DISUSUN OLEH:
NINA AGUSTINA
1834021362
FAKULTAS EKONOMI
contents
DAFTAR ISI .................................................................................................................. i
BAB II ........................................................................................................................... 1
PEMBAHASAN ........................................................................................................... 1
FORMULASI LP ......................................................................................... 17
i
METODE SIMPELKS DUAL ..................................................................... 28
DEGENERASI ............................................................................................. 34
ii
ALGORITMA DEKOMPOSISI .................................................................. 64
iii
iv
KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmatNYA sehingga
makalah ini dapat tersusun hingga selesai . Tidak lupa kami juga mengucapkan banyak
terimakasih atas bantuan dari pihak yang telah berkontribusi dengan memberikan
sumbangan baik materi maupun pikirannya.
Dan harapan kami semoga makalah ini dapat menambah pengetahuan dan
pengalaman bagi para pembaca, Untuk ke depannya dapat memperbaiki bentuk
maupun menambah isi makalah agar menjadi lebih baik lagi.
v
BAB II
PEMBAHASAN
Dalam kebanyakan aplikasi OR, diasumsikan bahwa tujuan dan bisan sebuah
modem dapat diekspresikan secara kuantitatif atau secara matematis sebagai fungsi
dari variabel keputusan. Dalam kasus demikian, kita mengatakan bahwa kita memang
model matematis.
1
Model simulasi, ketika dibandingkan dengan model matematis, memang
menawarkan keluwesan yang lebih besar dalam mewakili sistem yang kompleks.
Alasan utama untuk keluwesan ini adalah bahwa simulasi memandang sistem dari
tingkat elementer yang mendasar. Pemodelan matematis, sebaliknya, cenderung
mempertimbangkan sistem dari tingkat representasi yang kurang terinci.
SENI PERMODELAN
Sistem dunia
nyata
Sistem dunia nyata yang di asumsikan adalah sistem yang di abstraksi dari situasi
nyata dengan memusatkan perhatian identfikasi factor-faktor yang dominan (variable,
batasan, dan parameter) yang mengendalikan perilaku sistem nyata tersebut . Model
yang merupakan sebuah abstraksi dari sistem nyata yang diasumsikan, lalau
mengidentifikasi hubungan sesuai dengan sistem tersebut dalam bentuk tujuan
sekelompok batasan.
Jenis-jenis Model OR
Dalam kebanyakan aplikasi OR, diasumsikan bahwa tujuan dan batasan sebuah model
dapat di ekspresikan secara kuantitatif atau matematis sebagai fungsi dari variable
keputusan. Sayangnya, walaupun terdapat kemajuan yang mengesankan dalam
permodelan matematis, sejumlah situasi nyata diluar kemampuan tenik-teknik
sistematis yang tersedia sekalipun sebuah model matematis dapat diformulasikan,
model itu kemungkinan terbukti terlalu kompleks untuk dipecahkan dengan metode-
metode pemecahan yang ada.
3
Walaupun sebuah model didefinisikan dengan baik, mutu pemecahan model tersebut
jelas bergantung pada seberapa baik kita dapat mengestimasi data. Jika estimasi
tersebut terdistorsi, pemecahan yang diperoleh, walaupun optimum dalam arti
matematis, pada kenyataannya dapat bermutu rendah dari sudut pandang sistem nyata.
Dalam beberapa situasi, data tidak dapat diketahui dengan pasti. Sebaliknya, data
diestimasi berdasarkan distribusi probabilitas. Dalam situasi seperti ini, struktur model
kemungkinan perlu diubah untuk mengakomodasi sifat probabilistik dari permintaan.
Hal ini menimbulkan model pro babilistik atau stokastik, sebagaimana dipertentangkan
dengan model deterministik.
4
Pengumpulan data pada kenyataannya dapat merupakan bagian paling sulit dari
pembuatan sebuah model. Sayangnya, tidak ada peraturan yang dapat disarankan untuk
prosedur ini. Sementara pengalaman pemodelan dalam sebuah organisasi bertambah,
mereka yang melakukan analisis OR juga dapat mengembangkan alat-alat untuk
pengumpulan dan dokumentasi data dengan cara yang berguna untuk proyek-proyek
saat ini dan di masa mendatang.
PERHITUNGAN DALAM OR
Dalam OR terdapat dua jenis perhitungan yang berbeda: yang melibatkan simulasi dan yang
berkaitan dengan model matematis. Dalam model simulasi, perhitungan umumnya sangat
banyak dan kebanyakan sangat memakan waktu. Tetapi, dalam simulasi kita dapat selalu
yakin bahwa hasil yang diinginkan akan diperoleh dengan pasti. Masalahnya semata-mata
adalah menyediakan waktu komputer yang cukup!
5
Sayangnya, tidak semua model OR matematis memiliki algoritma (metode) pemecahan
yang selalu menyatu ke pemecahan optimal. Terdapat dua alasan untuk kesulitan ini:
Kesulitan yang jelas dalam perhitungan model matematis telah memaksa para
praktisi untuk mencari metode-metode perhitungan alternatif. Metode-metode ini juga
bersifat iteratif, tetapi tidak menjamin optimalisasi. Sebaliknya, mereka semata-mata
mencari pemecahan yang baik untuk sebuah masalah. Metode-metode ini biasanya
dikenal sebagai heuristik, karena logika metode ini didasari oleh peraturan-peraturan
umum yang mendukung pemerolehan pemecahan yang baik. Keuntungan dari heuristik
adalah bahwa metode ini umumnya melibatkan lebih sedikit perhitungan ketika
dibandingkan dengan algoritma yang pasti. Juga, karena didasari oleh peraturan-
peraturan umum, metode-metode ini lebih mudah diterangken kepada para pengguna
yang tidak berorientasi pada matematika.
Heuristik dapat dipergunakan dalam konteks algoritma optimisasi yang pasti untuk
mempercepat proses untuk mencapai pemecahan optimal. Kebutuhan untuk
memperbaiki algoritma optimasasi tersebut menjadi lebih jelas dalam model-model
berskala besar.
6
1. Heuristik semata-mata dipergunakan untuk menemukan satu pemecahan yang
baik untuk sebuah masalah. Pemecahan yang dihasilkan tidak dijamin sebagai
pemecahan optimal, dan pada kenyataanya akan sulit diukur.
Tahap-tahap studi OR
Sebuah studi OR tidak dapat dilakukan dan dikendalikan oleh seorang analis OR saja.
Walaupun ia adalah seorang ahli pemodelan dan teknik-teknik pemecahan model,
analis tersebut tidak mungkin merupakan ahli dalam semua bidang di mana masalah
OR timbul. Konsekuensinya, sebuah kelompok OR harus mencakup para anggota
organisasi yang secara langsung bertanggung jawab atas fungsi-fungsi di mana
masalah tersebut berada serta atas pelaksanaan dan implementasi pemecahan yang
direkomendasikan. Dengan kata lain, seorang analis OR melakukan sebuah kesalahan
besar dengan tidak mengusahakan kerja sama dari mereka yang akan melaksanakan
pemecahan yang direkomendasikan.Tahap-tahap utama yang harus dilalui oleh sebuah
kelompok OR untuk melakukan sebuah studi OR mencakup
1. Definisi masalah,
sebagai sudut pandang riset operasi dan aspek utama
2. Pengembangan model,
yang bergantung pada definisi maslah
3. Pemecahan model,
yaitu teknik-teknik optimisasi untuk menghasilkan pemecahan optimal
4. Pengujian keabsahan model,
sebagai metode umum menguji keabsahan model
5. Implementasi hasil akhir,
yaitu hasil model yang telah diuji
Walaupun sama sekali bukan merupakan standar, urutan ini umumnya dapat diterima.
Kecuali untuk tahap pemecahan model," yang umumnya didasari oleh teknik yang
telah dikembangkan dengan baik, tahap-tahap lainnya tampaknya tidak mengikuti
peraturan-peraturan yang tetap. Hal ini berakar dari fakta bahwa prosedur untuk tahap-
7
tahap ini bergantung pada jenis masalah yang sedang diteliti dan lingkungan operasi di
mana masalah itu terdapat. Dalam hal ini, sebuah kelompok riset operasi terutama akan
dituntun dalam studi tersebut oleh pengalaman professional para anggotanya, daripada
oleh beberapa peraturan yang pasti.
Walaupun terdapat kesulitan yang jelas dalam menetapkan peraturan yang tetap
untuk pelaksanaan tahap-tahap ini, tampaknya penetapan beberapa petunjuk umum
merupakan hal yang diinginkan. Sisa bagian ini ditujukan untuk memberikan orientasi
tentang butir-butir utama yang terlibat dalam sebuah studi riset operasi.
Tahap pertama dari studi ini berkaitan dengan definisi masalah. Dari sudut
pandang riset operasi, hal ini menunjukkan tiga aspek utama: (1) deskripsi tentang
sasaran atau tujuan dari studi tersebut, (2) identifikasi alternatif keputusan dari sistem
tersebut, dan (3) pengenalan tentang keterbatasan, batasan, dan persyaratan sistem
tersebut.
Tahap kedua dari studi ini berkaitan dengan pengembangan model. Bergantung
pada definisi masalah, kelompok riset operasi tersebut harus memutuskan model yang
paling sesuai untuk mewakili sistem yang bersangkutan. Model seperti ini harus
menyatakan ekspresi kuantitatif dari tujuan dan batasan masalah dalam bentuk variabel
keputusan. Jika model yang dihasilkan termasuk dalam model matematis vang umum
(misalnya, pemrograman linier), pemecahan yang dalam salah satu vang umum
pemrogra memudahkan dapat diperoleh dengan menggunakan teknik-teknik
matematis, Jika hubungan matematis dalam model tersebut terlalu kompleks untuk
memungkinkan pemevahan analisis model simulasi kemungkinan lebih sesuai.
Beberapa kasus memerlukan penggunaan kombinasi antara model matematis, simulasi
dan heuristik. Hal ini tentu saja sebagian besar bergantung pada sifat dan kompleksitas
sistem yang sedang ditentu.
Tahap ketiga dari studi ini berkaitan dengan pemecahan model. Dalam model-
model matematis hal ini dicapai dengan menggunakan teknik-teknik optimisasi yang
didefinisikan dengan baik dan model tersebut dikatakan menghasilkan sebuah
8
pemecahan optimal. Jika simulasi atau model heuristik dipergunakan, konsep
optimalitas tidak didefinisikan dengan begitu baik, dan pemecahan dalam kasus ini
dipergunakan untuk memperoleh evaluasi terhadap tindakan dalam sistem tersebut.
Harus dicatat bahwa metode pengujian keabsahan seperti ini tidak sesuai untuk
sistem yang belum ada, karena data tidak tersedia untuk perbandingan. Dalam beberapa
kasus, jika sistem semula diinvestigasi oleh sebuah model matematis, adalah layak
untuk mengembangkan sebuah model simulasi yang darinya data dapat diperoleh untuk
melakukan perbandingan
9
Tahap akhir dari studi ini berkaitan dengan implementasi hasil model yang telah
diuji tersebut. Beban pelaksanaan hasil ini terutama berada di pundak para peneliti
operasi. Implementasi melibatkan penerjemahan hal ini menjadi petunjuk operasi yang
terinci dan disebarkan dalam bentuk yang mudah dipahami kepada para individu yang
akan mengatur dan mengoperasikan sistem yang direkomendasikan tersebut. Interaksi
antara kelompok riset operasi dan para tenaga operasi akan mencapai puncaknya dalam
tahap ini. Komunikasi di antara kedua kelompok dapat diperbaiki dengan
mengusahakan partisipasi para tenaga operasi dalam pengembangan rencana
implementasi. Pada kenyataannya, partisipasi ini harus diusahakan di keseluruhan
tahap-tahap dalam studi ini. Dengan cara ini, tidak satu pun pertimbagan praktis yang
akan mengarah pada kegagalan sistem tersebut terabaikan. Sementara itu, modifikasi
atau penyesuaian yang mungkin terhadap sistem tersebut dapat diuji untuk melihat
kelayakannya oleh para tenaga operasi. Dengan kata lain, merupakan sebuah ke atasan
bahwa tahap implementasi tersebut dilakukan melalui kerja sama antara kelompok riset
operasi tersebut dengan mereka yang bertanggung jawab untuk mengelola dan
mengoperasikan sistem yang bersangkutan.
Pada intinya, topik-topik dalam buku ini dikelompokkan sesuai dengan model-
model matematis yang sudah dikenal luas dalam OR (misalnya, pemrograman linier,
pemrograman integer, sediaan, dan teori antrian). Terdapat dua alasan untuk hal ini.
Pertama, seperti yang dapat diperkirakan, tidak terdapat peraturan pasti yang dapat
disarankan untuk aspek seni dari OR. Keragaman situasi di mana OR dapat diterapkan
membuat usaha ke arah ini hampir sia-sia. Kedua, kami percaya bahwa adalah sangat
penting bagi seorang praktisi OR untuk memiliki pemahaman yang memadai tentang
kemampuan dan batasan teknik-teknik OR matematis. Pandangan bahwa seorang
pengguna OR tidak perlu mempelajari aspek matematis dari OR karena komputer dapat
"menangani" pemecahan masalah tersebut merupakan pandangan yang berbahaya. Kita
harus mengingat bahwa komputer memecahkan model sebagaimana diajukan oleh
pengguna. Jika pengguna tersebut tidak menyadari keterbatasan model yang
dipergunakan, kualitas pemecahan akan mencerminkan kekuruangan ini.
10
Kami harus menyatakan bahwa buku ini tidak mengabaikan aspek seni dari OR.
