Riset Operasi

LINEAR PROGRAMMING, METO

DE GRAFIK
1

Tinjauan Umum Modul 4

Secara umum, Modul 4 akan membahas mengenai penentuan alokasi sumber daya yang jumlahnya terbatas
secara optimal dengan menggunakan linear programming: metode grafik.
Modul 4 hanya terdiri dari satu kegiatan belajar: Pemecahan Masalah yang masih dalam Bentuk Standar de
ngan Metode Grafik.
Setelah mempelajari Modul 4, diharapkan mampu menerapkan cara alokasi sumber daya yang terbatas seca
ra optimal untuk melaksanakan beberapa kegiatan, dengan asumsi-asumsi linier.
Secara khusus, setelah mempelajari Modul 4, diharapkan mampu:
Membuat formulasi masalah ke dalam persamaan-persamaan dan menyusunnya ke dalam linear program
ming;
Memecahkan masalah secara sederhana dengan pendekatan grafik;
Menjelaskan dasar pemikiran yang digunakan dalam linear programming;
Menafsirkan arti dari hasil pemecahan optimal berdasarkan metode grafik sebagai dasar dalam mengamb
il keputusan.

Programma Linier
Programma linier merupakan suatu cara mengalokasikan sumber daya yang jumlahnya terbatas secara
optimal untuk melaksanakan beberapa macam aktivitas yang semuanya memerlukan sumber daya tersebut.
Oleh karena jumlah sumber daya yang sifatnya terbatas, maka sumber daya tersebut harus dialokasikan
sedemikian rupa agar diperoleh hasil yang optimal. Yang dimaksud dengan optimal adalah sebaik-baiknya
untuk kita:
Memaksimalkan laba, penerimaan, output, kepuasan, kenikmatan, dan lain sebagainya.
Meninimalkan kerugian, biaya, waktu tunggu, ketidakpuasan, dan lain sebagainya.
Asumsi linieritas digunakan dalam menyusun rencana berbasis programma linier. Maksudnya adalah
asumsi bahwa segala sesuatu yang dimaksudkan dalam model yang akan dibuat bersifat linier, atau berhubungan secara linier (proporsional). Misalnya laba yang diperoleh dalam penjualan satu buah produk
adalah Rp 500, maka apabila menjual 100 buah produk akan mendapatkan laba = Rp 50.000.
Selain itu, ada batasan atau konstrain yang melekat pada model. Misalnya konstrain biaya atau modal
(jumlah modal yang dimiliki terbatas), konstrain waktu (waktu yang dipunyai terbatas), bahkan konstrain
tanda (produk yang diproduksi tidak boleh negatif).

Formulasi Masalah
Sebelum memulai pemograman dengan programma linier, maka kita harus merumuskan kasus atau masalah
yang akan diselesaikan, tentu saja dalam persamaan-persamaan linier. Ada dua macam model persamaan:
1. Fungsi tujuan (objektif), yang sifatnya menimimalkan atau memaksimalkan.
2. Fungsi pembatas (konstrain), yang merupakan batasan fungsional terhadap jumlah sumber daya yang t
erbatas.
Simbol-simbol konvensional yang dipakai:
i
: Nomor (indeks) sumber daya;
j
: Nomor (indeks) aktivitas;
m
: Banyaknya macam sumber daya;
n
: Banyaknya macam aktivitas;
aij : Kebutuhan setiap unit aktivitas j akan sumber daya i;
bi

: Banyaknya sumber daya i yang tersedia;

cj

: Manfaat yang diperoleh untuk setiap unit aktivitas j;

Xj

: Ukuran (unit) aktivitas;

: Jumlah nilai yang akan dituju (maksimasi atau minimasi).

4

Formulasi Masalah
Ilustrasi 1:

Formulasi Masalah
1. Fungsi Tujuan
Fungsi ini menunjukkan tujuan yang akan dioptimalkan: maksimasi atau minimasi.
Simbol yang digunakan adalah Z.
Bentuk umum:
Z

c X
j

j 1

Z c1 X 1 c2 X 2 cn X n
X merupakan variabel keputusan: apa atau siapa yang akan dioptimalkan. Dari ilustrasi 1, yang akan di
optimalkan adalah jumlah produk 1 dan 2 yang akan diproduksi, maka, n = 2.

