BAB II

DESKRIPSI ISI BUKU

2.1 Gambaran Umum Model Optimasi

Kami menawarkan model dasar yang menyediakan sebuah kerangka kerja untuk
mendiskusikan sekelompok masalah pengoptimasian. Masalah-masalah tersebut
diklasifikasikan berdasarkan berbagai karakteristik model dasar yang intrinsik untuk masalah
tertentu. Kami juga mendiskusikan variasi-variasi dari model dasar tersebut. Model dasarnya
adalah
Optimasikan 𝑓𝑗 (X) untuk j dalam J (7.1)

Kendala

≥
𝑔𝑖 (𝑿) {=} 𝑏𝑖 untuk semua i dalam I
≤
Sekarang kami jelaskan notasinya. Untuk mengoptimasi berarti untuk
memaksimalkan atau meminimalkan. Subskrip j menunjukkan bahwa terdapat satu atau lebih
fungsi untuk dioptimasikan. Fungsi-fungsi ini dibedakan oleh subskrip bilangan bulat yang
termasuk dalam himpunan berhingga J. Kami mencari vektor 𝑥0 yang memberikan nilai
optimal untuk himpunan fungsi 𝑓𝑗 (X). Berbagai komponen vektor disebut variabel
keputusan model, sedangkan fungsi 𝑓𝑗 (X) disebut fungsi objektif. Dengan menambahkan
subjek, kami menunjukkan bahwa kondisi-kondisi sampingan tertentu harus dipenuhi.
Sebagai contoh, jika tujuannya adalah untuk meminimisasi biaya produksi suatu produk
tertentu, dapat dipastikan bahwa semua kewajiban kontraktual untuk produk tersebut harus
dipenuhi. Kondisi-kondisi sampingan biasanya disebut kendala. Subskrip bilangan bulat i
menunjukkan bahwa terdapat satu atau lebih hubungan kendala yang harus diatasi. Sebuah
kendala dapat berupa kesetaraan (seperti memenuhi permintaan untuk suatu produk secara
tepat) atau ketidaksetaraan (seperti tidak melebihi batasan anggaran atau menyediakan
kebutuhan gizi minimal pada masalah diet). Akhirnya, setiap konstanta 𝑏𝑖 merepresentasikan
tingkat yang terkait dengan fungsi kendala 𝑔𝑖 (X) harus dicapai dan karena masalah-masalah
optimasi biasanya tertulis, maka sering disebut sisi sebelah kanan dalam model. Dengan
demikian, vektor solusi 𝑥0 harus mengoptimasi masing-masing fungsi obyektif 𝑓𝑗 (X) dan
sekaligus memenuhi setiap hubungan kendala. Kami sekarang mempertimbangkan satu
masalah sederhana yang mengilustrasikan ide-ide dasar.
Contoh 1: Menentukan Jadwal Produksi

Seorang tukang kayu membuat meja dan rak buku. Dia sedang mencoba untuk
menentukan berapa banyak dari setiap jenis mebel yang harus dia buat setiap minggunya. Dia
ingin menentukan jadwal produksi mingguan untuk meja dan rak buku yang dapat
memaksimalkan produksinya. Biayanya masing-masing $5 dan $7 untuk menghasilkan meja
dan rak buku. Pendapatannya diperkirakan oleh rumus:
50𝑥1 − 0,2𝑥12 di mana 𝑥1 adalah jumlah meja yang diproduksi tiap minggunya.

dan

65𝑥2 − 0,3𝑥22 di mana 𝑥2 adalah jumlah rak buku yang diproduksi tiap minggunya.

Dalam contoh ini, masalahnya adalah memutuskan berapa banyak meja dan rak buku
yang harus dibuat setiap minggunya. Oleh karena itu, variabel keputusan merupakan jumlah
meja dan rak buku yang harus dibuat per minggu. Kami menganggap hal ini merupakan suatu
jadwal, sehingga nilai-nilai non-bilangan bulat dari meja dan rak buku dapat diterima.
Artinya, kami akan memperkenankan 𝑥1 dan 𝑥2 untuk mengambil nilai-nilai nyata apa pun
dalam rentangnya masing-masing. Fungsi objektifnya adalah ekspresi non-linier yang
mewakili laba bersih mingguan yang akan direalisasikan dari penjualan meja dan rak buku.
Keuntungan adalah pendapatan dikurangi biaya. Fungsi keuntungan adalah:

Tidak ada kendala dalam masalah ini.

Mari pertimbangkan variasi pada skenario sebelumnya. Tukang kayu itu menyadari
laba bersih unitnya $25 per meja dan $30 per rak buku. Dia sedang mencoba untuk
menentukan berapa banyak mebel yang harus dia buat setiap minggunya. Dia memiliki
hingga 690 papan kayu yang disediakan secara mingguan untuk proyek tersebut dan hingga
120 jam kerja. Dia dapat menggunakan kayu dan tenaga kerja secara produktif di tempat lain
jika tidak digunakan dalam produksi meja dan rak buku. Dia memperkirakan bahwa produksi
tersebut membutuhkan 20 papan kayu dan 5 jam kerja untuk menyelesaikan meja dan 30
papan kaki kayu dan 4 jam kerja untuk lemari buku. Selain itu, dia telah menandatangani
kontrak untuk mengirimkan setidaknya empat meja dan dua rak buku setiap minggunya. Dia
ingin menentukan jadwal produksi mingguan untuk meja dan rak buku yang memaksimalkan
keuntungannya. Rumusnya menghasilkan:
Maksimisasi 25𝑥1 + 30𝑥2
Kendala

20𝑥1 + 30𝑥2 ≤ 690 (Kayu)

5𝑥1 + 4𝑥2 ≤ 120 (Tenaga Kerja)

𝑥1 ≥ 4 (Kontrak)

𝑥2 ≥ 2 (Kontrak)

Mengklasifikasikan Beberapa Masalah Optimasi

Terdapat berbagai cara untuk mengklasifikasikan masalah-masalah pengoptimasian.

