Gambaran Umum Model Optimasi

Kami menawarkan model dasar yang menyediakan sebuah kerangka kerja untuk mendiskusikan
sekelompok masalah pengoptimasian. Masalah-masalah tersebut diklasifikasikan berdasarkan
berbagai karakteristik model dasar yang intrinsik untuk masalah tertentu. Kami juga
mendiskusikan variasi-variasi dari model dasar tersebut. Model dasarnya adalah
Optimasikan fj (X) untuk j dalam J (7.1)
Subjek kendala

untuk semua i dalam I

Sekarang kami jelaskan notasinya. Untuk mengoptimasi berarti untuk memaksimisasi atau
meminimisasi. Subskrip j menunjukkan bahwa terdapat satu atau lebih fungsi untuk
dioptimasikan. Fungsi-fungsi ini dibedakan oleh subskrip bilangan bulat yang termasuk dalam
himpunan berhingga J. Kami mencari vektor X0 yang memberikan nilai optimal untuk himpunan
fungsi fj (X). Berbagai komponen vektor X disebut variabel keputusan model, sedangkan
fungsi fj (X) disebut fungsi obyektif. Dengan menambahkan subjek, kami menunjukkan bahwa
kondisi-kondisi sampingan tertentu harus dipenuhi. Sebagai contoh, jika tujuannya adalah untuk
meminimisasi biaya produksi suatu produk tertentu, dapat dipastikan bahwa semua kewajiban
kontraktual untuk produk tersebut harus dipenuhi. Kondisi-kondisi sampingan biasanya disebut
kendala. Subskrip bilangan bulat i menunjukkan bahwa terdapat satu atau lebih hubungan
kendala yang harus diatasi. Sebuah kendala dapat berupa kesetaraan (seperti memenuhi
permintaan untuk suatu produk secara tepat) atau ketidaksetaraan (seperti tidak melebihi batasan
anggaran atau menyediakan kebutuhan gizi minimal pada masalah diet). Akhirnya, setiap
konstanta bi merepresentasikan tingkat yang terkait dengan fungsi kendala gi (X) harus dicapai
dan, karena masalah-masalah optimasi biasanya tertulis, maka sering disebut sisi sebelah-kanan
dalam model. Dengan demikian, vektor solusi X0 harus mengoptimasi masing-masing fungsi
obyektif fj (X) dan sekaligus memenuhi setiap hubungan kendala. Kami sekarang
mempertimbangkan satu masalah sederhana yang mengilustrasikan ide-ide dasar.
CONTOH 1 Menentukan Jadwal Produksi
Seorang tukang kayu membuat meja dan rak buku. Dia sedang mencoba untuk menentukan
berapa banyak dari setiap jenis furnitur yang harus dia buat setiap minggunya. Dia ingin
menentukan jadwal produksi mingguan untuk meja dan rak buku yang dapat memaksimalkan
produksinya. Biayanya masing-masing $5 dan $7 untuk menghasilkan meja dan rak buku.
Pendapatannya diperkirakan oleh rumus:

di mana x1 adalah jumlah meja yang diproduksi tiap minggunya

dan

di mana x2 adalah jumlah rak buku yang diproduksi tiap minggunya

Dalam contoh ini, masalahnya adalah memutuskan berapa banyak meja dan rak buku yang harus
dibuat setiap minggunya. Oleh karena itu, variabel keputusan merupakan jumlah meja dan rak
buku yang harus dibuat per minggu. Kami menganggap hal ini merupakan suatu jadwal,
sehingga nilai-nilai non-bilangan bulat dari meja dan rak buku dapat diterima. Artinya, kami
akan memperkenankan x1 dan x2 untuk mengambil nilai-nilai nyata apa pun dalam rentangnya
masing-masing. Fungsi obyektifnya adalah ekspresi non-linier yang mewakili laba bersih
mingguan yang akan direalisasikan dari penjualan meja dan rak buku. Keuntungan adalah
pendapatan dikurangi biaya. Fungsi keuntungan adalah:

Tidak ada kendala dalam masalah ini.

Mari pertimbangkan variasi pada skenario sebelumnya. Tukang kayu itu menyadari laba
bersih unitnya $25 per meja dan $30 per rak buku. Dia sedang mencoba untuk menentukan
berapa banyak furnitur yang harus dia buat setiap minggunya. Dia memiliki hingga 690 papan
kayu yang disediakan secara mingguan untuk proyek tersebut dan hingga 120 jam kerja. Dia
dapat menggunakan kayu dan tenaga kerja secara produktif di tempat lain jika tidak digunakan
dalam produksi meja dan rak buku. Dia memperkirakan bahwa produksi tersebut membutuhkan
20 papan kayu dan 5 jam kerja untuk menyelesaikan meja dan 30 papan kaki kayu dan 4 jam
kerja untuk lemari buku. Selain itu, dia telah menandatangani kontrak untuk mengirimkan
setidaknya empat meja dan dua rak buku setiap minggunya. Dia ingin menentukan jadwal
produksi mingguan untuk meja dan rak buku yang memaksimalkan keuntungannya. Rumusnya
menghasilkan:

Maksimisasi
Subjek kendala
 (kayu)
(tenaga kerja)
(kontrak)
(kontrak)

