operational research bab ii

Upload: fairus-tin-08

Post on 05-Apr-2018

226 views

Category:

Documents


0 download

TRANSCRIPT

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    1/16

    BAB II

    LANDASAN TEORI

    2.1 Program LinierLevin et. al (1995) menyatakan bahwa programma linier merupakan teknik

    matematika untuk mendapatkan alternatif penggunaan terbaik (optimum) atas

    sumber sumber organisasi. Dunn (1981) menyatakan bahwa programma linier

    merupakan penyajian teoritis secara sederhana mengenai hubungan antara dua atau

    lebih variabel bebas (dinamakan tujuan), dengan menggunakan kendala (batas atas

    dan batas bawah) nilai nilai dari variabel tersebut.Welch dan Commer (1983)

    menyatakan programma linier merupakan teknik untuk menghitung kombinasi

    optimum dari sumber sumber tertentu agar dapat tercapai tujuan yang semaksimal

    mungkin sebagaimana yang telah ditetapkan sebelumnya.

    Levin et. al (1995), menyatakan penggunaan programma linier sebagai

    teknik pengambilan keputusan menggunakan tiga tahap proses, yaitu :

    1. Perumusan masalah; mengumpulkan informasi yang sesuai, mempelajari

    pertanyaan apa yang harus dijawab, dan membuat permasalahan ke dalam

    bentuk programma linier

    2. Pemecahan masalah; mencari pemecahan optimal programma linier

    3. Interpretasi dan penerapan solusi; pemeriksaan bahwa solusi dari

    programma linier sudah benar (dan bila tidak, harus kembali ke tahap 1

    dan memperbaiki rumusannya), mengerjakan analisa sensitivitas yang

    cocok dan menerapkan ke dalam praktek

    Levin et. al (1995) menyatakan bahwa persyaratan utama dalam pemecahan

    masalah programma linier adalah :

    1. Memiliki tujuan. Umumnya tujuan utama dari sebuah programma linier

    berupa bentuk memaksimasi keuntungan (laba) dan atau meminimasi

    biaya. Disadari bahwa bentuk trend (kecenderungan) keuntungan dan

    biaya tidak selalu berhubungan secara linier dengan volume penjualan atau

    jumlah produksi.

    II-1

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    2/16

    2. Harus ada alternatif tindakan yang salah satu darinya akan mencapai tujuan.

    Sebagai contoh, suatu perusahaan harus mengalokasikan kapasitasnyadalam

    suatu bentuk perbandingan, misalnya 50:50, 25:75, to:30 atau dalam angka

    perbandingan lainnya.

    3. Sumber yang diperhitungkan dalam model merupakan persediaan terbatas.

    Misalnya sebuah perusahaan mempunyai jumlah mesin, sumber daya

    manusia, waktu, dan sumber daya sumberdaya lainnya yang terbatas;

    dalam perusahaan konveksi fenomena ini dapat diamati melalui sebuah

    fungsi sebab-akibat, untuk perusahaan yang membuat dua produk, celana

    dan baju; semakin banyak waktu digunakan untuk membuat celana semakin

    sedikit baju yang dapat dibuat.

    4. Tujuan dan keterbatasannya dinyatakan dalam bentuk persamaan atau

    pertidaksamaan matematika(formulasimatematika), dan harus ada

    persamaan atau pertidaksamaan linier

    2.1.1 Asumsi Program Linier

    Untuk dapat menyelesaikan pemecahan masalah programma linier terdapat

    beberapa asumsi / persyaratan utama yang harus dipenuhi seperti yang

    dikemukakan Priyarsono (1999),Levinet.al.(1992)dan Supranto (1991 )yaitu :

    1. Fungsi objektif harus didefinisikan secara jelas dan dinyatakan sebagai

    fungsi objektif yang linear.

    2. Harus ada alternatif tindakan/pemecahan untuk dipilih menjadi yang terbaik.

    3. Sumber dan aktivitas yang diperhitungkan dalam model mempunyai jumlah

    terbatas (finiteness).

    4. Tujuan dan segenap keterbatasannya dinyatakan dalam bentuk persamaanatau pertidaksamaan matematika (formulasi matematika), dan harus ada

    persamaan atau pertidaksamaan linier.

