P. 1
kuliah OR 1

kuliah OR 1

|Views: 498|Likes:
Dipublikasikan oleh dinarbekti
Operational Research presentation
Operational Research presentation

More info:

Categories:Types, School Work
Published by: dinarbekti on Feb 14, 2010
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

11/29/2012

pdf

text

original

OPERATIONS RESEARCH 1

MATERI KULIAH 1

susy susmartini

operations research 1, 2006

1

TAHAPAN KEGIATAN : • PERENCANAAN • PERSIAPAN/PENGADAAN • OPERASIONAL • EVALUASI PENGAMBILAN KEPUTUSAN

KENDALA / KETERBATASAN

OPTIMASI

TUJUAN
susy susmartini operations research 1, 2006 2

PENGAMBILAN KEPUTUSAN DENGAN PENDEKATAN OPERATIONS RESEARCH

MODEL DETERMINISTIK
• PROGRAM LINIER • PROGRAM INTEGER • PROGRAM NON LINIER • PROGRAM DINAMIS • MODEL PERSEDIAAN • MODEL JARINGAN
susy susmartini

MODEL STOKASTIK
• MODEL ANTRIAN • PROSES MARKOV • MODEL SIMULASI • ANALISA KEPUTUSAN

operations research 1, 2006

3

PROGRAMA LINIER
• METODE GRAFIS • METODE SIMPLEKS :
– OPERASI PIVOT ( TABLO ) • METODE UMUM/DASAR • METODE BIG M • METODE DUA PHASE – REVISED SIMPLEX METHOD

• MASALAH DUALITAS ( PRIMAL-DUAL ) • ANALISA SENSITIVITAS • SPECIAL TYPES :
– – – – TRANSPORTATION PROBLEM TRANSHIPMENT PROBLEM ASSIGNMENT PROBLEM MULTIDIVISIONAL PROBLEM
operations research 1, 2006 4

susy susmartini

BATASAN UMUM
FUNGSI TUJUAN (Objective function) :

Max / Min

Z = c1 x1 + c2 x2 + ....... + cn xn

FUNGSI KENDALA (Subject to / Constraint) :

a11 x1 + a12 x2 + .......... + a1n xn ( ≤, =, atau ≥ ) k1 a21 x1 + a22 x2 + .......... + a2 n xn ( ≤, =, atau ≥ ) k 2 : : am1 x1 + am 2 x2 + .......... + amn xn ( ≤, =, atau ≥ ) k m x1 , x2 ,......., xn ≥ 0
susy susmartini operations research 1, 2006 5

CONTOH 1 : Sebuah perusahaan pembuat pesawat TV memutuskan untuk membuat TV berukuran 27’ dan 20’. Menurut pengamatan, kebutuhan pasar tidak lebih dari 40 unit / bulan untuk TV 27’, dan tidak lebih dari 10 unit / bulan untuk TV 20’. Produksi 1 unit TV 27’ memerlukan waktu selama 20 jam kerja, dan 1 unit TV 20’ memerlukan waktu selama 10 jam kerja. Sedangkan waktu yang tersedia : 500 jam kerja / bulan. Besarnya keuntungan untuk setiap unit TV 27’ diharapkan $120, dan $80 / unit TV 20’ Seorang penyalur bersedia membeli semua produksi kedua tipe TV tersebut, asalkan tidak melampaui jumlah yang diperoleh dari hasil pengamatan tentang kebutuhan pasar. Formulasikan ke dalam model Programa Linier untuk mendapatkan jumlah masing-masing tipe TV tersebut, agar diperoleh keuntungan yang maksimal.

susy susmartini

operations research 1, 2006

6

Penyelesaian :
Misalkan : jumlah produk I (TV 27’) : x1 jumlah produk II (TV 20’) : x2 Objective Function :

Max :
Constraint Set :

Z = 120 x1 + 80 x2

20 x1 + 10 x2 ≤ 500 x1 ≤ 40 x2 ≤ 10

x1 dan x2 ≥ 0
susy susmartini operations research 1, 2006 7

CONTOH 2 :
Sebuah perusahaan tambang mengoperasikan tiga tambang di Virginia Barat. Bijian dari tiap tambang dipisahkan ke dalam dua jenis kualitas sebelum dikirimkan kepada konsumennya. Berikut ini adalah kapasitas produksi dan ongkos produksi harian masing-masing tambang tersebut : TAMBANG KUALITAS TINGGI (TON/HARI) 4 6 1 KUALITAS BIAYA OPERASI RENDAH ($1000/HARI) (TON/HARI) 4 4 6 20 22 18

I II III

Perusahaan telah memutuskan untuk mengirim 54 ton bijian kualitas tinggi dan 65 ton bijian kualitas rendah tiap minggu. Formulasikan ke dalam model Programa Linier untuk menentukan jumlah hari kerja di tiap tambang dalam satu minggu, agar perusahaan dapat menekan biaya operasionalnya.
susy susmartini operations research 1, 2006 8