Mengklasifikasikan Beberapa Masalah Optimasi

Terdapat berbagai cara untuk mengklasifikasikan masalah-masalah pengoptimasian. Klasifikasi
ini tidak dimaksudkan untuk saling terpisah satu sama lain tetapi hanya untuk menggambarkan
karakteristik matematika tertentu yang dimiliki oleh masalah yang sedang diinvestigasi.
Sekarang kami uraikan beberapa klasifikasi ini.
Masalah pengoptimasian dikatakan tanpa batas jika tidak ada kendala dan terbatas jika
terdapat satu atau lebih kondisi sampingan. Masalah jadwal produksi pertama yang digambarkan
pada Contoh 1 mengilustrasikan masalah tanpa batas.
Masalah pengoptimasian dikatakan sebagai suatu program linier jika memenuhi sifat-sifat
berikut:
1. Terdapat fungsi obyektif yang unik.
2. Kapan pun sebuah variabel keputusan muncul, baik dalam fungsi obyektif maupun satu
dari fungsi kendala, variabel keputusan harus muncul hanya sebagai istilah kekuatan
dengan sebuah eksponen (perpangkatan) 1, yang memungkinkan untuk dikalikan sengan
sebuah konstanta.
3. Tidak ada istilah dalam fungsi obyektif atau dalam kendala apa pun yang dapat
mengandung produk-produk dari variabel keputusan.
4. Koefisien variabel keputusan dalam fungsi obyektif dan masing-masing kendalanya
konstan.
5. Variabel keputusan diperkenankan untuk mengasumsikan nilai pecahan dan bilangan
bulat.
Sifat-sifat tersebut memastikan bahwa dampak dari setiap variabel keputusan sebanding dengan
nilainya. Mari kita bahas setiap sifatnya secara lebih dekat.
Sifat 1 membatasi masalah untuk sebuah fungsi obyektif tunggal. Masalah dengan lebih
dari satu fungsi obyektif disebut multiobyektif atau tujuan program. Sifat 2 dan 3 sudah cukup
jelas, dan masalah pengoptimasi apa pun yang gagal memenuhi salah satu dari keduanya
dikatakan nonlinier. Fungsi tujuan jadwal produksi pertama memiliki kedua variabel keputusan
dengan istilah kuadrat/persegi dan dengan demikian melanggar Sifat 2. Sifat 4 cukup ketat untuk
skenario-skenario yang mungkin ingin Anda modelkan. Pertimbangkan untuk memeriksa jumlah
papan dan tenaga yang diperlukan untuk membuat meja dan rak buku. Akan memungkinkan
untuk mengetahui dengan pasti jumlah papan dan tenaga kerja yang dibutuhkan untuk
memproduksi setiap barang dan memasukkannya ke dalam kendala. Akan tetapi, seringkali tidak
memungkinkan untuk memprediksi nilai-nilai yang diperlukan secara tepat (pertimbangkan
untuk mencoba memprediksi harga pasar jagung), atau koefisien yang mewakili nilai rata-rata
dengan selisih yang agak besar dari nilai-nilai aktual yang terjadi dalam prakteknya. Koefisien-
koefisiennya juga dapat bergantung pada waktu. Masalah yang bergantung pada waktu di
kelompok tertentu disebut program-program dinamis. Jika koefisien tidak konstan tetapi
sebaliknya yaitu bersifat probabilistik, masalahnya diklasifikasikan sebagai program stokastik.
Akhirnya, jika satu atau lebih dari variabel keputusan dibatasi untuk nilai bilangan bulat (maka
melanggar Sifat 5), masalah yang dihasilkan disebut program bilangan bulat (atau program
bilangan bulat campuran jika pembatasan bilangan bulat hanya berlaku untuk sebuah subset
variabel keputusan). Dalam variasi masalah penjadwalan produksi, hal ini masuk akal untuk
memperkenankan angka pecahan meja dan rak buku dalam menentukan jadwal mingguan,
karena dapat diselesaikan selama minggu berikutnya. Mengelompokkan masalah pengoptimasian
ini penting karena teknik-teknik solusi yang berbeda berlaku untuk kategori yang berbeda.
Sebagai contoh, masalah pemrograman linier dapat diselesaikan secara efisien dengan Metode
Simpleks yang disajikan dalam Bagian 7.4.
Masalah Optimasi Tanpa Batas
Kriteria yang dipertimbangkan untuk menyesuaikan model dengan poin-poin data adalah
meminimisasi jumlah selisih absolut. Untuk model y = f(x) jika y(xi) mewakili fungsi yang
dievaluasi pada x = xi dan (xi, yi) yang menunjukkan poin data yang sesuai untuk poin i = 1; 2,…,
m, kemudian kriteria ini dapat diformulasikan sebagai berikut: Temukan parameter dari model y
= f(x) untuk

Maksimisasi
Kondisi terakhir ini mengilustrasikan masalah pengoptimasian tanpa batas. Karena turunan dari
fungsi yang diminimisasi gagal menjadi kontinu (karena adanya nilai absolut), tidak mungkin
untuk menyelesaikan masalah ini dengan penerapan kalkulus dasar secara langsung. Solusi
numerik berdasarkan pencarian pola disajikan pada Bagian 7.6.
Program-proram Optimasi Bilangan Bulat
Persyaratan-persyaratan yang ditentukan untuk suatu masalah dapat membatasi satu atau lebih
variabel keputusannya dengan nilai bilangan bulat. Sebagai contoh, dalam mencari campuran
yang tepat dari berbagai ukuran mobil, van, dan truk untuk armada transportasi perusahaan guna
meminimisasi biaya di bawah beberapa kondisi, akan tidak masuk akal untuk menentukan bagian
pecahan dari sebuah kendaraan. Masalah optimasi bilangan bulat juga muncul dalam masalah
yang dikodekan, di mana variabel-variabel biner (0 dan 1) mewakili keadaan tertentu, seperti
ya/tidak atau hidup/mati.
CONTOH 2 Kargo Pesawat Luar Angkasa
Ada berbagai barang yang harus dibawa di sebuah pesawat luar angkasa. Sayangnya, terdapat
beberapa pembatasan untuk kapasitas berat dan volume yang diperbolehkan. Misalnya terdapat
m item yang berbeda, masing-masing diberi beberapa nilai numerik cj dan memiliki berat wj dan
volume vj. (Bagaimana Anda dapat menentukan cj dalam suatu masalah yang sebenarnya?) Misal
tujuannya adalah untuk memaksimisasi nilai dari item yang akan dibawa tanpa melebihi batasan
berat W atau batasan volume V. Kita dapat merumuskan model ini:
Jika item j dibawa (ya)
Jika item j tidak dibawa (tidak)
Maka
Kemudian masalahnya adalah:

Maksimisasi
Subyek kendala

Kemampuan untuk menggunakan variabel-variabel biner seperti yj memungkinkan

fleksibilitas dalam pemodelan. Variabel-variabel tersebut dapat digunakan untuk mewakili
keputusan ya/tidak, seperti apakah untuk membiayai proyek tertentu dalam masalah anggaran
modal, atau untuk membatasi variabel-variabel menjadi “hidup” atau “mati”. Sebagai contoh,
variabel x dapat dibatasi untuk nilai 0 dan dengan menggunakan variabel biner y sebagai
pengganda:

di mana
Ilustrasi lain membatasi x baik untuk berada dalam interval (a, b) maupun menjadi nol dengan
menggunakan variabel biner y:

di mana
CONTOH 3 Perkiraan dengan Fungsi Linier Piecewise
Kekuatan menggunakan variabel biner untuk mewakili interval dapat lebih sepenuhnya dihargai
ketika obyeknya adalah untuk mendekati fungsi non-linier oleh satu linier piecewise. Khususnya,
misal fungsi non-linier pada Gambar 7.1a mewakili fungsi biaya dan kita ingin mencari nilai
minimumnya pada interval 0≤ x ≤ a3. Jika fungsi ini sangat rumit, maka dapat diperkirakan
dengan fungsi linier piecewise seperti yang ditunjukkan oleh Gambar 7.1b. (Fungsi linier
piecewise mungkin terjadi secara alami di dalam suatu masalah, seperti ketika tarif yang berbeda
dibebankan untuk penggunaan listrik berdasarkan jumlah konsumsi.)
Ketika kita menggunakan pendekatan yang disarankan pada Gambar 7.1, masalahnya
adalah untuk menemukan fungsi minimum:

Tentukan tiga variabel baru x1 = (x – 0), x2 = (x - a1), dan x3 = (x - a2) untuk masing-masing dari
tiga interval, dan gunakan variabel biner y1, y2, dan y3 untuk membatasi xi untuk interval yang
tepat:

di mana y1, y2, dan y3 sama dengan 0 atau 1. Karena kita menginginkan satu xi untuk aktif di
setiap waktu, kita menerapkan kendala berikut:
Sekarang hanya ada satu dari xi yang aktif kapan saja, fungsi obyektif kita menjadi

Gambar 7.1
Menggunakan fungsi linier piecewise untuk memperkirakan fungsi non-linier
Amati bahwa setiap kali yi = 0, variabel xi = 0 juga. Dengan demikian, produk dari bentuk xiyi
redundan, dan fungsi obyektifnya dapat disederhanakan untuk memberikan model berikut:

Minimisasi
Subyek kendala

Di mana y1, y2, dan y3 sama dengan 0 atau 1.

Model dalam Contoh 3 diklasifikasikan sebagai masalah pemrograman bilangan bulat
campuran karena hanya beberapa variabel keputusan yang dibatasi untuk nilai bilangan bulat.
Metode Simpleks tidak menyelesaikan masalah bilangan bulat atau bilangan bulat campuran
secara langsung. Terdapat banyak kesulitan terkait dengan pemecahan masalah semacam itu,
yang dibahas dalam pelajaran lebih lanjut. Salah satu metodologi yang telah terbukti berhasil
adalah menyusun aturan-aturan untuk menemukan solusi yang baik dan layak dengan cepat dan
kemudian menggunakan tes-tes untuk menunjukkan solusi-solusi yang layak yang dapat
dikesampingkan. Sayangnya, beberapa tes bekerja dengan baik untuk kelompok masalah tertentu
tetapi gagal total bagi kelompok masalah yang lain.
Pemrograman Multiobyektif: Sebuah Masalah Investasi
Pertimbangkan masalah berikut: Seorang investor memiliki $40.000 untuk berinvestasi. Dia
sedang mempertimbangkan investasi dalam tabungan sebesar 7%, obligasi kotapraja sebesar 9%,
dan saham yang secara konsisten rata-ratanya sebesar 14%. Karena terdapat berbagai tingkat
risiko yang terlibat dalam berbagai investasi, investor telah mencantumkan tujuan-tujuan berikut
ini untuk portofolionya:
1. Pengembalian tahunan setidaknya sebesar $5000.
2. Investasi setidaknya sebesar $10.000 dalam saham.
3. Investasi dalam saham seharusnya tidak melebihi total kombinasi dalam obligasi dan
tabungan.
4. Rekening tabungan cair antara $5000 dan $15.000.
5. Total investasi seharusnya tidak melebihi $40.000.
Kita dapat melihat dari portofolio tersebut bahwa investor memiliki lebih dari satu tujuan.
Sayangnya, seperti yang sering terjadi dengan masalah-masalah di dunia nyata, tidak semua
tujuan dapat diraih secara bersamaan. Jika investasi yang mengembalikan hasil terendah
ditetapkan serendah mungkin (dalam contoh ini, $5000 untuk tabungan), pengembalian terbaik
mungkin tanpa melanggar Tujuan 2-5 yang diperoleh dengan menginvestasikan $15.000 dalam
bentuk obligasi dan $20.000 dalam bentuk saham. Akan tetapi, portofolio ini kurang dari
pengembalian tahunan yang diinginkan yaitu sebesar $5000. Bagaimana masalah-masalah
dengan lebih dari satu tujuan yang direkonsiliasi?
Mari kita mulai dengan merumuskan setiap tujuannya secara matematis. Misalnya x
menunjukkan investasi dalam tabungan, y investasi dalam obligasi, dan z investasi dalam saham.
Maka tujuannya (goal) adalah sebagai berikut:
Kami telah melihat bahwa investor harus berkompromi dengan satu atau lebih jumlah tujuannya
untuk menemukan solusi yang layak. Misalnya investor merasa bahwa dia harus memiliki
pengembalian sebesar $5000, harus berinvestasi setidaknya sebesar $10.000 dalam saham, dan
tidak dapat menghabiskan lebih dari $40.000 tetapi ingin berkompromi pada Tujuan 3 dan 4.
Akan tetapi, dia ingin mencari solusi yang meminimisasi jumlah dimana dua tujuan ini gagal
untuk dipenuhi. Mari rumuskan persyaratan-persyaratan baru ini secara matematis dan
ilustrasikan metode yang berlaku untuk masalah-masalah serupa. Dengan demikian, G3
menunjukkan jumlah yang mana Tujuan 3 gagal untuk dipenuhi, dan G4 menunjukkan jumlah
yang mana Tujuan 4 gagal dipenuhi. Maka modelnya
Minimisasi G3 + G4
Subyek kendala

Di mana x, y, dan z positif.