Untuk ilustrasi 1, fungsi tujuannya adalah:

Maksimasi
Z = c1X1 + c2X2
Z = 3X1 + 4X2
6

Formulasi Masalah
2. Fungsi Pembatas
a. Pembatas Fungsional (Sumber Daya)
Fungsi ini menunjukkan alokasi sumber daya yang tersedia. Apabila setiap unit aktivitas j memerlukan
a unit sumber daya i, maka bentuk umum pertidaksamaan fungsi pembatas fungsional adalah:
n

1j X j

b1

a11 X 1 a12 X 2 a1n X n b1

2jX j

b2

a21 X 1 a22 X 2 a2 n X n b2

j 1
n

a
j 1

mj X j

bm

am1 X 1 am 2 X 2 amn X n bm

j 1

Untuk ilustrasi 1, fungsi pembatas fungsionalnya a

dalah:
Subject to 2X1 + 1X2 6.000
2X1 + 3X2 9.000

Formulasi Masalah
2. Fungsi Pembatas
b. Pembatas Tanda
Fungsi ini menunjukkan bahwa variabel keputusan (Xj) tidak boleh bernilai tertentu. Biasanya, dalam k
asus programma linier sederhana, variabel keputusan tidak boleh bernilai negatif (lebih besar atau sama
dengan nol).
Bentuk umum:
X 1 0; X 2 0;; X n 0

Untuk ilustrasi 1, fungsi pembatas tandanya adalah:

X1 0; X2 0

Formulasi Masalah
Formulasi masalah secara lengkap dari Ilustrasi 1 adalah:
Maksimasi
Z = 3X1 + 4X2
Subject to (1) 2X1 + 1X2 6.000
(2) 2X1 + 3X2 9.000
(3) X1 0; X2 0
Bentuk formulasi masalah di atas merupakan bentuk standar, yang merupakan bentuk paling sederhana dan
bisa langsung dipecahkan dengan mudah.
Ciri-ciri dari bentuk standar untuk fungsi tujuan maksimasi:
1. Fungsi pembatas fungsional bertanda (kurang dari sama dengan);
2. Fungsi pembatas tanda nonnegatif atau bertanda (lebih dari sama dengan).

Pemecahan Masalah
Pemecahan masalah dari programma linier dapat diselesaikan dengan dua metode: metode visual (grafik) d
an metode simpleks. Metode grafik akan dibahas dalam Modul 3 sedang metode simpleks pada Modul 4.
Kelebihan metode visual (grafik) adalah dapat dengan mudah diimplementasikan dan tidak memerlukan pe
rhitungan yang rumit karena mudah untuk dibayangkan secara visual.
Kekurangannya adalah terbatas untuk dua dan tiga variabel keputusan. Hal ini dikarenakan secara visual, h
anya mungkin menggambar grafik dalam dua dan tiga dimensi. Bahkan, ada yang hanya membatasi metode
grafik hanya mungkin dilakukan dalam dua dimensi dikarenakan dibutuhkan bantuan software untuk memp
ermudah menggambar grafik dalam tiga dimensi. Dalam Modul 3 hanya dibahas metode grafik secara dua
dimensi.
Meskipun begitu, metode grafik sangat baik sebagai dasar dalam mempelajari metode pemecahan masalah
dari programma linier sebelum menginjak ke algoritma yang lebih rumit: metode simpleks.

10

Metode Grafik
1. Gambar dua sumbu x dan y. Ibaratkan X1 sebagai sumbu x dan X2 sebagai sumbu y
y
6000
5000
4000
3000
2000
1000
0
-1000

x
1000

2000

3000

4000

5000

6000

11

Metode Grafik
2. Gambar semua pembatas fungsional

Pembatas fungsional:
(1) 2X1 + 1X2 6.000
(2) 2X1 + 3X2 9.000

2X1 + 1X2 6.000

2X1 + 3X2 9.000

12

Metode Grafik
3. Gambar semua pembatas tanda

Pembatas tanda:
(3) X1 0; X2 0

X2 0

X1 0

2X1 + 1X2 6.000

2X1 + 3X2 9.000

13

Metode Grafik
4. Cari daerah Feasible: daerah yang mungkin dijadikan calon solusi.