PENYELESAIAN : Misalkan : Jumlah hari kerja di tambang i adalah

xi

Untuk i = 1, 2, 3
Objective function : Minimize Subject to : 4 x1 + 6 x2 +1x3 ≥ 54 4 x1 + 4 x2 + 6 x3 ≥ 65 x1 x2 ≤ 7 ≤ 7 x3 ≤ 7 x1 , x2 , x3 ≥ 0
susy susmartini operations research 1, 2006 9

Z = 20 x1 + 22 x2 +18 x3

METODE GRAFIS
CONTOH 3 : Sebuah perusahaan merencanakan dua macam produksi, yaitu Bearing Plate (Produk I) dan Gear (Produk II). Proses produksi kedua produk tersebut menggunakan Milling Machine (kapasitas : 60 Machine Hours / week) dan Metal Lathe (kapasitas : 40 Machine Hours / week) yang sama. Masing-masing produk memerlukan lama waktu pengerjaan yang berbeda pada tiap mesin tersebut, yaitu :
Machine Milling Machine Metal Lathe Machine Hours / unit Product I 5 4 Product II 10 4

Jika diperkirakan keuntungan Produk I : $6 dan Produk II : $8, berapa jumlah masing-masing produk yang harus dibuat, agar mendapatkan keuntungan yang maksimal
susy susmartini operations research 1, 2006 10

Penyelesaian :
Misalkan : Jumlah Produk I :
12 10 8
A(0,6)

x1

Jumlah Produk II : x2
Z = 48

5 x1 + 10 x2 ≤ 60

Objective function : Maximize Z = 6 x1 + 8 x2 Subject to : 5 x1 + 10 x2 ≤ 60 4 x1 + 4 x2 ≤ 40 x1 , x2 ≥ 0

6 4

4 x1 + 4 x2 ≤ 40

Optimal pada : x1 = 8, x2 = 2 → Z = 64

Z = 64 2
B(8,2) C(10,0)

Z = 60 10 12
11

0

2

4

6

8

susy susmartini

operations research 1, 2006

METODE SIMPLEKS (OPERASI PIVOT)

KOLOM-KOLOM DALAM TABLO : 1. 2.

BEKERJA DALAM TABLO

C B : Koefisien Variabel Basis pada Fungsi Tujuan (Objective Function) VB
: Variabel Basis a. Variabel Basis Awal : Variabel yang terdapat hanya pada satu Constraint Set b. Variabel Basis pada langkah-langkah selanjutnya Dipilih, sebagai Entering Variable, melalui pemilihan : c.

C j yang positif terbesar (Maximize) C j yang paling negatif (Minimize)

Variabel Basis yang diganti : Leaving Variable, melalui pemilihan nilai terkecil pada kolom perbandingan RK :

susy susmartini

operations research 1, 2006

VB

12

3. xi 4. C j 5. 6.

:Variabel : Koefisien Variabel Pada Fungsi Tujuan

Konst Ruan Kn : Konstanta Pembatas pada Constraint Set Perband RK : KP : Perbandingan Kolom Konstanta Ruas Kanan dengan Kolom Pivot

CB

Var Basis

Cj

x1

x2

.

.

.

Konst Ruas Kanan

Perband Konst RK: Kolom Pivot

Cj
susy susmartini operations research 1, 2006 13

LANGKAH-LANGKAH OPERASI PIVOT 1. Ubah Formulasi / Bentuk Dasar Programa Linier ke Bentuk Standard : a. Constraint Set berbentuk persamaan “=“ b. Konstanta Ruas Kanan pada Constraint Set harus positif c. Variabel tambahan pada Constraint Set harus > 0 d. Koefisien Variabel Tambahan pada Objective Function harus “= 0” 2. Bentuk Tablo dengan Kolom-kolom yang telah ditentukan 3. Pilih Variabel Basis Awal, kemudian letakkan berurut pada Kolom Variabel Basis 4. Isi kolom-kolom yang telah ditentukan, serta isi baris 5. Cari Entering Variable :

Cj

a. C = C j − ( Jumlah perkalian kolom variabel " j" dengan kolom C B ) b. Pilih Entering Variable sesuai Objective Function

susy susmartini

operations research 1, 2006

14

6. Kolom Entering Variable, disebut KOLOM PIVOT (KP) 7. Isi kolom “Perband RK : KP”, kemudian pilih nilai terkecil sebagai Leaving Variable. Abaikan hasil perbandingan yang bernilai negatif dan pembagi nol. Baris Leaving Variable disebut BARIS PIVOT 8. Cek nilai C j : a. Untuk masalah Maximize keadaan OPTIMAL pada C j ≤ 0 b. Untuk masalah Minimize keadaan OPTIMAL pada 9. Berhenti pada kondisi OPTIMAL Dengan hasil : Variabel yang menjadi Variabel Basis bernilai besarnya Konstatnta Ruas Kanannya. Variabel yang tidak terpilih sebagai Variabel Basis saat itu, bernilai nol
susy susmartini 15

