ALGORITMA INTERAKTIF UNTUK MEMECAHKAN MASALAH

NONLINEAR INTEGER GOAL PROGRAMMING

Oleh :
Joni Wilson Sitepu
NIM. 158110005

1
Latar belakang
• Goal Programming (GP) adalah cabang optimasi multiobjektif, yang pada
gilirannya merupakan cabang dari Multi-Criteria Decision Analysis (MCDA),
yang juga dikenal sebagai Multiple-Criteria Decision Making (MCDM).
• Goal programming digunakan untuk melakukan tiga jenis analisis:
1. Menentukan sumber daya yang dibutuhkan untuk mencapai seperangkat
tujuan yang diinginkan.
2. Menentukan tingkat pencapaian tujuan dengan sumber daya yang ada.
3. Memberikan solusi terbaik dengan berbagai sumber dan prioritas tujuan.

Goal Programming pertama kali diperkenalkan oleh Charnes and Cooper

(1961). Pendekatan solusi ini kemudian diterapkan dan diperluas oleh Ijiri
(1965), Charnes et al. (1963, 1968), Lee (1972), Ignizio (1976) dan
kemudian oleh Romero (1992). Goal Programming memiliki sejumlah besar
makalah penelitian yang memperkenalkan dan mempelajari aplikasinya
yang mencakup sejumlah bidang besar dan disiplin ilmu, sebagai berikut ;
Latar belakang
Hwang dkk. (1980) dan Evans (1984), mengemukakan pembuat keputusan
yang dikategorikan varian Goal Programming ke dalam empat kategori :
• Tidak ada artikulasi preferensi pembuat keputusan: Dalam metode ini
preferensi pengambil keputusan tidak dipertimbangkan.
• Metode Priori: Dalam metode ini preferensi pengambil keputusan
ditentukan sebelum menyelesaikan masalah.
• Metode Interaktif: Dalam metode ini, preferensi pengambil keputusan
dipertimbangkan selama solusi, sebagai tanggapan atas pendapat mereka
yang dengannya solusi dihasilkan hingga saat itu.
• Metode Posteriori: Dalam metode ini, pertama-tama solusi dihasilkan dan
kemudian preferensi pengambil keputusan diambil dengan pertimbangan
sehubungan dengan solusinya. Multi-objective Goal Programming adalah
salah satu Metode Posteriori yang paling umum digunakan untuk berbagai
masalah optimasi multi-dimensi.
Latar belakang

• Garrod dan Moores (1978) mengembangkan metodologi solusi goal

programming nol-satu dengan menggunakan pendekatan yang sama.
• Arthur dan Ravindran (1980) mengembangkan algoritma integer goal
programming nol-satu pada algoritma linear programming yang sama.
Dalam kasus solusi nol-satu integer linear programming pendekatan yang
paling umum adalah dengan beberapa jenis metode enumerasi.
• Tamiz dkk. (1999) mengembangkan dan menganalisis efisiensi Pareto
untuk integer goal programming.
• Irfan Ali (2011) menerapkan pendekatan integer goal programming untuk
menemukan alokasi komponen kompromi yang dapat diperbaiki.
Latar belakang
Saber dan Ravindran (1993), mengemukakan Algoritma dan Metodologi
Nonlinear Goal Programming, ada empat pendekatan utama untuk
nonlinear goal programming:
(1)Simpleks berbasis nonlinier Goal Programming
(2)Pencarian langsung berbasis nonlinier Goal Programming
(3)Gradient search berbasis nonlinier Goal Programming
(4)Pendekatan interaktif terhadap nonlinier Goal Programming

• Malhotra dan Arora (1999), menyajikan model goal programming pre-

emptive dan prosedur untuk memecahkan masalah goal programming
integer dengan kendala stuktural nonlinier. Prosesnya terdiri dari
menemukan daerah layak dari variabel keputusan dalam model goal
programming ditambah dengan batasan struktural daerah layak
• Burton and Toint (1992,1994) mengemukakan Masalah invers pemrograman
linear, yang mempelajari masalah invers jarak terpendek dikembangkan
dalam tomografi seismik digunakan dalam memprediksi pergerakan gempa
bumi. Dalam beberapa tahun terakhir, masalah optimisasi invers telah
dipelajari agak intensif. Dalam paper Ahuja And Orlin (2001), menyajikan
beberapa masalah invers.
• Zang dan Liu (1996) mengemukakan Masalah invers pemrograman linear,
yang mempelajari masalah penugasan invers dan masalah arus biaya
minimum;
• Yang, Zhang dan Ma (1997), dan Zhang dan Cai (1998) mempelajari masalah
pemotongan minimum invers; dan Xu dan Zhang (1995) mempelajari masalah
jarak terpendek invers. Pada paper Ahuja and Orlin (2001), mengembangkan
framework dengan algoritma untuk semua masalah arus network invers yang
diturunkan sebagai kasus khusus, dengan algoritma yang sesuai dengan
algoritma terbaik sebelumnya atau improvisasinya, dan pada waktu yang
sama mendapatkan bukti sederhana. Ahuja and Orlin (2001) juga
mempelajari invers program linear dan masalah arus network invers di
bawah norma yang merupakan hasil baru.
1.2. Perumusan Masalah
Berdasarkan latar belakang, perumusan masalah norlinear integer goal
programming adalah sebagai berikut : Bagaimana menentukan solusi
masalah nonlinear integer goal programming dengan menggunakan
algoritma interaktif ?

