Optimisasi

Ringkasan
___________________________________________________________________ 8
Ringkasan Optimisasi (Perancangan Proses)
“OPTIMIZATION OF CHEMICAL
PROCESSES”
(T.F. Edgar – D.M. Himmelblau)
“METODE KUANTITATIF”
(M. Muslich)
___________________________________________________________________ 8
SIFAT DASAR DAN HAL
2 2
YANG MENGATUR PERSOALAN OPTIMISASI
OPTIMISASI  Adalah salah satu alat kuantitatip untuk membuat

keputusan dalam masalah : design, konstruksi,
operasi dan analisis suatu industri.
 Dalam bidang FISIKA  Prinsip optimal dibicarakan untuk

menggambarkan phenomena alamiah dalam bidang optik dan
mekanika klasik.
 Dalam bidang STATISTIK  Prinsip optimal membicarakan
tentang kemungkinan maximum, kehilangan minimum, dan least
square.
 Dalam bidang BISNIS  Prinsip optimal digunakan untuk
meningkatkan keuntungan dengan menggunakan max. profit, min.
cost, max. use of resources, dan min. effort.
 Dalam bidang TEKNIK  Tujuannya untuk mendapatkan nilai /
harga terbaik criteria performance dari variabel2 dalam proses,
biasanya melibatkan trade-off antara modal dan biaya operasi.
Contoh : suatu proses dapat dinyatakan dengan beberapa
persamaan atau data eksperiment. Disini kita mempunyai satu
criteria perfomance,
misalnya : minimum cost.
 Dalam bidang TEKNIK KIMIA  Proses design atau operasi
pabrik mempunyai banyak sekali penyelesaian. Disini optimasi
digunakan untuk memilih salah satu penyelesaian yang terbaik
dengan metode kuantitatif yang efisien.
Dalam seleksi feasible dan cost-effective nya dapat melibatkan
komputer dan soft-warenya.
___________________________________________________________________ 8
Untuk menjalankannya perlu :
1 Analisis proses atau design.
2 Harus mengetahui apakah tujuan dari performance
yang cocok, yaitu : apa yang akan dicapai.
3 Menggunakan pengalaman masa lalu, kadang disebut
dengan “engineering judgment”, sebelum dihasilkan
informasi yang bermanfaat.
Tugas engineer, adalah :

 Meningkatkan design awal dari peralatan.
 Meningkatkan operasi peralatan setelah
dipasang untuk merealisasi produksi yang
terbesar, keuntungan terbesar, max. cost,
penggunaan energi sesedikit mungkin dsb.
Dalam operasi pabrik, keuntungan akan meningkat dengan

meningkatnya performance pabrik,
misalnya :
 Meningkatkan produk.
 Menurunkan kebutuhan energi.
 Processing rate yang lebih tinggi.
 Jarak antara shutdown lebih lama.
Optimisasi dapat juga mengarah ke :

 Penurunan biaya perawatan.
 Pengurangan pemakaian peralatan.
 Penggunaan staff yang lebih baik.
Dalam memperkirakan keuntungan (benefit) harus dilakukan

dengan hati2. Variabel2 design dan operasi selalu berhubungan.
Misal : Biaya bahan bakar untuk suatu kolom distilasi adalah
$ 3000 tiap hari, maka disini dapat dilakukan penghematan energi sebesar
___________________________________________________________________ 8
5% (misalnya). Tetapi tidak dibenarkan untuk menyederhanakan hitungan
beban HE dan mereduksi total panas yang dibutuhkan. Reduksi dalam
beban panas reboiler dapat mempengaruhi kemurnian produk, yang
mana dapat merubah profit.
Aplikasi formal dari optimisasi tidak dibenarkan  Apabila
ada ketidak pastian dalam gambaran matematis / data yang digunakan
dalam model dari proses. Sehingga engineer harus menggunakan
pertimbangan dalam menerapkan teknik optimisasi pada masalah2
yang mempunyai ketidak pastian, baik dari sudut ketepatan (accuracy)
dan kenyataan bahwa parameter2 operasi pabriknya dan daerah
sekitarnya tidak selalu statis  Dalam beberapa kasus dimungkinkan
untuk melakukan analisis melalui optimisasi “deterministic” dan
menambahkan ciri2 “stochastic” pada analisis untuk mendapatkan
dugaan kuantitative dari derajad ketidak pastian.
Pada proses design dan spesifikasi peralatan, optimisasi digunakan

untuk membuat keputusan mengenai :
 Pemilihan proses.
 Kondisi operasi nominal.
Jadi disini tugasnya menjawab pertanyaan, seperti :

 Apakah kita mendesign proses batch atau kontinyu.
 Berapa reactor yang digunakan, pemilihan bahan konstruksi dan
peralatan (misal : memilih HE dari 10 tipe HE yang ada).
 Bagaimana konfigurasi/susunan dari pabrik dan bagaimana
mengatur proses sehingga efisien operasi dari pabrik berada pada
keadaan max.
 Berapa ukuran optimum dari satu unit atau kombinasi dari unit2.
___________________________________________________________________ 8
PROSEDUR UMUM
PENYELESAIAN PERSOALAN OPTIMISASI
Tabel 1.1 (Himmelblau) :