Banyak contoh yang disajikan di sepanjang buku ini akan memberikan gagasan tentang
seni pemodelan OR. Kami juga menekankan topik-topik yang paling berguna dalam
analisis masalah-masalah praktis. Satu contoh adalah topik analisis sensitivitas, yang
memainkan peran penting dalam studi masalah-masalah GR.
Kami percaya bahwa kuliah pertama dalam OR harus memberikan dasar yang
baik kepada para mahasiswa tentang aspek matematika dari OR, dengan
dilipatgandakan dengan contoh-contoh aplikasi dan kasus kecil yang bermakna. Skema
seperti ini akan memberikan jenis keyakinan diri kepada para pengguna OR yang
umumnya tidak terdapat jika mereka mengarahkan pendidikan utama mereka ke arah
aspek filosofi dan artistik dari pengambilan keputusan. Setelah pengetahuan
11
Kegunaan LP adalah lebih luas daripada aplikasinya semata-mata. Pada
kenyataannya, LP harus dipandang sebagai dasar penting untuk pengembangan teknik-
teknik OR lainnya, termasuk pemrograman integer, stokastik, arus jaringan, dan
kuadratik. Dalam hal ini, pemahaman akan LP adalah penting untuk implementasi
teknik-teknik tambahan ini.
Contoh:
12
Reddy Mikks Company memiliki sebuah pabrik kecil yang menghasilkan cat, baik
untuk interior maupun eksterior untuk didistribusikan kepada para grosir. Dengan
dua bahan mentah A dan B, dipergunkan untuk membuat cat tersebut. Ketersediaan
A maksimum adalah 6 ton sehari dan B 8 ton satu hari. Kebutuhan harian akan
bahan mentah per ton cat interior diringkas dalam tabel berikut.
Bahan Mentah A 1 2 6
Bahan Mentah B 2 1 8
Dengan permintaan harian cat interior tidak lebih tinggi dibandingkan permintaan
akan cat eksterior dan permintaan maksimum cat interior terbatas 2 ton per hari.
Harga grosir per ton adalah $3000 untuk cat eksterior dan $2000 untuk cat interior,
berapa banyak cat interior dan eksterior yang harus dihasilkan perusahaan tersebut
setiap harinya unutk memaksimumkan pendapatan kotor?
13
Pendapatan kotor dari penjualan xE ton adalah 3Xe ribu dollar
Z mewakili pendapatan kotor total (dalam ribuan dollar). Dengan fungsi tujuan
ditulis sebagai z=3xe + 2Xi.
Batasan implisit adalah bahwa jumlah yang diproduksi untuk setiap cat tidak dapat
negative (kurang dari nol). Untuk menghindari memperoleh pemecahan seperti itu,
kita mengenakan batasan non negativitas, yang ditulis sebagai
xI ≥ 0
14
xe ≥ 0
Model sistematis yang lengkap untuk masalah Reddy Mikks dapat diringkas
sebagai berikut:
Tentukan jumlah ton cat interior dan eksterior, xi dan xe, yang harus diproduksi
untuk maksimumkan z = 3xe + 2xi (fungsi tujuan)
Dengan batasan
Xe + 2xi ≤ 6
2xe + xi ≤ 8
-xe + xi ≤ 1
Xi ≤ 2
xe≤ 0, xi ≤ 0
Yang menjadikan model ini sebagai program linier karena fungsinya (batasan dan
tujuan) adalah linier, linieritas menyiratkan bahwa baik sifat proporsionalitas
maupun aditivitas dipenuhi.
15
yang sama, sisi kiri dari setiap batasan harus merupakan jumlah penggunaan
individual setiap variable dari sumber daya yang bersesuaian. Misalnya,
dalam kasus dua produk yang bersaing, di mana kenaikan dalam tingkat
penjualan satu produk memiliki pengaruh yang merugikan terhadap
penjualan produk lainnya, kedua produk tersebut tidak memenuhi sifat
aditivitas.
Analisis sensitivitas
Analisis sensitivitas dirancang untuk mempelajari pengaruh perubahan dalam
parameter model LP terhadap pemecahan optimum yang dipandang sebagai bagian
integral dari pemecahan (yang diperluas) dari setiap masalah LP.Tujuan akhir
16
analisis ini adalah untuk memperoleh informasi tentang pemecahan optimum yang
baru dan yang memungkinkan dengan perhitungan tambahan yang minimal yang
terutama sangat sesuai untuk mempelajari pengaruh variasi dalam koefisisen
biaya/laba dan jumlah sumber daya.
Formulasi LP
Dalam hal ini disajikan dua model LP yang akan memudahkan dalam
mendeifiniskannya. Dalam bagian berikutnya, disajikan formulasi lain dimana
identifikasi dan penggunaan variable keputusan adalah lebih rumit.
Malah LP dapat dipandang dalam satu kerangka sebagai sebuah mdel alokasi sumber
daya di mana sumber daya yang terbatas dialokasikan untuk kegiatan ekonimi. Dengan
asumsi masalah LP maksimisasi, orofitabilitas dari sebuah kegiatan ekonomi diukur
dalam bentuk penggunaan sumber daya dan kontribusinya pada fungsi tujuan.
Pengaruh bersih dari kedua factor ini diukur berdasarkan pengurangan biaya daro
kegiatan ekonomi. Harga jual, sebaliknya memberikan ukuran dampak perubahan
dalam ketersediaan sumber daya terhadap nilai tujuan optimum.
Representasi Matematis
Kita berusaha menentukan kombinasi susunan pisau (variabel) yang akan memenuhi
pesanan yang diperlukan (batasan dengan bidang kerugian pemotongan yang terkecil
(tujuan). Definisi variabel sebagaimana diberikan di sini harus diterjemahkan dengan
cara yang dapat dipergunakan oleh para operator di pabrik tersebut. Dengan
mempelajari cara kita mengembangkan kedua kombinasi tersebut, kita mencatat bahwa
17
variabel itu harus didefinisikan sebagai jumlah gulungan standar yang harus dipotong
sesuai dengan satu susunan pisau tertentu. Definisi ini jelas mengharuskan identifikasi
semua susunan pisau yang mungkin sebagaimana diringkaskan dalam tabel berikut ini.
Susunan 1, 2, dan 3 diberikan dalam Gambar 2-14. Anda sebaiknya meyakinkan diri
anda sendiri tentang keabsahan susunan lainnya dan bahwa tidak ada susunan lain yang
menjanjikan" yang terlupakan. Ingat bahwa sebuah susunan yang menjanjikan tidak
dapat menghasilkan kerugian pemotongan dengan lebar 5 kaki atau lebih.
18
menghasilkan satu pemecahan yang unik. Pada intinya, transisi dari prosedur grafik ke
prosedur aljabar sepenuhnya bergantung pada keabsahan hubungan penting berikut ini:
Dengan tidak adanya ruang pemecahan grafik untuk menuntun kita ke arah titik
optimum, kita memerlukan sebuah prosedur yang mengidentifikasi pemecahan-
pemecahan dasar yang menjanjikan secara cerdas. Apa yang dilakukan oleh metode
simpleks adalah mengidentifikasi satu pemecahan dasar awal dan lalu bergerak secara
sistematis ke pemecahan dasar lainnya yang memiliki potensi untuk memperbaiki nilai
fungsi tujuan. Pada akhirnya, pemecahan dasar yang bersesuaian dengan nilai optimum
akan diidentifikasi dan proses perhitungan berakhir. Pada gilirannya, metode simpleks
merupakan prosedur perhitungan yang berulang (iteratif) di mana setiap pengulangan
(iterasi) berkaitan dengan satu pemecahan dasar.
Ada dua variasi dari metode simpleks: algoritma simpleks primal dan simpleks
dual. Pada permukaannya, kedua metode ini tampaknya berbeda. Sebenarnya tidak
demikian halnya, dan pada kenyataannya inti dari kedua algoritma ini tetap didasari
19
oleh gagasan bahwa titik ekstrim dari ruang pemecahan adalah sepenuhnya
diidentifikasi oleh pemecahan dasar dari model LP. Pada dasarnya, kedua algoritma
tersebut tampaknya berbeda hanya karena keduanya dirancang untuk memanfaatkan
rancangan awal khusus dari model LP yang bersangkutan.
. Bentuk LP Standar
Model LP dapat mencakup batasan dengan segala jenis (S, 2, =). Lebih jauh lagi,
variabel dapat nonnegarif atau tidak dibatasi dalam tandanya. Untukmengembangkan
sebuah metode pemecahan yang umum, masalah LP harus ditempatkan dalam format
yang sama, yang akan kita sebut sebagai forma: standar. Sifat dari bentuk ini adalah
sebagai berikut:
1. Semua batasan adalah persamaan (dengan sisi kanan yang non negatif jika
modei tersebut dipecahkan dengan metode simpleks prmal)
Sebagaimana akan diterangkan lebih lanjut, sifat kedua yang mensyaratkan bahwa
semua variabel harus nonnegatif ad?lah sangat penting dalam pengembangan metode
simpleks (primal dan dual).
Batasan
1. Sebuah variabel yang berjenis ≥ (≤) dapat dikonversikan menjadi sebuah
persamaan dengan menambahkan variabel slack ke (mengurangkan variabel
surplus dari) sisi kiri batasan tersebut.
X1 + 2x2 ≤ 6
Xi + 2x2 + SĮ = 6, s1 2 ≥ 0
3x1+2x2 – 3x3 ≥ 5
20
Karena sisi kiri sekarang tidak lebih kecil daripada sisi kanan, kita
mengurangkan variabei s u r p l u s s 2 ≥ 0 dari sisi kiri untuk memperoleh
persamaan
2. Sisi kanan dari. sebuah persamaan dapat selalu dibuat nonnegatif dengan
mengalikan kedua sisi dengan -1. Misalnya, 2xi + 3x2 — 7x3 = -5 secara
matematis adalah setara dengan -2xi — 3x2 + 7x3 = +5.
3. Arah petidaksamaan dibalik ketika kedua sisi dikalikan dengan -1. Misalnya,
sementara 2 ≥ 4, -2 ≥ -4. Jadi pertidaksamaan 2x 1 - x2, < -5 dapat digantikan dengan
-2x1 + x2 ≥ 5
Fungsi Tujuan
Walaupun model LP standar dapat berjenis maksimisasi atau minimisasi, konversi
dari satu bentuk ke bentuk lainnya kadang-kadang berguna. Maksimisasi sebuah
fungsi adalah setara dengan minimisasi negatif dari fungsi yang sama, dan
demikian pula sebaliknya. Misalnya,
Kesetaraan berarti bahwa untuk sekelompok balasan yang sama, nilai optimum dari
x1, x2, dan x3 adalah sama dalam kedua kasus tersebut. Perbedaan satu-satunya
adalah bahwa nilai fungsi tujuan walaupun sama secara numerik, akan terlihat
dengan tanda yang berbeda.
21
Metode Simpelks Primal
Metode simpleks primal dimulai dari satu pemecahan dasar yang layak (titik
ekstrim) dan berlanjut untuk berulang melalui pemecahan dasar yang layak
berikutnya sampai titik optimum dicapai. Proses dimulai di ekstrim titik asal (titik
A) dan bergerak di sepanjang tepi AB dari ruang layak ke titik ekstrim B yang
bersebelahan iterasi 1). Dari B, proses tersebut bergerak di sepanjang tepi BC
ketitik ekstrim C yang bersebelahan iterasi 2), yang adalah optimum. Perhatikan
bahwa prosedur ini tidak mampu melintasi ruang pemecahan (misalnya, dari A ke
C), tetapi harus bergerak disepanjang tepi di antara titik-titik ekstrim yang
bersebelahan.
Semua yang perlu kita lakukan adalah memperlihatkan bagaimana titik ekstrim
seperti A, B, dan C diidentifikasi tanpa keuntungan dari sebuah ruang pemecahan
grafik. Pertimbangkan model Reddy Mikks dalam bentuk standar yang diberikan
di bawah ini:
Sifat pertama menjamin bahwa jumlah variabel slack adalah sama dengan jumlah
persamaan. Jadi semua variabel sisanya dapat dipergunakan sebagai variabel nondasar
(nol). Karena berdasarkan sifat 2 semua sisi kanan dari persamaan adalah nonnegatif,
pemecahan dasar yang dihasilkan secara otomatis adalah layak, sebagaimana
dipersyaratkan oleh metode simpleks primal.
22
kita melakukan perubahan ini dengan memasukkan satu variabel non- dasar setiap kali.
Secara intuitif, sebuah variabel nondasar seperti itu hanya dapat dimasukkan ke dalam
pemecahan jika hal tersebut memperbaiki nilai fungsi tujuan.
Pemecahan dasar yang baru dan diperoleh dengan memasukkan variabel masuk haruş
mencakup tepat m variabel dasar. Ini berarti bahwa salah satu dari variabel dasar saat
ini harus dikeluarkan dari pemecahan. Dalam contoh Reddy Mikks, variabel keluar
(leaving variable) haruslah salan satu dari variabel s1, $2, S3, atau s4. Dengan
memperhatikan Gambar 3-2, kita melihat bahwa nilai variabel masuk dalam
pernikahan yang baru itu bersesuaian dengan titik B. Setiap kenaikan yang melewati
titik ini akan membawa kita keluar ruang layak. Dari definisi batasan, ini berarti bahwa
s2 (yang berkaitan dengan batasan 2) akan sama dengan nol, yang berarti bahwa s2
merupakan variabel keluar.
Kita dapat memilih variabel keluar secara langsung dari persamaan batasan semata-
mata dengan menghitung titik potong non negatif dari semua batasan dengan sumbu
XE. Titik potong terkecil akan mengidentifikasi variabel keluar. Dalam model Reddy
Mikks, hanya batasan 1 dan 2 berpotongan dengan sumbu x dalam arah positif, dengan
titik potong masing-masing sama dengan 6/1 = 6 dan 8/2 = 4. Karena titik potong yang
lebih kecil (= 4) berkaitan dengan batasan kedua, variabel dasar s2 harus meninggalkan
pemecahan.
