BAB II LANDASAN TEORI

2.1 Program Linier Levin et. al (1995) menyatakan bahwa programma linier merupakan teknik matematika untuk mendapatkan alternatif penggunaan terbaik (optimum) atas sumber sumber organisasi. Dunn (1981) menyatakan bahwa programma linier merupakan penyajian teoritis secara sederhana mengenai hubungan antara dua atau lebih variabel bebas (dinamakan tujuan), dengan menggunakan kendala (batas atas dan batas bawah) nilai nilai dari variabel tersebut.Welch dan Commer (1983) menyatakan programma linier merupakan teknik untuk menghitung kombinasi optimum dari sumber sumber tertentu agar dapat tercapai tujuan yang semaksimal mungkin sebagaimana yang telah ditetapkan sebelumnya. Levin et. al (1995), menyatakan penggunaan programma linier sebagai teknik pengambilan keputusan menggunakan tiga tahap proses, yaitu : 1. Perumusan masalah; mengumpulkan informasi yang sesuai, mempelajari pertanyaan apa yang harus dijawab, dan membuat permasalahan ke dalam bentuk programma linier 2. 3. Pemecahan masalah; mencari pemecahan optimal programma linier Interpretasi dan penerapan solusi; pemeriksaan bahwa solusi dari programma linier sudah benar (dan bila tidak, harus kembali ke tahap 1 dan memperbaiki rumusannya), mengerjakan analisa sensitivitas yang cocok dan menerapkan ke dalam praktek Levin et. al (1995) menyatakan bahwa persyaratan utama dalam pemecahan masalah programma linier adalah : 1. Memiliki tujuan. Umumnya tujuan utama dari sebuah programma linier berupa bentuk memaksimasi keuntungan (laba) dan atau meminimasi biaya. Disadari bahwa bentuk trend (kecenderungan) keuntungan dan biaya tidak selalu berhubungan secara linier dengan volume penjualan atau jumlah produksi.

II-1

2.

Harus ada alternatif tindakan yang salah satu darinya akan mencapai tujuan. Sebagai contoh, suatu perusahaan harus mengalokasikan kapasitasnyadalam suatu bentuk perbandingan, misalnya 50:50, 25:75, to:30 atau dalam angka perbandingan lainnya.

3.

Sumber yang diperhitungkan dalam model merupakan persediaan terbatas. Misalnya sebuah perusahaan mempunyai jumlah mesin, sumber daya manusia, waktu, dan sumber daya sumberdaya lainnya yang terbatas; dalam perusahaan konveksi fenomena ini dapat diamati melalui sebuah fungsi sebab-akibat, untuk perusahaan yang membuat dua produk, celana dan baju; semakin banyak waktu digunakan untuk membuat celana semakin sedikit baju yang dapat dibuat.

4.

Tujuan dan keterbatasannya dinyatakan dalam bentuk persamaan atau pertidaksamaan matematika(formulasimatematika), dan harus ada persamaan atau pertidaksamaan linier

2.1.1

Asumsi Program Linier Untuk dapat menyelesaikan pemecahan masalah programma linier terdapat

beberapa asumsi / persyaratan utama yang harus dipenuhi seperti yang dikemukakan Priyarsono (1999),Levinet.al.(1992)dan Supranto (1991 )yaitu : 1. 2. 3. 4. Fungsi objektif harus didefinisikan secara jelas dan dinyatakan sebagai fungsi objektif yang linear. Harus ada alternatif tindakan/pemecahan untuk dipilih menjadi yang terbaik. Sumber dan aktivitas yang diperhitungkan dalam model mempunyai jumlah terbatas (finiteness). Tujuan dan segenap keterbatasannya dinyatakan dalam bentuk persamaan atau pertidaksamaan matematika (formulasi matematika), dan harus ada persamaan atau pertidaksamaan linier. 5. Sumbangan tiap kegiatan terhadap nilai fungsi tujuan Z diassumsikan sebanding (proporsional) dengan taraf kegiatan xj, sebagaimana terungkap pada suku cjxj dalam fungsi tujuan. Demikian pula suku aijxj dalam