Enam langkah untuk menyelesaikan persoalan optimisasi.
1. Menganalisa proses sehingga variable proses dan karakteristik

khusus didefinisikan, yaitu membuat daftar semua variable.
2. Menentukan criteria optimisasi dan menentukan fungsi obyektif
dalam bentuk variabel2 diatas bersama dengan koefisien.
3. Mengembangkan model peralatan yang menghubungkan variable
input-output proses dan koefisiennya. Mengenalkan variable bebas
dan tak bebas untuk memperoleh jumlah derajat kebebasan.
4. Bila formulasi persoalan cukup besar :
(a) Menguraikannya kedalam bagian2 yang dapat diatur.
(b) Menyederhanakan fungsi obyektif dan model.
5. Menerapkan teknik optimisasi yang tepat untuk pernyataan
matematis permasalahan.
6. Mengevaluasi jawaban dan menentukan kepekaan hasil dengan
mengubah koefisien pada permasalahan dan asumsi.
____________________________________________________________
CONTOH 1 :
Distributor bahan kimia akan mengoptimisasi bahan kimia tertentu.
Untuk menjual Q barrel (Q=100.000) bahan kimia ini per tahun, maka
harus menentukan jadwal produksi. Produksi yang tidak terjual harus tetap
diinventarisasi. Untuk menentukan jadwal produksi yang optimal harus
mengukur aspek persoalan sebagai hal yang penting dari sudut pandang
harga.
PENYELESAIAN :
___________________________________________________________________ 8
LANGKAH 1 :
Pilihan yang ada :
 Menghasilkan 100.000 unit dalam satu tahap.
 Membuat 10 tahap masing2 10.000 unit.
Pilihan yang terbaik  lebih murah untuk membuat 10 kali produksi

se tahun.
Didefinisikan variable operasi yang penting :

 Jumlah unit tiap tahap (D).
 Jumlah tahap per tahun (n).
 Jumlah unit total yang dihasilkan per tahun (Q).
LANGKAH 2 :
Dua factor biaya :
1. Biaya angkut atau biaya inventarisasi.
2. Biaya produksi.
Pada fungsi obyektif diambil biaya angkut inventarisasi : K1 D.

Parameter K1 akan membengkak seiring dengan biaya modal kerja dan
biaya penyimpanan.
Dianggap bahwa biaya produksi tahunan sebanding dengan jumlah
tahap produksi. Biaya per tahap dianggap fungsi linier D.
Biaya per tahap : K2 + K3 D ……………………… (a)
K2 : Susunan biaya dan menunjukkan biaya produksi tetap –

peralatan yang harus disiapkan, dibersihkan, dll.
K3 : Parameter biaya operasi (sebanding dengan jumlah unit yang
diproduksi).
___________________________________________________________________ 8
Biaya produksi tahunan dicari dengan mengalikan persamaan (a)
dengan jumlah produksi per tahun (n).
Biaya produksi total tahunan (C) :
C = K1 D + n (K2 + K3 D) …………………… (b)
LANGKAH 3 :
C adalah fungsi variable D dan n.
Dimana :
Q
n 
D
maka :
K 2Q
C  K1 D   K 3Q …………………… (c)
D
Dengan D hanya sebagai variable dan besar, maka dapat

diperlakukan sebagai variable kontinyu. Setelah memperoleh D optimal ,
harga D diperoleh dengan pembulatan ke atas atau ke bawah, walaupun
n = Q / D harus bulat.
Batasan lain D harus positip. Bila ada persamaan batas yang
menghubungkan D dengan parameter lain yang dikehendaki sebagai
model, maka derajat kebebasan dalam model dapat dieliminasi dan
optimisasi tidak dibutuhkan.
LANGKAH 4 : Tidak diperlukan.
LANGKAH 5 :
Lihat persamaan (c) , terdapat konstanta K3 Q bila diturunkan akan
hilang. K3 tidak masuk pada penentuan harga optimal D,
K3 terdapat pada biaya total.
___________________________________________________________________ 8
Bila fungsi biaya diturunkan terhadap D dan menjadikannya nol ,
maka :
dC K 2Q
 K1  0 ……………………. (d)
dD D2
Penyelesaian optimal untuk D :
K 2Q
D opt  ……………………. (e)
K1
bila : K1 = 1 ; K2 = 10.000 ; K3 = 4 ; Q = 100.000

maka :
Dopt = 31.622
Kondisi minimum diperlihatkan dengan turunan kedua C dan

hasilnya positip.
d 2C 2 K 2Q
  0 …………………… (f)
dD 2 D3
Untuk memperoleh Dopt. secara langsung dari persamaan (c)

dilakukan dengan memilih harga D dan menghitung C dari persamaan (c).
K1 = 1 ; K2 = 10.000 ; K3 = 4 ; Q = 100.000
D.103 10 20 30 40 50 60 70 80 90 100
C.103 510 470 463 465 470 477 484 492 501 510
Terlihat bahwa kisaran harga fungsi minimum

pada D antara 20.000 – 40.000
Perhitungan pada range ini akan menghasilkan harga D opt. yang lebih teliti.
Fungsi : biaya non-linier.
___________________________________________________________________ 8
Cost
per
run
K2
0 D
Unit produced per run
Biaya per tahap : K + K4 D1/2 …………………… (g)

Bila biaya tiap tahap mengikuti fungsi non-linier (seperti pada
gambar diatas) dan harga ber-ubah2 seperti pada persamaan (g), maka
total biaya produksi mempunyai fungsi :
K 2Q K 4Q
C  K1 D   1
…………………… (h)
D D 2
Persamaan diturunkan dan menjadikannya sama dengan nol :
dC K 2Q K 4Q
 K1  2
 3
 0 ………………………… (i)
dD D 2D 2
Persamaan ini tidak dapat dijadikan bentuk eksplisit D.
Ada dua cara meminimalkan fungsi (h) :