23
Bagaimana kita dapat mengotomatisasi proses pemilihan variabel keluar tanpa
memanfaatkan ruang pemecahan grafik? Semua yang perlu kita lakukan adalah
menghitung semua titik potong batasan dengan sumbu x sebagai rasio antara sisi kanan
dengan koefisien batasan XE yang bersesuaian; yaitu,
Tiga titik potong pertama digambarkan dalam Gambar 3-2. Titik potong keempat tidak
dapat diperlihatkan karena batasan 4 sejajar dengan sumbu X. Kita tidak perlu
memperhatikan titik potong ketiga, karena nilainya negatif, yang berarti bahwa batasan
ketiga tersebut tidak membatasi XE dalam arah positif. Kita juga tidak perlu
memperhatikan batasan 4, karena tidak berpotongan dengan XE sama sekali. Ini hanya
meninggalkan titik potong 1 dan 2, dengan kesimpulan bahwa s2 haruslah merupakan
variabel keluar. Dalam arti mekanis, kita dapat mengotomatisasi proses di atas dengan
hanya memperhatikan batasan yang koefisien batasannya positif secara ketat untuk
variabel masuk yang bersangkutan.
Prosedur yang diberikan di atas untuk memilih variabel masuk dan variabel
keluar disebut sebagai kondisi optimalitas dan kondisi kelayakan. Kita mencatat bahwa
kondisi kelayakan (titik potong minimum) dapat diterapkan baik untuk masalah
maksimisasi maupun minimisasi. Sebaliknya, kondisi optimalitas untuk masalah
minimisasi adalah berbeda dalam hal bahwa variable masuk berkaitan dengan koefisien
24
non dasar yang paling positif (sebagaimana dibandingkan dengan yang paling negatif
dalam kasus maksimisasi).
Berikut ini adalah ringkasan formal dari dua kondisi simpleks tersebut: Kondisi
Optimalitas: Variabel masuk dalam maksimisasi (minimisasi) adalah variabel non
dasar dengan koefisien yang paling negatif (positif) dalam persamaan z tujuan.
Koefisien dengan nilai yang sama dapat dipilih secara sembarang. Nilai optimum
dicapai ketika semua koefisien nondasar dalam persamaan z adalah non negatif (dan
positif).
25
Kondisi Kelayakan: Baik untuk masalah maksimisasi maupun minimisasi, variabel
keluar adalah variabel dasar saat ini yang memiliki titik potong terkecil (rasio minimum
dengan penyebut yang positif secara ketat) dalam arah variabel masuk. Nilai yang sama
dapat dipilih secara sembarang
Kita sekarang siap untuk menyajikan langkah-langkah iterasi formal dari metode
simpleks primal:
optimalitas.
Langkah 2: Pilih variabel keluar dari variabel dasar saat ini dengan
menggunakan kondisi kelayakan
Langkah 3. Tentukan nilai variabel dasar yang baru dengan membuat variabel
masuk tersebut sebagai variabel dasar dan variabel keluar sebagai variabel nondasar.
Kembali ke langkah 1.
Dengan pemikiran tertentu, anda akan menyadari bahwa metode simpleks primal
didasari oleh argumen yang masuk akal. Secara spesifik, di titik pemecahan dasar (titik
ekstrim) tertentu, kita mencari satu pemecahan dasar yang baru hanya jika kenaikan
dalam nilai salah satu variable nondasar saat ini dapat memperbaiki nilai tujuan
(kondisi optimalitas). Jika kita menemukan variabel nondasar seperti itu, salah satu
variabel dasar saat ini harus meninggalkan pemecahan untuk memenuhi persyaratan
bahwa jumlah variabel dasar harus tepat sama dengan m. Pemilihan variabel keluar
dicapai dengan menggunakan kondisi kelayakan. Proses penukaran variable dasar
26
dengan variabel nondasar ini tepat setara dengan pergerakan di antara titik-titik ekstrim
yang bersebelahan di sepanjang tepi ruang pemecahan (bandingkan dengan Gambar 3-
1). Sebenarnya ti dan metode simpleks primal. Tetapi, anda perlu mengingat saran
berikut ini. Ketika kita mulai menjelaskan bagaimana metode yang disebut metode
Gauss Jordan dipergunakan untuk melakukan "penukaran" variabel masuk dan variabel
keluar, anda akan menemukan perincian perhitungan yang monoton dan
membosankan. Pengalaman kami yang panjang dalam pengajaran menunjukkan bahwa
sebagian besar mereka yang baru mempelajari topik ini "termakan" oleh perincian ini,
sehingga kehilangan jejak tentang apa yang sebenarnya dicapai oleh metode simpleks.
Untuk menghindari jebakan ini, ingat bahwa sasaran utama dari prosedur perhitungan
Gauss-Jor dan adalah mentransformasikan persamaan-persamaan dengan cara yang
memampukan kita untuk memperoleh pemecahan dasar yang baru dengan memberikan
nilai nol pada variabel nondasar saat
ini. Selain itu, prosedur Gauss-Jordan tidak memiliki makna khusus apapun sepanjang
berkaitan dengan teori metode simpleks. Terlebih lagi, ingatlah bahwa anda hanya
perlu beberapa kali melakukan perhitungan yang menjemukan ini, dan sesudahnya
anda dapat menggunakan TORA (atau perangkat lunak lainnya) untuk menangani
tugas ini. Di sepanjarg bab ini, perhatian anda sebaiknya dipusatkan pada interpretasi
pemecahan yang diperoleh dengan perhitungan Gauss-Jor dan. Ini adalah inti dari
pembahasan kami.
27
variabel keluar dicapai dengan menggunakan kondisi kelayakan. Proses penukaran
variabel
Dalam model Reddy Mikks, semua batasan adalah berjenis S. Sifat ini, bersamaan
dengan fakta bahwa sisi kanan dari semua batasan adalah nonnegatif, memberikan kita
pemecahan dasar awal yang layak yang terdiri dari semua variabel slack. Kondisi
seperti ini tidak dipenuhi oleh semua model LP, sehinga menimbulkan kebutuhan
untuk merancang sebuah prosedur perhitungan otomatis untuk memulai iterasi
simpleks. Kita melakukan ini dengan menambahkan variabel buatan (artificial
variable) atau variabel tambahan di mana diperlukan untuk memainkan peran variable
slack. Tetapi, karena variabel buatan seperti itu tidak memiliki makna fisik dalam
model semula (sehingga diberi nama buatan"), ketentuan harus dibuat untuk
membuatnya menjadi nol di iterasi optimum. Dengan kata lain, kita menggunakan
variabel buatan untuk memulai pemecahan, dan lalu meninggalkan mereka setelah misi
mereka terpenuhi.
Kita mencapai hal ini dengan menggunakan umpan balik informasi, yang akan
membuat variabel ini tidak menarik dari sudut pandang optimisasi. Satu cara yang logis
untuk mencapai tujuan ini adalah dengan mengenakan penalti pada variabel buatan
dalam fungsi tujuan. Dua metode (yang berkaitan erat) yang didasari oleh penggunaan
penalti tersedia untuk maksud ini: (1) metode M atau metode penalti dan (2) metode
dua tahap. Perincian tentang kedua prosedur ini diberikan di bawah ini.
28
variabel buatan. Prosedur untuk memecahkan kelompok masalah ini disebut metode
simpleks dual.
Dalam metode ini, pemecahan dimulai tidak layak dan optimal (sebagaimana
diperbandingkan dengan metode sim simpleks primal yang memulai layak tetapi non
optimal). Kami akan pertama-tama memperlihatkan gagasan metode simpleks dual ini
secara grafik dan lalu menyajikan langkah-langkah aljabarnya. Pertimbangkan masalah
LP berikut ini:
dengan batasan
3x1 + x2 ≥ 3
4x1 + 3x2 ≥ 6
X1 + x2 ≤ 3
X1, x2 ≥ 0
Dengan batasan
-3 – x2 + x3 = -3
-4 -3x2 + x4 =-6
29
X1 + x2 +x5 = 3
X1,x1,x3,x4,x5 ≥ 0
x3= -1 x4= -6 x5 = 3
Gagasan umum dari prosedur simpleks dual adalah bahwa sementara iterasi pertama
dimulai tidak layak dan lebih baik daripada) optimal, iterasi berikutnya bergerak ke
arah ruang layak tanpa kehilangan sifat optimalitas (ingat bahwa simpleks biasa
mempertahankan kelayakan sementara bergerak ke arah optimalitas). Pada iterasi di
mana pemecahan menjadi layak untuk pertama kalinya, proses tersebut berakhir.
Gambar 3-3 mengilustrasikan gagasan ini secara grafik. Permecahan dimulai di titik A
(X) = x2 0 dan x3 = -3,44 = -6,15 = 3) dengan z=0, yang akan tidak layak dalam
kaitannya dengan ruang pemecahan. Iterasi berikutnya diperoleh dengan bergerak ke
titik B (x) = 0, x2 = 2) dengan z= 4, yang masih tidak layak. Yang terakhir, kita
mencapai titik C (x = 3/5,x2 = 6/5), di mana z = 21/5.
Tabel awal untuk iterasi simpleks dual untuk contoh tersebut adalah sebagai
berikut
30
Variabel masuk
Dasar x1 x2 x3 x4 x5 Pemecahan
z -3 -2 0 0 0 0
x3 -3 -1 1 0 0 -3
x4 -4 -3 1 0 0 -6
x5 2 1 0 0 1 3
Variabel keluar
Tabel ini bersesuaian dengan titik A dalam Gambar 3-3. Perhatikan bahwa baris tujuan
memenuhi kondisi optimalitas (minimisasi). Pemecahan ini juga tidak layak karena x3
dan X4 memiliki nilai negatif. Ini adalah kondisi (optimal dan tidak layak) yang
diperlukan untuk iterasi awal dalam metode simpleks dual.
Variabel masuk sekarang harus dipilih dari di antara variabel non dasar saat ini
dengan ketentuan bahwa optimalitas tetap terjaga. Hal ini dicapai dengan mengambil
rasio koefisien sisi kiri dari persamaan z dengan koefisien yang bersesuaian dalam
persamaan variabel keluar. Untuk memper tahankan optimalitas, rasio dengan
31
penyebut positif atau nol disir.gkirkan. Variabel masuk adalah variabel yang berkaitan
dengan rasio yang memiliki nilai terkecil.
Variabel x1 x2 x3 x4 x5
Persamaan z -3 -2 0 0 0
Persamaan x4 -4 -3 1 0 1
Jadi, tabel berikut ini diperoleh dengan menggunakan operasi baris yang biasa,
sehingga mengarah pada tabel berikut:
Dasar x1 x2 x3 x4 x5 Pemecahan
z -1/3 0 0 -2/3 0 4
x3 -5/3 0 1 -1/3 0 -1
x2 4/3 1 0 -1/3 0 2
x5 -1/3 0 0 1/3 1 1
rasio 1/5 - - 2 -
Kemudian, x3 meninggalkan pemecahan dasar dan x1 masuk, yang menghasilkan
tabel berikut:
Dasar x1 x2 x3 x4 x5 Pemecahan
32
x2 0 1 4/5 -3/5 0 6/5
=Tabel ini sekarang layak dan optimal. Pemecahan yang bersesuaian adalah x1 = 315,
Metode simpleks dual diterapkan dengan cara yang serupa untuk masalah maksimisasi
dengan ketentuan bahwa pemecahan awal sekali lagi optimal tetapi tidak layak.
Perbedaan satu-satunya adalah, seperti yang anda perkirakan, terjadi dalam kondisi
untuk memilih variabel masuk, seperti diterangkan di bawah ini.
Kondisi Kelayakan: Variabel keluar adalah variabel dasar yang memiliki nilai
paling negative (jika sama, tentukan secara sembarang). Jika semua variabel dasar
adalah nonnegatif, proses berakhir. Kondisi Optimalitas: Variabel masuk adalah
variabel nondasar yang berkaitan dengan rasio terkecil jika meminimumkan atau nilai
absolut terkecil dari rasio jika memaksimumkan (jika sama, tentukan secara
sembarang). Rasio ditentukan dengan membagi koefisien sisi kiri dari per samaan z
dengan koefisien negatif vang bersesuaian dalam persamaan dengan koefisien negative
yang bersangkutan dengan variabel keluar. Jika semua penyebut adalah nol atau positif,
tidak terdapat pemecahan yang layak.
33
1. Degenerasi.
2. Optimum alternatif.
Minat kita untuk mempelajari kasus-kasus khusus ini adalah berlipat dua: (1) untuk
menyajikan penjelasan teoritis tentang alasan-alasan mengapa situasi ini timbul dan (2)
memberikan interpretasi praktis tentang apa arti hasil-hasil khusus ini dalam masalah
kehidupan nyata.
DEGENERASI
Dalam Bagian 3.3 kami menunjukkan bahwa dalam penerapan kondisi kelayakan
metode simpleks primal, dua rasio minimum yang sama dapat dipilih secara sembarang
untuk maksud menentukan variabel keluar. Tetapi, ketika hal ini terjadi, satu variabel
dasar atau lebih pasti akan sama dengan nol dalam iterasi berikutnya. Dalam kasus ini,
kita mengatakan bahwa pemecahan baru itu adalah degenerasi. (Dalam semua contoh
LP yang telah kita pecahkan sejauh ini, variabel dasar selalu memiliki nilai positif
secara ketat.)