Klasifikasi ini tidak dimaksudkan untuk saling terpisah satu sama lain tetapi hanya untuk
menggambarkan karakteristik matematika tertentu yang dimiliki oleh masalah yang sedang
diinvestigasi. Sekarang kami uraikan beberapa klasifikasi ini.
Masalah pengoptimasian dikatakan tanpa batas jika tidak ada kendala dan terbatas
jika terdapat satu atau lebih kondisi sampingan. Masalah jadwal produksi pertama yang
digambarkan pada Contoh 1 mengilustrasikan masalah tanpa batas.
Masalah pengoptimasian dikatakan sebagai suatu program linier jika memenuhi
sifat-sifat berikut:
1. Terdapat fungsi objektif yang unik.
2. Kapan pun sebuah variabel keputusan muncul, baik dalam fungsi objektif maupun
satu dari fungsi kendala, variabel keputusan harus muncul hanya sebagai istilah
kekuatan dengan sebuah eksponen (perpangkatan) 1, yang memungkinkan untuk
dikalikan sengan sebuah konstanta.
3. Tidak ada istilah dalam fungsi objektif atau dalam kendala apa pun yang dapat
mengandung produk-produk dari variabel keputusan.
4. Koefisien variabel keputusan dalam fungsi objektif dan masing-masing kendalanya
konstan.
5. Variabel keputusan diperkenankan untuk mengasumsikan nilai pecahan dan bilangan
bulat.
Sifat-sifat tersebut memastikan bahwa dampak dari setiap variabel keputusan
sebanding dengan nilainya. Mari kita bahas setiap sifatnya secara lebih dekat.
Sifat 1 membatasi masalah untuk sebuah fungsi objektif tunggal. Masalah dengan
lebih dari satu fungsi objektif disebut multiobjektif atau tujuan program. Sifat 2 dan 3
sudah cukup jelas dan masalah pengoptimasi apa pun yang gagal memenuhi salah satu dari
keduanya dikatakan nonlinier. Fungsi tujuan jadwal produksi pertama memiliki kedua
variabel keputusan dengan istilah kuadrat/persegi dan dengan demikian melanggar Sifat 2.
Sifat 4 cukup ketat untuk skenario-skenario yang mungkin ingin Anda modelkan.
Pertimbangkan untuk memeriksa jumlah papan dan tenaga yang diperlukan untuk membuat
meja dan rak buku. Akan memungkinkan untuk mengetahui dengan pasti jumlah papan dan
tenaga kerja yang dibutuhkan untuk memproduksi setiap barang dan memasukkannya ke
dalam kendala. Akan tetapi, seringkali tidak memungkinkan untuk memprediksi nilai-nilai
yang diperlukan secara tepat (pertimbangkan untuk mencoba memprediksi harga pasar
jagung), atau koefisien yang mewakili nilai rata-rata dengan selisih yang agak besar dari
nilai-nilai aktual yang terjadi dalam prakteknya. Koefisien-koefisiennya juga dapat
bergantung pada waktu. Masalah yang bergantung pada waktu di kelompok tertentu disebut
program-program dinamis. Jika koefisien tidak konstan tetapi sebaliknya yaitu bersifat
probabilistik, masalahnya diklasifikasikan sebagai program stokastik. Akhirnya, jika satu
atau lebih dari variabel keputusan dibatasi untuk nilai bilangan bulat (maka melanggar Sifat
5), masalah yang dihasilkan disebut program bilangan bulat (atau program bilangan bulat
campuran jika pembatasan bilangan bulat hanya berlaku untuk sebuah subset variabel
keputusan). Dalam variasi masalah penjadwalan produksi, hal ini masuk akal untuk
memperkenankan angka pecahan meja dan rak buku dalam menentukan jadwal mingguan,
karena dapat diselesaikan selama minggu berikutnya. Mengelompokkan masalah
pengoptimasian ini penting karena teknik-teknik solusi yang berbeda berlaku untuk kategori
yang berbeda. Sebagai contoh, masalah pemrograman linier dapat diselesaikan secara efisien
dengan Metode Simpleks
.
Masalah Optimasi Tanpa Batas
Kriteria yang dipertimbangkan untuk menyesuaikan model dengan poin-poin data
adalah meminimisasi jumlah selisih absolut. Untuk model 𝑦 = 𝑓(𝑥), jika 𝑦(𝑥𝑖 ) mewakili
fungsi yang dievaluasi pada 𝑥 = 𝑥𝑖 dan (𝑥𝑖 , 𝑦𝑖 ) yang menunjukkan poin data yang sesuai
untuk poin i = 1, 2,…, m, kemudian kriteria ini dapat diformulasikan sebagai berikut:
Temukan parameter dari model 𝑦 = 𝑓(𝑥) untuk
Maksimisasi ∑𝑚
𝑖=1|𝑦𝑖 − 𝑦(𝑥𝑖 )|

