Goal Programming DGN Robust

STUDI TENTANG GOAL PROGRAMMING DENGAN
PENDEKATAN OPTIMISASI ROBUST
SKRIPSI
DESI VINSENSIA
050803023
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
STUDI TENTANG GOAL PROGRAMMING DENGAN

PENDEKATAN OPTIMISASI ROBUST
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar sarjana
sains
DESI VINSENSIA
050803023
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA

2009
ii
PERSETUJUAN
Judul
Kategori
Nama
Nomor Induk Mahasiswa
Program Studi
Departemen
Fakultas
: STUDI TENTANG GOAL PROGRAMMING

DENGAN
PENDEKATAN
OPTIMISASI
ROBUST
: SKRIPSI
: DESI VINSENSIA
: 050803023
: SARJANA (SI) MATEMATIKA
: MATEMATIKA
: MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA
UTARA
Diluluskan di
Medan, Oktober 2009
Komisi Pembimbing
Pembimbing 2
Pembimbing 1
Dra. Esther S.M Nababan

NIP: 196103181987112001
Prof.Dr. Herman Mawengkang

NIP: 194611281974031001
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU
Ketua,
Dr. Saib Suwilo, M.Sc.

NIP: 194601091988031004
iii
PERNYATAAN
STUDI TENTANG GOAL PROGRAMMING DENGAN PENDEKATAN

OPTIMISASI ROBUST
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan,
Oktober 2009
Desi Vinsensia
NIM: 050803023
iv
iii
ABSTRAK
Goal programming memiliki tujuan atau target yang diperingkatkan oleh pembuat keputusan
menurut skala prioritasnya. Dalam kasus yang mengandung ketidak pastian, optimisasi robust
memberikan solusi layak untuk semua parameter yang tidak pasti. Dalam hal ini, goal programming
yang mengandung ketidak pastian diaplikasikan dalam pendekatan optimisasi robust yang biasanya
hanya digunakan pada linear programming. Solusi robust memberikan nilai optimal worst deviasi
dari total deviasi dengan mengganti parameter yang bersifat bulat pada setiap kendalanya dan tidak
mengubah kendalanya.
ABSTRACT
Goal prgramming have ranked goals by decision maker according that priority. In uncertainty case,
robust optimimization give a feasible solution for all uncertain parameters. In this case,
uncertainty goal programming presented robust optimization approach wich is this approach using
only the linear programming methods. The robust solution give the worst optimal value of the total
deviation by changing the integer parameters in every constraint and not changes that the
constraint.
vi
PENGHARGAAN
Segala Puji dan Syukur penulis haturkan kepada Tuhan Yesus Kristus atas berkat
dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang merupakan
salah satu syarat untuk menempuh ujian sarjana di departemen Matematika,
Fakultas Matematika dan Ilmu Pengetahuan Alam. Pada skripsi ini penulis
mengambil judul skripsi tentang Studi tentang Goal Programming dengan
Pendekatan Optimisasi Robust.
Dalam kesempatan ini, penulis juga menyadari keterlibatan berbagai pihak

yang telah membantu demi terselesaikannya skripsi ini. Oleh karena itu terima
kasih penulis ucapkan kepada:
1. Prof.Dr. Herman Mawengkang selaku dosen dan pembimbing I yang telah
memberikan banyak bimbingan dan arahan dalam penulisan skripsi ini.
2. Dra.Esther S.M Nababan, M.Sc selaku dosen dan pembimbing II atas
bantuan dan penjelasan yang diberikan demi selesainya skripsi ini.
3. Bapak Drs. Henry Rani Sitepu, M.Si dan Bapak Drs. Djakaria Sebayang
selaku komisi penguji atas masukan dan saran yang telah diberikan demi
perbaikan skripsi ini.
4. Bapak Dr. Saib Suwilo M.Sc selaku ketua jurusan departemen matematika
FMIPA USU.
5. Bapak Prof. Dr. Eddy Marlyanto M.Sc selaku Dekan FMIPA USU.
6. Semua Dosen Departemen Matematika FMIPA USU dan Pegawai FMIPA
USU.
7. Buat keluarga terkasih bapak dan mama tercinta Sarman Dani, S.Pd dan B.
Gurning serta abang dan adik terkasih, Fransiskus Surya Dani, dan Nopita
Agustina atas segala cinta, pengorbanan, motivasi sertya doa yang sangat
berarti dalam hidup penulis.
8. Buat sahabat-sahabat Evalina, Ade Nofe, Elisabet, dan wonderful gift yang
sangat banyak membantu, selalu menyemangati, dan mendukung selama
proses pengerjaan skripsi ini.
vii
9. Seluruh rekan-rekan Matematika stambuk 2005 seperjuangan, dDa,

kMala, Happy, Udur, Elis dan lain-lain, serta seluruh teman-teman yang
tidak dapat disebutkan nama-namanya satu persatu yang selalu mendukung
penulis selama penyelesaian skripsi ini, Tuhan Yesus memberkati.
Penulis menyadari bahwa masih banyak kekurangan dalam menyelesaikan

skripsi ini. Oleh karena itu penulis mengharapkan masukan dan kritikan yang
bersifat membangun demi kesempurnaan skripsi ini.
Medan, Desember 2009
Penulis
viii
DAFTAR ISI
Halaman
Persetujuan
ii
Pernyataan
iii
Abstrak
iv
Abstract
Penghargaan
vi
Daftar Isi
viii
Daftar Tabel
BAB I PENDAHULUAN
1.1 Latar Belakang
1.2 Identifikasi Masalah
1.3 Tujuan dan manfaat Penelitian
1.4 Metodologi Penelitian
1.5 Tinjauan Pustaka
BAB II LANDASAN TEORI

2.1 Goal programming
2.2 Optimisasi Robust
16
2.3 Formulasi Robust Mixed Integer Programming
19
BAB III PEMBAHASAN

3.1 Solusi Robust dari Masalah Goal Programming dengan
Possible Varians Negatif pada sisi Sebelah Kiri Tujuan
(Goal)
22
3.2 Kriteria Single Linear Programming terhadap Solusi MRobust Goal Programming
3.3 Studi Kasus Masalah Perusahaan dengan 3 tipe Produksi
23
25
BAB IV KESIMPULAN DAN SARAN

4.1 Kesimpulan
33
4.2 Saran
33
ix
DAFTAR PUSTAKA
LAMPIRAN
34
DAFTAR TABEL
Tabel
Halaman
Tabel awal Simpleks
11
Tabel iterasi 1
12
Tabel iterasi 2
13
Tabel iterasi 3
14
Tabel iterasi 4
15
Tabel jumlah kendala probuksi
25
Tabel jumlah kendala dengan varians 26
BAB 1
PENDAHULUAN
1.1 Latar Belakang

Goal programming
merupakan perluasan dari linear programming untuk
mencapai tujuan atau target yang diinginkan. Formulasi awal goal programming
pada dasarnya mirip dengan formulasi dalam linear programming. Variabel
keputusan harus didefinisikan terlebih dahulu. Selanjutnya tujuan-tujuan manajerial
harus dispesifikasikan berikut tingkat kepentingannya. Kemudian mencari solusi
yang meminimumkan total penyimpangan tujuan-tujuan tersebut dari targettargetnya, atau dengan kata lain goal programming merupakan alat analisis untuk
meminimumkan deviasi (penyimpangan) berbagai tujuan, sasaran, atau target yang
telah ditetapkan, sehingga memenuhi target (mendekati target) yang telah
ditentukan menurut skala prioritasnya masing-masing.
Karakteristik yang membedakan goal programming dan linear programing

adalah: tujuan-tujuan itu diperingkatkan oleh pembuat keputusan sesuai dengan
peringkat ordinalnya melalui prosedur goal programming. Walaupun ada
kemungkinan bahwa tidak seluruh tujuan bisa dicapai, namun untuk solusi
persoalan goal programming adalah bagaimana mendekati target-target yang telah
menjadi tujuan itu sedekat mungkin, dan jika terjadi penyimpangan maka
penyimpangan-penyimpangan itu minimum .
Awal aplikasi goal programming dilakukan oleh Charnes dan Cooper

(1981). Charnes dan Cooper mengembangkan pendekatan program tujuan untuk
memperoleh solusi yang memuaskan, yang tidak bisa diperoleh dengan pendekatan
linear programming karena adanya konflik atau penyimpangan antar tujuan.
Secara matematis dapat dituliskan dengan situasi sebagai berikut:
x1, x2, ..., xn = variabel keputusan,
cjk
= koefisien xj (j = 1, 2, 3, ..., n) pada fungsi obyektif dalam

setiap tujuan-k pada fungsi obyektif dalam setiap tujuan-k
(k = 1, ,2, ..., k),
bk
= target untuk tujuan-k.
dk /
= variabel penyimpangan yang merepresentasikan tingkat

pencapaian melebihi target dan pencapaian di bawah target.
Formula umum goal programming dapat dituliskan secara lengkap sebagai:

