Diktat Optimisasi 01

Bab 1.
Pemahaman Awal
1.1. Pengantar Teknik Optimisasi
Optimisasi adalah suatu proses untuk mendapatkan kondisi-kondisi

yang memaksimalkan hasil yang dinginkan atau meminimalkan usaha yang
dilakukan dengan memperhitungkan syarat-syarat yang diberikan (jika ada).
Teknik-teknik matematika yang mempelajari metoda untuk optimisasi
adalah bagian dari metoda-metoda operations research yang merupakan
metoda-metoda ilmiah dan teknik pengambilan keputusan dan untuk
mendapat hasil yang terbaik atau optimal. Metoda-metoda operations research
diagi ke dalam tiga grup, antara lain:

1. Teknik-teknik pemrograman matematis:
• Metoda-metoda kalkulus (Calculus methods)
• Variasi-variasi kalkulus (Calculus of variations)
• Pemrograman non-linier (Nonlinear programming)
• Pemrograman geometris (Geometric programming)
• Pemrograman kuadratis (Quadratic programming)
• Pemrograman linier (Linear programming)
• Pemrograman dinamis (Dynamic programming)
• Pemrograman integer (Integer programming)
• Pemrograman stokastik (Stochastic programming)
• Pemgrograman terpisah (Separable programming)
• Pemrograman multi-tujuan (Multi-objective programming)
• Metoda Jaringan (Network method)
• Teori permainan (Game theory)
2. Teknik-teknik proses Stokastik,
• Teori keputusan statistik (Statistical decision theory)
• Proses Markov (Markov process)
Diktat Optimisasi olehSeno D. Panjaitan 1

• Teori antrian (Queueing theory)
• Teori Renewal
• Simulasi
3. Metoda-metoda statistik.
• Analisis regresi
• Analisis cluister
• Pengenalan pola
• Metoda eksperimen
• Analisis diskriminasi
• Teori Reliabilitas
Contoh-contoh pengunaan teknik-teknik optimisasi adalah trayektori

optimal untuk transportasi, pengendalian material (ban berjalan, truk, dan
crane), disain pompa, disain turbin, disain penghantar panas dengan efisiensi
maksimum, disain optimal untuk mesin-mesin elektris, disain optimal untuk
jaringan listrik, perencanaan produksi, disain jaringan pipa di industri, dan
optimalisasi pemeliharan peralatan atau mesin-mesin.
1.2. Formulasi Umum Persoalan Optimisasi
Formulasi umum dari persoalan optimisasi adalah sebagai berikut:
⎧ 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

Model matematika standar dari persoalan optimisasi memiliki tiga
unsur utama: fungsi tujuan, variabel keputusan, dan fungsi kendala.
Fungsi tujuan merepresentasikan tujuan yang hendak dicapai. Beberapa
contoh tujuan yang hendak dicapai adalah peminimuman biaya-biaya
operasi, peminimuman biaya total, pemaksimuman total keuntungan dari
penjualan energi listrik, pemaksimuman keuntungan dari produksi mesin,
pemaksimuman energi yang dihasilkan, peminimuman energi yang
digunakan, dan seterusnya.
Variabel keputusan merupakan variabel persoalan yang akan
mempengaruhi nilai tujuan yang hendak dicapai. Untuk menemukan
variabel-variabel ini adalah dengan mengajukan pertanyaan: keputusam apa
yang harus dibuat atau berapa nilai variabel keputusan agar nilai fungsi tujuan
menjadi maksimum atau minimum. Beberapa contoh varibel-variabel ini adalah
seperti berapa waktu kerja yang dibutuhkan masing-masing mesin untuk
menghasilkan keuntungan yang maksimum, berapa banyak produk yang
harus dikirimkan agar biaya pengiriman minimum, berapa besar beban untuk
menghasilkan daya yang maksimum, dan seterusnya.
Fungsi kendala adalah batasan-batasan terhadap keputusan-keputusan
yang mungkin dibuat apakah itu pertidaksamaan (“≥“ dan/atau “ ≤“)
maupun persamaan (“=“).

Bab 2. Teknik Optimisasi Klasik untuk Fungsi
dengan satu Variabel
2.1. Pengantar
Teknik optimisasi klasik umumnya menggunakan teori kalkulus dalam

penyelesainnya terutama teori mengenai turunan. Pada bab ini dibahas
mengenai teknik klasik dalam memecahkan persoalan optimisasi yang fungsi
tujuannya hanya memiliki satu variabel keputusan. Syarat perlu dan syarat
cukup merupakan kondisi yang diperlukan dalam memecahkan persoalan
tersebut.
2.2. Sifat-sifat Fungsi dengan Satu Variabel Keputusan
Berdasarkan topologinya fungsi tujuan memiliki dua sifat antara lain:

monotonic dan unimodal.
Sebuah fungsi f(x) disebut monotonic jika nilai fungsi mempunyai
perilaku meningkat atau menurun secara monoton. Jika ada dua titik x1 dan
x2, dengan x1 ≤ x2, maka fungsi monotonic meningkat atau menurun dengan
pertidaksamaan berikut,
f(x1) ≤ f(x2) (meningkat secara monoton)
f(x1) ≥ f(x2) (menurun secara monoton)
Sebuah fungsi f(x) mempunyai sifat unimodal pada interval a ≤ x ≤ b jika
dan hanya jika fungsi tersebut monoton pada sisi yang berbeda pada titik
optimal tunggal x* di dalam interval. Dengan kata lain, jika x* adalah titik
minimum tunggal dari f(x) pada interval a ≤ x ≤ b, maka f(x) adalah unimodal
pada interval tersebut jika dan hanya jika pada dua titik x1 dan x2,
x* ≤ x1 ≤ x2 mengimplikasikan f(x*) ≤ f(x1) ≤ f(x2)
x* ≥ x1 ≥ x2 mengimplikasikan f(x*) ≤ f(x1) ≤ f(x2)

Beberapa contoh fungsi yang mempunyai sifat unimodal untuk fungsi
yang kontinu, diskontinu, dan diskrit diperlihatkan pada Gambar 2.2.
(a) (b)
Gambar 2.1. Fungsi monotonic: (a) kontinu dan meningkat secara monoton,
(b) diskontinu dan menurun secara monoton
(a) Kontinu (b) Diskontinu (c) Diskrit

Gambar 2.2. Fungsi Unimodal
2.3. Definisi optimalitas
Solusi optimal untuk sebuah persoalan dengan satu variabel dapat

berupa optimum (maksimum atau minimum) lokal/relatif atau optimum
(maksimum atau minimum) global/mutlak.
Sebuah fungsi f(x) dengan satu variabel keputusan adalah minimum
relatif atau lokal pada x = x* jika f(x*)≤f(x*+h) untuk semua nilai h mendekati
nol. Sebaliknya, x = x* adalah maksimum relatif atau lokal jika f(x*) ≥ f(x*+h)
untuk semua nilai h yang mendekati nol.

Sebuah fungsi f(x) dengan satu variabel keputusan adalah minimum
mutlak atau global pada x = x* jika f(x*) ≤ f(x) untuk semua nilai x. Sebaliknya,
x= x* adalah maksimum mutlak atau global jika f(x*) ≥ f(x) untuk semua x.
Dengan asumsi unimodality, maka titik optimum lokal otomatis juga
merupakan titik optimum global. Jika fungsi tidak unimodal, maka terdapat
beberapa titik optimum lokal atau multi optima lokal yang mana titik
optimum global adalah juga optimum lokal. Untuk lebih jelasnya perhatikan
Gambar 3.2, dan kita dapatkan beberapa pengertian berikut:
x1 : maksimum global/mutlak
x2 : minimum local/relative
x3 : maksimum lokal/ relatif
x4 : minimum global/mutlak
x5 : maksimum/minimum lokal
Dalam hal ini, x1 juga merupakan maksimum lokal pada interval tertentu.
Gambar 2.2. Fungsi Unimodal
2.4. Kriteria optimalitas fungsi dengan satu variabel
Untuk mendapatkan nilai variabel keputusan yang mengoptimalkan

nilai fungsi tujuan, maka pada teknik optimisasi klasik dilakukan pengujian
pada dua kondisi: syarat perlu dan syarat cukup.
Syarat perlu dilakukan untuk mendapatkan alternatif-alternatif nilai
variabel keputusan sebagai kandidat untuk solusi optimal atau yang biasa

disebut titik stasioner. Setelah syarat perlu, untuk memastikan titik mana
yang merupakan solusi optimal, maka dilakukan pengujian syarat cukup.
Definisi 2.1 mendefinisikan syarat perlu yang mana menggunakan
turunan pertama. Artinya sebuah fungsi mesti dapat diturunkan satu kali
dalam memenuhi syarat ini. Jika syarat perlu ini tidak tidak terpenuhi, maka
x* bukan solusi optimum lokal. Jika terpenuhi, itu belum jaminan bahwa x*
adalah solusi optimum lokal (terdapat kemungkinan bahwa nilai x* adalah
titik infleksi atau sadel).
Definisi 2.1: Syarat perlu untuk fungsi tujuan dengan satu variabel
Jika sebuah fungsi f(x) terletak pada interval a ≤ x ≤ b dan memiliki

sebuah minimum lokal pada x = x*, dimana a ≤ x* ≤ b, dan jika terdapat
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
df (x* ) d 2 f (x* ) d (n−1) f (x* ) d n f (x* )

Terdapat = 2 == (n−1) = 0 , tetapi n ≠ 0.
dx dx dx dx
Maka f(x) adalah:
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.
(iii) Bukan nilai maksimum atau minimum, tetapi merupakan titik

infleksi atau sadel, jika n adalah bilangan ganjil dan hasil
turunannya tidak sama dengan nol.

Seperti dijelaskan sebelumnya bahwa pengujian syarat cukup dilakukan
unutk menguji apakah nilai-nilai variabel yang diperoleh dari pengujian
syarat cukup adalah nilai variabel keputusan untuk solusi optimal
(maksimum atau minimum). Perhatikan Definisi 2.2 untuk pengujian syarat
cukup. Terlihat bahwa, dengan pengujian syarat cukup dapat disimpulkan
bahwa nilai variabel yang didapat pada syarat cukup dapat merupakan titik
minimum, titik maksimum, atau titik infleksi/sadel.
Titik infleksi atau sadel bukanlah titik optimal. Perhatikan Contoh 2.1
berikut ini.
Contoh 2.1 (pengenalan titik infleksi atau sadel):

Pertimbangkanlah fungsi x3, dan mari kita uji kriteria optimalitasnya. Untuk
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
Gambar 2.3. Titik infleksi pada fungsi f(x) = x3 di titik x=0.

Contoh 2.2:
Investigasi kriteria optimalitas dari fungsi berikut ini,
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
Didapatkan titik-titik stasioner pada x = 0, 1, 2, 3.

Pengujian syarat cukup,
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
Jelas bahwa titik x = 0 adalah titik infleksi atau sadel.

Contoh 2.3 (generator DC):
Sebuah generator DC mempunyai hambatan dalam R ohm dan menghasilkan
tegangan terbuka V volts. Cari nilai resistansi beban r sehingga daya yang
dihasilkan menjadi maksimum.
Generator
V r
Gambar 2.4. Generator DC (Contoh 2.3).

