“ Integer Programming “
KELOMPOK 6 MANAJEMEN K :
UNIVERSITAS MAHASARASWATI
DENPASAR
2020
A. Pengantar Integer Programing
Salah satu asumsi teknik LP adalah divisibility atau fractionality. Dengan kata lain,
setiap variabel model dapat terjadi pada semua nilai non negative, suatu nilai solusi yang
kontinu. Dalam situasi keputusan tertentu, asumsi ini tidak realistic dan tak dapat diterima.
Misalnya, suatu solusi yang memerlukan 2,29 kapal selam dalam suatu sistem pertahanan
adalah tidak mempunyai makna praktis. Dalam kasus ini, 2 atau 3 indutri dan bisnis yang
memerlukan nilai bulatuntuk variable modelnya. Integer Programing adalah suatu LP dengan
tambahan persyaratan bahwa parameter model juga bernilai bulat non negative, tetapi tidak
perlu bahwa parameter model juga bernilai bulat.
Ada banyak kasus dalam masalah Integer Programing yang membatasi variabel
model bernilai nol atau satu. Dalam kasus demikian, pengambil keputusan hanya memiliki
dua pilihan yaitu menerima atau menolak suatu usulan kegiatan. Penerimaan atau penolakan
yang sifatnya parsial tidak diperbolehkan. Jika variabel keputusan bernilai satu, kegiatan
diterima, dan jika variabel bernilai nol, kegiatan ditolak.
Dalam masalah Integer Programing, jika model mengharapkan semua variabel basis
bernilai integer ( bulat positif atau nol ), dinamakan pure ( all ) Integer Programing. Jika
model hanya mengharapkan variabel – variabel tertentu bernilai integer, dinamakan mixed
Integer Pograming. Dan jika model hanya mengharapkan nilai nol atau satu untuk
variabelnya, dinamakan zero one Integer Programing.
Tampaknya cukup untuk mendapatkan solusi bulat dari masalah LP, dengan
menggunakan metode simplek biasa dan kemudian membulatkan nilai – nilai pecah solusi
optimum. Bukan tugas mudahuntuk membulatkan nilai – nilai pecah variabel basis yang
menjamin tetap memenuhi semua kendala dan tidak menyimpang cukup jauh dari solusi
bulat yang tepat. Karena itu perlu prosedur yang sistematis untuk mendapatkan solusi bulat
optimum terhadap masalah itu. Ada beberapa metode solusi yang terdapat pada masalah
Integer Programing yaitu :
1. Pendekatan Pembulatan
Masalah 1 :
Maksimumkan Z = 100 X1 + 90 X2
Dengan syarat : 10 X1 + 7 X2 ≤ 70
5 X1 + 10 X2 ≤ 50
X1, X2, ≥ 0
Masalah 2 :
Maksimumkan Z = 200 X1 + 400 X2
Dengan syarat : 10 X1 + 25 X2 ≤ 100
3 X1 + 2 X2 ≤ 12
X1, X2, ≥ 0
Masalah 3 :
Maksimumkan Z = 80 X1 + 100 X2
Dengan syarat : 4 X1 + 2 X2 ≤ 70
X1 + 5 X2 ≤ 50
X1, X2, ≥ 0
Nialai fungsi tujuan melalui motode simpleks tanpa pembatasan bilangan bulat
akan selalu lebih baik dibanding solusi integer optimum karena ia terletak pad titik pojok
dari batas ruang solusi layak.
2. Metode Grafik
Maksimumkan Z = 100 X1 + 90 X2
Dengan syarat : 10 X1 + 7 X2 ≤ 70
5 X1 + 10 X2 ≤ 50
X1, X2, non negative integer
Penjelasan :
Model ini serupa dengan model LP biasa. Perbedaannya hanya pada kendala
terakhir yang mengharapkan bahwa variabel terjadi pada nilai non negative integer.
Ruang solusi layak adalah OABC. Solusi optimum maslah LP ditunjukkan itik B, dengan
X1 = 5,38, X2 = 2,31 dan Z = 746,15. Untuk mencari solusi integer optimum masalah ini,
garis Z ( slope = -9/10 ) digeser secara sejajar dari titik B menuju titik asal. Solusi integer
optimum adalah titik integer pertama yang bersinggungan dengan garis Z. titik itu adalah
A, dengan X1 = 7, X2 = 0 dan Z = 700.