    5. Sumbangan tiap kegiatan terhadap nilai fungsi tujuan Z diassumsikan

    sebanding (proporsional) dengan taraf kegiatan xj, sebagaimana terungkap

    pada suku cjxj dalam fungsi tujuan. Demikian pula suku aijxj dalam

    II-2

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    3/16

    kendala, sumbangan tiap kegiatan terhadap kendala proporsional dengan

    taraf kegiatan tersebut.

    6. Sumber-sumber dan aktivitas mempunyai sifat dapat dibagi (divisibilitas).

    7. Sumber-sumber dan aktivitas mempunyai sifat dapat ditambahkan

    (aditivitas)

    8. Variabel keputusan harus positif, tidak boleh negatif Xj > 0,untuk semua j.

    9. Model programming deterministic, artinya sumber dan aktivitas diketahui

    secara pasti (single-valued expectations).

    2.1.2 Karakteristik Pemrograman Linier

    1. Sifat linearitas suatu kasus dapat ditentukan dengan menggunakan beberapa

    cara. Secara statistik, kita dapat memeriksa kelinearan menggunakan grafik

    (diagram pencar) ataupun menggunakan uji hipotesa. Secara teknis,

    linearitas ditunjukkan oleh adanya sifat proporsionalitas, additivitas,

    divisibilitas dan kepastian fungsi tujuan dan pembatas.

    2. Sifat proporsional dipenuhi jika kontribusi setiap variabel pada fungsi

    tujuan atau penggunaan sumber daya yang membatasi proporsional terhadap

    level nilai variabel. Jika harga per unit produk misalnya adalah sama

    berapapun jumlah yang dibeli, maka sifat proporsional dipenuhi. Atau

    dengan kata lain, jika pembelian dalam jumlah besar mendapatkan diskon,

    maka sifat proporsional tidak dipenuhi. Jika penggunaan sumber daya per

    unitnya tergantung dari jumlah yang diproduksi, maka sifat proporsionalitas

    tidak dipenuhi.

    3. Sifat additivitas mengasumsikan bahwa tidak ada bentuk perkalian silang

    diantara berbagai aktivitas, sehingga tidak akan ditemukan bentuk perkaliansilang pada model. Sifat additivitas berlaku baik bagi fungsi tujuan maupun

    pembatas (kendala). Sifat additivitas dipenuhi jika fungsi tujuan merupakan

    penambahan langsung kontribusi masing-masing variabel keputusan. Untuk

    fungsi kendala, sifat additivitas dipenuhi jika nilai kanan merupakan total

    penggunaaan masing-masing variabel keputusan. Jika dua variabel

    keputusan misalnya merepresentasikan dua produk substitusi, dimana

    II-3

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    4/16

    peningkatan volume penjualan salah satu produk akan mengurangi volume

    penjualan produk lainnya dalam pasar yang sama, maka sifat additivitas

    tidak terpenuhi.

    4 Sifat divisibilitas berarti unit aktivitas dapat dibagi ke dalam sembarang

    level fraksional, sehingga nilai variabel keputusan non integer

    dimungkinkan. Sifat kepastianmenunjukkan bahwa semua parameter model

    berupa konstanta. Artinya koefisien fungsi tujuan maupun fungsi pembatas

    merupakan suatu nilai pasti, bukan merupakan nilai dengan peluang

    tertentu.

    Keempat asumsi (sifat) ini dalam dunia nyata tidak selalu dapat dipenuhi.

    Untuk meyakinkan dipenuhinya keempat asumsi ini, dalam pemrograman linier

    diperlukan analisis sensitivitas terhadap solusi optimal yang diperoleh.

    2.1.3 Formulasi Permasalahan

    Urutan pertama dalam penyelesaian adalah mempelajari sistem relevan dan

    mengembangkan pernyataan permasalahan yang dipertimbangakan dengan jelas.

    Penggambaran sistem dalam pernyataan ini termasuk pernyataan tujuan, sumber

    daya yang membatasi, alternatif keputusan yang mungkin (kegiatan atau aktivitas),

    batasan waktu pengambilan keputusan, hubungan antara bagian yang dipelajari dan

    bagian lain dalam perusahaan, dan lain-lain.

    Penetapan tujuan yang tepat merupakan aspek yang sangat penting dalam

    formulasi masalah. Untuk membentuk tujuan optimalisasi, diperlukan identifikasi

    anggota manajemen yang benar-benar akan melakukan pengambilan keputusan dan

    mendiskusikan pemikiran mereka tentang tujuan yang ingin dicapai.

