Abstrak
Pada paper ini dilakukan penyelesaian model nonlinear menggunakan metode quadratic
proggraming dengan algoritma genetika dalam penentuan produksi optimum pada Salis Konveksi.
Langkah penyelesaiannya adalah pembentukan model nonlinear, menentukan kondisi Khun
Tucker, mengidentifikasi complementary slackness, menambahkan variabel buatan, dan
membentuk fungsi tujuan linear. Model linear yang diperoleh kemudian diselesaikan dengan
algoritma genetika. Adapun langkah penyelesaian menggunakan algoritma genetika adalah
membangkitkan populasi awal, seleksi, crossover, mutasi, dan evaluasi. Terdapat 4 variabel
keputusan yang dibahas, yaitu produksi atasan dewasa, rok dewasa, dress anak, dan atasan
anak. Fungsi tujuan yang terbentuk adalah meminimalkan biaya produksi dengan kendala
sedemikian sehingga semua permintaan dapat terpenuhi. Berdasarkan perhitungan didapatkan
hasil yaitu total minimal biaya produksi Rp 3.026.706,87 dengan produksi atasan dewasa
sebanyak 102 pcs, rok dewasa sebanyak 98 pcs, dress anak sebanyak 180 pcs, dan atasan anak
sebanyak 40 pcs.
Kata Kunci : Optimasi, Pemrograman Nonlinear, Quadratic Programming, Algoritma
Genetika
Abstract
This paper discusses about the completion of nonlinear model using quadratic programming
with genetic algorithm to determine the optimum production at salis convection The completion
steps are by establishing a nonlinear model, determining Khun Tucker's condition, identifying
complementary slackness, adding artificial variables, and forming a linear objective function.
Then, the obtained linear model is solved by a genetics algorithm. The completion steps using
genetic algorithms are by generating initial population, selection, crossover, mutation, and
evaluation. There are four decision variables that discussed, namely the production of
women’s tops, skirts, child dresses, and girl’s tops. The objective function is to minimize
production cost. Based on the calculation, the result shows that total minimum production
cost is Rp 3.026.706, 87 with the production of women’s tops are 102 pieces, skirts are 98
pieces, child dresses are 180 pieces, and girl’s tops are 40 pieces.
Key word: Optimization, Nonlinear Programming, Quadratic Programming, Genetics
Algorithm
PENDAHULUAN model linear dan model nonlinear. Pada
permasalahan sehari-hari seringkali
Optimasi berkaitan dengan pencarian diselesaikan dengan pemrograman nonlinear.
solusi dari suatu permasalahan dengan kendala Terdapat beberapa metode untuk
tertentu. Permasalahan tersebut dapat berupa menyelesaikan permasalahan model nonlinear,
2| Penyelesaian Model Nonlinear .... (Rofiotun Najah)
himpunan solusi yang pada umumnya penelitian yang digunakan adalah data hasil
dihasilkan secara acak. Himpunan ini disebut produksi pada Salis Konveksi selama periode
populasi, sedangkan setiap individu dalam bulan Juli 2016 sampai Desember 2016. Data
populasi disebut kromosom (merupakan tersebut adalah sebagai berikut:
representasi dari solusi) dan yang menempati
kromosom disebut gen dan nilainya dapat Tabel 1. Data Produksi
berupa bilangan numerik, bilangan biner,
Atasan Rok Dress Atasan
simbol ataupun sebuah karakter dari Dewasa Dewasa Anak Anak
permasalahan yang ingin diselesaikan (Gen & Juli 2016 178 159 235 242
Cheng, 2000 : 1). Agustus 2016 193 94 173 236
Pada setiap generasi, kromosom akan September 2016 215 132 184 251
melalui proses evaluasi dengan menggunakan Oktober 2016 243 103 193 367
November 2016 134 256 209 96
alat ukur yang disebut dengan fungsi fitness Desember 2016 215 145 247 195
(kebugaran). Nilai fitness dari suatu kromosom
akan menunjukkan kualitas dari kromosom
Tabel 2. Data Biaya Produksi
dalam populasi tersebut (Zukhri, 2014 : 23). Atasan Rok Dress
Generasi berikutnya dikenal dengan istilah Atasan Anak
Dewasa Dewasa Anak
anak (offspring) terbentuk dari gabungan dua
kromosom generasi sekarang yang bertindak Rp. Rp. Rp.
