Separable Programming Dalam Menyelesaikan: Masalah Nonlinier

SEPARABLE PROGRAMMING DALAM MENYELESAIKAN
MASALAH NONLINIER
SKRIPSI
AMRULLAH ROZY DALIMUNTHE

140803047
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2018

MASALAH NONLINIER
SKRIPSI
Ditulis Sebagai Syarat untuk Mencapai Gelar Sarjana Sains di Fakultas Matematika
dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.
AMRULLAH ROZY DALIMUNTHE

140803047
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
MEDAN
2018

PERSETUJUAN
Judul : Separable Programming dalam Menyelesaikan

Masalah Nonlinier
Kategori : Skripsi
Nama : Amrullah Rozy Dalimunthe
Nomor Induk Mahasiswa : 140803047
Program Studi : Sarjana (S1) Matematika
Departemen : Matematika
Fakultas : Matematika dan Ilmu Pengetahuan Alam
Universitas Sumatera Utara
Diluluskan di
Medan, Juli 2018
Komisi Pembimbing: Disetujui Oleh:

Departemen Matematika FMIPA USU
Pembimbing, Ketua,
Drs. Rosman Siregar, M.Si Dr. Suyanto, M.Kom

NIP. 19610107 198601 1 001 NIP. 19590813 198601 1 002

PERNYATAAN

MASALAH NONLINIER
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juli 2018
Amrullah Rozy Dalimunthe

140803047
ii

PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Allah Subhana wa Ta’ala atas berkat dan
karunia-Nya penulis dapat menyelesaikan skripsi ini dengan judul “ SEPARABLE
PROGRAMMING DALAM MENYELESAIKAN MASALAH NONLINIER”
dengan baik dan tepat waktu.
Penulis mengucapkan terima kasih kepada semua pihak yang telah membantu
dan membimbing penulis dalam penyusunan skripsi ini. Ucapan terima kasih penulis
sampaikan kepada:
1. Orang Tua Saya Ratna Sari dan M. Najib Dalimunthe atas segala dukungan
moral maupun material dan doa yang telah diberikan selama ini terkhusus
pada penyelesaian skripsi ini serta abang dan keluarga penulis.
2. Bapak Drs. Rosman Siregar, M.Si selaku dosen pembimbing penulis atas
segala waktu dan arahan yang diberikan selama penyusunan skripsi ini.
3. Bapak Prof. Dr. Tulus M.Si dan Ibuk Dr. Esther S. M. Nababan, M.Sc selaku
dosen pembanding atas segala saran dan masukan yang diberikan selama
penyelesaian skripsi ini.
4. Bapak Dr. Suyanto, M.Kom dan Drs. Rosman Siregar, M.Si selaku Ketua dan
Sekretaris Departemen Matematika FMIPA USU.
5. Bapak Dr. Kerista Sebayang, MS selaku Dekan FMIPA USU serta semua
Wakil Dekan FMIPA USU.
6. Semua Dosen Departemen Matematika FMIPA USU dan pegawai di FMIPA
USU.
7. Saudara kandung saya, Muttaqin Adli Dalimunthe, S.P, Ifroh Hanny
Dalimunthe, S.E, dan Fadhil Fadlul Rahman Dalimunthe. yang selama ini
mendukung kuliah saya sampai selesai.
8. Teman-teman jurusan Matematika khususnya stambuk 2014 yang selalu
mendukung penulis, adik-adik stambuk 2015, satambuk 2016, stambuk 2017
serta Abang dan Kakak Alumni.
Penulis menyadari bahwa masih banyak kekurangan dalam penulisan skripsi ini.
Oleh karena itu, penulis menerima saran dan kritik yang positif dan membangun dari
pembaca untuk penyempurnaan skripsi ini.
Medan, Juli 2018

Penulis
Amrullah Rozy Dalimunthe
iii

MASALAH NONLINIER
ABSTRAK
Optimisasi merupakan hal yang penting dalam penyelesaian masalah pengambilan
pilihan yang terbaik dengan kriteria tertentu. Model masalah optimisasi dapat berupa
pemprograman linier atau pemprograman nonlinier. Permasalahan optimisasi dalam
kehidupan manusia seringkali diselesaikan dengan menggunakan pemprograman
nonlinier karena banyaknya permasalahan optimisasi yang tidak dapat dimodelkan
dalam bentuk pemprograman linier. Masalah optimisasi dapat diaplikasikan dalam
masalah nyata antara lain produksi barang. Penelitian ini bertujuan untuk membentuk
model nonlinier produksi optimal. Metode Separabel Programming merupakan satu
metode penyelesaian dalam pemrograman nonlinier dengan mentransformasikan
bentuk nonlinier menjadi bentuk linier yang hanya memuat satu variabel.
Selanjutnya, masalah Separable Programming diselesaikan dengan hampiran fungsi
linier sepotong-sepotong (piecewise linear function) menggunakan formulasi lamda.
Model permasalahan dengan separable programming menggunakan formulasi lamda
adalah memodelkan suatu masalah, mentranformasikan fungsi nonlinier menjadi
fungsi linier, membentuk masalah AP, membentuk masalah LAP, dan mencari
solusi. Model untuk masalah pemrograman nonlinier dalam penetapan jumlah
produksi optimal di Salis Konveksi untuk bulan Juli 2016 sampai bulan Desember
2016 dengan biaya seminimal mungkin diselesaikan menggunakan pendekatan
separable programming dengan formulasi lamda diperoleh solusi bahwa hasil yaitu
total minimal biaya prosuksi Rp 3.026.706,87 dengan produksi atasan dewasa
sebanyak 102 pcs, rok dewasa 98 pcs, dress anak sebanyak 180 pcs, dan atasan anak
sebanyak 40 pcs.
Kata Kunci: Program Nonlinier, Separable Programming
iv

SEPARABLE PROGRAMMING IN SOLVING NONLINEAR
PROBLEMS
ABSTRACT
Optimization is crucial in solving the best decision-making problem with certain

criteria. Model optimization problems can be either linear programing or nonlinear
programing. The problem of optimization in human life is often solved by using
nonlinear programming because of the many optimization problems that can not be
modeled in the form of linear programming. Optimization problems can be applied in
real problems such as the production of goods. This study aims to form an optimal
nonlinear production model. Separable Methods Programming is a method of
settlement in nonlinear programming by transforming nonlinear form into linear
form wich contains only one variable. Furthermore, the problem of Separable
Programming is solved by almost piecewise linear function using lamda formulation.
Problem model with separable programming using lamda formulation are modeling a
problem, transforming nonlinear function into linear functions, forming AP
problems, forming LAP problems, and finding solution. The model for nonlinear
programming problem in determining the optimal production amount in Salis
Konveksi for July 2016 until December 2016 with minimal cost is solved using
separable programming spproach with lamda formulation obtained the solution that
the result is total of minimum cost of Rp 3.026.706,87 with production adult top 102
pcs, adult skirt 98 pcs, child dress as much as 180, and child’s boss as musch as 40
pcs.
Keywords: Nonlinear Programming, Separable Programming

DAFTAR ISI
Halaman
PERSETUJUAN I
PERNYATAAN Ii
PENGHARGAAN Iii
ABSTRAK Iv
ABSTRACT V
DAFTAR ISI Vi
DAFTAR TABEL Viii
DAFTAR GAMBAR Ix
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Perumusan Masalah 4
1.3 Batasan Masalah 4
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
BAB 2 LANDASAN TEORI

2.1 Optimisasi 6
2.2 Program Linier 6
2.2.1 Pengertian Program Linier 6
2.2.2 Model Program Linier 7
2.3 Program Nonlinier 8
2.3.1 Pengertian Program Nonlinier 8
2.4 Separable Programming 10
2.4.1 Pengertian Separable Programming 10
2.5 WinQSB 15
BAB 3 METODOLOGI PENELITIAN

3.1 Rancangan Penelitian 16
3.2 Jenis dan Teknik Pengumpulan Data 16
3.3 Analisis Data 16
BAB 4 HASIL DAN PEMBAHASAN

4.1 Penyelesaian Masalah Nonlinier Menggunakan 17
Pendekatan Separable Programming
4.2 Penerapan Model Nonlinier pada Data 17
4.2.1 Data 18
4.3 Penyelesaian Model Nonlinier Menggunakan Separable 20
Programming Metode Hampiran Sepotong-sepotong
BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan 30
5.2 Saran 31
vi

DAFTAR PUSTAKA
LAMPIRAN
vii

DAFTAR TABEL
Nomor Judul Halaman
4.1 Data Produksi 18

4.2 Data Biaya Produksi 19
viii

DAFTAR GAMBAR
Nomor Judul Halaman
3.1 Kerangka Pemikiran 16
ix

BAB 1
PENDAHULUAN
1.1 Latar Belakang

Riset operasi yang berasal dari Inggris merupakan suatu hasil studi operasi–
operasi militer selama Perang Dunia II. Setelah perang selesai, potensi komersialnya
segera disadari dan pengembangannya telah menyebar dengan cepat di Amerika
Serikat, dimana ia lebih dikenal dengan nama Riset Operasi atau Operation Research
(disingkat OR). Istilah Riset Operasi pertama kali digunakan pada Tahun 1940 oleh
Mc Closky dan Trefthen di suatu kota kecil, Bowdsey, Inggris. Arti Riset Operasi
(Operation Research) telah banyak didefinisikan oleh beberapa ahli. Morse dan
Kimball mendefinisikan Riset Operasi sebagai metode ilmiah (Scientific Method)
yang memungkinkan para manajer mengambil keputusan mengenai kegiatan yang
mereka tangani dengan dasar kuantitatif. Sedangkan Churchman, Arkoff dan Arnoff
pada tahun 1950-an mengemukakan pengertian riset operasi sebagai aplikasi
metode–metode, teknik–teknik dan peralatan–peralatan ilmiah dalam menghadapi
masalah-masalah yang timbul di dalam operasi perusahaan dengan tujuan
ditemukannya pemecahan yang optimum masalah–masalah tersebut.
Dari definsi diatas dapat disimpulkan bahwa riset operasi berkenaan
dengan pengambilan keputusan optimal dalam, dan penyusunan model dari, sistem–
sistem baik deterministik maupun probabilistik yang berasal dari kehidupan nyata.
Aplikasi–aplikasi ini, yang terjadi dalam pemerintahan, bisnis, teknik, ekonomi, serta
ilmu pengetahuan alam dan sosial ditandai dengan kebutuhan untuk mengalokasikan
sumber daya–sumber daya yang terbatas dan riset operasi (berarti research on
operations), yang mengandung pendekatan maupun bidang aplikasi, sangat berguna
dalam menghadapi masalah–masalah bagaimana mengarahkan dan mengkoordinasi
operasi–operasi atau kegiatan–kegiatan dalam suatu organisasi dengan segala
batasan–batasannya melalui prosedur. “Search of Optimality” (Subagyo, 1990).
Tujuan utama dari bidang yang mengaplikasikan riset operasi adalah untuk
melakukan optimisasi, baik optimisasi untuk meminimumkan ataupun

