Pure (all) integer programming (programa

bilangan bulat murni).

Apabila seluruh variabel keputusan dari

permasalahan programa linier harus berupa
bilangan bulat (positif atau nol). Dalam hal ini
asumsi divisibilitas dari programa liniernya hilang
sama sekali.

Minimize

Z = 3 X1 + 5 X 2

Subject to

2X1 + 4X2 4

3X1 + 2X2 5
X1, X2 0;

X1, X2 integer

Mixed integer programming (programa

bilangan bulat campuran).

Apabila hanya terdapat sebagian dari variabel

keputusan dari permasalahan programa linier
yang diharuskan berupa bilangan bulat (positif
atau nol). Dalam hal ini asumsi divisibilitasnya
melemah.

Contoh:
MaximizeZ = 6 X1 4 X2
Subject to
X1 + X2 2
3X1 2X2 12
X1, X2 0; X2 integer

Zero one integer programming (pograma

bilangan bulat nol-satu

Apabila variabel keputusannya diharuskan berharga

0 (nol) atau 1 (satu). Kondisi ini ditemukan dalam
kasus di mana persoalan yang dihadapi merupakan
persoalan keputusan ya atau tidak.

Contoh:
MaximizeZ = 40 X1 + 50 X2
Subject to
2X1 + 3X2 3.000
4X1 + 2X2 2.500
X1, X2 = 0 atau 1

Programa Linier Relaksasi

Programa linier relaksasi merupakan bentuk

programa linier yang diperoleh dengan mengabaikan
pembatas integer. Sebagai contoh adalah
permasalahan programa bilangan bulat di bawah ini:

Minimize

Z = 3 X1 + 5 X2

Subject to

2X1 + 4X2 4
3X1 + 2X2 5
X1, X2 0;

X1, X2 integer

Programa linier relaksasi dari permasalahan di

atas :

Minimize

Z = 3 X1 + 5 X2

Subject to

2X1 + 4X2 4
3X1 + 2X2 5
X1, X2 0

Metode Pemecahan Programa Bilangan Bulat

Metode Grafis
Metode ini sama seperti metode pemecahan dalam
programa linier dalam bentuk grafis, namun dengan
tambahan pembatas yakni variabel keputusan
sebagian atau semuaberupa bilangan bulat.
Metode Round Of
Metode ini memberikan cara konvensional atau kolot
terhadap permasaahan programa bilangan bulat, yakni
melakukan pembulatan (round of) terhadap solusi
optimal bila dimungkinkan
Metode Branch-and-Bound
Metode ini dilakukan dengan mengibaratkan suatu
permasalahan sebagai pohon (tree), kemudian
permasalahan tersebut dibagi atau dibuat
percabangan (branching) ke dalam subset yang lebih
kecil

Contoh
Maximize
Subject to

Z = 7 X1 + 6 X2
2X1 + 3X2 12
6X1 + 5X2 30
X1, X2 0; X1, X2 integer

di mana
X1 = lampu
X2 = kipas angin

Metode Grafis

Terlihat kalau metode grafis tidak mampu memberikan

solusi yang nyata pada permasalahan di atas, karena
tidak mungkin perusahaan membuat dan menjual barang
dalam bentuk pecahan.
Hal yang dapat dilakukan adalah menggeser titik optimal
yang masih masuk dalam daerah fisibel, yakni: titik (4,1)
atau (3,2). Titik (4,1) akan memberikan solusi sebesar 34,
sedangkan titik (3,2) akan memberikan solusi sebesar 33.
Karena titik (4,1) memberikan solusi optimal yang lebih
maksimal, maka diperoleh solusi optimal sebesar 34,
dengan X1 = 3 dan X2 = 2 (perusahaan akan
mendapatkan profit sebesar $ 34 dengan memproduksi
lampu sebanyak 3 buah dan kipas angin sebanyak 2
buah).

Metode Simplek

Ternyata metode simpleks memberikan

solusi yang sama dengan metode grafis,
yakni: Z = 35,25; X1 = 3,75; X2 = 1,5.
Dengan melakukan pembulatan, dengan
mudah kita akan mendapatkan harga X1
= 4 dan X2 = 2 dan Z = 40.
Namun, ternyata pembulatan tersebut
tidak layak dilakukan karena titik (4,2)
berada di luar daerah fisibel (lihat grafik).

Metode Branch-and-Bound

Dengan perhitungan menggunakan metode simpleks,

didapatkan solusi optimal Z = 35,25; X1 = 3,75; X2 = 1,5.
Karena X1 dan X2 bukan bilangan bulat, maka solusi ini
tidak valid, dan nilai Z (profit) sebesar 35,25 dijadikan
sebagai batas atas awal (first upper bounded). Artinya,
solusi optimal nantinya tidak akan lebih besar dari 35,25.
Kemudian dengan metode pembulatan ke bawah, kita
dapatkan X1 = 3 dan X2 = 1 dengan Z = 27 dijadikan
batas bawah (lower bounded). Artinya, solusi optimal
nantinya harus di atas 27.
Dengan kedua batasan ini, maka solusi optimal yang akan
dicari haruslah berada pada rentang 27 sampai 35,25.

Iterasi 1
Subset 1
Maximize
Subject to

Subset 2
Maximize
Subject to

Z = 7 X1 + 6 X2
2X1 + 3X2 12
6X1 + 5X2 30
X1 4

Z = 7 X1 + 6 X2
2X1 + 3X2 12
6X1 + 5X2 30
X1 3

Iterasi 1

Iterasi 2
Subset 3
Maximize Z = 7 X1 + 6
X2
Subject to
2X1 +
3X2 12
6X1 + 5X2 30
X1 4
X2 2

Subset 4
Maximize Z = 7 X1 + 6
X2
Subject to
2X1 +
3X2 12
6X1 + 5X2
30
X1 4
X2 1

Iterasi 2

Iterasi 3
Subset 5
Maximize Z = 7X1 +
6X2
Subject to2X1+3X2
12
6X1+5X2 30
X1 4
X2 1
X1 5

Subset 6
Maximize Z = 7X1 +
6X2
Subject to2X1+3X2
12
6X1+5X2 30
X1 4
X2 1
X1 4

Perbandingan 3 metode

Fungsi Tujuan
Max Z = 16 X1 + 22X2 + 12X3 + 8X4
Kendala
Variabel Keputusan
Xi = investasi ke-i
5 X1 + 7X2 + 4X3 + 3X4 14
Xi = 0 atau 1, i = 1,2,3,dan 4

Investasi

Ci/ai

Peringkat

16/5=3,2

22/7=3,14

12/4=3

8/3=2,66

TERIMA KASIH