TEORI DAN LATIHAN METODE OPTIMASI : LINEAR PROGRAMMING
1. Pendahuluan
[1] Alternatif keputusan;
[2] Di bawah batasan atau restriksi apa keputusan itu dibuat; dan
[3] Kriteria objektif apa yang tepat untuk mengevaluasi alternative keputusan tersebut.
Model matematika RO berbentuk sebagai berikut :
- Maksimisasi atau minimisasi ⇢ fungsi tujuan
- Syarat ikatan⇢kendala
1.1. Teknik Riset Operasi
Dalam model matematika RO, variable keputusan dapat bersifat bilangan bulat (integer) atau kontinyu (discreate), dan fungsi tujuan serta kendala dapat berbentuk linear atau non linear. Masalah optimisasi dihadapkan pada fitur model ini yang memunculkan keragaman metode/teknik solusi yang masing-masing didesain untuk menghitung sifat matematis khusus dari model. Teknik-teknik tersebut antara lain :[1] Linear Programming;
[2] Dynamic Programming;
[3] Integer Programming;
[4] Non Linear Programming;
[5] Goal Programming;
[6] Network Programming;
Dan masih banyak lagi teknik-teknik lainnya untuk mencari pemecahan optimum. Diantara teknik-teknik tersebut Linear Programming lebih menonjol, yang mana seluruh fungsi tujuan dan kendala bersifat linear dan seluruh variable bersifat kontinyu.
Masalah RO diselesaikan secara iterative dengan menggunakan program computer khusus.
1.2. Model Simulasi
Sebuah pendekatan alternative untuk pemodelan system yang komplek adalah simulasi. Model simuasi dapat mengamati sebuah system yang nyata.1.3. Seni Pemodelan
Prinsip tahapan/langkah yang diterapkan dalam praktek RO mencakup :
[1] Definisi masalah;
[2] Konstruksi/membangun model;
[3] Solusi model;
[4] Validasi model; dan
[5] Penerapan/implementasi solusi.
2. Linear Programming Dasar
[1] Proporsionalitas, dan
[2] Aditivitas
2.1. Konstruksi Model LP
|
Bahan Baku per ton dari
: |
Ketersediaan Maksimum per
hari (ton) |
|
Cat Exterior |
Cat Interior |
|
|
M1 |
6 |
4 |
24 |
M2 |
1 |
2 |
6 |
Keuntungan per ton ($1000) |
5 |
4 |
|
Model LP mencakup 3 elemen dasar, yaitu :
Variabel keputusan;
Tujuan (objective), yang akan dioptimasi; dan
Kendala (constraints), yang perlu dipenuhi.
Untuk masalah Reddy Mikks, kita perlu menentukan jumlah produksi cat exterior dan cat interior. Dimana :
x1 = produksi harian cat exterior;
x2 = produksi harian cat interior.
Dari informasi yang telah ditabulasi sebelumnya, dapat dinyatakan bahwa :
Penggunaan bahan baku, M1 = 6x1 + 4x2 ≤ 24
Penggunaan bahan baku, M2 = x1 + 2x2 ≤ 6
Karena ketersediaan harian, M1 dan M2 dibatasi masing-masing dengan 24 ton dan 6 ton, kendala yang terkait dinyatakan sebagai berikut :
6x1 + 4x2 ≤ 24 …bahan baku M1
x1 + 2x2 ≤ 6 …bahan baku M2
Maximisasi : Z = 5x1 + 4x2
Syarat ikatan :
6x1 + 4x2 ≤ 24
x1 + 2x2 ≤ 6
-x1 + x2 £ 1
x2 £ 2
x1, x2 ³ 0
[1] Menentukan ruang solusi yang fisibel, dan
[2] Menentukan solusi optimum.
2.3.2 Solusi Model Minimisasi
Contoh 2.3-2 (Masalah Diet)
|
Lb per lb of feedstuff |
Cost ($/lb) |
|
Feedstuf |
Protein |
Fiber |
|
Corn |
0.09 |
0.02 |
0.30 |
Soybean meal |
0.60 |
0.06 |
0.90 |
Karena kombinasi makanan terkait dengan jagung dan sayuran, variable keputusan dari model didefinisikan sebagai berikut :
X1 = lb jagung dalam kombinasi harian
X2 = lb sayuran dalam kombinasi harian
x1 + x2 ≤ 800
0.09x1 + 0.6x2
≥ 0.3(x1 + x2) Û 0.09x1
+ 0.06x2 ≥ 0.3x1 + 0.3x2
(0.09x1-0.3x1)+(
0.6x2-0.3x2) ≥ 0
-0.21x1+
0.3 x2 ≥ 0