Solusi:
Arus yang mengalir melalui resistansi beban adalah,
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,
dP (R2 + r 2 + 2rR)(V 2 ) − (V 2r)( 2r + 2R)

= =0
( )
2
dr R 2 + r 2 + 2rR
V (R − r )
2 2 2
= =0
(R )
2 2 2
+ r + 2rR
Didapat, r = ± R
Karena resistansi tidak bernilai negatif, kita dapatkan r = R sebagai syarat
perlu untuk memaksimumkan P.
Pengujian syarat pelru dilakukan dengan turunan kedua dari fungsi P,
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

Karena turunan keduanya negatif atau lebih kecil dari nol, maka syarat cukup
untuk titik maksimum yang didefinisikan pada Definisi 2.2 terpenuhi dan
Daya maksimum pada beban adalah sebagai berikut,
⎛ 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. Sebuah pipa dengan panjang l dan diameter D memiliki ujung berupa

nozzle (lobang kecil) dengan diameter d sebagai saluran air yang
dikeluarkan dari sebuah reservoir. Level air dalam reservoir dijaga pada
sebuah nilai konstan h tertentu di atas pusat dari nozzle. Cari diameter
dari nozzle sehingga energi kinetik pada jet adalah maksimum. Energi
kinetik tersebut diekspresikan sebagai berikut,

3
1 πρd 2
⎛ 2gD 2h ⎞ 2
⎜ 5 4 ⎟
⎝ D + 4 fld ⎠
2
4. Tenaga kuda (horsepower) dibangkitkan oleh sebuah roda Pelton

berbanding secara poporsional dengan u(V - u) dimana u adalah
kecepatan dari roda yang adalah variabel keputusan dan V adalah
kecepatan jet yang adalah tetap. Tunjukkan efisiensi akan maksimum
ketika u = V/2.
5. Pada sebuah kabel telegraf kapal selam, kecepatan pensignalan bervariasi
berdasarkan rumus x2 log (1/x), dimana x adalah perbandingan dari radius
dari inti dengan kecepatan. Tunjukkan bahwa kecepatan maksimum
diperoleh ketika perbandingan ini adalah1: 2 .

Bab 3. Teknik Optimisasi Klasik untuk Fungsi
dengan Beberapa Variabel Keputusan
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.
3.2. Persoalan yang Tidak Memiliki Kendala
Secara fundamental solusi untuk persoalan optimisasi yang memiliki

beberapa variabel keputusan dan tidak memiliki kendala adalah serupa
dengan solusi persoalan optimisasi dengan satu variabel keputusan, yaitu
dengan pengujian syarat perlu dan syarat cukup. Hanya saja terdapat sedikit
perbedaan dalam pengujiannya. Perhatikan Definisi 3.1 untuk pengujian
syarat perlu dan Definisi 3.2 untuk pengujian syarat cukup dengan bantuan
matrik Hessian.
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

Definisi 3.2: Syarat cukup untuk fungsi tujuan dengan beberapa variabel dan tanpa
kendala
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.
Matrik Hessian (H) adalah sebuah matrik simetris N x N untuk turunan

kedua dari f(X) pada X = X*. Elemen baris ke-i dan kolom ke-j adalah
2
∂ f ∂xi x j .
Matrik Hessian dapat juga direpresentasikan sebagai berikut,
⎡ ∂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
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.
Definisi 3.3: Syarat cukup untuk kasus semidefinit
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).
Contoh 3.1 (Pegas):

Dua kereta tanpa gesekan (A dan B) dihubungkan dengan tiga pegas elastis
yang Linier dengan konstanta pegas masing-masing k1, k2,dan k3. Pegas
adalah pada posisi naturalnya dimana gaya P sama dengan nol. Cari
perpindahan x1 dan x2 dengan gaya P menggunakan prinsip energi potensial
minimum.
Gambar 2.5. Sistem Pegas.

Solusi:
Berdasarkan prinsip energi potensial minimum, sistem ada pada titik
seimbangan dengan gaya P jika energi potensialnya minimum.

Energi potensial (U) = Energi tegangan pada pegas – usaha yang dilakukan
dengan gaya luar
= (kx
1
2
2 +
2 1
1
2 )
k3 (x2 − x1 )2 + 12 k1x22 − Px2
Syarat perlu untuk U yang minimum:

∂U = k x − k x − x = 0
2 1 3( 2 1)
∂x1
∂U
= k3 (x2 − x1 )+ k1x2 − P = 0
∂x2
Didapat,
Pk3
x1* =
(k1k2 + k1k3 + k2k3 )
P(k2 + k3 )
x2 * =
(k1k2 + k1k3 + k2k3 )
Pengujian syarat cukup:
⎡ ∂ 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
Kemudian uji determinan-determinannya,

h1 = (k2 + k3 ) = k2 + k3 > 0
(k2 + k3 ) − k3
h2 = =1 k2 k +1 k3 k +2k 3k > 0
− k3 (k1 + k3 )
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.

3.3. Persoalan Dengan Kendala Berbentuk Persamaan
Formulasi persoalan optimisasi dengan beberapa variabel atau variabel
jamak (multivariable) dan memiliki kendala dalam bentuk persamaan adalah
sebagai berikut,
Minimumkan f(X)
Dengan kendala-kendala:
gj(X) = 0, j = 1, 2, ..., m
dimana,
⎧ x1 ⎫
⎪ x ⎪
⎪2
X =⎨ ⎬
⎪⎪
⎪⎩xn ⎪⎭
Jika m adalah jumlah kendala dan n adalah jumlah variabel keputusan.

Untuk mendapatkan solusi, maka m ≤ n. Jika m > n, persoalan menjadi luas
dan umumnya tidak memiliki solusi. Untuk persoalan dengan kendala
berbentuk persamaan, maka terdapat tiga teknik pemecahan yaitu subtitusi
langsung (direct substitution), constrained variation, dan pengali Langrange
(Lagrange Multiplier).
3.3.1. Teknik Substitusi Langsung

Persoalan optimisasi dengan m kendala dan n varibel akan hanya
memiliki n-m variabel bebas. Jika nilai dari n-m varibel bebas dipilih, nilai dari
variabel-varibel lainnya ditentukan oleh m kendala persamaan. Nilai dari n-m
variabel bebas akan disubtitusikan ke variabel-variable keputusan lainnya
dari fungsi tujuan. Metoda ini sangat sederhana dan mudah, akan tetapi tidak
meyakinkan untuk digunakan dalam kondisi praktis, karena persamaan-
persamaan kendala akan menjadi nonlinier untuk banyak kasus-kasus praktis
sehingga menjadi sulit untuk dapat dipecahkan. Perhatikan Contoh 3.2
sebagai ilustrasi.

Contoh 3.2 (Teknik Subtitusi Langsung):
Maksimalisasi fungsi: f (x1 , x2 , x3 ) = 8x1 x2 x3

Kendala: x1 2 + x2 2 + x3 = 1
2
x3 = (1 − x1 − x2 )
2 2 1/2
Subtitusikan x3 ke persamaan fungsi tujuan,

f (x1 , x2 ) = 8x1 x2 (1 − x1 − x2 )
2 2 1/2
Solusi:
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
3.3.2. Teknik Constrained Variation

Ide dasar dari metoda ini adalah mencari sebuah ekspresi yang mirip
untuk turunan orde pertama pada seluruh titik yang memenuhi kendala-
kendala persamaan. Pada teknik ini pertama-tama kita harus menguji apakah
determinan matrik Jacobian dari kendala-kendala sudah memenuhi syarat,
yaitu tidak sama dengan nol. Representasi matematisnya adalah,
∂g1 ∂g1 ∂g1


∂x1 ∂x2 ∂xm
∂g2 jaitan ∂g2
⎛ g , g ,..., g Dikt ∂x2
⎞ at O
⎟ = ∂x1 
Syarat perlu 1: J ⎜ 1 2 m ptimi
∂gm
⎝ x1 , x2 ,..., xm sasi o
⎠ ∂x2
lehSe

no D
∂gm
. Pan
∂x1
∂gm

∂xm ≠ 0

∂g m

∂xm
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
∂g1 ∂g1 ∂g1 ∂g1


∂xk ∂x1 ∂x2 ∂xm
⎛ f , g1, g 2,..., g m ⎞
Syarat perlu 2: J ⎜ ⎟ = ∂g2 ∂g2 ∂g2 ∂g1 = 0
⎝ xk , x1, x2 ,..., xm ⎠ ∂xk ∂x1 ∂x2 ∂xm
   
∂gm ∂gm ∂gm ∂g m
∂xk ∂x1 ∂x2 
∂xm
k = m + 1, m + 2,..., n
Syarat cukup terhadap turunan dari metoda contrained variation merupakan

komputasi yang sulit dan biasanya dihindarkan untuk persoalan yang lebih
dari 3 kendala. Kesulitan dikarenakan turunan tersebut juga memiliki
kendala.
Contoh 3.2 (Teknik Constrained Variation):

Minimisasi f (Y ) = 1
2 (y
1
2 + y2 2 + y3 2 + y4
2
)
Kendala − kendala :
g1 (Y ) = y1 + 2 y2 + 3y3 + 5 y4 − 10 = 0
g2 (Y ) = y1 + 2 y2 + 5 y3 + 6 y4 − 15 = 0
Solusi:
Karena n = 4 dan m = 2, maka kita mesti memilih dua variabel sebagai
variabel bebas. Misalkan kita ambil variabel bebas sebagai berikut,
x3 = y3 dan x4 = y4 sehingga x1 = y1 dan x2 = y2

Dan kita dapatkan matrik Jacobian untuk syarat perlu 1,
∂g1 ∂g1
⎛ g1 , g 2 ⎞ ∂y1 ∂y2 1 2
J⎜ ⎟= = =0
⎝ x1 , x2 ⎠ ∂g2 ∂g2 1 2
∂y1 ∂y2
maka syarat perlu 2 tidak dapat diuji. 19
Diktat Optimisasi olehSeno D. Panjaitan
Sekarang, mari kita tentukan variabel bebasnya x3 = y2 dan x4 = y4 sehingga
x1 = y1 dan x2 = y3 .
Dan kita dapatkan matrik Jacobian untuk Syarat perlu 1,
∂g1 ∂g1
⎛ g ,g ⎞ ∂y1 ∂y3 1 3
J⎜ 1 2 ⎟= = ≠0
⎝ x1 , x2 ⎠ ∂g2 ∂g2 1 5
∂y1 ∂y3
maka Syarat perlu 2 dapat diuji dengan k = m + 1 = 3,
∂f ∂f ∂f ∂f ∂f
∂x3 ∂x1 ∂f ∂y1 ∂y3
y2 y1 y3
∂g1 ∂g1 ∂x2 ∂y2 ∂g1 ∂g1
= 2 1 3
∂x3 ∂x1 ∂g1 ∂g1 ∂y1 ∂y3
= 2 1 5
∂g2 ∂g2 ∂x2 ∂y2 ∂g2 ∂g2
∂x3 ∂x1 ∂g2 ∂g2 ∂y1 ∂y3
∂x2
∂y2
= 2y2 − 4 y1 = 0
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
Jika dimasukkan ke dalam persamaan-persamaan kendala, maka:

-8y2 + 11y4 = 10
-15y2 + 16 y4 = 15
Solusi optimum berdasarkan syarat perlu 1 dan 2 adalah sbb.:
y1 = −5 / 74, y2 = −5 / 37, y3 = 155 / 74, y4 = 30 / 37
* * * *
3.3.3. Teknik Pengali Lagrange
Seperti disebutkan sebelumnya bahwa Teknik substitusi langsung
sangat sederhana, namun tidak fisibel untuk digunakan dalam dunia praktis.
Sementara itu, syarat cukup untuk teknik constrained variation tidak mudah
dilakukan untuk jumlah kendala lebih dari tiga karena turunan-turunannya
sendiri mempunyai kendala. Karenanya, Pengali Langrange (Langrange
Multiplier) merupakan metoda yang lebih banyak digunakan atau populer
untuk mencari solusi optimal pada fungsi tujuan yang memiliki beberapa
variabel.
Pada metoda ini, satu variabel tambahan (λ) untuk masing-masing
kendala. Kita menambah m variabel ke fungsi tujuan, sehingga variabel
keputusan menjadi n+m. Pertimbangkan persoalan berikut yang memiliki
dua variabel dan satu kendala:
Minimumkan f (x1, x2 )
dengan kendala :
g (x1, x2 ) = 0
Persoalan optimisasi di atas diubah menjadi persoalan tanpa kendala berikut,
Minimisasi L(x1 , x2 ,λ ) = f (x1 , x2 ) +λ g (x1 , x2 )
Fungsi Langrange Pengali Langrange
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