2
memasksimumkan. Terdapat dua jenis kasus optimisasi, yaitu optimisasi tanpa

kendala dan optimisasi dengan kendala (Winston, 2003 : 2). Kendala muncul apabila
terdapat syarat tertentu atau batasan tertentu yang harus dipenuhi oleh variabel
keputusan.
Optimisasi merupakan hal yang penting dalam penyelesaian masalah
pengambilan pilihan yang terbaik dengan kriteria tertentu. Model masalah optimisasi
dapat berupa pemprograman linier atau pemprograman nonlinier. Permasalahan
optimisasi dalam kehidupan manusia seringkali diselesaikan dengan menggunakan
pemprograman nonlinier karena banyaknya permasalahan optimisasi yang tidak
dapat dimodelkan dalam bentuk pemprograman linier. Bentuk masalah nonlinier
dapat diselesaikan dengan menggunakan beberapa metode, diantaranya Lagrange
Multiplier, pendekatan kondisi Karush-Kuhn-Tukcker, Quadratic Programming, dan
Separable Programming. Beberapa penelitian mengenai separable programming
yang diselesaikan dengan metode simpleks.
Pemrograman terpisah adalah pendekatan yang digunakan untuk
memecahkan masalah nonlinier dengan metode simpleks. Metode ini terbukti dalam
memecahkan masalah nonlinier, yang sampai sekarang tidak memiliki metode seperti
dalam masalah pemrograman linier standar. Tulisan ini mencoba membandingkan
proses dan hasil dari pendekatan pemrograman terpisah dengan kondisi Kuhn-
Tucker. Terbukti bahwa keduanya memberikan hasil yang serupa, tetapi dengan cara
yang berbeda. Pendekatan pemrograman terpisah sebaiknya digunakan untuk
memecahkan masalah nonlinier yang memiliki kesulitan ketika diselesaikan dengan
pendekatan kondisi Kuhn-Tucker. (Budi Marpaung, 2012).
Optimisiasi merupakan suatu langkah yang dilakukan untuk menemukan
hasil yang terbaik dengan memaksimumkan atau meminimumkan suatu fungsi tujuan
dengan tetap memperhatikan batasan yang ada. Masalah optimisasi dapat
diaplikasikan dalam masalah nyata antara lain portofoilio. Penelitian ini bertujuan
untuk membentuk model nonlinier portofolio optimal pada innvestasi saham di
bidang Perbankan yaitu Bank Central Asia dan Bank Rakyat Indonesia periode 1
Juni 2012 sampai 24 Juni 2013, dan menyelesaikan model menggunakan separable
programming.

3
Model nonlinier pada portofolio disusun dengan mendefinisikan variabel-

variabel penyimpangan, mentransformasi fungsi tujuan dalam bentuk persamaan atau
pertidaksamaan, selanjutnya fungsi tujuan utama dalam pola memaksimumkan
expected return dengan tingkat risiko tertentu. Sebagai penerapan model nonlinier
pada portofolio optimal diilustrasikan seorang investor ingin berinvestasi pada dua
perusahaan yaitu BBCA dan BBRI dengan dana awal sebesar Rp 65.000.000,00 yang
rencananya akan diinvestasikan semua dananya. Investor mengharapkan risiko yang
terkecil mungkin atau minimum. Berdasarkan perhitungan, keputusan yang diperoleh
adalah menginvestasikan dana awal dengan alokasi Rp 40.000.000,00 diinvestasikan
di BBCA dan Rp 25.000.000,00 diinvestasikan di BBRI. Jika investor menjual
sahamnya pada periode Juli 2013 maka keuntungan yang diperoleh yaitu sebesar Rp
4.250.950,00. (Rini Nurcahyani, 2014).
Optimisasi dapat didefinisikan sebagai proses menemukan kondisi dimana
fungsi mencapai nilai maksimum atau minimum. Masalah optimisasi dapat
diterapkan dalam masalah nyata. Permasalahan yang dihadapi manusia seringkali
merupakan masalah nonlinier, antara lain masalah mengoptimalkan produksi.
Penelitian ini bertujuan untuk mendeskripsikan langkah penyelesaian masalah
pemrograman nonlinier dan penerapannya dalam penetapan jumlah produksi optimal
bakpia di Bakpia Eny dengan pendekatan separable programming menggunakan
formulasi delta dan lamda.
Langkah menyelesaikan masalah pemrograman nonlinier dengan separable
programming menggunakan formulasi delta dan formulasi lamda adalah
memodelkan suatu masalah, mentransformasikan fungsi nonlinier menjadi fungsi
linier, membentuk masalah AP, membentuk masalah LAP, dan mencari solusi.
Model untuk masalah pemrograman nonlinier penetapan jumlah produksi optimal di
Bakpia Eny untuk bulain Agustus, September, dan Oktober dengan biaya seminimal
mungkin diselesaikan menggunkan pendekatan separable programming dengan
formulasi delta dan formulasi lamda diperoleh solusi bahwa Bakpia Eny harus
memproduksi 2500 kardus bakpia pada bulan Agustus, 3000 kardus bakpia pada
bulan September dan 3500 kardus bakpia pada bulan Oktober dengan biaya sebesar
Rp 54.973.710,8. (Lina Febriani, 2015).

4
Dalam penelitian ini akan dikaji bagaimana metode separable programming

mengoptimalkan biaya dan produksi. Hal ini yang mendasari penulis menggunakan
separable programming. Dari uraian diatas penulis memilih judul skripsi “Separable
Programming dalam Menyelesaikan Masalah Program Nonlinier”.
1.2 Perumusan Masalah

Berdasarkan latar belakang, pokok permasalahan yang dibahas dalam tulisan ini
adalah cara untuk mengoptimalkan produksi pakaian dengan metode separabel
programming sehingga memperoleh keuntungan yang optimal.
1.3 Batasan Masalah

Agar penelitian yang dilakukan dapat menghasilkan penelitian yang focus dan
akurat, maka diberikan batasan masalah sebagai berikut:
1. Metode yang dikaji adalah metode separable programming.
2. Data penelitian ini diambil dari jurnal.
1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk memperlihatkan bahwa metode separable
programming merupakan salah satu alternative yang dapat digunakan untuk
mengoptimalkan produksi salis koveksi.
1.5 Manfaat Penelitian

Manfaat Penelitian ini adalah:
1. Peneliti mendapatkan pengalaman dalam mengaplikasikan ilmu pengetahuan
yang diperoleh tentang mengoptimalkan jumlah produksi.
2. Sebagai bahan rujukan bagi pemilihan metode pengambilan keputusan dalam
masalah program nonlinier.
3. Menambah kepustakaan universitas yang sudah ada, khususnya mengenai
pengoptimalan produksi dengan menggunakan nonlinear programming.

BAB 2
LANDASAN TEORI
2.1 Optimisasi
Optimisasi berasal dari Bahasa inggris optimization yang memiliki arti
memaksimalkan atau meminimalkan sebuah fungsi yang diberikan untuk beberapa
macam kendala. Secara lebih sederhana dapat dijelaskan bahwa optimisasi adalah
suatu cabang dari ilmu matematika yang digunakan untuk memaksimumkan atau
meminimumkan fungsi tujuan dengan mempertimbangkan beberapa kendala yang
diberikan.
Konsep optimisasi mempunyai peranan penting dalam menyelesaikan suatu
masalah yang ada dalam kehidupan sehari-hari. Prosedur pemecahan masalah
optimisasi yang biasa digunakan yaitu memodelkan persoalannya kedalam sebuah
program matematis dan kemudian memecahkannya dengan menggunakan teknik-
teknik atau metode optimisasi seperti program linier, program nonlinier, program
tujuan ganda, dan metode-metode lainnya yang sudah berkembang saat ini.
2.2 Program Linier

2.2.1 Pengertian Program Linier
Linear Programming (LP) merupakan suatu model umum yang digunakan
dalam pemecahan maslah pengalokasian sumber-sumber yang terbatas secara
optimal. Masalah tersebut timbul apabila seseorang diharuskan untuk memilih atau
menentukan tingkat setiap kegiatan yang akan dilakukannya, dimana masing-masing
kegiatan membutuhkan sumber yang sama sedangkan jumlahnya terbatas (Subagyo,
1990).
Menurut Frederick S. Hiller dan Gerald J. Lieberman, LP merupakan suatu
model matematis untuk menggambarkan masalah yang dihadapi. Linier berarti
bahwa semua fungsi matematis dalam model merupkan fungsi-fingsi linier.
Pemrograman merupakan sinonim untuk kata perencanan. LP mencakup
perencanaan kegitatan-kegiatan untuk mencapai suatu hasil yang optimal., yaitu
suatu hasil yang mencerminkan tercapainya sasaran tertentu yang paling baik

