OPTIMISASI TERKENDALA

Optimisasi terkendala ialah berusaha memaksimalkan atau meminimalisasi fungsi tujuan dengan
beberapa kendala. Sehingga mengurangi kebebasan dari perusahaan. Dalam proses pengambilan
keputusan yang dihadapi para manajer, ada berbagai kendala yang membatasi pilihan-pilihan
yang tersedia bagi para manajer tersebut. Misalnya, seorang manajer produksi ditugaskan untuk
meminimumkan biaya total (TC) dalam memproduksi sejumlah produk tertentu dari
perusahaannya. Pada waktu yang lain manajer produksi tersebut ditugaskan untuk
memaksimumkan output dari suatu departemen tertentu, dengan sejumlah sumberdaya tertentu
yang tersedia.
Bidang-bidang fungsional lainnya dari suatu perusahaan juga menghadapi masalah optimisasi
terkendala. Dimana para manajer pemasaran sering kali ditugaskan untuk memaksimumkan
penjualan dengan kendala tida boleh melebihi anggaran iklan yang telah ditetapkan. Para
pegawai keuangan dalam upayanya untuk meminimumkan biaya untuk memperoleh modal,
sering kali harus bekerja dibawah kendala-kendala yang ditetapkan oleh persyaratan pembiayaan
investasi (investment financing) dan keseimbangan kas (cash balance) dan oleh para kreditor.
Secara umum masalah optimisasi terkendala ini dikelompokkan menjadi 2 kelompok yaitu:
Masalah Maksimisasi Masalah Minimisasi
Maksimisasi : Minimisasi:
Laba, penerimaan atau Biaya
Output

Tunduk kepada: Tunduk Kepada:

Kendala Sumberdaya Kendala kuantitas
Atau kualitas Output

Masalah optimisasi terkendala ini bias dipecahkan dengan berbagai cara. Dalam beberapa kasus,
jika persamaan kendala tidak terlampau rumit, maka bias dipecahkan persamaan kendala tersebut
untuk salah satu dari variable-variabel pengembalian keputusan terlebih dahulu, kemudian
mensubtitusikan variable tersebut kedalam fungsi tujuan , apakah perusahaan tersebut bertujuan
memaksimumkan atau meminimumkan.
Cara ini mengubah masalah tersebut menjadi maksimisasi atau minimisasi tak terkendala yang
bias diiselesaikan dengan metoda-metoda yang telah dibahas sebelummya.
Cara tersebut bias diperjelas dengan melihat penerapannya didalam masalah minimisasi
terkendala. Misalkan sebuah perusahaan memproduksi produknya dengan menggunakan dua
pabriknya dan bekerja dengan fungsi biaya total (TC) sebagai berikut:
TC = 3X2+6Y2-XY
Dimana X merupakan output dari pabrik yang pertama dan Y merupakan output dari pabrik yang
kedua. Manajemen akan berusaha untuk menentukan kombinasi biaya terendah (leas-cost
combination) anatara X dan Y, dengan tunduk kepada kendala bahwa produk total harus 20 unit.
Masalah optimisasi terkendala tersebut bias dituliskan sebagai berikut:
Minimumkan TC= 3X2+6Y2-XY
Dengan kendala: X+Y = 20
Dengan menyelesaikan kendala X dan mensubtitusikan nilai tersebut ke dalam fungsi tujuan
maka:
X= 20-Y
DAN
TC = 3 (20-Y)2 + 6Y2 - (20 - Y) Y (2.13)
= 3 (400 – 40Y +Y2) + 6Y2 – (20Y – Y2)
= 1.200 – 120Y + 3Y2 +6Y2 – 20Y + Y2
= 1.200 – 140Y + 10Y2
Sekarang persamaan 2.13 sebagai masalah minimisasi tak terkendala. Untuk menyelesaikannya
harus dicari turunannya, menyamakan turunan tersebut dengan nol, dan mendapatkan nilai Y.
ⅆTC
=¿ - 140 + 20Y = 0
ⅆY
20Y = 140
Y=7
Suatu pengujian terhadap tanda dari turunan kedua yang ditaksir pada titik tersebut akan
membuktikan bahwa titik minimum ditemukan:
ⅆTC
=¿ - 140 + 20Y
ⅆY

ⅆ 2 TC
=¿ + 20
ⅆY2
Karena turunnya kedua tersebut adalah positif, maka Y = 7 pastilah, merupaan titik minimum.
Dengan memasukkan 7 kedalam Y di dalam persamaan kendala memungkinkan kita untuk
menentukan kuantitas optimum yang diproduksikan oleh pabrik X.
X + 7 = 20
X = 13
Oleh karena itu, produksi output 13 unit pada pabrik X dan 7 unit pada pabrik Y adalah
kombinasi biaya terendah dalam menghasilkan 20 unit produksi dari perusahaan tersebut. Biaya
total (TC) tersebut adalah:
TC = 3 (13)2 + 6 (7)2 – (13 X 7)
= 507 + 294 – 91
= 710