Kondisi terakhir ini mengilustrasikan masalah pengoptimasian tanpa batas. Karena

turunan dari fungsi yang diminimisasi gagal menjadi kontinu (karena adanya nilai absolut),
tidak mungkin untuk menyelesaikan masalah ini dengan penerapan kalkulus dasar secara
langsung.
Program-Program Optimasi Bilangan Bulat

Persyaratan-persyaratan yang ditentukan untuk suatu masalah dapat membatasi satu

atau lebih variabel keputusannya dengan nilai bilangan bulat. Sebagai contoh, dalam mencari
campuran yang tepat dari berbagai ukuran mobil, van, dan truk untuk armada transportasi
perusahaan guna meminimisasi biaya di bawah beberapa kondisi, akan tidak masuk akal
untuk menentukan bagian pecahan dari sebuah kendaraan. Masalah optimasi bilangan bulat
juga muncul dalam masalah yang dikodekan, di mana variabel-variabel biner (0 dan 1)
mewakili keadaan tertentu, seperti ya/tidak atau hidup/mati.
Contoh 2 Kargo Pesawat Luar Angkasa

Ada berbagai barang yang harus dibawa di sebuah pesawat luar angkasa. Sayangnya,
terdapat beberapa pembatasan untuk kapasitas berat dan volume yang diperbolehkan.
Misalnya terdapat m item yang berbeda, masing-masing diberi beberapa nilai numerik cj dan
memiliki berat wj dan volume vj. (Bagaimana Anda dapat menentukan cj dalam suatu masalah
yang sebenarnya?) Misal tujuannya adalah untuk memaksimisasi nilai dari item yang akan
dibawa tanpa melebihi batasan berat W atau batasan volume V. Kita dapat merumuskan
model ini:
1, jika item j dibawa (ya)
Maka 𝑦𝑗 = { }
0, 𝑗𝑖𝑘𝑎 𝑖𝑡𝑒𝑚 𝑗 𝑡𝑖𝑑𝑎𝑘 𝑑𝑖𝑏𝑎𝑤𝑎 (𝑡𝑖𝑑𝑎𝑘)

Kemudian masalahnya adalah:

Maksimisasi ∑𝑚
𝑗=1 𝑐𝑗 𝑦𝑗

Kendala

∑𝑚
𝑗=1 𝑣𝑗 𝑦𝑗 ≤ 𝑉

∑𝑚
𝑗=1 𝑤𝑗 𝑦𝑗 ≤ 𝑊

Kemampuan untuk menggunakan variabel-variabel biner seperti 𝑦𝑗 memungkinkan

fleksibilitas dalam pemodelan. Variabel-variabel tersebut dapat digunakan untuk mewakili
keputusan ya/tidak, seperti apakah untuk membiayai proyek tertentu dalam masalah anggaran
modal, atau untuk membatasi variabel-variabel menjadi “hidup” atau “mati”. Sebagai contoh,
variabel x dapat dibatasi untuk nilai 0 dan dengan menggunakan variabel biner y sebagai
pengganda:
𝑥 = 𝑎𝑦 di mana 𝑦 = 0 atau 1.
 Ilustrasi lain membatasi x baik untuk berada dalam interval (a, b) maupun menjadi nol
dengan menggunakan variabel biner y:
𝑎𝑦 < 𝑥 < 𝑦𝑏 di mana 𝑦 = 0 atau 1

Contoh 3 Perkiraan dengan Fungsi Linier Piecewise

Kekuatan menggunakan variabel biner untuk mewakili interval dapat lebih

sepenuhnya dihargai ketika obyeknya adalah untuk mendekati fungsi non-linier oleh satu
linier piecewise. Khususnya, misal fungsi non-linier pada Gambar 7.1a mewakili fungsi biaya
dan kita ingin mencari nilai minimumnya pada interval 0 ≤ 𝑥 ≤ 𝑎3. Jika fungsi ini sangat
rumit, maka dapat diperkirakan dengan fungsi linier piecewise seperti yang ditunjukkan oleh
Gambar 7.1b. (Fungsi linier piecewise mungkin terjadi secara alami di dalam suatu masalah,
seperti ketika tarif yang berbeda dibebankan untuk penggunaan listrik berdasarkan jumlah
konsumsi.)
Ketika kita menggunakan pendekatan yang disarankan pada gambar 7.1, masalahnya
adalah untuk menemukan fungsi minimum:

𝑏1 + 𝑘1 (𝑥 − 0) 𝑗𝑖𝑘𝑎 0 ≤ 𝑥 ≤ 𝑎1
𝑐(𝑥) = {𝑏2 + 𝑘2 (𝑥 − 𝑎1 ) 𝑗𝑖𝑘𝑎 𝑎1 ≤ 𝑥 ≤ 𝑎2
𝑏3 + 𝑘3 (𝑥 − 𝑎2 ) 𝑗𝑖𝑘𝑎 𝑎2 ≤ 𝑥 ≤ 𝑎3

Tentukan tiga variabel baru 𝑥1 = (𝑥 − 0), 𝑥2 = (𝑥 − 𝑎1 ) dan 𝑥3 = (𝑥 − 𝑎2 ) untuk

masing-masing dari tiga interval, dan gunakan variabel biner 𝑦1 , 𝑦2 dan 𝑦3 untuk membatasi
𝑥𝑖 untuk interval yang tepat:
0 ≤ 𝑥1 ≤ 𝑦1 𝑎1