Tidak terdapat satu pun hal yang mengejutkan dalam menangani pemecahan
degenerasi, dengan kekecualian satu ketidaknyamanan teoritis kecil, yang akan segera
kita bahas. Dari sudut pandang praktis, kondisi ini menunjukkan bahwa model tersebut
memiliki setidaknya satu batasan yang berlebihan. Untuk mampu memberikan
pemahaman yang lebih mendalam tentang dampak praktis dan teoritis dari degenerasi,
kita akan mempertimbangkan satu contoh numerik. Ilustrasi grafik akan meningkatkan
pemahaman kita tentang gagasan di balik situasi khusus ini.
34
INTERPRETASI TABEL SIMPLEKS: ANALISIS SENSITIVITAS
Dalam bagian yang lalu, kami telah memperkenalkan perincian dasar tentang metode
simpleks. Kita sekarang akan mengalihkan perhatian pada interpretasi hasil keluaran
dari perhitungan metode simpleks. Daftar berikut ini meringkaskan informasi yang
dapat diperoleh dari tabel simpleks:
1. Pemecahan optimum.
Semua butir yang didaftarkan di atas telah dibahas dan diterangkan dalam Bab 2,
sebagian besar melalui penggunaan perangkat lunak TORA. Sasaran kami dalam
bagian ini adalah memberikan pandangan tentang bagaimana hasil yang diberikan
dalam Bab 2 ini diperoleh dari perhitungan metode simpleks.
Sebuah batasan diklasifikasi sebagai batasan yang langka atau melimpah bergantung,
secara berturut-turut, pada apakah pemecahan optimum tersebut "menghabiskan"
keseluruhan jumlah yang tersedia untuk sumber daya yang bersangkutan. Tujuan kita
adalah memperoleh informasi ini dari tabel optimum.
Dalam model Reddy Mikks ini, kita memiliki empat batasan yang berjenis < Dua
batasan pertama (yang mewakili penggunaan bahan mentah) merupakan batasan
sumber daya yang "otentik." Batasan ketiga dan keempat berkaitan dengan batasan.
permintaan yang dikenakan oleh kondisi pasar. Kita dapat memandang batasan ini
sebagai “sumber daya" yang terbatas, karena
35
batasan permintaan yang meningkat adalah setara dengan peningkatan pangsa pasar
perusahaan. Secara moneter, hal ini memiliki pengaruh yang sama seperti peningkatan
ketersediaan sumberdaya fisik (seperti bahan mentah) melalui alokasi dana tambahan.
Status sumber daya (melimpah atau langka) dalam setiap model LP dapat diperoleh
secara langsung dari tabel optimum dengan mengamati nilai variabel slack. Nilai
variabel slack yang positif berarti bahwa sumber daya tersebut tidak dipergunakan
sepenuhnya, sehingga melimpah, sementara nilai variabel slack yang sama dengan nol
menunjukkan bahwa keseluruhan sumber daya tersebut dihabiskan oleh kegiatan-
kegiatan dalam model yang bersangkutan. Jadi, dalam model Reddy Mikks, kita
memiliki ringkasan berikut ini:
36
PERUBAHAN MAKSIMUM DALAM KETERSEDIAAN SUMBER
DAYA
Dalam bagian ini, kita berusaha menentukan kisaran variasi dalam ketersediaan
sumber daya dimana harga dual tetap konstan. Untuk mencapai hal ini, kita perlu
melakukan perhitungan tambahan. Kami pertama-tama memperlihatkan bagaimana
prosedur ini bekerja dan lalu memperlihatkan bagaimana informasi yang sama ini dapat
diperoleh dari tabel optimum.
Bagaimana tabel simpleks berubah ketika perubahan D dilakukan? Cara yang paling
sederhana untuk menjawab pertanyaan ini adalah dengan menambahkan D, ke sisi
kanan dari batasan pertama dalam tabel awal dan lalu melakukan operasi aritmatika
yang sama seperti yang dipergunakan untuk mengembangkan iterasi yang berturut-
turut tersebut. Jika kita mengingat bahwa konstanta sisi kanan tidak pernah
dipergunakan sebagai elemen pivot, terlihat jelas bahwa perubahan D hanya akan
mempengaruhi sisi kanan dari setiap iterasi. Anda sebaiknya memeriksa bahwa iterasi
yang berurutan dari model ini berubah seperti yang diperlihatkan dalam Tabel 3-5.
Sebenarnya, perubahan di sisi kanan yang dihasilkan dari Di dapat diperoleh secara
langsung dari tabel yang berturut-turut tersebut. Pertama-tama, perhatikan bahwa,
dalam setiap iterasi, elemen sisi kanan yang baru terdiri dari sebuah konstanta dan
bagian linier dalam D. Komponen konstanta adalah tepat sama dengan sisi kanan dalam
iterasi sebelum D ditambahkan. Koefisien bagian linier dalam Di pada intinya adalah
koefisien di bawah s dalam iterasi yang sama.
Misalnya, dalam iterasi optimum, konstanta (12,4/3, 10/3, 3, 2/3) mewakili sisi
kanan dari tabel optimum sebelum Di ditambahkan, dan (1/3, 2/3, -1/3, -1, -2/3) adalah
37
koefisien-koefisien di bahwa si dalam tabel yang sama. Mengapa si? Karena variabel
ini secara unik berkaitan dengan variabel pertama. Dengan kata lain, untuk perubahan
sisi kanan dalam batasan kedua, ketiga, dan keempat, kita akan secara berturut-turut
menggunakan koefisien di bawah s2. S3. dan s4.
Seperti yang dilakukan dalam mempelajari kisaran yang diijinkan untuk perubahan
dalam sumber daya, kita juga berminat untuk mempelajari kisaran yang diijinkan untuk
perubahan dalam laba biaya marginal. Kami telah memperlihatkan secara grafik dalam
Bagian 2.1.2 (Masalah Sensitivitas 1) bahwa koefisien fungsi tujuan dapat berubah
dalam batasan-batasan tanpa mempengaruhi nilai optimal dari variabel (walaupun nilai
optimum z akan berubah ini, kami memperlihatkan bagaimana informasi ini dapat
diperoleh dari tabel optimum. dalam situasi ini, seperti dalam kasus perubahan sumber
daya, persamaan tujuan tidak pernah dipergunakan sebagai persamaan pivot. Jadi
setiap perubahan dalam koefisien fungsi tujuan hanya akan mempengaruhi persamaan
tujuan dalam tabel optimum. Ini berarti bahwa perubahan seperti ini memiliki pengaruh
berupa membuat pecahan menjadi tidak optimal. Sasaran kita adalah menentukan
kisaran variasi untuk koefisien tujuan (satu per satu) di mana di dalamnya pemecahan
optimum saat ini tetap tidak berubah
Dua kasus yang berbeda timbul bergantung pada apakah variabel tersebut dasar
atau nondasar dalam tabel optimal.
Kasus 1: Variabel Dasar. Sifat operasi baris dalam tabel simpleks mengungkapkan
bahwa setiap perubahan dalam koefisien semula dari variabel dasar optimal akan
mempengaruhi semua koefisien nondasar dalam baris tujuan dari tabel optimum. Jadi,
perubahan seperti ini mempengaruhi optimum saat ini, karena satu variabel nondasar
atau lebih kemungkinan menjadi dapat dimasukkan ke dalam pemecahan dasar.
38
Kepentingan kita adalah menemukan kisaran variasi untuk koefisien tujuan semula
yang akan menjaga optimum saat ini tetap tidak berubah.
Z= (3 + di) + 2x1
Jika kita menggunakan fungsi ini dalam tabel awal dan melakukan urutan perhitungan
yang sama seperti yang dipergunakan untuk menghasilkan tabel optimum semula, kita
akan memperoleh tabel berikut ini (periksalah!):
DASAR MATEMATIS
Dalam bagian ini, kami mendefinisikan masalah LP dalam bentuk matriks.
Berdasarkan definisi ini kami memperlihatkan bagaimana pemecahan dasar ditentukan.
Kita lalu menggunakan informasi ini untuk mengembangkan tabel simpleks umum
dalam bentuk matriks. Pengembangan ini membentuk dasar untuk pembahasan
perincian metode simpleks yang direvisi.
39
MODEL LP STANDAR DALAM BENTUK MATRIKS
Masalah pemrograman linier dalam bentuk standar dapat diekspresikan dalam bentuk
matriks sebagai berikut:
dengan batasan
(A,I) X = b
X≥0
Sisi kanan diharapkan bersifat non negatif dalam kasus metode simpleks primal.
Contoh:
40
maksimumkan z=2x1 + 3x2 + 4x3
dengan batasan
x1 + x2 + x3 ≥ 5
x1 + x2 =7
X1,x2,x3 ≥ 0
𝑥1
𝑥2
𝑥3
Maksimumkan z= (2, 3, 4, 0, -M, -M, 0) 𝑥4
𝑥5
𝑥6
[𝑥7]
Dengan batasan
𝑥1
𝑥2
1 1 1 −1 1 0 0 𝑥3 5
[1 2 0 0 0 1 0] 𝑥4 = [7]
5 −2 3 0 0 0 1 𝑥5 9
𝑥6
[𝑥7]
Xj ≥ 0 j = 1,2,…., 7
41
Perhatikan bahwa x4 adlah variable surplus sementara x7 adalah variable slack.
Variable x5 dan x6 adalah variable buatan
C = ( 2, 3, 4, 0, -M, -M, 0)
B = (5, 7, 9)
1 1 1 −1 1 0 0
A= [1 2 0 0 ] I = [0 1 0 ]
5 −2 3 0 0 0 1
Dengan diketahui bahwa (A, I)X = b memiliki m persamaan dan n variabel yang
tidak diketahui [X = (x1, x2, .., Xn)], sebuah pemecahan dasar diperoleh dengan
menetapkan n - m variabel sama dengan nol dan lalu memecahkan m persamaan
dengan m variabel yang tidak diketahui, yang tersisa, dengan ketentuan bahwa sebuah
pemecahan yang unik terdapat. Secara sistematis
P adalah vektor kolom ke-j dari (A, I). Setiap m yang merupakan vektor yang
independant secara linier di antara P1, P2, Pn akan bersesuaian dengan pemecahan
dasar (A, I)X = b dan karena itu bersesuaian dengan satu titik ekstrim dari ruang
pemecahan. Dalam kasus ini, vektor m yang dipilih membentuk sebuah basis yang
untuknya matriks bujur sangkar yang berkaitan haruslah bersifat "non singular."
42
METODE SIMPLEKS (PRIMAL) YANG DIREVISI
Metode simpleks primal maupun dual; yaitu, setelahvariabel dasar diidentifikasi,
basis B secara otomatis diketahui dan keseluruhan tabel dihasilkan dari data semula
dalam bentuk standar dan inversi Peraturan spesifik dari metode simpleks primal dan
lalu dapat diterapkan informasi Pada metode simpleks primal dan bentuk pemilihan
vektor masuk dan vektor keluar. Selain dari itu, semua sama. Untuk kita hanya akan
membahas metode simpleks primal yang Dalam metode simpleks (primal dual) yang
direvisi, fakta iterasi hanya dalam definisi basis B menunjukkan keuntungan yang
potensial dalam perhitungan:
terhadap hasil akhir. Dalam yang direvisi, kita semula dari masalah. Dengan
demikian kita mengendalikan akurasi perhitungan dengan mengendalikan
kesalahan pembulatan dalam perhitungan
43
secara khusus.
Im = (e1,e2,….,em)
Dimana e adalah satu vector kolom dengan satu elemen di tempat I dan nol di tempat
lainnya. Anggaplah bahwa B dan B-1 sudah diketahui dan asumsikan bahwa vector Pr
dalam B digantikan dengan vector baru Pj. Untuk penyederhanaan didefiniskan
ai = B-1 Pj
Masalah dual adalah sebuah masalah LP yang diturunkan secara matematis dari satu
model LP primal. Masalah dual dan primal sangat berkaitan erat sedemikian rupa
sehingga pemecahan simpleks optimal dari salah satu masalah akan secara otomatis
menghasilkan pemecahan optimum untuk masalah lainnya.
Z = ∑𝑛𝑗=1 𝐶𝑗𝑋𝑗
44
Dengan batasan
Xj ≥ 0, j = 1, 2,…….n
3. Koefisien batasan dari sebuah variabel primal membentuk koefisien sisi kiri dari
batasan dual yang bersesuaian; dan koefisien tujuan dari variabel yang sama menjadi
sisi kanan dari batasan dual.
45
2. Di pemecahan optimum untuk kedua
𝑛𝑖𝑙𝑎𝑖 𝑡𝑢𝑗𝑢𝑎𝑛 𝑛𝑖𝑙𝑎𝑖 𝑡𝑢𝑗𝑢𝑎𝑛
( )=( )
𝑑𝑎𝑙𝑎𝑚 𝑚𝑎𝑠𝑙𝑎𝑎ℎ 𝑚𝑎𝑘𝑠𝑖𝑚𝑎𝑠𝑖 𝑑𝑎𝑙𝑎𝑚 𝑚𝑎𝑠𝑎𝑙𝑎ℎ 𝑚𝑖𝑛𝑖𝑚𝑖𝑠𝑎𝑠𝑖
Amati dengan hati-hati bahwa kedua hasil ini tidak mengatakan apapun
tentang mana masalah primal dan mana masalah dual. Yang penting dalam kasus ini
adalah arti optimisasi (maksimisasi dan minimisasi). Untuk membuktikan keabsahan
kedua hasil ini, anggaplah (X1, XII) dan Y merupakan pemecahan primal dan dual yang
layak, yang bersesuaian dengan definisi primal-dual yang diberikan dalam bentuk
matriks di akhir Bagian 5.1. Lalu, dengan mengalikan sebelumnya batasan-batasan
dengan Y, kita memperoleh
TAXI + XII = Yb = w
46
2. Memungkinkan implementasi analisis sensitivitas atau analisis pasca-
optimal secara efisien.
