PENYELESAIAN MASALAH OPTIMASI LINEAR MENGGUNAKAN
METODE TITIK-INTERIOR PRIMAL-DUAL
DENGAN LANGKAH NEWTON-PENUH
BRAMMANTO PRATAMA BASKARA
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
ABSTRAK
BRAMMANTO PRATAMA BASKARA.Penyelesaian Masalah Optimasi Linear Menggunakan Metode Titik-Interior Primal-Dual dengan Langkah Newton-Penuh. Dibimbing oleh BIB
PARUHUM SILALAHI dan FARIDA HANUM.
Optimasi adalah suatu ilmu dari matematika terapan yang mempelajari masalah-masalah dengan tujuan mencari nilai maksimum atau minimum dari suatu fungsi yang memenuhi kendala-kendala. Sedangkan optimasi linear khusus mempelajari hal-hal yang berkaitan dengan memaksimumkan atau meminimumkan fungsi linear dengan kendala linear. Salah satu cara penyelesaian masalah optimasi linear adalah dengan menggunakan metode-metode titik-interior. Terdapat beberapa variasi dari metode titik-interior, dalam karya ilmiah ini dibahas mengenai metode titik-interior primal-dual dengan langkah Newton-penuh. Metode ini mengikuti suatu lintasan yang disebut dengan central path. Pergerakan central path akan dianalisis berdasarkan metode ini dan diimplementasikan dengan MATLAB. Dari hasil simulasi yang dilakukan, central path mendekati solusi optimal dari masalah optimasi linear.
ABSTRACT
BRAMMANTO PRATAMA BASKARA. Linear Optimization Problem Solving Using Primal-Dual Interior-Point Method with Full-Newton Steps. Supervised by BIB PARUHUM SILALAHI and FARIDA HANUM.
Optimization is a branch of applied mathematics, which studies problems in order to find the maximum or minimum value of a function that satisfies certain constraints. Especially, a linear optimization studies things that maximizes or minimizes a linear function with linear constraints. One of the ways for solving linear optimization problems is by using interior-point method. There are several variations of the point method, but the aim this paper is to discuss the interior-point method with primal-dual full-Newton steps. This method follows a guideline called the central path. The movement of the central path are analyzed by this method and implemented with MATLAB. Simulation result shows that the central path approaches the optimal solution of a linear optimization problem.
PENYELESAIAN MASALAH OPTIMASI LINEAR MENGGUNAKAN
METODE TITIK-INTERIOR PRIMAL-DUAL
DENGAN LANGKAH NEWTON-PENUH
BRAMMANTO PRATAMA BASKARA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains pada
Departemen Matematika
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
Judul Skripsi : Penyelesaian Masalah Optimasi Linear Menggunakan Metode
Titik-Interior Primal-Dual dengan Langkah Newton-Penuh
Nama
: Brammanto Pratama Baskara
NIM
: G54080056
Menyetujui
Pembimbing I,
Dr. Ir. Bib Paruhum Silalahi, M.Kom.
NIP: 19670101 199203 1 004
Pembimbing II,
Dra. Farida Hanum, M.Si.
NIP: 19651019 199103 2 002
Mengetahui:
Ketua Departemen,
Dr. Berlian Setiawaty, M.S.
NIP: 19650505 198903 2 004
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan karunia-Nya serta selawat dan salam kepada Nabi Muhammad SAW sehingga karya ilmiah ini berhasil diselesaikan. Penyusunan karya ilmiah ini tidak lepas dari peranan berbagai pihak. Untuk itu penulis mengucapkan terima kasih yang setinggi-tingginya kepada:
1. Keluargaku tersayang: Bunda Neneng Suprihatin dan Ayah Dwi Heriyanto (terima kasih atas doa, cinta yang tulus, dukungan, kesabaran, dan kepercayaannya), ketiga adikku (terima kasih atas doa, dukungan, dan motivasinya), serta keluarga besar baik dari Bunda maupun Ayah (terima kasih atas doanya),
2. Para donatur dan staf program beasiswa Yayasan Karya Salemba Empat, terima kasih atas doa, motivasi, dan bantuan finansial selama perkuliahan,
3. Dr. Ir. Bib Paruhum Silalahi, M.Kom.selaku dosen pembimbing I yang telah mencurahkan segala ilmu, motivasi, kesabaran, dan bantuannya untuk menyelesaikan karya ilmiah ini, 4. Dra. Farida Hanum, M.Si. selaku dosen pembimbing II (terima kasih atas ilmu, kesabaran,
kritik, saran, dan dukungannya),
5. Dr. Ir. Fahren Bukhari, M.Sc.selaku penguji (terima kasih atas dorongan semangat, ilmu, dan sarannya),
6. segenap dosen Departemen Matematika: Bu Anggi, Pak Kutha, Pak Wayan, Pak Amril, Pak Prapto, Pak Jahar, Bu Endar, Bu Sri, dan lainnya (terima kasih atas semua ilmu yang telah diberikan),
7. staf Departemen Matematika: Pak Yono, Bu Susi, Mas Heri, Alm. Pak Bono, Bu Ade, Pak Deni, dan lainnya (terima kasih atas bantuan dan motivasinya),
8. kakak-kakak Matematika angkatan 42, 43, dan 44 yang memberikan inspirasi untuk menjadi pribadi yang lebih baik,
9. teman-teman seperjuangan, Matematika angkatan 45: Haya, Irwan, Rini, Arbi, Ari, Chastro, Dimas, Dini, Dono, Fenny, Fikri, Tiwi, Fina, Fuka, Haryanto, Herlan, Heru, Ijun, Irma, Khafidz, Kunedi, Mega, Prama, Rian, Ridwan, Roni, Yunda, dan yang lainnya yang selalu mengisi semangat,
10. adik-adik Matematika angkatan 46, 47, dan 48 yang terus mendukung agar berkembang, 11. Gugus Mahasiswa Matematika (Gumatika) yang memberikan pengalaman baru, 12. dan semua pihak yang membantu dalam penyusunan skripsi ini.
Semoga karya ilmiah ini bermanfaat bagi dunia ilmu pengetahuan khususnya matematika dan menjadi inspirasi bagi penelitian-penelitian selanjutnya.
Bogor, Maret 2013
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 5 Desember 1989 dari pasangan Bapak Dwi Heriyanto dan Ibu Neneng Suprihatin. Penulis merupakan putra pertama dari empat bersaudara.
Tahun 2002 penulis lulus dari SD Negeri Polisi 5 Bogor, tahun 2005 lulus dari SMP Negeri 7 Bogor, tahun 2008 penulis lulus dari SMA Negeri 5 Bogor, dan pada tahun yang sama diterima sebagai mahasiswa IPB melalui jalur Undangan Seleksi Masuk IPB (USMI). Penulis memilih mayor Matematika minor Kewirausahaan Agribisnis, Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama mengikuti perkuliahan, penulis menjadi asisten mata kuliah Pengantar Metode Komputasi (S1) pada semester ganjil tahun akademik 2010-2011, 2011-2012, dan 2012-2013 serta asisten mata kuliah Pemrograman Linear (S1) pada semester genap tahun akademik 2010-2011. Pada tahun 2010-2013 penulis mendapatkan beasiswa dari Yayasan Karya Salemba Empat.