II-2

kendala, sumbangan tiap kegiatan terhadap kendala proporsional dengan taraf kegiatan tersebut. 6. 7. 8. 9. Sumber-sumber dan aktivitas mempunyai sifat dapat dibagi (divisibilitas). Sumber-sumber dan aktivitas mempunyai sifat dapat ditambahkan (aditivitas) Variabel keputusan harus positif, tidak boleh negatif Xj > 0,untuk semua j. Model programming deterministic, artinya sumber dan aktivitas diketahui secara pasti (single-valued expectations). 2.1.2 1. Karakteristik Pemrograman Linier Sifat linearitas suatu kasus dapat ditentukan dengan menggunakan beberapa cara. Secara statistik, kita dapat memeriksa kelinearan menggunakan grafik (diagram pencar) ataupun menggunakan uji hipotesa. Secara teknis, linearitas ditunjukkan oleh adanya sifat proporsionalitas, additivitas, divisibilitas dan kepastian fungsi tujuan dan pembatas. 2. Sifat proporsional dipenuhi jika kontribusi setiap variabel pada fungsi tujuan atau penggunaan sumber daya yang membatasi proporsional terhadap level nilai variabel. Jika harga per unit produk misalnya adalah sama berapapun jumlah yang dibeli, maka sifat proporsional dipenuhi. Atau dengan kata lain, jika pembelian dalam jumlah besar mendapatkan diskon, maka sifat proporsional tidak dipenuhi. Jika penggunaan sumber daya per unitnya tergantung dari jumlah yang diproduksi, maka sifat proporsionalitas tidak dipenuhi. 3. Sifat additivitas mengasumsikan bahwa tidak ada bentuk perkalian silang diantara berbagai aktivitas, sehingga tidak akan ditemukan bentuk perkalian silang pada model. Sifat additivitas berlaku baik bagi fungsi tujuan maupun pembatas (kendala). Sifat additivitas dipenuhi jika fungsi tujuan merupakan penambahan langsung kontribusi masing-masing variabel keputusan. Untuk fungsi kendala, sifat additivitas dipenuhi jika nilai kanan merupakan total penggunaaan masing-masing variabel keputusan. Jika dua variabel keputusan misalnya merepresentasikan dua produk substitusi, dimana

II-3

peningkatan volume penjualan salah satu produk akan mengurangi volume penjualan produk lainnya dalam pasar yang sama, maka sifat additivitas tidak terpenuhi. 4 Sifat divisibilitas berarti unit aktivitas dapat dibagi ke dalam sembarang level fraksional, sehingga nilai variabel keputusan non integer dimungkinkan. Sifat kepastian menunjukkan bahwa semua parameter model berupa konstanta. Artinya koefisien fungsi tujuan maupun fungsi pembatas merupakan suatu nilai pasti, bukan merupakan nilai dengan peluang tertentu. Keempat asumsi (sifat) ini dalam dunia nyata tidak selalu dapat dipenuhi. Untuk meyakinkan dipenuhinya keempat asumsi ini, dalam pemrograman linier diperlukan analisis sensitivitas terhadap solusi optimal yang diperoleh. 2.1.3 Formulasi Permasalahan Urutan pertama dalam penyelesaian adalah mempelajari sistem relevan dan mengembangkan pernyataan permasalahan yang dipertimbangakan dengan jelas. Penggambaran sistem dalam pernyataan ini termasuk pernyataan tujuan, sumber daya yang membatasi, alternatif keputusan yang mungkin (kegiatan atau aktivitas), batasan waktu pengambilan keputusan, hubungan antara bagian yang dipelajari dan bagian lain dalam perusahaan, dan lain-lain. Penetapan tujuan yang tepat merupakan aspek yang sangat penting dalam formulasi masalah. Untuk membentuk tujuan optimalisasi, diperlukan identifikasi anggota manajemen yang benar-benar akan melakukan pengambilan keputusan dan mendiskusikan pemikiran mereka tentang tujuan yang ingin dicapai. 2.1.4 Pembentukan model matematik Tahap berikutnya yang harus dilakukan setelah memahami permasalahan optimasi adalah membuat model yang sesuai untuk analisis. Pendekatan konvensional riset operasional untuk pemodelan adalah membangun model matematik yang menggambarkan inti permasalahan. Kasus dari bentuk cerita diterjemahkan ke model matematik. Model matematik merupakan representasi