Contoh 3.3. (Syarat perlu pada teknik Pengali Lagrange):
−2
Minimisasi f (x, y) = kx −1y
g(x, y) = x + y − a = 0
2 2 2
Kendala
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
Dari (1) dan (2) didapat,

k 2k
2λ = 3 2 = 4
x y x.y
( )
Diperoleh, x = 1 / 2 y , dengan menggunakan (3) didapat:
* *
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
dimana, Lij = ∂ L (X* , λ )

2
∂xi ∂x j
∂gi
dan gij =
∂x j
(X ) *

Titik X = X terkait dengan:
*
(i) nilai maksimum dari fungsi tujuan ( f ), jika z negatif

(ii) nilai minimum dari fungsi tujuan ( f ), jika z positif
(iii) bukan solusi optimal, jika terdapat nilai z negatif dan positif.
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
Fungsi Langrange L ( x1 , x2 , λ ) = π x1 x2 + λ (2π x1 + 2π x1 x2 − A0 )

2 2
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
dari (1) dan (2) didapat,

xx
λ =− 1 2 = − 12 x1 , sehingga x1 = 1
2 x2 (4)
2x1 + x2
dari (3) dan (4) didapat,
1/2
x = ⎜⎛ A0 ⎟⎞ , x2 = ⎜⎛ 2 A0 ⎟⎞ 1/2 , ⎛ A0 ⎞⎟
= − ⎜dan
λ Pan *
*
⎝ 6π ⎠ Diktat
* jaita
⎝ 3π ⎠ Optimis
1 n
asi oleh
Seno D.
1/2
⎝ 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 .

3.4. Persoalan Dengan Kendala Berbentuk Pertidaksamaan
Perhatikan persoalan optimisasi berikut:

Minimisasi f ( X ) dengan kendala g j ( X ) ≤ 0, j = 1, 2,..., m
Kendala pertidaksamaan mesti terlebih dahulu ditransformasikan ke kendala
2
persamaan dengan menambah variabel-variabel slack yang tidak negatif, y j ,
sehingga
g j ( X ) + y j = 0,
2
j = 1, 2,..., m
Akibatnya persoalan optimisasi di atas menjadi,
Minimisasi f(x) dengan kendala,

G j(X,Y) = g j(X) + y j 2= 0, j = 1,2,...,m
⎧ y1 ⎫
⎪ y ⎪
⎪2
dimana Y = ⎨ ⎬
⎪ ⎪
⎪⎩ ym ⎪⎭
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

Syarat Kuhn-Tucker:
∂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
Jika persoalan optimisasi adalah maksimalisasi atau batasan dengan

g j ≥ 0, maka λ j menjadi nonpositif. Sebaliknya, jika persoalan optimisasi
adalah minimisasi atau batasan dengan g j ≥ 0, maka λ j menjadi nonnegatif.
Contoh 3.4. (Kondisi Kuhn-Tucker):

Sebuah perusahaan manufaktur memproduksi kulkas dengan kontrak
menyuplai 50 unit pada akhir dari bulan pertama, 50 unit pada akhir bulan
kedua, dan 50 unit pada akhir bulan ketiga. Biaya untuk memproduksi x
kulkas pada masing-masing bulan adalah x2. Perusahaan dapat memproduksi
lebih dari 50 kulkas pada setiap bulan dan sisanya akan digunakan untuk
menyuplai bulan berikutnya. Namun, biaya untuk stok kulkas untuk bulan
berikutnya adalah $ 20 per kulkas. Asumsikan tidak ada penyimpanan awal.
Tentukan jumlah kulkas yang perlu dihasilkan setiap bulan sehingga
biayanya dapat diminimisasi !
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

f (x1, x2 , x3 ) = x1 + x2 + x3 + 20 (x1 − 50) + 20 (x1 + x2 − 100)
2 2 2
= x12 + x2 2 + x3 2 + 40x1 + 20x2 − 3000

Kendala − kendala:
g1 (x1, x2 , x3 ) = x1 − 50 ≥ 0
g2 (x1, x2 , x3 ) = x1 + x2 − 100 ≥ 0
g3 (x1, x2 , x3 ) = x1 + x2 + x3 − 150 ≥ 0
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)
Persamaan (4) menunjukkan solusi dimana λ1=0 atau x1=50.

Kasus 1: Jika λ 1=0
dari persamaan (1)-(3) didapat
λ2 λ3 λ2 λ3
x3 = −λ3 / 2; x2 = −10 − − ; x1 = −20 − (13)
−
2 2 2 2
subtitusi (13) ke (5) dan (6), didapat:
3
λ 2 (−130 − λ 2 − λ 3 ) = 0; λ 3 (−180 − λ 2 − λ 3 ) = 0; (14)
2
Empat solusi yang mungkin untuk (14) adalah
3
(1) λ 2 = 0, − 180 − λ 2 − λ 3 = 0
2
hasilnya:
λ 2 = 0, λ 3 = −120
x1 = 40, x2 = 50, x3 = 60.
Solusi ini memenuhi (10) dan (12), tapi tidak untuk (7) dan (8).
(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) x1 + x2 −100 = 0, − 2x3 = 0
hasilnya : x1 = 50, x2 = 50, x3 = 0.
Solusi ini tidak memenuhi untuk (9).
(4) x1 + x2 −100 = 0, x1 + x2 + x3 −150 = 0
hasilnya : x1 = 50, x2 = 50, x3 = 50.
Solusi ini memenuhi untuk semua kendala.
Nilai lainnya yang berkaitan adalah, λ1 = −20, λ2 = −20, λ3 = −100
Jadi nilai optimal yang didapat adalah

x1* = 50, x2 * = 50, dan x3 * = 50.
3.5. Ringkasan
Bab ini membahas tentang teknik penyelesaian klasik bagi persoalan-

persoalan optimisasi yang memiliki beberapa variabel keputusan. Teknik
pengali Langrange merupakan metoda yang paling dominan digunakan
dalam penyelesaian persoalan tersebut di atas. Pengembangan metoda ini
untuk persoalan dengan kendala-kendala pertidaksamaan juga dijelaskan
dengan mempertimbangkan kondisi Kuhn-tucker.
3.6. Soal-soal
4. Keuntungan per acre dari sebuah lahan pertanian diberikan oleh

2 2
20x1 + 26x2 + 4x1x2 − 4x1 − 3x2 dimana x1 dan x2 menyatakan biaya buruh
dan biaya pemupukan. Cari keuntungan maksimum,

2 2
5. Maksimumkan f = 8x1 + 4x2 + x1 x2 − x1 − x2
dengan kendala-kendala,
2x1 + 3x2 ≤ 24
−5x1 + 12x2 ≤ 24
x2 ≤ 5
dengan mengaplikasikan kondisi Kuhn-Tucker.

(x + x2 2 + x3 )
2
6. Minimisasi f ( X ) = 1
2 1
2
Dengan kendala-kendala,
g1 ( X ) = x1 − x2 = 0
g2 ( X ) = x1 + x2 + x3 − 1 = 0
menggunakan metoda (i) substitusi lansung, (ii) constrained variation, dan

(iii) Pengali Langrange.
2 2 2
7. Minimisasi f ( X ) = 9 − 8x1 − 6x2 − 4x3 + 2x1 + 2x2 + x3 + 2x1x2 + 2x1 x3
x1 + x2 + 2 x3 = 3
menggunakan metoda (i) substitusi lansung, (ii) constrained variation, dan

(iii) Pengali Langrange.
8. Gunakan kondisi Kuhn-Tucker untuk mencari nilai-nilai dari α untuk
masing-masing titik x1*=1 dan x2*=2 yang optimal untuk persoalan berikut:
Minimisasi f (x1, x2 ) = 2x1 − αx2
* 2
g1 (x1 , x2 ) = x1 − x2 − 5 ≤ 0
g2 (x1, x2 ) = x1 − x2 − 2 ≤ 0

Bab 4. Pemrograman Linier (Linear
Programming): Konsep Dasar
4.1. Pengantar
Pemrograman linier atau Linear Programming adalah sebuah metode

matematis yang berkarakteristik linier untuk menemukan suatu penyelesaian
optimal dengan cara memaksimumkan atau meminimumkan fungsi tujuan
terhadap beberapa kendala. Pemrograman linier merupakan salah satu
metoda optimisasi yang digolongkan pada operations research. Teknik ini
menjadi dasar pengembangan teknik lain seperti pemrograman multi-tujuan
dan pemrograman biner. Teknik ini juga digunakan sebagai alat bantu untuk
menyelesaikan solusi bagi teknik operations research lainnya. Oleh karena itu,
mempelajari teknik pemrograman linier akan memeberikan dasar yang kuat
untuk memahami teknik-teknik operations research lainnya.
Sesuai dengan namanya, karakteristik dari fungsi model matematika
dari pemrograman linier harus berupa fungsi matematika linier dan
penyelesaian solusi optimalnya diturunkan melalui teknik optimisasi linier.
Sebagai contoh, perhatikan fungsi matematika linier berikut,
a1x1 + a2x2 + a3x3 = b1
jika seluruh parameter ruas kiri dikali tiga, maka ”b1” juga harus dikalikan
tiga, sehingga:
3a1x1 + 3a2x2 + 3a3x3 = 3b1

Disamping itu, satuan untuk masing-masing elemen haruslah sama.
Misalnya, jika satuan dari nilai variabel x1 adalah rupiah maka satuan dari
nilai variabel lainnya (x2 dan x3) dan b1 adalah rupiah.
4.2. Model Persoalan Pemrograman Linier
Model matematika standar dari persoalan pemrograman linier adalah

sama dengan metoda optimisasi lainnya, yaitu memiliki tiga unsur utama:
1. fungsi tujuan,
2. variabel keputusan,
3. fungsi kendali.
Fungsi tujuan merepresentasikan tujuan yang hendak dicapai yang
diwujudkan dalam sebuah fungsi matematika linier. Beberapa contoh tujuan
yang hendak dicapai adalah peminimuman biaya-biaya operasi,
peminimuman biaya total, pemaksimuman total keuntungan dari penjualan
energi listrik, pemaksimuman keuntungan dari produksi mesin,
pemaksimuman energi yang dihasilkan, peminimuman energi yang
digunakan, dan seterusnya.
Variabel keputusan merupakan variabel persoalan yang akan
mempengaruhi nilai tujuan yang hendak dicapai. Untuk menemukan
variabel-variabel ini adalah dengan mengajukan pertanyaan: keputusam apa
yang harus dibuat atau berapa nilai variabel keputusan agar nilai fungsi tujuan
menjadi maksimum atau minimum. Beberapa contoh varibel-variabel ini adalah
seperti berapa waktu kerja yang dibutuhkan masing-masing mesin untuk
menghasilkan keuntungan yang maksimum, berapa banyak produk yang
harus dikirimkan agar biaya pengiriman minimum, berapa besar beban untuk
menghasilkan daya yang maksimum, dan seterusnya.
Fungsi kendala adalah batasan-batasan terhadap keputusan-keputusan
yang mungkin dibuat dan mesti berupa fungsi matematika linier apakah itu
pertidaksamaan (“≥“ dan/atau “ ≤“) maupun persamaan (“=“).