1.3. Tujuan Penelitian

Berdasarkan masalah-masalah di atas maka cakupan tujuan penelitian ini
secara rinci dapat dirumuskan sebagai berikut:
1. Menghasilkan perumusan masalah nonlinear integer goal programming.
2. Menghasilkan solusi masalah nonlinear integer goal programming
pengambil keputusan.
3. Menghasilkan solusi masalah Algoritma interaktif nonlinear integer goal
programming pengambil keputusan.
1.4. Manfaat Penelitian

Manfaat penelitian ini adalah:

1.Memberikan kontribusi dalam perumusan masalah nonlinear integer goal
programming dan metode penyelesaiannya.
2.Pemecahan masalah norlinear integer goal programming dapat membantu
para pembuat keputusan dalam mengambil kebijakan.
3.Pemecahan masalah Algoritma interaktif norlinear integer goal
programming dapat membantu para pembuat keputusan dalam
mengambil kebijakan
 BAB II
TINJAUAN PUSTAKA

Goal programming

Pemecahan masalah nonlinear Goal Programming

Prosedur masalah integer nonlinear Goal Programming

Masalah Invers Linier Programming

Masalah Goal Programming berbentuk invers.

03/10/2020 9
 BAB III
METODOLOGI PENELITIAN
3.1. Tahapan Penelitian
Langkah 1. Tentukan solusi efisien awal (lemah).
Langkah 2. Tunjukkan solusi untuk pengambilan keputusan (DM). Jika DM
puas dengan solusinya, Stop: jika tidak, minta DM untuk menentukan titik
referensi baru fk̅ , menggunakan AHP dan pergi ke langkah 3.
Langkah 3. Berdasarkan nilai-nilai fk̅ dan fk (solusi terakhir), pecahkan (5) (atau
(11)) dan temukan solusi fk lemah (atau efisien) baru yang menengah (x);
lanjutkan ke Langkah 2.
3.2.Bagan penelitian nonlinear integer Goal
Integer linear Goal Programming
Programming

Masalah Nonlinear
Goal Programming
integer Goal
Hasil berbentuk invers
Programming
penelitian
sebelumnya
/teori yg Metode integer non
ada linier goal
programming Algoritma interaktif
.

DM Solusi Optimal
Solusi Optimal
 BAB IV
METODE INTERAKTIF 
4.1.Analytic Hierarchy Process (Analitik Proses Hierarki)
Definisi. Arah referensi didefinisikan oleh perbedaan antara titik referensi
yang diberikan oleh DM dan solusi terakhir dari masalah.
Andaikan fk menunjukkan nilai arbitrary fungsi obyektif (1) dan fk̅
menunjukkan tingkat aspirasi. Kemudian misalkan,
H = { k Є K̅ ǀ fk̅ > fk }
L = { k Є K̅ ǀ fk̅ < fk }
E = { k Є K̅ ǀ fk̅ = fk }
Dimana . Untuk menemukan solusi berikutnya (1), dipecahkan masalah
pengganti obyektif tunggal berikut ini :
(2) max s1 (x) = max min ( fk (x) - fk ) / ( fk̅ - fk )
xЄX xЄX kЄK