II-4

kuantitatif tujuan dan sumber daya yang membatasi sebagai fungsi variabel keputusan. Model matematika permasalahan optimal terdiri dari dua bagian. Bagian pertama memodelkan tujuan optimasi. Model matematik tujuan selalu menggunakan bentuk persamaan. Bentuk persamaan digunakan karena kita ingin mendapatkan solusi optimum pada satu titik. Fungsi tujuan yang akan dioptimalkan hanya satu. Bukan berarti bahwa permasalahan optimasi hanya dihadapkan pada satu tujuan. Tujuan dari suatu usaha bisa lebih dari satu. Tetapi pada bagian ini kita hanya akan tertarik dengan permasalahan optimal dengan satu tujuan. Bagian kedua merupakan model matematik yang merepresentasikan sumber daya yang membatasi. Fungsi pembatas bisa berbentuk persamaan (=) atau pertidaksamaan ( atau ). Fungsi pembatas disebut juga sebagai konstrain. Konstanta (baik sebagai koefisien maupun nilai kanan) dalam fungsi pembatas maupun pada tujuan dikatakan sebagai parameter model. Model matematika mempunyai beberapa keuntungan dibandingakan pendeskripsian permasalahan secara verbal. Salah satu keuntungan yang paling jelas adala model matematik menggambarkan permasalahan secara lebih ringkas. Hal ini cenderung membuat struktur keseluruhan permasalahan lebih mudah dipahami, dan membantu mengungkapkan relasi sebab akibat penting. Model matematik juga memfasilitasi yang berhubungan dengan permasalahan dan keseluruhannya dan mempertimbangkan semua keterhubungannya secara simultan. Terakhir, model matematik membentuk jembatan ke penggunaan teknik matematik dan komputer kemampuan tinggi untuk menganalisis permasalahan. Di sisi lain, model matematik mempunyai kelemahan. Tidak semua karakteristik sistem dapat dengan mudah dimodelkan menggunakan fungsi matematik. Meskipun dapat dimodelkan dengan fungsi matematik, kadang-kadang penyelesaiannya sulit diperoleh karena kompleksitas fungsi dan teknik yang dibutuhkan.

Bentuk umum pemrograman linier adalah sebagai berikut :

II-5

Fungsi tujuan : Maksimumkan atau minimumkan z = c1x1 + c2x2 + ... + cnxn Sumber daya yang membatasi : a11x1 + a12x2 + ... + a1nxn = / / b1 a21x1 + a22x2 + + a2nxn = / / b2 am1x1 + am2x2 + + amnxn = / / bm x1, x2, , xn 0 Simbol x1, x2, ..., xn (xi) menunjukkan variabel keputusan. Jumlah variabel keputusan (xi) oleh karenanya tergantung dari jumlah kegiatan atau aktivitas yang dilakukan untuk mencapai tujuan. Simbol c1,c2,...,cn merupakan kontribusi masingmasing variabel keputusan terhadap tujuan, disebut juga koefisien fungsi tujuan pada model matematiknya.Simbol a11, ...,a1n,...,amn merupakan penggunaan per unit variabel keputusan akan sumber daya yang membatasi, atau disebut juga sebagai koefisien fungsi kendala pada model matematiknya. Simbol b1,b2,...,bm menunjukkan jumlah masing-masing sumber daya yang ada. Jumlah fungsi kendala akan tergantung dari banyaknya sumber daya yang terbatas. Pertidaksamaan terakhir (x1, x2, , xn 0) menunjukkan batasan non negatif. Membuat model matematik dari suatu permasalahan bukan hanya menuntut kemampuan matematik tapi juga menuntut seni permodelan. Menggunakan seni akan membuat permodelan lebih mudah dan menarik. Suatu persoalan disebut persoalan program linier apabila memenuhi hal-hal sebagai berikut : 1. Tujuan (objective) Apa yang menjadi tujuan permasalahan yang dihadapi yang ingin dipecahkan dan dicari jalan keluarnya. Tujuan ini harus jelas dan tegas yang disebut fungsi tujuan (objective function). Fungsi tujuan tersebut dapat berupa dampak positif, manfaat-manfaat, atau dampak negatif, kerugiankerugian, resiko-resiko, biaya-biaya, jarak, waktu yang ingin diminimumkan.

