BAB 2

LANDASAN TEORI

Pada bab ini akan dijelaskan mengenai teori teori yang berhubungan dengan pembahasan ini sehingga dapat dijadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan hasil utama pada bab berikutnya. Adapun teori teori tersebut mencakup pengertian dari pemrograman nonlinear, fungsi konveks, metode Lagrange, metode Newton, metode Wolfe, kondisi Kuhn-Tucker,

pemrograman kuadratis, dan metode Sequential Quadratic Programming.

2.1 Pemrograman Nonlinear

Menurut Bradley dkk (1976), persoalan umum optimisasi adalah memilih n variabel keputusan dari daerah fisibel yang diberikan untuk mengoptimasi

(maksimum atau minimum) fungsi tujuan yang diberikan

dari variabel keputusan. Persoalan ini disebut persoalan pemrograman nonlinear jika fungsi tujuannya nonlinear dan atau daerah fisibelnya ditentukan oleh kendala nonlinear. Jadi bentuk minimisasi persoalan pemrograman nonlinear ditulis sebagai:

subject to:

dimana masing-masing fungsi kendala

sampai

diberikan. Batasan nonnegatif

pada variabel dapat dengan menambahkan kendala tambahan:

Universitas Sumatera Utara

Masalah optimisasi di atas dapat ditulis dalam bentuk yang lebih sederhana sebagai berikut:

subject to:

Untuk kendala persamaan dan

dapat ditulis sebagai dua kendala pertidaksamaan . Sebagai tambahan, jika menambahkan variabel slack,

masing-masing kendala pertidaksamaan ditransformasi ke kendala persamaan.

Fokus utama dari pemrograman nonlinear adalah terkait dengan eksistensi dari solusi optimal, karakterisasi dari solusi optimal dan algoritma untuk menghitung solusi optimal. Masalah pemrograman nonlinear mempunyai 2 jenis persoalan yaitu masalah nonlinear berkendala dan nonlinear tidak berkendala. Untuk persoalan nonlinear tidak berkendala dapat dipecahkan dengan metode Newton sedangkan untuk persoalan nonlinear berkendala dapat dipecahkan dengan metode Penalty dan Barrier, Sequential Quadratic Programming (SQP), ataupun Primal-Dual Interior Point (PDIP). Metode Penalty dan Barrier merupakan cara tidak langsung karena prosedur metodenya yaitu mendekati persoalan optimisasi berkendala dengan persoalan yang tidak berkendala. Contoh metode yang menerapkan cara langsung yaitu SQP dan PDIP. (Bertsekas, 2007).

2.2 Optimum Global dan Lokal

Sebuah fungsi tujuan f(x) memiliki sebuah minimum lokal di selang (yang kecil) yang berpusat di

jika terdapat sebuah

sedemikian rupa sehingga

untuk semua x dalam selang ini pada mana fungsi ini dedefinisikan. Jika untuk semua x pada mana fungsi ini didefinisikan, maka minimum di (di

samping adalah lokal) adalah suatu minimum global. Maksimum lokal dan global didefinisikan dengan cara yang sama tetapi dengan tanda ketidaksamaan yang terbalik (Bronson, 1996).

Universitas Sumatera Utara

Gambar 1.1 Maksimum-minimum lokal dan global Fungsi yang digambarkan di atas secara grafik hanya didefiniskan pada [a,b]. Fungsi ini memiliki minimum lokal di di dan maksimum global di ; maksimum lokal di dan b. ; minimum global

Definisi 2.1: Jika adalah solusi fisibel untuk persoalan maksimisasi dengan

fungsi tujuan f(x). Kita menyebut x: 1. Sebuah global maksimum jika untuk setiap titik fisibel

2. Sebuah lokal maksimum jika

untuk setiap titik fisibel

cukup dekat dengan x yaitu jika ada sebuah bilangan (sangat kecil) sehingga kapanpun masing-masing variabel yaitu, dan y fisibel maka . dalam dari

Minimum lokal dan global analog dengan definisi di atas. Untuk beberapa keadaan, maksimum dan minimum lokal disebut global. Gambar 1.2(a) di bawah minimum lokal merupakan global. Fungsi ini disebut konveks. Gambar 1.2(b) di bawah maksimum lokal merupakan maksimum global. Fungsi ini disebut konkaf. Karena alasan ini fungsi konveks selalu diminimumkan sedangkan fungsi konkaf selalu dimaksimumkan (Bradley dkk, 1976).