Daerah Feasible
X2 0

X1 0

2X1 + 1X2 6.000

2X1 + 3X2 9.000

14

Metode Grafik
5. Cari calon solusi dengan melihat titik-titik ujung pada daerah feasible.
Calon solusi:
O. Titik (0,0);
A. Titik (3000,0);
B. Titik (2250,1500);
C. Titik (0,3000).
Cara mencari titik B:
C

Daerah Feasible
O

X1 0

2X1 + 1X2 = 6.000

2X1 + 3X2 = 9.000
-2X2 = -3.000
X2 = 1.500

2X1 + 1X2 = 6.000

2X1 + 1.500 = 6.000
2X1 = 4.500
X1 = 2.250
X2 0

2X1 + 1X2 6.000

2X1 + 3X2 9.000

15

Metode Grafik
6. Uji semua calon solusi dengan memasukkan fungsi tujuan dan cari yang paling optimal.
Fungsi tujuan: Maksimasi Z = 3X1 + 4X2
O. Titik (0,0);
Z = 3(0) + 4(0) = 0
A. Titik (3000,0);
Z = 3(3000) + 4(0) = 9000
B. Titik (2250,1500);
Z = 3(2250) + 4(1500) = 12.750
C. Titik (0,3000);
Z = 3(0) + 4(3000) = 12.000

Daerah Feasible
O

X1 0

Paling Optimal
(Paling Maksimal)

X2 0

2X1 + 1X2 6.000

2X1 + 3X2 9.000

16

Metode Grafik
7. Penyelesaian.
Variabel keputusan yang paling optimal:
X1 = 2.250;
X2 = 1.500.
Hal ini berarti produk 1 seharusnya diproduksi sebanyak 2.250 dan produk 2 sebanyak 1.500.
Laba yang diperoleh:
Z = 3X1 + 4X2
Z = 3(2250) + 4(1500)
Z = 12.750.
Try to verify this optimal solution!

17

Penyimpangan
1. Pembatas fungsional bertanda
Ketika suatu permasalahan ada pembatas fungsional yang bertanda (lebih besar atau sama dengan),
maka dalam penggambaran di grafik adalah sebagai berikut.
Misal pembatas fungsional adalah 2X1 + X2 6.000.
*Perhatikan daerah yang diarsir!

18

Penyimpangan
2. Pembatas fungsional bertanda =
Ketika suatu permasalahan ada pembatas fungsional yang bertanda = (sama dengan), maka dalam peng
gambaran di grafik adalah sebagai berikut.
Misal pembatas fungsional adalah 2X1 + X2 = 6.000.
*Perhatikan bahwa bila pembatas bertanda =, maka tidak ada yang darsir!

19

Penyimpangan
3. Fungsi Tujuan Minimasi
Ketika fungsi tujuan dari programma linier adalah minimasi, maka cara penyelesaiannya sama dengan
apabila fungsi tujuan maksimasi, hanya saja dalam mencari calon solusi, cari nilai Z yang minimal.
Contoh:
Minimasi Z = 3X1 + 4X2
Subject to (1) 2X1 + X2 6.000
(2) 2X1 + 3X2 = 9.000
(3) X1 0; X2 0

Fungsi tujuan: Minimasi Z = 3X1 + 4X2

A. Titik (4500,0);
Z = 3(4500) + 4(0) = 13500
B. Titik (2250,1500);
Z = 3(2250) + 4(1500) = 12.750
C. Titik (0,6000);
Z = 3(0) + 4(6000) = 24.000

Paling Optimal
(Paling Minimal)

X2 0
X1 0

20

Penyimpangan
4. Perubahan dalam pembatas tanda
Ketika suatu permasalahan pembatas tanda tidak nonnegatif, maka dalam penggambaran di grafik adal
ah sebagai berikut.
Misal pembatas tanda adalah X1 5.000.
*Perhatikan daerah yang diarsir!