Subject to
(3) fk (x) ≥ fk̅ + α ( fk̅ - fk ), k Є L,
fk (x) = fk̅ , k Є E
di mana α adalah parameter non-negatif dan fk̅ , k Є K adalah nilai fungsi
obyektif yang ditemukan dalam solusi terakhir.
• Fungsi obyektif (2), max xЄX s1(x) memaksimalkan perbedaan standar
terkecil antara solusi fx(x) dan solusi terakhir fk untuk semua fungsi tujuan
k Є H. Untuk memecahkan (2), nilai-nilai dari fungsi obyektif yang
termasuk dalam himpunan H meningkat sedangkan yang termasuk dalam
himpunan L dapat menurun. Dengan cara ini, fungsi (1) hanya ada dalam fk̅
> fk untuk setidaknya satu k, k Є K. sehingga titik referensi fk̅ , k Є K, tidak
harus didominasi oleh solusi sebelumnya (1).
• Tergantung pada nilai-nilai fk̅ dan fk̅ , k Є K, set H, L, dan E dibuat yang
mendefinisikan masalah obyektif tunggal (2). Jika set H dan L tidak kosong,
maka solusi optimal dari (2) diperoleh untuk berbagai nilai dari α adalah
solusi efisien lemah. Untuk solusi terakhir dari (1) adalah solusi yang layak
untuk (2); hal ini penting untuk memecahkan (2) oleh algoritma yang
tepat. Selanjutnya, solusi yang layak (2) terletak dekat dengan permukaan
yang efisien yang memungkinkan untuk menggunakan pendekatan
algoritma untuk memecahkan (2).
Karena fungsi obyektif (2) nonlinear, tidak ada algoritma standar untuk
menyelesaikan masalah integer linier programming atau linier yang dapat
digunakan untuk menyelesaikannya. Namun, masalah dapat dimulai
sebagai berikut, ekivalen dengan masalah mixed integer linier
programming.
5) max y
Subject to
(6) fk (x) - ( fk̅ - fk )y ≥ fk , k Є H,
(7) fk (x) - fk̅ + α ( fk̅ - fk ), k Є H,
(8) fk (x) = fk̅ , k Є E,
(9) x Є X
(10) y ≥ 0
Dimana y adalah scalar.
Jika (2) tidak memiliki solusi, maka masalah (5) juga tidak memiliki solusi.
Hal ini disebabkan oleh fakta bahwa kedua masalah memiliki kendala yang
sama. Jika (2) memiliki solusi, maka (5) memiliki solusi dan nilai optimal
dari fungsi obyektifnya adalah sama, lihat lemma dalam Apendiks. Karena
masalah (2) dan (5) ekivalen, solusi optimal dari (5) adalah solusi efisien
yang lemah.
Solusi dari (2) (atau ekuivalen (B)) adalah solusi efisien yang lemah.
Namun jika diinginkan untuk mendapatkan solusi yang efisien, maka kita
dapat memecahkan masalah pengganti obyektif tunggal berikut ini:

(11)

Subject to
(12) fk (x) ≥ fk̅ + α ( fk̅ - fk ), k Є L
(13) fk (x) = fk̅ , k Є E
di mana β adalah arbitrary angka positif yang kecil.
Soal (11) dapat direduksi menjadi ekivalen dengan masalah mixed integer
linear programming berikut.

(14)