    2.1.4 Pembentukan model matematik

    Tahap berikutnya yang harus dilakukan setelah memahami permasalahan

    optimasi adalah membuat model yang sesuai untuk analisis. Pendekatan

    konvensional riset operasional untuk pemodelan adalah membangun model

    matematik yang menggambarkan inti permasalahan. Kasus dari bentuk cerita

    diterjemahkan ke model matematik. Model matematik merupakan representasi

    II-4

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    5/16

    kuantitatif tujuan dan sumber daya yang membatasi sebagai fungsi variabel

    keputusan. Model matematika permasalahan optimal terdiri dari dua bagian.

    Bagian pertama memodelkan tujuan optimasi. Model matematik tujuan selalu

    menggunakan bentuk persamaan. Bentuk persamaan digunakan karena kita ingin

    mendapatkan solusi optimum pada satu titik. Fungsi tujuan yang akan dioptimalkan

    hanya satu. Bukan berarti bahwa permasalahan optimasi hanya dihadapkan pada

    satu tujuan. Tujuan dari suatu usaha bisa lebih dari satu. Tetapi pada bagian ini kita

    hanya akan tertarik dengan permasalahan optimal dengan satu tujuan.

    Bagian kedua merupakan model matematik yang merepresentasikan sumber

    daya yang membatasi. Fungsi pembatas bisa berbentuk persamaan (=) atau

    pertidaksamaan ( atau ). Fungsi pembatas disebut juga sebagai konstrain.

    Konstanta (baik sebagai koefisien maupun nilai kanan) dalam fungsi pembatas

    maupun pada tujuan dikatakan sebagai parameter model. Model matematika

    mempunyai beberapa keuntungan dibandingakan pendeskripsian permasalahan

    secara verbal. Salah satu keuntungan yang paling jelas adala model matematik

    menggambarkan permasalahan secara lebih ringkas. Hal ini cenderung membuat

    struktur keseluruhan permasalahan lebih mudah dipahami, dan membantu

    mengungkapkan relasi sebab akibat penting. Model matematik juga memfasilitasi

    yang berhubungan dengan permasalahan dan keseluruhannya dan

    mempertimbangkan semua keterhubungannya secara simultan. Terakhir, model

    matematik membentuk jembatan ke penggunaan teknik matematik dan komputer

    kemampuan tinggi untuk menganalisis permasalahan.

    Di sisi lain, model matematik mempunyai kelemahan. Tidak semua

    karakteristik sistem dapat dengan mudah dimodelkan menggunakan fungsi

    matematik. Meskipun dapat dimodelkan dengan fungsi matematik, kadang-kadangpenyelesaiannya sulit diperoleh karena kompleksitas fungsi dan teknik yang

    dibutuhkan.

    Bentuk umum pemrograman linier adalah sebagai berikut :

    II-5

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    6/16

    Fungsi tujuan :

    Maksimumkan atau minimumkan

    z = c1x1 + c2x2 + ... + cnxn

    Sumber daya yang membatasi :

    a11x1 + a12x2 + ... + a1nxn = / / b1

    a21x1 + a22x2 + + a2nxn = / / b2

    am1x1 + am2x2 + + amnxn = / / bm

    x1, x2, , xn 0

    Simbol x1, x2, ..., xn (xi) menunjukkan variabel keputusan. Jumlah variabel

    keputusan (xi) oleh karenanya tergantung dari jumlah kegiatan atau aktivitas yang

    dilakukan untuk mencapai tujuan. Simbol c1,c2,...,cn merupakan kontribusi masing-

    masing variabel keputusan terhadap tujuan, disebut juga koefisien fungsi tujuan

    pada model matematiknya.Simbol a11, ...,a1n,...,amn merupakan penggunaan per unit

    variabel keputusan akan sumber daya yang membatasi, atau disebut juga sebagai

    koefisien fungsi kendala pada model matematiknya. Simbol b1,b2,...,bm

    menunjukkan jumlah masing-masing sumber daya yang ada. Jumlah fungsi kendala

    akan tergantung dari banyaknya sumber daya yang terbatas.

    Pertidaksamaan terakhir (x1, x2, , xn 0) menunjukkan batasan non

    negatif. Membuat model matematik dari suatu permasalahan bukan hanya menuntut

    kemampuan matematik tapi juga menuntut seni permodelan. Menggunakan seni

    akan membuat permodelan lebih mudah dan menarik.

