BAB II

KAJIAN PUSTAKA

A. Efektivitas

Efektivitas berasal dari kata efektif, yang merupakan kata serapan dari bahasa

Inggris yaitu effective yang artinya berhasil. Menurut kamus ilmiah popular,

efektivitas diartikan sebagai hal yang berpengaruh atau keberhasilan.

Definisi efektivitas juga disampaikan oleh Mustika Rihardini (2012) yang

menyebutkan efektivitas sebagai suatu ukuran yang menyatakan seberapa jauh

target yang telah dicapai oleh manajemen, yang mana target tersebut sudah

ditentukan terlebih dahulu.

Tingkat efektivitas dapat diukur dengan membandingkan antara rencana yang

telah dibuat dengan hasil nyata yang diperoleh. Jika hasil nyata yang diperoleh tidak

mencapai tujuan atau sasaran yang diharapkan maka dikatakan hal tersebut kurang

efektif.

Pada skripsi ini, yang dijadikan sebagai rencana adalah selisih nilai

perhitungan dari metode pendekatan dengan perhitungan software WinQSB 2.0

kurang dari 0,1 %, sehingga jika selisih tersebut lebih dari 0,1 % maka dikatakan

tujuan tidak tercapai, atau metode pendekatan tersebut kurang efektif untuk

digunakan.

B. Optimasi

Optimasi merupakan salah satu cabang ilmu matematika yang fokus

digunakan untuk mendapatkan nilai minimum atau maksimum secara sistematis

9
dari suatu fungsi maupun pencarian nilai lainnya dalam berbagai kasus (Qoriatun

Maryamah, 2013 : 13).

Definisi lain yaitu menurut Licker (2003 : 170), optimasi yang berasal dari

kata bahasa Inggris optimization memiliki arti memaksimumkan atau

meminimumkan sebuah fungsi yang diberikan untuk beberapa macam kendala.

Berdasarkan beberapa definisi tersebut, maka disimpulkan bahwa optimasi

adalah suatu cabang ilmu dalam matematika untuk memaksimumkan atau

meminimumkan fungsi tujuan dengan mempertimbangkan beberapa kendala yang

diberikan.

C. Fungsi

Definisi 2.1. Fungsi (Varberg & Purcell, 2001 : 57)

Suatu fungsi f adalah suatu aturan padanan yang menghubungkan setiap

obyek x dalam suatu himpunan, yang disebut daerah asal, dengan sebuah nilai

tunggal f(x) dari suatu himpunan kedua. Himpunan nilai yang diperoleh secara

demikian disebut daerah hasil fungsi.

Gambar 2.1 berikut memberikan ilustrasi untuk membedakan suatu fungsi

dengan bukan fungsi.

Fungsi Bukan Fungsi

daerah asal daerah hasil daerah asal daerah hasil

Gambar 2. 1 Ilustrasi Fungsi dan Bukan Fungsi

10
 Fungsi yang terbentuk dari suatu konstanta disebut fungsi konstanta,

sedangkan fungsi yang terbentuk dari suatu variabel maka disebut fungsi identitas.

Fungsi yang diperoleh dari fungsi konstanta dan fungsi identitas dengan

menggunakan operasi penambahan, pengurangan, dan perkalian disebut fungsi

polinom. (Varberg & Purcell, 2001 : 71)

Suatu fungsi polinom dapat ditulis dalam bentuk 𝑓(𝑥) = 𝑎𝑛 𝑥 𝑛 +

𝑎𝑛−1 𝑥 𝑛−1 + ⋯ + 𝑎1 𝑥 + 𝑎0 dengan koefisien-koefisien 𝑎 berupa bilangan real dan

𝑛 adalah bilangan bulat tak negatif. Secara khusus, bentuk 𝑓(𝑥) = 𝑎𝑥 + 𝑏

merupakan fungsi polinom derajat satu dan disebut fungsi linear (Varberg &

Purcell, 2001 : 71).

Selain bentuk fungsi linear, terdapat juga bentuk fungsi nonlinear. Fungsi

nonlinear yang terbentuk dari fungsi polinom derajat dua disebut juga sebagai

fungsi kuadrat. Pada fungsi kuadrat dikenal konsep kecembungan (convexity).

Konsep ini akan dijelaskan dalam Definisi 2.2 berikut.

Definisi 2.2. Fungsi Cembung (Hillier & Lieberman, 2001 : 1159)

Fungsi satu variabel f(x) adalah fungsi cembung jika untuk setiap pasangan

nilai x, misalnya x’ dan x” berlaku

𝑓(𝜆𝑥′′ + (1 - λ)𝑥') ≤ λ𝑓(𝑥′′) + (1 − 𝜆)𝑓(𝑥 ′ )

untuk seluruh nilai 𝜆 dengan 0 ≤ 𝜆 ≤ 1. Fungsi ini disebut fungsi cembung

sempurna (strictly convex function) jika ≤ (kurang dari sama dengan) dapat diganti

dengan < (kurang dari). Fungsi ini disebut fungsi cekung jika pernyataan ≤ dapat

diganti oleh ≥ (lebih dari sama dengan ) atau fungsi cekung sempurna (strictly

concave function) jika pernyataan ≤ dapat diganti oleh > (lebih dari).
11
 Gambar 2.2 berikut merupakan ilustrasi dari bentuk kurva fungsi cembung

dan fungsi cekung.

f(x) f(x)

x x
Fungsi cembung Fungsi cekung

Gambar 2. 2 Ilustrasi bentuk fungsi cembung dan cekung

Selain dengan menggunakan Definisi 2, fungsi cekung dan fungsi cembung

juga dapat ditentukan dengan menggunakan turunan kedua. Menurut Hillier &

Lieberman (2001), fungsi cekung dan cembung pada suatu fungsi satu variabel

dapat ditentukan melalui Teorema 2.2.1 berikut :

Teorema 2.2.1. Tes Kecembungan fungsi satu variabel (Hillier &

Lieberman, 2001 : 1159)

𝑑2 𝑓(𝑥)
1. f(x) cembung jika dan hanya jika turunan kedua f(x) yaitu ≥ 0 untuk
𝑑𝑥 2

setiap nilai x yang diberikan.

𝑑2 𝑓(𝑥)
2. f(x) cembung sempurna jika dan hanya jika turunan kedua f(x) yaitu >
𝑑𝑥 2

0 untuk setiap nilai x yang diberikan.

𝑑2 𝑓(𝑥)
3. f(x) cekung jika dan hanya jika turunan kedua f(x) yaitu ≤ 0 untuk
𝑑𝑥 2

setiap nilai x yang diberikan.

12
 𝑑2 𝑓(𝑥)
4. f(x) cekung sempurna jika dan hanya jika turunan kedua f(x) yaitu <0
𝑑𝑥 2

untuk setiap nilai x yang diberikan.

Bukti :

f’(x) > 0 f’(x) < 0

Gambar 2. 3 Gradien kurva f(x)

Secara geometri, suatu nilai f(x) yang kontinu memiliki garis-garis singgung

𝑑𝑓(𝑥)
yang dinyatakan sebagai atau f’(x) seperti tampak pada Gambar 2.3. Jika
𝑑𝑥

𝑑𝑓(𝑥)
nilai > 0 pada selang I maka fungsi naik pada selang I, begitu juga
𝑑𝑥

sebaliknya. Apabila garis singgung berbelok searah jarum jam (seperti Gambar

𝑑2 𝑓(𝑥)
2.3) yaitu saat turunan kedua f(x) yaitu positif maka f(x) merupakan
𝑑𝑥 2

fungsi cekung, namun jika berbelok berlawanan arah jarum jam yaitu saat

𝑑2 𝑓(𝑥)
turunan kedua f(x) yaitu negatif maka f(x) berupa fungsi cembung.
𝑑𝑥 2

D. Pemrograman Linear

Pemrograman linear adalah teknik pengambilan keputusan untuk

memecahkan masalah pengalokasian sumber daya untuk berbagai kepentingan

seoptimal mungkin. Teknik ini dikembangkan oleh LV Kantorovich pada tahun

1939 dan merupakan salah satu metode dalam riset operasi (Eddy Herjanto, 2007 :

43).

13
 Definisi lain pemrograman linear juga disampaikan oleh Siswanto (2007 : 26)

yang menyebutkannya sebagai metode matematis yang berkarakteristik linear

untuk menemukan suatu penyelesaian optimal dengan cara memaksimumkan atau

meminimumkan fungsi tujuan terhadap satu susunan kendala.

Terdapat tiga unsur utama yang membangun suatu program linear yaitu

(Siswanto, 2007 : 26) :

1. Variabel keputusan.

Variabel keputusan adalah variabel yang akan mempengaruhi nilai tujuan yang

hendak dicapai. Pada proses pembentukan suatu model, menentukan variabel

keputusan merupakan langkah pertama sebelum menentukan fungsi tujuan dan

fungsi kendala.

