BAB II

ANALISIS KEPUTUSAN
Keputusan adalah suatu kesimpulan dari suatu proses untuk memilih tindakan yang terbaik
dari sejumlah alternatif yang ada. Sedangkan pengambilan keputusan adalah proses yang
mencakup semua pemikiran dan kegiatan yang dipadukan guna membuktikan dan
memperlihatkan pilihan terbaik tersebut. Oleh karena itu teori keputusan adalah suatu teknik
analisis yang berkaitan dengan pengambilan keputusan melalui bermacam-macam model.
Secara khusus pengambilan keputusan menghendaki sejumlah sasaran dan tujuan,
sejumlah alternatif tindakan, resiko atau perolehan dan tiap alternatif yang berlainan dan
kriteria pemilihan yang dapat memperhatikan tindakan yang terbaik.
Alternatif KRITERIA KEPUTUSAN
K1 K2 K3
A1 H11 H12 H13
A2 H21 H22 H23

2.1 Multi Critera Decision Making (MCDM)

Pengambilan keputusan multikriteria (MCDM) yang sederhana dapat diselesaikan dengan
menggunakan kriteria berikut:
1. Dominasi (bila salah satu alternatif memenuhi mendominasi alternatif lain untuk semua
keputusan yang ditetapkan)
2. Leksikografi (bila satu alternatif dapat memenuhi kriteria yang diprioritaskan).
3. Penghampiran atau tingkat aspirasi (bila satu alternatif dapat memenuhi kriteria
minimal yang disyaratkan)

a. Kriteria dominasi
Berdasarkan tabel contoh diatas,adakah yang mendominasi?

Sidoarjo : Hanya unggul dalam jarak, tapi kalah dalam harga dan luas.
Mojokerto : unggul dalam harga dan luas, tapi kalah dalam jarak
Kesimpulan : tidak ada dominasi, tidak ada keputusan mana yang dipillih
(tidak ada alternatif yang unggul/dominan atas ketiga yang
diharapkan)

b. Kriteria leksikografi
Harus ditetapkan dulu kriteria mana yang utama, kedua, dan seterusnya.Bila nilainya sama
pada kriteria pertama, maka dilanjutkan dengan kriteria berikutnya.Bila nilainya lebih jelek
untuk kriteria ke-n maka keputusan diambil dari alternatif yang memenuhi kriteria yang
sebelumnya (n-1).Keputusan ditetapkan bila alternatif telah memenuhi kriteria yang
diprioritaskan.

Misalnya:

Luas (pertama) -Mojokerto lebih baik daripada Sidoarjo

Jarak (kedua) - Sidoarjo lebih baik dari pada Mojokerto
Harga (ketiga) - tidak perlu dipertimbangkan lagi
Kesimpulan : Mojokerto terpilih -cukup dari kriteria luas

Contoh lain :

Jarak (pertama) - Sidoarjo lebih baik daripada Mojokerto

Luas (kedua) - Mojokerto lebih baik daripada Sidoarjo
Harga (Ketika) - tidak perlu dipertimbangkan lagi
Kesimpulan : Mojokerto terpilih -cukup dari kriteria jarak

Contoh lain :
Harga (pertama) - Mojokerto lebih baik dari pada Sidoarjo
Luas (Kedua) - Banjamasin lebih baik daripada Sidoarjo
Jarak (ketiga) - Bajarbaru lebih baik daripada Mojokerto
Kesimpulan : Mojokerto terpilih -dari kriteria harga dan luas

c. Kriteria Penghampiran (tingkat aspirasi)

Tetapkan dulu kriteria yang harus dipenuhi, kemudian pilih alternatif yang memenuhi semua
tingkat aspirasi (target).
Misalnya, tingkat aspirasi yang diharapkan:

Harga <= 600 juta

Luas >= 2.500 m2
Jarak <= 40 Km

Denga memperhatikan nilai (tingkat aspirasi) ketiga kriteria dimaksud, maka yang terpilih
adalah Sidoarjo yang memnuhi ketiganya.

2.2 Analytical Hierarchy Process(AHP)

Secara sederhana, AHP dapat dilakukan dengan beberapa langkah berikut
1. Rancangan/stuktur keputusan dari persoalan yang dihadapi
2. Perhitungan berpasangan(pairwise comparison)
3. Sintesa prioritas(bobot)
4. Uji konsistensi

2.3 Keputusan dalam Ketidakpastian

Pengamblilan keputusan dalam ketidakpastian menunjukkan suasana keputusan
dimana probabilitas hasil-hasil potensial tidak diketahui. Dalam suasana ketidakpastian,
pengambil keputusan sadar akan hasil-hasil alternatif dalam bermacam-macam peristiwa,
namun pengambil keputusan tidak dapat menetapkan probabilitas peristiwa

2.4 Fungsi Borda

Borda merupakan suatu metode yang digunakan pada pengambilan keputusan kelompok
untuk pemilihan single winner ataupun multiple winner, dimana pemberi suara (voters)
melakukan perangkingan terhadap kandidat yang disusun berdasarkan pilihan
(preference)[3]. Borda menentukan pemenang dari suatu pemilihan dengan memberikan
suatu jumlah point tertentu untuk masing-masing kandidat sesuai dengan posisi yang diatur
oleh masing-masing pemberi suara.

