Masalah optimisasi banyak variabel dapat diselesaikan dengan berbagai metode untuk mendapatkan solusi yang optimal. Salah satu metode yang paling sederhana yaitu metode <em>steepest descent</em>. Metode <em>steepest descent</em> menggunakan vektor gradien untuk menentukan arah pencarian disetiap iterasi kemudian ditentukan <em>step size</em> sebagai jarak perubahan solusi yang dipengaruhi oleh vektor gradien. <em>Step size </em>( ) pada metode <em>steepest descent</em> sangat mempengaruhi kecepatan kekonvergenan metode ini. Sehingga diperlukan penentuan <em>step size</em> yang tepat untuk mempercepat kekonvergenan metode <em>steepest descent</em>. Penelitian ini akan memodifikasi <em>step size</em> pada metode <em>st</em><em>eepest descent</em> dengan menentukan <em>step size</em> yang dapat menghasilkan arah (vektor gradien) yang mendekati vektor eigen dari matriks Heisse suatu fungsi kuadratik definit positif banyak variabel. Hasil numerik menunjukkan bahwa<em> step size </em>yang diperoleh pada penelitian ini bisa mereduksi jumlah iterasi dan<em> running time </em>lebih baik dari pada metode <em>steepest descent</em> biasa terutama untuk kasus <em>ill-conditioned </em>yaitu kasus lamanya metode <em>steepest descent</em> mencapai kekonvergenan yang disebabkan oleh perbandingan (rasio) yang besar antara nilai eigen terbesar dan nilai eigen terkecil dari matriks Heisse.