2. Fungsi tujuan

Fungsi tujuan pada model pemrograman linear haruslah berbentuk linear.

Selanjutnya, fungsi tujuan tersebut dimaksimalkan atau diminimalkan terhadap

fungsi – fungsi kendala yang ada.

3. Fungsi kendala.

Kendala dapat dikatakan sebagai suatu pembatas terhadap variabel – variabel

keputusan yang dibuat. Fungsi kendala untuk model pemrograman linear juga

harus berupa fungsi linear.

Secara umum, masalah program linear dapat dirumuskan menjadi bentuk

berikut :

Memaksimumkan / meminimumkan : 𝑓 = 𝐶 𝑇 𝑋 (2.1)

14
 dengan kendala : 𝐴𝑋 = 𝐵, dan 𝑋 ≥ 0 (2.2)

Dalam hal ini, 𝐶 𝑇 = [𝑐1 𝑐2 … 𝑐𝑛 ], (2.3)

𝑥1
𝑥2
𝑋= [ ⋮ ], (2.4)
𝑥𝑛

𝑎11 𝑎12 … 𝑎1𝑛

𝑎21 𝑎22 … 𝑎2𝑛
𝐴= [ ⋮ ] , (2.5)
⋮ ⋮
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛

𝑏1
𝑏
dan 𝐵 = [ 2] (2.6)
⋮
𝑏𝑚

Matriks 𝑋 merupakan matriks satu kolom dari variabel-variabel yang dicari,

dan 𝐶 𝑇 adalah matriks satu baris untuk setiap koefisien ongkos (𝑐𝑗 ). Matriks 𝐴

merupakan matriks koefisien persamaan kendala, dan 𝐵 adalah matriks satu kolom

dari ruas kanan persamaan kendala. (Bronson & Naadimuthu, 1997 : 20)

Jika (2.1) dan (2.2) dituliskan semua dalam bentuk matriks maka akan

menjadi :

𝑥1
Memaksimumkan atau meminimumkan 𝑓 = [𝑐1 𝑐2 … 𝑐𝑛 ] [ 𝑥2 ],
⋮
𝑥𝑛

15
 dengan kendala :

𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑏1 𝑥1

𝑎 𝑎22 … 𝑎2𝑛 𝑥2 𝑏 𝑥 2
[ ⋮21 ] [ ⋮ ] = [ 2 ] , dan [ ⋮ ] ≥ 0.
⋮ ⋮ ⋮
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚 𝑥𝑛

Jika bentuk perkalian matriks tersebut diuraikan menjadi penjumlahan aljabar

akan menjadi :

Memaksimumkan atau meminimumkan

𝑓 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛 = ∑𝑛𝑗=1 𝑐𝑗 𝑥𝑗 (2.7)

dengan kendala :

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1 (2.8a)

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2 (2.8b)

𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚 (2.8c)

𝑥1 , 𝑥2 , … , 𝑥𝑛 ≥ 0 (2.8d)

atau jika ditulis ulang, maka bentuk fungsi kendala (2.8a) – (2.8d) menjadi :

𝑔𝑖 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∑𝑛𝑗=1 𝑎𝑖𝑗 𝑥𝑗 = 𝑏𝑖 dengan 𝑖 = 1,2, … , 𝑚 (2.9a)

𝑥𝑗 ≥ 0 , dengan 𝑗 = 1,2, … , 𝑛 (2.9b)

16
E. Metode Simpleks

Masalah optimasi untuk program linear dengan dua variabel diselesaikan

dengan menggunakan metode penggambaran grafik. Pada masalah optimasi dengan

fungsi tujuan yang memiliki lebih dari tiga variabel lebih, metode grafik sudah tidak

memungkinkan digunakan sehingga digunakan cara lain yaitu metode simpleks.

Kendala dari permasalahan yang diselesaikan dengan metode simpleks harus

diubah dulu ke dalam bentuk kanonik. Bentuk kanonik yaitu kondisi dimana semua

kendala berbentuk persamaan linear (B. Susanta, 1994 : 70).

Menurut Eddy Herjanto (2007 : 45), cara mengubah suatu kendala menjadi

bentuk kanonik adalah sebagai berikut :

1. Menambahkan variabel slack (s) untuk kendala yang berbentuk pertidaksamaan

kurang dari sama dengan (≤).

2. Mengurangi dengan variabel surplus (e) untuk kendala yang berbentuk

pertidaksamaan lebih dari sama dengan (≥).

3. Mengalikan dengan -1 terhadap nilai suku tetap (𝑏𝑖 ) negatif.

Variabel slack maupun variabel surplus merupakan variabel yang membuat

ruas yang semula tak seimbang menjadi seimbang, sehingga antara ruas kiri dan

ruas kanan bernilai sama (B. Susanta, 1994 : 69).

Mengingat variabel surplus tidak bisa menjadi basis karena koefisiennya

negatif maka perlu ditambahkan suatu variabel yang bernilai positif untuk menjadi

basis, variabel tersebut dinyatakan sebagai variabel buatan (𝑎) (B. Susanta, 1994 :

88).

17
 Pada tabel optimal, karena berfungsi sebagai penyeimbang maka variabel

surplus harus bernilai nol. Agar variabel surplus segera bernilai nol maka

disusunlah fungsi sasaran baru dengan bentuk 𝑓 ̅ = 𝑓 − 𝑀𝑎, dengan 𝑓 adalah fungsi

tujuan awal, 𝑎 adalah suatu variabel buatan, dan 𝑀 merupakan bilangan positif yang

cukup besar. Hal ini diharapkan supaya 𝑎 segera keluar dari basis karena koefisien

ongkosnya negatif besar. (B. Susanta, 1994 : 89)

Setelah bentuk kanonik dari setiap kendala sudah didapatkan, maka langkah

selanjutnya adalah membuat tabel simpleks.

Tabel 2. 1 Bentuk tabel simpleks

𝑐𝑗 𝑐1 𝑐2 … 𝑐𝑛
𝐶𝑖 𝑋𝑖 /𝑥𝑗 𝑥1 𝑥2 … 𝑥𝑛 𝑏𝑖 𝑅𝑖
𝐶1 𝑋1 𝑎11 𝑎12 … 𝑎1𝑛 𝑏1 𝑅1
𝐶2 𝑋2 𝑎21 𝑎22 … 𝑎2𝑛 𝑏2 𝑅2
⋮ ⋮ ⋮ ⋮ ⋮
𝐶𝑚 𝑋𝑚 𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 𝑏𝑚 𝑅𝑚
𝑍𝑗 𝑍1 𝑍2 … 𝑍𝑛 𝑍𝑡
𝑍𝑗 − 𝑐𝑗 𝑍1 − 𝑐1 𝑍2 − 𝑐2 … 𝑍𝑛 − 𝑐𝑛

Keterangan :

𝑥𝑗 : variabel-variabel yang akan dicari

𝑋𝑖 : variabel yang menjadi basis dalam tabel yang ditinjau

𝑐𝑗 : koefisien ongkos

𝐶𝑖 : koefisien ongkos milik variabel basis 𝑋𝑖

𝑎𝑖𝑗 : koefisien dalam kendala utama

𝑏𝑖 : suku tetap (nilai di ruas kanan fungsi kendala)

18
𝑍𝑗 : ∑𝑚
𝑖=1 𝐶𝑖 𝑎𝑖𝑗 (jumlah hasil kali 𝐶𝑖 dengan kolom 𝑎𝑖𝑗 )

𝑍𝑡 : ∑𝑚
𝑖=1 𝐶𝑖 𝑏𝑖 (jumlah hasil kali 𝐶𝑖 dengan kolom 𝑏𝑖 )

𝑍𝑗 − 𝑐𝑗 : selisih 𝑍𝑗 dengan 𝑐𝑗

Apabila tabel yang bersangkutan belum optimal dan dipilih 𝑥𝑘 sebagai basis

baru maka disusun kolom 𝑅𝑖 yang diperoleh dengan :

𝑏
𝑅𝑖 = 𝑎 𝑖 , hanya untuk 𝑎𝑖𝑘 > 0 (B. Susanta, 1994 : 74)
𝑖𝑘

Kasus dimana semua fungsi kendalanya berupa pertidaksamaan satu jenis

disebut sebagai kasus maksimum atau minimum baku.