Pemenang akan ditentukan oleh banyaknya jumlah point yang dikumpulkan atau di peroleh
masing-masing kandidat. Borda sering digunakan pada suatu sistem pemilihan based
consensus. Pemilihan dan perhitungan (voting and counting) dilakukan dengan cara
memberikan sejumlah point kepada masing-masing calon (candidate) misalnya ada lima
kandidat pada suatu pemilihan maka masing-masing calon menerima 5 point untuk kandidat
ranking pertama, 4 point untuk kandidat rangking kedua dan seterusnya, kandidat terakhir
menerima 1 point, dengan kata lain dimana n kandidat akan menerima n point untuk pilihan
pertama, n-1 untuk pilihan kedua, n-2 untuk pilihan 3, n-4 untuk pilihan 5

BAB III
PROGRAM LINIER – METODE GRAFIK

Metode grafik hanya bisa digunakan untuk menyelesaikan permasalahan dimana hanya
terdapat dua variabel keputusan. Untuk menyelesaikan permasalahan tersebut, langkah
pertama yang harus dilakukan adalah memformulasikan permasalahan yang ada ke dalam
bentuk Linear Programming (LP). Langkah-langkah dalam formulasi permasalahan adalah :

Proses Meja Kursi Kapasitas

Assembling 20 45 10.750
Finishing 30 25 9.750

 Pembuatan meja membutuhkan 20(satuan Assembling) dan 30 (satuan finishing)

 Pembuatan meja membutuhkan 45(satuan Assembling) dan 25 (satuan finishing)
 Total kapasitas Proses assembling = 10.750(satuan assembling) dan total kapasitas
proses finishing =9.750 (satuan fimishing)

3.1 Operasi Baris Elementer(OBE)

OBE digunakan untuk mencari solusi dari serangkaian persamaan(n persamaan
dengan m variabel) dengan menggunakan konsep aljabar matriks(bukan dengan cara
eleminasi atau substusi yang nantinya sangat berguna untuk metode simpleks).
Contoh :
 Dari rangkaian fungsi pembatas (soal di atas), tanda ketidaksamaan di ganti
dengan persamaan.
 Jadi ada 2 persamaan dengan 2 anu/variabel
 Bila dituliskan lagi....
20 X1 + 45X1 = 10.750
30X2 + 25X2 = 9.750
3.2 Aplikasi OBE
Buatlat matriks pengganti dari sistem persamaan yang ada dengan menghilangkan
variabel X1 dan X 2, serta tanda =(sama dengan) diganti dengan garis vertikal. Lakukan
serangkaian operasi baris elementer sedemikian rupa sehingga diperoleh matriks
identitas pada ruas kiri sedangkan ruas kanan adalah hasil/nilai variabel.
Sistem Persamaan :
20 X1 + 45X1 = 10.750
30X2 + 25X2 = 9.750
 BAB IV

PROGRAM LINIER – METODE SIMPLEKS

Metode simpleks merupakan salah satu teknik penyelesaian dalam program linier
yang digunakan sebagai teknik pengambilan keputusan dalam permasalahan yang
berhubungan dengan pengalokasian sumberdaya secara optimal. Metode simpleks digunakan
untuk mencari nilai optimal dari program linier yang melibatkan banyak constraint
(pembatas) dan banyak variabel (lebih dari dua variabel). Penemuan metode ini merupakan
lompatan besar dalam riset operasi dan digunakan sebagai prosedur penyelesaian dari setiap
program computer.

Salah satu teknik penentuan solusi optimal yang digunakan dalam pemrograman linier
adalah metode simpleks. Penentuan solusi optimal menggunakan metode simpleks
didasarkan pada teknik eleminasi Gauss Jordan. Penentuan solusi optimal dilakukan dengan
memeriksa titik ekstrim satu per satu dengan cara perhitungan iteratif. Sehingga penentuan
solusi optimal dengan simpleks dilakukan tahap demi tahap yang disebut dengan iterasi.
Iterasi ke-i hanya tergantung dari iterasi sebelumnya (i-1).

Ada beberapa istilah yang sangat sering digunakan dalam metode simpleks,
diantaranya yaitu:
1. Iterasi adalah tahapan perhitungan dimana nilai dalam perhitungan itu tergantung dari
nilai tabel sebelumnya.
2. Variabel non basis adalah variabel yang nilainya diatur menjadi nol pada sembarang
iterasi. Dalam terminologi umum, jumlah variabel non basis selalu sama dengan
derajat bebas dalam sistem persamaan.
3. Variabel basis merupakan variabel yang nilainya bukan nol pada sembarang iterasi.
Pada solusi awal, variabel basis merupakan variabel slack (jika fungsi kendala
merupakan pertidaksamaan ≤ ) atau variabel buatan (jika fungsi kendala
menggunakan pertidaksamaan ≥ atau =). Secara umum, jumlah variabel basis selalu
sama dengan jumlah fungsi pembatas (tanpa fungsi non negatif).
4. Solusi atau nilai kanan merupakan nilai sumber daya pembatas yang masih tersedia.
Pada solusi awal, nilai kanan atau solusi sama dengan jumlah sumber daya pembatas
awal yang ada, karena aktivitas belum dilaksanakan.
5. Variabel slack adalah variabel yang ditambahkan ke model matematik kendala untuk
mengkonversikan pertidaksamaan ≤ menjadi persamaan (=). Penambahan variabel ini
terjadi pada tahap inisialisasi. Pada solusi awal, variabel slack akan berfungsi sebagai
variabel basis.
 BAB V

PROGRAM LINIER – METODE DUA FASA

Jika kita sudah mempelajari simplex. Itu adalah dasar dari optimisasi program linier.
Memaksimumkan atau meminimumkan fungsi objektif. Metode tabel sendiri tidak lain adalah
simplex yang dibentuk tabel untuk memudahkan perhitungan. Bagaimana dengan metode Big-M?
adakah bedanya dengan simplex? Tentu saja.. walaupun sama-sama menyelesaikan masalah program
linier.

