Praktikum Optimisasi

Modul 1 Linear Prpgramming

Kelompok 6
2.1 Model Umum Linear programming
Pemecahan masalah linear programming melibatkan penggunaan model
matematis di mana semua fungsi yang digunakan harus linear. Istilah linear
dalam linear programming menunjukkan bahwa semua fungsi matematis
dalam model tersebut haruslah linear. Programming di sini tidak bermakna
computer programming, melainkan merujuk pada perencanaan kegiatan untuk
mencapai hasil optimal. Linear programming bertujuan untuk mencapai hasil
terbaik yang memenuhi sasaran tertentu, dengan menggunakan fungsi linear,
di antara berbagai alternatif yang mungkin [6].
Pemecahan masalah program linear programming sebelum masuk pada
pembuatan model, terdapat langkah-langkah yang harus dilakukan yaitu
sebagai berikut [7].
1. Formulasi Masalah
Langkah pertama yang meliputi proses pengidentifikasi dan penentuan
batasan serta fungsi tujuan.
2. Pemecahan Masalah yang Dialami
Jika terdapat hanya dua variabel keputusan, maka masalah tersebut
dapat diselesaikan dengan menggunakan metode grafik. Namun, semua
permasalahan linear programming juga dapat dipecahkan dengan metode
simpleks apabila terdapat tiga variabel keputusan atau lebih.
3. Membuat Model Sesuai Persoalan Linear Programming
Model linear programming merupakan metode matematika yang
digunakan untuk menyelesaikan masalah alokasi sumber daya secara
optimal dengan memenuhi serangkaian batasan. Setiap model
pemrograman linier dinyatakan dalam bentuk fungsi tujuan dan fungsi
batasan (constraints) [6].
1. Fungsi Tujuan (Objective Function)
Fungsi tujuan menggambarkan tujuan dari permasalahan yang ingin
dicapai dalam bentuk persamaan matematis, dimana tujuan tersebut untuk
memaksimalkan keuntungan, pendapatan, atau manfaat, atau
meminimalkan biaya, waktu, atau resiko. Fungsi tujuan ini dinyatakan
sebagai suatu ekspresi linear yang berisi variabel-variabel keputusan yang

Jurusan Teknik Industri

Universitas Tanjungpura 1
 harus dioptimalkan. Secara umum fungsi tujuan dapat dituliskan sebagai
berikut [7].
Maksimumkan Z = C1 X1 + C2 X2 + C3 X3 + ⋯ + Cn Xn
Minimumkan Z = C1 X1 + C2 X2 + C3 X3 + ⋯ + Cn Xn
2. Fungsi Batasan (Constraint Function)
Fungsi batasan menggambarkan pembatasan atau keterbatasan dalam
model yang harus dipenuhi. Batasan-batasan ini bisa berupa pembatasan
sumber daya yang tersedia, kapasitas produksi, atau kriteria-kriteria lain
yang harus dipenuhi. Fungsi batasan ini juga dinyatakan dalam bentuk
persamaan atau ketidaksamaan linear, yang mengikat variabel-variabel
keputusan dengan nilai tertentu yang harus dipatuhi. Fungsi batasan
terbagi menjadi dua yaitu fungsional dan non-negatif dengan bentuk
sebagai berikut [7].
Fungsi batasan fungsional [7]
a 11 X1 + a12 X2 + a13 X3 + ⋯ + a1n X n ( ≤ , =, ≥ b1 )
a 21 X1 + a22 X2 + a 23 X3 + ⋯ + a1n X n ( ≤ , =, ≥ b2 )
⋮
a m1 X n + a m2 X n + a m3 Xn + ⋯ + a mn Xn ( ≤ , =, ≥ bm )
Setiap kendala, tanda ( ≤, =, atau ≥ ) hanya digunakan satu saja.
Namun, tanda kendala yang satu dengan yang lain dapat berbeda.
Fungsi batasan non-negatif (non-negatif constrain)
Xi ≥ 0
Berdasarkan fungsi tujuan dan fungsi Batasan tersebut maka akan
disusun ke dalam table bentuk standar Linear Programming.
Tabel 2.1 Bentuk Standar Linear Programming
Pemakaian sumber per unit kegiatan (keluaran) Kapasitas
Kegiatan/Sumber
1 2 3 ⋯ N Sumber
1 a 11 a 12 a 13 ⋯ a 1n b1
2 a 21 a 22 a 23 ⋯ a 2n b2
3 a 31 a 31 a 33 ⋯ a 3n b3
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
M a m1 a m2 a m3 ⋯ a mn bm
∆Z
Pertambahan tiap
C1 C2 C3 Cn
unit

