Anda di halaman 1dari 9

PEMROGRAMAN LINIER

Program linier merupakan program matematika untuk menentukan keputusan


dalam memaksimalkan ataupun meminimalkan suatu keputusan yang akan dibuat. Dalam
Program linier fungsi objektif dan pembatas merupakan fungsi linier dari variable
keputusan. Secara sekilas pembatas ini membatasi jangkauan model program linier.
Karena kesederhanaannya, software yang telah dikembangkan dapat digunakan untuk
memecahkan masalah yang terdiri dari jutaan variable dan puluhan ribu pembatas. Teknik
program linier telah diterapkan untuk memecahkan masalah di dunia. Program Linier
merupakn model yang banyak digunakan untuk meyelesaikan masalah keputusan dengan
ribuan variabel.
Dari sudut pandang penerapannya, program matematika merupakan sebuah alat
pengoptimalan, yang memberikan keputusan managerial ataupun technological yang
dibutuhkan dalam penerapan teknologi-sosial-ekonomi. Algoritma simpleks merupakan
salah satu program matematika algoritma yang pertama kali dikembangkan (George
Dantzig. 1947) dan merupakan penerapan yang paling sukses digunakan dalam
penggunaan penelitian opersional.
Komponen Model
1.

Variabel keputusan : Simbol metematika yang menunjukkan tingkat aktifitas dari

2.

sebuah operasi
Fungsi objektif

3.

dalam variable kondisi, untuk memaksinalkan atau meminimalkan


Pembatas
: pembatas untuk pengopersian lingkungan yang berhubungan

4.

linier dari variable keputusan


Parameter/koefisienharga: nilai koefisien dan pembatas yang digunakan dalam fungsi

: hubungan matematika linier yang menjelaskan kektuatan objek

objektif.
Perlengkapan Model Program Linier
1.
2.
3.
4.

Proportionality : nilai rata-rata pembatas dari fungsi objektif


Additivity : syarat dalam fungsi objektif
Divisability : variable keputusan yang dapat diambil
Certainty : nilai dari semua model parameter dianggap diketahui dengan kepastian

Langkah-langkah dalam Merumuskan Masalah Program Linier


1

Berikut merupakan langkah-langkah yang digunakan dalam merumuskan masalah


program linier
Langkah1 : Mengidentifikasi variabel keputusan dalam maslah
Langkah 2 : Buat fungsi objektif sebagai kombinasi linier dari variable keputusan
Langkah 3 : Tentukan pembatas dari masalah seperti sumber, batasan, hubungan antar
variable,

dan

lainnya.

Rumuskan

sebagai

persamaan

linier

atau

pertidaksamaan dengan syarat keputusan variable yang bukan negative


Karakteristik Pemrograman Linier
Sifat linearitas suatu kasus dapat ditentukan dengan menggunakan beberapa cara.
Secara statistik, kita dapat memeriksa kelinearan menggunakan grafik (diagram pencar)
ataupun menggunakan uji hipotesa. Secara teknis, linearitas ditunjukkan oleh adanya sifat
proporsionalitas, additivitas, divisibilitas dan kepastian fungsi tujuan dan pembatas.
Sifat proporsional dipenuhi jika kontribusi setiap variabel pada fungsi tujuan atau
penggunaan sumber daya yang membatasi proporsional terhadap level nilai variabel. Jika
harga per unit produk misalnya adalah sama berapapun jumlah yang dibeli, maka sifat
proporsional dipenuhi. Atau dengan kata lain, jika pembelian dalam jumlah besar
mendapatkan diskon, maka sifat proporsional tidak dipenuhi. Jika penggunaan sumber
daya per unitnya tergantung dari jumlah yang diproduksi, maka sifat proporsionalitas
tidak dipenuhi.
Sifat additivitas mengasumsikan bahwa tidak ada bentuk perkalian silang diantara
berbagai aktivitas, sehingga tidak akan ditemukan bentuk perkalian silang pada model.
Sifat additivitas berlaku baik bagi fungsi tujuan maupun pembatas (kendala). Sifat
additivitas dipenuhi jika fungsi tujuan merupakan penambahan langsung kontribusi
masing-masing variabel keputusan. Untuk fungsi kendala, sifat additivitas dipenuhi jika
nilai kanan merupakan total penggunaaan masing-masing variabel keputusan. Jika dua
variabel keputusan misalnya merepresentasikan dua produk substitusi, dimana
peningkatan volume penjualan salah satu produk akan mengurangi volume penjualan
produk lainnya dalam pasar yang sama, maka sifat additivitas tidak terpenuhi.
Sifat divisibilitas berarti unit aktivitas dapat dibagi ke dalam sembarang level
fraksional, sehingga nilai variabel keputusan non integer dimungkinkan.