Cj ≥0

operations research 1, 2006

10. Jika belum optimal, lanjutkan TABLO ke bawah 11. Ganti Variabel Basis yang terpilih sebagai Leaving Variable dengan variabel yang terpilih sebagai Entering Variable 12. Perpotongan antara KOLOM PIVOT dengan BARIS PIVOT disebut TITIK PIVOT a. Upayakan TITIK PIVOT bernilai “1”. Semua konstanta yang berada di atas / bawahnya dalam KOLOM PIVOT berharga nol. b. Konstanta lain disesuaikan (melalui iterasi) 13. Hitung C j 14. Cek kembali, apakah sudah optimal ? a. Jika sudah optimal, hentikan iterasi (seperti langkah 9) b. Jika belum optimal, lanjutkan ke langkah 10
susy susmartini operations research 1, 2006 16

CONTOH 4 :

Objective function : Maximize Z = 3 x1 + 2 x2 Subject to : x1 ≤ 4 x1 + 3 x2 ≤ 15 Berapa nilai 2 x1 + x2 ≤ 10 x1 , x2 ≥ 0 x1 , dan x2
Yang optimal ?

BENTUK STANDARD :

Objective function : Maximize Z = 3 x1 + 2 x2 + 0 S1 + 0 S 2 + 0 S3 Subject to : x1 + S1 = 4 x1 + 3 x2 + S2 = 15 2 x1 + x2 + S3 = 10 x1 , x2 , S1 , S 2 , S 3 ≥ 0
susy susmartini operations research 1, 2006 17

CB
0 0 0

Var Basis

Cj

3

2

0

0

0

x1
1 1 2 3 3

x2
0 3 1 2 2

S1
1 0 0 0 0

S2
0 1 0 0 0

S3
0 0 1 0 0

Konst Ruas Kanan 4 15 10 Z=0 Konst Ruas Kanan 4 11 2 Z=12

Perband Konst RK: Kolom Pivot 4/1 = 4 15/1 = 15 10/2=5

S1 S2
S3

Cj

CB
3 0 0

Var Basis

Cj

x1
1 0 0 0

x2
0 3 1 2

S1
1 -1 -2 -3

S2
0 1 0 0

S3
0 0 1 0

Perband Konst RK: Kolom Pivot 4/0 11/3=3.67 2/1=2

x1
S2
S3

Cj
susy susmartini

operations research 1, 2006

18

CB
3 0 2

Var Basis

Cj

3

2

0

0

0

x1
1 0 0 0 3

x2
0 0 1 0 2

S1
1 5 -2 1 0

S2
0 1 0 0 0

S3

Konst Ruas Kanan

x1
S2
0 -3 1 -1 0 4 5 2 Z=16 Konst Ruas Kanan 3 1 4 Z=17

Perband Konst RK:Kolom Pivot 4/1=4 5/5=1 2/-2=-1 Optimal pada

x2
Cj

CB
3 0 2

Var Basis

Cj

x1
1 0 0 0

x2
0 0 1 0

S1
0 1 0 0

S2
-1/5 1/5 2/5 -1/5

S3
3/5 -3/5 -1/5 -7/5

x1
S1

x1= 3
= x2 4 Z=17

x2
Cj

susy susmartini

operations research 1, 2006

19

VARIABEL SEMU
CONTOH 5 :

Objective function : Minimize Z = −3x1 + x2 + x3 Subject to : x1 − 2 x2 + x3 ≤ 11 −4 x1 + x2 + 2 x3 ≥ 3 2 x1 − x3 = − 1 x1 , x2 , x3 ≥ 0
BENTUK STANDARD

Objective function : Minimize Z = −3 x1 + x2 + x3 + 0 S1 + 0 S 2 Subject to : x1 − 2 x2 + x3 + S1 = 11 −4 x1 + x2 + 2 x3 − S 2 = 3 −2 x1 + x3 = 1 x1 , x2 , x3 , S1 , S 2 ≥ 0
operations research 1, 2006 20

susy susmartini

x1 − 2 x2 + x3 + S1 = 11 → ada Variabel Basis Awal , layak − 4 x1 + x2 + 2 x3 − S 2 = 3 → ada Variabel Basis Awal , tidak layak − 2 x1 + x3 = 1 → tidak ada Variabel Basis Awal.
UNTUK MENDAPATKAN VARIABEL BASIS AWAL YANG LAYAK, DIPERLUKAN PENAMBAHAN SUATU VARIABEL SEMU SEHINGGA :