Subject to
(15) fk (x) - fk̅ = yk, k Є H
(16) fk (x) - fk̅ = -yk, k Є L
(17) fk (x) - ( fk̅ - fk )y ≥ fk , k Є H
(18) fk (x) - ( fk̅ - fk )α ≥ fk , k Є L
(19) fk (x) = fk̅ , k Є E
(20) x Є X
(21) y, yk ≥ 0 k Є K
• 4.2. Metode interaktif
Berdasarkan respons DM, constrain dimasukkan, yang mereduksi
permukaan objek (object space) atau permukaan keputusan
(decision space) atau keduanya. Ini diulang sampai DM mencapai
best compromise solution.
Apabila ruang utility DM berupa {P(f1(x), f2(x)... fp(x))} Maka
problem MCDM menjadi :
• Max U{(f1(x), f2(x)......... fp(x))}
• Subject to x € S
Setiap solusi yang memaksimalkan U disebut dengan best
compromise solutions. Dengan demikian jika fungsi utility DM
diketahui apriori, problem MCDM direduksi menjadi sebuah
problem objektif tunggal (single objective).
Sebuah metode interaktif untuk menyelesaikan problem bi-kriteria
adalah yang disebut dengan Pairwise Comparison Method (PCM).
4.3. Algoritma interaktif
Algoritma yang diajukan terdiri dari tiga langkah dasar berikut.
Langkah 1. Tentukan solusi efisien awal (lemah).
Langkah 2. Tunjukkan solusi untuk pengambilan keputusan (DM). Jika DM puas
dengan solusinya, Stop: jika tidak, minta DM untuk menentukan titik referensi baru
fk̅ , menggunakan AHP dan pergi ke langkah 3.
Langkah 3. Berdasarkan nilai-nilai fk̅ dan fk (solusi terakhir), pecahkan (5) (atau (11))
dan temukan solusi fk lemah (atau efisien) baru yang menengah (x); lanjutkan ke
Langkah 2.
• Solusi awal yang efisien (atau efisien) pada langkah 1 dari algoritma yang diusulkan
diperoleh dengan menyelesaikan (5) dan (14) untuk α = 0, f k = 0, k Є K dan fk̅ = 1, k Є
K. Jika nilai dari beberapa fk, k Є K bisa negatif, maka masalah (5) atau (14) dapat
diselesaikan dengan mengganti y dengan y1 – y2 ≥ 0.
• Karena (2) dan (14) adalah masalah mixed integer linear programming, yang dapat
diselesaikan dengan algoritma eksak standar. Algoritma branch and bound adalah
yang paling tepat untuk tujuan ini. Karena dimulai dengan solusi awal yang
memungkinkan untuk masalah ini, waktu solusi dalam iterasi berikutnya (langkah 3)
dapat sangat menurun. Dapat dicatat bahwa dimulai dengan menyelesaikan masalah
untuk α = 0 dan dapat melanjutkan prosedur solusi secara parametrik untuk
beberapa nilai baru dari α.
• Masalah (5) dan (14) adalah NP-hard. Algoritma yang tepat dapat
membutuhkan waktu yang cukup lama untuk menyelesaikan masalah
dimensi besar. Oleh karena itu, mungkin diinginkan untuk menggunakan
pendekatan algoritma untuk menyelesaikan masalah pada langkah 3.
Dapat dicatat bahwa, berdasarkan teorema, solusi layak yang diperoleh
oleh pendekatan algoritma terletak dekat atau pada permukaan yang
efisien lemah (atau efisien ); mereka juga digunakan untuk merumuskan
masalah (5) atau (14) untuk iterasi berikutnya. Pernyataan sebelumnya
juga berlaku jika algoritma yang tepat digunakan untuk memecahkan (5)
dan (14).
Dapat ditunjukkan bahwa jika setiap iterasi tingkat aspirasi yang diinginkan
oleh DM melebihi nilai fungsi obyektif (untuk semua tujuan) yang
diperoleh pada iterasi sebelumnya. yaitu fk̅ > fk , untuk setiap k Є K, solusi
masalah (5) (atau (14)) akan sama dengan yang diperoleh pada iterasi
sebelumnya. Ada dua cara untuk menghindari masalah ini. Salah satu
caranya adalah meminta DM untuk menyatakan tingkat aspirasi seperti fk̅ >
fk untuk setidaknya satu k Є K. Namun, ini menempatkan kendala
tambahan pada DM. Cara kedua untuk menghindari masalah adalah
menyelesaikan (22) (atau (26)) bukan (5) (atau (14)).
yaitu,
(22) max (z1-z2)
subject to
(23) fk(x) – (fk̅ – f’k) (z1-z2) ≥ f’k + α (fk̅ – fk) , k Є K
(24) x Є X
(25) z1 , z2 ≥ 0
atau,
(26)

(27) fk (x) - fk = yk, k Є K

(28) fk(x) – (fk̅ – f’k) (z1-z2) ≥ f’k + α (fk̅ – fk) , k Є K
(29) x Є X
(30) yk ≥ 0 k Є K
(31) z1 , z2 ≥ 0
dimana
k1 = arg max (fk̅ – fk)
dan
f’k =

Diperoleh solusi terakhir yang efisien lemah (atau efisien) mungkin tidak
layak untuk (22) (atau (26)); dan tidak ada yang pasti dapat dikatakan
tentang solusi yang layak dari masalah ini atau apakah persamaan akan
berada di dekat permukaan yang efisien untuk (1).
 BAB V
KESIMPULAN

1. Masalah (5) atau (14) dapat diselesaikan dengan mengganti y dengan y 1

– y2 ≥ 0
2. Masalah (2) dan (14) adalah masalah mixed integer linear programming,
yang dapat diselesaikan dengan algoritma eksak standar yaitu Algoritma
branch and bound. Dengan menyelesaikan masalah untuk α = 0 dan
dapat melanjutkan prosedur solusi secara parametrik untuk beberapa
nilai baru dari α
3. Masalah (5) dan (14) adalah NP-hard. Algoritma yang tepat dapat
membutuhkan waktu yang cukup lama untuk menyelesaikan masalah
dimensi besar.
4. Solusi masalah (5) (atau (14)) akan sama dengan yang diperoleh pada
iterasi sebelumnya. Ada dua cara untuk menghindari masalah ini. Salah
satu caranya adalah meminta DM untuk menyatakan tingkat aspirasi
seperti fk̅ > fk untuk setidaknya satu k Є K. Namun, ini menempatkan
kendala tambahan pada DM. Cara kedua untuk menghindari masalah
adalah menyelesaikan (22) (atau (26)) bukan (5) (atau (14)).
5. Diperoleh solusi terakhir yang efisien lemah (atau efisien) mungkin tidak
layak untuk (22) (atau (26)); dan tidak ada yang pasti dapat dikatakan
tentang solusi yang layak dari masalah ini
Terima kasih