Sifat kepastian menunjukkan bahwa semua parameter model berupa konstanta.


Artinya koefisien fungsi tujuan maupun fungsi pembatas merupakan suatu nilai pasti,
bukan merupakan nilai dengan peluang tertentu.
Keempat asumsi (sifat) ini dalam dunia nyata tidak selalu dapat dipenuhi. Untuk
meyakinkan dipenuhinya keempat asumsi ini, dalam pemrograman linier diperlukan
analisis sensitivitas terhadap solusi optimal yang diperoleh.
Formulasi Permasalahan
Urutan pertama dalam penyelesaian adalah mempelajari sistem relevan dan
mengembangkan pernyataan permasalahan yang dipertimbangakan dengan jelas.
Penggambaran sistem dalam pernyataan ini termasuk pernyataan tujuan, sumber daya
yang membatasi, alternatif keputusan yang mungkin (kegiatan atau aktivitas), batasan
waktu pengambilan keputusan, hubungan antara bagian yang dipelajari dan bagian lain
dalam perusahaan, dan lain-lain.
Pembentukan model matematik
Tahap berikutnya yang harus dilakukan setelah memahami permasalahan optimasi
adalah membuat model yang sesuai untuk analisis. Pendekatan konvensional riset
operasional

untuk

pemodelan

adalah

membangun

model

matematik

yang

menggambarkan inti permasalahan. Kasus dari bentuk cerita diterjemahkan ke model


matematik. Model matematik merupakan representasi kuantitatif tujuan dan sumber daya
yang membatasi sebagai fungsi variabel keputusan. Model matematika permasalahan
optimal terdiri dari dua bagian. Bagian pertama memodelkan tujuan optimasi. Model
matematik tujuan selalu menggunakan bentuk persamaan. Bentuk persamaan digunakan
karena kita ingin mendapatkan solusi optimum pada satu titik. Fungsi tujuan yang akan
dioptimalkan hanya satu. Bukan berarti bahwa permasalahan optimasi hanya dihadapkan
pada satu tujuan. Tujuan dari suatu usaha bisa lebih dari satu. Tetapi pada bagian ini kita
hanya akan tertarik dengan permasalahan optimal dengan satu tujuan.
Bagian kedua merupakan model matematik yang merepresentasikan sumber daya
yang membatasi. Fungsi pembatas bisa berbentuk persamaan (=) atau pertidaksamaan (
atau ). Fungsi pembatas disebut juga sebagai konstrain. Konstanta (baik sebagai
koefisien maupun nilai kanan) dalam fungsi pembatas maupun pada tujuan dikatakan
3

