BAB I
PENDAHULUAN
Latar Belakang
Salah satu pendekatan yang dapat dilakukan untuk menyelesaikan masalah manajemen sains adalah pemrograman linear. Pemrograman linear merupakan kelompok teknik analisis kuantitatif yang mengandalkan model matematika atau model simbolik sebagai wadahnya. Artinya, setiap masalah yang kita hadapi dalam suatu sistem permasalahan tertentu perlu dirumuskan dulu dalam simbol-simbol matematika tertentu, jika kita inginkan bantuan pemrograman linear sebagai alat analisisnya.
Metode grafik merupakan salah satu metode yang dapat digunakan untuk menyelesaikan masalah pemrograman linear yang melibatkan dua peubah keputusan. Membahas mengenai masalah meminimumkan fungsi kendala bertanda ≥, fungsi kendala bertanda = tidak ada penyelesaian layak, tidak ada penyelesaian optimal, beberapa alternatif optimal, dan wilayah kelayakan yang tidak terikat dapat terjadi saat menyelesaikan masalah pemrograman linear dengan menggunakan prosedur penyelesaian grafik. Kasus-kasus ini juga dapat terjadi saat menggunakan metode simpleks.
Metode simplek untuk linier programming dikembangkan pertama kali oleh George Dantzing pada tahun 1947, kemudian digunakan juga pada penugasan di Angkatan Udara Amerika Serikat. Dia mendemonstrasikan bagaimana menggunakan fungsi tujuan (iso-profit) dalam upaya menemukan solosi diantara beberapa kemungkinan solosi sebuah persoalan linier programming.
Proses penyelesaiaanya dalam metode simplek, dilakukan secara berulang-ulang (iterative) sedemikian rupa dengan menggunakan pola tertentu (standart) sehingga solusi optimal tercapai.
Ciri lain dari metode simplek adalah bahwa setiap solusi yang baru akan menghasilkan sebuah nilai fungsi tujuan yang lebih besar daripada solosi sebelumnya.
Rumusan Masalah
Adapun rumusan masalah yang akan dibahas dalam makalah ini adalah sebagai berikut:
Bagaimana cara mencari nilai maksimum dengan menggunakan metode simpleks?
Bagaimana cara menyelesaikan masalah/kendala (syarat) bertanda “=”?
Bagaimana cara mencari nilai minimum dengan menggunakan metode simpleks?
Bagaimana cara membedakan antara asalah primal dan dual dalam program linear?
Kapan pemrograman linear dikatakan mengalami degenerasi?
Tujuan
Adapun tujuan dari penulisan makalah ini antara lain :
Dapat menyelesaikan masalah maksimasi dalam program linear
Dapat menyelesaikan masalah / kendala (syarat) bertanda “=” pada program linear
Dapat menyelesaikan masalah minimasi dalam program linear
Dapat mengetahui dan membedakan antara masalah primal dan dual dalam program linear
Dapat menyelesaikan masalah degeneracy / kemerosotan dalam program linear
BAB II
PEMBAHASAN
Masalah Maksimasi
Untuk menyelesaikan masalah maksimasi maka programasi linear harus lebih dahulu ditulis dalam bentuk standar. Dengan bentuk standar dimaksudkan adalah permasalahan programasi linear yang berwujud permasalahan maksimasi dengan batasan-batasan (kendala) yang bertanda kurang dari
Metode Transportasi (Masalah dalam Metode Transportasi)hazhiyah
Seringkali terjadi dalam kenyataan dimana total permintaan tidak sama dengan total penawaran. Masalah ketidakseimbangan dalam ini dalam metode transportasi dapat diatasi dengan mempergunakan persediaan dan permintaan bayangan (dummy). Selain masalah permintaan dan penawaran, dalam metode transportasi juga dikenal masalah lain yaitu degenerasi dan redudansi yang terjadi dalam penyelesaian masalah dalam metode transportasi baik itu di solusi awal atau pada solusi optimal
BAB I
PENDAHULUAN
Latar Belakang
Salah satu pendekatan yang dapat dilakukan untuk menyelesaikan masalah manajemen sains adalah pemrograman linear. Pemrograman linear merupakan kelompok teknik analisis kuantitatif yang mengandalkan model matematika atau model simbolik sebagai wadahnya. Artinya, setiap masalah yang kita hadapi dalam suatu sistem permasalahan tertentu perlu dirumuskan dulu dalam simbol-simbol matematika tertentu, jika kita inginkan bantuan pemrograman linear sebagai alat analisisnya.
