Penida Lagi - En.id

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
halaman ini sengaja dibiarkan kosong

Bab 1
Apa itu Riset Operasi?
1.1 Pengantar
Kegiatan formal pertama Operations Research (OR) dimulai di Inggris selama Perang
Dunia II, ketika sebuah tim ilmuwan Inggris berangkat untuk menilai pemanfaatan
terbaik bahan perang berdasarkan prinsip-prinsip ilmiah daripada aturan ad hoc.
Setelah perang, ide-ide maju dalam operasi militer disesuaikan untuk meningkatkan
efisiensi dan produktivitas di sektor sipil.
Bab ini memperkenalkan terminologi dasar OR, termasuk pemodelan matematika, solusi
layak, optimasi, dan perhitungan algoritmik iteratif. Ini menekankan bahwa mendefinisikan
masalah dengan benar adalah yang paling penting (dan paling sulit) fase berlatih ATAU. Bab ini
juga menekankan bahwa, sementara pemodelan matematika adalah landasan OR, faktor yang
tidak dapat diukur (seperti perilaku manusia) harus diperhitungkan dalam keputusan akhir. Buku
ini menyajikan berbagai aplikasi menggunakan contoh-contoh yang diselesaikan dan masalah
bab. Secara khusus, buku ini mencakup analisis kasus yang dikembangkan sepenuhnya di akhir
bab.
1.2 Model riset operasi

Pertimbangkan berikut ini masalah pembelian tiket. Seorang pebisnis memiliki komitmen
5 minggu perjalanan antara Fayetteville (FYV) dan Denver (DEN). Keberangkatan mingguan
dari Fayetteville terjadi pada hari Senin untuk kembali pada hari Rabu. Tiket pulang-pergi
reguler berharga $400, tetapi diskon 20% diberikan jika tanggal pulang-pergi mencakup
akhir pekan. Tiket sekali jalan di kedua arah dikenakan biaya 75% dari harga reguler.
Bagaimana seharusnya tiket dibeli untuk periode 5 minggu?
31
32 Bab 1 Apa itu Riset Operasi?
Kita dapat melihat situasi sebagai masalah pengambilan keputusan yang solusinya
membutuhkan jawaban atas tiga pertanyaan:
1. Apa keputusannya? alternatif?

2. Dibawah apa pembatasan keputusan dibuat?
3. Apa yang pantas? kriteria objektif untuk mengevaluasi alternatif?
Tiga alternatif yang masuk akal muncul dalam pikiran:
1. Beli lima FYV-DEN-FYV reguler untuk keberangkatan pada hari Senin dan kembali pada hari
Rabu di minggu yang sama.
2. Beli satu FYV-DEN, empatDEN-FYV-DEN yang berlaku di akhir pekan, dan satuDEN-FYV.
3. Beli satu FYV-DEN-FYV untuk menutupi Senin minggu pertama dan Rabu minggu
terakhir dan empat DEN-FYV-DEN untuk menutupi sisa kaki. Semua tiket dalam
rentang alternatif ini setidaknya satu akhir pekan.
Pembatasan pada opsi ini adalah bahwa pelaku bisnis harus dapat meninggalkan FYV pada
hari Senin dan kembali pada hari Rabu di minggu yang sama.
Kriteria objektif yang jelas untuk mengevaluasi alternatif yang diusulkan adalah harga tiket.
Alternatif yang menghasilkan biaya terkecil adalah yang terbaik. Secara khusus, kami memiliki:
Biaya Alternatif 1 = 5 * $400 = $2000 Biaya Alternatif 2 = .75 * $400 + 4 * 1.

8 * $400 2 + . 75 * $400 = $1880 Alternatif 3 biaya = 5 * 1. 8 * $400 2 = $
1600
Alternatif 3 adalah yang termurah.
Meskipun contoh sebelumnya menggambarkan tiga komponen utama dari model OR-
alternatif, kriteria objektif, dan kendala-situasi berbeda dalam rincian bagaimana setiap komponen
dikembangkan, dan bagaimana model yang dihasilkan diselesaikan. Untuk mengilustrasikan hal
ini, pertimbangkan hal berikut: masalah taman: Seorang pemilik rumah sedang dalam proses
memulai kebun sayur di halaman belakang. Taman harus berbentuk persegi panjang untuk
memfasilitasi irigasi baris. Untuk mengusir makhluk hidup, taman harus dipagari. Pemilik memiliki
cukup bahan untuk membangun pagar yang panjang L = 100 ft. Tujuannya adalah untuk
memagari area persegi seluas mungkin.
Berbeda dengan contoh tiket, di mana jumlah alternatif terbatas, jumlah alternatif
dalam contoh ini tidak terbatas; itu adalah lebar dan tinggi dari persegi panjang masing-
masing dapat mengasumsikan (secara teoritis) nilai tak terhingga antara 0 dan L Dalam hal
ini, lebar dan tinggi adalah variabel kontinu.
Karena variabel masalah kontinu, tidak mungkin untuk menemukan solusi
dengan enumerasi lengkap. Namun, kita bisa nalar tren menuju nilai terbaik dari
luas taman dengan menurunkan nilai lebar (dan karenanya menurunkan nilai
tinggi). Misalnya untuk L = 100 ft, kombinasi (lebar, tinggi) = (10,
40), (20, 30), (25, 25), (30, 20), dan (40, 10) masing-masing menghasilkan (luas) = (400, 600, 625,
600, dan 400), yang menunjukkan, tetapi tidak membuktikan, bahwa luas terbesar terjadi ketika
lebar = tinggi = L> 4 = 25 ft Jelas, ini bukan cara untuk menghitung optimal, terutama untuk situasi
dengan beberapa variabel keputusan. Untuk alasan ini, penting untuk mengungkapkan masalah
secara matematis dalam hal yang tidak diketahui, dalam hal ini solusi terbaik ditemukan dengan
menerapkan metode solusi yang tepat.
1.2 Model Riset Operasi 33
Untuk mendemonstrasikan bagaimana masalah taman dinyatakan secara matematis dalam dua
yang tidak diketahui, lebar dan tinggi, define
w = lebar persegi panjang dalam kaki
h = tinggi persegi panjang dalam kaki
Berdasarkan definisi tersebut, batasan situasi dapat dinyatakan secara verbal sebagai:
1. Lebar persegi panjang + Tinggi persegi panjang = Setengah dari panjang pagar taman
2. Lebar dan tinggi tidak boleh negatif
Pembatasan ini diterjemahkan secara aljabar sebagai
1. 2 1 w + H 2 = L
2. w Ú 0, H Ú 0
Satu-satunya komponen yang tersisa sekarang adalah tujuan dari masalah; yaitu,
maksimalisasi luas persegi panjang. Membiarkan z menjadi luas persegi panjang, maka
model lengkapnya menjadi
Maksimalkan z = w H
tunduk pada
21w+H2=L
w, H Ú 0
Sebenarnya model ini dapat disederhanakan lebih lanjut dengan menghilangkan salah satu variabel
dalam fungsi tujuan menggunakan persamaan kendala; itu adalah,
w=L 2-H
Hasilnya adalah
z = w h = 1L 2-H 2 h = Lh 2-H2
memaksimalkan z dicapai dengan menggunakan kalkulus diferensial (Bab 20), yang

menghasilkan solusi terbaik sebagai h = L 4 = 25 ft Substitusi kembali dalam persamaan kendala
4 = 25
kemudian menghasilkan w = L
ft. Jadi, solusinya membutuhkan konstruksi berbentuk persegi
Kebun.
Berdasarkan dua contoh sebelumnya, model OR umum dapat diatur dalam
format umum berikut:
Maksimalkan atau minimalkan Fungsi objektif
tunduk pada
Kendala
Solusinya adalah bisa dilakukan jika memenuhi semua kendala. Dia optimal jika,
selain layak, menghasilkan nilai terbaik (maksimum atau minimum) dari fungsi tujuan. Dalam
masalah pembelian tiket, masalah mempertimbangkan tiga alternatif yang layak, dengan
alternatif ketiga yang optimal. Dalam masalah taman, alternatif yang layak
harus memenuhi syarat w + h = L 2 , dengan w dan H Ú 0, yaitu variabel non-negatif.
Definisi ini mengarah ke jumlah tak terbatas dari solusi layak dan, tidak seperti masalah pembelian
tiket, yang menggunakan perbandingan harga sederhana, solusi optimum ditentukan dengan
menggunakan kalkulus diferensial.
Meskipun model OR dirancang untuk mengoptimalkan kriteria tujuan tertentu
tunduk pada serangkaian kendala, kualitas solusi yang dihasilkan tergantung pada
tingkat kelengkapan model dalam mewakili sistem nyata. Ambil, misalnya,
model pembelian tiket. Jika semua alternatif dominan untuk pembelian tiket tidak teridentifikasi,
maka solusi yang dihasilkan hanya optimum relatif terhadap alternatif yang diwakili dalam model.
Untuk lebih spesifiknya, jika untuk beberapa alasan alternatif 3 ditinggalkan dari model, solusi
“optimal” yang dihasilkan akan meminta pembelian tiket seharga $ 1880, yang merupakan kurang
optimal solusi.Kesimpulannya adalah bahwa solusi optimal dari suatu model adalah yang terbaik
hanya untuk itu model. Jika model kebetulan mewakili sistem nyata dengan cukup baik, maka
solusinya juga optimal untuk situasi nyata.
1.3 memecahkan atau Model
Dalam praktiknya, OR tidak menawarkan teknik umum tunggal untuk menyelesaikan semua
model matematika. Sebaliknya, jenis dan kompleksitas model matematika menentukan sifat
metode solusi. Misalnya, dalam Bagian 1.2 solusi dari masalah pembelian tiket
membutuhkan peringkat alternatif yang sederhana berdasarkan total harga pembelian,
sedangkan solusi dari masalah taman menggunakan kalkulus diferensial untuk menentukan
luas maksimum.
Teknik OR yang paling menonjol adalah pemrograman linier. Ini dirancang untuk model
dengan fungsi tujuan dan kendala linier. Teknik lainnya termasuk pemrograman bilangan bulat (
di mana variabel mengasumsikan nilai integer), pemrograman dinamis ( di mana model asli
dapat didekomposisi menjadi submasalah yang lebih kecil dan lebih mudah dikelola),
pemrograman jaringan ( di mana masalahnya dapat dimodelkan sebagai jaringan), dan
pemrograman nonlinier ( di mana fungsi model tidak linier). Ini hanya beberapa di
antara banyak alat OR yang tersedia.
Keunikan dari sebagian besar teknik OR adalah bahwa solusi umumnya tidak diperoleh dalam
bentuk tertutup (seperti rumus). Sebaliknya, mereka ditentukan oleh algoritma. Suatu algoritma
menyediakan aturan komputasi tetap yang diterapkan secara berulang pada masalah, dengan setiap
pengulangan (disebut pengulangan) mencoba untuk memindahkan solusi lebih dekat ke optimal.
Karena perhitungan di setiap iterasi biasanya membosankan dan banyak, sangat penting dalam
praktiknya untuk menggunakan komputer untuk menjalankan algoritme ini.
Beberapa model matematika mungkin sangat kompleks sehingga menjadi tidak mungkin untuk
menyelesaikannya dengan salah satu algoritma optimasi yang tersedia. Dalam kasus seperti itu,
mungkin perlu untuk meninggalkan pencarian untuk optimal solusi dan hanya mencari bagus solusi
menggunakan heuristik atau metaheuristik, kumpulan pencarian cerdas aturan praktis
yang menggerakkan titik solusi secara menguntungkan menuju optimal.
1.4 Model Antrian dan Simulasi 35
ah! Momen: ada lovelace, programmer algoritma pertama

Meskipun pengembangan konseptual pertama dari suatu algoritma dikaitkan dengan pendiri aljabar
Muhammad Ibn-Musa Al-Khawarizmi (lahir c. 780 di Khuwarezm, Uzbekistan, meninggal c. 850 di
Baghdad, Irak), 1 Ada Lovelace dari Inggris (1815–1852) yang mengembangkan algoritma komputer
pertama. Dan ketika kita berbicara tentang komputer, kita mengacu pada Perbedaan mekanis dan Mesin
Analitik yang dipelopori dan dirancang oleh ahli matematika Inggris terkenal Charles Babbage (1791–
1871).
Lovelace memiliki minat yang besar dalam matematika. Sebagai seorang remaja, dia mengunjungi
rumah Babbage dan terpesona oleh penemuannya dan kegunaan potensialnya dalam melakukan lebih dari
sekadar operasi aritmatika. Berkolaborasi dengan Babbage, dia menerjemahkan ke dalam bahasa Inggris
sebuah artikel yang memberikan detail desain Analytical Engine. Artikel itu didasarkan pada ceramah Babbage
yang disajikan di Italia. Dalam artikel yang diterjemahkan, Lovelace menambahkan catatannya sendiri (yang
ternyata lebih panjang dari artikel aslinya dan menyertakan beberapa koreksi dari ide desain Babbage). Salah
satu catatannya merinci yang pertama algoritma, yaitu menghitung bilangan Bernoulli pada Mesin Analisis yang
belum selesai. Dia bahkan meramalkan bahwa mesin Babbage memiliki potensi untuk memanipulasi simbol (dan
bukan hanya angka) dan untuk membuat skor musik yang kompleks. 2
Ada Lovelace meninggal pada usia muda 37 tahun. Untuk menghormatinya, bahasa komputer Ada,
dikembangkan untuk Departemen Pertahanan Amerika Serikat, dinamai menurut namanya.
Pertengahan Oktober tahunan Ada Lovelace Day adalah perayaan internasional wanita dalam
sains, teknologi, teknik, matematika (STEM). Dan bagi kita yang pernah mengunjungi St. James
Square di London mungkin ingat plakat biru bertuliskan “Ada Countess of Lovelace (1815–1852)
Pioneer of Computing.”
1.4 Model Antrian dan Simulasi

Antrian dan simulasi berurusan dengan studi tentang garis tunggu. Mereka bukan teknik
optimasi; melainkan, mereka menentukan ukuran kinerja antrian, seperti waktu tunggu rata-
rata dalam antrian, waktu tunggu rata-rata untuk layanan, dan pemanfaatan fasilitas
layanan, antara lain.
Model antrian menggunakan model probabilitas dan stokastik untuk menganalisis
garis tunggu, dan simulasi memperkirakan ukuran kinerja dengan "meniru" perilaku sistem
nyata. Di satu sisi, simulasi dapat dianggap sebagai hal terbaik berikutnya untuk mengamati
sistem nyata. Perbedaan utama antara antrian dan simulasi adalah bahwa model antrian
adalah murni matematis, dan karenanya tunduk pada asumsi khusus yang membatasi ruang
lingkup aplikasinya. Simulasi, di sisi lain, fleksibel dan dapat digunakan untuk menganalisis
hampir semua situasi antrian.
1 Menurut Dictionary.com, kata algoritma berasal “dari bahasa Latin Abad Pertengahan algorismus, transliterasi
Arab al-Khawarizmi yang hancur.”
2 Kurangnya dana, antara lain, mencegah Babbage membangun mesin yang berfungsi penuh selama masa hidupnya. Baru pada
tahun 1991 London ScienceMuseum membangun Mesin Perbedaan No. 2 yang lengkap menggunakan bahan dan teknologi yang
sama yang tersedia untuk Babbage, sehingga membuktikan ide desainnya. Saat ini ada upaya jangka panjang yang berkelanjutan
untuk membangun Mesin Analisis yang berfungsi penuh yang didanai seluruhnya oleh kontribusi publik. Sangat mengesankan
bahwa komputer modern didasarkan pada komponen utama yang sama (memori, CPU, input, dan output) yang dikembangkan
oleh Babbage 100 tahun sebelumnya.
Penggunaan simulasi bukannya tanpa kekurangan. Proses pengembangan model

simulasi memakan waktu dan sumber daya yang mahal. Selain itu, eksekusi model simulasi,
bahkan pada komputer tercepat, biasanya lambat.
1.5 seni Modeling

Model ilustratif yang dikembangkan di Bagian 1.2 adalah representasi yang tepat dari situasi
nyata. Ini jarang terjadi di OR, karena sebagian besar aplikasi biasanya melibatkan (berbagai
derajat) perkiraan. Gambar 1.1 menggambarkan tingkat abstraksi yang mencirikan
pengembangan model OR. Kami mengabstraksikan dunia nyata yang diasumsikan dari
situasi nyata dengan berkonsentrasi pada variabel dominan yang mengontrol perilaku
sistem nyata. Model mengekspresikan dengan cara yang dapat diterima fungsi matematika
yang mewakili perilaku dunia nyata yang diasumsikan.
Untuk mengilustrasikan tingkat abstraksi dalam pemodelan, pertimbangkan
Perusahaan Manufaktur Tyko, di mana berbagai wadah plastik diproduksi. Ketika pesanan
produksi dikeluarkan ke departemen produksi, bahan baku yang diperlukan diperoleh dari
stok perusahaan atau dibeli dari sumber luar. Setelah batch produksi selesai, departemen
penjualan bertanggung jawab mendistribusikan produk ke pengecer.
Sebuah pertanyaan yang layak dalam analisis situasi Tyko adalah penentuan
ukuran batch produksi. Bagaimana situasi ini dapat diwakili oleh sebuah model?
Dilihat dari keseluruhan sistem, beberapa variabel dapat berpengaruh langsung pada tingkat
produksi, antara lain daftar (sebagian) berikut yang dikategorikan berdasarkan departemen:
1. Departemen produksi: Kapasitas produksi dinyatakan dalam jam mesin dan

tenaga kerja yang tersedia, persediaan dalam proses, dan standar kendali mutu.
2. Departemen Bahan: Ketersediaan stok bahan baku, jadwal pengiriman dari sumber
luar, dan keterbatasan penyimpanan.
3. Departemen penjualan: Perkiraan penjualan, kapasitas fasilitas distribusi, efektivitas
kampanye iklan, dan efek persaingan.
Gambar 1.1
Tingkat abstraksi dalam pengembangan model
Dunia nyata
Asumsi Dunia Nyata Model

1.6 Lebih dari Sekedar Matematika 37
Masing-masing variabel tersebut mempengaruhi tingkat produksi di Tyko. Mencoba membangun

hubungan fungsional yang eksplisit antara mereka dan tingkat produksi memang merupakan tugas yang
sulit.
Tingkat abstraksi pertama membutuhkan pendefinisian batas-batas dunia nyata yang diasumsikan.
Dengan beberapa refleksi, kita dapat mendekati sistem nyata dengan dua parameter dominan:
1. Tingkat produksi.
2. Tingkat konsumsi.
Tingkat produksi ditentukan dengan menggunakan data seperti kapasitas produksi, standar
kendali mutu, dan ketersediaan bahan baku. Tingkat konsumsi ditentukan dari data
penjualan. Pada intinya, penyederhanaan dari dunia nyata ke dunia nyata yang diasumsikan
dicapai dengan “melumasi” beberapa parameter dunia nyata menjadi satu parameter dunia
nyata yang diasumsikan.
Sekarang lebih mudah untuk mengabstraksi model dari dunia nyata yang diasumsikan. Dari
tingkat produksi dan konsumsi, ukuran kelebihan atau kekurangan persediaan dapat ditetapkan. Model
yang diabstraksikan kemudian dapat dibangun untuk menyeimbangkan biaya kelebihan dan kekurangan
persediaan yang saling bertentangan—yaitu, untuk meminimalkan total biaya persediaan.
1.6 Lebih dari Sekedar MatheMatIcs
Karena sifat matematis model OR, orang cenderung berpikir bahwa studi OR adalah selalu berakar
pada analisis matematis. Meskipun pemodelan matematika adalah landasan OR, pendekatan yang
lebih sederhana harus dieksplorasi terlebih dahulu. Dalam beberapa kasus, solusi "masuk akal"
dapat dicapai melalui pengamatan sederhana. Memang, karena elemen manusia selalu
mempengaruhi sebagian besar masalah keputusan, studi tentang psikologi orang mungkin
menjadi kunci untuk memecahkan masalah. Enam ilustrasi disajikan di sini untuk menunjukkan
validitas argumen ini.
1. Taruhannya tinggi pada tahun 2004 ketika United Parcel Service (UPS) meluncurkannya
Perangkat lunak ORION (berdasarkan Algoritma Traveling Salesman yang canggih—lihat Bab 11) untuk
menyediakan rencana perjalanan harian yang disesuaikan bagi pengemudinya. Perangkat lunak ini umumnya
mengusulkan rute yang lebih pendek daripada yang saat ini diambil oleh pengemudi, dengan potensi
penghematan jutaan dolar per tahun. Untuk bagian mereka, para pengemudi membenci gagasan bahwa sebuah
mesin dapat "menjadi yang terbaik" bagi mereka, mengingat pengalaman kerja mereka yang panjang selama
bertahun-tahun. Dihadapkan dengan dilema manusia ini, pengembang ORION menyelesaikan masalah hanya
dengan menempatkan spanduk yang terlihat di lembar rencana perjalanan yang bertuliskan “Beat the
Computer.” Pada saat yang sama, mereka menjaga rute yang dihasilkan ORION tetap utuh. beberapa benar-
benar mengalahkan rute yang disarankan komputer. ORION tidak lagi menjatuhkan mereka. Sebaliknya, mereka
menganggap perangkat lunak sebagai pelengkap intuisi dan pengalaman mereka. 3
2. Wisatawan yang tiba di Bandara Intercontinental di Houston, Texas, com-

mengeluh tentang menunggu lama untuk bagasi mereka. Pihak berwenang meningkatkan jumlah
3 http://www.fastcompany.com/3004319/brown-down-ups-drivers-vs-ups-algorithm. Lihat juga “Di UPS,

Algoritma Adalah Pengemudinya,” Jurnal Wall Street, 16 Februari 2015.
penangan bagasi dengan harapan dapat meringankan masalah, tetapi keluhan tetap ada.
Akhirnya diambil keputusan untuk hanya memindahkan gerbang kedatangan lebih jauh dari
pengambilan bagasi, memaksa penumpang untuk berjalan lebih lama sebelum mencapai area
bagasi. Keluhan hilang karena jalan kaki ekstra memberikan waktu yang cukup untuk barang
bawaan dikirim ke korsel. 4
3. Dalam sebuah studi tentang konter check-in di bandara besar Inggris, seorang AS–Kanada
tim konsultan menggunakan teori antrian untuk menyelidiki dan menganalisis situasi. Bagian dari solusi
merekomendasikan penggunaan tanda-tanda yang ditempatkan dengan baik yang mendesak
penumpang dalam waktu 20 menit dari waktu keberangkatan untuk maju ke kepala antrian dan meminta
layanan prioritas. Solusinya tidak berhasil karena penumpang, yang sebagian besar orang Inggris,
“dikondisikan untuk berperilaku antrian yang sangat ketat.” Oleh karena itu mereka enggan untuk
mendahului orang lain yang menunggu dalam antrian. 5
4. Di pabrik baja di India, ingot pertama kali diproduksi dari bijih besi dan kemudian digunakan
dalam pembuatan batang dan balok baja. Manajer melihat penundaan yang lama antara
produksi ingot dan transfernya ke fase manufaktur berikutnya (di mana produk akhir
diproduksi). Idealnya, untuk mengurangi biaya pemanasan ulang, manufaktur harus segera
dimulai setelah ingot meninggalkan tungku. Awalnya, masalah dapat dianggap sebagai
situasi keseimbangan garis, yang dapat diselesaikan baik dengan mengurangi output ingot
atau dengan meningkatkan kapasitas manufaktur. Sebagai gantinya, tim OR menggunakan
grafik sederhana untuk meringkas output tungku selama tiga shift hari itu. Mereka
menemukan bahwa selama shift ketiga mulai pukul 23:00, sebagian besar ingot diproduksi
antara pukul 2:00 dan 7:00 pagi. Investigasi mengungkapkan bahwa operator shift ketiga
lebih suka mendapatkan waktu istirahat yang lama di awal shift dan kemudian mengganti
produksi yang hilang selama jam pagi. Jelas, operator shift ketiga memiliki waktu luang
untuk memenuhi kuota mereka. Masalah ini diselesaikan dengan "meratakan" jumlah
operator dan jadwal produksi ingot sepanjang shift.
5. Menanggapi keluhan layanan lift lambat di gedung perkantoran besar,
tim OR awalnya menganggap situasi sebagai masalah antrian yang mungkin
memerlukan penggunaan analisis atau simulasi antrian matematis. Setelah
mempelajari perilaku orang-orang yang menyuarakan keluhan, psikolog di tim
menyarankan untuk memasang cermin ukuran penuh di pintu masuk lift. Keluhan
hilang, karena orang-orang tetap sibuk memperhatikan diri mereka sendiri dan orang
lain sambil menunggu lift.
6. Sejumlah departemen di fasilitas produksi berbagi penggunaan tiga truk
untuk mengangkut bahan. Permintaan yang diprakarsai oleh departemen dipenuhi dengan basis first-
comefirst-serve. Namun demikian, departemen mengeluh menunggu lama untuk layanan, dan menuntut
penambahan truk keempat ke kolam. Penghitungan sederhana berikutnya dari penggunaan truk
menunjukkan penggunaan harian yang sederhana, menghindari truk keempat. Penyelidikan lebih lanjut
mengungkapkan bahwa truk-truk itu diparkir di tempat parkir yang tidak jelas di luar garis pandang
departemen. Seorang supervisor yang meminta, yang tidak dapat melihat truk secara visual, berasumsi
bahwa tidak ada truk yang tersedia dan karenanya tidak mengajukan permintaan.
4 Stone, A., “Mengapa Menunggu Adalah Penyiksaan,” The New York Times, 18 Agustus 2012.
5 Lee, A., Teori Antrian Terapan, Pers St. Martin, New York, 1966.
1.7 Fase Studi ATAU 39
Masalah ini diselesaikan hanya dengan memasang komunikasi radio dua arah antara
lot truk dan setiap departemen. 6
Empat kesimpulan dapat ditarik dari ilustrasi ini:
1. Tim OR harus mengeksplorasi kemungkinan menggunakan ide-ide "berbeda" untuk

