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.
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.
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
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.
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:
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
Jam
Bahan Keuntungan
Jenis produk tenaga
baku Per ton
kerja
Tapioka Super 1 3 2
Tapioka Premium 2 2 3
Ketersediaan 16 30
20
Pemecahan masalah ini akan diberikan dalam bab
berikutnya.
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.
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
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.
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:
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
27
Gambar 2.5 Daerah yang memenuhi syarat Cek optimalitas
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
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
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
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
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
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.
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
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:
Pivot kolom
40
Lihat contoh lain
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
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
a
j 1
r jxj br
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
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
Optimize z = j 1
cjxj c
k 1
k sk
n
Suku pertama dalam persamaan diatas c
j 1
jxj adalah
p
Contoh 1.
44
Min z = 7x1 3x2 + 5x3
Kendala
x1 + x2 + x3 9
3x1 + 2x2 + x3 12
x1, x2, x3 0
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
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)
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
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
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
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:
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
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
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.
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.
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 :
65
Bagian Keempat Model Transportasi
4.1 Pendahuluan
66
memungkinkan untuk dipecahkan dengan prosedur
pemecahan yang lebih sederhana dan efisien.
67
Gambar 4.1 Model Transportasi
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.
penawaran j1
a i setidaknya sama dengan permintaan
j1
b j . Ketika penawaran sama dengan permintaan maka
j1
ai = j1
bj
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
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
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.
Super
merket SP 1 SP 2 SP 3
Gudang
75
Mengui 4 5 7
Mambal 6 3 8
Sukawati 5 2 3
Penyelesaian:
Tabel transportasi
SP1 SP2 SP3 Suplay
4 5 7
G1 5000
6 3 8
G2 4500
5 2 3
G3 5500
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
77
0 5000 500
Demand 4000 5000 6000
Z = 70500
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.
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
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
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
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
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
84
.........................................................
Bagian kelima
OPTIMASI TIDAK LINEAR
5.1 Pendahuluan
85
Bentuk umum dari permasalahan optimasi nonlinier
adalah sebagai berikut :
Fungsi Tujuan :
Meminimumkan
Batasan
dengan
86
Dalam kasus unconstrained kondisi optimal diturunkan
dengan menggunakan pendekatan Taylor series untuk
menguji sifat dari fungsi tujuan f untuk lokal minimum
Batasan persamaan
87
Dan
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
Contoh :
Fungsi tujuan :
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 Hessian
90
Ekspansi deret Taylor dari suatu fungsi.
Ekspansi deret Taylor untuk fungsi pada titik
adalah :
sebagai berikut.
91
Estimasi solusi awal
perubah adalah :
Sehingga
92
Dengan menggunakan metode iterative untuk mencapai
93
Syarat Cukup.
Syarat cukup diperlukan untuk meyakinkan bahwa titik
94
Kondisi diatas, turunan pertama harus sama dengan nol.
Sehingga .
Gambar
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
97
Apabila ya Stop. adalah titik yang diinginkan.
meminimumkan
Step 3. , hitung ,
apakah
98
Diminimasi dengan menggunakan metode Steepest
Iterasi 1 :
Step 1. ;
Step 2.
Step 3. ;
Iterasi 2.
99
Step 2.
Step 3. ;
Iterasi 3.
Step 2.
Step 3. ;
100
Sampai dengan iterasi ke 3 belum diperoleh hasil.
Nilai optimum yang sesungguhnya dari pada fungsi f
dengan
Contoh 2
Minimumkan dengan menggunakan metode descent.
Penyelesaian:
Titik awal
101
Diperoleh
Iterasi 2.
Diperoleh
Iterasi 3.
Iterasi 4.
Iterasi 5.
102
tetap mengecil. Iterasi selanjutnya dapat dilanjutkan
sampai diperoleh titik minimum.
titik adalah
103
Algoritma minimisasi metode Newton.
Step 1. Dimulai dengan perkiraan awal (initial guess)
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 :
Contoh 2
Aplikasikan metode Newton dan uji koncergensi untuk
persoalan berikut ini.
105
Meminimumkan :
Penyelesaian.
Dan
Dimulai dengan
, dan ,
sehingga
Diperoleh :
106
Dan
, dan ,
sehingga
Diperoleh :
Dan
107
, dan
, sehingga
Diperoleh :
Dan
108
, dan
, sehingga
Diperoleh :
Dan
pada
109
dan
110
terutama penting untuk teori dualitas yang berhubungan
dengan permasalahan convex programming.
Harus memenuhi
111
Meminimumkan :
Dengan batasan :
. Substitusi ke diperoleh
Fungsi Lagrangian
Permasalahan nonlinear programming secara umum :
Meminimumkan
112
Batasan
Batasan
113
Contoh 1.
Fungsi tujuan dalam bentuk nonlinear dan batasan dalam
bentuk linear. Perhatikan permasalahan nonlinear berikut
P : Meminimumkan
Batasan :
Fungsi Lagrangian
114
,
Contoh 2 :
Fungsi tujuan maupun batasan dalam bentuk nonlinear
Meminimumkan :
115
Batasan :
Penyelesaian :
Batasan dapat diubah menjadi bentuk
penyelesaian, yaitu .
solusi untuk = 0.
116
b. Pada . Berdasarkan pada kondisi K-T
, berarti bahwa .
(diluar
batas)
(didalam batas).
, 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
Syarat cukup :
118
Sehingga adalah titik minimum.
dari .
119
P: min Z = f(x)
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]
120
pencarian nilai x pada iterasi berikutnya adalah - ,
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
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
kendala persamaan
x IR n
selanjutnya asumsikan kendala sebagai:
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
123
Sebelum melakukan iterasi untuk mendapatkan nilai
yang optimal terlebih dahulu perlu dilakukan linierisasi
124
dengan metode 1 phase atau 2 phase), dan
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?
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
128
memperbarui matriks proyeksi P yang
diharapkan dapat mengurangi proses
perhitungan. Dari algoritma di atas dapat
disimpulkan bahwa iterasi GPM akan
Dengan kendala :
129
Mulai dengan titik fisibel . Tidak
dan
dengan
130
Sekarang kita perhatikan dan meminimumkan fungsi
dan
sehingga
Selanjutnya ,
131
untuk , dan harga minimum dicapai
untuk , yakni .
132
Hanya batasan yang pertama saja yang memenuhi,
dan
Berikutnya,
133
Harga ditentukan seperti perhitungan awal.
Dan
sehingga diperoleh .
Selanjutnya
134
Diperoleh bahwa mempunyai titik
Dengan diperoleh
lagi.
135
Dari persamaan batasan diatas, hanya yang pertama saja
Selanjutnya dan ,
Dengan
di titik
136
Soal-soal
1. Selesaikan convex programming berikut.
Meminimumkan
Dengan batasan
Dengan batasan :
137