Metode grafik merupakan salah satu metode yang dapat digunakan untuk menyelesaikan masalah pemrograman linear yang melibatkan dua peubah keputusan. Membahas mengenai masalah meminimumkan fungsi kendala bertanda ≥, fungsi kendala bertanda = tidak ada penyelesaian layak, tidak ada penyelesaian optimal, beberapa alternatif optimal, dan wilayah kelayakan yang tidak terikat dapat terjadi saat menyelesaikan masalah pemrograman linear dengan menggunakan prosedur penyelesaian grafik. Kasus-kasus ini juga dapat terjadi saat menggunakan metode simpleks.
Metode simplek untuk linier programming dikembangkan pertama kali oleh George Dantzing pada tahun 1947, kemudian digunakan juga pada penugasan di Angkatan Udara Amerika Serikat. Dia mendemonstrasikan bagaimana menggunakan fungsi tujuan (iso-profit) dalam upaya menemukan solosi diantara beberapa kemungkinan solosi sebuah persoalan linier programming.
Proses penyelesaiaanya dalam metode simplek, dilakukan secara berulang-ulang (iterative) sedemikian rupa dengan menggunakan pola tertentu (standart) sehingga solusi optimal tercapai.
Ciri lain dari metode simplek adalah bahwa setiap solusi yang baru akan menghasilkan sebuah nilai fungsi tujuan yang lebih besar daripada solosi sebelumnya.
Rumusan Masalah
Adapun rumusan masalah yang akan dibahas dalam makalah ini adalah sebagai berikut:
Bagaimana cara mencari nilai maksimum dengan menggunakan metode simpleks?
Bagaimana cara menyelesaikan masalah/kendala (syarat) bertanda “=”?
Bagaimana cara mencari nilai minimum dengan menggunakan metode simpleks?
Bagaimana cara membedakan antara asalah primal dan dual dalam program linear?
Kapan pemrograman linear dikatakan mengalami degenerasi?
Tujuan
Adapun tujuan dari penulisan makalah ini antara lain :
Dapat menyelesaikan masalah maksimasi dalam program linear
Dapat menyelesaikan masalah / kendala (syarat) bertanda “=” pada program linear
Dapat menyelesaikan masalah minimasi dalam program linear
Dapat mengetahui dan membedakan antara masalah primal dan dual dalam program linear
Dapat menyelesaikan masalah degeneracy / kemerosotan dalam program linear
BAB II
PEMBAHASAN
Masalah Maksimasi
Untuk menyelesaikan masalah maksimasi maka programasi linear harus lebih dahulu ditulis dalam bentuk standar. Dengan bentuk standar dimaksudkan adalah permasalahan programasi linear yang berwujud permasalahan maksimasi dengan batasan-batasan (kendala) yang bertanda kurang dari
Metode Transportasi (Masalah dalam Metode Transportasi)hazhiyah
Seringkali terjadi dalam kenyataan dimana total permintaan tidak sama dengan total penawaran. Masalah ketidakseimbangan dalam ini dalam metode transportasi dapat diatasi dengan mempergunakan persediaan dan permintaan bayangan (dummy). Selain masalah permintaan dan penawaran, dalam metode transportasi juga dikenal masalah lain yaitu degenerasi dan redudansi yang terjadi dalam penyelesaian masalah dalam metode transportasi baik itu di solusi awal atau pada solusi optimal
Secara sistematis, dualitas merupakan alat bantu masalah LP, yang secara langasung didefinisikan dari persoalan aslinya atau dari model LP primal. Dalam kebanyakan perlakuan LP, dualitas sangat tergantung pada primal dalam hal tipe kendala, variabel keputusan dan kondisi optimum.