memecahkan situasi. Solusi (akal sehat) yang diusulkan untuk masalah UPS
(menggunakan Mengalahkan Komputer spanduk untuk melibatkan pengemudi),
bandara Houston (memindahkan gerbang kedatangan dari area pengambilan bagasi),
dan masalah lift (memasang cermin) berakar pada psikologi manusia daripada
pemodelan matematika. Inilah alasan tim OR umumnya mencari keahlian individu yang
terlatih dalam ilmu sosial dan psikologi, poin yang diakui dan diterapkan oleh tim OR
pertama di Inggris selama Perang Dunia II.
2. Sebelum melompat ke penggunaan pemodelan matematika yang canggih, seekor burung
pandangan mata situasi harus diadopsi untuk mengungkap kemungkinan alasan nonteknis yang
menyebabkan masalah di tempat pertama. Dalam situasi pabrik baja, hal ini dicapai dengan hanya
menggunakan grafik sederhana dari produksi ingot untuk menemukan ketidakseimbangan dalam
operasi shift ketiga. Pengamatan sederhana yang serupa dalam kasus dengan situasi truk pengangkut
juga menghasilkan solusi sederhana dari masalah tersebut. .
3. Sebuah studi OR tidak boleh dimulai dengan bias terhadap penggunaan matematika tertentu.
alat kal sebelum penggunaan alat dibenarkan. Misalnya, karena pemrograman linier (Bab 2
dan seterusnya) adalah teknik yang sukses, ada kecenderungan untuk menggunakannya
sebagai alat pemodelan pilihan. Pendekatan seperti itu dapat menyebabkan model
matematika yang jauh dari situasi nyata. Oleh karena itu, penting untuk menganalisis data
yang tersedia, menggunakan teknik yang paling sederhana, untuk memahami esensi
masalah. Setelah masalah didefinisikan, keputusan dapat dibuat mengenai alat yang paling
tepat untuk solusi. Dalam masalah pabrik baja, hanya diperlukan diagram sederhana dari
produksi ingot untuk memperjelas situasi.
4. Solusi berakar pada orang dan bukan pada teknologi. Solusi apa pun yang melakukannya
tidak mempertimbangkan perilaku manusia cenderung gagal. Meskipun solusi masalah
bandara Inggris mungkin secara matematis masuk akal, fakta bahwa tim konsultan
tidak menyadari perbedaan budaya antara Amerika Serikat dan Inggris menghasilkan
rekomendasi yang tidak dapat diterapkan (Amerika dan Kanada cenderung kurang
formal). Sudut pandang yang sama dapat, dengan cara tertentu, diungkapkan dalam
kasus UPS.
1.7 fase dari sebuah atau studi
ATAU studi berakar pada kerja tim, di mana analis OR dan klien bekerja
berdampingan. Keahlian analis OR dalam pemodelan dilengkapi dengan
pengalaman dan kerja sama klien untuk siapa studi tersebut dilakukan.
6 GP Cosmetatos, “Nilai Teori Antrian—Studi Kasus,” Antarmuka, Jil. 9, No. 3, hlm. 47–51, 1979.
Sebagai alat pengambilan keputusan, OR adalah ilmu dan seni: Ini adalah ilmu berdasarkan
teknik matematika yang diwujudkannya, dan seni karena keberhasilan fase yang mengarah ke
solusi model matematika sangat bergantung pada kreativitas dan pengalaman tim OR. Willemain
(1994) menyarankan bahwa "Praktek [ATAU] yang efektif membutuhkan lebih dari sekadar
kompetensi analitis: Ini juga membutuhkan, di antara atribut lainnya, penilaian teknis (misalnya,
kapan dan bagaimana menggunakan teknik tertentu) dan keterampilan dalam komunikasi dan
kelangsungan hidup organisasi."
Sulit untuk meresepkan tindakan tertentu (mirip dengan yang ditentukan oleh teori yang
tepat dari kebanyakan model matematika) untuk faktor-faktor tidak berwujud ini. Namun, kami
dapat menawarkan pedoman umum untuk penerapan ATAU dalam praktik.
Fase-fase utama untuk menerapkan OR dalam praktiknya meliputi:
1. Definisi masalah.
2. Konstruksi modelnya.
3. Solusi dari model.
4. Validasi model.
5. Implementasi solusi.
Fase 3, berurusan dengan solusi model, adalah yang paling baik didefinisikan dan umumnya paling mudah
untuk diterapkan dalam studi OR, karena sebagian besar berhubungan dengan model matematika yang
terdefinisi dengan baik. Implementasi fase yang tersisa lebih merupakan seni daripada teori.
definisi masalah melibatkan penggambaran ruang lingkup masalah yang
diselidiki. Fungsi ini harus dilakukan oleh seluruh tim OR. Tujuannya adalah untuk
mengidentifikasi tiga elemen utama dari masalah keputusan: (1) deskripsi
alternatif keputusan, (2) penentuan tujuan studi, dan (3) spesifikasi batasan di
mana sistem yang dimodelkan beroperasi.
Konstruksi model memerlukan upaya untuk menerjemahkan definisi masalah ke dalam
hubungan matematis. Jika model yang dihasilkan cocok dengan salah satu model matematika standar,
seperti pemrograman linier, kita biasanya dapat mencapai solusi dengan menggunakan algoritma yang
tersedia. Sebagai alternatif, jika hubungan matematika terlalu kompleks untuk memungkinkan
penentuan solusi analitik, tim OR mungkin memilih untuk menyederhanakan model dan menggunakan
pendekatan heuristik, atau tim dapat mempertimbangkan penggunaan simulasi, jika sesuai. Dalam
beberapa kasus, model matematika, simulasi, dan heuristik dapat digabungkan untuk memecahkan
masalah keputusan, seperti yang ditunjukkan oleh beberapa analisis kasus akhir bab.
Solusi model sejauh ini yang paling sederhana dari semua fase OR karena
memerlukan penggunaan algoritma optimasi yang terdefinisi dengan baik. Aspek
penting dari fase solusi model adalah analisis sensitivitas. Ini berkaitan dengan
memperoleh informasi tambahan tentang perilaku solusi optimal ketika model
mengalami beberapa perubahan parameter. Analisis sensitivitas sangat diperlukan
ketika parameter model tidak dapat diperkirakan secara akurat. Dalam kasus ini,
penting untuk mempelajari perilaku solusi optimal di sekitar estimasi parameter.
Validitas model memeriksa apakah model yang diusulkan melakukan apa yang
dimaksudkan untuk dilakukan — yaitu, apakah model itu cukup memprediksi perilaku sistem
yang sedang dipelajari? Awalnya, tim OR harus yakin bahwa output model tidak termasuk:
Bibliografi 41
“kejutan.” Dengan kata lain, apakah solusinya masuk akal? Apakah hasilnya dapat diterima
secara intuitif? Di sisi formal, metode umum untuk memvalidasi model adalah
membandingkan keluarannya dengan data keluaran historis. Model ini valid jika, di bawah
kondisi input yang sama, cukup menduplikasi kinerja masa lalu. Namun, secara umum, tidak
ada jaminan bahwa kinerja masa depan akan terus menduplikasi perilaku masa lalu. Juga,
karena model biasanya didasarkan pada pemeriksaan data masa lalu, perbandingan yang
diusulkan biasanya harus menguntungkan. Jika model yang diusulkan mewakili sistem baru
(tidak ada), tidak ada data historis yang akan tersedia. Dalam beberapa situasi, simulasi
dapat digunakan sebagai alat independen untuk memvalidasi output dari model matematika.
Penerapan solusi dari model yang divalidasi melibatkan terjemahan hasil menjadi
instruksi operasi yang dapat dimengerti untuk dikeluarkan kepada orang-orang yang
akan mengelola sistem yang direkomendasikan. Beban tugas ini terutama terletak
pada tim OR.
1.8 tentang buku ini

Morris (1967) menyatakan "pengajaran model tidak setara dengan pengajaran
pemodelan." Saya telah mencatat pernyataan penting ini selama persiapan edisi ini,
membuat segala upaya untuk memperkenalkan seni pemodelan di OR dengan
memasukkan model realistis dan studi kasus di seluruh buku. Karena pentingnya
perhitungan dalam OR, buku ini membahas bagaimana algoritma teoritis cocok dalam
kode komputer komersial (lihat Bagian 3.7). Ini juga menyajikan alat yang luas untuk
melaksanakan tugas komputasi, mulai dari TORA berorientasi tutorial hingga paket
komersial Excel, Excel Solver, dan AMPL.
OR adalah seni dan sains—seni menggambarkan dan memodelkan masalah dan ilmu
memecahkan model menggunakan algoritma matematika (tepat). Kursus pertama dalam mata
pelajaran tersebut harus memberi siswa penghargaan akan pentingnya kedua bidang tersebut. Ini
akan memberikan pengguna OR dengan jenis kepercayaan yang biasanya akan kurang jika
pelatihan didedikasikan semata-mata untuk aspek seni OR, dengan kedok bahwa komputer dapat
meringankan pengguna dari kebutuhan untuk memahami mengapa algoritma solusi bekerja.
Kemampuan pemodelan dan komputasi dapat ditingkatkan dengan mempelajari kasus-
kasus praktis yang dipublikasikan. Untuk membantu Anda dalam hal ini, analisis kasus akhir bab
yang dikembangkan sepenuhnya disertakan. Kasus mencakup sebagian besar model OR yang
disajikan dalam buku ini. Ada juga sekitar 50 kasus yang didasarkan pada aplikasi kehidupan nyata
di Lampiran E pada situs web yang menyertai buku ini. Studi kasus tambahan tersedia di jurnal
dan publikasi. Secara khusus, Antarmuka ( diterbitkan oleh INFORMS) adalah sumber yang kaya
dari beragam aplikasi OR.
bibliografi
Altier, W., Kotak Alat Manajer Berpikir: Proses Efektif untuk Pemecahan Masalah dan Keputusan
pembuatan sion, Oxford University Press, New York, 1999. Brown, SI,
Wawasan Pemikiran Matematika, NCTM, Reston, VA, 2013.
Cekland, P., Berpikir Sistem, Praktek Sistem, Wiley, New York, 1999.
Evans, J., Berpikir Kreatif dalam Ilmu Keputusan dan Manajemen, Penerbitan Barat Daya,
Cincinnati, 1991.
Morris, W., "Seni Pemodelan," Ilmu Manajemen, Jil. 13, hlm. B707–B717, 1967.
Paulos, J., Innumeracy: Buta Huruf Matematika dan Konsekuensinya, Hill dan Wang, New York, 1988.
Singh, S., teka-teki Fermat, Walker, NewYork, 1997. Willemain, T., "Wawasan tentang Pemodelan
dari Selusin Pakar," Operasi pencarian, Jil. 42, No.2,
hlm. 213–222, 1994.
masalah 7
Bagian Masalah yang Ditugaskan
1.2 1-1 hingga 1-11
1-1. Dalam contoh tiket,

(A) Berikan alternatif yang tidak mungkin.
(B) Identifikasi alternatif keempat yang layak dan tentukan biayanya.

1-2. Dalam masalah taman, identifikasi tiga solusi yang layak, dan tentukan mana yang lebih baik.
1-3. Tentukan solusi optimal dari masalah taman. ( Petunjuk: Gunakan batasan untuk
nyatakan fungsi tujuan dalam satu variabel, kemudian gunakan kalkulus diferensial.)
* 1-4. Amy, Jim, John, dan Kelly sedang berdiri di tepi timur sungai dan ingin menyeberang ke sisi barat
menggunakan kano. Kano dapat menampung paling banyak dua orang sekaligus. Amy, yang paling
atletis, dapat mendayung menyeberangi sungai dalam 1 menit. Jim, John, dan Kelly masing-masing akan
memakan waktu 3, 6, dan 9 menit. Jika dua orang berada di sampan, orang yang lebih lambat
menentukan waktu penyeberangan. Tujuannya adalah agar keempat orang itu berada di seberang
sungai dalam waktu sesingkat mungkin.
(A) Tentukan kriteria untuk mengevaluasi alternatif (ingat, sampan adalah satu-satunya moda
transportasi, dan tidak dapat diangkut dalam keadaan kosong).
* (B) Berapa waktu tersingkat untuk memindahkan keempat orang ke seberang sungai?
1-5. Dalam permainan bisbol, Jim adalah pelempar dan Joe adalah pemukul. Misalkan Jim bisa melempar
baik bola cepat atau bola melengkung secara acak. Jika Joe memprediksi bola melengkung dengan benar, ia
dapat mempertahankan rata-rata pukulan 0,400, jika tidak, jika Jim melempar bola melengkung dan Joe
bersiap untuk bola cepat, rata-rata pukulannya diturunkan menjadi 0,200. Di sisi lain, jika Joe memprediksi bola
cepat dengan benar, ia mendapat rata-rata pukulan 0,250, jika tidak, rata-rata pukulannya hanya 0,125.
(A) Tentukan alternatif untuk situasi ini.
(B) Definisikan fungsi tujuan untuk masalah tersebut dan diskusikan bagaimana perbedaannya dari
optimasi yang sudah dikenal (maksimalisasi atau minimalisasi) dari suatu kriteria.
7 Lampiran B memberikan solusi untuk masalah yang diawali tanda bintang. Konvensi yang sama digunakan dalam
semua masalah akhir bab di seluruh buku ini.
Masalah 43
1-6. Selama pembangunan sebuah rumah, enam balok dengan panjang 24 kaki masing-masing harus dipangkas dengan benar
panjang 23 kaki. Operasi untuk memotong balok melibatkan urutan berikut:
Operasi Waktu (detik)
1. Tempatkan balok pada kuda gergaji 15

2. Ukur panjang yang benar (23 kaki) 5
3. Tandai garis potong untuk gergaji bundar 5
4. Pangkas balok ke panjang yang benar 20
5. Tumpuk balok yang dipangkas di area yang ditentukan 20
Tiga orang terlibat: Dua pemuat harus bekerja secara bersamaan pada operasi 1, 2, dan 5, dan satu pemotong
menangani operasi 3 dan 4. Ada dua pasang kuda-kuda gergaji di mana balok-balok yang belum dipotong
ditempatkan sebagai persiapan untuk pemotongan, dan masing-masing pasangan dapat menahan hingga
tiga balok berdampingan. Sarankan jadwal yang baik untuk memangkas enam balok.
1-7. Segitiga simetris tegak dibagi menjadi empat lapisan: Lapisan bawah terdiri dari:
dari empat titik (berspasi sama), ditunjuk sebagai A, B, C, dan D. Lapisan berikutnya mencakup titik-titik
E, F, dan G, dan lapisan berikut memiliki titik H dan I. Lapisan atas memiliki titik J. Anda ingin membalikkan
segitiga (lapisan bawah memiliki satu titik dan lapisan atas memiliki empat) dengan memindahkan titik-titik
tersebut seperlunya. 8
(A) Identifikasi dua solusi yang layak.

(B) Tentukan jumlah gerakan terkecil yang diperlukan untuk membalikkan segitiga.
1-8. Anda memiliki lima rantai, masing-masing terdiri dari empat tautan padat. Anda perlu membuat gelang dengan
menghubungkan kelima rantai. Biayanya 2 sen untuk memutuskan tautan dan 3 sen untuk menyolder ulang.
(A) Identifikasi dua solusi yang layak dan evaluasi mereka.

(B) Tentukan biaya pembuatan gelang yang paling murah.
1-9. Kuadrat pada papan persegi panjang yang terdiri dari 11 baris dan 9 kolom diberi nomor urut
1 sampai 99 dengan a tersembunyi imbalan uang antara 0 dan 50 dolar yang diberikan untuk
setiap kotak. Sebuah permainan menggunakan papan mengharuskan pemain untuk memilih
kotak dengan memilih dua digit dan kemudian mengurangi jumlah dari dua digit dari nomor yang
dipilih. Pemain kemudian menerima hadiah yang diberikan pada kotak yang dipilih. Nilai uang
apa yang harus diberikan ke 99 kotak untuk meminimalkan hadiah pemain (terlepas dari berapa
kali permainan diulang)? Untuk membuat game ini menarik, penugasan $0 ke
semua kotak bukanlah pilihan.
1-10. Anda memiliki 10 karton identik yang masing-masing berisi 10 botol air. Semua botol memiliki berat 10 ons.
masing-masing, kecuali satu karton yang rusak di mana masing-masing dari 10 botol beratnya 9 ons. hanya.
Tersedia timbangan untuk menimbang.
(A) Sarankan metode untuk menemukan karton yang rusak.
* (B) Berapa kali skala terkecil digunakan yang menjamin menemukan karton yang rusak?
( Petunjuk: Anda harus kreatif dalam memutuskan apa yang harus ditimbang.)
* 1-11. Anda diberi dua bola identik yang terbuat dari paduan keras. Uji kekerasan gagal jika bola yang
dijatuhkan dari lantai gedung berlantai 120 penyok saat terkena benturan. Bola dapat digunakan
kembali dalam tetesan baru hanya jika belum penyok pada penurunan sebelumnya. Dengan
hanya menggunakan dua bola identik ini, berapa jumlah bola terkecil yang akan menentukan
lantai tertinggi dari mana bola dapat dijatuhkan tanpa rusak?
8 Soal 1-7 dan 1-8 diadaptasi dari Bruce Goldstein, Psikologi Kognitif: Pikiran, Penelitian, dan Pengalaman
Sehari-hari, Penerbitan Wadsworth, 2005.
halaman ini sengaja dibiarkan kosong
Bab 2
Pemodelan dengan pemrograman Linier
Aplikasi Kehidupan Nyata—Frontier Airlines Membeli Bahan Bakar Secara Ekonomis
Pengisian bahan bakar pesawat dapat dilakukan di salah satu persinggahan di sepanjang rute penerbangan. Harga
bahan bakar bervariasi di antara persinggahan, dan potensi penghematan dapat diwujudkan dengan mengangkut
(memuat) bahan bakar ekstra di lokasi yang lebih murah untuk digunakan pada penerbangan berikutnya. Kerugiannya
adalah bahwa berat ekstra bahan bakar yang diangkut akan menghasilkan pembakaran bensin yang lebih tinggi. .
Pemrograman linier (LP) dan heuristik digunakan untuk menentukan jumlah optimum kapal tanker yang
menyeimbangkan biaya pembakaran berlebih terhadap penghematan biaya bahan bakar. Studi yang dilakukan pada
tahun 1981, menghasilkan penghematan bersih sekitar $350.000 per tahun. Dengan kenaikan biaya bahan bakar yang
signifikan, banyak maskapai penerbangan menggunakan perangkat lunak tanker berbasis LP untuk membeli bahan
bakar. Rincian studi diberikan dalam Kasus 1, Bab 26 di situs web.
2.1 Model LP Dua-Variabel

Bagian ini membahas solusi grafis dari LP dua variabel. Meskipun masalah dua variabel
hampir tidak ada dalam praktiknya, perlakuan tersebut memberikan dasar yang konkret
untuk pengembangan algoritma simpleks umum yang disajikan dalam Bab 3.
Contoh 2.1-1 (Perusahaan Reddy Mikks)

Reddy Mikks memproduksi cat interior dan eksterior dari dua bahan baku, M 1 dan M 2.
Tabel berikut menyediakan data dasar masalah:
Ton bahan baku per ton

Maksimum harian
Cat eksterior cat interior ketersediaan (ton)
Bahan baku, M 1 6 4 24
bahan baku, M 2 1 2 6
Laba per ton ($1000) 5 4
45
46 Bab 2 Pemodelan dengan Pemrograman Linier
Permintaan harian untuk cat interior tidak boleh melebihi kebutuhan cat eksterior lebih dari 1 ton. Juga,
kebutuhan harian maksimum untuk cat interior adalah 2 ton.
Reddy Mikks ingin menentukan campuran produk cat interior dan eksterior yang optimum (terbaik) yang
memaksimalkan total keuntungan harian.
Semua model OR, termasuk LP, terdiri dari tiga komponen dasar:
1. Keputusan variabel yang kita coba tentukan.

2. Tujuan ( tujuan) yang perlu kita optimalkan (maksimalkan atau minimalkan).
3. Kendala yang harus dipenuhi oleh solusi.
Definisi yang tepat dari variabel keputusan merupakan langkah pertama yang penting
dalam pengembangan model. Setelah selesai, tugas membangun fungsi tujuan dan kendala
menjadi lebih mudah.
Untuk masalah Reddy Mikks, kita perlu menentukan jumlah harian cat eksterior dan interior
yang akan diproduksi. Dengan demikian variabel model didefinisikan sebagai:
x 1 = Ton cat eksterior yang diproduksi setiap hari
x 2 = Ton cat interior diproduksi setiap hari
Tujuan dari Reddy Mikks adalah untuk memaksimalkan ( yaitu, tingkatkan sebanyak mungkin) total harian
keuntungan dari kedua cat. Dua komponen dari total keuntungan harian dinyatakan dalam
variabel x 1 dan x 2 sebagai:
Keuntungan dari cat eksterior = 5 x 1 1 ribu 2 dolar
Keuntungan dari cat interior = 4 x 2 1 ribu 2 dolar
Membiarkan z mewakili total keuntungan harian (dalam ribuan dolar), tujuan (atau sasaran) Reddy
Mikks dinyatakan sebagai
Maksimalkan z = 5 x 1 + 4 x 2
Selanjutnya, kami mengonstruksi A uct kendala yang membatasi penggunaan bahan baku dan permintaan produk.The
pembatasan bahan baku dinyatakan secara lisan sebagai
Penggunaan bahan baku B … A Bahan baku maksimal B

oleh kedua cat ketersediaan
Penggunaan bahan baku sehari-hari M 1 adalah 6 ton per ton cat eksterior dan 4 ton per ton cat interior. Dengan
demikian,
Penggunaan bahan baku M 1 dengan kedua cat = 6 x 1 + 4 x 2 ton/hari
Dengan cara yang serupa,
Penggunaan bahan baku M 2 dengan kedua cat = 1 x 1 + 2 x 2 ton/hari
Ketersediaan bahan baku harian maksimum M 1 dan M 2 adalah 24 dan 6 ton, masing-masing. Dengan
demikian, kendala bahan baku adalah:
6 x 1 + 4 x 2 … 24 1 Bahan baku M 1 2
x 1 + 2 x 2 … 6 1 Bahan baku M 2 2
Pembatasan pertama pada permintaan produk menetapkan bahwa produksi harian cat
interior tidak boleh melebihi cat eksterior lebih dari 1 ton, yang berarti:
x 2 - x 1 … 1 1 Batas pasar 2
2.2 Solusi LP Grafis 47
Pembatasan kedua membatasi permintaan harian cat interior hingga 2 ton—yaitu,
x 2 … 2 1 Batas permintaan 2
Pembatasan implisit (atau "dipahami-to-be") membutuhkan (semua) variabel, x 1 dan x 2, ke

asumsikan nilai nol atau positif saja. Pembatasan, dinyatakan sebagai x 1 Ú 0 dan x 2 Ú 0, disebut
sebagai kendala nonnegatif.
Model Reddy Mikks yang lengkap adalah
tunduk pada
6 x 1 + 4 x 2 … 24 (1)
x 1 + 2 x 2 … 6 (2)
- x 1 + x 2 … 1 (3)
x 2 … 2 (4)
x 1, x 2 Ú 0 (5)
Nilai apa saja dari x 1 dan x 2 yang memuaskan semua lima kendala merupakan a solusi yang layak.
Jika tidak, solusinya adalah tidak mungkin. Misalnya, solusi x 1 = 3 ton per hari dan x 2 = 1 ton
per hari layak karena tidak melanggar setiap dari lima kendala; hasilnya adalah
dikonfirmasi dengan menggunakan substitusi 1 x 1 = 3, x 2 = 1 2 di sisi kiri setiap kendala. Di dalam
kendala (1), kami memiliki 6 x 1 + 4 x 2 = 1 6 * 3 2 + 1 4 * 1 2 = 22, yang kurang dari sisi kanan
kendala 1 = 24 2. Batasan 2 hingga 5 diperiksa dengan cara yang sama (verifikasi!). Pada
di sisi lain, solusinya x 1 = 4 dan x 2 = 1 tidak layak karena tidak memenuhi setidaknya satu
kendala. Misalnya, dalam kendala (1), 1 6 * 4 2 + 1 4 * 1 2 = 28, yang lebih besar dari
sisi kanan 1 = 24 2.
Tujuan dari masalah adalah untuk menemukan optimal, terbaik bisa dilakukan solusi yang memaksimalkan
keuntungan total z. Pertama, kita perlu menunjukkan bahwa masalah Reddy Mikks memiliki tak terbatas jumlah solusi
layak, properti yang dimiliki bersama oleh semua piringan hitam nontrivial. Oleh karena itu masalah tidak dapat
diselesaikan dengan enumerasi. Metode grafis dalam Bagian 2.2 dan generalisasi aljabarnya dalam Bab 3 menunjukkan
bagaimana optimal dapat ditentukan dalam sejumlah langkah yang terbatas.
perkataan. Tujuan dan fungsi kendala di semua piringan hitam harus linier. Selain
itu, semua parameter (koefisien fungsi tujuan dan kendala) model diketahui
dengan pasti.
2.2 SOLUSI LP GRAFIS

Solusi grafis mencakup dua langkah:
1. Penentuan ruang solusi fisibel.