K
Zmin =
(d k
dk )
k 1
kendala:
n
c jk x j
(d k
x j , dk /
dk )
bk
j 1
Goal Programming saat ini dalam prakteknya sudah banyak dipakai dalam
menyelesaikan berbagai permasalahan linear programming. Namun beberapa kasus
model
teknik
optimisasi,
goal
programming
ini
menghadapai
bebagai
permasalahan dimana hasil yang diperoleh berada pada situasi yang tidak pasti
(uncertainty). Kemudian dikembangkan beberapa pendekatan untuk model yang
tidak pasti yaitu melalui pendekatan stochastik dan pendekatan robust optimisasi.
Pada tulisan ini penulis menggunakan suatu pendekatan pada goal

programming yaitu dengan Pendekatan Optimisasi Robust yang selama ini
diaplikasikan pada tujuan tunggal pada linier programming. Optimisasi robust
merupakan suatu masalah model optimisasi dengan data yang mengandung ketidak
pastian (uncertainty) untuk memperoleh solusi yang baik untuk semua parameter
yang tidak pasti . Optimisasi robust merupakan metode pendekatan yang digunakan
dalam menyelesaikan program stokastik dimana beberapa parameternya adalah
variabel acak, kecuali kelayakan (feasibility) untuk semua realisasi yang mungkin
(scenario) diganti dengan fungsi penalty pada fungsi objektifnya.
Dengan pendekatan ini dimaksudkan untuk menemukan solusi layak solusi

yang tidak pasti, mengaplikasikan pendekatan yang disebut pendekatan robust pada
goal programming dan multicriteria pada umumnya.
1.2 Identifikasi Masalah
Goal programming merupakan suatu teknik optimisasi untuk menganalisis dan

membuat solusi persoalan yang memiliki banyak tujuan dengan mendekati targettarget yang menjadi tujuan sedekat mungkin dan meminimumkan penyimpanganpenyimpangan yang ada. Masalah yang diangkat dalam tulisan ini adalah:
Bagaimana goal programming dapat diselesaikan dengan pendekatan optimisasi
robust, sehingga penyimpangan yang diperoleh menjadi layak dalam situasi yang
tidak pasti.
1.3 Tujuan dan Manfaat Penelitian
Tujuan dari penelitian ini adalah menentukan solusi dari total penyimpangan
terburuk dari goal (tujuan) dalam situasi yang tidak pasti, jika salah satu parameter
dari tujuan yang ada diubah dan dengan kendala yang sama, sehingga
penyimpangan yang ada dapat diminimumkan. Manfaat dari penelitian ini adalah
melalui pendekatan robust solusi ini dapat memudahkan pengambilan keputusan
dari suatu permasalahan yang mengandung ketidak pastian.
1.4 Metodologi Penelitian
Metode yang dilakukan dalam penelitian ini adalah studi literatur. Langkahlangkah yang akan dilakukan adalah sebagai berikut:
a. Meninjau tentang goal programming dan mendefinisikan situasi yang tidak
pasti tesebut dalam goal programming.
b. Menjelaskan tentang pendekatan robust dalam literatur.

c. Mengaplikasikan pendekatan robust pada goal programming dalam situasi
yang tidak pasti.
d. Menarik kesimpulan berdasarkan hasil yang diperoleh dan memberi saransaran jika ada.
1.5 Tinjauan Pustaka
A. Ben-Tal, A. Goryashko, E. Guslitzer, A. Nemirovski dalam papernya yang

berjudul Adjustable Robust Solutions of Uncertain Linier Program
menyatakan bahwa optimisasi robust adalah suatu metode atau pendekatan yang
berhubungan permasalahan optimisasi yang tidak pasti (uncertain).
Bernard Taylor III (1996) dalam bukunya yang berjudul Sains
Manajemen menyatakan bahwa program tujuan merupakan variasi program linier
untuk masalah-masalah dimana terdapat lebih dari satu tujuan, yang secara khusus
berguna untuk organisasi yang tidak mempunyai satu tujuan yang dapat
didefinisikan secara jelas seperti memaksimalkan keuntungan dan meminimumkan
kerugian.
B. D. Nasendi, Affendi Anwar (1985) dalam bukunya Program Linier
Dan Variannsnya, menyatakan bahwa goal programing merupakan alat analisis
untuk meminimumkan deviasi (penyimpangan) berbagai tujuan, sasaran, atau target
yang telah ditetapkan, sehingga memenuhi target (mendekati target) yang telah
ditentukan menurut skala prioritasnya masing-masing.
David G, Dannenbring, Marthin K.Starr (1981) dalam bukunya yang

berjudul Management Science An Introduction, mengatakan bahwa goal
programming adalah suatu metode untuk memaksimalkan sasaran dari beberapa
multitujuan atau target yang ada dengan mengurutkan tujuan berdasarkan
prioritasnya.
Dorota Kuchta (2004) dalam papernya Robust Goal Programming,

menyatakan solusi robust optimal adalah suatu solusi yang mana akan optimal jika
terdapat perubahan pada parameter dari keputusannya.
Ricard I.Levin, dkk (1992) dalam bukunya yang berjudul Quantitative
Approaches to Management menyatakan bahwa goal programing adalah variasi
algoritma simpleks dimana pembuat keputusan mengijinkan untuk menentukan
multiobjective dan target dari tujuannya yang kemudian diurutkan berdasarkan
tingkat kepentinganya.
BAB 2
LANDASAN TEORI
2.1 Goal Programming

Dalam memformulasikan dan solusi persoalan dalam program linier, proses
pemodelannya
difokuskan
pada
tujuan
tunggal
seperti
memaksimumkan
keuntungan atau meminimumkan biaya. Sehingga para pembuat keputusan

berusaha agar berbagai tujuan perusahaan menjadi satu tujuan tunggal. Padahal
dalam berbagai proses pembuatan keputusan dalam dunia nyata, pengintegrasian
berbagai tujuan menjadi sebuah tujuan tunggal saja sebenarnya tidak selalu tepat.
Misalnya suatu perusahaan tidak sekedar bertujuan memaksimumkan keuntungan
saja, tetapi secara bersamaan juga bertujuan untuk menjaga kestabilan penggunaan
tenaga kerja, meningkatkan pangsa pasar atau membatasi peningkatan harga jual.
Untuk menganalisis dan membuat solusi persoalan untuk melibatkan
berbagai tujuan digunakan teknik goal programming. Goal programming
merupakan suatu metode yang melibatkan berbagai tujuan yang bahkan saling
konflik ke dalam proses formulasinya, berikut prioritas tujuannya. Formulasi goal
programming pada dasarnya mirip dengan formulasi dalam linear programming.
Perbedaan antara goal programming dan linear programming adalah terletak pada
struktur dan penggunaan fungsi tujuan. Dalam linear programming fungsi
tujuaannya hanya mengandung satu tujuan, sementara dalam goal programming
semua tujuan digabungkan dalam sebuah fungsi tujuan. Ini dapat dilakukan dengan
mengekpresikan tujuan itu dalam bentuk suatu kendala (constraint), memasukkan
suatu variabel simpangan (variable deviation) dalam kendala untuk mencerminkan
seberapa jauh tujuan itu dicapai, dan menggabungkan variabel simpangan dalam
fungsi tujuan.
Dalam linear programming tujuannya bisa maksimasi atau minimasi,
sementara
dalam
goal
programming
tujuannya
adalah
meminumkan
penyimpangan-penyimpangan dari tujuan tertentu. sehingga hal ini berarti semua

masalah goal programming adalah masalah minimasi. Karena penyimpangan-
penyimpangan dari tujuan-tujuan itu diminimumkan, goal programming dapat

menangani tujuan yang saling konflik. Jika terdapat banyak tujuan, prioritas atau
urutan ordinalnya dapat ditentukan, dan proses penyelesaian goal programming
dapat berjalan sedemikian rupa sehingga tujuan dengan prioritas tertinggi dipenuhi
sedekat mungkin sebelum memikirkan tujuan-tujuan dengan prioritas yang lebih
rendah. Jika linear programming berusaha mengidentifikasi solusi optimum dari
suatu himpunan solusi yang layak, goal programming ingin meminumkan
penyimpangan-penyimpangan dari tujuan-tujuan dengan mempertimbangkan
hirarki prioritas.
Secara matematis goal programming dapat dituliskan situasi sebagai berikut:
x1, x2, ..., xn = variabel keputusan
m
= banyaknya tujuan yg dipertimbangkan
cjk
= koefisien xj ( j= 1, 2, 3, ..., n) pada fungsi objektif dalam setiap

tujuan-k (k=1, 2, 3, ..., m),
bk
= target untuk tujuan-k.
Solusi untuk persoalan goal programming adalah bagaimana mendekati

target-target yang telah
menjadi tujuan itu sedekat mungkin, dan jika terjadi
penyimpangan maka penyimpangan-penyimpangan itu minimum.