II-6

2.

Alternatif perbandingan. Harus ada sesuatu atau alternatif yang ingin diperbandingkan, misalnya antara kombinasi waktu tercepat dan biaya tertinggi dengan waktu terlambat dan biaya terendah, atau alternatif padat modal dengan padat karya, proyeksi permintaan tinggi dengan rendah, dan seterusnya.

3.

Sumber Daya Sumber daya yang dianalisis harus berada dalam keadaan terbatas. Misalnya keterbatasan tenaga, bahan mentah terbatas, modal terbatas, ruangan untuk menyimpan barang terbatas, dan lain-lain. Pembatasan harus dalam ketidaksamaan linier (linier inequality). Keterbatasan dalam sumber daya tersebut dinamakan sebagai fungsi kendala atau syarat ikatan.

4.

Perumusan Kuantitatif. Fungsi tujuan dan kendala tersebut harus dapat dirumuskan secara kuantitatif dalam model matematika.

5.

Keterikatan Perubah. Perubah-perubah yang membentuk fungsi tujuan dan fungsi kendala tersebut harus memiliki hubungan keterikatan hubungan keterikatan atau hubungan fungsional. Perumusan Model Persoalan Program Linier Pada dasarnya secara umum, persoalan program linier dapat dirumuskan dalam suatu model dasar/model. Metode simpleks merupakan prosedur aljabar yang bersifat iteratif,

yang bergerak selangkah demi selangkah, dimulai dari suatu titik ekstrem pada daerah fisibel (ruang solusi) menuju ke titik ekstrem yang optimum. Untuk dapat lebih memahami uraian selanjutnya, berikut ini diberikan pengertian dari beberapa terminologi dasar yang banyak digunakan dalam membicarakan metode simpleks. Untuk itu, perhatikan kembali model programa linier berikut:

Maks. atau min : z = c 1 x1 + c2 x2 +... + cn xn berdasarkan: a 11 x 1 + a 12 x 2 + ... + a 1n x n = b1

II-7

a 12 x 1 . . am1 x 1

+ a22 x2

+ ...

+ a2n xn

= b2

+ a m 2 x 2 + .. .

+ amn xn

= bm

xi 0 (i = 1, 2, ..., n) Jika kita definisikan: maka pembatas dari model tersebut dapat dituliskan ke dalam bentuk sistem persamaan AX = b. Perhatikan suatu sistem AX = b dari m persamaan linier dalam n variabel (n > m) 1. Solusi basis Solusi basis untuk AX = b adalah solusi di mana terdapat sebanyakbanyaknya m variabel berharga bukan nol. Untuk mendapatkan solusi basis dari AX = b maka sebanyak (n - m) variabel harus dinolkan. Variabel-variabel yang dinolkan ini disebut variabel nonbasis (NBV). Selanjutnya, dapatkan harga dari n - (n - m) = m variabel lainnya yang memenuhi AX = b, yang disebut variabel basis (BV). 2. Solusi basis fisibel Jika seluruh variabel pada suatu solusi basis berharga nonnegatif, maka solusi itu disebut solusi basis fisibel (BFS). 3. Solusi fisibel titik ekstrem Yang dimaksud dengan solusi fisibel titik ekstrem atau titik sudut ialah solusi fisibel yang tidak terletak pada suatu segmen garis yang menghubungkan dua solusi fisibel lainnya. Jadi, titik-titik (0,0), (0,6), (2,6), (4,3), dan (4,0) adalah solusisolusi fisibel titik sudut atau titiktitik ekstrem. Apabila ada sejumlah n (n < 3) buah variabel keputusan, maka definisi di atas tidak cocok lagi untuk mengidentifikasi solusi fisibel titik sudut (titik ekstrem) sehingga pembuktiannya harus dengan cara aljabar. Ada tiga sifat pokok titik ekstrem ini, yaitu: Sifat 1.a : Jika hanya ada satu solusi optimum, maka pasti ada satu titik ekstrem.

