Dr.Eng. R.

Darmawan
Prof. Dr. Mahfud
rdarmawan2016@gmail
.com
Linear Programming
Linear programming adalah suatu teknis matematika yang
dirancang untuk membantu manajer dalam merencanakan
dan membuat keputusan dalam mengalokasikan sumber
daya yang terbatas untuk mencapai tujuan perusahaan.
Tujuan perusahaan pada umumnya adalah memaksimalisasi
keuntungan, namun karena terbatasnya sumber daya, maka
dapat juga perusahaan meminimalkan biaya.
Linear Programming memiliki empat ciri khusus yang
melekat, yaitu :
penyelesaian masalah mengarah pada pencapaian tujuan
maksimisasi atau minimisasi
kendala yang ada membatasi tingkat pencapaian tujuan
ada beberapa alternatif penyelesaian
hubungan matematis bersifat linear
 Applications
3

Agriculture : Diet problem.

Computer science : Compiler register allocation, data mining.
Electrical engineering : VLSI design, optimal clocking.
Energy : Blending petroleum products.
Economics : Equilibrium theory, two-person zero-sum games.
Environment : Water quality management.
Finance : Portfolio optimization.
Logistics : Supply-chain management.
Management : Hotel yield management.
Marketing : Direct mail advertising.
Manufacturing : Production line balancing, cutting stock.
Medicine : Radioactive seed placement in cancer treatment.
Operations research : Airline crew assignment, vehicle routing.
Physics : Ground states of 3-D Ising spin glasses.
Plasma physics : Optimal stellarator design.
Telecommunication : Network design, Internet routing.
Sports : Scheduling ACC basketball, handicapping horse
races.
Linear Programming
Suatu model umum yang dapat digunakan
dalam pemecahan masalah pengalokasian
sumber-sumber yang terbatas secara
optimal.

Suatu keadaan dimana bagian produksi

perusahaan dihadapkan pada masalah
penentuan tingkat produksi masing-
masing jenis produk dengan
memperhatikan batasan faktor-faktor
produksi seperti mesin, tenaga kerja,
bahan mentah, dan lain sebagainya untuk
memperoleh tingkat keuntungan maksimal
Dalam Linier Programming dikenal 2
macam fungsi

1. Fungsi tujuan (Objective Function)

Fungsi yang menggambarkan tujuan/sasaran di
dalam permasalahan LP yang berkaitan dengan
pengaturan secara optimal sumberdaya, untuk
memperoleh keuntungan maksimal atau biaya
minimal (misalkan nilai yang akan dioptimalkan
dinyatakan sebagai Z)

2. Batasan (Constraints)
Merupakan persamaan matematis dari batasan-
batasan kapasitas yang tersedia yang akan
dialokasikan secara optimal ke berbagai
 Beberapa Istilah dalam Linear
Programming

Objective Function: Fungsi yang menggambarkan

tujuan/ sasaran yang berkaitan dengan pengaturan secara
optimal sumberdaya, untuk memperoleh keuntungan maksimal
atau biaya minimal (misalkan nilai yang akan dioptimalkan
dinyatakan sebagai Z)

Constraints: Merupakan persamaan matematis dari

batasan-batasan kapasitas yang tersedia yang akan
dialokasikan secara optimal ke berbagai kegiatan
Decision variables: variabel pilihan yang tersedia untuk
pengambilan keputusan, baik input maupun output

Feasible solution space: himpunan dari seluruh

daerah yang layak (feasible) dari decision variabel yang telah
didefinisikan oleh constraints. Realm of Possibilities

Parameters: nilai numerik yang telah diketaui atau

ditetapkan
Data untuk model Program
Linier
Aktifitas Penggunaan sumber /unit Banyaknya
Sumber 1 2 n sumber yang
dapat
digunakan

1 a11 a12 a1n b1

2 a21 a22 a2n b2
. . .
. . .
. . .
m am1 am2 amn bm
Z / Unit c1 c2 cn
Tingkat x1 x2 xn
 Model matematis untuk
Persoalaan LP
Fungsi tujuan :
Maksimumkan Z = c1x1 + c2x2 + + cnxn
Berdasarkan batasan-batasan :
a11x1 + a12x2 + + a1nxn b1
a21x1 + a22x2 + + a2nxn b2
.
.
am1x1 + am2x2 + + amnxn bm
dan
x1 0, x2 0, , xn 0
Formulasi di atas dinamakan bentuk standar atau baku dari
persoalan LP.
Asumsi-asumsi Dasar Linear
Programming

