Bagian pertama

PENDAHULUAN
1.1 Perkembangan Riset Operasi
Riset operasi adalah suatu metode pengambilan
keputusan yang dikembangkan dari studi operasional
militer selama Perang Dunia II Keberhasilankeberhasilan
penelitian dari kelompok-kelompok studi militer ini telah
menarik kalangan industriawan untuk membantu
memberikan berbagai solusi terhadap masalah-masalah
manajerial yang rumit. Dewasa ini riset operasi telah
medapat pengakuan sebagai mata ajaran yang penting di
tingkat perguruan tinggi, sesuai perkembangan kurikulum
pendidikan tinggi maka teknik-teknik pendekatan dalam
mengidentifikasi masalah dan mengambil keputusan
menjadi suatu kebutuhan penting bagi peserta didik. Selain
itu kalangan professional, manajer, akademisi dapat
memanfaatkan metode-metode riset operasi yang disajikan
dalam buku ini. Materi riset operasi yang disampaikan
mencakup berbagai bidang pengetahuan seperti teknik,
ekonomi, manajemen produksi, manejemen operasi,
transportasi, teknik industri dan lain-lain. Secara umum

1
ada dua faktor yang mendominasi perkembangan
penerapan riset operasional dewasa ini, yaitu:
Yang pertama, kemajuan yang sangat pesat dalam
perbaikan metode atau teknik teknik yang digunakan
dalam riset operasi. Sebagai contoh, algoritma simpleks
yaitu prosedur matrik yang berulang untuk menyelesaikan
masalah linear programing yang memiliki lebih dari dua
variabel keputusan, yang dikembangkan oleh George W.
Dantzig pada tahun 1947. Beberapa motode atau teknik
yang lain telah dikembangkan seperti pemrograman
dinamik, teori antrean, teori persediaan dll, metode-
metode berkembang mulai tahun 1950-an sampai
sekarang.
Yang kedua, adalah berkembangnya teknologi
komputer yang sangat dramatik. Komputer telah
membantu perhitungan-perhitungan yang rumit dalam
riset operasional menjadi sangat mudah dan cepat. Kedua
faktor inilah yang sangat luar biasa mendorong
perkembangan teknik teknik dalam ilmu riset operasi
dalam segala bidang aplikasi.

1.2 Pengertian
Riset operasi adalah penerapan metode-metode
ilmiah terhadap masalah rumit yang muncul dalam

2
pengelolaan dari suatu system besar manusia, mesin,
bahan dan uang dalam industri, bisnis, pemerintahan, dan
pertahanan. Pendekatan khusus ini bertujuan membentuk
suatu model ilmiah dari system, menggabungkan ukuran-
ukuran, faktor-faktor seperti kesempatan dan resiko, untuk
meramalkan dan membandingkan hasil-hasil dari
beberapa keputusan, strategi atau pengawasan. Tujuannya
adalah membantu pengambilan keputusan menentukan
kebijakan dan tindakannya secara ilmiah (Operational
Research Society of Grreat Britain)
Riset operasi berkaitan dengan menentukan
pilihan secara ilmiah bagaimana merancang dan
menjalankan sistem manusia mesin secara terbaik,
biasanya mempunyai sumber daya yang terbatas.
( operations Research Society of America).
Riset Operasi adalah perdekatan dalam
pengambilan keputusan yang dicirikan dengan
penggunaan pengetahuan ilmiah dari berbagai bidang ilmu
yang bertujuan untuk menentukan pilihan terbaik dengan
sumber daya yang terbatas (Churchman dkk).
Riset Operasi adalah alat manajemen yang
membantu dalam pengambilan keputusan yang
memadukan ilmu matematika, logika, untuk mecari solusi

3
yang optimal dalam memecahkan masalah yang dihadapi
sehari-hari. ( Miller dan Star).
Morse dan Kimball mendefinisikan riset operasi
sebagai metode ilmiah (scientific method) yang
memungkinkan para manajer mengambil keputusan
mengenai kegiatan yang mereka tangani dengan dasar
kuantitatif. Definisi ini kurang tegas karena tidak tercermin
perbedaan antara riset operasi dengan disiplin ilmu yang
lain.

1.3 Pengambilan keputusan dalam Riset Operasi

Dalam kehidupan didunia ini orang selalu
dihadapkan dengan alternatif pilihan-pilihan yang harus
diseleksi dan diambil sebagai keputusan yang nantinya
memberikan dampak terbaik untuk tahap berikutnya.
Pemilihan alternatif yang paling baik ini tidaklah mudah
apalagi variabel yang mempengaruhi sangat banyak dan
kompleks. Banyak persoalan manajerial mulai dari
perseorangan, organisasi, perusahaan sampai suatu negara
yang dikaitkan dengan pengambilan keputusan (decision
making). Ada keputusan yang diambil secara apa adanya
tanpa perlu dipikirkan, ada pula keputusan yang harus
dipikirkan secara matang, misalnya memilih sekolah,
tempatkerja, membangun pabrik dan sebagainya.

4
 Tujuan riset operasional adalah mendapatkan
solusi yang optimal, namun banyak dalam kehidupan
sehari hari dalam praktek manajerial lebih dipentingkan
solusi yang memuaskan (satisficing) . Keputusan dalam
dunia bisnis masih lebih banyak dipengaruhi oleh
kemampuan atau perilaku pengambil keputusan ( optimis
atau pesimis, berani atau takut terhadap resiko, dan sifat-
sifat lainnya). Walaupun begitu analisis kuantitatif dan
sistematik tetap digunakan sebagai dasar argumentasi
yang dapat dipertanggungjawabkan secara rasional. Tetapi
keputusan manajerial yang tentunya berdampak terhadap
banyak orang, berdampak pada modal yang besar, juga bisa
berdampak pada banyak negara didunia ini. Semestinya
keputusan yang diambil optimal dalam arti kalau ini
berhubungan dengan keuntungan tentunya maksimum dan
kalau berhubungan dengan biaya tentumya minimum dan
tidak melanggar batasan-batasan yang dimiliki. Nah untuk
menetukan pilihan yang optimal inilah peran Riset
Operasional.
Dalam bukunya Hamdy A Taha disebutkan
walaupun matematika dan model matematika merupakan
dasar yang utama dari RO, pemecahan masalah bukanlah
sekedar pemecahan model-model matematis. Banyak
faktor faktor dalam dunia nyata ini yang sulit sekali

5
diterjemahkan secara langsung kedalam bentuk model-
model matematika. Oleh karena itu pengaruh perilaku
manusia begitu mempengaruhi pengambilan keputusan.
Sebagai ilustrasi adalah masalah elevator, sebagai
tanggapan terhadap keluhan pengguna tentang lambatnya
elevator dalam sebuah gedung bertingkat banyak. Sebuah
pemecahan yang didasari oleh teori antrean ditemukan
kurang memuaskan. Setelah dipelajari lebih detail dari
berbagai pandangan keilmuawan maka ditemukan bahwa
keluhan para penghuni tersebut lebih disebabkan oleh
kebosanan, karena pada kenyataanya waktu tunggu
sebenarnya singkat. Beberapa pemecahan diajukan sebuah
cermin ditaruh didinding masuk elevator atau sebuah
papan informasi yang menarik dipasang. Keluhan hilang
karena para pengguna elevator asik memandangi dirinya
dan orang lain dalam cermin, atau para pengguna asik
membaca informasi yang menarik sambil menunggu
giliran.
Ilustrasi elevator ini menggarisbawahi bahwa
pentingnya memandang aspek matematis dari riset operasi
dalam konteks yang lebih luas dari proses pengambilan
keputusan yang unsur-unsurnya tidak dapat diwakili
sepenuhnya oleh sebuah model matimatika. Penekanan

6
pada satu aspek cenderung merintangi pemanfaatan OR
secara efektif dalam dunia nyata.

1.4 Tahapan-Tahapan dalam Riset Operasional

Untuk menyelesaikan permasalahan dalam
menetukan pilihan yang optimal tanpa melanggar batasan-
batasan atau kendala-kendala maka tahapan dalan riset
operasional secara umum adalah sebagai berikut:
1. Merumuskan /identifikasi permasalahan.
Banyak organisasi yang gagal mencapai tujuan
karena kesalahan mendefinisikan persoalan. Ada
tiga tahapan penting dalam perumusan masalah
yaitu:
a. Deskripsi tentang sasaran atau tujuan
( objective) dari studi
b. Variabel apa saja yang bisa mempengaruhi
tujuan
c. Kendala (constrain) terhadap alternatif
tindakan yang akan diambil
2. Pembentukan model matematika.
Model yang dirancang harus bisa mewakili
kenyataan yang sebenarnya dari sistem dunia nyata
yang akan dipecahkan. Model merupakan ekspresi
kuantitatif dari tujuan dan batasan-batasan

7
 persoalan dalam variabel keputusan. Bila model
matematikanya sederhana bisa diselesaikan
dengan matematika sederhana, tetapi kalau model
yang dibentuk sangat kompleks sulit untuk
dipecahkan secara analitis maka akan lebih mudah
dipecahkan dengan simulasi. Beberapa model
membutuhkan teknik pemecahan secara kombinasi
atara analitis, simulasi, dan heuristik.
3. Pemecahan model matematika.
Dalam tahap ini biasanya pemecahan model adalah
pemecahan persamaan dan pertidaksamaan.
Didalam riset opersi pemecahan ini diperoleh
dengan teknik-teknik optimisasi untuk mencapai
nilai / solusi optimal. Apabila metode simulasi atau
heuristik yang digunakan maka hasil pemecahan
merukan pendekatan terhadap solusi optimal.
Solusi optimal sangat dipengaruhi oleh fariabel
keputusan, adakalnya parameter tidak bisa
diperkirakan secara akurat maka sangat penting
diketahui perilaku pemecahan optimal disekitar
nilai perkiraan parameter. Analisi ini disebut
analisis sensitivitas.
4. Pengujian / validasi model.

8
 Suatu model dikatakan valid, apabila dapat
memberikan prediksi yang wajar, logis dan dapat
dipercaya dari kinerja sistem yang dimodelkan.
Cara yang paling mudah digunakan untuk validasi
model yang dibuat adalah dengan membandingkan
hasil dari model dengan data masa lalu yang
menggambarkan kejadian yang serupa. Model
dianggap valid apa bila dengan input yang sama
diperoleh hasil yang serupa atau mendekati.
5. Implementasi hasil pemecahan model
Tahap akhir dari poses ini adalah implementasi
dari hasil pemecahan model yang telah diuji
validitasnya. Implementasi ini pada dasarnya
adalah pebuatan intruksi-intruksi praktis
dilapangan / petunjuk operasi sistem, mudah
dimengerti oleh operator sistem yang dimodelkan.
Melalui tahapan-tahapan ini semua hal-hal yang mengarah
pada kegagalan sistem sudah tidak terabaikan. Dengan
kata lain implementasi dari hasil model yang optimal
dijalankan bersama-sama atara kelompok riset operasi
dengan pengelola sistem yang dimodelkan. Pada intinya
Riset Opersi berkenaan dengan pengambilan keputusan
yang optimal tidak melanggar batasan yang dimiliki sistem,
melalui pemodelan matematika dunianyata.

9
Bagian kedua
Pemrograman linear
2.1 Pendahuluan
Dalam matematika, pemrograman linear ialah
teknik optimisasi yang melibatkan variabel-variabel yang
linear. Dalam model pemrograman linear dikenal dua
macam fungsi, yaitu fungsi objektif (objective function) dan
fungsi kendala (constraint function) kedua fungsi ini yang
linear. Pemrograman linear dan variasinya merupakan
kelompok teknik analisis kuantitatif yang tergabung dalam
riset operasi yang mengandalkan model-model
matematika sebagai wadahnya ( Nasendi, Affendy Anwar).
Ciri dari pemrograman linear adalah hubungan antara
variabel-variabel yang dapat dikendalikan, baik dalam
fungsi tujuan maupun fungsi kendala adalah linear.
Pemrograman linear ( Linear Programming/LP) pertama
dikembangkan oleh Dr. George Dantzig pada tahun 1947,
dengan dikembangkannya metode simplex. Pemrograman
linear dapat direpresentasikan dalam notasi matematis
sebagai berikut:

Maksimalkan
dengan syarat dan

10
Dalam hal ini, x ialah vektor variabel, sedangkan c dan b
ialah vektor koefisien dan A ialah matriks koefisien. Fungsi
objektifnya ialah ekspresi yang hendak dimaksimalkan
atau diminimalkan (yaitu cTx). Persamaan Ax b ialah
fungsi kendala yang menunjukkan polihedron konveks
tempat fungsi objektifnya dioptimisasi.
Pemrograman linear dapat diterapkan pada
berbagai bidang studi. Metode ini paling banyak digunakan
dalam bisnis dan ekonomi, namun juga dapat
dimanfaatkan dalam sejumlah perhitungan ilmu teknik.
Misalnya, dalam ekonomi, fungsi tujuan dapat berkaitan
dengan pengaturan secara optimal sumber-sumber daya
untuk memperoleh keuntungan maksimal atau biaya
minimal, sedangkan fungsi batasan menggambarkan
batasan-batasan kapasitas yang tersedia yang dialokasikan
secara optimal ke berbagai kegiatan. Industri yang
memanfaatkan pemrograman linear di antaranya ialah
industri transportasi, energi, telekomunikasi, dan
manufaktur. Pemrograman linear juga terbukti berguna
dalam membuat model berbagai jenis masalah dalam
perencanaan, perancangan rute, penjadwalan, pemberian
tugas, dan desain.
Linear Programming memiliki empat ciri khusus
yang melekat, yaitu :

11
 1. penyelesaian masalah mengarah pada pencapaian
tujuan maksimisasi atau minimisasi
2. kendala yang ada membatasi tingkat pencapaian
tujuan
3. ada beberapa alternatif penyelesaian
4. hubungan matematis bersifat linear

Secara teknis, ada lima syarat tambahan dari

permasalahan linear programming yang harus
diperhatikan yang merupakan asumsi dasar, yaitu:
a. certainty (kepastian). Maksudnya adalah fungsi
tujuan dan fungsi kendala sudah diketahui
dengan pasti dan tidak berubah selama periode
analisa.
b. proportionality (proporsionalitas). Yaitu adanya
proporsionalitas dalam fungsi tujuan dan fungsi
kendala.
c. additivity (penambahan). Artinya aktivitas total
sama dengan penjumlahan aktivitas individu.
d. divisibility (bisa dibagi-bagi). Maksudnya solusi tidak
harus merupakan bilangan integer (bilangan bulat),
tetapi bisa juga berupa pecahan.
e. non-negative variable (variabel tidak negatif).