Objective function : Minimize Z = −3x1 + x2 + x3 + 0 S1 + 0 S 2 Subject to : x1 − 2 x2 + x3 + S1 = 11 −4 x1 + x2 + 2 x3 − S 2 + R1 = 3 −2 x1 + x3 + R2 = 1 x1 , x2 , x3 , S1 , S 2 , R1 , R2 ≥ 0
operations research 1, 2006 21

susy susmartini

x1 − 2 x2 + x3 + S1 =11 → S1 , Variabel Basis Awal layak − 4 x1 + x2 + 2 x3 − S 2 + R1 = 3 → R1 , Variabel Basis Awal layak − 2 x1 + x3 + R2 = 1 → R2 , Variabel Basis Awal layak
TAPI ………… KARENA DI ANTARA VARIABEL BASIS AWAL TERSEBUT TERDAPAT VARIABEL SEMU, MAKA SOLUSI BASIS MENJADI SOLUSI TAK LAYAK KEADAAN INI DAPAT DIATASI DENGAN : 1. METODE SIMPLEKS M BESAR (BIG M) 2. METODE SIMPLEKS 2 PHASE

susy susmartini

operations research 1, 2006

22

METODE SIMPLEKS M BESAR (BIG M)

Objective function : Minimize Z = −3 x1 + x2 + x3 + 0S1 + 0S 2 + MR1 + MR2 Subject to : x1 − 2 x2 + x3 + S1 = 11 −4 x1 + x2 + 2 x3 − S 2 + R1 = 3 −2 x1 + x3 + R2 = 1 x1 , x2 , x3 , S1 , S 2 , R1 , R2 ≥ 0
CATATAN :

MRi PADA MASALAH MAXIMIZE harga MRi
PADA MASALAH MINIMIZE harga
susy susmartini

adalah POSITIF adalah NEGATIF

operations research 1, 2006

23

CB
0 M M

VB
S1

Cj

-3

1

1

0

0

M

M

x1
1 -4 -2 -3+ 6M

x2
-2 1 0

x3
1 2 1

S1
1 0 0 0

S2
0 -1 0 M

R1
0 1 0 0

R2
0 0 1 0

Konst Perband Ruas Kn RK : KP 11 3 1 Z=4M 11/1=11 3/2=1.5 1/1=1

R1 R2

1-M 1-3M

Cj Cj

Kolom Pivot (KP)

Baris Pivot 1 1 0 0 M M

CB
0 M 1

-3

VB
S1 R1

x1
3 0 -2 -1

x2
-2 1 0 1-M

x3
0 0 1 0

S1
1 0 0 0

S2
0 -1 0 M

R1
0 1 0 0

R2
-1 -2 1 3M-1

Konst Perband Ruas Kn RK : KP 10 1 1 Z=1+M
24

10/-2 1/1 1/0

x3
Cj

susy susmartini

operations research 1, 2006

CB
0 1 1

VB
S1

Cj

-3

1

1

0

0

M

M

x1
3 0 -2 -1

x2
0 1 0 0 1

x3
0 0 1 0 1

S1
1 0 0 0 0

S2
-2 -1 0 1 0

R1
2 1 0 M-1 M

R2
-5 -2 1 M+1 M

Konst Perband Ruas Kn RK : KP 12 1 1 Z=2 Konst Ruas Kn 4 1 9 Z=-2 Optimal pada 12/3=4 1/0 1/-2

x2
x3
Cj Cj

CB
-3 1 1

-3

VB

x1
1 0 0 0

x2
0 1 0 0

x3
0 0 1 0

S1
1/3 0 2/3 1/3

S2
-2/3 -1 -4/3

R1
2/3 1 4/3

R2
-5/3 -2 -7/3

x1 x2
x3
Cj

x1 = x2 =
x3

4 1

= 9

1/3 M-1/3 M-2/3

Z = -2

susy susmartini

operations research 1, 2006

25

METODE SIMPLEKS DUA FASA FASA I :

Objective function : Minimize W = R1 + R2 Subject to : x1 − 2 x2 + x3 + S1 = 11 −4 x1 + x2 + 2 x3 − S 2 + R1 = 3 −2 x1 + x3 + R2 = 1 x1 , x2 , x3 , S1 , S 2 , R1 , R2 ≥ 0