II-8

Sifat 1.b : Jika solusi optimumnya banyak, maka paling sedikit ada dua titik ekstrem yang berdekatan. (Dua buah titik ekstrem dikatakan berdekatan jika segmen garis yang menghubungkan keduanya itu terletak pada sudut dari batas daerah fisibel.) Sifat 2 : Hanya ada sejumlah terbatas titik ekstrem pada setiap persoalan. Sifat 3 : Jika suatu titik ekstrem memberikan harga z yang lebih baik dari yang lainnya, maka pasti solusi itu merupakan solusi optimum. Sifat 3 ini menjadi dasar dari metode simpleks yang prosedurnya meliputi 3 langkah sebagai berikut: 1. 2. 3. Langkah inisialisasi: mulai dari suatu titik ekstrem (0,0). Langkah iteratif: bergerak menuju titik ekstrem berdekatan yang lebih baik. Langkah ini diulangi sebanyak diperlukan. Aturan penghentian: memberhentikan langkah ke-2 apabila telah sampai pada titik ekstrem yang terbaik (titik optimum). Algoritma simpleks dimulai dari titik A (0,0) yang biasa disebut sebagai solusi awal (starting solution). Kemudian bergerak ke titik sudut yang berdekatan, bisa ke B atau ke E. Dalam hal ini, pemilihan (B atau E) akan bergantung pada koefisien fungsi tujuan. Karena koefisien x2 lebih besar daripada x1, dan fungsi tujuannya maksimasi, maka solusi akan bergerak searah dengan peningkatan x2 hingga mencapai titik ekstrem E. Pada titik B proses yang sama diulangi untuk menguji apakah masih ada titik ekstrem lain yang dapat memperbaiki nilai fungsi tujuan. Karena titik ekstrem D (2,6) memberikan nilai fungsi tujuan yang lebih baik daripada titik E (0,6) dan titik C (4,3), maka iterasi berhenti, dengan titik D (2,6) sebagai titik optimum. Dengan demikian, ada dua aturan yang berlaku dalam memilih titik ekstrem yang berikut setelah mencapai suatu titik ekstrem tertentu, yaitu: 1. Titik ekstrem yang berikutnya ini harus merupakan titik ekstrem yang berdekatan dengan titik ekstrim yang sudah dicapai. Sebagai contoh, dari titik A tidak bisa bergerak langsung ke titik D atau C karena mereka tidak berdekatan. 2. Solusi ini tidak akan pernah kembali ke titik ekstrem yang telah dicapai

II-9

sebelumnya. Misalnya dari E tidak akan kembali lagi ke A. Sebagai ringkasan dari ide metode simpleks ini ialah bahwa metode ini selalu dimulai pada suatu titik sudut fisibel, dan selalu bergerak melalui titik sudut fisibel yang berdekatan, menguji masing-masing titik mengenai optimalitasnya sebelum bergerak pada titik lainnya. Untuk mengekspresikan ide ini dalam konteks metode simpleks, diperlukan suatu korespondensi antara metode grafis dan metode simpleks mengenai ruang solusi dan titik-titik sudut (titik-titik ekstrem) sebagai berikut: Table 2.1 Korespondensi Metode Grafis Dengan Metode Simpleks Defenisi geomatris (metode grafis) Ruang solusi Titik-titik sudut/ekstrem Defenisi aljabar (metode simpleks) Pembatas-pembatas dalam bentuk standar Solusi-solusi basis dari bentuk standar

Maka, sebagai ilustrasi dari representasi ruang solusi secara aljabar ini, kita lihat contoh bentuk standar model persoalan di bawah ini: Maksimumkan: z = 3x1 + 5x2 + OS1 + OS2 + OS3 x1 2x2 3x1 + S1 + S2 + 2x2 + S3 = 4