n
c j1 x j
b1
c2 x j
b2
j 1
n
j 1
.
.
.
.
.
.
n
c jk x j
bk
j 1
Karena tidak mungkin dapat mencapai seluruh target, maka perlu

didefinisikan sebuah fungsi objektif menyeluruh untuk goal programming yang
kompromistis dengan tujuan mencapai berbagai target. Dengan asumsi bahwa
penyimpangan itu bisa bernilai positif dan negatif, maka fungsi objektif
menyeluruh untuk persoalan goal programming dapat ditulis sebagai berikut:
k 1
j 1
Z min
c jk x j
bk
Dengan demikian, fungsi objektif goal programming diekspresikan sebagai

preferensi atau fungsi pencapaian (achievement function) terbatas kepada
penyimpangan target.
Dengan membuat variabel baru
pada fungsi obyektif yang dapat
didefinisikan sebagai: d k
c jk x j
bk , untuk k = 1, 2, ..., m
j 1
Seghingga fungsi objektif goal programming menjadi:

m
Z min
dk
k 1
Karena dk bisa bernilai positif atau negatif, maka variabel ini dapat diganti
dengan dua variabel non negatif baru, sehingga dk= dk+ - dk-, dimana dk+ dan dk- 0.
dk
dk
dk
dk
dk
dk+ dan dk- merupakan variabel penyimpangan (deviational variables) yang

merepresentasikan tingkat pencapaian melebihi target (over achievement) dan
pencapaian di bawah target (under achievement). Secara bersamaan, tidak mungkin
terjadi kelebihan target, maka berlaku hubungan: dk+ x dk- = 0.
Formula umum goal progaramming dapat dituliskan sebagai berikut:
m
Z min
dk
dk
dk
dk
k 1
kendala:
n
c jk x j
bk
j 1
(x j , dk / )
Dalam formulasi goal progamming ini setiap target dimasukkan dalam

kendala-kendala dalam persamaan. Fungsi kendala semacam ini disebut sebagai
kendala tujuan (goal constraint), di mana di dalam persamaannya telah melibatkan
variabel deviasi, dk+ dan dk- dimana dalam program linier kedua peubah tersebut
adalah slek dan surplus. Sehingga yang dinilai dan dianalisis dalam goal
programming bukanlah tingkat kegiatannya, tetapi deviasi dari tujuan, sasaran atau
target yang ditimbulkan oleh adanya nilai penyelesaian tersebut. Dalam mencapai
deviasi plus dan deviasi minus dari tujuan atau target tidak dapat diperoleh secara
sekaligus atau simultan, maka salah satu dari peubah dari peubah deviasional atau
kedua-duanya akan menjadi nol.
Pada beberapa situasi, deviasi (penyimpangan) dari suatu target tertentu
menjadi lebih penting bagi pembuat keputusan dibanding penyimpangan target
lainnya. Demikian pula, pada sebuah target tertentu, bisa saja penyimpangannya
jauh lebih penting dari penyimpangan target lainnya dengan arah yang berlawanan.
Pada situasi seperti ini, maka bisa dimasukkan bobot yang berbeda (differential
weight), wk+ dan wk- pada setiap penyimpangannya:
m
Z min
wk d k
wk d k
k 1
kendala:
n
c jk x j
(d k
x j , d k /_
dk )
bk
j 1
Contoh:
Sebuah perusahaan perabot rumah tangga yang bergerak dalam bidang
produksi mabel, memiliki dua produk yang paling disenangi, yaitu perabot tipe I
(dibuat dengan bahan kayu jati) dan perabot tipe II ( dibuat dengan kayu meranti).
Perabot tipe I
Perabot tipe II
Waktu departemen I
4 jam
3 jam
Waktu departemen II
2 jam
1 jam
Dengan tersedia 240 jam kerja pada departemen I tiap minggunya dan 100
jam kerja pada departemen II. Keutungan bersih perabot tipe I adalah Rp
50.000/set, sedangkan perabot tipe II adalah Rp 70.000/set. Pemilik perusahaan
menginginkan untuk mendapatkan keuntungan sebesar Rp 700.000 dari seluruh
tipe dengan jumlah perabot tipe I ingin dijual 7 set, dan penjualan tipe II
ditargetkan harus terjual sebanyak 9 set.
Penyelesaian:
Andaikan :
x1 = Perabot tipe I
10
x2 = Perabot tipe II
Dari kasus di atas dapat dirumuskan dengan menambahkan tiga peubah
deviasional, di mana untuk setiap tujuan atau target harus memiliki pasangan
(deviasi plus dan deviasi minus).
dengan:
d1- = jumlah Rp di mana target keuntungan yang ditetapkan tidak tercapai atau di
bawah target.
d1+ = jumlah Rp dimana target keuntungan yang ditetapkan melebihi target yang
ditentukan.
d2- = jumlah penjualan perabot tipe II yang ditetapkan tidak mencapai target.
d2+ = jumlah penjualan perabot tipe II yang ditetapkan melebihi target.
d3- = jumlah penjualan perabot tipe I yang ditetapkan tidak mencapai target.
d3+ = jumlah penjualan perabot tipe I yang ditetapkan melebihi target.
Maka model persoalan di atas menjadi:
Minimumkan Z
d1
d2
d3
kendala:
50.000x1
70.000x 2
d1
d1_
700.000
+ d2+ - d2- = 9
x2
x1 + d3+ - d3- = 7
4x1 +
3x2
240
2x1 +
x2
100
dan ( x1, x2, d1-, d1+, d2-, d2+, d3-, d3+) 0

Pada masalah perusahaan tersebut pemilik perusahaan telah memiliki target
yang ingin dicapai yaitu keuntungan yaitu sebesar Rp 700.000, dengan penjualan
tipe mebel yang telah diterapkan. Untuk itu sang pemilik mengurutkan atau
memberi prioritas terhadap target yang ingin dicapainya.
No
1
Target
Prioritas
Mengahasilkan total keuntungan paling sedikit
11
Rp 700.000,00
2
Penjualan x2 minimal 9 unit
Penjualan x1 minimal 7 unit
Maka formulasi goal programming kasus di atas dapat ditulis dengan:

Z
P (d )
min
P (d )
P (d )
kendala :
50 x
x
x
70 x
4x
2x
3x
(x , d
i
2
/
700
,s )
i
240
100
0; i
1, 2, 3
Dengan metode simplex, formulasi dapat diselesaikan sebagai berikut:

Tabel 1. Tabel Awal.
Cj
Cb
Basic
Variabel
P1
P2
P3
x1
x2
d1-
d1+
D2-
d2+
d3-
d3+
s1
S2
XB
s1
240
s2
100
P1
d1
50
70
-1
700
P2
d2-
-1
P3
d3-
-1
zj
-1
Cj-zj
-1
zj
-1
Cj-zj
-1
zj
50
70
-1
Cj-zj
-50
-70
-1
P3
P2
P1
700
12
Keterangan:
Sel zj pada kolom dengan cj=Pi diberi nilai =1. Contoh: Pada P3, baris zj untuk
kolom d3- ( dengan koefisien cj = P3) diberi nilai =1.
Pengerjaan dilakukan mulai dari Prioritas-1:
1. kolom kunci adalah kolom x2, ditentukan: Max {cj- zj}<0. Kolom ini
adalah negatif terbesar adalah (= -70) menjadi variabel masuk.
2. Baris kunci ditentukan dengan Min {= XB/aj}
Maka untuk baris:
a. s1 =
240
3
b. s2
100
100
1
80
700
c. d
10
70
9
d. d
1
7
e. d
~ ( diabaikan )
0
Tabel 2. iterasi 1
Cj
Cb
Basic
Variabel
P1
P2
P3
x1
X2
d1-
d1+
d2-
d2+
d3-
d3+
s1
s2
XB
s1
-3
204
s2
-1
91
P1
d1-
50
-1
-70
70
70
P2
x2
-1
P3
d3-
-1
P3
zj
-1
13
P2
P1
cj-zj
-1
zj
cj-zj
zj
50
-1
-70
70
cj-zj
-50
-1
70
-70
70
Keterangan :
1. kolom kunci adalah kolom d2+, ditentukan: Max {cj-zj<0. Kolom ini
negatif terbesar adalah (-70) menjadi variabel masuk.
2. Baris kunci ditentukan dengan Min { = XB/aj }.
Maka untuk baris:
204
3
a. s1
68
b. s 2
91
91
1
c. d1_
70
1 (leaving variable)
70
d. x2
9
1
9 (diabaikan)
7
e. d
( diabaikan )
0
Tabel 3. Iterasi 2
Cj
Cb
Basic
Variabel
P1
P2
P3
x1
x2
d1-
d1+
d2-
d2+
d3-
d3+
s1
s2
3/70
201
1/70
91
-1
s1
13/7
s2
9/7
P1
d2+
5/7
3/70
1/70
1/70
1/70
XB
14
P2
x2
5/7
1/70
-/70
-1
10
P3
d3-
-1
zj
Cj-zj
-1
zj
Cj-zj
zj
Cj-zj
P3
P2
P1
Keterangan:
Pada tabel 3 ini telah optimal untuk prioritas 1 dan prioritas 2. Karena keduanya
telah memenuhi syarat
(c j
zj)
1. kolom kunci adalah kolom x1, ditentukan : Max {cj-zj<0}. Kolom ini
negatif terbesar dengan (-1) sehingga x1 menjadi variabel masuk.
2. Baris kunci ditentukan dengan Min {=XB/aj}
Maka untuk baris:
a. s1 =
201
108,..
13
7
90
9
7
70
1
5
7
7
5
d. x2 =
10
5
7
14
e. d3- =
7
1
b. s2 =
c. d2+ =
leaving variable
15
Tabel 4. Iterasi- 3.
Cj
Cb
Basic
Variabel
P1
P2
P3
x1
x2
d1-
d1+
d2-
d2+
d3-
d3+
s1
s2
2/25
13/5
992/5
1/25
9/5
-9/5
441/5
-7/5
7/5
7/5
-1
1/50
7/5
-7/5
-1
28/5
1/50
7/5
-7/5
28/5
-7/5
7/5
S1
S2
P1
X1
1/50
P2
X2
P3
D3-
zj
Cj-zj
1/50
zj
Cj-zj
zj
Cj-zj
P3
P2
P1
2/25
1/25
1/50
1/50
1/50
1/50
13/5
XB
Keterangan:
1. kolom kunci adalah kolom d2-, ditentukan : Max {cj-zj<0}. Kolom ini
negatif terbesar dengan (-7/5) sehingga d2- menjadi variabel masuk.
2. Baris kunci ditentukan dengan Min {=XB/aj}
Maka untuk baris:
a. s1 =
992 13
:
5 5
b. s2 =
441 9
:
5 5
c. x1 =
d. x2 =
7 7
:
5 5
9
1
76,..
49
1
(diabaikan)
16
28 7
:
5 5
c. d3- =
(leaving variable)
Tabel 5. Iterasi 4
Cj
Cb
Basic
Variabel
P1
P2
P3
x1
x2
d1-
d1+
d2-
d2+
d3-
d3+
s1
s2
99/1400
-13/1400
197
47/1400
-9/1400
81
XB
S1
S2
P1
X1
7/200
-7/200
1/200
P2
X2
1/280
-1/280
-5/28
5/28
P3
D2-
-1/280
1/280
-1
5/28
-5/28
zj
Cj-zj
zj
Cj-zj
zj
Cj-zj
P3
P2
P1
99/1400
47/1400
Pada iterasi 4 ini telah optimal untuk Prioritas-3, karena
(c j
zj)
0.
Solusi optimal menunjukkan bahwa: x1* = 7 dan x2* = 5.

a.
s1 adalah slack variabel untuk departemen type I = 197 jam.

Dimana: kapasitas jam proses total penggunaan jam = 240 (4x7jam +
5x3jam) =197 jam
b.
s2 adalah slack variabel untuk departemen II = 81 jam.

Dimana: kapasitas jam proses total penggunaan jam = 100 ( 2 x 7jam
+ 5 jam) = 81 jam.
c.
d2- adalah pencapaian di bawah target ( underavhievement target) dengan

penjualan tipe II = 4.
Dimana: jumlah tipe II jumlah target penjualan yang ditetapkan = (5 9)
= -4. ( underachievement target).
Sehingga pada Prioritas -2 mengalami pencapaian dibawah target penjualan

sebesar 4 unit untuk tipe II, tetapi pencapaian target keuntungan sebesar Rp
17
700.000,00 rupiah telah tercapai dan penjualan untuk tipe I (Prioritas-3) minimal 7
telah tercapai.
Dalam kasus tidak pasti pada goal programming, terdapat perbedaan yaitu
andaikan koefisien cij, i = 1, ..., k; j = 1, ..., n mungkin dapat berubah-ubah,
mempengaruhi hasil yang dicapai goal dalam daerah negatif. Koefisien variabel kej dalam kendala ke- i akan diambil dari nilai asumsi c ij (i = 1, ..., k; j = 1, ..., n).
Tetapi juga mungkin akan terjadi pengambilan nilai dari interval c ij , c ij , ( i = 1,
..., k; j = 1, ..., n). Dan andaikan
ij
cij ( i = 1, ..., k; j = 1, ..., n).
2.2 Optimisasi Robust
Data tidak pasti saat ini banyak dijumpai dalam masalah optimisasi. Misalnya
dalam optimisasi rangkaian supply, keaktualan permintaan untuk suatu produk,
keuntungan finansial, keaktualan keperluan material dan lain-lain adalah tidak tepat
diketahui dimana keputusan kritis diperlukan untuk diputuskan. Dalam teknik dan
science, data adalah suatu ukuran error, dimana juga merupakan sumber data yang
tidak pasti dalam model optimisasi.
Dalam optimisasi matematika, umumnya diasumsikan bahwa data adalah tepat
(pasti) diketahu. Kemudian dianalisis untuk meminimumkan (atau maksimumkan)
fungsi objektif dengan :
Minimumkan f0 (x, D0)
kendala
fi ( x, Di ) 0
Dimana x adalah vektor dari variabel keputusan dan Di, i
{0} adalah data
yang merupakan bagian masukan dari maslah optimisasi.

Ketika parameter dalam fungsi objektif adalah tidak pasti , tidak mungkin
keinginan untuk nilai optimal diperoleh. Bagaimanapun tingkat penyimpangan
yang merugikan sering kali menjadi alasan untuk diperhatikan. Banyak model ingin
mengoptimalkan imbal balik (tradeoff) untuk mendapatkan solusi yang lebih
dipercaya dalam mencapai tujuan yang diinginkan.
18
Jika parameter tidak pasti menjadi kendala, kemudian diimplementasikan

pada solusi, mungkin kendala menjadi ganguan dalam realisasi dari aktualisasi
data. Dalam banyak praktek masalah optimisasi, gangguan (pelanggaran) kendala
akan mempengaruhi ketidakmampuan solusi yang diperoleh.
Metode klasik yang termasuk parameter tidak pasti adalah analisis sensitivitas
dan stochastik. Dalam bentuk pendekatannya, penggunanya mengabaikan pengaruh
data yang tidakpasti dalam model mereka dan berikutnya analisis sensitifitas
memberikan solusinya. Bagaimanapun analisis sensitifitas hanya alat untuk
menganalisis kebaikan atau kebenaran dari solusi. Dalam pendekatan stochastik
untuk memperoleh solusi yang layak dengan menggunakan perubahan pada
kendala.
Optimisasi robust memmberikan pendekatan yang berbeda dalam menangani
data yang tidak pasti. Dalam matematika, robust optimisasi adalah suatu metode
pendekatan dalam optimisasi yang berhubungan dengan ketidakpastian. Dalam
model optimisasi memiliki dua komponen yang berbeda yaitu komponen struktural
dan komponen kontrol. Untuk mendefinisikan kedua komponen tersebut, akan
diperlihatkan dua variabel himpunan sebagai berikut:
R n1 ,
merupakan vektor variabel keputusan yang memiliki nilai optimal

dengan parameter yang tidak pasti yang disebut design variable.
Variabel design ini tidak dapat menjadi suatu realisasi data yang
spesifik
R n2 ,
merupakan
vektor
variabel
keputusan
kendali
dimana
memperhatikan penyesuaian terhadap suatu parameter yang tidak

pasti. Nilai optimal variabel ini bergantung pada realisasi
parameter tidak pasti dan nilai optimal dari design variable.
Istilah design variable dan control variable diambil dari analisis fleksibilitas
produksi dan proses distribusi. Variabel design menentukan struktur proses dan
ukuran dari modul produksi. Variabel kendali digunakan untuk mengatur cara dan
mutu (level) dari produksi dalam merespon gangguan dalam proses, mengubah
permintaan hasil produksi, dan sebagainya.
19
Model optimisasi dapat dituliskan sebagai berikut:

Linear Programming
Minimumkan cT x + dT y
R n1 , y
(1)
R n2
kendala:
Ax = b
(2)
Bx + Cy = e,
(3)
x, y 0.
(4)
Persamaan 2 merupakan kendala dalam matematika programming dan

persamaan 3 merupakan kendala kontrol.
Untuk medefinisikan masalah optimisasi robust, andaikan terdapat himpunan
scenario = { 1, 2, 3, ..., S}. Dengan tiap skenario s yang kemudian
dihubungkan pada himpunan {ds, Bs, Cs, es} untuk koefisien variabel kendali dan
S
peluang skenario ps (
ps
1) . Solusi optimal dari persamaan (1)s/d(4) akan
s 1
menjadi robust yang optimal jika sisanya close pada optimal untuk beberapa
realisasi skenario s yang kemudian disebut dengan istilah solusi robust. model
robust adalah solusi robust yang
mungkin terjadi bila hampir layak untuk
beberapa skenario s.
Hal ini tidak mungkin bahwa untuk persamaan (1)s/d(4) akan layak dan
optimal untuk semua skenario s . Jika sistem tersebut adalah dibangun model
substansial redundan , maka hal itu mungkin memperoleh solusi layak dan optimal.
Sebaliknya, suatu model diperlukan untuk memenuhi tindakan imbal-beli (tradeoff)
diantara solusi robust dan model robust.
Andaikan terdapat himpunan { y1, y2, ..., ys} variabel kendali untuk setiap
skenario s . Andaikan terdapat himpunan { z1, z2, ... , zs} merupakan vektor
error dari kendala kontrol pada scenario. Maka dapat diformulasikan robust model
sebagai berikut:
Minimumkan
(x1, y1,...,ys) + { z1, z2, ... , zs}
(5)
20
kendala: Ax = b
(6)
Bs x + Csys + zs = es,
untuk semua s
(7)
x 0, ys 0,
untuk semua s
(8)
Dengan mengalikan skenario, fungsi objektif = cT x + dT y menjadi variabel

acak dengan nilai s = cT x + dTs ys, dengan probabilitas ps. Oleh karena itu,
terdapat pilihan tunggal untuk jumlah nilai objektifnya.
Dengan menggunakan nilai rata-rata :
(.) =
ps
(9)
dimana fungsi tersebut biasanya digunakan dalam formulasi stokastik linear

programming.
Dalam analisis
pada kasus buruk (worst) model maximin di
definisikan :
(.)
max
s
(10)
2. 3 Formulasi Robust Mixed Integer Programming (MIP)
Andaikan c, l, u merupakan n-vektor, andaikan A merupakan matriks m x n dan b

adalah m-vektor.
Minimumkan
cx
kendala
Ax b
lxu
xi Z,
i = 1, ..., k
(1)
Model data yang tidak pasti U:

a. tidak pasti (uncertain) untuk Matriks A : Andikan N = { 1, 2, ...,
n}. Tiap entry aij, j N adalah model independent, simetris dan
dibatasi variabel random ( tetapi dengan distribusi yang tidak
~
diketahui) aij , j
N yang diambil dalam nilai [aij
b. tidak pasti (untuk cost vektor c). Tiap entri
a ij , aij
a ij ] .
cj, j N nilai
diambil dalm [cj, cj + dj], dimana dj mewakili deviasi dari

nominal cost koefisien cj.
21
Untuk setiap i, terdapat bilangan i, i = 0, 1, ..., m yang diambil nilai dalam

interval [0, J i ] , dimana Ji = {j, a ij
0} . 0 diasumsikan bulat, ketika i, i =
1,2,...,m tidak harus selalu integer. Tugas parameter i dalam kendala adalah
menyesuaikan metode sifat robust terhadap solusi yang konservatif. Terdapat kei kendala dari persoalan nominal a i x
bi . Andaikan Ji adalah himpunan koefisien
aij, j Ji independent mengambil nilai sesuai pada distribusi simetrik dengan rata-
a ij , aij
rata sama dengan nilai nominal aij dalam interval [aij
a ij ] . Berbicara
dengan intuisi, tidak mungkin bahwa semua aij, j Ji, akan diubah. Tujuan hal ini
adalah semua kasus mulai dari koefisien
dengan (
diganti, dan satu koefisien ait diganti
)a it . .
Dengan kata lain bahwa menetapkan wilayah terlarang dalam perhitungan dan
hanya koefisien himpunan bagian yang digantikan dalam urutan yang
menimbulkan solusi yang berlawanan. Kemudian akan dijamin bahwa jika
dilakukan sifat alami maka solusi robust akan layak.
Lemma
Minimumkan
kendala:
cx
a x
ij
max
max
j Si
j S0
ij
) a
iti
ti
x u
xi
(2)
i 1,..., k.
Bukti :
Akan ditunjukkan bagaimana kendala (2) menjadi kendala linear.
Diberikan vektor x*, didefinisikan :
i(x*) = max
j Si
ij
) a
*
iti
ti
Sama dengan :
a ij x j z ij
i(x*) = maksimumkan
j Ji
(3)
22
kendala
z ij
(4)
j Ji
0
Persamaan
ini
a ij x
fungsi cost
equivalen {S i
(
{t i } S i
)a iti x * ti
z ij
i, j
J i , Si
, ti
Ji
J i \ Si }
dengan
j Si
Maka dual dari persoalan (4) adalah:
pij
Minimumkan
i i
j Ji
kendala
zi
pij
pij
zi
a ij x j
Ji
Ji
(5)
Dari aturan dualitas, karena persamaan (4) feasible dan terbatas untuk semua
i
[0, J i ] , maka dual persamaan (6) juga layak dan terbatas
[0, J i ] .
Sehingga diperoleh bahwa i(x*) adalah sama dengan nilai fungsi objektif pada
persamaan (5).
BAB 3
PEMBAHASAN
3.1 Solusi robust dari masalah goal programming dengan posible varians
negatif pada sisi sebelah kiri tujuan.
Ada 3 ide yang berhubungan dengan konsep solusi robust optimal yaitu:
a. Solusi robust optimal adalah suatu solusi yang mana akan optimal untuk
kemungkinan nilai terburuk (worst) dari koefisien yang diasumsikan
dalam intarval variansnya (penyimpangan). Terburuk maksudnya adalah
minimal untuk maksimum fungsi objektif dan untuk kendala lebih besar
atau sama dan maksimal dalam kasus lainnya.
b. Dengan mengaplikasikan definisi di atas , diperoleh kasus pessimistic,
dimana akan direduksi dalam menyelesaikan masalah yang berhubungan
dengan koefisien himpunan pada kemungkinan nilai terburuk. Suatu solusi
robust dapat sangat mudah diperoleh, tetapi kualitas ( nilai fungsi objektif)
mungkin sangat buruk. Dalam banyak kasus terdapat pendekatan yang
terlalu pesimistik, dengan segala asumsi yang bisa saja salah, dan bahwa
semua koefisien mungkin berubah-ubah pada arah negatif secara simultan.
c. Pada pendekatan dengan sifat alami (nature), diasumsikan bahwa hanya
beberapa koefisien yang akan benar-benar diganti (misalnya hanya harga
beberapa produk akan turun, tidak semua produk). Tentu tidak dapat
diketahui koefisien yang mana diganti dan dalam pendekatan hal itu tidak
perlu memilih koefisien yang diduga akan di ganti. Hanya hal yang
dibutuhkan adalah perkiraan untuk fungsi objektif dan tiap kendala itu
masing-masing, apakah opini memaksimalkan koefisien dapat diganti
dengan nilai yang relatif normal.
24
Dengan
n
persamaan
mengaplikasikan
pendekatan
cij x j d j , (i 1,..., k ) dengan cij
ini
pada
c ij , c ij , ( i = 1, ..., k; j = 1, ..., n),
j 1
c ij akan menjadi nilai normal. Solusi M-robust dimana M = (mi)ki=1 dan mi
( i=
1, ..., k) adalah bilangan bulat dipilih oleh si pembuat keputusan yang tidak
melebihi n, yang mana menerangkan berapa banyak koefisien dalam kendala ke-i
dapat diganti. Apabila mi = n (i =1,...,k) diasumsikan tidak ada yang akan salah
maka diperoleh solusi normal optimal.
3.2 Kriteria single linear programming terhadap solusi M-robust goal