Metode simplex tidak bisa menyelesaikan program linier dengan cepat jika kita menghitung
manual. Makanya kita menggunakan metode tabel. Tapi kelemahan metode tabel ini. BFS awalnya
harus identitas. Tidak selamanya program linier yang ditambahkan slack variabel bisa memiliki BFS
awal yang identitas.

Minimumkan

Dengan kendala:

Sekarang kendala kita jadikan bentuk baku dan fungsi objektifnya menjadi sama dengan 0:

Minimumkan

Dengan kendala:
Saya akan memilih basis awal/BFS awal 3,4,5 seperti biasa dari slack variabel. Maka tabel awalnya
akan begini:

BFS awal bukan identitas. Kita tidak boleh mengalikan -1 pada baris variabel dan karena akan
berakibat R menjadi negatif. Sementara dalam metode tabel, pada pertukaran basis; jangan sampai
nilai R negatif karena bisa mengakibatkan beberapa basis tidak bisa keluar, dan ini bisa berakibat
fatal, anda akan berputar terus-terusan tanpa dapat solusi optimal atau solusi optimal bisa salah.
ITULAH kelemahan metode tabel jika BFS awal bukan identitas anda akan terjebak di looping
selamanya, 1 masuk 4 keluar, lalu berikutnya 2 masuk 1 keluar. Lalu 4 masuk lagi 2 keluar. Begitu
terus seperti terjebak di labirin. Atau proses stop tapi ternyata solusi tidak optimal. Untuk kasus
seperti ini dimana variabel basis anda bukan identitas dibuatlah metode Big-M. kita sudah punya slack
variabel. Tapi kita menginginkan basis awal yang identitas. Jadi perlu ditambahkan artificial variabel,
banyak banget ya? Tenang artificial variabel ini hanya agar kita bisa memiliki basis awal yang
identitas. Sesudah itu kita kembali dengan metode tabel.

Algoritma Metode Big M:

Minimumkan

Dengan kendala:

1.Menambahkan artificial variabel agar BFS bisa menjadi identitas

Tambahkan artificial variabel dan jadikan ke bentuk:

Minimumkan

Dengan kendala:
adalah artificial variabel. Sehingga BFS awal kita bisa menjadi identitas. Dan mudah untuk mencari
solusi optimumnya. Artificial variabelnya akan kita paksa jadi 0 selama proses Big-M ini. Harus ya..
dipaksa.. Ya dengan kata lain Big-M itu proses mengutak-atik agar metode simplex atau tabel bisa
dilakukan.

2.Buat tabel awalnya

Seperti biasa saya titik-titik karena isinya nanti itu konstanta dari fungsi objektif dan kendala program
linier. Sementara baris z yang berada di kolom artificial variabel diberi tanda –M. itulah M kita. Big-
M. M besar. Menang, MENANG. Maksud dari Big-M ini adalah menambahkan konstanta M, sebuah
bilangan bulat positif yang sangat besar, sangat sangat sangat besar sekali. Gausah dibayangkan...
9793865864823648236423, bahkan lebih besar dari itu. M itu merupakan alat bantu. Agar program
linier bisa diselesaikan dengan simplex atau tabel. Jika suatu program linier bentuknya walau sudah
ditambah slack variabel tidak bisa diselesaikan: looping atau solusi optimalnya salah. Metode Big-M
ini digunakan agar solusinya konvergen ke solusi optimal dengan simplex. Kalau anda penasaran
maksud dan penjelasan M ini. Bisa dicari sendiri. Baca bukunya, saya bikin blog bukan copas buku.