CB
0 1 1

Cj

0

0

0

0

0

1

1

VB
S1 R1 R2

x1
1 -4 -2 6

x2
-2 1 0 -1

x3
1 2 1 -3

S1
1 0 0 0

S2
0 -1 0 1

R1
0 1 0 0

R2
0 0 1 0

Konst Perband Ruas Kn RK : KP 11 3 1 W=4
26

11/1=11 3/2=1.5 1/1=1

Cj
susy susmartini

operations research 1, 2006

CB
0 1 0

VB
S1

Cj

0

0

0

0

0

1

1

x1
3 0 -2 0

x2
-2 1 0 -1

x3
0 0 1 0

S1
1 0 0 0

S2
0 -1 0 1

R1
0 1 0 0

R2
-1 -2 1 3

Konst Perband Ruas Kn RK : KP 10 1 1 W=1 10/-2 1/1=1 1/0

R1

x3
Cj Cj

CB
0 0 0

0

0

0

0

0

1

1

VB
S1

x1
3 0 -2 0

x2
0 1 0 0

x3
0 0 1 0

S1
1 0 0 0

S2
-2 -1 0 0

R1
2 1 0 1

R2
-5 -2 1 1

Konst Fasa I Ruas Kn optimal 12 1 1 W=0
27

x2
x3
Cj

susy susmartini

operations research 1, 2006

FASA II :

Objective function : Min Z = −3 x1 + x2 + x3
Cj
-3 1 1 0 0

CB
0 1 1

VB

x1
3 0 -2 -1

x2
0 1 0 0 1

x3
0 0 1 0 1

S1
1 0 0 0 0

S2
-2 -1 0 1 0

Konst Perband Ruas Kn RK : KP 12 1 1 Z=2 Konst Optimal Ruas Kn pada : 4 1 9 Z = -2 12/3=4 1/0 1/-2

S1

x2
x3
Cj Cj

CB
-3 1 1

-3

VB

x1
1 0 0 0

x2
0 1 0 0

x3
0 0 1 0

S1
1/3 0 2/3 1/3

S2
-2/3 -1 -4/3 1/3

x1 x2
x3
Cj

x1 x2
x3

=4 =1 =9

Z = -2
28

susy susmartini

operations research 1, 2006

REVISED SIMPLEX
NOTASI-NOTASI :

Cj Cj π Pj Pj K K B B −1 CB θ

: Koefisien Ongkos Relatif , j = 1, 2,....., m : Koefisien Variabel Keputusan pd Fungsi Tujuan : Simplex Multiplier : Matriks Koefisien Teknologi Bagi x j : Kolom Pivot : Konstanta Ruas Kanan : Konstanta Ruas Kanan yang Baru : Matriks Koefisien Teknologi Bagi Variabel Basis (disebut juga Matriks Basis) : Invers Matriks Basis : Koefisien Variabel − Variabel Basis pada Fungsi Tujuan : Harga Minimum Dari Nilai Perbandingan K dan Pj
operations research 1, 2006 29

susy susmartini

LANGKAH PENYELESAIAN : 1. Mengubah Formulasi awal ke dalam Bentuk Standard 2. Mencari Entering Variable

C j = C j − π Pj π = C B B −1 Kasus : ∗ Maksimasi, pilih C j Terbesar ∗ Minimasi, pilih C j Terkecil Entering Variable → x j dengan C j terpilih
3. Mencari Leaving Variable

K = B −1 K

dan Pj = B −1 Pj θ = Min ( K / Pj ) Leaving Varable : xB : Variable Basis pada Baris θ terpilih
susy susmartini operations research 1, 2006 30

CONTOH 6 :

Objective Function : Maximize Z = 3x1 + 5 x2 Subject to x1 ≤ 4 + 2 x2 ≤ 12 3 x1 + 2 x2 ≤ 18 x1 , x2 ≥ 0
Bentuk Standard

Objective Function : Maximize Z = 3x1 + 5 x2 + 0 S1 + 0 S 2 + 0 S3 Subject to x1 + S1 = 4 + 2 x2 + S2 = 12 3 x1 + 2 x2 + S3 = 18 x1 , x2 , S1 , S 2 , S3 ≥ 0
susy susmartini operations research 1, 2006 31

Langkah Penyelesaian : ITERASI I : a. Mencari ENTERING VARIABEL

B = ( P3 , P4 , P5 )

C j = C j − π Pj

π = C B B −1
1 0 0 B −1 = 0 1 0   0 0 1  

1 0 0 B = 0 1 0 ⇒   0 0 1   C B = ( 0, 0, 0) ⇒ π = ( 0, 0, 0) 1 C1 = 3 − ( 0, 0, 0) 0 = 3   3   0  C2 = 5 − ( 0, 0, 0 ) 2 = 5   2   

x2 ENTERING VARIABLE
32

susy susmartini

operations research 1, 2006

b. Memilih LEAVING VARIABLE

1 0 0  4   4  K = B −1 K = 0 1 0 12 = 12      0 0 1 18 18      1 0 0 0 0 P2 = 0 1 0 2 = 2      0 0 1   2   2      

Pj = B −1 Pj

θ = Min ( 4 / 0,12 / 2,18 / 2)
= 12 / 2 ⇒ S 2 LEAVING VARIABLE

susy susmartini

operations research 1, 2006

33

ITERASI II a. Mencari ENTERING VARIABLE

C j = C j − π Pj 1 0 0 B = ( P3 , P2 , P5 ) → B = 0 2 0   0 2 1   C B = ( 0, 5, 0 ) ⇒