Aspek pertama dibahas dalam bab ini. Analisis sensitivitas akan diliput dalam bagian
berikutnya. Untuk maksud penyediaan interpretasi ekonomi dari masalah dual, kita
menggunakan definisi (non matriks) berikut ini untuk masalah primal dan dual.
HARGA DUAL
Dalam Bagian 5.2. 1 kami memperlihatkan bahwa di pemecahan optimal dari baik
masalah primal maupun dual, kita memiliki
Z=w
Atau
𝑛 𝑚
∑ 𝐶𝑗𝑋𝑗 = ∑ 𝑏𝑖𝑦𝑖
𝑗=1 𝑖=1
47
(pengembalian) =
∑𝑚
𝑖=1 (unit sumber daya 1)/$(unit sumber daya )
Jadi variabel dual y, mewakili nilai per unit sumber daya i. Dalam literatur, y, biasanya
disebut sebagai harga dual (kadang-kadang istilah harga bayangan juga dipergunakan).
Analisis dimensional di atas mengarahkan kita pada sebuah observasi menarik. Kami
telah menerangkan dalam Bagian 5.2.1 bahwa untuk pemecahan primal dan dual yang
layak dan tidak optimal, kita memiliki isi
atau
Pertidaksamaan ini mengatakan bahwa selama pengembalian total dari semua kegiatan
adalah lebih kecil dari nilai sumber daya dari model tersebut, pemecahan (primal dan
dual) yang bersangkutan tidak dapat optimal. Optimalisasi (pengembalian maksimum)
dicapai hanya bilamana Sumber daya dimanfaatkan sepenuhnya; yaitu, ketika
pengembalian total sama dengan nilai total dan sumber daya (z w). Alternatif lain, kita
dapat memandang model LP ini sebagai sebuah Sistem masukan-keluaran dengan
sumber daya dan pengembalian yang secara berturut-turut mewakili unsur-unsur
masukan dan keluaran. Sistem ini tetap tidak stabil (tidak optimal) selama stikan (nilai
sumber daya) melebihi keluaran (pengembalian), dengan stabilitas terjadi ketika
keduanya setara.
48
NILAI SLACK KOMPLEMENTER
Jika anda meneliti versi matriks dari tabel simpleks, anda akan menemukan hasil
berikut ini berkenaan dengan pemecahan primal dan dual optimal.
2. Jika di pemecahan optimum sebuah variabel dual yi memiliki nilai positif, batasan
primal pastilah dipenuhi dalam bentuk persamaan karena nilai slack yang berkaitan
dengan nya pastilah nol.
dengan batasan
AXI + IXn = b
Asumsikan bahwa B adalah basis saat ini dan anggaplah CB dan XB adalah elemen-
elemen berkaitan dengannya sebagaimana didefinisikan di sepanjang bab ini. Dengan
diketahui dual Y = CBB-1, iterasi simpleks umum yang bersesuaian adalah
Amati dengan seksama bahwa setelah B, CB, dan XB diketahui, keseluruhan tabel
dapat dihitung dengan menggunakan B-dan data semula dari masalah tersebut. Analisis
pasca-optimal didasari persis oleh observasi ini.
49
Umumnya, dalam analisis pasca-optimal kita berminat untuk mempelajari pengaruh
perubahan koefisien fungsi tujuan Cr dan CH dan/atau jumlah sumber daya yang
tersedia b. Lihatlah tabel di atas dan perhatikan bahwa perubahan dalam Ci, Cli, dan b
tidak memiliki pengaruh apapun terhadap B atau B-. Alasannya adalah bahwa B terdiri
dari kolom (A, I) dan selama (A, I tetap tidak berubah, B tetap tidak dipengaruhi. Jadi
hal pertama yang ingin kita lakukan dalam analisis pasca-optimal adalah menguji
apakah sebuah perubahan tertentu dari (C1, Cn) ke (D1, DII) dan/ atau perubahan dari
b ke d akan membuat basis saat ini B optimal dan layak. Jadi, dengan asumsi bahwa
tidak ada perubahan dalam B, semua yang perlu kita lakukan adalah mengganti CB
dengan DB yang baru dan b dengan d dan lalu menghitung ulang baris tujuan (dengan
menggunakan Y = DBB-1) dan sisi kanannya (= B-d). Jika tidak satu pun dari koefisien
baris tujuan yang baru tersebut melanggar optimalitas dan tidak satu pun dari koefisien
sisi kanan yang baru menjadi negatif, maka B tetap optimal dan layak di nilai yang baru
B-d. Jika tidak, bergantung pada apakah optimalitas atau kelayakan (atau keduanya)
yang dilanggar, perhitungan tambahan akan diperlukan untuk memperoleh pemecahan
baru. Untuk meringkaskan pembahasan di atas, analisis pasca-optimal dapat
dimasukkan ke dalam salah satu dari ketiga kategori ini.
1. Jika tabel menjadi non optimal, terapkan metode simpleks primal terhadap
tabel yang baru sampai optimalitas dicapai (atau terdapat bukti bahwa
pemecahan baru tersebut tidak dibatasi).
50
2. Jika tabel tersebut menjadi tidak layak, terapkan metode simpleks dual
terhadap tabel yang baru sampai kelayakan diperoleh kembali (atau terdapat
bukti bahwa pemecahan baru itu tetap tidak layak).
3. Jika tabel tersebut menjadi non optimal dan tidak layak, pertama-tama
terapkan simpleks primal terhadap tabel baru tersebut tanpa memperhitungkan
ketidaklayakan. Setelah optimalitas dicapai, terapkan metode simpleks dual
untuk memperoleh kembali kelayakan. Prosedur ini pada initinya
menggabungkan prosedur 1 dan 2 secara berurutan.
51
kontinyu yang ditentukan sebelumnya dalam parameter model yang bersangkutan,
seperti ketersediaan sumber daya atau perubahan dalam laba atau biaya marginal.
Dalam industri minyak misalnya, di mana LP diterapkan secara sangat berhasil, adalah
normal untuk meneliti perubahan dalam pemecahan LP optimal yang dihasilkan dari
perubahan dalam ketersediaan dan kualitas minyak mentah.
52
VI. PEMROGRAMAN LINIER: MODEL TRANSPORTASI
2. Biaya transportasi per unit barang dari setiap sumber ke setiap tujuan.
Asumsi dasar dari model ini adalah bahwa biaya transportasi di sebuah rute
tertentu adalah proporsional secara langsung dengan jumlah unit yang dikirimkan.
Definisi "unit transportasi" akan bervariasi tergantung pada jenis "barang" yang
dikirimkan. Misalnya, kita dapat membicarakan unit transportasi sebagai setiap balok
baja yang diperlukan untuk membangun jembatan. Atau kita dapat menggunakan
beban truk dari sebuah barang sebagai unit transportasi. Bagaimanapun juga, unit
penawaran dan permintaan harus konsisten dengan definisi kita tentang "unit yang
dikirimkan",
Sebuah sumber atau tujuan diwakili dengan sebuah node, Busur yang
menghubungkan sebuah sumber dan sebuah tujuan mewakili rute pengiriman barang
tersebut. Jumlah penawaran di sumber i adalah a, dan permintaan di tujuan j adalah b.
Biaya unit transportasi antara sumber dan tujuan j adalah Cij
53
Anggaplah x mewakili jumlah barang yang dikirimkan dari sumber i ke tujuan j; maka
model LP yang mewakili masalah transportasi ini diketahui secara umum sebagai
minimumkan z = ∑𝑚 𝑛
𝑖=1 ∑𝑗=1 𝐶𝑖𝑗𝑋𝑖𝑗
dengan batasan
Kelompok batasan pertama menetapkan bahwa jumlah pengiriman dari sebuah sumber
tidak dapat melebihi penawarannya; demikian pula, kelompok batasan kedua
mengharuskan bahwa jumlah pengiriman ke sebuah tujuan harus memenuhi
permintaannya.
54
(balanced transportation model). Model ini berbeda dengan model di atas hanya dalam
fakta bahwa semua batasan adalah persamaan; yaitu,
Dalam kehidupan nyata, tidak selalu dapat dipastikan bahwa penawaran sama dengan
permintaan atau melebihinya. Tetapi, sebuah model transportasi dapat selalu
berimbang.
Teknik Informasi
Langkah 2: Tentukan variabel masuk dari di antara variabel nondasar. Jika semua
variabel masuk memenuhi kondisi optimalitas (dari metode simpleks), berhenti;
jika tidak, lanjutkan ke langkah 3.
55
a. Penentuan Pemecahan Awal
Definisi umum dari model transportasi dalam Bagian 6.1 mengharuskan bahwa di =
j=1 bj. Persyaratan ini menghasilkan satu persamaan independen, yang berarti bahwa
model tersebut hanya memiliki M+n- 1 persamaan independen. Jadi, seperti dalam
metode simpleks, pemecahan dasar yang layak harus mencakup m +n-1 variabel dasar.
56
Penentuan Variabel Masuk
Langkah ini setara dengan penerapan kondisi kelayakan dalam metode simpleks.
Tetapi, karena semua koefisien batasan dalam model transportasi semula adalah nol
atau 1, rasio (positif) dari kondisi kelayakan akan selalu memiliki penyebut yang sama
dengan 1. Jadi nilai variabel dasar akan secara langsung memberikan rasio yang
bersangkutan.
57
disesuaikan sebagai berikut. Turunkan x dengan satu unit, naikkan x12 dengan satu unit,
fununkan 92 dengan satu unit, naikkan X24 dengan satu unit, dan akhirnya turunkan xu
dengan satu unit. Proses ini diringkaskan dengan tanda plus dan minus e di sudut-sudut
yang sesuai dalam Tabel 6-10. Perubahan ini akan mempertahankan batasan penawaran
dan permintaan tetap dipenuhi.
Variabel keluar dipilih dari di antara variabel-variabel sudut dari loop ini yang
akan menurun ketika variabel masuk x meningkat melewati tingkat nol. Ini ditunjukkan
dalam Tabel 6-10 dengan variabel dalam kotak-kotak yang diberi label dengan tanda
minus O. Dari Tabel 6-10, 11, X22. dan X34 adalah variabel dasar yang akan menurun
ketika x meningkat. Variabel yang memiliki nilai terkecil lalu dipilih sebagai variabel
keluar, karena variabel itu akan menjadi variabel pertama yang mencapai nilai nol dan
setiap penurunan lebih lanjut akan menyebabkan nilainya menjadi negatif (bandingkan
kondisi kelayakan dari metode simpleks di mana variabel keluar dikaitkan dengan rasio
minimum). Dalam contoh ini tiga variabel 0,x, x22, dan x34 memiliki nilai yang sama
(<5), di mana salah satu dari ketiganya dapat dipilih sebagai variabel ke luar Anggaplah
bahwa x4 diambil sebagai variabel keluar, lala nilai x dinaikkan menjadi 5 dan nilai
variabel sudut (dasar) disesuaikan (yaitu, masing-masing dinaikkan atau diturunkan
dengan 5, bergantung pada apakah variabel itu memiliki tanda atau yang berkaitan
58
dengannya). Peme pecahan yang baru ini diringkaskan dalam Tabel 6-11 Biaya
barunya adalah 0 x 10+ 15 x 0+0 x7 + 15 x 9 + 10 x 20 + 5 X 10 $335. Biaya mi
berbeda dengan biaya yang berkaitan dengan pemecahan awal dalam Tabel 6-8 dengan
410-335 $75, yang sama dengan jumlah unit yang diberikan untuk 3 (5) dikalikan
dengan 31 (=$15)
Pemecahan dasar dalam Tabel 6-11 bersifat degenerasi, karena variabel dasar
X11 dan X22 adalah nol. Tetapi, degenerasi tidak memerlukan ketentuan khusus, dan
variabel dasar yang nol diperlakukan sama seperti variabel dasar positif lainnya
Pemecahan dasar baru dalam Tabel 6-11 sekarang diperiksa untuk melihat
optimalitasnya dengan menghitung pengali baru seperti diperlihatkan dalam Tabel 6-
12. Nilai e diketahui berdasarkan angka di sudut barat daya dari setiap sel non dasar.
Variabel nondas ar te dengan positif yang terbesar memasuki pemecahan Loop tertutup
yang berkaitan dengan X21 memperlihatkan bahwa X11 atau X22 dapat menjadi
variable keluar. Kita dapat secara sembarang memilih X11 untuk meninggalkan
pemecahan.
59
PEMECAHAN AWAL DIPERBAIKI
Metode sudut barat laut yang disajikan dalam Bagian 6.2.1 tidak selalu menghasilkan
pemecahan awal yang baik untuk model transportasi. Dalam bagian ini, kami
menyajikan dua prosedur yang menentukan pecahan awal dengan memilih rute yang
“murah" dari model tersebut.
Prosedurnya adalah sebagai berikut. Berikan nilai setinggi mungkin pada variabel
dengan biaya unit terkecil dalam keseluruhan tabel. (Beberapa biaya unit yang sama
dipilih secara sembarang.) Silang baris atau kolom yang dipenuhi. (Seperti dalam
metode sudut barat laut, jika baik kolom maupun baris dipenuhi secara berbarengan,
hanya satu yang disilang.) Setelah menyesuaikan penawaran dan permintaan untuk
semua baris dan kolom yang belum disilang, ulangi proses dengan memberikan nilai
setinggi mungkin pada variabel dengan biaya unit terkecil yang berdisilang. Prosedur
ini diselesaikan ketika tepat satu baris atau satu kolom belum disilang.
