Pemahaman Awal
3. Metoda-metoda statistik.
• Analisis regresi
• Analisis cluister
• Pengenalan pola
• Metoda eksperimen
• Analisis diskriminasi
• Teori Reliabilitas
⎧ x1 ⎫
⎪ x ⎪
⎪2
n
Temukan X =⎨ ⎬ yang meminimisasi f ( X ) = ∑ ci xi
⎪⎪ i=1
⎪⎩xn ⎪⎭
Kendala-kendala:
n
∑a
k =1
x = bj ,
jk k j = 1,2,..., m
dan
xi ≥ 0, i = 1,2,..., n
2.1. Pengantar
(a) (b)
Gambar 2.1. Fungsi monotonic: (a) kontinu dan meningkat secara monoton,
(b) diskontinu dan menurun secara monoton
Definisi 2.1: Syarat perlu untuk fungsi tujuan dengan satu variabel
df (x)
= f '(x) sebagai sebuah jumlah terbatas pada x = x*, maka f’(x)=0.
dx
df (x)
Jadi syarat perlu terpenuhi jika = f '(x* ) = 0
dx x=x *
Definisi 2.2: Syarat cukup untuk fungsi tujuan dengan satu variabel
d n f (x* )
(i) sebuah nilai minimum pada f(x) jika n
> 0 dan n adalah
dx
bilangan genap.
d n f (x* )
(ii) sebuah nilai maksimum pada f(x) jika n < 0 dan n adalah
dx
bilangan genap.
Titik infleksi atau sadel bukanlah titik optimal. Perhatikan Contoh 2.1
berikut ini.
df 2
syarat cukup = 3x = 0 didapat titik stasionernya x*=0. Kemudian kita uji
dx
d2 f
syarat cukup dimana 2
= 6x = 6(0) = 0 . Karena turunan kedua sama
dx x=0
dengan nol (tidak memenuhi kondisi i dan ii pada Definisi 2.2) dan n adalah
genap, maka kita melakukan penurunan kembali. Turunan ketiga (ganjil)
d3 f
menghasilkan = 6 . Karena hasil turunannya tidak sama dengan nol
dx3 x=0
dan n adalah ganjil, maka sudah jelas bahwa titik x = 0 adalah titik infleksi
atau sadel. Untuk lebih jelasnya, perhatikanlah Gambar 3.3.
Titik infleksi
165 4
f (x) = 5x − 36x +
6 5 3
x − 60x + 36
2
Solusi:
Pengujian syarat perlu,
df
= 30x −180x + 330x −180x = 30x (x −1)(x − 2)(x − 3)
5 4 3 2 2
dx
2
d f 4 3 2
2 = 150x − 720x + 990x − 360x
dx
x f(x) d2 f
dx 2
0 36 0
1 27,5 60
2 44 -120
3 5,5 540
Sehingga didapat,
x = 1, 3 : minimum lokal (titik x = 3 adalah minimum global)
x =2 : maksimum lokal (yang juga adalah maksimum global)
x =0 : titik stasioner yang memerlukan investigasi lanjutan
Pengujian turunan ketiga,
d3 f
= 600x3 − 2160x 2 + 1980x − 360 = −360
dx3 x=0
Generator
V r
i= V
R+r
Daya pada beban atau P adalah sebagai berikut,
2
P = i r = ⎜⎛ V ⎞⎟ r = 2 V 2 r
2 2
⎝ R+r⎠ R + r + 2rR
Syarat perlu untuk memaksimumkan P adalah,
d 2P
=
2 2 2 2 2
(R + r + 2rR) (−2rV ) − (V )(R − r ) 2(R + r + 2rR)(2R + 2r)
2 2
[ 2 2
]
dr 2 4
(R )
r=R
V2
2
+ r 2 + 2rR
=− 3 <0
8R
⎛ V 2r ⎞ V2
Pmax =⎜ 2 2 ⎟ = watt
⎝ R + r + 2rR ⎠ r=R 4R
2.5. Ringkasan
Pada bab ini dipelajari teknik optimisasi klasik yang menggunakan teori
kalkulus dalam penyelesaian persoalan dengan satu variabel keputusan.
Syarat perlu dan syarat cukup merupakan kondisi yang diperlukan dalam
memecahkan persoalan tersebut. Persoalan akan memiliki titik optimal jika
berbentuk unimodal. Disamping itu, dalam satu fungsi bisa terdapat
beberapa titik optimum lokal dimana titik yang paling optimal dari semua
titik optimum adalah titik optimum global.
2.6. Soal-soal
1. Temukan nilai maksimum dan minimum (jika ada) pada fungsi tujuan
berikut ini,
x4
f (x) =
(x − 1)(x − 3)
3
2. Temukan nilai maksimum dan minimum (jika ada) pada fungsi tujuan
berikut ini,
f (x) = 4x − 18x + 27x − 7
3 2
3.1. Pengantar
Persoalan optimisasi dengan beberapa variabel keputusan dapat
dikelompokkan ke dalam bebebrapa kasus: persoalan yang tidak memiliki
kendala dan persoalan yang memiliki kendala berbentuk persamaan atau
pertidaksamaan.
Definisi 3.1: Syarat perlu untuk fungsi tujuan dengan beberapa variabel dan tanpa
kendala
Jika sebuah fungsi f(X) memiliki sebuah titik ekstrem (minimum atau
maksimum) pada X = X* dan jika terdapat turunan parsial pertama untuk
f(X) pada X*, maka
df ( X * ) d 2 f (X *) d n f (X *)
= 2
== =0
dx1 dx1 dxn
Syarat cukup untuk titik stasioner X* menjadi titik ekstrem adalah matrik
turunan parsial kedua (disebut juga Matrik Hessian) dari f(X) dievaluasi
pada X*, maka X* adalah:
(i) titik minimum jika matrik Hessian adalah definit positif
(ii) titik maksimum jika matrik Hessian adalah definit negatif
(iii) titik infleksi/sadel jika matrik Hessian adalah indefinit.