 Meminimalkan fungsi (h) langsung.
 Mencari akar persamaan (i).
 yang lebih mudah adalah meminimalkan C secara langsung
secara numeris.
Turunan kedua persamaan (h) adalah :
d 2C 2 K 2Q 3 K 4Q
  ………………………… (j)
dD 2 D 3 5
2
4 D
LANGKAH 6 :
___________________________________________________________________ 8
Kepekaan jawaban optimal dapat diketahui melalui bagaimana harga
optimal C ber-ubah2 dengan variable seperti perubahan D atau
perubahan koefisien fungsi obyektif. Harga parameter berisi kesalahan
atau ketidak pastian.
Perubahan Copt. Dicari dengan substitusi Dopt. Dari persamaan (e)
ke dalam fungsi total biaya (persamaan c).
C opt  2 K1 K 2 Q  K 3Q ……………………… (k)
Selanjutnya mengambil turunan parsial Copt terhadap K1, K2, K3,

dan Q.
C opt K 2Q
 ……………………… (l1)
K1 K1
C opt K1Q
 ……………………… (l2)
K 2 K2
C opt
 Q ……………………… (l3)
K 3
C opt K1 K 2
  K3 ……………………... (l4)
Q Q
Persamaan (l1) sampai (l4) adalah koefisien kepekaan absolut.
Dengan cara sama, untuk kepekaan Dopt. :
K 2Q
D opt  ……………………… (e)
K1
D opt 1 K 2Q
  ……………………… (m1)
K1 2 K1 K1
D opt 1 K 2Q
 ……………………… (m2)
K 2 2K 2 K1
D opt
 0 ……………………... (m3)
K 3
___________________________________________________________________ 8
D opt 1 K 2Q
 ……………………… (m4)
Q 2Q K1
Untuk Q = 100.000 K1 = 1 K2 = 10.000 K3 = 4
Maka : Dopt = 31.622  dengan interpolasi pada tabel diperoleh :

Copt = $ 463.240
Dari persamaan (c) :
K 2Q
C  K1 D 
 K 3Q ……………………… (c)
D
K 2Q
C opt  K1 D opt   K 3Q  $ 463.240
D opt
10 9
C opt  D opt   400.000  $ 463.240
D opt
C opt D opt
 31.620   15.810
K1 K1
C opt D opt
 3.162  1.581
K 2 K 2
C opt D opt
 100.000  0
K 3 K 3
C opt D opt
 4.316  0,158
Q Q
Terlihat Dopt peka terhadap K1 tetapi tidak terhadap Q.
Kepekaan relatif Copt terhadap K1 :
C opt
 ln C opt K 2Q K1 31.622 1
S KC1  K 1
C opt
  . opt   0,0683
K1  ln K1 K1 C 463.240
Untuk variable lain yang menghasilkan kepekaan relatif untuk C opt :
S KC 3  0,863 S KC2  0,0683
S QC  0,932
Perubahan parameter Q dan K3 mempunyai pengaruh relatif besar

pada Copt, lebih nyata daripada K1 atau K2.
Kepekaan relatif D opt :
___________________________________________________________________ 8
S KD1   0,5 S KD2  S QD  0,5
S KD3  0
Semua parameter kecuali K3 mempunyai pengaruh yang sama

pada harga Doptimum.
LINEAR PROGRAMMING
LINEAR PROGRAMMING  Salah satu pendekatan

matematik yang paling sering dipergunakan dalam keputusan2 manajerial.
Ada 4 kondisi utama yang diperlukan untuk penerapan linear

programming :
 Harus ada sumber daya.
misal : tenaga kerja, peralatan, keuangan, bahan dll.
 Ada suatu fungsi tujuan.
seperti memaksimalkan laba atau meminimumkan biaya.
 Harus ada linearitas.
misal : jika diperlukan 5 jam untuk membuat 1 barang, maka
2 barang membutuhkan waktu 10 jam.
 Harus ada keseragaman.
Barang yang diproduksi oleh suatu mesin adalah identik atau
sama.
LANGKAH FORMULASI LINEAR PROGRAMMING

2
LANGKAH 1 :
 Identifikasikan tujuan pokok dalam masalah yang dihadapi.
___________________________________________________________________ 8
 Tentukan keputusan apa yang diambil.
Apakah keputusan diambil untuk :
a) Meminimumkan biaya.
b) Memaksimumkan laba.
c) Ada tujuan pokok yang harus dicapai.
 Factor apa yang menjadi kendala.
LANGKAH 2 :
Dari analisa pada langkah 1, tetapkan atau definisikan variable
keputusan.
Misal : jumlah kg bahan A, jumlah lembar saham A, dll.
LANGKAH 3 :
Dari analisa pada langkah 2, tentukan fungsi tujuan yang dapat
berbentuk “Maksimum” atau ”Minimum”.
LANGKAH 4 :
Tentukan sumber atau factor kendala yang dapat berbentuk :
 Lebih kecil sama dengan ().
Sebagai perwujudan dari informasi paling banyak atau
maksimum.
 Lebih besar sama dengan ().
Sebagai perwujudan dari informasi paling sedikit atau
minimum atau non-negativity.
 Sama dengan (=).
CONTOH 2 :
PT “Cahaya” memiliki sebuah pabrik yang akan memproduksi 2 jenis
produk yaitu Astro dan Cosmos. Untuk memproduksi kedua jenis produk,
diperlukan bahan baku A, bahan baku B dan jam tenaga kerja. Maximum
___________________________________________________________________ 8
penyediaan bahan baku A adalah 60 kg per hari, bahan baku B 30 kg per
hari dan tenaga kerja 40 jam per hari. Kebutuhan setiap unit produk
akan bahan baku dan jam tenaga kerja, dapat dilihat dalam tabel
berikut ini :
Jenis bahan baku Bahan baku (kg) & tenaga kerja Maximum
dan tenaga kerja Astro Cosmos penyediaan
Bahan baku A 2 3 60 kg
Bahan baku B - 2 30 kg
Tenaga kerja 2 1 40 jam
Kedua jenis produk memberikan sumbangan keuntungan sebesar Rp