0 ≤ 𝑥2 ≤ 𝑦2 (𝑎2 − 𝑎1 )

0 ≤ 𝑥3 ≤ 𝑦3 (𝑎3 − 𝑎2 )

di mana 𝑦1 , 𝑦2 dan 𝑦3 sama dengan 0 atau 1. Karena kita menginginkan satu 𝑥𝑖 untuk aktif di
setiap waktu, kita menerapkan kendala berikut:

𝑦1 + 𝑦2 + 𝑦3 = 1

Sekarang hanya ada satu dari xi yang aktif kapan saja, fungsi obyektif kita menjadi

𝑐(𝑥) = 𝑦1 (𝑏1 + 𝑘1 𝑥1 ) + 𝑦2 (𝑏2 + 𝑘2 𝑥2 ) + 𝑦3 (𝑏3 + 𝑘3 𝑥3 )

Gambar 7.1 Menggunakan fungsi linier piecewise untuk memperkirakan fungsi non-linier

Amati bahwa setiap kali 𝑦𝑖 = 0, variabel 𝑥𝑖 = 0 juga. Dengan demikian, produk dari bentuk
𝑥𝑖 𝑦𝑖 redundan, dan fungsi objektifnya dapat disederhanakan untuk memberikan model
berikut:

Minimisasi 𝑘1 𝑥1 + 𝑘2 𝑥2 + 𝑘3 𝑥3 + 𝑦1 𝑏1 + 𝑦2 𝑏2 + 𝑦3 𝑏3

Kendala

0 ≤ 𝑥1 ≤ 𝑦1 𝑎1

0 ≤ 𝑥2 ≤ 𝑦2 (𝑎2 − 𝑎1 )

0 ≤ 𝑥3 ≤ 𝑦3 (𝑎3 − 𝑎2 )

𝑦1 + 𝑦2 + 𝑦3 = 1

Di mana 𝑦1 , 𝑦2 dan 𝑦3 sama dengan 0 atau 1.

Model dalam Contoh 3 diklasifikasikan sebagai masalah pemrograman bilangan bulat

campuran karena hanya beberapa variabel keputusan yang dibatasi untuk nilai bilangan bulat.
Metode Simpleks tidak menyelesaikan masalah bilangan bulat atau bilangan bulat campuran
secara langsung. Terdapat banyak kesulitan terkait dengan pemecahan masalah semacam itu,
yang dibahas dalam pelajaran lebih lanjut. Salah satu metodologi yang telah terbukti berhasil
adalah menyusun aturan-aturan untuk menemukan solusi yang baik dan layak dengan cepat
dan kemudian menggunakan tes-tes untuk menunjukkan solusi-solusi yang layak yang dapat
dikesampingkan. Sayangnya, beberapa tes bekerja dengan baik untuk kelompok masalah
tertentu tetapi gagal total bagi kelompok masalah yang lain.
Pemrograman Multiobyektif: Sebuah Masalah Investasi
Pertimbangkan masalah berikut: Seorang investor memiliki $40.000 untuk
berinvestasi. Dia sedang mempertimbangkan investasi dalam tabungan sebesar 7%, obligasi
kotapraja sebesar 9%, dan saham yang secara konsisten rata-ratanya sebesar 14%. Karena
terdapat berbagai tingkat risiko yang terlibat dalam berbagai investasi, investor telah
mencantumkan tujuan-tujuan berikut ini untuk portofolionya:
1. Pengembalian tahunan setidaknya sebesar $5000.
2. Investasi setidaknya sebesar $10.000 dalam saham.
3. Investasi dalam saham seharusnya tidak melebihi total kombinasi dalam obligasi dan
tabungan.
4. Rekening tabungan cair antara $5000 dan $15.000.
5. Total investasi seharusnya tidak melebihi $40.000.
Kita dapat melihat dari portofolio tersebut bahwa investor memiliki lebih dari satu
tujuan. Sayangnya, seperti yang sering terjadi dengan masalah-masalah di dunia nyata, tidak
semua tujuan dapat diraih secara bersamaan. Jika investasi yang mengembalikan hasil
terendah ditetapkan serendah mungkin (dalam contoh ini, $5000 untuk tabungan),
pengembalian terbaik mungkin tanpa melanggar Tujuan 2-5 yang diperoleh dengan
menginvestasikan $15.000 dalam bentuk obligasi dan $20.000 dalam bentuk saham. Akan
tetapi, portofolio ini kurang dari pengembalian tahunan yang diinginkan yaitu sebesar $5000.
Bagaimana masalah-masalah dengan lebih dari satu tujuan yang direkonsiliasi?
Mari kita mulai dengan merumuskan setiap tujuannya secara matematis. Misalnya x
menunjukkan investasi dalam tabungan, y investasi dalam obligasi, dan z investasi dalam
saham. Maka tujuannya (goal) adalah sebagai berikut:
Tujuan 1. 0,07𝑥 + 0,09𝑦 + 0,14𝑧 ≥ 5000