⎡ ∂2 f (X ) ⎤
∇ f =H
2
X =X *
=⎢ ⎥
⎢⎣ ∂xi x j X=X* ⎥⎦
Pengujian matrik Hessian apakah definit positif, definit negatif, atau indefinit
dilakukan dengan merujuk pada determinan-determinannya. Pertimbangkan
determinan-determinan dari matrik Hessian berikut ini,
h11 h12
H1 = h11 ; H2 = ;
h21 h22
h11 h12 h13
h11 h12 h13 h21 h22 h1n
H 3 = h21 h22 h23 ; H n = h31 h32 h23 h2n
h33 h3n
h31 h32 h33
hn1 hn2 hn3 hnn
Matrik H adalah definit positif jika dan hanya jika semua nilai H1, H2, H3, ...,
Hn adalah bernilai positif. Matrik H adalah definit negatif jika dan hanya jika
tanda (positif atau negatif) pada determinan Hj adalah (-1)j untuk j = 1, 2, ..., n.
Matrik H adalah indefinit jika sebagian nilai Hj bernilai positif dan bebera
Diktat Optimisasi olehSeno D. Panjaitan 14
lainnya bernilai negatif. Jika beberapa Hj adalah positif atau negatif dan
beberapa lainnya bernilai nol maka matrik H adalah semidefinit. Untuk
kasus semidefinit, maka uji matrik turunan lebih besar dari dua sesuai
dengan Definisi 3.3.
r k
d f = 0, 1 ≤ r ≤ k −1 dan d f ≠ 0 , dimana k ≥ 2, maka X*:
X =X * X=X*
k
(i) titik minimum lokal jika matrik d f adalah definit positif dan k
X =X *
adalah genap.
k
(ii) titik maksimum lokal jika matrik d f adalah definit negatif
X =X *
dan k adalah genap.
k
(iii) tidak ada solusi jika matrik d f semidefinit dan k adalah genap,
X =X *
jika k bernilai ganjil maka X* bukan titik ekstrem (optimal) bagi f(X).
= (kx
1
2
2 +
2 1
1
2 )
k3 (x2 − x1 )2 + 12 k1x22 − Px2
Didapat,
Pk3
x1* =
(k1k2 + k1k3 + k2k3 )
P(k2 + k3 )
x2 * =
(k1k2 + k1k3 + k2k3 )
⎡ ∂ 2U ∂ 2U ⎤
⎢ 2 ∂x1∂x2 ⎥⎥ ⎡ (k2 + k3 ) − k3 ⎤
H = ⎢ ∂x21 =
∂U ⎥
2
⎢⎢ ∂ U ⎢⎣ − k3 (k1 + k3 )⎥⎦
* *
(x1 ,x2 )
∂x ∂x
⎣ 1 2 ∂x2 2 ⎥⎦ (x ,x )
* *
1 2
Karena nilai konstanta pegas selalu positif, maka matrik H adalah definit
positif dan (x1*, x2*) adalah solusi yang berkaitan dengan nilai energi potensial
yang paling minimum.
⎧ x1 ⎫
⎪ x ⎪
⎪2
X =⎨ ⎬
⎪⎪
⎪⎩xn ⎪⎭
x3 = (1 − x1 − x2 )
2 2 1/2
Syarat perlu:
∂f ⎛ x1
2
⎞
⎜ 2 2 1/2
⎡1 ⎤⎦ ⎟ = 1 − 2x 2 − x 2 = 0
∂x1 = 8x2 ⎜ ⎣ − x1 − x2 −
⎡1 − x − x ⎤
2 2 1/2
⎟ 1 2
⎝ ⎣ 1 2 ⎦
⎠
∂f ⎛ x2
2
⎞
⎜
1/2
2 2
= 8x 1 ⎜ ⎡1
⎣ − x1 − x2 ⎤⎦ − ⎟ = 1 − x 2 − 2x 2 = 0
∂x2 ⎡1 − x − x ⎤
2 2 1/2
⎟ 1 2
⎝ ⎣ 1 2 ⎦
⎠
didapat,
x1* = x2* = 1 / 3, sehingga x3 = 1 / 3
*
fmax = 8
3 3
18
Jika syarat tersebut tidak terpenuhi, maka kita perlu menentukan variabel
bebas yang lain. Namun jika syarat di atas terpenuhi maka syarat perlu pada
matrik Jacobian yang melibatkan fungsi tujuan dapat diuji dengan cara
sebagai berikut,
∂f ∂f ∂f ∂f
∂xk ∂x1 ∂x2 ∂x
m
Solusi:
Karena n = 4 dan m = 2, maka kita mesti memilih dua variabel sebagai
variabel bebas. Misalkan kita ambil variabel bebas sebagai berikut,
Selanjutnya k = m + 2 = n = 4,
∂f ∂f ∂f ∂f ∂f
∂x4 ∂x1 ∂f ∂y1 ∂y3
∂y4 y4 y1 y3
∂g1 ∂g1 ∂x2 ∂g1 ∂g1
= 5 1 3 = 2y4 − 7 y1 − y3 = 0
∂x4 ∂x1 ∂g1 ∂g1 ∂y1 ∂y3
= 6 1 5
∂g2 ∂g2 ∂x2 ∂y4 ∂g2 ∂g2
∂x4 ∂x1 ∂g2 ∂g2 ∂y1 ∂y3
∂x2
∂y4
Dari hasil kedua Syarat perlu 2 di atas, didapat:
y1 = 12 y2
y3 = 2 y4 − 7 y1 = 2 y4 − 72 y2
Minimumkan f (x1, x2 )
dengan kendala :
g (x1, x2 ) = 0
Syarat Perlu:
∂L , x ,
( x1 2 λ ) =∂L ( x1 , x2 ) +λ ∂g x ,
( 1 2x )= 0
∂x1 ∂x1 ∂x1
∂L , x ,
( x1 2 λ ) =∂L ( x1 , x2 ) +λ ∂g x ,
( 1 2x )=0
∂x2 ∂x2 ∂x2
∂L x , x , = g x , x = 0
( 1 2 λ) ( 1 2 )
∂λ
Solusi :
Persamaan Langrange L(x, y,λ ) = f (x, y) +λ . g(x, y) = kx y +λ (x + y − a )
−1 −2 2 2 2
Syarat perlu:
∂L −2 −2
= −kx y + 2xλ = 0 (1)
∂x
∂L −1 −3
= −2kx y + 2 yλ = 0 (2)
∂y
∂L 2 2 2
= x + y −a =0 (3)
∂λ
a a
x* = dan y* = 2.
