SKRIPSI
NURUL FEBRINA TAMBUNAN
050803005
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
ii
PERSETUJUAN
Judul : METODE PENYELESAIAN PROGRAM FUZZY
INTEGER LINIER DENGAN FUNGSI KEANGGOTAAN LINIER.
Kategori : SKRIPSI
Nama : NURUL FEBRINA TAMBUNAN
Nomor Induk Mahasiswa : 050803005
Program Studi : SARJANA (S1) MATEMATIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA
UTARA
Medan, Oktober 2009
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Drs. Djakaria Sebayang Prof. Dr. Herman Mawengkang NIP 19511227 198031 002 NIP 19461128 1974031 001
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU Ketua.
PERNYATAAN
METODE PENYELESAIAN PROGRAM FUZZY INTEGER LINIER DENGAN FUNGSI KEANGGOTAAN LINIER
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Oktober 2009-
iv
PENGHARGAAN
Puji dan syukur penulis ucapkan kehadirat Allah SWT yang telah melimpahkan karunia-Nya, sehingga penulis berhasil menyelesaikan skripsi ini dalam waktu yang telah ditetapkan.
Dalam kesempatan ini, penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada semua pihak yang telah membantu dan membimbing penulis dalam penyusunan skripsi ini, ucapan terima kasih saya sampaikan kepada :
1. Bapak Prof. Dr. Herman Mawengkang. selaku pembimbing I dan Bapak Drs. Djakaria Sebayang selaku pembimbing II yang telah memberikan bimbingan dan pengarahan kepada saya sehingga skripsi ini dapat saya selesaikan.
2. Ibu Dra. Elly Rosmaini, M.Si. dan Bapak Drs. H. Haludin Panjaitan selaku dosen penguji saya.
3. Bapak Dr. Saib Suwilo, M.Sc. dan Bapak Drs. Henry Rani Sitepu, M.Sc. selaku Ketua dan Sekretaris Departemen Matematika.
4. Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.
5. Semua Dosen pada Departemen Matematika FMIPA USU, pegawai di FMIPA USU
6. Seluruh teman di jurusan Matematika khususnya stambuk 2005, serta sahabat– sahabatku: Devi, Lia, Nenna, Rima, Yuni, Sundari, Radhi, Santri dan terutama Andika yang selama ini telah memberikan semangat, dorongan dan saran dalam pengerjaan skripsi ini.
7. Kedua orang tua serta adik-adik saya yang selama ini memberikan bantuan dan dorongan yang diperlukan.
ABSTRAK
vi
ABSTRACT
DAFTAR ISI
Halaman
PERSETUJUAN ii
PERNYATAAN iii
PENGHARGAAN iv
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL viii
DAFTAR GAMBAR ix
Bab 1 PENDAHULUAN 1
1.1Latar Belakang 1
1.2Perumusan Masalah 2
1.3Tinjauan Pustaka 2
1.4Tujuan Penelitian 4
1.5Kontribusi Penelitian 4
1.6Metode Penelitian 4
Bab 2 LANDASAN TEORI 5
2.1 Teori Himpunan Fuzzy 5
2.2 Fuzzy Set 7
2.3 Fuzzy Set Operation 8
2.4 Sistem Fuzzy 9
2.5 Fungsi Keanggotaan (Membership Function) 10
2.6 Program Linier 14
2.7 Fuzzy Linier Programming 25
2.8 Permasalahan Linier Fuzzy 27
Bab 3 PEMBAHASAN 29
3.1 Program Integer 29
3.2 Model Dasar 29
3.3 Percabangan (Branching) 30
3.4 Pembatasan (Bounding) 30
3.5 Fuzzy Integer Linier Programming 33
3.6 Contoh Numerik 34
Bab 4 KESIMPULAN DAN SARAN 43
4.1 Kesimpulan 43
4.2 Saran 44
viii
DAFTAR TABEL
Halaman
Tabel 2.1 Bentuk Tabel Simpleks 18
Tabel 2.2 Bentuk tabel awal simpleks sebelum pivoting 20 Tabel 2.3 Bentuk tabel simpleks sesudah pivoting 22
Tabel 2.4 Tabel simpleks untuk iterasi 1 23
Tabel 2.5 Tabel simpleks untuk iterasi 2 24
Tabel 2.6 Tabel simpleks untuk iterasi 3 25
Tabel 3.1 Tabel simpleks untuk iterasi 1 35
Tabel 3.2 Tabel simpleks untuk iterasi 2 36
Tabel 3.3 Tabel simpleks untuk iterasi 3 36
Tabel 3.4 Tabel simpleks untuk iterasi 1 39
Tabel 3.5 Tabel simpleks untuk iterasi 2 39
DAFTAR GAMBAR
Halaman Gambar : Nilai keanggotaan muda, parobaya, dan tua 6
Gambar : Representasi linier naik 11
Gambar : Representasi linier turun 12
Gambar : Representasi kurva segitiga 12
v
ABSTRAK
ABSTRACT
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Dalam pemodelan program linier (PL) salah satu asumsi dasar adalah asumsi
kepastian, yaitu setiap parameter, data-data dalam pemodelan PL, yang terdiri dari
koefisisen-koefisien fungsi tujuan , konstanta-konstanta sebelah kanan dan
koefisien-koefisien teknologis, diketahui secara pasti, Liebermann. Tetapi dalam praktek,
asumsi ini jarang dipenuhi. Sebab, kebanyakan model PL dirumuskan untuk memilih
suatu tindakan atau keputusan di waktu yang akan datang. Jadi, parameter-parameter
yang akan dipakai didasarkan atas suatu prediksi mengenai kondisi masa datang.