Pada kasus memaksimumkan, tabel simpleks dinyatakan telah mencapai

optimal jika 𝑍𝑗 − 𝑐𝑗 ≥ 0 untuk semua nilai 𝑗. Jika tabel belum optimal maka

dilakukan perbaikan tabel (iterasi). Pada kasus memaksimumkan, 𝑥𝑘 terpilih adalah

yang memiliki 𝑍𝑘 − 𝑐𝑘 < 0 yang paling kecil, karena jika diambil 𝑍𝑘 − 𝑐𝑘 > 0

maka nilai fungsi tujuan akan menjauhi nilai optimal. Variabel yang terpilih

menjadi basis baru adalah variabel yang memiliki nilai 𝑅𝑖 terkecil. Sebaliknya

untuk kasus meminimumkan, 𝑥𝑘 terpilih adalah yang memiliki 𝑍𝑘 − 𝑐𝑘 > 0 yang

paling besar. Variabel yang menjadi basis baru pada tabel perbaikan adalah variabel

yang memiliki nilai 𝑅𝑖 terkecil, dengan tabel optimumnya dicapai saat 𝑍𝑗 − 𝑐𝑗 ≤ 0

untuk semua nilai 𝑗 (B. Susanta, 1994 : 77-78).

Contoh 2.1 berikut ini digunakan sebagai ilustrasi untuk menambah

penjelasan terkait metode simpleks.

Contoh 2.1 :

Diketahui suatu permasalahan program linear sebagai berikut (B. Susanta,

1994 : 88) :
19
 𝑥1 + 𝑥2 + 2𝑥3 ≤ 12 (2.10a)

2𝑥1 − 6𝑥2 − 𝑥3 ≥ 4 (2.10b)

dan memaksimumkan 𝑓 = −8𝑥1 + 6𝑥2 + 8𝑥3 (2.11)

Akan diselesaiakan masalah program linear tersebut dengan menggunakan

metode simpleks.

Langkah pertama yang dilakukan yaitu menyusun bentuk kanonik dari (2.10)

dan (2.11), yaitu :

𝑥1 + 𝑥2 + 2𝑥3 + 𝑠 = 20 (2.12a)

2𝑥1 − 6𝑥2 − 𝑥3 − 𝑒 + 𝑎 = 50 (2.12b)

Serta memaksimumkan 𝑓 ̅ = −8𝑥1 + 6𝑥2 + 8𝑥3 + 0𝑠 + 0𝑒 − 𝑀𝑎

Variabel slack untuk persamaan (2.10a) dan (2.10b) adalah 𝑠, sedangkan

variabel surplusnya yaitu e, dan a sebagai variabel buatan.

Setelah didapatkan bentuk kanonik, selanjutnya diselesaikan dengan

menggunakan metode simpleks.

Tabel 2. 2 Bentuk tabel simpleks contoh 2.1 (iterasi 1)

𝑐𝑗 -8 6 8 0 0 -𝑀

𝐶𝑖 𝑋𝑖 /𝑥𝑗 𝑥1 𝑥2 𝑥3 𝑠 𝑒 𝑎 𝑏𝑖 𝑅𝑖
0 𝑠 1 1 2 1 0 0 12 12
-𝑀 𝑎 2 -6 -1 0 -1 1 4 2
𝑍𝑗 -2𝑀 6𝑀 𝑀 0 0 -𝑀 -4𝑀
𝑍𝑗 − 𝐶𝑗 -2𝑀+8 6𝑀-6 𝑀-8 0 0 0

Pada Tabel 2.2 diketahui nilai 𝑍𝑗 − 𝑐𝑗 terkecil yaitu untuk variabel

𝑥1 , dengan nilai 𝑅𝑖 terkecil yang tidak negatif adalah pada variabel a, sehingga

variabel 𝑥1 menjadi basis baru menggantikan variabel a.

20
 Tabel 2. 3 Proses Iterasi 2 contoh 2.1

𝑐𝑗 -8 6 8 0 0 -𝑀

𝐶𝑖 𝑋𝑖 /𝑥𝑗 𝑥1 𝑥2 𝑥3 𝑠 𝑒 𝑎 𝑏𝑖 𝑅𝑖
0 𝑠 0 4 2,5 1 0,5 -0,5 10 4
-8 𝑥1 1 -3 -0,5 0 -0,5 0,5 2 -4
𝑍𝑗 -8 24 4 0 4 -4 -16
𝑍𝑗 − 𝐶𝑗 0 18 -4 0 0 0

Pada Tabel 2.3 diketahui nilai 𝑍𝑗 − 𝑐𝑗 terkecil yaitu pada variabel

𝑥3 , dengan nilai 𝑅𝑖 terkecil yang tidak negatif adalah pada variabel s, sehingga

variabel 𝑥3 menjadi basis baru menggantikan variabel s.

Tabel 2. 4 Proses Iterasi 3 contoh 2.1

𝐶𝑗 -8 6 8 0 0 -𝑀

𝑐𝑖 𝑥𝑖 /𝑋𝑗 𝑥1 𝑥2 𝑥3 𝑠 𝑒 𝑎 𝑏𝑖 𝑅𝑖
8 𝑥3 0 1,6 1 0,4 0,2 -0,2 4
-8 𝑥1 1 -2,2 0 0,2 -0,4 0,4 4
𝑍𝑗 -8 30,4 8 1,6 4,8 -4,8 0
𝑍𝑗 − 𝐶𝑗 0 24,4 0 1,6 4,8 𝑀-4,8

Pada Tabel 2.4, semua nilai 𝑍𝑗 − 𝑐𝑗 ≥ 0 sehingga tabel telah optimal. Solusi

dari permasalahan Contoh 2.1 yaitu nilai f maksimal = 0 dengan nilai variabel 𝑥3

= 4, 𝑥1 = 4, dan 𝑥2 = 0.

F. Teorema Dualitas

Konsep dualitas menyebutkan bahwa suatu masalah pemrograman linear

berkaitan dengan masalah pemrograman linear yang lain, dalam hal ini disebut

sebagai dual.

21
 Secara umum, bentuk masalah primal dan dual dapat dituliskan sebagai

berikut :

Primal

Memaksimumkan / meminimumkan : 𝑓 = 𝐶 𝑇 𝑋 (2.13a)

dengan kendala : 𝐴𝑋 = 𝐵, dan 𝑋 ≥ 0 (2.13b)

Dual

Meminimumkan / memaksimumkan : 𝑓 = 𝐵 𝑇 𝑌 (2.14a)

dengan kendala : 𝐴𝑇 𝑌 (≥, ≤)𝐶 (2.14b)

Dalam hal ini, 𝐵 𝑇 = [𝑏1 𝑏2 … 𝑏𝑚 ], (2.15)

𝑎11 𝑎21 … 𝑎𝑚1

𝑎 𝑎22 … 𝑎𝑚2
𝐴𝑇 = [ 12 ], (2.16)
⋮ ⋮ ⋮
𝑎1𝑛 𝑎2𝑛 … 𝑎𝑚𝑛

𝑐1
𝑐2
𝐶 = [ ⋮ ], (2.17)
𝑐𝑛

𝑦1
𝑦2
dan 𝑌 = [ ⋮ ]. (2.18)
𝑦𝑚

Matriks 𝐴𝑇 dan 𝐵 𝑇 merupakan transpose dari matriks 𝐴 dan matriks 𝐵,

sedangkan 𝐶 adalah matriks satu kolom untuk setiap koefisien ongkos (𝑐𝑗 ), dan 𝑌

merupakan matriks satu kolom dari variabel-variabel dual yang dicari (Bronson &

Naadimuthu, 1997 : 56).

Jika (2.14a) dan (2.14b) langsung ditulis dalam bentuk matriks secara

keseluruhan, maka akan didapat bentuk :

22
 𝑦1
𝑦2
Meminimumkan / memaksimumkan : 𝑓 = [𝑏1 𝑏2 … 𝑏𝑚 ] [ ⋮ ]
𝑦𝑚

𝑎11 𝑎21 … 𝑎𝑚1 𝑦1 𝑐1

𝑎 𝑎22 … 𝑎𝑚2 𝑦2 𝑐2
dengan kendala : [ 12 ] [ ⋮ ] (≥, ≤) [ ⋮ ].
⋮ ⋮ ⋮
𝑎1𝑛 𝑎2𝑛 … 𝑎𝑚𝑛 𝑦𝑚 𝑐𝑛

Bentuk perkalian matriks tersebut jika diuraikan menjadi penjumlahan aljabar

akan menjadi :

Meminimumkan atau memaksimumkan

𝑓 = 𝑏1 𝑦1 + 𝑏2 𝑦2 + ⋯ + 𝑏𝑚 𝑦𝑚 = ∑𝑚
𝑖=1 𝑏𝑖 𝑦𝑖 (2.19)

dengan kendala :

𝑎11 𝑦1 + 𝑎21 𝑦2 + ⋯ + 𝑎𝑚1 𝑦𝑚 (≥, ≤) 𝑐1 (2.20a)

𝑎12 𝑦1 + 𝑎22 𝑦2 + ⋯ + 𝑎𝑚2 𝑦𝑚 (≥, ≤) 𝑐2 (2.20b)

𝑎1𝑛 𝑦1 + 𝑎2𝑛 𝑦2 + ⋯ + 𝑎𝑚𝑛 𝑦𝑚 (≥, ≤) 𝑐𝑛 (2.20c)

Lemma 2.1. Dualitas Lemah (Winston, 2003 : )

𝑥̅1 𝑦̅1
𝑥̅ 𝑦̅
Jika 𝑋̅ = [ 2 ] merupakan solusi layak masalah primal, dan 𝑌̅ = [ 2 ]
⋮ ⋮
𝑥̅𝑛 𝑦̅𝑚

merupakan solusi layak masalah dual, maka nilai f primal ≤ f dual.