6
menurut model matematis diantara alternatif-alternatif yang mungkin, dengan

menggunakan fungsi linier (Andi Wijaya, 2013).
2.2.2 Model Program Linier

Model matematis perumusan masalah umum pengalokasian sumber daya
untuk berbagai kegiatan disebut sebagai model Linear Programming (LP). Model LP
merupakan bentuk dan susunan dari dalam menyajikan masalah-masalah yang akan
dipecahkan dengan teknik LP. Dalam model LP dikenal 2 macam fungsi yaitu fungsi
tujuan dan fungsi batasan. Fungsi tujuan adalah fungsi yang menggambarkan atau
sasaran di dalam permasalahan LP yang berkaitan dengan pengaturan secara optimal
sumber-sumber daya, untuk memperoleh keuntungan maksimal atau biaya minimal.
Pada umumnya nilai yang akan dioptimalkan ditanyakan sebagai Z. Sedangkan
fungsi batasan merupakan bentuk penyajian secara matematis batasan-batasan
kapasitas yang tersedia yang akan dialokasikan secara optimal ke sebagai kegiatan
(Subagyo, 1990).
Secara sistematis, bentuk standar model program linier adalah sebagai
berikut (Jong Jek Siang, 2014):
Mencari 𝑋 = 𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0 yang memaksimumkan/meminimumkan
𝑍 = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛
Dengan kendala:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 (≤, =, ≥)𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 (≤, =, ≥)𝑏2
⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 (≤, =, ≥)𝑏𝑚
Keterangan:
𝑚 = macam batasan-batasan sumber yang tersedia
𝑛 = macam kegiatan-kegiatan yang menggunakan sumber
𝑖 = nomor setiap macam sumber yang tersedia (𝑖 = 1,2, . . , 𝑚)
𝑗 = nomor setiap macam kegiatan yang menggunakan sumber yang tersedia
(𝑗 = 1,2, . . , 𝑛)
𝑥𝑗 = tingkat kegiatan ke 𝑗. (𝑗 = 1,2, … , 𝑛)

7
𝑎𝑖𝑗 = banyaknya sumber 𝑖 yang diperlukan untuk menghasilkan setiap unit keluaran
kegiatan 𝑗 (𝑖 = 1,2, … , 𝑚, 𝑑𝑎𝑛 𝑗 = 1,2, … , 𝑛)
𝑏𝑖 = banyaknya sumber yang tersedia untuk dialokasikan ke setiap unit kegiatan
(𝑖 = 1,2, … , 𝑛)
𝑍 = nilai yang dioptimalkan (maksimum atau minimum)
Ciri pertama dipenuhi oleh banyak masalah karena pada umumnya variabel
yang digunakan (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) menyatakan suatu kuantitas misalnya jumlah barang,
lama waktu, dan sebagainya yang hendak dioptimalkan. Jelas bahwa nilai kuantitas
tersebut tidak negatif. Akan tetapi bila diinginkan ada variabel yang boleh bernilai
negatif, model program linier tetap bisa diselesaikan dengan suatu transformasi.
Ciri kedua berarti bahwa setiap variabel memiliki koefisien konstan. Tidak
boleh ada variabel yang berpangkat selain 1, dan tidak boleh ada pergandaan
variabel. Ciri linier ini juga berlaku pada semua kendalanya. Dalam beberapa kasus
ditransformasikan ke bentuk linier. Apabila demikian, model program linier dapat
digunakan.
2.3 Program Nonlinier

2.3.1 Pengertian Program Nonlinier
Masalah optimisasi (memaksimalkan atau meminimumkan) merupakan
masalah yang sering dijumpai dalam kehidupan sehari-hari, misalnya permasalahan
ekonomi yaitu masalah memaksimumkan keuntungan suatu produksi, dengan biaya
produksi yang seminimal mungkin, pada kenyataannya fungsi-fungsi yang terlibat
permasalahan ekonomi yaitu masalah memaksimumkan keuntungan suatu produksi,
dengan biaya produksi yang seminimal mungkin. Pada kenyataannya fungsi-fungsi
yang terlihat dalam permasalahan tersebut tidak selalu linier.
Suatu fungsi dikatakan nonlinier jika terdapat perkalian antara variabel bebas
dengan dirinya sendiri atau dengan variabel bebas yang lain. Fungsi nonlinier dapat
berupa fungsi kuadrat, fungsi eksponen, fungsi logaritma, fungsi pecahan dan lain-
lain. Oleh karena itu dibutuhkan pemrograman nonlinier untuk menjawab
permasalahan tersebut (Febriani L, 2015).

8
Pemrograman nonlinier merupakan salah satu teknik dari riset operasi untuk
memecahkan permasalahan optimisasi dengan menggunakan persamaan dan tidak
persamaan nonlinier untuk mencari hasil (output) yang persediaannya terbatas pada
nilai tertentu. Suatu permasalahan optimisasi disebut nonlinier jika fungsi tujuan dan
kendalanya mempunyai bentuk nonlinier pada salah satu atau keduanya. Tidak
semua permasalahan dalam kehidupan dapat diselesaikan dengan pemrograman
linier. Terdapat beberapa hal yang menyebabkan sifat ketidaksamaan.
Sifat ketidak linieran dapat juga muncul pada fungsi kendala 𝑔𝑖 (𝑥) dengan
cara yang sama. Sebagai contoh, apabila terdapat kendala anggaran dalam biaya
produksi total, maka fungsi biaya akan menjadi nonlinier jika biaya produksi
marginal berubah. Kendala 𝑔𝑖 (𝑥) akan berbentuk nonlinier apabila terdapat
penggunaan yang sebanding antara sumber daya dengan tingkat produksi dari
masing-masing produk.
Model pemrograman nonlinier meliputi pengoptimalan suatu kondisi berikut
(Nurcahyani R, 2014):
a. Fungsi tujuan nonlinier terhadap kendala linier.
b. Fungsi tujuan nonlinier terhadap kendala nonlinier.
c. Fungsi tujuan nonlinier tidak berkendala.
Pemrograman nonlinier mempunyai dua kondisi yaitu mempunyai kendala
dan tanpa kendala. Bentuk umum untuk fungsi nonlinier dengan kendala dituliskan
sebagai berikut:
𝑍 = 𝑓(𝑥)
Dengan kendala
𝑎≤𝑥≥𝑏
Di mana 𝑓(𝑥) adalah sebuah fungsi nonlinier dan pencarian nilai optimumnya
ditinjau pada selang [a,b] dengan 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ).
Bentuk umum dari pemrograman nonlinier dengan kendala secara umum
dapat ditulis:
Maksimumkan/minimumkan
𝑍 = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛 (2.1)
Dengan kendala
𝑔𝑖 (𝑥1 , 𝑥2 , … , 𝑥𝑛 )(≤, =, ≥)𝑏𝑖 , 𝑖 = 1,2, … , 𝑚 (2.2a)

9
𝑥1 ≥ 0, 𝑥2 ≥ 0, … , 𝑥𝑛 ≥ 0 (2.2b)
𝑓(𝑥) merupakan fungsi tujuan dan 𝑔𝑖 (𝑥) merupakan fungsi kendala dengan
𝑏𝑖 menunjukkan nilai syarat kendala tersebut. Dengan 𝑓(𝑥) dan 𝑔𝑖 (𝑥) merupakan
fungsi yang kontinu dan differensiable. 𝑓(𝑥) dan 𝑔𝑖 (𝑥) masing-masing adalah fungsi
dengan n-variabel. 𝑖 = 1,2, … , 𝑛 yang memenuhi kendala dan meminimalkan atau
memaksimalkan fungsi tujuan 𝑓(𝑥) dan 𝑔𝑖 (𝑥) nonlinier atau hanya 𝑓(𝑥) nonlinier.
Jika 𝑔1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ≠ ∅, maka pemrograman nonlinier tersebut dinamakan
pemrograman nonlinier berkendala (constrained), dan jika 𝑔1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∅,
maka pemrograman tersebut dinamakan pemrograman nonlinier tidak berkendala
(unconstrained). Batasan-batasan biasanya dinamakan kendala-kendala. Pada-m
kendala pertama dinamakan kendala-kendala fungsional, sedangkan batasan-batasan
𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0 dinamakan kendala-kendala tak-negatif.
Jika terjadi 𝑚 > 𝑛 makan masalah tidak dapat diselesaikan. Akan tetapi
untuk dapat menyelesaikannya maka 𝑚 ≤ 𝑛 (banyaknya kendala lebih sedikit atau
sama dengan banyaknya variabel). Daerah fisibel untuk pemrograman nonlinier
adalah himpunan dari nilai-nilai (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) yang memenuhi sejumlah m-kendala.
Sebuah nilai di dalam daerah fisibel adalah nilai fisibel, dan sebuah nilai di luar
fisibel adalah nilai tidak fisibel.
2.4 Separable Programming

2.4.1 Pengertian Separable Programming
Separable Programming atau yang sering disebut pemrograman terpisah
merupakan salah satu metode dalam penyelesaian pemrograman nonlinier dengan
cara mentransformasikan bentuk fungsi nonlinier menjadi fungsi-fungsi linier yang
hanya memuat satu variable saja.
Masalah separable programming dapat dituliskan sebagai berikut (Bazaraa,
2006:684) diberikan fungsi 𝑓𝑗 merupakan fungsi tujuan nonlinier dan 𝑔𝑖𝑗 merupakan
fungsi kendala yang dapat berbentuk linier atau nonlinier dengan 𝑏𝑖 menunjukkan
nilai syarat kendala tersebut, dalam hal ini 𝑥𝑖 merupakan variable bebas,
Memaksimumkan/Meminimumkan
𝑍 = ∑𝑛𝑗=1 𝑓𝑗 (𝑥𝑗 ) (2.3)