Berdasarkan pembatas : = 12 = 18

Dari uraian sebelumnya, ada dua hal yang dapat kita simpulkan, yaitu: 1. Karena bentuk standar persoalan ini memiliki 3 persamaan pembatas dengan 5 anu, maka setiap titik ekstrem pasti memiliki sebanyak 2 5-3) variabel yang berharga nol. 2. Titik-titik ekstrem yang berdekatan, berbeda hanya pada 1 variabel. Kesimpulan pertama menunjukkan bahwa kita dapat mengidentifikasi titik-titik ekstrem suatu ruang solusi secara aljabar, dengan cara mengenolkan sebanyak (n - m) variabel. Banyaknya persamaan pembatas fungsional adalah (=

II-10

m, sedangkan banyaknya variabel (m n) adalah n. Secara matematis, solusi yang diperoleh dari pengenolan (n - m) variabel itu kemudian disebut sebagai solusi basis (basic solution). Jika suatu solusi basis dapat memenuhi pembatas-pembatas nonnegatif, maka solusi ini disebut sebagai solusi basis fisibel (feasible basic solution). Variabel-variabel yang dinolkan disebut sebagai variabel-variabel nonbasis (non-basic variables), dan sisanya disebut sebagai variabel-variabel basis (basic variables). Jumlah iterasi maksimum dalam metode simpleks adalah sama dengan jumlah maksimum solusi basis dalam bentuk standar. Dari kesimpulan yang kedua, titik ekstrem yang berdekatannya hanya berbeda pada satu variabel, kita dapat menetapkan titik ekstrem berikutnya dengan mengganti variabel nonbasis (variabel yang dinolkan) yang telah dicapai dengan variabel basis yang telah dicapai. Sebagai contoh, misalkan bahwa kita sedang berada di titik A dan akan bergerak ke titik E. Untuk dapat mencapai titik E ini kita naikkan harga variabel nonbasis x2 dari nilainya semula (yaitu 0) hingga mencapai titik E. Pada titik E, variabel S2 (yang sebelumnya merupakan variabel basis di titik A) secara otomatis menjadi nol, artinya menjadi variabel nonbasis. Dengan demikian, pergantian ini terjadi antara x2 dan S2, seperti terlihat pada tabel berikut: Tabel 2.2 Pergantian Variabel Basis dan Nonbasis Titik ekstrem A B Variabel nonbasis x1 , X1 , x2 S2 Variabel basis S1 , S1 , S2 x2 , S3 , S3

2.2 Algoritma Simpleks Untuk Persoalan Maksimasi Untuk menyelesaikan persoalan programa linier dengan menggunakan metode simpleks, lakukanlah langkah-langkah berikut: 1. 2. 3. Konversikan formulasi persoalan ke dalam bentuk standar. Cari solusi basis fisibel (BFS). Jika seluruh NBV mempunyai koefisien non-negatif (artinya berharga positif atau nol) pada baris fungsi tujuan (baris persamaan z yang biasa

II-11

juga disebut baris 0), maka BFS sudah optimal. Jika pada baris 0 masih ada variabel dengan koefisien negatif, pilihlah salah satu variabel yang mempunyai koefisien paling negatif pada baris 0 itu. Variabel ini akan memasuki status variabel basis, karena itu variabel ini disebut sebagai variabel yang masuk basis (entering variable, disingkat EV). 4. Hitung rasio dari (Ruas kanan) / (Koefisien EV) pada setiap baris pembatas di mana EV-nya mempunyai koefisien positif. Variabel basis pada baris pembatas dengan rasio positif terkecil akan berubah status menjadi variabel nonbasis. Variabel ini kemudian disebut sebagai variabel yang meninggalkan basis atau leaving variable, disingkat LV. Lakukan operasi baris elementer (ERO) untuk membuat koefisien EV pada baris dengan rasio positif terkecil ini menjadi berharga 1 clan berharga 0 pada baris-baris lainnya. Kembali ke langkah 3. Catatan : Jika ditemukan lebih dari satu baris yang mempunyai rasio positif terkecil, pilihlah salah satu. Caia ini tidak akan mempengaruhi basil perhitungan akhir. 2.2.1Algoritma Simpleks Untuk Persoalan Minimasi Untuk menyelesaikan persoalan LP dengan fungsi tujuan meminimumkan z, ada dua cara yang dapat dilakukan, yaitu: 1. 2. Mengubah fungsi tujuan dan persamaannya, kemudian menyelesaikannya sebagai persoalan maksimasi. Memodifikasi langkah 3 sehingga menjadi: Jika seluruh NBV pada baris 0 mempunyai koefisien yang berharga nonpositif (artinya berharga negatif atau nol), maka BFS sudah optimal. Jika pada baris 0 masih ada variabel dengan koefisien positif, pilihlah salah satu variabel yang berharga paling positif pada baris 0 itu, untuk menjadi EV. 2.2.2 Kasus Khusus dalam Penggunaan Algoritma Simpleks

