operational research bab ii
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