    Suatu persoalan disebut persoalan program linier apabila memenuhi hal-hal

    sebagai berikut :

    1. Tujuan (objective)Apa yang menjadi tujuan permasalahan yang dihadapi yang ingin

    dipecahkan dan dicari jalan keluarnya. Tujuan ini harus jelas dan tegas yang

    disebut fungsi tujuan (objective function). Fungsi tujuan tersebut dapat

    berupa dampak positif, manfaat-manfaat, atau dampak negatif, kerugian-

    kerugian, resiko-resiko, biaya-biaya, jarak, waktu yang ingin

    diminimumkan.

    II-6

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    7/16

    2. Alternatif perbandingan.

    Harus ada sesuatu atau alternatif yang ingin diperbandingkan, misalnya

    antara kombinasi waktu tercepat dan biaya tertinggi dengan waktu terlambat

    dan biaya terendah, atau alternatif padat modal dengan padat karya,

    proyeksi permintaan tinggi dengan rendah, dan seterusnya.

    3. Sumber Daya

    Sumber daya yang dianalisis harus berada dalam keadaan terbatas. Misalnya

    keterbatasan tenaga, bahan mentah terbatas, modal terbatas, ruangan untuk

    menyimpan barang terbatas, dan lain-lain. Pembatasan harus dalam

    ketidaksamaan linier (linier inequality). Keterbatasan dalam sumber daya

    tersebut dinamakan sebagai fungsi kendala atau syarat ikatan.

    4. Perumusan Kuantitatif.

    Fungsi tujuan dan kendala tersebut harus dapat dirumuskan secara

    kuantitatif dalam model matematika.

    5. Keterikatan Perubah.

    Perubah-perubah yang membentuk fungsi tujuan dan fungsi kendala

    tersebut harus memiliki hubungan keterikatan hubungan keterikatan atau

    hubungan fungsional. Perumusan Model Persoalan Program Linier Pada

    dasarnya secara umum, persoalan program linier dapat dirumuskan dalam

    suatu model dasar/model.

    Metode simpleks merupakan prosedur aljabar yang bersifat iteratif,

    yang bergerak selangkah demi selangkah, dimulai dari suatu titik ekstrem

    pada daerah fisibel (ruang solusi) menuju ke titik ekstrem yang optimum. Untuk

    dapat lebih memahami uraian selanjutnya, berikut ini diberikan pengertian dari

    beberapa terminologi dasar yang banyak digunakan dalam membicarakanmetode simpleks. Untuk itu, perhatikan kembali model programa linier berikut:

    Maks. atau min : z = c1 x1 + c2 x2 +... + cn xn

    berdasarkan:

    a11 x1 + a12 x2 + ... + a1n xn = b1

    II-7

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    8/16

    a12 x1 + a22 x2 + ... + a2 n xn = b2

    .

    .

    am1 x 1 + am 2 x 2 + . . . + a m n x n = bm

    xi 0 (i = 1, 2, ..., n)

    Jika kita definisikan: maka pembatas dari model tersebut dapat dituliskan ke

    dalam bentuk sistem persamaan AX = b. Perhatikan suatu sistem AX = b dari

    m persamaan linier dalam n variabel (n > m)

    1. Solusi basis

    Solusi basis untuk AX = b adalah solusi di mana terdapat sebanyak-

    banyaknya m variabel berharga bukan nol.

    Untuk mendapatkan solusi basis dari AX = b maka sebanyak (n - m)

    variabel harus dinolkan. Variabel-variabel yang dinolkan ini disebut

    variabel nonbasis (NBV). Selanjutnya, dapatkan harga dari n - (n - m) =

    m variabel lainnya yang memenuhi AX = b, yang disebut variabel basis

    (BV).

    2. Solusi basis fisibel

    Jika seluruh variabel pada suatu solusi basis berharga nonnegatif, maka

    solusi itu disebut solusi basis fisibel (BFS).

    3. Solusi fisibel titik ekstrem

    Yang dimaksud dengan solusi fisibel titik ekstrem atau titik sudut ialah

    solusi fisibel yang tidak terletak pada suatu segmen garis yang

    menghubungkan dua solusi fisibel lainnya. Jadi, titik-titik (0,0), (0,6),

    (2,6), (4,3), dan (4,0) adalah solusisolusi fisibel titik sudut atau titik-

    titik ekstrem. Apabila ada sejumlah n (n < 3) buah variabel keputusan,maka definisi di atas tidak cocok lagi untuk mengidentifikasi solusi

    fisibel titik sudut (titik ekstrem) sehingga pembuktiannya harus dengan

    cara aljabar.