Model matematis standar untuk persoalan pemrograman linier dapat
direpresentasikan dalam bentuk skalar atau matrik.
1. Model matematis pemrograman linier berbentuk skalar:

n
Maksimumkan atau minimumkan f ( X ) = ∑ ci xi
i=1
dengan kendala - kendala,
≤
n
∑ a jk xk = b j , j = 1, 2, 3, ..., n
≥
k=1
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.
2. Model matematis pemrograman linier berbentuk matrik:
Maksimumkan atau Minimumkan f(X)= C T X

≤
AX = B dan X ≥ 0
≥
dimana
⎧ x1 ⎫ ⎧b1 ⎫ ⎧c1 ⎫
⎪ x ⎪ ⎪b ⎪ ⎪c ⎪
⎪2 2 2
X = ⎨ ⎬, B = ⎨ ⎬, C = ⎨ ⎬
⎪⎪ ⎪⎪ ⎪⎪
⎪⎩xn ⎪⎭ ⎪⎩bn ⎪⎭ ⎪⎩cn ⎪⎭
⎡ a11 a12  a1n ⎤
⎢a a22  a2n ⎥
21
A = ⎢⎢  ⎥⎥
⎢ ⎥
⎣ am1 am2  amn ⎦
Untuk lebih jelasnya tentang bagaimana membuat formulasi persoalan

optimisasi terhadap persoalan yang ada, perhatikanlah Contoh 4.1. berikut
ini.

Contoh 4.1. :
Sebuah perusahaan manufaktur memproduksi dua jenis suku cadang mesin
menggunakan 3 buah mesin, yaitu mesin bubut, mesin bor, dan mesin
gerinda. Terdapat perbedaan waktu kerja pada masing-masing mesin untuk
setiap memproses setiap suku cadang. Untuk Suku cadang A, mesin bubut
memerlukan waktu 10 menit, mesin bor 5 menit dan mesin gerinda sebanyak
2 menit. Sendangkan untuk suku cadang B, mesin bubut memerlukan waktu
5 menit, mesin bor 10 menit dan mesin gerinda 2 menit. Kapasitas waktu
yang tersedia untuk masing-masing mesin adalah: 2500 menit/minggu
(Mesin bubut), 2000 menit/minggu (mesin bor) dan 400 menit/minggu
(mesin gerinda). Formulasikan persoalan pemrograman linier untuk kasus
ini!
Solusi:
Jumlah suku cadang A dan B dijadikan sebagai variabel keputusan dan
dinyatakan berurutan sebagai x1 dan x2. Formulsi persoalan Pemograman
liniernya adalah sebagai berikut,
Maksimumkan f ( X ) = 50x1 + 100x2

10x1 + 5x2 ≤ 2500
5x1 + 10x2 ≤ 2000
2x1 + 2x2 ≤ 400
x1, x2 ≥ 0
Contoh 4.2. (Sistem Inspeksi):

Sebuah perusahaan mempunyai dua level inspektor, yaitu 1 dan 2, yang akan
diatur kualitas dari inspeksinya. 1800 bagian perlu diinspeksi 8 jam/hari.
Inspektor tingkat 1 dapat mengecek 25 bagian per jam dengan akurasi 98 %.
Inspektor tingkat 2 dapat mencek 15 bagian per jam dengan akurasi 95%.
Upah seorang inspektor tingkat 1 adalah $4/jam, sementara inspektor tingkat
2 adalah $3/jam. Setiap kesalahan yang dibuat oleh satu inspektor dapat

menelan biaya sebesar $2. Perusahaan mempunyai 8 tugas inspeksi untuk
inspektor 1 dan 10 untuk inspektor 2. Perusahaan ingin menentukan
pengaturan yang optimal dari inspektor-inspektor untuk dapat meminimisasi
biaya total dari inspeksi. Formulasikan kasus ini ke dalam persoalan
Pemrograman Linier.
Solusi:
Ditentukan x1 dan x2 berturut-turut adalah jumlah dari inspektor tingkat 1 dan
tingkat 2 yang diatur proses inspeksinya. Karena jumlah tugas untuk masing-
masing inspektor terbatas, maka kita memiliki kendala-kendala berikut,
x1 ≤ 8 dan x2 ≤ 10
Perusahaan memerlukan minimal 1800 bagian untuk diinspeksi setiap hari,

8(25) x1 + 8(15) x2 = 200 x1 + 120 x2 ≥ 1800
atau,
5 x1 + 3 x2 ≥ 45
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
Sehingga fungsi tujuannya adalah f(X) = 8(5 x1 + 4,5 x2) = 40 x1 + 36 x2

Formulasi lengkap dari kasus ini dengan Pemorgraman Linier adalah,
Minimumkan f ( X ) = 40x1 + 36x2

dengan kendala - kendala
x1 ≤ 8, x2 ≤ 10
5x1 + 3x2 ≥ 45
x1 ≥ 0, x2 ≥ 0

Contoh 4.3. (Turbin uap):
Sebuah sistem pembangkit listrik tenaga uap (PLTU) terdiri dari sebuah
turbin estraksi yang menerima 15.000 kg/jam uap dan memutar sebuah
generator seperti yang terlihat pada Gambar 4.1. Pembangkit dapat menjual
energi listrik dengan harga $ 0.15/Kwh atau mengekstraksi uap untuk suatu
proses industri dengan harga $ 7/1.000 kg jika pada tekanan tinggi (x1) dan $
5/1.000 kg pada tekanan rendah (x2). Jika kecepatan aliran uap yang dikirim
melalui bagian A, B, dan C dinyatakan berturut-turut oleh rA, rB, dan rC, daya
listrik yang dihasilkan PA, PB, dan PC dalam Kwh diberikan oleh
PA = 3rA, PB = 4rB, dan PC = 4rc
15.000 kg/jam
A B C Generator
Turbin
x1 kg/jam uap bertekanan rendah

x2 kg/jam uap bertekanan tinggi
Gambar 4.1. Unit turbin uap.
Untuk mencegah pemanasan berlebih pada bagian turbin yang bertekanan

rendah, paling sedikit 2.000 kg/jam uap mesti sampai pada bagian C. Untuk
mencegah pembebanan yang tidak sama pada shaft dari turbin, kecepatan
ekstraksi mesti seddemikian rupa sehingga jika x1=0 maka x2 dapat sebanyak
10.000 kg/jam dan untuk masing-masing kg x1 yang diekstraksi, batasan
maksimum x2 harus dikurangi 0,5 kg. Perbandingan permintaan untuk uap
bertekanan rendah dan bertekanan tinggi adalah 3:4 dan kuantitas
maksimum dari uap yang dapat dijual adalah 10.000 kg. Berikan model

persoalan Pemrograman Linier untuk mencari kuantitas uap yang harus
diestrak untuk memaksimalkan total pendapatan dari pembangkit.
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
Karena turbin menerima uap 15.000 kg/jam, kita dapatkan

rA = 15.000 kg / jam
rB = (15.000 − x1 ) kg / jam
rC = (15.000 − x1 − x2 ) kg / jam
Sehingga kita memiliki fungsi tujuan sebagai berikut,
7 x1 + 5x2 + 15 [45.000 + (60.000 − 4x ) + (75.000 − 5x − 5x )]

f (x1, x2 ) = 1 1 2
1000 1000 100
= 27.000 −1,343x1 − 0,745x2
Karena paling sedikit 2.000 kg/jam uap harus sampai ke bagian C, kita
mendapatkan kendala berikut,
x1 + x2 ≤ 13.000
Kendala untuk mencegah pembebanan yang tidak sama pada shaft adalah,
x1 + ax2 = b (1)
Jika x1 = 0, nilai maksimum dari x2 = 10.000, oleh karena itu

10.000a = b
Jika x1 = 1, nilai maksimum dari x2 dikurangi ½ sehingga (1) menjadi
19.999
1+ a=b (2)
2
Dari (1) dan (2) kita dapatkan,
2 + 19.999a = 2b = 20.000a

Ini memberikan nilai bahwa a=2 dan b=20.000. Oleh karena itu kendalanya
menjadi,
x1 + 2x2 ≤ 20.000
Kendala jumlah maksimum uap yang dapat dijual diberikan,
x1 + 3 x2 ≤ 10.000
4
Karena masing-masing variabel tidak bisa negatif, maka kendala berikut

ditambahkan,
x1 ≥ 0, x2 ≥ 0
Contoh 4.4. (Perencanaan Sistem Tenaga Hidroelektris):

Pengendali operasi dari sebuah sistem terdiri dari dua reservoir air dimana
masing-masing tersambung pada pembangkit tenaga hidroelektris seperti
yang terlihat pada Gambar 4.2. Perencanaan sistem dipecah ke dalam dua
periode. Ketika kapasitas reservoir penuh, air lebih di alirkan melalui sebuah
saluran pembuangan (spillway) untuk disimpan. Air juga dapat dibuang
melalui saluran ini unutk menghindari banjir. Air yang dibuang tidak
digunakan untuk memproduksi listrik.
Gambar 4.2. Sistem Hidroelektris.

Asumsikan bahwa rata-rata 1 kilo-acre-foor (KAF) air dikonversikan menjadi
400 MWh listrik dengan pembangkit A dan 200 MWh dengan pembangkit B.
Kapasitas pembangkit A dan B berturut-turut adalah 60.000 dan 35.000 MWh
per periode. Selama masing-masing periode, sampai 50.000 MWh listrik dapat

dijual dengan harga $ 14/MWh. Tabel berikut memberikan data tambahan
untuk operasi reservoir dan aliran masuk dalam KAF:
Reservoir A Reservoir B
Kapasitas 2000 1500
Aliran yang diprediksi
Perioda 1 200 40
Perioda 2 130 15
Level minimum yang diijinkan 1200 800

Level pada awal perioda 1 1900 850
Buatlah model persoalan Pemrograman Linier dari kasus ini untuk

menentukan kebijaksanaan pengoperasian yang optimal yang akan
memaksimumkan total keuntungan dari penjualan listrik.
Solusi:
Contoh ini menunjukkan bagaimana persoalan dengan fungsi tujuan non-
linier tertentu dapat diselesaikan dengan pemrograman linier.
Ketidaklinieran dari fungsi tujuan disebabkan karena perbedaan keuntungan
unit MWh dari penjualan listrik tergantung kepada jumlah yang dijual.
Fenomena non-linieritas ini diilustrasikan pada Gambar 4.3. Terlihat bahwa
dari non-linieritas, terdapat dua bagian linier yaitu (0, 50.000) dan (50.000, ∞).
Oleh karena itu, dengan membagi kuantitas dari jumlah listrik yang dijual ke
dalam dua bagian, yaitu bagian yang dijual dengan harga $20/MWh dan
bagian lain yang dijual dengan harga $14/MWh, fungsi tujuan dapat
direpresentasikan sebagai sebuah fungsi linier.
Gambar 4.3. Penjualan listrik dalam MWh.