40,- untuk Astro dan Rp 30,- untuk Cosmos. Masalahnya adalah
bagaimana menentukan jumlah unit setiap jenis produk yang akan
diproduksi dalam setiap hari.
PENYELESAIAN :
LANGKAH 1 :
Perusahaan ingin menentukan jumlah unit setiap jenis produk yang
akan diproduksi dalam setiap hari untuk memaksimumkan keuntungan.
Berapa kg bahan baku yang dibutuhkan untuk produk jenis Astro
dan Cosmos, dengan mempertimbangkan kemampuan penyediaan
bahan baku dan tenaga kerja.
LANGKAH 2 :
Definisi variable keputusan : X1 : jumlah Astro per hari.
X2 : jumlah Cosmos per hari.
LANGKAH 3 :
___________________________________________________________________ 8
Fungsi tujuan adalah memaksimumkan keuntungan (Zmax.).
Zmax. = 40X1 + 30X2
LANGKAH 4 :
Faktor kendala :
1. 2X1 + 3X2  60 (Bahan baku A)
2. 2X2  30 (Bahan baku B)
3. 2X1 + 1X2  40 (Jam tenaga kerja)
4. X1  0 (non-negativity)
Kendala no. 4 dan 5 merupakan kendala lain yang harus

ditambahkan selain ketiga kendala diatas, hal ini disebabkan : Produksi
tidak boleh negatip  ini berarti X1 dan X2 tidak boleh negatip
atau harus lebih besar sama dengan nol (X1  0 dan X2  0).
Kedua kendala terakhir ini disebut kendala tidak boleh negatip
(non-negativity constraints).
Dari langkah2 diatas, dapat diperoleh susunan sebagai berikut :
FORMULASI LINEAR PROGRAMMING
Zmax. = 40X1 + 30X2
Faktor kendala :
1. 2X1 + 3X2  60 (Bahan baku A)

2. 2X2  30 (Bahan baku B)
3. 2X1 + 1X2  40 (Jam tenaga kerja)
___________________________________________________________________ 8
Setelah kita membentuk formulasi (model) linear programming, tahap
selanjutnya menguji/menyelesaikan model untuk mencari alternatif
keputusan yang dapat mengoptimalkan fungsi tujuan. Kata optimal dipakai
untuk menonjolkan sifat MAXIMUM atau MINIMUM dari fungsi tujuan.
Penyelesaian linear programming :

 Dengan metode grafik
 Dengan metode simplex
 Dengan komputer.
CONTOH 3 :
Skematik proses refinery diperlihatkan dalam Gambar berikut ini :
Costs Sales price

($24/bbl)
Crude oil 1 Gasoline ($36/bbl)
Kerosene ($24/bbl)
REFINERY Fuel oil ($21/bbl)
($15/bbl)
Crude oil 2 Residual ($10/bbl)
Volume percent yield Maximum allowable

Crude 1 Crude 2 production (bbl/day)
Gasoline 80 44 24.000
Kerosene 5 10 2.000
Fuel oil 10 36 6.000
Residual 5 10
Processing Cost ($/bbl) 0,5 1
___________________________________________________________________ 8
Buat fungsi linear untuk memaksimalkan total profit operasi per hari
dalam satuan $/hari dan gunakan metode grafik dan simplex untuk
penyelesaian fungsi ini.
PENYELESAIAN :
LINEAR PROGRAMMING
METODE GRAFIK
FORMULASI MASALAH :
Notasi untuk laju alir massa reaktan dan produk adalah :
X1 = bbl / hari crude 1 X4 = bbl / hari kerosene

X2 = bbl / hari crude 2 X5 = bbl / hari fuel oil
X3 = bbl / hari gasoline X6 = bbl / hari residual
Maximize f(x) = profit = income - raw material cost - processing cost.
Pendapatan perusahaan diperoleh dari harga jual :
36 X3 + 24 X4 + 21 X5 + 10 X6 ($/hari) ……………… (1)
Biaya operasi :
a) Biaya bahan baku = 24 X1 + 15 X2 ($/hari)
b) Biaya prosesing = 0,5 X1 + X2 ($/hari)
Total biaya operasi = 24,5 X1 + 16 X2 ……………… (2)
Bila pers. (1) dikurangi pers. (2), akan diperoleh profit per hari :
f(x) = 36 X3 + 24 X4 + 21 X5 + 10 X6 - 24,5 X1 - 16 X2 ….. (3)
Neraca massa komponen :
Gasoline : 0,8 X1 + 0,44 X2 = X3 ……………… (4)
___________________________________________________________________ 8
Kerosene : 0,05 X1 + 0,1 X2 = X4 ……………… (5)
Fuel oil : 0,1 X1 + 0,36 X2 = X5 ....…………… (6)
Residual : 0,05 X1 + 0,1 X2 = X6 …………… (7)
Substitusi persamaan (4 - 7) kedalam persamaan (3) , diperoleh :
f(x) = Zmax = 8,1 X1 + 10,8 X2 ………………… (8)