Prosedurnya adalah sebagai berikut. Berikan nilai setinggi mungkin pada variabel
dengan biaya unit terkecil dalam keseluruhan tabel. (Beberapa biaya unit yang sama
dipilih secara sembarang.) Silang baris atau kolom yang dipenuhi. (Seperti dalam
metode sudut barat laut, jika baik kolom maupun baris dipenuhi secara berbarengan,
hanya satu yang disilang.) Setelah menyesuaikan penawaran dan permintaan untuk
semua baris dan kolom yang belum disilang, ulangi proses dengan memberikan nilai
setinggi mungkin pada variabel dengan biaya unit terkecil yang belum disilang.
Prosedur ini diselesa kan ketika tepat satu baris atau satu kolom belum disilang.
60
memilih secara sembarang, pilihlah 1 Unit penawaran dan permintaan yang
bersangkutan memberikan X12 = 15, yang memenuhi baik baris 1 maupun kolom 2.
Dengan menyilang kolom 2, penawaran yang tersisa di baris adalah nol
Kemudian, x31 memiliki biaya unit terkecil yang belum disilang. Jadi x3 = 5 memenuhi
baik baris 3 maupun kolom 1. Dengan menyilang baris 3. permintaan dalam kolom 1
adalah nol. Elemen berbiaya terkecil yang belum disilang adalah c23 = 9. Unit
penawaran dan permintaan memberikan 23 = 15, yang menyilang kolom 3 dan
menyisakan 10 unit penawaran dalam baris 2. Elemen berbiaya terkecil yang belum
disilang adalah CI = 10. Karena penawaran yang tersisa di baris 1 dan permintaan yang
tersisa di kolom 1 keduanya nol, X11 = 0. Dengan menyilang kolom 1, penawaran yang
tersisa" di baris 1 adalah nol. Variabel dasar sisanya diperoleh secara berturut turut
sebagai x14 0 dan X 24 = 10. Lalu biaya total yang berkaitan dengan pemecahan ini
adalah 0 X 10 + 15 x 0 + 0 x 11 + 15 x 9 + 10 x 20 + 5 x 0 = $335, yang adalah lebih
baik (lebih rendah) daripada yang diperoleh dengan metode sudut barat laut.
61
Metode merupakan sebuah heuristik dan biasanya memberikan pemecahan awal yang
Lebih baik daripada metode barat laut atau metode biaya terendah. Pada kenyataannya,
menghasilkan pemecahan awal yang optimum, atau dekat dengan optimum.
Langkah 2: Identifikasi baris atau kolom dengan penalti pilih nilai yang sama
secara sembarang. Alokasikan sebanyak mungkin pada variabel dengan biaya
terendah dalam baris atau kolom yang dipilih. Sesuaikan penawaran dan
permintaan dan silang baris atau kolom yang dipenuhi. Jika sebuah baris atau
kolom dipenuhi secara bersamaan, hanya satu di antaranya yang disilang dan
baris (kolom) sisanya diberikan penawaran (permintaan) nol. Setiap baris atau
kolom dengan penawaran atau permintaan nol tidak boleh dipergunakan dalam
menghitung penalti.
MODEL TRANSSHIPMENT
Model transportasi standar mengasumsikan bahwa rute langsung antara sebuah sumber
dan sebuah tujuan adalah rute berbiaya minimum. Jadi, dalam tabel jarak dari tiga
pabrik ke dua pusat distribusi memberikan rute terdekat di antara sumber dan tujuan.
Ini berarti bahwa perhitungan persiapan yang melibatkan penentuan rute terdekat harus
dilakukan sebelum biaya unit dari model transportasi standar dapat ditentukan.
62
menggabungkan baik algoritma transportasi biasa dengan algoritma rute terdekat
menjadi satu prosedur.
maksimumkan = CX
dengan batasan
𝑈1 𝐼1
𝑈2 𝐼2
U= . dan L= . , U ≥L≥0
. .
(𝑢𝑛 + 𝑚) (𝐼𝑛 + 𝑚)
Elemen L dan untuk sebuah variabel yang tidak di dibatasi adalah 0 dan ∞
63
Masalah ini dapat dipecahkan dengan metode simpleks biasa di mana batasan
ditempatkan dalam bentuk
(A, I) X =b
X+ X’ =U
X-X” = L
X, X’, X” ≥ 0
di mana X’ dan X" adalah variabel slack can surplus. Masalah ini mencakup 3 (m+n)
variabel dan 3m +2 persamaan butasan. Tetapi, ukuran ini dapat cukup banyak
dikurangi melalui penggunaan teknik-teknik khusus yang pada akhinya mengurangi
persamaan batasan menjadi
(A,I)X = b
X=L+X”
untuk menyingkirkan X dan semua batasan sisanya. Variabel ban dari masalah ini
menjadi X' dan X" Di sini tidak terdapat kekuatiran dalam kasus ini bahwa X
kemungkinan melanggar batasan nonegativitas, karena baik maupun X adalah
nonnegative.
ALGORITMA DEKOMPOSISI
Struktur khusus dari program linier tertentu yang besar memungkinkan penentuan
pemecahan yang optimal dengan pertama-tama melakukan pemecahan (dekomposisi)
terhadap masalah yang bersangkutan menjadi beberapa bagian masalah dan lalu
memecahkan bagian-bagian masalah tersebut hampir-hampir secara independen.
Prosedur ini memiliki keuntungan berupa memungkinkan bagi kita untuk memecahkan
64
masalah-masalah berskala besar dengan perhitungan yang tidak layak dengan cara
lainnya.
Situasi seperti ini dapat timbul dalam perencanaan sarana produksi di tingkat
perusahaan. Walaupun setiap sarana produksi kemungkinan memiliki batasan-batasan
sendiri yang independen, kegiatan-kegiatan yang berbeda biasanya disatukan di tingkat
perusahaan dengan batasan anggaran. Kedua jenis batasan ini disebut sebagai batasan
timun (common constraint) dan batasan independen (independent constraint).
65
yang diperlukan untuk mencapai pemecahan optimum. Pada kenyataannya, para
peneliti telah mengembangkan masalah-masalah LP dengan n variabel di mana
kesemua 2" titik ekstrim ditemui sebelum pemecahan optimum diperoleh.
minimumkan z= CX
dengan batasan
AX = 0
1X = 1
X≥0
Pada intinya, semua batasan merupakan persamaan homogen kecuali untuk batasan
1X =∑𝑛𝑗 1 xj= 1, yang mendefinisikan sebuah simpleks n dimensi. Keabsahan
algoritma Karmarkar bergantung pada pemenuhan dua kondisi:
66
1 1 1
1. X (𝑛 , 𝑛 . … , 𝑛) memenuhi AX = 0
2. min z=0
DEFINISI JARINGAN
Sebuah jaringan terdiri dari sekelompok node yang dihubungkan oleh busur atau
cabang. Suatu jenis arus tertentu berkaitan dengan setiap busur. Contohnya, dalam
jaringan transportasi, kota mewakili node dan jalan raya mewakili busur, dengan lalu
lintas mewakili arus busur. Notasi standar untuk menggambarkan sebuah jaringan G
adalah G= (N, A), di mana N adalah himpunan node dan A adalah himpunan busur.
Jadi, jaringan dalam Gambar 8-1 yang terdiri dari lima node dan delapan busur
dijabarkan dengan x
N = {1, 2, 3, 4, 5)
Suatu jenis arus tertentu berkaitan dengan setiap jaringan. Pada umumnya, arus dalam
sebuah busur dibatasi oleh kapasitasnya, yang dapat terbatas atau tidak terbatas.
67
MASALAH POHON PERENTANGAN MINIMAL
Pertimbangkan situasi di mana kita menginginkan untuk menciptakan sebuah jaringan
jalan aspal yang menghubungkan sejumlah wilayah pedesaan. Karena batasan
anggaran, jumlah kilometre jalan yung dibangun harus benar-benar ini yang
memungkinkan hubungan lalu lintas langsung atau tidak langsung di antara kota-kota
yang berbeda.
68
Algoritma pohon perentangan minimal memerlukan awal dari salah satu node
manapun dan menghubungkannya dengan node terdekat dalam jaringan tersebut. Dua
node yang dihasilkan lalu membentuk himpunan yang dihubungkan, C, dengan node
sisanya membentuk node yang tidak dihubungkan, C. Selanjutnya, kita memilih sebuah
node dari himpunan yang tidak dihubungkan yang terdekat (memiliki panjang busur
terpendek) ke salah satu node dalam himpunan yang dihubungkan. Node yang dipilih
tersebut lalu disingkirkan dari himpunan yang tidak dihubungkan dan dimasukkan ke
dalam himpunan yang dihubungkan. Proses ini diulangi sampai himpunan yang tidak
dihubungkan kosong (atau dengan kata lain, sampai semua node dipindahkan dari C ke
himpunan C). Jarak terdekat yang sama dapat dipilih secara sembarang. Tetapi, jarak
yang sama tersebut menunjukkan adanya pemecahan alternatif.
Jelas masalah rute terdekat berkaitan dengan penentuan busur-busur yang dihubungkan
dalam sebuah jaringan transportasi yang secara bersama-sama membentuk jarak
terdekat di antara sumber dan tujuan. Dalam bagian ini, kami menyajikan jenis
penerapan lain yang dapat dimodel dan dipecahkan sebagai masalah rute terdekat.
Penerapan tersebut diikuti dengan penyajikan algoritma pemecahan
Contoh 8.3-1 (Teka-teki Tiga Tempayan).* Anda diberi satu tempayan ukuran galon
yang diisi dengan cairan tertentu. Anda juga diberi dua tempayan kosong ukuran 5
galon Anda kemungkinan pernah menemui teka-teki ini sebelumnya. Tujuan kami
adalah menunjukkan baca representasi jaringan dapat dipergunakan untuk
menisistemasisasi prosedur pemecahan. Salah mahasiswa, setelah menerima
pemecahan masalah ini dalam kuliah saya tentang jaringan, mampu meman proses
logika yang sama untuk memecahkan sebuah masalah (lihat Pertanyaan 8-6)
69
dan 3 galon. Yang diperlukan adalah membagi cairan tersebut ke dalam dua bagian
yang masing masing berisi 4 galon dengan menuang di antara ketiga tempayan tersebut.
Alat ukur lain tidak diizinkan. Kita menggunakan representasi jaringan untuk membuat
model situasi ini. Sebuah node dide- finisikan untuk mewakili jumlah cairan dalam
tempayan 8 galon, 5 galon, dan 3 galon, secara berturut-turut. Kita menggunakan notasi
(a, b, c) untuk meringkas definisi node tersebut. Contohnya, node (8,0,0) berarti bahwa
tempayan 8 galon adalah penuh dan tempat 5 galon dan 3 galon kosong. Jika kita
menuang dari tempayan 8 galon untuk mengisi tempat 5 galon, kita tiba di node (3, 5,
0). Node (8, 0, 0) sebenarnya mewakili keadaan awal dari sistem ini sebelum
pembagian dilakukan, sementara node (3, 5, 0) mewakili satu node yang mungkin di
sepanjang jalur yang pada akhirnya mengarahkan kita ke pemecahan yang diinginkan
(4,4, 0). Tujuan kita adalah menemukan jalur (urutan node) yang akan membawa kita
dari keadaan awal ini, node (8, 0, 0), ke pemecahan akhir, node (4, 4, 0). Amat: bahwa
tidak ada kombinasi selain (4, 4, 0) yang memberikan pemecahan akhir yang
diinginkan, karena tempayan ketiga hanya memiliki kapasitas3 galon.
70
model ini termasuk dalam kategori algoritma rute terdekat. Gambar 8-5 mewakili
semua node yang menjanjikan yang dapat mengarah dari node (8. ke node akhir (4,4,0).
Setiap busur dalam jaringan ini bersesuaian dengan tepat satu operasi penuangan; jadi
masing-masing memiliki panjang nominal sebesar 1 unit, Pemecahan optimum
memerlukan tujuh operasi penuangan dan (jelas).
Algoritma asiklis tidak akan berjalan baik jika jaringan yang bersangkutan kebetulan
mencakup loop yang terarah. Untuk memperlihatkan hal ini, pertimbangkan jaringan
dalam Gambar 8-10, di yang terarah dibentuk oleh dede 2, 3, an 4. Dengan peraturan
algoritma asiklis adalah tidak mungkin mengevaluasi masing-masing dari node 2, 3,
dan 4 dalam loop ini, karena algoritma tersebut mengharuskan perhitungan u, untuk
semua node yang mengarah pada nodej sebelum u, dapat dievaluasi.
Algoritma siklis berbeda dengan algoritma asiklis dalam hal bahwa algoritma
ini memungkinkan sebanyak mungkin kesempatan sebagaimana yang diperlukan untuk
mengevaluasi ulang sebuah node. Ketika terlihat bahwa jarak terdekat ke sebuah node
telah dicapai, node tersebut dikeluarkan dari pertimbangan lebih lanjut. Proses ini
berakhir ketika node tujuan dievaluasi.
71
Algoritma siklis (juga dikenal sebagai algoritma Dijkstra) menggunakan dua jenis
label: sementara dan tetap. Kedua label tersebut menggunakan formal yang sama
dengan yang dipergunakan dalam algoritma asiklis: yaitu, [d, n] di mana d adalah arak
terdekat yang sejauh ini tersedia untuk node saat ini, dan n adalah node yang tepat
mendahuluinya yang memungkinkan realisasi jarak d. Algoritma ini memulai dari node
sumber yang memiliki label tetap [0, 1],Selanjutnya kita mempertimbangkan semua
node yang dapat dicapai secara langsung dari node sumber tersebut dan lalu
menentukan labelnya yang sesuai. Label yang baru dibuat ini dinyatakan sebagai label
sementara. Label tetap berikutnya dipilih dari di antara semua label sementara saat ini
dengan d terkecil dalam label [d, n] yang bersangkutan (angka yang sama dipilih secara
sembarang). Proses ini lalu diulangi untuk node terakhir yang telah dinyatakan dengan
label tetap.