Mari pertama-tama memformulasikan persoalan operasi reservoir untuk
periode 1 dan kemudian dikembangkan untuk periode 2.
PH1 Daya (MWh) yang dijual dengan harga $20/MWh
PL1 Daya (MWh) yang dijual dengan harga $14/MWh
XA1 Air yang disuplai (KAF) ke pembangkit A
XB1 Air yang disuplai (KAF) ke pembangkit B
SA1 Air sisa (KAF) yang dibuang dari reservoir A
SB1 Air sisa (KAF) yang dibuang dari reservoir B
EA1 Level reservoir (KAF) A pada akhir periode 1
EB1 Level reservoir (KAF) B pada akhir periode 1
Total daya yang dihasilkan pada periode 1 = 400XA1 + 200XB1, sementara

total daya yang dijual = PH1 + PL1. Oleh karena itu kendala pembangkitan
daya menjadi,
400XA1 + 200XB1 = PH1 + PL1
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
Konservasi aliran air untuk reservoir A diberikan sebagai berikut:

XA1 + SA1 + EA1 = level reservoir awal + prediksi aliran masuk
XA1 + SA1 + EA1 = 1900 + 200 = 2100
Karena kapasitas reservoir A adalah 2000 KAF dan level minimum yang
diijinkan adalah 1200, kita mendapat kendala-kendala berikut:
1200 ≤ EA1 ≤ 2000
Serupa dengan cara di atas, untuk reservoir B kita mendapatkan
XB1 + SB1 + EB1 = 850 + 40 + XA1 + SA1
800 ≤ EB1 ≤ 1500
Sekarang kita dapat mengembangkan model untuk periode 2 dengan
mendefinisikan variabel keputusan PH2, PL2, XA2, XB2, SA2, EA2, dan EB2.

Defini masing-masing varibel sama dengan model untuk periode 1. Kendala
pembangkitan daya untuk periode 2 diberikan sebagai berikut,
400XA2 + 200XB2 = PH2 + PL2
PH2 ≤ 50.000, XA2 ≤ 150, XB2 ≤ 175
Kendala aliran air diberikan oleh,
XA2 + SA2 + EA2 = EA1 +130
1200 ≤ EA2 ≤ 2000
XB2 + SB2 +EB2 = EB1 + 15 + XA2 + SA2
800 ≤ EB2 ≤ 1500
Sebagai tambahan, kita memiliki kendala varibel-variabel keputusan mesti
tidak negatif.
Fungsi tujuan dari kasus diatas adalah memaksimal total keuntungan,
direpresentasikans ecara matematis sebagai berikut,
Maksimumkan Z = 20(PH1+PH2) + 14(PL1+PL2)
Dimana model akhir memilik 16 variabel keputusan dan 20 kendala, tidak
termasuk kendala non-negatif dari variabel keputusan.
4.3. Ringkasan
Formulasi persoalan-persoalan nyata ke bentuk persoalan standar

pemrograman linier dibahas pada bab ini. Dalam proses formulasi, kita harus
dapat menentukan komponen-komponen dari formulasi persoalan seperti
fungsi tujuan, variabel-variabel keputusan, dan kendala-kendala persoalan.

Bab 5. Pemrograman Linier: Analisis Geometri
dan Algoritma Simpleks
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.
5.2. Solusi dengan Analisis Geometri
Geometri dua dimensi dapat digunakan untuk melukiskan hubungan

antar elemen penting dari model Pemrograman Linier. Meskipun terbatas
pada analisis dua dimensi namun analisis ini bermanfaat untuk menjelaskan
perilaku model. Analisis geometri juga sebenarnya bukan hanya menentukan
penyelesaian optimal, namun juga mampu menjelaskan berbagai masasalah
yang timbul dalam penyelesaian Pemrograman Linier seperti Integer
Programming, pengujian titik-titik sudut pada algoritma Simpleks, analisis
sensitivitas, penyelesaian jamak, penyelesaian tanpa batas, dan lain-lain.
Dalam setiap kasus Pemrograman Linier, susunan kendala-kendala
akan membentuk suatu bidang yang menjadi tempat kedudukan bagi
variabel-variabel keputusan yang memenuhi seluruh kendala. Perpotongan
antar daerah yang memenuhi kendala masing-masing membentuk sebuah
bidang baru. Bidang tersebut dinamakan Daerah yang Memenuhi Kendala
(DMK) atau feasible area yang memenuhi seluruh kendala. Pada penyelesaian

optimal, variabel-variabel keputusan yang memenuhi seluruh kendala dan
mengakibatkan fungsi tujuan bernilai optimum (maksimum atau minimum)
pasti terletak di dalam DMK.
Perhatikan model Pemorgraman Linier dengan kendala-kendala
pertidaksamaan pada Contoh 3.5 dan solusinya dengan analisis geometri
pada Gambar 3.4. Terlihat bahwa kendala-kendala membentuk DMK dengan
titik-titik sudut A pada koordinat (8, 5/3), B pada (8,10), dan C pada (3,10).
Dengan kata lain titik sudut adalah titik yang membentuk DMK. Solusi
untuk kasus ini adalah unik yang berarti memiliki hanya satu titik solusi
yaitu pada titik sudut A. Titik sudut yang mengakibatkan nilai fungsi tujuan
maksimum atau minimum disebut titik sudut ekstrem.
Titik sudut ekstrim atau solusi optimal didapat dengan menguji nilai-
nilai titik sudut ke dalam fungsi tujuan. Jika persoalannya adalah minimisasi,
maka hasil dari pengujian yang menyebabkan nilai fungsi tujuan paling
minimum adalah titik sudut ekstrim untuk kasus minimisasi. Sebaliknya, titik
yang menyebabkan nilai fungsi tujuan paling maksimum adalah titik sudut
ekstrim untuk kasus maksimalisasi.
Contoh 5.1 (Solusi optimal unik):

Minimumkan Z = 40x1 + 36x2
dengan kendala - kendala :
x1 ≤ 8
x2 ≤ 10
5x1 + 3x2 ≥ 45
x1 ≥ 0, x2 ≥ 0
Solusi:
Dari Gambar 5.1 didapatkan titik-titik sudut berikut ini,
Untuk titik sudut A (8,5/3) : → titik sudut ekstrim
Z = (40 × 8) + (36 × 5 / 3) = 380 → solusi optimal (nilai paling minimum)
Untuk titik sudut B (8,10) :
Z = (40 × 8) + (36 ×10) = 680

Untuk titik sudut C (3,10) :
Z = (40 × 3) + (36 ×10) = 480
DMK
Solusi Optimal (unik)
Gambar 5.1. Solusi geometri untuk contoh 3.5.
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.
Contoh 5.2 (Solusi optimal alternatif atau multi-solusi):

Maksimumkan Z = x1 + 2x2
dengan kendala - kendala :
x1 + 2x2 ≤ 10
x1 + x2 ≥ 1
x2 ≤ 4
x1 ≥ 0, x2 ≥ 0
Solusi:
Dari Gambar 5.2 didapatkan titik-titik sudut berikut ini,
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)
Gambar 5.2. Solusi geometri untuk contoh 5.2.
Pada Contoh 5.1, kendala-kendala yang membentuk titik sudut ektrim

adalah x1 ≤ 8 dan 5x1 + 3x2 ≥ 45 . Kendala-kendala tersebut disebut kendala
aktif, sedangkan kendala lainnya disebut kendala-kendala tidak aktif. Pada
Contoh 5.1, kendala-kendala aktifnya adalah x1 + 2x2 ≤ 10, x2 ≤ 4, dan

x2 ≥ 0. .

Singkatnya, kendala aktif adalah kendala yang membentuk titik sudut
ekstrem, dan kendala tidak aktif adalah kendala yang tidak membentuk titik
sudut ekstrem.
5.3. Solusi dengan Algoritma Simpleks
Solusi dengan analisis geometri, karena karakteristiknya, hanya mampu

menangani kasus-kasus Pemrograman Linier yang berdimensi dua.
Sementara itu, kasus-kasus dengan dimensi tiga atau lebih harus diselesaikan
dengan algoritma Simpleks atau Simplex. Algoritma ini dikembangkan oleh
George B. Dantzig pada tahun 1947 untuk menyelesaikan persoalan-
persoalan Pemrograman Linier yang lebih rumit.
Solusi dasar dari persoalan Pemrograman Linier menjadi sangat besar,
bahkan tidak terhingga, jika jumlah variabel-variabelnya lebih besar dari
pada jumlah kendala. Jika n adalah jumlah variabel dan m adalah jumlah
kendala, maka total solusi dasar yang mungkin adalah,
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.
5.3.1. Variabel Slack dan Surplus
Variabel Slack adalah variabel yang berfungsi untuk menampung sisi

kapasitas pada kendala yang berupa pertidaksamaan kurang dari atau sama
dengan (≤). Perhatikanlah persoalan Pemrograman Linier berikut ini,

Fungsi tujuan : Maksimumkan f(X) = 40x1 + 30x2
(1) 2x1 + x2 ≤ 20
(2) 2x1 + 3x2 ≤ 32
(3) 2x1 − x2 ≥ 0
(4) x2 ≤ 20
Pada persoalan Pemrograman Linier di atas, titik sudut ekstremnya adalah

pada perpotongan dari persamaan garis 2x1 + x2 = 20 dan 2x1 + 3x2 = 32
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,
Fungsi tujuan : Minimumkan f(X) = 20x1 + 30x2

(1) 2x1 + x2 ≥ 10
(2) x1 + 2x2 ≤ 14
(3) x1 + 4x2 ≥ 12
(4) x1 − 8x2 ≤ 0
(5) x1 ≤ 8

Pada persoalan Pemrograman Linier di atas, titik sudut ekstremnya adalah
pada perpotongan dari persamaan garis 2x1 + x2 = 10 dan x1 + 4x2 = 12 yang
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.
5.3.2. Beberapa Terminologi
Terdapat beberapa terminologi dalam teknik penyelesaian persoalan

Pemrograman Linier dengan algortima Simpleks seperti (1) titik sudut
degenerate dan non degenerate dan (2) variabel basis dan nonbasis.
Di dalam Pemrograman Linier, jika pada sebuah titik sudut jumlah
variabel-variabel positif sama dengan jumlah kendala-kendalanya, maka titik
sudut tersebut dinamakan titik sudut non degenerate. Sementara itu, Titik
sudut degenerate adalah titik sudut dimana jumlah variabel yang bernilai nol
lebih dari dua sehingga jumlah varibel itu sama dengan jumlah kendala yang
melewati titik sudut tersebut. Perhatikan model matematis berikut,
Fungsi tujuan : Minimumkan f(X) = 20x1 + 30x2

(1) 2x1 + x2 ≥ 10
(2) x1 + 2x2 ≤ 14
(3) x1 + 4x2 ≥ 12
(4) x1 − 8x2 ≤ 0
(5) x1 ≤ 8

Kasus ini memiliki lima kendala dan dua variabel keputusan, dengan
demikian jumlah seluruh variabel adalh tujuh. Tambahan variabel-variabel
pada kendala-kendala tersebut adalah sebagai berikut,
(1) 2x1 + x2 − s1 = 10
(2) x1 + 2x2 + s2 = 14
(3) x1 + 4x2 − s3 = 12
(4) x1 − 8x2 + s4 =0
(5) x1 + s5 = 8
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.

Tabel 5.1. Nilai variabel pada setiap titik sudut
Titik sudut Variabel-variabel yang Variabel-variabel yang
bernilai nol bernilai positif
O s1, s2 x1, x2, s2, s4, s5
P s3, s4, s5 x1, x2, s1, s2
Q s2, s4 x1, x2, s1, s3, s5
R s1, s2 x1, x2, s3, s4, s5
Variabel basis (basic variable) dan variabel nonbasis (nonbasic variable)

adalah dua terminologi penting yang akan selalu digunakan dalam
pemecahan persoalan Pemrogram Linier menggunakan algoritma Simpleks.
Variabel basis adalah variabel yang bernilai positif dan variabel nonbasis
adalah variabel yang bernilai nol. Variabel-variabel keputusan yang berada di
dalam DMK akan menyebabkan seluruh variabel menjadi variabel basis serta
tidak ada yang berfungsi sebagai variabel nonbasis. Perhatikan beberapa
kendala berikut ini,
2x1 + x2 + s1 = 20
2x1 + 3x2 + s2 = 32
2x1 − x2 − s3 =0
x2 − s4 =2
Terlihat bahwa kendala-kendala di atas memiliki dua variabel keputusan dan

empat macam kendal, sehingga jumlah semua variabel adalah enam. Pada
Gambar 5.4 kita dapat melihat titik-titik yang terletak pada garis kendala
yaitu A, B, C, D, Q, dan S, yang terletak di dalam DMK yaitu U dan R, dan
titik-titik yang terletak tepat pada sumbu X1 dan X2.
Variabel basis dan nonbasis pada kasus ini terlihat pada Tabel 5.2. Apa
yang tampil dari hubungan antar variabel-variabel itu adalah kedudukan
suatu variabel basis dan nonbasis selalu berganti pada setiap titik.
Contohnya, pada A variabel S3 dan S4 adalah variabel nonbasis, akan tetapi
pada titik R atau U kedua variabel itu adalah variabel basis. Sebaliknya, suatu
variabel basis pada koordinat tertentu bisa berubah menjadi variabel nonbasis
di koordinat yang lain.