Karena ketidakpastian tersebut, biasanya dilakukan analisa kepekaan setelah didapat
penyelesaian optimal. Tujuannya adalah untuk mengetahui parameter-parameter yang
sensitif, untuk mencoba mengestimasinya dengan lebih baik, dan kemudian memilih
suatu pemecahan yang tetap atau lebih baik untuk nilai-nilai yang mungkin dimiliki
oleh parameter-parameter sensitif tersebut. Untuk pengambilan keputusan dari
permasalahan yang semakin kompleks, kadang-kadang tingkat ketidakpastian yang
timbul terlalu kompleks untuk dapat dilakukan analisa kepekaan. Misalnya adalah
ketidakpastian yang disebabkan oleh kekurang-jelasan dalam penentuan nilai-nilai
parameter, hal ini terutama dipengaruhi oleh faktor subjektif dan intuitif yang domain.
Teori himpunan fuzzy, yang dikembangkan oleh L. Zadeh pada pertengahan
tahun 60-an, telah banyak berhasil dalam menangani masalah pengambilan keputusan
dalam lingkungan kabur atau tidak pasti karena faktor subjektif ataupun karena
Dalam pengambilan keputusan dengan model PL, ketidakpastian karena faktor
subjektif dapat diakomodasi dan dipecahkan dengan teori himpunan fuzzy. Persoalan
program linier fuzzy yang timbul secara alami pada aplikasi-aplikasi dunia nyata,
banyak diantaranya yang menginginkan variabel keputusannya hanya berupa
bilangan cacah, sebagai contoh diterapkan dalam studi kelayakan pada pabrik-pabrik
dan bidang produksi material. Dengan adanya syarat cacah untuk nilai variabel
keputusan, maka permasalahan ini disebut Fuzzy Integer Linier Programming
(program integer linier fuzzy) yang dapat digunakan untuk menyelesaikan kasus pada
fungsi keanggotaan linier.
Dengan latar belakang inilah maka penulis memilih judul “ Metode
Penyelesaian Program Fuzzy Integer Linier dengan Fungsi Keanggotaan Linier ”.
1.2 Perumusan Masalah
Yang menjadi permasalahan dalam penelitian ini adalah bagaimana menyelesaikan
permasalahan dalam program fuzzy integer linier dengan fungsi keanggotaan linier,
dalam hal ini dibatasi pada bilangan kabur segitiga (triangular fuzzy number).
1.3 Tinjauan Pustaka
Sebagai sumber pendukung teori dalam penulisan ini, maka penulis mengggunakan
beberapa pustaka antara lain :
Winston, W.L, 2003. Operations Research: Applications and Algorithms,
menyatakan bahwa bentuk umum model program linier adalah sebagai berikut:
Maksimumkan : Z =c1x1+c2x2+...+cjxj
(minimumkan)
Kendala : a11x1+a12x2+...+a1ixj ≤b1
2 2
2 22 1
21x a x ... a x b
3 ⋮ ⋮ ⋮ j j ij i
i x a x a x b a1 1+ 2 2 +...+ ≤
xi ≥0 (i=1,2,...,n)
Dimana:
j
x = Variabel keputusan ke-j.
j
c = Koefisien fungsi objektif (KFO) dari variabel
keputusan ke-j.
ij
a = Koefisien teknologi dari variabel keputusan
ke-j pada kendala ke-i.
i
b = Koefisien ruas kanan pada kendala ke-i
i = 1,2,…,m (m = jumlah variabel keputusan) dan j = 1,2,…,n
(n = jumlah kendala).
Sri Kusumadewi, 2002. Analisa & desain sistem fuzzy menggunakan toolbox
matlab menyatakan bahwa bentuk umum fuzzy linier programming adalah:
Maksimumkan j
n j jx c Z
∑
= = 1 ~Kendala j i
n
j
ijx b a~ ~ 1
≤
∑
=
( i = 1,2,…,m)
0 ≥ j
x ( j = 1,2,…,n)
Dimana c~ , j a~ dan ij b~j semuanya adalah bilangan fuzzy.
International Journal Of Contemporary Mathematical Sciences, Fuzzy
Integer Linier Programming.(diakses 10 Maret 2009) menyatakan
bahwa bentuk umum dari program integer linier fuzzy adalah sebagai
berikut:
Min C X~
t
s. AX~ =H
( ) (
T = −b+br,b−br)
X~* ≥0,X~∈I.S⌢.Tn
Dimana A∈ℜmxn,C∈ℜn dan T STm
⌢ ⌢
.
Itu berarti bahwa, jika
( )
c;w adalah solusi maka w adalah bilangan integer.1.4 Tujuan Penelitian.
Secara umum tujuan dari penelitian ini adalah untuk menyelesaikan masalah program
fuzzy integer linier dengan fungsi keanggotaan linier.
1.5 Kontribusi Penelitian.
Dengan mengadakan penulisan ini, penulis berharap dapat menambah referensi bagi
pembaca dan pengambil keputusan dalam menyelesaikan program fuzzy integer linier
dengan fungsi keanggotaan linier.
1.6 Metode Penelitian.
Penelitian ini bersifat studi literatur yang disusun berdasarkan rujukan pustaka dengan
langkah-langkah sebagai berikut:
Langkah-1 : Menjelaskan definisi fungsi keanggotaan linier pada fuzzy
Langkah-2 : Menjelaskan prosedur untuk mereduksi program integer linier fuzzy
menjadi dua problema yang singkat dalam program integer linier
BAB 2
LANDASAN TEORI
2.1 Teori Himpunan Fuzzy
Dalam kebanyakan jenis pemikiran setiap harinya, orang – orang menggunakan crisp
set untuk mengelompokan sesuatu. Menjadi anggota dari crisp set adalah seluruhnya
berhubungan atau tidak sama sekali. Seorang wanita dikatakan hamil ataupun tidak, ia
tidak pernah “hamil sebagian” atau “sedikit hamil”.