12
 Artinya bahwa semua nilai jawaban atau variabel
tidak negatif.
Dalam buku ajar ini menyelesaikan permasalahan
dengan menggunakan Linear Programming, ada dua
pendekatan yang bisa digunakan, yaitu metode grafik dan
metode simpleks. Metode grafik hanya bisa digunakan
untuk menyelesaikan permasalahan dimana variabel
keputusan sama dengan dua. Sedangkan metode
simpleks bisa digunakan untuk menyelesaikan
permasalahan dimana variabel keputusan dua atau lebih.

2.2 Formulasi Model Pemrograman Linear

Model pemrograman linear terdiri dari beberapa
komponen yaitu; variabel keputusan, fungsi tujuan, dan
batasan / kendala model. Variabel keputusan adalah
sesuatu yang belum diketahui yang nantinya berpengaruh
pada fungsi tujuan. Sebagai contoh perusahan elektronik
ingin memproduksi X1 Televisi, X2 Radio, X3 Tape recorder.
Dimana lambang X1, X2, dan X3, merupakan sebuah
lambang yang menunjukkan jumlah variabel setiap item
barang elektronik yang belum diketahui jumlahnya. Nilai
dari X1, X2, X3 merupakan keputusan ( misalnya X 1= 20
Televisi merupakan keputusan manajemen untuk
memproduksi Televisi sebanyak 10).

13
 Fungsi tujuan merupakan relasi /hubungan
matematika dalam bentuk linear yang menjelaskan tujuan
perusahaan, dalam terminologi variabel keputusan. Setelah
variabel keputusan ditentukan maka fungsi tujuan akan
selalu menuju target salah satu dari maksimumkan atau
minimumkan ( maksimumkan laba atau minimumkan
biaya). Fungsi kendala/ batasan model juga merupakan
fungsi dalam bentuk linear dari variabel-variabel
keputusan. Batasan batasan ini menunjukan sumber-
sumber yang jumlahnya terbatas ( bisa berupa bahan baku,
waktu, dan sebagainya). Sebagai contoh, untuk membuat
televisi hanya tersedia 100 jam tenaga kerja.

Contoh 1
Perusahaan galeria furniture memproduksi dua
jenis produk tiap hari yaitu meja dan kursi. Perusahaan
mempunyai dua sumber daya yang terbatas untuk
memproduksi produknya yaitu; kayu dan tenaga kerja.
Dengan keterbatasan sumber daya ini pemilik perusahaan
ingin mengoptimalkan penggunaannya sehingga
perusahaan mempunyai daya saing yang tinggi. Pemilik
peruhaan ingin mengetahui berapa banyak meja dan kursi
diproduksi setiap hari agar keuntungan maksimum. Kedua

14
produk yang akan dibuat mempunyai kebutuhan sumber
daya dan laba per item sebagai berikut:

Kebutuhan sumber daya

Bahan Jam tenaga

Laba
baku kayu kerja
Jenis Produk
(m3)/uni (jam)/unit ($)/unit
t
Meja 1 4 5
Kursi 2 3 6
sumber daya 40 120

Masalah campuran produk ini akan dimodelkan dalam

model matematika fungsi linear dari fungsi tujuan dan
kendala kendalanya.

1. Variabel keputusan
Keputusan yang dihadapi manajemen dalam
memaksimumkan laba adalah berapa meja dan kursi
yang harus diproduksi tiap hari. Dalam pemodelan
maka jumlah tiap jenis produk yang harus diproduksi
tiap hari adalah sebagai berikut:
X1 = jumlah meja yang diproduksi
X2 = jumlah kursi yang diproduksi

15
2. Fungsi tujuan
Tujuan perusahaan adalah memaksimumkan total
laba. Total laba perusahaan tergantung dari berapa
banyak jumlah meja dan kursi yang diproduksi. Dari
data dalam tabel diatas maka laba dari meja yang
diproduksi adalah berapa jumlah meja ( X1) yang
diproduksi dikalikan dengan laba dari meja perunit
( $5). Sedangkan laba dari kursi yang diproduksi
adalah berapa jumlah kursi yang diproduksi (X 2)
dikalikan dengan laba perunit kursi ($6). Dalam buku
ini terminologi maksimumkan atau minimumkan dari
suatu fungsi tujuan digunakan Z yang mempunyai nilai
nominal tertentu. Dalam masalah ini tujuan
perusahaan adalah masimumkan laba yang ditulis
sebagai berikut:

Maksimumkan Z = 5 X1 + 6 X2
Yang mana:
Z = total laba perusahaan tiap hari
5 X1 = Jumlah laba dari meja yang diproduksi
tiap hari
6 X2 = Jumlah laba dari kursi yang diproduksi
tiap hari

16
3. Batasan model
Dalam perusahaan galeria furniture ini sumber daya
yang digunakan untuk produksi adalah bahan baku
kayu dan jam tenaga kerja yang jumlahnya terbatas
tiap hari. Dalam memproduksi meja membutuhkan
sumber daya bahan baku dan jam tenaga kerja, begitu
juga kalau memproduksi kursi. Untuk membuat satu
unit meja dibutuhkan bahan baku 1m 3 kayu sehingga
total kayu yang dibutuhkan untuk memproduksi
sejumlah X1 meja adalah 1X1 m3. Untuk membuat satu
unit kursi dibutuhkan bahan baku 2m 3 kayu sehingga
total kayu yang dibutuhkan untuk memproduksi
sejumlah X2 kursi adalah 2X2 m3.
Total bahan baku yang digunakan oleh perusahaan
adalah penjumlahan dari setiap bahan baku yang
digunakan tiap produk yaitu:
1X1 + 2X2
Akan tetapi bahan baku sejumlah 1X1 + 2X2 tiap hari
dibatasi sampai 40 m3 kayu. Sehingga model batasan
bahan baku menjadi: 1X1 + 2X2 40
Sedangkan waktu yang dibutuhkan untuk
memproduksi satu unit meja adalah 3 jam sehingga
total waktu yang dibutuhkan untuk memproduksi
sejumlah X1 meja adalah 3 X 1 jam. Sedangkan waktu

17
 yang dibutuhkan untuk memproduksi satu unit kursi
adalah 4 jam sehingga total waktu yang dibutuhkan
untuk memproduksi sejumlah X2 kursi adalah 4 X2
jam. Total waktu yang digunakan oleh perusahaan
adalah penjumlahan dari setiap jam tenaga kerja yang
digunakan tiap produk yaitu:
4X1 + 3X2
Akan tetapi jumlah waktu 4X1 + 3X2 tiap hari dibatasi
sampai 120jam tenaga kerja. Sehingga model batasan
waktu tenaga kerja menjadi:
4X1 + 3X2 120
Batasan terakhir adalah jumlah meja dan kursi yang
dibuat tidak mungkin bernilai negatip, akan tetapi
boleh bernilai nol yang berarti tidak memproduksi,
sehingga model matematikanya adalah:
X1 0 dan X2 0
Model secara lengkap adalah:
Maksimumkan Z = 5 X1 + 6 X2
Tunduk pada 1X1 + 2X2 40
4X1 + 3X2 120
X1 0 dan X2 0
Kalau model ini dipecahkan maka akan menghasilkan nilai
numerik untuk X1 dan X2 yang tentunya membuat nilai
laba maksimum. Sebagai contoh salah satu yang mungkin

18
menjadi pemecahan, pertimbangkan nilai X1 = 5 meja dan
X2 = 10 kursi. Pertama perlu di cek apakah pemecahan
hipotesis ini tidak melanggar batasan bahan baku dan jam
tenaga kerja, dengan cara mensubstitusikan jumlah meja
dan kursui ke dalam pertidaksamaan kendala seperti
berikut:
1X1 + 2X2 40
1(5) + 2(10) 40
25 40 tidak melanggar jumlah bahan
baku , dan
4X1 + 3X2 120
4(5) + 3(10) 120
50 120 tidak melanggar jam tenaga kerja.
Pemecahan hipotesis ini tidak melanggar batasan yang ada,
dan nilai laba yang diberikan adalah sebesar : Z = 5 (5) + 6
(10) = $85, sehingga hipotesis ini memenuhi persaratan
tetapi belum tahu apakah sudah memberikan nilai laba
yang maksimum. Pemecahan masalah ini akan diberikan
dalam bab berikutnya.

Contoh 2
Perusahaan Bali Food mempunyai pabrik tepung
tapioka, manajemen ingin mengoptimalkan sumber daya
yang dipunyai, untuk memaksimumkan hasil penjualan /

19
keuntungan. Kalau membuat tepung jenis super
diperlukan bahan baku 1 ton dan jenis premium
dibutuhkan 2 ton. Kalau memproduksi jenis super
dibutuhkan waktu 3 jam dan kalau memproduksi jenis
premium dibutuhkan waktu 2 jam tenaga kerja. Kalau
tersedia pasokan bahan baku per hari 16 ton jagung, dan
jam tenaga kerja per hari adalah 30 jam, dengan
keuntungan masing masing per ton adalah 2 juta dan 3 juta
rupiah. Tentukan berapa harus dibuat tepung tapioka jenis
super, atau jenis premum, agar keuntungan maksimum.
Dari permasalahan diatas maka dibuat model

matematikanya adalah sebagai berikut:

Jam
Bahan Keuntungan
Jenis produk tenaga
baku Per ton
kerja
Tapioka Super 1 3 2
Tapioka Premium 2 2 3
Ketersediaan 16 30

Model matematikanya adalah:

Mak Z = 2 S + 3 P ---- Fungsi tujuan
1 S + 2 P 16 --- Kendala bahan baku
3 S + 2 P 30 -- Kendala waktu
S , P 0 --- Kendala non negatifitas

20
Pemecahan masalah ini akan diberikan dalam bab
berikutnya.

2.3 Pemecahan grafik model linear

Tahap selanjutnya dalam pengambilan keputusan
model linear adalah pemecahan model matematika. Salah
satu metode paling sederhana untuk memberikan ilustrasi
pemecahan model linear dengan dua variabel keputusan
adalah metode grafik. Kalau permasalahan dengan 3
variabel keputusan bisa digambarkan dengan grafik tiga
dimensi tetapi penggambaran agak sulit, apalagi variabel
nya lebih banyak tidak mungkin digambarkan dengan
grafik.

Pemecahan model contoh 1.

Model pada bagian sub bab sebelumnya akan
digunakan sebagai ilustrasi penyelesaian model linear
dengan grafik. Perusahaan galeria furniture memproduksi
dua jenis produk tiap hari yaitu meja dan kursi antik untuk
diekspor, Model selengkapnya adalah sebagai berikut:
Maksimumkan Z = 5 X1 + 6 X2
Tunduk pada 1X1 + 2X2 40
4X1 + 3X2 120
X1 0 dan X2 0

21
 X1 = jumlah meja yang diproduksi
X2 = jumlah kursi yang diproduksi
Langkah pertama adalah menggambarkan persamaan-
persamaan kendala dalam grafik dengan sumbu-sumbu
jumlah meja dan jumlah kursi.

Gambar 2.1 Sumbu koordinat untuk analisis grafik

Prosedur yang paling mudah untuk menggambar garis

lurus dalam grafik dua dimensi adalah menentukan dua
titik dan menghubungkannya. Untuk mencari dua titik ini
paling mudah dengan memotongkan dengan sumbu-
sumbu. Kalau suatu garis yang memotong garis sumbu
maka salah satu variabel akan mempunyai nilai 0,
tahapannya sebagai berikut:

22
Dari pertidaksamaan 1X1 + 2X2 40 persamaan garis
diambil dari persamaan
1X1 + 2X2 = 40
Memotong sumbu X1 bila:
X2 = 0 maka X1 = 40 atau di titik koordinat ( 40,0)
Memotong sumbu X2 bila:
X1 = 0 maka X2 = 20 atau di titik koordinat (0,20)
Hubungkan kedua titik dengan garis lurus sehingga kalau
digambarkan seperti dalam gambar di bawah yang
menunjukkan sebuah garis batasan tetapi belum
menunjukkan sebuah kawasan/ daerah batasan seperti
dalam pertidaksamaan. Untuk menentukan daerah yang
memenuhi batasan misalnya jumlah bahan baku, cek suatu
titik yang berada didaerah yang dibatasi oleh garis.
Misalnya cek titik koordinat (X 1,X2 : 10,10), dengan cara
memasukkan nilai ini pada pertidaksamaan:
1X1 + 2X2 40
1(10) + 2(10) 40
30 40
Hai ini menunjukkan bahwa titik (10,10) adalah daerah
yang memenuhi batasan, yang ditunjukkan oleh nilainya
sebesar 30 yang tidak melebihi batas 40 jam.

