Pengantar

Linear Programming

Widyono Soetjipto
Departemen Ilmu Ekonomi
Fakultas Ekonomi Universitas Indonesia
 Pengantar

Masalah dasar ekonomi : bagaimana mengalokasikan

sumberdaya terbatas untuk memenuhi kebutuhan
manusia yang tidak terbatas (optimal allocation)
Linear Programming (LP) merupakan peralatan (tools)
untuk membantu memecahkan masalah-masalah
ekonomi tersebut
LP merupakan dasar untuk memahami berbagai model
yang tercakup dalam teknik mathematical
programming
Normative vs positive economics
 Karakteristik Utama Masalah LP
Terdapat fungsi tujuan yang dapat dinyatakan dalam
bentuk kuantitatif
Harus terdapat berbagai alternatif aktivitas yang saling
berkompetisi dalam penggunaan sumberdaya yang
sama untuk mencapai tujuan
Sumberdaya harus berada dalam jumlah terbatas
Fungsi tujuan dan sistem kendala harus dapat
dinyatakan dalam bentuk persamaan (=) atau
pertidaksamaan ( dan ) linier matematis
 Formulasi Model
Fahami deskripsi masalah, pelajari hubungan-hubungan
yang ada, identifikasikan fungsi tujuan (objective
function) dan variabel keputusan (decision variable)
Identifikasikan kendala yang ada (, =, )
Identifikasikan unit pengukuran
Identifikasi koefisien teknis (matriks A)
Susun hubungan antar variabel keputusan dengan
sistem kendala (constraints) dalam kata-kata
Nyatakan model dalam notasi matematika
 Asumsi LP
Attributes of Model:
1. Objective function appropriateness:
objective function is the proper and sole criteria for
choosing among the feasible values of decision
variables
2. Decision variable appropriateness:
The decision variables are all fully manipulatable
within the feasible region and are under the control
of decision maker
All appropriate decision variables have been
included in the model
 Asumsi LP
Attributes of Model:
3. Constraint appropriateness:
The constraint fully identify the bounds placed on
the decision variables by resource availability,
technology, the environment, etc.
The resource used and/or supplied within any
single constraint are homogeneous items that can
be used or supplied by any decision variable
appearing in the constraint
 Asumsi LP
Math in the model:
Linearity (proportionality)
Additivity
Divisibility
Certainty (deterministic)
Non-negativity
Asumsi tersebut satu-persatu akan dilepas untuk
memodelkan berbagai kasus yang bersifat
spesifik, seperti
Integer (indivisible) Integer Programming
Non-linearity Non Linear Programming
 Prototype Model
Resource Allocation Problem (Furniture Problem)
Seorang perajin furniture memproduksi meja dan kursi. Ia
mengetahui kebutuhan kayu dan tenaga kerja untuk produk-produk
yang dihasilkannya. Sebuah meja membutuhkan 5 m kayu jati, 2 m
kamper dan 4 hari kerja. Sedangkan kursi membutuhkan 2 m kayu
jati, 3 m kamper dan 2 hari kerja. Keuntungan yang diperoleh dari
penjualan meja adalah Rp 12.000/unit dan kursi Rp 8.000/unit. Ia
dibatasi oleh ketersediaan sumberdaya yang dimilikinya, yaitu kayu
jati sebanyak 150 m dan kamper 100 m serta 80 HK. Ia ingin
mengetahui berapa banyak meja dan kursi yang harus diproduksi
dengan kendala sumberdaya yang dimilikinya agar dapat diperoleh
keuntungan maksimum.
Model matematis? Solusi optimum?
 Prototype Model
Sumberdaya Produk Ketersediaan
meja kursi
Jati 5 2 150
Kamper 2 3 100
HK 4 2 80
Profit 12.000 8.000

Model matematis
Maximize = 12 X1 + 8 X2
Subject to,
5 X1 + 2 X2 150 (kendala jati)
2 X1 + 3 X2 100 (kendala kamper)
4 X1 + 2 X2 80 (kendala HK)
dan X1, X2 0 (kendala non-negatif)
 Contoh Lain
Transportation Problem
Suatu perusahaan semen memiliki dua lokasi pabrik dan melayani
3 daerah tujuan. Pabrik 1 dan 2 masing-masing menghasilkan 250
ton dan 300 ton per minggu. Sementara kebutuhan di daerah A, B
dan C masing-masing 100 ton, 250 ton, 200 ton per minggu.
Bagaimana alokasi distribusi dari pabrik ke tujuan dengan biaya
transpor minimum jika diketahui biaya transpor ke masing-masing
tujuan adalah sbb.