10
Dengan kendala
∑𝑛𝑗=1 𝑔𝑖𝑗 (𝑥𝑗 )(≤, =, ≥)𝑏𝑖 , 𝑖 = 1,2, … , 𝑚 (2.4)
𝑥𝑗 ≥ 0, (𝑗 = 1,2, … , 𝑛) (2.4b)
Fungsi pada persamaan (2.3) dan (2.4) dapat dijabarkan menjadi
𝑧 = 𝑓1 (𝑥1 ) + 𝑓2 (𝑥2 ) + ⋯ + 𝑓𝑛 (𝑥𝑛 ) (2.5)
𝑔11 (𝑥1 ) + 𝑔12 (𝑥2 ) + ⋯ + 𝑔1𝑛 (𝑥𝑛 )(≤, =, ≥)𝑏1 (2.6a)
𝑔21 (𝑥1 ) + 𝑔22 (𝑥2 ) + ⋯ + 𝑔2𝑛 (𝑥𝑛 )(≤, =, ≥)𝑏2 (2.6b)
⋮
𝑔𝑚1 (𝑥1 ) + 𝑔𝑚2 (𝑥2 ) + ⋯ + 𝑔𝑚𝑛 (𝑥𝑛 )(≤, =, ≥)𝑏𝑚 (2.6c)
Penyelesaian dalam masalah separable programming dapat dilakukan dengan

metode hampiran linier septong-sepotong dengan membuat beberapa titik kisi.
Didefinisikan 𝑓(𝑥) merupakan fungsi nonlinier yang kontinu, dengan 𝑥 pada interval
[a,b]. Akan didefinisikan fungsi linier sepotong-sepotong 𝑓 ̅ yang merupakan
hampiran fungsi 𝑓 pada interval [a,b]. Selanjutnya interval [a,b] dipartisi menjadi
interval-interval yang lebih kecil, dengan titik partisi (titik kisi) 𝑎 = 𝑥1 , 𝑥2 , … , 𝑥𝑛 = 𝑏
. Titik-titik kisi tidak harus mempunyai jarak yang sama.
Bentuk baru variabel keputusan dapat dinyatakan sebagai berikut:
𝑥 = ∑𝑘𝑣=1 𝑥𝑣 𝜆𝑣 , untuk 𝑣 = 1,2, … , 𝑘
Dengan hampiran linier dari fungsi 𝑓(𝑥) untuk titik-titik kisi 𝑥1 , 𝑥2 , … , 𝑥𝑘

didefinisikan sebagai berikut:
𝑓̂(𝑥) = ∑𝑘𝑣=1 𝑓̂ (𝑥𝑣 )𝜆𝑣 , ∑𝑘𝑣=1 𝜆𝑣 = 1, 𝜆𝑣 ≥ 0 (2.7)
Dan terdapat paling sedikit satu 𝜆𝑣 tidak nol atau paling banyak dua 𝜆𝑣 , 𝜆𝑣+1 tidak
nol berdampingan.
Berikut adalah langkah-langkah penyelesaian model linier menggunakan

separable programming:
a. Membentuk model nonlininer berdasarkan data yang diperoleh dari objek

penelitian.

11
b. Membentuk masalah P (Fungsi Separable).
𝑍 = ∑𝑛𝑗=1 𝑓𝑗 (𝑥𝑗 ) (2.8)
Dengan kendala
∑𝑛𝑗=1 𝑔𝑖𝑗 (𝑥𝑗 )(≤, =, ≥)𝑏𝑖 , 𝑖 = 1,2, … , 𝑚 (2.9a)
𝑥𝑗 ≥ 0, (𝑗 = 1,2, … , 𝑛) (2.9b)
c. Mentransformasikan fungsi nonlinier menjadi fungsi linier dengan hampiran

linier sepotong-sepotong formulasi lamda dan membuat titik kisi. Hampiran
linier dari fungsi 𝑓(𝑥) untuk titik-titik kisi 𝑥1 , 𝑥2 , … , 𝑥𝑘 didefinisikan sebagai
berikut:
𝑘𝑗
𝑓̂𝑘 (𝑥𝑗 ) = ∑𝑣=1 𝑓𝑗 (𝑥𝑣𝑗 )𝜆𝑣𝑗 𝑢𝑛𝑡𝑢𝑘 𝑗 ∉ 𝐿 (2.10)
𝑘𝑗
𝑔̂𝑣𝑗 (𝑥𝑗 ) = ∑𝑣=1 𝑔𝑖𝑗 (𝑥𝑣𝑗 )𝜆𝑣𝑗 𝑢𝑛𝑡𝑢𝑘 𝑖 = 1,2, … , 𝑚; 𝑗 ∉ 𝐿 (2.11)
Dengan
∑𝑘𝑗
𝑣=1 𝜆𝑖𝑗 = 1 (2.12a)
𝜆𝑖𝑗 ≥ 0 𝑢𝑛𝑡𝑢𝑘 𝑣 = 1,2, … , 𝑘𝑗 ; 𝑗 ∉ 𝐿 (2.12b)
Dan
𝑘𝑗
𝑥𝑗 = ∑𝑣=1 𝜆𝑣𝑗 (𝑥𝑣𝑗 ) (2.13)
d. Membentuk masalah AP
𝑍 = ∑𝑗∉𝐿 𝑓̂𝑗 (𝑥𝑗 ) (2.14)
Dengan kendala
∑𝑗∉𝐿 𝑔̂𝑖𝑗 (𝑥𝑗 )(≤, =, ≥)𝑏𝑖 , (𝑖 = 1,2, … , 𝑚) (2.15a)
𝑥𝑗 ≥ 0 𝑢𝑛𝑡𝑢𝑘 𝑗 = 1,2, … , 𝑛 𝑑𝑎𝑛 𝑗 ∉ 𝐿 (2.15b)

12
Perhatikan bahwa fungsi tujuan dan fungsi kendala pada masalah AP adalah
fungsi linier sepotong-sepotong.
Berdasarkan persamaan (2.8 – 2.10b), masalah AP dapat ditulis ulang
sebagai masalah LAP yang dituliskan sebagai berikut.
e. Membentuk masalah LAP
Memasksimumkan/Meminimumkan
𝑘𝑗
𝑍 = ∑𝑗∉𝐿 ∑𝑣=1 𝑓𝑗 (𝑥𝑣𝑗 )𝜆𝑣𝑗 (2.16)
Dengan kendala
∑𝑗∉𝐿 ∑𝑘𝑗
𝑣=1 𝑔𝑖𝑗 (𝑥𝑣𝑗 )𝜆𝑣𝑗 (≤, =, ≥)𝑏𝑖 , (𝑖 = 1,2, … , 𝑚) (2.17a)
∑𝑘𝑗
𝑣=1 𝜆𝑣𝑗 = 1 (2.17b)
𝜆𝑣𝑗 ≥ 0 𝑢𝑛𝑡𝑢𝑘 𝑣 = 1,2, … , 𝑘𝑗 ; 𝑗 ∉ 𝐿 (2.17c)

dan terdapat paling sedikit satu 𝜆𝑣𝑗 tidak nol atau paling banyak dua 𝜆𝑣𝑗 , 𝜆(𝑣+1)𝑗
tidak nol dan berdampingan.
Dari fungsi tujuan dan fungsi kendala linear yang diperoleh pada persamaan
(2.15 – 2.16c) yang disebut sebagai masalah LAP, maka masalah LAP dapat
diselesaikan dengan menggunakan simpleks biasa. Selanjutnya akan dibahas
mengenai contoh penyelesaian masalah separable programming menggunakan
fungsi linier sepotong-sepotong sebagai hampiran fungsi nonlinier dengan formulasi
lamda. Pada skripsi ini penyelesaian menggunakan metode simpleks biasa akan
dilakukan dengan bantuan software WinQSB. Selanjutnya akan dibahas mengenai
software WinQSB.
2.5 WinQSB
WinQSB merupakan perangkat lunak untuk menyelesaiakan permasalahan

yang berkaitan dengan optimasi maupun sistem produksi. Program WinQSB
memiliki 19 modul yang sudah sangat popular di dalam dunia matematika dan

13
manajemen, sehingga saat ini merupakan program pendukung keputusan (decision

support system) paling lengkap yang tersedia disini. Beberapa modul tersebut di
antaranya adalah linear programming dengan berbagai variasinya (mulai dari yang
linier dan nonlinier, hingga yang integer dan kuadratik), analisis jaringan (ada
network modeling, dynamic programming, PERT/CPM), teori antrian (queuing
analysis dan queuing system simulation), teori persediaan (termasuk MRP atau
material requirement planning), penjadwalan produksi, hingga ke penentuan lokasi
bangunan atau departemen yang optimal, sehingga tidak timbul pemborosan
(Febriani Lina, 2015)

BAB 3
METODOLOGI PENELITIAN
3.1 Rancangan Penelitian

Rancangan penelitian ini adalah penelitian yang bersifat deskriptif yaitu
rancangan penelitian yang tidak hanya teratas pada masalah pengumpulan atau
penyusunan data tetapi juga meliputi analisis dan interpretasi data tersebut. Oleh
karena itu, penelitian deskriptif memungkinkan mengambil bentuk penelitian
komparatif yaitu suatu penelitian yang membandingkan suatu gejala atau kriteria
dengan kriteria yang lain.
Tujuan dari penelitian desktriptif yaitu menghasilkan gambaran yang akurat
terhadap suatu permasalahan yang sedang di teliti. Pada penelitian ini, di cari
gambaran tentang pengoptimalan suatu produksi barang dengan menggunakan
separable programming.
3.2 Jenis dan Teknik Pengumpulan Data

Tahap ini dimulai dengan studi pendahuluan yaitu berupa studi kepustakaan
dengan mengumpulkan bahan referensi. Selanjutnya jenis data yang digunakan
dalam penelitian ini adalah jenis data sekunder yaitu data yang diperoleh tidak secara
langsung dari objek penelitian. Penelitian mendapatkan data yang dikutip dari jurnal
Rofiqotun Najah dan Eminugroho Ratna Sari.
3.3 Analisis Data

Tahapan pengambilan keputusan metode separable programming adalah
sebagai berikut:
1. Memodelkan suatu masalah,
2. Mentransformasikan fungsi nonlinear menjadi fungsi linear,
3. Membentuk masalah AP,
4. Membentuk masalah LAP,
5. Mencari solusi.