DAFTAR ISI
Halaman
DAFTAR GAMBAR ... ix
DAFTAR LAMPIRAN ... ix
I PENDAHULUAN 1.1Latar Belakang ... 1
1.2 Tujuan Penelitian ... 1
II TINJAUAN PUSTAKA 2.1 Maksimum dan Minimum Lokal ... 2
2.2 Metode Pengali Lagrange ... 2
2.3 Metode Newton ... 2
2.4 Aljabar Linear ... 3
2.5 Matriks ... 5
2.6 Matriks Diagonal ... 5
2.7 Sistem Persamaan Linear ... 5
2.8 Ortogonalitas ... 6
2.9 Optimasi Linear ... 6
2.10 Bentuk Standar Primal dan Bentuk Standar Dual ... 7
III HASIL DAN PEMBAHASAN 3.1 Pendekatan Barrier dan Kondisi Fisibel Titik-Interior ... 7
3.2 Central Path ... 9
3.3 Langkah Newton-Penuh ... 10
3.4 Transformasi Vektor , dan ke Vektor dan dalam Sistem (3.5) ... 11
3.5 Langkah Newton-Penuh dari Titik di Daerah Fisibel ke -center ... 12
3.6 Algoritme untuk Metode Titik-Interior Primal-Dual ... 13
IV APLIKASI DAN IMPLEMENTASI ... 14
V SIMPULAN DAN SARAN 5.1 Simpulan ... 16
5.2 Saran ... 16
DAFTAR PUSTAKA ... 16
LAMPIRAN ... 17
DAFTAR GAMBAR
Halaman
1 Central path ... 7
2 Pola titik di sekitar central path ketika dari contoh kasus ke-1 ... 14
3 Pola titik di sekitar central path ketika dari contoh kasus ke-1 ... 14
4 Pola titik di sekitar central path ketika dari contoh kasus ke-1 ... 14
5 Pola titik di sekitar central path ketika dari contoh kasus ke-2 ... 15
6 Pola titik di sekitar central path ketika dari contoh kasus ke-2 ... 15
7 Pola titik di sekitar central path ketika dari contoh kasus ke-2 ... 15
DAFTAR LAMPIRAN
Halaman 1 Transformasi Persamaan (10) menjadi Persamaan (11)... 182 Transformasi Sistem (3.5) menjadi Sistem (3.7) ... 18
3 Penentuan Solusi , , dan ... 21
4 Program MATLAB untuk contoh kasus ke-1 ... 23
5 Program MATLAB untuk contoh kasus ke-2 ... 25
6 Program MATLAB untuk Newton_step ... 27
I
PENDAHULUAN
1.1Latar BelakangOptimasi adalah suatu bidang dari
matematika terapan yang mempelajari
masalah-masalah yang bertujuan mencari nilai minimum atau maksimum suatu fungsi, dengan memenuhi kendala-kendala yang ada.
Optimasi linear khusus mempelajari hal-hal yang berkaitan dengan meminimumkan atau memaksimumkan fungsi-fungsi linear, dengan kendala yang juga linear (berupa persamaan atau pertidaksamaan).
Optimasi linear muncul menjadi suatu model matematika pada situasi perang dunia II, ketika Dantzig (1947) mengajukan
penggunaan metode simpleks untuk
menyelesaikan masalah pemrograman linear. Saat itu kata pemrograman tidak berarti
penulisan program komputer, seperti
penggunaan secara umum kata pemrograman saat ini. Untuk menghindarkan kerancuan, pada saat ini makin banyak orang yang lebih senang menggunakan kata optimasi daripada
pemrograman (Silalahi 2011). Sebuah
organisasi dalam bidang matematika
optimasi, Mathematical Programming
Society, sekarang telah berubah nama menjadi Mathematical Optimization Society.
Daerah fisibel dari masalah optimasi linear adalah suatu polihedron. Metode simpleks bergerak dari verteks ke verteks untuk memperoleh solusi optimal. Metode ini dirancang sedemikian rupa sehingga nilai dari fungsi objektif berubah secara monoton ke arah nilai optimal. Penemuan Dantzig telah
menginspirasi banyak penelitian dalam
matematika, khususnya bidang optimasi. Metode simpleks merupakan suatu algoritme yang efisien untuk menyelesaikan masalah optimasi linear (Nematollahi & Terlaky 2008). Terdapat banyak variasi dari metode simpleks. Variasi-variasi tersebut dibedakan oleh aturan untuk memilih verteks yang akan dikunjungi yang biasa disebut aturan pivot.
Keefisienan metode simpleks untuk
menyelesaikan banyak problem optimasi linear, memunculkan pertanyaan saat itu: apakah ada masalah optimasi linear yang memerlukan iterasi yang eksponensial bila diselesaikan dengan metode simpleks. Per-tanyaan ini dijawab oleh Klee dan Minty pada tahun 1972, dengan memberikan suatu contoh
masalah optimasi linear yang memiliki
pertidaksamaan dan memerlukan
iterasi (Silalahi 2011). Hal ini memacu
penelitian-penelitian untuk menemukan
algoritme optimasi linear yang memerlukan iterasi yang polinomial (Silalahi 2011).
Metode elipsoid yang diusulkan oleh
Khachiyan pada tahun 1979 dapat
menyelesaikan masalah optimasi linear
dengan kompleksitas polinomial. Meskipun
metode elipsoid memiliki kompleksitas
polinomial, namun dalam penerapan secara
komputasi metode ini tidak efisien.
Kekonvergenan metode ini lebih lambat dari metode simpleks (Silalahi 2011).
Metode proyektif yang dipaparkan oleh
Karmarkar pada tahun 1984 dapat
menyelesaikan masalah optimasi linear
dengan kompleksitas yang lebih efisien daripada metode elipsoid. Metode proyektif Karmarkar memulai revolusi dalam bidang optimasi karena memunculkan sesuatu yang
disebut interior-point methods (metode–
metode titik-interior). Berbeda dengan metode simpleks yang bergerak dari verteks ke verteks, metode–metode titik-interior bergerak di interior dari domain untuk menemukan nilai optimal (Silalahi 2011). Ada beberapa variasi dari metode titik-interior, di antaranya
metode path-following, dengan penentuan
solusi optimal menggunakan central path. Dalam karya ilmiah ini akan dibahas algoritme primal-dual Newton-penuh dengan central path untuk menentukan solusi optimal dari masalah optimasi linear. Sumber utama karya ilmiah ini adalah buku berjudul Interior Point Methods for Linear Optimization (Roos et al. 2006).
1.2Tujuan Penelitian
Tujuan dari karya ilmiah ini ialah sebagai berikut:
1. menjelaskan dan mengonstruksi kembali
langkah Newton-penuh pada metode titik-interior primal-dual,
2. menganalisis pergerakan central path
terhadap masalah optimasi linear
berdasarkan metode titik-interior primal-dual dengan ..langkah-lnNewton-penuh
dan mengimplementasikannya dengan
II
TINJAUAN PUSTAKA
2.1Maksimum dan Minimum LokalSalah satu penggunaan turunan adalah penentuan nilai maksimum dan minimum dari suatu fungsi. Pada subbab ini, turunan parsial akan digunakan untuk menentukan nilai maksimum dan nilai minimum dari fungsi dua
variabel. Misalkan fungsi adalah fungsi dua
variabel yang memuat variabel dan .
