Sifat-sifat dasar program linear

Agus Yodi Gunawan

September 23, 2014

Pada bagian ini akan dijelaskan metode fundamental dalam masalah program linear.
Sumber rujukan:

1. M.S. Bazaraa, J.J. Jarvis, dan H.D. Sherali, ”Linear Programming and Network Flows”, John Wiley & Sons, 1990

2. D.G. Luenberger dan Y. Ye,”Linear and Nonlinear Programming”, Springer, 2008.

1. Titik ekstrim dan keoptimalan. Perhatikan masalah program linear berikut

(harus dalam bentuk baku):

Minimum z = ct x (1)

dengan kendala
Ax = b
(2)
x ≥ 0.
Misalkan x1 , · · · , xk titik-titik ekstrim dan d1 , · · · , dl vektor-vektor arah ekstrim
dari himpunan kendala (himpunan konveks) X = {x : Ax = b, x ≥ 0}. Dari teori
sebelumnya, setiap vektor x ∈ X dapat dituliskan sebagai
∑
k ∑
l
x= λi xi + µi dj ,
i=1 j=1

∑
k
dimana λi = 1, λi , µj ≥ 0. Masalah (1) dapat dituliskan kembali menjadi
i=1

∑
k ∑
l
Minimum z = (ct xi )λi + (ct dj )µj (3)
i=1 j=1

dengan kendala
∑
k
λi = 1
i=1 (4)
λi , µj ≥ 0.
Dalam hal ini parameter µj adalah parameter bebas yang nilainya dapat dipilih
sesuai kebutuhan. Dari Persamaan (3) dapat diamati:

• jika (ct dj ) < 0 untuk suatu j, maka µj yang bersesuaian dapat dipilih sem-
barang cukup besar sehingga nilai minimumnya menjadi −∞.
• jika (ct dj ) ≥ 0 untuk semua j, maka µj yang bersesuaian dapat dipilih berni-
lai nol. Selanjutnya, untuk meminimumkan fungsi obyektif cukup dipilih nilai
minimum dari (ct xi ), misalnya nilai minimum dicapai pada saat (ct xp ), kemu-
dian memilih λp = 1 dan λj lainnya dipilih bernilai nol.

1
 Hal yang dapat disimpulkan: solusi optimal masalah program linear adalah hingga
jika dan hanya jika (ct dj ) ≥ 0 untuk semua arah ekstrim di X. Lebih jauh lagi, titik
yang meminimum fungsi obyektif dapat diperoleh dengan cara memilih nilai fungsi
obyektif minimum dari semua titik-titik ekstrim yang ada. Hal ini mengindikasikan
bahwa jika solusi optimal ada, maka titik ekstrim optimal juga ada.

2. Basic Feasible Solution (BFS). Perhatikan kembali SPL Ax = b, x ≥ 0,

dengan m persamaan dan n variabel, dan diketahui Rank(A, b)=Rank(A) = m.
Misalkan setelah pengaturan kolom-kolom dari A, matriks tersebut menjadi A =
(B, N) dimana B matriks tak singular berukuran m × m dan N matriks berukuran
m×(n−m). Solusi ( SPL )
tersebut diberikan oleh, disebut solusi basis relatif terhadap
xB
matriks B, x = , dimana xB = B−1 b dan xN = 0. Matriks B disebut
xN
matriks basis dan N disebut matriks nonbasis. Komponen xB disebut variabel basis
(variabel terikat) sedangkan xN disebut variabel nonbasis (variabel bebas). Jika
xB ≥ 0, maka x disebut BFS ; Variabel basis pada solusi basis tidak perlu semuanya
tak nol; jika xB > 0 maka x disebut nondegenerate BFS, sedangkan jika terdapat
paling sedikit satu komponen xB bernilai nol maka x disebut degenerate BFS.

Contoh 1 Diberikan himpunan

(a) X = {(x1 , x2 )|x1 + x2 ≤ 6, x2 ≤ 3, x1 ≥ 0, x2 ≥ 0}.

(b) X = {(x1 , x2 )|x1 + x2 ≤ 6, x2 ≤ 3, x1 + 2x2 ≤ 9, x1 ≥ 0, x2 ≥ 0}.

Cari sebanyak mungkin calon BFS yang mungkin.