1. Proportionality
Naik turunnya nilai Z dan penggunaan sumber
atau fasilitas yang tersedia akan berubah
secara sebanding (proportional) dengan
perubahan tingkat kegiatan

2. Additivity
Nilai tujuan tiap kegiatan tidak saling
mempengaruhi, atau dalam LP dianggap
bahwa kenaikan dari nilai tujuan (Z) yang
diakibatkan oleh kenaikan suatu kegiatan dapat
ditambahkan tanpa mempengaruhi bagian nilai
Asumsi-asumsi Dasar Linear
Programming

3. Divisibility
Keluaran (output) yang dihasilkan oleh setiap
kegiatan dapat berupa bilangan pecahan.
Demikian pula dengan nilai Z yang dihasilkan

4. Deterministic (Certainty)
Asumsi ini menyatakan bahwa semua
parameter yang terdapat dalam model LP (aij, bi
Cj) dapat diperkirakan dengan pasti, meskipun
jarang dengan tepat
Contoh 1
LINEAR PROGRAMMING DENGAN
METODE GRAFIK
Perusahaan sepatu membuat 2 macam sepatu. Yang
pertama merek A, dengan sol karet, dan merek B dengan
sol kulit.
Diperlukan 3 macam mesin.
Mesin 1 membuat sol karet, mesin 2 membuat sol kulit, dan
mesin 3 membuat bagian atas sepatu dan melakukan
assembling bagian atas dengan sol. Setiap lusin sepatu
merek A mula-mula dikerjakan di mesin 1 selama 2 jam,
kemudian tanpa melalui mesin 2 terus dikerjakan di mesin 3
selama 6 jam. Sedang untuk sepatu merek B tidak diproses
di mesin 1, tetapi pertama kali dikerjakan di mesin 2 selama
3 jam kemudian di mesin 3 selama 5 jam. Jam kerja
maksimum setiap batch mesin 1 adalah 8 jam, mesin 2
adalah 15 jam, dan mesin 3 adalah 30 jam.
Sumbangan terhadap keuntungan setiap lusin sepatu merek
Bentuk Tabel

A B Kapasitas
Merek
(x1) (x2) Maksimu
Mesin m
1 2 0 8
2 0 3 15
3 6 5 30
Keuntung
3 5
an
Bentuk Matematis
Maksimumkan Z = 3X1 + 5X2
Batasan - batasan
(constraints)
(1) 2X1 8
(2) 3X2 15
(3) 6X1 + 5X2 30
 Fungsi batasan pertama (2 X1 8)

X2

2X1 = 8

0 4 X1

Gambar di atas merupakan bagian yang memenuhi

batasan-batasan: X1 0, X2 0 dan 2X1 8
Fungsi batasan (2 X1 8); 3X2 15;
6X1 + 5X2 30; X1 0 dan X2 0

X2
6X1 + 5X2 = 30 2X1 = 8

6
D C
5 3X2 = 15

Daerah
feasible

A
0 4 5 X1
 MENCARI KOMBINASI YANG OPTIMUM
1. Dengan menggambarkan fungsi tujuan

X2
6X1 + 5X2 = 30 2X1 = 8

3X1 + 5X2 = 20
6
D C
5 3X2 = 15
3X1 + 5X2 = 10

4 Daerah
feasible

A
0 4 5 X1
 MENCARI KOMBINASI YANG OPTIMUM
2. Dengan membandingkan nilai Z pada tiap-tiap alternatif Z = 3X1+5X

X2
6X1 + 5X2 = 30 2X1 = 8
Titik C:
X2 = 5. Substitusikan batasan
Titik D: (3), maka 6X1 + 5(5) = 30.
Pada titik ini nilai 6 Jadi nilai X1 = (30 25)/6 = 5/6.
Nilai Z = 3(5/6) + 5(5) = 27,5
X2 = 5; X1 = 0 D C
Nilai Z = 3(0) + 5(5) 5 3X2 = 15
= 25

Titik A:
Titik B: Daerah Pada titik ini nilai
X1 = 4. Substitusikan feasible
X1 = 4; X2 = 0
batasan (3), maka 6(4) + Nilai Z = 3(4) + 0 =
5X2 = 30. B
12
Jadi nilai X2 = (30 24)/5 =
6/5. A
Nilai Z = 3(4) + 5(6/5) =18 0 4 5 X1
Fungsi batasan bertanda lebih besar atau sama
dengan ( )

Contoh :
X2 Batasan ketiga (6X1 + 5X2
6X1 + 5X2 = 30 2X2 = 8 30) diubah ketidaksamaannya
menjadi 6X1 + 5X2 30

