Nurwidiana,ST.

MT
Jurusan Teknik Industri UNISSULA
nur_widiana@yahoo.com
 Linier Programming adalah suatu cara untuk
menyelesaikan persoalan pengalokasian sumber –
sumber yang terbatas diantara beberapa aktivitas
yang bersaing dengan cara terbaik yang mungkin
dilakukan.
 Sifat ‘linier’ berarti seluruh fungsi matematis dalam
model ini merupakan fungsi yang linier. Sedangkan
kata ‘programa’ merupakan kata yang memiliki
makna perencanaan.
 Linier Programming adalah perencanaan aktivitas –
aktivitas untuk memperoleh suatu hasil yang
optimum atau suatu hasil yang mencapai tujuan
terbaik diantara seluruh alternatif yang fisibel.
 Model matematis perumusan masalah umum
pengalokasian sumber daya untuk berbagai
kegiatan disebut dengan model linier
programming (LP).
 Dalam LP dikenal 2 macam fungsi, yaitu

fungsi tujuan (objective function) dan fungsi –

fungsi batasan (constraint function).
Fungsi tujuan :
Fungsi yang menggambarkan tujuan di dalam
permasalahan LP yang berkaitan dengan pengaturan
secara optimal sumber daya – sumber daya untuk
memperoleh keuntungan maksimal atau biaya minimal.
Nilai fungsi tujuan dinyatakan dengan variabel Z.

Fungsi batasan
Bentuk penyajian secara matematis batasan – batasan
kapasitas yang tersedia yang akan dialokasikan secara
optimal ke berbagai kegiatan. Dibagi menjadi 2
- Batasan fungsional,fungsi-fungsi batasan sejumlah m
- Batasan non negative, yaitu variale xj > 0
Variabel keputusan (decision variabel)
Variabel xj yang menguraikan secara
lengkap keputusan – keputusan yang akan
dibuat.

Parameter Model
konstanta dari variabel keputusan,
merupakan konstanta aij, b I,

Pembatas tanda
Pembatas yang menjelaskan apakah
variabel keputusannya diasumsikan hanya
berharga nonnegatif atau variabel
keputusannya boleh berharga positif , boleh
juga negatif ( tidak terbatas dalam tanda ).
 Kegiatan Pemakaian sumber per unit kegiatan Kapasitas
(keluaran) sumber
Sumber
 1 2 3 …. n
1 a11 a12 a13 … a1n b1
2 a21 a22 a23 … a2n b2
3 a31 a32 a33 … a3n b3
.
.
. .
.
m .
am1 am2 am3 … amn Bm
Z pertambahan C1 C2 C3 … Cn
tiap unit X1 X2 X3 … Xn
Tingkat
kegiatan
Fungsi tujuan :
Maksimumkan Z = C1X1 + C2X2 + C3X3 + … + CnXn
Batasan – batasan :
1. a11X1 + a12 X2 + a13X3 + … + a1nXn ≤ b1
2. a21X1 + a22 X2 + a23X3 + … + a2nXn ≤b2
.
.
.
m. am1X1 + am2 X2 + am3X3 + … + amnXn
≤bm

