Anderson Sweeney Williams

Roberta Russell & Bernard W. Taylor, III

QUANTITATIVE
METHODS FOR
BUSINESS 8e
Computer Solution prepared by Titto Rohendra

Slides Prepared by Titto Rohendra

Rohendra,, SE., M.Si.
M.Si.

© 2001 South-
South-Western College Publishing/Thomson Learning Slide 1
 Chapter 7
An Introduction to Linear Programming

Masalah Pemrograman Linier

Perumusan Masalah

Masalah Maksimalisasi

Solusi Grafis Prosedur

Solusi dengan Komputer

Masalah Minimisasi

Kasus Khusus

Slide 2
 Linear Programming (LP) Problem

Masalah pemrograman matematika adalah salah satu

usaha untuk tujuan memaksimalkan fungsi subjektif
pada kendala.
kendala..

Jika kedua fungsi tujuan dan kendala adalah linier,
linier,
masalah ini disebut sebagai masalah program linier.linier.

Fungsi linear adalah fungsi di mana setiap variabel
muncul pada jangka waktu yang dipisahkan pangkat
pertama dan dikalikan dengan konstanta (yang bisa
jadi 0).

Kendala linier adalah fungsi linier yang dibatasi
dengan "kurang dari atau sama dengan",
dengan", "sama
"sama
dengan",
dengan ", atau "lebih besar dari atau sama dengan"
dengan"
dari sebuah konstanta
konstanta..

Slide 3
 LP Solutions

Memaksimalkan atau meminimalkan kuantitas

tertentu adalah tujuan dalam semua persoalan linear
programming.

Sebuah solusi yang layak memenuhi semua
kendala masalah itu.
itu.

Solusi optimal adalah solusi layak yang
menghasilkan nilai fungsi objektif terbesar yang
memungkinkan pada saat memaksimalkan (atau
terkecil saat meminimalkan
meminimalkan).
).

Metode solusi grafis dapat digunakan untuk
memecahkan program linear dengan dua variabel.
variabel.

Slide 4
 Problem Formulation

Perumusan masalah atau Pemodelan adalah proses

menerjemahkan suatu pernyataan masalah lisan ke
dalam suatu pernyataan matematis
matematis..

Slide 5
 Guidelines for Model Formulation

Memahami masalah secara menyeluruh.

menyeluruh.

Tulis keterangan verbal tujuannya
tujuannya..

Tulis keterangan verbal kendala masing
masing--masing.
masing.

Tentukan variabel keputusan
keputusan..

Tulis tujuan dalam hal variabel keputusan
keputusan..

Tulis kendala dalam hal variabel keputusan
keputusan..

Slide 6
 LP Model Formulation

Keputusan variabel
• Simbol matematika merupakan tingkatan aktivitas
operasi

Fungsi Tujuan
• Hubungan linear mencerminkan tujuan operasi
• Tujuan yang paling sering terjadi di perusahaan
bisnis adalah dengan memaksimalkan keuntungan
• Tujuan yang paling sering terjadi unit operasional
individu (misalnya departemen produksi atau
kemasan)) adalah untuk meminimalkan biaya
kemasan

Kendala / Kendala
• Hubungan linear merupakan suatu batasan
terhadap pembuatan keputusan

Slide 7
 LP Model Formulation (cont.)

Max/min z = c1x1 + c2x2 + ... + cnxn

subject to:
a11x1 + a12x2 + ... + a1nxn (≤, =, ≥) b1
a21x1 + a22x2 + ... + a2nxn (≤, =, ≥) b2
:
am1x1 + am2x2 + ... + amnxn (≤, =, ≥) bm

xj = decision variables
bi = constraint levels
cj = objective function coefficients
aij = constraint coefficients
Slide 8
 Example 1: A Maximization Problem

