Pemprograman nonlinier merupakan program yang

memiliki format yang sama dengan model

pemprograman linier, tetapi fungsi, tujuan atau
kendalanya bersifat nonlinier. Pemprograman linier
adalah teknik yang sangat berguna dan dapat diterapkan
dalam berbagai macam pada masalah bisnis.
Teknik- teknik solusi untuk masalah pemprograman
linier umumnya melibatkan pencarian permukaan solusi
untuk puncak atau lembah-lembah yaitu titik tinggi atau
titik rendah. Salah satu program yang dapat
menyelesaikan struktur dasar masalah pemprograman
linier dengan menggunakan excel untuk menyelesaikan
model sederhana.
 Untuk mendemonstrasikan prosedur solusi dapat
menggunakan fungsi keuntungan berdasarkan analisis
impas. Perlu di ingat bahwa dalam analisis titik impas,
fungsi laba, Z, dirumuskan sebagai :
 Salah satu asumsi penting namun agak tidak realistis dari
model impas ini adalah bahwa volume, atau permintaan,
tidak bergantung pada harga (yaitu, volume tetap konstan,
berapa pun harga produknya). Akan lebih realistis jika
permintaan bervariasi seiring dengan naik atau turunnya
harga.
Untuk contoh Perusahaan Pakaian Barat dari Bab 1,
diasumsikan bahwa ketergantungan permintaan pada harga
didefinisikan oleh fungsi linier berikut:
 Hubungan linier ini diilustrasikan pada Gambar dibawah ini.
Gambar tersebut mengilustrasikan fakta bahwa ketika harga
meningkat, permintaan menurun, hingga tingkat harga tertentu
($60,98) yang akan mengakibatkan tidak ada volume penjualan.
 Memasukkan hubungan baru untuk volume (v) ke dalam
persamaan laba awal kita:

Mengganti nilai untuk biaya tetap 1cf = $10,0002 dan biaya

variabel 1cv = $82 ke dalam fungsi laba yang baru ini
menghasilkan persamaan berikut:
 Karena adanya suku kuadrat, persamaan untuk laba ini
sekarang menjadi fungsi nonlinier, atau kuadratik, yang
menghubungkan laba dengan harga, seperti yang ditunjukkan
pada Gambar dibawah ini :

Fungsi laba nonlinier Keuntungan maksimum untuk fungsi laba

 Dalam kalkulus, kemiringan kurva di titik mana pun sama
dengan turunan fungsi matematika yang mendefinisikan kurva
tersebut. Turunan dari fungsi profit ditentukan sebagai berikut:

Dengan turunan ini, kemiringan kurva keuntungan pada titik

tertinggi ditentukan oleh hubungan berikut:
 Sekarang bisa menyelesaikan hubungan ini untuk
harga optimal, p, yang akan memaksimalkan
keuntungan total:

Volume optimal jeans denim yang akan diproduksi

dihitung dengan mengganti harga ini ke dalam
hubungan linier yang telah dikembangkan sebelumnya
untuk volume:
 Total keuntungan maksimum dihitung sebagai berikut:

Keuntungan maksimum,harga optimal, dan volume

optimalditunjukkan secara grafispada Gambar dibawah
ini:

Keuntungan maksmimum,
harga optimal dan volume
optimal
Pada bagian sebelumnya, model analisis laba
dikembangkan sebagai perluasan dari model
impas . Ingatlah bahwa fungsi laba total
adalah :