Andaikan nilai variabel berubah-ubah
sedangkan nilai variabel tetap, dapat
dikatakan dengan adalah konstanta
sehingga fungsi dapat dipandang sebagai
fungsi dengan variabel tunggal , yaitu
. Andaikan juga fungsi
mempunyai turunan di sehingga dapat
dinotasikan yang berarti
turunan parsial dari terhadap di .
Definisi 1(Maksimum Lokal)
Fungsi dua variabel mempunyai
maksi-mum lokal di jika
ketika dekat untuk semua titik di dalam suatu cakram dengan pusat .
(Stewart 2000) Definisi 2(Minimum Lokal)
Fungsi dua variabel mempunyai minimum lokal di jika ketika dekat untuk semua titik di
dalam suatu cakram dengan pusat .
(Stewart 2000)
Teorema 1
Jika mempunyai maksimum atau
minimum lokal di dan turunan parsial
orde pertama dari ada di maka
dan .
(Stewart 2000)
Teorema 2 (Uji Turunan Kedua) Misalkan turunan parsial kedua dari
kontinu pada cakram dengan pusat serta
dan . Misalkan
1. Jika dengan
maka adalah nilai minimum lokal.
2. Jika dengan
maka adalah nilai maksimum
lokal.
3. Jika maka bukan nilai maksimum lokal atau nilai minimum lokal. (Stewart 2000)
2.2Metode Pengali Lagrange
Metode pengali Lagrange adalah suatu prosedur untuk menentukan maksimum atau minimum fungsi objektif terhadap kendala persamaan. Misalkan diberikan masalah pengoptimuman sebagai berikut
maks
terhadap ,
dengan dan adalah fungsi dari
vektor berukuran .
Fungsi Lagrange dari masalah ini ialah ∑
dengan variabel adalah pengali Lagrange.
Syarat perlu untuk titik stasioner dari adalah turunan parsial pertama dari fungsi Lagrange sama dengan nol
(Jensen & Bard 2002)
2.3Metode Newton
Metode Newton adalah salah satu prosedur iteratif untuk menyelesaikan masalah tak-linear. Misalkan persamaan adalah
persamaan taklinear dengan merupakan
penyelesaian dari persamaan tersebut. Fungsi adalah fungsi yang kontinu dan terturunkan.
Pada solusi eksak , nilai fungsi dapat
dinyatakan sebagai dan nilai dari fungsi
turunan pertama adalah . Nilai
adalah solusi yang diperoleh pada iterasi ke-. Misalkan , turunan dapat diartikan
sebagai laju perubahan terhadap .
Andaikan berubah dari ke maka
perubahan pada adalah .
Perubahan ini diperlukan untuk mengubah
nilai fungsi menuju nol. Selanjutnya,
metode Newton dapat diturunkan dari ekspansi deret Taylor orde pertama dari di sekitar , sebagai berikut
sehingga
( )
Tetapkan pendekatan sama dengan 0
3
Titik adalah solusi pendekatan
fungsi . Jika titik awal cukup dekat
dengan maka nilai dari akan mendekati
dengan .
Metode Newton dapat juga digunakan untuk mengubah bentuk suatu fungsi taklinear menjadi bentuk fungsi linear dari fungsi
multivariabel. Misalkan persamaan
adalah persamaan taklinear dengan vektor dari persamaan multivariabel tersebut dan matriks Jacobi pada dinyatakan sebagai berikut ( ) kemudian dengan menggunakan deret Taylor orde pertama di sekitar titik dan dengan
menetapkan diperoleh
dengan dan .
Titik adalah solusi pendekatan
fungsi . Jika titik cukup dekat dengan
titik maka nilai dari akan mendekati
dengan (Jensen & Bard 2002).
Contoh 1
Diketahui suatu fungsi taklinear
dengan hampiran awal
. Metode Newton dapat digunakan
untuk mengubah bentuk fungsi taklinear
menjadi fungsi linear sebagai
berikut
dengan ( ) dan
(
) saat sehingga diperoleh
( )( )
( )
Jadi fungsi taklinear dapat diubah
menjadi fungsi linear .
2.4Aljabar Linear
Definisi 3(Ruang Vektor)
Misalkan adalah himpunan dengan
pendefinisian operasi penjumlahan dan
operasi perkalian dengan skalar. Setiap
pasangan elemen dan di dalam terdapat
suatu elemen yang tunggal juga berada di dalam serta setiap elemen di dalam dan setiap skalar terdapat yang tunggal
juga berada di dalam . Himpunan dengan
operasi penjumlahan dan operasi perkalian dengan skalar ini dinamakan ruang vektor jika memenuhi aksioma berikut
1. , .
2. , . 3. Terdapat sehingga
, .
4. Untuk setiap , terdapat
sehingga .
5. , dan skalar .
6. , dan skalar serta skalar .
7. , dengan skalar dan skalar .
8. , .
Elemen dalam adalah vektor sedangkan
simbol menyatakan vektor nol.
(Leon 1998) Contoh 2
Misalkan dengan
menyatakan himpunan vektor berukuran dengan entri bilangan real. Misalkan vektor
[ ], [ ] elemen dari .
4 [ ]
dan operasi perkalian dengan skalar
[ ] [
]
maka himpunan adalah ruang vektor.
Contoh 3
Misalkan menyatakan himpunan
matriks berukuran dengan entri
bilangan real. Misalkan matriks ,
dengan [ ] [ ]
Didefinisikan operasi penjumlahan [ ]
dan operasi perkalian dengan skalar
[
]
maka himpunan adalah ruang vektor.
Definisi 4(Ruang Bagian)
Jika adalah himpunan bagian takkosong
dari suatu ruang vektor dan memenuhi
syarat-syarat berikut
1. jika untuk sembarang skalar ,
2. jika dan , maka disebut ruang bagian dari .
(Leon 1998)
Definisi 5(Kombinasi Linear)
Misalkan adalah
vektor-vektor dalam suatu ruang vektor-vektor . Jumlah
vektor-vektor yang berbentuk
dengan skalar-skalar disebut kombinasi linear dari .
(Leon 1998)
Definisi 6(Rentang)
Misalkan adalah
vektor-vektor dalam suatu ruang vektor-vektor . Himpunan
semua kombinasi linear dari disebut rentang (span) dari vektor-vektor
yang dituliskan sebagai Rentang ( ).
(Leon 1998)
Definisi 7(Himpunan Perentang)
Himpunan { } disebut
himpunan perentang untuk jika dan hanya
jika setiap vektor dalam dapat ditulis
sebagai kombinasi linear dari . (Leon 1998)
Definisi 8(Bebas Linear)
Vektor-vektor dalam
ruang vektor disebut bebas linear jika
mengakibatkan semua skalar-skalar
harus sama dengan nol. (Leon 1998)
Definisi 9(Basis)
Vektor-vektor
mem-bentuk basis untuk ruang vektor jika dan hanya jika
1. bebas linear, 2. merentang .