Tujuan 2. 𝑧 ≥ 10000

Tujuan 3. 𝑧 ≤𝑥+𝑦

Tujuan 4. 5000 ≤ 𝑥 ≤ 15.000

Tujuan 5. 𝑥 + 𝑦 + 𝑧 ≤ 40.000

Kami telah melihat bahwa investor harus berkompromi dengan satu atau lebih jumlah
tujuannya untuk menemukan solusi yang layak. Misalnya investor merasa bahwa dia harus
memiliki pengembalian sebesar $5000, harus berinvestasi setidaknya sebesar $10.000 dalam
saham, dan tidak dapat menghabiskan lebih dari $40.000 tetapi ingin berkompromi pada
Tujuan 3 dan 4. Akan tetapi, dia ingin mencari solusi yang meminimisasi jumlah dimana dua
tujuan ini gagal untuk dipenuhi. Mari rumuskan persyaratan-persyaratan baru ini secara
matematis dan ilustrasikan metode yang berlaku untuk masalah-masalah serupa. Dengan
demikian, G3 menunjukkan jumlah yang mana Tujuan 3 gagal untuk dipenuhi, dan G4
menunjukkan jumlah yang mana Tujuan 4 gagal dipenuhi. Maka modelnya
Minimisasi G3 + G4

Kendala

0,07𝑥 + 0,09𝑦 + 0,14𝑧 ≥ 5000

𝑧 ≥ 10000

𝑧 − 𝐺3 ≤ 𝑥 + 𝑦

5000 − 𝐺4 ≤ 𝑥 ≤ 15.000

𝑥 + 𝑦 + 𝑧 ≤ 40.000

Di mana x, y, dan z positif.

Kondisi yang terakhir ini dimasukkan untuk memastikan bahwa investasi negatif tidak
diperkenankan. Masalah ini sekarang menjadi program linier yang dapat diselesaikan dengan
Metode Simpleks. Jika investor percaya bahwa beberapa tujuan lebih penting daripada yang
lain, fungsi obyektifnya dapat ditimbang untuk menekankan tujuan-tujuan tersebut.
Selanjutnya, analisis sensitivitas bobot dalam fungsi tujuan akan mengidentifikasi titik jeda
untuk rentang di mana berbagai solusinya optimal. Proses ini menghasilkan sejumlah solusi
yang harus dipertimbangkan secara teliti oleh investor sebelum melakukan investasi.
Biasanya, hal ini adalah yang terbaik yang bisa dicapai ketika keputusan kualitatif akan
dibuat.

Masalah-masalah Pemrograman Dinamis

Seringkali, model optimasi mengharuskan bahwa keputusan-keputusan dibuat pada

berbagai interval waktu bukan dalam satu waktu. Pada tahun 1950-an, ahli matematika dari
Amerika, Richard Bellman mengembangkan teknik untuk mengoptimalkan model-model
tersebut secara bertahap bukan secara bersamaan dan mengacu pada masalah-masalah seperti
program-program dinamis. Berikut adalah skenario masalah yang cocok untuk solusi dengan
teknik pemrograman dinamis:
 Seorang peternak memasuki bisnis ternak dengan gembala ternak awal k. Dia berniat
untuk pensiun dan menjual ternak yang tersisa setelah N tahun. Setiap tahunnya peternak
dihadapkan pada keputusan mengenai berapa banyak sapi yang harus dijual dan berapa
banyak yang harus dipelihara. Jika dia menjualnya, dia memperkirakan keuntungannya
menjadi pi pada tahun i. Dan juga, jumlah ternak yang dipelihara di tahun i diharapkan
meningkat dua kali lipat pada tahun i + 1.
Meskipun skenario ini mengabaikan banyak faktor yang dapat dipertimbangkan oleh
seorang analis di dunia nyata (sebutkan beberapa), kita dapat melihat bahwa peternak sapi
dihadapkan dengan keputusan trade-off (menjual) setiap tahun: mengambil keuntungan atau
membangun untuk masa depan.
Dalam beberapa bagian berikutnya kita memfokuskan perhatian pada pemecahan
masalah-masalah pemrograman linier, secara geometris terlebih dahulu kemudian dengan
Metode Simpleks.

2.2 Pemrograman Linier 1: Solusi Geometrik

Pertimbangkan untuk menggunakan kriteria Chebyshev untuk menggabungkan model
y = cx pada sekumpulan data berikut:

Masalah optimasi yang menentukan parameter c untuk meminimisasi selisih absolut terbesar
𝑟𝑖 = |𝑦𝑖 − 𝑦(𝑥𝑖 )| (residual atau error) adalah program linier

Minimisasi r

Kendala

𝑟 − (2 − 𝑐) ≥ 0 (Pembatas 1)

𝑟 + (2 − 𝑐) ≥ 0 (Pembatas 2)

𝑟 − (5 − 2𝑐) ≥ 0 (Pembatas 3) (7.2)

𝑟 + (5 − 2𝑐) ≥ 0 (Pembatas 4)

𝑟 − (8 − 3𝑐) ≥ 0 (Pembatas 5)

𝑟 − (8 − 3𝑐) ≥ 0 (Pembatas 6)

Dalam bagian ini kita memecahkan masalahnya secara geometris,

Menginterpretasi sebuah Program Linier secara Geometris

Program linier dapat mencakup sekumpulan kendala yang merupakan persamaan

linier atau ketidaksetaraan linier. Tentu saja, dalam kasus dua variabel keputusan, suatu
persamaan memerlukan bahwa solusi untuk program linier terletak tepat pada garis yang
mewakili kesetaraan. Bagaimana dengan ketidaksetaraan? Untuk mendapatkan wawasan
mengenai hal itu, pertimbangkan kendala-kendalanya
𝑥1 + 2𝑥2 ≤ 4 (7.3)