Gambar 5.4. Variabel basis dan nonbasis.
Tabel 5.2. Variabel basis dan nonbasis.
5.3.3. Algoritma Simpleks

Algoritma Simpleks merupakan sebuah prosedur berulang untuk
menyelesaikan persoalan matematis pemrograman linier dengan cara
menguji titik-titik sudut DMK. Prosedur berulang berarti cara yang sama
digunakan didalam pengujian setiap titik sudut sehingga ditemukan sebuah
penyelesaian optimal, yaitu penyelesaian yang memenuhi seluruh kendala
dan menghasilkan nilai tujuan ekstrem.

Algortima Simpleks memerlukan sebuah tabel simpleks pada pengujian
suatu titik sudut untuk menentukan apakah variabel keputusan pada titik
sudut itu telah menghasilkan nilai tujuan yang optimal (maksimum atau
minimum). Tabel dimana nilai fungsi tujuan optimal ini ditemukan
dinamakan Tabel Simpleks Optimal. Model matematis dari pemrograman
linier yang siap untuk dituangkan ke dalam tabel Simpleks adalah berbentuk
matrik sebagai berikut,
a11x1 + a11x2 +  + a1n xn + 1 + 0 + 0  + 0 = b1

a21x1 + a22 x2 +  + a2n xn + 0 + 1 + 0  + 0 = b2
     
am1x1 + am2 x2 +  + amn xn + 0 + 0 + 0  + 1 = bm
Gambar 5.5. Persoalan pemrograman linier dengan matrik identitas
Matrik di atas merupakan syarat agar sebuah model matematis pemrograman

linier dapat dituangkan ke dalam tabel Simpleks. Susunan dari matrik dapat
termodifikasi sesuai dengan bentuk kendala: pertidaksamaan lebih kecil atau
sama dengan, pertidaksamaan lebih besar atau sama dengan, atau persamaan.
Kendala berbentuk pertidaksamaan lebih kecil atau sama dengan (“ ≤ ”):

n
∑ aij .x j ≤ bi , untuk i = 1,2,..., m
j=1
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

Matrik umum untuk kendala berbentuk ”≤” menjadi,
a11 x1 + a11 x2 +  + a1n xn + s1 + 0 + 0  + 0 = b1

a21 x1 + a22 x2 +  + a2n xn + 0 + s2 + 0  + 0 = b2
     
am1x1 + am2 x2 +  + amn xn + 0 + 0 + 0  + sm = bm
Gambar 5.6. Matrik untuk algortima simpleks dengan kendala

pertidaksamaan (”≤”).
Kendala berbentuk pertidaksamaan lebih besar atau sama dengan (” ≥ ”):

Matrik pada Gambar 5.6 tidak dapat serta merta dibangun untuk kasus
dengan variabel surplus yang berkoefisien “-1”. Akibatnya, kondisi dimana
satu kendala harus mempunyai satu variabel basis yang memiliki koefisien
“+1” tidak terpenuhi sehingga kendala tersebut tidak akan diperhitungkan
oleh algoritma simpleks. Oleh karena itu, setiap kendala memerlukan sebuah
variabel tambahan (artificial variable) atau “ai”yang berkoefisien “+1”. Variabel
tambahan tersebut harus bernilai nol pada penyelesaian optimal agar
kehadirannya tidak mempengaruhi hasil penyelesaian. Pertidaksamaan
kendala “≥” adalah sebagai berikut:
n
∑ aij .x j ≥ bi , untuk i = 1,2,..., m
j=1
n
diubah menjadi ∑ aij .x j − si + ai = bi
j=1
dimana,
si = variabel slack 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.

a11 x1 + a11 x2 +  + a1n xn − s1 + 0  +0 + a1 + +0 = b1
a21 x1 + a22 x2 +  + a2n xn + 0 − s2  +0  + a2 +0 = b2
     
am1x1 + am2 x2 +  + amn xn + 0 + 0  − sm  + am = bm
Gambar 5.7. Matrik untuk algortima simpleks dengan kendala

pertidaksamaan (”≥”).
Kendala berbentuk persamaan (”=”):

Persamaan kendala adalah sebagai berikut:
n
∑ aij .x j = bi , untuk i = 1,2,..., m
j=1
n
diubah menjadi ∑ aij .x j + ai = bi
j=1
dimana,
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
Gambar 5.8. Matrik untuk algoritma simpleks dengan kendala persamaan.

Contoh 5.3 (kasus maksimalisasi dan kendala pertidaksamaan ” ≤ ”):
Dapatkan solusi optimal dari persoalan pemrograman linier berikut ini,
(1) 5x1 + 6x2 ≤ 10
(2) x1 + 2x2 ≤ 16
(3) x1 ≤ 10
(4) x2 ≤ 6
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
(1) 5x1 + 6x2 + s1 = 60
(2) x1 + 2x2 + s2 = 16
(3) x1 + s3 = 10
(4) x2 + s4 = 6
Selanjutnya kita masukkan formulasi tersebut ke dalam tabel simpleks

berikut ini,
Tabel 5.3. Tabel Simpleks untuk iterasi pertama (Contoh 5.3)
Kolom kunci
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
Baris kunci 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
VB: Variabel Basis
Terlihat bahwa pada tabel simpleks di atas nilai-nilai koefisien pada masing-
masing variabel merupakan nilai yang diperhitungkan untuk dapat
dimasukkan dalam tabel.

Iterasi ke-1:
1. Tentukan dan kolom kunci dari tabel simpleks. Penentuan kolom kunci
didasarkan pada nilai cj-zj yang terbesar, dalam hal ini 3, seperti yang
terlihat pada kolom kunci di Tabel 5.3. Pemilihan kolom kunci
dimaksudkan unutk penetapan variabel nonbasis yang akan menjadi
variabel basis.
2. Selanjutnya tentukan baris kunci untuk menentukan variabel mana yang
akan berganti posisi. Penentuan baris kunci didasarkan pada
perbandingan antara bi dengan aij dimana kolom j dalah kolom kunci yang
didapatkan pada langkah pertama di atas, dengan menggunakan
indikator rasio positif terkecil atau,
bi
Rasio = , j : kolom kunci
aij
dimana rasio > 0
Kita dapatkan baris kunci seperti yang terlihat pada Tabel 5.3.
3. Dari perpotongan antara baris dan kolom kunci diatas, kita akan
mendapatkan elemen kunci (pada Tabel 5.3. bernilai 1). Selanjutnya kita
akan mengaktualisasi nilai elemen-elemen lain tabel simpleks berdasarkan
nilai elemen kunci. Untuk itu, kita akan menggunakan rumus berikut ini:
perkalian sudut yang berlawanan

Elemen Baru = Elemen lama -
elemen kunci
Dengan rumus ini, mari kita aktualisasi elemen lain berdasarkan elemen
kunci (perhatikan Tabel 5.4).
Tabel 5.4. Tabel Simpleks untuk aktualisasi elemen pada iterasi pertama
cj 2 3 0 0 0 0
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

Aktualisasi pada kolom 6:
1× 6
a16 = 0 − = −6
1
1× 2
a26 = 0 − = −2
1
1× 0
a36 = 0 − =0
1

6×6
b1 = 60 − = 24
1
6× 2
b2 = 16 − =4
1
6× 0
b3 = 10 − = 10
1
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:
Tabel 5.4. Aktualisasi tabel simpeks pada iterasi ke-1.

cj 2 3 0 0 0 0
0 s1 5 0 1 0 0 -6 24
0 s2 1 0 0 1 0 -2 4
0 s3 1 0 0 0 1 0 10
3 x2 0 1 0 0 0 1 6
zj 0 3 0 0 0 3 18
cj-zj 2 0 0 0 0 -3

Iterasi ke-2:
Tabel 5.5. Baris dan kolom kunci pada iterasi ke-2
Kolom kunci
cj 2 3 0 0 0 0
0 s1 5 0 1 0 0 -6 24
Baris kunci 0 s2 1 0 0 1 0 -2 4
0 s3 1 0 0 0 1 0 10
3 x2 0 1 0 0 0 1 6
zj 0 3 0 0 0 3 18
cj-zj 2 0 0 0 0 -3
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.

1× 5
a14 = 0 − = −5
1
1×1
a34 = 0 − = −1
1
1× 0
a44 = 0 − =0
1

− 2×5
a16 = −6 − =4
1
− 2 ×1
a36 = 0 − = 2
1
− 2×0
a46 = 1 − =1
1

4×5
b1 = 24 − =4
1
4 ×1
b2 = 10 − =6
1
4× 0
b3 = 6 − =6
1
Dari hasil aktualisasi, didapatkan tabel simpleks yang baru pada Tabel 5.6.
Tabel 5.6. Aktualisasi tabel simpeks pada iterasi ke-2.

cj 2 3 0 0 0 0
0 s1 0 0 1 -5 0 4 4
2 x1 1 0 0 1 0 -2 4
0 s3 0 0 0 -1 1 2 6
3 x2 0 1 0 0 0 1 6
zj 2 3 0 2 0 -1 26
cj-zj 0 0 0 -2 0 1
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,
Tabel 5.7. Baris dan kolom kunci pada iterasi ke-3.

Kolom kunci
cj 2 3 0 0 0 0
Baris kunci 0 s1 0 0 1 -5 0 4 4
2 x1 1 0 0 1 0 -2 4
0 s3 0 0 0 -1 1 2 6
3 x2 0 1 0 0 0 1 6
zj 2 3 0 2 0 -1 26
cj-zj 0 0 0 -2 0 1
Karena nilai elemen yang sebaris dengan baris kunci tidak sama dengan nol,
maka kolom 3, 4 dan 7 dipertimbangkan untuk diaktualisasi.

1× −2
a23 = 0 − = 1/ 2
4
1× 2
a33 = 0 − = −1/ 2
4
− 5 × −2
a43 = 1 − = −3 / 2
4
− 5 × −2
a24 = 1 − = −3 / 2
4
− 5× 2
a34 = −1 − = 3/ 2
4
− 5 ×1
a44 = 0 − = 5/ 4
4
4 × −2
b1 = 4 − =6
4
4× 2
b2 = 6 − =4
4
4 ×1
b3 = 6 − =5
4
Tabel 5.8. Hasil aktualisasi pada iterasi ke-3.

cj 2 3 0 0 0 0
0 s1 0 0 1/4 -5/4 0 1 1
2 x1 1 0 1/2 -3/2 0 0 6
0 s3 0 0 -1/2 3/2 1 0 4
3 x2 0 1 -1/4 5/4 0 0 5
zj 2 3 1/4 3/4 0 0 27
cj-zj 0 0 -1/4 -3/4 0 0
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

ekstremnya) adalah pada (6,5) atau x1=6 dan x2=5. Hasil ini dapat
dibandingkan dengan cara geometris yang menghasilkan nilai yang sama.
Contoh 5.4 (kasus maksimalisasi dengan kendala pertidaksamaan ”≤ ” dan

”≥ ”):
(1) 2x1 + x2 ≤ 20
(2) 2 x1 + 3x2 ≤ 32
(3) 2 x1 - x2 ≥ 0
(4) x2 ≥ 2
Solusi:
Model sebelumnya diolah menjadi algoritma simpleks berikut ini,
Fungsi tujuan : Maksimumkan f(X) = 40x1 + 30x2 − Ma3 − Ma4
(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 5.9. Tabel awal simpleks untuk Contoh 5.4.