π = C B B −1
1 0 0 ⇒ B −1 = 0 1 2 0   0 − 1 1   1 0 0 π = ( 0, 5, 0) 0 1 2 0 = ( 0, 2 1 2 , 0)   0 − 1 1  

1 C1 = 3 − ( 0, 2 1 2 , 0 ) 0 = 3   3   0 C4 = 0 − ( 0, 2 1 2 , 0 ) 1 = − 2 1 2   0  
susy susmartini

x1 ENTERING VARIABLE

operations research 1, 2006

34

b. Memilih LEAVING VARIABLE

1 0 0  4   4 K = B −1 K = 0 2 1 2 0 12 =  6       0 − 1 1 18  6       1 0 0 1 1 P = 0 2 1 2 0  0  = 0  1      0 − 1 1   3   3     

Pj = B −1 Pj

θ = Min ( 4 / 1, 6 / 0, 6 / 3)
=6/3 ⇒ S3 LEAVING VARIABLE

susy susmartini

operations research 1, 2006

35

ITERASI III a. Mencari ENTERING VARIABLE

C j = C j − π Pj 1 0 1 B = ( P3 , P2 , P ) → B = 0 2 0 1   0 2 3   C B = ( 0, 5, 3) ⇒ 1 13 − 13  ⇒ B −1 = 0 1 2 0    0 − 13 1 3    1 1 3 − 1 3  π = ( 0, 5, 3) 0 1 2 0  = ( 0,1 1 2 ,1)   1 1  0 − 3 3  

π = C B B −1

0 C4 = 0 − ( 0,1 1 2 ,1) 1 = − 1 1 2   0   0 C5 = 0 − ( 0,1 1 2 ,1) 0 = − 1   1  
susy susmartini

SOLUSI OPTIMAL pada : ⇒ 1 1 3 K = 0 1 2  0 − 1 3  − 1 3   4  2  S1 = 2 0  12  = 6 ⇒ x2 = 6     1  18  x1 = 2 3   2   
36

operations research 1, 2006

DUALITY THEORY (TEORI DUALITAS) Setiap masalah Programa Linier, dengan variabel :

x j , j = 1, 2, 3, ....., n
Mempunyai keterkaitan dengan bentuk Programa Linier lain, dengan variabel :

yi , i = 1, 2, ...., m
(“m” adalah jumlah Constraint Set pada Programa Linier semula), yang disebut sebagai DUAL nya Bentuk DUAL ini ditentukan oleh bentuk Programa Linier semula, yang disebut sebagai PRIMAL

susy susmartini

operations research 1, 2006

37

BENTUK UMUM PRIMAL PROBLEM Maximize DUAL PROBLEM Minimize :

Z = ∑cj xj
j =1

n

W = ∑ bi yi
i =1

m

Subject to :

Subject to :
j

∑a x
j =1 ij

n

≤ bi xj ≥ 0

i = 1, 2, ..., m

∑a
i =1

m

ij

yi ≤ c j yi ≥ 0

j = 1, 2, ..., n

Maximize Subject to :

Z = cx Ax < b x>0

Minimize : Subject to : C & y : Row Vector b & x : Column Vector

W = yb yA > c y>0

susy susmartini

operations research 1, 2006

38

Contoh 7: PRIMAL PROBLEM Maximize Minimize DUAL PROBLEM

Subject to :

 x1  Z = [ 3,5]    x2 
1 0  4 0 2  x1  ≤ 12   x    3 2  2  18      x1  0  x  ≥ 0   2  
Subject to :

4 W = [ y1 , y2 , y3 ] 12   18  

1 0  [ y1 , y2 , y3 ] 0 2 ≥ [ 3, 5]   3 2  

[ y1 , y2 , y3 ] ≥ [ 0, 0, 0]
operations research 1, 2006 39

susy susmartini

PRIMAL – DUAL RELATIONSHIP

• WEAK DUALITY PROPERTY Terjadi jika : cx < yb x : adalah solusi feasible untuk masalah PRIMAL y : adalah solusi feasible untuk masalah DUAL •STRONG DUALITY PROPERTY Terjadi jika : cx* = y*b x* : adalah optimal solution untuk masalah PRIMAL y* : adalah optimal solution untuk masalah DUAL

susy susmartini

operations research 1, 2006

40

• COMPLEMENTARY SOLUTION PROPERTY Pada setiap iterasi, metode Simpleks secara simultan mengidentifikasikan suatu “Corner – Point Feasible Solution” x untuk PRIMAL Problem dan suatu “Complementary Solution” y untk DUAL Problem, Dimana : cx = yb Contoh : Problem contoh 6, pada Iterasi II :