Secara sistematis, dualitas merupakan alat bantu masalah LP, yang secara langasung didefinisikan dari persoalan aslinya atau dari model LP primal. Dalam kebanyakan perlakuan LP, dualitas sangat tergantung pada primal dalam hal tipe kendala, variabel keputusan dan kondisi optimum.
2. Contoh soal
Sebuah perusahaan mie kering memproduksi 2 jenis produk,
yaitu jenis A dan jenis B. Masing-masing jenis produk
melalui tahapan proses yaitu pembuatan adonan dan
pengeringan. Waktu yang diperlukan untuk pembuatan
adonan mi jenis A adalah 6 jam, sedangkan untuk mi jenis B
adalah 5 jam. Sedangkan waktu yang diperlukan untuk
pengeringan mi jenis A adalah 2 jam dan untuk mi jenis B
adalah 3 jam. Perusahaan tersebut hanya mempunyai waktu
untuk pembuatan adonan selama 30 jam dan waktu
pengeringan 12 jam per minggu. Mi jenis A menghasilkan
keuntungan Rp8.000,00 per kg sedangkan mi jenis B
menghasilkan keuntungan Rp7.000,00 per kg. Berapa
banyak mi jenis A dan mi jenis B yang harus diproduksi agar
diperoleh keuntungan maksimal?
3. Penyelesaian
Misal : x1 = mi jenis A
x2 = mi jenis B
Keuntungan max. : Z = 8 x1 + 7 x2
Kendala : 6x1 + 5x2 ≤ 30
2x1 + 3x2 ≤ 12
x1, x2 ≥ 0
Model matematis
6. Jadi untuk mendapat keuntungan yang
maksimal pabrik harus menghasilkan mi
kering jenis A sebesar 3,75 kg dan mi
kering jenis B 1,5 kg.
Tidak masalah, karena produk bisa
dijual dalam bentuk pecahan.
Untuk jenis
produk
lain??
7. Contoh soal untuk produk lain
Sebuah perusahaan alat pengolahan pangan memproduksi 2
jenis alat, yaitu kabinet dryer dan oven dryer. Masing-
masing jenis produk melalui tahapan proses yaitu bagian
kelistrikan dan perakitan. Waktu yang diperlukan untuk
kelistrikan untuk kabinet dryer adalah 6 jam, sedangkan
untuk oven dryer adalah 5 jam. Sedangkan waktu yang
diperlukan untuk perakitan untuk kabinet dryer adalah 2
jam dan untuk oven dryer adalah 3 jam. Perusahaan tersebut
hanya mempunyai waktu untuk bagian kelistrikan selama 30
jam dan waktu perakitan 12 jam per minggu. Kabinet dryer
menghasilkan keuntungan Rp8.000.000,00 per unit
sedangkan oven dryer menghasilkan keuntungan
Rp7.000.000,00 per unit. Berapa banyak kabinet dryer dan
oven dryer yang harus diproduksi agar diperoleh keuntungan
maksimal?
8. Penyelesaian
Dengan menggunakan cara penyelesaian yang sama dengan
soal sebelumnya diperoleh :
Untuk menghasilkan keuntungan maksimal, pabrik harus
memproduksi kabinet dryer sebanyak 3,75 unit dan
oven dryer sebanyak 1,5 unit .
Siapa yang
mau beli alat
tidak utuh?!?
9. INTEGER PROGRAMMING
Integer Programming ( Pemrograman bilangan bulat)
adalah sebuah program linier dengan persyaratan
tambahan bahwa semua variabelnya merupakan bilangan-
bilangan bulat.
Cara Penyelesaian :
-Metode Round off
-Metode Branch and Bound (Algoritma pencabangan)
-Metode Gomory (Algoritma pemotongan)
10. METODE ROUND OFF
Dengan metode pembulatan ( Round off) dari
solusi optimal (x1=3,75 ; x2=1,5) diperoleh hasil :
X1 = kabinet dryer = 4 unit
X2 = oven dryer = 2 unit
Tidak mungkin, di luar area
Paling memungkinkan :
X1 = kabinet dryer = 4 unit
X2 = oven dryer = 1 unit
11. METODE BRANCH AND BOUND
(PENCABANGAN)
Jika hasil yang diperoleh mengandung variabel
yang tidak bulat maka dilakukan pencabangan
(branching).