Kolom kunci
cj 40 30 0 0 0 0 -m -m
ci VB x1 x2 s1 s2 s3 s4 a3 a4 bi
0 s1 2 1 1 0 0 0 0 0 20
Baris kunci 0 s2 2 3 0 1 0 0 0 0 32
-m a3 2 -1 0 0 -1 0 1 0 0
-m a4 0 1 0 0 0 -1 0 1 2
zj -2m 0 0 0 +m +m +m -m -2m
cj-zj 40+2m 30 0 0 -m -m -m 0

Iterasi ke-1:
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
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:
Kolom kunci
cj 40 30 0 0 0 0 -m -m
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:
Kolom kunci
cj 40 30 0 0 0 0 -m -m
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

Iterasi ke-4 (terakhir:
Tabel 5.12. Tabel simpleks lengkap pada iterasi ke-4.
cj 40 30 0 0 0 0 -m -m
0 s3 0 0 1 2 -1 0 -1 0 8
0 s4 0 0 0 -0,5 0,5 1 0 -1 4
40 x1 1 0 0 -0,75 -0,25 0 0 0 7
30 x2 0 1 0 -0,5 0,25 0 0 1 6
zj 40 30 0 15 5 0 0 0 460
cj-zj 0 0 0 -15 -5 0 -m -m
Dari hasil iterasi terakhir (ke-4), variabel-variabel keputusannya adalah x1 = 7

dan x2= 6, sehingga nilai maksimum fungsi tujuan adalah 460.
5.4. Dual Price (Nilai bayangan)
Informasi dual price merupakan suatu informasi yang penting berkaitan

dengan kendala aktif dan sangat berguna untuk memutuskan apakah
kapasitas aktif itu perlu ditambah. Pada contoh sebelumnya (Tabel 5.8 pada
Contoh 5.3), dual price kendala (1) dan (2) adalah c3-z3 = -1/4 dan c4-z4 = -3/4.
Sekrang mari kita tambah kendala (1) satu unit, sehingga kendalanya
menjadi,
5x1 + 6x2 ≤ 61
Akibatnya didapat dari kendala (1) dan (2) titik sudutnya menjadi (x1, x2) =
(6,5 , 4,75), sehingga nilai fungsi tujuan yang tadinya 27 menjadi 27,25.
Penambahan dua unit pada kendala (1) akan menambah nilai fungsi tujuan
secara linier sebesar 2 x 0,25 = 0,5. Tambahan nilai fungsi tujuan yang terjadi
karena penambahan satu unit pada rusa kanan kendala aktif inilah yang
dinamakan dual price.
Kesimpulan: Dual price mencerminkan tambahan nilai fungsi tujuan karena
tambahan kapasitas kendala aktif satu unit.

5.5. Dualitas
Konsep dualitas menggambarkan bahwa sebuah kasus pemrograman

linier berhubungan dengan sebuah kasus pemrograman linier yang lain. Bila
kasus pemrograman linier yang pertama disebut primal maka kasus
pemrograman linier yang kedua disebut dual. Hasilnya, penyelesaian
persoalan optimisasi pada kasus primal juga secara otomatis menyelesaikan
persoalan pada kasus dual, begitu juga sebaliknya.
Pertama-tama yang harus kita lakukan adalah mengabaikan kendala-
kendala tidak aktif dan mempertimbangkan kendala aktif pada model awal
untuk menjadi model primal. Perhatikan Contoh 6.1 berikut ini.
Contoh 5.5 (penentuan model primal):

Tentukan model primal dari model pemrograman linier berikut ini,
Maksimumkan f(x)= 2x1 +3x2

Dengan kendala-kendala
(1) 5x1 + 6x2 ≤ 6
(2) x1 + 2x2 ≤ 16
(3) x1 ≤ 10
(4) x2 ≤ 6
x1, x2 ≥ 0
Solusi:
Karena kendala (3) dan (4) bukan kendala aktif, maka dapat diabaikan pada
model primal. Sehingga,
Maksimumkan f(x)= 2x1 +3x2
(1) 5x1 + 6x2 ≤ 6
(2) x1 + 2x2 ≤ 16
x1, x2 ≥ 0

Konsep dualitas dapat digambarkan dengan matrik tersekat (partitioned
matrix). Contoh 6.1 dapat diubah dalam bentuk matrik tersekat berikut,
⎡5 6  60⎤
⎢ ⎥
⎢1 2  16⎥
⎢ ⎥
⎢   
⎢ 2 3  ⎥
⎣ ⎦
Transpose dari matrik tersebut adalah,
⎡5 1 2⎤
⎢ ⎥
⎢6 2  3⎥
⎢ ⎥
⎢   
⎢⎣ 60 16  ⎥⎦
Berdasarkan matrik ini, maka model matematis dual dari contoh 6.1 adalah,
Minimumkan f(y)= 60y1 + 16y2
(1) 5y1 + y2 ≥ 2
(2) 6y1 + 2y2 ≥ 3
y1, y2 ≥ 0
Contoh-contoh lain dapat dilihat berikut ini.
Contoh 5.6 (Primal dan Dual):

Model Primal,
Minimumkan f(x)= 20x1 + 30x2
(1) 2x1 + x2 ≥ 10
(2) x1 + 2x2 ≤ 14
(3) x1 + 4x2 ≥ 12
(4) x1 - 8x2 ≤ 0
(5) x1 ≤ 8
x1, x2 ≥ 0

Model Dual,
Maksimumkan f(y)= 10y1 + 14y2 + 12y3 + 8y5
(1) 2y1 + y2 + y3 + y4 + y5 ≤ 20
(2) y1 + 2y2 + 4y3 - 8y4 ≤ 30
y1 ≥ 0, y2 ≤ 0, y3 ≥ 0, y4 ≤ 0, y5 ≤ 0

Model Primal,
Minimumkan f(x)= -2x1 - 4x2 - 6x3
(1) x1 + x2 + x3 = 8
(2) 4x1 + x2 + 3x3 ≤ 10
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
Model Dual,
Maksimumkan f(y)= 8y1 + 10y2
(1) y1 + 4y2 ≤ -2
(2) y1 + y2 ≤ -4
(3) y1 + 3y2 ≤ -6
y1 = 0, y2 ≤ 0

Model Primal,
Maksimumkan f(x) = 40x1 + 30x2
(1) 2x1 + x2 ≤ 20
(2) 2x1 + 3x2 ≤ 32
(3) 2x1 - x2 ≥ 0
(4) x2 ≥ 2
x1 ≥ 0, x2 ≥ 0

Model Dual,
Minimumkan f(y)= 20y1 + 32y2 + 2y4
(1) 2y1 + 2y2 + 2y3 ≥ 40
(2) y1 + 3y2 - y3 + y4 ≥ 30
y1 ≥ 0, y2 ≥ 0, y3 ≤ 0, y4 ≤ 0
5.6. Ringkasan
Model pemrograman linier dapat diselesaikan dengan menggunakan

teknik analisis geometri atau algoritma simpleks. Analsis geometri
menggunakan sistem kuadran dna koordinat untuk menggambarkan
huungan antar variabel dan untuk menemukan variabel-variabel keputusan
yang memberikan nilai fungsi tujuan yang paling optimal (ekstrem). Nilai-
nilai variavel tersebut tersebut haruslah memenuhi DMK yang menghasilkan
titik-titik sudut dan merupakan titik-titik kordinat sebagai kandidat solusi
optimal. Namun kelemahan dari analisis geometri adalah keterbatasannya
yang hanya pada dua variabel.
Untuk variabel keputusan yang lebih dari dua, maka algoritma simpleks
dapat digunakan. Algoritma ini adalah prosedur matematik yang berulang
untuk menyelesaikan soal pemrograman linier dengan cara menguji titik-titik
sudut DMK hingga ditemukan titik ekstrem yaitu titik yang
mengoptimumkan nilai fungsi tujuan. Terdapat beberapa variabel baru
seperti variabel surplus, variabel slack dan variabel bantuan pada
representasi kendala-kendala. Kemudian penentuan arah pengujian algoritma
adalah pada elemen kunci yang didapat dari perpotongan antara kolom kunci
dan baris kunci. Iterasi terus dilakukan dan berhenti ketika nilai cj-zj<0.
Disamping itu, dualitas dari persoalan pemrograman linier juga dibahas
untuk kasus yang membutuhkan optimisasi yang tidak hanya pada fungsi
tujuan, tetapi juga pada kendala-kendalanya.

5.7. Soal-soal
1. Temukan solusi pad Contoh 4.2 – 4.4 dengan menggunakan teknik

pemrograman linier (analisis geometri atau algoritma simpleks).
2. Sebuah perusahaan angkutan nasional menggunakan tiga macam ban
yaitu radial , standar, dan umum. Setiap tahun pemasok ban A mampu
memasok 600 ban radial, 400 ban standar, dan 200 ban umum. Sedangkan
pemasok B setiap tahun mampu memasok 300 ban radial, 600 ban standar,
dan 200 ban umum. Kebutuhan minimum masing-masing jenis ban itu
setiap tahun adalah 18.000 ban radial, 24.000 ban standar, dan 10.000 ban
umum. Biaya pesan yang harus dibayar oleh perusahaan kepada dua
pemasok A dan B masing-masing adalah Rp. 4.000,- dan Rp 3.000,- untuk
setiap pemesanan. Dengan menggunakan pendekatan geometri, tentukan
jumlah pesanan optial ke masing-masing pemasok tersebut dan
selanjutnya tunjukkan kendala aktif kasus ini.
3. Temukan solusi persoalan berikut dengan algortima simpleks:
Maksimumkan f ( X ) = x1 + 2x2 + x3
dengan kendala-kendala,
2x1 + x2 − x3 ≤ 2
-2x1 + x2 − 5x3 ≥ −6
4x1 + x2 + x3 ≤ 6
xi ≥ 0, i = 1, 2,3

LAMPIRAN
IDENTITAS, GBPP, DAN SAP
MATA KULIAH OPTIMISASI

IDENTITAS MATAKULIAH
Mata kuliah : Optimisasi

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.
Kode Matakuliah : TKK 321
Bobot : 3 SKS
Semester : V
Fakultas/Program Studi : TEKNIK / Elektro
Sifat Matakuliah : Wajib
Tujuan Instruksional : Setelah mengikuti perkuliahan dari keseluruhan materi ini, mahasiswa diharapkan dapat mengetahui dan
memahami beberapa teknik-teknik optimisasi.
POKOK BAHASAN DAN SUB POKOK BAHASAN

MATA KULIAH ANALISIS BAHAN PANGAN
I. POKOK BAHASAN : PEMAHAMAN AWAL

SUB POKOK BAHASAN
1. Pengantar Teknik Optimisasi
2. Formulasi umum persoalan 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

3. Persoalan dengan kendala berbentuk persamaan
4. Persoalan dengan kendala berbentuk pertidaksamaan
5. Ringkasan
IV. POKOK BAHASAN : PEMROGRAMAN LINIER (LINEAR PROGRAMMING): KONSEP DASAR

SUB POKOK BAHASAN
1. Pengantar
2. Model persoalan permograman linier
3. Ringkasan
V. POKOK BAHASAN : PEMROGRAMAN LINIER: ANALISIS GEOMETRI DAN ALGORITMA SIMPLEKS

SUB POKOK BAHASAN
1. Pengantar
2. Solusi dengan Analisis Geometri
3. Solusi dengan Algoritma Simpleks
4. Dual Price (Nilai bayangan)
5. Dualitas
6. Ringkasan

GARIS BESAR PROGRAM PERKULIAHAN
(GBPP)
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.