Kondisi yang terakhir ini dimasukkan untuk memastikan bahwa investasi negatif tidak
diperkenankan. Masalah ini sekarang menjadi program linier yang dapat diselesaikan dengan
Metode Simpleks (Bagian 7.4). Jika investor percaya bahwa beberapa tujuan lebih penting
daripada yang lain, fungsi obyektifnya dapat ditimbang untuk menekankan tujuan-tujuan
tersebut. Selanjutnya, analisis sensitivitas bobot dalam fungsi tujuan akan mengidentifikasi titik
jeda untuk rentang di mana berbagai solusinya optimal. Proses ini menghasilkan sejumlah solusi
yang harus dipertimbangkan secara teliti oleh investor sebelum melakukan investasi. Biasanya,
hal ini adalah yang terbaik yang bisa dicapai ketika keputusan kualitatif akan dibuat.
Masalah-masalah Pemrograman Dinamis
Seringkali, model optimasi mengharuskan bahwa keputusan-keputusan dibuat pada berbagai
interval waktu bukan dalam satu waktu. Pada tahun 1950-an, ahli matematika dari Amerika,
Richard Bellman mengembangkan teknik untuk mengoptimalkan model-model tersebut secara
bertahap bukan secara bersamaan dan mengacu pada masalah-masalah seperti program-program
dinamis. Berikut adalah skenario masalah yang cocok untuk solusi dengan teknik pemrograman
dinamis:
 Seorang peternak memasuki bisnis ternak dengan gembala ternak awal k. Dia berniat untuk
pensiun dan menjual ternak yang tersisa setelah N tahun. Setiap tahunnya peternak dihadapkan
pada keputusan mengenai berapa banyak sapi yang harus dijual dan berapa banyak yang harus
dipelihara. Jika dia menjualnya, dia memperkirakan keuntungannya menjadi pi pada tahun i. Dan
juga, jumlah ternak yang dipelihara di tahun i diharapkan meningkat dua kali lipat pada tahun i +
1.
Meskipun skenario ini mengabaikan banyak faktor yang dapat dipertimbangkan oleh
seorang analis di dunia nyata (sebutkan beberapa), kita dapat melihat bahwa peternak sapi
dihadapkan dengan keputusan trade-off (menjual) setiap tahun: mengambil keuntungan atau
membangun untuk masa depan.
Dalam beberapa bagian berikutnya kita memfokuskan perhatian pada pemecahan masalah-
masalah pemrograman linier, secara geometris terlebih dahulu kemudian dengan Metode
Simpleks.
7.1 MASALAH-MASALAH
Gunakan proses pembentukan model yang dideskripsikan dalam Bab 2 untuk menganalisis
skenario berikut. Setelah mengidentifikasi masalah yang akan dipecahkan menggunakan proses
tersebut, Anda dapat menemukan bahwa proses itu sangat membantu untuk menjawab
pertanyaan-pertanyaan berikut dalam kata-kata sebelum merumuskan model optimasinya.
a. Identifikasikan variabel-variabel keputusan: Keputusan apa yang akan dibuat?
b. Rumuskan fungsi obyektifnya: Bagaimana keputusan-keputusan ini mempengaruhi
obyektifnya?
c. Rumuskan kendalanya: Kendala-kendala apa yang harus diatasi? Pastikan untuk
mempertimbangkan apakah nilai-nilai negatif pada variabel keputusan diperkenankan
dengan masalahnya, dan pastikan nilai-nilai negatif pada variabel keputusan itu sangat
terbatas jika diperlukan.
Setelah membangun modelnya, periksa asumsi untuk program linier dan bandingkan bentuk
model dengan contoh-contoh di bagian ini. Cobalah untuk menentukan metode optimasi
mana yang dapat diterapkan untuk mendapatkan solusi.
1. Alokasi Sumber Daya—Anda baru saja menjadi manajer pabrik yang memproduksi
produk-produk dari plastik. Meskipun operasi pabrik melibatkan banyak produk dan
persediaan, Anda hanya tertarik dengan tiga produk: (1) penutup lantai vinil-asbes,
output yang diukur dalam banyaknya kotak, masing-masing kotak menutupi area
tertentu; (2) bagian penutup atas meja dari vinil murni, diukur dalam ukuran yard
linier; dan (3) ubin dinding vinil-asbes, diukur dalam persegi, masing-masing
mencakup 100 kaki2.
Dari sekian banyak sumber daya yang dibutuhkan untuk memproduksi produk-
produk plastik ini, Anda telah mengidentifikasi empat diantaranya: vinil, asbes,
tenaga kerja, dan waktu pada mesin pemangkasan (trimming machine). Sebuah
inventaris terbaru menunjukkan bahwa pada hari tertentu Anda memiliki 1.500 pon
vinil dan 200 pon asbes yang tersedia untuk digunakan. Selain itu, setelah berbicara
dengan kepala tukang di toko Anda dan kepada berbagai pemimpin tenaga kerja,
Anda menyadari bahwa Anda memiliki 3 pekerja-per hari yang tersedia untuk
dipekerjakan per hari dan bahwa mesin pemangkasan Anda tersedia untuk 1 mesin-
per hari untuk hari apa pun. Tabel berikut menunjukkan jumlah masing-masing empat
sumber daya yang diperlukan untuk menghasilkan satu unit dari tiga produk yang
diinginkan, di mana unit-unitnya adalah 1 kotak penutup lantai, 1 yard penutup atas
meja, dan 1 persegi ubin dinding. Sumber daya yang tersedia ditabulasikan di bawah
ini.
Vinil (pon) Asbes (pon) Tenaga Mesin Keuntungan
Kerja (mesin-hari)
(orang-hari)
Penutup
lantai (per
kotak)
Penutup atas
meja (per
yard)
Ubin
dinding (per
persegi)
Ketersediaan
(per hari)
 Rumuskan sebuah model matematis untuk membantu menentukan bagaimana
mengalokasikan sumber daya untuk memaksimalkan keuntungan.
2. Persyaratan Gizi—Seorang peternak telah menetapkan bahwa persyaratan minimum
gizi mingguan untuk kuda berukuran rata-rata termasuk 40 pon protein, 20 pon
karbohidrat, dan 45 pon serat kasar. Persyaratan ini diperoleh dari sumber-sumber
berikut dalam jumlah yang bervariasi dengan harga yang ditunjukkan:
Protein (pon) Karbohidrat Serat kasar Biaya
(pon) (pon)
Jerami (per
bal)
Gandum (per
karung)
Balok pakan
(per balok)
Konsentrat
tinggi protein
(per karung)
Kebutuhan per
kuda (per
minggu)
Rumuskan model matematis untuk menentukan bagaimana memenuhi
persyaratan minimum nutrisi dengan biaya minimum.
3. Penjadwalan Produksi—Seorang produsen produk industri harus memenuhi jadwal
pengiriman berikut:
Bulan Pengiriman yang dibutuhkan (unit)
Januari
Februari
Maret
Kapasitas produksi bulanan adalah 30.000 unit dan biaya produksi per unit
adalah $10. Karena perusahaan tidak melakukan penyimpanan, layanan dari
perusahaan penyimpanan digunakan ketika dibutuhkan. Perusahaan penyimpanan
 menentukan tagihan bulanannya dengan mengalikan jumlah unit dalam penyimpanan
pada hari terakhir tiap bulan sebanyak $3. Pada hari pertama bulan Januari
perusahaan tidak memiliki inventaris awal, dan tidak ingin memiliki inventaris akhir
pada akhir bulan Maret. Rumuskan model matematis untuk membantu meminimisasi
jumlah biaya produksi dan penyimpanan untuk periode 3 bulan.
Bagaimana perubahan rumusnya jika biaya produksi 10x + 10 dolar, di mana x
adalah jumlah barang yang diproduksi?
4. Mencampur Kacang-kacangan—Sebuah toko permen menjual tiga macam pilihan
kacang campur yang berbeda-beda, masing-masing pilihan mengandung jumlah
kacang almond, kacang pikan, kacang mete, dan kacang kenari yang bervariasi.
Untuk menjaga reputasi kualitas toko, persentase maksimum dan minimum berbagai
kacang diperlukan untuk setiap jenis pilihan kacang, seperti yang ditunjukkan pada
tabel berikut:
Pilihan kacang Persyaratan Harga penjualan per pon
Regular/biasa Tidak lebih dari 20%
kacang mete
Tidak kurang dari 40%
kacang kenari
Tidak lebih dari 25%
kacang pikan
Tidak ada batasan untuk
kacang almond
Deluxe Tidak lebih dari 35%
kacang mete
Tidak kurang dari 25%
kacang almond
Tidak ada batasan untuk
kacang kenari dan kacang
pikan
Pita Biru Antara 30% dan 50%
kacang mete
 Tidak kurang dari 30%
kacang almond
Tidak ada batasan untuk
kacang kenari dan kacang
pikan
Tabel berikut memberikan biaya per pon dan jumlah maksimum setiap jenis kacang
yang tersedia dari pemasok toko setiap minggunya.
Jenis kacang Biaya per pon Kuantitas maksimum yang
tersedia tiap minggunya
(pon)
Kacang almond
Kacang pikan
Kacang mete
Kacang kenari
Toko tersebut ingin menentukan jumlah yang tepat untuk kacang almond,