15
Berikut ini disajikan kerangka pemikiran dari penelitian sebagai berikut:
Fungsi Nonlinear
Membentuk Masalah P
Mentranformasikan Fungsi Nonlinear Menjadi Fungsi Linear

dengan Hampiran Fungsi Linear Sepotong-Sepotong Formasi
Lambda dan Membuat Titik Kisi
Membentuk Masalah AP
Membentuk Masalah LAP
Menyelesaiakan Masalah LAP dengan Menggunakan

Software WinQSB
Mencari Solusi Optimal
Gambar 3.1 Kerangka pemikiran

BAB 4
HASIL DAN PEMBAHASAN
Pada bab ini akan dijelaskan mengenai penyelesaian masalah pemprograman

nonlinier dengan penyelesaian metode separable programming menggunakan
hampiran fungsi linier sepotong-sepotong dengan metode simpleks.
4.1 Peneyelesaian Masalah Nonlinier Menggunakan Pendekatan Separable

Programming
Separable Programming merupakan metode penyelesaian model nonlinier
yang khusus karena fungsi tujuan dan fungsi kendalanya harus dinyatakan sebagai
jumlah fungsi satu variabel dan bukan perkalian dua variabel berbeda atau lebih.
Separable Programming selanjutnya diselesaikan dengan menggunakan hampiran
fungsi linier sepotong-sepotong. Adapun langkah penyelesaiannya yaitu:
a. Membentuk model nonlinier
b. Membentuk masalah P (Fungsi Separable)
c. Mentransformasikan fungsi nonlinier menjadi fungsi linier dengan hampiran
linier sepotong-sepotong formulasi lambda dan membuat titik kisi.
d. Membentuk masalah AP
e. Membentuk masalah LAP
f. Menyelesaikan masalah LAP.
Masalah LAP yang diperoleh merupakan pemrograman linier yang
selanjutnya dapat diselesaiakan dengan metode penyelesaian pemprograman linier.
Skripsi ini menggunakan meode simpleks untuk menyelesaikan pemprograman linier
yang telah diperoleh.
4.2 Penerapan Model Nonlinier pada Data

Pada subbab ini akan dibahas bagaimana pembentukan model nonlinier untuk
optimum biaya produksi salis konveksi selanjutnya akan dibahas langkah
penyelesaian fungsi linier sepotong-sepotong. Pada penyelesaian akhir separable
programming setelah terbentuk fungsi linier dengan kendala linier selanjutnya akan
diselesaikan dengan metode simpleks.

17
4.2.1 Data
Data yang digunakan dalam penelitian ini diperoleh dari jurnal Vol.7 No. 2 ,
selanjutnya akan diselesaikan dengan metode separable programming dengan
simpleks.
Salis konveksi merupakan salah satu konveksi yang berlokasi di Solo. Solo
adalah kota yang terkenal dengan pusat grosir dari berbagai macam pakaian.
Sehingga banyak pembeli berasal dari kota lain. Oleh sebab itu banyak penjual yang
menjual pakaiannya secara online, dan salis konveksi merupakan salah satu konveksi
yang bekerjasama dengan beberapa penjual online untuk memproduksi pakaian.
Salah satu nilai tambah dari Salis Konveksi adalah Salis Konveksi dapat
menerima bahan pakaian dari pelanggan untuk kemudian dibuat pakaian berdasarkan
pesanan, sehingga pelanggan hanya membayar biaya produksi saja. Biaya tersebut
relatif lebih murah dibandingkan dengan konveksi lain di Solo, namun karena lokasi
Salis Konveksi yang tidak terlalu strategis, menyebabkan Salis Konveksi menjadi
kurang banyak diminati oleh para pelanggan. Hal tersebut mengakibatkan jumlah
produksi tiap bulan di Salis Konveksi tidak selalu tetap. Jumlah biaya produksi yang
selalu berubah-ubah ini membuat model matematika yang akan diterapkan
merupakan jenis model nonlinier. Berikut data produksi dan data biaya produksi
pada Salis Koveksi.
Tabel 1. Data Produksi

Atasan Rok Dress Atasan
Dewasa Dewasa Anak Anak
Juli 2016 178 159 235 242
Agustus 2016 193 94 173 236
September 2016 215 132 184 251
Oktober 2016 243 103 193 367
November 2016 134 256 209 96
Desember 2016 215 145 247 195

18
Table 2. Data Biaya Produk

Atasan
Rok Dewasa Dress Anak Atasan Anak
Dewasa
Juli 2016 Rp 1,487,500 Rp 1,275,000 Rp 1,508,000 Rp 1,248,000
Agustus 2016 Rp 1,615,000 Rp 765,000 Rp 1,105,000 Rp 1,222,000
September 2016 Rp 1,785,000 Rp 1,105,000 Rp 1,170,000 Rp 1,300,000
Oktober 2016 Rp 2,040,000 Rp 858,500 Rp 1,235,000 Rp 1,980,000
November 2016 Rp 1,105,000 Rp 2,125,000 Rp 1,300,000 Rp 495,000
Desember 2016 Rp 1,785,000 Rp 1,050,000 Rp 1,579,500 Rp 1,045,000
Dalam penelitian ini diasumsikan beberapa hal, yaitu :
1. Produksi setiap bulan selalu habis terjual.

2. Tidak ada perubahan biaya.
Selanjutnya, berdasarkan tujuan yang akan dicapai yaitu untuk meminimumkan

biaya produksi Salis Konveks, maka dibentuk variabel keputusan yang akan
digunakan yaitu:
𝑥1 = banyak produksi atasan dewasa dalam satu bulan.
𝑥2 = banyak produksi rok dewasa dalam satu bulan.
𝑥3 = banyak produksi dress anak dalam satu bulan.
𝑥4 = banyak produksi atasan anak dalam satu bulan.
Fungsi tujuan dibentuk dengan menjadikan jumlah produksi total tiap jenis
sebagai nilai 𝑥, dan biaya produksi setiap jenis produksi sebagai nilai 𝑓(𝑥). Fungsi
biaya yang dikeluarkan untuk memperoduksi setiap jenis pakaian diperoleh dengan

19
mencari regresi polynomial yang akan ditentukan dengan software Geogebra melalui
perintah fitpoly, sehingga didapatkan fungsi tujuan adalah
Meminimumkan :
𝑓(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = 0,38𝑥1 2 +8344,04𝑥1 + 12,07𝑥2 2 +4043,24𝑥2 + 15,86𝑥3 2

−232,07𝑥3 + 1,83𝑥4 2 + 4586,28𝑥4 + 1001032,87 (3.1)
Fungsi kendala dari permasalahan ini, jumlah produksi minimal untuk Atasan
Dewasa (𝑥1 ) adalah 102 pcs, Rok Dewasa (𝑥2 ) adalah sebanyak 98 pcs, dress Anak
(𝑥3 ) adalah sebanyak 180 pcs, dan Atasan Anak (𝑥2 ) adalah sebanyak 40 pcs. Dan
dari permasalahan tersebut dapat dibentuk sebagai berikut :
𝑥1 ≥ 102 (3.2a)
𝑥2 ≥ 98 (3.2b)
𝑥3 ≥ 180 (3.2c)
𝑥4 ≥ 40 (3.2d)
𝑥1 , 𝑥2 , 𝑥3 𝑥4 ≥ 0 (3.2e)
Jadi permasalahan pada data dapat dimodelkan menjadi model nonlinier

dengan fungsi tujuan sesuai dengan persamaan (3.1) dan fungsi kendala sesuai
dengan persamaan (3.2).
4.3 Penyelesaian Model Nonlinier Menggunakan Separable Programming

Metode Hampiran Sepotong-sepotong.
Penyelesaian model nonlinear dengan pendekatan separable programming
selanjutnya dikerjakan menggunakan metode hampiran fungsi linier sepotong-
sepotong (piecewise linear approximation). Adapun langkah-langkah penyelesaian
yaitu sebagai berikut:
a. Membentuk Masalah P
Berdasarkan persamaan (3.1), maka diperoleh:

20
𝑓1 (𝑥1 ) = 0,38𝑥1 2 +8344,04𝑥1 (3.3a)

𝑓2 (𝑥2 ) = 12,07𝑥2 2 +4043,24𝑥2 (3.3b)
𝑓3 (𝑥3 ) = 15,86𝑥3 2 −232,07𝑥3 (3.3c)
𝑓4 (𝑥4 ) = 1,83𝑥4 2 + 4586,28𝑥4 + 1001032,87 (3.3d)
Persamaan (3.1) yang telah dijabarkan dalam persamaan (3.3) tersebut dapat
dinyatakan sebagai fungsi saparable seperti persamaan (2.5) untuk 𝑗 = 1,2,3,4 yaitu:
𝑓(𝑋) = ∑4𝑗=1 𝑓1 (𝑥1 ) = 𝑓1 (𝑥1 ) + 𝑓2 (𝑥2 ) + 𝑓3 (𝑥3 ) + 𝑓4 (𝑥4 ) (3.4)
Berdasarkan fungsi kendala (3.2) dan persamaan (2.9), maka fungsi kendala
tersebut dapat diubah menjadi:
𝑔11 (𝑥1 ) = 𝑥1 ; 𝑔21 (𝑥2 ) = 0; 𝑔31 (𝑥3 ) = 0; 𝑔41 (𝑥4 ) = 0 (3.5a)
𝑔12 (𝑥1 ) = 0; 𝑔22 (𝑥2 ) = 𝑥2 ; 𝑔32 (𝑥3 ) = 0; 𝑔42 (𝑥4 ) = 0 (3.5b)
𝑔13 (𝑥1 ) = 0; 𝑔23 (𝑥2 ) = 0; 𝑔33 (𝑥3 ) = 𝑥3 ; 𝑔43 (𝑥4 ) = 0 (3.5c)
𝑔14 (𝑥1 ) = 0; 𝑔24 (𝑥2 ) = 0; 𝑔34 (𝑥3 ) = 0; 𝑔44 (𝑥4 ) = 𝑥4 (3.5d)
Pada pembentukan fungsi kendala dengan pendekatan separable
programming perlu ditambahkan satu kendala lagi yaitu interval nilai 𝑥𝑗 untuk 𝑗 =
1,2,3,4. Berdasarkan kendala (3.2) maka kendala baru yang ditambahkan yaitu
0 ≤ 𝑥𝑗 ≤ 190. (3.5e)
Batas atas 𝑥𝑗 dalam permasalahan ini digunakan 190 karena yang mendekati
nilai yang paling besar.
b. Menentukan Jumlah Titik Kisi