6
C B 3X2 = 15
5 Daerah
feasible

0 4 5 X1
Fungsi batasan bertanda sama
dengan ( = )

X2
6X1 + 5X2 = 30 2X2 = 8

6
C B 3X2 = 15
4

2
A

0 4 5 X1
 Contoh 2 :
Sebuah perusahaan elektronik memproduksi tape
recorder dan amplifier yang prosesnya dilakukan di 2
stasiun kerja, yaitu perakitan dan pengetesan.
Setiap unit tape recorder memerlukan 2 jam perakitan dan
2 jam pengetesan, sedangkan setiap unit amplifier
memerlukan 4 jam perakitan dan 3 jam pengetesan.
Waktu yang tersedia di departemen perakitan adalah 72
jam/minggu sedangkan di departemen pengetesan adalah
48 jam/minggu. Kontribusi profit dari tape recorder adalah
Rp. 25.000,-/unit, dan dari setiap unit amplifier adalah
Rp. 50.000,-.
Bagaimanakah formulasi persoalan di atas agar dapat
ditentukan strategi produksi terbaik yang memberikan
kontribusi profit maksimum?
Penyelesaian :
Produk Waktu yang digunakan Waktu yang
Proses Tape Amplifier tersedia

Perakitan 2 4 72

Pengetesan 2 3 48

Keuntungan 25.000 50.000

Variabel keputusan :
x1 = Jumlah tape recorder yang diproduksi
x2 = Jumlah amplifier yang diproduksi
Fungsi tujuan (Objectif Function):
Maksimumkan z = 25.000x1 + 50.000x2

Fungsi pembatas - pembatas (Constraints):

1. 2x1 + 4x2 72
2. 2x1 + 3x2 48

Fungsi pembatas atau kendala non negatifity :

x1 , x 2 0

Jadi formulasi lengkap persoalan di atas adalah sebagai berikut :

Maksimumkan z = 25.000x1 + 50.000x2
Berdasarkan pembatas :
2x1 + 4x2 72
2x1 + 3x2 48
x1 , x 2 0
Typical Application Areas of
LP
Blending Problems
Product Mix
Transportation and Distribution
Production Scheduling and Inventory
Management
Brewery Problem: A Toy LP
Example
Small brewery produces ale and beer.
Production limited by scarce resources: corn, hops, barley malt.
Recipes for ale and beer require different proportions of resources.

Corn Hops Malt Profit

Beverage
(pounds) (ounces) (pounds) ($)
Ale (barrel) 5 4 35 13
Beer (barrel) 15 4 20 23
Limit 480 160 1190

How can brewer maximize profits?

Devote all resources to ale: 34 barrels of ale $442.
Devote all resources to beer: 32 barrels of beer $736.
7.5 barrels of ale, 29.5 barrels of beer $776.
12 barrels of ale, 28 barrels of beer $800.

24
Brewery Problem

Al Beer
e
Pro
fit
Corn
Hops
Malt

25
 Brewery Problem

objective
function
Al Beer
e Profit
Corn
Hops
Malt

constraint decision
variable

26
Brewery Problem: Feasible
Region
Hops Malt
4A + 4B 160 35A + 20B 1190

(0, 32)

(12, 28)

Corn
5A + 15B 480
(26, 14)

Beer

(0, 0) Ale (34, 0)

27
Brewery Problem: Objective
Function

Pro
fit

(0, 32)

(12, 28)

13A + 23B = $1600

(26, 14)

Beer 13A + 23B = $800

(0, 0) Ale (34, 0)

28 13A + 23B = $442
Brewery Problem:
Geometry
Brewery problem observation.
Regardless of objective function
coefficients, an optimal solution occurs
at(0, 32)
an extremeextreme
point.point

(12, 28)

(26, 14)

Beer

(0, 0) Ale (34, 0)

29
 Geometry
Geometry.
Inequality: halfplane (2D), hyperplane (kD).
Bounded feasible region: convex polygon (2D), convex polytope (kD).

Convex set. If two points a and b are in the set, then so is (a +

b).

Extreme point. A point in the set that can't be written as (a +

b), where a and b are two distinct points in the set.
extreme
point

convex not convex

30
 A very important point!!
Extreme point property. If there exists an optimal
solution to (P), then there exists one that is an
extreme point.
y y y
4 4 40

3 3 30

2 2 20

1 1 10

0 0 0 x
x x
0 1 2 3 0 1 2 3 0 10 20 30 40

31
TERIMA KASIH