BAB VI

PROGRAM LINIER – METODE PROMAL DUAL

Bentuk LP tersebut di atas dinamakan bentuk dual, sedangkan Y1 dan Y2 disebut

variabel dual.
Bila masalah primal dibandingkan dengan masalah dual akan terlihat hubungan sbb.
1) Koefisien fungsi tujuan masalah primal menjadi konstan sisi kanan masalah dual.
Sebaliknya, konstanta sisi kanan primal menjadi koefisien fungsi tujuan dual.
2. Tanda pertidaksamaan fungsi kendala dibalik.
3. Tujuan diubah dari minimasi (maksimasi) dalam primal menjadi maksimasi (minimasi)
dalam dual.
4. Setiap kolom pada primal berhubungan dengan suatu baris (fungsi kendala) dalam
dual. Sehingga banyaknya fungsi kendala dua sama dengan banyaknya variabel primal.
5. Setiap baris (fungsi kendala) pada rpimal berhubungan dengan suatu kolom dalam
dual. Sehingga ada satu variabel dual untuk setiap kendala primal.
6. Bentuk dual dari dual adalah bentuk primal.
1. Masalah Primal – Dual
1. Masalah Primal – Dual Simetrik
 Suatu LP dikatakan berbentuk simetrik jika semua variabel dibatasi bernilai nonnegatif
dan semua kendala berupa pertidaksamaan (dalam masalah maksimasi
pertidaksamaannya harus dalam bentuk < , sementara dalam minimasi mereka harus >
).
Bentuk umum masalah primal – dual yang simetrik
adalah:
Primal:
Maksimalkan Z = c1 X1 + c2 X2 + . . + cn Xn
Dgn syarat a11 X1 + a12 X2 + . . + a1n Xn < b1
a21 X1 + a22 X2 + . . + a2n Xn < b2
am1 X1 + am2 X2 + . . + amn Xn < bm
X1 > 0, X2 > 0, . . . , Xn > 0.
Dual:
Minimumkan W = b1 Y1 + b2 Y2 + . . + bm Ym
Dgn syarat a11 Y1 + a21 Y2 + . . + am1 Ym < c1
a12 Y1 + a22 Y2 + . . + am2 Ym < c2
a1n Y1 + a2n Y2 + . . + amn Ym < cn
Y1 > 0, Y2 > 0, . . . , Ym > 0.
Dalam bentuk matriks masalah primal – dual akan menjadi sbb.
Primal: Maksimumkan Z = cX
Dengan syarat AX < b
X >0
Dual Minimumkan W = Y b
Dengan syarat Y A > c
Y>0
Dimana A adalah suatu matriks m x n,
b adalah vektor kolom m x 1,
c adalah vektor baris 1 x n,
X adalah vektor kolom n x 1, dan
Y adalah vektor baris 1 x m.
Aturan umum untuk menuliskan bentuk dual suatu LP yang simetrik diringkas sebagai
berikut:
1) Misalkan sebuah variabel dual (nonnegatif) untuk setiap kendala primal.
2) Vektor baris koefisien fungsi tujuan primal diubah menjadi vektor kolom konstan Sisi
kanan dual.
3) Vektor kolom sisi kanan primal diubah menjadi vektor baris koefisien fungsi tujuan
dual.
4) Transpose koefisien matriks kendala primal menjadi koefisien matriks kendala dual.
5) Balik arah pertidaksamaan kendala.
6) Balik arah optimisasi, ubah minimum menjadi maksimum dan sebaliknya.
Beberapa teori mengenai dualitas.
1) Teori Weak duality Theorem
Misalkan suatu bentuk primal dual simetrik sbb.
Maks Z = cX dan Min W = Yb
Dengan syarat:
AX < b YA > c
X>0 Y>0
” Nilai fungsi tujuan masalah minimasi (dual) untuk setiap solusi yang layak selalu lebih
besar atau sama dengan masalah maksimasi (primal)-nya”
Beberapa Hal yang diperoleh dari Weak Duality Theorem
(i) Nilai fungsi tujuan masalah maksimasi (primal) untuk setiap solusi layak adalah batas
bawah dari nilai minimum fungsi tujuan masalah dual.
(ii) Nilai fungsi tujuan masalah minimasi (dual) untuk setiap solusi layak adalah batas
atas dari nilai maksimum fungsi tujuan masalah primal.
(iii). Jika masalah primal adalah layak dan nilai tujuannya tak terbatas, maka masalah
dualnya tidak akan memiliki suatu solusi layak, atau
(iv). Jika masalah primal adalah layak dan dual tak layak, maka primal tak terbatas
(v). Jika masalah dual adalah layak dan tak terbatas, maka masalah primal adalah tak
layak, atau
(vi). Jika masalah dual adalah layak dan primal tak layak, maka dual adalah tak
terbatas.
2) Optimality Criterion Theorem
Jika terdapat solusi layak Xo dan Yo pada bentuk primal dual simetrik sedemikian
rupa sehingga nlai-nilai fungsi tujuan yang berhubungan adalah sama,maka solusi layak
ini adalah solusi optimum terhadap masalah tersebut.
3) Main Duality Theorem
Jika baik masalah primal maupun dual adalah layak, maka keduanya memiliki solusi
sedemikian rupa sehingga nilai optimum fungsi tujuannya adalah sama.
4) Complementary Slackness Theorem
Kondisi complementary slackness dapat dinyatakan sbb.