Berpikir dengan crisp set menjadikan segala sesuatunya lebih sederhana,
karena sesuatu bisa merupakan anggota dari suatu crisp set atau tidak. Crisp set dapat
digunakan untuk merepresentasikan gambaran pengertian hitam dan putih. Seringkali
juga, saat sesuatu itu merupakan anggota dari sebuah crisp set maka ia kemudian
(pada waktu yang sama) bukan merupakan anggota dari crisp set manapun. Kembali
hal ini menyederhanakan penggunaan logika dengan proses pemikiran semacam ini.
Konstruksi linguistik yang menggambarkan jenis pemikiran ini dapat benar – benar
berguna, terutama saat kategori crisp digunakan.
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu
himpunan A, yang sering ditulis dengan µ A[x], memiliki 2 kemungkinan, yaitu :
• µA[1], yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan,
atau
• µA[0], yang berarti bahwa suatu item tidak menjadi anggota dalam suatu
Untuk lebih jelasnya, bisa dilihat dari contoh dibawah ini :
Dari gambar diatas dapat dijelaskan bahwa:
• Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA (µMUDA[34]=1);
• Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA (µMUDA[35]=0);
• Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA (µMUDA[35-1hr]=0);
• Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA (µPAROBAYA[35]=1);
• Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA (µPAROBAYA[34]=0);
• Apabila seseorang berusia 55 tahun, maka ia dikatakan PAROBAYA (µPAROBAYA[55]=1);
• Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK PAROBAYA (µPAROBAYA[35-1hr]=0);
Dari sini bisa dikatakan bahwa pemakaian himpunan crisp untuk menyatakan umur
sangat tidak adil, adanya perubahan kecil saja pada suatu nilai mengakibatkan
perbedaan kategori yang cukup signifikan. Oleh karena itu digunakanlah himpunan
7
2.2 Fuzzy Set
Logika fuzzy lahir berdasarkan fenomena – fenomena alam yang serba tidak tepat dan
samar ditinjau dari cara berpikir manusia, dimana pada kenyataannya tidak ada suatu
kondisi atau pernyataan yang tepat 100% benar atau 100% salah. Untuk
mempresentasikan nilai ketidakpastian, Prof. Lotfi A. Zadeh mengembangkan suatu
teori berdasarkan conventional set yang disebut fuzzy set (himpunan fuzzy). Logika
fuzzy memberikan nilai yang spesifik pada setiap nilai dengan menentukan fungsi
keanggotaan (membership function) bagi tiap nilai input dari proses fuzzy (crisp
input) dan derajat keanggotaan (degree of membership) yaitu menyatakan derajat dari
crisp input sesuai membership function antara 0 sampai 1.
Menurut Prof. Lotfi A Zadeh, fuzzy set adalah sebuah kelas dari obyek dengan
serangkaian kesatuan dari grades of membership (nilai keanggotaan). Sebuah set
dikarakterisasikan oleh sebuah fungsi keanggotaan (karakteristik) yang memberikan
tiap obyek sebuah nilai keanggotaan yang rentang nilainya antara 0 dan 1. Gagasan
pencantuman (inclusion), penyatuan (union), persimpangan (intersection), pelengkap
(complement), hubungan (relation), kecembungan (convexity), dan sebagainya
diberikan pada set tersebut, dan berbagai macam sifat dari pemikiran ini dalam
konteks dari fuzzy set dibangun. Secara khusus, dalil untuk fuzzy set cembung
dibuktikan tanpa perlu fuzzy set terputus.
Aturan umum untuk teori fuzzy set dituliskan sebagai berikut:
dimana n merupakan jumlah kemungkinan.
Untuk lebih jelasnya mengenai himpunan fuzzy dapat dilihat pada contoh persoalan
Dengan adanya himpunan fuzzy memungkinkan seseorang untuk dapat masuk
kedalam 2 himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan
TUA, dan sebagainya. Seberapa besar eksistensinya dalam himpunan tersebut dapat
dilihat pada nilai keanggotaannya. Dari gambar diatas, dapat dilihat bahwa :
• Seseorang yang berumur 40 tahun, termasuk dalam himpunan MUDA dengan µMUDA[40] = 0,25; namun dia juga termasuk dalam himpunan PAROBAYA
dengan µPAROBAYA[40] = 0,5.
• Seseorang yang berumur 50 tahun, termasuk dalam himpunan MUDA dengan µMUDA[50] = 0,25; namun dia juga termasuk dalam himpunan PAROBAYA
dengan µPAROBAYA[50] = 0,5.
Kalau pada himpunan crisp, nilai keanggotaan hanya ada 2 kemungkinan,
yaitu 0 atau 1, pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai
1. apabila x memiliki nilai keanggotaan fuzzy µA[x] = 0 berarti x tidak menjadi
anggota himpunan A, demikian pula apabila x memiliki nilai keanggotaan fuzzy
µA[x] = 1 berarti x menjadi anggota penuh pada himpunan A.
2.3 Fuzzy Set Operation
Fuzzy set operation adalah operasi yang dilakukan pada fuzzy set. Operasi – operasi
ini merupakan generalisasi dari operasi crisp set. Terdapat lebih dari satu generalisasi
yang mungkin. Operasi – operasi yang paling banyak digunakan secara luas disebut
standard fuzzy set operations. Terdapat tiga operasi yaitu :
a) Fuzzy Union.
Fungsi keanggotaan dari Union dari dua fuzzy set A dan B dengan fungsi
keanggotaan µA dan µB berturut – turut ditetapkan sebagai maksimum dari
dua fungsi keanggotaan tersendiri. Ini disebut standar maksimum.
(
)
max ,
A B A B
9
b) Fuzzy Intersection.