programming
Sesuai model formulasi MIP , maka solusi M- robust dapat ditulis:

n
j 1
c ij x
max
A( x )
j Sj
ij
d (i
1, ..., k )
(*)
Dengan formulasikan kembali dengan cara yang sama ke dalam model goal
programming, maka diperoleh:
k
Z min
( wi d i
wi d i )
j 1
n
c ij x j
max
S i {1,...,n}
j Sj
S i mi
j 1
A( x)
x
ij
xj
di
di
bi , (i 1,..., k )
(**)
0, d i , d i
Nilai optimal dari fungsi objektif yang diperoleh dalam cara ini akan menjadi
nilai opimal terburuk dari total deviasi dimana dalam tiap goal i (i=1,...,k),
koefisien mi mengijinkan untuk mengambil paling sedikit nilai baik ( maksimal).
25
Dengan mengubah nilai mi , akan dilihat bagaimana pengaruh nilai optimal total
deviasi.
Lemma : andaikan
( x , x , ..., x )
1
max
j Sj
ij
x (i
j
1, ..., k ). Untuk
tiap vektor (x1, x2,..., xn) dan i= 1,2,...,k, i ( x1, x2, ..., xn), adalah nilai
fungsi objektif pada masalah linear programming
n
p ij
Minimumkan
mi z i
j 1
z1
p1
pij
0, ( j
ij
xj( j
1,..., n)
(***)
1,..., n), z i
Formulasi linear programming di atas, kemudian diapilkasikan pada solusi Mrobust:

k
Z min
( wi d i
wi d i )
j 1
n
c ij x j
pij
j 1
zi
pij
pij
0; ( j
A( x)
x
mi z i
di
di
bi; (i 1,..., k )
j 1
ij
x j ;( j
(****)
1,..., n); (i 1,..., k )
1,..., n), z i
0; (i 1,..., k )
0, d i , d i
0; (i 1,..., k )
Bukti: Jika ( x j ) nj 1 , (d i , d i ) ik 1 adalah solusi feasible persamaan (**), tentu saja

juga (sesuai bersama dengan nilai pij (j= 1, ..., n), zi) solusi layak persamaan
(****). Telah ditunjukkan bahwa nilai fungsi objektif (****) tidak melebihi
nilai fungsi objektif (**).
Dengan
n
ij
kata
lain
untuk
n
c ij x
max
j Sj
ij
menentukan
( x j ) nj 1 ,
dari
relasi
c x
j 1 ij
j 1
ij
m z ,i
i i
1, ..., k , p
0, z
ij
0,
bahwa untuk tiap solusi layak ( x j ) nj 1 , (d i , 0 , d i , 0 ) ik 1 persamaan (**) dan

untuk
tiap solusi
layak
( x j ) nj 1 ,
(d i ,1 , d i ,1 ) ik 1 ,
( pij , z j ) nj
terdapat
26
(d i , 0
d i ,1 ); (i 1,..., n) . Dari penjelasan diatas bahwa nilai fungsi optimal
(**) tidak melebihi nilai fungsi optimal (****).
3.3 Studi Kasus Masalah Perusahaan dengan 3 tipe Produksi
Sebuah perusahaan memproduksi 3 tipe produk dimana perusahaan tersebut

memiliki target yang ingin dicapai yakni, jumlah total penggunaan bahan-bahan
material adalah 120, jumlah total penggunaan para pekerja adalah 200, jumlah total
waktu penggunaan mesin adalah 300, sedangkan total penggantian harga penjualan
produk yang bernilai negatif adalah -1500, dimana:
1. c1 j ( j= 1,...,3) menunjukkan jumlah material paling banyak yang
dibutuhkan untuk memproduksi produk ke-j.
2. c 2 j ( j= 1,...,3) menunjukkan
jumlah pekerja paling banyak yang
dibutuhkan untuk memproduksi produk ke-j.

3.
c 3 j ( j= 1,...,3) menunjukkan paling banyak jumlah waktu mesin untuk
memproduksi produk ke-j.

4. c 4 j ( j= 1,...,3) menunjukkan paling banyak harga penjualan produk ke-j
dikalikan dengan -1.
Tabel 5. Jumlah kendala produksi
Produk 1
Produk 2
Produk 3
-32
-28
-40
c 11
c 22
c 33
c 44
Maka model goal programmingnya adalah:

Minimumkan
d1
d1
d2
d2
d3
d3
d4
d4
27
kendala:
4 x1
6 x2
3 x3
d1
d1
120
7 x1
5x2
6 x3
d2
d2
200
3 x1
5x2
7 x3
d3
d3
300
40 x3
d4
d4
32 x1
28x 2
x1 , x2 , x3
0; d i , d i
1500
0; (i 1,2,3,4)
Dengan menggunakan software LINDO diperoleh (lihat lampiran 1):

Solusi optimal dari masalah tersebut adalah : x1= 0; x2 = 1,9; x3 = 36,1; d2+
=26, 5; d3- = 37,3.; d1- = d1+ = d2- = d3+ = d4- = d4+ = 0.
Kemudian
asumsikan
bahwa
kemungkinan
(possible)
varians
dari
koefisien c1 j adalah kurang lebih sama dengan 10 % dari nilai normal. Maka:
Tabel 6. Kendala produksi dengan nilai varians.
Produk 1
Produk 2
Produk 3
4.4
6.6
3.3
0,4
0,6
0,3
7.7
5.5
6.6
0,7
0,5
0,6
3.3
5.5
7.7
0,3
0,5
0,7
-28.8
-25.2
-36
3,2
2,8
11
11
22
22
33
33
44
44
Dalam kasus penggunaan material, mungkin saja terjadi penyimpangan

kualitas bahan material yang digunakan sehingga mempengaruhi kualitas produk
28
yang akan dihasilkan. Dalam kasus para pekerja, nilai yang normal dapat berubah
karena kurangnya pengalaman atau motivasi serta waktu yang diperlukan mesin
dalam memproduksi 1 produk
mungkin berpengaruh pada tingkat kelayakan
(gagal) mesin. Harga per unit mungkin dapat turun ( maksudnya kenaikan dari
pergantian nilai dikalikan -1) karena situasi pasar yang tidak pasti.
Karena
adanya
penyimpangan-penyimpangan
maka
masalah
programming tersebut akan didekati dengan solusi optimal robust, dengan
goal
ij
(i
=1, ...,k; j = 1, ...,n) di sisi sebelah kiri goal (left-hand sides).

Dengan mengaplikasikan masalah (****) pada model goal programming,
maka bentuknya menjadi:
Minimumkan
d1
d1
d2
d2
d3
d3
d4
d4
4 x1
6 x2
3 x3
p11
p12
p13
m1 z1
7 x1
5x2
6 x3
p 21
p 22
p 23
m2 z 2
d2
d2
200
3 x1
5x2
7 x3
p31
p32
p33
m3 z 3
d3
d3
300
40 x3
p 41
p 42
p 43
m4 z 4
d4
p13
0.3 x3
kendala :
32 x1
28x 2
0.6 x2 ; z1
d1
d1
120
z1
p11
0.4 x1 ; z1
p12
z2
p21
0.7 x1 ; z 2
p21
0.5 x2 ; z 2
p 23
0 .6 x 3
z3
p31
0.3 x1 ; z 3
p32
0 .5 x 2 ; z 3
p33
0 .7 x 3
z4
p41
3.2 x1 ; z 4
p42
2.8x2 ; z 4
p 43
4x3
d4
1500
xi, zi, di-/+,pij 0 ( i = 1,2, 3, 4; j = 1, 2, 3)

Dimana m1,m2, m3, m4 adalah parameter , bilangan integer. Dan pada kasus
ini diambil bilangan bulatnya lebih kecil atau sama dengan 3 (0,1,2,3), yang
kemudian akan diseleksi oleh pemimpin perusahaan untuk menentukan tingkat
pesimistik tiap target. Untuk goal ke-i, mi menunjukkan berapa banyak koefisien
goal dari sisi sebelah kiri (left hand side) yang dapat dijangkau dari nilai yang
diijinkan.
29
a) Untuk Parameter mi ( 0, 0, 0, 0).