kacang pikan, kacang mete, dan kacang kenari yang harus masuk untuk pilihan setiap
minggunya guna memaksimisasi keuntungan mingguannya. Rumuskan model
matematis yang akan membantu manajemen toko dalam memecahkan masalah
pencampuran ini. Petunjuk: Berapa banyak keputusan yang perlu dibuat? Sebagai
contoh, apakah Anda perlu membedakan antara kacang mete dalam campuran
regular/biasa dan kacang mete dalam campuran deluxe?
5. Memproduksi Peralatan Elektronik—Sebuah perusahaan elektronik memproduksi
tiga lini produk untuk dijual kepada pemerintah: transistor, mikromodul, dan
perakitan sirkuit. Perusahaan itu memiliki empat area pengolahan fisik yang ditunjuk
sebagai berikut: produksi transistor, pencetakan dan perakitan sirkuit, transistor dan
kontrol kualitas modul, dan uji perakitan sirkuit dan pengemasan.
Berbagai persyaratan produksinya adalah sebagai berikut: Produksi satu
transistor membutuhkan 0,1 jam standar kapasitas area produksi transistor, 0,5 jam
standar kapasitas area kontrol kualitas transistor, dan $0,70 untuk biaya langsung.
Produksi mikro-modul membutuhkan 0,4 jam standar kapasitas area kontrol kualitas,
tiga transistor, dan $0,50 untuk biaya langsung. Produksi satu rakitan sirkuit
 membutuhkan 0,1 jam standar kapasitas area pencetakan sirkuit, 0,5 jam standar
kapasitas area pengujian dan pengepakan, satu transistor, tiga mikromodul, dan $2,00
untuk biaya langsung.
Anggaplah bahwa ketiga produk (transistor, mikromodul, dan rakitan sirkuit)
dapat dijual dalam jumlah tak terbatas dengan harga masing-masing $2, $8, dan $25.
Terdapat 200 jam waktu produksi di masing-masing keempat area proses di bulan
berikutnya. Rumuskan model matematis untuk membantu menentukan produksi yang
akan menghasilkan pendapatan tertinggi untuk perusahaan tersebut.
6. Membeli Berbagai Jenis Truk—Sebuah perusahaan truk telah mengalokasikan
$800.000 untuk pembelian kendaraan baru dan mempertimbangkan tiga jenis
kendaraan. Kendaraan A memiliki kapasitas muatan 10 ton dan diperkirakan rata-rata
kecepatan 45 mil/jam; harganya $26.000. Kendaraan B memiliki kapasitas muatan 20
ton dan diharapkan rata-rata kecepatan 40 mil/jam; biayanya $36.000. Kendaraan C
adalah bentuk modifikasi dari B dan membawa tempat tidur untuk satu pengemudi.
Modifikasi ini mengurangi kapasitas muatan menjadi 18 ton dan menaikkan biaya
hingga $42.000, tetapi kecepatan operasinya masih diperkirakan rata-rata 40 mil/jam.
Kendaraan A membutuhkan kru satu pengemudi dan, jika dikendarai pada tiga
shift per hari, dapat dioperasikan rata-rata 18 jam per hari. Kendaraan B dan C harus
memiliki dua kru pengemudi untuk masing-masing kendaraan guna memenuhi
persyaratan hukum setempat. Kendaraan B dapat dikendarai rata-rata 18 jam per hari
dengan tiga shift, dan kendaraan C dapat dikendarai rata-rata 21 jam per hari dengan
tiga shift. Perusahaan ini memiliki 150 pengemudi yang tersedia setiap harinya untuk
menjadi kru dan tidak akan dapat mempekerjakan kru terlatih tambahan dalam waktu
dekat. Persatuan tenaga kerja setempat melarang setiap pengemudi bekerja lebih dari
satu shift per hari. Dan juga, fasilitas pemeliharaan yang sedemikian rupa membatasi
jumlah total kendaraan tidak boleh melebihi 30 unit. Rumuskan model matematis
untuk membantu menentukan jumlah setiap jenis kendaraan yang harus dibeli oleh
perusahaan guna memaksimisasi kapasitas pengirimannya dalam ton-mil per hari.
7. Sebuah Masalah Pertanian—Sebuah keluarga petani memiliki 100 hektar lahan dan
memiliki $25.000 dalam bentuk dana yang tersedia untuk investasi. Para anggotanya
dapat menghasilkan total 3500 jam kerja kerja selama musim dingin (pertengahan
 bulan September hingga pertengahan bulan Mei) dan 4000 jam kerja selama musim
panas. Jika jam kerja ini tidak diperlukan, para anggota keluarga yang lebih muda
akan menggunakannya untuk bekerja di pertanian milik tetangga dengan $4,80 per
jam selama musim dingin dan $5,10 per jam selama musim panas.
Penghasilan uang dapat diperoleh dari tiga tanaman (kedelai, jagung, dan
gandum) dan dua jenis ternak (sapi perah dan ayam petelur). Tidak ada dana investasi
yang dibutuhkan untuk tanaman. Akan tetapi, setiap sapi membutuhkan pengeluaran
investasi awal sebesar $400, dan setiap ayam membutuhkan $3. Setiap sapi
membutuhkan 1,5 hektar lahan dan 100 jam kerja selama musim dingin dan 50 jam
kerja selama musim panas. Setiap sapi menghasilkan pendapatan bersih tahunan
sebesar $450 untuk keluarga tersebut. Gambaran yang sesuai untuk ayam adalah
sebagai berikut: tidak ada tanah yang diperlukan, 0,6 jam kerja selama musim dingin,
0,3 jam kerja lebih di musim panas, dan pendapatan bersih tahunan sebesar $3,50.
Kandang ayam menampung maksimal 3000 ayam, dan ukuran kandang membatasi
kawanan sapi hingga maksimal 32 ekor.
Perkiraan jam kerja dan pendapatan per hektar yang ditanami masing-masing
tiga tanaman adalah seperti yang ditunjukkan pada tabel berikut:
Tanaman Jam kerja musim Jam kerja musim Pendapatan tunai
dingin panas bersih tahunan (per
acre)
Kedelai
Jagung
Gandum
Rumuskan model matematis untuk membantu menentukan berapa banyak
lahan yang harus ditanami masing-masing tanaman dan berapa banyak sapi dan ayam
yang harus disimpan untuk memaksimisasi pendapatan tunai bersih.
7.1 Proyek-proyek
Untuk Proyek 1-5, selesaikan persyaratan dalam modul atau monografi referensi UMAP. (Lihat
CD yang terlampir untuk modul UMAP.)
1. “Optimasi Tanpa Hambatan,” oleh Joan R. Hundhausen dan Robert A. Walsh, UMAP
522. Unit ini memperkenalkan prosedur pencarian gradien dengan contoh dan
 penerapan. Diperlukan pengenalan dengan diferensiasi parsial elementer, aturan
rantai, deret Taylor, gradien, dan produk titik vektor.
2. “Kalkulus Variasi dengan Penerapan dalam Mekanika,” oleh Carroll O. Wilde,
UMAP 468. Modul ini memberikan pengantar singkat untuk mencari fungsi-fungsi
yang menghasilkan nilai maksimum atau minimum bentuk integral tertentu, dengan
penerapan dalam mekanika. Siswa belajar persamaan Euler untuk beberapa bentuk
integral tentu/definite dan belajar prinsip Hamilton dan penerapannya pada sistem-
sistem dinamik konservatif. Fisika dasar energi kinetik dan potensial, aturan rantai
multivariat, dan persamaan diferensial biasa juga diperlukan.
3. Biaya Tinggi Air Bersih: Model untuk Pengelolaan Kualitas Air, oleh Edward
Beltrami, UMAP Expository Monograph. Untuk mengatasi beberapa masalah
pembuangan air limbah yang disebabkan oleh peningkatan populasi bangsa dan
aktivitas industri, Badan Perlindungan Lingkungan AS (EPA) telah mendorong
pengembangan rencana pengelolaan air limbah daerah. Monograf ini membahas
rencana EPA yang dikembangkan untuk Long Island dan merumuskan model yang
memungkinkan untuk artikulasi trade-off/penjualan antara biaya dan kualitas air.
Matematika melibatkan persamaan diferensial parsial dan pemrograman linier
campuran-bilangan bulat.
4. “Pemrograman Geometris,” oleh Robert E. D. Woolsey, UMAP 737. Unit ini
menyediakan beberapa rumusan optimasi alternatif, termasuk pemrograman
geometris. Diperlukan pengetahuan tentang kalkulus diferensial dasar.
5. “Daur Ulang Kota: Lokasi dan Optimalitas,” oleh Jannett Highfill dan Michael
McAsey, UMAP Jurnal Vol. 15 (1), 1994. Artikel ini mempertimbangkan optimasi
dalam daur ulang kota. Bacalah artikel tersebut dan siapkan presentasi kelas selama
10 menit.
7.2 Pemrograman Linier 1: Solusi Geometrik
Pertimbangkan untuk menggunakan kriteria Chebyshev untuk menggabungkan model y = cx
pada sekumpulan data berikut:
Masalah optimasi yang menentukan parameter c untuk meminimisasi selisih absolut terbesar ri =
|yi – y(xi)| (residual atau error) adalah program linier
Minimisasi r
Subyek kendala