2. Penentuan solusi optimum dari semua titik dalam ruang solusi.
Presentasi menggunakan dua contoh untuk menunjukkan bagaimana fungsi tujuan

maksimalisasi dan minimalisasi ditangani.
2.2.1 Solusi dari Model Maksimalisasi
Contoh 2.2-1
Contoh ini memecahkan model Reddy Mikks dari Contoh 2.1-1.
Langkah 1. Penentuan Ruang Solusi yang Layak:

Pertama, pertimbangkan kendala nonnegatif x 1 Ú 0 dan x 2 Ú 0. Pada Gambar 2.1,
sumbu horisontal x 1 dan sumbu vertikal x 2 masing-masing mewakili variabel cat
eksterior dan interior. Dengan demikian, kendala nonnegatif membatasi variabel ke
kuadran pertama (di atas x 1- sumbu dan di sebelah kanan x 2- sumbu).
Untuk menghitung empat kendala yang tersisa, pertama-tama ganti setiap pertidaksamaan dengan
persamaan, dan kemudian grafik garis lurus yang dihasilkan dengan menempatkan dua titik yang berbeda.
Misalnya, setelah mengganti 6 x 1 + 4 x 2 … 24 dengan garis lurus 6 x 1 + 4 x 2 = 24,
dua titik berbeda ditentukan oleh pengaturan x 1 = 0 untuk mendapatkan x 2 = 24 4=6 dan kemudian
dengan mengatur x 2 = 0 untuk mendapatkan x 1 = 246 = 4. Jadi garis 6 x 1 + 4 x 2 = 24 melewati
(0, 6) dan (4, 0), seperti yang ditunjukkan oleh baris (1) pada Gambar 2.1.
Selanjutnya, pertimbangkan arahnya 1 7 atau 6 2 dari ketidaksetaraan. Ia membagi ( x 1, x 2)
menjadi dua setengah ruang, satu di setiap sisi garis grafik. Hanya satu dari dua bagian ini
memenuhi pertidaksamaan. Untuk menentukan sisi yang benar, tentukan sembarang titik bukan berbaring
pada garis lurus sebagai titik acuan. Jika titik referensi yang dipilih memenuhi pertidaksamaan, maka sisinya
layak; jika tidak, sisi yang berlawanan menjadi ruang setengah yang layak.
Asal (0, 0) adalah titik referensi yang nyaman dan harus selalu digunakan
selama tidak terletak pada garis yang mewakili kendala. Ini benar terjadi
untuk semua kendala dari contoh ini. Dimulai dengan kendala 6 x 1 + 4 x 2 … 24,
Gambar 2.1
Ruang yang layak dari model Reddy Mikks
x2
Kendala:
6
6 x 1 1 4 x 2 # 24 1
x11 2 x2#6 2
5
2 x11 x2#1 3
1 x2#2 4
4
3
x1 $0 5
x2$0 6
3 2
4
2
E D
C
1 Larutan
F ruang angkasa
A B
x1
0 1 2 3 4 5 6 6
substitusi dari 1 x 1, x 2 2 = 1 0, 0 2 otomatis menghasilkan nol untuk sisi kiri. Karena

kurang dari 24, setengah ruang yang mengandung (0, 0) layak untuk pertidaksamaan
(1), seperti yang ditunjukkan oleh arah panah pada Gambar 2.1. Aplikasi serupa
dari prosedur titik referensi untuk kendala yang tersisa menghasilkan ruang
solusi yang layak ABCDEF di mana semua kendala terpenuhi (verifikasi!). Semua
titik di luar batas area ABCDEF tidak mungkin.
Langkah 2. Penentuan Solusi Optimal:

Banyaknya titik solusi dalam ruang fisibel ABCDEF pada Gambar 2.1 adalah tak terbatas,
jelas menghalangi penggunaan enumerasi lengkap. Oleh karena itu, prosedur sistematis
diperlukan untuk menentukan solusi optimal.
Pertama, arah di mana fungsi laba z = 5 x 1 + 4 x 2 meningkat (ingat bahwa kita adalah
memaksimalkan z) ditentukan dengan menetapkan arbitrer meningkat nilai-nilai
ke z. Pada Gambar 2.2, dua garis 5 x 1 + 4 x 2 = 10 dan 5 x 1 + 4 x 2 = 15 sesuai dengan (sewenang-
wenang) z = 10 dan z = 15 menggambarkan arah di mana z meningkat. Bergerak
dalam arah itu, solusi optimal terjadi pada C karena itu adalah titik layak dalam
ruang solusi di mana setiap peningkatan lebih lanjut akan membuat solusi tidak
layak.
Nilai dari x 1 dan x 2 terkait dengan titik optimal C ditentukan dengan
menyelesaikan persamaan yang terkait dengan garis (1) dan (2):
6 x 1 + 4 x 2 = 24
x1+2 x2=6
Gambar 2.2
Solusi optimal dari model Reddy Mikks
x2
(Maksimalkan z 5 5 x 1 1 4 x 2)
tz
ka
ng
z5
3 e ni
21
m
z5
x11 2 x2#6
15
z5
2
10
E D Optimal: x 1 5 3 ton
2 x 2 5 1,5 ton
C z 5 $ 21.000
1
F 6 x 1 1 4 x 2 # 24
1
A B
x1
0 1 2 3 4
Solusinya adalah x 1 = 3 dan x 2 = 1,5 dengan z = 1 5 * 3 2 + 1 4 * 1,5 2 = 21. Ini

membutuhkan campuran produk harian 3 ton cat eksterior dan 1,5 ton cat interior. NS
laba harian terkait adalah $21.000.
perkataan. Dalam praktiknya, LP tipikal dapat mencakup ratusan atau bahkan ribuan
variabel dan kendala. Apa gunanya mempelajari LP dua variabel? Jawabannya adalah bahwa
solusi grafis memberikan hasil kunci: Solusi optimal dari LP, jika ada,
selalu dikaitkan dengan titik sudut ruang solusi, sehingga membatasi pencarian optimal
dari jumlah titik layak yang tak terbatas ke sejumlah titik sudut yang terbatas. Ini
hasil yang kuat adalah dasar untuk pengembangan aljabar umum metode simpleks
disajikan dalam Bab 3. 1
2.2.2 Solusi Model Minimisasi Contoh
2.2-2 (Masalah Diet)

Ozark Farms menggunakan setidaknya 800 lb pakan khusus setiap hari. Pakan spesialnya adalah campuran jagung dan
bungkil kedelai dengan komposisi sebagai berikut:
lb per lb bahan pakan
Bahan pakan Protein Serat Biaya ($/lb)
Jagung . 09 . 02 . 30
Makanan dari kacang kedelai . 60 . 06 . 90
Persyaratan diet pakan khusus minimal 30% protein dan paling banyak 5% serat. Tujuannya adalah untuk
menentukan campuran pakan dengan biaya minimum harian.
Variabel keputusan model adalah:
x 1 = pon jagung dalam campuran harian
x 2 = pon bungkil kedelai dalam campuran harian
Tujuannya adalah untuk meminimalkan total biaya harian (dalam dolar) dari campuran pakan—yaitu,
Memperkecil z = . 3 x 1 + . 9 x 2
1 Untuk memperkuat hasil kunci ini, gunakan TORA untuk memverifikasi bahwa optimal dari fungsi objektif berikut dari
model Reddy Mikks (Contoh 2.1-1) akan menghasilkan titik sudut terkait seperti yang didefinisikan pada Gambar 2.2 (klik
View/Modify Input Data to memodifikasi koefisien objektif dan memecahkan kembali masalah secara grafis):
(A) z = 5 x 1 + x 2 ( optimal: titik B pada Gambar 2.2)

(B) z = 5 x 1 + 4 x 2 ( optimal: titik C)
(C) z = x 1 + 3 x 2 ( optimal: titik D)
(D) z = x 2 ( optimal: titik D atau E, atau titik mana pun di antaranya—lihat Bagian 3.5.2)
(e) z = - 2 x 1 + x 2 ( optimal: titik F)
(F) z = -x 1 - x 2 ( optimal: titik A)
Batasan mewakili jumlah harian campuran dan persyaratan diet. Peternakan Ozark membutuhkan
setidaknya 800 pon pakan sehari—yaitu,
x 1 + x 2 Ú 800
Jumlah protein yang termasuk dalam x 1 pon jagung dan x 2 pon bungkil kedelai adalah 1. 09 x 1 + . 6 x 2 2 lb. Jumlah
ini harus sama dengan setidaknya 30% dari total campuran pakan 1 x 1 + x 2 2 lb—yaitu,
. 09 x 1 + . 6 x 2 . 3 1 x 1 + x 2 2
Dengan cara yang sama, kebutuhan serat paling banyak 5% direpresentasikan sebagai:
. 02 x 1 + . 06 x 2 … . 05 1 x 1 + x 2 2
Batasan disederhanakan dengan memindahkan suku ke dalam x 1 dan x 2 ke sisi kiri setiap
pertidaksamaan, hanya menyisakan konstanta di sisi kanan. Model lengkapnya adalah
Memperkecil z = . 3 x1+. 9 x2
tunduk pada
x1+ x 2 Ú 800
. 21 x 1 - . 30 x 2 … 0
. 03 x 1 - . 01 x 2 Ú 0
x 1, x 2 Ú 0
Gambar 2.3 memberikan solusi grafis model. Kendala kedua dan ketiga melewati titik
asal. Jadi, tidak seperti model Reddy Mikks pada Contoh 2.2-1, penentuan
Gambar 2.3
Solusi grafis dari model diet
x2
1500
Mem
perk
e cil z 5
.3x
11
.9x
2
0
x2$
. 01
1000
x12
. 03
0
2#
. 3x
12
1x
.2
500
Optimal: x 1 5 470.6 lb
x 2 5 329,4 lb
x1
z 5 $ 437.64
1
x2
$
80
0
x1
0 500 1000 1500
ruang-paruh yang layak dari dua kendala ini memerlukan penggunaan titik referensi selain (0, 0)
[misalnya, (100, 0) atau (0, 100)].
Larutan:
Model meminimalkan nilai fungsi tujuan dengan mengurangi z ke arah yang ditunjukkan
pada Gambar 2.3. Solusi optimum adalah perpotongan dua garis x 1 + x 2 = 800 dan
. 21 x 1 - . 3 x 2 = 0, yang menghasilkan x 1 = 470.6lb dan x 2 = 329.4lb. Biaya minimum campuran pakan
adalah z = . 3 * 470.6 + .9 * 329.4 = $437.64 per hari.
perkataan. Orang mungkin bertanya-tanya mengapa kendalanya x 1 + x 2 Ú 800 tidak bisa diganti dengan
x 1 + x 2 = 800 karena tidak akan optimal untuk menghasilkan lebih dari jumlah minimum. A
memberlakukan pembatasan tambahan yang akan membutuhkan pencampuran lebih dari jumlah minimum. Lebih
penting lagi, ketimpangan yang lemah 1 Ú 2, menurut definisi, menyiratkan kasus kesetaraan, sehingga persamaan
1 =lth
2 meskipun solusi
diperbolehkan model membutuhkannya.
jika optimalitas ini memenuhi persamaan, model
Kesimpulannya adalah yang
bahwa lebih kompleks
seseorang mungkin
tidak boleh "berprasangka"
solusi dengan memberlakukan pembatasan kesetaraan tambahan.
2.3 SOLUSI KOMPUTER DENGAN SOLVER DAN AMPL
Dalam prakteknya, di mana model LP khas mungkin melibatkan ribuan variabel dan kendala, komputer
adalah satu-satunya tempat yang layak untuk memecahkan masalah LP. Bagian ini menyajikan dua
sistem perangkat lunak yang umum digunakan: Excel Solver dan AMPL. Solver sangat menarik bagi
pengguna spreadsheet. AMPL adalah bahasa pemodelan aljabar yang, seperti semua bahasa
pemrograman tingkat tinggi, membutuhkan lebih banyak keahlian. Namun demikian, AMPL, dan bahasa
serupa, 2 menawarkan fleksibilitas pemodelan yang hebat. Meskipun presentasi di bagian ini
berkonsentrasi pada piringan hitam, baik AMPL dan Solver dapat menangani masalah bilangan bulat dan
nonlinier, seperti yang akan ditunjukkan pada bab selanjutnya.
2.3.1 Solusi LP dengan Excel Solver

Di Excel Solver, spreadsheet adalah media input dan output untuk LP. Gambar 2.4
menunjukkan tata letak data untuk model Reddy Mikks (file pemecah RM1.xls). Bagian
atas gambar mencakup empat jenis informasi: (1) sel data input (B5:C9 dan F6:F9),
(2) sel yang mewakili variabel dan fungsi tujuan (B13:D13), (3) definisi aljabar dari
fungsi tujuan dan sisi kiri kendala (sel D5:D9), dan (4) sel yang menyediakan
( opsional) nama atau simbol penjelasan. Solver membutuhkan tiga jenis pertama
saja. Jenis keempat meningkatkan keterbacaan tetapi tidak melayani tujuan lain.
Posisi relatif dari empat jenis informasi di
2 Paket komersial terkenal lainnya termasuk AIMMS, GAMS, LINGO, MPL, OPL Studio, dan Xpress-Mosel.
Gambar 2.4
Mendefinisikan model Reddy Mikks dengan Excel Solver (file pemecahRM1.xls)
spreadsheet (seperti yang disarankan pada Gambar 2.4) cocok untuk referensi silang sel yang tepat di Solver,
dan penggunaannya direkomendasikan.
Bagaimana Solver menautkan ke data spreadsheet? Pertama, kami
memberikan definisi "aljabar" dari fungsi tujuan dan sisi kiri kendala menggunakan:
input data (sel B5:C9 dan F6:F9) serta fungsi dan variabel tujuan (sel B13:D13). Selanjutnya,
kami menempatkan rumus yang dihasilkan dengan tepat di sel D5:D9, sebagai
tabel berikut menunjukkan:
Ekspresi aljabar Rumus spreadsheet Dimasukkan ke dalam sel
Objektif, z 5 x1+4 x2 = B5*$B$13+C5*$C$13 D5

Batasan 1 6 x1+4 x2 = B6*$B$13+C6*$C$13 D6
Batasan 2 x1+2 x2 = B7*$B$13+C7*$C$13 D7
Batasan 3 - x1+x2 = B8*$B$13+C8*$C$13 D8
Batasan 4 0 x1+x2 = B9*$B$13+C9*$C$13 D9
Sebenarnya, Anda hanya perlu memasukkan rumus untuk sel D5 lalu menyalinnya ke sel D6:D9.
Untuk melakukannya dengan benar, perlu menggunakan referensi tetap sel mewakili-
ing x 1 dan x 2 ( yaitu, $B$13 dan $C$13, masing-masing).
Rumus eksplisit yang baru saja dijelaskan tidak praktis untuk piringan hitam besar. Sebagai gantinya,
rumus di sel D5 dapat ditulis secara ringkas sebagai
= SUMPRODUCT 1 B5:C5,$B$13:$C$13 2
Rumus baru kemudian dapat disalin ke dalam sel D6:D9.

Semua elemen model LP sekarang ada di tempatnya. Untuk menjalankan model, klik Solver
dari bilah menu spreadsheet 3 untuk mengakses Parameter pemecah kotak dialog (ditunjukkan di
tengah Gambar 2.4). Selanjutnya, perbarui kotak dialog sebagai berikut:
Tetapkan Sel Target: $D$5

Sama Dengan: ⊙ Maks
Dengan Mengubah Sel: $B$13:$C$13
Informasi ini memberi tahu Solver bahwa variabel LP (sel $B$13 dan $C$13) ditentukan
dengan memaksimalkan fungsi tujuan di sel $D$5.
Untuk mengatur batasan, klik Tambah di kotak dialog untuk menampilkan
tambahkan Kendala kotak (bawah Gambar 2.4) lalu masukkan ruas kiri, jenis
pertidaksamaan, dan ruas kanan kendala sebagai 4
$D$6:$D$9 6 = $ F$6:$F$9
Untuk pembatasan nonnegatif, klik Tambah sekali lagi dan masukkan
$B$13:$C$13 7 = 0
Cara lain untuk memasukkan batasan non-negatif adalah dengan mengklik Opsi di Parameter pemecah
kotak untuk mengakses Opsi Pemecah ( lihat Gambar 2.5) dan kemudian periksa n ✓ Menganggap
Non@Negatif . Juga, saat berada di kotak yang sama, centang n ✓ Asumsikan Model Linier.
3 Jika Solver tidak muncul di bawah menu Data (di bilah menu Excel), klik Tombol Excel Office S Opsi Excel S
Tambahan S Add-in Pemecah S OKE; lalu tutup dan mulai ulang Excel.
4 Dalam tambahkan Kendala kotak pada Gambar 2.4, dua opsi tambahan, ke dalam dan tempat sampah, yang berdiri untuk ke dalam ger dan
tempat sampah ary, digunakan dengan program integer untuk membatasi variabel ke nilai integer atau biner (lihat Bab 9).
Pemecah dan AMPL 55
Gambar 2.5
Kotak dialog opsi pemecah
Secara umum, pengaturan default yang tersisa di Opsi Pemecah tidak perlu diubah. Namun,
presisi default .000001 mungkin terlalu "tinggi" untuk beberapa masalah, dan Solver mungkin salah
mengembalikan pesan "Solver tidak dapat menemukan solusi yang layak". Dalam kasus seperti itu,
presisi yang lebih rendah (yaitu, nilai yang lebih besar) perlu ditentukan. Jika pesan tetap ada, maka
masalahnya mungkin tidak mungkin.
Nama rentang Excel deskriptif dapat digunakan untuk meningkatkan keterbacaan. Rentang
dibuat dengan menyorot sel yang diinginkan, mengetikkan nama rentang di kotak kiri atas
lembar, lalu menekan Return. Gambar 2.6 (berkas pemecahRM2.xls) memberikan detail dengan
ringkasan nama rentang yang digunakan dalam model. Model harus dikontraskan dengan file
pemecahRM1.xls untuk melihat bagaimana rentang digunakan dalam rumus.
Untuk mengatasi masalah, klik Selesaikan Parameter pemecah. Kotak dialog baru,
hasil pemecah, kemudian memberikan status solusi. Jika pengaturan model sudah benar,
nilai optimal dari z akan muncul di sel D5 dan nilai x 1 dan x 2 akan pergi ke sel B13 dan
C13, masing-masing. Untuk kenyamanan, sel D13 menunjukkan nilai optimal z oleh
memasukkan rumus = D5 di sel D13, sehingga menampilkan seluruh solusi optimal dalam sel yang
berdekatan.
Jika suatu masalah tidak memiliki solusi yang layak, Solver akan mengeluarkan pesan eksplisit
“Solver tidak dapat menemukan solusi yang layak”. Jika nilai tujuan optimal tidak terbatas (tidak terbatas),
Solver akan mengeluarkan pesan yang agak ambigu “Nilai Sel yang Ditetapkan tidak konvergen”. Dalam
kedua kasus tersebut, pesan tersebut menunjukkan bahwa ada sesuatu yang salah dengan perumusan
model, seperti yang akan dibahas dalam Bagian 3.5.
NS Hasil pemecah kotak dialog memberikan kesempatan untuk meminta rincian lebih
lanjut tentang solusi, termasuk laporan analisis sensitivitas. Kami akan membahas hasil
tambahan ini di Bagian 3.6.4.
Solusi dari Reddy Mikks oleh Solver sangat mudah. Model lain mungkin memerlukan
"sedikit kecerdikan" sebelum dapat diatur. Kelas model LP yang termasuk dalam kategori ini
berkaitan dengan optimasi jaringan, seperti yang akan ditunjukkan pada Bab 6.
56 Bab 2 Pemodelan dengan
Gambar 2.6
Penggunaan nama rentang di Excel Solver (file pemecahRM2.xls)
2.3.2 Solusi LP dengan AMPL 5
Bagian ini memberikan pengenalan singkat tentang AMPL. Materi dalam Lampiran C di situs
web merinci sintaks AMPL. Ini akan dirujuk silang dengan presentasi di bagian ini dan
dengan presentasi AMPL lainnya di buku ini. Dua contoh yang disajikan di sini berhubungan
dengan dasar-dasar AMPL.
masalah reddyMikks—arudimentaryModel. AMPL menyediakan fasilitas untuk memodelkan LP dalam

format tulisan tangan yang belum sempurna. Gambar 2.7 memberikan kode cukup jelas untuk
ReddyMikksmodel (file amplRM1.txt). Semua kata kunci yang dipesan dicetak tebal. Semua nama lainnya
dibuat oleh pengguna. Fungsi tujuan dan setiap batasan harus memiliki nama yang berbeda (dibuat oleh
pengguna) diikuti dengan titik dua. Setiap pernyataan ditutup dengan titik koma.
Format tulisan tangan khusus untuk masalah, dalam arti bahwa kode baru
diperlukan setiap kali data input diubah. Untuk masalah praktis (dengan struktur yang
kompleks dan sejumlah besar variabel dan kendala), format tulisan tangan paling tidak
praktis. AMPL mengurangi kesulitan ini dengan merancang kode yang membagi
masalah menjadi dua komponen: (1) model aljabar umum untuk kelas masalah tertentu
5 Untuk kenyamanan, versi siswa AMPL ada di situs web. Pembaruan di masa mendatang dapat diunduh dari
www.ampl.com.AMPL menggunakan perintah baris dan tidak beroperasi di lingkungan Windows.
2.3 Solusi Komputer dengan Solver dan AMPL 57
maksimalkan z: 5*x1+4*x2; Gambar 2.7

tunduk pada Model AMPL dasar untuk
c1: 6*x1+4*x2<=24; masalah Reddy Mikks (file
c2: x1+2*x2<=6; amplRM1.txt)
c3: -x1+x2<=1;
c4: x2<=2;
menyelesaikan;
tampilkan z,x1,x2;
berlaku untuk sejumlah variabel dan kendala, dan (2) data untuk menggerakkan
model aljabar. Implementasi kedua poin ini dibahas di bagian berikut dengan
menggunakan masalah Reddy Mikks.
masalah reddy Mikks—Model aljabar. Gambar 2.8 mencantumkan pernyataan model (file
amplRM2.txt). File harus benar-benar teks (ASCII).Simbol # menunjukkan awal dari komentar
penjelasan. Komentar dapat muncul pada baris terpisah atau mengikuti titik koma di akhir
pernyataan. Bahasanya peka huruf besar/kecil, dan semua kata kuncinya, dengan sedikit
pengecualian, menggunakan huruf kecil. (Bagian C.2 memberikan rincian lebih lanjut.)
Model aljabar di AMPL melihat masalah LP umum dengan n variabel dan
M batasan dalam format umum berikut ( restr adalah nama yang dibuat pengguna):
n
Maksimalkan z: A C J x J
j= 1
n
tunduk pada restr Saya : A A aku j x J … B Saya, saya = 1, 2, C, M
j= 1
x J Ú 0, j = 1, 2, C, n
Ini memberikan fungsi tujuan dan kendala Saya nama (ditentukan pengguna) z dan restr Saya.
Modelnya dimulai dengan param pernyataan yang menyatakan m, n, c, b, dan A aku j
sebagai parameter (atau konstanta) yang nilai spesifiknya diberikan di bagian data input
dari modelnya. Ini menerjemahkan C J 1 j = 1, 2, C, n 2 sebagai c{1..n}, B Saya 1 saya = 1, 2, C, M 2 sebagai
b{1..m}, dan A aku j 1 saya = 1, 2, C, m, j = 1, 2, C, n 2 sebagai a{1..m,1..n}. Selanjutnya,
variabel x J 1 j = 1, 2, C, n 2 bersama-sama dengan pembatasan nonnegatif didefinisikan oleh
var penyataan
var x{1..n}>=0;
Suatu variabel dianggap tidak dibatasi jika >= 0 dihilangkan dari definisinya. Notasi dalam {}
menyatakan mengatur dari subskrip di mana a param atau var didefinisikan.
Model dikembangkan dalam hal parameter dan variabel dengan cara berikut.
Fungsi tujuan dan kendala membawa nama yang berbeda diikuti oleh a
n
titik dua (:). Pernyataan objektif adalah terjemahan langsung dari memaksimalkan z = A C J x J:
j= 1
memaksimalkan z: jumlah{ J di dalam 1..n}c[j]*x[j];
Paksaan Saya diberi nama root (sewenang-wenang) restr diindeks di atas set { 1..m}:
restr{i di dalam 1..m}: jumlah{ J di dalam 1..n}a[i,j]*x[j]<=b[i];

# - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - model aljabar
parameter m;
parameter n;
param c{1..n};
param b{1..m};
param a{1..m,1..n};
var x{1..n}==0;
maksimalkan z: jumlah{j di 1..n}c[j]*x[j]; tunduk
pada restr{i in 1..m}:
jumlah{j dalam 1..n}a[i,j]*x[j]<=b[i];
# - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - tentukan model data
data;
parameter n:=2;
parameter m:=4;
param c:=1 5 2 4;
param b:=1 24 2 6 3 1 4 2; param a: 1
2 :=
164
212
3-11
4 0 1;
# - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - menyelesaikan masalah
menyelesaikan;
tampilkan z, x;
Gambar 2.8
Model AMPL dari masalah Reddy Mikks menggunakan data input hard-coded (file amplRM2.txt)
n
Pernyataan tersebut merupakan terjemahan langsung dari restr Saya A A aku j x J … B Saya.
j= 1
Model aljabar sekarang dapat digunakan dengan set data yang berlaku yang dapat
dimasukkan mengikuti pernyataan: data;. Untuk model Reddy Mikks, data memberitahu
AMPL bahwa masalah memiliki dua variabel ( parameter n:=2 ;) dan empat kendala (
parameter m:=4;). Operator gabungan := harus digunakan, dan pernyataan harus dimulai
dengan kata kunci parameter Untuk parameter berlangganan tunggal, C dan B, setiap
elemen diwakili oleh indeksnya diikuti oleh nilainya dan dipisahkan oleh setidaknya satu
ruang kosong. Dengan demikian, C 1 = 5 dan C 2 = 4 dimasukkan sebagai
param c:= 1 5 2 4;
Data untuk param b dimasukkan dengan cara yang sama.

2.4 Aplikasi Pemrograman Linier 59
Untuk parameter berlangganan ganda A aku j, kumpulan data itu dibaca sebagai matriks dua
dimensi dengan baris-barisnya menunjuk Saya dan kolomnya menunjuk J. Baris atas mendefinisikan
berlangganan J, dan subskrip Saya dimasukkan di awal setiap baris sebagai
param A: 1 2 :=
1 6 4
2 1 2
3 -1 1
4 0 1;
Kumpulan data harus diakhiri dengan titik koma. Perhatikan wajib lokasi pemisah :
dan operator gabungan := setelah param a.
Model dan datanya sekarang sudah siap. Perintah menyelesaikan;
memanggil algoritma solusi dan perintah tampilkan z, x; memberikan solusi.
Untuk mengeksekusi model, pertama-tama panggilAMPL (dengan mengklik ampl.exe di
direktori AMPL). banyak: prompt, masukkan berikut ini model perintah, lalu tekan Return:
model amplRM2.txt;
Output dari sistem kemudian akan muncul di layar sebagai berikut:

MINOS 5.5: Solusi optimal ditemukan. 2
iterasi, tujuan = 21
z = 21
x[*]:=
1=3
2 = 1,5
Empat baris terbawah adalah hasil eksekusi tampilkan z,x;. Sebenarnya, AMPL memiliki
kemampuan pemformatan yang meningkatkan keterbacaan hasil keluaran (lihat
Bagian C.5.2).
AMPL memungkinkan pemisahan model aljabar dan data menjadi dua file
independen. Pengaturan ini lebih nyaman karena hanya file data yang perlu
diubah setelah model dikembangkan. Lihat akhir Bagian C.2 untuk detailnya.
AMPL menawarkan berbagai kemampuan pemrograman. Misalnya, data input/
output dapat diamankan dari/dikirim ke file eksternal, spreadsheet, dan database, dan
model dapat dieksekusi secara interaktif untuk berbagai pilihan. Rinciannya diberikan
dalam Lampiran C di situs web.
2.4 APLIKASI PEMROGRAMAN LinEAR

Bagian ini menyajikan model LP realistis di mana definisi variabel dan konstruksi
fungsi tujuan dan kendala tidak semudah dalam kasus model dua variabel. Area
yang dicakup oleh aplikasi ini meliputi:
1. Investasi.
2. Perencanaan produksi dan pengendalian persediaan.
3. Perencanaan tenaga kerja.