(Leon 1998)
Definisi 10 (Dimensi)
Misalkan adalah ruang vektor. Jika memiliki basis yang terdiri atas vektor,
maka dikatakan memiliki dimensi .
(Leon 1998)
Definisi 11 (Ruang Baris)
Misalkan matriks berukuran dan
diketahui ruang vektor menyatakan
himpunan semua vektor berukuran
dengan entri bilangan real. Ruang bagian dari yang direntang oleh vektor-vektor baris dari disebut ruang baris dari .
(Leon 1998)
Definisi 12 (Pangkat)
Pangkat dari matriks adalah dimensi dari ruang baris .
5
Definisi 13 (Pangkat Penuh dan Pangkat Baris Penuh)
Pangkat penuh dari suatu matriks
dengan baris dan kolom adalah
sedangkan pangkat baris penuh dari matriks adalah .
(Leon 1998)
2.5Matriks
Definisi 14 (Matriks Identitas)
Matriks identitas adalah matriks ( ) yang berukuran , dengan
{
(Leon 1998)
Definisi 15 (Invers dari Suatu Matriks)
Suatu matriks yang berukuran
dikatakan taksingular jika terdapat matriks
sehingga . Matriks dikatakan
invers multiplikatif dari matriks . Invers multiplikatif dari matriks taksingular secara sederhana disebut juga sebagai invers dari matriks dan dinotasikan dengan .
(Leon 1998)
Definisi 16 (Transpos dari suatu Matriks) Transpos dari suatu matriks ( )
yang berukuran adalah matriks
( ) yang berukuran yang didefinisikan oleh
untuk setiap dan . Transpos dari
dinotasikan oleh .
(Leon 1998)
Definisi 17 (Matriks Simetris)
Suatu matriks berukuran disebut
matriks simetris jika .
(Leon 1998)
2.6Matriks Diagonal
Matriks diagonal adalah matriks berukuran yang semua unsur selain diagonal utama ialah nol. Matriks diagonal berukuran dapat ditulis sebagai
[ ]
dengan , , , disebut unsur diagonal
utama. Matriks diagonal memiliki invers
yang dapat dinyatakan sebagai
(
)
dengan semua unsur diagonal utama adalah taknol sehingga . Matriks dapat dikatakan matriks simetris karena
(Anton & Rorres 2005).
2.7Sistem Persamaan Linear
Definisi 18 (Persamaan Linear)
Suatu persamaan linear dalam variabel adalah persamaan dengan bentuk
dengan , , …, , dan adalah
bilangan-bilangan real dan , , …, adalah
variabel.
(Leon 1998)
Definisi 19 (Sistem Persamaan Linear) Suatu sistem persamaan linear (SPL) dari persamaan dalam variabel adalah suatu sistem berbentuk
dengan dan ( , )
adalah bilangan-bilangan real dan , , …,
adalah variabel. SPL tersebut disebut sebagai SPL berukuran .
Penyelesaian SPL berukuran adalah
sebuah vektor kolom berukuran , yaitu
[ ],
yang memenuhi semua persamaan linear dalam sistem. Vektor yang demikian disebut sebagai vektor penyelesaian.
(Leon 1998)
Selain itu, SPL berukuran tersebut juga dapat ditulis dalam bentuk
dengan matriks dan vektor kolom
(masing-masing berukuran dan )
adalah
6
[
]
[ ]
Matriks disebut sebagai matriks koefisien,
sedangkan vektor kolom disebut sebagai
vektor konstanta.
(Leon 1998)
Definisi 20 (Kekonsistenan suatu Sistem Persamaan Linear)
Suatu SPL dikatakan konsisten jika mempunyai paling sedikit satu penyelesaian, sedangkan suatu SPL yang tidak mempunyai penyelesaian dikatakan takkonsisten.
(Leon 1998)
2.8 Ortogonalitas
Definisi 21 (Hasil Kali Skalar di )
Misalkan dengan
[ ] [ ]
maka hasil kali skalar dari dan adalah
(Leon 1998)
Definisi 22 (Hasil Kali Hadamard)
Diketahui dan adalah ruang
vektor. Vektor dan matriks . Jika dan didefinisikan sebagai
[ ] [ ]
dan adalah matriks diagonal dengan unsur diagonal utama ialah elemen vektor sehingga
[ ]
[ ]
maka hasil kali Hadamard dari dan adalah
Dengan perkataan lain, hasil kali
Hadamard adalah perkalian antara unsur dengan unsur yang seletak (componentwise) dari dua buah vektor yang berukuran sama. Selanjutnya dalam karya ilmiah ini, hasil kali Hadamard dinotasikan sebagai (Roos et al. 2006).
Contoh 4(Hasil Kali Hadamard)
Misalkan serta
dengan [ ], [ ], ,
. Hasil kali Hadamard dari dan dinyatakan sebagai
[
] [ ] [ ]
[ ] [
] [ ] . Dapat juga ditulis sebagai berikut
[ ] [ ] [ ]
[ ] [ ] [ ]
Definisi 23 (Norm dari suatu Vektor di )
Misalkan dengan
[ ]
maka norm dari vektor di adalah
‖ ‖ √ √ (Leon 1998)
2.9Optimasi Linear
Optimasi adalah suatu bidang dari
matematika terapan yang mempelajari
masalah-masalah yang bertujuan mencari nilai minimum atau maksimum suatu fungsi, dengan memenuhi kendala-kendala yang ada.
7
Definisi 24 (Daerah Fisibel)
Daerah fisibel dari masalah optimasi linear adalah himpunan titik-titik yang memenuhi semua kendala dan pembatasan tanda pada optimasi linear tersebut.
(Winston 2004)
Definisi 25 (Solusi Optimal)
Untuk masalah maksimisasi, solusi
optimal pada optimasi linear adalah suatu titik pada daerah fisibel dengan nilai fungsi objektif paling besar sedangkan untuk masalah minimisasi, solusi optimal pada optimasi linear adalah suatu titik pada daerah fisibel dengan nilai fungsi objektif paling kecil.
(Winston 2004)
2.10Bentuk Standar Primal dan Bentuk Standar Dual
Masalah optimasi linear dalam bentuk standar diberikan sebagai berikut
min{ }
dengan vektor , serta
adalah matriks berpangkat baris
penuh. Masalah disebut masalah primal.
Masalah dual dari masalah primal diberikan sebagai berikut
maks { }
dengan dan . Masalah
disebut masalah dual.
Daerah fisibel dari masalah
didefinisi-kan sebagai
{ }
sedangkan daerah fisibel dari didefinisi-kan sebagai
{ }
Daerah interior masalah didefinisikan
sebagai berikut
{ } sedangkan daerah interior dari masalah didefinisikan sebagai
{ } (Silalahi 2011)
Proposisi 1(Dualitas Lemah)
Misalkan adalah solusi fisibel untuk
dan adalah solusi fisibel untuk
maka . disebut
kesenjangan dualitas. Akibatnya, adalah
batas atas untuk nilai optimal dari , jika
ada, serta adalah batas bawah untuk nilai
optimal dari , jika ada. Selanjutnya, jika kesenjangan dualitas adalah nol maka
adalah solusi optimal dari dan
adalah solusi optimal dari .