Dalam kasus demikian, label sementara dari sebuah node hanya dapat diubah
jika label baru tersebut menghasilkan jarak d yang lebih dekat. Marilah kita
menerapkan prosedur ini untuk jaringan dalam Gambar 8-10. Asumsi dasar dari
algoritma ini adalah bahwa semua jarak dalam jaringan tersebut adalah nonnegatif.
72
Iterasi 0: Node 1 memiliki label tetap [0,-1]
Iterasi I: Node 2 dan 3, yang dapat dicapai secara langsung dari node 1 (node terakhir
yang diberi label tetap), sekarang memiliki label sementara [0 + 100, 1] dan [0 +30, 1],
atau [100, 1] dan (30, 1), secara berturut-turut.
Di antara label sementara saat ini, node 3 memiliki jarak terdekat d= 30 (= min
{100, 30}). Jadi node 3 diberi label tetap.
Iterasi 2: Node 4 dan 5 dapat dicapai dari node terakhir yang diberi label tetap
(node 3) dan label sementara dari kedua node tersebut adalah [30 + 10, 3] dan [30 +
60, 3] (atau [40, 3] dan [90,3], secara berturut-turut. Di titik ini, kita memiliki tiga label
sementara [ 10011403 dan [90,3] yang secara berturut-turut berkaitan dengan node 2,
4, dan 5. Node 4 yang diberi label sementara memiliki d terkecil = 40 (= min [100,40,90
}) dan karena ini label [40, 3] dikonversi an ke dalam status tetap.
Iterasi 3: Dari node 4, kita sekarang memberikan node 2 label sementara yang
baru [40 + 15, 4] = (55, 4), yang menggantikan label sementara yang lama [100, 1].
Selanjutnya, node 5 diberi label sementara [40+50, 4]= [90, 4]. Label sementara
sekarang mencakup [55,4] dan [90, 4] yang secara berturut-turut berkaitan dengan node
2 dan 5. Kita karena itu memberikan label tetap [5,4] kepada node 2.
Satu-satunya node sisanya adalah node tujuan 5, yang mengkonversikan labelnya [90.
41] menjadi sebuah label tetap, sehingga menyelesaikan prosedur ini.
73
MASALAH RUTE TERDEKAT DIPANDANG SEBAGAI MODEL
TRANSSHIPMENT
Kita dapat merumuskan masalah rute terdekat sebagai sebuah model transshipment
(lihat Bagian 6.4). Kita dapat memandang jaringan rute terdekat sebagai sebuah model
transportasi dengan satu sumber dan satu tujuan. Penawaran di sumber adalah satu unit
dan permintaan di tujuan juga satu umit. Satu unit akan mengalir dari sumber ke tujuan
melalui rute yang dapat diterima dalam jaringan tersebut. Tujuannya adalah
nieminimumkan jarak yang ditempuh oleh unit tersebut sementara mengalir dari
sumber ke tujuan.
74
Tabel 8-4 juga memberikan pemecahan optimum, yang diperoleh melalui penggunaan
knik transportasi (Bagian 6.2.1). Tabel tersebut memperlihatkan bahwa
75
MASALAH ARUS MAKSIMAL
Dalam bagian ini, kita mempertimbangkan situasi di mana satu node sumber dan satu
node tujuan dihubungkan melalui sebuah jaringan busur dengan kapasitas terbatas.
Jaringan ini bersifat satu arah dalam arti bahwa anus dimulai di node sumber dan
berakhir di node tujuan. Tetapi, sebuah busur (i,j) dapat memiliki dua kapasitas yang
berbeda, bergantung pada apakah arus tersebut dari I ke j atau dari j ke i Misalnya, Jika
jaringan tersebut berhubungan dengan arus lalu lintas di jalan raya, sebuah jalan dapat
memiliki kapasitas positif dalam satu arah dan kapasitas nol dalam arah lainnya.
Sebaliknya, sebuah jalan dua arah dapat memiliki kapasitas yang berbeda dalam arah
yang berlawanan jika kedua arah tersebut tidak memiliki jumlah jalur yang sama.
76
Satu contoh masalah arus maksimal adalah situasi di mana sejumlah
pengilangan dihubungkan dengan beberapa terminal distribusi melalui jaringan pipa.
Stasiun pemompaan dipasang di jaringan pipa tersebut untuk menggerakkan produk-
produk minyak ke terminal distribusi. Tujuan menganalisis situasi ini adalah
memaksimumkan arus di antara pengilangan dan terminal berdasarkan batasan
kapasitas pengilangan dan pipa.
77
Langkah-langkah metode simpleks jaringan tepat sama seperti dalam metode simpleks
untuk variabel dengan batas atas (Bagian 7.1). Perbedaan hanya terdapat dalam
perincian perhitungan, yang dirancang untuk memanfaatkan struktur khusus dari
masalah jaringan ini. berikan perincian dari algoritma ini, perhatikan bahwa agar
jaringan berkapasitas tersebut memiliki pemecahan yang layak, maka jumlah bersih
semua penawaran dan permintaan harus sama dengan nol; yaitu,
∑𝑁
𝐽=1 bJ;=0
Kondisi ini dapat selalu dipenuhi dengan menambahkan satu sumber dummy atau
tujuan dummy seperti yang kita lakukan dalam model transportasi. Node sumber
(tujuan) dummy tersebut harus dihubungkan ke setiap node tujuan (sumber) dalam
jaringan tersebut dengan biaya per unit arus sebesar nol dan batas atas kapasitas tak
terhingga. Ingatlah bahwa kondisi di atas tidak menjamin pemecahan yang layak,
karena kapasitas busur dapat membuat tidak terdapatnya peme pecahan yang layak.
78
pemecahan pohon peren angan bersesuaian dengan pemecahan dasar dari model LP
berkapasitas, dan demikian pula sebaliknya.
Hasil ini adalah gagasan kunci untuk pengembangan metode simpleks jaringan.
Langkah 0: Temukan pemecahan pohon perentangan (dasar) awal yang layak. Jika
tidak terdapat pemecahan yang layak, hentikan.
metode simpleks. Jika tidak terdapat, heatikan: jika ada, lanjutkan ke langkah 2.
79
Langkah 2: Tentukan busur (variabel) keluar dengan menggunakan kondisi kelayakan
dari metode simpleks dengan batas atas. Ubah pohon perentangan (basis), lalu kembali
ke langkah 1
Kesulitan perhitungan dengan algoritma ILP yang tersedia telah mengarahkan para
pengguna untuk mencari cara-cara lain untuk "memecahkan" masalah yang
bersangkutan. Salah satu pendekatan seperti ini adalah memecahkan model tersebut
sebagai sebuah LP yang kontinyu dan lalu membulatkan pemecahan optimum ke nilai
integer terdekat yang layak. Tetapi, tidak terdapat jaminan dalam kasus ini bahwa
pemecahan yang dibulatkan itu akan memenuhi batasan batasan. Ini selalu berlaku jika
ILP semula memiliki satu batasan atau lebih yang berbentuk persamaan. Dari teori
pemrograman linier, sebuah pecahan yang dibulatkan dalam kasus ini tidak dapat
layak, karena pemecahan itu menyiratkan bahwa basis yang sama (dengan semua
80
variabel nondasar berada di tingkat nol) dapat menghasilkan dua pecahan yang
berbeda.
Dalam bagian ini sejumlah aplikasi pemrograman integer disajikan. Beberapa dari
aplikasi ini berkaitan dengan perumusan langsung masalah yang bersangkutan.
Kontribusi penting lainnya adalah penggunaan pemrograman integer untuk
merumuskan ulang model-model yang dikembangkan dengan buruk" ke da am format
yang dapat diterima untuk model-model pemrograman matematis. Dalam kasus ini,
81
teknik yang tersedia dapat dipergunakan untuk memecahkan masalah-masalah yang
sulit ditangani dengan cara lainnya.
dengan batasan
Xj = 0,1 j + 1, 2, …, 5
82
Pemecahan kontinyu (LP) yang optimum, yang diperoleh dengan mengenakan batas
atas x SI untuk semua menghasilkan 0,5789, x2 = x3 = x4 = 1, dan = 0,7368.
Pemecahan ini jelas tidak bermakna karena dan xs memiliki nilai pecahan. Mencoba
pembulatan untuk memperoleh pemecahan juga tidak berarti, karena x pada awalnya
didefinisikan sebagai kode numerik untuk keputusan Dengan demikian, nilai-nilai
pecahan tidak memiliki relevansi fisik dalam kaitannya dengan model semula. Pada
pemecahan integer optimum untuk model ini adalah x1= x2 = x3 = x4 = 1 dengan x5=0
dan z = 105.
Dalam masalah perencanaan produksi yang umum yang melibatkan N produk, biaya
produksi untuk produk j dapat terdiri dari biaya tetap K, yang tidak bergantung pada
jumlah yang diproduksi dan biaya variabel per unit. Jadi, jika x, adalah tingkat produksi
untuk produk biaya produksinya dapat ditulis sebagai.
Kriteria ini bersifat nonlinier dalam x, karena terputus di titik asal. Ini membuat z tidak
ditelusuri dari sudut pandang analitis.
Masalah ini dengan demikian memiliki tiga jenis batasan: (1) pengurutan, (2)
tidak adanya interferensi, dan (3) tanggal penyerahan. Jenis kedua menjamin bahwa
tidak ada dua operasi yang diproses secara bersamaan (di satu mesin). Pertimbangkan
jenis pertama. Anggaplah adalah waktu (dimulai dari hari nol) untuk operasi awal j.
83
Anggaplah adalah waktu pengolahan yang diperlukan untuk menyelesaikan operasi
harus mendahului operasi batasan pengurutan yang dihasilkan adalah
Xi +ai ≤ Xj
3. Dengan dimulai dari titik optimum kontinu, tambahkan atasan khusus yang
akan secara berulang-ulang memaksa titik ekstrim optimum dari model LP
yang dihasilkan untuk bergerak ke arah batasan integer yang dinginkan.
84
terletak berdekatan satu sama lain, sehingga meningkatkan kemungkinan untuk
menemukan pemecahan integer tersebut secara cepat Inti dari prosedur yang diajukan
ini adalah pendekatan ini memecahkan masalah-masalah LP yang berturut-turut yang
lebih dapat dikelola danegi perhitungan dibandingkan memecahkan masalah-masalah
ILP secara langsung.
2. Bidang potong
Program komputer praktis yang didasari oleh teknik branch-and-bound berbeda dengan
yang digariskan di atas terutama dalam perincian pemilihan variabel percabangan di
sebuah node dan urutan di mana bagian masalah tersebut diteliti. Peraturan ini didasari
heuristik yang dikembangkan melalui eksperimentasi.
Satu kerugian dasar dari algoritma B&B yang diberikan di atas adalah bahwa
metode ini mengharuskan pemecahan program linier yang lengkap di setiap node.
Dalam masalah yang besar, hal ini dapat sangat memakan waktu, terutama ketika satu-
satunya informasi yang diperlukan di node tersebut adalah nilai tujuan optimumnya.
Hal ini diperjelas dengan menyadari bahwa sekali sebuah batas yang diperoleh,
"banyak" node dapat disingkirkan dengan diketahui nilai tujuan optimum mereka.
Hal di atas mengarah pada pengembangan sebuah prosedur di mana kita tidak
perlukan semua bagian masalah dari pohon percabangan tersebut. Gagasannya adalah
"mengestimasi" sebuah batas atas (asumsikan masalah maksimisasi) dari nilai tujuan
85
optimum di setiap Jika batas atas ini menjadi lebih kecil daripada nilai tujuan yang
berkaitan dengan pemecahan integer terbaik yang tersedia, node tersebut disingkirkan.
Keuntungan utamanya adalah bahwa batas atas tersebut dapat diestimasi dengan cepat
dengan perhitungan minimal. Gagasan umum ini mengestimasi penalti (yaitu,
penurunan nilai tujuan) yang dihasilkan dari pemberlakuan kondisi dan 2 + 1. Ini dapat
dicapai dengan menambahkan setiap batasan ini ke tabel optimum di tersebut (yang
dengannya x berkaitan). Jadi, dengan asumsi tidak adanya perubahan penalti yang
diperlukan dapat diestimasi secara langsung dari koefisien fungsi tujuannya (lihat
Pertanyaan 9-32). Walaupun penalti mudah dihitung, nilai mereka kemungkinan tidak
proporsional penurunan yang sebenarnya dalam nilai tujuan.
Dengan batasan
-x1 + 3x2 ≤ 6
7x1 + x2 ≤ 35
Pemecahan kontinyu yang optimal (dengan mengabaikan kondisi integer) Ini diketahui
z=63, x1 = 9/2, dan x2 = 7/2, yang adalah noninteger.
86
integer. Perubahan seperti ini dalam batas ruang pemecahan masih tetap menghasilkan
sebuah himpunan cembung. Juga, perubahan ini harus dilakukan tanpa "mengiris"
setiap pemecahan integer yang layak dari masalah.