X1 5.000

21

Penyimpangan
5. Masalah tanpa Daerah Feasible
Adakah permasalahan yang tidak mempunyai daerah feasible? Jawabannya adalah ada.
Hal ini terjadi karena batasan yang ada tidak bisa mengakomodir adanya solusi yang optimal
Contoh:
Maksimasi Z = 3X1 + 4X2
Subject to (1) 2X1 + X2 6.000
(2) 2X1 + 3X2 9.000
(3) 4X1 + 5X2 20.000
(4) X1 0; X2 0

X2 0
X1 0

22

Penyimpangan
6. Masalah dengan lebih dari satu solusi optimal
Adakah permasalahan yang mempunyai lebih dari satu solusi optimal? Jawabannya adalah ada.
Hal ini biasanya terjadi kalau fungsi maksimasi mempunyai slope yang sama (sejajar) dengan salah sat
u pembatas fungsional.
Contoh:
Fungsi tujuan: Minimasi Z = 2X1 + 3X2
Maksimasi Z = 2X1 + 3X2
Subject to (1) 2X1 + X2 6.000
(2) 2X1 + 3X2 9.000
(3) X1 0; X2 0

O. Titik (0,0);
Z = 2(0) + 3(0) = 0
A. Titik (3000,0);
Z = 2(3000) + 3(0) = 6000
B. Titik (2250,1500);
Z = 2(2250) + 3(1500) = 9000
C. Titik (0,3000);
Z = 0(0) + 3(3000) = 9000

X2 0
X1 0

Paling Optimal
(Paling Maksimal)

23

Penyimpangan
7. Masalah tanpa solusi optimal
Ada dua kemungkinan suatu permasalahan tidak mempunyai solusi optimal:
. Tidak memiliki daerah feasible (sudah dijelaskan pada poin 5);
. Ada aktivitas yang tidak memiliki pembatas fungsional. Hal ini berarti aktivitas tersebut tidak mem
punyai batasan, misalnya jumlah uang dianggap tidak menjadi masalah (tidak terbatas).
8. Hubungan antara titik sudut feasible (calon solusi)
Maksimasi Z = 3X1 + 4X2
Subject to (1) 2X1 + X2 6.000
(2) 2X1 + 3X2 9.000
(3) X1 2.000
(4) X2 2.800
(5) X1 0; X2 0

Fungsi tujuan: Minimasi Z = 3X1 + 4X2

O. Titik (0,0);
Z = 3(0) + 4(0) = 0
A. Titik (2800,0);
Z = 3(2800) + 4(0) = 8400
B. Titik (2800,400);
Z = 3(2800) + 4(400) = 10000
C. Titik (2250,1500);
Z = 3(2250) + 4(1500) = 12750
D. Titik (1500,2000);
Z = 3(1500) + 4(2000) = 12500
E. Titik (0,2000);
Z = 3(0) + 4(2000) = 8000
24

Analisis Sensitivitas
Analisis sensitivitas bertujuan untuk menghitung akibat dari perubahan fungsi pembatas dan fungsi tujuan.
Contoh:
Maksimasi Z = 3X1 + 4X2
Misalkan fungsi pembatas pertama menjadi 2X + X 6.500
Subject to (1) 2X1 + X2 6.000
(2) 2X1 + 3X2 9.000
(3) X1 0; X2 0
O. Titik (0,0);
Z = 3(0) + 4(0) = 0
A. Titik (3000,0);
Z = 3(3000) + 4(0) = 9000
B. Titik (2250,1500);
Z = 3(2250) + 4(1500) = 12.750
C. Titik (0,3000);
Z = 3(0) + 4(3000) = 12.000

O. Titik (0,0);
Z = 3(0) + 4(0) = 0
A. Titik (3250,0);
Z = 3(3250) + 4(0) = 9750
B. Titik (2625,1250);
Z = 3(2625) + 4(1250) = 12.875
C. Titik (0,3000);
Z = 3(0) + 4(3000) = 12.000

25

Terima Kasih

Sampai Bertemu Lagi di Pertemuan Selanjutnya

26