0  x=  6 
susy susmartini

y = [ 0, 2 1 2 , 0]

cx = 30 = yb

operations research 1, 2006

41

• COMPLEMENTARY OPTIMAL SOLUTION PROPERTY Pada Iterasi terakhir :

x* y*
Contoh :

: optimal solution : compl. opt. solution

cx * = y * b

Iterasi terakhir pada contoh 6 :

2 x* =   6 

y * = [ 0, 3 2 ,1]

cx * = 36 = yb

yi* : SHADOW PRICE untuk PRIMAL PROBLEM
susy susmartini operations research 1, 2006 42

SYMMETRY PROPERTY : Untuk setiap PRIMAL PROBLEM dan DUAL PROBLEMnya, Semua hubungan antara keduanya merupakan huibungan yang Symmetry, karena DUAL PROBLEM dari suatu DUAL PROBLEM adalah PRIMAL PROBLEMnya

susy susmartini

operations research 1, 2006

43

HUBUNGAN NILAI Jika :

* y * , C jB , π *

y*

: adalah nilai : adalah nilai

yi

optimal bagi suatu DUAL PROBLEM untuk Variabel Basis Awal pada saat

C

* jB

C j*

xj

optimal (PRIMAL PROBLEM)

π*

: adalah nilai

π

(Simplex Multiplier dala Revised Simplex

Method) pada saat harga

xj

optimal (PRIMAL PROBLEM)

Maka :

y

*

=

C

* jB =

π

*

=

SHADOW PRICE untuk PRIMAL PROBLEM

susy susmartini

operations research 1, 2006

44

Contoh 8 : (Kembali ke kasus contoh 6)

Objective Function : Maximize Z = 3x1 + 5 x2 Subject to x1 ≤ 4 + 2 x2 ≤ 12 3 x1 + 2 x2 ≤ 18 x1 , x2 ≥ 0

a.

Penyelesaian PRIMAL PROBLEM dengan menngunakan Operasi Pivot Bentuk Standard :

Objective Function : Maximize Z = 3 x1 + 5 x2 + 0 S1 + 0 S 2 + 0 S 3 Subject to x1 + S1 = 4 + 2 x2 + S2 = 12 3 x1 + 2 x2 + S 3 = 18 x1 , x2 , S1 , S 2 , S 3 ≥ 0
susy susmartini operations research 1, 2006 45

CB
0 0 0

Var Basis

Cj

3

5

0

0

0

x1
1 0 3 3 3

x2
0 2 2 5 5

S1
1 0 0 0 0

S2
0 1 0 0 0

S3
0 0 1 0 0

Konst Ruas Kanan 4 12 18 Z=0 Konst Ruas Kanan 4 6 6 Z = 30

Perband Konst RK: Kolom Pivot 4/0 12/2 = 6 18/2 = 9

S1 S2
S3

Cj

CB
0 5 0

Var Basis

Cj

x1
1 0 3 3

x2
0 1 0 0

S1
1 0 0 0

S2
0 1/2 -1 - 5/2

S3
0 0 1 0

Perband Konst RK: Kolom Pivot 4/1 = 4 6/0 6/3 = 2

S1

x2
S3

Cj
susy susmartini

operations research 1, 2006

46

CB
0 5 3

Var Basis

Cj

3

5

0

0

0

x1
0 0 1 0

x2
0 1 0 0

S1
1 0 0 0

S2
1/3 1/2 -1/3 - 3/2

S3
-1/3 0 1/3 -1

Konst Ruas Kanan 2 6 2 Z = 36

Optimal pada =2 =6 =2

S1

x1 x2
S1

x2 x1

Cj

* C jB = [ 0,

3

2

, 1]

susy susmartini

operations research 1, 2006

47

b. Penyelesaian dengan Operasi Pivot untuk DUAL PROBLEM

Objective Function Subject to

Minimize

W = 4 y1 + 12 y2 + 18 y3

1 y1 + 0 y2 + 3 y3 ≥ 3 0 y1 + 2 y2 + 2 y3 ≥ 5 y1 , y2 , y3 ≥ 0

Bentuk Standard

Objective Function Minimize Subject to

W = 4 y1 + 12 y2 + 18 y3 + 0 S1 + 0 S 2 + 0 S3 + MR1 + MR2 1 y1 + 0 y2 + 3 y3 − S1 + R1 =3 0 y1 + 2 y2 + 2 y3 − S 2 + R2 = 5 y1 , y2 , y3 , S1 , S 2 , R1 , R2 ≥ 0
operations research 1, 2006 48