Bukti :

Pada permasalahan primal yang dinyatakan dalam bentuk

Memaksimumkan 𝑓 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛 = ∑𝑛𝑗=1 𝑐𝑗 𝑥𝑗

23
 dengan kendala : 𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 ≤ 𝑏𝑖 dengan i=1, 2, …, m.

Bentuk masalah dual menjadi

Meminimumkan 𝑓 = 𝑏1 𝑦1 + 𝑏2 𝑦2 + ⋯ + 𝑏𝑚 𝑦𝑚 = ∑𝑚
𝑖=1 𝑏𝑖 𝑦𝑖

dengan kendala : 𝑎1𝑗 𝑦1 + 𝑎2𝑗 𝑦2 + ⋯ + 𝑎𝑚𝑗 𝑦𝑚 ≥ 𝑐𝑛 dengan j=1, 2, …, n.

Diperhatikan bahwa 𝑦𝑖 ≥ 0, jika dikalikan dengan kendala masalah primal

maka menjadi 𝑦𝑖 𝑎𝑖1 𝑥1 + 𝑦𝑖 𝑎𝑖2 𝑥2 + ⋯ + 𝑦𝑖 𝑎𝑖𝑛 𝑥𝑛 ≤ 𝑏𝑖 𝑦𝑖 untuk i=1, 2, …, m.

Jika terdapat sejumlah m kendala, maka

∑𝑚 𝑛 𝑚
𝑖=1 ∑𝑗=1 𝑦𝑖 𝑎𝑖𝑗 𝑥𝑗 ≤ ∑𝑖=1 𝑏𝑖 𝑦𝑖 (2.21a)

Diperhatikan bahwa 𝑥𝑗 ≥ 0, jika dikalikan dengan kendala masalah dual

maka menjadi 𝑥𝑗 𝑎1𝑗 𝑦1 + 𝑥𝑗 𝑎2𝑗 𝑦2 + ⋯ + 𝑥𝑗 𝑎𝑚𝑗 𝑦𝑚 ≥ 𝑐𝑗 𝑥𝑗 untuk j=1, 2, …,

n. Jika terdapat sejumlah n variabel, maka

∑𝑚 𝑛 𝑛
𝑖=1 ∑𝑗=1 𝑦𝑖 𝑎𝑖𝑗 𝑥𝑗 ≥ ∑𝑗=1 𝑐𝑗 𝑥𝑗 (2.21b)

Berdasarkan (2.21a) dan (2.21b) maka didapatkan

∑𝑛𝑗=1 𝑐𝑗 𝑥𝑗 ≤ ∑𝑚 𝑛 𝑚 𝑛 𝑚
𝑖=1 ∑𝑗=1 𝑦𝑖 𝑎𝑖𝑗 𝑥𝑗 ≤ ∑𝑖=1 𝑏𝑖 𝑦𝑖 , atau ∑𝑗=1 𝑐𝑗 𝑥𝑗 ≤ ∑𝑖=1 𝑏𝑖 𝑦𝑖 .

Terbukti bahwa nilai f primal ≤ f dual.

Teorema 2.2. Teorema Dualitas (Bronson & Naadimuthu, 1997 : 56)

Jika terdapat sebuah pemecahan optimal bagi suatu program primal atau

dual simetris, maka program lainnya juga memiliki suatu pemecahan optimal dan

kedua fungsi tujuannya memiliki nilai optimal yang sama.

Bukti :

Berdasarkan Lemma 2.1, maka 𝐶 𝑇 𝑋 ≤ 𝐵 𝑇 𝑌̅. Suatu titik layak pada masalah

primal harus menghasilkan sebuah nilai f primal yang tidak melebihi 𝐵 𝑇 𝑌̅.

24
 Mengingat 𝑋̅ adalah solusi layak primal dan punya suatu nilai fungsi tujuan

primal yang memenuhi 𝐶 𝑇 𝑋̅ = 𝐵 𝑇 𝑌̅, maka 𝑋̅ haruslah solusi optimal primal.

Hal yang serupa, karena 𝑋̅ solusi layak primal, dual lemah mengisyaratkan

bahwa untuk suatu titik layak dual Y, maka 𝐶 𝑇 𝑋̅ ≤ 𝐵 𝑇 𝑌. Suatu titik layak

dual harus menghasilkan sebuah nilai fungsi tujuan yang melebihi 𝐶 𝑇 𝑋̅.

Mengingat 𝑌̅ merupakan solusi layak dual dan punya sebuah nilai fungsi

tujuan dual yang memenuhi 𝐵 𝑇 𝑌̅ = 𝐶 𝑇 𝑋̅, maka 𝑌̅ haruslah solusi optimal

dual.

Berdasarkan penjelasan tersebut maka Teorema 2.2 terbukti.

Suatu pemrograman linear dikatakan berbentuk simetris jika semua variabel

dibatasi bernilai non negatif dan semua kendala berupa pertidaksamaan. Pada kasus

memaksimumkan, semua kendala berupa pertidaksamaan kurang dari sama dengan

(≤), sedangkan kasus minimasi memiliki kendala dengan pertidaksamaan lebih dari

sama dengan (≥) (Sri Mulyono, 1991 : 62).

Jika suatu permasalahan belum memenuhi kondisi simetris maka dapat

diubah menjadi simetris. Adapun cara mengubah bentuk tak simetris menjadi

simetris menurut Sri Mulyono (1991 : 66) yaitu :

1. Kendala pertidaksamaan ≥ pada masalah memaksimumkan dikalikan (-1)

sehingga tanda berubah menjadi ≤.

2. Kendala persamaan (=) dapat diubah menjadi dua kendala yaitu

pertidaksamaan ≥ dan pertidaksamaan ≤.

25
 Berdasarkan Teorema 2.2, dualitas dapat digunakan untuk memeriksa

kembali tabel optimal pada masalah primal (Pangestu Subagyo, dkk., 2000 : 62).

Menurut Hamdy A. Taha (1999 : 151) pemecahan optimal untuk kedua masalah

(primal dan dual) didapatkan jika nilai tujuan keduanya sama .

Contoh 2.2 berikut akan menjelaskan penerapan dualitas dalam suatu

permasalahan.

Contoh 2.2 :

Suatu pabrik A memproduksi dua jenis barang yaitu 𝑥1 dan 𝑥2 . Baik barang

𝑥1 maupun 𝑥2 membutuhkan 3 buah komponen dalam pembuatannya (𝑛1 , 𝑛2 , 𝑛3 )

dengan kadar yang berbeda dan dinyatakan sebagai 𝑎𝑖𝑗 . Persediaan maksimal

komponen yang tersedia tiap minggu dinyatakan sebagai 𝑏𝑗 , sedangkan keuntungan

yang diperoleh pabrik A dinyatakan sebagai 𝑐𝑖 .

Berdasarkan ilustrasi Contoh 2.2, masalah program linear dapat

direpresentasikan dalam Tabel 2.5.

Tabel 2. 5 Tabel dualitas Contoh 2.2

Komponen Jenis 1 (𝑥1 ) Jenis 2 (𝑥2 ) Batas maksimal

𝑛1 𝑎11 𝑎12 𝑏1
𝑛2 𝑎21 𝑎22 𝑏2
𝑛3 𝑎31 𝑎33 𝑏3
Batas minimal 𝑐1 𝑐2

Pada Tabel 2.5, jika dibaca ke bawah maka akan menjadi masalah dual.

Sedangkan jika dibaca ke kanan maka didapatkan masalah primal. Maka hasil dari

pembacaan tabel tersebut yaitu :

26
 Masalah dual :

Memaksimumkan 𝑓 = 𝑐1 𝑥1 + 𝑐2 𝑥2

dengan kendala :

𝑎11 𝑥1 + 𝑎12 𝑥2 ≤ 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 ≤ 𝑏2

𝑎31 𝑥1 + 𝑎32 𝑥2 ≤ 𝑏3

Sedangkan masalah primalnya menjadi

Meminimumkan 𝑔 = 𝑏1 𝑛1 + 𝑏2 𝑛2 + 𝑏3 𝑛3

dengan kendala :

𝑎11 𝑛1 + 𝑎21 𝑛2 + 𝑎31 𝑛3 ≥ 𝑐1

𝑎12 𝑛1 + 𝑎22 𝑛2 + 𝑎33 𝑛3 ≥ 𝑐2

Keoptimalan masalah dual dan masalah primal mengakibatkan suatu kondisi

yang disebut dengan kondisi complementary slackness (B. Susanta, 1994 : 186) :

1. Jika dalam penyelesaian optimal masalah primal, kendala ke-h berupa

pertidaksamaan maka dalam penyelesaian optimal masalah dual variabel ke-h

bernilai nol.