3 3
Syarat Cukup:
Cara Hancock:
Perhatikan fungsi kudratis berikut,
(L11 − z) L12 L13 L1n g11 g21 gm1
L21 (L22 − z) L23 L2n g12 g22 gm2
Ln1 Ln2 Ln3 (Lnn − z) g1n g2n gmn
=0
g11 g12 g13 g1n 0 0 0
g21 g22 g23 g2n 0 0 0
gm1 gm2 gm3 gmn 0 0 0
∂xi ∂x j
∂gi
dan gij =
∂x j
(X ) *
Contoh 3.4. (Syarat perlu dan cukup pada teknik Pengali Lagrange):
Cari dimensi dari sebuah kaleng yang berbentuk silinder (dengan bagian atas
dan bawah) dibuat oleh lempeng logam untuk memaksimalkan volume
dimana luas permukaan total adalah Ao=24π.
Solusi:
Maksimalisasi f ( x1 , x2 ) =π x12 x2
Kendala 2π x2 1 + 2π x1 x2 = A0 = 24π
dimana,
x1 : radius pada bagian dasar
x2 : panjang kaleng
Syarat Perlu:
∂L = 2 x x + 4 . .x + 2. . .x = 0
π 1 2 πλ 1 πλ 2 (1)
∂x1
∂L 2
= π x1 + 2.π .λ.x1 = 0 (2)
∂x2
∂L 2
= 2π x1 + 2.π .x1 x2 − A0 = 0 (3)
∂λ
⎝ 24π ⎠
23
Didapat nilai maksimum dari f
⎛ A0 ⎞
3 1/2
f =⎜ *
⎟
⎝ 54π ⎠
Karena A0 = 24π , maka solusi optimalnya,
x1 = 2, x2 = 4, λ = −1, f = 16π
* * * *
dan
Syarat Perlu:
∂L = 2 x x + 4 . .x + 2. . .x = 0
π 1 2 πλ 1 πλ 2 (1)
∂x1
∂L 2
= π x1 + 2.π .λ.x1 = 0 (2)
∂x2
∂L 2
= 2π x1 + 2.π .x1 x2 − A0 = 0 (3)
∂λ
Syarat Cukup:
L11 = 2π x2 + 4π λ = 4π
* *
L12 = L21 = 2π x1 + 2π λ = 2π
* *
L22 = 0
g11 = 4π x1 + 2π x2 = 16π
* *
g12 = 2π x1 = 4π
*
(4π − z) 2π 16π
2π (0 − z) 4π = 0
16π 4π 0
272π z + 192π = 0
2 3
didapat z = -12 / 17 π
* *
Karena nilai z negatif, maka titik (x1 , x2 ) terkait dengan nilai maksimum
dari f .
Fungsi Langrange :
⎧ λ1 ⎫
m ⎪λ ⎪
L(X,Y , λ) = f ( X ) + ∑ λ jG j(X ,Y),
2
dimana λ = ⎨ ⎬
j=1 ⎪ ⎪
⎪⎩λm ⎪⎭
Syarat Perlu :
∂L ∂f m ∂g j
( X ,Y , λ) = (X ) + ∑λ j ( X ) = 0, i = 1,2,..., m
∂xi ∂xi j=1 ∂xi
∂L 2
( X ,Y ,λ ) = G j ( X ,Y ) = g j ( X ) + y j = 0, j = 1,2,...m
∂λ j
∂L ( X ,Y , ) = 2 y = 0,
λ λj j j = 1,2,..., m
∂y j
∂f m ∂g j
+ ∑λj = 0, i = 1,2,..., n
∂xi j=1 ∂xi
λ j g j = 0, j = 1,2,..., m
g j ≤ 0, j = 1,2,..., m
λ j ≥ 0, j = 1,2,..., m
Solusi:
Jumlah kulkas yang diproduksi pada bulan pertama, kedua, dan ketiga
direpresentasikan dengan x1, x2, dan x3. Total biaya yang harus diminimisasi:
Total biaya = biaya produksi + biaya penyimpanan
Syarat Kuhn-Tucker:
∂f ∂g1 ∂g2 ∂g3
+ λ1 + λ2 + λ3 = 0, i = 1, 2,...,3
∂xi ∂xi ∂xi ∂xi
didapat,
2x1 + 40 + λ1 + λ2 + λ3 = 0 (1)
2x2 + 40 + λ2 + λ3 = 0 (2)
2x3 + λ3 = 0 (3)
−−−−−−−−−−−−−−−−−−−−−−−−−−
λ j g j = 0, j = 1,2,3
didapat,
λ1 (x1 − 50) = 0 (4)
λ2 (x1 + x2 −100) = 0 (5)
λ3 (x1 + x2 + x3 −150) = 0 (6)
−−−−−−−−−−−−−−−−−−−−−−−−−−
g j ≥ 0, j = 1,2,3
didapat,
x1 − 50 ≥ 0 (7)
x1 + x2 −100 ≥ 0 (8)
x1 + x2 + x3 −150 ≥ 0 (9)
−−−−−−−−−−−−−−−−−−−−−−−−−−
λ j ≤ 0, j = 1,2,3
didapat,
λ1 ≤ 0 (10)
λ2 ≤ 0 (11)
λ3 ≤ 0 (12)
(2) λ3 = 0, −130 − λ2 − λ3 = 0
hasilnya : λ2 = −130, λ3 = 0, x1 = 45, x2 = 55, x3 = 0.
Solusi ini memenuhi (10) - (12), tapi tidak untuk (7) dan (9).
(3) λ3 = 0, λ3 = 0
hasilnya : x1 = −20, x2 = −10, x3 = 0.
Solusi ini memenuhi (10) - (12), tapi tidak untuk (7) dan (9).
3
(4) −130 − λ2 − λ3 = 0, −180 − λ2 − λ3 = 0
2
hasilnya : λ2 = −30, λ3 = −100, x1 = 45, x2 = 55, x3 = 50.
Solusi ini memenuhi (10) - (12), tapi tidak untuk (7).
Kasus 2: Jika x1 = 50
dari persamaan (1) - (3) didapat
λ3 = 2x3 , λ2 = −20 − 2x2 − 2x3 , λ1 = −120 + 2x2 . (15)
Subtitusi (15) ke (5) dan (6),
(−20 − 2x2 + 2x3 )(x1 + x2 −100) = 0; (−2x3 )(x1 + x2 + x3 −150) = 0 (16)
Empat solusi yang mungkin untuk (16) adalah
(1) − 20 − 2x2 + 2x3 = 0, x1 + x2 + x3 −150 = 0
hasilnya : x1 = 50, x2 = 45, x3 = 55.