Faktor kendala :
1. Gasoline : X3  24.000 atau 0,8 X1 + 0,44 X2  24.000
2. Kerosene : X4  2.000 atau 0,05 X1 + 0,1 X2  2.000
3. Fuel oil : X5  6.000 atau 0,1 X1 + 0,36 X2  6.000
4. X1, X2  0 (non-negativity)
LANGKAH 1 :
= Menggambarkan grafik kendala =
 Kendala 1 : Gasoline.
Kendala : 0,8 X1 + 0,44 X2  24.000 , dapat dibuat menjadi

persamaan :
0,8 X1 + 0,44 X2 = 24.000
bila : X1 = 0 , maka X2  54.500

X2 = 0 , maka X1 = 30.000
___________________________________________________________________ 8
X2 (Crude 2)
54,5
0,8X1 + 0,44X2 = 24.000
103
0,8X1 + 0,44X2 < 24.000
X1 (Crude 1)
0 30
103
Daerah feasible yang diliputi kendala : 0,8 X 1 + 0,44 X2  24.000
adalah dibawah garis.
 Kendala 2 : Kerosene.
Kendala : 0,05 X1 + 0,1 X2  2.000 , dapat dibuat menjadi persamaan :

0,05 X1 + 0,1 X2 = 2.000
bila : X1 = 0 X2 = 20.000
X2 = 0 X1 = 40.000
X2 (Crude 2)
20
0,05X1 + 0,1X2 = 2.000
103 0,05X1 + 0,1X2 < 2.000
X1 (Crude 1)
0 40
103
___________________________________________________________________ 8
Daerah feasible yang diliputi kendala : 0,05 X 1 + 0,1 X2  2.000
 Kendala 3 : Fuel oil.
Kendala : 0,1 X1 + 0,36 X2  6.000 , dapat dibuat menjadi persamaan :

0,1 X1 + 0,36 X2 = 6.000
bila : X1 = 0 , maka X2  16.700

X2 = 0 , maka X1 = 60.000
X2 (Crude 2)
16,7
0,1X1 + 0,36X2 = 6.000
103 0,1X1 + 0,36X2 < 6.000
X1 (Crude 1)
0 60
103
Daerah feasible yang diliputi kendala : 0,1 X1 + 0,36 X2  6.000
 Kendala 4 dan 5 :
Khusus untuk kendala ini menganggap bahwa hanya daerah positip X 1
dan positip X2 yang dipertimbangkan sebagai daerah feasible.
___________________________________________________________________ 8
X2 (Crude 2)
54,5 J
Garis kendala 1
103
20 I
16,7 Garis kendala 2

E
12,5 H
D
6,9 C Garis kendala 3
A B F G
15 26,2 30
X1 (Crude 1)
0 40 60
103
Note :
 Daerah feasible adalah daerah yang diliputi oleh semua kendala.
 Daerah feasible terletak pada persilangan ketiga gambar tersebut.
LANGKAH 2 :
= Mencari nilai Z =
Titik ekstrim manakah diantara A B C D E yang menghasilkan
kombinasi X1 dan X2 dengan total nilai tujuan maksimum.
TITIK EKSTRIM A :
Proses Refinery belum melakukan kegiatan produksi atau
X1 = 0 dan X2 = 0.
Maka : f(x) = Zmax. = 8,1 X1 + 10,8 X2
= 0
TITIK EKSTRIM B :
Diperoleh : X1 = 30.000 bbl / hari
X2 = 0.
Maka : Z = 8,1 X1 + 10,8 X2
= $ 243.000 / hari
___________________________________________________________________ 8
X2 (Crude 2)
54,5 J
Garis kendala 1
103
20 I
16,7 Garis kendala 2

E
12,5 H
D
6,9 C Garis kendala 3
A B F G
15 26,2 30
X1 (Crude 1)
0 40 60
103
TITIK EKSTRIM C :
Pada titik ekstrim C, terjadi perpotongan garis kendala 1 dan 2.
Kendala 1 : 0,8 X1 + 0,44 X2 = 24.000
Kendala 2 : 0,05 X1 + 0,1 X2 = 2.000
Diperoleh : X1  26.207 bbl / hari
X2  6.900 bbl / hari
Maka : Z = 8,1 X1 + 10,8 X2
= $ 286.800 / hari
TITIK EKSTRIM D :
Pada titik ekstrim D, terjadi perpotongan garis kendala 2 dan 3.
Kendala 2 : 0,05 X1 + 0,1 X2 = 2.000
Kendala 3 : 0,1 X1 + 0,36 X2 = 6.000
Diperoleh : X1 = 15.000 bbl / hari

X2 = 12.500 bbl / hari
Maka : Z = 8,1 X1 + 10,8 X2
= $ 256.500 / hari
___________________________________________________________________ 8
TITIK EKSTRIM E :
Diperoleh : X1 = 0
X2 = 16,7 bbl / hari
Maka : Z = 8,1 X1 + 10,8 X2
= $ 180,36 / hari
Dari ke-lima titik ekstrim ini, yang mempunyai Z optimum adalah titik C.
Dengan hasil :
Z optimum = $ 286.800 / hari
X1 = 26,2 . 103 bbl / hari
X2 = 6,9 . 103 bbl / hari
LINEAR PROGRAMMING
METODE simplex
Untuk memecahkan persoalan linear programming dengan metode

simplex diperlukan 7 tahap, tahap prosedur penyelesaiannya akan diuraikan
secara detail dengan mempergunakan contoh 3.
TAHAP 1 : FORMULASI MASALAH.