Suatu prosedur sistematik untuk memperoleh solusi integer optimum terhadap pure
integer programming, pertama kali dikemukakan oleh R.E. Gomory pada tahun 1958. Ia
kemudian memperluas prosedur ini untuk menangani kasus yang lebih sulit, yaitu mixed
integer programming. Langkah – langkah prosedur Gomory seperti berikut :
Basis X1 …… Xm W1 …… Wn Solusi
Z 0 …… 0 C1 …… Cn b0
X1 1 …… a11 a1n a1n b1
. . . . . .
. . . . . .
. . . . . .
Xm 0 1 am1 amn b1
aij = aij- + fij jadi fij = aij – aij- dimana 0 < fij <1
Contoh :
Karena diperoleh solusi primal optimum tetapi tidak layak maka digunakan
netode dual simpleks. Proses pembentukan kendala Gomory brakhir jika solusi baru
semua berupa bilangan bulat. Jika tidak, suatu kendala Gomory baru dibuat lagi dari tabel
yang dihasilkan dan metode dual simpleks menunjukkan bahwa tak ada solusi layak,
berarti masalah itu tidak memiliki solusi integer yang layak. Contohnya :
Maksimumkan Z = 7 X1 + 9 X2
Dengan syarat : - X1 + 3 X2 ≤ 70
7 X1 + X2 ≤ 50
X1, X2, non negative integer
Kemudian, solusi kontinu optimumnya diberikan seperti tabel berikut :
Basis X1 X2 S1 S2 Solusi
Z 0 0 28/11 15/11 63
X1 0 1 7/22 1/22 7/2
X2 1 0 -1/22 3/22 9/2
Karena solusi tidak bulat, suatu kendala Gomory ditambahkan pada tabel tersebut.
Kedua persamaan ( X1 dan X2 ) pada masalah ini memiliki nilai fi yang sama, yaitu f1 = f2
= ½ sehingga salah satu dapat digunakan. Misalkan digunakan persamaan X 2, ini
menghasilkan :
X2 + ( 0 + 7/22 ) S1 + ( 0 + 1/22 ) S2 = ( 3 + ½ )
Karena solusi baru masih pecah, suatu kendala Gomory baru ditambahkan.
Karena persamaan X1 memiliki f1 terbesar ( f1 = 4/7 ), kemudian dituliskan dalam
bentuk :
Banyak yang membayangkan bahwa ukuran tabel simpleks dapat menjadi sangat
besar jika kendala – kendala Gomory baru ditambahkan pada masalah tersebut namun,
pada kenyataannya hal tersebut tidak benar. Kenyataannya, banyak kendala pada masalah
baru tidak dapat melebihi banyaknya banyaknya variabel pada masalah awal yaitu m + n.
Karena, jika masalah baru memiliki lebih dari m + n kendala, satu atau lebih variabel
slack Gomory yang berhubungan dengan kendala. Gomory akan menjadi basis. Dalam
hal ini, Persamaan – persamaan itu menjadi berlebihan dan dapat dihapus dari tabel.
Metode branch dan bound telah menjadi kode computer standar untuk integer
programming, dan penerapan – penerapan dalam tampaknya menyarankan bahwa metode
ini lebih efisien dibanding pendekatan Gomory. Metode branch dan bound pertama kali
diperkenalkan oleh Land dan Doig, dan dikembangkan lebih lanjut oleh little dan peneliti
– peneliti lain. Teknik ini dapat diterapkan baik untuk masalah pure maupun mixed
integer programming. Langkah – langkah metode branch dan bound untuk masalah
maksimisasi dapat diringkas sebagai berikut :
Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
X1 ≤8
2 X2 ≤ 10
X1, X2, non negative integer
Bagian A :
Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
X1 ≤8
2 X2 ≤ 10 ( berlebih )
X2 ≤2
X1, X2 ≥ 0
Bagian B :
Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
X1 ≤8
2 X2 ≤ 10
X2 ≥3
X1, X2 ≥ 0
Bagian A : X1 = 8, X2 = 2 dan Z = 34
Bagian B : X1 = 8, X2 = 2,25 dan Z = 34,25
Bagian A menghasilkan suatu solusi yang semuanya bulat. Untuk bagian A batas
atas dan batas bawah adalah Z = 34. Solusi pecah bagian B membenarkan pencarian lebih
lanjut karena menghasilkan nilai fungsi tujuan yang lebih besar dari pada batas atas
bagian A. sangat mungkin bahwa pencarian lebih lanjut dapat menghasilkan suatu solusi
yang semuanya bulat dengan nilai fungsi tujuan melebihi batas bagian A = 34.