Dalam bagian ini kita memecahkan masalahnya secara geometris,

Menginterpretasi sebuah Program Linier secara Geometris
Program linier dapat mencakup sekumpulan kendala yang merupakan persamaan linier atau
ketidaksetaraan linier. Tentu saja, dalam kasus dua variabel keputusan, suatu persamaan
memerlukan bahwa solusi untuk program linier terletak tepat pada garis yang mewakili
kesetaraan. Bagaimana dengan ketidaksetaraan? Untuk mendapatkan wawasan mengenai hal itu,
pertimbangkan kendala-kendalanya

Kendala-kendala non-negatif x1, x2 ≥ 0 berarti bahwa solusi yang memungkinkan terletak pada
kuadran pertama. Ketidaksamaan x1 + 2x2 ≤ 4 membagi kuadran pertama menjadi dua daerah.
Daerah yang layak adalah setengah ruang di mana kendala itu teratasi. Daerah yang layak dapat
ditemukan dengan menggambarkan grafik persamaan x1 + 2x2 = 4 dan menentukan setengah
bidang yang layak, seperti yang ditunjukkan pada Gambar 7.2.
Jika setengah bidang yang layak gagal untuk menjadi nyata, pilih titik yang nyaman
(seperti asalnya) dan substitusikan ke dalam kendala untuk menentukan apakah teratasi. Jika ya,
maka semua titik di sisi yang sama pada garisnya juga akan mengatasi kendalanya.
Program linier memiliki sifat penting bahwa titik-titik yang mengatasi kendala-kendala
membentuk suatu himpunan cembung. Satu himpunan berbentuk cembung jika untuk setiap
pasangan titik dalam himpunan tersebut, segmen garis yang menghubungkannya terletak
sepenuhnya di dalam himpunan. Himpunan yang digambarkan pada Gambar 7.3a gagal menjadi
cembung, sedangkan himpunan pada Gambar 7.3b berbentuk cembung.
Sebuah titik ekstrim (titik sudut) dari sebuah himpunan cembung adalah setiap titik batas
dalam himpunan cembung yang merupakan titik perpotongan unik dari dua segmen batas garis
lurus (straight-line).
Gambar 7.2 Daerah yang layak untuk kendala x1 + 2x2 ≤ 4, x1, x2 ≥ 0