Maka formulasinya:
Minimumkan
d1
d1
d2
d2
d3
d3
d4
d4
4 x1
6 x2
3 x3
p11
p12
p13
0 z1
7 x1
5x2
6 x3
p 21
p 22
p 23
0z2
d2
d2
200
3 x1
5 x2
7 x3
p31
p32
p33
0 z3
d3
d3
300
40 x3
p 41
p 42
p 43
0z4
d4
d4
0.6 x2 ; z1
p13
0.3 x3
kendala:
32 x1
28x 2
d1
d1
120
z1
p11
0.4 x1 ; z1
p12
z2
p21
0.7 x1 ; z 2
p21
0.5 x2 ; z 2
p 23
0 .6 x 3
z3
p31
0.3 x1 ; z 3
p32
0 .5 x 2 ; z 3
p33
0 .7 x 3
z4
p41
3.2 x1 ; z 4
p42
2.8x2 ; z 4
p 43
4x3
1500
xi, zi, di-/+,pij 0 ( i = 1,2, 3, 4; j = 1, 2, 3)

Dengan mensubstitusi nilai parameter parameter m1, m2, m3, m4 (0, 0, 0, 0) .
Dengan aplikasi program LINDO diperoleh:
Hasil optimal deviasinya adalah:
x1= 0; x2 = 0; x3=37,5; p11=0; p12 = 0; p13=7,5; z1=3,34; p21=0; p22=0; p23=0; z2=
21,69; p31= 37,5; p32=0; p33=0; z3=23,29; p41=0; p42=0; p43=0; z4=144,60
d2+ =25 ; d1- = d1+ = d2- = d3+ =d3- = d4- = d4+ = 0.
Hasil optimal total worst deviasinya dengan parameter (0, 0, 0, 0) adalah 25.
b). Untuk parameter m1, m2, m3, m4 ( 0, 0, 0, 3)

Minimumkan
d1
d1
d2
d2
d3
d3
d4
d4
4 x1
6 x2
3 x3
p11
p12
p13
0 z1
7 x1
5x2
6 x3
p 21
p 22
p 23
0z2
d2
d2
200
3 x1
5 x2
7 x3
p31
p32
p33
0 z3
d3
d3
300
40 x3
p 41
p 42
p 43
3z 4
d4
d4
0.6 x2 ; z1
p13
0.3 x3
kendala:
32 x1
z1
p11
28x 2
0.4 x1 ; z1
p12
d1
d1
120
1500
30
z2
p21
0.7 x1 ; z 2
p21
0.5 x2 ; z 2
p 23
0 .6 x 3
z3
p31
0.3 x1 ; z 3
p32
0 .5 x 2 ; z 3
p33
0 .7 x 3
z4
p41
3.2 x1 ; z 4
p42
2.8x2 ; z 4
p 43
4x3
xi, zi, di-/+,pij 0 ( i = 1,2, 3, 4; j = 1, 2, 3)

Dengan aplikasi program LINDO diperoleh (lihat lampiran):
x1= 0; x2 = 0; x3 = 41,24; p11 = 0; p12 = 0; p13 = 0; z1 = 10,84; p21 = 0; p22 = 0; p23
= 0; z2= 21,69; p31 = 0; p32 = 0; p33 = 11,25; z3 = 12,04; p41 = 0; p42 = 5,37; p43 =
144,60; z4 = 0
d1+ =3,74; d2+ = 47,49 ; d1- = d2- = d3+ =d3- = d4- = d4+ = 0.
Total worst deviasi dengan parameter m1, m2, m3, m4 (0, 0, 0, 3) adalah 51,23.
c). Untuk parameter m1, m2, m3, m4 ( 1, 1, 1, 1)

Minimumkan
d1
d1
d2
d2
d3
d3
d4
d4
4 x1
6 x2
3 x3
p11
p12
p13 1z1
d1
d1
7 x1
5x2
6 x3
p 21
p 22
p 23 1z 2
d2
d2
200
3 x1
5x2
7 x3
p31
p32
p33 1z 3
d3
d3
300
40 x3
p 41
p 42
d4
d4
kendala:
32 x1
28x 2
p 43 1z 4
0.6 x2 ; z1
p13
120
1500
0.3 x3
z1
p11
0.4 x1 ; z1
p12
z2
p21
0.7 x1 ; z 2
p21
0.5 x2 ; z 2
p 23
0 .6 x 3
z3
p31
0.3 x1 ; z 3
p32
0 .5 x 2 ; z 3
p33
0 .7 x 3
z4
p41
3.2 x1 ; z 4
p42
2.8x2 ; z 4
p 43
4x3
xi, zi, di-/+,pij 0 ( i = 1,2, 3, 4; j = 1, 2, 3)

Dengan aplikasi program LINDO diperoleh ( lihat lampiran):
31

x1= 0; x2 = 0; x3 = 41,11; p11 = 0; p12 = 0; p13 = 0; z1 = 10,84; p21 = 0; p22 = 0; p23
= 0; z2 = 21,69; p31 = 0; p32 = 0; p33 = 22,34; z3 = 0,96; p41 = 0; p4 2= 0; p43 =
139,22; z4 = 5,37;
d1+ =14,18; d2+ = 68,37 ; d3+ = 11,10; d1- = d2- = d3- = d4- = d4+ = 0.
d). Untuk parameter m1, m2, m3, m4 ( 1, 1, 1, 3)

Minimumkan
d1
d1
d2
d2
d3
d3
d4
d4
4 x1
6 x2
3 x3
p11
p12
p13 1z1
d1
d1
7 x1
5x2
6 x3
p 21
p 22
p 23 1z 2
d2
d2
200
3 x1
5 x2
7 x3
p31
p32
p33 1z 3
d3
d3
300
40 x3
p 41
p 42
p 43
3z 4
d4
0.6 x2 ; z1
p13
0.3 x3
kendala:
32 x1
28x 2
120
d4
z1
p11
0.4 x1 ; z1
p12
z2
p21
0.7 x1 ; z 2
p21
0.5 x2 ; z 2
p 23
0 .6 x 3
z3
p31
0.3 x1 ; z 3
p32
0 .5 x 2 ; z 3
p33
0 .7 x 3
z4
p41
3.2 x1 ; z 4
p42
2.8x2 ; z 4
p 43
4x3
1500
xi, zi, di-/+,pij 0 ( i = 1,2, 3, 4; j = 1, 2, 3)

Hasil optimal deviasinya adalah (lihat lampiran):
x1= 0; x2 = 0; x3 = 41,24; p11 = 0; p12 = 0; p13 = 0; z1 = 10,84; p21 = 0; p22 = 0;
p23 = 0; z2 = 21,69; p31 = 0; p32 = 0; p33 = 22,34; z3 = 0,96; p41 = 0; p42 = 5,37;
p43 = 144,60; z4 = 0;
d1+ =14,58; d2+ = 69,18 ; d3+ = 12,04; d1- = d2- = d3- = d4- = d4+ = 0
32
e). Untuk parameter m1, m2, m3, m4 ( 2,2,2,2)

Minimumkan
d1
d1
d2
d2
d3
d3
d4
d4
4 x1
6 x2
3 x3
p11
p12
p13
2 z1
7 x1
5x2
6 x3
p 21
p 22
p 23
2z2
d2
d2
200
3 x1
5x2
7 x3
p31
p32
p33
2 z3
d3
d3
300
40 x3
p 41
p 42
p 43
2z4
d4
d4
0.6 x2 ; z1
p13
0.3 x3
kendala:
32 x1
28x 2
d1
d1
120
z1
p11
0.4 x1 ; z1
p12
z2
p21
0.7 x1 ; z 2
p21
0.5 x2 ; z 2
p 23
0 .6 x 3
z3
p31
0.3 x1 ; z 3
p32
0 .5 x 2 ; z 3
p33
0 .7 x 3
z4
p41
3.2 x1 ; z 4
p42
2.8x2 ; z 4
p 43
4x3
1500
xi, zi, di-/+,pij 0 ( i = 1,2, 3, 4; j = 1, 2, 3)

Dengan aplikasi program LINDO diperoleh (lihat lampiran):
x1= 0; x2 = 0; x3 = 41,24; p11 = 0; p12 = 0; p13 = 9,69; z1 = 1,15; p21 = 0; p22 = 0;
p23 = 20,73; z2 = 0,96; p31 = 0; p32 = 0; p33 = 22,34; z3 = 0,96; p41 = 0; p42 = 5,37;
p43 = 144,60; z4 = 0;
d1+ =15,73; d2+ = 70,14 ; ; d1- = d2- = d3+ =d3- = d4- = d4+ = 0
f). Untuk parameter m1, m2, m3, m4 ( 3,3,3,3)