3. Teorema dasar pemograman linear. Diberikan suatu pemograman linear dalam

bentuk baku (1)-(2) dimana matriks A berukuran m × n dengan Rank(A) = m.
Teorema dasar pemograman linear menyatakan

(a) Jika masalah pemograman linear tersebut mempunyai solusi feasibel, maka ia
mempunyai solusi feasibel basis.
(b) Jika masalah pemograman linear tersebut mempunyai solusi feasibel optimal,
maka ia mempunyai solusi feasibel basis optimal.

Bukti (a): Misalkan A = [a1 , · · · , an ] dengan aj kolom ke-j dari matriks A. Mi-
salkan pula x = (x1 , · · · , xn ) menyatakan suatu solusi feasibel. Solusi ini dapat
dinyatakan dalam kolom-kolom matriks A sebagai

x1 a1 + · · · + xn an = b.

2
Selanjutnya, asumsikan terdapat tepat p komponen x bernilai positif. Tanpa men-
gurangi keberlakuan secara umum, misalkan p komponen pertama bernilai positif,
x1 , x2 , · · · , xp > 0. Dengan demikian,

x1 a1 + · · · + xp ap = b. (5)

Akan ditunjukkan bahwa dari Xp = (x1 , · · · , xp ) dapat dikonstruksi suatu BFS. Hal
ini dapat diperoleh dengan memperhatikan kebebas linearan himpunan {a1 , · · · , ap }:

• Kasus Xp himpunan bebas linear. Untuk kasus ini jelas p ≤ n. Jika p = n,

maka solusi merupakan solusi basis. Jika p < n, karena Rank(A) = m maka
berdasarkan konsep perluasan basis dapat dipilih sebanyak (m − p) vektor dari
(n − p) vektor-vektor kolom matriks A sehingga diperoleh m vektor kolom
yang bebas linear. Solusi basis (degenerate) akan diperoleh dengan menuliskan
x = (x1 , x2 , · · · , xp , 0, · · · , 0).
| {z }
(m−p)

• Kasus Xp himpunan bergantung linear. Untuk kasus ini maka terdapat paling
sedikit satu konstanta tak nol yj (selanjutnya diasumsikan bernilai positif)
sehingga
y1 a1 + · · · + yp ap = 0.
Kalikan persamaan ini dengan suatu skalar ε kemudian persamaan yang di-
hasilkan dikurangkan dengan Persamaan (5) akan diperoleh

(x1 − εy1 )a1 + · · · + (xp − εyp )ap = b. (6)

Persamaan (6) berlaku untuk setiap ε, dan untuk setiap ε komponen (xj − εyj )
merupakan solusi persamaan linear (meskpun tidak ada jaminan bahwa (xj −
εyj ) ≥ 0 untuk setiap j. Tulis y = (y1 , y2 , · · · , yp , 0, · · · , 0). Kita perhatikan
| {z }
(m−p)
bahwa untuk setiap ε maka vektor

x − εy (7)

adalah solusi persamaan linear. Untuk ε = 0, vektor tersebut menjadi solusi

feasibel yang diketahui di awal. Untuk ε bilangan positif dekat ke nol, maka
komponen-komponen (7) ada yang bernilai naik, turun, atau tetap bergantung
pada apakah nilai yj yang bersesuaian negatif, positif, atau nol. Karena dia-
sumsikan terdapat yj > 0, maka paling sedikit ada satu komponen vektor (7)
akan turun ketika nilai ε dinaikan menjadi bernilai positif. Kita akan pilih nilai
ε tersebut sedemikian sehingga komponen yj yang positif pertama kali bernilai
nol, yaitu kita pilih
ε = min{xj /yj : yj > 0}.

3
 Untuk nilai ε tersebut, vektor (7) merupakan solusi feasibel yang memiliki
paling banyak (p − 1) komponen positif. Ulangi prosedur ini jika diperlukan
sehingga kita akan menghilangkan komponen positif sampai dengan kita mem-
peroleh suatu solusi feasibel yang terkait dengan kolom-kolom matriks A yang
bebas linear (mengapa?). Untuk proses selanjutanya, kasus himpunan bebas
linear dapat diterapkan.