Sebelum melakukan fungsi linier sepotong-sepotong untuk 𝑓𝑗 (𝑥𝑣𝑗 ) dan
𝑔𝑖𝑗 (𝑥𝑣𝑗 ) perlu ditentukan 𝑎𝑗 dan 𝑏𝑗 untuk 𝑗 = 1,2, … , 𝑛 sedemikian sehingga nilai
pada solusi optimal akan memenuhi 𝑎𝑗 ≤ 𝑥𝑣𝑗 ≤ 𝑏𝑗 . Interval [𝑎𝑗 , 𝑏𝑗 ] dibentuk
berdasarkan fungsi kendala yang ada.
Banyaknya titik kisi dapat ditentukan secara sembarang. Pada perhitungan
awal untuk masalah ini ditetapkan jumlah titik kisi yang digunakan sebanyak empat
(𝑣 = 1,2,3,4). Interval setiap titik kisi pada masalah ini dibuat sama agar
mempermudah perhitungan. Berdasarkan (3.5e) maka nilai 𝑥𝑣𝑗 untuk masalah ini
adalah sebagai berikut:
𝑥11 = 0; 𝑥21 = 70; 𝑥31 = 140; 𝑥41 = 190; (3.6a)

21
𝑥12 = 0; 𝑥22 = 70; 𝑥32 = 140; 𝑥42 = 190; (3.6b)
𝑥13 = 0; 𝑥23 = 70; 𝑥33 = 140; 𝑥43 = 190; (3.6c)
𝑥14 = 0; 𝑥24 = 70; 𝑥34 = 140; 𝑥44 = 190; (3.6d)
Nilai fungsi titik kisi dengan 4 titik kisi dapat dilihat pada lampiran 1.
c. Membentuk Masalah AP
Pembentukan masalah AP diperoleh dengan cara membentuk model linier
dari masalah P yang dilakukan dengan hampiran fungsi linier sepotong-sepotong
formulasi lambda. Berdasarkan persamaan (2.10), (2.11) dan (2.12) maka diperoleh
hampiran liniernya yaitu:
𝑓̂1 (𝑥1 ) = ∑4𝑣=1 𝜆𝑣1 𝑓1 (𝑥𝑣1 ) (3.7a)
𝑓̂2 (𝑥2 ) = ∑4𝑣=1 𝜆𝑣2 𝑓2 (𝑥𝑣2 ) (3.7b)
𝑓̂3 (𝑥3 ) = ∑4𝑣=1 𝜆𝑣3 𝑓3 (𝑥𝑣3 ) (3.7c)
𝑓̂4 (𝑥4 ) = ∑4𝑣=1 𝜆𝑣4 𝑓4 (𝑥𝑣4 ) (3.7d)
Dengan kendala
𝑔̂11 (𝑥1 ) = ∑4𝑣=1 𝜆𝑣1 𝑔11 (𝑥𝑣1 ) (3.8a)
𝑔̂12 (𝑥2 ) = ∑4𝑣=1 𝜆𝑣2 𝑔12 (𝑥𝑣2 ) (3.8b)
𝑔̂13 (𝑥3 ) = ∑4𝑣=1 𝜆𝑣3 𝑔13 (𝑥𝑣3 ) (3.8c)
𝑔̂14 (𝑥4 ) = ∑4𝑣=1 𝜆𝑣4 𝑔14 (𝑥𝑣4 ) (3.8d)
𝑔̂21 (𝑥1 ) = ∑4𝑣=1 𝜆𝑣1 𝑔21 (𝑥𝑣1 ) (3.8e)
𝑔̂22 (𝑥2 ) = ∑4𝑣=1 𝜆𝑣2 𝑔22 (𝑥𝑣2 ) (3.8f)
𝑔̂23 (𝑥3 ) = ∑4𝑣=1 𝜆𝑣3 𝑔23 (𝑥𝑣3 ) (3.8g)
𝑔̂24 (𝑥4 ) = ∑4𝑣=1 𝜆𝑣4 𝑔24 (𝑥𝑣4 ) (3.8h)
𝑔̂31 (𝑥3 ) = ∑4𝑣=1 𝜆𝑣3 𝑔31 (𝑥𝑣1 ) (3.8i)

22
𝑔̂32 (𝑥2 ) = ∑4𝑣=1 𝜆𝑣2 𝑔32 (𝑥𝑣2 ) (3.8j)
𝑔̂33 (𝑥3 ) = ∑4𝑣=1 𝜆𝑣3 𝑔33 (𝑥𝑣3 ) (3.8k)
𝑔̂34 (𝑥4 ) = ∑4𝑣=1 𝜆𝑣4 𝑔34 (𝑥𝑣4 ) (3.8l)
𝑔̂41 (𝑥1 ) = ∑4𝑣=1 𝜆𝑣1 𝑔41 (𝑥𝑣1 ) (3.8m)
𝑔̂42 (𝑥2 ) = ∑4𝑣=1 𝜆𝑣2 𝑔42 (𝑥𝑣2 ) (3.8n)
𝑔̂43 (𝑥3 ) = ∑4𝑣=1 𝜆𝑣3 𝑔43 (𝑥𝑣3 ) (3.8o)
𝑔̂44 (𝑥4 ) = ∑4𝑣=1 𝜆𝑣4 𝑔44 (𝑥𝑣4 ) (3.8p)
𝜆11 + 𝜆21 + 𝜆31 + 𝜆41 = 1 (3.9a)
𝜆12 + 𝜆22 + 𝜆32 + 𝜆42 = 1 (3.9b)
𝜆13 + 𝜆23 + 𝜆33 + 𝜆43 = 1 (3.9c)
𝜆14 + 𝜆24 + 𝜆34 + 𝜆44 = 1 (3.9d)
𝜆𝑣1 , 𝜆𝑣2 , 𝜆𝑣3 , 𝜆𝑣4 ≥ 0 𝑢𝑛𝑡𝑢𝑘 𝑣 = 1,2, … ,4.
Dengan 𝑥𝑗 yang diperoleh berdasarkan persamaan (2.13) yaitu:
𝑥1 = 0𝜆11 + 70𝜆21 + 140𝜆31 + 190𝜆41 (3.10a)
𝑥2 = 0𝜆12 + 70𝜆22 + 140𝜆32 + 190𝜆42 (3.10b)
𝑥3 = 0𝜆13 + 70𝜆23 + 140𝜆33 + 190𝜆43 (3.10c)
𝑥4 = 0𝜆14 + 70𝜆24 + 140𝜆34 + 190𝜆44 (3.10d)
Sehingga diperoleh masalah AP sebagai berikut:
Meminimumkan
∑𝑗∉𝑙 𝑓̂𝑗 (𝑥𝑗 ) (3.11)

23
Dengan kendala
∑𝑗∉𝑙 𝑔̂𝑖𝑗 (𝑥𝑗 ) ≥ 𝑏𝑖 , (𝑖 = 1,2, … , 𝑚) (3.12)
d. Membentuk Masalah LAP

Berdasarkan persamaan (2.14), fungsi tujuan masalah LAP dapat ditulis
sebagai berikut:
∑𝑗∉𝑙 𝑓̂1 (𝑥1 ) = 𝑓̂1 (𝑥1 ) + 𝑓̂2 (𝑥2 ) + 𝑓̂3 (𝑥3 ) + 𝑓̂4 (𝑥4 ) (3.13)
Berdasarkan persamaan (3.7a) – (3.7d), persamaan (3.13) dapat dituliskan
sebagai berikut:
∑𝑗∉𝑙 𝑓̂𝑗 (𝑥𝑗 ) = ∑4𝑣=1 𝜆𝑣1 𝑓1 (𝑥𝑣1 ) + ∑4𝑣=1 𝜆𝑣2 𝑓2 (𝑥𝑣2 ) + ∑4𝑣=1 𝜆𝑣3 𝑓3 (𝑥𝑣3 ) +
∑4𝑣=1 𝜆𝑣4 𝑓4 (𝑥𝑣4 ) (3.14)
Berdasarkan persamaan (2.16), persamaan (3.14) dapat dituliskan sebagai
berikut:
𝑓̂𝑗 (𝑥𝑣𝑗 ) = [𝜆11 𝑓1 (𝑥11 ) + 𝜆21 𝑓1 (𝑥21 ) + 𝜆31 𝑓1 (𝑥31 ) + 𝜆41 𝑓1 (𝑥31 )] +
[𝜆12 𝑓2 (𝑥12 ) + 𝜆22 𝑓2 (𝑥22 ) + 𝜆32 𝑓2 (𝑥32 ) + 𝜆42 𝑓2 (𝑥42 )] +
[𝜆13 𝑓3 (𝑥13 ) + 𝜆23 𝑓3 (𝑥23 ) + 𝜆33 𝑓3 (𝑥33 ) + 𝜆43 𝑓3 (𝑥43 )] +
[𝜆14 𝑓4 (𝑥14 ) + 𝜆24 𝑓4 (𝑥24 ) + 𝜆34 𝑓4 (𝑥34 ) + 𝜆44 𝑓4 (𝑥44 )]. (3.15)
Berdasarkan persamaan (3.3), (3.4) dan (3.5) dalam menghitung nilai dari
𝑓𝑗 (𝑥𝑣𝑗 ), 𝑔𝑖𝑗 (𝑥𝑣𝑗 ) dan table nilai fungsi titik kisi pada lampiran 1, diperoleh hampiran
fungsi tujuan linier sebagai berikut:
𝑓̂𝑗 (𝑥𝑣𝑗 ) = 0𝜆11 + 585944.8𝜆21 + 1175614𝜆31 + 1599086𝜆41 +
0𝜆12 + 342169.8𝜆22 + 802625.6𝜆32 + 1203943𝜆42 +
0𝜆13 + 61469.1𝜆23 + 278366.2𝜆33 + 528452.7𝜆43 +
0𝜆14 + 1331039.5𝜆24 + 1678980.7𝜆34 + 1938489.07𝜆44 . (3.16)
Berdasarkan persamaan (2.15a), fungsi kendala masalah LAP dapa dituliskan

sebagai berikut:
∑𝑗∉𝐿 𝑔1𝑗 (𝜆𝑗 ) = 𝑔̂11 (𝑥1 ) + 𝑔̂12 (𝑥2 ) + 𝑔̂13 (𝑥3 ) + 𝑔̂14 (𝑥4 ) ≥ 𝑏1 (3.17a)