4. Perencanaan pembangunan kota.
5. Penyulingan dan pencampuran minyak.
Setiap model dirinci, dan solusi optimalnya diinterpretasikan.
2.4.1 investasi
Banyak peluang investasi yang tersedia untuk investor saat ini. Contoh masalah investasi adalah
penganggaran modal untuk proyek, strategi investasi obligasi, pemilihan portofolio saham, dan
penetapan kebijakan pinjaman bank. Dalam banyak situasi ini, LP dapat digunakan untuk memilih
kombinasi peluang yang optimal yang akan memaksimalkan pengembalian sambil memenuhi
persyaratan yang ditetapkan oleh investor dan pasar.
Contoh 2.4-1 (Model Pinjaman bank)

Bank One sedang dalam proses merancang kebijakan pinjaman yang melibatkan maksimum $12 juta.
Tabel berikut memberikan data terkait tentang pinjaman yang tersedia.
Jenis pinjaman Suku bunga Rasio utang buruk
Pribadi . 140 . 10
Mobil . 130 . 07
Rumah . 120 . 03
Tanah pertanian . 125 . 05
Komersial . 100 . 02
Piutang macet tidak dapat dipulihkan dan tidak menghasilkan pendapatan bunga.
Persaingan dengan lembaga keuangan lain menentukan alokasi setidaknya 40% dari dana untuk pertanian dan
pinjaman komersial. Untuk membantu industri perumahan di wilayah tersebut, pinjaman rumah harus sama dengan
setidaknya 50% dari pinjaman pribadi, mobil, dan rumah. Bank membatasi keseluruhan rasio kredit macet pada semua
pinjaman paling banyak 4%.
Model matematika: Situasi ini berkaitan dengan penentuan jumlah pinjaman di setiap
kategori, sehingga mengarah ke definisi variabel berikut:
x 1 = pinjaman pribadi 1 dalam jutaan dolar 2
x 2 = pinjaman mobil
x 3 = pinjaman rumah
x 4 = pinjaman pertanian
x 5 = pinjaman komersial
Tujuan Bank One adalah untuk memaksimalkan laba bersih, selisih antara pendapatan bunga dan piutang tak
tertagih yang hilang. Pendapatan bunga diperoleh dari pinjaman yang bereputasi baik. Misalnya, ketika 10% dari
pinjaman pribadi hilang karena piutang tak tertagih, bank akan menerima bunga 90% dari pinjaman—itu
adalah, ia akan menerima bunga 14% pada 0,9 x 1 dari pinjaman asli x 1. Alasan yang sama berlaku untuk empat jenis
pinjaman yang tersisa. Dengan demikian,
Jumlah bunga = .14 1. 9 x 1 2 + . 13 1. 93 x 2 2 + . 12 1. 97 x 3 2 + . 125 1. 95 x 4 2 + . 1 1. 98 x 5 2
= . 126 x 1 + . 1209 x 2 + . 1164 x 3 + . 11875 x 4 + . 098 x 5
Kami juga punya
Hutang macet = .1 x 1 + . 07 x 2 + . 03 x 3 + . 05 x 4 + . 02 x 5
Fungsi tujuan menggabungkan pendapatan bunga dan piutang tak tertagih sebagai:
Maksimalkan z = T
= 1 .total x 1 + . 1209
126 bunga x 2 + . 1164
- Hutang macetx 3 + . 11875 x 4 + . 098 x 5 2
- 1. 1 x 1 + . 07 x 2 + . 03 x 3 + . 05 x 4 + . 02 x 5 2
= . 026 x 1 + . 0509 x 2 + . 0864 x 3 + . 06875 x 4 + . 078 x 5
Masalahnya memiliki lima kendala:
1. Total dana tidak boleh melebihi $12 (juta):
x 1 + x 2 + x 3 + x 4 + x 5 … 12
2. Pinjaman pertanian dan komersial sama dengan setidaknya 40% dari semua pinjaman:
x4+x5. 4 1 x1+x2+x3+x4+x5 2
atau
. 4 x1+. 4 x2+. 4 x3-. 6 x4-. 6 x5… 0
3. Pinjaman rumah harus sama dengan setidaknya 50% dari pinjaman pribadi, mobil, dan rumah:
x3. 5 1 x1+x2+x3 2
atau
. 5 x1+. 5 x2-. 5 x3… 0
4. Kredit macet tidak boleh melebihi 4% dari semua pinjaman:
. 1 x 1 + . 07 x 2 + . 03 x 3 + . 05 x 4 + . 02 x 5 … . 04 1 x 1 + x 2 + x 3 + x 4 + x 5 2
atau
. 06 x 1 + . 03 x 2 - . 01 x 3 + . 01 x 4 - . 02 x 5 … 0
5. Nonnegatif:
x 1 Ú 0, x 2 Ú 0, x 3 Ú 0, x 4 Ú 0, x 5 Ú 0
Asumsi halus dalam rumusan sebelumnya adalah bahwa semua pinjaman diterbitkan pada waktu yang hampir
bersamaan. Hal ini memungkinkan kita untuk mengabaikan perbedaan nilai waktu dana yang dialokasikan untuk
pinjaman yang berbeda.
Larutan:
Solusi optimal dihitung menggunakan AMPL (file amplEx2.4-1.txt):
z = . 99648, x 1 = 0, x 2 = 0, x 3 = 7.2, x 4 = 0, x 5 = 4.8
perkataan.
1. Anda mungkin bertanya-tanya mengapa kami tidak mendefinisikan sisi kanan dari kon-
regangan sebagai .4 * 12 bukannya .4 1 x 1 + x 2 + x 3 + x 4 + x 5 2. Lagi pula, tampaknya masuk akal
bahwa bank ingin meminjamkan semua $12 juta. Jawabannya adalah penggunaan yang diberikan
dalam formulasi tidak menutup kemungkinan ini. Tetapi ada dua alasan lagi mengapa Anda tidak boleh
menggunakan .4 * 12: (1) Jika kendala lain dalam model sedemikian rupa sehingga semua $12 juta tidak
bisa digunakan (misalnya, bank dapat menetapkan batas atas pinjaman yang berbeda), maka pilihannya
. 4 * 12 dapat menyebabkan solusi yang tidak layak atau salah. (2) Jika Anda ingin
bereksperimen dengan efek perubahan dana yang tersedia (misalnya dari $12 menjadi $13
juta) pada solusi optimal, ada kemungkinan besar Anda lupa untuk mengubah .4 * 12
menjadi .4 * 13, di dalam hal ini solusinya tidak akan benar. Alasan serupa berlaku untuk sisi
kiri kendala keempat.
2. Solusi optimal membutuhkan alokasi semua $12 juta: $7,2 juta untuk pinjaman rumah dan $4,8 juta
untuk pinjaman komersial. Kategori yang tersisa tidak menerima apa pun. Pengembalian pada
investasi adalah
z . 99648
Tingkat pengembalian = = = . 08034
12 12
Ini menunjukkan bahwa tingkat pengembalian tahunan gabungan adalah 8,034%, yang kurang dari yang terbaik
bersih suku bunga 1 = 8,64% untuk pinjaman rumah 2, dan orang bertanya-tanya mengapa model tersebut tidak
memanfaatkan sepenuhnya kesempatan ini. Jawabannya adalah ketentuan bahwa pinjaman pertanian dan
komersial harus mencakup setidaknya 40% dari semua pinjaman (kendala 2) memaksa solusi untuk
mengalokasikan $ 4,8 juta untuk pinjaman komersial di tingkat yang lebih rendah. bersih tingkat 7,8%, sehingga
menurunkan tingkat bunga keseluruhan menjadi 100
12 1. 0864 * 7.2 + .078 * 4.8 2 = 8,034%. Bahkan, jika kita
menghilangkan kendala 2, optimal akan mengalokasikan semua dana untuk pinjaman rumah pada tingkat yang
lebih tinggi 8,64% (coba gunakan model AMPL!).
2.4.2 Perencanaan Produksi dan Kontrol inventaris
Ada banyak aplikasi LP di bidang perencanaan produksi dan pengendalian persediaan. Bagian ini
menyajikan tiga contoh. Yang pertama berkaitan dengan penjadwalan produksi untuk memenuhi
permintaan satu periode. Yang kedua berkaitan dengan penggunaan inventaris dalam sistem produksi
multiperiode untuk memenuhi permintaan di masa depan, dan yang ketiga berkaitan dengan
penggunaan inventaris dan perekrutan/pemecatan pekerja untuk "memuluskan" produksi di atas
cakrawala perencanaan multiperiode.
Contoh 2.4-2 (Model Produksi Satu Periode)

Sebagai persiapan untuk musim dingin, sebuah perusahaan pakaian memproduksi jaket parka dan mantel bulu
angsa, celana berinsulasi, dan sarung tangan. Semua produk diproduksi di empat departemen berbeda:
pemotongan, isolasi, menjahit, dan pengemasan. Perusahaan telah menerima pesanan pasti untuk produknya.
Kontrak menetapkan penalti untuk barang yang tidak terkirim. Merancang rencana produksi yang optimal untuk
perusahaan berdasarkan data berikut:
Waktu per unit (jam)
Departemen jaket Angsa Celana Sarung tangan Kapasitas (jam)
Pemotongan . 30 . 30 . 25 . 15 1000
isolasi . 25 . 35 . 30 . 10 1000
Jahit . 45 . 50 . 40 . 22 1000
Kemasan . 15 . 15 .1 . 05 1000
Tuntutan 800 750 600 500
Keuntungan satuan $30 $40 $20 $10
Penalti satuan $15 $20 $10 $8
Model matematika: Variabel masalah adalah sebagai berikut:
x 1 = jumlah jaket parka

x 2 = jumlah jaket angsa
x 3 = jumlah pasang celana
x 4 = jumlah pasang sarung tangan
Perusahaan dikenakan sanksi karena tidak memenuhi permintaan. Tujuannya kemudian adalah untuk memaksimalkan laba bersih, yang
didefinisikan sebagai
Laba bersih = Total laba - Total penalti
Total keuntungannya adalah 30 x 1 + 40 x 2 + 20 x 3 + 10 x 4. Untuk menghitung total penalti, kendala

permintaan dapat ditulis sebagai:
x 1 + S 1 = 800, x 2 + S 2 = 750, x 3 + S 3 = 600, x 4 + S 4 = 500,

x J Ú 0, S J Ú 0, j = 1, 2, 3, 4
variabel baru S J mewakili kekurangan permintaan produk J, dan total penalti dapat dihitung
sebagai 15 S 1 + 20 S 2 + 10 S 3 + 8 S 4. Model lengkapnya menjadi
Maksimalkan z = 30 x 1 + 40 x 2 + 20 x 3 + 10 x 4 - 1 15 S 1 + 20 S 2 + 10 S 3 + 8 S 4 2
tunduk pada
. 30 x 1 + . 30 x 2 + . 25 x 3 + . 15 x 4 … 1000
. 25 x 1 + . 35 x 2 + . 30 x 3 + . 10 x 4 … 1000
. 45 x 1 + . 50 x 2 + . 40 x 3 + . 22 x 4 … 1000
. 15 x 1 + . 15 x 2 + . 10 x 3 + . 05 x 4 … 1000
x 1 + S 1 = 800, x 2 + S 2 = 750, x 3 + S 3 = 600, x 4 + S 4 = 500

x J Ú 0, S J Ú 0, j = 1, 2, 3, 4
Larutan:
Solusi optimal (diperoleh menggunakan file amplEx2.4-2.txt) adalah z = $ 64.625, x 1 = 800, x 2 = 750,
x 3 = 387.5, x 4 = 500, S 1 = S 2 = S 4 = 0, S 3 = 212.5. Solusinya memenuhi semua permintaan untuk kedua
jenis jaket dan sarung tangan. Kekurangan 213 (dibulatkan dari 212,5) pasang celana
akan menghasilkan biaya penalti sebesar 213 * $10 = $2130.
Contoh 2.4-3 (Model Persediaan Produksi Beberapa Periode)

Acme Manufacturing Company memiliki kontrak untuk mengirimkan 100, 250, 190, 140, 220, dan 110 jendela
rumah selama 6 bulan ke depan. Biaya produksi (tenaga kerja, bahan, dan utilitas) per jendela bervariasi
menurut periode dan diperkirakan menjadi $50, $45, $55, $48, $52, dan $50 selama 6 bulan ke depan. Untuk
memanfaatkan fluktuasi biaya produksi, Acme dapat memproduksi lebih banyak jendela daripada yang
dibutuhkan pada bulan tertentu dan menahan unit tambahan untuk pengiriman di bulan-bulan berikutnya. Ini
akan menimbulkan biaya penyimpanan sebesar $8 per jendela per bulan, dinilai pada inventaris akhir bulan.
Kembangkan program linier untuk menentukan jadwal produksi yang optimal.
Model matematika: Variabel masalah meliputi jumlah produksi bulanan dan persediaan
akhir bulan. Untuk saya = 1, 2, C, 6, mari
x saya = Jumlah unit yang diproduksi dalam bulan Saya
Saya saya = Unit persediaan tersisa di akhir bulan Saya
Hubungan antara variabel-variabel ini dan permintaan bulanan selama cakrawala 6 bulan adalah
direpresentasikan secara skematis pada Gambar 2.9. Sistem mulai kosong 1 Saya 0 = 0 2.
Tujuannya adalah untuk meminimalkan total biaya produksi dan persediaan akhir bulan.
Total biaya produksi = 50 x 1 + 45 x 2 + 55 x 3 + 48 x 4 + 52 x 5 + 50 x 6

Jumlah persediaan 1 penyimpanan 2 biaya = 8 1 Saya 1 + Saya 2 + Saya 3 + Saya 4 + Saya 5 + Saya 6 2
Jadi fungsi tujuannya adalah
Memperkecil z = 50 x 1 + 45 x 2 + 55 x 3 + 48 x 4 + 52 x 5 + 50 x 6 + 8 1 Saya 1 + Saya 2 + Saya 3 + Saya 4 + Saya 5 + Saya 6 2
Kendala masalah dapat ditentukan secara langsung dari representasi dalam

Gambar 2.9. Untuk setiap periode kita memiliki persamaan keseimbangan berikut:
Persediaan awal + Jumlah produksi - Persediaan akhir Ini = Tuntutan
diterjemahkan secara matematis untuk setiap bulan sebagai

x 1 - Saya 1 = 100 1 Bulan 1 2
Saya 1 + x 2 - Saya 2 = 250 1 Bulan 2 2
Saya 2 + x 3 - Saya 3 = 190 1 Bulan 3 2
Saya 3 + x 4 - Saya 4 = 140 1 Bulan 4 2
Saya 4 + x 5 - Saya 5 = 220 1 Bulan 5 2
Saya 5 + x 6 = 110 1 Bulan 6 2
x Saya, saya = 1, 2, C, 6, Saya Saya Ú 0, saya = 1, 2, C, 5
Gambar 2.9
Representasi skematis dari sistem produksi-persediaan
x1 x2 x3 x4 x5 x6
Saya 1 Saya 2 Saya 3 Saya 4 Saya 5 Saya 6

Saya 5 0
100 250 190 140 220 110

100 440 0 140 220 110
0 0 190 0 0 0 0
100 250 190 140 220 110
Gambar 2.10
Solusi optimal dari masalah produksi-persediaan
Perhatikan bahwa persediaan awal, Saya 0, adalah nol. Juga, dalam setiap solusi optimal, persediaan akhir Saya 6
akan menjadi nol karena tidak ekonomis untuk mengeluarkan biaya penyimpanan tambahan yang tidak perlu.
Larutan:
Solusi optimal (diperoleh menggunakan file amplEx2.4-3.txt) diringkas dalam Gambar 2.10. Hal ini
menunjukkan bahwa permintaan setiap bulan dipenuhi dari produksi bulan yang sama, kecuali untuk
bulan ke-2, dimana jumlah produksinya 1 = 440 unit 2 mencakup permintaan untuk kedua bulan 2 dan 3.
Total biaya terkait adalah z = $ 49.980.
Contoh 2.4-4 (Model Pemulusan Produksi Multiperiode)

Sebuah perusahaan merencanakan pembuatan produk untuk bulan Maret, April, Mei, dan Juni tahun depan. Jumlah
permintaan masing-masing adalah 520, 720, 520, dan 620 unit. Perusahaan memiliki tenaga kerja tetap 10 karyawan
tetapi dapat memenuhi kebutuhan produksi yang berfluktuasi dengan mempekerjakan dan memecat pekerja sementara.
Biaya tambahan untuk mempekerjakan dan memecat karyawan sementara di bulan apa pun masing-masing adalah $200
dan $400. Seorang pekerja tetap menghasilkan 12 unit per bulan, dan seorang pekerja tidak tetap, yang tidak memiliki
pengalaman yang sama, menghasilkan 10 unit per bulan. Perusahaan dapat memproduksi lebih dari yang dibutuhkan
dalam setiap bulan dan membawa surplus ke bulan berikutnya dengan biaya penyimpanan $50 per unit per bulan.
Kembangkan kebijakan perekrutan/pemecatan yang optimal selama jangka waktu perencanaan 4 bulan.
Model matematika: Model ini mirip dengan Contoh 2.4-3 dalam arti bahwa setiap bulan memiliki
produksi, permintaan, dan persediaan akhir. Satu-satunya pengecualian berkaitan dengan penanganan
tenaga kerja permanen versus sementara.
Pekerja tetap (10 seluruhnya) dapat dihitung dengan mengurangkan unit yang mereka hasilkan dari
permintaan bulanan masing-masing. Permintaan yang tersisa kemudian dipenuhi melalui perekrutan dan
pemecatan sementara. Dengan demikian,
Permintaan yang tersisa untuk bulan Maret = 520 - 12 * 10 = 400 unit
Permintaan yang tersisa untuk bulan April = 720 - 12 * 10 = 600 unit
Permintaan yang tersisa untuk bulan Mei = 520 - 12 * 10 = 400 unit
Permintaan yang tersisa untuk bulan Juni = 620 - 12 * 10 = 500 unit
Variabel model untuk bulan Saya dapat didefinisikan sebagai
x saya = Jumlah bersih temps di awal bulan saya setelah setiap perekrutan atau pemecatan
S saya = Jumlah karyawan sementara yang dipekerjakan atau dipecat pada awal
bulan saya saya saya = Unit persediaan akhir untuk bulan Saya
Menurut definisi, x Saya dan Saya Saya nonnegatif, sedangkan S Saya adalah tanda tidak terbatas karena sama dengan jumlah pekerja
yang dipekerjakan atau dipecat dalam sebulan Saya. Ini adalah contoh pertama dalam bab ini menggunakan an
variabel tak terbatas. Seperti yang akan kita lihat sebentar lagi, substitusi khusus diperlukan untuk memungkinkan
penerapan perekrutan dan pemecatan dalam model.
Dalam model ini, pengembangan fungsi tujuan memerlukan konstruksi kendala
pertama. Jumlah unit yang diproduksi dalam sebulan Saya oleh x Saya suhu 10 x Saya. Dengan demikian, kami memiliki yang berikut ini
kendala persediaan:
10 x 1 = 400 + Saya 1 1 berbaris 2
Saya 1 + 10 x 2 = 600 + Saya 2 1
Saya 2 + 10 x 3 = 400 + Saya 3 1 Mungkin 2
Saya 3 + 10 x 4 = 500 1 Juni

April22
x 1, x 2, x 3, x 4 Ú 0, Saya 1, Saya 2, Saya 3 Ú 0
Untuk perekrutan dan pemecatan, tenaga kerja temporer dimulai dengan x 1 pekerja pada awal Maret. Pada
awal April, x 1 akan disesuaikan (naik atau turun) oleh S 2 suhu untuk menghasilkan x 2. Ide yang sama berlaku
untuk x 3 dan x 4, sehingga menghasilkan persamaan kendala berikut:
x1=S1
x2=x1+S2
x3=x2+S3
x4=x3+S4
S 1, S 2, S 3, S 4 tanda tidak terbatas
x 1, x 2, x 3, x 4 Ú 0
Selanjutnya, kami mengembangkan fungsi tujuan. Tujuannya adalah untuk meminimalkan biaya persediaan ditambah biaya
perekrutan dan pemecatan. Seperti pada Contoh 2.4-3,
Biaya penyimpanan persediaan = 50 1 Saya 1 + Saya 2 + Saya 3 2
Mod
adalah $200 dan $400,
Biaya perekrutan B masing-masing, kami memiliki

= 200
A eling biaya perekrutan dan pemecatan disewa
A Jumlahsedikit suhu
terlibat. b + 400biaya
Mengingat A Jumlah dipecat
perekrutan suhu Bsementara
dan pemecatan
dan menembak pada awal setiap bulan pada awal setiap bulan
Jika variabel S Saya positif, perekrutan berlangsung di bulan Saya. Jika negatif, maka terjadi penembakan. Penilaian
“kualitatif” ini dapat diterjemahkan secara matematis dengan menggunakan substitusi
S saya = S -Saya - S+Saya , di mana S-Saya , S+Saya Ú 0
Variabel tak terbatas S Saya sekarang perbedaan antara dua variabel non-negatif
S-Saya dan S+Saya . Kita bisa memikirkan S-Saya sebagai jumlah temps yang disewa dan S+ Saya sebagai nomor yang ditembakkan. Untuk
contoh, jika S-saya = 5 dan S+saya = 0, maka S saya = 5 - 0 = + 5, yang mewakili perekrutan. Jika S- saya = 0 dan
S+saya = 7, maka S saya = 0 - 7 = - 7, yang mewakili penembakan. Dalam kasus pertama, yang sesuai
biaya sewa 200 S- saya = 200
* 5 = $1000, dan dalam kasus kedua, biaya yang sesuai untuk
menembak adalah 400 S+
saya = 400
* 7 = $2800.
Substitusi S saya = S- - S+ Saya Saya adalah dasar untuk pengembangan biaya perekrutan dan pemecatan.
Pertama kita perlu menjawab pertanyaan yang mungkin: Bagaimana jika keduanya? S- Saya dan S+Saya positif? Jawabannya adalah
bahwa ini tidak dapat terjadi karena ini menyiratkan perekrutan dan pemecatan di bulan yang sama. Menariknya,
teori LP (lihat Bab 7) memberi tahu kita bahwa S- dan
SayaS+ Saya tidak bisa positif secara bersamaan, a
hasil matematika yang menegaskan intuisi.
Kami sekarang dapat menulis total biaya perekrutan dan pemecatan sebagai
1 + S-2 +
1 S-
Biaya perekrutan = 200 S -3 + S-4 2
Biaya menembak = 400 1 S+ 1 + S+2 + S+3 + S +4 2
Tampaknya perlu untuk menambahkan ke z jumlah 400 x 4 mewakili biaya akhir-horizon-
penembakan x 4 temporer Dari sudut pandang optimasi, faktor ini diperhitungkan oleh
kehadiran dari S+4 dalam fungsi tujuan. Oleh karena itu optimal tidak akan berubah, kecuali untuk menggembungkan
optimal z oleh 400 x 4 ( Cobalah!).
Model lengkapnya adalah sebagai berikut:
Memperkecil z = 50 1 Saya 1 + Saya 2 + Saya 3 2 + 200 1 S- 1+ S- 2+ S -3 + S- 42 + 400 1 S+1 + S +2 + S +3 + S +42

tunduk pada
10 x 1 = 400 + Saya 1
Saya 1 + 10 x 2 = 600 + Saya 2
Saya 2 + 10 x 3 = 400 + Saya 3
Saya 3 + 10 x 4 = 500
x 1 = -S- 1 S+1
x2=x1+ S 2- - S +2
x3=x2+ S -3 - S+3
x 4 = x 3 + S -4 - S +4
S-,1 S+1 -S2 , S+,2 S 3- , S+, -
3 S 4 , S+4 Ú 0
x 1, x 2, x 3, x 4 Ú 0
Saya 1, Saya 2, Saya 3 Ú 0
Larutan:
Solusi optimal (diperoleh menggunakan file amplEx2.4-4.txt) adalah z = $ 19, 500, x 1 = 50, x 2 = 50,
x 2 = 50, x 3 = 45, x 4 = 45, S- 1 = 50, S+ 3 = 5, Saya 1 = 100, Saya 3 = 50. Semua variabel yang tersisa
adalah nol. Solusinya adalah mempekerjakan 50 karyawan sementara di bulan Maret 1 S- 1 = 50 2 dan menahan tenaga kerja
stabil sampai Mei ketika lima temps dipecat 1 S+ 3 = 5 2. Tidak ada perekrutan atau pemecatan lebih lanjut yang direkomendasikan
sampai akhir Juni, ketika, mungkin, semua temps dihentikan. Solusi ini membutuhkan 100 unit
persediaan untuk dibawa ke Mei dan 50 unit untuk dibawa ke Juni.
2.4.3 Perencanaan tenaga kerja
Aplikasi Kehidupan Nyata—Perencanaan Tenaga Penjualan Telepon

di Qantas Airways
Maskapai penerbangan Australia Qantas mengoperasikan kantor reservasi utamanya dari pukul 7:00 hingga 22:00 menggunakan
enam shift yang dimulai pada waktu yang berbeda dalam sehari. Qantas menggunakan LP (dengan tertanam
analisis antrian) kepada staf kantor reservasi penjualan telepon utamanya secara efisien sambil
memberikan layanan yang nyaman kepada pelanggannya. Penelitian, yang dilakukan pada akhir
1970-an, menghasilkan penghematan tahunan lebih dari 200.000 dolar Australia per tahun. Studi
ini dirinci dalam Kasus 15, Bab 26, di situs web.
Fluktuasi dalam angkatan kerja untuk memenuhi permintaan variabel dari waktu ke waktu
dapat dicapai melalui proses perekrutan dan pemecatan, seperti yang ditunjukkan pada Contoh
2.4-4. Ada situasi di mana efek fluktuasi permintaan dapat "diserap" dengan menyesuaikan waktu
mulai dan berakhirnya shift kerja. Misalnya, alih-alih mengikuti tiga shift 8 jam tradisional pada
jam 8:00, 15:00, dan 23:00, kita dapat menggunakan shift 8 jam yang tumpang tindih di mana
waktu mulai masing-masing dibuat dalam menanggapi kenaikan atau penurunan permintaan.
Gagasan untuk mendefinisikan ulang awal pergeseran untuk mengakomodasi fluktuasi

permintaan dapat diperluas ke lingkungan operasi lain juga. Contoh 2.4-5 berkaitan dengan
penentuan jumlah minimum bus yang dibutuhkan untuk memenuhi kebutuhan transportasi pada
jam sibuk dan tidak pada jam kerja.
Contoh 2.4-5 (Model Penjadwalan Bus)