Solusi ini tidak memenuhi untuk (8).
(2) − 20 − 2x2 + 2x3 = 0, − 2x3 = 0
hasilnya : x1 = 50, x2 = −10, x3 = 0.
Solusi ini tidak memenuhi untuk (8) dan (9).
3.5. Ringkasan
3.6. Soal-soal
Dengan kendala-kendala,
g1 ( X ) = x1 − x2 = 0
g2 ( X ) = x1 + x2 + x3 − 1 = 0
Dengan kendala-kendala,
* 2
g1 (x1 , x2 ) = x1 − x2 − 5 ≤ 0
g2 (x1, x2 ) = x1 − x2 − 2 ≤ 0
4.1. Pengantar
jika seluruh parameter ruas kiri dikali tiga, maka ”b1” juga harus dikalikan
tiga, sehingga:
dan
xi ≥ 0, i = 1, 2, 3,...,n
dimana ci , a jk , dan b j adalah konstanta yang diketahui
dan xi adalah variabel - variabel desain.
Untuk fungsi tujuannya, ada dua komponen biaya yaitu upah untuk
inspektor dan biaya untuk kesalahan-kesalahan yang dibuatnya. Biaya untuk
inspektor adalah,
Inspektor 1: $4 +$2(25)(0.02) = $5/jam
Inspektor 1: $3+$2(15)(0.05) = $4,5/jam
15.000 kg/jam
A B C Generator
Turbin
Solusi:
Total keuntungan dari penjualan listrik dan uap bertekanan rendah dan
tinggi adalah,
f (x1, x2 ) = ( A B C)
7 x1 + 5x2 + 15 3r + 4r + 5r US dollar / jam
1000 1000 100
19.999
1+ a=b (2)
2
Dari (1) dan (2) kita dapatkan,
2 + 19.999a = 2b = 20.000a
x1 + 3 x2 ≤ 10.000
4
Karena daya maksimum yang dapat dijual pada rasio yang tinggi adalah
50.000 MWh, kita mendapatkan PH1 ≤ 50.000. Kapasitas pembangkit A
diekspresikan dengan unit air (KAF) yaitu,
60.000
= 150 , oleh karena itu XA1 ≤ 150
400
Serupa dengan di atas, XB1 ≤ 175
4.3. Ringkasan
5.1. Pengantar
Pada bab ini akan dibahas mengenai dua teknik yang digunakan untuk
memecahkan persoalan pemrograman linier yaitu analisis geometri dan
algoritma simpleks. Pemecahan dengan teknik analisis geometri sangat
mudah dipahami, namun kemampuannya terbatas hanya pada persoalan
yang memiliki dua variabel keputusan. Jika jumlah variabelnya lebih dari
dua, maka algortima simpleks dapat digunakan.
DMK
Perhatikan Contoh 5.1 sebagai sebuah contoh dimana solusi optimalnya lebih
dari satu atau disebut juga multi-solusi karena variabel-variabel keputusan
yang menyebabkan solusinya optimal (nilai fungsi tujuannya maksimum)
lebih dari satu. Oleh karena itu titik sudut ekstrimnya juga lebih dari satu.
Perhatikan Gambar 5.2 sebagai solusi analisis geometri dari Contoh 5.2.
Solusi:
Dari Gambar 5.2 didapatkan titik-titik sudut berikut ini,
Diktat Optimisasi olehSeno D. Panjaitan 44
Untuk titik sudut A (1,0) :
Z = (1×1) + (2 × 0) = 1
Untuk titik sudut B (10,0) : → titik sudut ekstrim
Z = (10 ×1) + (2 × 0) = 10 → solusi optimal (nilai paling minimum)
Untuk titik sudut C (2,4) : → titik sudut ekstrim
Z = (2 ×1) + (2 × 4) = 10 → solusi optimal (nilai paling minimum)
Untuk titik sudut B (0,4) :
Z = (0 ×1) + (2 × 4) = 8
Solusi optimal
(Alternatif atau Multiple)
n!
Solusi dasar =
(n − m)!m!
Jadi jika jumlah variabel keputusan adalah 10 (n=10) dan jumlah kendala
sebesar 5 (m=5), maka total solusi dasarnya adalah 252. Jika n=20 dan m=10,
maka total solusi dasarnya adalah kira-kira 184.700.
Algoritma Simpleks adalah sebuah prosedur matematis berulang untuk
menemukan penyelesaian optimal persoalan Pemrograman Linier dengan
cara menguji titik-titik sudutnya.
yang dibuat berturut-turut dari pertidaksamaan (1) dan (2), yaitu (7,6). Kini
mari kita menambahkan variabel Slack pada kedua kendala (1) dan (2)
sehingga,
2x1 + x2 + S1 = 20
2x1 + 3x2 + S2 = 32
Pada titik sudut ekstrem (7,6), nilai S1 dan S2 adalah 0. Namun, untuk nilai
didalam DMK seperti pada titik koordinat (5,6), maka S1=4 dan S2=4.
Kesimpulan:
Variabel Slack pada setiap kendala aktif pasti bernilai nol.
Variabel Slack pada setiap kendala tidak aktif pasti bernilai positif.
Variabel Surplus adalah variabel yang befungsi untuk menampung
kelebihan nilai ruas kiri pada kendala yang berupa pertidaksamaan lebih besar
atau sama dengan (≥). Perhatikanlah persoalan Pemrograman Linier berikut ini,
dibuat berturut-turut dari pertidaksamaan (1) dan (3), yaitu (4,2). Kini mari
kita menambahkan variabel Surplus pada kedua kendala (1) dan (2) sehingga,
2x1 + x2 − S1 = 10
x1 + 4x2 − S2 = 12
Pada titik sudut ekstrem (4,2), nilai S1 dan S2 adalah 0. Namun, untuk nilai
didalam DMK seperti pada titik koordinat (5,4), maka S1=4 dan S2=9.
Kesimpulan:
Variabel Surplus pada setiap kendala aktif pasti bernilai nol.
Variabel Surplus pada setiap kendala tidak aktif pasti bernilai positif.
