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.
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar sarjana
sains
DESI VINSENSIA
050803023
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
ii
PERSETUJUAN
Judul
Kategori
Nama
Nomor Induk Mahasiswa
Program Studi
Departemen
Fakultas
Komisi Pembimbing
Pembimbing 2
Pembimbing 1
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU
Ketua,
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
iii
PERNYATAAN
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
vii
Penulis
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
16
19
22
3.2 Kriteria Single Linear Programming terhadap Solusi MRobust Goal Programming
3.3 Studi Kasus Masalah Perusahaan dengan 3 tipe Produksi
23
25
33
4.2 Saran
33
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
ix
DAFTAR PUSTAKA
LAMPIRAN
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
34
DAFTAR TABEL
Tabel
Halaman
11
Tabel iterasi 1
12
Tabel iterasi 2
13
Tabel iterasi 3
14
Tabel iterasi 4
15
25
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
BAB 1
PENDAHULUAN
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.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
cjk
bk
dk /
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.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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.
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.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
BAB 2
LANDASAN TEORI
difokuskan
pada
tujuan
tunggal
seperti
memaksimumkan
dalam
goal
programming
tujuannya
adalah
meminumkan
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
cjk
bk
c j1 x j
b1
c2 x j
b2
j 1
n
j 1
.
.
.
.
.
.
n
c jk x j
bk
j 1
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
k 1
j 1
Z min
c jk x j
bk
didefinisikan sebagai: d k
c jk x j
bk , untuk k = 1, 2, ..., m
j 1
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
Z min
dk
dk
dk
dk
k 1
kendala:
n
c jk x j
bk
j 1
(x j , dk / )
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
No
1
Target
Prioritas
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
11
Rp 700.000,00
2
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
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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)
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
(c j
zj)
0.
b.
c.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
18
R n1 ,
R n2 ,
merupakan
vektor
variabel
keputusan
kendali
dimana
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.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
19
(1)
R n2
kendala:
Ax = b
(2)
Bx + Cy = e,
(3)
x, y 0.
(4)
peluang skenario ps (
ps
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
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
(5)
20
kendala: Ax = b
(6)
Bs x + Csys + zs = es,
untuk semua s
(7)
x 0, ys 0,
untuk semua s
(8)
ps
(9)
Dalam analisis
definisikan :
(.)
max
s
(10)
cx
kendala
Ax b
lxu
xi Z,
i = 1, ..., k
(1)
diketahui) aij , j
a ij , aij
a ij ] .
cj, j N nilai
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
21
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
aij, j Ji independent mengambil nilai sesuai pada distribusi simetrik dengan rata-
a ij , 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 (
)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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
(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
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 ] .
Sehingga diperoleh bahwa i(x*) adalah sama dengan nilai fungsi objektif pada
persamaan (5).
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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.
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
24
Dengan
n
persamaan
mengaplikasikan
pendekatan
ini
pada
j 1
( 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.
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).
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
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), z i
0; (i 1,..., k )
0, d i , d i
0; (i 1,..., k )
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,
tiap solusi
layak
( x j ) nj 1 ,
(d i ,1 , d i ,1 ) ik 1 ,
( pij , z j ) nj
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
terdapat
26
(d i , 0
Produk 2
Produk 3
-32
-28
-40
c 11
c 22
c 33
c 44
d1
d1
d2
d2
d3
d3
d4
d4
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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)
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
(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
goal
ij
(i
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
29
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
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
31
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
32
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
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
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
4.2 Saran
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
35
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
36
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
37
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
38
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
39
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
40
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
41
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
DAFTAR PUSTAKA
http: // www.springerlink.com/index/680Q669B92VYOFNY8.pdf,
Tutorial,
http:
//en.wikipedia.org/wiki/Robust
optimization,
Desi Vinsensia : Studi Tentang Goal Programming Dengan Pendekatan Optimisasi Robust, 2009.
Robust