Bukti (b): penurunan bukti serupa dengan kasus (a). Khusus untuk kasus Xp
himpunan bergantung linear, perlu ditambahkan bahwa untuk setiap ε solusi (7)
adalah optimal. Hal ini dapat dilakukan dengan cara berikut. Misalkan telah diper-
oleh bahwa x solusi feasibel optimal. Untuk setiap ε dimana vektor (7) merupakan
solusi feasibel, pandang fungsi obyektif untuk vektor tersebut yang diberikan oleh

ct (x − εy) = ct x − εct y. (8)

Andaikan ct y ̸= 0. Kita dapat menentukan besar dan tanda ε yang sesuai sedemikain
sehingga vektor (7) tetap feasibel tetapi (8) kurang dari ct x. Hal ini bertentangan
bahwa x solusi feasibel optimal. Maka haruslah ct y = 0.
Teorema di atas mereduksi cara pencarian solusi persamaan linear yaitu melalui pen-
carian BFS, meskipun tampaknya cara ini belum efisien. Untuk masalah pemogra-
man dengan n variabel dan m kendala, maka paling banyak terdapat n!/(m!(n−m)!)
solusi basis (berhingga kemungkinan).

4. Keterkaitan titik ekstrim dengan BFS. Misalkan matriks A berukuran m × n

dengan Rank(A) = m dan vektor b berukuran m × 1. Misalkan pula K = {x :
Ax = b, x ≥ 0} suatu politop konveks. Suatu vektor x merupakan BFS dari (2)
jika dan hanya jika vektor x adalah titik ekstrim dari K.
Bukti: Misalkan x = (x1 , · · · , xm , 0, · · · , 0) merupakan BFS dari (2). Maka

x1 a1 + · · · + xm am = b,

dimana a1 , · · · , am adalah m vektor kolom pertama matriks A yang bebas linear.

Misalkan x dapat dinyatakan sebagai suatu kombinasi konveks tegas dari dua titik
y dan z di K, yaitu

x = λy + (1 − λ)z, 0 < λ < 1, y ̸= z.

Karena 0 < λ < 1 dan semua komponen x, y, z tak negatif, maka (n−m) komponen
terakhir dari y dan z haruslah nol. Selanjutnya kita peroleh (mengapa?)

y1 a1 + · · · + ym am = b,

4
dan
z1 a1 + · · · + zm am = b.
Karena a1 , · · · , am bebas linear, maka x = y = z (mengapa?), atau dengan kata
lain x titik ekstrim dari K.
Misalkan x merupakan titik ekstrim dari K. Misalkan pula k komponen pertama
dari x tak nol. Pandang

x1 a1 + · · · + xk ak = b, xj > 0, j = 1, · · · , k.

Untuk memperlihatkan x merupakan BFS maka perlihatkan bahwa vektor-vektor

a1 , · · · , ak bebas linear.
Andaikan a1 , · · · , ak bergantung linear. Maka terdapat konstanta tak nol yj se-
hingga
y1 a1 + · · · + yk ak = 0.
Definisikan vektor y = (y1 , · · · , yk , 0, · · · , 0). Karena xj > 0, maka dapat dipilih ε
sehingga
x + εy ≥ 0, x − εy ≥ 0.
Selanjutnya x dapat dituliskan menjadi
1 1
x = (x + εy) + (x − εy),
2 2
yang menyatakan bahwa x dapat dituliskan sebagai kombinasi konveks dari dua
titik berbeda di K. Hal ini tidak mungkin karena x adalah titik ekstrim. Oleh kare-
nanya, haruslah a1 , · · · , ak bebas linear. Dengan kata lain x = (x1 , · · · , xk , 0, · · · , 0)
merupakan BFS (catatan: jika k < m, maka x merupakan degenerate BFS).
Beberapa hal penting:

(a) Jika himpunan konveks K = {x : Ax = b, x ≥ 0} tak hampa, maka terdapat

paling sedikit satu titik esktrim.
(b) Jika terdapat solusi optimal hingga untuk masalah (1)-(2), maka terdapat so-
lusi optimal hingga yang merupakan titik ekstrim dari K.
(c) Himpunan konveks K = {x : Ax = b, x ≥ 0} (himpunan kendala) mempunyai
berhingga banyaknya titik ekstrim
(d) Jika himpunan konveks K = {x : Ax = b, x ≥ 0} tak hampa dan terbatas,
maka K suatu polihedron konveks, yaitu K memuat titik-titik yang merupakan
kombinasi konveks dari berhingga titik.