Kasus ini memiliki empat titik sudut seperti yang terlihat pada Gambar 5.3.
Terlihat pada gambar tersebut, titik sudut P(8,1) dibentuk sekaligus oleh tiga
garis kendala. Sesuai dengan karakteristik nilai variabel pada titik sudut
maka jumlah variabel yang bernilai nol pada titik sudut ini pasti tiga, dan
jumlah variabel positif pasti lebih kecil dair jumlah kendalanya. Titik sudut
yang unik ini disebut titik sudut degenerate. Sementara itu titik-titik sudut
lainnya O(4,2), Q(8,3), dan R(2, 6) adalah titik sudut non degenerate. Untuk
lebih jelas, perhatikanlah Tabel 5.1.
Gambar 5.3. Titik sudut P(8,1) dilewati oleh tiga garis kendala.
diubah menjadi,
n
∑ aij .x j + si = bi
j=1
dimana,
xj = variabel keputusan ke-j
aij = koefisien fungsi kendala ke-i variabel keputusan ke-j
si = variabel slack kendala ke-i
bi = nilai ruas kanan kendala ke-i
n
diubah menjadi ∑ aij .x j − si + ai = bi
j=1
dimana,
xj = variabel keputusan ke-j
aij = koefisien fungsi kendala ke-i variabel keputusan ke-j
si = variabel slack kendala ke-i
bi = nilai ruas kanan kendala ke-i
ai = variabel bantuan (artificial variable) untuk kendala ke-i
Bentuk umum kendala “≥” yang siap untuk algoritma simpleks terlihat pada
Gambar 5.7.
n
diubah menjadi ∑ aij .x j + ai = bi
j=1
dimana,
xj = variabel keputusan ke-j
aij = koefisien fungsi kendala ke-i variabel keputusan ke-j
bi = nilai ruas kanan kendala ke-i
ai = variabel bantuan (artificial variable) untuk kendala ke-i
Bentuk umum kendala “=” yang siap untuk algoritma simpleks terlihat pada
Gambar 5.8.
a11 x1 + a11 x2 + + a1n xn + a1 + 0 + 0 + 0 = b1
a21 x1 + a22 x2 + + a2n xn + 0 + a2 + 0 + 0 = b2
am1x1 + am2 x2 + + amn xn + 0 + 0 + 0 + am = bm
Solusi:
Pertama-tama kita harus membuat formulasi persoalan yang siap untuk tabel
simpleks dengan menambah empat variabel slack sesuai dengan jumlah
kendala.
Fungsi tujuan : Maksimumkan f(X) = 2x1 + 3x2 + 0s1 + 0s2 + 0s3 + 0s4
dengan kendala - kendala,
(1) 5x1 + 6x2 + s1 = 60
(2) x1 + 2x2 + s2 = 16
(3) x1 + s3 = 10
(4) x2 + s4 = 6
Terlihat bahwa pada tabel simpleks di atas nilai-nilai koefisien pada masing-
masing variabel merupakan nilai yang diperhitungkan untuk dapat
dimasukkan dalam tabel.
Tabel 5.4. Tabel Simpleks untuk aktualisasi elemen pada iterasi pertama
cj 2 3 0 0 0 0
ci VB x1 x2 s1 s2 s3 s4 bi
0 s1 5 6 1 0 0 0 60
0 s2 1 2 0 1 0 0 16
0 s3 1 0 0 0 1 0 10
0 s4 0 1 0 0 0 1 6
zj 0 0 0 0 0 0 0
cj-zj 2 3 0 0 0 0
Perlu diingat bahwa kita hanya mengaktualisasi kolom lain jika nilai
elemennya pada baris kunci tidak sama dengan nol, selain itu kita dapat
mengaktualisasinya. Jika nilai elemen pada kolom lain yang sebaris
dengan baris kunci, maka nilai elemen baris lainnya pada kolom yang
sama adalah dibagi dengan nilai elemen kunci. Sehingga Kolom 1, 2, 3, 4,
dan 5 memiliki nilai elemen nol pada baris kunci. Sementara itu nilai
elemen lain pada kolom kunci, selain elemen kunci, bernilai 0. Dari hasil
aktualisasi, didapatkan tabel simpleks yang baru berikut ini:
Iterasi dilakukan jika masih terdapat elemen-elemen pada baris cj-zj yang
lebih besar dari nol (pada kasus ini adalah pada kolom 1 yang bernilai 2).
Sama seperti langkah-langkah pada iterasi pertama, kita harus menentukan
baris dan kolom kunci untuk iterasi ke-2. Hasilnya dapat dilihat pada Tabel
5.5.
Karena nilai elemen yang sebaris dengan baris kunci tidak sama dengan nol,
maka kolom 4, 6 dan 7 dipertimbangkan untuk diaktualisasi.
Iterasi ke-3:
Terdapat elemen yang bernilai lebih besar dari nol pada baris cj-zj sehingga
iterasi tetap dilakukan. Baris dan kolom kunci dari tabel simpleks yang baru,
Karena nilai elemen yang sebaris dengan baris kunci tidak sama dengan nol,
maka kolom 3, 4 dan 7 dipertimbangkan untuk diaktualisasi.
Terlihat bahwa karena nilai elemen kuncinya tidak sama dengan 1, maka nilai
aktual elemen pada kolom lain yang sebaris dengan elemen kunci dibagi
dengan nilai elemen kunci seperti pada a13=1/4, a14=-5/4, dan b1=4/4=1. Pada
hasil iterasi ke-3 ini terlihat bahwa tidak ada nilai cj-zj yang lebih besar dari
nol, sehingga iterasi dapat dihentikan. Kita dapatkan titik optimal (sudut
Solusi:
Model sebelumnya diolah menjadi algoritma simpleks berikut ini,
Fungsi tujuan : Maksimumkan f(X) = 40x1 + 30x2 − Ma3 − Ma4
dengan kendala - kendala,
(1) 2x1 + x2 + s1 = 20
(2) 2 x1 + 3x2 + s2 = 32
(3) 2 x1 - x2 − s3 + a3 =0
(4) x2 - s 4 + a4 = 2
Perhatikan bahwa untuk variabel surplus (s3 dan s4) karena koefisiennya
negatif, maka seperti dijelaskan sebelumnya, perlu ditambah variabel
bantuan (a3 dan a4). Karena penambahan ini, maka pada fungsi tujuan, perlu
ditambah koefisien –M pada variabel-variabel bantuan tersebut di fungsi
tujuan. Selanjutnya, tabel simpleks dapat dibuat,
Tabel 5.10. Tabel simpleks hasil iterasi ke-1 dan elemen kunci yang baru.