Progress City sedang mempelajari kelayakan memperkenalkan sistem bus angkutan massal untuk mengurangi
mengemudi di dalam kota. Studi ini mencari jumlah minimum bus yang dapat menangani kebutuhan
transportasi. Setelah mengumpulkan informasi yang diperlukan, insinyur kota memperhatikan bahwa jumlah
minimum bus yang dibutuhkan berfluktuasi dengan waktu dalam sehari, dan bahwa jumlah bus yang
dibutuhkan dapat diperkirakan dengan nilai konstan selama interval 4 jam berturut-turut. Gambar 2.11
merangkum temuan insinyur. Untuk melakukan perawatan harian yang diperlukan, setiap bus hanya dapat
beroperasi 8 jam berturut-turut dalam sehari.
Model matematika: Variabel model adalah jumlah bus yang dibutuhkan dalam setiap shift, dan
kendalanya adalah memenuhi permintaan. Tujuannya adalah untuk meminimalkan jumlah bus
yang beroperasi.
Definisi variabel yang dinyatakan agak “tidak jelas.” Kita tahu bahwa setiap bus akan berjalan
selama 8 jam berturut-turut, tetapi kita tidak tahu kapan shift harus dimulai. Jika kita mengikuti jadwal
tiga shift normal (8:01 hingga 16:00, 16:01 hingga 12:00 tengah malam, dan 12:01 hingga 8:00)
dan asumsikan bahwa x 1, x 2, dan x 3 adalah jumlah bus yang berangkat pada shift pertama, kedua, dan
ketiga, dapat kita lihat pada Gambar 2.11 bahwa x 1 Ú 10, x 2 Ú 12, dan x 3 Ú 8. Minimum yang sesuai
jumlah bus harian adalah x 1 + x 2 + x 3 = 10 + 12 + 8 = 30.
Solusi yang diberikan hanya dapat diterima jika pergeseran harus bertepatan dengan tiga-
jadwal shift. Namun, mungkin menguntungkan untuk mengizinkan proses pengoptimalan untuk memilih waktu
mulai "terbaik" untuk sebuah shift. Cara yang masuk akal untuk mencapai tujuan ini adalah dengan mengizinkan
shift dimulai setiap 4 jam. Bagian bawah Gambar 2.11 mengilustrasikan gagasan ini dengan shift 8 jam yang
tumpang tindih mulai pukul 12:01, 4:01, 08:01, 12:01, 16:01, dan 20:01 Dengan demikian, variabel didefinisikan
sebagai
x 1 = jumlah bus mulai pukul 12:01

12
12
10
8
Jumlah bus
8 7
4 4
4
12:00 4:00 8:00 12:00 4:00 8:00 12:00

NS Siang Tengah malam
x1
x2
x3
x4
x5
x6
Gambar 2.11
Jumlah bus sebagai fungsi waktu dalam sehari

Kita dapat melihat dari Gambar 2.11 bahwa karena tumpang tindih shift, jumlah bus untuk periode
4 jam berturut-turut dapat dihitung sebagai berikut:
Jangka waktu Jumlah bus yang beroperasi
12:01 hingga 4:00 pagi x1+x6

4:01 hingga 8:00 pagi x1+x2
8:01 hingga 12:00 siang x2+x3
12:01 hingga 16:00 x3+x4
16:01 hingga 20:00 8:01 x4+x5
hingga 12:00 pagi x5+x6
Model lengkapnya menjadi
Memperkecil z = x 1 + x 2 + x 3 + x 4 + x 5 + x 6
tunduk pada
x1 + x 6 Ú 4 (12:01–4:00)
x1+x2 Ú 8 (04:01–8:00)
x2+x3 Ú 10 (8:01-12:00 siang)

x3+x4 Ú 7 (12:01–4:00 sore)
x4+x5 Ú 12 (16:01 – 20:00)

x 5 + x 6 Ú 4 (8:01-12:00)
x J Ú 0, j = 1, 2, C, 6
Larutan:
Solusi optimal (diperoleh menggunakan file amplEx2.4-5.txt, solverEx2.4-5.xls, atau toraEx2.4-5.txt)
panggilan untuk penjadwalan 26 bus (dibandingkan dengan 30 bus ketika tiga shift tradisional adalah
digunakan). Jadwalnya meminta x 1 = 4 bus mulai pukul 12:01, x 2 = 10 pada 04:01, x 4 = 8 pada 12:01,
dan x 5 = 4 pada 16:01 (T catatan: Mengajukan solverEx2.4-5.xls menghasilkan alternatif optimal
x 1 = 2, x 2 = 6, x 3 = 4, x 4 = 6, x 5 = 6, dan x 6 = 2, dengan z = 26.)
2.4.4 Perencanaan pembangunan kota 6
Perencanaan kota berkaitan dengan tiga bidang umum: (1) pembangunan perumahan baru,
(2) memperbaiki perumahan dan tempat rekreasi yang rusak di dalam kota, dan (3) merencanakan
fasilitas umum (seperti sekolah dan bandara). Kendala yang terkait dengan proyek-proyek ini adalah
ekonomi (lahan, konstruksi, dan pembiayaan) dan sosial (sekolah, taman, dan tingkat pendapatan).
Tujuan dalam perencanaan kota berbeda-beda. Dalam pembangunan perumahan baru, keuntungan
biasanya menjadi motif untuk menjalankan proyek tersebut. Dalam dua kategori yang tersisa, tujuan
melibatkan pertimbangan sosial, politik, ekonomi, dan budaya. Memang, dalam kasus yang
dipublikasikan pada tahun 2004, walikota sebuah kota di Ohio ingin mengutuk area tua kota untuk
membuka jalan bagi pembangunan perumahan mewah. Motifnya adalah untuk meningkatkan
pengumpulan pajak untuk membantu mengurangi kekurangan anggaran. Contoh yang disajikan dalam
bagian ini dibuat menurut kasus Ohio.
Contoh 2.4-6 (Model Pembaruan perkotaan)
Kota Erstville menghadapi kekurangan anggaran yang parah. Mencari solusi jangka panjang, dewan kota
memutuskan untuk meningkatkan basis pajak dengan mengutuk kawasan perumahan dalam kota dan
menggantinya dengan pembangunan modern.
Proyek ini melibatkan dua fase: (1) menghancurkan rumah-rumah di bawah standar untuk menyediakan lahan bagi
pembangunan baru dan (2) membangun pembangunan baru. Berikut ini adalah ringkasan situasinya.
1. Sebanyak 300 rumah di bawah standar bisa dibongkar. Setiap rumah menempati tanah seluas 0,25 hektar. Biaya
untuk menghancurkan rumah yang dikutuk adalah $2000.
2. Ukuran lot untuk rumah (unit) single, double, triple, dan quadruple-family baru adalah .18, .28,
. 4, dan 0,5 hektar, masing-masing. Jalan, ruang terbuka, dan kemudahan utilitas menyumbang 15% dari
luas yang tersedia.
6 Bagian ini didasarkan pada Laidlaw (1972).

3. Dalam pengembangan baru, unit triple dan quadruple menyumbang setidaknya 25% dari total. Unit
tunggal harus minimal 20% dari semua unit, dan unit ganda minimal 10%.
4. Pajak yang dikenakan per unit untuk unit tunggal, ganda, rangkap tiga, dan empat kali lipat masing-masing adalah $1000,
$1900, $2700, dan $3400.
5. Biaya konstruksi per unit untuk rumah keluarga tunggal, ganda, rangkap tiga, dan empat kali lipat masing-
masing adalah $50.000, $70.000, $130.000, dan $160.000.
6. Pembiayaan melalui bank lokal dibatasi hingga $15 juta.
Berapa unit masing-masing jenis harus dibangun untuk memaksimalkan pengumpulan pajak?
Model matematika: Selain menentukan jumlah unit setiap tipe rumah yang akan dibangun, kita juga
perlu menentukan berapa rumah yang harus dibongkar untuk memberi ruang bagi pembangunan baru.
Dengan demikian, variabel masalah dapat didefinisikan sebagai berikut:
x 1 = Jumlah unit rumah tunggal@keluarga

x 2 = Jumlah unit dobel@ rumah keluarga
x 3 = Jumlah unit rumah triple@family
x 4 = Jumlah unit quadruple@family home
x 5 = Jumlah rumah terkutuk yang akan dibongkar
Tujuannya adalah untuk memaksimalkan total pengumpulan pajak dari keempat jenis rumah—yaitu,
Maks A meniru z = 1000 x 1 + 1900 x 2 + 2700 x 3 + 3400 x 4
Kendala pertama masalah ini berkaitan dengan ketersediaan lahan.
Tanah bekas pakai baru B … A Bersih tersedia B

areal pembangunan rumah
Dari data masalah, kami memiliki
Areal yang dibutuhkan untuk rumah baru = .18 x 1 + . 28 x 2 + . 4 x 3 + . 5 x 4
Untuk menentukan areal yang tersedia, setiap rumah yang dibongkar menempati sebidang tanah seluas .25 acre, dengan demikian jaring
. 25 x 5 hektar. Memungkinkan 15% ruang terbuka, jalan, dan kemudahan, luas bersih yang tersedia adalah
. 85 1. 25 x 5 2 = . 2125 x 5. kendala yang dihasilkan adalah
. 18 x 1 + . 28 x 2 + . 4 x 3 + . 5 x 4 … . 2125 x 5
atau
. 18 x 1 + . 28 x 2 + . 4 x 3 + . 5 x 4 - . 2125 x 5 … 0
Jumlah rumah yang dihancurkan tidak boleh melebihi 300, yang berarti
x 5 … 300
Selanjutnya, kami menambahkan kendala 1 T 1 s membatasi jumlah unit setiap tipe rumah.
Jumlah unit tunggal 2 Ú 1 20% dari semua unit 2
Jumlah unit ganda 2 Ú 1 10% dari semua unit 2
1 Jumlah unit rangkap tiga dan empat kali lipat 2 Ú 1 25% dari semua unit 2
Batasan ini diterjemahkan secara matematis menjadi
x1. 2 1 x1+x2+x3+x4 2
x2. 1 1 x1+x2+x3+x4 2
x 3 + x 4 . 25 1 x 1 + x 2 + x 3 + x 4 2
Satu-satunya kendala yang tersisa berkaitan dengan menjaga biaya pembongkaran/konstruksi dalam anggaran
yang diizinkan—
Kontra
1 itu 1 biaya
adalah, konstruksi dan pembongkaran 2 … 1 Anggaran yang tersedia 2
Mengekspresikan semua biaya dalam ribuan dolar, kita dapatkan
50 x 1 + 70 x 2 + 130 x 3 + 160 x 4 2 + 2 x 5 … 15000
Model lengkapnya menjadi
Maksimalkan z = 1000 x 1 + 1900 x 2 + 2700 x 3 + 3400 x 4
tunduk pada
. 18 x 1 + . 28 x 2 + . 4 x3+ . 5 x 4 - . 2125 x 5 … 0
x 5 … 300
- . 8 x1+. 2 x2+ . 2 x3+ . 2 x4 …0
. 1 x1-. 9 x2+ . 1 x3+ . 1 x4 …0
. 25 x 1 + . 25 x 2 - . 75 x 3 - . 75 x 4 …0
50 x 1 + 70 x 2 + 130 x 3 + 160 x 4 + 2 x 5 … 15000
x 1, x 2, x 3, x 4, x 5 Ú 0
Larutan:
Solusi optimal (diperoleh menggunakan file amplEX2.4-6.txt atau solverEx2.4-6.xls) adalah
Total pemungutan pajak = z = $ 343, 965

Jumlah rumah tunggal = x 1 = 35.83 ≃ 36 unit Jumlah
rumah ganda = x 2 = 98,53 ≃ 99 unit Jumlah rumah
rangkap tiga = x 3 = 44,79 ≃ 45 unit Jumlah rumah empat
kali lipat = x 4 = 0 unit Jumlah rumah yang dibongkar = x 5 =
244.49 ≃ 245 unit
perkataan. Pemrograman linier tidak secara otomatis menjamin solusi bilangan bulat, dan inilah
alasan pembulatan nilai kontinu ke bilangan bulat terdekat. Solusi bulat membutuhkan konstruksi
180 1 = 36 + 99 + 45 2 unit dan menghancurkan 245 rumah tua, yang menghasilkan $345.600
pajak. Namun, perlu diingat bahwa, secara umum, solusi yang dibulatkan mungkin tidak layak.
Faktanya, solusi bulat saat ini melanggar batasan anggaran sebesar $70.000 (verifikasi!).
Menariknya, solusi bilangan bulat optimal yang sebenarnya (menggunakan algoritma dalam Bab 9)
adalah x 1 = 36, x 2 = 98, x 3 = 45, x 4 = 0, dan x 5 = 245 dengan z = $ 343.700. Perhatikan dengan cermat bahwa solusi
yang dibulatkan menghasilkan nilai objektif yang lebih baik, yang tampaknya kontradiktif. Alasannya adalah
bahwa solusi yang dibulatkan membutuhkan produksi rumah ganda ekstra, yang hanya dapat dilakukan jika
anggaran ditingkatkan sebesar $70.000.
2.4.5 pencampuran dan Pemurnian
Sejumlah aplikasi LP berurusan dengan pencampuran bahan masukan yang berbeda untuk
memproduksi produk yang memenuhi spesifikasi tertentu sambil meminimalkan biaya atau
memaksimalkan keuntungan. Bahan masukan dapat berupa bijih, potongan logam, bahan kimia, atau
minyak mentah, dan produk keluaran dapat berupa batangan logam, cat, atau bensin dari berbagai
tingkatan. Bagian ini menyajikan model (disederhanakan) untuk penyulingan minyak. Prosesnya dimulai
dengan penyulingan minyak mentah untuk menghasilkan stok bensin antara, dan kemudian mencampur
stok ini untuk menghasilkan produk bensin akhir. Produk akhir harus memenuhi spesifikasi kualitas
tertentu (seperti nilai oktan). Selain itu, kapasitas distilasi dan batas permintaan dapat secara langsung
mempengaruhi tingkat produksi berbagai kadar bensin. Salah satu tujuan dari model ini adalah untuk
menentukan bauran produk akhir yang optimal yang akan memaksimalkan fungsi keuntungan yang
sesuai. Dalam beberapa kasus, tujuannya mungkin untuk meminimalkan fungsi biaya.
Contoh 2.4-7 (Pemurnian minyak mentah dan pencampuran Bensin)
Shale Oil, yang terletak di pulau Aruba, memiliki kapasitas 1.500.000 bbl minyak mentah per hari. NS
F 1 Produk akhir dari kilang tersebut meliputi tiga jenis bensin tanpa timbal dengan oktan yang berbeda
angka (ON): reguler dengan ON = 87, premium dengan ON = 89, dan super dengan ON = 92.
Proses pemurnian meliputi tiga tahap: (1) menara distilasi yang menghasilkan bahan baku
AKTIF = 82 2 pada tingkat .2 bbl per bbl minyak mentah, (2) unit cracker yang menghasilkan bensin
persediaan 1 AKTIF = 98 2 dengan menggunakan sebagian bahan baku yang dihasilkan dari
menara distilasi dengan laju 0,5 bbl per bbl bahan baku, dan (3) unit blender yang mencampur
stok bensin dari unit cracker dan bahan baku dari menara distilasi. Perusahaan memperkirakan
laba bersih per barel dari ketiga jenis bensin menjadi $6,70, $7,20, dan $8,10. Kapasitas input unit
cracker adalah 200.000 bbl bahan baku sehari. Batas permintaan untuk bensin reguler, premium,
dan super masing-masing adalah 50.000, 30.000, dan 40.000 bbl, per hari. Mengembangkan
model untuk menentukan jadwal produksi optimal untuk kilang.
Model matematika: Gambar 2.12 merangkum elemen-elemen model. Variabel dapat

didefinisikan dalam dua aliran input ke blender (bahan baku dan bensin cracker) dan tiga
produk akhir. Membiarkan
x ij = bbl/hari aliran input Saya digunakan untuk memadukan produk akhir j, saya = 1, 2; j = 1, 2, 3
Gambar 2.12
Aliran produk dalam masalah kilang
1:1
x 11 1 x 12 1 x 13
x 11 1 x 21, PADA 5 87
PADA 5 82
blender
5:1 2:1 x 12 1 x 22, PADA 5 89
Mentah x 21 1 x 22 1 x 23
Distilasi kerupuk x 13 1 x 23, PADA 5 92
PADA 5 82 PADA 5 98
Memberi makan-
persediaan
Dengan menggunakan definisi ini, kita memiliki
Produksi harian bensin reguler = x 11 + x 21 bbl/hari

Produksi harian bensin premium = x 12 + x 22 bbl/hari
Sehari-hari A produksi su B per g A asolin = x 13 b+ x 23 A bbl/hari
Keluaran harian Sehari-hari premium Sehari-hari super

= B+ A B
unit blender b = produksi produksi produksi
x x
11 + 21reg
1 Sehari-hari x
+ 212 x
ular
+ 1 22
+ + x 13 2 1 + x 23 2 bbl/hari
Bahan baku harian b =
A x 11 + x 12 + x 13 bbl/hari
untuk blender
D A unit kerupuk aily b =

A x2+1x1+ x2223 bbl/hari
masukan ke blender
Bahan baku harian

= 2 x 21 + x 22 + x23
2 bbl/hari
ke kerupuk
Minyak mentah harian yang digunakan b =

A x + x +12x 2 + 13
5 1 11 10 1 x 21 + x 22 + x23
2 bbl/hari
di kilang
Tujuan dari mode 1 l adalah untuk memaksimalkan total keuntungan yang dihasilkan dari penjualan semua
tiga kelas bensin. Dari definisi yang diberikan sebelumnya, kita mendapatkan
Maksimalkan z = 6.70 x 11 + x 21 2 + 7.20 1 x 12 + x 22 2 + 8.10 1 x 13 + x 23 2
Batasan masalah dikembangkan sebagai berikut:
1. Sup minyak mentah harian 1 lapis tidak melebihi 2 ed 1,50 1 0,000 bbl/hari:
5 x 11 + x 12 + 1 x 13 + 10 x 21 + x 22 + x 23 2 … 1.500.000
2. Kapasitas input unit cracker tidak melebihi 200,0
2 x 21 + x 22 + x 23 2 00 bbl/hari:
… 200.000
3. Permintaan harian untuk reguler tidak melebihi 50.000 bbl:
x 11 + x 21 … 50.000
4. Permintaan harian untuk premium tidak melebihi 30.000 bbl:
x 12 + x 22 … 30.000
5. Permintaan harian untuk super tidak melebihi 40.000 bbl:
x 13 + x 23 … 40.000
6. Angka oktan (ON) untuk reguler minimal 87:
Angka oktan produk bensin adalah rata-rata tertimbang dari angka oktan dari aliran input yang
digunakan dalam proses pencampuran dan dapat dihitung sebagai
A Rata-rata AKTIF dari b =

bensin biasa
Bahan baku AKTIF * bahan baku bbl/hari + Unit kerupuk ON * Unit kerupuk bbl/hari
Total bbl/hari bensin biasa 82 x
11 + 98 x 21
=
x 11 + x 21
Dengan demikian, batasan bilangan oktan untuk bensin biasa menjadi
82 x 11 + 98 x 21 Ú 87
x 11 + x 21
Batasannya dilinierkan sebagai
1 11 + x 21
82 x 11 + 98 x 21 Ú 87 x 2
7. Angka oktan untuk premium minimal 89:
82 x 12 + 98 x 22 Ú 89
x 12 + x 22
yang dilinierkan sebagai
1 12 + x 22
82 x 12 + 98 x 22 Ú 89 x 2
8. Angka oktan untuk super minimal 92:
82 x 13 + 98 x 23 Ú 92
x 13 + x 23
atau
1 13 + x 23
82 x 13 + 98 x 23 Ú 92 x 2
Model lengkap dengan demikian diringkas sebagai
Maksimalkan z = 6.70 1 x 11 + x 21 2 + 7.20 1 x 12 + x 22 2 + 8.10 1 x 13 + x 23 2
tunduk pada
5 1 x 11 + x 12 + x 13 2 + 10 1 x 21 + x 22 + x 23 2 … 1.500.000
2 1 x 21 + x 22 + x 23 2 … 200.000
x 11 + x 21 … 50.000
x 12 + x 22 … 30.000
x 13 + x 23 … 40.000
82 x 11 + 98 x 21 Ú 87 1 x 11 + x 21 2
82 x 12 + 98 x 22 Ú 89 1 x 12 + x 22 2
82 x 13 + 98 x 23 Ú 92 1 x 13 + x 23 2
x 11, x 12, x 13, x 21, x 22, x 23 Ú 0
Tiga kendala terakhir dapat disederhanakan untuk menghasilkan ruas kanan yang konstan.
Larutan:
Solusi optimal (diperoleh menggunakan file toraEx2.4-7.txt atau amplEx2.4-7.txt) adalah z = 875.000,
x 11 = 34.375, x 21 = 15.625, x 12 = 16.875, x 22 = 13.125, x 13 = 15.000, x 23 = 25.000. Ini diterjemahkan
menjadi
Keuntungan harian = $875.000

Jumlah harian bensin biasa = x 11 + x 21 = 34.375 + 13.125 = 30.000 bbl/hari Jumlah
harian bensin premium = x 12 + x 22 = 16.875 + 13.125 = 30.000 bbl/hari Jumlah bensin
super harian = x 13 + x 23 = 15.000 + 25.000 = 40.000 bbl/hari
Solusinya menunjukkan bahwa produksi bensin reguler kurang dari 20.000 bbl/hari untuk
memenuhi permintaan maksimum. Permintaan untuk dua kelas yang tersisa dipenuhi.
2.4.6 Aplikasi LP Tambahan

Bagian sebelumnya telah mendemonstrasikan aplikasi LP representatif di lima area. Soal
2-77 hingga 2-87 memberikan area penerapan tambahan, mulai dari pertanian hingga
militer.
bibliografi
Dantzig, G. dan M. Thapa, Pemrograman Linier 1: Pendahuluan, Springer, New York, 1997.
Fourer, R., D. Gay, dan B. Kernighan, AMPL,AModeling Language for Mathematical Program-
ming, 2nd ed., Brooks/Cole-Thomson, Pacific Grove, CA, 2003.
Laidlaw, C. Pemrograman Linier untuk Evaluasi Rencana Pembangunan Perkotaan, Praeger, London,
1972.
Lewis, T., "Riset Operasi Pribadi: Berlatih OR pada Diri Sendiri," Antarmuka, Jil. 26, Nomor 5,
hlm. 34–41, 1996.
Shepard, R., D. Hartley, P. Hasman, L. Thorpe, dan M. Bathe, Riset Operasi Terapan,
Pleno Press, New York, 1988.
Stark,R., dan R.Nicholes, Yayasan Pemrograman Matematika untuk Desain: Teknik Sipil
Sistem, McGraw-Hill, New York, 1972.
MASALAH
Bagian Masalah yang Ditugaskan Bagian Masalah yang Ditugaskan
2.1 2-1 hingga 2-4 2.4.2 2-47 hingga 2-54
2.2.1 2-5 hingga 2-27 2.4.3 2-55 hingga 2-60

2.2.2 2-28 hingga 2-35 2.4.4 2-61 hingga 2-66
2.3.1 2-36 hingga 2-37 2.4.5 2-67 hingga 2-76
2.3.2 2-38 hingga 2-39 2.4.6 2-77 hingga 2-87
2.4.1 2-40 hingga 2-46

Masalah 77
2-1. Untuk model Reddy Mikks, buatlah setiap kendala berikut, dan nyatakan:
dengan sisi kiri linier dan sisi kanan konstan:
* (A) Permintaan harian untuk cat interior melebihi kebutuhan cat eksterior oleh: paling sedikit 1 ton.
(B) Penggunaan bahan baku sehari-hari M 1 dalam ton adalah paling banyak 8 dan paling sedikit 5.
* (C) Permintaan cat eksterior tidak boleh kurang dari permintaan cat interior.
(D) Jumlah maksimum yang harus diproduksi untuk cat interior dan eksterior
adalah 15 ton.
* (e) Proporsi cat eksterior terhadap total produksi cat interior dan eksterior tidak boleh
melebihi 0,5.
2-2. Tentukan yang terbaik bisa dilakukan solusi di antara solusi berikut (layak dan tidak layak)
dari model Reddy Mikks:
(A) x 1 = 1, x 2 = 2.
(B) x 1 = 3, x 2 = 1.
(C) x 1 = 3, x 2 = 1.5.
(D) x 1 = 2, x 2 = 1.
(e) x 1 = 2, x 2 = - 1.
* 2-3. Untuk solusi yang layak x 1 = 1, x 2 = 2 dari model Reddy Mikks, tentukan jumlah
bahan baku yang tidak terpakai M 1 dan M 2.
2-4. Misalkan ReddyMikks menjual cat eksteriornya ke grosir tunggal dengan diskon kuantitas.
Keuntungan per ton adalah $5000 jika kontraktor membeli nomore dari 5 ton setiap hari dan $4300
sebaliknya. Nyatakan fungsi tujuan secara matematis. Apakah fungsi yang dihasilkan linier?
2-5. Tentukan ruang fisibel untuk setiap kendala bebas berikut, diberikan:
itu x 1, x 2 Ú 0.
* (A) - 3 x 1 + x 2 … 6.
(B) x 1 - 2 x 2 Ú 5.
(C) 2 x 1 - 3 x 2 … 12.
(D) x 1 - x 2 … 0.
* (e) - x 1 + x 2 Ú 0.
2-6. Tentukan arah kenaikan z dalam setiap kasus berikut:
* (A) Maksimalkan z = x 1 - x 2.
(B) Maksimalkan z = - 8 x 1 - 3 x 2.
(C) Maksimalkan z = -x 1 + 3 x 2.
* (D) Maksimalkan z = - 3 x 1 + x 2.
2-7. Tentukan ruang solusi dan solusi optimum model Reddy Mikks untuk
setiap perubahan independen berikut:
(A) Permintaan harian maksimum untuk cat interior adalah 1,9 ton dan untuk cat eksterior
paling banyak 2,5 ton.
(B) Kebutuhan harian cat interior minimal 2,5 ton.
(C) Permintaan harian untuk cat interior tepat 1 ton lebih tinggi dari cat eksterior.
(D) Ketersediaan bahan baku harian M 1 setidaknya 24 ton.
(e) Ketersediaan bahan baku harian M 1 setidaknya 24 ton, dan permintaan harian untuk
cat interior melebihi permintaan cat eksterior setidaknya 1 ton.
2-8. Sebuah perusahaan yang beroperasi 10 jam sehari memproduksi dua produk pada tiga urutan
proses. Tabel berikut merangkum data masalah:
Menit per unit
Produk Proses 1 Proses 2 Proses 3 Keuntungan satuan
1 10 6 8 $20
2 5 20 10 $30
Tentukan campuran optimal dari kedua produk tersebut.