sebagai parameter model. Model matematika mempunyai beberapa keuntungan


dibandingakan pendeskripsian permasalahan secara verbal. Salah satu keuntungan yang
paling jelas adala model matematik menggambarkan permasalahan secara lebih ringkas.
Hal ini cenderung membuat struktur keseluruhan permasalahan lebih mudah dipahami,
dan membantu mengungkapkan relasi sebab akibat penting. Model matematik juga
memfasilitasi yang berhubungan dengan permasalahan dan keseluruhannya dan
mempertimbangkan semua keterhubungannya secara simultan. Terakhir, model
matematik membentuk jembatan ke penggunaan teknik matematik dan komputer
kemampuan tinggi untuk menganalisis permasalahan.
Di sisi lain, model matematik mempunyai kelemahan. Tidak semua karakteristik
sistem dapat dengan mudah dimodelkan menggunakan fungsi matematik. Meskipun
dapat dimodelkan dengan fungsi matematik, kadang-kadang penyelesaiannya sulit
diperoleh karena kompleksitas fungsi dan teknik yang dibutuhkan.
Bentuk umum pemrograman linier adalah sebagai berikut :
Fungsi tujuan :
Maksimumkan atau minimumkan z = c1x1 + c2x2 + ... + cnxn
Sumber daya yang membatasi :
a11x1 + a12x2 + ... + a1nxn = / / b1
a21x1 + a22x2 + + a2nxn = / / b2

am1x1 + am2x2 + + amnxn = / / bm


x1, x2, , xn 0
Simbol x1, x2, ..., xn

(xi) menunjukkan variabel keputusan. Jumlah variabel

keputusan (xi) oleh karenanya tergantung dari jumlah kegiatan atau aktivitas yang
dilakukan untuk mencapai tujuan.

Simbol c1,c2,...,cn merupakan kontribusi masing-

masing variabel keputusan terhadap tujuan, disebut juga koefisien fungsi tujuan pada
model matematiknya.Simbol a11, ...,a1n,...,amn merupakan penggunaan per unit variabel
keputusan akan sumber daya yang membatasi, atau disebut juga sebagai koefisien fungsi
kendala pada model matematiknya. Simbol b 1,b2,...,bm menunjukkan jumlah masingmasing sumber daya yang ada. Jumlah fungsi kendala akan tergantung dari banyaknya
sumber daya yang terbatas.

Pertidaksamaan terakhir (x1, x2, , xn 0) menunjukkan batasan non negatif.


Membuat model matematik dari suatu permasalahan bukan hanya menuntut kemampuan
matematik tapi juga menuntut seni permodelan. Menggunakan seni akan membuat
permodelan lebih mudah dan menarik.
Kasus pemrograman linier sangat beragam. Dalam setiap kasus, hal yang penting
adalah memahami setiap kasus dan memahami konsep permodelannya. Meskipun fungsi
tujuan misalnya hanya mempunyai kemungkinan bentuk maksimisasi atau minimisasi,
keputusan untuk memilih salah satunya bukan pekerjaan mudah. Tujuan pada suatu kasus
bisa menjadi batasan pada kasus yang lain. Harus hati-hati dalam menentukan tujuan,
koefisien fungsi tujuan, batasan dan koefisien pada fungsi pembatas.
Contoh Kasus yang diselesaikan
XYZ

merupakan

sebuah

perusahaan

investasi.

Dalam

mengembangkan

investasinya, perusahaan mempunyai waktu hingga 10 tahun, koefisien dan pertumbuhan


potensi adalah sebuah objek. Rata-rata dalam investasi .
Investment

Length of

Annual rate

Risk coefficient

Growth

alternative

investment

Of return (year)

(%)
0

12

18

10

20

32

10

15

20

Cash

potential Return

Solusi :
a. 4x1 + 7x2 + 8x3 + 6x4 + 10x5 + 3x6 + 0x7 < 7
b. x1 +5x2 + 4x3 + 8x4 + 6x5 + 3x6 + 0x7 < 5
c. 0x1 + 0.18x2 + 0.10x3 + 0.32x4 + 0.20x5 + 0.07x6 + 0.00x7 > 0.10
d. x7 > 0.10
e. Proportion of funds

x1 + x2 + x3 + x4 + x5 + x6 + x7 = 1
dan
x1 + x2 + x3 + x4 + x5 + x6 + x7 > 0
Contoh 3.10 Dua A dan B membuat empatbuah logam berbeda I, II, III, dan IV.
Spesifikasinya adalah sebagai berikut :
A : lebih dari 80 % I