Kolom kunci
cj 40 30 0 0 0 0 -m -m
ci VB x1 x2 s1 s2 s3 s4 a3 a4 bi
0 s1 0 2 1 0 0 0 -1 0 20
0 s2 0 4 0 1 0 0 -1 0 32
40 x1 1 -0,5 0 0 -0,5 0 0,5 0 0
Baris kunci -m a4 0 1 0 0 0 -1 0 1 1
zj 40 -20-m 0 0 -20 +m -m -m -2m
cj-zj 0 50+m 0 0 20 -m -20-m 0
Iterasi ke-2:
Tabel 5.11. Tabel simpleks hasil iterasi ke-2 dan elemen kunci yang baru.
Kolom kunci
cj 40 30 0 0 0 0 -m -m
ci VB x1 x2 s1 s2 s3 s4 a3 a4 bi
0 s1 0 0 1 0 0 2 -1 0 16
Baris kunci 0 s2 0 0 0 1 0 4 -1 0 24
40 x1 1 0 0 0 -0,5 -0,5 0,5 0 1
30 x2 0 1 0 0 0 -1 0 1 2
zj 40 30 0 0 -20 -50 20 -m 100
cj-zj 0 0 0 0 20 50 -20-m 0
Iterasi ke-3:
Tabel 5.12. Tabel simpleks hasil iterasi ke-3 dan elemen kunci yang baru.
Kolom kunci
cj 40 30 0 0 0 0 -m -m
ci VB x1 x2 s1 s2 s3 s4 a3 a4 bi
0 s1 0 0 1 -0,5 0,5 0 -0,5 0 4
Baris kunci 0 s4 0 0 0 0,25 0,25 1 -0,25 -1 6
-
40 x1 1 0 0 0,13 0 0,38 0 4
0,37
30 x2 0 1 0 0,25 0,25 0 -0,25 1 8
zj 40 30 0 12,5 -7,5 0 7,5 0 400
cj-zj 0 0 0 -12,5 7,5 0 -7,5-m -m
Berdasarkan matrik ini, maka model matematis dual dari contoh 6.1 adalah,
Minimumkan f(y)= 60y1 + 16y2
Dengan kendala-kendala
(1) 5y1 + y2 ≥ 2
(2) 6y1 + 2y2 ≥ 3
y1, y2 ≥ 0
5.6. Ringkasan
Tujuan Instruksional : Setelah mengikuti perkuliahan dari keseluruhan materi ini, mahasiswa diharapkan dapat mengetahui dan
memahami beberapa teknik-teknik optimisasi.
II. POKOK BAHASAN : TEKNIK OPTIMISASI KLASIK UNTUK FUNGSI DENGAN SATU VARIABEL
SUB POKOK BAHASAN
1. Pengantar
2. Sifat-sifat fungsi dengan satu variabel keputusan
3. Definisi optimalitas
4. Kriteria optimalitas fungsi dengan satu variabel
5. Ringkasan
III. POKOK BAHASAN : TEKNIK OPTIMISASI KLASIK UNTUK FUNGSI DENGAN BEBERAPA VARIABEL KEPUTUSAN
SUB POKOK BAHASAN
1. Pengantar
2. Persoalan yang tidak memiliki kendala
6. Ringkasan
Matakuliah : Optimisasi
Kode Mata Kuliah : TKK 321
Bobot : 3 SKS
Deskripsi Singkat : Optimisasi merupakan mata kuliah wajib pada program studi teknik elektro yang memfokuskan pada
teknik-teknik yang digunakan untuk mendapatkan solusi optimal bagi persoalan-persoalan rekayasa.
Tujuan Instruksional Umum : Setelah mengikuti semua materi perkuliahan ini, mahasiswa dapat mengetahui dan memahami
beberapa teknik untuk mendapatkan solusi optimal pada persoalan dalam bidang rekayasa.
No. Tujuan Instruksional Khusus Pokok Bahasan Sub Pokok Bahasan Estimasi Jumlah Daftar Pustaka
Waktu Pertemuan
1. Setelah mengikuti perkuliahan pokok PEMAHAMAN AWAL • Pengantar Teknik 3 X 50 2 S.S. Rao, Optimization: Theory
bahasan ini, mahasiswa dapat : Optimisasi menit and
1. Menjelaskan pengertian dari opimisasi • Formulasi umum Application (Second edition),
dan pengelompokannya persoalan Wiley
2. Mengetahui gambaran aplikasi teknik optimisasi Eastern Limited, 1984.
optimisasi pada bidang rekayasa.
3. Mengenal formulasi umum persoalan Ravindran, K.M. Ragsdell, G.V.
optimisasi serta komponen- Reklaitis, Engineering
komponennya. optimization: Methods and
Applications, John Wiley and
Sons, Inc., 2006.
2. Setelah mengikuti perkuliahan pokok TEKNIK OPTIMISASI KLASIK • Pengantar 8 X 50 5 S.S. Rao, Optimization: Theory
bahasan ini, mahasiswa dapat : UNTUK FUNGSI DENGAN • Sifat-sifat fungsi menit and Application (Second edition),
1. Menjelaskan fungsi tujuan yang memiliki SATU VARIABEL dengan satu variabel Wiley Eastern Limited, 1984.
satu variabel keputusan. keputusan
2. Menyelesaikan persoalan optimisasi yang • Definisi optimalitas A. Ravindran, K.M. Ragsdell,
memiliki satu variabel dengan • Kriteria optimalitas G.V. Reklaitis, Engineering
menggunakan teknik diferensial. fungsi dengan satu optimization: Methods and
3. Menjelaskan syarat perlu untuk mencari variabel Applications, John Wiley and
titik stasioner dari solusi optimal • Ringkasan Sons, Inc., 2006.
4. Merumuskan dan mencari solusi dari
persoalan optimisasi dalam kasus sehari- Jorge Nocedal, Stephen J.
hari. Wright, Numerical Optimization,
5. Menghitung dan menjelaskan syarat Springer-Verlag, New York,
cukup untuk menguji titik stasioner dan 1999.
upaya mendapatkan titik yang optimal.