* 2-9. Sebuah perusahaan menghasilkan dua produk, A dan B. Volume penjualan untuk A setidaknya 80% dari
total penjualan keduanya A dan B. Namun, perusahaan tidak dapat menjual lebih dari 110 unit
A per hari. Kedua produk menggunakan satu bahan baku, dimana ketersediaan harian maksimum
adalah 300 lb. Tingkat penggunaan bahan baku adalah 2 lb per unit A, dan 4 lb per unit B.
Satuan keuntungan untuk A dan B masing-masing adalah $40 dan $90. Menentukan bauran produk yang
optimal bagi perusahaan.
2-10. Alumco memproduksi aluminium sheet dan aluminium bar.Produksi maksimal
kapasitas diperkirakan 800 lembar atau 600 batang per hari. Permintaan harian maksimum adalah 550
lembar dan 560 batang. Keuntungan per ton adalah $40 per lembar dan $35 per batang. Tentukan
bauran produksi harian yang optimal.
* 2-11. Seorang individu ingin menginvestasikan $5000 selama tahun depan dalam dua jenis investasi:
Investasi A menghasilkan 5%, dan investasi B menghasilkan 8%. Riset pasar merekomendasikan
alokasi setidaknya 25% dalam A dan paling banyak 50% di B. Apalagi investasi di A
harus setidaknya setengah dari investasi di B. Bagaimana seharusnya dana tersebut dialokasikan untuk
kedua investasi tersebut?
2-12. Divisi Pendidikan Berkelanjutan di Ozark Community College menawarkan total:
30 mata kuliah setiap semester. Kursus yang ditawarkan biasanya terdiri dari dua jenis: praktis
dan humanistik. Untuk memenuhi tuntutan masyarakat, setidaknya 10 mata kuliah dari setiap
jenis harus ditawarkan setiap semester. Divisi memperkirakan bahwa pendapatan dari
penawaran kursus praktis dan humanistik masing-masing sekitar $1500 dan $1000 per kursus.
(A) Rancang penawaran kursus yang optimal untuk perguruan tinggi.
(B) Tunjukkan bahwa nilai per kursus tambahan adalah $1500, yang sama dengan
pendapatan per kursus praktik. Apa arti hasil ini dalam hal menawarkan kursus
tambahan?
2-13. ChemLabs menggunakan bahan baku Saya dan II untuk menghasilkan dua larutan pembersih rumah tangga, A dan
B. Ketersediaan bahan baku harian Saya dan II masing-masing adalah 150 dan 145 unit.
Satu unit larutan A mengkonsumsi .5 unit bahan baku Saya dan .6 unit bahan baku II.
Satu unit larutan B menggunakan .5 unit bahan baku Saya dan .4 unit bahan baku II.
Keuntungan per unit solusi A dan B masing-masing adalah $8 dan $10. Permintaan
harian untuk solusi A terletak antara 30 dan 150 unit, dan untuk solusi B antara 40 dan
200 unit. Temukan jumlah produksi optimal dari A dan B.
2-14. Di toko kelontong Ma-and-Pa, ruang rak terbatas dan harus digunakan secara efektif untuk
meningkatkan keuntungan. Dua item sereal, Grano dan Wheatie, bersaing untuk total ruang rak 60 kaki
2. Sebuah kotak Grano menempati .2 kaki 2 dan sekotak Gandum membutuhkan 0,4 kaki 2. Permintaan
harian maksimum Grano dan Gandum adalah masing-masing 200 dan 120 kotak. Satu kotak Grano
menghasilkan laba $1,00 dan sekotak Gandum $1,35. Ma-and-Pa berpikir bahwa karena keuntungan
unit Wheatie 35% lebih tinggi daripada Grano, Wheatie harus dialokasikan 35% lebih banyak ruang
daripada Grano, yang berarti mengalokasikan sekitar 57% untuk Wheatie dan 43% untuk Grano.
Bagaimana menurut Anda ?
Masalah 79
2-15. Jack adalah calon mahasiswa baru di Universitas Ulern. Dia menyadari bahwa "semua bekerja dan tidak bermain"
membuat Jack menjadi anak yang membosankan.” Jack ingin membagi waktu yang tersedia sekitar 10 jam sehari
antara bekerja dan bermain. Dia memperkirakan bahwa bermain dua kali lebih menyenangkan daripada bekerja. Dia
juga ingin belajar setidaknya sebanyak dia bermain. Namun, Jack menyadari bahwa jika dia akan menyelesaikan
semua pekerjaan rumahnya, dia tidak bisa bermain lebih dari 4 jam sehari. Bagaimana seharusnya Jack
mengalokasikan waktunya untuk memaksimalkan kesenangannya baik dari pekerjaan maupun bermain?
2-16. WildWest memproduksi dua jenis topi koboi. Topi tipe 1 membutuhkan tenaga kerja dua kali lebih banyak
waktu sebagai Tipe 2. Jika semua waktu tenaga kerja yang tersedia didedikasikan untuk Tipe 2 saja, perusahaan
dapat memproduksi total 400 topi Tipe 2 sehari. Batas pasar masing-masing untuk Tipe 1 dan Tipe 2 masing-
masing adalah 150 dan 200 topi per hari. Keuntungannya adalah $8 per topi Tipe 1 dan $5 per topi Tipe 2.
Tentukan jumlah topi dari masing-masing jenis yang memaksimalkan keuntungan.
2-17. Show & Sell dapat mengiklankan produknya di radio dan televisi (TV) lokal
anggaran terbatas pada $ 10.000 per bulan. Setiap menit iklan radio berharga $15, dan
setiap menit iklan TV $300. Show & Sell suka beriklan di radio setidaknya dua kali lebih
banyak daripada di TV. Sementara itu, tidak praktis menggunakan iklan radio lebih dari 400
menit dalam sebulan. Dari pengalaman masa lalu, iklan di TV diperkirakan 25 kali lebih
efektif daripada di radio. Tentukan alokasi anggaran yang optimal untuk iklan radio dan TV.
* 2-18. Wyoming Electric Coop memiliki pembangkit listrik turbin uap. Karena Wyoming kaya akan deposit batu
bara, pembangkit ini menghasilkan uapnya dari batu bara. Namun, hal ini dapat menghasilkan emisi
yang tidak memenuhi standar Environmental Protection Agency (EPA). Peraturan EPA membatasi
pembuangan sulfur dioksida hingga 2000 bagian per juta per ton batubara yang dibakar dan
pembuangan asap dari cerobong pabrik hingga 20 lb per jam.Koperasi menerima dua tingkat batubara
bubuk, C 1 dan C 2, untuk digunakan di pabrik uap. Kedua nilai biasanya dicampur bersama sebelum
dibakar. Untuk mempermudah, dapat diasumsikan bahwa jumlah polutan belerang yang dibuang
(dalam bagian per juta) adalah rata-rata tertimbang dari proporsi setiap kadar yang digunakan dalam
campuran. Data berikut didasarkan pada
konsumsi 1 ton per jam dari masing-masing dua kelas batubara.
Debit belerang Debit asap Uap yang dihasilkan

Kelas batubara dalam bagian per juta dalam lb per jam dalam lb per jam
C1 1800 2.1 12.000

C2 2100 .9 9,000
(A) Tentukan rasio optimal untuk pencampuran dua kadar batubara.

(B) Tentukan efek relaksasi batas pelepasan asap sebesar 1 pon pada jumlah uap
yang dihasilkan per jam.
2-19. Top Toys sedang merencanakan kampanye iklan radio dan TV baru. Biaya komersial radio
$300 dan biaya iklan TV $2000. Anggaran total $20.000 dialokasikan untuk kampanye. Namun,
untuk memastikan bahwa setiap media akan memiliki setidaknya satu iklan radio dan satu iklan
TV, sebagian besar yang dapat dialokasikan untuk kedua media tersebut tidak boleh melebihi
80% dari total anggaran. Diperkirakan iklan radio pertama akan mencapai 5000 orang, dengan
setiap tambahan iklan hanya mencapai 2000 orang baru. Untuk TV, iklan pertama akan
mencapai 4500 orang, dan setiap iklan tambahan 3000 orang. Bagaimana alokasi anggaran
antara radio dan TV?
2-20. The Burroughs Garment Company memproduksi kemeja pria dan blus wanita untuk
Toko Diskon Walmark. Walmark akan menerima semua produksi yang dipasok oleh Burroughs.
Proses produksi meliputi pemotongan, penjahitan, dan pengemasan. Burroughs mempekerjakan
25 pekerja di departemen pemotongan, 35 di departemen menjahit, dan 5 di
departemen pengemasan. Pabrik bekerja satu shift 8 jam, 5 hari seminggu. Tabel berikut
memberikan persyaratan waktu dan keuntungan per unit untuk dua garmen.
Menit per unit
garmen Pemotongan Jahit Kemasan Keuntungan satuan ($)
kemeja 20 70 12 8
Blus 60 60 4 12
Tentukan jadwal produksi mingguan yang optimal untuk Burroughs.

2-21. Sebuah perusahaan mebel memproduksi meja dan kursi. Departemen penggergajian memotong
kayu untuk kedua produk, yang kemudian dikirim ke departemen perakitan terpisah.Barang yang
dirakit dikirim ke departemen pengecatan untuk finishing.Kapasitas harian departemen penggergajian
adalah 200 kursi atau 80 meja.Departemen perakitan kursi dapat memproduksi
120 kursi setiap hari, dan departemen perakitan meja 60 meja setiap hari. Departemen pengecatan
memiliki kapasitas harian 150 kursi atau 110 meja. Mengingat bahwa keuntungan per kursi adalah
$50 dan meja adalah $100, tentukan bauran produksi yang optimal untuk perusahaan tersebut.
* 2-22. Jalur perakitan yang terdiri dari tiga stasiun berturut-turut menghasilkan dua model radio:
HiFi-1 dan HiFi-2.Tabel berikut memberikan waktu perakitan untuk tiga stasiun kerja.
Menit per unit
Stasiun kerja HiFi-1 HiFi-2
1 6 4
2 5 5
3 4 6
Pemeliharaan harian untuk stasiun 1, 2, dan 3 masing-masing menghabiskan 10%, 14%, dan 12%, dari
maksimum 480 menit yang tersedia untuk setiap stasiun setiap hari. Tentukan bauran produk optimal
yang akan meminimalkan waktu idle (atau tidak digunakan) di tiga stasiun kerja.
2-23. Penentuan Solusi LP Optimum dengan Menghitung Semua Titik Pojok yang Layak.
Pengamatan luar biasa yang diperoleh dari solusi LP grafis adalah bahwa optimal, ketika terbatas,
selalu dikaitkan dengan titik sudut dari ruang solusi yang layak. Tunjukkan bagaimana ide ini
diterapkan pada model Reddy Mikks dengan mengevaluasi semua titik sudut yang layak A, B, C,
D, E, dan F.
2-24. Percobaan TORA. Masukkan LP berikut ke TORA, dan pilih solusi grafis
mode untuk membuka layar grafik LP.
Memperkecil z = 3 x 1 + 8 x 2
tunduk pada
x1+x2Ú 8
2 x1- 3 x2… 0
x 1 + 2 x 2 … 30
3 x1- x2Ú 0
x1 … 10
x2Ú 9
x 1, x 2 Ú 0
Masalah 81
Selanjutnya, pada selembar kertas, buat grafik dan skalakan x 1- dan x 2- sumbu untuk masalah (Anda juga
dapat mengklik Cetak Grafik di bagian atas jendela kanan untuk mendapatkan skala siap pakai
lembaran). Sekarang, buat grafik kendala secara manual pada lembar yang telah disiapkan, lalu
klik pada jendela kiri layar untuk memeriksa jawaban Anda. Ulangi hal yang sama untuk setiap
kendala, dan kemudian akhiri prosedur dengan grafik fungsi tujuan. Proses yang disarankan
dirancang untuk menguji dan memperkuat pemahaman Anda tentang solusi LP grafis melalui
umpan balik langsung dariTORA.
2-25. Percobaan TORA. Perhatikan model LP berikut:
tunduk pada
6 x 1 + 4 x 2 … 24 6 x
1+3 x 2 … 22.5
x1+x2… 5
x1+2 x2… 6
- x1+x2… 1
x2… 2
x 1, x 2 Ú 0
Dalam LP, kendala dikatakan berulang jika pemindahannya dari model membuat ruang solusi fisibel
tidak berubah. Gunakan fasilitas grafis TORA untuk mengidentifikasi kendala yang berlebihan, dan
kemudian tunjukkan bahwa penghapusannya (cukup dengan tidak membuat grafiknya) tidak
mempengaruhi ruang solusi atau solusi optimal.
2-26. Percobaan TORA. Dalam model Reddy Mikks, gunakan TORA untuk menunjukkan bahwa penghapusan
kendala bahan baku (kendala 1 dan 2) akan menghasilkan ruang solusi tak terbatas. Apa
yang dapat dikatakan dalam kasus ini tentang solusi optimal model?
2-27. Percobaan TORA. Dalam model Reddy Mikks, misalkan kendala berikut adalah:
ditambahkan ke masalah:
x2Ú 3
Gunakan TORA untuk menunjukkan bahwa model yang dihasilkan memiliki kendala yang saling bertentangan yang tidak dapat
dipenuhi secara bersamaan, dan karenanya memiliki tidak ada solusi yang layak.
2-28. Tentukan arah penurunan z dalam setiap kasus berikut:

* (A) Memperkecil z = 4 x 1 - 2 x 2.
(B) Memperkecil z = - 6 x 1 + 2 x 2.
(C) Memperkecil z = - 3 x 1 - 6 x 2.
2-29. Untuk model diet, misalkan ketersediaan jagung harian dibatasi hingga 400 pon
ruang solusi baru, dan menentukan solusi optimal baru.
2-30. Untuk model diet, tentukan solusi optimum yang diberikan campuran pakan tidak melebihi
500 kg sehari? Apakah solusinya masuk akal?
2-31. John harus bekerja setidaknya 20 jam seminggu untuk menambah penghasilannya saat bersekolah.
Dia memiliki kesempatan untuk bekerja di dua toko ritel. Di toko 1, dia bisa bekerja di antara
4,5 dan 12 jam seminggu, dan di toko 2, ia diizinkan antara 5,5 dan 10 jam. Kedua toko membayar upah
per jam yang sama. Dalam memutuskan berapa jam untuk bekerja di setiap toko, John ingin
mendasarkan keputusannya pada stres kerja. Berdasarkan wawancara dengan karyawan saat ini,
John memperkirakan bahwa, pada skala naik dari 1 sampai 10, faktor stres adalah 8 dan 6 di toko
1 dan 2, masing-masing. Karena stres meningkat setiap jam, dia mengasumsikan bahwa total
stres untuk setiap toko pada akhir minggu sebanding dengan jumlah jam dia bekerja di toko.
Berapa jam seharusnya John bekerja di setiap toko?
* 2-32. OilCo sedang membangun kilang untuk menghasilkan empat produk: solar, bensin, pelumas, dan bahan bakar
jet. Permintaan minimum (dalam bbl/hari) untuk masing-masing produk ini adalah 14.000, 30.000,
10.000, dan 8000, masing-masing. Irak dan Dubai terikat kontrak untuk mengirimkan minyak
mentah ke OilCo. Karena kuota produksi yang ditentukan oleh OPEC (Organisasi Negara
Pengekspor Minyak), kilang baru dapat menerima setidaknya 40% minyak mentahnya dari Irak
dan sisanya dari Dubai. OilCo memperkirakan permintaan dan kuota minyak mentah akan tetap
stabil selama 10 tahun ke depan.
Spesifikasi kedua minyak mentah tersebut menghasilkan bauran produk yang berbeda. Satu
barel minyak mentah Irak menghasilkan .2 bbl solar, .25 bbl bensin, .1 bbl pelumas, dan .15 bbl bahan
bakar jet. Hasil yang sesuai dari minyak mentah Dubai adalah .1, .6, .15, dan .1, masing-masing. OilCo
perlu menentukan kapasitas minimum kilang (dalam bbl/hari).
2-33. Day Trader ingin menginvestasikan sejumlah uang yang akan menghasilkan hasil tahunan sebesar
minimal $10.000. Tersedia dua kelompok saham: blue chips dan teknologi tinggi, dengan hasil tahunan
rata-rata masing-masing 10% dan 25%. Meskipun saham berteknologi tinggi memberikan hasil yang
lebih tinggi, mereka lebih berisiko, dan Trader ingin membatasi jumlah yang diinvestasikan dalam
saham ini tidak lebih dari 60% dari total investasi. Berapa jumlah minimum yang harus diinvestasikan
Trader di setiap grup saham untuk dicapai tujuan investasi?
* 2-34. Pusat daur ulang industri menggunakan dua logam aluminium bekas, A dan B, untuk
menghasilkan paduan khusus. Membatalkan A mengandung 6% aluminium, 3% silikon, dan 4%
karbon. Membatalkan B memiliki 3% aluminium, 6% silikon, dan 3% karbon. Biaya per ton untuk
memo A dan B masing-masing adalah $100 dan $80. Spesifikasi paduan khusus mensyaratkan
bahwa (1) kandungan aluminium harus minimal 3% dan paling banyak 6%, (2) kandungan silikon
harus antara 3% dan 5%, dan (3) kandungan karbon harus antara 3% dan 7%. Tentukan campuran
optimal dari sisa yang harus digunakan dalam memproduksi 1000 ton paduan.
2-35. Percobaan TORA. Pertimbangkan Model Diet, dan biarkan fungsi tujuan diberikan sebagai
Memperkecil z = . 8 x 1 + . 8 x 2
Gunakan TORA untuk menunjukkan bahwa solusi optimal dikaitkan dengan dua titik sudut yang berbeda, dan
kedua titik tersebut menghasilkan nilai objektif yang sama. Dalam hal ini, masalahnya dikatakan memiliki
optimal alternatif. Jelaskan kondisi yang mengarah ke situasi ini, dan tunjukkan bahwa, pada dasarnya,
masalah memiliki jumlah optima alternatif yang tak terbatas. Kemudian berikan formula untuk menentukan
semua solusi tersebut.
2-36. Ubah model Reddy Mikks Solver pada Gambar 2.4 untuk memperhitungkan jenis cat ketiga
bernama "laut." Persyaratan per ton bahan baku 1 dan 2 masing-masing adalah 0,6 dan 0,85 ton.
Permintaan harian untuk cat baru berkisar antara 0,6 ton hingga 1,9 ton. Keuntungan per ton
adalah $3700.
2-37. Kembangkan model Excel Solver untuk masalah berikut ini:
(A) Model diet Contoh 2.2-2.
(B) Soal 2-21.
(C) Masalah 2-34.
2-38. Dalam model Reddy Mikks, misalkan jenis cat ketiga, bernama "laut," diproduksi.
Persyaratan per ton bahan baku M 1 dan M 2 adalah 0,7 dan 0,95 ton, masing-masing.
Permintaan harian untuk cat baru berkisar antara 0,4 ton dan 2,1 ton, dan keuntungan per ton
adalah $4500. Ubah model Excel Solver pemecahRM2.xls dan model AMPL amplRM2.txt ke
Masalah 83
memperhitungkan situasi baru dan menentukan solusi optimal. Bandingkan upaya tambahan
yang terkait dengan setiap modifikasi.
2-39. Kembangkan model AMPL untuk masalah berikut:
(A) Masalah diet Contoh 2.2-2 dan temukan solusi optimalnya.
(B) Soal 2-22.
(C) Masalah 2-34.
2-40. Fox Enterprises sedang mempertimbangkan enam proyek untuk kemungkinan konstruksi di masa mendatang
empat tahun. Fox dapat melakukan salah satu proyek sebagian atau seluruhnya. Usaha sebagian dari
suatu proyek akan memproratakan pengembalian dan pengeluaran kas secara proporsional.
Pengembalian yang diharapkan (nilai sekarang) dan pengeluaran kas untuk proyek diberikan dalam
tabel berikut.
Pengeluaran tunai ($1000)
Proyek Tahun 1 Tahun 2 Tahun 3 Tahun 4 Kembali ($1000)
1 10.5 14.4 2.2 2.4 324.00

2 8.3 12.6 9.5 3.1 358.00
3 10.2 14.2 5.6 4.2 177,50
4 7.2 10.5 7.5 5.0 148.00
5 12.3 10.1 8.3 6.3 182.00
6 9.2 7.8 6.9 5.1 123.50
Dana yang tersedia ($1000) 60.0 70.0 35.0 20.0
(A) Rumuskan masalah sebagai program linier, dan tentukan campuran proyek optimal yang
memaksimalkan pengembalian total menggunakan AMPL, Solver, atau TORA. Abaikan nilai waktu
dari uang.
(B) Misalkan jika sebagian dari proyek 2 dilakukan, maka setidaknya bagian yang
sama dari proyek 6 harus dilakukan. Ubah formulasi model, dan temukan solusi
optimal baru.
(C) Dalam model aslinya, misalkan dana yang tersisa pada akhir tahun digunakan pada tahun
berikutnya. Temukan solusi optimal baru, dan tentukan berapa banyak setiap tahun
"meminjam" dari tahun sebelumnya. Untuk kesederhanaan, abaikan nilai waktu uang.
(D) Misalkan dalam model asli dana tahunan yang tersedia untuk setiap tahun dapat dilampaui, jika
perlu, dengan meminjam dari aktivitas keuangan lain dalam perusahaan. Mengabaikan nilai waktu
uang, merumuskan kembali model LP, dan menemukan solusi optimal. Apakah solusi baru
memerlukan pinjaman di tahun apa pun? Jika ya, berapa tingkat pengembalian uang yang dipinjam?
* 2-41. Investor Doe memiliki $10.000 untuk diinvestasikan dalam empat proyek. Tabel berikut memberikan uang tunai
aliran untuk empat investasi.
Arus kas ($1000) di awal
Proyek Tahun 1 Tahun 2 Tahun 3 Tahun 4 Tahun 5
1 - 1.00 0,50 0,30 1.80 1.20

2 - 1.00 0,60 0,20 1.50 1.30
3 0.00 - 1.00 0,80 1.90 0,80
4 - 1.00 0,40 0,60 1.80 0,95
Informasi dalam tabel dapat diinterpretasikan sebagai berikut: Untuk proyek 1, $1,00 yang
diinvestasikan pada awal tahun 1 akan menghasilkan $0,50 pada awal tahun 2, $0,30 pada awal tahun
3, $1,80 pada awal tahun tahun 4, dan $1,20 pada awal tahun 5. Entri yang tersisa dapat
diinterpretasikan dengan cara yang sama. Entri 0,00 menunjukkan bahwa tidak ada transaksi yang
terjadi. Doe memiliki opsi tambahan untuk berinvestasi di rekening bank yang menghasilkan 6,5% per
tahun. Semua dana yang terkumpul pada akhir 1 tahun dapat diinvestasikan kembali pada tahun
berikutnya. Rumuskan masalah sebagai program linier untuk menentukan alokasi dana yang optimal
untuk peluang investasi. Selesaikan model menggunakan Solver atau AMPL.
2-42. HiRise Construction dapat menawar dua proyek 1 tahun. Tabel berikut menyediakan
arus kas triwulanan (dalam jutaan dolar) untuk kedua proyek tersebut.
Arus kas (dalam jutaan $) di
Proyek 1 Januari 1 April 1 Juli 1 Oktober 31 Desember
Saya - 1.0 - 3.1 - 1.5 1.8 5.0