B : antara 40 % dan 60 % II

Lebih dari 30 % II

sedikitnya 30 % III

Lebih dari 50 % III

lebih dari 70 % IV

Keempat logam adalah hasil ekstraksi dari masing-masing golongan yang ada, kualitas
terbaik dan biaya per ton.
ore

Maximum

Constituents
I
II

quantity (tones)
1000

2
3
Solusi :

Other

Rs/Tonne

III

IV
30

Price
10

20

10

30

30

2000

10

20

30

30

10

40

3000

70

20

50

P = 200A + 300B {30(x(1,A) + x (1,B)} + 40(x (2,A) + x(2,B)) + 50(x(3,A) + x(3,B))}


Spesifikasi untuk yang A
0.2x(1,A) + 0.1x(2,A) + 0.5x(3,A) < 0.8 A
0.1x(1,A) + 0.2x(2,A) + 0.05x(3,A) < 0.54
0.3x(1,A) + 0.3x(2,A) + 0.2x(3,A) < 0.54
Penyeimbang untuk A
0.6x(1,A) + 0.6x(2,A) + 0.3x(3,A) < A
Spesifikasi untuk yang B
0.1x(2,B) + 0.2x(3,B) + 0.05x(4,B) < 0.4 B
0.1x(2,B) + 0.2x(3,B) + 0.05x(4,B) < 0.6 B
0.3x(2,B) + 0.3x(3,B) + 0.07x(4,B) < 0.3 B
0.3x(2,B) + 0.3x(3,B) + 0.2x(4,B) < 0.7 B
Penyeimbang untuk B
0.7x(2,B) + 0.8x(3,B) + 0.95x(4,B) = B
x(1,A) + x(2,B) < 1000
x(2,A) + x(3,B) < 2000
6

x(3,A) + x(4,B) < 3000


Bentuk Umum dari LPP
LPP secara umum dapat dijelaskan sebagai berikut :
Dari m linear pertidaksamaan atau persamaan dalam variabel n, kita ingin
mengetahui nilai non negatif dari variabel ini constraint dan yang akan memenuhi
pembatas dan mengoptimalkan ffungsi linear dari variabel ini.
Ak1x1 + ak2x2 + ... + aknxn {> , =, < } bk, k = 1,2 ,..., m
LPP dalam Bentuk Kanonikal
Secara umum, <

constraints bisa dihubungkan dengan pemaksimalan LPP dan >

constraint dengan peminimalan LPP. Berikut bentuk pemaksimalan bentuk kanonikal :


Z = c1x1 + c2x2 +...+ cnxn
Subjek terhadap constraint
ak1x1 + ak2x2 +...+ aknxn < bk, k = 1,2,...,m
and xj > 0, j = 1,2,..., n
Bentuk canonical dari masalah minimalisasi adalah :
Z = c1x1 + c2x2 +.......+ cnxn
Subjek terhadap constraint
ak1x1 +ak2x2+.............+aknxn bk, k = 1,2,......,m
dan xj 0,j = 1,2,.......,n
Kasus Spesial di Program Linear
Solusi Alternatif Optimal
Contoh P = 4X1 + 4X2
Dengan X1 + 2X2 < 10
6X1 + 6X2 < 36
X1 < 6
X1 dan X2 > 0
Dengan hasil grafik

Grafik diatas menunjukkan bahwa ada banyak titik alternatif untuk


menentukan jumlah variabel yang dibutuhkan. Dimana titik-titiknya ditunjukkan
oleh titik-titik yang membatasi daerah arsiran dengan daerah lain.
Solusi Tak Terhingga
Contoh z = 4x1 + 2x2
Dengan -x1 + 2x2 < 6
-x1 + x2 < 2
Dan

x1 dan x2 > 0

Dengan Hasil Grafik

Solusi Tanpa Hasil


Contoh

z = 3x1 + 5x2
x1 + x2 > 100
5x1 + 10x2 < 400
8

6x1 + 8x2 < 440