(Roos et al. 2006)
Teorema 3 (Dualitas)
Jika dan fisibel maka kedua
masalah tersebut mempunyai solusi optimal; kemudian, dan adalah solusi optimal jika dan hanya jika .
(Roos et al. 2006)
Definisi 26 (Central Path)
Central path adalah suatu kurva yang bergerak dari bagian dalam pada daerah fisibel menuju solusi optimal.
(Silalahi 2011)
Gambar 1Central path.
III
HASIL DAN PEMBAHASAN
3.1Pendekatan Barrier dan Kondisi Fisibel Titik-Interior
Berdasarkan Teorema 3, penentuan solusi
optimal dari dan setara dengan
penyelesaian sistem berikut:
, , (1)
, , (2) (3.1)
, (3)
dengan vektor-vektor , sedangkan
vektor-vektor , serta matriks
adalah matriks berpangkat baris penuh. Hasil kali pada sistem (3.1) adalah hasil kali Hadamard dari vektor dan vektor
. Simbol adalah vektor nol. Perkalian
8
Sistem (3.1) adalah kondisi optimal untuk masalah primal-dual. Persamaan (1) pada sistem (3.1) adalah kendala fisibel untuk
masalah primal dan persamaan (2)
merupakan kendala fisibel untuk masalah dual . Persamaan (3) dari sistem (3.1) adalah kendala pelengkap. Kendala taknegatif dalam kondisi fisibel membuat penyelesaian dari masalah menjadi taktrivial, hanya metode iteratif yang dapat memperoleh solusi dari sistem linear yang melibatkan kendala pertaksamaan (Silalahi 2011).
Persamaan (3) dari sistem (3.1) merupakan persamaan taklinear sehingga diperlukan suatu pendekatan untuk menentukan solusi agar sistem (3.1) menjadi optimal. Salah satu pendekatan yang dapat digunakan adalah pendekatan barrier. Ide pendekatan barrier diperkenalkan oleh Frisch pada tahun 1955 (Roos et al. 2006). Metode ini bermula dari suatu titik di interior dari pertidaksamaan dan , lalu dikonstruksi barrier sedemikian rupa sehingga variabel tidak menyentuh batas daerah fisibel.
Penambahan ke fungsi objektif
merupakan salah satu cara dari pendekatan barrier ini. Penambahan menyebabkan nilai fungsi objektif mengalami kenaikan atau penurunan tanpa batas (apabila atau ). Kesulitan dari ide ini ialah jika titik optimal berada pada batas, misalnya satu atau lebih . Untuk mengatasi kesulitan ini,
digunakan parameter untuk menentukan
nilai maksimum atau minimum fungsi objektif dari bentuk barrier.
Masalah primal-barrier ditulis sebagai berikut
minimumkan ∑ ( )
terhadap
dan masalah dual-barrier dapat ditulis sebagai berikut
maksimumkan ∑ ( )
terhadap .
Masalah tersebut memiliki fungsi objektif yang taklinear dengan kendala persamaan linear, sehingga dapat diselesaikan dengan metode Lagrange untuk tetap.
Misalkan adalah fungsi Lagrange
masalah primal.
∑ ( )
Fungsi diturunkan secara parsial terhadap dan dengan . Pertama, fungsi diturunkan terhadap dengan ∑ ∑
Kemudian fungsi diturunkan terhadap
dengan ∑
Fungsi adalah fungsi Lagrange masalah
dual.
∑ ( )
Fungsi diturunkan secara parsial terhadap , , dan dengan . Pertama,
fungsi diturunkan terhadap dengan
Selanjutnya fungsi diturunkan terhadap dengan
9
∑
Kemudian fungsi diturunkan terhadap
dengan ∑
Variabel dual merupakan pengali Lagrange
untuk masalah primal dan variabel primal merupakan pengali Lagrange untuk masalah dual.
Kendala pelengkap diganti menjadi
, agar solusi sistem dari sistem yang baru mendekati solusi sistem (3.1), dengan
parameter adalah sembarang bilangan
positif dan adalah vektor yang semua
unsurnya bernilai satu. Kendala ini
disebut juga kondisi-pemusat pada
(Silalahi 2011).
Dengan demikian, sistem (3.1) menjadi sistem yang baru
, ,
, , (3.2)
, (4)
dengan vektor-vektor , sedangkan
vektor-vektor , serta matriks
adalah matriks berpangkat baris
penuh. Vektor adalah vektor yang semua
unsurnya bernilai satu dengan . Sistem
ini merupakan kondisi optimal untuk masalah minimisasi (Silalahi 2011).
Jika sistem (3.2) memiliki solusi untuk beberapa nilai positif dari parameter maka
daerah fisibel primal mengandung vektor
positif, dan daerah fisibel dual mengandung
pasangan dengan vektor positif
sehingga daerah fisibel dan daerah fisibel mengandung vektor positif. Hal tersebut
merupakan kondisi fisibel titik-interior.
Demikian juga sebaliknya, jika daerah fisibel
dan mengandung vektor positif maka
sistem (3.2) memiliki solusi untuk setiap positif. Hal ini merupakan konsekuensi dari teorema berikut.
Teorema 4
Misalkan . Daerah fisibel dan mengandung vektor positif jika dan hanya jika sistem (3.2) memiliki solusi yang tunggal.
(Roos et al. 2006).
3.2Central Path
Pada kondisi fisibel titik-interior, sistem (3.2) memiliki solusi tunggal untuk setiap nilai positif dari . Solusi ini dinotasikan sebagai , dan . Solusi
adalah -center dari dan solusi
( ) adalah -center dari .
Himpunan { } merupakan suatu
kurva di yang disebut central path dari . Demikian pula dengan himpunan {( ) } merupakan suatu kurva di yang disebut central path dari (Silalahi 2011).
Jika maka
masing-masing konvergen ke analytic center
dari dan .Definisi dari analytic center
adalah sebagai berikut. Definisi 27 (Analytic Center)
Misalkan notasi { } adalah
yang memaksimumkan nilai fungsi .
Analytic center primal adalah { } sedangkan analytic center dual adalah { }
(Silalahi 2011) Contoh 5
Misalkan diberikan masalah optimasi linear berikut:
minimumkan
terhadap
Masalah pada Contoh 5 dapat ditulis dalam bentuk standar dual sebagai berikut:
maksimumkan
terhadap
...
Penentuan analytic center dual adalah sebagai berikut
{ } dengan
10
[ ]
{ [ ] [ ] [ ] [ ] }
sehingga { } menjadi
dengan .
Berdasarkan Teorema 1 untuk menentukan nilai maksimum diperoleh
Titik kritis fungsi adalah . Selanjutnya uji titik kritis dengan uji turunan kedua sebagai berikut
dan . Kemudian ditentukan ( ) .
( )
( )
lalu ditentukan ,
( )
sehingga dari Teorema 2 titik adalah titik maksimum lokal.
Jadi nilai analytic center dual dari Contoh 5
adalah .