II - 3.0 - 2.5 1.5 1.8 2.8
HiRise memiliki dana tunai sebesar $1 juta pada awal setiap kuartal dan dapat meminjam paling banyak
$1 juta dengan tingkat bunga nominal 10% per tahun. Setiap uang yang dipinjam harus dikembalikan
pada akhir kuartal. Surplus uang tunai dapat memperoleh bunga triwulanan pada tingkat tahunan
nominal 8%. Akumulasi bersih pada akhir satu kuartal diinvestasikan pada kuartal berikutnya.
(A) Asumsikan bahwa HiRise diperbolehkan partisipasi sebagian atau penuh dalam dua proyek. Tentukan tingkat
partisipasi yang akan memaksimalkan akumulasi kas bersih pada tanggal 31 Desember. Selesaikan model
tersebut dengan menggunakan Solver atau AMPL.
(B) Apakah mungkin di setiap kuartal untuk meminjam uang dan secara bersamaan berakhir dengan kelebihan dana?
Menjelaskan.
2-43. Untuk mengantisipasi biaya kuliah yang sangat besar, Joe dan Jill memulai investasi tahunan
program pada ulang tahun kedelapan anak mereka yang akan berlangsung sampai ulang tahun kedelapan belas. Mereka
berencana untuk menginvestasikan jumlah berikut pada awal setiap tahun:
Tahun 1 2 3 4 5 6 7 8 9 10
Jumlah ($) 2000 2000 2500 2500 3000 3500 3500 4000 4000 5000
Untuk menghindari kejutan yang tidak menyenangkan, mereka ingin menginvestasikan uang dengan aman dalam
opsi berikut: tabungan berasuransi dengan hasil tahunan 7,5%, obligasi pemerintah 6 tahun yang menghasilkan
7,9% dan memiliki harga pasar saat ini sama dengan 98% dari nilai nominal, dan obligasi daerah 9 tahun
menghasilkan 8,5% dan memiliki harga pasar saat ini sebesar 1,02 dari nilai nominal. Bagaimana seharusnya
uang itu diinvestasikan?
* 2-44. Seorang eksekutif bisnis memiliki pilihan untuk menginvestasikan uang dalam dua rencana: PlanA menjamin bahwa setiap
dolar yang diinvestasikan akan menghasilkan $0,70 setahun kemudian, dan rencana B menjamin bahwa setiap dolar yang
diinvestasikan akan menghasilkan $2 setelah 2 tahun. Dalam rencana A, investasi dapat dilakukan setiap tahun, dan dalam
rencana B, investasi diperbolehkan untuk periode yang kelipatan 2 tahun saja. Bagaimana seharusnya eksekutif
menginvestasikan $ 100.000 untuk memaksimalkan pendapatan pada akhir 3 tahun? Selesaikan model menggunakan
Solver atau AMPL.
2-45. Seorang penjudi memainkan permainan yang membutuhkan pembagian uang taruhan di antara empat pilihan. Permainan
memiliki tiga hasil. Tabel berikut memberikan keuntungan atau kerugian yang sesuai per dolar
untuk berbagai opsi permainan.
Masalah 85
Pengembalian per dolar yang disetorkan dalam pilihan
Hasil 1 2 3 4
1 -3 4 -7 15
2 5 -3 9 4
3 3 -9 10 -8
Penjudi memiliki total $ 1500, yang dapat dimainkan hanya sekali. Hasil pasti dari permainan tidak
diketahui secara apriori. Karena ketidakpastian ini, strategi penjudi adalah memaksimalkan minimum
pengembalian yang dihasilkan oleh tiga hasil. Bagaimana seharusnya penjudi mengalokasikan $1500 di
antara empat pilihan? Selesaikan model menggunakan Solver atau AMPL. ( Petunjuk: Pengembalian
bersih penjudi mungkin positif, nol, atau negatif.)
2-46. Lewis (1996). Tagihan dalam rumah tangga diterima setiap bulan (misalnya, utilitas dan hipotek rumah).
pengukur), setiap tiga bulan (misalnya, perkiraan pembayaran pajak), setiap semester (misalnya, asuransi), atau
setiap tahun (misalnya, pembaruan langganan dan iuran). Tabel berikut memberikan tagihan bulanan untuk
tahun depan.
Bulan Jan. Februari Merusak. April Mungkin Juni Juli Agustus September Oktober November Desember Total
$ 800 1200 400 700 600 900 1500 1000 900 1100 1300 1600 12.000
Untuk memperhitungkan pengeluaran ini, keluarga menyisihkan $1000 per bulan, yang merupakan
rata-rata dari total dibagi 12 bulan. Jika uang disimpan dalam rekening tabungan biasa, uang tersebut dapat
memperoleh bunga tahunan sebesar 4%, asalkan disimpan di rekening tersebut setidaknya selama 1 bulan.
Bank juga menawarkan sertifikat deposito 3 bulan dan 6 bulan yang dapat menghasilkan bunga tahunan
masing-masing 5,5% dan 7%. Kembangkan jadwal investasi 12 bulan yang akan memaksimalkan total
pengembalian keluarga untuk tahun tersebut. Nyatakan asumsi atau persyaratan yang diperlukan untuk
mencapai solusi yang layak. Selesaikan model menggunakan Solver atau AMPL.
2-47. Toolco telah mengontrak AutoMate untuk memasok toko diskon otomotif mereka dengan
kunci pas dan pahat. Permintaan mingguan AutoMate terdiri dari setidaknya 1570 kunci pas dan 1250
pahat. Toolco tidak dapat memproduksi semua unit yang diminta dengan kapasitas satu shift saat ini,
dan harus menggunakan waktu lembur dan kemungkinan subkontrak dengan toko alat lain. Akibatnya
terjadi peningkatan biaya produksi per unit, seperti terlihat pada tabel berikut. Pasar
permintaan membatasi rasio pahat dan kunci pas paling sedikit 2:1.
Produksi mingguan
Alat Jenis produksi jangkauan (satuan) Biaya satuan ($)
kunci pas Reguler 0–500 2.00

Lembur 501–800 2.80
Subkontrak 801 9 ∞ 3,00
Pahat Reguler 0–620 2.10
Lembur 621–900 3.20
Subkontrak 901 9 ∞ 4.20
(A) Rumuskan masalah sebagai program linier, dan tentukan jadwal produksi
optimum untuk setiap alat.
(B) Jelaskan mengapa validitas model bergantung pada fakta bahwa biaya produksi per
unit merupakan fungsi peningkatan kuantitas produksi.
(C) Selesaikan model menggunakan AMPL, Solver, atau TORA.
2-48. Empat produk diproses secara berurutan pada tiga mesin. Tabel berikut memberikan
data yang relevan dari masalah.
Waktu produksi (jam) per unit
Mesin Biaya per jam ($) Produk 1 Produk 2 Produk 3 Produk 4 Kapasitas (jam)
1 10 2 3 4 2 500
2 5 3 2 1 2 380
3 4 7 3 2 1 450
Penjualan satuan
harga ($) 75 70 55 45
Rumuskan masalah sebagai model LP dan cari solusi optimal menggunakan AMPL, Solver, atau
TORA.
* 2-49. Amanufacturer memproduksi tiga model, I, II, dan III, dari produk tertentu menggunakan bahan
baku A dan B. Tabel berikut memberikan data untuk masalah tersebut.
Persyaratan per unit
Bahan baku Saya II AKU AKU AKU Ketersediaan
A 2 3 5 4000
B 4 2 7 6000
Permintaan minimal 200 200 150

Harga per satuan ($) 30 20 50
Waktu kerja per unit model I adalah dua kali lipat dari II dan tiga kali lipat dari III. Seluruh
tenaga kerja pabrik dapat menghasilkan setara dengan 1500 unit model I. Persyaratan
pasar menentukan rasio 3:2:5 untuk produksi ketiga model masing-masing. Rumuskan
masalah sebagai program linier dan temukan solusi optimal menggunakan AMPL, Solver,
atau TORA.
2-50. Permintaan es krim di All-Flavors Parlor selama tiga bulan musim panas (Juni,
Juli, dan Agustus) diperkirakan masing-masing 500, 600, dan 400 karton 20 galon. Dua pedagang
grosir, 1 dan 2, menyediakan es krim Semua Rasa. Meskipun rasa dari kedua pemasok berbeda,
keduanya dapat dipertukarkan. Jumlah maksimum karton yang dapat disediakan oleh salah satu
pemasok adalah 400 per bulan. Selain itu, harga yang dikenakan kedua pemasok berubah setiap
bulan sesuai dengan jadwal berikut:
Harga per karton dalam sebulan
Juni Juli Agustus
pemasok 1 $100 $110 $120

pemasok 2 $115 $108 $125
Untuk memanfaatkan fluktuasi harga, All-Flavors dapat membeli lebih dari yang dibutuhkan selama
sebulan dan menyimpan kelebihannya untuk memenuhi permintaan di bulan berikutnya. Biaya
penyimpanan karton es krim adalah $5 per bulan. Adalah realistis dalam situasi sekarang untuk
mengasumsikan bahwa biaya penyimpanan adalah fungsi dari rata-rata jumlah karton yang ada
selama sebulan. Kembangkan model untuk menentukan jadwal pembelian yang optimal
Masalah 87
es krim dari dua pemasok dan temukan solusi optimal menggunakan TORA, Solver, atau
AMPL.
2-51. Permintaan suatu barang selama empat kuartal berikutnya adalah 280, 400, 450, dan 300 unit,
masing-masing. Harga per unit dimulai dari $20 pada kuartal pertama dan meningkat sebesar $1 setiap
kuartal setelahnya. Pemasok dapat menyediakan tidak lebih dari 400 unit dalam satu kuartal. Meskipun
kita dapat mengambil keuntungan dari harga yang lebih rendah di kuartal awal, biaya penyimpanan
sebesar $3,80 dikeluarkan per unit per kuartal. Selain itu, jumlah unit yang dapat disimpan dari satu
kuartal ke kuartal berikutnya harus 80 atau kurang. Kembangkan model LP untuk menentukan jadwal
pembelian barang yang optimal untuk memenuhi permintaan, dan mencari solusi optimal
menggunakan AMPL, Solver, atau TORA.
2-52. Sebuah perusahaan telah dikontrak untuk memproduksi dua produk, A dan B, selama bulan Juni,
Juli, dan Agustus. Total kapasitas produksi (dinyatakan dalam jam) bervariasi setiap bulan.
Tabel berikut memberikan data dasar situasi:
Juni Juli Agustus
Permintaan untuk A ( unit) 500 5000 750

Permintaan untuk B ( unit) 1000 1200 1200
Kapasitas (jam) 3000 3500 3000
Tingkat produksi dalam unit per jam adalah 0,75 dan 1 untuk produk A dan B, masing-masing. Semua
permintaan harus dipenuhi. Namun, permintaan untuk bulan berikutnya dapat dipenuhi dari produksi
di bulan sebelumnya. Untuk setiap sisa dari satu bulan ke bulan berikutnya, biaya penyimpanan sebesar
$0,90 dan $0,75 per unit per bulan dibebankan untuk produk A dan B, masing-masing. Biaya produksi
per unit untuk kedua produk tersebut adalah $30 dan $28 untuk A dan B, masing-masing. Kembangkan
model LP untuk menentukan jadwal produksi optimal untuk kedua produk dan mencari solusi optimal
* 2-53. Proses pembuatan suatu produk terdiri dari dua operasi berturut-turut, I dan II. Tabel
berikut memberikan data terkait selama bulan Juni, Juli, dan Agustus:
Juni Juli Agustus
Permintaan produk jadi (unit) 500 450 600

Kapasitas operasi I (jam) 800 700 550
Kapasitas operasi II (jam) 1000 850 700
Memproduksi satu unit produk membutuhkan waktu 0,6 jam pada operasi I ditambah 0,8 jam pada
operasi II. Kelebihan produksi baik produk setengah jadi (operasi I) atau produk jadi (operasi II) di setiap
bulan diperbolehkan untuk digunakan di bulan berikutnya. Biaya penyimpanan masing-masing untuk
operasi I dan II adalah $0,20 dan $0,40 per unit per bulan. Biaya produksi bervariasi menurut operasi dan
bulan. Untuk operasi 1, biaya produksi unit adalah $10, $12, dan $11 untuk bulan Juni, Juli, dan Agustus.
Untuk operasi 2, biaya produksi unit yang sesuai adalah $15, $18, dan $16. Kembangkan model LP untuk
menentukan jadwal produksi optimal untuk dua operasi selama cakrawala 3 bulan dan temukan solusi
optimal menggunakan AMPL, Solver, atauTORA.
2-54. Dua produk diproduksi secara berurutan pada dua mesin. Waktu yang tersedia pada
setiap mesin adalah 8 jam per hari dan dapat ditingkatkan hingga 4 jam lembur, jika perlu,
dengan biaya tambahan $110 per jam. Tabel di bawah ini memberikan tingkat produksi pada
kedua mesin serta harga per unit dari kedua produk tersebut. Kembangkan model LP untuk
menentukan jadwal produksi yang optimal, dan penggunaan lembur yang direkomendasikan,
jika ada. Selesaikan masalah menggunakan AMPL, Solver, atau TORA.
Tingkat produksi (unit/jam)
Produk 1 Produk 2
Mesin 1 5 5
Mesin 2 8 4
Harga per satuan ($) 120 128
* 2-55. Dalam contoh penjadwalan bus anggaplah bahwa bus dapat menjalankan shift 8 atau 12 jam. Jika bus berjalan selama 12 jam,
pengemudi harus dibayar untuk jam tambahan sebesar 150% dari gaji reguler per jam. Apakah Anda merekomendasikan
penggunaan shift 12 jam? Selesaikan model baru menggunakan AMPL, Solver, atauTORA.
2-56. Sebuah rumah sakit mempekerjakan sukarelawan untuk menjadi staf meja resepsionis antara pukul 8:00 hingga 22:00
Setiap sukarelawan bekerja tiga jam berturut-turut kecuali mereka yang mulai pukul 20:00 yang
bekerja hanya selama dua jam. Kebutuhan minimum sukarelawan diperkirakan dengan fungsi
langkah selama interval 2 jam mulai pukul 8:00 pagi sebagai 8, 6, 8 , 6, 4, 6, dan 5. Karena
sebagian besar sukarelawan adalah pensiunan, mereka bersedia menawarkan layanan mereka
kapan saja (8:00 pagi sampai 10:00 malam). Namun, karena banyaknya badan amal yang
bersaing untuk layanan mereka, jumlah yang dibutuhkan harus dijaga serendah mungkin.
Tentukan jadwal optimal (menggunakan AMPL, Solver, atau TORA) untuk waktu mulai relawan.
2-57. Dalam Soal 2-56, misalkan tidak ada sukarelawan yang akan mulai pada pukul 14:00 atau 19:00 untuk mengizinkan
untuk makan siang dan makan malam. Kembangkan LP, dan tentukan jadwal optimal menggunakan AMPL,
Solver, atau TORA.
2-58. Di perusahaan truk LTL (kurang dari muatan truk), dermaga terminal mencakup pekerjaan biasa-
pekerja yang dipekerjakan sementara untuk memperhitungkan beban puncak. Di dermaga Omaha,
Nebraska, permintaan minimum pekerja lepas selama tujuh hari dalam seminggu (mulai Senin) adalah
12, 20, 14, 10, 15, 18, dan 10 pekerja. Setiap pekerja dikontrak untuk bekerja selama lima hari berturut-
turut. Kembangkan model LP, dan tentukan praktik perekrutan pekerja lepas mingguan yang optimal
untuk perusahaan menggunakan AMPL, Solver, atau TORA.
* 2-59. Di sebagian besar kampus universitas AS, mahasiswa dikontrak oleh departemen akademik untuk
melakukan tugas, seperti menjawab telepon dan mengetik. Kebutuhan akan layanan tersebut
berfluktuasi selama jam kerja (08:00-17:00). Di satu departemen, jumlah minimum siswa yang
dibutuhkan adalah 2 antara 8:00 dan 10:00, 4 antara 10:01 dan 11:00, 3 antara 11:01 dan 13:00,
dan 2 antara 13.01 dan 17.00 Setiap siswa diberikan waktu 3 jam berturut-turut (kecuali mereka
yang mulai jam 3:01, yang bekerja selama 2 jam, dan mereka yang mulai jam 4:01, yang bekerja
selama 1 jam). Karena jadwal mereka yang fleksibel, siswa biasanya dapat melapor untuk bekerja
kapan saja selama hari kerja, kecuali bahwa tidak ada siswa yang mau mulai bekerja pada waktu
makan siang (12:00 siang). Mengembangkan model LP, dan menentukan jadwal waktu yang
menentukan waktu dalam sehari dan jumlah siswa yang melapor untuk bekerja. GunakanAMPL,
Solver, atau TORA untuk menentukan solusi.
2-60. Sebuah department store besar beroperasi 7 hari seminggu. Manajer memperkirakan bahwa
jumlah minimal tenaga penjual yang diperlukan untuk memberikan pelayanan yang cepat adalah 12 untuk hari
Senin, 18 untuk Selasa, 20 untuk Rabu, 28 untuk Kamis, 32 untuk Jumat, dan 40 untuk masing-masing Sabtu dan
Minggu. Setiap wiraniaga bekerja 5 hari seminggu, dengan dua hari libur berturut-turut terhuyung-huyung
sepanjang minggu. Misalnya, jika 10 tenaga penjualan mulai pada hari Senin, 2 dapat mengambil cuti pada hari
Selasa dan Rabu, 5 pada hari Rabu dan Kamis, dan 3 pada hari Sabtu dan Minggu. Berapa banyak tenaga
penjualan yang harus dikontrak, dan bagaimana seharusnya hari libur mereka dialokasikan? GunakanAMPL,
Solver, atau TORA untuk menemukan solusinya.
2-61. Seorang makelar sedang mengembangkan perumahan sewa dan kawasan ritel. Kawasan perumahan terdiri dari e-
apartemen ficiency, duplex, dan rumah keluarga tunggal. Permintaan maksimum oleh calon
penyewa diperkirakan 500 apartemen efisiensi, 300 dupleks, dan 250 keluarga tunggal
Masalah 89
rumah, tetapi jumlah dupleks harus sama setidaknya 50% dari jumlah apartemen efisiensi dan
rumah tunggal. Ruang ritel sebanding dengan jumlah unit rumah dengan harga minimal 12 kaki
2, 18 kaki 2, dan 20 kaki 2 untuk efisiensi, dupleks, dan unit keluarga tunggal, masing-masing.
Namun, ketersediaan lahan membatasi ruang ritel tidak lebih dari 15.000 kaki 2.
Pendapatan sewa bulanan diperkirakan $650, $800, dan $1500 masing-masing untuk unit efisiensi,
dupleks, dan keluarga tunggal. Sewa ruang ritel seharga $120/ft 2. Kembangkan model LP untuk
menentukan luas ruang ritel yang optimal dan jumlah tempat tinggal keluarga, dan temukan
solusinya menggunakan AMPL, Solver, atau TORA.
2-62. Dewan kota Fayetteville sedang dalam proses menyetujui pembangunan gedung baru
180.000-ft 2 pusat konvensi.Dua situs telah diusulkan, dan keduanya memerlukan penerapan hukum
"domain unggulan" untuk memperoleh properti. Tabel berikut memberikan data tentang properti yang
diusulkan (bersebelahan) di kedua situs bersama dengan biaya akuisisi.
Situs 1 Situs 2
Properti Luas (1000 kaki 2) Biaya (1000 $) Luas (1000 kaki 2) Biaya (1000 $)
1 20 1.000 80 2.800
2 50 2.100 60 1.900
3 50 2.350 50 2.800
4 30 1.850 70 2.500
5 60 2.950
Akuisisi sebagian properti diperbolehkan. Setidaknya 80% properti 4 harus diperoleh jika situs 1
dipilih, dan setidaknya 60% properti 3 harus diperoleh jika situs 2 dipilih. Meskipun properti situs
1 lebih mahal (pada per kaki 2 dasar), biaya konstruksi lebih murah daripada di situs 2, karena
infrastruktur di situs 1 dalam kondisi yang jauh lebih baik. Biaya konstruksi adalah $30 juta di
lokasi 1 dan $32 juta di lokasi 2. Lokasi mana yang harus dipilih, dan properti apa yang harus
diperoleh? Temukan solusinya menggunakan AMPL, Solver, atau TORA.
* 2-63. Sebuah kota akan melakukan lima proyek perumahan pembaruan perkotaan selama 5 tahun ke depan. Setiap
proyek memiliki tahun awal yang berbeda dan durasi yang berbeda. Tabel berikut menyediakan
data dasar situasi:
Biaya Pendapatan tahunan

Tahun 1 Tahun 2 Tahun 3 Tahun 4 Tahun 5 (juta $) (juta $)
Proyek 1 Awal Akhir 5.0 . 05

Anggaran
(juta $) 3.0 6.0 7.0 7.0 7.0
Proyek 1 dan 4 harus diselesaikan sepenuhnya dalam jangka waktu mereka. Dua proyek yang
tersisa dapat diselesaikan sebagian dalam batasan anggaran, jika perlu. Namun, setiap proyek
harus diselesaikan setidaknya 25% dalam durasinya. Pada setiap akhir tahun, bagian proyek
yang selesai segera ditempati oleh penyewa, dan sebagian besar
T 1 jumlah pendapatan yang direalisasikan. Misalnya, jika 40% dari proyek 1 selesai dalam
tahun 1 dan 60% di tahun 3, pendapatan terkait selama cakrawala perencanaan 5 tahun adalah
. 4 * $50,000 1 untuk tahun 2 2 + . 4 * $50,000 1 untuk tahun 3 2 + 1. 4 + .6 2 * $ 50.000
untuk tahun 4 2 + 1. 4 + .6 2 * $ 50.000 1 untuk tahun 5 2 = 1 4 * .4 2 + 1 2 * .6 2 * $ 50.000.
Kembangkan model LP untuk menentukan jadwal proyek yang akan dimaksimalkan
total pendapatan selama 5 tahun, dan temukan solusinya menggunakan AMPL, Solver, atau
TORA. Untuk kesederhanaan, abaikan nilai waktu dari uang.
2-64. Kota Fayetteville memulai proyek pembaruan perkotaan yang akan mencakup
dan perumahan baris berpenghasilan menengah, apartemen mewah berpenghasilan
tinggi, dan perumahan umum. Proyek ini juga mencakup sekolah dasar negeri dan
fasilitas ritel. Ukuran sekolah dasar (jumlah ruang kelas) sebanding dengan jumlah
murid, dan ruang ritel sebanding dengan jumlah unit rumah. Tabel berikut
memberikan data terkait situasi:
Lebih rendah Tengah Atas Publik Sekolah Pengecer
penghasilan penghasilan penghasilan perumahan ruang satuan
Jumlah minimum unit 100 125 75 300 0