(Sudah dibahas pada metode Grafik)
TAHAP 2 : PEMBUATAN TABEL AWAL.
Mekanisme perubahan tanda kendala ke bentuk standart :

 Tanda  : diperlukan variable tambahan yang disebut
Variabel Slack (mempunyai nilai positip dan ditambahkan
pada sisi sebelah kiri fungsi kendala).
___________________________________________________________________ 8
 Tanda  : diperlukan variable tambahan yang disebut
Variabel Surplus (mempunyai nilai positip dan dikurangkan
pada sisi sebelah kiri fungsi kendala), perubahan ini
menimbulkan kesulitan dalam pemecahan persoalan metode
simplex karena variable surplus ini dapat bernilai negatip.
Untuk itu perlu ditambahkan variable buatan atau Artificial
(A) yang mewakili suatu produk fiktif tertentu yang
mempunyai biaya sangat tinggi (misal Rp. M,-).
 Tanda = : diperlukan variable tambahan yang disebut
Variabel Buatan Fiktif atau A untuk memenuhi persyaratan
model simplex.
Contoh : Min. Biaya (Z) = 3K + 8P
Kendala :
K + P = 200  K + P + A1 = 200
K  80  K + X1 = 80
P  60  P - X2 + A2 = 60
K,P  0
Formulasi lengkap :
K + P + A1 + 0X1 + 0X2 + 0A2 = 200
K + 0P + 0A1 + X1 + 0X2 + 0A2 = 80
0K + P + 0A1 + 0X1 – X2 + A2 = 60
Perubahan fungsi tujuan :
Z = 3K + 8P + MA1 + 0X1 + 0X2 + MA2
Mengubah formulasi linear programming  bentuk standart.

1. 0,8 X1 + 0,44 X2 + X 3 + 0 X4 + 0 X5 = 24.000
2. 0,05 X1 + 0,1 X2 + 0 X3 + X4 + 0 X5 = 2.000
3. 0,1 X1 + 0,36 X2 + 0 X3 + 0 X4 + X5 = 6.000
Dengan fungsi tujuan dapat ditulis sbb :
___________________________________________________________________ 8
Zmax. = 8,1 X1 + 10,8 X2 + 0 X3 + 0X4 + 0X5
Setelah diperoleh perubahan variable, disusunlah tabel awal sebagai

berikut :
Tabel 1 :
Kolom Baris Cj 8,1 10,8 0 0 0
Cj Jawaban X1 X2 X3 X4 X5 Kuantitas
0 X3 0,8 0,44 1 0 0 24.000
0 X4 0,05 0,1 0 1 0 2.000
0 X5 0,1 0,36 0 0 1 6.000 
Zj 0 0 0 0 0
Cj - Zj 8,1 10,8 0 0 0 0

Positip terbesar
Baris 1 : berisikan koefisien fungsi tujuan setiap variable.

Baris 2 : berisikan variable yang berkorespondensi dengan
baris 1.
Baris 3 , 4 dan 5 : berisikan koefisien ketiga kendala.
Baris 6 : Zj merupakan hasil kali biaya atau laba
antara kolom Cj dan koefisien kendala.
Baris 7 : merupakan hasil netto baris Cj dengan hasil Zj.
Kolom 1 : menyatakan laba / biaya per unit setiap variable

yang dimasukkan dalam jawaban untuk setiap
tahap pemecahan.
Kolom jawaban : merupakan rincian dari variable yang telah masuk
dalam jawaban pemecahan. Untuk tabel awal
variabelnya adalah variable slack atau surplus
dengan koefisien biaya / laba sebesar Rp 0,- atau
___________________________________________________________________ 8
Rp M,-.
TAHAP 3 : PENENTUAN VARIABEL YANG MASUK

DALAM JAWABAN.
Tujuan dari soal linear programming ini adalah untuk
memaksimalkan profit, maka pemecahan optimal dapat dilakukan
dengan memilih “KOLOM KUNCI” yaitu kolom yang mempunyai
nilai positip Cj-Zj terbesar. Apabila terdapat dua nilai terbesar,
dapat dipilih salah satu.
Dari baris Cj-Zj, variable X2 mempunyai nilai yang terbesar
(10,8), karenanya variable ini yang akan dipergunakan.
TAHAP 4: PENENTUAN VARIABEL YANG AKAN DIGANTI.

Variabel yang akan diganti ditentukan dengan perhitungan sebagai
berikut :
Baris X3 = 24.000/0,44 = 54.545,45
Baris X4 = 2.000/0,1 = 20.000
Baris X5 = 6.000/0,36 = 16.666,67 
Baris X5 disebut sebagai “BARIS KUNCI”, karena memberi

hasil bagi terkecil dan bukan negatip, maka variable X5 yang akan
diganti.
TAHAP 5 : PERHITUNGAN KOEF. BARU UNTUK

VARIABEL JAWABAN.
Angka pada persilangan baris kunci dengan kolom kunci 

disebut “ANGKA KUNCI”.
Koefisien variable X2 dihitung dengan membagi Baris
Kunci dengan Angka Kunci, yaitu :
___________________________________________________________________ 8
0,1 / 0,36 = 0,28 0,36 / 0,36 = 1 0 / 0,36 = 0 0 / 0,36 = 0
1 / 0,36 = 2,78 6.000 / 0,36 = 16.666,67
TAHAP 6 : REVISI KOEFISIEN BARIS LAINNYA.
Revisi koefisien baris X3 dan X4 dengan mempergunakan

metode PIVOT dilakukan sebagai berikut :
Revisi Koefisien Baris X3 :
Koef. Baris Angka perpotongan Koef. Angka Koef. Baris X3 baru