2. Jika dalam penyelesaian optimal masalah primal, variabel ke-p bernilai positif

(kendala tak negatif untuk xp berupa pertidaksamaan xp > 0) maka dalam

penyelesaian optimal masalah dual kendala ke-p akan berupa persamaan.

Pada kondisi complementary slackness tersebut dapat ditulis secara

matematis yaitu :

1. 𝑠ℎ 𝑦ℎ = 0

2. 𝑥𝑝 𝑒𝑝 = 0

27
G. Pemrograman Nonlinear

Pada penerapan pemrograman linear, asumsi penting yang harus dipenuhi

adalah bahwa semua fungsi berupa linear. Sering kali dalam permasalahan nyata

sehari-hari asumsi penting ini tidak dapat terpenuhi. Hal inilah yang kemudian

melahirkan konsep baru yaitu masalah pemrograman nonlinear. Menurut Hiller &

Lieberman (2001 : 654) bentuk umum dari pemrograman nonlinear adalah

menemukan nilai 𝐱 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) sehingga

Meminimumkan / memaksimumkan

𝑓(𝐱), dimana 𝑓(𝐱) berupa fungsi - fungsi nonlinear, (2.22)

dengan kendala 𝑔𝑖 (𝐱) ≤ 𝑏𝑖 , untuk setiap 𝑖 = 1,2, … , 𝑚 (2.23a)

dan 𝑥 ≥ 0. (2.23b)

Fungsi kendala 𝑔𝑖 (𝐱) dapat berupa fungsi nonlinear ataupun fungsi linear.

Selain itu, 𝑓(𝐱) dan fungsi 𝑔𝑖 (𝐱) adalah fungsi – fungsi dengan 𝑛 variabel.

Salah satu contoh penggunaan pemrograman nonlinear adalah tentang

masalah produk campuran dan elastisitas harga. Suatu perusahaan besar memiliki

kemungkinan menghadapi elastisitas harga dimana banyaknya barang yang dijual

berbanding terbalik dengan harganya. Gambar 2.4 berikut menjelaskan kurva harga

permintaan produk pada perusahaan.

28
 p(x)

harg
a
c
Biaya satuan

x
Permintaan

Gambar 2. 4 Kurva Harga Permintaan

Nilai dari p(x) adalah harga yang ditetapkan agar terjual x satuan barang. Jika

biaya satuan produksi barang selalu konstan (c), maka keuntungan perusahaan akan

dinyatakan dalam bentuk fungsi nonlinear 𝑃(𝑥) = 𝑥 𝑝(𝑥) − 𝑐𝑥 seperti yang

dijelaskan dalam Gambar 2.5

Px)
keuntungan

P(x) = x p(x) - cx

x
Banyak barang

Gambar 2. 5 Fungsi Keuntungan

Apabila terdapat n jenis produk yang dihasilkan dengan fungsi keuntungan

serupa, dimana 𝑃𝑗 (𝑥𝑗 ) menyatakan fungsi keuntungan dari penjualan 𝑥𝑗 satuan dari

produk j (j = 1,2,…n), maka fungsi tujuan secara keseluruhan adalah 𝑓(𝐱) =

29
∑𝑛𝑗=1 𝑃𝑗 (𝑥𝑗 ), yaitu penjumlahan dari beberapa fungsi keuntungan yang nonlinear.

(Hillier & Lieberman, 2001 : 655 - 656)

H. Kondisi Karush Kuhn-Tucker (KKT conditions)

Metode Karush Kuhn Tucker dapat dipergunakan untuk mencari solusi yang

optimal dari suatu fungsi linear maupun nonlinear. Pada metode Karush Kuhn

Tucker, program yang diselesaikan berupa program yang memiliki kendala

pertidaksamaan. Metode Karush Kuhn Tucker merupakan pengembangan dari

penyelesaian model nonlinear berkendala persamaan yang dikerjakan dengan

mencari titik – titik stasionernya, yaitu titik yang berpotensi menjadi titik optimal.

Terdapat beberapa syarat Karush Kuhn Tucker untuk masalah optimasi

berkendala. Syarat tersebut dirumuskan oleh Karush dan Kuhn Tucker. Teorema

2.3 dan 4 merupakan syarat KKT untuk masalah maksimasi dan minimasi.

Teorema 2.3. Syarat KKT masalah maksimasi (Winston, 2003 : 676)

Misalkan 𝑓(𝐱) 𝑑𝑎𝑛 𝑔𝑖 (𝐱) merupakan suatu masalah berpola

memaksimumkan. Jika 𝐱 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) merupakan suatu solusi optimal untuk

𝑓(𝐱) 𝑑𝑎𝑛 𝑔𝑖 (𝐱), maka 𝐱 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) harus memenuhi (2.22) dan terdapat

pengali 𝜆1 , 𝜆2 , … , 𝜆𝑚 serta variabel slack 𝑠1 , 𝑠2 , … , 𝑠𝑛 sehingga memenuhi

𝜕𝑓 𝜕𝑔
1. − ∑𝑚 𝑖
𝑖=1 𝜆𝑖 𝜕𝑥 + 𝑠𝑗 = 0, untuk j = 1,2, …, n
𝜕𝑥𝑗 𝑗

2. 𝜆𝑖 [ 𝑏𝑖 − 𝑔𝑖 (𝐱)] = 0, untuk i = 1,2, …, m

𝜕𝑓 𝜕𝑔
3. (𝜕𝑥 − ∑𝑚 𝑖
𝑖=1 𝜆𝑖 𝜕𝑥 )𝑥𝑗 = 0, untuk j = 1,2, …, n
𝑗 𝑗

4. 𝜆𝑖 ≥ 0 , untuk i = 1,2, …, m

5. 𝑠𝑗 ≥ 0, untuk j = 1,2, …, n

30
 Teorema 2.4. Syarat KKT masalah minimasi (Winston, 2003 : 676)

Misalkan 𝑓(𝐱) 𝑑𝑎𝑛 𝑔𝑖 (𝐱) merupakan suatu masalah berpola

meminimumkan. Jika 𝐱 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) merupakan suatu solusi optimal untuk

𝑓(𝐱) 𝑑𝑎𝑛 𝑔𝑖 (𝐱), maka 𝐱 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) harus memenuhi (2.22) dan terdapat

pengali 𝜆1 , 𝜆2 , … , 𝜆𝑚 serta variabel surplus 𝑒1 , 𝑒2 , … , 𝑒𝑛 sehingga memenuhi

𝜕𝑓 𝜕𝑔
1. + ∑𝑚 𝑖
𝑖=1 𝜆𝑖 𝜕𝑥 − 𝑒𝑗 = 0, untuk j = 1,2, …, n
𝜕𝑥𝑗 𝑗

2. 𝜆𝑖 [ 𝑏𝑖 − 𝑔𝑖 (𝐱)] = 0, untuk i = 1,2, …, m

𝜕𝑓 𝜕𝑔
3. (𝜕𝑥 + ∑𝑚 𝑖
𝑖=1 𝜆𝑖 𝜕𝑥 )𝑥𝑗 = 0, untuk j = 1,2, …, n
𝑗 𝑗

4. 𝜆𝑖 ≥ 0 , untuk i = 1,2, …, m

5. 𝑒𝑗 ≥ 0, untuk j = 1,2, …, n

Pada syarat kedua dari Teorema 2.3 dan Teorema 2.4 berakibat 𝑔𝑖 (𝐱) − 𝑏𝑖 ≤

0. Hal ini dapat dilihat pada saat 𝜆𝑖 = 0, sehingga [ 𝑏𝑖 − 𝑔𝑖 (𝐱)] ≠ 0. Berdasarkan

bentuk umum fungsi kendala, maka [ 𝑏𝑖 − 𝑔𝑖 (𝐱)] > 0 yaitu 𝑔𝑖 (𝐱) ≤ 𝑏𝑖 .

I. Quadratic Programming

1. Bentuk Umum Model Nonlinear untuk Quadratic Porgramming

Quadratic Programming merupakan pendekatan penyelesaian permasalahan

optimasi nonlinear dimana kendalanya berupa fungsi linear dan fungsi tujuannya

merupakan kuadrat dari variabel keputusan ataupun perkalian dari dua variabel

keputusan (Hillier & Lieberman, 2001 : 665).