3. Setelah mengikuti kuliah pokok bahasan TEKNIK OPTIMISASI KLASIK • Pengantar 10 X 50 7 S.S. Rao, Optimization: Theory
ini, mahasiswa dapat : UNTUK FUNGSI DENGAN • Persoalan yang menit and Application (Second edition),
1. Menjelaskan fungsi tujuan yang memiliki BEBERAPA VARIABEL tidak memiliki Wiley Eastern Limited, 1984.
beberapa variabel keputusan. KEPUTUSAN kendala
2. Menyelesaikan persoalan optimisasi • Persoalan dengan
yang memiliki beberapa variabel dengan kendala berbentuk A. Ravindran, K.M. Ragsdell,
menggunakan teknik diferensial. persamaan G.V. Reklaitis, Engineering
3. Menjelaskan syarat perlu untuk mencari • Persoalan dengan optimization: Methods and
titik stasioner dari solusi optimal kendala berbentuk Applications, John Wiley and
4. Merumuskan dan mencari solusi dari pertidaksamaan Sons, Inc., 2006.
persoalan optimisasi dalam kasus sehari- • Ringkasan
hari. Jorge Nocedal, Stephen J.
5. Menghitung dan menjelaskan syarat Wright, Numerical Optimization,
4. Setelah mengikuti perkuliahan pokok PEMROGRAMAN LINIER • Pengantar 6 X 50 4 S.S. Rao, Optimization: Theory
bahasan ini, mahasiswa dapat : (LINEAR PROGRAMMING): • Model persoalan menit and Application (Second edition),
1. Menjelaskan formulasi standar dari KONSEP DASAR permograman Wiley Eastern Limited, 1984.
pemrograman linier. linier
2. Merumuskan persoalan rekayasa ke • Ringkasan Siswanto, Operational Research:
dalam formulasi standar pemrograman Jilid 1, Erlangga.
linier.
5. Setelah mengikuti perkuliahan pokok PEMROGRAMAN LINIER: • Pengantar 15 X 50 10 S.S. Rao, Optimization: Theory
bahasan ini, mahasiswa dapat : ANALISIS GEOMETRI DAN • Solusi dengan menit and Application (Second edition),
1. Mencari solusi persoalan optimisasi ALGORITMA SIMPLEKS Analisis geometri Wiley Eastern Limited, 1984.
berbentuk pemrograman linier dengan • Solusi dengan
analisis geometri. Algoritma Siswanto, Operational Research:
2. Mencari solusi persoalan optimisasi simpleks Jilid 1, Erlangga.
berbentuk pemrograman linier dengan • Dual Price (Nilai
algoritma simpleks. bayangan)
3. Menjelaskan pengertian dualitas dalam • Dualitas
pemrograman linier. • Ringkasan
A. Tujuan Instruksional Umum : Setelah mengikuti semua materi perkuliahan ini, mahasiswa dapat mengetahui dan memahami
motivitasi dari adanya teknik-teknik optimisasi dan formulasi umumnya
B. Tujuan Instruksional Khusus : Setelah mengikuti perkuliahan pokok bahasan ini, mahasiswa dapat menjelaskan pengertian
optimisasi, menjelaskan pengelompokkan teknik-teknik optimisasi, memeberikan contoh-contoh
aplikasi metoda-metoda teknik optimisasi pada pemrograman matematis dan formulasi standar
persoalan optimisasi.
F. Evaluasi
Menilai Jawaban Mahasiswa
G. Bacaan
1. S. Rao, Optimization: Theory and Application (Second edition), Wiley Eastern Limited, 1984.
2. A. Ravindran, K.M. Ragsdell, G.V. Reklaitis, Engineering optimization: Methods and Applications, John Wiley and Sons, Inc., 2006.
3. Jorge Nocedal, Stephen J. Wright, Numerical Optimization, Springer-Verlag, New York, 1999.
A. Tujuan Instruksional Umum : Setelah mengikuti semua materi perkuliahan ini, mahasiswa dapat mengetahui dan memahami
teknik-teknik klasik dalam pemecahan solusi optimal pada fungsi tujuan yang memiliki satu variabel
keputusan.
B. Tujuan Instruksional Khusus : Setelah mengikuti perkuliahan pokok bahasan ini, mahasiswa dapat menjelaskan teknik optimisasi
klasik pada fungsi tujuan yang memiliki variabel tunggal dan dapat mencari solusi bagi persoalan-
persoalan yang memiliki satu variabel keputusan.
C. Pokok Bahasan : Teknik optimisasi klasik untuk fungsi dengan satu variabel
E. Kegiatan Pembelajaran :
Tahap Kegiatan Dosen Kegiatan Mahasiswa Media
D
1. Pendahuluan 1. Memberikan penjelasan dan pemahaman Mendengarkan dan mencatat Proyektor dan Whiteboard
i
kepada mahasiswa tentang cakupan materi
k
kuliah pada pertemuan ke-3, 4, 5, 6, dan 7
t
a serta tujuan yang ingin dicapai.
t
1.Menjelaskan tentang karakteristik fungsi Mendengarkan dan mencatat Proyektor dan Whiteboard
O2. Penyajian dengan satu variabe keputusan
p 2.Menjelaskan kegunaan spesifik masing- Mendengarkan dan mencatat Proyektor dan Whiteboard
t masing komponen dari formulasi standar dari
i persoalan optimisasi
m 3.Menjelaskan tentang teknik-teknik solusi Mendengarkan dan mencatat Proyektor dan Whiteboard
i optimal dengan menggunakan teknik
s diferensial.
a 4. Memberikan contoh-contoh perhitungan dan Mendengarkan dan mencatat Proyektor dan Whiteboard
s menunjukkan teknik solusinya
i 5. Memberikan latihan-latihan soal Mencatat dan Menjawab soal Whiteboard
6. Memberikan pertanyaan kepada mahasiswa Menjawab pertanyaan -
o
-
3.
l Penutup 1. Menyimpulkan isi/materi perkuliahan dan Mendengarkan
e memberikan cakupan materi kuliah pada
h pertemuan berikutnya.