Jurusan Teknik Industri

Universitas Tanjungpura
 Tingkat kegiatan X1 X2 X3 ⋯ Xn
(Sumber: Susdarwono, 2020)
Simbol-simbol yang digunakan pada fungsi-fungsi tersebut memiliki
arti sebagai berikut [6].
m = jumlah batasan atau sumber daya yang tersedia.
n = jumlah kegiatan yang menggunakan sumber daya tersebut.
i = nomor untuk setiap jenis batasan atau sumber daya yang tersedia,
dengan ( i =1, 2, ⋯ , m )
j = nomor untuk setiap kegiatan yang menggunakan sumber daya,
dengan ( j =1, 2, ⋯ , n )
X j = tingkat kegiatan ke-j dimana ( j =1, 2, ⋯ , n )
a ij = jumlah sumber daya jenis i yang dibutuhkan untuk menghasilkan
satu unit keluaran (output) dari kegiatan j, dimana i =1, 2, …, m dan j = 1,
2, …, n.
bi = jumlah sumber daya (fasilitas) jenis i yang tersedia untuk
dialokasikan ke setiap unit kegiatan, dimana i =1, 2, …, m
Z = nilai yang dioptimalkan (maksimum atau minimum).
Ci = kontribusi atau kenaikan nilai Z ketika terjadi penambahan satu unit
kegiatan X jatau sumbangan setiap unit keluaran kegiatan j terhadap nilai
Z.
Bentuk umum model linear programming untuk mencari nilai optimal
baik maksimum maupun minimum dimodelkan sebagai berikut [11].
n
Z= ∑ Cj Xj
j =i

Syarat yang harus terpenuhi untuk penggunaan model tersebut yaitu

a ij x j ( ≤, =, ≥ ) bi , untuk semua i (i=1, 2,…, n) semua x j ≥ 0
Keterangan:
Xj = banyaknya kegiatan j, dimana j = 1,2,....., n yang berarti terdapat n
variabel keputusan
Z = nilai fungsi tujuan
Cj = sumbangan per unit kegiatan j, untuk masalah maksimasi cj
menunjukkan atau penerimaan per unit, sementara dalam kasus minimasi ia
menunjukkan biaya per unit
Jurusan Teknik Industri
Universitas Tanjungpura
 bi = jumlah sumberdaya ke i (i = 1,2,....m), berarti terdapat m jenis
sumberdaya.
Xij = banyaknya sumber daya i yang dikonsumsi sumberdaya j.

Jurusan Teknik Industri

Universitas Tanjungpura
 Praktikum Optimisasi
Modul 1 Linear Prpgramming
Kelompok 6
4.3 Analisa Perbandingan Perhitungan Software dan Manual
Pengolahan data yang dilakukan untuk dua studi kasus yang telah
diberikan dilakukan melalui dua cara yaitu secara manual dan menggunakan
software POM-QM dimana persoalan diubah dalam bentuk model linear
programming. Adapun yang menjadi pembeda utama dari perhitungan
software dan manual terletak pada cara dan tahapan yang harus dilakukan
dalam mencari solusi optimal untuk studi kasus yang ada. Perhitungan dengan
menggunakan software dilakukan dengan beberapa tahapan secara berurutan
yaitu, membuka software (POM-QM), melakukan pengaturan format yang
diperlukan, memasukkan data dari studi kasus pertama dan kedua ke dalam
tab linear programming, serta menjalankan perhitungan dengan mengklik
tombol solve pada menu file untuk mendapatkan output hasil perhitungan
studi kasus yang telah dilakukan. Adapun untuk perhitungan secara manual
dilakukan dengan pembuatan soal dalam bentuk tabel, menentukan variabel
keputusan, menentukan fungsi tujuan, fungsi batasan serta pembatas non-
negative dilanjutkan dengan mencari titik potong, pembuatan grafik,
perhitungan nilai Z dan terakhir menentukan keputusan berdasarkan solusi
optimal yang didapat.
Berdasarkan hasil dari perhitungan manual dan software terhadap dua
studi kasus yang telah diberikan. Perhitungan baik secara manual maupun
software diperoleh hasil yang sama untuk studi kasus pertama nilai
maksimum Z merupakan upah yang diterima Alvaro sebesar
Rp.235.111/buah dengan jumlah nilai X1 sebesar 5,11 yang merupakan kado
jenis A dan X2 sebesar 0 merupakan kado jenis B. Sedangkan untuk studi
kasus dua diperoleh nila Z merupakan biaya opeasional yang akan
diminimumkan diperoleh sebesar Rp.22.080 dengan jumlah nilai X1 sebesar
1,38 dan X2 sebesar 0, dimana X1 merupakan produk A dan X2 merupakan
produk B yang akan diproduksi. Sedangkan untuk hasil perhitungan software
untuk studi kasus dua diperoleh nilai Z sebesar Rp.22.153,85 dengan nilai X1
dan X2 yang sama.
Hasil perhitungan yang dilakukan dengan dua metode yaitu manual dan
software menunjukan hasil yang sama. Adapun untuk hasil studi kasus dua