23
 Gambar 2.2 Penggambaran yang memenuhi syarat dari
batasan waktu

Dari pertidaksamaan 4X1 + 3X2 120 persamaan garis

diambil dari persamaan
4X1 + 3X2 = 120
Memotong sumbu X1 bila:
X2 = 0 maka X1 = 30 atau di titik koordinat ( 30,0)
Memotong sumbu X2 bila:
X1 = 0 maka X2 = 40 atau di titik koordinat (0,40)
Sama halnya dengan garis batasan waktu, garis batasan
bahan baku dibuat dengan menghubungkan kedua
koordinat diatas, dan diuji daerah yang memenuhi syarat.

24
Setelah itu irisan dari semua daerah baik batasan waktu,
bahan baku dan nonnegativitas merupakan daerah yang
memenuhi syarat penyelesaian ( veasible region).
Didaerah inilah salah satu titik yang membuat nilai Z
maksimum, yang mana titik-titik ini tidak melanggar
semua batasan. Griafik ini ditunjukkan oleh gambar di
bawah.

Gambar 2. 3 Daerah Irisan dari semua fungsi kendala

Daerah yang diarsir merupakan daerah solusi yang

layak. Karena semua titik-titik yang ada pada daerah itu
memenuhi persamaan kendala. Langkah berikutnya untuk
mengetahui titik optimal ada beberapa metode salah
satunya adalah, titik optimal berada pada salah satu dari

25
titik ekstrim yang merupakan titik potong dari persamaan
kendala yang berada pada daerah yang diarsir ( daerah
yang memenuhi syarat) atau daerah poligon ABCD.
Dalam tahapan sebelumnya titik A, B, D sudah
diketahui, sedangkan Titi C yang merupakan perpotongan
kendala waktu dan bahan baku di cari dengan substitusi
kedua persamaan sehingga diperoleh titik koordinat C
(24,8) seperti dalam gambar berikut:

Gambar 2.4 Titik-titik yang akan memberikan nilai optimal

Dengan mensubstitusikan nilai titik-titik ini pada

persamaan tujuan akan diperoleh sekumpulan nilai yang
salah satunya akan memberikan nilai Z maksimum, seperti
ditunjukkan dalam tabel di bawah.

26
 Titik Z=
X1 X2 Ket
kritis 2 X1 + 3 X2
A 0 0 0
B 30 0 60
C 24 8 80 Mak
D 0 20 60

Dari tabel di atas menunjukkna bahwa titik C memberikan

nilai Z maksimum, yang artinya keuntungan maksimum
sebesar $80 dengan membuat 24 kursi dan 8 meja.

Pemecahan model contoh 2.

Model matematikanya:
Mak Z = 2 S + 3 P ---- Fungsi tujuan
1 S + 2 P 16 --- Kendala 1
3 S + 2 P 30 -- Kendala 2
S,P0
Titik potong dengan sumbu sumbu ( S, P)
S + 2 P = 16
Bila S = 0, maka P = 8, P = 0, maka S = 16
3 S + 2 P = 30
Bila S = 0, m aka P = 15, P = 0, maka S = 10
Perpotongan persamaan kendala 1 dan 2 B ( 7, 4.5)

27
Gambar 2.5 Daerah yang memenuhi syarat Cek optimalitas

Setelah dicek titik ABCD menghasilkan nilai Z seperti

dalam tabel berikut:

Titik Z=
S P Ket
kritis 2s+3P
A 10 0 20
B 7 4.5 27.5 Mak
C 0 8 24
D 0 0 0

Cek kendala
1 S + 2 P 16 --- Kendala 1
7 + 2x4.5 = 16 ( tidak dilanggar)
3 S + 2 P 30 -- Kendala 2
3x7 + 2x4.5 = 30 ( tidak dilanggar )
Jadi agar memperoleh keuntungan maksimum maka harus
dibuat jenis super = 7 ton , dan jenis premium = 4,5 ton,
dengan total keuntungan sebesar 27,5 juta.

28
2.4 Metode Simplek
A. Aljabar simpleks

Permasalahan riset operasional / permasalahan

optimisasi / linear programming, dalam dunia nyata sangat
luas, besar dan kompleks. Penyelesaian dengan metode
grafis sangat terbatas ( hanya dua variabel), sehingga perlu
dikembangkan suatu metode lain yang bisa dipakai
menyelesaikan permasalahan yang mempunyai variabel
banyak.
Dalam bahasan berikut akan disajikan suatu
metode aljabar yang dapat memecahkan permasalahan
linear yang komplek (variabel banyak) yang dikenal
dengan Metode Simplek. Dalam metode grafik sebelumnya,
penyelesaian permasalahan yang optimum selalu
berkaitan dengan titik ekstrim ( perpotongan garis garis
kendala), atau titik sudut pada ruang pemecahan (daerah
penyelesaian). Gagasan ini mengilhami metode simplek.
Pada intinya apa yang dilakukan metode simplek adalah
menterjemahkan definisi geografis dari titik ekstrim
menjadi definisi aljabar. Jadi dapat dikatakan bahwa
metode simplek memecahkan permasalahan linear
didasarkan atas solusi persamaan simultan. Solusi akan
muncul pada setiap titik ekstrim yaitu perpotongan

29
persamaan garis kendala, atau perpotongan dengan garis
sumbu. Jadi dalam motode simplek semua batasan harus
dalam bentuk persamaan (=), bukan dalam bentuk
pertidaksamaan ( atau ) seperti dalam metode grafis.

B. Bentuk Standar
Dalam metode simplek suatu prosedur standar
dibuat untuk mentransformasikan pertidaksamaan
kendala ( atau ) menjadi bentuk persamaan (=).
Tranformasi ini diperoleh dengan jalan menambahkan
suatu variabel baru, yang dinamakan variabel pengurang
( slack variabel ) dan variabel penambah ( surplus
variabel). Konversi ini akan menghasilkan sejumlah
persamaan yang mana jumlah variabel akan lebih besar
dari jumlah persamaan. Artinya persamaan persamaan
tersebut menghasilkan sejumlah titik yang pemecahan
yang lebih banyak.
Titik-titik ekstrim dalam metode grafis dapat
diidentifikasikan secara aljabar sebagai pemecahan dasar (
basic solution). Dari teori aljabar linear, suatu pemecahan
dasar diperoleh dengan menetapkan beberapa variabel
yang sebanyak selisih antara jumlah total variabel dengan
jumlah total persamaan memiliki nilai sama dengan nol.
Dan selanjutnya memecahkan variabel sisanya.

30
Apa yang dilakukan dalam metode simplek adalah
mengidentifikasi suatu pemecahan dasar awal lalu
bergerak secara sistematis ke pemecahan dasar lainnya
yang memiliki potensi untuk memperbaiki nilai fungsi
tujuan ( maksimum atau minimum). Dan pada akhirnya
pemecahan dasar yang bersesuaian dengan nilai optimum
akan teridentifikasi dan proses perhitungan berakhir. Pada
dasarnya algoritma simplek merupakan prosedur
perhitungan yang berulang (iteratif) dimana setiap
pengulangan (iterasi) berkaitan dengan suatu pemecahan
dasar. Pembahasan sebelumnya bahwa model linear dapat
mempunyai kendala dalam bentuk persamaan dan
pertidaksamaan (, , =).
Pemecahan model linear dengan metode simplek
mempunyai beberapa batasan :
1. Semua fungsi kendala adalah persamaan
2. Semua variabel adalah non-negatip
3. Fungsi tujuan dapat berupa maksimisasi atau
minimisasi.
misalnya:
X1 + 2 X2 16 menjadi X1 + 2 X2 + X3 =
16
X3 disebut variabel slack

31
 3 X1 + 2 X2 30 menjadi 3 X1 + 2 X2 X3
= 30
X3 disebut variabel slurplus

Pemecahan Contoh 2. Dengan metode simpleks

Model awal diubah menjadi bentuk standar simplek

Bentuk awal
Mak Z = 2 X1 + 3 X2
1 X1 + 2 X2 16
3 X1 + 2 X2 30
X1 , X 2 0
Bentuk standar
Mak Z = 2 X1 + 3 X2
1 X 1 + 2 X 2 + X3 = 16
3 X1 + 2 X 2 + X4 = 30
X1 , X2 , X3 , X4 0
Mak Z = 2 X1 + 3 X2
1 X1 + 2 X2 + X3 = 16 X1, X2 = Veriabel keputusan
3 X1 + 2 X2 + X4 = 30 X3, X4 = Slack variabel
X1 , X 2 , X 3 , X 4 0
Bila X1, X2 = 0 ----- yang biasa disebut Non Basic Variable
(NBV) maka:
--- 1 X1 + 2 X2 + X3 = 16 dan X3 = 16
--- 3 X1 + 2 X2 + X4 = 30 dan X4 = 30

32
 X3 , X 4 --- yang biasa disebut Basic Variable (BV)
Dan kalau nilai variabel keputusan (X1 dan X2 ) disub
stitusikan dalam persamaan tujuan maka
Z = 2 X1 + 3 X2, Z=0
Apa arti fisis hasil di atas:
X1 = 0, X2 = 0 ----- Belum buat produk
X3 = 16, X4 = 30 ----- Sumber masih utuh
Dan Z = 0 ---- keuntungan total masih nol
Diinginkan nilai Z maksimum
Mak Z = 2 X1 + 3 X2
Karena variabel keputusan X1 dan X2 maka yang mana
dinaikkan agar Z maksimum
Bila X1 dinaikkan ------- Rate kenaikan Z = 2
Bila X2 dinaikkan ------- Rate kenaikan Z = 3
Jadi pilih X2 untuk dinaikkan .
Sekarang kita sebut X2 Entering Basic Variable pada iterasi
pertama. Masalahnya berapa besar X2 dinaikkan supaya
tidak melanggar fungsi kendala.
Dimulai dari X1 = 0, dan X2 dinaikkan, ditinjau dari
persamaan berikut, maka:
1 X1 + 2 X 2 + X 3 = 16 --- X3 = 16 - 2 X2
3 X1 + 2 X 2 + X4 = 30 --- X4 = 30 - 2 X2
Cek berapa besar X2 bisa dinaikkan (X3, X4 0 / tak boleh
negatif):

33
 X3 = 16 -2 X2 -- 8
X4 = 30 -2 X2 --- 15
Supaya memenuhi kedua persamaan maka dipilih X2 = 8
Maka akan diperoleh :
X3 = 0 --- Lebih dulu mendekati 0 atau maka X3
disebut Leaving basic variable.
Dan X4 = 14
Naiknya nilai X2 dari 0 menjadi 8 maka X2 berpindah dari
Initial Basic Feasible Solution ke New Basic Feasible
Solution, supaya jelas seperti dalam tabel berikut:
Initial BFS New BFS
Non Basic X1 = 0, X2 = 0 X1 = 0 , X 3 = 0
Variable
Basic Variable X3 = 16, X4 = 30 X2 = 8, X4 = 14

Maka Persamaan diatas ditulis kembali :

(1) 1 X 1 + 2 X2 + X 3 = 16
(2) 3 X1 + 2 X 2 + X4 = 30
X2 = 8 - 0.5 X1 - 0.5 X3
X4 = 30 3 X1 -2 ( 8 - 0.5 X1 - 0.5 X3 )
= 30 - 3 X1 - 16 + X1 + X3
= 14 -2 X1 + X3
Dan
Z = 2 X1 + 3 X2
Z = 2 X1 + 3 (8 - 0.5 X1 - 0.5 X3 )

34
 = 2 X1 + 24 1.5 X1 1.5 X3
Z = 24 + 0.5 X1 1.5 X3
Bila : X1 = 0, X2 = 8, X3 = 0, X4 = 14,
maka Z = 24 sudah naik
Optimality test untuk new basic feasible solution
Perhatikan fungsi tujuan:
Z = 24 + 0.5 X1 1.5 X3

Kalau non basic variable

masih bisa dinaikkan untuk
menaikkan nilai Z maka
belum optimal
Iterasi 2
Pilih X1 entering basic variable, dan berapa besar X 1
dinaikkan agar kendala tidak dilanggar, dengan X 3 = 0
maka:
X2 = 8 - 0.5 X1 - 0.5 X3 Supaya memenuhi
kedua persamaan
X4 = 14 - 2 X1 + X3 maka dipilih nilai
X2 = 8 - 0.5 X1 -------------- 16 X1 = 7

X4 = 14 - 2 X1 -------------- 7
Sehingga:
X2 = 8 - 0.5 X1 Lebih dahulu mendekati
nol maka X4 disebut
= 8 0.5 x 7 = 4.5 leaving basic variable
X4 = 14 - 2 X1
= 14 2 x 7 = 0

35
Naiknya X1 dari 0 menjadi X1 = 7, maka X1 mengganti X4
menjadi basic variable ( X4 disebut leaving Basik Variable)
Initial BFS New BFS
Non Basic X1 = 0, X3 = 0 X3 = 0, X4 = 0
Variable
Basic Variable X2 = 8, X4 = 14 X2 = 4.5 , X1 = 7

Maka persamaan diatas ditulis kembali :

(1) X2 = 8-0.5 X1-0.5 X3
(2) X4 = 14 -2 X1 + X3
Karena X4 leaving BV maka X1 diambil dari per (2) shg:
X4 = 14 - 2 X1 + X3
X1 = 7 + 0.5 X3 - 0.5 X4
X2 = 8 - 0.5 X1 0.5 X3
= 8 0.5 X1 0.5 X3
= 8 0.5 (7 + 0.5 X3 - 0.5 X4) 0.5 X3
= 8 3.5 - 0.25 X3 + 0.25 X4 0.5 X3
X2 = 4.5 -0.75 X3 + 0.25 X4
Z = 24 + 0.5 X1 1.5 X3
Z = 24 + 0.5 (7 + 0.5 X3 - 0.5 X4) 1.5 X3
= 24 + 3.5 + 0.25 X3 0.25 X4 1.5 X3
= 27.5 - 1.75 X3 0.25 X4

Dalam persamaan tujuan non

basic variabel bernilai nol maka
sudah tak ada variabel yang
bisa menaikkan nilai Z maka
optimal

36
Bila : X1 = 7, X2 = 4.5, X3 = 0, X4 = 0, maka Z = 27.5
Jadi Z mak = 27.5 dengan X1 = 7, X2 = 4.5 sama dengan hasil
metode grafik di atas.