 1. Jika suatu variabel primal X1O bernilai positif maka kendala dual yang berhubungan akan
dipenuhi sebagai suatu persamaan pada keadaan optimum (variabel slack atau surplus pada
kendala dual = 0)
2. Jika suatu kendala primal berupa pertidaksamaan murni pada keadaan optimum (variabel
slack atau surplus pada keadaan primal > 0), maka variabel dual yang berhubungan
Y1O harus sama dengan nol pada keadaan optimum.
3. Jika suatu variabel Y1O dual bernilai positif, maka kendala primal yang berhubungan akan
memenuhi sebagai suatu persamaan pada keadaan optimum (variabel slack atau surplus
pada kendala primal = 0).
4. Jika suatu kendala dual berupa pertidaksamaan murni (variabel slack atau surplus pada
kendala dual > 0) maka variabel primal yang berhubungan XjO harus sama dengan nol
pada keadaan optimum.
2. Masalah Primal – Dual Asimetrik
Tidak semua LP berbentuk simetrik artinya ada yang asimetrik.
Contoh:
Maksimumkan Z = 4X1 + 5X2
Dengan syarat 3X1 + 2X2 < 20
4X1 – 3X2 > 10
X1 + X2 = 5
X1 > 0 dan X2 tak terbatas.
Coba ubah ke bentuk yang simetris!
Intinya semua fungsi kendala diubah ke < (karena primalnya adalah maksimasi) dan
semua variabel nonnegatif.
Langkah-langkah:
1) Kendalah pertidaksamaan kedua dikalikan -1.
2) Kendala persamaan ketiga diganti dengan suatu pasangan pertidaksamaan X1 +
X2 < 5 dan X1 + X2 > 5
3) Variabel tak terbatas X2 diganti dengan selisih dua variabel nonnegatif X3 dan X4.
Jadi bentuk simetris masalah primal menjadi:
Maksimalkan Z = 4X1 + 5X3 – 5X4
Dengan syarat 3X1 + 2X3 – 2X4 < 20
-4X1 + 3X3 + 3X4 < 10
X1 + X3 – X4 < 5
-X1 – X3 + X4 < -5
X1 > 0, X3 > 0, dan X4 > 0.
Bentuk dual simetrisnya adalah
Minimumkan W = 20U1 – 10U2 + 5U3 – 5U4
Dgn syarat 3U1 – 4U2 + U3 – U4 > 4
2U1 + 3U2 + U3 – U4 > 5
-2U1 + 3U2 – U3 + U4 > -5
U1 > 0, U2 > 0, U3 > 0, U4 > 0.
Bila bentuk dual dibandingkan dengan bentuk primal yang belum disimetriskan,
maka terlihat bahwa tak ada ciri-ciri hubungan primal dual seperti yang telah disebutkan
di depan terpenuhi. Koefisien matriks kendala dual bukan transpose dari kendala primal,
vektor sisi kanan primal bukan merupakan koefisien fungsi tujuan dual dan sebaliknya
Kemudian, misalkan Y1 = U1, Y2 = -U2, Y3 = U3 – U4 dan dua pertidaksamaan terakhir
pada bentuk dual diganti dengan sebuah persamaan, sehingga diperoleh suatu masalah
dual yang telah dimodifikasi sbb.
Minimumkan W = 20Y1 + 10Y2 + 5Y3
Dengan syarat 3Y1 + 4Y2 + Y3 > 4
2Y1 – 3Y2 + Y3 = 5
Y1 < 0, Y2 < 0, dan Y3 tak terbatas.
Bila bentuk dual yang telah dimodifikasi dibandingkan dengan bentuk primal yang
belum disimetriskan, terlihat bahwa semua ciri penting hubungan primal dual terpenuhi,
kecuali arah pertidaksamaan kendala, dan tanda pembatas variabel. Sehingga untuk
setiap LP (simetris atau tidak) bentuk dual selalu memenuhi ciri-ciri sbb.
1) Elemen matriks kendala bentuk dual adalah transpose elemen kendala primal,
2) Koefisien fungsi tujuan dual adalah vektor sisi kanan primal,
3) Vektor sisi kanan dual adalah koefisien fungsi tujuan primal,
4) Jika primal adalah masalah maksimas, maka dual menjadi masalah minimasi dan
sebaliknya.
Tabel berikut menyajikan hubungan primal-dual untuk semua masalah LP, di mana
bentuk primal berupa masalah maksimasi (I). Jika bentuk primal adalah masalah
Minimasi (II), maka hubungan primal-dual berubah.
Tabel
Primal Dual
A elemen matriks kendala Transpose elemen matriks
b vektor sisi kanan Koefisien fungsi tujuan
c koefisien fungsi tujuan Vektor sisi kanan
Kendala ke-i berupa persamaan Variabel dual Yi tak terbatas
Xj tak terbats Kendala ke-j berupa persamaan
1. Maksimisasi Minimisasi
Kendala ke-i jenis < Variabel dual Yi > 0
Kendala ke-i jenis > Variabel dual Yi < 0
Xj > 0 Kendala ke-j jenis >
Xj < 0 Kendala ke-j jenis <
1. Minimisasi Maksimisasi
Kendala ke-i jenis < Variabel dual Yi < 0
Kendala ke-i jenis > Variabel dual Yi > 0
Xj > 0 Kendala ke-j jenis <
Xj < 0 Kendala ke-j jenis >
Contoh
1. Primal :
Maksimumkan Z = X1 + 4X2 + 3X3
Dengan syarat 2X1 + 3X2 – 5X3 < 2
3X1 – X2 + 6X3 > 1
X1 + X2 + X3 = 4
X1 > 0, X2 < 0, dan X3 tak terbatas.
Dual : Minimumkan W = 2Y1 + Y2 + 4Y3
Dgn syarat 2Y1 + 3Y2 + Y3 > 1
3Y1 – Y2 + Y3 < 4
-5Y1 + 6Y2 + Y3 = 3
Y1 > 0, Y2 < 0, dan Y3 tak terbatas.