Jurusan Teknik Industri

Universitas Tanjungpura 5
 yang diperoleh untuk nilai Z pada hasil manual dan software menunjukan
sedikit perbedaan namun tidak terlalu signifikan. Perbedaan yang ditunjukan
disebabkan oleh adanya pembulatan pada perhitungan manual untuk nilai X1
yaitu 1,38 merupakan bentuk pembulatan hasil batasan 3 titik sumbu X1, X2=
0 dimana nilai sebenarnya untuk X1 tersebut sebesar 1,3846153846.
Perhitungan yang dilakukan menggunakan software tidak dilakukan
pembulatan sehingga nilai Z yang diperoleh pada perhitungan software
sebesar Rp.22.153,85 sedangkan untuk perhitungan manual sebesar
Rp.22.080.

Jurusan Teknik Industri

Universitas Tanjungpura
 DAFTAR PUSTAKA
[1] T. Sriwidadi and E. Agustina, “Analisis Optimalisasi Produksi dengan
Linear programming Melalui Metode Simpleks,” Binus Bus. Rev., vol. 4,
no. 2, pp. 725–741, 2013, doi: 10.21512/bbr.v4i2.1386.
[2] Lumbantoruan, J. H. (2020). Buku Materi Pembelajaran Pemograman
Linear.
[3] L. Nurmayanti and A. Sudrajat, “Implementasi linear programming metode
simpleks pada home industry,” J. Manaj., vol. 13, no. 3, pp. 431–438,
2021,
[Online].Available:https://journal.feb.unmul.ac.id/index.php/JURNALMA
NAJEMEN/article/view/10085
[4] B. S. Sembiring, “Regional Expenditure Allocation Optimal Point
Simulation Using Data Development Programming in Achieving a
Resilient Regional Economy in East Java,” East Java Econ. J., vol. 4, no.
2, pp. 264–289, 2020, doi: 10.53572/ejavec.v4i2.55.
[5] A. Khoerun Nisa Analisis Pemanfaatan Program Linear Untuk Alokasi
Bahan Baku Dalam Rangka Memaksimalisasi Keuntungan Ayu Khoerun
Nisa and U. Perjuangan Tasikmalaya Barin Barlian, “Suci Putri Lestari,”
Ris. Ilmu Manaj. Bisnis dan Akunt., vol. 1, no. 4, pp. 57–71, 2023,
[Online]. Available: https://doi.org/10.61132/rimba.v1i4.281
[6] E. T. Susdarwono, “Pemrograman Linier Permasalahan Ekonomi
Pertahanan: Metode Grafik Dan Metode Simpleks,” Teorema Teor. dan
Ris. Mat., vol. 5, no. 1, p. 89, 2020, doi: 10.25157/teorema.v5i1.3246.
[7] M. Hilman and N. Kusuma Ningrat, “Optimasi Jumlah Produksi Produk
Makanan Ikm P. Madani Di Cikoneng Kabupaten Ciamis Dengan Metode
Linier Programming,” J. Media Teknol., vol. 9, no. 1, pp. 59–69, 2022, doi:
10.25157/jmt.v9i1.2783.
[8] S. Aji, F. Kusmaningrum, and M. Herni, “Optimisasi Keuntungan
Menggunakan Linear programming di PT Pertamina Refinery Unit (RU)
VI Balongan*,” J. Online Inst. Teknol. Nas. Maret, vol. 1, no. 3, pp. 2338–
5081, 2014.
[9] D. Putri and N. Pangastuti, “Analisa Optimasi Penugasan Dengan Pom Qm
 Untuk Meningkatkan Produktivitas Pada Umkm Produksi Tas Wanita,”
IMTechno J. Ind. Manag. Technol., vol. 4, no. 1, pp. 37–41, 2023, doi:
10.31294/imtechno.v4i1.1729.
[11] Aprilyanti, S., Pratiwi, I., & Basuki, M. (2018, May). Optimasi keuntungan
produksi kemplang panggang menggunakan linear programming melalui
Metode Simpleks. In Seminar dan konferensi Nasional IDEC (pp. 7-8).