Rangkuman metode Aljabar simplek

Mengubah bentuk baku model LP ke dalam bentuk tabel
akan memudahkan proses
perhitungan simplex.
Langkah-langkah perhitungan dalam algoritma simplex
adalah :
1. Berdasarkan bentuk baku, tentukan solusi awal
(initial basic feaseble solution) dengan menetapkan
m n variabel non basis sama dengan nol.
2. Pilih sebuah entering variable diantara yang sedang
menjadi variabel non basis, yang jika dinaikkan
diatas nol, dapat memperbaiki nilai fungsi tujuan.
Jika tidak ada, berhenti, berarti solusi sudah
optimal. Jika tidak, melangkah ke langkah 3.
3. Pilih sebuah leaving variable diantara yang sedang
menjadi variabel basis yang harus menjadi non
basis (nilainya menjadi nol) ketika entering
variable menjadi variabel basis.

37
 4. Tentukan solusi yang baru dengan membuat
entering variable dan leaving variable menjadi
non basis. Kembali ke langkah 2.

Soal soal
1. Selesaikan dengan metode simpleks (wyndor glass co)
Max Z = 3 X1 + 5 X2
ST. X1 4
2 X2 12
3 X1 + 2 X2 18
X1, X2 0
2. Selesaikan dengan metode simpleks
Max Z = 4 X1 + 5 X2
ST. X1 + 2 X2 40
4 X1 + 3 X2 120
X1, X2 0
3. Selesaikan dengan metode simpleks
Max. Z = 5 X1 + 4 X2 + 3 X3
Subject to 2 X1 + 3 X2 + X3 5
4 X1 + X2 + 2X3 11
3 X1 + 4X2 + 2X3 8
X1, X2, X3 0
4. Selesaikan dengan metode simpleks (Ignizio 48)
Max. Z = 2 X1 + 3 X2

38
 Subject to X1 - 2 X2 4
2 X1 + 2 X2 18
X2 10
X1, X2, 0

C. Metode Simplek Dalam Bentuk Tabel

Metode aljabar simplek cukup rumit bila variabel

cukup banyak, dan kurang efisien dalam perhitungan.
Untuk perhitungan yang lebih mudah dan efisien maka
dilakukan suatu tahapan yang mana metode sebelumnya
dibuatkan model tabel yang dikenal dengan tabel simplek (
tableau form). Tabel ini merupakan bentuk lain dari model
standar simplek.
Spreadsheet software, seperti Excel merupakan
tool yang sangat populer untuk analisis dan menyelesaikan
permasalahan linear programming yang sederhana. Fitur
linear programming termasuk semua parameternya,
sangat mudah dimasukkan dalam spreadshet.
Disamping itu Excel memberikan fasilitas Solver yang
sangat mudah untuk mengaplikasikan metode simplek
untuk mencari solusi optimal suatu model. Sebelum
mencoba solver akan dipelajari dulu metode simplek
dalam bentuk tabel.

39
Model pabrik tepung tapioka, digunakan kempali sebagai
contoh.
Bentuk standar
Mak Z = 2 X1 + 3 X2 + 0 X3 + 0X4
Kendala:
1 X1 + 2 X2 + 1 X3 + 0 X4 = 16
3 X1 + 2 X 2 + 0 X3 + 1 X4 = 30
X1, X2, X3, X4 0
Bentuk model matematika di atas dibuatkan tabel seperti
berikut:

Nilai Pivot Pivot baris

Veriabel
x1 x2 x3 x4 rhs
dasar
X3 1 2 1 0 16 8
X4 3 2 0 1 30 15
2 3 0 0 0

Pivot kolom

40
Lihat contoh lain

Penyelesaian dengan solver.

Microsoft Excel 11.0 Answer Report

Worksheet: [tepung.xls]Sheet2
Report Created: 7/4/2008 9:20:21 AM

Target Cell (Max)

Original Final
Cell Name Value Value
$C$4 Z 0 27.5

Adjustable Cells
Original Final
Cell Name Value Value
$C$7 x1 0 7
$C$8 x2 0 4.5

Constraints
Cell Name Cell Value Formula Status Slack
$C$1
0 kon1 16 $C$10<=16 Binding 0
$C$1
1 kon2 30 $C$11<=30 Binding 0
Not
$C$7 x1 7 $C$7>=0 Binding 7
Not
$C$8 x2 4.5 $C$8>=0 Binding 4.5

41
D. Metode Simplek Dalam Bentuk Matrik

Metode simplek yang dijelaskan sebelumnya

( aljabar dan tabel), untuk selanjutnya disebut original
simplex methods, yang merupakan prosedur aljabar.
Prosedur ini akan cukup rumit bila variabelnya banyak.
Dalam metode berikutnya akan disajikan suatu
perbaikan metode simplek ( revise simplex method) yang
secara eksplisit menggunakan manipulasi matrik. Jadi
permasalahan / model matematik selalu dibuat dalam
bentuk matrik.
Dalam model standar linear programming dalam bentuk
matrik sbb:
Optimize z = c1x1 +c2x2 + c3x3 + . . . . + cnxn
Subject to
a11x1 + a12x2 + a13x3 + . . . + a1nxn { , = , }b1
a21x1 + a22x2 + a23x3 + . . . + a2nxn { , = , }b2
a31x1 + a32x2 + a33x3 + . . . + a3nxn { , = , }b3
.
.
am1x1 + am2x2 + am3x3 + . . . + amnxn { , = , }bm
x1, x2, x3, . . . xn 0
Biasa ditulis lebih kompak lagi sbb:

42
 n

Optimize z = c j 1
jxj

Subject to
n

a
j 1
i jxj { , = , } b1 , i = 1, 2, 3, . . . , m

xj 0 , j = 1, 2, 3, . . . , n

Dari ketiga jenis kendala { , = , } maka secara umum

akan jauh lebih mudah menyelesaikan persamaan dari
pada pertidaksamaan.
Model pertidaksamaan di atas dapat diubah mejadi
persamaan dengan memasukkan beberapa variabel
tambahan (slak dan atau surplus) kedalam formulasi /
persamaan. Dan untuk lebih memudahkan perhitungan
maka sisi kanan dibuat menjadi nonnegativitas ( yaitu bi
0), hal ini bisa dilakukan dengan mengalikan dengan (-1).
Konversi kendala:
Kendala pertidaksamaan ke r,
n

a
j 1
r jxj br

Masukkan variabel baru sr 0 yang disebut slack variabel

n

a
j 1
r jxj sr br Atau

n
sr br a j 1
r jxj

43
Berikutnya
Kendala pertidaksamaan ke t,
n

a
j 1
t j xj bt

Masukkan variabel baru s t 0 yang disebut surplus

variabel
n

a
j 1
tj x j bt st
n

a
j 1
t jxj st bt Atau
n
st a
j 1
t jxj bt

Fungsi tujuan menjadi:

n p

Optimize z = j 1
cjxj c
k 1
k sk

n
Suku pertama dalam persamaan diatas c
j 1
jxj adalah
p

fungsi tujuan asli sedangkan suku kedua c

k 1
k sk adalah

pengaruh dari variabel slak dan surplus. Dalam beberapa

literatur nilai ck diasumsikan nol (Ignizio, Linear
Programming).

Contoh 1.

Konversi linear programming ke bentuk standard

Bila diberikan model sbb:

44
 Min z = 7x1 3x2 + 5x3
Kendala
x1 + x2 + x3 9
3x1 + 2x2 + x3 12
x1, x2, x3 0

Bila asumsi biaya surplus adalah 0, dan biaya slak 1,5

perunit maka:
Bentuk standar

Max z = -7x1 + 3x2 - 5x3 + 0s1 -1,5s2

Kendala
x1 + x2 + x3 s1 = 9
3x1 + 2x2 + x3 + s2 = 12
x1, x2, x3, s1, s2 0

Perlu perhatikan bawha min z = mak z

Ada beberapa textbook menyeragamkan variabel

keputusan ( xj) sehingga model standar diatas biasa ditulis
sbb:

Max z = -7x1 + 3x2 - 5x3 + 0x4 -1,5x5

Kendala
x1 + x2 + x3 x4 = 9
3x1 + 2x2 + x3 + x5 = 12
x1, x2, x3, x4, x5 0

Sehingga model standar diatas dapat ditulis sbb

Mak z = c
j 1
jxj

45
 Subject to

a
j 1
i jxj = b1 , i = 1, 2, 3, . . . , m

xj 0 , j = 1, 2, 3, . . . , n

Model diatas juga dapat ditulis dalam bentuk vektor dan

matrik

Mak z = cx
Subject to
Ax = b
x0

dimana
A = matrik m x n yang merupakan koefisien dari
kendala
C = adalah vektor baris
C = [c1, c2, c3, ... , cn]
X, b, dan 0 adalah vektor kolom

46
 x1 b1 01
x b 0
2 2 2
X x3 , b b3 , 0 0 3 dan

. . .
xn bn 0 n
a 11 a 12 ... a 1n
a a 22 ... a 2n
A 21
... ... ... ...

a m1 a m2 ... a mn
= (a1,a2,a3,...,an)

Penyelesaian dengan matrik

Bila bentuk standar sbb

Mak z = cx
Ax = b
x0
Langkah I. Partisi matrik A menjadi :
A = [B:N]

Dengan B = m x m matrik nonsingular ( matrik basis)

N = m x(n-m) matrik kolom non basic
Maka sistem linear Ax = b dapat ditulis menjadi
BxB + NxN = b
dan disederhanakan menjadi:
xB + B-1 NxN = B-1 b

47
dan penyelesaiannya menjadi:
xB = B-1 b - B-1 NxN
Bila xN = 0 , maka:
xB = B-1 b dan penyelesaiannya adalah

x B B b
1
x yang disebut basic solution, bila dalam hal ini x B =

x N 0
B-1 b 0

xB
Maka penyelesaian ini
x basic feasible solutions.

xN
48
Sekarang coba perhatikan fungsi objectif z = cx. Bila
komponen c dipartisi menjadi basic dan nonbasic ( yaitu c
= ( cB, cN ) maka fungsi objektif dapat ditulis menjadi:

z = cBxB + cNxN

substitusikan xB dalam persamaan diatas maka

z = cB ( B-1 b - B-1 NxN ) + cNxN
= cB B-1 b - cB B-1 NxN + cNxN
z = cB B-1 b (cB B-1 N - cN ) xN
ini disebut bentuk kanonik
z = cB B-1 b (cB B-1 N - cN ) xN
xB = B-1 b - B-1 NxN
Bila xN = 0 maka basik fisible solution adalah:

z = cB B-1 b

49
 x B B b
1
x 0

x N 0
Kalau persamaan sebelumnya diperluas maka:
z = cB B-1 b (cB B-1 N - cN ) xN
xB = B-1 b - B-1 NxN

50
Bagian Ketiga Integer Programing
3.1 Pendahuluan

Pada subbab sebelumnya kita sudah membicarakan

model LP dengan asumsi variabel keputusan adalah
kontinyu. Integer programming atau pemrograman
bilangan bulat juga merupakan bagian dari linear
programming (LP). Penyelesaian LP mungkin
menghasilkan nilai optimal variabel-variabel modelnya
bisa bulat maupun pecahan, atau suatu nilai nonnegatif
(kontinyu). Dalam suatu keadaan tertentu, misalnya
variabel keputusan tersebut mewakili item-item yang tidak
bisa pecahan ( saham, manusia, mesin, kapal, dan lain lain)
maka asumsi ini tidak bisa diterima. Misalnya perusahaan
perakitan mobil BMW, tidak akan merakit mobil sebanyak
5,8 unit per hari, tetapi bulat. Variabel yang mempunyai

51
nilai 5,8 tidak mempunyai makna praktis atau tidak
mungkin diimplementasikan di dunia nyata.
Pada sub bab ini akan dipelajari model
Pemrograman bilangan bulat (IP) yaitu sebuah model LP
yang memungkinkan penyelesaian optimalnya merupakan
semua atau sebagian bilangan bulat tanpa
mengesampingkan optimalitas penyelesaiannya. Secara
umum Integer Programming dibedakan menjadi 3 yaitu:
(1). Total Integer Programming, yaitu semua
penyelesaiannya mengharapkan variabel yang bernilai
bulat, (2). Mixed Integer Programming, penyelesaian
mengharapkan hanya variabel tertentu saja yang bernilai
bulat, (3). Zero One Integer Programming, model yang
hanya mengharapkan variabel bernilai nol atau satu.
Pembahasan dimulai dari penyelesaian Iteger
Programming yang sederhana dengan metode grafis.
Selanjutnya akan didiskusikan beberapa teknik formulasi
model Integer Programming. Dan akan diakhiri dengan
beberapa motode untuk penyelesaian permasalahan IP.
Termasuk Branch-and-Bound, dan Cutting plane methods.