dan X1 0, X2 0 , X3 0, … Xn 0
m = macam batasan – batasan sumber atau fasilitas yang tersedia
n = macam kegiatan – kegiatan yang menggunakan sumber atau
fasilitas tersebut.
i = nomor setiap macam sumber atau fasilitas yang tersedia ( i =
1, 2, …, m)
j = nomor setiap macam kegiatan yang menggunakan sumber
atau fasiliats yang tersedia ( j = 1, 2, …, n)
xj = tingkat kegiatan ke, j dimana (j = 1, 2, …, n)
aij = banyaknya sumber i yang diperlukan untuk menghasilkan
setiap unit keluaran (output) kegiatan j (i = 1, 2, …, m,
dan j =
1, 2, …,n)
bi = banyaknya sumber (fasilitas) i yang tersedia untuk
dialokasikan ke setiap unit kegiatan ( i = 1, 2, …)
Z = nilai yang dioptimalkan (maksimum atau minimum)
Cj = kenaikan nilai Z apabila ada pertambahan tingkat kegiatan
(xj)
dengan satu satuan (unit); atau merupakan sumbangan
setiap satuan
keluaran kegiatan j terhadap nilai Z.
Asumsi kesebandingan (proportionality)
Asumsi ini berarti bahwa naik turunnya nilai Z dan penggunaan
sumber atau fasilitas yang tersedia akan berubah secara
sebanding dengan perubahan tingkat kegiatan
Asumsi penambahan (additivity)
Asumsi ini berarti bahwa 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 Z yang
diperoleh dari kegiatan lain
Asumsi pembagian (divisibility)
Asumsi ini menyatakan bahwa keluaran (output) yang
dihasilkan oleh setiap kegiatan dapat berupa bilangan pecahan
Asumsi Kepastian (certainty)
Asumsi ini menyatakan bahwa semua parameter yang terdapat
dalam model LP (aij, bi, Cj) dapat diperkirakan dengan pasti,
meskipun tidak selalu tepat
◦ Masalah produk mix ( pencampuran kombinasi
produk )
◦ Perencanaan investasi
◦ Rencana produk dan persediaan
◦ Perencanaan advertensi
◦ Masalah distribusi dan transportasi
PT KARYA furniture memproduksi meja dan kursi. Proses
produksi kedua produk tersebut melalui proses
perakitan dan pemolesan. Meja diproses selama 4 jam
di stasiun perakitan dan 2 jam di stasiun pemolesan,
Sedangkan kursi memerlukan waktu masing-masing 2
jam di ke dua mesin. Stasiun perakitan bekerja
60jam/minggu sedangkan stasiun pemolesan 48 jam
/minggu. JIka keuntungan yang diperoleh dari 1 unit
meja $ 8 dan kursi = $6, tentukan berapa jumlah meja
dan kursi yang harus diproduksi agar diperoleh
keuntungan maksimal tanpa melanggar batasan
kapasitas yang dimiliki perusahaan.
 Identifikasi variabel keputusan
 Tentukan tujuan yang akan dicapai
 Tentukan batasan kapasitas yang ada
 Susun menjadi formulasi matematis
 Penyelesaian :
- Metode Grafis
Hanya dapat digunakan untuk permasalahan
dengan tidak lebih dari 2 variabel
- Metode Simpleks
Dapat digunakan untuk menyelesaikan masalah
dengan lebih dari 2 variabel.
 Gambarkan bidang koordinat dengan ke dua
variabel sebagai sumbu koordinat
 Gambarkan garis-garis fungsi batasan dengan
menganggap batasannya sebagai persamaan
 Tentukan daerah dalam koordinat yang
memenuhi semua batasan, ini disebut daerah
yang layak (feasible region)
 Tentukan koordinat titik sudut (titik ekstrim)
 Hitung harga fungsi tujuan di tiap-tiap titik
sudut
 Pilih titik dengan nilai fungi tujuan yang
optimal sebagai pemecahan persoalan.
 A feasible solution
Solusi yang memenuhi semua batasan
 Feasible region
Daerah yang merupakan kumpulan solusi
fisibel
 An optimal solution
Solusi dengan nilai tujuan yang paling
optimal
 Un boanded solution
Solusi tanpa batasan (tidak ada titik
optimal)
 No solution
Tidak ada solusi
Persoalan Maksimasi Bentuk standar
Max Z = 3X1+5X2 + 0S1 + 0S2 +
Max Z = 3X1+5X2
0S3
pembatas pembatas
X1 <= 4 X1 + S1 =
2X2 <= 12 4
3X1 + 2X2 <= 18 2X2 + S2 =
X1,X2 >= 0 12
3X1 + 2X2 + S3 =
18
X1,X2 >= 0
 Titik Variable Variabel
Ekstrim nol bukan nol
O x1,x2 s1,s2,s3
A x2,s1 x1,s2,s3
B S1,s3 x1,x2,s2
C S3,s2 x1,x2,s1
D S2,x1 x2,S1,S3

Algoritma simplek akan

bergerak dari titik O ke
titik-titik ekstrim terdekat,
hingga sampai ke titik
optimal.