Model nonlinear yang akan diselesaikan dengan menggunakan quadratic

programming memiliki bentuk umum yaitu (Peressini, et al., 1988 : 258) :

31
 1
Meminimumkan 𝑓(𝑋) = 𝐶 𝑇 𝑋 + 𝑋 𝑇 𝑄𝑋 + 𝑑 (2.24a)
2

dengan kendala : 𝐴𝑋 ≤ 𝐵, 𝑋 ≥ 0 (2.24b)

Konsep matriks 𝐶 𝑇 , 𝑋, 𝐴, dan 𝐵 masih sama seperti yang telah dijelaskan

pada (2.3) – (2.6). Adapun d merupakan suatu konstanta, sedangkan 𝑄 merupakan

matriks simetris yang tersusun dari nilai 𝑞𝑖𝑗 , dimana 𝑞𝑖𝑗 merupakan hasil dari

turunan parsial kedua terhadap 𝑥𝑖 dan 𝑥𝑗 dari fungsi tujuan. Matriks 𝑄 merupakan

matriks simetris, sehingga nilai 𝑞𝑖𝑗 = 𝑞𝑗𝑖 . Bentuk (2.24a) ini juga dapat

ditransformasikan menjadi bentuk penjumlahan aljabar biasa, yaitu :

1 1
𝑓(𝑋) = 𝐶 𝑇 𝑋 + 𝑋 𝑇 𝑄𝑋 + 𝑑 = ∑𝑛𝑗=1 𝑐𝑗 𝑥𝑗 + ∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑞𝑖𝑗 𝑥𝑖 𝑥𝑗 + 𝑑 (2.25)
2 2

Sebagai penjelasan terkait bentuk umum model nonlinear untuk quadratic

programming, akan diberikan ilustrasi dalam Contoh 2.3 berikut.

Contoh 2.3 :

Suatu masalah program nonlinear berikut akan diidentifikasi apakah

merupakan bentuk permasalahan quadratic programming atau tidak, yaitu :

Meminimumkan 𝑓 (𝑥1 , 𝑥2 ) = 15 𝑥1 + 30 𝑥2 + 4 𝑥1 𝑥2 − 2 𝑥1 2 − 4𝑥2 2 ,

dengan kendala 𝑥1 + 2𝑥2 ≤ 30 dan 𝑥1 , 𝑥2 > 0.

Pada masalah ini, bentuk model nonlinear yang diselesaikan dengan

quadratic programming dapat dicari yaitu dengan menentukan 𝐶 𝑇 , 𝑋, 𝐴, 𝑄 dan 𝑏.

Matriks 𝐶 𝑇 merupakan matriks baris koefisien – koefisien dari x sehingga

𝐶 𝑇 = [15 30].

32
 Matriks 𝑋 adalah matriks kolom untuk variabel-variabel keputusan, sehingga

𝑥1 −4 4
𝑋 = [𝑥 ], sedangkan 𝑄 = [ ]. Matriks 𝐴 sebagai matriks koefisien –
2 4 −8

koefisien fungsi kendala, karena Contoh 2.3 hanya memiliki satu kendala maka

matriks 𝐴 menjadi matriks satu baris yaitu 𝐴 = [1 2], sehingga dapat ditentukan

𝐵 = [30].

Setelah teridentifikasi, bentuk permasalahan dapat disusun ulang, yaitu :

𝑓(𝑥1 , 𝑥2 ) = 15 𝑥1 + 30 𝑥2 + 4 𝑥1 𝑥2 − 2 𝑥1 2 − 4𝑥2 2

𝑥1 𝑥
= [15 30] [𝑥 ] +
1
[𝑥1 𝑥2 ] [−4 4 ] [ 1 ] + 0
2 2 4 −8 𝑥2

atau,

1
𝑓(𝑋) = 𝐶 𝑇 𝑋 + 𝑋 𝑇 𝑄𝑋 + 𝑑
2

dengan kendala :

𝑥1 + 2𝑥2 ≤ 30

atau dapat ditulis,

𝑥1
[1 2] [𝑥 ] ≤ [30]
2

atau,

𝐴𝑋 ≤ 𝐵.

Berdasarkan identifikasi yang telah dilakukan, maka bentuk pada Contoh 2.3

dapat diselesaikan dengan menggunakan pendekatan quadratic programming.

33
2. Penyelesaian Quadratic Programming

Permasalahan pada quadratic programming dapat diselesaiakan dengan

menggunakan persyaratan Kuhn-Tucker seperti yang ditertera pada Teorema 2.3

dan Teorema 2.4. Selain itu, dalam quadratic programming juga terdapat kondisi

complementary slackness khusus.

Secara umum, kondisi complementary slackness pada quadratic

programming dapat dinyatakan dalam Sifat 2.1 berikut :

Sifat 2.1. Complementary slackness pada quadratic programming (Winston,

2003 : 687)

1) 𝑒𝑗 dan 𝑠𝑗 pada kondisi Kuhn-Tucker dan 𝑥𝑗 tidak dapat kedua-duanya

bernilai positif.

2) Variabel surplus (excess) ataupun slack untuk kendala ke-i dan 𝜆𝑖 tidak

dapat kedua-duanya bernilai positif.

Bukti Sifat 2.1 :

1) Diperhatikan Syarat 1) dan 3) pada Teorema 2.3, yaitu :

𝜕𝑓 𝜕𝑔
Syarat 1) yaitu : − ∑𝑚 𝑖
𝑖=1 𝜆𝑖 𝜕𝑥 + 𝑠𝑗 = 0, sehingga
𝜕𝑥𝑗 𝑗

𝜕𝑓 𝜕𝑔𝑖
− ∑𝑚
𝑖=1 𝜆𝑖 = −𝑠𝑗 disubstitusikan ke Syarat 3)
𝜕𝑥𝑗 𝜕𝑥𝑗

𝜕𝑓 𝜕𝑔
(𝜕𝑥 − ∑𝑚 𝑖
𝑖=1 𝜆𝑖 𝜕𝑥 )𝑥𝑗 = 0
𝑗 𝑗

𝑠𝑗 𝑥𝑗 = 0.

Jika 𝑠𝑗 = 0 maka 𝑥𝑗 ≠ 0, yaitu 𝑥𝑗 > 0.

Jika 𝑥𝑗 = 0 maka 𝑠𝑗 ≠ 0, yaitu 𝑠𝑗 > 0 atau 𝑠𝑗 < 0. Berdasarkan Syarat 4)

maka 𝑠𝑗 > 0.
34
 Hal ini berlaku juga untuk Teorema 2.4, sehingga terbukti bahwa 𝑒𝑗 dan 𝑠𝑗

pada kondisi Kuhn-Tucker dan 𝑥𝑗 tidak dapat kedua-duanya bernilai positif.

2) Diperhatikan Syarat 2) yaitu 𝜆𝑖 [ 𝑏𝑖 − 𝑔𝑖 (𝐱)] = 0

Pada fungsi kendala 𝑔𝑖 (𝐱) ≤ 𝑏𝑖 maka bentuk kanonik kendala tersebut

yaitu 𝑔𝑖 (𝐱) + 𝑠𝑖′ = 𝑏𝑖 , sehinggan Syarat 2 menjadi :

𝜆𝑖 𝑠𝑖′ = 0

Jika 𝜆𝑖 = 0 maka 𝑠𝑖′ ≠ 0, yaitu 𝑠𝑖′ > 0.

Jika 𝑠𝑖′ = 0 maka 𝜆𝑖 ≠ 0, yaitu 𝜆𝑖 > 0 atau 𝜆𝑖 < 0. Berdasarkan Syarat 5)

maka 𝜆𝑖 > 0.

Pada fungsi kendala 𝑔𝑖 (𝐱) ≥ 𝑏𝑖 dapat diubah menjadi 𝑔𝑖 (𝐱) − 𝑒𝑖′ = 𝑏𝑖 .

Melalui cara yang sama maka didapat pula 𝜆𝑖 𝑒𝑖′ = 0, sehingga terbukti

bahwa variabel surplus (excess) ataupun slack untuk kendala ke-i dan 𝜆𝑖

tidak dapat kedua-duanya bernilai positif

Persamaan – persamaan yang didapat dari langkah a merupakan langkah

pelinearan masalah pemrograman nonlinear dengan menggunakan syarat Kuhn

Tucker, selanjutnya masalah tersebut dapat diselesaikan dengan substitusi atau cara

– cara yang lain.