    Ada tiga sifat pokok titik ekstrem ini, yaitu:

    Sifat 1.a : Jika hanya ada satu solusi optimum, maka pasti ada satu titik

    ekstrem.

    II-8

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    9/16

    Sifat 1.b : Jika solusi optimumnya banyak, maka paling sedikit ada dua titik

    ekstrem yang berdekatan. (Dua buah titik ekstrem dikatakan

    berdekatan jika segmen garis yang menghubungkan keduanya itu

    terletak pada sudut dari batas daerah fisibel.)

    Sifat 2 : Hanya ada sejumlah terbatas titik ekstrem pada setiap persoalan.

    Sifat 3 : Jika suatu titik ekstrem memberikan harga z yang lebih baik dari

    yang lainnya, maka pasti solusi itu merupakan solusi optimum.

    Sifat 3 ini menjadi dasar dari metode simpleks yang prosedurnya

    meliputi 3 langkah sebagai berikut:

    1. Langkah inisialisasi: mulai dari suatu titik ekstrem (0,0).

    2. Langkah iteratif: bergerak menuju titik ekstrem berdekatan yang lebih baik.

    Langkah ini diulangi sebanyak diperlukan.

    3. Aturan penghentian: memberhentikan langkah ke-2 apabila telah sampai pada

    titik ekstrem yang terbaik (titik optimum).

    Algoritma simpleks dimulai dari titik A (0,0) yang biasa disebut

    sebagai solusi awal (starting solution). Kemudian bergerak ke titik sudut yang

    berdekatan, bisa ke B atau ke E. Dalam hal ini, pemilihan (B atau E) akan

    bergantung pada koefisien fungsi tujuan. Karena koefisien x2 lebih besar

    daripada x1, dan fungsi tujuannya maksimasi, maka solusi akan bergerak

    searah dengan peningkatan x2 hingga mencapai titik ekstrem E. Pada titik B

    proses yang sama diulangi untuk menguji apakah masih ada titik ekstrem lain

    yang dapat memperbaiki nilai fungsi tujuan. Karena titik ekstrem D (2,6)

    memberikan nilai fungsi tujuan yang lebih baik daripada titik E (0,6) dan titik

    C (4,3), maka iterasi berhenti, dengan titik D (2,6) sebagai titik optimum.

    Dengan demikian, ada dua aturan yang berlaku dalam memilih titikekstrem yang berikut setelah mencapai suatu titik ekstrem tertentu, yaitu:

    1. Titik ekstrem yang berikutnya ini harus merupakan titik ekstrem yang

    berdekatan dengan titik ekstrim yang sudah dicapai. Sebagai contoh,

    dari titik A tidak bisa bergerak langsung ke titik D atau C karena

    mereka tidak berdekatan.

    2. Solusi ini tidak akan pernah kembali ke titik ekstrem yang telah dicapai

    II-9

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    10/16

    sebelumnya. Misalnya dari E tidak akan kembali lagi ke A.

    Sebagai ringkasan dari ide metode simpleks ini ialah bahwa metode ini

    selalu dimulai pada suatu titik sudut fisibel, dan selalu bergerak melalui

    titik sudut fisibel yang berdekatan, menguji masing-masing titik

    mengenai optimalitasnya sebelum bergerak pada titik lainnya.

    Untuk mengekspresikan ide ini dalam konteks metode simpleks,

    diperlukan suatu korespondensi antara metode grafis dan metode simpleks

    mengenai ruang solusi dan titik-titik sudut (titik-titik ekstrem) sebagai berikut:

    Table 2.1 Korespondensi Metode Grafis Dengan Metode Simpleks

    Defenisi geomatris

    (metode grafis)Defenisi aljabar (metode simpleks)

    Ruang solusi Pembatas-pembatas dalam bentuk standar

    Titik-titik sudut/ekstrem Solusi-solusi basis dari bentuk standar

    Maka, sebagai ilustrasi dari representasi ruang solusi secara aljabar ini,

    kita lihat contoh bentuk standar model persoalan di bawah ini:

    Maksimumkan: z = 3x1 + 5x2 + OS1 + OS2 + OS3

    Berdasarkan pembatas :

    x1 + S1 = 4

    2x2 + S2 = 12

    3x1 + 2x2 + S3 = 18

    Dari uraian sebelumnya, ada dua hal yang dapat kita simpulkan, yaitu:

    1. Karena bentuk standar persoalan ini memiliki 3 persamaan pembatas

    dengan 5 anu, maka setiap titik ekstrem pasti memiliki sebanyak 2 (=

    5-3) variabel yang berharga nol.