Teknik Lagrange untuk memecah masalah optimisasiterkendala merupakan suatu cara yang
digunakan untuk mengoptimisasikan sebuahh fungsi dengan cara menggabungkan fungsi tujuan
mula-mula dengan persyaratan kendala. Persamaan gabungan ini disebut fungsi Lagrang. Fungsi
ini dibuat untuk memastikan:
1. Jika fungsi mencapai nilai maksimum (atau minimum), fungsi tujuan mula-mula juga
maksimum.
2. Maka semua persyaratan terpenuhi.
Pengujian terhadap masalah optimisasi terkendala di muka akan memperjelas penggunaan
Teknik ini. Perhatikan bahwa perusahaan tersebut berusaha untuk meminimumkan fungsi TC =
3X2 – 6Y2 – XY, dengan tunduk kepada kendala X + Y = 20. Persamaan kendala tersebut diubah
sebagai berikut.
0 = 20 – X – Y
Ini merupakan langkah pertama dalam membentuk suatu fungsi Lagrange. Dengan mengalikan
kendala tersebut dengan sebuah factor yang tidak di ketahui “λ” (lambda) dan menambahkan
hasil tersebut pada fungsi tujuan mula-mula mengasilkan persamaan Lagrange.
Misalnya:
L
TC = 3X2 + 6Y2 – XY + λ (20 – X – Y) (2.14)
L
TC didefinisikan sebagai sebagai fungsi Lagrange untuk optimisasi terkendala.
Oleh karena fungsi lagrange tersebut memasukkan kendala kedalam fungsi tujuan, maa
fungsi lagrange ini bias dianggap sebagai masalah optimisasi tak terkendala, dan
penyelesaiannya identic dengan penyelesaian masalah optimisasi terkendala mula-mula.
Pada suatu titik minimum dari fungsi yang menggunakan variable majemuk, semua turunan
parsial harus sama dengan nol. Turunan-turunan parsial dari persamaan 2.14 bisa dicari untuk
variable X, Y, λ, sebagai berikut:

∂L TC
=¿ 6X – Y – λ
∂x

∂L TC
=¿ 12Y – X – 1
∂Y
∂L TC
=¿ 20 – X – Y
∂λ
Dengan menentukan ketiga turunan parsial tersebut sama dengan nol, maka kita mendapatkan
tiga persamaan dengan tiga bilangan anu:
6X – Y – λ = 0 (2.15)
X + 12Y – λ = 0 (2.16)
20 – X – Y = 0 (2.17)
Perhatikan bahwa persamaan 2.17, turunan parsial fungsi Lagrange pada λ, merupakan kendala
pada optimisasi mula-mula. Hal tersebut bukanlah terjadi secara kebetulan belaka. Fungsi
Lagrange tersebut dibentuk secara khusus dan oleh karena itu turunan dari fungsi Lagrange pada
angka pengganda Lagrange ¿) tersebut akan selalu merupakan kendala mula-mula. Selama
turunan tersebut sama dengan nol, yang berarti ia berada pada keadaan ekstrim (maksimum atau
minimum), maka persyaratan kendala optimiasasi mula-mula tersebut akan terpenuhi. Selain itu
juga, jika pada persyaratan seperti itu suku terakhir dari persamaan Lagrange harus sama dengan
nol yaitu 0 = 20 – X – Y, maka fungsi Lagrange tersebut akan tetap pada fungsi tujuan mula-
mula, dan oleh karena itu penyelesaian untuk masalah optimisasi tak terkendala (Lagrange) akan
selalu merupakan penyelesaian bagi masalah optimisasi terkendala mula-mula.
Penyempurnaan analisis dari contoh di muka akan memperjelas hubungan tersebut. Kita mulai
dengan menyelesaikan system persamaantersebut untuk mendapatkan nilai X dan Y yang
optimal. Dengan mengurangkan persamaan 2.15 dengan persamaan 2.16 diperoleh:
7X – 13Y = 0 (2.18)
Kemudian mengalikan persamaan 2.17 dengan 7 dan kemudian menambahkan persamaan 2.18
dengan hasil tersebut menghasilkan:
140−7 X−7=0 7X (2.17)
7 X −13 Y =0 (2.18)

140−20Y =0
140=20Y
7=Y

Dengan mensubtitusikan 7 ke dalam Y dalam persamaan 2.17 mengahasilkan X = 13, nilai X

pada titik dimana fungsi Lagrange tersebut minimum.
Oleh karena penyelesaian fungsi Lagrange tersebut juga merupakan penyelesaian masalah
optimisasi terkendala dari perusahaan tersebut,maka 13 unit dari pabrik X dan 7 unit dari
pabrik Y akan merupakan kombinasi output yang bias dihasilkan dengan jumlah pengeluaran
biaya terendah, dengan tunduk pada kendala dimana output total harus sama dengan cara
yang telah diungkapkan lebih awal dimuka.
Teknik Lagrange ini merupakan suatu Teknik yang lebih kuat untuk memecahkan masalah
optimisasi terkendala ketimbang metoda subtitusi.
Teknik ini lebih mudah untuk diterapkan pada masalah dengan kendala majemuk, dan Teknik
ini memberikan tambahan informasi yang sangat berarti bagi para pembuat keputusan. Hal ini
disebabkan oleh angka pengganda Lagrange ¿) memiliki suatu interpretasi ekonomis yang
sangat penting. Dengan mensubtitusikan nilai X dan Y kedalam persamaan 2.15 kita bias
menentukan nilai dari λ dari contoh tersbut:
6 . 13 – 7 – λ = 0
λ = +71

Interpretasi λ sebagai MC pada tingkat output sebesar 20 unit. Ini menunjukan bahwa jika
perusahaan tersebut diharuskan memproduksi hanya 19 unit output maka TC akan turun sekitar
71. Sama juga halnya jika output diharuskan sebesar 21 unit, maka biaya akan naik sejumlah
(71). Jadi secara umum setiap angka pengganda Lagrange λ menunjukkan pengaruh marginal
terhadap penyelesaian fungsi tujuan mula-mula oleh penurunan atau kenaikkan persyaratan
kendala sebesar 1 unit. Lagrange menunjukkan data ekonomi yang bias membantu seorang
manajer untuk mengevaluasi manfaat-manfaat potensial dari pengurangan sebuah kendala.