Di mana :
v = volume
p = harga
cf = biaya tetap
cv = biaya variabel
 Jenis model ini disebut
sebagai model optimasi tanpa
batasan. Model ini terdiri dari
satu fungsi objektif nonlinier
dan tidak ada batasan. Jika kita
menambahkan satu atau lebih
batasan ke model ini, maka
mode ini menjadi model
optimasi terkendala. Model
optimasi berkendala lebih
sering disebut sebagai model
pemrograman nonlinier.
Alasan jenis model ini disebut
sebagai bentuk pemrograman
matematis karena semua jenis
model pemrograman matematis
sebenarnya adalah model
optimasi berkendala. Artinya,
semua model tersebut memiliki
bentuk umum fungsi objektif
yang tunduk pada satu atau
beberapa kendala.
 Alasan kompleksitas ini dapat diilustrasikan
dengan grafik dari model analisis laba. Gambar
10.5 menunjukkan kurva keuntungan nonlinier
untuk model contoh.

model optimasi
Kurva laba nonlinier model optimasi yang dibatasi dengan
untuk model analisis laba yang dibatasi titik solusi yang tidak’berada
pada batas kendala
 Pertimbangkan contoh Western Clothing Company yang disajikan
sebelumnya, kecuali sekarang perusahaan memproduksi dua jenis
celana jeans, desainer dan straight-leg, dan produksi tunduk pada
kendala sumber daya untuk kain denim, waktu pemotongan, dan
waktu menjahit. Perusahaan menjual jeans-nya ke beberapa jaringan
toko pakaian kelas atas, dan permintaan penjualan bergantung pada
harga di mana perusahaan menjual jeans tersebut. Permintaan untuk
jeans desainer 1x 1 2 dan permintaan untuk jeans straight-leg 1x2 2
ditentukan oleh hubungan berikut:
x1 = 1.500 - 24,6p1
x2 = 2.700 - 63,8p2
di mana
p1 = harga jeans desainer
p2 = harga celana jeans straight@leg
 Biaya produksi jeans desainer adalah $12 per pasang, dan biaya produksi jeans straight-leg
adalah $9 per pasang; dengan demikian, fungsi objektif untuk keuntungan adalah
memaksimalkan Z = 1p1 - 122x1 + 1p2 - 92x2
Produksi jeans tunduk pada batasan sumber daya berikut untuk kain yang tersedia, waktu
pemotongan, dan waktu penjahitan:
kain: 2x1 + 2,7x2... 6.000 yd.
pemotongan: 3.6x1 + 2.9x2.. 8.500
menit menjahit: 7.2x1 + 8.5x2... 15.000 menit.
Formulasi model pemrograman nonlinier secara lengkap dirangkum sebagai berikut:
memaksimalkan Z = 1p1 - 122x1 + 1p2
- 92x dengan syarat2
2x1 + 2.7x2.... 6.000
3,6x1 + 2,9x2... 8.500
7.2x1 + 8.5x2.... 15.000
di mana
x1 = 1.500 - 24,6p1
x2 = 2.700 - 63,8p2
p1 = harga jeans desainer
p2 = harga celana jeans straight@leg
 Rumus untuk permintaan celana jeans desainer terdapat di sel C5 dan ditampilkan pada
bilah rumus di bagian atas layar. Rumus untuk keuntungan total, =
SUMPRODUCT1C5:C6,E5:E62, terdapat di sel E7. Rumus untuk batasan sumber daya
terdapat pada sel C11, C12, dan C13, dan ketersediaan sumber daya untuk setiap batasan
terdapat pada sel D11:D13
CONTOH MODEL LINIER
Pada contoh analisis laba sebelumnya, model-model tersebut mengikuti
formulasi pemrograman matematis tradisional (yaitu linier), dengan fungsi tujuan,
variabel keputusan, dan batasan-batasan. Namun, banyak jenis masalah yang
menggunakan fungsi nonlinier yang terkenal tetapi tidak biasanya dipikirkan dalam
kerangka model pemrograman matematika tradisional. Pada bagian ini kita akan
membahas beberapa contoh tambahan yang mencakup fungsi-fungsi nonlinier yang
sudah umum dikenal - model penentuan lokasi fasilitas dan model pemilihan
portofolio investasi.
 Dalam masalah lokasi fasilitas, tujuannya secara umum adalah untuk
menemukan lokasi fasilitas terpusat yang melayani beberapa pelanggan atau fasilitas
lain untuk meminimalkan jarak atau jarak tempuh antara fasilitas dan pelanggannya.
Masalah ini menggunakan ukuran jarak dengan rumus jarak garis lurus antara dua titik
pada sekumpulan koordinat x, y, yang juga merupakan sisi miring segitiga siku-siku:

d = 21xi - x22 + 1yi - y22

di mana
1x, y2 = koordinat fasilitas yang diusulkan
1xi , yi 2 = koordinat pelanggan atau lokasi fasilitas, i
 Sebagai contoh, Pertimbangkan, misalnya, Clayton County Rescue Squad and
Ambulance Service, yang melayani lima kota di pedesaan, Abbeville, Benton,
Clayton, Dunning, dan Eden. Regu penyelamat ingin membangun fasilitas dan
garasi terpusat untuk meminimalkan jarak tempuh perjalanan tahunan ke kota-kota
tersebut. Lokasi kelima kota tersebut dalam koordinat grafis x, y, diukur dalam mil
relatif terhadap titik x = 0, y = 0, dan jumlah perjalanan tahunan yang harus
dilakukan regu tersebut ke setiap kota adalah sebagai berikut:
 Tujuan dari masalah ini adalah untuk menentukan satu set koordinat (x, y) untuk
fasilitas regu penyelamat yang meminimalkan total jarak tempuh ke kota, sesuai
dengan fungsi berikut:

\ d tii
di mana :
di = jarak ke kota i
ti = perjalanan tahunan ke kota i
 Solusi Excel untuk masalah ini ditunjukkan pada Gambar 10.12. Koordinat (x,
y) untuk fasilitas regu penyelamat yang baru berada di sel C14:C15. Rumus untuk
jarak antara fasilitas regu penyelamat dan masing-masing kota 1d i 2 ada di sel
E6:E10. Sebagai contoh, rumus awal untuk jarak, dA , antara fasilitas regu
penyelamat dan Abbeville di sel E6 adalah = SQRT((B6–C14)^2 + (C6–C15)^2).
Rumus untuk total jarak tahunan di sel D18 adalah = SUMPRODUCT
(E6:E10,D6:D10), yang juga ditampilkan pada bilah rumus di bagian atas
spreadsheet. Pada jendela Parameter Solver untuk masalah ini, D18 adalah sel
target yang diminimalkan, dan sel yang berubah (yaitu variabel keputusan) adalah
C14:C15. Tidak ada kendala.
Fasilitas Regu
Penyelamatt