Pabrik Tujuan
A B C
1 14 12 10
2 12 8 13
 Contoh Lain
Portfolio Problem

Bonds Type Rating Years to After tax yield

Maturity
A Municipal 2 9 4.3
B Agency 2 15 2.7
C Government 1 4 2.5
D Government 1 3 2.2
E Municipal 5 2 4.5

Batasan:
1. Total dana tersedia Rp 100 juta
2. Bond yang alokasikan untuk Government and Agency minimum Rp 40 juta
3. Rata-rata rating bond maksimum 1.4
4. Rata2 years to maturity maksimum 5 tahun
 Notasi LP

Optimize f c1 X 1 c2 X 2 ... cn X n

Subject to, a11 X 1 a12 X 2 ... a1n X n b1

a21 X 1 a22 X 2 ... a2n X n b2

...
am1 X 1 am 2 X 2 ... amn X n bm

X 1 , X 2 ,..., X n 0
 Notasi LP
n

Optimize f cj X j atau f cX
j 1
subject to,
m n

a
i 1 j 1
ij X j bi atau AX b

dimana, c c1 c2 ... cn

a11 a12 ... a1n X1 b1

a b
a22 ... a2 n X
2 2
A 21
X b
... ... ... ... ... ...

am1 am 2 ... amn
X n b m
 Solusi Model LP
Pendekatan Grafis
Prinsip dasar: feasible region dan isoprofit line
Keuntungan: memahami terminologi solusi komputer
Kelemahan: analisa hanya untuk 2 variabel keputusan
Tabel Simplex
Prinsip dasar: operasi matriks Gauss-Jordan Elimination
Keuntungan: memahami prinsip kerja iterasi hingga optimal
Kelemahan: terlalu rumit untuk dipecahkan
Computer Software
Prinsip dasar: iterasi simpleks
Kuntungan: banyak tersedia dari software sederhana hingga kompleks
(ABQM, LINDO, GAMS)
Kelemahan: beberapa software membutuhkan pengetahuan tentang
syntax komputer (tidak user friendly)
 Prototype Model: Solusi Grafis
X2

75 redundant

Solusi bersifat unik di titik B (5,30)

K. Jati

40 binding

HK
A feasible region
33.3 B binding

K. Kamper

C
isoprofit line
O 20 30 50 X1
 Kasus Minimisasi

Minimize Z = 12 X1 + 5 X2
Subject to,
4 X1 + 2 X2 80
2 X1 + 3 X2 90
dan X1, X2 0 (kendala non-negatif)
 Kasus Minimisasi: Solusi Grafis
X2 Isoprofit line 600

Solusi Isoprofit line 360

optimal Solusi bersifat unik di (0,40)
40
feasible region

30

20 30 45 X1
constraint 1 50

constraint 2
 Solusi Grafis
Kesimpulan
Sistem kendala (constraints) bersama-sama
menentukan bentuk set of feasible region
Kemiringan fungsi tujuan (=isoprofit/level profit
tertentu yang sama) menentukan dimana letak
solusi optimum diperoleh
Karena bentuk set of feasible region dan kemiringan
fungsi tujuan, solusi umumnya merupakan titik
sudut (corner solution)
 Aspek Teknis
1. Multiple Optima
a. Contoh Model LP
Maximize f = 3 X1 + 2 X2
subject to, 6 X1 + 4 X2 24
10 X1 + 3 X2 30
X1, X2 0
b. Karakteristik
Solusi tidak bersifat unik (multiple solution)
Disebabkan slope fungsi tujuan = slope kendala
Memberi banyak pilihan solusi (kebijakan)
 Aspek Teknis
2. Unbounded Solution
a. Contoh Model LP
Maximize f = 2 X1 + 3 X2
subject to, X1 + X2 3
X1 - 2 X2 4
X1, X2 0
b. Karakteristik
Feasible region bukan convex set
Kesalahan dalam formulasi masalah
 Aspek Teknis
3. Infeasible Solution
a. Contoh Model LP
Maximize f = 4 X1 + 3 X2
subject to, X1 + X2 3
2X1 - X2 3
X1 4
X1, X2 0
b. Karakteristik
Feasible region merupakan ruang kosong
Kesalahan dalam formulasi masalah
 Referensi
McCarl, Bruce A. dan Thomas H. Spreen. 2004. Applied
Mathematical Programming. Manuskrip yang tidak dipublikasikan
dapat diperoleh di http://agecon2.tamu.edu/people/faculty/mccarl-
bruce/
Nachrowi, Nachrowi D. dan Hardius Usman. 2006. Teknik
pengambilan Keputusan. Grasindo, Jakarta.
Wu, Nesa dan Richard Coppins. 1981. Linear Programming and
Extensions. McGraw Hill, New York.