Fungsi keanggotaan dari Intersection dari dua fuzzy set A dan B dengan fungsi
keanggotaan µA dan µB berturut – turut ditetapkan sebagai minimum dari dua
fungsi keanggotaan tersendiri. Ini disebut standar minimum.
(
)
min ,
A B A B
µ ∩ = µ µ .
c) Fuzzy Complements.
Fungsi keanggotaan dari Intersection dari sebuah fuzzy set A dengan fungsi
keanggotaan µA ditetapkan sebagai negasi dari fungsi keanggotaan yang
ditentukan. Ini disebut standar negasi.
A
A µ
µ ' =1− .
2.4 Sistem Fuzzy
Ada beberapa hal yang perlu diketahui dalam memahami system fuzzy, yaitu:
a. Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu system
fuzzy. Contoh : umur, temperature, permintaan, dsb.
b. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy.
c. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan
himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari
kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif
maupun negatif. Adakalanya nilai semesta pembicaraan ini tidak dibatasi
Contoh:
• Semesta pembicaraan untuk variabel umur: [0, +∞) • Semesta pembicaraan untuk variabel temperature : [0, 40]
d. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang di ijinkan dalam
semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.
Seperti halnya semesta pembicaraan, domain merupakan himpunan bilangan
real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai
domain dapat berupa bilangan positif maupun negatif.
Contoh domain himpunan fuzzy:
• MUDA = [0, 45] • PAROBAYA = [35, 55] • TUA = [45, +∞).
2.5 Fungsi Keanggotaan (Membership Function).
Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukan
pemetaan titik – titik input data kedalam nilai keanggotaannya (sering juga disebut
dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara
yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui
pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan.
Representasi Linier
Pada representasi linier, pemetaan input ke derajat keanggotaannya digambarkan
sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik
11
Ada 2 keadaaan himpunan fuzzy yang linier. Pertama, kenaikan himpunan
dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke
kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi.
Representasi Linier Naik :
Fungsi keanggotaan :
[ ]
( ) ( )
b
x
b
x
a
a
x
b
x
a
x
x
≥
≤
≤
≤
=
−
−
=
=
;
;
;
1
/
0
µ
Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai domain
dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke
Representasi linier Turun :
Fungsi keanggotaan :
[ ]
(
) (
)
b
x
b
x
a
a
b
x
b
x
≥
≤
≤
=
−
−
=
;
;
0
/
µ
Representasi Kurva Segitiga
Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linier) seperti
13
Fungsi keanggotaan :
[ ]
(
) (
)
(
) (
)
c x atau c x b b x a a x b c x b a b a x x ≥ ≤ ≤ ≤ ≤ ≤ − − = − − = = ; / ; / ; 0 µRepresentasi Kurva Trapesium
Kurva Trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik
yang memiliki nilai keanggotaan 1 ( Gambar ).
Fungsi keanggotaan :
2.6 Program linier
Sebelum mengarah pada bagaimana fuzzy dibuat untuk kekurangan pada linier
programming, sebaiknya terlebih dahulu mengetahui apa itu optimasi.
Optimasi.
Optimasi adalah sarana untuk mengekspresikan model matematika yang
bertujuan memecahkan masalah dengan cara terbaik. Untuk tujuan bisnis, hal ini
berarti memaksimalkan keuntungan dan efisiensi serta meminimalkan kerugian, biaya
atau resiko. Hal ini juga berarti merancang sesuatu untuk meminimalisasi bahan baku
atau memaksimalisasi keuntungan. Adapun keinginan untuk memecahkan masalah
dengan model optimasi secara umum sudah digunakan pada banyak aplikasi.
Program Linier.
Program linier merupakan model umum yang dapat digunakan dalam
pemecahan masalah pengalokasian sumber-sumber yang terbatas secara optimal.
Masalah tersebut timbul apabila seseorang diharuskan untuk memilih atau
menentukan tingkat setiap kegiatan yang akan dilakukannya, di mana masing-masing
kegiatan membutuhkan sumber yang sama sedangkan jumlahnya terbatas. Secara
sederhana, dapat diambil contoh bagian produksi suatu perusahaan yang dihadapkan
pada masalah penentuan tingkat produksi masing-masing jenis produk dengan
memperhatikan batasan faktor-faktor produksi: mesin, tenaga kerja, bahan mentah,
dan sebagainya untuk memperoleh tingkat keuntungan maksimal atau biaya yang
minimal.
Pada masa modern sekarang, program linier masih menjadi pilihan dalam
upaya untuk memperoleh tingkat keuntungan maksimal atau biaya yang minimal.
Dalam memecahkan masalah di atas, Program linier menggunakan model matematis.
Sebutan “linier” berarti bahwa semua fungsi matematis yang disajikan dalam model
ini haruslah fungsi-fungsi linier. Dalam Program linier dikenal dua macam fungsi,
yaitu fungsi tujuan (objective function) dan fungsi-fungsi batasan (constraint
function). Fungsi tujuan adalah fungsi yang menggambarkan tujuan/sasaran di dalam
permasalahan program linier yang berkaitan dengan pengaturan secara optimal
15
minimal. Pada umumnya nilai yang akan dioptimalkan dinyatakan sebagai Z. Fungsi
batasan merupakan bentuk penyajian secara matematis batasan-batasan kapasitas yang
tersedia yang akan dialokasikan secara optimal ke berbagai kegiatan.
Agar dapat menyusun dan merumuskan suatu persoalan atau permasalahan
yang dihadapi ke dalam model program linier, maka ada lima syarat yang harus
dipenuhi:
1. Tujuan
Apa yang menjadi tujuan permasalahan yang dihadapi yang ingin dipecahkan
dan dicari jalan keluarnya. Tujuan ini harus jelas dan tegas yang disebut fungsi
tujuan.