II-12

1.

Degenerasi Kasus ini terjadi apabila satu atau lebih variabel basis berharga nol (b = 0) sehingga iterasi yang dilakukan selanjutnya bisa menjadi suatu loop yang akan kembali pada bentuk sebelumnya. Kejadian ini disebut cycling atau circling.

2.

Solusi optimum banyak Suatu persoalan dapat memiliki lebih dari satu solusi optimum. Kasus ini terjadi apabila fungsi tujuan paralel dengan fungsi pembatas, di mana paling sedikit salah satu dari variabel nonbasis (pada persamaan z pada iterasi terakhir) mempunyai koefisien berharga nol. Akibatnya, walaupun variabel tersebut dinaikkan harganya (dijadikan variabel basis), harga z tetap tidak berubah. Karena itu, solusi-solusi optimum yang lain ini biasanya dapat diidentifikasi dengan cara menunjukkan iterasi-iterasi tambahan pada metode simpleksnya, di mana variabelvariabel nonbasis yang berkoefisien nol itu selalu dipilih untuk menjadi entering variable.

3.

Solusi tak terbatas Kasus ini terjadi apabila ruang solusi tidak terbatas sehingga nilai fungsi tujuan dapat meningkat (untuk maksimasi) atau menurun (untuk minimasi) secara tidak terbatas. Apabila persoalannya dapat diselesaikan secara grafis (berdimensi dua), maka kasus ini akan mudah terdeteksi. Akan tetapi, jika persoalan yang dihadapi berdimensi tiga atau lebih, maka untuk mendeteksi apakah solusinya terbatas atau tidak, dilakukan dengan cara:

a.

Perhatikan koefisien-koefisien pembatas dari variabel nonbasis pada suatu iterasi. Jika koefisien-koefisien tersebut berharga negatif atau nol, berarti solusinya tak terbatas.

b.

Jika koefisien fungsi tujuan variabel tersebut berharga negatif (untuk maksimasi) atau positif (untuk minimasi), maka nilai fungsi tujuannya tidak terbatas