3.2. MODEL

Model umum Integer Programming adalah sebagai berikut:

Optimize ( maksimumkan, minimumkan )

52
 Z = f ( x1, x2, x3, . . . , xn )
Subject to:
Gi ( x1, x2, x3, . . . , xn) , = , bi
xi 0 i = 1, 2, 3, . . ., m
xj integer j = 1, 2, 3, . . . , n
Model di atas dapat dipecah menjadi model Total IP, dan
Mixed IP
Model Total IP
n
Optimize z = C
j 1
j Xj

Subject to
n

a j 1
i j x j { , = , } bi , i = 1, 2, 3, . . . , m

xj 0 , j = 1, 2, 3, . . . , n
xj integer j = 1, 2, 3, . . . , n

Model Mixed IP
n p

Optimize z = c
j 1
j x j ck y k
k 1

Subject to
n p

ajxj +
j 1
g k y k { , = , } bi , i = 1, 2, 3, . . . ,
k 1
m
Dan
xj 0 , dan integer j = 1, 2, 3, . . . , n
yk 0 k = 1, 2, 3, . . . , p

53
3.3 Penyelesaian Integer Programming Dua Dimensi
Dengan Grafis
Dalam LP bahwa pemecahan optimum terjadi dititik-
titik ekstrim dalam ruang pemecahan / derah yang layak.
Dalam integer programing pemecahan yang layak adalah
variabel yang berbentuk bilangan bulat mempersulit
perancangan sebuah algoritma efektip untuk mencari
secara langsung diantara titi-titik integer yang layak dari
ruang pemecahan. Beberapa peneliti telah memberikan
beberapa langkah yang maju dalam kesulitan ini, strategi
ini diringkas menjadi dua langkah yaitu:
1. Abaikan syarat integer, pemecahannya dengan
metode LP sebelumnya yang sudah dipelajari, jika
pemecahan optaimal PL ini ternyata bilangan bulat,
maka pemecahan ini juga pemecahan optimal bagi
Integer Programming.
2. Bila tidak maka komponen-komponen dari
pendekatan pertama ini dapat dipakai untuk
mendekatkan kesuatu nilai optimum bulat dengan
cara menambahkan batasan khusus ke bilangan
bulat terdekat dari nilai optimal kontinyu
sebelumnya.
Jika dalam pendekatan pertama ( mengabaikan syarat
integer) dan hasilnya mengandung variabel yang tidak

54
bulat ( kontinyu ) katakanlah X*j maka nilai ini pasti berada
diantara dua bilangan bulat positip yang berurutan. Seperti
bentuk ini:
i1 X*j i2 dengan i1 dan i2 adalah dua bilangan
bulat positif yang berurutan. Dari sini kemudian dibentuk
dua cabang program integer yang baru dengan cara
memperluas program bilangan bulat semula dengan
tambahan kendala, X*j i1 dan kendala X*j i2 seperti
gambar 3.1 dibawah ini. Misalnya nilai optimal yang
diperoleh dari perhitungan adalah kontinyu sebesar X*j =
4,5. Karena syarat kendala adalah bulat maka sesuai
dengan pernyataan i1 X*j i2 nilai i1 = 4 dan nilai i2 = 5
sehingga pengembangan kendala baru menjadi :
X*j 4 dan
X*j 5.

55
 Gambar 3.1 Pengembangan kendala
Proses ini disebut pencabangan / branching, yang
mempunyai efek mempersempit daerah layak sedemikian
rupa mengeliminasi pemecahan bilangan kontinyu/tidak
bulat X*j tetapi masih tetap mempertahankan semua
pemecahan bilangan bulat yang mungkin terhadap
persoalan semula. Metode ini dikenal dengan Branch and
Bound. Akan lebih jelas dengan contoh berikut ini.

Contoh 1

56
 Perusahaan Bali Food mempunyai pabrik tepung
tapioka, manajemen ingin mengoptimalkan sumber daya
yang dipunyai, untuk memaksimumkan hasil penjualan /
keuntungan. Kalau membuat tepung jenis super
diperlukan bahan baku 1 ton dan jenis premium
dibutuhkan 2 ton. Kalau memproduksi jenis super
dibutuhkan waktu 3 jam dan kalau memproduksi jenis
premium dibutuhkan waktu 2 jam tenaga kerja. Kalau
tersedia pasokan bahan baku per hari 16 ton jagung, dan
jam tenaga kerja per hari adalah 30 jam, dengan
keuntungan masing masing per ton adalah 2 juta dan 3 juta
rupiah. Tentukan berapa harus dibuat tepung tapioka jenis
super, atau jenis premum, agar keuntungan maksimum.

Pertanyaan:
Selesaikan masalah diatas, bila variabel adalah integer

Jawaban
Permasalahan di atas kalau dibuat dalam bentuk tabel
Jam
Bahan Keuntungan
Jenis produk tenaga
baku Per ton
kerja
Tapioka Super 1 3 2
Tapioka Premium 2 2 3
Ketersediaan 16 30
sumber

57
Model matematikanya:
Mak Z = 2 S + 3 P --- Fungsi tujuan
1 S + 2 P 16 --- Kendala 1
3 S + 2 P 30 -- Kendala 2
S , P 0 --- kendala non negativitas
dan bulat
Jawaban sebelumnya diulang kembali sebagai berikut
dengan mengabaikan syarat integer:

Gambar 3.1 Daerah memenuhi syarat

Titik Z=
S P Ket
kritis 2s+3P
A 10 0 20
B 7 4.5 27.5 Mak
C 0 8 24
D 0 0 0

58
 Cek kendala
1 S + 2 P 16 --- Kendala 1( tidak dilanggar)
7 + 2x4.5 = 16
3 S + 2 P 30 --- Kendala 2 (tidak dilanggar)
3x7 + 2x4.5 = 30
Jadi agar memperoleh keuntungan maksimum maka harus
dibuat jenis super = 7 ton , dan jenis premium = 4,5 ton,
total keuntungan 27,5 juta.
Hasilnya untuk jenis premium diproduksi 4,5 ton, ini
melanggar batasan integer karena pecahan.
Bila variabel adalah integer , model matematikanya
menjadi
Mak Z = 2 S + 3 P --- Fungsi tujuan
1 S + 2 P 16 --- Kendala 1
3 S + 2 P 30 -- Kendala 2 model (1)
S , P 0, dan bulat/interger
Diselesaikan dengan grafik, dengan mengabaikan syarat
bulat, Maka penyelesaiannya seperti penyelesaian
sebelumnya

59
 Gambar 3.2 Titik optimal

Dalam penyelesaian ini syarat belum dipenuhi oleh P = 4,5

Tambahkan dalam model kendala baru i1 4,5 i2 yang
mana kedua bilangan ini adalah i1 = 4 dan i2 = 5 sehingga
didapatkan tambahan kendala: P1 4 dan P1 5
Sehingga kalau digambar seperti berikut

Gambar 3.3 Tambahan kendala

60
Kalau dibuat satu persatu kendalanya adalah sebagai
berikut:
Tambahkan kendala pada model (1) dan dipecah menjadi
dua model yaitu:
Mak Z = 2 S + 3 P ---- Fungsi tujuan
1 S + 2 P 16 --- Kendala 1 ..... (model 2a)
3 S + 2 P 30 --- Kendala 2
P 4 --- Kendala 3
S , P 0, dan bulat

Mak Z = 2 S + 3 P ---- Fungsi tujuan

1 S + 2 P 16 --- Kendala 1 ..... (model 2b)
3 S + 2 P 30 --- Kendala 2
P 5 --- Kendala 3
S , P 0, dan bulat

Penyelesaian model 2a
Titik potong kendala 2 dengan garis p =4 pada ( 7.3 , 4)
yang merupakan titik optimal tapi nilai S = 7.3 (belum
bulat) dengan nilai Z = 26,67.

61
 Gambar 3.4 Penyelesaian model 2a

Penyelesaian 2b
Titik potong kendala 1 dengan garis P=5 pada ( 6 , 5 ) yang
merupakan titik optimal dengan nilai Z = 27, Nilai S dan P
sudah bulat. Kalau digambarkan dalam grafik seperti
berikut.

Gambar 3.5 Penyelesaian model 2b

62
Karena penyelesaian model 2a belum bulat S (7.3) maka
dipecah lagi menjadi dua, dengan menambahkan kendala S
7 dan S 8, sehiga model 2a menjadi:
Mak Z = 2 S + 3 P ---- Fungsi tujuan
1 S + 2 P 16 --- Kendala 1 (model 3a)
3 S + 2 P 30 --- Kendala 2
P 4 --- Kendala 3
S 7 --- Kendala 4
S , P 0, dan bulat
dan
Mak Z = 2 S + 3 P --- Fungsi tujuan
1 S + 2 P 16 --- Kendala 1 (model 3b)
3 S + 2 P 30 --- Kendala 2
P4 --- Kendala 3
S8 --- Kendala 4
S , P 0, dan bulat

Penyelesaian model 3a
Titik potong kendala 3 dan kendala 4 pada ( 7 , 4 ) yang
merupakan titik optimal dengan nilai Z = 26, Nilai S dan P
sudah bulat.

63
 Gambar 3.6 Grafik penyelesaian model 3a

Penyelesaian 3b
Titik potong kendala 2 dan kendala 4 pada ( 8 , 3 ) yang
merupakan titik optimal dengan nilai Z = 25, Nilai S dan P
sudah bulat.

Gambar 3.7 Penyelesaian model 3b

64
Karena semua penyelesaian dari model sudah bulat maka
sudah pasti ada dari banyak alternatif penyelesaian yang
membuat nilai Z maksimum . Kalau dibuat diagram pohon
maka akan mempunyai struktur sebagai berikut :

Semua syarat sudah dipenuhi sehingga nilai optimal adalah

: S = 6, P = 5 dan diperoleh keuntungan Z = 27 juta

65
Bagian Keempat Model Transportasi
4.1 Pendahuluan

Pada bab sebelumnya sudah dibicarakan algoritma

simpleks dan berbagai hal yang berhubungan dengan
model linear programming (LP). Program Transportasi
atau Model Transportasi merupakan salah satu dari bentuk
/ variasi dari LP yang dikembangkan khusus untuk
memecahkan masalah-masalah yang berhubungan dengan
distribusi suatu produk tunggal dari beberapa sumber,
dengan penawaran terbatas, ke beberapa tujuan, dengan
permintaan tertentu, dengan biaya minimum. Model ini
dapat diperluas secara langsung untuk mencakup situasi
praktis dalam bidang pengendalian mutu, penjadwalan dan
penugasan tenaga kerja, serta bidang bidang lain.
Ada juga referensi menyebutkan bahwa model ini
adalah model pemrograman bilangan bulat, karena barang
yang dikirim pasti bulat / bukan pecahan. Model ini pada
dasarnya adalah model Pemrograman Linear (PL) biasa
yang dapat diselesaikan dengan metode simpleks biasa
yang sudah dipelajari dalam bab sebelumnya, tetapi dalam
perosesnya akan melibatkan tabel tabel simplek yang
cukup banyak. Karena strukturnya yang spesifik, maka

66
memungkinkan untuk dipecahkan dengan prosedur
pemecahan yang lebih sederhana dan efisien.

4.2 Asumsi dasar model transportasi

Model umum suatu persoalan transportasi klasik

dilandasi dengan asumsi-asumsi sebagai berikut:
1. Tersedianya produk yang akan didistribusikan
dalam jumlah yang tetap dan diketahui
2. Produk diangkut melalui jalur transportasi yang
ada dari pusat pengadaan ke pusat permintaan
3. Jumlah permintaan diketahui tertentu dan tetap.
4. Biaya angkut per unit produk dari semua pusat
pengadaan ke semua pusat permintaan diketahui.
Karena yang didistribusikan hanya satu jenis produk maka,
tujuan atau pusat permintaan dapat menerima produk dari
satu sumber atau lebih, dan sebaliknya sumber / pusat
pengadaan dapat mengirimkan produk ke satu tempat
tujuan atau lebih. Jadi biaya transportasi dari suatu sumber
ke suatu tujuan adalah proporsional terhadap jumlah unit
yang dikirim.
Secara sederhana model transportasi dapat digambarkan
pada gambar dibawah:

67
 Gambar 4.1 Model Transportasi

Ada m sumber dan n tujuan. Sumber dan tujuan

dilambangkan oleh node sedangkan busur
menghubungkan sumber dan tujuan mewakili rute
pengiriman barang. Sedangkan jumlah penawaran dari
sumber i adalah ai dan permintaan oleh tujuan j adalah bj.
Biaya unit transportasi dari sumber i ke tujuan j adalah Cij,
dan jumlah barang yang dikirim dari sumber i ke tujuan j
adalah Xij, sehingga model diatas dapat ditulis sbb:
m n
MinZ C
i 1 j1
ij X ij

68
 n

St. X j1
ij a i , i = 1,2,3,4, ..., m kendala

Suplai
m

X j1
ij b j , j = 1,2,3,4, ..., n kendala

Demand
Xij 0 untuk semua i dan j.