2. Alternatif perbandingan
Harus ada sesuatu atau berbagai alternatif yang ingin diperbandingkan;
misalnya antara kombinasi waktu tercepat dan biaya tertinggi dengan waktu
terlambat dan biaya terendah.
3. Sumber daya
Sumber daya yang dianalisis harus berada dalam keadaan yang terbatas
4. Perumusan kuantitatif
Fungsi tujuan dan kendala harus dapat dirumuskan secara kuantitatif dalam
apa yang disebut model matematika.
5. Keterkaitan peubah
Peubah-peubah yang membentuk fungsi tujuan dan kendala tersebut harus
Model Dasar
Model dasar program linier dapat dirumuskan sebagai berikut:
Carilah nilai-nilai X1,X2,…,Xn yang dapat menghasilkan berbagai kombinasi optimum (maksimum atau minimum) dari:
) . ( 2 2 1 1 tujuan fungsi X C X C X C
Z = + +…+ n n
(2.1)
Dengan syarat bahwa fungsi tujuan tersebut memenuhi kendala-kendala atau syarat-syarat ikatan sebagai berikut:
1 1
2 12 1
11X a X a X atau b
a + +…+ n n ≤ ≥
2 2
2 22 1
21X a X a X atau b
a + +…+ n n ≤ ≥
⋮ ⋮ ⋮ ⋮ ⋮
m n
mn m
m X a X a X atau b
a + +…+ ≤ ≥
2 2 1
1 (2.2)
dan bahwa: Xj ≥0,untuk j=1,2,…,n (2.3)
Keterangan:
=
j
C Parameter yang dijadikan kriteria optimisasi, atau koefisien peubah
pengambilan keputusan dalam funsi tujuan.
= j
X Peubah pengambilan keputusan atau kegiatan (yang ingin dicari; yang
tidak diketahui).
= ij
a Koefisien teknologi peubah pengambilan keputusan (kegiatan yang
bersangkutan) dalam kendala ke-i.
=
i
b Sumber daya yang terbatas, yang membatasi kegiatan atau usaha yang bersangkutan; disebut pula konstanta atau “nilai sebelah kanan” dari kendala ke-i.
=
Z Nilai skalar kriteria pengambilan keputusan; suatu fungsi tujuan.
17
Asumsi – asumsi program linier
1. Linieritas
Asumsi ini menginginkan agar perbandingan antara input yang satu dengan
input lainnya, atau untuk suatu input dengan output besarnya tetap dan terlepas
(tidak tergantung) pada tingkat produksi.
2. Proposionalitas
Asumsi ini menyatakan bahwa jika peubah pengambilan keputusan, X j
berubah maka dampak perubahannya akan menyebar dalm proposi yang sama
terhadap fungsi tujuan, CjXj, dan juga pada kendalanya, aijXj.
3. Aditivitas
Asumsi ini menyatakan bahwa nilai parameter suatu kriteria optimisasi
(koefisien peubah pengambilan keputusan dalam fungsi tujuan) merupakan jumlah
dari nilai individu-individu C dalam model PL tersebut. j
4. Divisibilitas
Asumsi ini menyatakan bahwa peubah-peubah pengambilan keputusan Xj,
jika diperlukan dapat dibagi ke dalam pecahan-pecahan.
5. Deterministik
Asumsi ini menghendaki agar semua parameter dalam PL (yaitu nilai – nilai
j
C , a , dan ij bi) tetap dan dikehendaki atau ditentukan secara pasti.
Metode Simpleks
Apabila suatu masalah Linier Programming hanya mengandung dua kegiatan
(variabel-variabel keputusan) saja, maka dapat diselesaikan dengan metode grafik.
sehingga diperlukan metode simpleks. Metode ini lazim dipakai untuk menentukan
kombinasi dari tiga variabel atau lebih.
Masalah Program linier yang melibatkan banyak variabel keputusan dapat
dengan cepat dipecahkan dengan bantuan komputer. Bila variabel keputusan yang
dikandung tidak terlalu banyak, masalah tersebut dapat diselesaikan dengan suatu
algoritma yang biasanya sering disebut metode tabel simpleks. Disebut demikian
karena kombinasi variabel keputusan yang optimal dicari dengan menggunakan
tabel-tabel.
Tabel 2.1 Bentuk tabel simpleks
j
C
C1 … Ck … CnVariabel
Basis
Harga
Basis
1 B
X …
n
X …
n
X Jawab
Basis
1 B
X CB1 a11 …
k
a1 … a1n b 1
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
Br
X CBr ar1 …
rk
a …
rn
a b r
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
Bm
X CBm am1 …
mk
a …
mn a
m b
= − j j C
Z imbalan Zj −Cj … Zk −Ck … Zn −Cn cBb
Sebelum menyelesaikan suatu tabel simpleks terlebih dahulu menginisialisasikan dan
merumuskan suatu persoalan keputusan kedalam model matematik persamaan linier,
caranya sebagai berikut:
1. Konversikan semua ketidaksamaan menjadi persamaan.
Agar persamaan garis batasan memenuhi persyaratan penyelesaian pada daerah
kelayakan (feasible) maka model program linier diubah menjadi suatu model yang
19
variabel) pada tiap batasan (constraint) serta memberi harga nol kepada setiap
koefisien C nya. Batasan dapat di modifikasi sebagai berikut:
a. Untuk batasan bernotasi
( )
≤ dapat dimodifikasikan kepada bentuk persamaan dengan menambahkan variabel slack ke dalam nya.b. Untuk batasan bernotasi ≥ atau
( )
= diselesaikan dengan menambahkan variabel surplus dan variabel buatan. Dengan penambahan variabel buatanini akan merusak sistem batasan, hal ini dapat diatasi dengan membuat suatu
bilangan besar M sebagai harga dari variabel buatan tersebut dalam fungsi
tujuan. Jika persoalan maksimal maka dibuat –M sebagai harga, dan jika
persoalan minimal dibuat +M sebagai harga dari variabel buatan. Cara
pendekatan ini dikenal dengan metode M besar (Big M method).