Universitas Sumatera Utara

Gambar 1.2 Fungsi konveks dan konkaf

2.3 Fungsi Konveks dan Konkaf

Menurut Luenberger (1984), fungsi konveks adalah dimana untuk setiap dua titik y dan z, dapat ditarik garis yang menghubungkan f(y) dan f(z) pada fungsi tersebut. Secara aljabar definisinya sebagai berikut:

Definisi 2.2: Misalkan . Titik-titik dengan bentuk untuk disebut

konveks kombinasi dari y dan z.

Definisi 2.3: Sebuah himpunan maka berlaku disebut himpunan konveks jika untuk setiap . dan

Definisi 2.4: Sebuah fungsi f(x) disebut konveks jika untuk setiap y dan z dan setiap

Disebut strictly konveks jika untuk setiap dua titik berbeda y dan z dan setiap

Definisi 2.5: Sebuah fungsi f(x) disebut konkaf jika untuk setiap y dan z dan setiap

Universitas Sumatera Utara

Disebut strictly konkaf jika untuk setiap dua titik berbeda y dan z dan setiap

Mengalikan fungsi konveks dengan -1 akan menghasilkan fungsi konkaf. Menjumlahkan beberapa fungsi konveks akan menghasilkan fungsi konveks juga. Begitu juga dengan mengalikan dengan pengali nonnegatif akan menghasilkan fungsi konveks.

Teorema 2.1: Perhatikan masalah optimisasi (CP) berikut

Jika S adalah himpunan konveks, minimum lokal untuk masalah (CP) maka pada himpunan S. Bukti: Misalkan

adalah fungsi konveks dan

adalah titik

adalah titik minimum global dari

bukan titik minimum global, maka terdapat . Sebut

yang memenuhi

yang merupakan kombinasi konveks dari . Hal ini mengakibatkan , untuk .

dan y, untuk Karena

adalah fungsi konveks maka berlaku

Untuk setiap lokal. Dengan

. Hal ini kontradiksi dengan asumsi bahwa demikian haruslah merupakan titik

adalah minimum minimum global.

Teorema 2.2: Misalkan S adalah himpunan buka yang konveks dan diferensiabel. Maka kondisi gradient berikut: adalah fungsi yang

adalah fungsi konveks jika dan hanya jika memenuhi

Bukti : Misalkan merupakan fungsi konveks. Maka untuk sebarang . Berlaku

Universitas Sumatera Utara

Yang mengakibatkan

Selanjutnya ambil

maka diperoleh

Ambil sembarang

dan dan

. Set

maka diperoleh

Ambil kombinasi konveks dari dua persamaan ini maka diperoleh

, Ini menunjukkan bahwa f adalah fungsi konveks.

Teorema 2.3: Misalkan S adalah himpunan buka yang konveks dan dapat diturunkan dua

kali. Misal H(x) adalah Hessian dari f. Jika f(x) konveks maka H(x) adalah positif semidefit untuk semua Bukti: () Perhatikan jika H(z) positif semidefinit untuk semua , deret Taylor orde dua memberikan , maka untuk setiap

Untuk suatu z yang merupakan kombinasi linear dari bahwa ). Karena H(z) positif semidefinit maka

(dengan demikian jelas

Dengan demikian pertidaksamaan gradien terpenuhi dan mengakibatkan f(x) merupakan fungsi konveks. () Jika f(x) konveks dengan cukup kecil, dan d sebarang arah. Maka untuk yang

. Dalam hal ini berlaku

dimana

Universitas Sumatera Utara

dengan menggunakan pertidaksamaan gradien maka diperoleh

Bagi pertidaksamaan ini dengan

dan ambil

, maka diperoleh

Maka H(x) adalah positif semidefinit untuk setiap

Teorema 2.4: Misalkan maka Bukti: Karena adalah minimum global maka x adalah minimum lokal, dengan demikian . Sebaliknya jika , maka berlaku konveks dan dapat diturunkan di X. Jika minimum global

jelas bahwa

Maka jelas bahwa

adalah titik minimum global.

2.4 Metode Newton

Persoalan nonlinear tidak berkendala mempunyai bentuk umum:

dimana dikatakan solusi fisibel. Jika optimal.

dan X adalah himpunan terbuka. Jika dan meminimumkan

maka x

maka x dikatakan solusi

Perhatikan bahwa semua titik minimum lokal diferensiabel dan kontinu f memenuhi syarat perlu

dari suatu fungsi yang

Persamaan ini merepresentasikan sebuah himpunan dari n buah persamaan nonlinear yang harus diselesaikan sehingga diperoleh .

Universitas Sumatera Utara

Salah satu pendekatan untuk masalah minimisasi f(x) adalah mencari solusi untuk himpunan untuk persamaan dengan memasukkan suatu cara untuk

menjamin bahwa solusi yang diperoleh tentunya merupakan sebuah minimum lokal. Metode tertua untuk menyelesaikan suatu himpunan persamaan nonlinear adalah metode Newton.