24
𝑔̂21 (𝑥1 ) + 𝑔̂22 (𝑥2 ) + 𝑔̂23 (𝑥3 ) + 𝑔̂24 (𝑥4 ) ≥ 𝑏2 (3.17b)
𝑔̂31 (𝑥1 ) + 𝑔̂32 (𝑥2 ) + 𝑔̂33 (𝑥3 ) + 𝑔̂34 (𝑥4 ) ≥ 𝑏3 (3.17c)
𝑔̂41 (𝑥1 ) + 𝑔̂42 (𝑥2 ) + 𝑔̂43 (𝑥3 ) + 𝑔̂44 (𝑥4 ) ≥ 𝑏4 (3.17d)
Berdasarkan persamaan (2.17a), persamaan (3.17) dapat dituliskan sebagai

berikut:
∑𝑗∉𝐿 𝑔1𝑗 (𝜆𝑗 ) = ∑4𝑣=1 𝜆𝑣1 𝑔11 (𝑥𝑣1 ) + ∑4𝑣=1 𝜆𝑣2 𝑔12 (𝑥𝑣2 ) +
∑4𝑣=1 𝜆𝑣3 𝑔13 (𝑥𝑣3 ) + ∑4𝑣=1 𝜆𝑣4 𝑔14 (𝑥𝑣4 ) ≥ 𝑏1 (3.18a)
∑4𝑣=1 𝜆𝑣3 𝑔23 (𝑥𝑣3 ) + ∑4𝑣=1 𝜆𝑣4 𝑔24 (𝑥𝑣4 ) ≥ 𝑏2 (3.18b)
∑4𝑣=1 𝜆𝑣3 𝑔33 (𝑥𝑣3 ) + ∑4𝑣=1 𝜆𝑣4 𝑔34 (𝑥𝑣4 ) ≥ 𝑏3 (3.18c)
∑4𝑣=1 𝜆𝑣3 𝑔43 (𝑥𝑣3 ) + ∑4𝑣=1 𝜆𝑣4 𝑔44 (𝑥𝑣4 ) ≥ 𝑏4 (3.18d)
Berdasarkan persamaan (2.17a), persamaan (3.18) dapat dituliskan sebagai

berikut:
∑𝑗∉𝐿 ∑4𝑣=1 𝑔̂1𝑗 (𝑥𝑣𝑗 )𝜆𝑣𝑗 = [𝜆11 𝑔11 (𝑥11 ) + ⋯ + 𝜆41 𝑔11 (𝑥41 )] +
[𝜆12 𝑔12 (𝑥12 ) + ⋯ + 𝜆42 𝑔12 (𝑥42 )] +
[𝜆13 𝑔13 (𝑥13 ) + ⋯ + 𝜆43 𝑔13 (𝑥43 )] +
[𝜆14 𝑔14 (𝑥14 ) + ⋯ + 𝜆44 𝑔14 (𝑥44 )] (3.19a)
[𝜆12 𝑔22 (𝑥12 ) + ⋯ + 𝜆42 𝑔22 (𝑥42 )] +

25
[𝜆13 𝑔23 (𝑥12 ) + ⋯ + 𝜆43 𝑔23 (𝑥43 )] +
[𝜆14 𝑔14 (𝑥12 ) + ⋯ + 𝜆44 𝑔24 (𝑥44 )] (3.19b)
[𝜆12 𝑔32 (𝑥12 ) + ⋯ + 𝜆42 𝑔32 (𝑥42 )] +
[𝜆13 𝑔33 (𝑥13 ) + ⋯ + 𝜆43 𝑔33 (𝑥43 )] +
[𝜆14 𝑔34 (𝑥14 ) + ⋯ + 𝜆44 𝑔34 (𝑥44 )] (3.19c)
[𝜆12 𝑔42 (𝑥12 ) + ⋯ + 𝜆42 𝑔32 (𝑥42 )] +
[𝜆13 𝑔43 (𝑥13 ) + ⋯ + 𝜆43 𝑔43 (𝑥43 )] +
[𝜆14 𝑔44 (𝑥14 ) + ⋯ + 𝜆44 𝑔44 (𝑥44 )] (3.19d)
Berdasarkan persamaan (3.19) dan tabel nilai fungsi titik kisi pada lampiran
1, substitusikan nilai 𝑔𝑖𝑗 (𝑥𝑣𝑗 ) sehingga diperoleh hampiran fungsi kendala linier
sebagai berikut:
𝑔𝑖𝑗 (𝑥𝑣𝑗 ) = [0𝜆11 + 70𝜆21 + 140𝜆31 + 190𝜆41 ] + [0𝜆12 + 0𝜆22 + 0𝜆32 +

0𝜆42 ] + [0𝜆13 + 0𝜆23 + 0𝜆33 + 0𝜆43 ] + [0𝜆14 + 0𝜆24 + 0𝜆34 +
0𝜆44 ] ≥ 102 (3.20a)
𝑔𝑖𝑗 (𝑥𝑣𝑗 ) = [0𝜆11 + 0𝜆21 + 0𝜆31 + 0𝜆41 ] + [0𝜆12 + 70𝜆22 + 140𝜆32 +

190𝜆42 ] + [0𝜆13 + 0𝜆23 + 0𝜆33 + 0𝜆43 ] + [0𝜆14 + 0𝜆24 + 0𝜆34 +
0𝜆44 ] ≥ 98 (3.20b)
𝑔𝑖𝑗 (𝑥𝑣𝑗 ) = [0𝜆11 + 0𝜆21 + 0𝜆31 + 0𝜆41 ] + [0𝜆12 + 0𝜆22 + 0𝜆32 + 0𝜆42 ] +
[0𝜆13 + 70𝜆23 + 140𝜆33 + 190𝜆43 ] + [0𝜆14 + 0𝜆24 + 0𝜆34 +
0𝜆44 ] ≥ 180 (3.20c)

26
𝑔𝑖𝑗 (𝑥𝑣𝑗 ) = [0𝜆11 + 0𝜆21 + 0𝜆31 + 0𝜆41 ] + [0𝜆12 + 0𝜆22 + 0𝜆32 + 0𝜆42 ] +
[0𝜆13 + 0𝜆23 + 0𝜆33 + 0𝜆43 ] + [0𝜆14 + 70𝜆24 + 140𝜆34 +
190𝜆44 ] ≥ 40 (3.20d)
Jadi berdasarkan persamaan (3.16) dan (3.20) diperoleh masalah

pemprograman linier dengan fungsi-fungsi linier yang didefinisikan sebagai masalah
LAP adalah sebagai berikut:
Meminimumkan
𝑓̂𝑗 (𝑥𝑣𝑗 ) = 0𝜆11 + 585944.8𝜆21 + 1175614𝜆31 + 1599086𝜆41 +

0𝜆12 + 342169.8𝜆22 + 802625.6𝜆32 + 1203943𝜆42 +
0𝜆13 + 61469.1𝜆23 + 278366.2𝜆33 + 528452.7𝜆43 +
0𝜆14 + 1331039.5𝜆24 + 1678980.7𝜆34 + 1938489.07𝜆44 . (3.21)
Dengan kendala
[0𝜆11 + 70𝜆21 + 140𝜆31 + 190𝜆41 ] + [0𝜆12 + 0𝜆22 + 0𝜆32 + 0𝜆42 ] + [0𝜆13 +

0𝜆23 + 0𝜆33 + 0𝜆43 ] + [0𝜆14 + 0𝜆24 + 0𝜆34 + 0𝜆44 ] ≥ 102 (3.22a)
[0𝜆11 + 0𝜆21 + 0𝜆31 + 0𝜆41 ] + [0𝜆12 + 70𝜆22 + 140𝜆32 + 190𝜆42 ] + [0𝜆13 +

0𝜆23 + 0𝜆33 + 0𝜆43 ] + [0𝜆14 + 0𝜆24 + 0𝜆34 + 0𝜆44 ] ≥ 98 (3.22b)
[0𝜆11 + 0𝜆21 + 0𝜆31 + 0𝜆41 ] + [0𝜆12 + 0𝜆22 + 0𝜆32 + 0𝜆42 ] + [0𝜆13 +