Jumlah maksimum unit 200 190 260 600 25
Ukuran lot per unit (acre) . 05 . 07 . 03 . 025 . 045 .1
Rata-rata jumlah murid per unit 1.3 1.2 .5 1.4
Permintaan eceran per unit (acre) . 023 . 034 . 046 . 023 . 034
Pendapatan tahunan per unit ($) 7.000 12.000 20.000 5.000 — 15.000
Sekolah baru bisa menempati maksimal 2 hektar. Ukuran kelas dibatasi hingga 25 siswa per kamar. Biaya
operasional tahunan per ruang sekolah adalah $10.000. Proyek ini akan berlokasi di lahan kosong seluas 50
hektar yang dimiliki oleh kota. Selain itu, proyek ini dapat menggunakan properti yang berdekatan yang
ditempati oleh 200 rumah kumuh yang dikutuk. Setiap rumah yang dikutuk menempati 0,25 hektar. Biaya untuk
membeli dan menghancurkan sebuah unit kumuh adalah $7000. Ruang terbuka, jalan, dan tempat parkir
menghabiskan 15% dari total lahan yang tersedia.
Kembangkan program linier untuk menentukan rencana optimal untuk proyek, dan temukan
2-65. Realco memiliki 900 hektar tanah yang belum dikembangkan di sebuah danau yang indah di jantung Ozark
Pegunungan. Di masa lalu, sedikit atau tidak ada peraturan yang diberlakukan pada perkembangan baru di
sekitar danau. Tepi danau sekarang dipenuhi dengan rumah liburan, dan tangki septik banyak digunakan,
kebanyakan tidak dipasang dengan benar. Selama bertahun-tahun, rembesan dari septic tank menyebabkan
polusi air yang parah. Untuk mengekang degradasi lebih lanjut dari danau, pejabat daerah telah menyetujui
peraturan ketat yang berlaku untuk semua pembangunan di masa depan:
(1) Hanya rumah keluarga tunggal, ganda, dan rangkap tiga yang dapat dibangun, dengan jumlah
rumah keluarga tunggal paling sedikit 50% dari total keseluruhan. (2) Untuk membatasi jumlah septic
tank, ukuran kavling minimal 2, 3, dan 5 hektar diperlukan untuk rumah keluarga tunggal, ganda, dan
tiga. (3) Areal rekreasi seluas 1 hektar masing-masing harus ditetapkan dengan tarif satu areal per 220
keluarga. (4) Untuk melestarikan ekologi danau, air bawah tanah tidak boleh dipompa keluar untuk
keperluan rumah atau kebun. Presiden Realco sedang mempelajari kemungkinan mengembangkan
properti seluas 800 hektar. Pengembangan baru akan mencakup rumah keluarga tunggal, ganda, dan
tiga. Diperkirakan 15% dari areal akan dialokasikan untuk jalan dan fasilitas utilitas. Realco
memperkirakan pengembalian dari yang berbeda
unit rumah sebagai berikut:
Unit perumahan Lajang Dobel tiga kali lipat
Pengembalian bersih per unit ($) 12.000 15.000 18.000
Biaya penyambungan layanan air bersih ke wilayah tersebut sebanding dengan jumlah unit
yang dibangun. Namun, daerah mengenakan biaya minimal $ 120.000 untuk proyek tersebut.
Selain itu, perluasan sistem air di luar kapasitasnya saat ini terbatas pada:
Masalah 91
220.000 galon per hari selama periode puncak. Data berikut merangkum biaya
sambungan layanan air serta konsumsi air, dengan asumsi ukuran keluarga rata-rata:
Unit perumahan Lajang Dobel tiga kali lipat Rekreasi
Biaya sambungan layanan air per unit ($) 1000 1200 1400 800
Konsumsi air per unit (gal/hari) 400 600 840 450
Kembangkan model LP untuk menentukan rencana optimal untuk Realco, dan temukan solusinya
2-66. Pertimbangkan model Realco dari Soal 2-65. Misalkan tambahan 100 hektar
tanah dapat dibeli seharga $ 450.000, yang akan meningkatkan luas total menjadi 900 hektar. Apakah ini
kesepakatan yang menguntungkan bagi Realco?
2-67. Hi-V memproduksi tiga jenis minuman jus kaleng, A, B, dan C, menggunakan stroberi segar-
ries, anggur, dan apel. Persediaan harian terbatas pada 200 ton stroberi, 90 ton anggur,
dan 150 ton apel. Biaya per ton stroberi, anggur, dan apel adalah $210, $110, dan $100,
masing-masing. Setiap ton menghasilkan 1500 pon jus stroberi, 1200 pon jus anggur, dan
1000 pon jus apel. Minum A adalah campuran 1:1 dari stroberi dan jus apel. Minum
B adalah 1:1:2 campuran stroberi, anggur, dan jus apel. Minum C adalah campuran 2:3 anggur dan jus
apel.Semua minuman kalengan dalam kaleng 16 ons (1 lb). Harga per kaleng adalah $1,15, $1,25, dan $1,20
untuk minuman A, B, dan C. Kembangkan model LP untuk menentukan bauran produksi yang optimal dari
ketiga minuman tersebut, dan temukan solusinya menggunakan AMPL, Solver, atau TORA.
* 2-68. Toko perangkat keras mengemas tas tukang yang berisi sekrup, baut, mur, dan ring. Sekrup datang dalam kotak
100 pon dan harganya masing-masing $ 120, baut datang dalam kotak 100 pon dan harganya masing-masing $
175, mur datang dalam kotak 80 pon dan harganya $ 75 masing-masing, dan mesin cuci datang dalam kotak 30
pon dan harganya $ 25 masing-masing. Paket tukang memiliki berat setidaknya 1 pon dan harus mencakup,
menurut beratnya, setidaknya 10% sekrup dan 25% baut, dan paling banyak 15% mur dan 10% ring. Untuk
menyeimbangkan paket, jumlah baut tidak boleh melebihi jumlah mur atau jumlah ring. Sebuah baut memiliki
berat 10 kali lipat mur dan 50 kali lipat ring. Kembangkan model LP untuk menentukan campuran paket yang
optimal, dan temukan solusinya menggunakan AMPL, Solver, atau TORA.
2-69. All-Natural Coop membuat tiga sereal sarapan, A, B, dan C, dari empat bahan:
gandum gulung, kismis, kelapa parut, dan irisan almond. Ketersediaan bahan harian masing-
masing adalah 5 ton, 2 ton, 1 ton, dan 1 ton. Biaya per ton yang sesuai adalah $100, $120, $110,
dan $200, masing-masing. sereal A adalah campuran 50:5:2 oat, kismis, dan almond. sereal B
adalah campuran oat, kelapa, dan almond 60:2:3. sereal C adalah campuran oat, kismis, kelapa,
dan almond 60:3:4:2. Sereal diproduksi dalam ukuran 5 pon jumbo. Penjualan All-Natural A, B,
dan C masing-masing seharga $2,00, $2,50, dan $3,00 per kotak. Permintaan harian minimum
untuk sereal A, B, dan C masing-masing adalah 500, 600, dan 500 kotak. Kembangkan model LP
untuk menentukan campuran produksi sereal yang optimal dan jumlah bahan yang terkait, dan
temukan solusinya menggunakan AMPL, Solver, atau TORA.
2-70. Sebuah kilang memproduksi dua kelas bahan bakar jet, F 1 dan F 2, dengan mencampur empat jenis bensin, A, B, C,
dan D. Bahan bakar F 1 menggunakan bensin A, B, C, dan D dalam rasio 1: 1: 2: 4, dan bahan bakar F 2
menggunakan rasio 2:2:1:3. Batas pasokan untuk A, B, C, dan D masing-masing adalah 1000, 1200, 900, dan 1500
bbl/hari. Biaya per bbl untuk bensin A, B, C, dan D masing-masing adalah $120, $90, $100, dan $150. bahan bakar
F 1 dan F 2 masing-masing dijual seharga $200 dan $250 per bbl. Permintaan minimum untuk F 1 dan F 2 adalah
200 dan 400 bbl/hari, masing-masing. Kembangkan model LP untuk menentukan bauran produksi yang optimal
untuk F 1 dan F 2, dan temukan solusinya menggunakan AMPL, Solver, atau TORA.
* 2-71. Sebuah perusahaan minyak menyuling dua jenis minyak mentah, A dan B, untuk memproduksi bensin reguler
dan premium dan bahan bakar jet. Ada batasan pada ketersediaan harian minyak mentah
dan permintaan minimum untuk produk akhir. Jika produksi tidak cukup untuk menutupi
permintaan, kekurangan tersebut harus dipenuhi dari sumber luar dengan penalti.
Kelebihan produksi tidak akan langsung dijual dan akan dikenakan biaya penyimpanan.
Tabel berikut memberikan data situasi:
Hasil fraksi per bbl
Mentah Reguler Premium Jet Harga/bbl ($) bbl/hari
mentahA . 20 .1 . 25 30 2500
mentah B . 25 .3 . 10 40 3000
Permintaan (bbl/hari) 500 700 400
Pendapatan ($/bbl) 50 70 120
Biaya penyimpanan untuk
produksi surplus ($/bbl) 2 3 4
Penalti karena tidak terisi
permintaan ($/bbl) 10 15 20
Kembangkan model LP untuk menentukan bauran produk yang optimal untuk kilang, dan temukan
2-72. Dalam situasi kilang pada Soal 2-71, misalkan unit distilasi benar-benar
menghasilkan produk antara nafta dan minyak ringan. Satu bbl minyak mentah A menghasilkan
. 35 bbl nafta dan 0,6 bbl minyak ringan, dan satu bbl minyak mentah B menghasilkan .45 bbl nafta dan
.5 bbl minyak ringan. Nafta dan minyak ringan dicampur untuk menghasilkan tiga produk bensin akhir:
Satu bbl bensin biasa memiliki rasio campuran 2:1 (nafta terhadap minyak ringan), satu bbl bensin
premium memiliki rasio campuran 1:1, dan satu bbl bahan bakar jet memiliki rasio campuran 1:2.
Kembangkan model LP untuk menentukan bauran produksi yang optimal, dan temukan solusinya
2-73. Hawaii Sugar Company memproduksi gula merah, gula olahan (putih), gula bubuk,
dan molase dari sirup tebu.Perusahaan membeli 4000 ton sirup setiap minggu dan dikontrak
untuk mengirimkan setidaknya 25 ton setiap minggu untuk setiap jenis gula.Proses produksi
dimulai dengan membuat gula merah dan molase dari sirup.Satu ton sirup menghasilkan . 3 ton
gula merah dan ,1 ton tetes tebu. Gula putih diproduksi dengan mengolah gula merah.
Dibutuhkan 1 ton gula merah untuk menghasilkan 0,8 ton gula putih. Gula bubuk diproduksi
dari gula putih melalui proses penggilingan khusus yang memiliki efisiensi konversi 95% (1 ton
gula putih menghasilkan 0,95 ton gula bubuk). Keuntungan per ton untuk gula merah, gula
putih, gula bubuk, dan molase masing-masing adalah $150, $200, $230, dan $35. Rumuskan
masalah sebagai program linier, dan tentukan jadwal produksi mingguan menggunakan AMPL,
Solver, atau TORA.
2-74. Kilang minyak serpih memadukan dua stok minyak bumi, A dan B, untuk menghasilkan dua oktan tinggi
produk bensin, I dan II. Saham A dan B diproduksi pada tingkat maksimum masing-masing 450
dan 700 bbl/jam. Angka oktan yang sesuai adalah 98 dan 89, dan tekanan uapnya adalah 10 dan
8 lb/in 2. Bensin I dan Bensin II harus memiliki angka oktan masing-masing minimal 91 dan 93.
Tekanan uap yang terkait dengan kedua produk tidak boleh melebihi 12 lb/in 2. Keuntungan per
bbl I dan II adalah $7 dan $10, masing-masing. Kembangkan model LP untuk menentukan
tingkat produksi optimal untuk I dan II dan rasio campurannya dari stok A dan B, dan temukan
solusinya menggunakan AMPL, Solver, atau TORA. ( Petunjuk: Tekanan uap, seperti angka oktan,
adalah rata-rata tertimbang dari tekanan uap campuran bahan.)
2-75. Sebuah pengecoran melebur baja, aluminium, dan potongan besi cor untuk menghasilkan dua jenis logam
ingot, I dan II, dengan batasan khusus pada kandungan aluminium, grafit, dan silikon.
Masalah 93
Briket aluminium dan silikon dapat digunakan dalam proses peleburan untuk memenuhi
spesifikasi yang diinginkan. Tabel berikut mengatur spesifikasi masalah:
Isi (%)
Masukan barang Aluminium Grafit silikon Biaya/ton ($) Tersedia (ton/hari)
Potongan baja 10 5 4 100 1000

Potongan aluminium 95 1 2 150 500
Potongan besi cor 0 15 8 75 2500
briket aluminium 100 0 0 900 Jumlah berapa pun
Briket silikon 0 0 100 380 Jumlah berapa pun
Batangan I (%) Batangan II (%)
Bahan Minimum Maksimum Minimum Maksimum

Aluminium 8.1 10.8 6.2 8.9
Grafit 1.5 3.0 4.1 ∞
silikon 2.5 ∞ 2.8 4.1
Permintaan (ton/hari) 130 250
Kembangkan model LP untuk menentukan campuran input optimal yang harus dilebur oleh pengecoran, dan
temukan solusinya menggunakan AMPL, Solver, atau TORA.
2-76. Dua paduan, A dan B, terbuat dari empat logam, I, II, III, dan IV, sesuai dengan
spesifikasi:
paduan spesifikasi Harga jual ($)
A Paling banyak 80% dari I Paling 200

banyak 30% dari II Setidaknya 50%
dari IV Antara 40% dan 60% dari II
B Setidaknya 30% dari III 300
Paling banyak 70% dari IV
Keempat logam tersebut diekstraksi dari tiga bijih menurut data berikut:
Konstituen (%)
Kuantitas maksimum
Bijih (ton) Saya II AKU AKU AKU IV Yang lain Harga/ton ($)
1 1000 20 10 30 30 10 30
2 2000 10 20 30 30 10 40
3 3000 5 5 70 20 0 50
Kembangkan model LP untuk menentukan berapa banyak setiap jenis paduan harus diproduksi,
dan temukan solusinya menggunakan AMPL, Solver, atau TORA. ( Petunjuk: Membiarkan x kj menjadi ton bijih Saya
dialokasikan untuk paduan k, dan tentukan w k sebagai ton paduan k diproduksi.)
2-77. Alokasi Ruang Rak. Toko kelontong harus memutuskan ruang rak yang akan dialokasikan untuk
masing-masing dari lima jenis sereal sarapan. Permintaan harian maksimum adalah 110, 80, 150, 85, dan
100 kotak, masing-masing. Ruang rak dalam inci persegi untuk masing-masing kotak adalah 15, 25, 16,
20, dan 22.Total ruang rak yang tersedia adalah 5000 in 2. Laba per unit masing-masing adalah
$1,10, $1,30, $1,08, $1,25, dan $1,20. Tentukan alokasi ruang yang optimal untuk lima sereal.
2-78. Pemungutan Suara pada Masalah. Di daerah tertentu di Negara Bagian Arkansas, empat masalah pemilihan sedang berlangsung
pemungutan suara: Membangun jalan raya baru, meningkatkan kontrol senjata, meningkatkan subsidi pertanian, dan
meningkatkan pajak bensin. Kabupaten ini mencakup 100.000 pemilih perkotaan, 250.000 pemilih pinggiran kota, dan
50.000 pemilih pedesaan, semuanya dengan berbagai tingkat dukungan dan penentangan terhadap,
masalah pemilu. Misalnya, pemilih pedesaan menentang kontrol senjata dan pajak bahan bakar dan
mendukung pembangunan jalan dan subsidi pertanian. Daerah ini merencanakan kampanye iklan TV
dengan anggaran $ 100.000 dengan biaya $ 1500 per iklan. Tabel berikut merangkum dampak dari satu
iklan dalam hal jumlah suara pro dan kontra sebagai fungsi dari isu yang berbeda:
1 2+ dan
Jumlah yang diharapkan dari pro
1 2- suara per iklan
penipu
Isu perkotaan pinggiran kota Pedesaan
Jalan raya baru - 30.000 + 60.000 + 30.000

Kontrol senjata + 80.000 + 30.000 - 45.000
Kontrol kabut asap + 40.000 + 10.000 0
pajak bensin + 90.000 0 - 25.000
Sebuah isu akan diadopsi jika mengumpulkan setidaknya 51% suara. Isu apa yang akan disetujui
oleh pemilih, dan berapa banyak iklan yang harus dialokasikan untuk isu-isu ini?
2-79. Penyeimbangan Lini Perakitan. Sebuah produk dirakit dari tiga bagian yang berbeda. Bagian
diproduksi oleh dua departemen pada tingkat produksi yang berbeda seperti yang diberikan dalam
meja rendah:
Tingkat produksi (unit/jam)

Kapasitas
Departemen (jam/minggu) Bagian 1 Bagian 2 Bagian 3
1 100 6 8 12
2 90 6 12 4
Tentukan jumlah maksimum unit perakitan akhir yang dapat diproduksi setiap minggu. (
Petunjuk: Unit perakitan = min {unit bagian 1, unit bagian 2, dan unit bagian 3}.
Maksimalkan z = menit { x 1, x 2} setara dengan maks z tunduk pada z … x 1 dan z … x 2.)
2-80. Pengendalian pencemaran. Tiga jenis batubara, C1, C2, dan C3, dihaluskan dan dicampur menjadi satu
menghasilkan 50 ton per jam yang dibutuhkan untuk menggerakkan pembangkit listrik untuk menghasilkan
listrik.Pembakaran batu bara memancarkan oksida belerang (dalam bagian per juta) yang harus memenuhi
spesifikasi EPA tidak lebih dari 2000 bagian per juta.Tabel berikut merangkum data dari situasi:
C1 C2 C3
Sulfur (bagian per juta) 2500 1500 1600

Kapasitas penghancur (ton/ 30 30 30
jam) Biaya per ton $30 $35 $33
Tentukan campuran batubara yang optimal.

Masalah 95
* 2-81. Kontrol Lampu Lalu Lintas, Stark dan Nicholes (1972). Lalu lintas mobil dari tiga high-
jalan, H1, H2, dan H3, harus berhenti dan menunggu lampu hijau sebelum keluar ke jalan tol. Tolnya
masing-masing adalah $4, $5, dan $6 untuk mobil yang keluar dari H1, H2, dan H3. Laju aliran dari H1,
H2, dan H3 adalah 550, 650, dan 450 mobil per jam. Siklus lampu lalu lintas tidak boleh lebih dari 2,2
menit, dan lampu hijau di jalan raya mana pun harus setidaknya 22 detik. Lampu kuning menyala
selama 10 detik. Gerbang tol dapat menangani maksimum 500 mobil per jam. Dengan asumsi tidak ada
mobil yang bergerak dengan warna kuning, tentukan interval waktu hijau optimal untuk tiga jalan raya
yang akan memaksimalkan pendapatan gerbang tol per siklus lalu lintas.
2-82. Memasang Garis Lurus ke dalam Data Empiris (Regresi). Di kelas mengetik 10 minggu untuk
pemula, kecepatan rata-rata per siswa (dalam kata per menit) sebagai fungsi dari
jumlah minggu di kelas diberikan dalam tabel berikut.
Pekan, x 1 2 3 4 5 6 7 8 9 10
Kata per menit, kamu 5 9 15 19 21 24 26 30 31 35
Tentukan koefisien A dan B dalam hubungan garis lurus, kamu n = kapak + b, itu
paling sesuai dengan data yang diberikan. ( Petunjuk: Minimalkan jumlah nilai mutlak penyimpangan
antara teori kamu n dan empiris y. min ∙ w ∙ setara dengan min z tunduk pada z Ú w
dan z - w, z Ú 0.Atau, min ∙ w ∙ setara dengan min 1 z+ + z- 2 tunduk pada
w = z+ - z- dengan z+, z- Ú 0.)
2-83. Meratakan Medan untuk Jalan Raya Baru, Stark dan Nicholes (1972). Arkansas
Departemen Jalan Raya sedang merencanakan jalan raya 10 mil baru di medan yang tidak rata seperti
yang ditunjukkan oleh profil pada Gambar 2.13. Lebar medan konstruksi kurang lebih 50 meter. Untuk
menyederhanakan situasi, profil medan dapat diganti dengan fungsi langkah seperti yang ditunjukkan
pada gambar. Dengan menggunakan alat berat, tanah yang dipindahkan dari dataran tinggi diangkut
untuk mengisi daerah rendah. Ada juga dua lubang liang, I dan II, yang terletak di ujung bentangan 10
mil dari mana tanah tambahan dapat diangkut, jika diperlukan. Pit I berkapasitas 20.000 yard kubik dan
pit II berkapasitas 15.000 yard kubik. Biaya pemindahan tanah dari pit I dan II masing-masing adalah
$1,50 dan $1,90 per yard kubik.
Gambar 2.13
Profil medan untuk Soal 2-83
1 20
1 100
10
0 Mil
1 3 5 7 8 9
2 10
2 20
Biaya transportasi per yard kubik per mil adalah $0,15, dan biaya penggunaan alat berat untuk memuat
truk pengangkut adalah $0,20 per yard kubik. Ini berarti bahwa satu yard kubik dari lubang yang saya
angkut 1 mil akan menelan biaya total 1 1,5 + .20 2 + 1 * .15 = $1.85 dan satu yard kubik yang diangkut 1
mil dari bukit ke area pengisian akan dikenakan biaya .20 + 1 * .15 = $.35. Kembangkan rencana biaya
minimum untuk meratakan bentangan 10 mil.
2-84. Perencanaan Militer, Shepard and Associates (1988). Tentara Merah (kanan) sedang mencoba untuk
menyerang wilayah yang dipertahankan oleh BlueArmy (B). Biru memiliki tiga garis pertahanan dan 200
unit tempur reguler dan juga dapat menggambar di kolam cadangan 200 unit. Red berencana
menyerang di dua front, utara dan selatan. Biru telah mendirikan tiga garis pertahanan timur-barat, I,
II, dan III. Tujuan dari garis pertahanan 1 dan 2 adalah untuk menunda serangan RedArmy setidaknya 4
hari di setiap baris dan untuk memaksimalkan total durasi pertempuran. Waktu maju Tentara Merah
diperkirakan dengan rumus empiris berikut:
Durasi pertempuran dalam hari = a + b A Satuan biru B

Satuan merah
Konstanta A dan B adalah fungsi dari garis pertahanan dan front utara/selatan
seperti yang ditunjukkan tabel berikut:
A B
Saya II AKU AKU AKU Saya II AKU AKU AKU
depan utara .5 . 75 . 55 8.8 7.9 10.2

depan selatan 1.1 1.3 1.5 10.5 8.1 9.2
Unit cadangan BlueArmy hanya dapat digunakan di garis pertahanan II dan III. Alokasi
unit oleh Tentara Merah ke tiga garis pertahanan diberikan dalam tabel berikut:
Jumlah unit serangan RedArmy
Garis pertahanan 1 Garis pertahanan 2 Garis pertahanan 3
depan utara 30 60 20
depan selatan 30 40 20
Bagaimana seharusnya Blue mengalokasikan sumber dayanya di antara tiga garis pertahanan dan
front utara/selatan?
2-85. Manajemen Kualitas Air, Stark dan Nicholes (1972). Empat kota membuang air limbah
ke dalam aliran yang sama. Kota 1 berada di hulu, diikuti oleh kota 2 di hilir, lalu kota 3, dan
kemudian kota 4. Diukur di sepanjang sungai, kota-kota tersebut berjarak sekitar 15 mil.
Ukuran jumlah polutan dalam air limbah adalah BOD (biochemical oxygen demand), yaitu
berat oksigen yang dibutuhkan untuk menstabilkan konstituen limbah dalam air. BOD yang
lebih tinggi menunjukkan kualitas air yang lebih buruk. EPA menetapkan pemuatan BOD
maksimum yang diizinkan, dinyatakan dalam lb BOD per galon. Penghapusan polutan dari
air limbah terjadi dalam dua bentuk: (1) aktivitas dekomposisi alami yang dirangsang oleh
oksigen di udara, dan (2) instalasi pengolahan di titik pembuangan sebelum limbah
mencapai sungai. Tujuannya adalah untuk menentukan efisiensi yang paling ekonomis dari
masing-masing dari empat pabrik yang akan mengurangi BOD ke tingkat yang dapat
diterima.
Untuk mendemonstrasikan perhitungan yang terlibat dalam proses, pertimbangkan definisi
berikut untuk pabrik 1:
Masalah 97
Q 1 = Aliran aliran 1 gal/jam 2 di the15@mile reach1 9 2 mengarah ke kota2
P 1 = Tingkat debit BOD 1 dalam lb/jam 2
x 1 = efisiensi pabrik1 1 … . 99 2
B 1 = pemuatan BOD maksimum yang diizinkan dalam jangkauan1 9 2 1 dalam lb BOD/gal 2
Untuk memenuhi persyaratan pemuatan BOD 1 masuk re 2 setiap 1–2, kita harus memiliki
P11 - x1… B1 Q1
Dengan cara yang sama, beban BOD kontra B kereta A t untuk mencapai 2-3 tak B adalah bentuk
pelepasan BOD pelepasan BOD

11 - R 122 a + … b2Q 2
tingkat dalam jangkauan 2 9 3
atau
1-R P 1-x 2+
12 21rea 1 bab 11 9 2
1 menilai dalam P 211 - x 2 …2B 2 Q 2
1 fraksi
Koefisien R 12 6 1 mewakili 2 limbah yang dibuang dalam jangkauan 1-2 dengan dekomposisi
posisi. Untuk mencapai 2 2 1 –3, kendalanya adalah 2 + P 2 1 1 - x 2 2] + P 3 1 1 - x 3 2 … B 3 Q 3
1 1 - R 23 [ 1 - R 12 2 P 1 1 1 - x 1
Tentukan efisiensi yang paling ekonomis untuk keempat plant dengan menggunakan persamaan berikut:
data (fraksi penghapusan BOD 1 ed oleh dekomposisi adalah 6% untuk keempat jangkauan) 2:
Mencapai 1–2 Mencapai 2-3 Mencapai 2-3 Mencapai 3-4

saya = 1 2 1saya = 2 2 1saya = 3 2 1saya = 4
Q Saya ( gal/jam) 215.000 220.000 200.000 210.000

P Saya ( lb/jam) 500 3.000 6.000 1.000
B Saya ( lb BOD/gal) . 00085 . 0009 . 0008 . 0008
Biaya pengobatan
($/lb BOD dihapus) . 20 . 25 . 15 . 18
2-86. Memuat Struktur, Stark dan Nichole (1972). Derek overhead pada Gambar 2.14 dengan dua
mengangkat kuk digunakan untuk mengangkut beton campuran ke halaman untuk pengecoran penghalang beton.
Gambar 2.14
Derek overhead dengan dua kuk (Masalah 2-86)
2 kaki 6 kaki 8 kaki 12 kaki 2 kaki
Derek gelagar
kuk 1 kuk 2
W1 W2
Ember beton tergantung di titik tengah dari kuk. Rel ujung derek dapat menopang masing-
masing maksimum 25 kip, dan kabel yoke masing-masing memiliki kapasitas 20 kip. Tentukan
kapasitas beban maksimum, W 1 dan W 2. ( Petunjuk: Pada kesetimbangan, jumlah momen tentang
setiap titik pada gelagar atau kuk adalah nol.)
2-87. Alokasi Pesawat ke Rute. Pertimbangkan masalah menugaskan pesawat ke empat rute
menurut data berikut ini:
Jumlah perjalanan harian pada rute

Kapasitas Jumlah
Jenis pesawat (penumpang) pesawat terbang 123 4
1 50 5 322 1
2 30 8 433 2
3 20 10 554 2
Nomor harian
pelanggan 1000 2000 900 1200
Biaya terkait, termasuk penalti karena kehilangan pelanggan karena tempat

tidak tersedia, adalah:
Biaya operasional ($) per perjalanan di rute
Jenis pesawat 1 2 3 4
1 1000 1100 1200 1500

2 800 900 1.000 1000
3 600 800 800 900
Penalti ($) per

kehilangan pelanggan 40 50 45 70
Tentukan alokasi optimal pesawat untuk rute, dan tentukan jumlah perjalanan
yang terkait.

Penida Lagi - En.id

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

Penida Lagi - En.id

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

halaman ini sengaja dibiarkan kosong

Apa itu Riset Operasi?

1.2 Model riset operasi

1. Apa keputusannya? alternatif?

Biaya Alternatif 1 = 5 * $400 = $2000 Biaya Alternatif 2 = .75 * $400 + 4 * 1.

w = lebar persegi panjang dalam kaki

h = tinggi persegi panjang dalam kaki

Pembatasan ini diterjemahkan secara aljabar sebagai

memaksimalkan z dicapai dengan menggunakan kalkulus diferensial (Bab 20), yang

Maksimalkan atau minimalkan Fungsi objektif

1.3 memecahkan atau Model

ah! Momen: ada lovelace, programmer algoritma pertama

1.4 Model Antrian dan Simulasi

Penggunaan simulasi bukannya tanpa kekurangan. Proses pengembangan model

1.5 seni Modeling

1. Departemen produksi: Kapasitas produksi dinyatakan dalam jam mesin dan

Asumsi Dunia Nyata Model

Masing-masing variabel tersebut mempengaruhi tingkat produksi di Tyko. Mencoba membangun

1.6 Lebih dari Sekedar MatheMatIcs

2. Wisatawan yang tiba di Bandara Intercontinental di Houston, Texas, com-

3 http://www.fastcompany.com/3004319/brown-down-ups-drivers-vs-ups-algorithm. Lihat juga “Di UPS,

Empat kesimpulan dapat ditarik dari ilustrasi ini:

1. Tim OR harus mengeksplorasi kemungkinan menggunakan ide-ide "berbeda" untuk

1.7 fase dari sebuah atau studi

1.8 tentang buku ini

Bagian Masalah yang Ditugaskan

1.2 1-1 hingga 1-11

1-1. Dalam contoh tiket,

(B) Identifikasi alternatif keempat yang layak dan tentukan biayanya.

Operasi Waktu (detik)

1. Tempatkan balok pada kuda gergaji 15

(A) Identifikasi dua solusi yang layak.

(A) Identifikasi dua solusi yang layak dan evaluasi mereka.

Pemodelan dengan pemrograman Linier

Aplikasi Kehidupan Nyata—Frontier Airlines Membeli Bahan Bakar Secara Ekonomis

2.1 Model LP Dua-Variabel

Contoh 2.1-1 (Perusahaan Reddy Mikks)

Ton bahan baku per ton

1. Keputusan variabel yang kita coba tentukan.

x 1 = Ton cat eksterior yang diproduksi setiap hari

x 2 = Ton cat interior diproduksi setiap hari

Keuntungan dari cat eksterior = 5 x 1 1 ribu 2 dolar

Keuntungan dari cat interior = 4 x 2 1 ribu 2 dolar

Penggunaan bahan baku B … A Bahan baku maksimal B

Penggunaan bahan baku M 1 dengan kedua cat = 6 x 1 + 4 x 2 ton/hari

Dengan cara yang serupa,

Penggunaan bahan baku M 2 dengan kedua cat = 1 x 1 + 2 x 2 ton/hari

Pembatasan kedua membatasi permintaan harian cat interior hingga 2 ton—yaitu,

Pembatasan implisit (atau "dipahami-to-be") membutuhkan (semua) variabel, x 1 dan x 2, ke

2.2 SOLUSI LP GRAFIS

1. Penentuan ruang solusi fisibel.

Presentasi menggunakan dua contoh untuk menunjukkan bagaimana fungsi tujuan

2.2.1 Solusi dari Model Maksimalisasi

Langkah 1. Penentuan Ruang Solusi yang Layak:

substitusi dari 1 x 1, x 2 2 = 1 0, 0 2 otomatis menghasilkan nol untuk sisi kiri. Karena

Langkah 2. Penentuan Solusi Optimal:

Solusinya adalah x 1 = 3 dan x 2 = 1,5 dengan z = 1 5 * 3 2 + 1 4 * 1,5 2 = 21. Ini

2.2.2 Solusi Model Minimisasi Contoh

2.2-2 (Masalah Diet)

lb per lb bahan pakan

Bahan pakan Protein Serat Biaya ($/lb)

x 1 = pon jagung dalam campuran harian

Objektif, z 5 x1+4 x2 = B5$B$13+C5$C$13 D5

maksimalkan z: 5x1+4x2; Gambar 2.7