susy susmartini

CB
M M

Var Basis

Cj

4

12

18

0

0

M

M

y1
1 0

y2
0 2

y3
3 2

S1
-1 0 M

S2
0 -1 M

R1
1 0 0

R2
0 1 0

Konst Perband Ruas Kn RK : KP 3 5 W=8M 3/3 5/2

R1 R2

Cj

4-M 12-2M 18-5M

CB
18 M

Var Basis

Cj

4

12

18

0

0

M

y1
1/3 -2/3

y2
0 2

y3
1 0 0

S1
-1/3 2/3 6-2/3M

S2
0 -1 M

R1
1/3 -2/3 5/3M-6

M Konst Perband Ruas Kn RK : KP R
2

y3 R2

0 1 0

1 3 W=18+3 M

1/0 3/2

Cj
susy susmartini

-2+ 12-2M 2/3M

operations research 1, 2006

49

CB
18 12

Var Basis

Cj

4

12

18

0

0

M

y1
1/3 -1/3 2

y2
0 1 0

y3
1 0 0

S1
-1/3 1/3 2

S2
0 -1/2 6

R1
1/3 -1/3 M-2

M Konst Optimal Ruas Kn pada R2 =0

y3 y2

y1

0 1/2 M-6

1 3/2 W=36

y2 = 3/2 y3
=1

Cj

y* = ( 0, 3/2, 1 ) c. Penyelesaian dengan Revised Simplex Method untuk PRIMAL PROBLEM Pada solusi optimal :

π = [ 0,

3

2

, 1]

KESIMPULAN :

y =C =π
* ∗ jB

*

susy susmartini

operations research 1, 2006

50

Shadow Price : Perubahan keuntungan pada Z optimal per satuan kenaikan sumber kendala Artinya : (lihat contoh) Jika : • • •

b1 b2 b3

dari 4 diubah menjadi 5, maka Z optimal tidak berubah dari 12 diubah menjadi 13, maka Z optimal naik sebesar 3/2 dari 18 diubah menjadi 19, maka Z optimal naik sebesar 1

susy susmartini

operations research 1, 2006

51

susy susmartini

operations research 1, 2006

52

SOAL NO. 1 : Selesaikan masalah berikut dengan menggunakan : a. b. Metode Grafis Operasi Pivot / Metode Simpleks

Objective Function Maximize Subject to 2 x1 + x2 ≤ 8 3 x1 + 3 x2 ≤ 18 x2 ≤ 3 x1 , x2 ≥ 0
susy susmartini operations research 1, 2006 53

Z = 6 x1 + 3 x2

Soal no. 2 : Sebuah perusahaan persewaan truk memutuskan akan membeli 3 (tiga) jenis truk untuk menambah armadanya. Harga ketiga jenis truk tersebut adalah $25,000 untuk truk ukuran besar, $20,000 untuk truk ukuran sedang, dan $15,000 untuk truk ukuran kecil. Dana yang tersedia adalah $400,000. Agar terjadi keseimbangan dalam armadanya, diputuskan untuk membeli truk ukuran besar paling sedikit 4 (empat) truk, paling sedikit 5 (lima) truk ukuran sedang dan paling sedikit 10 truk ukuran kecil. Di samping itu, kapasitas garasi adalah 25 truk. Sedangkan fasilitas pemeliharaan dapat menangani 40 (empat puluh) truk kecil. Setiap truk ukuran sedang memerlukan 2 kali fasilitas pemeliharaan truk kecil, dan fasilitas pemeliharaan truk besar adalah 4 kali fasilitas pemeliharaan truk kecil. Bentuklah dalam formasi Programa Linier
susy susmartini operations research 1, 2006 54

Soal no. 1

Objective Function Maximize Subject to 2 x1 + 3 x2 ≤ 12 6 x1 + 2 x2 ≤ 18 x1 , x2 ≥ 0
a. b.

Z = 4 x1 + 6 x2

Selesaikan dengan menggunakan metode Grafis Selesaikan dengan menggunakan operasi Pivot

susy susmartini

operations research 1, 2006

55

Soal no. 2 : Sebuah perusahaan persewaan rumah memutuskan akan membuat 3 (tiga) jenis rumah sewa lagi dari yang telah ada. Biaya pembangunan ketiga jenis rumah tersebut adalah $35,000 untuk rumah ukuran besar, $30,000 untuk rumah ukuran sedang, dan $25,000 untuk rumah ukuran kecil. Dana yang tersedia adalah $800,000. Agar terjadi keseimbangan, diputuskan untuk membangun rumah ukuran besar paling sedikit 4 (empat) rumah, paling sedikit 6 (enam) rumah ukuran sedang dan paling sedikit 12 rumah ukuran kecil. Di samping itu, kapasitas lahan yang ada adalah 35 rumah. Sedangkan fasilitas pemeliharaan dapat menangani 40 (empat puluh) rumah kecil. Setiap rumah ukuran sedang memerlukan 2 kali fasilitas pemeliharaan rumah kecil, dan fasilitas pemeliharaan rumah besar adalah 4 kali fasilitas pemeliharaan rumah kecil. Bentuklah dalam formasi Programa Linier
susy susmartini operations research 1, 2006 56

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->