Minima dan Maksima: Cara Menemukan dan Menafsirkan Titik Ekstrem

Setiap kali sebuah perusahaan menetapkan harga untuk mencari margin laba terbaik, atau sebuah model menyesuaikan bobotnya untuk mengecilkan galat prediksi, persoalan kalkulus yang sama berjalan di balik layar: menemukan nilai tertinggi atau terendah dari suatu fungsi. Itulah inti dari minima dan maksima. Puncak dan lembah yang memberi tahu Anda di mana suatu fungsi mencapai nilai ekstremnya.

Dalam artikel ini, kita akan mulai dari apa arti sebenarnya ekstremum, membedakan perilaku lokal dari global, menelusuri cara menemukannya menggunakan turunan, dan mengaitkannya kembali ke alasan mengapa semua ini penting dalam optimisasi dan data science. Jika Anda ingin membangun pemahaman ini dengan latihan langsung, kursus Introduction to Optimization in Python kami membahas sisi komputasionalnya.

Apa Itu Minima dan Maksima?

Suatu minimum adalah nilai terendah yang dicapai fungsi; sebuah maksimum adalah nilai tertinggi. Bersama-sama, keduanya disebut ekstrema (tunggal: ekstremum). Pada grafik, persis seperti yang Anda bayangkan: dasar lembah dan puncak bukit.

Satu hal yang perlu jelas sejak awal: ekstremum adalah nilai fungsi (koordinat y), sedangkan titik tempat nilai itu terjadi adalah nilai x. "Maksimum berada pada x = 3" berbeda dari "nilai maksimum adalah f(3) = 10." Pembedaan ini lebih sering menjebak orang daripada yang Anda kira, dan kerap muncul dalam soal ujian maupun pertanyaan wawancara.

Tidak setiap fungsi memiliki minimum dan maksimum sekaligus. Sebuah garis lurus tidak punya keduanya. Parabola yang membuka ke atas memiliki minimum tetapi tidak memiliki maksimum. Fungsi yang didefinisikan pada interval terbuka dapat mendekati nilai ekstrem tanpa pernah mencapainya. Ekstrema tidak dijamin; semuanya bergantung pada bentuk fungsi dan domain yang Anda gunakan.

Minima dan Maksima Lokal vs. Global

Sebelum mencari ekstrema, ada baiknya memperjelas pembedaan yang mewarnai semua pembahasan berikutnya: perbedaan antara ekstrema yang bermakna secara lokal dan yang bermakna secara global. Ini adalah salah satu gagasan paling penting secara praktis dalam optimisasi, dan juga area di mana orang paling sering bingung.

Perbedaannya terletak pada cakupan. Ekstremum lokal melihat lingkungan kecil di sekitar suatu titik; ekstremum global mempertimbangkan seluruh domain.

Minimum dan maksimum lokal

Sebuah minimum lokal adalah titik di mana nilai fungsi lebih rendah daripada semua nilai di sekitarnya. Anda berada di dasar sebuah lembah, meskipun ada lembah yang lebih dalam di tempat lain pada grafik. Sebuah maksimum lokal adalah puncak yang lebih tinggi daripada sekeliling terdekatnya, meskipun ada puncak yang lebih tinggi lagi di tempat lain.

Bayangkan jalur pendakian dengan perbukitan yang bergelombang. Setiap puncak bukit adalah maksimum lokal, dan setiap cekungan di antara bukit adalah minimum lokal. Anda tidak perlu melihat seluruh jalur untuk mengidentifikasinya; cukup bandingkan dengan apa yang langsung ada di sekitar Anda.

Minimum dan maksimum global

Sebuah minimum global (juga disebut minimum absolut) adalah nilai terendah tunggal yang diambil fungsi di seluruh domainnya. Maksimum global (atau maksimum absolut) adalah nilai tertinggi tunggal. Ekstremum global selalu juga ekstremum lokal, tetapi tidak berlaku sebaliknya.

Pada jalur pendakian yang sama, maksimum global adalah titik tertinggi di seluruh rute, bukan hanya bukit tertinggi di sekitar. Suatu fungsi dapat memiliki banyak ekstrema lokal, tetapi paling banyak satu nilai minimum global dan satu nilai maksimum global (meskipun nilai-nilai itu dapat terjadi di beberapa titik).