S 80
eno D. Panjaitan
F. Evaluasi
Menilai Jawaban lisan dan tulisan dari Mahasiswa
G. Bacaan
1. S. Rao, Optimization: Theory and Application (Second edition), Wiley Eastern Limited, 1984.
2. A. Ravindran, K.M. Ragsdell, G.V. Reklaitis, Engineering optimization: Methods and Applications, John Wiley and Sons, Inc., 2006.
3. Jorge Nocedal, Stephen J. Wright, Numerical Optimization, Springer-Verlag, New York, 1999.
E. Kegiatan Pembelajaran :
Tahap Kegiatan Dosen Kegiatan Mahasiswa Media
1. Pendahuluan 1.Memberikan penjelasan dan pemahaman Mendengarkan dan Proyektor dan Whiteboard
kepada mahasiswa tentang cakupan materi mencatat
kuliah pada pertemuan ke-6 sampai dengan
ke-14 serta tujuan yang ingin dicapai.
F. Evaluasi
Menilai Jawaban dan tugas terstruktur mahasiswa.
G. Bacaan
1. S. Rao, Optimization: Theory and Application (Second edition), Wiley Eastern Limited, 1984.
2. A. Ravindran, K.M. Ragsdell, G.V. Reklaitis, Engineering optimization: Methods and Applications, John Wiley and Sons, Inc., 2006.
3. Jorge Nocedal, Stephen J. Wright, Numerical Optimization, Springer-Verlag, New York, 1999.
B. Tujuan Instruksional Khusus : Setelah mengikuti perkuliahan pokok bahasan ini, mahasiswa dapat Menjelaskan tentang
pemrograman linier dan teknik-teknik dalam merumuskan formulasi matematik bentuk persoalan
pemrograman linier dari persoalan-persoalan rekayasa. Mahasiswa diharapkan mampu
menginterpretasikan persoalan-persoalan rekayasa kedalam bentuk modelmatematik pemrograman
linier.
E. Kegiatan Pembelajaran :
Tahap Kegiatan Dosen Kegiatan Mahasiswa Media
1. Pendahuluan 1.Memberikan penjelasan dan pemahaman kepada Mendengarkan dan Proyektor dan Whiteboard
D mahasiswa tentang cakupan materi kuliah pada mencatat
i pertemuan ke-15 sampai ke-18 serta tujuan yang
k ingin dicapai.
t
a2. Penyajian 1.Menjelaskan tentang pengertian teknik Mendengarkan dan Proyektor dan Whiteboard
t pemrograman linier dan model persoalan. mencatat
2.Menjelaskan tentang bagaiman
O menginterpetasikan persoalan-persoalan rekayasa Mendengarkan dan Proyektor dan Whiteboard
p ke dalam model matematik pemrograman liniera. mencatat
t 3.Memberikan dan menjelaskan beberapa contoh Mendengarkan dan Proyektor dan Whiteboard
i aplikasi. mencatat
m 4.Memberikan pertanyaan kepada mahasiswa Menjawab pertanyaan Whiteboard
i tentang materi yang diberikan.
s Mendengarkan dan Whiteboard
5.Memberikan tugas terstruktur kepada mahasiswa
a
berupa makalah untuk masing-masing kelompok mengerjakan tugas.
s
selanjutnya akan didiskusikan .
i
3. Penutup 1. Menyimpulkan isi/materi perkuliahan dan Menyimak dan -
o
memberikan cakupan materi kuliah pada mencatat
l
e pertemuan berikutnya.
hSeno D. Panjaitan 86
F. Evaluasi
Menilai Jawaban mahasiswa.
G. Bacaan
1. S. Rao, Optimization: Theory and Application (Second edition), Wiley Eastern Limited, 1984.
2. Siswanto, Operational Research: Jilid 1, Erlangga.
A. Tujuan Instruksional Umum : Setelah mengikuti semua materi perkuliahan ini, mahasiswa dapat mengetahui dan memahami
teknik-teknik solusi untuk persoalan optimisasi dengan model pemorgraman linier.
B. Tujuan Instruksional Khusus : Setelah mengikuti perkuliahan pokok bahasan ini, mahasiswa dapat mengetahui dan menjelaskan
tentang teknik pemecahan solusi optimal untuk persoalan pemrograman linier yaitu analisis
geometri dan algortima simpleks, perbedaan kedua teknik, pengertian dual price (nilai bayangan)
dan prinsip dualitas dari persoalan.
E. Kegiatan Pembelajaran :
Tahap Kegiatan Dosen Kegiatan Mahasiswa Media
1. Pendahuluan 1.Memberikan penjelasan dan pemahaman kepada Mendengarkan dan Proyektor dan Whiteboard
mahasiswa tentang cakupan materi kuliah pada mencatat
pertemuan ke-19 sampi dengan ke-28 serta
tujuan yang ingin dicapai.
2. Penyajian 1.Menjelaskan secara umum tentang teknik solusi Mendengarkan dan Proyektor dan Whiteboard
dengan analisis geometri dan algortima simpleks mencatat
untuk persoalan pemrograman linier.
2.Menjelaskan perbedaan mendasar dari kedua Mendengarkan dan Proyektor dan Whiteboard
teknik, serta kekurangan/kelebihan dari mencatat
keduanya.
3.Menjelaskan tentang teknik solusi dengan Mendengarkan dan Proyektor dan Whiteboard
analisis geometri. mencatat
4. Memberikan contoh dan latihan soal Menjawab pertanyaan Whiteboard
menggunakan teknik analisis geometri.
5. Menjelaskan tentang teknik solusi dengan Mendengarkan dan Proyektor dan Whiteboard
algoritma simpleks. mencatat
6. Memberikan contoh dan latihan soal Mengerjakan tugas kecil. Proyektor dan Whiteboard
menggunakan teknik algoritma simpleks.
7.Memberikan tugas terstruktur kepada Menyimak dan mencatat Proyektor dan Whiteboard
mahasiswa
Diktat Optimisasi olehSeno D. Panjaitan 89
8. menjawab pertanyaan bebas dari mahasiswa Mengajukan pertanyaan Whiteboard
9. memimpin diskusi antar mahasiswa Mengikuti diskusi Whiteboard
F. Evaluasi
Menilai Jawaban dan jalannya diskusi kelompok mahasiswa.
G. Bacaan
1. S. Rao, Optimization: Theory and Application (Second edition), Wiley Eastern Limited, 1984.
2. Siswanto, Operational Research: Jilid 1, Erlangga.