3.3Langkah Newton-Penuh
Langkah Newton-penuh merupakan
metode yang dapat digunakan untuk mencari pendekatan penyelesaian sistem (3.2), untuk
suatu yang tetap. Misalkan diberikan
pasangan solusi fisibel primal-dual ( ). Akan didefinisikan, pencarian arah , ,
dan sehingga
memenuhi (3.2). Dengan perkataan lain,
(5)
(6) (3.3) (7)
dengan , , , , , , , , dan . Pada persamaan (7) berlaku hasil
kali Hadamard. Diketahui dan
. Dari persamaan (5) diperoleh,
Dari persamaan (6),
Dari persamaan (7),
11
sehingga sistem (3.3) setara dengan
.(8)
.(9) (3.4) (10)
Pada sistem (3.4), persamaan (10) adalah persamaan taklinear karena mengandung
bentuk sehingga metode Newton
diperlukan untuk mengubah bentuk
persamaan (10) menjadi persamaan linear sebagai berikut (penghitungan lengkap lihat Lampiran 1)
Jadi sistem (3.4) dapat ditulis kembali sebagai sistem berikut
(11)
(3.5)
Sedangkan solusi sistem (3.5) dapat diketahui dari teorema berikut.
Teorema 5 (Solusi Sistem (3.5))
Sistem (3.5) memiliki solusi yang tunggal, yaitu
(Roos et al. 2006)
Solusi , , dan dinamakan arah Newton primal-dual. Dengan mengambil langkah sepanjang arah Newton primal-dual, diperoleh nilai , , dan yang baru dengan
notasi , , dan sehingga diperoleh
solusi yang baru sebagai berikut
(3.6)
Solusi , , dan disebut langkah
Newton-penuh.
3.4Transformasi Vektor , dan ke Vektor dan dalam Sistem (3.5)
Pada proses central path menuju solusi optimal, transformasi vektor , dan
menjadi dan diperlukan untuk
membangkitkan suatu urutan titik dalam
lingkungan central path. Dalam melakukan
transformasi ini, berlaku hasil kali Hadamard. Sama halnya dengan hasil kali Hadamard, yaitu perkalian unsur dengan unsur yang seletak (componentwise) antara dua vektor, hasil bagi dari dua vektor berukuran sama juga berlaku pembagian unsur dengan unsur
yang seletak (componentwise) antara dua
vektor. Sebelum melakukan transformasi pada
sistem (3.5), terlebih dahulu akan
didefinisikan vektor-vektor , , , dan
matriks √ ⁄ . Pendefinisian
vektor-vektor ini berdasarkan Roos et al. tahun 2006.
√ √ ...(12)
√ √ √
√ ...(13)
√ √ ...(14) Persamaan (12) dapat ditulis sebagai
√
√ √
kemudian √ √ disubstitusi ke per-samaan (13), diperoleh
√ √ √ √ √ √ √
Misalkan , kemudian substitusi
persamaan (12), vektor menjadi
√
√ √ √
Misalkan
√ dinotasikan sebagai vektor . Dengan manipulasi aljabar diperoleh
√ √ √ √
...(15)
Persamaan (12) dapat ditulis kembali sebagai
√
√ √
Kemudian √ √ disubstitusi ke
per-samaan (13), diperoleh √ √
√ √
Misalkan , kemudian substitusi
persamaan (12), vektor menjadi
√ √ √ √ Misalkan
12 √ √ √ √ ...(16)
Dari persamaan (8) dengan substitusi persamaan (15) diperoleh
Kemudian substitusi persamaan (13) menjadi
√
Dari persamaan (9) dengan substitusi
persamaan (14) dan persamaan (16) diperoleh,
√
√
Kemudian substitusi persamaan (13)menjadi √
√
Selanjutnya persamaan (11) dengan substitusi persamaan (15) dan persamaan (16) diperoleh,
Lalu substitusi vektor menjadi
√
sehingga sistem (3.5) setara dengan sistem hasil transformasi berikut (bukti Lampiran 2)
(3.7)
3.5Langkah Newton-Penuh dari Titik di Daerah Fisibel ke -center
Solusi , , dan dapat ditentukan berdasarkan pemisalan berikut.
Misalkan persamaan ketiga pada sistem (3.7) dapat ditulis sebagai (bukti Lampiran 3) ...(17) persamaan (1) dapat ditulis sebagai
...(18) dan persamaan (3) menjadi
...(19) Selanjutnya, akan ditentukan solusi , , dan sebagai berikut.
Dari persamaan (5) diperoleh,
Kemudian substitusi persamaan (18) diperoleh
Lalu substitusi persamaan (15) diperoleh √ √
Dari persamaan (6) diperoleh, Kemudian substitusi persamaan (19), √ ...(20)
13 √ √ √ ( ( √ )) ( ( √ ))
Solusi , , dan ini yang akan digunakan dalam algoritme dan program MATLAB pada subbab selanjutnya. Serupa dengan solusi (3.6), sistem solusi (3.8) menggunakan solusi , , dan seperti penurunan langkah Newton-penuh dari titik di daerah fisibel ke -center sehingga diperoleh solusi baru sebagai berikut
(3.8)
Solusi , , dan disebut langkah Newton-penuh dari titik di daerah fisibel ke -center.
3.6Algoritme untuk Metode Titik-Interior Primal-Dual
Metode titik-interior primal-dual merupa-kan salah satu metode iteratif untuk
menyelesaikan masalah optimasi linear.
Proses iterasi pada algoritme untuk metode interior primal-dual menghasilkan titik-titik pada interior daerah fisibel yang akan
membentuk central path menuju solusi
optimal. Lema 1
Langkah Newton primal-dual adalah fisibel jika dan hanya jika serta langkah Newton primal-dual adalah fisibel strictly jika dan hanya jika
(Roos et al. 2006) Teorema 6
Jika langkah Newton primal-dual adalah
fisibel maka .
(Roos et al. 2006)
Vektor dan merupakan langkah
se-panjang arah Newton primal-dual dan adalah banyaknya variabel dari masalah primal-dual.
Sebelum itu, akan diperkenalkan notasi-notasi untuk iterasi-iterasi yang berurutan ini.
Misalkan vektor adalah titik yang terletak
pada daerah fisibel yang dihasilkan saat iterasi
ke- . Vektor dan adalah titik yang
terletak pada daerah fisibel yang dihasilkan
saat iterasi ke- . Parameter adalah
bilangan positif yang dihasilkan saat iterasi ke- . , , dan berturut-turut adalah
selisih antara ke , ke ,
dan ke . Simbol dan adalah
parameter.
Algoritme atau langkah-langkah untuk mendapatkan solusi optimal dengan metode
titik-interior primal-dual adalah sebagai
berikut.
Input : Matriks , vektor untuk masalah
primal, vektor , vektor untuk
masalah dual, , , dan .
Output : Gambar central path, banyaknya ite-rasi, dan nilai solusi optimal.
Langkah 1. Pilih titik sembarang pada daerah
fisibel yang ditandai dengan dan di , di , positif, , , dan .
Langkah 2. Dengan langkah Newton-penuh
untuk positif. Tentukan dan
sehingga .
Langkah 3. Selama lanjut ke
Langkah 4; selainnya, STOP.
Langkah 4. Hitung langkah Newton-penuh
pada solusi (3.8)
Langkah 5. Perbarui solusi,
Selanjutnya , kembali ke Langkah 3.