𝑥1 , 𝑥2 ≥ 0

Kendala-kendala non-negatif 𝑥1 , 𝑥2 ≥ 0 berarti bahwa solusi yang memungkinkan

terletak pada kuadran pertama. Ketidaksamaan 𝑥1 + 2𝑥2 ≤ 4 membagi kuadran pertama
menjadi dua daerah. Daerah yang layak adalah setengah ruang di mana kendala itu teratasi.
Daerah yang layak dapat ditemukan dengan menggambarkan grafik persamaan 𝑥1 + 2𝑥2 =
4 dan menentukan setengah bidang yang layak, seperti yang ditunjukkan pada Gambar 7.2.
Jika setengah bidang yang layak gagal untuk menjadi nyata, pilih titik yang nyaman
(seperti asalnya) dan substitusikan ke dalam kendala untuk menentukan apakah teratasi. Jika
ya, maka semua titik di sisi yang sama pada garisnya juga akan mengatasi kendalanya.
Program linier memiliki sifat penting bahwa titik-titik yang mengatasi kendala-
kendala membentuk suatu himpunan cembung. Satu himpunan berbentuk cembung jika untuk
setiap pasangan titik dalam himpunan tersebut, segmen garis yang menghubungkannya
terletak sepenuhnya di dalam himpunan. Himpunan yang digambarkan pada Gambar 7.3a
gagal menjadi cembung, sedangkan himpunan pada Gambar 7.3b berbentuk cembung.
Sebuah titik ekstrim (titik sudut) dari sebuah himpunan cembung adalah setiap titik
batas dalam himpunan cembung yang merupakan titik perpotongan unik dari dua segmen
batas garis lurus (straight-line).
Gambar 7.2 Daerah yang layak untuk kendala 𝑥1 + 2𝑥2 ≤ 4, 𝑥1 , 𝑥2 ≥ 0
Gambar 7.3 Himpunan ini ditunjukkan dalam a tidak cembung, sedangkan himpunan yang
ditunjukkan dalam b cembung.
Segmen garis yang menghubungkan titik A dan B tidak terletak sepenuhnya dalam himpunan

Pada Gambar 7.3b, titik A-F adalah titik ekstrim. Mari sekarang cari daerah yang
layak dan solusi optimal untuk masalah si tukang kayu yang dirumuskan dalam Contoh 1
dalam bagian 7.1.

Contoh 1 Masalah Tukang Kayu

Pertimbangkan versi masalah tukang kayu dari bagian 7.1. Tukang kayu menyadari
keuntungan bersih unit sebesar $25 per meja dan $30 per rak buku. Dia mencoba untuk
menentukan berapa banyak meja (𝑥1 ) dan berapa banyak rak buku (𝑥2 ) yang harus dia buat
setiap minggunya. Dia memiliki hingga 690 papan kayu dan hingga 120 jam kerja yang
disediakan secara mingguan untuk proyeknya. Kayu dan tenaga kerja dapat digunakan secara
produktif di tempat lain jika tidak digunakan dalam produksi meja dan rak buku. Dia
memperkirakan bahwa produksi tersebut membutuhkan 20 papan kayu dan 5 jam kerja untuk
menyelesaikan meja dan 30 papan kayu dan 4 jam kerja untuk rak buku. Perumusan ini
menghasilkan
Maksimisasi 25𝑥1 + 30𝑥2
Kendala

20𝑥1 + 30𝑥2 ≤ 690 (Kayu)

5𝑥1 + 4𝑥2 ≤ 120 (Tenaga kerja)

𝑥1 , 𝑥2 ≥ 0 (Tidak negatif)

Himpunan cembung yang ditetapkan untuk kendala dalam masalah si tukang kayu
digambarkan dan diberikan oleh daerah poligon ABCD pada Gambar 7.4. Perhatikan bahwa
terdapat enam titik persimpangan kendala, tetapi hanya empat dari titik-titik ini (yaitu, A-D)
yang memenuhi semua kendala dan karenanya termasuk dalam himpunan cembung. Titik-
titik A-D adalah titik ekstrim pada poligon.
Gambar 7.4 Himpunan titik-titik yang memenuhi kendala-kendala masalah si tukang
kayu yang membentuk sebuah himpunan cembung.

Jika terdapat solusi optimal untuk program linier, solusi tersebut harus terjadi di
antara titik-titik ekstrim himpunan cembung yang dibentuk oleh himpunan kendala. Nilai-
nilai dari fungsi obyektif (keuntungan untuk masalah tukang kayu) pada titik-titik ekstrim
adalah
Titik poin Nilai fungsi objektif
A 50
B 600
C 750
D 690
 Dengan demikian, tukang kayu harus membuat 12 meja dan 15 rak buku setiap
minggunya untuk mendapatkan hasil keuntungan mingguan maksimum $750. Kami
memberikan bukti geometris lebih lanjut di bagian ini bahwa titik ekstrim C optimal.
Sebelum mempertimbangkan contoh yang kedua, mari kita meringkas gagasan yang
disajikan sejauh ini. Kendala yang dihimpun untuk suatu program linier adalah himpunan
cembung, yang umumnya berisi jumlah titik layak yang tak terhingga untuk program linier.
Jika terdapat solusi optimal untuk program linier, harus diambil pada satu atau lebih titik
ekstrim.
Dengan demikian, untuk menemukan solusi optimal, kami memilih dari antara semua
titik ekstrim yaitu yang salah satunya dengan nilai terbaik untuk fungsi objektif.
Contoh 2 Masalah Penyesuaian Data