Kelompok kendala pertama menunjukkan bahwa jumlah

barang yang dikirim tidak melebihi penawaran / sumber
yang ada. Sedangkan kelompok kendala kedua
menunjukkan jumlah pengiriman barang harus memenuhi
permintaan. Pemodelan diatas menyiratkan bahwa total

penawaran j1
a i setidaknya sama dengan permintaan

j1
b j . Ketika penawaran sama dengan permintaan maka

model ini disebut Balanced Transportation Model.

m n

j1
ai = j1
bj

Sehingga batasan persamaan 1 menjadi:

n

St. X j1
ij a i , i = 1,2,3,4, ..., n Suplay konstrain

69
 m

X
j1
ij b j , j = 1,2,3,4, ..., m Deman

konstrain

4.3 Algoritma Transportasi

Pada saat awal dikenalkan model transportasi

diselesaikan dengan manual yang dikenal dengan
algoritma transportasi. Algoritma ini cukup sederhana dan
sangat sering digunakan untuk model yang variabelnya
sedikit.
Tahapan-tahapannya sebagai berikut:
1. Identifikasi masalah dengan mengenali sumber,
tujuan, serta variabel.
2. Seluruh informasi dituangkan dalam sebuah matrik
yang dikenal dengan matrik transportasi. Ada hal-
hal yang perlu diperhatikan sbb:
- Bila kapasitas sumber lebih kecil dari
jumlah permintaan maka tambahkan suatu
sumber semu ( Dummy) sehingga akhirnya
memenuhi semua permintaan.
- Bila kapasitas sumber lebih besar dari
jumlah permintaan maka tambahkan suatu
permintaan semu untuk menampung
kelebihan sumber.

70
 3. Setelah matrik transportasi terbentuk maka ada
beberapa metode untuk menentukan tabel awal
( belum tentu nilai optimal) diantaranya : Metode
North West Corner (NWC), Motode Least Cost,
Vogel Aproximation Method (VAM). Metode-
metode ini menentukan alokasi distribusi awal
yang membuat semua sumber teralokasi kesemua
tujuan, dan memenuhi kendala.
4. Setelah nilai awal diketahui maka perlu dilakukan
pengujian apakah nilai-nilai ini sudah optimal apa
belum, dalam arti biaya total sudah minimum. Ada
dua metode pengujian optimalitas yaitu: Stepping
Stone Method, dan Modified Distribution Method
(MODI).
5. Memperbaiki pemecahan bila tak layak
6. Ulangi langkah-langkah 4 dan 5 hingga diperoleh
pemecahan optimal

Tabel Transportasi.
Dari gambar model dan model metematika di atas dapat
dibuat tabel transportasi sebagai berikut:

71
 Kapa
sitas
T1 T2 T3 .. Tn
Sum
ber
C11 C12 C13 .. C1n
S1 a1
X11 X12 X13 .. X1n
C21 C22 C23 .. C2n
S2 a2
X21 X22 X23 .. X2n
C31 C32 C33 .. C3n
S3 a3
X31 X32 X33 .. X3n

Cm1 Cm2 Cm3 .. Cmn
Sm an
Xm1 Xm2 Xm3 .. Xmn
Kebu
tuhan
b1 b2 b3 .. bm
Tujua
n

Agoritma diatas kalau dibuat flow chartnya seperti gambar

dibawah

72
A. Nort West Corner Method (NWC)
Adalah metode untuk menyusun tabel awal /
pemecahan awal dengan cara mengalokasikan produk yang
akan didistribusikan mulai dari sel paling pojok kiri atas,
dalam tabel transportasi.
Langkah-langkahnya:
1. Dalam matrik transportasi, pada sel 11 atau x11
alokasikan barang yang didistribusikan sebanyak
banyaknya tanpa melanggar kendala kapasitas
sumber (a1) dan kebutuhan tujuan ( b1).
2. Selanjutnya pindah ke kolom sebelah kanan
(kolom x i j+1 ) kalau masih ada sisa sumber, kalau
tidak pindah ke sel dibawahnya ( baris x i+1 j ).
3. Dalam setiap langkah alokasikan sumber sebanyak-
banyaknya tanpa melanggar kendala, jumlah dari

73
 baris ke i tidak melebihi ai, dan jumlah kolom ke j
tidak melebihi bj dan tidak ada alokasi negatip dan
boleh nol.
B. Least Cost Method (LC)
Adalah metode untuk menyusun tabel awal matrik
transportasi yang dimulai dari sel yang memiliki biaya
distribusi paling kecil atau paling murah.
Langkah-langkahnya:
1. Alokasikan sebanyak-banyaknya pada sel dengan
biaya paling murah / sel dengan nilai paling
rendah, tanpa melanggar kapasitas sumber dan
kebutuhan tujuan. Kalau ada dua nilai yang sama
pilih sembarang.
2. Ulangi prosedur 1 pada sel terkecil berikutnya
sampai semua sumber terdistribusi kesemua
tujuan.
4. Prosedur ini selesai bila tepat satu baris atau satu
kolom yang belum terisi. Kolom / baris ini diisi
dengan memperhatikan , jumlah baris ke i tidak
melebihi ai, dan jumlah kolom ke j tidak melebihi bj
dan tidak ada alokasi negatip dan boleh nol.
C. Vogels Approcximation Method (VAM).
Adalah metode untuk menyusun tabel awal matrik
transportasi / menentukan pemecahan awal yang biasanya

74
lebih baik dari metode NWC dan LC, yang biasanya dekat
dengan nilai optimum.
Langkah-langkahnya:
1. Menentukan selisih nilai dua Cij terkecil pada
baris / kolom
2. Memilih baris atau kolom yang mempunyai nilai
terbesar dari selisih dua terkecil nilai Cij.
3. Alokasikan sebanyak-banyaknya pada kolom atau
baris yang terpilih yang memiliki Cij terkecil.
Ketiga tahap ini merupakan siklus berulang pada setiap
penentuan alokasi distribusi sehingga seluruh kapasitas
sumber teralokasi dan seluruh permintaan terpenuhi.

Contoh 1. Balanced Transportation Model

PT. Galeria sebuah perusahaan transportasi
mendapatkan order untuk mendistribusikan minuman
brem dari 3 (tiga) gudang ke 3 (tiga) supermarket di bali.
Kapasitas gudang masing-masing : 5000, 4500, dan 5500.
Kebutuhan ketiga supermarket berurutan masing-masing:
4000, 5000, dan 6000. Biaya angkut per botol dalam rupiah
dari gudang ke supermarket seperti dalam tabel berikut:

Super
merket SP 1 SP 2 SP 3
Gudang

75
 Mengui 4 5 7
Mambal 6 3 8
Sukawati 5 2 3

Asumsikan : semua brem terdistribusi dan semua

supermarket mendapat suplai sesuai dengan kebutuhan.
Pertanyaan : tentukan biaya yang dikeluarkan oleh PT.
Galeria untuk mendistribusikan minuman tersebut dengan
metode : NWC, Biaya sel minimum, pendekatan Vogel.

Penyelesaian:
Tabel transportasi
SP1 SP2 SP3 Suplay
4 5 7
G1 5000
6 3 8
G2 4500
5 2 3
G3 5500

Demand 4000 5000 6000

Tabel Awal dengan Metode NWC

Dengan menerapkan algoritma NWC maka diperoleh tabel
transportasi yang sudah lengkap seperti berikut:

SP1 SP2 SP3 Suplay

G1 4 5 7 5000

76
 4000
1000 0
3
6 8
G2 4500
4000
0 500
3
G3 5 2 5500
0 0 5500
Demand 4000 5000 6000

Z = 53500

Diperoleh biaya pendistribusian semua brem kesemua

supermarket dengan biaya sebesar
= ( 4 x 4000 + 5 x 1000 + 3 x 4000 + 8 x 500 + 3 x 5500 )=
Rp. 53500

Tabel Awal dengan Metode Least Cost

Penerapan algoritma Least Cost diperoleh tabel
transportasi yang sudah lengkap seperti berikut:

SP1 SP2 SP3 Suplay

4 5 7
G1 5000
4000 0 1000
6 3 8
G2 4500
0 0 4500
G3 5 2 3 5500

77
 0 5000 500
Demand 4000 5000 6000

Z = 70500

Total biaya pengiriman semua brem adalah:

(4x4000+7x1000+8x4500+2x5000+3x500) = Rp. 70500

Tabel Awal dengan Metode VOGEL

Dengan menerapkan algoritma vogel maka diperoleh tabel
transportasi seperti berikut:

SP1 SP2 SP3 Suplay

4 5 7 1 1
G1 5000
4000 500 500
6 3 8 3 3
G2 4500
0 4500 0
5 2 3 1 X
G3 5500
0 0 5500
Demand 4000 5000 6000
1 1 4
2 2 1
Z = 52000

Dengan metode vogel diperoleh biaya pengiriman paling

kecil sebesar :
(4x4000+5x500+7x500+3x4500+3x5500) = 52000

78
Contoh 2. Unbalanced Transportation Model
Bila diketahui tabel transportasi yang tidak
seimbang antara suplay dan demand sbb: Jumlah suplay =
105 dan jumpah demand = 95, jadi ada kelebihan suplay
sebanyak 10 unit.

SP1 SP2 SP3 SP4 Suplay

G1 6 5 7 9 40
G2 3 2 4 1 40
G3 7 3 9 5 25
Demand 30 20 35 10

Agar sistem seimbang maka perlu ditambahkan dummy

variabel yaitu seolah-olah ada toko imajiner SP5 yang
menampung kelebihan suplay seperti tabel dibawah.

SP1 SP2 SP3 SP4 SP5 Suplay

G1 6 5 7 9 0 40
G2 3 2 4 1 0 40
G3 7 3 9 5 0 25
Demand 30 20 35 10 10

Dan juga berlaku sebaliknya, bila suplay lebih rendah dari

demand maka seolah olah ada tambahan gudang imajiner
yang mensuplay kekurangan Demand.

79
4.4 OPTIMALITAS
Tabel awal yang sudah dibentuk oleh metode: NWC,
Least Cost, Vogel, perlu dicek optimalitasnya, apakah masih
ada alternatif alokasi distribusi lain yang menyebabkan
biaya distribusi total lebih kecil dibandingkan dengan
alokasi distribusi awal. Ada beberapa metode yang bisa
digunakan uji optimalis diantaranya: Modified Distribution
(MODI), Stepping Stone, dll

Modified Distribution Methods (MODI)

Adalah metode untuk menguji optimalitas tabel
awal dengan cara menghitung Opportunity Cost (O) pada
sel-sel yang tidak teralokasi distribusi. Opportunity Cost
adalah biaya yang ditanggung bila alternatif keputusan
sudah ditentukan. Bila sel-sel kosong tersebut ternyata
memiliki O positif, maka menurut metode ini tabel awal
belum optimal, karena masih ada alternatif distribusi lain
yang akan memberikan biaya total distribusi yang lebih
rendah. Jadi menurut MODI, tabel awal akan optimal jika
dan hanya jika O sel sel kosong adalah negatif atau nol.
Dalam MODI suatu nilai Ui, dirancang untuk setiap
baris i, dan suatu nilai Vj dirancang untuk setiap kolom j
pada tabel transportasi. Sedangkan Cij adalah biaya perunit
pada sel ij, serta Oij adalah Oportunity Cost pada sel ij.

80
Bila Oij = 0 untuk setiap sel yang telah mempunyai alokasi
distribusi, maka secara umum akan berlaku hubungan
berikut:
Oij = (Ui + Vj) Cij ............................... (1)
Dari persamaan 1 akan bisa ditentukan :
- Semua nila Ui dan Vj untuk sel sel yang
teralokasi distribusi
- Opportunity Cost pada sel-sel yang belum
teralokasi distribusi.
Bila ditemukan paling sedikit satu sel kosong ( tidak
teralokasi ) yang memiliki OC positif atau Oij > 0 maka
tabel belum optimal, sehingga perlu direvisi. Dengan
demikian, tabel dikatakan optimal jika dan hanya jika :
Oij 0
(Ui + Vj) Cij 0 ................................ (2)
Ui + Vj Cij
Contoh 3.
Bila diketahui matrik transportasi dari contoh 1 sbb

1 2 3 Suplay Ui
4 5 7
1 5000 0
6 3 8
2 4500
3 5 2 3 5500

81
 Demand 4000 5000 6000
Vj

Bila dicari tabel awal dengan metode vogel, diperoleh tabel

berikut:

1 2 3 Suplay Ui
4 5 7
1 5000 0
4000 500 500
6 3 8
2 4500
0 4500 0
5 2 3
3 5500
0 0 5500
Demand 4000 5000 6000

Vj

Diperoleh Z minumum = 52000, apakah nilai ini optimal?

Perlu dicek optimalitasnya.
Berpedoman pada persamaan 1, dan bila Oij mempunyai
nilai 0 pada sel yang sudah teralokasi distribusi, maka
perlu suatu nilai kunci apakah Ui atau Vj agar bisa
menentukan nilai Ui dan Vj yang lain. Nilai kunci ini
sembarang dan bisa diletakkan dimana saja, pada kolom
atau pada baris. Pada tabel di atas diambil nilai kunci U 1 =
0, nilai ini (nol) diambil hanya untuk memudahkan
perhitungan saja, nilai ini benar-benar sembarang.