Pembedaan lokal vs. global ini bukan hanya teoretis. Ini muncul langsung dalam machine learning, di mana gradient descent dapat terjebak pada minimum lokal saat mencari yang global. Lebih lanjut tentang itu nanti.

Cara Menemukan Minima dan Maksima

Menemukan ekstrema mengikuti proses yang konsisten. Intinya Anda bertanya: di mana fungsi berhenti meningkat dan mulai menurun, atau sebaliknya? Turunan memberi Anda alat untuk menjawabnya secara presisi.

Berikut pendekatan umumnya:

1. Hitung turunan pertama f'(x).
2. Temukan titik-titik kritis, yaitu saat f'(x) = 0 atau f'(x) tidak ada.
3. Klasifikasikan setiap titik kritis sebagai minimum lokal, maksimum lokal, atau bukan keduanya.
4. Jika Anda bekerja pada interval tertutup, periksa juga titik-titik ujungnya.
5. Bandingkan semua nilai kandidat untuk mengidentifikasi ekstrema absolut.

Kita akan menggunakan satu fungsi sepanjang pembahasan agar konkret: f(x) = 2x³ − 9x² + 12x − 4, didefinisikan pada interval [0, 4].

Titik Kritis dan Ekstrema

Sebuah titik kritis dari f(x) adalah setiap nilai x dalam domain di mana f'(x) = 0 atau f'(x) tidak terdefinisi. Ini adalah kandidat ekstrema, tempat di mana fungsi mungkin berubah arah.

Mengapa ekstrema muncul pada titik kritis? Pada puncak atau lembah yang mulus, garis singgungnya horizontal, sehingga turunannya sama dengan nol. Namun tidak setiap titik kritis adalah ekstremum, dan hal ini penting. Contoh klasiknya adalah f(x) = x³ pada x = 0: turunannya nol, tetapi fungsi tidak berubah arah. Ia hanya merata sejenak sebelum terus naik. Titik-titik di mana turunan tidak ada juga perlu diperhatikan. Sudut tajam seperti pada f(x) = |x| di x = 0 tidak memiliki turunan, namun di sanalah minimum berada.

Untuk contoh kita, f'(x) = 6x² − 18x + 12 = 6(x² − 3x + 2) = 6(x − 1)(x − 2). Menyetel ini ke nol memberikan titik kritis pada x = 1 dan x = 2. Sekarang kita perlu mengetahui apa yang terjadi pada masing-masing titik.

Cara Menggunakan Uji Turunan Pertama

Uji turunan pertama mengklasifikasikan titik kritis dengan memeriksa apakah f'(x) berubah tanda. Jika fungsi berubah dari meningkat menjadi menurun, Anda berada di puncak. Jika berubah dari menurun menjadi meningkat, Anda berada di lembah.

Positif ke negatif

Saat f'(x) beralih dari positif ke negatif ketika Anda melewati sebuah titik kritis, titik tersebut adalah sebuah maksimum lokal. Fungsi naik hingga titik itu lalu turun kembali.

Negatif ke positif

Saat f'(x) beralih dari negatif ke positif, fungsi semula turun lalu mulai naik. Titik kritis itu adalah sebuah minimum lokal.

Tidak ada perubahan tanda

Jika f'(x) tetap positif di kedua sisi (atau tetap negatif di kedua sisi), titik kritis tersebut bukan minimum maupun maksimum. Fungsi sejenak berhenti tetapi tidak berbalik arah, seperti f(x) = x³ pada x = 0.

Untuk fungsi kita, mari uji interval di sekitar x = 1 dan x = 2. Pilih titik uji: f'(0.5) = 6(0.5 − 1)(0.5 − 2) = 6(−0.5)(−1.5) = 4.5 > 0, f'(1.5) = 6(0.5)(−0.5) = −1.5 < 0, dan f'(3) = 6(2)(1) = 12 > 0. Pada x = 1, turunan berubah dari positif ke negatif: maksimum lokal. Pada x = 2, berubah dari negatif ke positif: minimum lokal. Nilai fungsinya adalah f(1) = 1 dan f(2) = 0.

