2 = 9, dan harga ymin =3.
Dipakai cara Hooke-Jeeves dengan titik awal x1 = 1,
x2 = 16, serta interval awal x1 = 1 dan x2 = 2.

X1
1

X2
16

Y
36,5

Komentar
Basis

Hooke Jeeves -2

Eksplorasi dengan x1 = 1, x2 =2
2

16

31,5

Sukses

18

47,5

Gagal

14

19,5

Sukses

Mengulangi langkah sukses

3

12

8,5

Sukses

10

3,5

Sukses

4,5

Gagal

Eksplorasi dengan x1 = 1, x2 =2
5

10

4,5

Gagal

10

4,5

Gagal

12

7,5

Gagal

3,5

Gagal

Hasil
Perhitungan

X1

X2

Komentar

Eksplorasi dengan x1 = 0,2, x2 =0,4

4,2

10

3,54

Gagal

3,8

10

3,54

Gagal

10,4

4,96

Gagal

9,6

3,18

Sukses

Mengulangi langkah sukses

4

9,2

3,02

Sukses

8,8

3,02

Gagal

Eksplorasi dengan x1 = 0,2 ; x2 =0,4

4,2

9,2

3,06

Gagal

3,8

9,2

3,06

Gagal

9,6

3,18

Gagal

8,8

3,02

Gagal

Hooke Jeeves -3

Hasil
Perhitungan

Hooke Jeeves -4
X1

X2

Komentar

Eksplorasi dengan x1 = 0,04, x2 =0,08

4,04

9,2

3,021

Gagal

3,96

9,2

3,021

Gagal

4,00

9,28

3,039

Gagal

4,00

9,12

3,007

Sukses

Mengulangi langkah sukses

4,00

9,04

3,0008

Sukses

4,00

8,96

3,0008

Gagal

METODE LANGSUNG (RANDOM SEARCH)

Sesuai dengan namanya, metode ini secara berulangulang mengevaluasi nilai fungsi pada nilai-nilai variabel
bebas tertentu (selected values) secara acak. Jika
banyaknya sampel yang dicoba mencukupi, maka
kondisi optimumnya akan teramati.
tidak efisien!
Metode ini dapat diterapkan untuk fungsi yang
discontinuous dan non-differentiable sekalipun.
Pendekatan ini pada umumnya akan menghasilkan
titik optimum global (bukan optimum lokal)
Silahkan Pelajari Contoh

METODE STEEPEST ASCENT/DESCENT

Merupakan jenis metode gradien yang paling
sederhana.
Terminologi:
steepest ascent untuk pencarian maksimum
fungsi
steepest descent untuk pencarian minimum
fungsi
Prinsip pencarian optimum:
Dilakukan serangkaian proses transformasi untuk
mengubah sebuah fungsi dengan banyak variabel
(multidimensional
function) menjadi sebuah fungsi dengan variabel
tunggal (one-dimensional function), berdasarkan gradien
arah pencarian. Langkah pencarian optimum ini
selanjutnya dilakukan secara berulang-ulang (iteratif).

PENCARIAN TITIK OPTIMUM

Sebagai ilustrasi, f(x,y)
tinjaulah fungsi 2
variabel f(x,y) yang
akan ditentukan titik
maksimumnya. (lihat
gambar di samping)
Berdasarkan nilai
awal x = x0 & y = y0,
dapat ditentukan
nilai gradien (atau
arah steepest
ascent)-nya, yakni
sebesar h0.
Berdasarkan h0, nilai maksimum
fungsi
dapat ditentukan, yakni pada titik 1.
Demikian seterusnya, proses ini
dilakukan berulang-ulang hingga
diperoleh titik optimum
sesungguhnya.

Secara Numerik:
Misal, untuk sebuah fungsi 2 variabel: f(x,y)
yang akan dicari titik optimumnya, dengan nilai awal:
x = x0 dan y = y0
Pada langkah iterasi pertama, nilai x dan y yang baru
dapat ditentukan dengan:

f
x x0
h
x x 0 , y0
and
f
y y0
y x

h
0 , y0

f
f
and
x
y

merupakan turunan parsial fungsi f(x,y)

terhadap x dan y

Dalam hal ini, vektor gradien fungsinya dinyatakan sbg:

f f
f i
j
x
y
Pada kasus ini, sebuah fungsi 2 variabel dalam x dan y,
f(x,y), ditransformasikan menjadi sebuah fungsi satu
variabel dalam h, g(h).

Nilai x dan y yang diperoleh pada langkah iterasi ini

selanjutnya menjadi x0 dan y0 pada langkah iterasi
berikutnya. Demikian seterusnya.
Silahkan Pelajari Contoh

Contoh Aplikasi:
LOKASI OPTIMUM PENGOLAH LIMBAH TERPADU
Sejumlah N pabrik dengan posisi koordinat masing-masing
(xi,yi)
menghasilkan limbah masing-masing sejumlah Qi. Akan
dibangun
suatu unit pengolah limbah terpadu untuk seluruh pabrik
tersebut.
Ongkos pengangkutan limbah dari pabrik ke unit pengolah
limbah
berbanding lurus dengan debit pangkat 0,6. Ingin
0, 6
ditentukan posisi
(koordinat) unit pengolah limbah agar ongkos pengangkutan
limbah minimum.

H arg a k ( jarak )(debit )

Analisis:

d i ( x p xi ) 2 ( y p yi ) 2
Misal: Lokasi pengolah limbah berada di titik P (xP, yP)
Jarak pabrik
(xi,yi)
ke lokasi
pengolah limbah:
0, 6
2
2
Ci k .Qi

( x p xi ) ( y p yi )

Ongkos transport total:

Dicari nilai xP dan yP yang memberikan nilai CT minimum.

Misal:

Dimisalkan pula: nilai k = 1

OPTIMASI FUNGSI 2 VARIABEL SECARA

ANALITIK
(sebuah perbandingan)
Tinjaulah sebuah fungsi 2 variabel: f(x,y)
Kriteria optimumnya dapat dibagi menjadi 3 kategori:
f(x,y) mempunyai minimum lokal:
jika det(H) > 0 dan
f(x,y) mempunyai maksimum lokal:
jika det(H) > 0 dan
f(x,y) mempunyai titik belok (saddle point):
jika det(H) < 0
det(H) merupakan nilai
determinan matriks Hessian yang
dinyatakan sebagai