82
Dengan menggunakan rumus 1
Oij = (Ui + Vj) Cij ,
O11 = (U1 + V1) C11 karena U1 = 0 dan C11 = 4
Maka
0 = (0 + V1) 4
V1 = 4

1 2 3 Suplay Ui
4 5 7
1 5000 0
4000 500 500
6 3 8
2 4500
0 4500 0
5 2 3
3 5500
0 0 5500
Demand 4000 5000 6000

Vj 4

Dengan berpatokan pada rumus 1, maka diperoleh:

Oij = (Ui + Vj) Cij
O12 = (U1 + V2) C12
0 = (0 + V2 ) 5
V2 = 5
O22 = (U2 + V2 ) C22
0 = (U2 + 5 ) 3
U2 = -2
O13 = ( U1 + V3 ) C13
0 = ( 0 + V3 ) 7

83
 V3 = 7
O33 = ( U3 + V3 ) C33
0 = ( U3 + 7 ) 3
U3 = - 4
Kalau ditabelkan seperti berikut

1 2 3 Suplay Ui
4 5 7
1 5000 0
4000 500 500
6 3 8
2 4500 -2
0 4500 0
5 2 3
3 5500 -4
0 0 5500
Demand 4000 5000 6000
Vj 4 5 7

Oportunity Cost sel yang belum teralokasi, yaitu O21, O23,

O31, dan O32.
O21 = U2 + V1 C21 = - 2 + 4 6 = - 4
O23 = U2 + V3 C23 = - 2 + 7 8 = - 3
O31 = U3 + V1 C31 = - 4 + 4 5 = - 5
O32 = U3 + V2 C32 = - 4 + 5 2 = -1
Karena syarat optimal seperti dalam persamaan 2 yaitu
minimal ada satu OC yang bernilai positip maka tabel awal
yang dicari dari metode Vogel sudah optimal, maka tak
perlu revisi.

84
.........................................................

Bagian kelima
OPTIMASI TIDAK LINEAR
5.1 Pendahuluan

Optimasi non linier mempunyai karakteristik yang sama

dengan permasalahan optimasi linier. Keduanya
mempunyai tujuan atau fungsi obyektif untuk
meminimalkan atau memaksimalkan suatu fungsi dengan
dibatasi beberapa batasan (constraint). Akan tetapi fungsi
obyektif atau constraint, atau kedua-duanya berbentuk
nonlinier. Apabila tidak ada constraint permasalahan
menjadi satu optimasi fungsi nonlinier. Bentuk semacam
ini disebut sebagai optimasi tanpa batasan (unconstrained
optimization). Apabila ada batasan, maka disebut
optimasi dengan batasan (constrained optimization).
Untuk menyelesaikan permasalahan batasan nonlinier
umumnya digunakan program nonlinier (nonlinear
programming).

85
Bentuk umum dari permasalahan optimasi nonlinier
adalah sebagai berikut :

Fungsi Tujuan :
Meminimumkan

Batasan

dengan

Dalam bab ini kita mempelajari permasalahan-

permasalahan optimisasi tanpa batasan (unconstrained
optimization) dan dengan batasan (constrained
optimization). Perhatian kita terfokus pada solusi local
optimum, seperti halnya pada optimasi tanpa batasan
(unconstrained optimization). Dalam kasus permasalahan
convex, yaitu, apabila daerah yang layak adalah
berbentuk convex dan f adalah juga merupakan fungsi
convex, setiap solusi lokal adalah juga merupakan solusi
global.

86
Dalam kasus unconstrained kondisi optimal diturunkan
dengan menggunakan pendekatan Taylor series untuk
menguji sifat dari fungsi tujuan f untuk lokal minimum

. Khususnya, pada titik-titik disekitar harga dari

f tidak menurun.
Dengan pendekatan yang sama digunakan pada kasus
constrained optimization. Pendekatan Taylor series
digunakan untuk menganalisa sifat dari fungsi tujuan f

dan batasan tentang local constrained minimizer .

Dalam kasus ini, pada titik-titik yang layak disekitar

harga dari f tidak mengalami penurunan.

Secara umum program nonlinier adalah sebagai berikut.

Meminimumkan :
,

Dengan batasan ketidaksamaan:

Batasan persamaan

87
Dan

Persamaan di atas dapat ditulis sebagai berikut :

Minimumkan :

Batasan

dengan :
m menyatakan jumlah variabel,
n menyatakan jumlah batasan ketidaksamaan.
p menyatakan jumlah batasan persamaan.
Algoritma untuk menyelesaikan program nonlinier ini
adalah berdasarkan pada fungsi ekspansi Taylor.

Gradient

88
Fungsi adalah merupakan fungsi yang bisa

dideferensialkan didefinisikan pada setiap titik pada

space tertentu. Gradien fungsi f yang dituliskan sebagai

untuk tiga dimensi diberikan dalam bentuk vector :

Gradient juga dapat dinyatakan dalam bentuk

Contoh :
Fungsi tujuan :

Gradient dari fungsi tujuan adalah :

Vektor gradient pada titik adalah :

Matriks Jacobian

89
Kumpulan dari vector-vektor gradient, umumnya
digunakan untuk solusi sekumpulan persamaan, yang
disebut matriks Jacobian. Perhatikan suatu sistem dengan
n persamaan nonlinier dalam n variabel yang tidak

diketahui sebagai

Matriks Jacobian untuk persamaan diatas adalah :

Pada persamaan di atas masing-masing baris menyatakan

transpose dari vector gradient setiap persamaan
persamaan diatas.

Matriks Hessian

90
Ekspansi deret Taylor dari suatu fungsi.
Ekspansi deret Taylor untuk fungsi pada titik

adalah :

5.2 Penyelesaian Persamaan Non Linier dengan

menggunakan Jacobian Matriks

Perhatikan himpunan persamaan lilier untuk n variabel

sebagai berikut.

91
Estimasi solusi awal

Persamaan ekspansi Taylor dengan himpunan persamaan

perubah adalah :

Sehingga

Dapat ditulis sebagai

Dengan : m = vector error yang disebabkan karena

perbedaan antara harga yang diinginkan

pada sisi kiri persamaan dengan hasil perhitungan dengan

estimasi harga x dan matriks Jacobian J. Sehingga dapat
dituliskan sebagai :

92
Dengan menggunakan metode iterative untuk mencapai

solusi dari himpunan persamaan nilai yang benar

dari iterasi yang ke i dengan menambahkan untuk

memperoleh . Kemudian matriks

Jacobian dihitung kembali sehingga diperoleh error yang
baru untuk mengupdate x. Proses berlanjut sampai error
lebih rendah dari toleransi yang diijinkan.
Titik ekstrem untuk fungsi yang multivariate
Untuk menyelesaikan permasalahan optimasi fungsi yang
multivariate diperlukan syarat perlu (necessary
condition) dan syarat cukup (sufficient condition).
Syarat perlu.
Apabila mempunyai titik ekstrem (minimum atau

maksimum pada apabila turunan parsial di titik

ada dan sama dengan nol.

Atau dapat dituliskan sebagai :

93
Syarat Cukup.
Syarat cukup diperlukan untuk meyakinkan bahwa titik

stasioner adalah titik ekstrem, yaitu :

1. Matriks Hessian dari , dievaluasi pada

adalah positive definite apabila adalah

minimum relatif atau
2. Matriks Hessian dari , dievaluasi pada

adalah negative definite apabila adalah

minimum relatif.
Saddle point
Apabila matriks Hessian tidak positive definite maupun

negative definite pada titik dimana syarat turunan

pertama memenuhi, maka titik semacam itu dikatakan
titik sadel (saddle point)
Sebagai contoh, untuk suatu fungsi :

Turunan pertama adalah :

94
Kondisi diatas, turunan pertama harus sama dengan nol.

Sehingga .

Matriks Hessian pada titik adalah :

H bukan positive definite maupun negative definite.

Karakteristik titik sadel seperti ditunjukkan pada gambar
dibawah.

Fungsi mempunyai minimum

relatif, dan fungsi mempunyai

maksimum relatif pada titik sadel .

Gambar

5.3 Optimasi nonlinier tanpa batasan (unconstrained)

95
Ada beberapa metode yang digunakan untuk
menyelesaikan permasalahan optimasi nonlinier
unconstrained antara lain:
1. Metode pencarian (search) langsung adalah metode
dimana titik optimal diperoleh dengan trial and
error. Tentu saja model coba-coba disini adalah
berdasarkan pada logika dan pedoman. Beberapa
metode pencarian langsung ini adalah :
a. Random search
b. Univariate
c. Grid Search
d. Simplex
e. Hook-Jeeves
f. Powells
2. Metode descent yaitu metode yang memanfaatkan
nilai dari suatu fungsi, turunan pertama dan dalam
beberapa kasus menggunakan turunan kedua dari
fungsi tujuan. Sehingga metode ini lebih efisien dari
pada metode pencarian langsung karena lebih
banyak informasi yang digunakan dalam prosedur
minimisasi.Metode descent disebut juga dengan
metode gradient. Beberapa metode descent yang
terkenal adalah :
a. Steepest descent
b. Fletcher-Reeves
c. Newtons

96
 d. Marquard
e. Davidon-Power-Fletcher
f. Broyden-Fletcher-Goldfarb-Shanno
Disini akan dibahas metode descent saja, yaitu metode
Steepest descent dan metode Newtons

5.3.1 Minimisasi dengan metode Gradient (Steepest

Descent)

Metode descent dikatakan sebagai metode langsung

yang hanya tergantung pada gradient untuk memperoleh
titik ekstrem. Dalam metode ini, nilai dari suatu fungsi
dievaluasi pada beberapa titik dan dipilih titik minimum.
Untuk memastikan bahwa semua titik berada pada daerah
pencarian maka salah satu yang harus dipunyai adalah
gambaran umum lokasi kawasan (space) dimana solusi
terletak. Kalau tidak, maka solusi dapat berada diluar
kawasan pencarian.

Algorithma metode Steepest Descent.

Step 1. Dimulai dengan titik awal . Hitung

97
Apabila ya Stop. adalah titik yang diinginkan.

Apabila tidak lanjutkan ke step 2.

Step 2. Menentukan . Untuk harga yang

meminimumkan

Step 3. , hitung ,

apakah

Apabila ya Stop. adalah titik yang diinginkan.

Apabila tidak lanjutkan ke step 2.

Kita amati bahwa ,

dan apabila hasilnya sama dengan nol untuk yaitu:

Hal ini menunjukkan bahwa arah yang sukses adalah

saling tegak lurus satu sama lain.
Contoh :
Fungsi dari dua variabel

98
Diminimasi dengan menggunakan metode Steepest

Descent dengan titik awal dalam 3 iterasi.

Iterasi 1 :

Step 1. ;

Step 2.

Minimum untuk sehingga

Step 3. ;

Iterasi 2.

99
Step 2.

, minimum untuk , maka

Step 3. ;

Iterasi 3.
Step 2.

, minimum untuk ; maka

Step 3. ;

100
Sampai dengan iterasi ke 3 belum diperoleh hasil.
Nilai optimum yang sesungguhnya dari pada fungsi f

terjadi pada dapat dibandingkan

dengan

Contoh 2
Minimumkan dengan menggunakan metode descent.

Penyelesaian:

Titik awal

Dengan menggunakan cara yang sama dengan contoh 1

diatas
Iterasi 1.

101
Diperoleh

Iterasi 2.
Diperoleh

Iterasi 3.

Iterasi 4.

Iterasi 5.

Gradient nonzero menunjukkan bahwa titik stasioner

belum tercapai. Akan tetapi bentuk (norm) dari gradient

102
tetap mengecil. Iterasi selanjutnya dapat dilanjutkan
sampai diperoleh titik minimum.

Minimisasi dengan metode Newton

Berbeda dengan prosedur pada metode descent yang
hanya menggunakan gradient, maka pada algoritma
Newton disini menggunakan gradient dan Hessian untuk
meningkatkan metode pencarian titik stasioner. Sehingga
metode Newton adalah merupakan metode order kedua.
Dari bentuk rumus Taylor fungsi kuadratik f disekitar

titik adalah

Dengan adalah matriks Hessian dari fungsi , dan

adalah gradient dari pada . Lokasi titik

stasioner diperoleh dengan gradient sama dengan nol.

Sehingga dapat dihitung

103
Algoritma minimisasi metode Newton.
Step 1. Dimulai dengan perkiraan awal (initial guess)

sebagai titik minimum. Harga .

Step 2. Hitung dan . Maka

Step 3. Apakah criteria stop memenuhi?

Apabila ya : Stop, berarti solusi dicapai.

Apabila tidak : lanjutkan untuk ,

kembali ke step 2.

Contoh 1 :
Aplikasikan metode Newton untuk meminimumkan
fungsi f yang merupakan fungsi kuadratik.

Gradient f adalah

dan

104
Karena f kuadratik, semua turunan parsiil kedua adalah
konstan sehingga H konstan. H adalah positive definite,
yang mencerminkan bahwa f adalah strictly convex.

Maka :

Step 1 : Dimulai dengan

Step 2 : dan sehingga

Karena dan H positive definite, adalah

titik minimum, dan kita stop hanya satu iterasi.

Contoh 2
Aplikasikan metode Newton dan uji koncergensi untuk
persoalan berikut ini.

105
Meminimumkan :

Penyelesaian.

Dan

Karena adalah order ke 3 maka matriks Hessian

tidak merupakan matriks bilangan konstan.

Pertama mengeset toleransi untuk konvergensi gradient
pada titik ekstrem 0,005.