Contoh 2.4 berikut merupakan contoh masalah model nonlinear dengan

quadratic programming :

Contoh 2.4:

Diketahui model nonlinear kuadratik yang meminimumkan

1
𝑧 = −𝑥1 − 𝑥2 + ( ) 𝑥1 2 + 𝑥2 2 − 𝑥1 𝑥2 (2.26)
2
35
 dengan kendala

𝑥1 + 𝑥2 ≤ 3 (2.27a)

−2𝑥1 − 3𝑥2 ≤ −6 (2.27b)

𝑥1 , 𝑥2 ≥ 0

Penyelesaian :

Diperhatikan bahwa (2.26) dan (2.27) dapat diselesaikan dengan quadratic

programming dengan langkah sebagai berikut :

a. Membentuk syarat Kuhn-Tucker dari model nonlinear.

Berdasarkan Teorema 2.4, maka pada Contoh 2.4 dapat ditentukan syarat Kuhn

Tuckernya yaitu :

1) −1 + 𝑥1 − 𝑥2 + 𝜆1 − 2𝜆2 − 𝑒1 = 0 (2.28a)

−1 + 2𝑥2 − 𝑥1 + 𝜆1 − 3𝜆2 − 𝑒2 = 0 (2.28b)

2) 𝜆1 [3 − (𝑥1 + 𝑥2 )] = 0 (2.29a)

𝜆2 [−6 − (−2𝑥1 − 3𝑥2 )] = 0 (2.29b)

3) (−1 + 𝑥1 − 𝑥2 + 𝜆1 − 2𝜆2 )𝑥1 = 0 (2.30a)

(−1 + 2𝑥2 − 𝑥1 + 𝜆1 − 3𝜆2 )𝑥2 = 0 (2.30b)

4) 𝜆1 , 𝜆2 ≥ 0 (2.31)

5) 𝑒1 , 𝑒2 ≥ 0 (2.32)

Sebagai akibat dari (2.29) maka :

𝑥1 + 𝑥2 − 3 ≤ 0 (2.33a)

(−2𝑥1 − 3𝑥2 ) − (−6) ≤ 0 (2.33b)

Bentuk (2.33) dapat dijadikan bentuk kanonik sehingga menjadi :

𝑥1 + 𝑥2 + 𝑠1 ′ = 3 (2.34a)

36
 2𝑥1 + 3𝑥2 − 𝑒2 ′ = 6 (2.34b)

b. Mengidentifikasi complementary slackness yang ada.

Berdasarkan (2.29) dan (2.34), (2.28) dan (2.30), dan Sifat 2.1, maka

complementary slackness untuk Contoh 2.4 adalah :

𝜆2 𝑒2 ′ = 0 𝜆1 𝑠1 ′ = 0 𝑒1 𝑥1 = 0 𝑒2 𝑥2 = 0

Model nonlinear tersebut selanjutnya diselesaikan dengan substitusi ataupun cara

yang lain.

J. Separable Programming

1. Bentuk Umum Model Nonlinear untuk Separable Programming

Bentuk penyelesaian permasalahan nonlinear selanjutnya yaitu separable

programming. Menurut definisi Desi Mariani (2003 : 3), separable programming

adalah pemrograman tak linear (nonlinear) yang fungsi objektif (fungsi tujuan) dan

fungsi kendalanya dapat diekspresikan sebagai penjumlahan fungsi dan setiap

fungsinya hanya terdiri atas satu variabel.

S.S. Rao (1978 : 640) merumuskan bentuk umum model nonlinear yang

diselesaikan dengan separable programming yaitu sebagai berikut :

Memaksimumkan / meminimumkan 𝑓(𝑋) = ∑𝑛𝑗=1 𝑓𝑗 (𝑥𝑗 ), (2.37a)

dengan kendala , ∑𝑛𝑗=1 𝑔𝑗𝑖 (𝑥𝑗 )(≥, ≤)𝑏𝑖 untuk setiap 𝑖 = 1,2, … , 𝑚 (2.37b)

37
 Fungsi tujuan yang dibentuk harus dipisahkan berdasarkan variabel. Contoh

2.5 berikut akan menjelaskan cara penyusunan fungsi separable untuk fungsi –

fungsi khusus.

Contoh 2.5 (Rao, 1978 : 640 - 641)

1) Suatu fungsi nonlinear 𝑓 = 𝑥1 𝑥2 akan diubah menjadi fungsi separable.

Langkah pertama yaitu membuat variabel baru berupa 𝑦1 dan 𝑦2 , dengan :

𝑥 1 + 𝑥2
𝑦1 = , (2.39)
2

𝑥1 − 𝑥2
𝑦2 = . (2.40)
2

Berdasarkan Persamaan (2.39) dan (2.40), maka

1 1
𝑥1 𝑥2 = (𝑥1 + 𝑥2 )2 − 4 (𝑥1 − 𝑥2 )2 = 𝑦1 2 − 𝑦2 2 . (2.41)
4

Berdasarkan Persamaan (2.41), maka 𝑓 = 𝑥1 𝑥2 termasuk fungsi yang

dapat dipisahkan dengan transformasi bentuk baru fungsi menjadi

𝑓 = 𝑦1 2 − 𝑦2 2 .

2) Suatu masalah program nonlinear yaitu :

Meminimumkan 𝑓 = 5𝑒 (4𝑥1 +𝑥2 ) + 10𝑥2 2 (2.42)

dengan kendala 10𝑥1 𝑥2 + 15𝑥2 2 = 100 (2.43)

𝑥1 , 𝑥2 > 0

akan diubah ke dalam bentuk separable programming.

Pada fungsi f tersebut 𝑥1 dan 𝑥2 tidak dapat dipisahkan secara langsung,

sehingga perlu dibuat variabel baru untuk memisahkannya, yaitu

38
 𝑦1 = 𝑒 (4𝑥1 +𝑥2 ) (2.44)

Sehingga ln 𝑦1 = 4𝑥1 + 𝑥2 (2.45)

Fungsi kendala juga harus diubah menjadi bentuk separable. Pada

Persamaan (2.43), 10𝑥1 𝑥2 diubah dengan membuat variabel baru yaitu :

𝑦2 = 𝑥1 𝑥2 , (2.46)

Sehingga ln 𝑦2 = ln 𝑥1 + ln 𝑥2 . (2.47)

Persamaan (2.44) dan (2.46) disubstitusikan ke persamaan (2.42) dan

(2.43) sehingga diperoleh bentuk separable untuk Persamaan (2.42) dan

(2.43) adalah :

Meminimumkan 𝑓 = 5𝑦1 + 10𝑥2 2 (2.48)

dengan kendala 10𝑦2 + 15𝑥2 2 = 100 (2.49a)

dan terdapat tambahan kendala baru berdasarkan (2.45) dan (2.47), yaitu :

ln 𝑦1 − 4𝑥1 − 𝑥2 = 0 (2.49b)

ln 𝑦2 − ln 𝑥1 − ln 𝑥2 = 0 (2.49c)

𝑥1 , 𝑥2 > 0

Berdasarkan Contoh 2.5 tersebut, disimpulkan bahwa banyak bentuk

nonlinear dapat dijadikan fungsi separable dengan mentransformasikannya

menjadi variabel baru yang dapat dipisahkan.

Pada penyelesaian permasalahan separable programming perlu

diperhatikan bahwa fungsi tujuan masalah berpola meminimumkan yang

dikerjakan merupakan suatu bentuk penjumlahan dari 𝑓𝑗 (𝑥𝑗 ) yang berupa

fungsi – fungsi cembung. Pada masalah berpola memaksimumkan, maka

39
 fungsi tujuan berupa jumlahan dari 𝑓𝑗 (𝑥𝑗 ) yang berupa fungsi – fungsi cekung,

sedangkan fungsi kendala selalu berupa fungsi cembung (Budi Marpaung,

2012).