LP Formulation

Max z = 55xx1 + 77xx2

s.t. x1 < 6
2x1 + 33xx2 < 19
x1 + x2 < 8

x1, x2 > 0

Slide 9
 Example 1: Graphical Solution

Constraint #1 Graphed
x2
8

6
x1 < 6
5

1 (6, 0)

1 2 3 4 5 6 7 8 9 10 x1

Slide 10
 Example 1: Graphical Solution

Constraint #2 Graphed
x2

8 (0, 6 1/3)
7

6
2x1 + 3x
3x2 < 19
5

4
3

2
(9 1/2, 0)
1

1 2 3 4 5 6 7 8 9 10
x1

Slide 11
 Example 1: Graphical Solution

Constraint #3 Graphed
x2
(0, 8)
8

6
x1 + x2 < 8
5

1 (8, 0)
1 2 3 4 5 6 7 8 9 10
x1

Slide 12
 Example 1: Graphical Solution

Combined--Constraint Graph
Combined
x2
8
x1 + x2 < 8
7

6
x1 < 6
5

2
2x1 + 3x
3x2 < 19
1

1 2 3 4 5 6 7 8 9 10
x1

Slide 13
 Example 1: Graphical Solution

Feasible Solution Region

x2
8

2 Feasible
1
Region

1 2 3 4 5 6 7 8 9 10 x1

Slide 14
 Example 1: Graphical Solution

Objective Function Line

x2
8

7
(0, 5)
6

5 5x1 + 7x2 = 35
4

1 (7, 0)

1 2 3 4 5 6 7 8 9 10
x1

Slide 15
 Example 1: Graphical Solution

Optimal Solution
x2
8
5x1 + 7x2 = 46
7

5
Optimal Solution
4

1 2 3 4 5 6 7 8 9 10
x1

Slide 16
Example 1: Graphical Solution with POM

Slide 17
 Summary of the Graphical Solution Procedure
for Maximization Problems

Siapkan grafik solusi yang layak untuk masing
masing--
masing kendala.
kendala.

Tentukan daerah layak yang
memenuhi semua kendala secara bersamaan ..

Menggambar garis fungsi objektif
objektif..

Pindahkan garis paralel fungsi objektif yang lebih
besar terhadap nilai fungsi objektiftanpa sepenuhnya m
eninggalkan daerah feasible.

Setiap solusi yang
layak pada baris fungsi tujuan bersama nilai terbesar ad
alah solusioptimal
solusioptimal..

Slide 18
 Slack and Surplus Variables

Suatu program linier di mana semua variabel non

non--
negatif dan semua kendala adalah persamaan
dikatakan dalam bentuk standar
standar..

Bentuk standar tersebut dicapai dengan menambahkan
variabel slack untuk kendala "kurang dari atau sama
dengan”,
dengan ”, dan dengan mengurangkan variabel surplus
dari kendala "lebih besar dari atau sama dengan
dengan"" .

Slack dan surplus variabel merupakan selisih antara sisi
kiri dan kanan dari kendala.
kendala.

Slack dan variabel surplus memiliki koefisien fungsi
Tujuan sama dengan 0.

Slide 19
 Example 1

Standard Form

Max z = 5x
5x1 + 77xx2 + 00ss1 + 00ss2 + 00ss3

s.t. x1 + s1 = 6
2x1 + 33xx2 + s2 = 19
x1 + x2 + s3 = 8

x1, x2 , s1 , s2 , s3 > 0

Slide 20
 Extreme Points and the Optimal Solution

Sudut-sudut atau simpul wilayah feasible disebut

Sudut-
sebagai titik ekstrim
ekstrim..

Suatu solusi optimal untuk masalah LP dapat
ditemukan pada titik ekstrim wilayah feasible.

Ketika mencari solusi yang optimal, Anda tidak harus
mengevaluasi semua titik solusiyang feasible.

Anda harus mempertimbangkan hanya titiktitik--titik
ekstrim daerah yang feasible.