Perhatikan masalah optimisasi tanpa kendala berikut

Pada titik

, f(x) dapat dihampiri dengan

dimana hampiran ini dikenal sebagai ekspansi Taylor Kuadratik pada dan H(x) adalah vektor gradien dan Hessian dari fungsi f.

, dimana

Perhatikan bahwa h(x) adalah sebuah fungsi yang kuadratik yang dapat diminimisasi dengan menyelesaikan . Karena gradient dari h(x) adalah

Maka untuk memperoleh solusi cukup diselesaikan

Sehingga diperoleh

Perhatikan bahwa arah Algoritma metode Newton: Step 1 : Step 2 : Step 3 : Step 4 : Diberikan x0, set k=0 Set Set step size Set

disebut sebagai arah Newton di

. Jika

maka STOP

. Kembali ke step 1

Jika f(x) merupakan fungsi nonkuadratik, metode Newton dapat memberikan solusi yang divergen dan mungkin saja konvergen menuju titik saddle dan titik maksimum yang relatif. Bila hal tersebut terjadi maka metode Newton dapat diimprovisasi dengan mengubah formulasi untuk titik baru

Universitas Sumatera Utara

dimana

adalah panjangnya langkah tahapan yang minimum pada arah .

Jika kemiringan berubah-ubah pada setiap iterasi sehingga

Gambar 1.3 Metode Newton maka prosedur turunan kedua bisa didapatkan. Dari persamaan di atas kita mendapatkan

Sehingga Jadi, hasil prosedur iterasi sekarang adalah dengan dan ada, karena

2.5 Kekonvergenan

Kekonvergenan untuk barisan bilangan riil (Dennis dan Schnabel, 1983): Diberikan sebuah metode iterasi sehingga menghasilkan barisan titik sebuah titik awal diasumsikan bahwa , ingin diketahui apakah iterasi konvergen ke solusi menyatakan barisan bilangan riil dari . Jika , maka

definisi berikut menyatakan sifat yang dibutuhkan.

Universitas Sumatera Utara

Definisi 2.6 Jika konvergen ke jika maka barisan dikatakan

Jika dalam tambahan, ada sebuah konstanta sehingga untuk setiap

dan sebuah bilangan bulat

Teorema Weierstrass untuk barisan Misalkan adalah barisan tak terbatas (infinit) dari titik-titik dari suatu

himpunan compact F (yaitu himpunan yang tertutup dan terbatas). Maka sebagian subbarisan infinit dati titik-titik konvergen ke suatu titik di F.

Teorema Weierstrass untuk fungsi Misalkan f(x) adalah fungsi bernilai riil dan kontinu pada suatu himpunan compact yang tidak kosong . Maka F memuat suatu titik yang dapat meminimumkan

(atau memaksimumkan) f(x) pada himpunan F.

2.6 Metode Pengali Lagrange

Persamaan Lagrange dari persoalan nonlinear seperti yang telah dipaparkan pada bagian 2.1 yaitu sebagai berikut:

dimana

adalah tetapan-tetapan (yang tidak diketahui) yang disebut

pengali Lagrange. Kemudian kita pecahkan sistem n+m persamaan

(Bronson, 1996)

Universitas Sumatera Utara

2.7 Kondisi Karush-Kuhn Tucker

Tabel 1.1 Kondisi Perlu dan Cukup untuk Optimalitas Persoalan Kondisi perlu untuk optimalitas Satu variabel tidak berkendala Banyak variabel tidak berkendala Berkendala, hanya kendala nonnegatif (atau Persoalan umum berkendala jika ) f(x) konkaf dan konveks (i=1,2,,m) Kondisi Karush-Kuhn Tucker f(x) konkaf f(x) konkaf f(x) konkaf Juga cukup jika

Dari tabel di atas terlihat bahwa untuk kondisi persoalan umum disebut kondisi Karush-Kuhn Tucker (Hillier dan Lieberman,2005). Kondisi perlu dan cukup untuk sebagai solusi optimal untuk persoalan nonlinear berikut (Wallace,2004) :

subject to:

Untuk menggunakan hasil, semua kendala persoalan nonlinear harus kendala . Kendala dalam bentuk . Kendala dalam bentuk dengan dan harus ditulis sebagai

harus diganti (Winston dan

Venkataramanan, 2003). Teorema di bawah ini memberikan kondisi Kuhn-Tucker yang cukup bagi titik atas. untuk memecahkan persoalan nonlinear di