70𝜆23 + 140𝜆33 + 190𝜆43 ] + [0𝜆14 + 0𝜆24 + 0𝜆34 + 0𝜆44 ] ≥ 180 (3.22c)
[0𝜆11 + 0𝜆21 + 0𝜆31 + 0𝜆41 ] + [0𝜆12 + 0𝜆22 + 0𝜆32 + 0𝜆42 ] + [0𝜆13 + 0𝜆23 +
0𝜆33 + 0𝜆43 ] + [0𝜆14 + 70𝜆24 + 140𝜆34 + 190𝜆44 ] ≥ 40 (3.22d)
𝜆11 + 𝜆21 + 𝜆31 + 𝜆41 = 1 (3.23a)
𝜆12 + 𝜆22 + 𝜆32 + 𝜆42 = 1 (3.23b)
𝜆13 + 𝜆23 + 𝜆33 + 𝜆43 = 1 (3.23c)
𝜆14 + 𝜆24 + 𝜆34 + 𝜆44 = 1 (3.23d)

27
𝜆𝑣1 , 𝜆𝑣2 , 𝜆𝑣3 , 𝜆𝑣4 ≥ 0, dengan 𝑣 = 1,2,3,4
dan terdapat paling sedikit satu 𝜆𝑣𝑗 tidak nol atau paling banyak dua 𝜆𝑣𝑗 , 𝜆(𝑣+1)𝑗
tidak nol dan berdampingan.
Dari fungsi tujuan dan fungsi kendala linier yang diperoleh pada persamaan
(3.23) , maka dapat diketahui bahwa terdapat 16 variabel keputusan dengan 8 fungsi
kendala.
e. Mencari solusi
Pada skripsi ini menggunakan software WinQSB dalam menyelesaikan
masalah separable programming dan metode simpleks.
Variabel yang digunakan pada persamaan (3.23) sebanyak 16 variabel.
Masalah pemprograman linier pada persamaan (3.23) akan diselesaikan
menggunakan software WinQSB diperoleh sebagai berikut.
Hasil output dari software WinQSB pada lampiran 2 diinterpresentasikan

untuk 𝑋1 = 𝜆11 , 𝑋2 = 𝜆21 , … , 𝑋16 = 𝜆44. Berdasarkan output nilai dari 𝜆21 =
1.4571, 𝜆22 = 1.4000, 𝜆23 = 2.5714, 𝜆34 = 0.2857. Berdasarkan persamaan
(3.10) dapat diperoleh 𝑥1 , 𝑥2 , dan 𝑥3 sebagai berikut.
𝑥1 = [0𝜆11 + 70𝜆21 + 140𝜆31 + 190𝜆41 ] = 70(1.4571) = 101.997
𝑥2 = [0𝜆12 + 70𝜆22 + 140𝜆32 + 190𝜆42 ] = 70(1.4) = 98

28
𝑥3 = [0𝜆13 + 70𝜆23 + 140𝜆33 + 190𝜆43 ] = 70(2.5714) = 179.998
𝑥4 = [0𝜆14 + 70𝜆24 + 140𝜆34 + 190𝜆44 ] = 140(0.2857) = 39.998
Pada permasalahan ini membahas tentang banyaknya produksi salis konveksi,

sehingga hasil yang diperoleh menjadi satuan produk, maka hasil yang diperoleh
yaitu jumlah produksi 𝑥1 (atasan dewasa) sebanyak 102 pcs, 𝑥2 (rok dewasa)
sebanyak 98 pcs, 𝑥3 (dress anak) sebanyak 180 pcs, 𝑥4 (atasan anak) sebanyak 40 pcs
dengan total biaya diperoleh sebesar
𝑓(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = 0.38(102)2+8344,04(102) + 12.07(98)2+4043.24(98) +

15.86(180)2−232.07(180) + 1.83(40)2+4586.28(40) +
1001032.87
= 3.026.706,87
Dalam penyelesaian dengan metode Separable Programming mempermudah

penyelesaian masalah optimisasi nonlinier dengan multi variabel.
Pada pelaksanaan secara manual memerlukan banyak tahapan perhitungan,

sehingga efesien dari segi waktu.
Penggunaan software mempersingkat waktu penyelesaian tetapi diperlukan

ketetapan dalam memasukkan data. Disamping itu perlu dipelajari cara kerja
software aplikasi agar tepat digunakan untuk menyelesaikan masalah Separable
Programming.

BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pembahasan, maka dapat diperoleh kesimpulan sebaga berikut.
dimana variabel 𝑥1 adalah banyak produksi atasan dewasa dalam satu bulan,
𝑥2 adalah banyak produksi rok dewasa dalam satu bulan, 𝑥3 adalah banyak produksi
dress anak dalam satu bulan, 𝑥4 adalah banyak produksi atasan anak dalam satu
bulan.
Berdasarkan perhitungan pada pembahasan yang diselesaikan menggunakan
pendekatan separable programming dengan formulasi lambda diperoleh solusi
bahwa salis konveksi harus memproduksi produk (bahan jadi) sesuai pesanan, agar
tidak menimbulkan pertambahan biaya. Salis koneksi yang harus diproduksi adalah
sebesar Atasan Dewasa (𝑥1 ) adalah 102 pcs, Rok Dewasa (𝑥2 ) adalah sebanyak 98
pcs, dress Anak (𝑥3 ) adalah sebanyak 180 pcs, dan Atasan Anak (𝑥2 ) adalah
sebanyak 40 pcs, dengan biaya sebesar Rp 3.026.706,87
5.2 Saran
Penulisan skripsi ini hanya sebatas menyelesaikan pemrograman nonlinier
yang mempunyai fungsi tujuan nonlinier dan fungsi kendala linier pada penetapan
jumlah produksi optimal menggunakan pendekatan separable programming. Bagi
pembaca yang ingin mengembangkan lebih lanjut tentang separable programming
dapat membahasnya menggunakan metode yang berbeda dengan masalah
pemrograman nonlinier yang mempunyai fungsi tujuan nonlinier dan fungsi kendala
nonlinier.

DAFTAR PUSTAKA
Febriani L. 2015. Penyelesaian Pemrograman Nonlinier dengan Pendekatan

Separable Programming untuk Produksi Bakpia Eny. [Skripsi] Yogyakarta:
Universitas Negeri Yogyakarta, Program Studi Matematika.
Marpaung B. 2012. Perbandingan Pendekatan Separable Programming dengan The

Kuhn-Tucker Conditions dalam Pemecahan Masalah Nonlinear. Jurnal Teknik
dan Ilmu Komputer. Vol. 01 No. 02.
Najah R., Sari E. R. (2018) Penyelesaian Model Nonlinear Menggunakan Metode
Quadratic Programming dengan Algoritma Genetika dalam Penentuan
Optimum pada Salis Konveksi. Universitas Negeri Yogyakarta, Progam Studi
Matematika. Vol. 7 No. 2.
Nurcahyani R. (2014) Penyelesaian Model Nonlinear Menggunakan Separable
Programming pada Portofolio Optimal. [Skripsi] Yogyakarta: Universitas
Negeri Yogyakarta, Program Studi Matematika.
Subagyo P. 1990. Dasar – dasar Operation Research. BPFE Universitas Gadjah
Mada. Yogyakarta.

LAMPIRAN 1
Table Nilai Fungsi Titik Kisi
𝑘 1 2 3 4
𝑥𝑣1 0 70 140 190
𝑓𝑣1 (𝑥1 )
0 585944.8 1175614 1599086
= 0.38x + 8344.04
𝑔𝑣11 (𝑥1 ) 0 70 140 190
𝑔𝑣21 (𝑥1 ) 0 0 0 0
𝑔𝑣31 (𝑥1 ) 0 0 0 0
𝑔𝑣41 (𝑥1 ) 0 0 0 0
𝑥𝑣2 0 70 140 190

𝑓𝑣2 (𝑥2 )
0 342169.8 802625.6 1203943
= 12.07 + 4043.24
𝑔𝑣12 (𝑥1 ) 0 0 0 0
𝑔𝑣22 (𝑥1 ) 0 70 140 190
𝑔𝑣32 (𝑥1 ) 0 0 0 0
𝑔𝑣42 (𝑥1 ) 0 0 0 0
𝑥𝑣3 0 70 140 190

𝑓𝑣3 (𝑥3 )
0 61469.1 278366.2 528452.7
= 15.86 − 232.07
𝑔𝑣13 (𝑥1 ) 0 0 0 0
𝑔𝑣23 (𝑥1 ) 0 0 0 0
𝑔𝑣33 (𝑥1 ) 0 70 140 190
𝑔𝑣43 (𝑥1 ) 0 0 0 0
𝑥𝑣4 0 70 140 190

𝑓𝑣3 (𝑥3 ) = 1.83 +
4586.28 + 1001032.87 1331039.5 1678980.7 1938489.07
1001032.87
𝑔𝑣14 (𝑥1 ) 0 0 0 0
𝑔𝑣24 (𝑥1 ) 0 0 0 0
𝑔𝑣34 (𝑥1 ) 0 0 0 0
𝑔𝑣44 (𝑥1 ) 0 70 140 190

LAMPIRAN 2
Langkah-langkah penyelesaian pemrograman linier dengan metode simpleks

menggunakan software WinQSB sebagai berikut.
1. Mengisi kolo Problem Title, Number of Variable, dan Number of Constrains.
2. Masukkan fungsi tujuan dan fungsi kendala pada kolom-kolom berikut
3. Pilih menu Analysis and Solver Problem.

4. Akan muncul ouput sebagai berikut.

Separable Programming Dalam Menyelesaikan: Masalah Nonlinier

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Separable Programming Dalam Menyelesaikan: Masalah Nonlinier

Diunggah oleh

Hak Cipta:

Format Tersedia

SEPARABLE PROGRAMMING DALAM MENYELESAIKAN

AMRULLAH ROZY DALIMUNTHE

UNIVERSITAS SUMATERA UTARA

AMRULLAH ROZY DALIMUNTHE

UNIVERSITAS SUMATERA UTARA

Judul : Separable Programming dalam Menyelesaikan

Komisi Pembimbing: Disetujui Oleh:

Drs. Rosman Siregar, M.Si Dr. Suyanto, M.Kom

UNIVERSITAS SUMATERA UTARA