2. Primal : Maksimumkan Z = 2X1 + X2 – X3
Dgn syarat X1 + X2 – X3 = 1
X1 – X2 + X3 > 2
X2 + X3 < 3
X1 > 0, X2 < 0, X3 tak terbatas.
Dual : Minimumkan W = Y1 + 2Y2 + 3Y3
Dgn syarat Y1 + Y2 <2
Y1 – Y2 + Y3 > 1
-Y1 + Y2 + Y3 = -1
Y1 tak terbatas, Y2 > 0, dan Y3 < 0.
3. Mencari solusi Optimum Bentuk Dual
Setiap LP akan selalu dapat dipecahkan menggunakan metode simpleks, untuk itu
metode ini akan selalu dapat diterapkan baik pada bentuk primal maupun dual-nya.
Pada Main duality theorem dinyatakan bahwa suatu solusi optimum terhadap bentuk
dual dapat diperoleh melalui solusi primal dan sebaliknya.
Contoh: Maksimumkan Z = 5X1 + 12X2 + 4X3
Dgn syarat X1 + 2X2 + X3 < 5
2X1 – X2 + 3X3 = 2
X1 > 0, X2 > 0, dan X3 > 0.
Bila kita selesaikan dengan metode simpleks, maka diperlukan variabel slack dan
artificial variabel A. Untuk itu pada tabel awal akan diperoleh nilai variabel basis untuk S
= 5 dan A = 2. Pada iterasi terakhir akan diperoleh tabel simpleks sbb.
Basis X1 X2 X3 S A Solusi
Z 0 0 3/5 29/5 -2/5 + M 28 1/5
X2 0 1 -1/5 2/5 -1/5 8/5
X1 1 0 7/5 1/5 2/5 9/5
Ingat bahwa variabel basis awal adalah variabel slack S dan artificial variabel A,
sementara kedua variabel basis optimum adalah variabel riil.
Sekarang kita akan pecahkan masalah dualnya!
Bentuk dualnya adalah:
Minimumkan W = 5Y1 + 2Y2
Dengan syarat Y1 + 2Y2 > 5
2Y1 – Y2 > 12
Y1 + 3Y2 > 4
Y1 > 0 dan Y2 tak terbatas.
Karena Y2 tak terbatas untuk itu kita harus ganti Y2 dengan Y2’ – Y’’ dimana baik Y2’
maupun Y’’ kedua-duanya > 0. Jika variabel surplus S1, S2, dan S3 dikurangkan dari
ketiga kendala dan menambahkan artificial variabel A1, A2, dan A3, maka variabel basis
awal adalah A1 = 5, A2 = 12, dan A3 = 4. Untuk itu tabel simpleks optimumnya menjadi:
Basis Y1 Y2’ Y’’ S1 S2 S3 A1 A2 A3 Sol
Z 0 0 0 -9/5 -8/5 0 9/5 – M 8/5–M -M 28 1/5
S3 0 0 0 -7/5 1/5 1 7/5 -1/5 -1 3/5
Y’’ 0 -1 1 2/5 -1/5 0 -2/5 1/5 0 2/5
Y1 1 0 0 -1/5 -2/5 0 1/5 2/5 0 29/5
Variabel basis pada solusi awal bentuk primal adalah S dan A. Variabel dual yang
berhubungan dengan persamaan kendala primal yang mengandung S dan A adalah Y1
dan Y2.
Sekarang perhatikan koefisien persamaan Z pada tabel optimum primal. Hasilnya
adalah:
Variabel basis awal bentuk primal A S
Koefisien persamaan Z
pada optimum primal 29/5 -2/5 + M
Variabel dual yang berhubungan Y1 Y2
Jika M diabaikan, koefisien persamaan Z adalah 29/5 dan -2/5 yang langsung
memberikan solusi optimum pada masalah dual, yaitu nilai optimum Y1 = 29/5 dan Y2 =
-2/5 (= Y2’ – Y’’ = 0 – 2/5) yang sama dengan hasil pemecahan bentuk dual dengan
metode simpleks. Ini bukanlah suatu kebetulan, tetapi berlaku umum. Suatu
pengamatan terhadap variabel basis pada solusi awal (A1, A2, dan A3) memberi
informasi sbb.
Var basis awal bentuk dual A1 A2 A3
Koefisien persamaan Z
pada optimum dual 9/5 – M 8/5 – M 0 – M
Variabel primal yang berhubungan X1 X2 X3
Jika M diabaikan, maka hasil dari koefisien persamaan Z secara langsung memberi
solusi optimum primal X1 = 9/5, X2 = 8/5, dan X3 = 0 yang sama dengan penyelesaian
bentuk primal menggunakan metode simpleks.
Berdasakan tabel simpleks optimum bentuk primal, solusi optimum bentuk dual dapat
juga dihitung melalui rumus sbb.
Misalkan terdapat hubungan primal – dual sbb.
Minimumkan Z = cX dan Maksimumkan W = Yb
Dengan syarat AX = b dengan syarat YA < c
X>0 Y>0
Maka solusi optimum masalah primal dan dual yang dioeroleh melalui penerapan
revised simplex-method adalah:
Z = W = cBB-1 b
Dimana cB adalah vector profit atau biaya variabel basis optimum bentuk
primal.
B adalah matriks variabel basis optimum bentuk primal
[ Pj ] , dimana Pj adalah kolom ke-j matriks A
CBB-1 adalah vektor simpleks multiplier.
Contoh: Maksimumkan Z = 5X1 + 12X2 + 4X3
Dengan syarat X1 + 2X2 + X3 < 5
2X1 – X2 + 3X3 = 2
X1 > 0, X2 > 0, dan X3 > 0
Bentuk dualnya menjadi:
Minimumkan W = 5Y1 + 2Y2
Dengan syarat Y1 + 2Y2 >5
2Y1 – Y2 > 12
Y1 + 3Y2 > 4
Y1 > 0 dan Y2 tak terbatas.
Menggunakan metode simpleks, solusi terhadap masalah primal telah diperoleh yaitu
X1 = 9/5, X2 = 8/5, dan Z = 28 1/5. Karena X1 dan X2 merupakan variabel basis
oprtimum bentuk primal, maka matriks basis optimumnya adalah:

BAB VII

PROGRAMA INTEGER

Programa integer merupakan persoalan program linier (PL) yang mensyaratkan bahwa
jawaban/solusi dari tiap variabel keputusannya adala integer

1. Braunching(pencabangan)
Untuk mencoba kedua kemungkinan jawaban integer, misalnya diperoleh X1 = 3,45.
Itu berarti kita buatkan 2 pencabangan (program baru dengan tambahan fungsi
pembatas baru pada masing-masingnya, yaitu X1 ≤ 3 dan X1 ≥ 4).
2. Baunding(pembatasan)
Memilih salah satu cabang yang memberikanb jawaban ke arah yang diinginkan
(maksimasi atau minimasi).
Contoh 1:
Program 1:
Max Z= 10 X1 + 8X2
s/t 2 X1 + 3X2 ≤ 11
X1 dan X2 ≥ 0 dan integer
 BAB VIII
GOAL PROGRAMMING

Goal programming banyak di gunanakan pada kondisi sangat diinginkannya

minimasi simpangan dari tujuan/sasaran(goal) yang diharapkan. Liniear goal programming
adalah programa linier yang memiliki satu atau lebih goal/sasaran yang memenuhi syarat
linieritas. Bila hanya diinginkan satu goal saja, maka dapat diselesaikan sebagai programa
linier yang ada(simpleks, dua fasa, atau primal dual).

8.1 Goal Programming dengan satu tujuan

Misalnya, dari soal diatas akan diselesaikan sebagai goal programming dengan hanya
1 tujuan(goal) saja, yaitu untuk mendapatkan keuntungan (profit) = $ 140. Bagaimana
caranya
Formulasi goal programming
Min Z = D1
S/t 8X1 + 6X2 + D1 – D1 + = 140
4X1 + 2X2 ≤ 60
2X1 + 4X2 ≤ 48

BAB IX
METODE PENUGASAN

Metode penugasan (assignment atau Hungarian method) merupakan metode untuk

menentukan alokasi sumber daya ke suatu tugas terntentu secara satu per satu (one by one).
Misalkan, tersedia 5 orang perawat yang harus ditugaskan pada 5 klinik yang tersedia,
bagaimana penugasan terbaiknya? Bila ada 10 kolonel untuk 10 macam jabatan tertentu,
bagaimana penugasan terbaiknya?

Tergantung kepada informasi yang ada, penyelesaian masala ini dapat diarahkan kepada
maksimai atau minimasi. Bila berkait dengan kesalahan, kerugian, cacat, dan hal-hal yang
negatif, itu berarti persoalan yang positif, itu berarti persoalan maksimasi.

Contoh kasus maksimasi :

Pada sebuah bengkel tersedia 4 orang mekanik yang harus dapat ditempatkan pada 4 bengkel
yang ada (1 mekanik untuk 1 bengkel). Pada keempat bengkel sebagai berikut.
 Mekanik Bengkel(B)
(M) B1 B2 B3 B4
M1 67 76 82 75
M2 80 70 82 77
M3 77 68 70 74
M4 70 73 78 80

BAB X

METODE TRANSPORTASI

Metode transportasi dimaksud untuk mencari solusi terbaik dari persoalan

transportasi(pengangkutan) barang atau produk dari gudang/pabrik ke pasar tujuan dengan
biaya termurah.

Bila telah dapat diidentifikasi biaya angkut dari pabrik ke pasar, serta kapasitas pabrik dan
permintaan pasar pun telah diketahui maka persoalan bagaimana cara pengalokasian
terbaiknya dapat dikerjakan.

Metode transportasi terdiri atas 2 langkah utama, yaitu pencarian solusi awal dan pencarian
solusi optimal. Solusi awal dapat diselesaikan salah satunya dengan metode Least Cost(biaya
terkecil), sedangkan solusi optimal dengan metode MODI(Modified Distribution = distribusi
termodifikasi).

10.1 Metode Least Cost(LC)

Metode Least Cost digunakan untuk mencari solusi awal dari suatu persoalan
transportasi
Langka-langkah yang diperlukan :
1. Pastikan dulu bahwa jumlah kapasitas = permintaan. Bila belum sama, tambahkan
kapasitas atau pasar bayangan (dummy) agar persoalan dapat diselesaikan.
2. Pilih kotak yang biaya angkutnya terkecil (kalau ada
10.2 Metode Modified Distribution(MODI)
Metode MODI digunakan setelah proses diperoleh solusi awal untuk mendapatkan
(atau membuktikan) solusi optimalnya. Solusi awal lain yang cukup populer adalah dengan
vogel Approximation Method (VAM) atau North West Corner(NWC) tidak dibahas pada
buku ini. Pilihan solusi awal dengan metode Least Cost karena lebih cepat mengantarkan
kepada solusi optimal, selain lebih mudah dipahami
Langkah-langkah metode MODI
1. Siapkan kembali solusi awal (matriksnya saja, tanpa perlu kapasitas dan
permintaanya).
2. Hitung nilai baris(NBi) dan nilai kolom (NKj) yang didasarkan kepada kotak-kotak
berisi. Nilai baris pertama (NBi) diberi nilai 0 nilai baris (NBi) dan nilai komn (NKj)
dihitung dengan formula :
NBi + NKj = Cij*
3. Hitung nilai kotak kosong(NKK+ij)dengan formula:
NKKij =NBi + NKj -Cij