Rp.
sebagai induk (parent) dengan menggunakan Juli 2016 1.487.500, 1.275.000, 1.508.000,
1.248.000,00
operator penyilangan (crossover). Selain 00 00 00
operator penyilangan, suatu kromosom dapat
Rp. Rp. Rp.
pula dimodifikasi dengan menggunakan Agustus Rp.
operator mutasi (mutation) dengan harapan 1.615.000, 765.000,00 1.105.000,
2016 1.222.000,00
akan menghasilkan kromosom baru dengan 00 00
tingkat fitness lebih tinggi sebagai generasi
Rp. Rp. Rp.
baru atau keturunan (offspring) berikutnya. September Rp.
Setelah beberapa generasi maka algoritma 1.785.000, 1.105.000, 1.170.000,
2016 1.300.000,00
genetika akan konvergen pada kromosom 00 00 00
terbaik, yang diharapkan merupakan solusi Rp. Rp. Rp.
optimal (Goldberg, 1989 : 71). Oktober Rp.
2.040.000, 858.500,00 1.235.000,
Struktur umum dari suaru Algoritma 2016 1.980.000,00
Genetika terdiri dari langkah-langkah: 00 00
𝑥2 − 𝑒2′ = 98 (15b)
′
𝑥3 − 𝑒3 = 180 (15c)
𝑥4 − 𝑒4′ = 40 (15d) Penyelesaian Model Linear Menggunakan
Setelah mengidentifikasi syarat Khun Tucker, Algoritma Genetika
maka kondisi Khun Tucker untuk persamaan
Model linear yang diperoleh yaitu pada
(7) - (8) yaitu:
persamaan (17) dan persamaan (16), kemudian
0,76 𝑥1 + 8344,04 − 𝜆1 − 𝑒1 = 0 (9a)
persamaan tersebut diselesaikan menggunakan
24,14 𝑥2 + 4043,24 − 𝜆2 − 𝑒2 = 0 (9b)
algoritma genetika. Langkah-langkah
31,72 𝑥3 − 232,07 − 𝜆3 − 𝑒3 = 0 (9c)
penyelesaiannya sebagai berikut:
3,66 𝑥4 + 4586,28 − 𝜆4 − 𝑒4 = 0 (9d)
a. Pengkodean Fungsi Fitness
𝑥1 − 𝑒1′ = 102 (15a) Fungsi fitness merupakan fungsi tujuan
′
𝑥2 − 𝑒2 = 98 (15b) yang akan dicari nilai optimalnya. Nilai
𝑥3 − 𝑒3′ = 180 (15c) optimal yang dicari dalam Matlab adalah
𝑥4 − 𝑒4′ = 40 (15d) nilai minimum dari fungsi fitness. Fungsi
2. Mengidentifikasi Complementary Slackness fitness diinput dalam script matlab dan
Berdasarkan (10) dan (15), (9) dan (13), disimpan dengan nama tujuan.m.
maka kondisi complementary slackness untuk
b. Pengkodean Fungsi Kendala
persamaan (7) adalah:
Fungsi kendala diinput dalam script Matlab
𝜆1 𝑒1′ = 0 𝑒1 𝑥1 = 0
dan disimpan dengan nama kendala.m.