Universitas Sumatera Utara

Teorema 2.6: Andaikan persoalan nonlinear di atas adalah persoalan maksimisasi. Jika adalah solusi optimal dari persoalan tersebut, maka

harus memenuhi m kendala dan harus ada pengali yang memenuhi

Teorema 2.7: Andaikan persoalan nonlinear di atas adalah persoalan minimisasi. Jika adalah solusi optimal dari persoalan tersebut, maka

harus memenuhi m kendala dan harus ada pengali yang memenuhi

Skalar

disebut pengali Lagrange. Kondisi

disebut kondisi complementary slackness yang menyatakan dua kemungkinan yaitu: 1. Jika Jika maka maka kendala

2.8 Pemrograman Kuadratis

Menurut Rao (1977), pemrograman kuadratis merupakan persoalan optimasi nonlinear dimana fungsi tujuannya adalah fungsi minimisasi yang konveks dan semua

Universitas Sumatera Utara

kendalanya berbentuk persamaan atau pertidaksamaan linear. Bentuk umum persoalan pemrograman kuadaratis adalah sebagai berikut: Min. s.t

dimana

d11 d 21 d n1

d12 d 22 dn2

d1n d2n d nn

a11 a A = 21 am1

a12 a22 am 2

a1n a2 n amn

Pada fungsi tujuan di atas yaitu suku

menyatakan bagian kuadratis dari fungsi

tujuan dengan D adalah matriks definit positif simetri. Jika D=0 maka menjadi persoalan linear. Karena D adalah matriks definit positif maka f(x) adalah fungsi strictly convex.

Metode untuk menyelesaikan persoalan pemrograman kuadratis yaitu metode Wolfe. Pertama, semua fungsi tujuan dan kendala harus ditambahkan variabel buatan pada masing-masing kendala dengan kondisi Kuhn-Tucker dan variabel basis belum jelas kemudian minimumkan jumlah variabel buatan. Metode wolfe merupakan versi modifikasi dari fase I pada metode simplex dua fase. Untuk menjamin bahwa solusi akhir (dengan variabel buatan sama dengan nol) memenuhi kondisi complementary slackness, metode Wolfe memodifikasi pilihan variabel simplex yang masuk: 1. Tidak diperbolehkan variabel basis. 2. Tidak diperbolehkan variabel slack atau excess dari kendala ke-i dan kedua-duanya sebagai variabel basis. (Winston dan Venkataramanan, 2003) dari kendala ke-i dan kedua-duanya sebagai

Universitas Sumatera Utara

2.9 Metode Sequential Quadratic Programming

Menurut Bertsekas (2007), metode Sequential Quadratic Programming digunakan untuk menyelesaikan persoalan nonlinear yang memiliki kendala dalam bentuk persamaan dengan bentuk umum : Min. f(x) s.t. h(x)=0 Kondisi Karush-Kuhn Tucker (KKT) untuk persoalan ini yaitu sebagai berikut:

dimana

adalah pengali Lagrange dengan kendala yang berbentuk persamaan.

Jika menggunakan persamaan Lagrange

Kondisi Kuhn-Tucker dapat dituliskan sebagai berikut:

Metode Sequential Quadratic Programming menyerupai metode Newton yang digunakan untuk mencari penyelesaian pada optimisasi tidak berkendala.Metode ini menyelesaikan persoalan nonlinear secara langsung daripada mengubah ke barisan persoalan minimisasi yang tidak berkendala. Ide utama dari SQP adalah memodelkan persoalan kendala yang berbentuk persamaan pada titik awal pendekatan kemudian mencari

dengan subpersoalan pemrograman kuadratis berbentuk:

dimana

Metode Sequential Quadratic Programming atau yang juga dikenal sebagai metode Lagrange-Newton karena metode SQP merupakan penggabungan dari kedua metode tersebut. Algoritmanya secara umum adalah sebagai berikut:

Universitas Sumatera Utara

8. Tentukan 9. Atur k=0 10. Ulang 11. Pecahkan sistem Langrange-Newton untuk menemukan 12. 13. 14. Sampai konvergen Metode SQP merupakan aplikasi dari metode Newton dengan memenuhi kondisi optimal KKT. Menurut Gockenbach (2003), metode SQP memecahkan persoalan nonlinear secara langsung tanpa mengubah ke barisan persoalan minimisasi yang tidak berkendala. Ide dasar analog dengan metode Newton untuk persoalan minimisasi yang tidak berkendala. Metode SQP dapat digunakan untuk menyelesaikan persoalan aplikasi yang kompleksitasnya tinggi (Schittkowski dan Yuan, 2010)

Universitas Sumatera Utara