14
IV
APLIKASI DAN IMPLEMENTASI
Algoritme untuk metode titik-interior primal-dual diimplementasikan dengan mem-buat program pada MATLAB. Program MATLAB dari algoritme untuk metode titik-interior primal-dual terdapat pada Lampiran 4, Lampiran 5, dan Lampiran 6. Input dari program ini adalah matriks koefisien dari kendala, vektor pembatas dari kendala, vektor fungsi objektif, titik awal sembarang di interior, dan sembarang nilai , sedangkan outputnya adalah banyak iterasi dan gambar dari central path. Pembangkitan metode titik-interior primal-dual mengguna-kan fasilitas penulisan program M-File pada MATLAB yang telah disediakan oleh Silalahi tahun 2011.
Untuk contoh kasus ke-1, misalkan diberikan masalah optimasi linear berikut:
Min
terhadap
.
Masalah pada contoh ke-1 dapat juga ditulis dalam bentuk masalah standar dual berikut:
Maks
terhadap
.
Kendala dapat ditulis dalam matriks sebagai
[ ] [ ] [ ] [ ]
Lalu inputkan ke dalam program serta titik
awal sembarang di interior diberikan
[ ] , , dan . Selanjutnya, akan dibandingkan untuk nilai , , dapat dilihat pada Gambar 2, Gambar 3, dan Gambar 4 berikut
Gambar 2Pola titik di sekitar central path ketika dari contoh kasus ke-1.
Gambar 3Pola titik di sekitar central path ketika dari contoh kasus ke-1.
Gambar 4Pola titik di sekitar central path ketika dari contoh kasus ke-1.
Nilai yang diinputkan ke dalam program
diubah-ubah sedemikian rupa sehingga
15
juga dilihat dari pola titik-titik berwarna biru yang terletak di sekitar central path.
Contoh kasus ke-2, misalkan diberikan masalah optimasi linear berikut:
Min terhadap
.
Masalah pada contoh ke-2 dapat juga ditulis dalam bentuk masalah standar dual berikut:
Maks
terhadap
.
Kendala dapat ditulis dalam matriks sebagai
[
] [ ] [ ] [ ]
lalu inputkan ke dalam program serta titik
awal sembarang di interior diberikan
[ ] , , dan . Selanjutnya, akan dibandingkan untuk nilai , , dapat dilihat pada Gambar 5, Gambar 6, dan Gambar 7 berikut
Gambar 5Pola titik di sekitar central path ketika dari contoh kasus ke-2.
Gambar 6Pola titik di sekitar central path ketika dari contoh kasus ke-2.
Gambar 7Pola titik di sekitar central path ketika dari contoh kasus ke-2.
Nilai yang diinputkan ke dalam program
diubah-ubah sedemikian rupa sehingga
terlihat lompatan titik-titik di sekitar central path. Nilai berada di antara selang 0 dan 1. Ketika nilai banyak iterasi sebesar 123, terjadi iterasi sebesar 19, dan hanya terdapat 9 iterasi. Hal ini dapat juga dilihat dari pola titik-titik berwarna biru yang terletak di sekitar central path.
Fungsi objektif pada kedua contoh kasus tersebut adalah . Fungsi objektif ini diminimumkan untuk mendapatkan hasil yang optimal. Baik contoh kasus ke-1 maupun contoh kasus ke-2 memiliki solusi optimal di dengan nilai optimal fungsi objektif sebesar .
Titik awal yang ditentukan di interior pada contoh kasus ke-1 adalah . Titik awal ini tepat dengan titik analytic center
untuk takhingga. Namun titik awal yang
diberikan pada contoh kasus ke-2, yaitu , tidak tepat dengan titik analytic center untuk takhingga sehingga terjadi pencarian titik menuju titik analytic center ketika takhingga. Hal ini dapat juga dilihat dari Gambar 5 hingga Gambar 7...
16
V
SIMPULAN DAN SARAN
5.1Simpulan
Metode titik-interior primal-dual dapat
dikonstruksi kembali dengan langkah
Newton-penuh. Dengan metode titik-interior primal-dual, solusi optimal diperoleh melalui pergerakan titik di sekitar central path. Nilai yang berbeda akan mengakibatkan pergerakan titik yang berbeda pula di sekitar central path. Ketika nilai mendekati nol, titik di sekitar central path menjadi rapat sedangkan bila
nilai mendekati satu maka titik di sekitar central path menjadi renggang.
5.2Saran
Untuk penelitian selanjutnya, nilai yang terbaik agar mendapatkan iterasi minimum dapat ditentukan dengan memperhatikan lompatan titik di sekitar central path. Perlu dilakukan analisis algoritme metode titik-interior primal-dual berdasarkan kompleksitas komputasi yang terbaik.
DAFTAR PUSTAKA
Anton H, Rorres C. 2005. Elementary Linear Algebra. Ed ke-9. New Jersey: John Wiley and Sons.
Jensen PA, Bard JF. 2002. Operations
Research: Models and Methods. New York: John Wiley and Sons.
Leon SJ. 1998. Linear Algebra with
Applications. Ed ke-5. New Jersey: Prentice Hall.
Nematollahi E, Terlaky T. 2008. A Simpler
and Tighter Redundant Klee-Minty
Construction. Optimization Letters
2(3):403-414.
Roos C, Terlaky T, Vial J-Ph. 2006. Interior Point Methods for Linear Optimization. New York: Springer.
Silalahi BP. 2011. On the Central Path of Redundant Klee-Minty Problems. PhD
thesis. Roos C (promotor). Delft
University of Technology. The
Netherlands: TU Delft.
Stewart J. 2000. Calculus: Concepts and
Contexts. Edisi ke-2. California: Brooks/Cole Publishing.
Winston WL. 2004. Operations Research:
18
Lampiran 1
Transformasi Persamaan (10) menjadi Persamaan (11)
Misalkan fungsi taklinear dengan hampiran awal .