Satu persyaratan dasar untuk penerapan algoritma ini adalah bahwa semua koefisien
dan konstanta sisi kanan dari setiap batasan haruslah integer. Misalnya batasan
6x + 2x2≤39
Dimana tidak tendapat pecahan. Yang terakhir ini diperoleh dengan mengalikan kedua
sisi dari batasan semula dengan faktor pengali terkecil yang sama dari penyebut
Persyaratan di atas diberlakukan karena, seperti yang akan diperlihatkan kemudian
algoritma integer murni tidak membedakan antara variabel biasa dan variabel slack dari
masalah yang bersangkutan dalam arti bahwa semua variabel harus integer. Adanya
koefisien pecahan dalam batasan tidak memungkinkan variabel slack untuk memiliki
nilai integer. Dalam kasus ini, algoritma fraksional dapat menyatakan bahwa tidak
terdapat pemecahan yang layak, sekalipun masalah tersebut memiliki pemecahan
integer yang layak dalam bentuk variabel bukan slack. (Lihat Pertanyaan 9-20 untuk
ilustrasi kasus ini.) Perincian algoritma ini akan dibahas sekarang. Pertama, masalah
LP yang ditonggarkan dipe cahkan, yaitu, dengan mengabaikan kondisi integer. Jika
pemecahan optimal ternyata integer tidak ada lagi yang perlu dilakukan. Sebaliknya,
batasan sekunder yang akan memaksa pemecahan bergerak ke arah pemecahan integer
dikembangkan sebagai berikut. Anggaplah tabel optimal terakhir untuk program linier
diketahui.
87
Jika pemecahan baru (setelah menerapkan metode simpleks dual) adalah integer,
proses berakhir. Jika tidak, sebuah pemotong fraksional bant dikembangkan dari tabel
yang dihasilkan dari metode simpleks dual dipergunakan sekali lagi untuk
ketidaklayakan ini. Prosedur ini diulangisampai pemecahan integer dicapai. Tetapi.
jika di salah satu iterasi algoritma simpleks dual tersebut menunjukkan bahwa tidak
ada pemecahan yang layak, masalah tersebut tidak memiliki pemecahan integer yang
layak. Algoritma ini disebut sebagai metode fraksional karena semua koefisien bukan
nol dari pemotongan yang dihasilkan adalah kurang dari satu.
88
1. Kesalahan pembulatan yang berkembang dalam perhitungan otomatis
kemungkinan besar akan mendistorsi data semula, terutama dengan kenaikan
dalam ukuran masalah.
2. Pemecahan masalah tetap tidak layak dalam arti bahwa tidak ada pemecahan
integer yang dapat diperoleh sampai pemecahan integer optimal dicapai. Ini
berarti bahwa tidak ada pemecahan rateger yang baik jika perhitungan
dihentikan sebelum mencapai pemecahan (integer) yang optimal
89
Walaupun dalam beberapa kasus yang terisolasi beberapa pemotongan untuk
masalah-masalahyang disusun secara khusus terbukti efektif, konsensus umum di
antara para praktisi adalah bahwametode pemotongan tidak dapat diandalkan untuk
memecahkan masalah-masalah integer tanpabergantung pada ukurannya. Pengalaman
telah menunjukkan bawa beberapa masalah yang kecil tidak dapat dipecahkan oleh
metode pemotongan. Pada kenyataannya, telah dilaporkan beberapa kasus dimana
perubahan acak dalam urutan batasan telah membuat sebuah masalah yang mudah dari
segi perhitungan menjadi sebuah masalah yang sangat
Fakta bahwa setiap masalah integer dapat dijadikan biner bersamaan dengan
kesederhanaan perhitungan dalam menangani variabel nol-satu (setiap variabel hanya
memiliki dua nilai) telah mengarahkan perhatian pada pemanfaatan sifat ini untuk
mengembangkan algoritma yang efektif.
Dalam bagian ini, kami menyajikan sebuah algoritma baru yang dirancang secara
spesifik untuk memecahkan masalah biner. Metode baru ini, yang disebut algoritma
aditif, sebenarnya merupakan variasi dari metode B&B yang lebih umum yang
disajikan dalam Bagian 9.3. Adalah menarik bahwa versi awal dari algoritma aditif ini
tidak disajikan dalam konteks ini. Satu alasan i adalah bahwa algoritma awal tersebut
tidak melibatkan pemecahan program linier apapun, seperti prosedur B&B. Pada
90
kenyataannya, operasi aritmatika yang diperlukan dalam algoritma ini hanyalah
penambahan dan pengurangan, sehingga dinamakan algoritma aditif.
ALGORITMA ADITIF
Untuk maksud algoritma ini, versi kontinyu dari masalah nol-satu harus dimulai
dual-layak, yaitu, optimal tetapi tidak layak. Lebih jauh lagi, semua batasan harus
berjenis (S), sehingga menyingkirkan persamaan eksplisit. Format ini dapat selalu
dicapai sebagai berikut. Anggaplah masalahnya adalah berjenis minimisasi (sifat
umum dari metode ini tidak terhilang di sini) dan definisi masalah ini adalah
dengan batasan
Dimana Si adalah variabel slack berkaitan dengan batasan ke-i. Versi kontinyu
dari masalah di atas bersifat dual-layak jika setiap c; 0. Setiap c; dapat dikonversikan
ke format yang diinginkan dengan melengkapi variabel yaitu, dengan mensubstitusi x;
1 - di mana adalah sebuah variabel biner, dalam fungsi tujuan dan batasan. Jika, di
samping kelayakan dual, masalah tersebut bersifat tidak ada lagi yang perlu dilakukan,
karena pemecahan minimum, dalam bentuk variabel-variabel baru, dicapai dengan
memberikan nilai nol pada semua variabel. Tetapi, jika masalah itu bersifat primal tidak
layak, algoritma aditif dipergunakan untuk menemukan pemecahan optimum.
91
Gagasan umum dari algoritma aditif adalah mendaftarkan 2" pemecahan yang mungkin
dari masalah yang bersangkutan. Tetapi, algoritma ini mengenali bahwa beberapa
pemecahan dapat disingkirkan secara otomatis tanpa diteliti secara implisit. Jadi, dalam
analisis terakhir, hanya sebagian dari yang perlu diteliti secara eksplisit.
Algoritma aditif pada intinya merupakan sebuah algoritma B&B. Efektivitas algoritma
aditif sangat bergantung pada kekuatan pengujian pengukurannya. Saangnya,
pengujian ini tidak memadai untuk menghasilkan algoritma yang layak secara
perhitungan Program komputer yang berhasil didasari oleh pengujian-pengujian yang
jauh lebih kuat. Kemungkinan pengujian yang paling efektif adalah yang disebut
batasan pengganti. Daripada menelusuri batasan satu per satu, batasan pengganti
berusaha menggabungkan semua batasan awal dari masalah menjadi satu batasan dan
tidak menyingkirkan satu pun titik (integer) yang layak dari masalah semula. Batasan
baru ini dirancang sedemikian rupa sehingga memiliki potensi untuk mengungkapkan
informasi yang tidak dapat disampaikan oleh salah satu batasan awal yang
dipertimbangkan secara terpisah (lihat Pertanyaan 9-33).
92
implisit meneliti (secara implisit atau eksplisit) kesemua 2" titik biner, waktu
pemecahan bervariasi secara berlipat ganda dengan jumlah variabel n. Hal ini
membatasi jumlah variabel yang dapat ditangani oleh metode ini. Walaupun kasus-
kasus yang berhasil telah dilaporkan untuk masalah-masalah yang cukup besar yang
memiliki struktur khusus), adalah aman untuk menyimpulkan bahwa, secara umum,
hanya masalah masalah dengan 100 variabel atau kurang yang dapat dipecahkan dalam
waktu perhitungan yang wajar.
Satu observasi khusus tentang algoritma aditif adalah bahwa waktu perhitungan
bergantung pada data. Pengurutan yang spesifik dari variabel dan batasan dapat
memiliki pengaruh langsung terhadap efisiensi algoritma ini. Misalnya, batasan harus
diurutkan dengan batasan yang paling ketat di atas, sementara variabel-variabel dapat
diatur dengan ukuran yang menaik dalam koefisien tujuan (nonnegatif) mereka. Kedua
kondisi ini menguntungkan untuk "lebih cepat" mengukur pemecahan parsial.
Seperti dapat disimpulkan dari pembahasan dalam bab ini, faktor terpenting
yang mempengaruhi perhitungan dalam pemrograman integer adalah jumlah variabel.
Situasi ini semakin jelas dalam metode branch-and-bound. Akibatnya, dalam
merumuskan sebuah model integer adalah mengun- tungkan untuk mengurangi jumlah
variabel integer sebanyak mungkin. Hal iní dapat dilakukan, pada umumnya, dengan
93
3. Menyingkirkan penggunaan variabel biner tambahan (misalnya, seperti dalam
masalah pengenaan biaya tetap) dengan merancang metode pemecahan yang lebih
langsung.
X. PEMROGRAMAN DINAMIS
Teori utama dalam DP adalah prinsip optimalitas. Prinsip itu pada dasarnya
menentukan bagaimana suatu masalah yang diuraikan dengan benar dapat dijawab
dalam tahap-tahap (bukan nya sebagai satu kesatuan) melalui pemakaian perhitungan
rekursif. Konsep yang tidak jelas yang digunakan dalam DP bersamaan dengan notasi
matematis yan. tidak dikenal sering kali merupakan sumber kebingungan, terutama
bagi seorang pemula. Tetapi pengalaman kami menunjukkan bahwa seringnya
94
menggunakan perumusan dan pemecahan DP dengan suatu usaha, akan
memungkinkan seorang pemula untuk memahami konsep yang tidak jelas ini. Jika ini
terjadi, DP menjadi luar biasa mudah dan jelas.
Cara langsung, dan mungkin naif untuk menjawab masalah ini adalah melalui
enumerasi yang lengkap. Masalah ini memiliki 3 x 4 x 2 = 24 kemungkinan pemecahan,
beberapa di antaranya tidak layak karena memerlukan modal yang lebit: besar dari
jumlah $5 juta yang tersedia. Gagasan dari enumerasi yang lengkap adalah menghitung
jumlah biaya untuk masing masing dari 24 kombinasi. Jika hal itu tidak melebihi modal
yang tersedia, pendapatan totalnya diperhitungkan. Pemecahan optimum adalah
kombinasi yang mungkin yang menghasilkan jumlah pendapatan tertinggi. Contohnya,
usulan 2, 3 dan 1 untuk pabrik 1, 2 dan 3 memerlukan biaya $4 juta (<5) dan
menghasilkan pendapatan total $14 juta. Sebaliknya, kombinasi yang terdiri dari usulan
3, 4 dan 2 tidak layak karena biayanya adalah $7 juta.
95
1. Setiap kombinasi mendefinisikan sebuah kebijakan keputusan untuk seluruh
masalah, dan karena itu penghitungan dari semua kombinasi yang mungkin
kemungkinan tidak layak menurut perhitungan untuk masalah-masalah
berukuran sedang dan besar.
2. Kombinasi yang tidak layak tidak dapat ditemukan berdasarkan teori, dengan
demikian mengarah kepada penghitungan yang tidak efisien.
96
X2 = jumlah modal yang dialokasikan untuk tahap 1 dan 2
Pertama tama perhatikan bahwa nilai xį dan x2 tidak diketahui dengan pasti,
tetapi harus berada di antara 0 dan 5. Pada kenyataannya, karena biaya usulan yang
berbeda ini berlainan, xi dan m banya dapat memiliki nilai 0, 1, 2, 3, 4 atau S.
Sebaliknya, xz, yaitu jumlah modal yang dialokasikan pada ketiga tahap, sama dengan
5.
Cara kita memecahkan masalah ini adalah kan masalah adalah mulai dengan
tahap (pabrik) 1. Kita memperoleh spesifik dari xi = 0, 1, 2, 3, 4 atau 5), apa yang
keputusan bersyarat untuk taháp tu yang mênjawab pertanyaan berikut ini: Dengan
diketahui nilai 12.3.4 yang akan menjadi alternatif (usulan) terbaik untuk tahap 12
Penghitungan untuk tahap I bersirat langsung. Dengan diketahui nilai x1, kita memilih
usulan terbaik yang biayanya tidak melebihi Xi. Tabel berikut ini meringkaskan
keputusan bersyarat untuk tahap 1.
97
Definisi keadaan biasarya adalah konsep yang paling tidak jelas dalam perumusan
pemrograman dinamis.
Pada waktu anda mempelajari bagian ini, pastikan bahwa anda memiliki
pemahaman yang jelas tentang unsur-unsur dasar model: (1) tahap-tahap, (2) keadaan
pada setiap tahap, dan (3) alternatif keputusan (usulan) pada setiap tahap. Seperti yang
kami tunjukkan sebelumnya, konsep keadaan biasanya paling samar. Pengalaman kami
menunjukkan bahwa pemahaman tentang konsep keadaan akan ditingkatkan dengan
mencoba untuk mempertanyakan keabsahan" cara hal itu didefinisikan dalam buku.
Cobalah definisi yang berbeca yang mungkin nampak "lebih logis" dan gunakanlah
dalam penghitungan rekursif. Anda akhirnya akan menemukan bahwa definisi yang
diberikan di sini bukan tidak benar dan, dalam kebanyakan kasus, mungkin bukan
merupa kan satu-satunya definisi yang benar. Dalam proses mi, anda juga akan
memahami tentang apakah konsep keadaan itu.
98
tahap. Ini terutama berlaku dalam kasus penghitungan menurut tabel. Karena sebagian
besar penghitungan pemrograman dinamis dilakukan pada computer digital,
peningkatan seperti itu dalam variabel keadaan dapat menyulitkan memori komputer
dan menambah waktu penghitungan. Masalah ini dikenal masalah dimensionalitas
(atau "kutukan dimensionalitas", seperti yang dinamakan oleh R. Bellman), dan hal itu
menghasilkan hambatan yang serius dalam memecahkan masalah-masalah
pemrograman dinamis berukuran sedang dan besar.
99
DAFTAR PUSTAKA
Hamdy A Taha. Riset Operasi Suatu Pengantar Edisi Kelima Jilid 1. Binarupa Aksara.
Jakarta Barat, 1996.
100