Slide 21
 Example 1: Graphical Solution

The Five Extreme Points

7
5
6

3
4

2 Feasible 3
1
Region
1 2
1 2 3 4 5 6 7 8 9 10 x1

Slide 22
 Computer Solutions

Program komputer yang dirancang untuk memecahkan

masalah LP kini banyak tersedia
tersedia..

Sebagian besar masalah LP dapat diselesaikan
komputer hanya dengan waktu beberapa menit saja saja..

Masalah LP sederhana biasanya hanya memerlukan
beberapa detik saja
saja..

Penyelesaian pemrograman linier kini menjadi bagian
dari banyak paket spreadsheet, seperti Microsoft Excel.
Excel.

Slide 23
 Interpretation of Computer Output

Dalam bab ini kita akan membahas output

sebagai berikut
berikut::
• Nilai fungsi Tujuan
• Nilai – nilai dari variabel keputusan
• Menurunkan biaya
• Slack / Surplus

Slide 24
 LP Model: Example TYRS Co.

Sumber daya yang diperlukan

Tenaga Kerja Tanah Liat Pendapatan
PRODUK (hr/unit) (lb/unit) ($/unit)
Mangkok 1 4 40
Cangkir 2 3 50

Ada 40 jam kerja dan 120 pon tanah liat yang tersedia setiap hari
Variabel – variabel keputusan
x1 = jumlah produksi mangkok
x2 = jumlah produksi cangkir

Slide 25
 LP Formulation: Example
TYRS Co.
Maximize Z = $40 x1 + 50 x2

Subject to
x1 + 2x2 ≤ 40 hr (Batasan Tenaga Kerja)
4x1 + 3x2 ≤ 120 lb (Batasan Tanah Liat)
x1 , x2 ≥ 0

Solusi x1 = 24 Mangkok x2 = 8 Cangkir

Pendapatan = $1,360

Slide 26
Graphical Solution: Example
x2
50 –

40 –
4 x1 + 3 x2 ≤ 120 lb
30 –

20 – Area common to
both constraints

10 –
x1 + 2 x2 ≤ 40 hr

0– | | | | | |
10 20 30 40 50 60 x1

Slide 27
 Computing Optimal Values
x1 + 2x2 = 40
x2
4x1 + 3x2 = 120
40 – 4 x + 3 x ≤ 120 lb
1 2 4x1 +8x2 = 160
-4x1 -3x2 = -120
30 –
5x2 = 40
x2 = 8
20 –
x1 + 2 x2 ≤ 40 hr
x1 + 2(8) = 40
10 – x1 = 24
8
| | 24 | | x1
0–
10 20 30 40
Z = $50(24) + $50(8) = $1,360

Slide 28
 Extreme Corner Points

x1 = 0 bowls
x2 x2 = 20 mugs
x1 = 24 bowls
Z = $1,000
40 – x2 = 8 mugs
Z = $1,360 x1 = 30 bowls
30 – x2 = 0 mugs
20 – A
Z = $1,200

10 –
B
0– | | | C|
10 20 30 40 x1

Slide 29
 Objective Function

x2
40 –
4x1 + 3x
3x2 ≤ 120 lb

30 – Z = 70x
70x1 + 20x
20x2
Optimal point:
x1 = 30 bowls
20 –A x2 = 0 mugs
Z = $2,100

10 – B

x1 + 2x
2x2 ≤ 40 hr
0– | | | C |
10 20 30 40 x1
Slide 30
 Example 2: Spreadsheet Solution

Partial Spreadsheet Showing Problem Data

A B C D E F G
1 X1 X2 Sisi Kiri Sisi Kanan Slack
2 Fungsi Tujuan 40 50 0
3 Tenaga Kerja 1 2 0 ≤ 40 40
4 Tanah Liat 4 3 0 ≤ 120 120
5 Mangkok Cangkir
6 Solusi 0 0