    2. Titik-titik ekstrem yang berdekatan, berbeda hanya pada 1 variabel.

    Kesimpulan pertama menunjukkan bahwa kita dapat mengidentifikasi

    titik-titik ekstrem suatu ruang solusi secara aljabar, dengan cara mengenolkan

    sebanyak (n - m) variabel. Banyaknya persamaan pembatas fungsional adalah

    II-10

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    11/16

    m, sedangkan banyaknya variabel (m n) adalah n.

    Secara matematis, solusi yang diperoleh dari pengenolan (n - m)

    variabel itu kemudian disebut sebagai solusi basis (basic solution). Jika suatu

    solusi basis dapat memenuhi pembatas-pembatas nonnegatif, maka solusi ini

    disebut sebagai solusi basis fisibel (feasible basic solution). Variabel-variabel

    yang dinolkan disebut sebagai variabel-variabel nonbasis (non-basic

    variables), dan sisanya disebut sebagai variabel-variabel basis (basic

    variables). Jumlah iterasi maksimum dalam metode simpleks adalah sama

    dengan jumlah maksimum solusi basis dalam bentuk standar.

    Dari kesimpulan yang kedua, titik ekstrem yang berdekatannya hanya

    berbeda pada satu variabel, kita dapat menetapkan titik ekstrem berikutnya

    dengan mengganti variabel nonbasis (variabel yang dinolkan) yang telah

    dicapai dengan variabel basis yang telah dicapai. Sebagai contoh, misalkan

    bahwa kita sedang berada di titik A dan akan bergerak ke titik E. Untuk dapat

    mencapai titik E ini kita naikkan harga variabel nonbasis x 2 dari nilainya

    semula (yaitu 0) hingga mencapai titik E. Pada titik E, variabel S2 (yang

    sebelumnya merupakan variabel basis di titik A) secara otomatis menjadi nol,

    artinya menjadi variabel nonbasis. Dengan demikian, pergantian ini terjadi

    antara x2 dan S2, seperti terlihat pada tabel berikut:

    Tabel 2.2 Pergantian Variabel Basis dan Nonbasis

    Titik ekstrem Variabel nonbasis Variabel basis

    A

    B

    x1 , x2

    X1 , S2

    S1, S2 , S3

    S1, x2 , S3

    2.2 Algoritma Simpleks Untuk Persoalan Maksimasi

    Untuk menyelesaikan persoalan programa linier dengan menggunakan

    metode simpleks, lakukanlah langkah-langkah berikut:

    1. Konversikan formulasi persoalan ke dalam bentuk standar.

    2. Cari solusi basis fisibel (BFS).

    3. Jika seluruh NBV mempunyai koefisien non-negatif (artinya berharga

    positif atau nol) pada baris fungsi tujuan (baris persamaan z yang biasa

    II-11

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    12/16

    juga disebut baris 0), maka BFS sudah optimal. Jika pada baris 0 masih

    ada variabel dengan koefisien negatif, pilihlah salah satu variabel yang

    mempunyai koefisien paling negatif pada baris 0 itu. Variabel ini akan

    memasuki status variabel basis, karena itu variabel ini disebut sebagai

    variabel yang masuk basis (entering variable, disingkat EV).

    4. Hitung rasio dari (Ruas kanan) / (Koefisien EV) pada setiap baris

    pembatas di mana EV-nya mempunyai koefisien positif. Variabel basis

    pada baris pembatas dengan rasio positif terkecil akan berubah status

    menjadi variabel nonbasis. Variabel ini kemudian disebut sebagai

    variabel yang meninggalkan basis atau leaving variable, disingkat LV.

    Lakukan operasi baris elementer (ERO) untuk membuat koefisien EV

    pada baris dengan rasio positif terkecil ini menjadi berharga 1 clan

    berharga 0 pada baris-baris lainnya.

    Kembali ke langkah 3.

    Catatan : Jika ditemukan lebih dari satu baris yang mempunyai rasio

    positif terkecil, pilihlah salah satu. Caia ini tidak akan mempengaruhi basil

    perhitungan akhir.