𝜆2 𝑒2′ = 0 𝑒2 𝑥2 = 0
c. Minimasi dengan Algoritma Genetika
𝜆3 𝑒3′ = 0 𝑒3 𝑥3 = 0
′ Langkah yang dilakukan yaitu menginput
𝜆4 𝑒4 = 0 𝑒4 𝑥4 = 0
pada script Matlab kemudian disimpan
3. Menambahkan variabel buatan 𝒂𝒊 untuk
dengan nama maincodelinear.m. Hasil
setiap kondisi Khun Tucker yang tidak
memiliki variabel basis dari penyelesaian tersebut adalah
Persamaan (9) dan (15) tidak ada yang sebagai berikut:
memiliki basis sehingga semuanya
ditambahkan variabel buatan 𝒂𝒊 sehingga
bentuknya menjadi:
−0,76 𝑥1 + 𝜆1 + 𝑒1 + 𝑎1 = 8344,04 (16a)
−24,14 𝑥2 + 𝜆2 + 𝑒2 + 𝑎2 = 4043,24 (16b)
31,72 𝑥3 − 𝜆3 − 𝑒3 + 𝑎3 = 232,07 (16c)
−3,66 𝑥4 + 𝜆4 + 𝑒4 + 𝑎4 = 4586,28 (16d)
𝑥1 − 𝑒1′ + 𝑎1 ′ = 102 (16e)
𝑥2 − 𝑒2′ + 𝑎2 ′ = 98 (16f)
′
𝑥3 − 𝑒3 + 𝑎3 ′ = 180 (16g) Gambar 2. Input Perintah Minimasi pada
𝑥4 − 𝑒4′ + 𝑎4 ′ = 40 (16h) Command Window
Semua variabel non negatif. Berdasarkan Gambar 2 diapatkan nilai-
4. Menentukan fungsi tujuan baru yang linear nilai sebagai berikut:
Bentuk fungsi linear baru yang linear
𝑎1 = 0,0000
untuk Salis Konveksi adalah
𝑎2 = 0,0000
Meminimumkan
𝑎3 = 0,0000
𝑤 = 𝑎1 + 𝑎2 + 𝑎3 + 𝑎4 + 𝑎1′ + 𝑎2′ + 𝑎3′ + 𝑎4 ′
𝑎4 = 0,0000
(17)
𝑎1 ′ = 0,0000
Dengan kendala:
𝑎2 ′ = 0,0000
−0,76 𝑥1 + 𝜆1 + 𝑒1 + 𝑎1 = 8344,04 (16a)
𝑎3 ′ = 0,0000
−24,14 𝑥2 + 𝜆2 + 𝑒2 + 𝑎2 = 4043,24 (16b)
𝑎4 ′ = 0,0000
31,72 𝑥3 − 𝜆3 − 𝑒3 + 𝑎3 = 232,07 (16c)
𝑥1 = 102,0000
−3,66 𝑥4 + 𝜆4 + 𝑒4 + 𝑎4 = 4586,28 (16d)
𝜆1 = 75,6243
𝑥1 − 𝑒1′ + 𝑎1 ′ = 102 (16e)
′ 𝑒1 = 64,8824
𝑥2 − 𝑒2 + 𝑎2 ′ = 98 (16f)
𝑥2 = 98,0000
𝑥3 − 𝑒3′ + 𝑎3 ′ = 180 (16g)
𝜆2 = 63,8419
𝑥4 − 𝑒4′ + 𝑎4 ′ = 40 (16h)
𝑒2 = 65,1780
Semua variabel non negatif.
𝑥3 = 180,0000
Penyelesaian Model Nonlinear .... (Rofiotun Najah) | 7
Chambers, L. (2000). The Practical Handbook dalam Perolehan Solusi Optimal Global.
of Genetic Algorithms Applications. CRC Simposium Nasional RAPI XIV. Solo: FT
Press LLC N. W. Corporate Blvd. Boca UMS
Raton. Florida 33431.
Utami, Y. E. D. (2015). Efektivitas
Dewi, V. P., Parhusip, H. A., Linawati, L. Penyelesaian Model Nonlinear
(2013). Analisis Hasil Panen Padi Menggunakan Pendekatan Quadratic
Menggunakan Pemodelan Kuadratik. Programming dan Separable
Seminar Nasional Matematika VII Programming Untuk Optimasi Biaya
UNNES. Produksi Pada Industri Bakpia 716.
Skripsi, tidak diterbitkan, Universitas
Gen, M., & Cheng, R. (2000). Genetic Negeri Yogyakarta, Yogyakarta.
Algorithms & Engineering Optimization.
Canada: John Wiley & Sons, Inc. Zukhri, Z. (2014). Algoritma Genetika.
Yogyakarta: ANDI.
Goldberg, D. (1989). Genetic Algorithms in
Search, Optimization, and Machine
Learning. England: Addision-Wesley
Publishing Company.