07 — Aplikasi turunan: laju ubah yang berhubungan, optimasi, dan nilai minimum/maksimum
Tujuan Pembelajaran: 1. Memahami konsep laju ubah yang berhubungan (related rates) sebagai aplikasi diferensiasi implisit terhadap waktu \(t\). 2. Menguasai strategi sistematis 5 langkah menyelesaikan masalah laju terkait pada konfigurasi geometri (Pythagoras, kesebangunan kerucut, dan sudut elevasi). 3. Membedakan nilai ekstrim absolut (global) dan lokal (relatif), memahami Teorema Nilai Ekstrim (EVT), serta menentukan titik kritis (stasioner dan singular). 4. Menerapkan Uji Turunan Pertama dan Uji Turunan Kedua untuk mengidentifikasi puncak maksimum dan lembah minimum kurva. 5. Memodelkan dan menyelesaikan masalah optimasi terapan (fungsi objektif dengan kendala geometri/fisik) untuk efisiensi bahan dan volume maksimal. 6. Memahami relevansi optimasi diferensial dalam sains komputer dan machine learning (minimasi fungsi loss, kondisi stasioner gradien nol, dan algoritma gradient descent).
Slide Kuliah (Typst): Unduh PDF Slide Teori (37 Halaman)
Navigasi Silabus: 00 — Deskripsi MK & Silabus · Pertemuan sebelumnya: 06 — Turunan fungsi parameter dan tingkat tinggi · Pertemuan berikutnya: 08 — Ujian Tengah Semester (UTS).
2. Nilai Ekstrim: Maksimum & Minimum
Ekstrim Absolut vs Ekstrim Lokal
- Maksimum Absolut (Global): \(f(c) \geq f(x)\) untuk seluruh \(x\) dalam domain \(D\).
- Minimum Absolut (Global): \(f(c) \leq f(x)\) untuk seluruh \(x\) dalam domain \(D\).
- Maksimum Lokal (Relatif): \(f(c) \geq f(x)\) untuk \(x\) di sekitar lingkungan terbuka titik \(c\).
- Minimum Lokal (Relatif): \(f(c) \leq f(x)\) untuk \(x\) di sekitar lingkungan terbuka titik \(c\).
Teorema Nilai Ekstrim (Extreme Value Theorem - EVT)
Jika fungsi \(f\) kontinu pada interval tertutup \([a, b]\), maka \(f\) dijamin pasti mencapai nilai maksimum absolut dan nilai minimum absolut setidaknya pada satu titik di dalam interval tersebut.
Titik Kritis (Critical Points)
Titik kritis fungsi \(f\) adalah suatu titik \(c\) dalam domain \(f\) di mana salah satu dari dua kondisi ini terpenuhi: 1. Titik Stasioner: \(f'(c) = 0\) (garis singgung kurva mendatar). 2. Titik Singular: \(f'(c)\) tidak ada / tidak terdefinisi (seperti sudut tajam, patahan pada nilai mutlak, atau asimtot vertikal).
Metode Interval Tertutup (Closed Interval Method)
Untuk mencari nilai maksimum dan minimum absolut dari fungsi kontinu \(f\) pada \([a, b]\): 1. Temukan seluruh titik kritis \(c \in (a, b)\) dengan menyelesaikan \(f'(c) = 0\) atau mencari tempat \(f'(c)\) tidak terdefinisi. 2. Hitung nilai fungsi pada setiap titik kritis: \(f(c)\). 3. Hitung nilai fungsi pada titik-titik ujung interval: \(f(a)\) dan \(f(b)\). 4. Nilai terbesar dari langkah 2 dan 3 adalah maksimum absolut, sedangkan nilai terkecil adalah minimum absolut.
3. Uji Karakterisasi Titik Ekstrim
Uji Turunan Pertama (First Derivative Test)
Misalkan \(c\) adalah titik kritis dari fungsi kontinu \(f\): - Jika \(f'(x)\) berganti tanda dari positif (\(+\)) ke negatif (\(-\)) saat melewati \(c\), maka \(f(c)\) adalah maksimum lokal. - Jika \(f'(x)\) berganti tanda dari negatif (\(-\)) ke positif (\(+\)) saat melewati \(c\), maka \(f(c)\) adalah minimum lokal. - Jika \(f'(x)\) tidak berganti tanda (tetap positif atau tetap negatif), maka \(f(c)\) bukan titik ekstrim lokal (merupakan titik belok horizontal/infleksi).