II-13

2.3 Analisis Sensitivitas Seorang analis jarang dapat menentukan parameter model Program Linier seperti (m, n, Cj, aij, bi) dengan pasti karena nilai parameter ini adalah fungsi dari beberapa uncontrolable variable. Sementara itu solusi optimal model Program Linier didasarkan pada parameter tersebut. Akibatnya analis perlu mengamati pengaruh perubahan parameter tersebut terhadap solusi optimal. Analisa perubahan parameter dan pengaruhnya terhadap solusi Program Linier disebut Post Optimality Analisis. Istilah post optimality menunjukkan bahwa analisa ini terjadi setelah diperoleh solusi optimal, dengan mengasumsikan seperangkat nilai parameter yang digunakan dalam model. Atau Analisis Postoptimal (disebut juga analisis pasca optimal atau analisis setelah optimal, atau analisis kepekaan dalam suasana ketidaktahuan) merupakan suatu usaha untuk mempelajari nilai-nilai dari peubahpeubah pengambilan keputusan dalam suatu model matematika jika satu atau beberapa atau semua parameter model tersebut berubah atau menjelaskan pengaruh perubahan data terhadap penyelesaian optimal yang sudah ada. Dapat diketahui bahwa dunia nyata yang diabstraksikan dan disimplifikasikan ke dalam model PL, tidak sederhana seperti rumusan PL sederhana tersebut. Oleh karena itu dalam dunia pengelolaan dan kehidupan dunia nyata, selalu dihadapkan pada pertanyaanpertanyaan keragu-raguaan seperti apa yang akan terjadi, jika ini dan itu berubah? Persoalan peluang dan ketidakpastiaan pertanyaan-pertanyaan tersebut harus dapat dijawab dalam rangka meyakinkan pendirian terhadap sesuatu yang akan diputuskan kelak. Dengan demikian hasil yang diharapkan tersebut adalah hasil yang memang paling mungkin dan paling mendekati, atau perkiraan yang paling tepat. Uji kepekaan hasil dan pasca optimal (sebut saja selanjutnya analisis postoptimal) yang dapat memberikan jawaban terhadap persoalan-persoalan tersebut diatas. Analisis postoptimal sangat berhubungan erat dengan atau mendekati apa yang disebut Program Parametrikal atau Analisis Parametrisasi. Perubahan atau variasi dalam suatu persoalan Program Linier yang biasanya dipelajari melalui Post Optimality analysis dapat dipisahkan ke dalam tiga kelompok umum, yaitu :

II-14

1.

Analisa yang berkaitan dengan perubahan diskrit parameter untuk melihat berapa besar perubahan dapat ditolerir sebelum solusi optimal mulai kehilangan optimalitasnya, ini dinamakan Analisa Sensitivitas. Jika suatu perubahan kecil dalam parameter menyebabkan perubahan drastis dalam solusi, dikatakan bahwa solusi adalah sangat sensitif terhadap nilai parameter itu. Sebaliknya, jika perubahan parameter tidak mempunyai pengaruh besar terhadap solusi dikatakan solusi relatif insensitif terhadap nilai parameter tersebut.

2.

Analisa yang berkaitan dengan perubahan struktural. Masalah ini muncul bila persoalan Program Linier dirumuskan kembali dengan menambahkan atau menghilangkan kendala dan atau variabel untuk menunjukkan operasi model alternatif. Perubahan struktural ini dapat dimasukkan dalam analisa sensitivitas.

3.

Analisa yang berkaitan dengan perubahan kontinu parameter untuk menentukan urutan solusi dasar yang menjadi optimal jika perubahan ditambah lebih jauh, ini dinamakan Parametric-Programming. Diketahui Model Matematika Persoalan Program Linier adalah sebagai berikut: Menentukan nilai dari X1, X2, X3, ....., Xn sedemikian rupa sehingga : Z = C1 X1 + C2 X2 + .... +Cj Xj +....+Cn Xn =
n

j =1

Cj Xj (Optimal[maksimum/minimum])

Yang kemudian disebut sebagai Fungsi Tujuan (Objective Function) dengan pembatasan (Funsi Kendala / Syarat Ikatan) : a11 X1 + a12 X2 +.....+a1n Xn atau b1 , P a21 X1 + a22 X2 +.....+a2n Xn atau b2,
n

am1 X1 + am2 X2 +....+ amn Xn atau bm, atau

j =1

aij Xj atau bi untuk i = 1,2,3, , m.

II-15

dan X10, X2 0,...,Xn 0 atau Xj 0, dimana j = 1, 2, 3,...., n (syarat non-negatif). Berdasarkan Model Matematika Persoalan Program Linier di atas analisis sensitivitas dapat dikelompokkan berdasarkan perubahan-perubahan parameter: 1. 2. 3. 4. 5. Perubahan koefisien fungsi tujuan (Cj), Perubahan Koefisien teknologi (aij) (koefisien input-output), Perubahan Nilai-Sebelah-Kanan (NSK) fungsi kendala) (bi), Adanya tambahan fungsi kendala baru (perubahan nilai m) Adanya tambahan perubahan (variabel) pengambilan keputusan (Xj) (perubahan nilai n).

II-16