Uji turunan pertama selalu berhasil, tetapi memerlukan pemilihan titik uji di setiap interval, yang cepat terasa melelahkan. Ada metode yang lebih cepat ketika kondisi tertentu terpenuhi.

Cara Menggunakan Uji Turunan Kedua

Uji turunan kedua bekerja saat f''(x) ≠ 0 pada titik kritis. Alih-alih memeriksa perubahan tanda di seluruh interval, Anda mengevaluasi turunan kedua tepat pada titik kritis.

Gagasannya terkait dengan kelengkungan (concavity). Jika f''(c) > 0, fungsi cekung ke atas di c, melengkung seperti mangkuk, sehingga titik kritis berada di bawah: minimum lokal. Jika f''(c) < 0, fungsi cekung ke bawah, melengkung seperti bukit, sehingga titik kritis berada di atas: maksimum lokal. Jika f''(c) = 0, uji ini tidak memberi informasi. Anda perlu kembali ke uji turunan pertama.

Untuk fungsi kita, f''(x) = 12x − 18. Pada x = 1: f''(1) = 12 − 18 = −6 < 0, mengonfirmasi maksimum lokal. Pada x = 2: f''(2) = 24 − 18 = 6 > 0, mengonfirmasi minimum lokal. Jawabannya sama seperti sebelumnya, tetapi lebih cepat. Uji turunan kedua tidak selalu berhasil (gagal pada titik belok dan beberapa titik kritis degenerat), tetapi ketika berhasil, ia menghemat waktu.

Cara Menemukan Minima dan Maksima Absolut pada Suatu Interval

Saat Anda bekerja pada interval tertutup [a, b] dengan fungsi kontinu, Teorema Nilai Ekstrem menjamin bahwa baik maksimum absolut maupun minimum absolut ada. Anda tidak mencari dengan sia-sia.

Metode ini disebut metode interval tertutup:

1. Temukan semua titik kritis f(x) di dalam interval (a, b).
2. Evaluasi f(x) pada setiap titik kritis.
3. Evaluasi f(x) pada kedua titik ujung, a dan b.
4. Nilai terbesar adalah maksimum absolut; yang terkecil adalah minimum absolut.

Untuk f(x) = 2x³ − 9x² + 12x − 4 pada [0, 4], kita sudah tahu titik kritisnya adalah x = 1 dan x = 2. Mengevaluasi di semua titik yang penting:

f(0) = -4

f(1) = 2 - 9 + 12 - 4 = 1

f(2) = 16 - 36 + 24 - 4 = 0

f(4) = 128 - 144 + 48 - 4 = 28

Minimum absolut adalah f(0) = −4, dan maksimum absolut adalah f(4) = 28. Perhatikan maksimum absolut berada pada titik ujung, bukan pada titik kritis. Inilah mengapa Anda tidak boleh melewatkan pemeriksaan titik ujung, dan ini juga kesalahan paling umum yang dilakukan orang. Kita akan bahas pada bagian kesalahan.

Semua sejauh ini berlaku untuk fungsi satu variabel. Sebagian besar persoalan dunia nyata melibatkan banyak variabel, jadi perlu melihat bagaimana hal ini meluas.

Minima dan Maksima pada Fungsi Multivariabel

Untuk fungsi f(x, y), Anda menemukan titik kritis dengan membuat kedua turunan parsial sama dengan nol: ∂f/∂x = 0 dan ∂f/∂y = 0. Titik kritis sekarang berupa pasangan (x, y), bukan satu nilai saja. Klasifikasi menjadi lebih rumit karena ada kemungkinan baru: titik sadel, tempat fungsi melengkung ke atas dalam satu arah dan ke bawah dalam arah lain. Bayangkan bagian tengah keripik Pringles.

Untuk mengklasifikasikan titik kritis multivariabel, Anda menggunakan matriks Hessian, matriks persegi dari turunan parsial orde dua. Determinan dan tanda-tanda elemennya memberi tahu Anda apakah Anda berada pada minimum lokal, maksimum lokal, atau titik sadel. Tutorial Hessian Matrix kami membahas lebih dalam mekanismenya dan menunjukkan bagaimana ini terhubung dengan kelengkungan di dimensi yang lebih tinggi.