Gambar 7.3 Himpunan ini ditunjukkan dalam a tidak cembung, sedangkan himpunan yang
ditunjukkan dalam b cembung.
Segmen garis yang menghubungkan titik A dan B tidak terletak sepenuhnya dalam himpunan

Pada Gambar 7.3b, titik A-F adalah titik ekstrim. Mari sekarang cari daerah yang layak dan
solusi optimal untuk masalah si tukang kayu yang dirumuskan dalam Contoh 1 dalam Bagian
7.1.
CONTOH 1 Masalah Tukang Kayu
Pertimbangkan versi masalah tukang kayu dari Bagian 7.1. Tukang kayu menyadari keuntungan
bersih unit sebesar $25 per meja dan $30 per rak buku. Dia mencoba untuk menentukan berapa
banyak meja (x1) dan berapa banyak rak buku (x2) yang harus dia buat setiap minggunya. Dia
memiliki hingga 690 papan kayu dan hingga 120 jam kerja yang disediakan secara mingguan
untuk proyeknya. Kayu dan tenaga kerja dapat digunakan secara produktif di tempat lain jika
tidak digunakan dalam produksi meja dan rak buku. Dia memperkirakan bahwa produksi
tersebut membutuhkan 20 papan kayu dan 5 jam kerja untuk menyelesaikan meja dan 30 papan
kayu dan 4 jam kerja untuk rak buku. Perumusan ini menghasilkan
Maksimisasi 25x1 + 30x2
Subyek kendala

Himpunan cembung yang ditetapkan untuk kendala dalam masalah si tukang kayu
digambarkan dan diberikan oleh daerah poligon ABCD pada Gambar 7.4. Perhatikan bahwa
terdapat enam titik persimpangan kendala, tetapi hanya empat dari titik-titik ini (yaitu, A-D)
yang memenuhi semua kendala dan karenanya termasuk dalam himpunan cembung. Titik-titik
A-D adalah titik ekstrim pada poligon.
Gambar 7.4 Himpunan titik-titik yang memenuhi kendala-kendala masalah si tukang kayu yang
membentuk sebuah himpunan cembung.
 Jika terdapat solusi optimal untuk program linier, solusi tersebut harus terjadi di antara
titik-titik ekstrim himpunan cembung yang dibentuk oleh himpunan kendala. Nilai-nilai dari
fungsi obyektif (keuntungan untuk masalah tukang kayu) pada titik-titik ekstrim adalah
Titik poin Nilai fungsi obyektif
A
B
C
D
Dengan demikian, tukang kayu harus membuat 12 meja dan 15 rak buku setiap minggunya
untuk mendapatkan hasil keuntungan mingguan maksimum $750. Kami memberikan bukti
geometris lebih lanjut di bagian ini bahwa titik ekstrim C optimal.
Sebelum mempertimbangkan contoh yang kedua, mari kita meringkas gagasan yang
disajikan sejauh ini. Kendala yang dihimpun untuk suatu program linier adalah himpunan
cembung, yang umumnya berisi jumlah titik layak yang tak terhingga untuk program linier. Jika
terdapat solusi optimal untuk program linier, harus diambil pada satu atau lebih titik ekstrim.
Dengan demikian, untuk menemukan solusi optimal, kami memilih dari antara semua titik
ekstrim yaitu yang salah satunya dengan nilai terbaik untuk fungsi obyektif.
CONTOH 2 Masalah Penyesuaian Data
Sekarang mari kita selesaikan program linier yang ditunjukkan oleh Persamaan (7.2). Diberikan
model y = cx dan himpunan data

Gambar 7.5 Daerah yang layak untuk penyesuaian y = cx untuk sekumpulan data

Kita ingin mencari nilai untuk c sehingga hasil selisih absolut terbesat r ekecil mungkin. Dalam
gambar 7.5 kita gambarkan grafik himpunan enam kendala

Dengan pertama-tama menggambarkan grafik persamaan

Kita mencatat bahwa kendala 1, 3, dan 5 terpenuhi di atas dan di sebelah kanan grafik
persamaan-persamaan kendala mereka. Demikian pula kendala 2, 4, dan 6 terpenuhi di atas dan
di sebelah kiri persamaan-persamaan kendalanya.
Persimpangan dari semua daerah yang layak untuk kendala 1-6 membentuk suatu
himpunan cembung yang diatur dalam bidang c, r, dengan titik ekstrim berlabel A-C pada
Gambar 7.5. Titik A adalah persimpangan kendala 5 dan r-axis: r – (8 - 3c) = 0 dan c = 0, atau A
= (0, 8) Demikian pula, B adalah persimpangan kendala 5 dan 2:

5 1 5 1
menghasilkan c = 2 dan r = 2, atau B = (2 , 2). Akhirnya, C adalah persimpangan kendala 2

dan 4 yang menghasilkan C= (3, 1) Perhatikan bahwa himpunan tidak dibatasi. (Kita bahas
himpunan cembung yang tak terbatas nanti). Jika terdapat solusi optimal untuk permasalahannya,
setidaknya satu titik ekstrim harus mengambil solusi optimal. Kita sekarang mengevaluasi fungsi
obyektif f(r) = r pada masing-masing ketiga titik ekstrim.
Titik ektrem Nilai fungsi obyektif

5 1
Titik ekstrim dengan nilai r terkecil adalah titik ekstrim B dengan koordinat (2 , 2). Dengan
5
demikian, c = 2 adalah nilai optimal c. Tidak ada nilai lain dari c yang akan menghasilkan selisih
1
absolut terbesar sekecil nilai |rmax| = 2.
Interpretasi Model
Mari interpretasikan solusi optimal untuk masalah penyesuaian data dalam Contoh 2. Dengan
5 5
menyelesaikan program linier, kita memperoleh nilai c = yang sesuai dengan model y = 2 𝑥.
2
1
Selanjutnya, nilai fungsi obyektif r = harus sesuai dengan selisih terbesar yang dihasilkan dari
2

penyesuaian. Mari kita periksa untuk melihat apakah hasilnya benar.