Uji Turunan Kedua (Second Derivative Test)
Misalkan \(f'\) kontinu di sekitar \(c\) dan \(f'(c) = 0\): - Jika \(f''(c) < 0\), maka kurva cekung ke bawah (\(\cap\)) di sekitar \(c \implies f(c)\) adalah maksimum lokal. - Jika \(f''(c) > 0\), maka kurva cekung ke atas (\(\cup\)) di sekitar \(c \implies f(c)\) adalah minimum lokal. - Jika \(f''(c) = 0\), uji turunan kedua gagal (inkonklusif); kita harus kembali menganalisis menggunakan Uji Turunan Pertama.
4. Masalah Pemodelan Optimasi Terapan
Optimasi adalah seni memodelkan suatu permasalahan untuk mencari kondisi terbaik: memaksimalkan efisiensi/keuntungan atau meminimalkan biaya/waktu/bahan.
Anatomi Masalah Optimasi
- Fungsi Objektif: Fungsi matematis utama yang ingin dimaksimalkan atau diminimalkan (misalnya volume \(V\), luas permukaan \(A\), atau biaya \(C\)).
- Persamaan Kendala (Constraint): Hubungan matematis yang membatasi nilai variabel-variabel karena keterbatasan fisik atau anggaran (misalnya luas bahan karton tetap, atau volume kaleng ditentukan \(1000\text{ cm}^3\)).
Contoh Klasik: Desain Tabung Silinder Hemat Bahan
Suatu pabrik ingin memproduksi kaleng minuman berbentuk silinder dengan volume tetap \(V_0\). Berapakah rasio antara tinggi kaleng (\(h\)) dan jari-jari alasnya (\(r\)) agar bahan logam yang digunakan (luas permukaan silinder) seminimal mungkin?
- Fungsi Objektif (Luas Permukaan Silinder): \[A = 2\pi r^2 + 2\pi r h\]
- Persamaan Kendala (Volume Tetap \(V_0\)): \[V_0 = \pi r^2 h \implies h = \frac{V_0}{\pi r^2}\]
- Substitusi Menjadi Fungsi Satu Variabel \(A(r)\): \[A(r) = 2\pi r^2 + 2\pi r \left(\frac{V_0}{\pi r^2}\right) = 2\pi r^2 + \frac{2V_0}{r}\]
- Mencari Titik Kritis: \[A'(r) = 4\pi r - \frac{2V_0}{r^2} = 0 \implies 4\pi r = \frac{2V_0}{r^2} \implies r^3 = \frac{V_0}{2\pi}\] Karena \(V_0 = \pi r^2 h\): \[r^3 = \frac{\pi r^2 h}{2\pi} = \frac{r^2 h}{2} \implies r = \frac{h}{2} \implies h = 2r\]
- Kesimpulan Geometris: Luas permukaan silinder minimum tercapai ketika tinggi silinder tepat sama dengan diameter alasnya (\(h = 2r\)).
5. Relevansi Komputasi & Machine Learning
- Optimasi Fungsi Loss dalam Pembelajaran Mesin (Machine Learning): Dalam melatih model regresi, jaringan saraf (Neural Network), atau klasifikasi, tujuan utama algoritma adalah mencari bobot parameter \(\mathbf{w}^*\) yang meminimalkan fungsi kesalahan (Loss Function \(L(\mathbf{w})\)). Kondisi optimal tercapai saat gradien bernilai nol: \[\nabla L(\mathbf{w}) = \mathbf{0}\]
- Algoritma Gradient Descent: Komputer mendekati titik minimum fungsi secara iteratif dengan melangkah menuruni lereng gradien: \[w_{k+1} = w_k - \eta \cdot \frac{dL}{dw}\] di mana \(\eta\) adalah laju pembelajaran (learning rate).
- Analisis Kurvatur Hessian: Dalam optimasi multivariabel, turunan kedua diwakili oleh matriks Hessian \(H\). Uji definit positif (\(H \succ 0\)) memastikan bahwa titik kritis stasioner benar-benar merupakan minimum global/lokal, bukan titik pelana (saddle point).