0.21x1 – 0.3 x2 ≤ 0
0.02 x1 + 0.06x2
≤ 0.05(x1 + x2) Û 0.02 x1 + 0.06x2 ≤ 0.05x1 + 0.05x2
(0.02x1
– 0.05x1)+( 0.06x2 – 0.05x2) ≤ 0
-0.03
x1 + 0.01x2 ≤ 0
0.03 x1 – 0.01x2 ≥ 0
Model diet selengkapnya adalah :Minimisasi : z = 0.3x1 + 0.9x2
Dengan kendala :
x1 + x2 ≤ 800
0.03x1 – 0.01x2 ≥ 0
0.21x1 – 0.3x2 ≤ 0
x1, x2 ≥ 0
3. Metode Aljabar Simplex : Teknik Menentukan Nilai Optimum
Jika diketahui model matematis RO sebagai berikut :
Maksimisasi : Z
= 5x1 + 4x2
Syarat
ikatan : 6x1 + 4x2 £ 24
x1 + 2x2 £ 6
-x1 + x2 £ 1
x2 £ 2
x1,
x2 ³ 0
Maksimisasi : Z
= 5x1 + 4x2 + 0S1 + 0S2 + 0S3
+ 0S4
Syarat
ikatan : 6x1 + 4x2 + S1 = 24
x1 + 2x2 + S2 = 6
-x1 + x2 + S3 = 1
x2 + S4 = 2
x1, x2, S1, S2, S3, S4 ³ 0
Dalam bentuk table bentuk standar tersebut dinyatakan dalam table 1 berikut :
Basic |
Z |
x1 |
x2 |
S1 |
S2 |
S3 |
S4 |
Solution |
Rasio [9]:[3] |
[1] |
[2] |
[3] |
[4] |
[5] |
[6] |
[7] |
[8] |
[9] |
|
Z |
1 |
-5 |
-4 |
0 |
0 |
0 |
0 |
0 |
|
S1 |
0 |
6 |
4 |
1 |
0 |
0 |
0 |
24 |
4 |
S2 |
0 |
1 |
2 |
0 |
1 |
0 |
0 |
6 |
6 |
S3 |
0 |
-1 |
1 |
0 |
0 |
1 |
0 |
1 |
-1 |
S4 |
0 |
0 |
1 |
0 |
0 |
0 |
1 |
2 |
¥ |
Beberapa hal penting sebelum melakukan operasi aljabar simplex adalah :
[1] Menentukan entering variable untuk menetukan kolom pivot;
[2] Menentukan leaving variable untuk menentukan baris pivot;
[3] Menentukan elemen pivot untuk menentukan table simplex lebih lanjut
|
Basic |
Z |
x1 |
x2 |
S1 |
S2 |
S3 |
S4 |
Solution |
Langkah 2 |
Z |
|
|
|
|
|
|
|
|
Langkah 1 |
x1 |
0 |
1 |
4/6 |
1/6 |
0 |
0 |
0 |
4 |
Langkah 3 |
S2 |
|
|
|
|
|
|
|
|
Langkah 4 |
S3 |
|
|
|
|
|
|
|
|
Langkah 5 |
S4 |
|
|
|
|
|
|
|
|
Langkah kedua, ketiga, keempat dan kelima secara bertahap adalah mengisi elemen-elemen dalam vector baris Z, S2, S3, dan S4 yang baru dalam table 2.1 simplex yang sumbernya berasal dari table 1. Langkah-langkah ini mengikuti prosedur Gauss-Jordan dalam operasi matriks.
· Vektor baris Z = [vector baris Z table 1] – [EP(Z:X1)*vector baris X1 tabel 2]· Vektor baris S2 = [vector baris S2 table 1] – [EP(S2:X1)*vector baris X1 tabel 2]
· Vektor baris S3 = [vector baris S2 table 1] – [EP(S3:X1)*vector baris X1 tabel 2]
· Vektor baris S4 = [vector baris S2 table 1] – [EP(S4:X1)*vector baris X1 tabel 2]
Basic |
Z |
x1 |
X2 |
S1 |
S2 |
S3 |
S4 |
Solution |
Rasio |
[1] |
[2] |
[3] |
[4] |
[5] |
[6] |
[7] |
[8] |
[9] |
[9]:[4] |
Z |
1 |
0 |
-2/3 |
5/6 |
0 |
0 |
0 |
20 |
|
x1 |
0 |
1 |
2/3 |
1/6 |
0 |
0 |
0 |
4 |
6 |
S2 |
0 |
0 |
4/3 |
-1/6 |
1 |
0 |
0 |
2 |
3/2 |
S3 |
0 |
0 |
5/3 |
1/6 |
0 |
1 |
0 |
5 |
3 |
S4 |
0 |
0 |
1 |
0 |
0 |
0 |
1 |
2 |
2 |
Basic |
Z |
X1 |
X2 |
S1 |
S2 |
S3 |
S4 |
Solution |
Z |
0 |
0 |
0 |
3/4 |
1/2 |
0 |
0 |
21 |
X1 |
0 |
1 |
0 |
1/4 |
-1/2 |
0 |
0 |
3 |
X2 |
0 |
0 |
1 |
-1/8 |
3/4 |
0 |
0 |
3/2 |
S3 |
0 |
0 |
0 |
3/8 |
-5/4 |
1 |
0 |
5/2 |
S4 |
0 |
0 |
0 |
1/8 |
-3/4 |
0 |
1 |
½ |
Keterangan :
· Vektor baris x1 = [vector baris S2 table 1] – [EP(S2:x2) * vector baris X2 tabel 3]
· Vektor baris S3 = [vector baris S2 table 1] – [EP(S3:x2) * vector baris X2 tabel 3]
· Vektor baris S4 = [vector baris S2 table 1] – [EP(S4:x2) * vector baris X2 tabel 3]
[1] Elemen pivot ini selanjutnya didenotasikan dengan EP(Z:X1), yang artinya elemen pivot yang terletak pada koordinat atau pertemuan antara baris Z dengan kolom X1.
Tidak ada komentar:
Posting Komentar
Terimakasih