5
Titik-titik data dan model y = 𝑥 digambarkan dalam Gambar 7.6. Perhatikan bahwa
2
1
selisih yang terbesar ri = terjadi pada kedua titik data pertama dan ketiga. Perbaiki salah satu
2

ujung garis pada titik asal. Sekarang putar penggaris untuk meyakinkan diri Anda sendiri bahwa
secara geometris tidak ada garis lain yang melewati titik asal yang dapat menghasilkan selisih
5
absolut terbesar yang lebih kecil. Dengan demikian, model y = 𝑥 optimal dengan kriteria
2

Chebyshev.
5 1
Gambar 7.6 Garis y = 2 𝑥 menghasilkan selisih absolut terbesar rmax = 2, kemungkinan rmax yang

terkecil.

Daerah-daerah Kosong dan Tidak Terbatas yang Layak

Kita telah secara teliti mengatakan bahwa jika solusi optimal untuk program linier itu ada,
setidaknya satu dari titik-titik ekstrim harus mengambil nilai optimal untuk fungsi obyektif.
Kapan solusi optimal gagal untuk ditemukan? Terlebih lagi, kapan terdapat lebih dari satu solusi
optimal?
Jika daerah yang layak kosong, tidak ada solusi yang layak yang ditemukan. Sebagai
contoh, diberikan kendala berikut
x1 ≤ 3
dan
x1 ≥ 5
tidak ada nilai x1 yang memenuhi keduanya. Kita katakan bahwa himpunan kendala semacam itu
tidak konsisten (inkonsisten).
Terdapat alasan lain di mana solusi optimal dapat gagal ditemukan. Perhatikan Gambar 7.5
dan himpunan kendala untuk masalah penyesuaian data di mana kita mencatat bahwa daerah
yang layak tidak dibatasi (dalam arti bahwa baik x1 atau x2 dapat menjadi besar secara berubah-
ubah). Maka akan mustahil untuk
Maksimisasi x1 + x2
pada daerah yang layak karena x1 dan x2 dapat mengambil nilai besar yang berubah-ubah. Akan
tetapi, perlu dicatat bahwa meskipun daerah yang layak tidak dibatasi, solusi optimal benar-benar
ada untuk fungsi obyektif yang kita pertimbangkan dalam Contoh 2, jadi tidak perlu lagi bagi
daerah yang layak dibatasi untuk solusi optimal agar dapat ditemukan.
Kurva Tingkat pada Fungsi Obyektif
Pertimbangkan lagi masalah si tukang kayu. Fungsi obyektifnya adalah 25x1 + 30x2 dan pada
Gambar 7.7 kita menggambarkan garis-garis

dalam kuadran pertama.

Gambar 7.7. Kurva tingkat fungsi obyektif f merupakan segmen-segmen garis paralel dalam
kuadran pertama; fungsi obyektifnya meningkat maupun menurun saat kita pindahkan dengan
arah tegak lurus ke kurva-kurva tingkat.
 Perhatikan bahwa fungsi obyektif memiliki nilai-nilai konstan disepanjang segmen garis
ini. Segmen garis disebut kurva-kurva tingkat fungsi obyektif. Ketika kita gerakkan dengan
arah tegak lurus ke segmen garis ini, fungsi obyektif meningkat atau menurun. Sekarang
tempatkan di atas himpunan kendala dari masalah tukang kayu tersebut

ke kurva-kurva tingkat ini (Gambar 7.8). Perhatikan bahwa kurva tingkat dengan nilai 750
adalah yang memotong daerah yang layak tepat pada titik ekstrim C (12, 15).
Gambar 7.8 Kurva tingkat 25x1 + 30x2 = 750 adalah garis singgung pada daerah yang layak di
titik ekstrem C.
 Apakah terdapat lebih dari satu solusi optimal? Perhatikan sedikit variasi berikut dari
masalah tukang kayu di mana kendala tenaga kerja telah berubah:
Maksimisasi 25x1 + 30x2
Subyek kendala

Himpunan kendala dan kurva tingkat 25x1 + 30x2 = 750 digambarkan pada Gambar 7.9.
Perhatikan bahwa kurva tingkat dan garis batas untuk kendala tenaga kerja berhimpitan. Dengan
demikian, baik titik ekstrim B maupun C memiliki nilai fungsi obyektif yang sama yaitu sebesar
750, yang optimal. Bahkan, seluruh ruas garis BC berhimpitan dengan kurva tingkat 25x1 + 30x2
= 750. Dengan demikian, terdapat banyak solusi optimal untuk program linier, disepanjang
segmen garis BC.
Pada Gambar 7.10 kita merangkum kasus dua dimensi umum untuk mengoptimasi fungsi
linier pada satu himpunan cembung. Gambar tersebut menunjukkan himpunan cembung khusus
yang ditetapkan bersama dengan kurva-kurva tingkat fungsi obyektif linier. Gambar 7.10
memberikan intuisi geometris untuk teorema fundamental pemrograman linier berikut ini.
Gambar 7.9 Segmen BC berhimpitan dengan kurva tingkat 25x1 + 30x2 = 750; setiap titik antara
ttik-titik ekstrem C dan B, serta titik-titik ekstrem C dan B, yang merupakan solusi optimal.

Gambar 7.10 Fungsi linier mengasumsikan nilai-nilai maksimum dan minimum pada himpunan
cembung non-kosong (nonempty) dan terbatasi di suatu titik ekstrem.

Teorema 1
Anggaplah daerah yang layak dari program linier adalah satu himpunan cembung yang non-
kosong (nonempty) dan terbatasi. Maka fungsi obyektif harus mencapai nilai maksimum dan
minimum yang terjadi pada titik-titik ekstrim di daerah tersebut. Jika daerah yang layak tidak
dibatasi, fungsi obyektif tidak perlu mengasumsikan nilai-nilai optimalnya. Jika salah satu nilai
maksimum atau minimum ada, maka harus terjadi pada salah satu titik ekstrim.
Kekuatan teorema ini adalah teorema ini menjamin suatu solusi optimal untuk sebuah
program linier dari titik-titik ekstrem pada himpunan cembung non-kosong (nonempty) yang
terbatas.