Jorge Nocedal, Stephen J.
Wright, Numerical Optimization,
Springer-Verlag, New York,
1999.
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,

cukup untuk menguji titik stasioner dan Springer-Verlag, New York,
upaya mendapatkan titik yang optimal 1999.
berdasarkan determinan dari matriks
Hessian.
6. Mencari solusi dengan menggunakan
tiga metoda yaitu substitusi langsung,
constrained variationdan pengali Lagrange.
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

SATUAN ACARA PERKULIAHAN
Mata Kuliah : Optimisasi
Waktu Pertemuan : (2 X 50) menit + (1X50) menit
Pertemuan Ke : 1 dan 2
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.
C. Pokok Bahasan : Pemahaman Awal

D. Sub Pokok Bahasan : 1. Pengantar Teknik optimisasi
2. Formulasi umum persoalan optimisasi

E. Kegiatan Pembelajaran :
Tahap Kegiatan Dosen Kegiatan Mahasiswa Media
1. Pendahuluan 1. Memberikan penjelasan mengenai Mendengarkan dan mencatat Proyektor dan Whiteboard
cakupan materi kuliah optimisasi
2. Memberikan penjelasan dan Proyektor dan Whiteboard
pemahaman kepada mahasiswa
tentang cakupan materi kuliah pada
pertemuan ke-1 dan ke-2 dan tujuan
yang ingin dicapai.
2. Penyajian
1. Menjelaskan pengertian optimisasi. Mendengarkan dan mencatat Proyektor dan Whiteboard
2. Menerangkan tentang hubungan Mendengarkan Proyektor dan Whiteboard
antara materi kuliah optimisasi
dengan bidang rekayasa.
3. Memberikan contoh-contoh Mendengarkan dan mencatat Proyektor dan Whiteboard
aplikasi optimisasi pada bidang-
bidang rekayasa
4. Memberikan pertanyaan kepada Menjawab pertanyaan Whiteboard
mahasiswa tentang contoh-contoh
lain dari materi tersebut.
5. Memberikan waktu/kesempatan Mengajukan pertanyaan Proyektor dan Whiteboard
mahasiswa untuk bertanya
6. Menjawab pertanyaan mahasiswa Mendengarkan Proyektor dan Whiteboard
disertai penjelasan singkat
7. Menjelaskan tentang Mendengarkan dan mencatat Whiteboard
pengelompokan teknik optimisasi
8. Menjelaskan tentang formulasi Mendengarkan dan mencatat Proyektor dan Whiteboard
standar persoalan optimisasi

9. Memberikan soal terstruktur Mencatat soal-soal untuk -
tugas terstruktur
3. Penutup 1. Menyimpulkan isi/materi Mendengarkan -

perkuliahan dan memberikan
cakupan materi kuliah pada
pertemuan berikutnya.
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.


Waktu Pertemuan : 3 X (2 X 50) menit + 2 X (1 X 50) menit
Pertemuan Ke : 3,4,5,6, dan 7
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
D. 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
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


Pertemuan Ke : 8, 9, 10, 11, 12, 13 dan 14
teknik-teknik klasik dalam pemecahan solusi optimal pada fungsi tujuan yang memiliki beberapa
variabel keputusan.
B. Tujuan Instruksional Khusus : Setelah mengikuti perkuliahan pokok bahasan ini,

mahasiswa dapat menjelaskan dan
mengelompokkan persoalan-persoalan optimisasi yang memiliki beberapa variabel keputusan yaitu
yang memiliki tidak memiliki kendala atau yang memiliki kendala (persamaan atau
pertidaksamaan). Dapat memahami dan menjelaskan teknik-teknik solusi seperti substitusi langsung,
constrained variations, dan pengali Lagrange. Dapat menjelaskan syarat perlu dan syarat cukup dalam
proses pemecahan solusi optimal. Dapat menjelaskan kondisi Kuhn-tucker dan perannya dalam
pengembangan metoda pengali lagrange dalam ememcahkan solusi persoalan optimisasi dengan
kendala pertidaksamaan.
C. Pokok Bahasan : Teknik optimisasi klasik untuk fungsi dengan beberapa variabel keputusan
2. Persoalan yang tidak memiliki kendala
3. Persoalan yang memiliki kendala berbentuk persamaan
4. Persoalan yang memiliki kendala berbentuk pertidaksamaan
5. Ringkasan
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.
1.Menjelaskan tentang karakteristik fungsi

tujuan yang memiliki beberapa variabel
2. Penyajian keputusan. Mendengarkan dan Proyektor dan Whiteboard
2.Menjelaskan tentang formulasi persoalan. mencatat
3.Menjelaskan tentang syarat perlu dan syarat
cukup dalam penentuan solusi optimal. Mendengarkan dan Proyektor dan Whiteboard
4. Menjelaskan teknik solusi dengan substitusi mencatat
langsung, constrained variations, dan pengali Mendengarkan dan Proyektor dan Whiteboard
Lagrange. mencatat
5. Memberikan latihan-latihan soal.
6. Memberikan pertanyaan kepada mahasiswa. Mendengarkan dan Proyektor dan Whiteboard
7. Memberikan tugas terstruktur kepada mencatat
mahasiswa tentang materi kuliah ke-8 sampai
ke-14. Mengerjakan soal Whiteboard
Menjawab Whiteboard
1. Menyimpulkan isi/materi perkuliahan dan pertanyaan
memberikan cakupan materi kuliah pada
pertemuan berikutnya. Menjawab Whiteboard
pertanyaan
3. Penutup Menyimak dan -

mencatat
F. Evaluasi
Menilai Jawaban dan tugas terstruktur mahasiswa.
G. Bacaan

Pertemuan Ke : 15, 16, 17, dan 18
pengertian teknik pemrograman linier dan membuat formulasi matematik persoalan dari teknik ini
dari persoalan-persoalan nyata.
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.
C. Pokok Bahasan : Pemrograman Linier (Linear programming): Konsep dasar

2. Model persoalan pemrograman linier

3. Ringkasan
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
2. Siswanto, Operational Research: Jilid 1, Erlangga.

Pertemuan Ke : 19, 20, 21, 22, 23, 24, 25, 26, 27, dan 28
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.
C. Pokok Bahasan : Pemrograman linier: analisis geometri dan algortima simpleks

2. Solusi dengan analisis geometri
3. Dual price (nilai bayangan)

4. Dualitas
5. Ringkasan
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
8. menjawab pertanyaan bebas dari mahasiswa Mengajukan pertanyaan Whiteboard
9. memimpin diskusi antar mahasiswa Mengikuti diskusi Whiteboard
3. Penutup 1. Menyimpulkan isi/materi perkuliahan. Mendengar dan mencatat -
F. Evaluasi
Menilai Jawaban dan jalannya diskusi kelompok mahasiswa.
G. Bacaan
2. Siswanto, Operational Research: Jilid 1, Erlangga.

Diktat Optimisasi 01

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Diktat Optimisasi 01

Diunggah oleh

Hak Cipta:

Format Tersedia

Bab 1.

1.1. Pengantar Teknik Optimisasi

Optimisasi adalah suatu proses untuk mendapatkan kondisi-kondisi

mendapat hasil yang terbaik atau optimal. Metoda-metoda operations research

diagi ke dalam tiga grup, antara lain:

Diktat Optimisasi olehSeno D. Panjaitan 1

Contoh-contoh pengunaan teknik-teknik optimisasi adalah trayektori

1.2. Formulasi Umum Persoalan Optimisasi

Formulasi umum dari persoalan optimisasi adalah sebagai berikut:

Diktat Optimisasi olehSeno D. Panjaitan 2

Diktat Optimisasi olehSeno D. Panjaitan 3

Teknik optimisasi klasik umumnya menggunakan teori kalkulus dalam

2.2. Sifat-sifat Fungsi dengan Satu Variabel Keputusan

Berdasarkan topologinya fungsi tujuan memiliki dua sifat antara lain:

Diktat Optimisasi olehSeno D. Panjaitan 4

(a) Kontinu (b) Diskontinu (c) Diskrit

2.3. Definisi optimalitas

Solusi optimal untuk sebuah persoalan dengan satu variabel dapat

Diktat Optimisasi olehSeno D. Panjaitan 5

Gambar 2.2. Fungsi Unimodal

2.4. Kriteria optimalitas fungsi dengan satu variabel

Untuk mendapatkan nilai variabel keputusan yang mengoptimalkan

Diktat Optimisasi olehSeno D. Panjaitan 6

Jika sebuah fungsi f(x) terletak pada interval a ≤ x ≤ b dan memiliki

df (x* ) d 2 f (x* ) d (n−1) f (x* ) d n f (x* )

(iii) Bukan nilai maksimum atau minimum, tetapi merupakan titik

Diktat Optimisasi olehSeno D. Panjaitan 7

Contoh 2.1 (pengenalan titik infleksi atau sadel):

Gambar 2.3. Titik infleksi pada fungsi f(x) = x3 di titik x=0.

Diktat Optimisasi olehSeno D. Panjaitan 8

Didapatkan titik-titik stasioner pada x = 0, 1, 2, 3.

Jelas bahwa titik x = 0 adalah titik infleksi atau sadel.

Diktat Optimisasi olehSeno D. Panjaitan 9

Gambar 2.4. Generator DC (Contoh 2.3).

dP (R2 + r 2 + 2rR)(V 2 ) − (V 2r)( 2r + 2R)

Diktat Optimisasi olehSeno D. Panjaitan 10

3. Sebuah pipa dengan panjang l dan diameter D memiliki ujung berupa

Diktat Optimisasi olehSeno D. Panjaitan 11

4. Tenaga kuda (horsepower) dibangkitkan oleh sebuah roda Pelton

diperoleh ketika perbandingan ini adalah1: 2 .

Diktat Optimisasi olehSeno D. Panjaitan 12

3.2. Persoalan yang Tidak Memiliki Kendala

Secara fundamental solusi untuk persoalan optimisasi yang memiliki

Diktat Optimisasi olehSeno D. Panjaitan 13

Matrik Hessian (H) adalah sebuah matrik simetris N x N untuk turunan

Matrik Hessian dapat juga direpresentasikan sebagai berikut,

Definisi 3.3: Syarat cukup untuk kasus semidefinit

Contoh 3.1 (Pegas):

Gambar 2.5. Sistem Pegas.

Diktat Optimisasi olehSeno D. Panjaitan 15

Syarat perlu untuk U yang minimum:

Pengujian syarat cukup:

Kemudian uji determinan-determinannya,

Diktat Optimisasi olehSeno D. Panjaitan 16

Jika m adalah jumlah kendala dan n adalah jumlah variabel keputusan.

3.3.1. Teknik Substitusi Langsung

Diktat Optimisasi olehSeno D. Panjaitan 17

Maksimalisasi fungsi: f (x1 , x2 , x3 ) = 8x1 x2 x3

Subtitusikan x3 ke persamaan fungsi tujuan,

3.3.2. Teknik Constrained Variation

∂g1 ∂g1 ∂g1

∂g1 ∂g1 ∂g1 ∂g1

Syarat cukup terhadap turunan dari metoda contrained variation merupakan

Contoh 3.2 (Teknik Constrained Variation):