Sekarang mari kita selesaikan program linier yang ditunjukkan oleh Persamaan (7.2).
Diberikan model y = cx dan himpunan data

Gambar 7.5 Daerah yang layak untuk penyesuaian y = cx untuk sekumpulan data

Kita ingin mencari nilai untuk c sehingga hasil selisih absolut terbesat r sekecil
mungkin. Dalam gambar 7.5 kita gambarkan grafik himpunan enam kendala
𝑟 − (2 − 𝑐) ≥ 0 (Pembatas 1)

𝑟 + (2 − 𝑐) ≥ 0 (Pembatas 2)

𝑟 − (5 − 2𝑐) ≥ 0 (Pembatas 3)

𝑟 + (5 − 2𝑐) ≥ 0 (Pembatas 4)
 𝑟 − (8 − 3𝑐) ≥ 0 (Pembatas 5)

𝑟 − (8 − 3𝑐) ≥ 0 (Pembatas 6)

Dengan pertama-tama menggambarkan grafik persamaan

𝑟 − (2 − 𝑐) ≥ 0 (kendala 1 batas)

𝑟 + (2 − 𝑐) ≥ 0 (kendala 2 batas)

𝑟 − (5 − 2𝑐) ≥ 0 (kendala 3 batas)

𝑟 + (5 − 2𝑐) ≥ 0 (kendala 4 batas)

𝑟 − (8 − 3𝑐) ≥ 0 (kendala 5 batas)

𝑟 + (8 − 3𝑐) ≥ 0 (kendala 6 batas)

Kita mencatat bahwa kendala 1, 3, dan 5 terpenuhi di atas dan di sebelah kanan grafik
persamaan-persamaan kendala mereka. Demikian pula kendala 2, 4, dan 6 terpenuhi di atas
dan di sebelah kiri persamaan-persamaan kendalanya.
Persimpangan dari semua daerah yang layak untuk kendala 1-6 membentuk suatu
himpunan cembung yang diatur dalam bidang c, r, dengan titik ekstrim berlabel A-C pada
Gambar 7.5. Titik A adalah persimpangan kendala 5 dan r-axis: r – (8 - 3c) = 0 dan c = 0,
atau A = (0, 8) Demikian pula, B adalah persimpangan kendala 5 dan 2:
𝑟 − (8 − 3𝑐) = 0 atau 𝑟 + 3𝑐 = 8

𝑟 + (2 − 𝑐) = 0 atau 𝑟 − 𝑐 = −2
5 1 5 1
menghasilkan c = dan r = 2, atau B = (2 , 2). Akhirnya, C adalah persimpangan
2

kendala 2 dan 4 yang menghasilkan C = (3,1) Perhatikan bahwa himpunan tidak dibatasi.
(Kita bahas himpunan cembung yang tak terbatas nanti). Jika terdapat solusi optimal untuk
permasalahannya, setidaknya satu titik ekstrim harus mengambil solusi optimal. Kita
sekarang mengevaluasi fungsi obyektif f(r) = r pada masing-masing ketiga titik ekstrim.
Titik ektrem Nilai fungsi obyektif

(𝑐, 𝑟) 𝑓(𝑟) = 𝑟

A 8

B 1
2
C 1
 5 1
Titik ekstrim dengan nilai r terkecil adalah titik ekstrim B dengan koordinat (2 , 2).
5
Dengan demikian, c = adalah nilai optimal c. Tidak ada nilai lain dari c yang akan
2
1
menghasilkan selisih absolut terbesar sekecil nilai |rmax| = 2.

Interpretasi Model

Mari interpretasikan solusi optimal untuk masalah penyesuaian data dalam Contoh 2.
5
Dengan menyelesaikan program linier, kita memperoleh nilai c = 2 yang sesuai dengan model
5 1
y = 2 𝑥. Selanjutnya, nilai fungsi obyektif r = harus sesuai dengan selisih terbesar yang
2

dihasilkan dari penyesuaian. Mari kita periksa untuk melihat apakah hasilnya benar.
5
Titik-titik data dan model y = 2 𝑥 digambarkan dalam Gambar 7.6. Perhatikan bahwa
1
selisih yang terbesar ri = terjadi pada kedua titik data pertama dan ketiga. Perbaiki salah
2

satu ujung garis pada titik asal. Sekarang putar penggaris untuk meyakinkan diri Anda sendiri
bahwa secara geometris tidak ada garis lain yang melewati titik asal yang dapat menghasilkan
5
selisih absolut terbesar yang lebih kecil. Dengan demikian, model y = 2 𝑥 optimal dengan

kriteria Chebyshev.
5 1
Gambar 7.6 Garis y = 𝑥 menghasilkan selisih absolut terbesar rmax = , kemungkinan rmax
2 2
yang terkecil.