- * =
X3 lama kolom X2 & Baris X3 Baris X2 baru
0,8 - 0,44 * 0,28 = 0,68

0,44 - 0,44 * 1 = 0
1 - 0,44 * 0 = 1
0 - 0,44 * 0 = 0
0 - 0,44 * 2,78 = -1,22
24.000 - 0,44 * 16.666,67 = 16.666,67
___________________________________________________________________ 8
- * =
0,05 - 0,1 * 0,28 = 0,022

0,1 - 0,1 * 1 = 0
0 - 0,1 * 0 = 0
1 - 0,1 * 0 = 1
0 - 0,1 * 2,78 = -0,278
2.000 - 0,1 * 16.666,67 = 333,33
TAHAP 7 : PENYUSUNAN TABEL JAWABAN.

Berdasarkan hasil perhitungan koefisien dari prosedur tahap 2
sebelumnya, dibuatlah Tabel Jawaban pada Tabel 2 berikut ini :
Tabel 2 :
0 X3 0,68 0 1 0 -1,22 16.666,67
0 X4 0,022 0 0 1 -0,278 333,33 
10,8 X2 0,28 1 0 0 2,78 16.666,67
Zj 3,024 10,8 0 0 30,024
Cj - Zj 5,076 0 0 0 -30,024 180.000

Positip terbesar
Pada iteration pertama, Tabel 2 masih terdapat baris Cj-Zj yang

positip sehingga laba (Z) masih dapat dimaksimalkan. Iteration kedua dapat
dimulai kembali dari tahap 3.
ITERATION 2 :

___________________________________________________________________ 8
DALAM JAWABAN.

TAHAP 4 : PENENTUAN VARIABEL YANG AKAN

DIGANTI.
berikut :
Baris X3 = 16.666,67/0,68 = 24.509,81
Baris X4 = 333,33/0,022 = 15.151,36 
Baris X2 = 16.666,67/0,28 = 59.523,82

VARIABEL JAWABAN.
Koefisien variable X1 :
0,022 / 0,022 = 1 0 / 0,022 = 0 0 / 0,022 = 0 1 / 0,022 = 45,45

-0,278 / 0,022 = - 12,64 333,33 / 0,022 = 15.151,36

___________________________________________________________________ 8
- * =
0,68 - 0,68 * 1 = 0
0 - 0,68 * 0 = 0
1 - 0,68 * 0 = 1
0 - 0,68 * 45,45 = -30,9
-1,22 - 0,68 * -12,64 = 7,38
16.666,67 - 0,68 * 15.151,36 = 6.363,75

- * =
0,28 - 0,28 * 1 = 0
1 - 0,28 * 0 = 1
0 - 0,28 * 0 = 0
0 - 0,28 * 45,45 = -12,73
2,78 - 0,28 * -12,64 = 6,32
16.666,67 - 0,28 * 15.151,36 = 12.424,29

Tabel 3 :
___________________________________________________________________ 8
0 X3 0 0 1 -30,9 7,38 6.363,75 
8,1 X1 1 0 0 45,45 -12,64 15.151,36
10,8 X2 0 1 0 -12,73 6,32 12.424,29
Zj 8,1 10,8 0 230,66 -34,128
Cj - Zj 0 0 0 -230,66 34,128 256.908,35

Positip terbesar
Pada iteration kedua , Tabel 3 masih terdapat baris Cj-Zj yang

positip sehingga laba (Z) masih dapat dimaksimalkan. Iteration ketiga
dapat dimulai kembali dari tahap 3.
ITERATION 3 :

DALAM JAWABAN.
TAHAP 4 : PENENTUAN VARIABEL YANG AKAN

DIGANTI.
berikut :
Baris X3 = 6.363 / 7,38 = 862,3 
Baris X1 = 15.151,36 / -12,64 = -1198,68
Baris X2 = 12.424,29 / 6,32 = 19.658,43

VARIABEL JAWABAN.
___________________________________________________________________ 8
Koefisien variable X5 :
0 / 7,38 = 0 0 / 7,38 = 0 1 / 7,38 = 0,14 -30,9 / 7,38 = -4,25
7,38 / 7,38 = 1 6.363,75 / 7,38 = 874,14


- * =
1 - (-12,64) * 0 = 1
0 - (-12,64) * 0 = 0
0 - (-12,64) * 0,14 = 1,77
45,45 - (-12,64) * -4,25 = -8,27
-12,64 - (-12,64) * 1 = 0
15.151,36 - (-12,64) * 874,14 = 26.200,5
___________________________________________________________________ 8
- * =
0 - 6,32 * 0 = 0
1 - 6,32 * 0 = 1
0 - 6,32 * 0,14 = -0,88
-12,73 - 6,32 * -4,25 = 14,13
6,32 - 6,32 * 1 = 0
12.424,29 - 6,32 * 874,14 = 6.899,73

Tabel 4 :
0 X5 0 0 0,14 -4,25 1 874,14
8,1 X1 1 0 1,77 -8,27 0 26.200,5
10,8 X2 0 1 -0,88 14,13 0 6.899,73
Zj 8,1 10,8 4,833 85,62 0
Cj - Zj 0 0 -4,833 -85,62 0 286.741,134
Dari tabel 4 ini terlihat bahwa pada baris Cj-Zj tidak terdapat lagi
variable yang bernilai positip. Dengan demikian kita telah memperoleh
jawaban optimal pada iteration ketiga dengan :
Z optimum = $ 286.741,134 / hari
X1 = 26.200,5 bbl / hari
X2 = 6.899,73 bbl / hari
___________________________________________________________________ 8
Tabel 3 :
0 X3 0 0 1 -30,9 7,38 6.363,75 
8,1 X1 1 0 0 45,45 -12,64 15.151,36
10,8 X2 0 1 0 -12,73 6,32 12.424,29
Zj 8,1 10,8 0 230,66 -34,128
Cj - Zj 0 0 0 -230,66 34,128 256.908,35