Bagian B dicabangkan ke dalam dua sub bagian, B1 dan B2, pertama dengan
kendala X1 ≤ 6 dan yang lain dengan X1 ≥ 7. Kedua sub masalah dinyatakan seperti
berikut :
Sub Bagian B1 :
Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
X1 ≤8
2 X2 ≤ 10
X2 ≥3
X1 ≤6
X1, X2 ≥ 0
Sub Bagian B2 :
Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
X1 ≤8
2 X2 ≤ 10
X2 ≥3
X1 ≥7
X1, X2 ≥ 0
Solusi grafik untuk kedua sub masalah ditunjukkan pada tabel berikut, sementara solusi
simpleksnya adalah :
Karena sub bagian B1 menghasilkan nilai fungsi tujuan yang lebih besar dari pada
34 ( batas atas bagian A ), ia harus dicabangkan lagi ke dalam dua sub masalah, dengan
kendala X2 ≤ 3 dan X2 ≥ 4. Kedua sub masalah diberi nama bagian B1a dan B1b.
Bagian B1a :
Maksimumkan Z = 3 X1 + 5 X2
Dengan syarat : 2 X1 + 4 X2 ≤ 25
2 X2 ≤ 10 ( berlebih )
X2 ≤3
X1 ≤6
X2 ≥3
X1, X2 ≥ 0
Kedua solusi itu memiliki batas atas ( Z = 33 dan Z = 33,5 ) yang lebih buruk dibanding
solusi yang dihasilkan oleh bagian A. karena itu, solusi bulat optimum adalah X 1 = 8, X2
= 2 dan Z = 34 yang dihasilkan oleh bagian A.
Jika pencarian telah dirampungkan, solusi bulat dengan nilai fungsi tujuan tertinggi
( dalam masalah maksimisasi ) dipilih sebagai solusi optimum. Seluruh prosedur branch
dan bound untuk masalah ini ditunjukkan pada grafik berikut :
Suatu kelemahan dasar dari metode ini adalah bahwa diperlukan pemecahan maslah
LP untuk setiap percabangan. Dalam masalah besar, dapat memakan banyak waktu.
Karena itu dalam prosedur pencabangan dan pencarian analisis selanjutnya dihentikan
jika :
a. Hasil dari sub nasalah lebih buruk dibanding dengan batas atas yang sudah
diidentifikasikan.
b. Percabangan selanjutnya menhasilkan solusi tak layak.
B. Analisis Sensitivitas
Seorang analis jarang dapat menemukan paramenter model LP seperti ( Cj, bi, Aij )
dengan pasti karena nilai paramenter ini adalah fungsi dari beberapa uncortrolable variabel.
Misalnya, permintaan masa depan, biaya bahan mentah dan harga energy sebagai sumber
daya tidak dapat diperkirakan dengan tepat sebelum masalah diselesaikan. Sementara itu
solusi optimum model LP didasarkan pada paramenter ini. Akibatnya analis perlu mengamati
pengaruh perubahan paramenter terhadap solusi optimum. Analisis perubahan parameter dan
pengaruhnya terhadap solusi LP dinamakan post optimality analyst. Istilah post optimality
menunjukan bahwa analis ini terjadi setelah diperoleh solusi optimum, dengan
mengasumsikan seperangkat nilai parameter yang digunakan dalam model.
Perubahan atau variasi dalam suatau masalah LP yang biasanya dipelajari melalui
post optimality analys dapat dipisahkan ke dalam tiga kelompok umum yaitu :
a. Analis yang berkaitan dengan perubahan diskrit parameter untuk melihat berapa
besar perubahan dapat ditolerir sebelum solusi optimum mulai optimalitasnya, ini
dinamakan analis sensitivitas. Jika suatu perubahan kecil dalam parameter
menyebabkan perubahan drastis dalam solusi, dikatakan bahwa solusi adalah
sangat sensitif terhadap nilai parameter itu. Sebaliknya, jika perubahan parameter
tidak mempunyai pengaruh besar terhadap nilai parameter itu.
b. Analisis yang berkaitan dengan perubahan struktural. Masalah ini muncul bila
masalah LP dirumuskan kembali dengan menambahkan atau menghilangkan
kendala atau variabel untuk menunjukkan operasi model alternatif.
c. Analisis yang berkaitan dengan perubahan kontinu parameter untuk menentukan
urutan solusi dasar yang menjadi optimum jika perubahan ditambah lebih jauh, ini
dinamakan Parametric Programming.