    2.2.1Algoritma Simpleks Untuk Persoalan Minimasi

    Untuk menyelesaikan persoalan LP dengan fungsi tujuan me-

    minimumkan z, ada dua cara yang dapat dilakukan, yaitu:

    1. Mengubah fungsi tujuan dan persamaannya, kemudian menyelesaikannya

    sebagai persoalan maksimasi.

    2. Memodifikasi langkah 3 sehingga menjadi:

    Jika seluruh NBV pada baris 0 mempunyai koefisien yang berharganonpositif (artinya berharga negatif atau nol), maka BFS sudah optimal.

    Jika pada baris 0 masih ada variabel dengan koefisien positif, pilihlah

    salah satu variabel yang berharga paling positif pada baris 0 itu, untuk

    menjadi EV.

    2.2.2 Kasus Khusus dalam Penggunaan Algoritma Simpleks

    II-12

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    13/16

    1. Degenerasi

    Kasus ini terjadi apabila satu atau lebih variabel basis berharga nol (b

    = 0) sehingga iterasi yang dilakukan selanjutnya bisa menjadi suatu

    loop yang akan kembali pada bentuk sebelumnya. Kejadian ini disebut

    cyclingatau circling.

    2. Solusi optimum banyak

    Suatu persoalan dapat memiliki lebih dari satu solusi optimum. Kasus

    ini terjadi apabila fungsi tujuan paralel dengan fungsi pembatas, di

    mana paling sedikit salah satu dari variabel nonbasis (pada persamaan z

    pada iterasi terakhir) mempunyai koefisien berharga nol. Akibatnya,

    walaupun variabel tersebut dinaikkan harganya (dijadikan variabel

    basis), harga z tetap tidak berubah. Karena itu, solusi-solusi optimum

    yang lain ini biasanya dapat diidentifikasi dengan cara menunjukkan

    iterasi-iterasi tambahan pada metode simpleksnya, di mana variabel-

    variabel nonbasis yang berkoefisien nol itu selalu dipilih untuk menjadi

    entering variable.

    3. Solusi tak terbatas

    Kasus ini terjadi apabila ruang solusi tidak terbatas sehingga nilai

    fungsi tujuan dapat meningkat (untuk maksimasi) atau menurun (untuk

    minimasi) secara tidak terbatas. Apabila persoalannya dapat

    diselesaikan secara grafis (berdimensi dua), maka kasus ini akan mudah

    terdeteksi. Akan tetapi, jika persoalan yang dihadapi berdimensi tiga

    atau lebih, maka untuk mendeteksi apakah solusinya terbatas atau tidak,

    dilakukan dengan cara:

    a. Perhatikan koefisien-koefisien pembatas dari variabel nonbasis padasuatu iterasi. Jika koefisien-koefisien tersebut berharga negatif atau nol,

    berarti solusinya tak terbatas.

    b. Jika koefisien fungsi tujuan variabel tersebut berharga negatif (untuk

    maksimasi) atau positif (untuk minimasi), maka nilai fungsi tujuannya

    tidak terbatas

    II-13

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    14/16

    2.3 Analisis Sensitivitas

    Seorang analis jarang dapat menentukan parameter model Program Linier

    seperti (m, n, Cj, aij, bi) dengan pasti karena nilai parameter ini adalah fungsi dari

    beberapa uncontrolable variable. Sementara itu solusi optimal model Program

    Linier didasarkan pada parameter tersebut. Akibatnya analis perlu mengamati

    pengaruh perubahan parameter tersebut terhadap solusi optimal. Analisa perubahan

    parameter dan pengaruhnya terhadap solusi Program Linier disebutPost Optimality

    Analisis. Istilah post optimality menunjukkan bahwa analisa ini terjadi setelah

    diperoleh solusi optimal, dengan mengasumsikan seperangkat nilai parameter yang

    digunakan dalam model. Atau Analisis Postoptimal (disebut juga analisis pasca

    optimal atau analisis setelah optimal, atau analisis kepekaan dalam suasana

    ketidaktahuan) merupakan suatu usaha untuk mempelajari nilai-nilai dari peubah-

    peubah pengambilan keputusan dalam suatu model matematika jika satu atau

    beberapa atau semua parameter model tersebut berubah atau menjelaskan pengaruh

    perubahan data terhadap penyelesaian optimal yang sudah ada.