Penambahan variabel slack dan variabel buatan (artificial variabel) pada tiap batasan
(constrain) untuk persoalan maksimal dapat dirumuskan sebagai berikut:
Maksimalkan:
∑
∑
+ = = − = m m i i j n jjx M B c
Z
1
1 1
(2.4)
Dengan batasan :
1 1 , , 2 , 1
,i m
b x x
a j i i n
j
ij + = = …
∑
=
(untuk batasan bernotasi ≤ ) (2.5)
2 1 1 1 , , 1
,i m m m
b B x
a j i i n
j
ij + = = + +
∑
=
… (untuk batasan bernotasi = ) (2.6)
m m m i b B x x
a j i i i n
j
ij , 1 2 1 ,
1 … + + = = + −
∑
=(untuk batasan bernotasi ≥ ) (2.7)
0 ≥ j
x , xi ≥0, Bi ≥0, bi ≥0 untuk semua harga i dan j
n j
2. Menyusun persamaan – persamaan di dalam tabel awal simpleks.
Tabel 2.2 Bentuk tabel awal simpleks sebelum pivoting
j
c c1 cr cm cj ck
Variabel Basis Harga Basis 1 B x … Br
x …
Bm
x …
j
x …
k
x Jawab
Basis
1 B
x cB1 1 … 0 … 0 …
j
a1 …
k a1 1 b ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ Br
x cBr 0 … 1 … 0 … rj a … rk a r b ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ Bm
x cBm 0 … 0 … 1 …
mj a … mk a m b imbalan c
zj − j = 0 0 0 zj −cj zk −ck c b B
Langkah – langkah yang digunakan untuk menyelesaikan suatu tabel simpleks
adalah sebagai berikut:
Langkah 1 : Mengecek nilai optimal imbalan.
Untuk persoalan maksimal : zk −ck = minimal {zj −cj : j∈R}. Jika
k k c
z − ≥0 maka selesai, berarti jawab atau solusi sudah optimal.
Untuk persoalan minimal : zk −ck = maksimal {zj −cj : j∈R}. Jika
k k c
z − ≤0 maka selesai, berarti jawab atau solusi sudah optimal.
Harga – harga imbalan (zj −cj) dapat diperoleh dengan rumus :
j ij m j Bi j
j
c
c
a
c
z
−
=
∑
−
=1
21
Untuk : cj = Harga dari semua variabel dalam z .
= ij
a Koefisien dari semua variabel dalam sistem batasan.
= Bi
c Harga dari variabel.
Langkah 2 : Menentukan variabel yang akan masuk dalam basis.
Untuk persoalan maksimal jika terdapat beberapa zj−cj ≤0 maka
kolom yang menjadi kolom pivot adalah kolom dengan zj −cj terkecil, dan variabel
yang sehubungan dengan kolom pivot adalah variabel yang masuk kedalam basis.
Untuk persoalan minimal jika terdapat beberapa zj −cj ≥0 maka kolom yang
menjadi kolom pivot adalah kolom dengan zj−cj terbesar, dan variabel yang
sehubungan dengan kolom pivot adalah variabel yang masuk ke dalam basis.
Langkah 3 : Menentukan variabel yang akan keluar dari basis.
Menetapkan variabel yang keluar dari basis yaitu :
imum
m i rk
r a
b
min
1≤≤ =
>0 : ik ik
a a
b
Variabel yang sehubungan dengan baris pivot
yang demikian adalah variabel yang keluar dari basis.
Langkah 4 : Menyusun tabel simpleks baru.
Untuk menyusun tabel simpleks yang baru, maka harus mencari
koefisien elemen pivot dari tabel simpleks sebelumnya. Koefisien elemen pivot dapat
dicari dengan menghubungkan kolom pivot dengan baris pivot sedemikian rupa
sehingga titik potong kedua pivot ini menunjukkan koefisien, yang disebut elemen
pivot, Koefisien – koefisien baris pivot baru dapat dicari dengan menggunakan rumus
sebagai berikut :
rk rj a a
Untuk menghitung nilai baris baru lainnya dilakukan dengan menggunakan rumus
sebagai berikut :
ik rk rj ij a a a
a − − (2.10)
Langkah 5 : Mengecek nilai optimal imbalan dari tabel simpleks yang baru.
Jika imbalan sudah optimal maka tafsirkan hasil penyelesaian, jika
[image:33.612.46.569.290.571.2]belum optimal maka kembali kepada langkah 2.