Cell D2 diisi dengan rumus =sumproduct($B$6:$C$6,B2:C2), kemudian copy dari D3 - D4

Cell G3 diisi dengan rumus =F3-D3, kemudian copy ke cell G4

Slide 31
 Example 2: Spreadsheet Solution

Steps to Solver - Excel 2003 and before

• Step 1: Pilih menu Tools
Tools..
• Step 2: Pilih opsi Solver
Solver.. Atau ……

Steps to Solver - Excel 2007 and High
• Step 1: Pilih menu Data
Data..
• Step 2: Pilih opsi Solver
Solver.. Kemudian terbuka kotak
tugas solver ….

Slide 32
 Example 2: Spreadsheet Solution

Result Spreadsheet Showing Problem Data

A B C D E F G
1 X1 X2 Sisi Kiri Sisi Kanan Slack
2 Fungsi Tujuan 40 50 1360
3 Tenaga Kerja 1 2 40 ≤ 40 0
4 Tanah Liat 4 3 120 ≤ 120 0
5 Mangkok Cangkir
6 Solusi 24 8

Slide 33
Excel: Answer; Sensitivity and Limit Reports

Slide 34
Example 3: POM Solution

Slide 35
Example 3: POM Input Data

Slide 36
Example 3: POM Simplex Solution

Slide 37
Example 3: POM Graph Solution

Slide 38
 Feasible Region

Daerah layak untuk masalah pemrograman linear dua
variabel bisa tidak ada sama sekali,
sekali, satu titik
titik,, garis
garis,,
poligon,, atau area tak terbatas
poligon terbatas..

Setiap program linier berada di salah satu dari tiga
kategori::
kategori
• tidak mungkin
• memiliki solusi optimal unik atau solusi alternatif
yang optimal
• memiliki fungsi objektif yang dapat meningkat
tanpa terikat

Suatu daerah bisa layak tak terbatas akan tetapi
mungkin ada solusi optimal. Hal ini biasa terjadi dalam
masalah minimalisasi dan mungkin dalam masalah
maksimalisasi..
maksimalisasi
Slide 39
 Special Cases

Alternative Optimal Solutions

Dalam metode grafis,
grafis, jika garis fungsi tujuan adalah
sejajar dengan batas kendala ke arah optimasi
optimasi,, ada
solusi alternatif yang optimal
optimal,, dengan semua titik pada
segmen garis yang optimal.

Infeasibility
Suatu program linier yang tidak terbatas sehingga tidak
ada titik memenuhi semua kendala yang dikatakan
layak..
layak

Unbounded
(Lihat contoh pada slide selanjutnya.)
selanjutnya.)

Slide 40
 Example: Infeasible Problem

Solve graphically for the optimal solution:

Max z = 2x
2x1 + 66xx2

s.t. 44xx1 + 33xx2 < 12

2x1 + x2 > 8

x1, x2 > 0

Slide 41
 Example: Infeasible Problem

Tidak ada titik yang memenuhi kedua kendala

kendala,, maka
masalah ini tidak memiliki daerah layak,
layak, dan tidak
ada solusi optimal.
x2

8 2x1 + x2 > 8

4x1 + 3
3xx2 < 12
4

x1
3 4
Slide 42
 Example: Unbounded Problem

Solve graphically for the optimal solution:

Max z = 3x
3x1 + 44xx2

s.t. x1 + x2 > 5
3x1 + x2 > 8

x1, x2 > 0

Slide 43
 Example: Unbounded Problem

Daerah layak tak terbatas dan garis fungsi tujuan bisa

dipindahkan sejajar dengan sendirinya tanpa terikat
sehingga z dapat ditingkatkan tak terhingga
terhingga..

x2

3x1 + x2 > 8
8
Max 3x
3x1 + 4
4x
x2
5
x1 + x2 > 5

x1
2.67 5
Slide 44
The End of Chapter 7

Slide 45