Minima dan Maksima dalam Optimisasi dan Machine Learning

Jika Anda pernah bekerja dengan machine learning, Anda sebenarnya sudah menyelesaikan persoalan minima. Melatih model berarti meminimalkan sebuah fungsi rugi (loss function), dan fungsi rugi hanyalah fungsi lain dengan minima dan maksima.

Gradient descent adalah andalannya. Algoritma ini menghitung turunan (atau gradien, dalam banyak dimensi) dari fungsi rugi pada nilai parameter saat ini, lalu melangkah ke arah yang mengurangi rugi. Berjalan menuruni permukaan rugi, mencari minimum. Tutorial Gradient Descent in Machine Learning kami membahas algoritme lengkapnya.

Di sinilah pembedaan lokal vs. global menjadi masalah rekayasa yang nyata. Untuk fungsi rugi non-cembung (yang dimiliki sebagian besar neural network), gradient descent dapat terjebak pada minimum lokal alih-alih menemukan minimum global. Teknik seperti penjadwalan laju pembelajaran, momentum, dan stochastic gradient descent membantu algoritme keluar dari minimum lokal yang dangkal, meskipun menjamin minimum global pada masalah non-cembung tetap menjadi tantangan terbuka. Tutorial Cost Functions kami menjelaskan bagaimana fungsi objektif ini dibangun dan mengapa bentuknya penting.

Kesalahan Umum Saat Mencari Minima dan Maksima

Menganggap setiap titik kritis adalah ekstremum

Tidak setiap titik kritis menghasilkan minimum atau maksimum. Titik belok seperti x = 0 pada f(x) = x³ memiliki f'(x) = 0 namun tidak ada perubahan arah. Selalu verifikasi dengan uji turunan.

Mencampurkan ekstrema lokal dan global

Minimum lokal hanyalah titik terendah di suatu lingkungan. Minimum global bisa berada di tempat lain sama sekali, atau pada titik ujung. Jangan berhenti setelah menemukan satu ekstremum lokal.

Melupakan titik ujung

Pada interval tertutup, ekstrema absolut dapat terjadi di batas. Maksimum absolut pada contoh kita berada di x = 4, bukan pada salah satu titik kritis. Melewatkan titik ujung adalah salah satu kesalahan paling umum dalam persoalan optimisasi, dan boleh jadi menyumbang lebih banyak kehilangan poin ujian daripada salah paham konseptual apa pun.

Menganggap turunan kedua nol berarti tidak ada ekstremum

Ketika f''(c) = 0, uji turunan kedua tidak konklusif. Ini tidak berarti titik tersebut bukan ekstremum. Pertimbangkan f(x) = x⁴ pada x = 0: f''(0) = 0, tetapi x = 0 jelas merupakan minimum. Gunakan uji turunan pertama ketika uji turunan kedua gagal.

Mencampuradukkan titik ekstremum dengan nilainya

Nilai ekstremum adalah f(c), bukan c itu sendiri. "Minimum adalah x = 2" ketika yang Anda maksud "nilai minimum adalah f(2) = 0" mencampur masukan dengan keluaran. Laporan dan jawaban ujian memerlukan nilai fungsi, bukan hanya lokasinya.

Kesimpulan

Ada versi topik ini yang berhenti pada "temukan di mana turunan sama dengan nol." Banyak kursus pengantar melakukan hal itu, dan membuat mahasiswa tidak siap untuk bagian yang sebenarnya penting dalam praktik: mengetahui apakah Anda telah menemukan minimum lokal atau global, dan memahami bahwa keduanya sangat berbeda tergantung pada apa yang Anda coba lakukan.

Kalkulusnya ringkas. Titik kritis, uji turunan, pemeriksaan titik ujung. Yang memakan waktu untuk diinternalisasi adalah geometri di baliknya: mengapa kelengkungan menentukan bentuk minimum, mengapa titik ujung dapat mengungguli titik kritis, mengapa gradient descent dalam neural network benar-benar mencari minimum pada permukaan yang mungkin memiliki ribuan minimum lokal.

Untuk implementasi, kursus Introduction to Optimization in Python kami membahas persoalan ini secara komputasional menggunakan SciPy dan SymPy. Di sanalah koneksi antara kalkulus dan kode menjadi nyata.