2. Penyelesaian Separable Programming

Penyelesaian separable programming seringkali menggunakan hampiran

fungsi linear sepenggal. Gambar 2.76berikut merupakan ilustrasi hampiran fungsi

linear sepenggal untuk suatu fungsi f(x) dengan beberapa grid point.

f(x)

f(x)

𝑓 ̅(𝑥)
)

x
0 x1 x2 x3 x4 x5

Gambar 2. 6 Grafik hampiran fungsi linear sepenggal pada fungsi nonlinear

Pada Gambar 2.6, nilai 𝑓(𝑥) merupakan nilai sesungguhnya dari fungsi

̅
nonlinear, sedangkan 𝑓 (𝑥) adalah nilai hampiran fungsi linear sepenggal yang

mana dapat dicari dengan rumus pendekatan berikut (Rao, 1978 : 642) :

𝑓(𝑥2 )−𝑓(𝑥1 )
𝑓 (̅ 𝑥) = 𝑓(𝑥1 ) + [ ] (𝑥 − 𝑥1 ); 𝑥1 ≤ 𝑥 ≤ 𝑥2 (2.50a)
𝑥2 −𝑥1

𝑓(𝑥3 )−𝑓(𝑥2 )
𝑓 (̅ 𝑥) = 𝑓(𝑥2 ) + [ ] (𝑥 − 𝑥2 ); 𝑥2 ≤ 𝑥 ≤ 𝑥3 (2.50b)
𝑥3 −𝑥2

⋮
40
 𝑓(𝑥𝑘+1 )−𝑓(𝑥𝑘 )
𝑓 (̅ 𝑥) = 𝑓(𝑥𝑘 ) + [ ] (𝑥 − 𝑥𝑘 ); 𝑥𝑘 ≤ 𝑥 ≤ 𝑥𝑘+1 (2.50c)
𝑥𝑘+1 −𝑥𝑘

𝑥−𝑥1
Jika pembagian dinyatakan sebagai 𝜆, maka persamaan (2.50a) dapat
𝑥2 −𝑥1

ditulis menjadi

𝑓 (̅ 𝑥) = 𝑓(𝑥1 ) + 𝜆(𝑓(𝑥2 ) − 𝑓(𝑥1 )) = 𝜆𝑓(𝑥2 ) + (1 − 𝜆)𝑓(𝑥1 ) (2.51)

Selanjutnya, dengan memberi notasi baru untuk 1 − 𝜆 = 𝜆1 dan 𝜆 = 𝜆2 maka

persamaan (2.51) dapat diubah menjadi

𝑓 (̅ 𝑥) = 𝜆1 𝑓(𝑥1 ) + 𝜆2 𝑓(𝑥2 ); 𝑥1 ≤ 𝑥 ≤ 𝑥2 (2.52)

𝜆1 + 𝜆2 = 1, dan 𝜆1 , 𝜆2 ≥ 0 (2.53)
𝑥−𝑥1
Karena 𝜆 = 𝑥 maka
2 −𝑥1

𝑥 − 𝑥1 = 𝜆(𝑥2 − 𝑥1 )

𝑥 = 𝑥1 + 𝜆(𝑥2 − 𝑥1 )

𝑥 = (1 − 𝜆)𝑥1 + 𝜆𝑥2 = 𝜆1 𝑥1 + 𝜆2 𝑥2 (2.54)

Persamaan (2.53) dan (2.54) juga berlaku untuk interval 𝑥𝑗 yang lain,

sehingga diperoleh bentuk umum yaitu : (Rao, 1978 : 644)

𝑝𝑖
𝑥 = ∑𝑘=1 𝜆𝑘 𝑥𝑘 , dengan 𝑝𝑖 adalah jumlah titik interval (2.55)

𝑖 𝑝
dengan ∑𝑘=1 𝜆𝑘 = 1 dan 𝜆𝑘 ≥ 0 ; 𝑘 = 1,2, … , 𝑝𝑖 (2.56)

Persamaan (2.55) merupakan interpretasi baru untuk variabel keputusan yang

akan diselesaikan dengan menggunakan hampiran fungsi linear sepenggal, dengan

(2.56) sebagai tambahan fungsi kendala.

41
 Adapun langkah – langkah penyelesaian separable programming dengan

hampiran fungsi linear sepenggal yaitu sebagai berikut :

a. Menyusun fungsi kendala yang separable.

Bentuk kendala yang baru dapat disusun berdasarkan (2.37b) untuk

sejumlah m kendala. Sehingga bentuk kendala dapat disusun menjadi :

𝑔11 (𝑥1 ) + 𝑔21 (𝑥2 ) + ⋯ + 𝑔𝑛1 (𝑥𝑛 ) (≥, ≤)𝑏1

𝑔12 (𝑥1 ) + 𝑔22 (𝑥2 ) + ⋯ + 𝑔𝑛2 (𝑥𝑛 ) (≥, ≤)𝑏2

𝑔1𝑚 (𝑥1 ) + 𝑔2𝑚 (𝑥2 ) + ⋯ + 𝑔𝑛𝑚 (𝑥𝑛 ) (≥, ≤)𝑏𝑚

b. Menentukan jumlah grid point

Grid point merupakan titik – titik bagi dari interval 𝑎𝑗 ≤ 𝑥𝑗 ≤ 𝑏𝑗 . Batas

𝑎𝑗 dan 𝑏𝑗 menjadi batas bawah dan batas atas untuk setiap variabel 𝑥𝑗 . Setiap

variabel 𝑥𝑗 dibagi lagi sejumlah 𝑝𝑖 interval. Jika 𝑥𝑘𝑗 merupakan nilai 𝑥𝑗 pada

titik ke – k, maka dapat diperoleh bentuk 𝑎𝑗 = 𝑥1𝑗 < 𝑥2𝑗 < ⋯ < 𝑥𝑘𝑗 < ⋯ <

𝑥𝑝𝑖 𝑗 = 𝑏𝑗 (Rao, 1978 : 642). Notasi 𝑥1𝑗 , 𝑥2𝑗 , … , 𝑥𝑝𝑖 𝑗 merupakan partisi nilai –

nilai x yang dibagi menjadi pi grid point. Jumlah grid point tersebut ditentukan

sesuai kebutuhan dengan batas atas dan bawah tetap dimasukkan sebagai grid

point, namun demikian semakin banyak grid point yang dibentuk maka

semakin banyak variabel yang mucul dan solusi optimal yang dihasilkan

semakin akurat. Adapun interval dari setiap grid point tidak harus berjarak

sama.

42
c. Membentuk nilai fungsi grid point

Setiap nilai grid point kemudian disubstitusikan ke fungsi tujuan yang

sudah dipisahkan (𝑓𝑗 (𝑥𝑗 )). Nilai yang didapatkan kemudian menjadi

koefisien baru untuk fungsi tujuan linear. Hal ini juga berlaku untuk fungsi

kendala, dimana setiap nilai grid point juga disubstitusikan pada fungsi

kendala separable yang telah dibentuk pada langkah a.

d. Membentuk fungsi tujuan baru yang linear

Bentuk dari fungsi tujuan yang linear dari persamaan (2.37) adalah :
𝑝𝑖
meminimumkan / memaksimumkan 𝑊 = ∑𝑛𝑗=1 ∑𝑘=1 𝑓𝑘𝑗 𝜆𝑘𝑗 (2.57)

dengan 𝑝𝑖 merupakan jumlah grid point.

Bentuk fungsi kendala menjadi

∑𝑛𝑗=1 ∑𝑝𝑘=1
𝑖
𝑔𝑘𝑗𝑖 𝜆𝑘𝑗 (≤, ≥) 𝑏𝑖 , 𝑖 = 1, 2, … , 𝑚 (2.58a)

∑𝑝𝑘=1
𝑖
𝜆𝑘𝑗 = 1, 𝑗 = 1,2, … , 𝑛 (2.58b)

𝜆𝑘𝑗 ≥ 0 , 𝑘 = 1, … , 𝑝𝑖 , dan 𝑗 = 1,2, … , 𝑛 (2.58c)

e. Menyelesaikan bentuk linear dengan metode simpleks.

Bentuk linear yang telah dibentuk selanjutnya dapat diselesaikan

dengan menggunakan metode simpleks biasa seperti pada pemrograman

linear.

K. Software Geogebra

Software Geogebra merupakan salah satu aplikasi komputer di bidang

matematika yang menggabungkan geometri, aljabar, dan kalkulus. Software ini

43
dilengkapi dengan fitur untuk menampilkan grafik dari sebuah fungsi. Gambar 2.7

dan 2.8 berikut merupakan tampilan saat membuka Geogebra.

Gambar 2. 7 Tampilan Pembuka Geogebra

Gambar 2. 8 Tampilan Utama Geogebra

L. Software WinQSB 2.0

Software WinQSB 2.0 merupakan software aplikasi matematika untuk

menyelesaikan masalah optimasi agar didapat solusi optimal. Software ini

menyediakan beberapa menu pilihan untuk menyelesaikan kasus-kasus dengan

kriteria khusus sesuai kebutuhan. Pada skripsi ini, pilihan yang akan digunakan

adalah sub menu software WinQSB Nonlinear Programming, yaitu untuk mencari

solusi optimal dari kasus optimasi dengan fungsi tujuan nonlinear. Pada Nonlinear
44
Programming untuk masalah model nonlinear berkendala yang dikerjakan

WinQSB menggunakan metode Penalty Function, sehingga dapat dikatakan bahwa

dalam penelitian ini akan membandingkan metode quadratic programming,

separable programming, dan penalty function. Selain menggunakan sub menu

Nonlinear Programming, juga digunakan sub menu lainnya yaitu Linear and

Integer Programming untuk membantu perhitungan simpleks pada fungsi linear.

Gambar 2.9 dan 2.10 berikut merupakan tampilan awal saat membuka WinQSB.

Gambar 2. 9 Tampilan Pilihan Sub Menu WinQSB

Gambar 2. 10 Tampilan Pembuka WinQSB 2.0 Nonlinear Programming

45