Kemudian menggunakan metode Newton sebagi berikut
dengan dan (
) untuk , diperoleh
dengan substitusi diperoleh
sehingga fungsi taklinear dapat diubah menjadi fungsi linear
Lampiran 2
Transformasi Sistem (3.5) menjadi Sistem (3.7)
√
√ ...(12)
√ √ √
√ ...(13)
√ √ ...(14) Persamaan (12) dapat ditulis sebagai
√
√
√ √ √
kemudian √ √ disubstitusi ke persamaan (13), diperoleh
√ √ √
√ √ √
√
Misalkan , kemudian substitusi persamaan (12) vektor menjadi
√
√ √
√ √
Misalkan
√ dinotasikan sebagai vektor . Dengan manipulasi aljabar diperoleh
√ √ √ √
19
Kedua ruas dari persamaan √
√ √ dikalikan √
√ menjadi
√
√ √ √ √
√
...(15)
Persamaan (12) dapat ditulis kembali sebagai
√
√ √ √ √
kemudian √ √ disubstitusi ke persamaan (13), diperoleh √ √
√ √ √
√ √
Misalkan , kemudian substitusi persamaan (12) vektor menjadi
√
√
√ √
√ Misalkan
√ dinotasikan sebagai vektor . Dengan manipulasi aljabar diperoleh
√
√ √ √ √ √
√
Kedua ruas dari persamaan √ √
√ dikalikan √
√ menjadi
√ √
√ √
√ √ √ √
√
...(16)
Dari persamaan (8) dengan substitusi persamaan (15) diperoleh
Substitusi persamaan (13)menjadi
√
√
√ √ √
√ √ √ √
20
Dari persamaan (9) dengan substitusi persamaan (14) dan persamaan (16) diperoleh,
√
Kedua ruas dari persamaan √ dikalikan menjadi
√
Substitusi persamaan (13)menjadi
√
√ √
√
Kemudian persamaan (11) dengan substitusi persamaan (15) dan persamaan (16) diperoleh,
Substitusi vektor menjadi
√ √
√
√ √ √ √ √ √ √ √ √ √ √ √ √
√
√
21
Lampiran 3
Penentuan Solusi , , dan
Dari persamaan (5) diperoleh,
Substitusi persamaan (18) diperoleh
Substitusi persamaan (15) diperoleh
√
√ √ √
√
Dari persamaan (6) diperoleh, Substitusi persamaan (19) diperoleh,
√
Kedua ruas dari persamaan √ dikalikan dengan menjadi
√ √
√
...(20)
Kedua ruas persamaan (20) dikalikan dengan matriks sehingga
22
√
Dari persamaan
√ , diperoleh dengan mengalikan kedua ruas
dengan
√ ...(21)
sehingga diperoleh solusi , , dan yang tunggalsebagai berikut
√ √ ( (
√ ))
( ( √ ))
23
Lampiran 4
Program MATLAB untuk contoh kasus ke-1
function [A,b,c,x,y,s,mu,opt] = zigzag_Nematollahi(n)
n=4
A=[-1 1 0 0; 0 0 -1 1]
b=[-1;-1] c=[0;1;0;1]
% figures figure(3) clf
%draw_feas_region(A,b,c) % pause
y = [0.5 0.5]'; %zeros(size(b));
% A' % d=A'*y % d(1) % d(2)
s = c - A'*y
mu = 100; x = mu./s rb = A*x-b
% compute (feasible!) 1-center figure(3)
axis([0 1 0 1])
line('color',[0 0
0],'linestyle','*','erase','none','xdata',y(1),'ydata',y(2),'marke
rsize',5);%gambar titik awal di daerah fisibel
for i = 1:250,
[x,y,s] = Newton_step(A,b,c,x,y,s,mu);
line('color',[0 0
0],'linestyle','*','erase','none','xdata',y(1),'ydata',y(2),'marke
rsize',5);
end
rb = A*x-b
rc = c - A'*y - s [x s]
x y x.*s
mu=(x'*s)/(n);
24
Lanjutan Lampiran 4
Program MATLAB untuk contoh kasus ke-1
theta = 0.1 %pilih 0.5 %pilih 0.8
%hilangkan tanda persen jika digunakan
eps = 10^(-3) %seberapa dekat dgn solusi optimal
figure(3)
line('color',[0 1
0],'linestyle','o','erase','none','xdata',y(1),'ydata',y(2),'marke
rsize',5.8);%gambar fix titik analitik center
it=0
while n*mu>eps,
mu = (1-theta)*mu;
[x,y,s] = Newton_step(A,b,c,x,y,s,mu);
line('color',[0 0
1],'linestyle','o','erase','none','xdata',y(1),'ydata',y(2),'marke
rsize',6);%tebal garis central path
it=it+1
% pause(0.2)
end
line('color',[1 0
0],'linestyle','*','erase','none','xdata',y(1),'ydata',y(2),'marke
rsize',8);%titik solusi optimal
axis([-0.02 0.02 0 10^(0)]) %set(gca,'yscale','log'); axis([-0.3 0.3 0 1]) axis([-0.01 1.01 0 1.01])
xx=[0 1 1 0] yy=[0 0 1 1]
line('color',[1 0 0],'linestyle',
'-','erase','none','xdata',xx,'ydata',yy,'linewidth',2);
y
25
Lampiran 5
Program MATLAB untuk contoh kasus ke-2
function [A,b,c,x,y,s,mu,opt] = zigzag_Nematollahi(n)
n=4
A=[-1 1 1/3 1/3 ; 0 0 -1 1 ]
b=[-1;-1] c=[0;1;0;1]
% figures figure(3) clf
%draw_feas_region(A,b,c) % pause
y = [0.5 0.5]'; %zeros(size(b));
s = c - A'*y
mu = 100; x = mu./s rb = A*x-b
% compute (feasible!) 1-center figure(3)
axis([0 1 0 1])
line('color',[0 0
0],'linestyle','*','erase','none','xdata',y(1),'ydata',y(2),'marke
rsize',5);%gambar titik awal di daerah fisibel
for i = 1:250,
[x,y,s] = Newton_step(A,b,c,x,y,s,mu);
line('color',[0 0
0],'linestyle','*','erase','none','xdata',y(1),'ydata',y(2),'marke
rsize',5);
end
rb = A*x-b
rc = c - A'*y - s [x s]
x y x.*s
mu=(x'*s)/(n);
%xsu=(sqrt(x.*s/mu)-sqrt(ones(size(x))*mu./(x.*s))); %delta=normest(xsu)/2
theta = 0.1 %pilih 0.5 %pilih 0.8
26
Lanjutan Lampiran 5
Program MATLAB untuk contoh kasus ke-2
eps = 10^(-3) figure(3)
line('color',[0 1
0],'linestyle','o','erase','none','xdata',y(1),'ydata',y(2),'marke
rsize',5.8);%gambar fix titik analitik center
it=0
while n*mu>eps,
mu = (1-theta)*mu;
[x,y,s] = Newton_step(A,b,c,x,y,s,mu);
line('color',[0 0
1],'linestyle','o','erase','none','xdata',y(1),'ydata',y(2),'marke
rsize',6);%tebal garis central path
it=it+1
% pause(0.2)
end
line('color',[1 0
0],'linestyle','*','erase','none','xdata',y(1),'ydata',y(2),'marke
rsize',8);%titik solusi optimal
axis([-0.02 0.02 0 10^(0)]) %set(gca,'yscale','log'); axis([-0.3 0.3 0 1]) axis([-0.01 1.01 0 1.01])
xx=[0 1 1 0] yy=[0 0.3 0.7 1]
line('color',[1 0 0],'linestyle',
'-','erase','none','xdata',xx,'ydata',yy,'linewidth',2);
y
27
Lampiran 6
Program MATLAB untuk Newton_step
function [x,y,s]= Newton_step(A,b,c,x,y,s,mu);
rb = b - A*x; rc = c - A'*y - s; v = sqrt(x.*s/mu);
r = v.^(-1)-v;
D = diag(sqrt(x./s)); AA=A*D;
M=AA*AA'; % MM=M\A; % MM1=MM*r; % ds=D*A'*MM1; % dx=r-ds;
rhs = rb/sqrt(mu)+AA*(diag(v./s)*rc - r);
dy=M\rhs;
Dy = sqrt(mu)*dy;
ds = diag(v./s)*rc - AA'*dy; dx = r - ds;
Dx = x.*dx./v; Ds = s.*ds./v;
alpha = 1;