Tabel 2.3 Bentuk tabel simpleks sesudah pivoting
j
c c1 cr cm cj ck
Variabel Basis Harga Basis 1 B
x … x Br … xBm …
j
x … x k Jawab Basis
1 B
x cB1 1 …
rk rj a
a
− … 0 …
k rk rj j a a a a1 − 1
… 0 r rk k b a a b 1 1− ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ Br
x cBr 0 …
rk a
1 … 0 …
rk rj a
a … 1
rk r a b ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ Bm
x cBm 0
…
rk mk a
a
− … 1 …
mk rk rj mj a a a a − … 0 r k mk m b a a b 1 − imbalan c
zj− j = 0
rk k k
a z
c − 0
(
)
(
k k)
rk rj j
j z c
y y c
z − − − 0
(
)
rk r k k B a b c z b
23
Contoh 2.1
Maksimumkan : z=3x1+4x2
Kendala 2x1+x2 ≤6
9 3 2x1+ x2 ≤
1
x , x2≥0
Solusi :
Maksimumkan z=3x1+4x2+0x3+0x4
Kendala 2x1+x2 +x3+0x4 =6
9 0
3
2x1+ x2+ x3 +x4 =
0 , , , 2 3 4 1 x x x ≥ x
[image:34.612.126.521.484.601.2]Model diatas dapat dibawa ke bentuk tabel simpleks sebagai berikut :
Tabel 2.4 Tabel simpleks untuk iterasi 1
Basis C 3 4 0 0 B
1
x x 2 x 3 x 4
3
x 0 2 1 1 0 6
4
x 0 2 3 0 1 9
j j c
z − -3 -4 0 0 0
Dari tabel 2.4 diatas, tampak bahwa penyelesaian optimal belum dicapai, karena nilai
j j c
z − masih bernilai < 0 (masih mengandung harga negatif). Harga zj−cj terkecil
dari tabel diatas adalah -4, sehingga variabel yang masuk dalam basis adalah variabel
2
x , kolom variabel x2 menjadi kolom pivot, harga x2 maksimal yang diperkenankan
= = = 3 3 9 ; 6 1 6 2 Min x
Harga x2 =3 adalah nilai terkecil (positif) sehubungan dengan variabel x4, sehingga
variabel yang meninggalkan basis ialah x4, kemudian digantikan dengan variabel x2,
[image:35.612.128.517.227.346.2]maka tabel simpleks yang baru adalah :
Tabel 2.5 Tabel simpleks untuk iterasi 2
Basis C 3 4 0 0 B
1
x x2 x3 x4
3
x 0 1,3333 0 1 -0,3333 3
2
x 4 0,6667 1 0 0,3333 3
j j c
z − -0,3333 0 0 1,3333 12
Dari tabel 2.5 diatas, maka tampak bahwa penyelesaian optimal belum dicapai, karena
nilai zj−cj masih bernilai < 0 (masih mengandung harga negatif). Harga zj−cj
terkecil dari tabel diatas adalah -0,3333, sehingga variabel yang masuk dalam basis
adalah variabel x , kolom variabel 1 x menjadi kolom pivot, harga 1 x maksimal yang 1
diperkenankan adalah :
= =
= 4,5
6667 , 0 3 ; 25 , 2 333 , 1 3 1 Min x
Harga x1 =2,25 adalah nilai terkecil (positif) sehubungan dengan variabel x , 3
sehingga variabel yang meninggalkan basis ialah x3, kemudian digantikan dengan
variabel x1, maka tabel simpleks yang baru adalah :
Tabel 2.6 Tabel simpleks untuk iterasi 3
Basis C 3 4 0 0 B
1
[image:35.612.130.519.676.722.2]25
1
x 3 1 0 0,75 -0,25 2,25
2
x 4 0 1 -0,5 0,5 1,5
j j c
z − 0 0 0,25 1,25 12,75
Dari tabel 2.6 tidak ada lagi zj −cj<0, dengan demikian telah dicapai penyelesaian
optimal:
25 , 2 1=
x ; x2 =1,5 ; z=12,75
2.7 Fuzzy Linier Programming.
Pada Fuzzy Linier Programming, bentuk persamaan akan mengalami sedikit
perubahan sebagai berikut :
• Bentuk imperatif pada fungsi obyektif tidak lagi benar-benar “maksimum” atau “minimum”, karena adanya beberapa hal yang perlu mendapat
pertimbangan dalam suatu sistem.
• Tanda ≤ (pada batasan) dalam kasus maksimasi dan tanda ≥ (pada batasan) dalam kasus minimasi tidak lagi bermakna crisp secara matematis, namun
sedikit mengalami pelanggaran makna. Hal ini juga disebabkan karena adanya
beberapa yang perlu dipertimbangkan dalam sistem yang mengakibatkan
Defenisi 3.1
Sepasang fungsi T =
(
u( ) ( )
r,u r)
, 0≤r≤1, disebut fuzzy number jika dan hanya jika mengikuti kebutuhan :(1). u
( )
r adalah batas kontinu sebelah kiri fungsi tidak turun[ ]
0,1(2). u
( )
r adalah batas kontinu sebelah kiri fungsi tidak naik[ ]
0,1(3). u
( )
r dan u( )
r kontinu kanan pada 0(4). u
( ) ( )
r ≤u r , 0≤r ≤1dimanau
( )
r =wr+(
c−w)
dan u( )
r =−wr +(
c+w)
, 0≤r ≤1. yang mana( )
T Core cR w
c, ∈ , = dan w=W
( )
T ≥0.( )
c wT = , disebut Symmetric Triangular Fuzzy Number (STFN). Andaikan ST menjadi
himpunan dari STFN. Bilangan crisp direpresentasikan dengan u
( ) ( )
r =u r =α, 10≤r≤
Teorema 3.1
Jika T =
(
c1,w1)
,U =(
c2,w2)
adalah STFNs, k∈R,X ∈STdan A adalah sebuah matrik maka :1. T =Ujika dan hanya jika c1 =c2dan w1 =w2
2. T +U =
(
c1+c2,w1+w2)
3. kT =
(
kc1,kw1)
27
Defenisi 3.2
Andaikan T =
(
c1,w1)
,U =(
c2,w2)
anggota SFTNs. katakan T <~Ujika dan hanya jika:1. c1 <c2 atau
2. c1 =c2 dan w1 <w2
Dan T ≤~Ujika dan hanya jika T <~U atau T =U.
2.8 Permasalahan Linier Fuzzy.
Berdasarkan program linier fuzzy :
Min CX~
Kendala AX~ =b~
0 ~ ~ , ~
≥ ∈ST X
X (2.11)
Yang mana m n n
C
A∈ℜ × , ∈ℜ dan b~ adalah sebuah vektor fuzzy triangular. Sekarang
bagi persoalan (2.11) menjadi 2 permasalahan.