Lokasi Fsilitas Regu

Penyelamat
 Contoh klasik pemrograman nonlinier adalah model pemilihan portofolio
investasi yang dikembangkan oleh Harry Markowitz pada tahun 1959. Model ini
didasarkan pada asumsi bahwa sebagian besar investor memperhatikan dua
faktor, yaitu tingkat pengembalian investasi Fasdan risiko. Dengan demikian,
tujuan dari model pemilihan portofolio adalah untuk meminimalkan beberapa
ukuran risiko portofolio sambil mencapai tingkat pengembalian minimum atas total
investasi portofolio. Risiko tercermin dari variabilitas nilai investasi, dan dalam
model ini, variabilitas return investasi adalah ukuran risiko.
 Minimalisasi risiko portofolio, yang diukur dengan varians portofolio, adalah tujuan
model. Varians, S, pada pengembalian tahunan dari portofolio ditentukan oleh rumus
berikut:
S = x s22 + x s22 + . . . + x s22 + \ x x r s s
di mana
xi , xj = proporsi uang yang diinvestasikan pada investasi i dan j
s2 = varians untuk investasi i
rij= korelasi antara imbal hasil investasi i dan j
si , sj = standar deviasi pengembalian untuk investasi i dan j
Dalam rumus sebelumnya untuk S, bagian pertama adalah ukuran varians, dan
bagian kedua adalah ukuran kovarians. Dalam banyak kasus, parameter dalam
persamaan ini dapat berupa estimasi atau nilai sampel (varians sampel, kovarians
sampel, dll.).
 Formulasi umum dari model pemilihan portofolio adalah sebagai berikut. Investor
ingin mencapai tingkat pengembalian tahunan minimum yang diharapkan dari
portofolio, yang diformulasikan sebagai kendala model sebagai berikut:
r xii + r x22 + g + r xnn ≥ rm
di mana
ri= tingkat pengembalian tahunan yang diharapkan atas investasi i xi= proporsi 1 atau
fraksi2 uang yang diinvestasikan pada
investasi i rm = imbal hasil tahunan minimum yang diinginkan
dari portofolio
Kendala kedua menentukan bahwa semua uang diinvestasikan:
x1 + x2 + g + xn = 1.0
 Contoh dan solusi Excel berikut ini akan menunjukkan bagaimana model ini
diterapkan. Jessica Todd telah mengidentifikasi empat saham yang ingin ia masukkan
ke dalam portofolio investasinya. Dia menginginkan total pengembalian tahunan
minimal 0,11. Dari data historis, dia telah memperkirakan rata-rata pengembalian dan
varian untuk keempat investasi tersebut sebagai berikut:
 Formulasi model pemrograman nonlinier untuk masalah ini adalah sebagai berikut:
meminimumk1an Z = S = x22 1.0092 + x2 1.0152 + x2 1.0402 + x2 1.2302
tunduk pada :
+ x x12 1.421.00921>2 1.01521>2 + x x13 1.321.00921>2 1.04021>2
+ x x14 1.621.00921>2 1.02321>2 + x x23 1.221.01521>2 1.04021>2
+ x x24 1.721.01521>2 1.02321>2 + x x34 1.421.04021>2 1.02321>2
+ x x21 1.421.01521>2 1.00921>2 + x x31 1.321.04021>2 1.00921>2
+ x x41 1.621.02321>2 1.00921>2 + x x32 1.221.04021>2 1.01521>2
+ x x42 1.721.02321>2 1.01521>2 + x x43 1.421.02321>2 1.04021>2
.08x1+ .09x2+ .16x3+ .12x4≥ 0.11
x1 + x2 + x3 + x4 = 1.00
xi ≥ 0
 Rumus untuk pengembalian total, = SUMPRODUCT1B6:B9,E6:E92, ada di sel
B19. Tujuannya adalah untuk meminimalkan rumus varians portofolio total, yang
ditampilkan pada bilah rumus di b a g i a n atas spreadsheet. Ini adalah rumus yang
rumit dan sulit untuk diketikkan. Rumus ini telah dipersingkat dengan menggandakan
istilah kovarians di bagian terakhir persamaan untuk mencerminkan semua
pasangan investasi yang berbeda yang termasuk dalam B14: E17 (yaitu, dua kali
AB, AC, AD, BC, BD, dan CD akan mencakup BA, CA, DA, CB, DB, dan DC).
Dengan kata lain, semua suku kovarian di sebelah kanan diagonal pada matriks
B14:E17 digandakan untuk memasukkan nilai yang sama di sebelah kiri diagonal
 Pada bab ini, telah menyajikan tinjauan umum mengenai
masalah pemrograman nonlinier dan solusinya. Menggunakan
contoh-contoh yang relatif sederhana karena kompleksitas yang
terlibat dalam merumuskan dan memecahkan masalah yang lebih
besar. Pemahaman yang lebih mendalam tentang topik ini
membutuhkan pengetahuan yang signifikan tentang kalkulus dan
matematika yang lebih tinggi. Namun demikian, bab ini telah
memberikan pemahaman umum tentang jenis-jenis masalah yang
membutuhkan solusi nonlinier dan format umum untuk memodelkan
masalah nonlinier. Bab ini juga telah menunjukkan kemampuan
Excel untuk memecahkan masalah pemrograman nonlinier.