Minimumkan
d1
d1
d2
d2
d3
d3
d4
d4
4 x1
6 x2
3 x3
p11
p12
p13
3 z1
7 x1
5x2
6 x3
p 21
p 22
p 23
3z 2
d2
d2
200
3 x1
5 x2
7 x3
p31
p32
p33
3z 3
d3
d3
300
40 x3
p 41
p 42
p 43
3z 4
d4
d4
kendala:
32 x1
28x 2
d1
d1
120
1500
33
z1
p11
0.4 x1 ; z1
p12
0.6 x2 ; z1
z2
p21
0.7 x1 ; z 2
p21
0.5 x2 ; z 2
p 23
0 .6 x 3
z3
p31
0.3 x1 ; z 3
p32
0 .5 x 2 ; z 3
p33
0 .7 x 3
z4
p41
3.2 x1 ; z 4
p42
2.8x2 ; z 4
p 43
4x3
p13
0.3 x3
xi, zi, di-/+,pij 0 ( i = 1,2, 3, 4; j = 1, 2, 3)

x1= 0; x2 = 0; x3 = 41,24; p11 = 0; p12 = 1,15; p13 = 10,84; z1 = 0; p21 = 0; p22 =
0,96; p23 = 21,69; z2 = 0; p31 = 0; p32 = 0,96; p33 = 23,29; z3 = 0; p41 = 0; p42 =
5,37; p43 = 144,60; z4 = 0;
d1+ =15,73; d2+ = 70,14 ; ; d1- = d2- = d3+ =d3- = d4- = d4+ = 0
BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Dari uraian bab-bab sebelumnya, maka dapat dibuat beberapa kesimpulan yaitu:
a. Pendekatan robust optimisasi pada goal programming ini memberikan
suatu solusi pada pembuat keputusan dalam menentukan nilai optimal
yang paling buruk (worst value) dari total deviasi pada target (goal),
dengan memberikan parameter yang bersifat integer.
b. Dengan mengganti koefisien
parameter pada setiap kendala dalam
kerangka kerja goal programming dan tidak mengubah kendalanya

diperoleh nilai total worst deviasi yang berbeda.
c. Untuk beberapa nilai parameter m1, m2, m3, m4 dikombinasikan dengan
nilai yang lebih dari 1 misalnya (2, 2, 2, 2) dan (3, 3, 3, 3) diperoleh total
worst deviasi yang sama.
4.2 Saran
1. Disarankan untuk adanya penelitian lebih lanjut tentang Optimisasi robust

pada goal programming.
2. Disarankan untuk adanya kajian lebih lanjut dalam penetapan nilai
parameter integer, dan bagaimana pengaruhnya jika penetapan parameter
integer lebih dari 4 terhadap total worst deviasinya.
3. Disarankan adanya kajian lebih lanjut bagaimana pengaruhnya jika
parameternya tidak integer.
35
1. Tampilan Software LINDO untuk Solusi Goal Programming (hal.27)
36
2. Penghitungan Software LINDO untuk Parameter (0, 0, 0, 0)
37
3. Penghitungan dengan Software LINDO untuk Parameter (0, 0, 0, 3)
38
39
40
6. Penghitungan dengan Software LINDO untuk Parameter (2, 2, 2,2)
41
DAFTAR PUSTAKA
Bertsimas, D. and Sim, M, 2002. Robust Discrete Optimization and Network

Flows. Math. Program. Ser. B 98, 49-71.
G, David, Danenbring, Starr, Marthin. K, 1981. Management Science An
Introduction. Mc Graw Hill Book Company: USA.
Kuchta, D, 2004. Robust Goal Programming, Institute of Industrial
Engineering, Vol. 33, No. 3, University of Technology Smoluchowsklego
25, 50-371, Poland.
Levin, Richard. I, Rubin, David. S, Stinson, Joel. P, S. Everette, Jr. Gardner, 1992.
Quantitative Approach to Management eight Edition. McGraw-Hill Inc:
Singapore.
Mulvey, Jhon. and Vanderbei, Robert, 1994. Robust Optimization of Large Scale
Systems. Princeton University, New Jersey.
Nasendi, B.D, Anwar, affendi, 1985. Program Linier dan Variansnya. PT.
Gramedia: Jakarta.
Taylor, Bernard. III, 1996. Sains Manajemen. Salemba Empat: Jakarta.
Tutorial,
http: // www.springerlink.com/index/680Q669B92VYOFNY8.pdf,
Adjustable Robust Solutions of uncertain Linear Program, tanggal 17

Juli 2009.
Tutorial, http: //en.wikipedia.org/wiki/Goal Programming Goal Programming,
tanggal 2 Juni 2009.
Tutorial,
http:
//en.wikipedia.org/wiki/Robust
optimization,
Optimization, tanggal 5 Mei 2009.

Tutorial, rul2a@yahoo.com, Goal Programming, tanggal 12 Juni 2009.
Robust

Goal Programming DGN Robust

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Goal Programming DGN Robust

Diunggah oleh

Hak Cipta:

Format Tersedia

STUDI TENTANG GOAL PROGRAMMING DENGAN

PENDEKATAN OPTIMISASI ROBUST

STUDI TENTANG GOAL PROGRAMMING DENGAN

UNIVERSITAS SUMATERA UTARA

: STUDI TENTANG GOAL PROGRAMMING

Dra. Esther S.M Nababan

Prof.Dr. Herman Mawengkang

Dr. Saib Suwilo, M.Sc.

STUDI TENTANG GOAL PROGRAMMING DENGAN PENDEKATAN

Dalam kesempatan ini, penulis juga menyadari keterlibatan berbagai pihak

9. Seluruh rekan-rekan Matematika stambuk 2005 seperjuangan, dDa,

Penulis menyadari bahwa masih banyak kekurangan dalam menyelesaikan

Medan, Desember 2009

1.2 Identifikasi Masalah

1.3 Tujuan dan manfaat Penelitian

1.4 Metodologi Penelitian

1.5 Tinjauan Pustaka

BAB II LANDASAN TEORI

2.2 Optimisasi Robust

2.3 Formulasi Robust Mixed Integer Programming

BAB III PEMBAHASAN

BAB IV KESIMPULAN DAN SARAN

Tabel awal Simpleks

Tabel jumlah kendala probuksi

Tabel jumlah kendala dengan varians 26

1.1 Latar Belakang

merupakan perluasan dari linear programming untuk

Karakteristik yang membedakan goal programming dan linear programing

Awal aplikasi goal programming dilakukan oleh Charnes dan Cooper

= koefisien xj (j = 1, 2, 3, ..., n) pada fungsi obyektif dalam

= target untuk tujuan-k.

= variabel penyimpangan yang merepresentasikan tingkat

Formula umum goal programming dapat dituliskan secara lengkap sebagai:

Pada tulisan ini penulis menggunakan suatu pendekatan pada goal

Dengan pendekatan ini dimaksudkan untuk menemukan solusi layak solusi

1.2 Identifikasi Masalah

Goal programming merupakan suatu teknik optimisasi untuk menganalisis dan

1.3 Tujuan dan Manfaat Penelitian

1.4 Metodologi Penelitian

b. Menjelaskan tentang pendekatan robust dalam literatur.

1.5 Tinjauan Pustaka

A. Ben-Tal, A. Goryashko, E. Guslitzer, A. Nemirovski dalam papernya yang

David G, Dannenbring, Marthin K.Starr (1981) dalam bukunya yang

Dorota Kuchta (2004) dalam papernya Robust Goal Programming,

2.1 Goal Programming

keuntungan atau meminimumkan biaya. Sehingga para pembuat keputusan

penyimpangan-penyimpangan dari tujuan tertentu. sehingga hal ini berarti semua

penyimpangan dari tujuan-tujuan itu diminimumkan, goal programming dapat

= banyaknya tujuan yg dipertimbangkan

= koefisien xj ( j= 1, 2, 3, ..., n) pada fungsi objektif dalam setiap

= target untuk tujuan-k.

Solusi untuk persoalan goal programming adalah bagaimana mendekati

menjadi tujuan itu sedekat mungkin, dan jika terjadi

penyimpangan maka penyimpangan-penyimpangan itu minimum.

Karena tidak mungkin dapat mencapai seluruh target, maka perlu

Dengan demikian, fungsi objektif goal programming diekspresikan sebagai

pada fungsi obyektif yang dapat

Seghingga fungsi objektif goal programming menjadi:

dk+ dan dk- merupakan variabel penyimpangan (deviational variables) yang

Dalam formulasi goal progamming ini setiap target dimasukkan dalam

dan ( x1, x2, d1-, d1+, d2-, d2+, d3-, d3+) 0

Mengahasilkan total keuntungan paling sedikit

Penjualan x2 minimal 9 unit

() tidak melebihi nilai fungsi optimal (**).