    Dapat diketahui bahwa dunia nyata yang diabstraksikan dan

    disimplifikasikan ke dalam model PL, tidak sederhana seperti rumusan PL

    sederhana tersebut. Oleh karena itu dalam dunia pengelolaan dan kehidupan dunia

    nyata, selalu dihadapkan pada pertanyaanpertanyaan keragu-raguaan seperti apa

    yang akan terjadi, jika ini dan itu berubah?

    Persoalan peluang dan ketidakpastiaan pertanyaan-pertanyaan tersebut harus

    dapat dijawab dalam rangka meyakinkan pendirian terhadap sesuatu yang akan

    diputuskan kelak. Dengan demikian hasil yang diharapkan tersebut adalah hasil

    yang memang paling mungkin dan paling mendekati, atau perkiraan yang

    paling tepat. Uji kepekaan hasil dan pasca optimal (sebut saja selanjutnya analisispostoptimal) yang dapat memberikan jawaban terhadap persoalan-persoalan

    tersebut diatas. Analisis postoptimal sangat berhubungan erat dengan atau

    mendekati apa yang disebut Program Parametrikal atau AnalisisParametrisasi.

    Perubahan atau variasi dalam suatu persoalan Program Linier yang biasanya

    dipelajari melalui Post Optimality analysis dapat dipisahkan ke dalam tiga

    kelompok umum, yaitu :

    II-14

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    15/16

    1. Analisa yang berkaitan dengan perubahan diskrit parameter untuk melihat

    berapa besar perubahan dapat ditolerir sebelum solusi optimal mulai

    kehilangan optimalitasnya, ini dinamakan Analisa Sensitivitas. Jika suatu

    perubahan kecil dalam parameter menyebabkan perubahan drastis dalam

    solusi, dikatakan bahwa solusi adalah sangat sensitif terhadap nilai

    parameter itu. Sebaliknya, jika perubahan parameter tidak mempunyai

    pengaruh besar terhadap solusi dikatakan solusi relatif insensitif terhadap

    nilai parameter tersebut.

    2. Analisa yang berkaitan dengan perubahan struktural. Masalah ini muncul

    bila persoalan Program Linier dirumuskan kembali dengan menambahkan

    atau menghilangkan kendala dan atau variabel untuk menunjukkan operasi

    model alternatif. Perubahan struktural ini dapat dimasukkan dalam analisa

    sensitivitas.

    3. Analisa yang berkaitan dengan perubahan kontinu parameter untuk

    menentukan urutan solusi dasar yang menjadi optimal jika perubahan

    ditambah lebih jauh, ini dinamakan Parametric-Programming. Diketahui

    Model Matematika Persoalan Program Linier adalah sebagai berikut:

    Menentukan nilai dari X1, X2, X3, ....., Xn sedemikian rupa sehingga :

    Z = C1 X1 + C2 X2 + .... +Cj Xj +....+Cn Xn

    = =

    n

    j 1

    Cj Xj (Optimal[maksimum/minimum])

    Yang kemudian disebut sebagai Fungsi Tujuan (Objective Function) dengan

    pembatasan (Funsi Kendala / Syarat Ikatan) :

    a11 X1 + a12 X2 +.....+a1n Xn atau b1 , P

    a21 X1 + a22 X2 +.....+a2n Xn atau b2,

    am1 X1 + am2 X2 +....+ amn Xn atau bm,

    atau =

    n

    j 1

    aij Xj atau bi untuk i = 1,2,3, , m.

    II-15

  • 8/2/2019 OPERATIONaL RESEARCH BAB II

    16/16

    dan X10, X2 0,...,Xn 0 atau Xj 0, dimana j = 1, 2, 3,...., n (syarat

    non-negatif).

    Berdasarkan Model Matematika Persoalan Program Linier di atas analisis

    sensitivitas dapat dikelompokkan berdasarkan perubahan-perubahan parameter:

    1. Perubahan koefisien fungsi tujuan (Cj),

    2. Perubahan Koefisien teknologi (aij) (koefisien input-output),

    3. Perubahan Nilai-Sebelah-Kanan (NSK) fungsi kendala) (bi),

    4. Adanya tambahan fungsi kendala baru (perubahan nilai m)

    5. Adanya tambahan perubahan (variabel) pengambilan keputusan (Xj)

    (perubahan nilai n).

    II 16