BAB XI
PROGRAMA DINAMIS
Programa dinamis berbeda dengan linier yang sudah kita kenal. Persoalan bersifat
dinamis apabila diarahkan kepada pemecahan secara bertahap yang masing-masingnya
merupakan satu-kesatuan
Ada 3 hal yang penting diketahui tentang programa dinamis, yaitu :
1. Stage (tahapan) dari persoalan yang dihadapi dan ingin cari solusinya
2. State (kondisi) yang menjadi faktor penentu keputusan dari tiap tahapan
3. Decision (keputusan) yang harus diambil dari tiap tahapan untuk sampai kepada
solusi keseluruhan

BAB XII
TEORI ANTRIAN DAN SIMULASI
Antrian sering terjadi di toko, loket, teller, bandara, bengkel pemiliharaaan mesin
produksi. Pihak manajemen harus memperhatikan persoalan ini agar konsumsi pelanggan
tidak kecewa atau malah membatalkan rencana mereka
Adapun karakteristik antrian, antara lain :
 1. Pola kedatangan pelanggan(customer).
2. Pola pelayanan.
3. Jumlah pelayanan server/fasilitas untuk pelanggan.
4. Order/urutan/disiplin pelayanan

Sistem antrian :

Single channel – single phase (satu jalur antrian – satu fase/tahap layanan)

Multiple channel – single phase(beberapa jalur antrian – satu fase/tahap layanan)

Single channel – multiple phase (satu jalur antrian – satu fase/tahap layanan)

Multiple channel – multiple phase(beberapa jalur antrian – satu fase/tahap layanan)

BAB XIII

TEORI PERMAINAN

Teori permaianan(game theory) banyak digunakan dalam analisis pemasaran atau

perencanaan strategi perusahaan. Model yang digunakan biasanya ditunjukan untuk
menentukan strategi permainan yang sebenarnya digunakan dan nilai dari permainan itu
sendiri.

Konsep dasar teori permainan, antara lain.

1. Ada 2 permainan dengan jumlah strateginya.

2. Kemenangan bagi seoran pemain berarti kekalahan seorang pemain lainnya(zero-sum
game)
3. Adanya kelangkaan sumber daya(scarcity).
4. Pembacaan tabel permainan adalah dari baris ke kolom, nilai positif berarti
kemenangan bagi pemain I, sekaligus kekalahan bagi pemain II. Sebaliknya, nilai
negatif berarti kekalahan bagi pemain I, sekaligus kemenangan bagi pemain II
5. Dimungkinkan adanya prinsip dominasi
6. Pemain I cenderung kepada strategi maximin, sedangkan pemain II cenderung kepada
strategi manimax
 7. Bila nlai maximin = minimax, berarti ada sadle point(permainan sudah pasti
mengarah pada salah satu pilihan strategi saja, tidak perlu ada perhitungan lanjut).
8. Bila nilai maximin tidak sama dengan maximax, berarti ada mix strategi(kedua
pemain harus bertimbang dalam bentuk probabilitas untuk memainkan salah satu
strateginya, harus dilakukan perhitungan lanjut).
Contoh : game 2 x 2

Pemain I Pemain II Pemain II

1 2
1 12 -8 -8
2 -3 6 -3
minimax 12 6

BAB XIV

RANTAI MARKOV

Konsep rantai markov mengacu pada rantai perubahan tiap kondisi yang ada dari satu
periode ke periode berikutnya. Misalkan, kondisi tnah pertanian pada suatu periode ada 3
kemungkinan, subur kurang subur, dan kering. Untuk periode berikutnya, kondisi tanah
pertanian tersebut dapat saja berubah ke subur, kurang subur dan kering.

Ada/tidaknya perubahan dari suatu kondisi ke kondisi lainnya dapat digambarkan dalam
matriks berikut.

 Sekarang subur  masa mendatang mungkin tetap subur, menjadi kurang subur, atau
menjadi kering.
 Sekarang kuran subur  masa mendatang mungkin menjadi subur, tetap subur atau
menjadi kering.
 Sekarang kering  masa mendatang mungkin menjadi subur, menjadi kurang subur,
atau tetap kering.
 Periode i Periode j
1 2 3
1 P11 P12 P13
2 P21 P22 P23
3 P31 P32 P33

14.1 Loyalitas Merek

Konsep rantai Markov dapat juga digunakan untuk menentukan tingkat loyalitas
konsumen terhadap suatu merek. Bila diketahui ada 5 merek produk di pasaran, kemudian
diketahui, misalnya matriks probabilitas transisinya maka:
Produk A B C D E
A 0,73 0,18 0,09 0 0
B 0,10 0,78 0,07 0,05 0
C 0,12 0,15 0,65 0,05 0,03
D 0 0,22 0,28 0,45 0,15
E 0 0 0,19 0,29 0,52

14.2 Pangsa Pasar

Rantai Markov dapat juga digunakan untuk memperkirakan besarnya pangsa pasar
dari produk yang ada setelah diketahui matriks probabilitas transisinya(MPT). Misalnya, ada
2 merek A dan B sebagai berikut.
A B
A 0,88 0,12
B 0,15 0,85