Daerah-daerah Kosong dan Tidak Terbatas yang Layak

Kita telah secara teliti mengatakan bahwa jika solusi optimal untuk program linier itu
ada, setidaknya satu dari titik-titik ekstrim harus mengambil nilai optimal untuk fungsi
obyektif. Kapan solusi optimal gagal untuk ditemukan? Terlebih lagi, kapan terdapat lebih
dari satu solusi optimal?
Jika daerah yang layak kosong, tidak ada solusi yang layak yang ditemukan. Sebagai
contoh, diberikan kendala berikut
𝑥1 ≤ 3
dan

𝑥1 ≥ 5

tidak ada nilai 𝑥1 yang memenuhi keduanya. Kita katakan bahwa himpunan kendala
semacam itu tidak konsisten (inkonsisten).
Terdapat alasan lain di mana solusi optimal dapat gagal ditemukan. Perhatikan
Gambar 7.5 dan himpunan kendala untuk masalah penyesuaian data di mana kita mencatat
bahwa daerah yang layak tidak dibatasi (dalam arti bahwa baik 𝑥1 atau 𝑥2 dapat menjadi besar
secara berubah-ubah). Maka akan mustahil untuk
Maksimisasi 𝑥1 + 𝑥2

pada daerah yang layak karena 𝑥1 dan 𝑥2 dapat mengambil nilai besar yang berubah-
ubah. Akan tetapi, perlu dicatat bahwa meskipun daerah yang layak tidak dibatasi, solusi
optimal benar-benar ada untuk fungsi objektif yang kita pertimbangkan dalam Contoh 2, jadi
tidak perlu lagi bagi daerah yang layak dibatasi untuk solusi optimal agar dapat ditemukan.

Kurva Tingkat pada Fungsi Objektif

Pertimbangkan lagi masalah si tukang kayu. Fungsi objektifnya adalah 25𝑥1 + 30𝑥2
dan pada gambar 7.7 kita menggambarkan garis-garis
25𝑥1 + 30𝑥2 = 650

25𝑥1 + 30𝑥2 = 750

25𝑥1 + 30𝑥2 = 850

dalam kuadran pertama.

Gambar 7.7. Kurva tingkat fungsi objektif f merupakan segmen-segmen garis paralel dalam
kuadran pertama; fungsi objektifnya meningkat maupun menurun saat kita pindahkan dengan
arah tegak lurus ke kurva-kurva tingkat.
 Perhatikan bahwa fungsi objektif memiliki nilai-nilai konstan disepanjang segmen
garis ini. Segmen garis disebut kurva-kurva tingkat fungsi objektif. Ketika kita gerakkan
dengan arah tegak lurus ke segmen garis ini, fungsi objektif meningkat atau menurun.
Sekarang tempatkan di atas himpunan kendala dari masalah tukang kayu tersebut
20𝑥1 + 30𝑥2 ≤ 690 (Kayu)

5𝑥1 + 4𝑥2 ≤ 120 (Tenaga kerja)

𝑥1 , 𝑥2 ≥ 0 (Tidak negatif)

ke kurva-kurva tingkat ini (Gambar 7.8). Perhatikan bahwa kurva tingkat dengan nilai
750 adalah yang memotong daerah yang layak tepat pada titik ekstrim C (12, 15).
Gambar 7.8 Kurva tingkat 25𝑥1 + 30𝑥2 = 750 adalah garis singgung pada daerah yang
layak di titik ekstrem C.

Apakah terdapat lebih dari satu solusi optimal? Perhatikan sedikit variasi berikut dari
masalah tukang kayu di mana kendala tenaga kerja telah berubah:
Maksimisasi 25𝑥1 + 30𝑥2

Kendala

20𝑥1 + 30𝑥2 ≤ 690 (Kayu)

5𝑥1 + 6𝑥2 ≤ 150 (Tenaga kerja)

𝑥1 , 𝑥2 ≥ 0 (Tidak negatif)

Himpunan kendala dan kurva tingkat 25𝑥1 + 30𝑥2 = 750 digambarkan pada gambar
7.9. Perhatikan bahwa kurva tingkat dan garis batas untuk kendala tenaga kerja berhimpitan.
Dengan demikian, baik titik ekstrim B maupun C memiliki nilai fungsi objektif yang sama
yaitu sebesar 750 yang optimal. Bahkan, seluruh ruas garis BC berhimpitan dengan kurva
tingkat 25𝑥1 + 30𝑥2 = 750. Dengan demikian, terdapat banyak solusi optimal untuk
program linier, disepanjang segmen garis BC.

Gambar 7.9 Segmen BC berhimpitan dengan kurva tingkat 25𝑥1 + 30𝑥2 = 750; setiap titik
antara ttik-titik ekstrem C dan B, serta titik-titik ekstrem C dan B, yang merupakan solusi
optimal.
Pada Gambar 7.10 kita merangkum kasus dua dimensi umum untuk mengoptimasi
fungsi linier pada satu himpunan cembung. Gambar tersebut menunjukkan himpunan
cembung khusus yang ditetapkan bersama dengan kurva-kurva tingkat fungsi objektif linier.
Gambar 7.10 memberikan intuisi geometris untuk teorema fundamental pemrograman linier
berikut ini.

Gambar 7.10 Fungsi linier mengasumsikan nilai-nilai maksimum dan minimum pada
himpunan cembung non-kosong dan terbatasi di suatu titik ekstrem.
Teorema 1
Anggaplah daerah yang layak dari program linier adalah satu himpunan cembung
yang non-kosong dan terbatasi. Maka fungsi objektif harus mencapai nilai maksimum dan
minimum yang terjadi pada titik-titik ekstrim di daerah tersebut. Jika daerah yang layak tidak
dibatasi, fungsi obyektif tidak perlu mengasumsikan nilai-nilai optimalnya. Jika salah satu
nilai maksimum atau minimum ada, maka harus terjadi pada salah satu titik ekstrim.
Kekuatan teorema ini adalah teorema ini menjamin suatu solusi optimal untuk sebuah
program linier dari titik-titik ekstrem pada himpunan cembung non-kosong yang terbatas.