Dimulai dengan

Iterasi 1. Pada diperoleh

, dan ,

sehingga

Diperoleh :

106
Dan

Iterasi 2. Dari harga diatas memberikan

, dan ,

sehingga

Diperoleh :

Dan

Iterasi 3. Dari harga diatas memberikan

107
 , dan

, sehingga

Diperoleh :

Dan

Iterasi 4. Dari harga diatas memberikan

108
 , dan

, sehingga

Diperoleh :

Dan

Iterasi 5. Dari harga diatas memberikan

Dengan satu iterasi lagi diperoleh

pada

109
dan

Karena gradient berada pada toleransi yang ditentukan

(mendekati nol ) maka iterasi diakhiri dan diterima

sebagai solusi.
Fungsi bukan merupakan fungsi kuadratik yang murni,
sehingga tidak konvergen pada satu iterasi saja. Akan
tetapi pendekatan kuadratik digunakan pada masing-
masing iterasi dengan 3 term pertama dari deret Taylor.
Fungsi telah diminimisasi dalam 4 iterasi atau 3 koreksi
dengan pencarian (searching) sepanjang arah Newton

dari harga awal .

Optimasi nonlinier dengan batasan (constrained)

Dalam bagian ini dibahas permasalahan optimasi dengan
batasan, dengan memperhatikan syarat perlu dan cukup
untuk titik solusi optimalisasi.
Pembahasan pertama yang harus dipahami adalah
definisi fungsi Lagrangian yang sangat berperan penting
dalam seluruh aspek untuk mathematical programming

110
terutama penting untuk teori dualitas yang berhubungan
dengan permasalahan convex programming.

Kondisi Optimal untuk Batasan persamaan linier

(Linear Equality Constraints).
Dalam bagian ini kita mendiskusikan kondisi optimum
untuk permasalahan nonlinear dengan semua batasan
adalah merupakan persamaan linier.
Meminimumkan

Harus memenuhi

Dengan A adalah matriks m n. asumsikan bahwa f

fungsi kontinyu yang dapat dideferensialkan 2 kali
sepanjang daerah fisibel. Asumsikan juga bahwa baris
dari matriks A adalah bobot linier, yaitu, A mempunyai
row rank penuh.
Ide yang pertama dilakukan adalah mentransformasikan
persoalan dengan batasan (constrained problem) menjadi
permasalahan tanpa batasan (unconstrained problem).
Teori dan metode untuk unconstrained problem dapat
kemudian diaplikasikan pada permasalahan yang baru.
Sebagai contoh aplikasi dalam permasalahan ini adalah :

111
Meminimumkan :

Dengan batasan :

Pada setiap titik yang fisibel, variabel dapat

dinyatakan dalam bentuk sehingga

. Substitusi ke diperoleh

persamaan ekivalen unconstrained sebagai berikut :

Meminimumkan :

Dalam hal ini jumlah variabel berkurang dari 3 menjadi

2. Sehingga dapat diperoleh titik lokal minimumnya
untuk permasalahan unconstrained adalah

. Solusi lengkapnya adalah

dengan fungsi tujuan optimal

Fungsi Lagrangian
Permasalahan nonlinear programming secara umum :
Meminimumkan

112
Batasan

Fungsi obyektif dan semua batasan adalah merupakan

fungsi konvek dalam daerah |rn.
Sehingga dapat didefinisikan

Perumusan diatas dapat dituliskan kembali sebagai :

Minimumkan

Batasan

Definisikan adalah vektor dari m

variabel bilangan riil. Maka fungsi Lagrangian

untuk permasalahan P yang merupakan penjumlahan dari
fungsi obyektif dan bobot batasan sehingga :

Dengan faktor dikatakan sebagai faktor pengali

Lagrangian (Lagrangian multiplier).

113
Contoh 1.
Fungsi tujuan dalam bentuk nonlinear dan batasan dalam
bentuk linear. Perhatikan permasalahan nonlinear berikut
P : Meminimumkan

Batasan :

Fungsi Lagrangian

Kondisi Kuhn-Tucker mensyaratkan bahwa

114
 ,

Sistem persamaan linier simultan ini dapat diselesaikan

dengan metode Gauss-Jordan.
Solusinya adalah , ,

Nilai optimal dari fungsi tujuan adalah .

Dengan memilih solusi fisibel yaitu

diperoleh harga fungsi tujuan . Hal ini

menunjukkan bahwa solusi diatas adalah minimum

bukan maksimum.

Contoh 2 :
Fungsi tujuan maupun batasan dalam bentuk nonlinear
Meminimumkan :

115
Batasan :

Penyelesaian :
Batasan dapat diubah menjadi bentuk

Bentuk fungsi Lagrange :

Search untuk kandidat optimum

Untuk , ada dua kemungkinan

penyelesaian, yaitu .

Dengan menggunakan kondisi Khun-Tucker (K-T) dapat

dinyatakan sebagai berikut :

a. Pada = 0, maka penyelesaian untuk adalah

, yang berarti bahwa batasan utama

dilanggar. Maka berarti tidak ada

solusi untuk = 0.

116
b. Pada . Berdasarkan pada kondisi K-T

, berarti bahwa .

(diluar

batas)
(didalam batas).

c. Pada . Berdasarkan pada kondisi K-T

, berarti bahwa .

Maka

Contoh 3.
Fungsi tujuan berbentuk persamaan nonlinear dan
batasan merupakan fungsi linear persamaan dan
ketidaksamaan.
Meminimumkan :

Batasan :

dan

117
Penyelesaian
Perumusan Lagrangian

Syarat perlu

Dari kedua syarat cukup diatas diperoleh :

Substitusi ke , diperoleh . Sehingga

Syarat cukup :

adalah positive definite

118
Sehingga adalah titik minimum.

adalah merupakan harga minimum

dari .

Metode Gradient Projection

Algoritma Gradient Projection Method dengan
Kendala Linier

Salah satu metode optimasi untuk memecahkan

permasalahan nonlinier dengan kendala linier adalah
melalui metode pendekatan nilai awal yang
memungkinkan (feasible direction method). Dalam
metode ini, iterasi dapat digambarkan sebagai berikut,
melalui pendekatan nilai awal yang paling
memungkinkan (feasible point) selanjutnya diarahkan
untuk menemukan nilai optimasi yang benar-benar
optimum untuk permasalahan tersebut (Eiselt, 1987).
GPM yang pertama kali ditemukan oleh Rosen
(1960,1961) juga menggunakan pendekatan feasible
direction di atas. Permasalahan yang dapat dipecahkan
dengan GPM dapat direpresentasikan sebagai berikut
(Eiselt, 1987)

119
 P: min Z = f(x)

s.t kendala ketidaksamaan

kendala persamaan

x IR n
dengan,
: fungsi nonlinier

: Matriks dimensional [m x n]

: Matriks dimensional [m x 1]

Matriks dimensional [r x n]

Matriks dimensional [r x 1]

Untuk memecahkan masalah di atas maka pertamakali

perlu dilakukan linierisasi (liniearizing) fungsi nonlinier
f(x), menjadi f ( x ) .
Asumsikan bahwa xk adalah nilai yang fisibel
(feasible point), pada iterasi ke k.
, maka hal ini menunjukkan bahwa nilai

telah optimal. Sedangkan jika , maka arah

120
pencarian nilai x pada iterasi berikutnya adalah - ,

dalam arah pencarian ini menunjukkan bahwa fungsi

diminimasikan berdasarkan kendala-kendala yang

ada.
Sehingga prinsip dasar dari GPM adalah pencarian nilai
optimum yang bergerak sepanjang gradient negatif
dengan berdasarkan pada feasible direction. Langkah
proyeksi dilakukan dengan sebelumnya mengalikan

dengan matriks proyeksi (projection matrix)

yang sesuai. Matriks disebut projection matrix bila,

~ ~ T ~ ~ ~
P = P dan P P = P

Misalnya :
~ 1 0 ~ T 1 0 ~
P , P =
0 0 0 0 P

1 2
~ 5 juga merupakan contoh projection
P 5
2 4

5 5
matrix

121
 Untuk menunjukkan cara kerja dari pendekatan
GPM secara matematika, direpresentasikan permasalahan
nonlinier sebagai berikut (Eiselt, 1987):
P: min

s.t kendala ketidaksamaan

kendala persamaan

x IR n
selanjutnya asumsikan kendala sebagai:

bentuk matriks baru dengan

122
 A b

A b
dan

A b
setelah mengatur baris-baris dari matriks, bila diperlukan.
Selanjutnya bentuk matriks baru

A
M~
A
dan definisikan projection matrix sebagai :
~
P I M T ( MM T ) 1 M , bila M bukan

merupakan matriks kosong

~
P I , bila M adalah matriks kosong
Dengan I adalah matriks identitas.

123
Sebelum melakukan iterasi untuk mendapatkan nilai
yang optimal terlebih dahulu perlu dilakukan linierisasi

terhadap fungsi nonlinier menjadi fungsi obyektif

yang linier . Algoritma GPM yang digunakan

untuk memecahkan fungsi obyektif tersebut dapat ditulis

sebagai berikut (Eiselt, 1987) :
langkah 0. Abaikan fungsi kendala, cari nilai minimum
dari fungsi obyektif tanpa fungsi kendala
(dapat dilakukan dengan cara yang mudah
mis: eleminasi), apakah nilai ini telah
memenuhi syarat atau memungkinkan
(feasible point) ?
Jika Ya : Selesai, nilai optimal dari fungsi
obyektif dengan kendala telah dicapai.
Jika Tidak : Lanjutkan ke langkah 1.

langkah 1. Mulai dengan nilai awal (dapat

ditemukan dengan metode lain misalnya

124
dengan metode 1 phase atau 2 phase), dan

iterasi akan dimulai atau .

125
 A b

langkah 2. Bentuk matriks A b
dan hingga

A b

A
dan ,
M~
A

~ I, jika M kosong
dan P
I M T (MMT )1 M, selainnya
~
langkah 3. s k P f ( x k ), apakah s k 0 ?

126
 Jika Ya : Lanjutkan ke langkah 4.
Jika Tidak : Lanjutkan ke langkah 7.
langkah 4. Apakah M matriks kosong?

Jika Ya : Selesai; adalah solusi optimal

dari fungsi obyektif dan fungsi kendalanya.

Jika Tidak : Lanjutkan ke langkah 5.

k Au )(
langkah 5. u (M) ~ M )( Mf(x ),ap kah (Au )0?
k 1 k k

k(Au )
Jika Ya : Selesai, xk adalah solusi optimal
dari fungsi obyektif dengan fungsi
kendalanya.
Jika Tidak : Lanjutkan ke langkah 6.
langkah 6. Pilih beberapa komponen negatif dari
vektor u k ( A ) dan hapus baris yang sama
(berhubungan) pada A= , Lanjutkan ke
langkah 2.

127
langkah 7. b* : b A x k , s * : A s k dan

bj* s * 0
min * , j , jika s* 0
* s
: j
j

selainnya
dan selesaikan minimasi 1 dimensi di
bawah ini
P : min f ( x k s k )

s.t. 0 *
Menunjukkan bahwa solusi optimal dari P

oleh k, maka

, , dan kembali ke langkah 2.

Pada langkah ketiga Rosen telah

memberikan sebuah metode rekursif untuk

128
 memperbarui matriks proyeksi P yang
diharapkan dapat mengurangi proses
perhitungan. Dari algoritma di atas dapat
disimpulkan bahwa iterasi GPM akan

berakhir bila fungsi obyektif

(langkah 3), dan syarat

fungsi kendala telah terpenuhi (langkah 4

dan 5).
Contoh Soal
P : Meminimumkan Fungsi

Dengan kendala :

Gradient fungsi tujuan adalah :

129
Mulai dengan titik fisibel . Tidak

ada batasan kesamaan (equality constrained) dan semua

batasan dipenuhi maka adalah matriks kosong.

dan

dengan

Karena adalah matriks kosong, maka .

Sehingga search direction adalah

130
Sekarang kita perhatikan dan meminimumkan fungsi

dengan batasan dengan awal ditentukan.

Untuk tujuan ini dihitung :

dan

sehingga

Selanjutnya ,

Maka adalah betul-betul menurun

131
untuk , dan harga minimum dicapai

untuk , yakni .

Sekarang menentukan dan

Dengan , di set , dan jalankan step 2

dari iterasi berikutnya. Pertama menentukan .

Dari persamaan batasan.

132
Hanya batasan yang pertama saja yang memenuhi,

sehingga dan . Kemudian diperoleh

dan

Berikutnya,

Proses dilanjutkan ke step 7 untuk menyelesaikan ,

yaitu meminimumkan fungsi :

dengan dibatasi oleh .

133
Harga ditentukan seperti perhitungan awal.

Dan

sehingga diperoleh .

Selanjutnya

134
Diperoleh bahwa mempunyai titik

minimum untuk yang terletak pada

interval antara 0 dan 5/6 yaitu

Dengan diperoleh

Dengan set k:=3, dan kembali ke step 2

untuk iterasi berikutnya. Proses berikutnya menentukan

lagi.

135
Dari persamaan batasan diatas, hanya yang pertama saja

yang memenuhi, sehingga dan .

Selanjutnya dan ,

dilanjutkan seperti iterasi sebelumnya. Maka,

Karena bukan matrik kosong, jalankan step 5 dan

karena adalah matriks kosong maka,

Dengan

di titik

136
Soal-soal
1. Selesaikan convex programming berikut.
Meminimumkan

Dengan batasan

2. Gunakan kondisi Kuhn Tucker untuk menyelesaikan :

Meminimumkan :

Dengan batasan :

137