Jika terdapat variabel yang tidak bulat (misal : xj* )
maka dibentuk dua program bilangan bulat yang
baru dengan kendala xj ≤ i1 atau kendala xj ≥ i2
i1 dan i2 adalah dua bilangan bulat tak negatif yang
berurutan .
12. Dari soal di atas diperoleh hasil solusi optimal dengan : x1 =
3,75 ; x2 = 1,5 ; dan Z = 40,5
Karena x1 = 3,75, ; tidak bulat, maka dicabangkan menjadi
2, yaitu :
Cabang A :
Maksimumkan : Z = 8x1 + 7x2
kendala : 6x1 + 5x2 ≤ 30
2x1 + 3x2 ≤ 12
x1 ≤ 3
x1, x2 ≥ 0 , dan bulat
Dengan LP sederhana
X1 = 3 ; x2 = 2 ; Z = 38
Cabang B :
Maksimumkan : Z = 8x1 + 7x2
kendala : 6x1 + 5x2 ≤ 30
2x1 + 3x2 ≤ 12
x1 ≥ 4
x1, x2 ≥ 0 , dan bulat
Dengan LP sederhana
X1 = 4 ; x2 = 1,2 ; Z = 40,4
Sudah feasible Belum feasible
13. Dari Percabangan B diperoleh hasil x1 = 4 ; x2 = 1,2 ; dan Z =
40,4
Karena x2 = 1,2 ; tidak bulat, maka dicabangkan menjadi
2, yaitu :
Cabang C :
Maksimumkan : Z = 8x1 + 7x2
kendala : 6x1 + 5x2 ≤ 30
2x1 + 3x2 ≤ 12
x1 ≥ 4
x2 ≤ 1
x1, x2 ≥ 0 , dan bulat
Dengan LP sederhana
X2 = 1 ; x1 = 4,16 ; Z = 40,33
Cabang D :
Maksimumkan : Z = 8x1 + 7x2
kendala : 6x1 + 5x2 ≤ 30
2x1 + 3x2 ≤ 12
x1 ≥ 4
x2 ≥ 2
x1, x2 ≥ 0 , dan bulat
Syarat x1 ≥ 4 dan x2 ≥ 2, di
luar area
Belum feasible Tidak layak
14. Dari Percabangan C diperoleh hasil x2 = 1 ; x1 = 4,16 ; dan Z =
41
Karena x1 = 4,16 ; tidak bulat, maka dicabangkan menjadi
2, yaitu :
Cabang E :
Maksimumkan : Z = 8x1 + 7x2
kendala : 6x1 + 5x2 ≤ 30
2x1 + 3x2 ≤ 12
x1 ≥ 4
x2 ≤ 1
x1 ≤ 4
x1, x2 ≥ 0 , dan bulat
Dengan LP sederhana
X1 = 4 ; x2 = 1 ; Z = 39
Sudah feasible Sudah feasible
Cabang E :
Maksimumkan : Z = 8x1 + 7x2
kendala : 6x1 + 5x2 ≤ 30
2x1 + 3x2 ≤ 12
x1 ≥ 4
x2 ≤ 1
x1 ≥ 5
x1, x2 ≥ 0 , dan bulat
Dengan LP sederhana
X1 = 5 ; x2 = 0 ; Z = 40
15. x1= 3,75
x2= 1,5
Z = 40,5
x1= 3
x2= 2
Z = 38
x1= 4
x2= 1,2
Z = 40,4
x1= 4,16
x2= 1
Z = 40,33
Tidak
layak
x1= 4
x2= 1
Z = 39
x1= 5
x2= 0
Z = 40
A
B
C
D
E
F
x1≤ 3
x2≤ 1
x1≤ 4
x1≥4
x2≥2
x1≥5
Feasible integer
solution
Feasible integer
solution
Feasible integer
solution
Optimal solution