Positip terbesar
Tabel 4 :
0 X5 0 0 0,14 -4,25 1 874,14
8,1 X1 1 0 1,77 -8,27 0 26.200,5
10,8 X2 0 1 -0,88 14,13 0 6.899,73
Zj 8,1 10,8 4,833 85,62 0
Cj - Zj 0 0 -4,833 -85,62 0 286.741,134
Dari tabel 4 ini terlihat bahwa pada baris Cj-Zj tidak terdapat lagi
variable yang bernilai positip. Dengan demikian kita telah memperoleh
jawaban optimal pada iteration ketiga dengan :
Z optimum = $ 286.741,134 / hari
X1 = 26.200,5 bbl / hari
X2 = 6.899,73 bbl / hari
___________________________________________________________________ 8

Optimisasi

Diunggah oleh

Informasi Dokumen

Deskripsi 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

Optimisasi

Diunggah oleh

Hak Cipta:

Format Tersedia

Ringkasan

YANG MENGATUR PERSOALAN OPTIMISASI

OPTIMISASI  Adalah salah satu alat kuantitatip untuk membuat

 Dalam bidang FISIKA  Prinsip optimal dibicarakan untuk

Tugas engineer, adalah :

Dalam operasi pabrik, keuntungan akan meningkat dengan

Optimisasi dapat juga mengarah ke :

Dalam memperkirakan keuntungan (benefit) harus dilakukan

Pada proses design dan spesifikasi peralatan, optimisasi digunakan

Jadi disini tugasnya menjawab pertanyaan, seperti :

Tabel 1.1 (Himmelblau) :

1. Menganalisa proses sehingga variable proses dan karakteristik

Pilihan yang terbaik  lebih murah untuk membuat 10 kali produksi

Didefinisikan variable operasi yang penting :

Pada fungsi obyektif diambil biaya angkut inventarisasi : K1 D.

Biaya per tahap : K2 + K3 D ……………………… (a)

K2 : Susunan biaya dan menunjukkan biaya produksi tetap –

Biaya produksi total tahunan (C) :

C = K1 D + n (K2 + K3 D) …………………… (b)

Dengan D hanya sebagai variable dan besar, maka dapat

LANGKAH 4 : Tidak diperlukan.

bila : K1 = 1 ; K2 = 10.000 ; K3 = 4 ; Q = 100.000

Kondisi minimum diperlihatkan dengan turunan kedua C dan

Untuk memperoleh Dopt. secara langsung dari persamaan (c)

Terlihat bahwa kisaran harga fungsi minimum

Fungsi : biaya non-linier.

Biaya per tahap : K + K4 D1/2 …………………… (g)

Persamaan ini tidak dapat dijadikan bentuk eksplisit D.

Ada dua cara meminimalkan fungsi (h) :

Turunan kedua persamaan (h) adalah :

C opt  2 K1 K 2 Q  K 3Q ……………………… (k)

Selanjutnya mengambil turunan parsial Copt terhadap K1, K2, K3,

Persamaan (l1) sampai (l4) adalah koefisien kepekaan absolut.

Dengan cara sama, untuk kepekaan Dopt. :

Untuk Q = 100.000 K1 = 1 K2 = 10.000 K3 = 4

Maka : Dopt = 31.622  dengan interpolasi pada tabel diperoleh :

Terlihat Dopt peka terhadap K1 tetapi tidak terhadap Q.

Kepekaan relatif Copt terhadap K1 :

Untuk variable lain yang menghasilkan kepekaan relatif untuk C opt :

S KC 3  0,863 S KC2  0,0683

Perubahan parameter Q dan K3 mempunyai pengaruh relatif besar

Semua parameter kecuali K3 mempunyai pengaruh yang sama

LINEAR PROGRAMMING  Salah satu pendekatan

Ada 4 kondisi utama yang diperlukan untuk penerapan linear

LANGKAH FORMULASI LINEAR PROGRAMMING

Kedua jenis produk memberikan sumbangan keuntungan sebesar Rp

Kendala no. 4 dan 5 merupakan kendala lain yang harus

FORMULASI LINEAR PROGRAMMING

Zmax. = 40X1 + 30X2

1. 2X1 + 3X2  60 (Bahan baku A)

Penyelesaian linear programming :

 Dengan metode simplex

Skematik proses refinery diperlihatkan dalam Gambar berikut ini :

Costs Sales price

Volume percent yield Maximum allowable

X1 = bbl / hari crude 1 X4 = bbl / hari kerosene

Maximize f(x) = profit = income - raw material cost - processing cost.

Pendapatan perusahaan diperoleh dari harga jual :

36 X3 + 24 X4 + 21 X5 + 10 X6 ($/hari) ……………… (1)

Total biaya operasi = 24,5 X1 + 16 X2 ……………… (2)

f(x) = 36 X3 + 24 X4 + 21 X5 + 10 X6 - 24,5 X1 - 16 X2 ….. (3)

Neraca massa komponen :

Gasoline : 0,8 X1 + 0,44 X2 = X3 ……………… (4)