Min CX~
Kendala AX =Core(b)
0 ≥
X (2.12)
Min CY
Kendala AY =W(b)
0 ≥ Y
Dimana , i.
i ij
ij a C c
A = = (2.13)
Teorema 3.2
X~ adalah solusi yang layak dari permasalahan (2.11) jika dan hanya jika
( )
XCore
X = ~ adalah solusi yang layak dari permasalahan (2.12) dan Y =W
( )
X~adalah solusi dari permasalahan (2.13).
Teorema 3.3
* ~
X adalah solusi optimal dari permasalahan (2.11) jika dan hanya jika
( )
~** ~
X Core
X = adalah solusi optimal dari permasalahan (2.12) dan Y*=W
( )
X~*adalah solusi optimal dari permasalahan (2.13).
Teorema 3.4
Permasalahan (2.11) adalah tidak layak jika dan hanya jika permasalahan (2.12)
adalah tidak layak atau permasalahan (2.13) adalah tidak layak.
Teorema 3.5
Bab 3
PEMBAHASAN
3.1 Program Integer.
Program integer atau dikenal dalam bahasa Inggris dengan integer programming
merupakan bentuk khusus atau variasi dari program linier atau program nonlinier, di
mana satu atau lebih dari peubah – peubahnya dalam vektor penyelesaiannya memiliki
nilai – nilai bukan pecahan atau angka bulat yang disebut integer
Suatu peubah disebut integer, jika peubah tersebut hanya diperkenankan
memiliki nilai – nilai integer yang terletak di antara batas yang tetap (fixed bounds).
Misalnya, jika peubah X hanya dapat memiliki nilai – nilai -1, 0, 1, dan 2; maka
disebut nilai – nilai integer yang terletak di antara selang -1 dan +2.
3.2 Model Dasar
Model umum dari suatu program integer adalah sebagai berikut :
Optimumkan (maksimumkan atau minimumkan)
j n
i jX C Z
∑
=
=
1
(3.1)
Syarat ikatan :
j n
i ijX a
∑
=1
≤ atau ≥bi (3.2)
Dan Xj ≥0 i=1,2, ,m (3.4)
j
3.3 Percabangan (Branching)
Jika aproksimasi pertama mengandung variabel yang tidak bulat, katakanlahxj*,
maka i1< xj*<i2, di mana i1 dan i2 adalah dua bilangan bulat tak negatif yang
berturutan. Dari sini kemudian dibentuk dua program bilangan bulat yang baru dengan
cara memperluas program bilangan bulat semula dengan kendala xj ≤i1 atau kendala
2 i
xj ≥ . Proses ini disebut pencabangan (branching), yang mempunyai efek
mempersempit daerah layak sedemikian rupa sehingga mengeliminasi pemecahan
bilangan tak bulat bagi x dari tinjauan selanjutnya tetapi masih tetap j
mempertahankan semua pemecahan bilangan bulat yang mungkin terhadap persoalan
yang semula.
3.4 Pembatasan (Bounding)
Anggaplah bahwa fungsi obyektifnya akan dimaksimumkan. Proses pencabangan akan
terus dilakukan hingga diperoleh sebuah pendekatan pertama yang bulat (yang mana
adalah suatu pemecahan bilangan bulat). Nilai dari obyektif bagi pemecahan bilangan
bulat yang pertama ini menjadi suatu batas terbawah bagi persoalan ini dan semua
program yang aproksimasi pertamanya, bulat atau pun tidak, menghasilakan nilai –
nilai dari fungsi obyektif yang lebih kecil daripada batas terbawah ini diabaikan.
Pencabangan ini terus berlanjut dari program – program yang memiliki
aproksimasi pertama tak bulat yang memberikan nilai – nilai fungsi obyektif yang
lebih besar daripada batas terbawah. Jika dalam proses percabangan ini, ditemukan
sebuah pemecahan bilangan bulat baru, yang nilai fungsi obyektifnya lebih besar
daripada batas terbawah yang ditinjau, maka nilai dari fungsi obyektif itu menjadi
batas terbawah yang baru. Program yang menghasilkan batas terbawah yang lama
selanjutnya diabaikan, begitu pula program – program yang pendekatan – pendekatan
pertamanya memberikan nilai – nilai fungsi obyektif yang lebih kecil daripada batas
terbawah yang baru ini. Proses pencabangan ini terus berlanjut hingga tidak ada bagi
program – program dengan pendekatan pertama tak-bulat yang ditinjau. Pada tahap
31
bulat yang sama. Jika fungsi obyektifnya hendak diminimumkan, maka prosedurnya
tetap sama, kecuali bahwa yang digunakan adalah batas teratas (upper bounds).
Contoh 3.1:
Maksimumkan : z=3x1+4x2
Kendala 2x1+x2 ≤6
9 3 2x1+ x2 ≤
1
x dan x2 bulat tak negatif
Dengan mengabaikan persyaratan bilangan bulat, diperoleh
5 , 1 , 25 , 2 2* *
1 = x =
x dengan z* =12,75
sebagai pemecahan program linier yang
bersangkutan. Karena x lebih jauh menyimpang dibandingkan dengan 2* x , maka 1*
yang akan digunakan untuk membentuk cabang – cabang adalah x2 ≤1 dan x2 ≥2.
Program 2 Program 3
Maksimumkan: z=3x1+4x2 maksimumkan: z=3x1+4x2
Kendala: 2x1+x2 ≤6 kendala: 2x1+x2 ≤6
2x1+3x2 ≤9 2x1+3x2 ≤9
1 2 ≤
x x2 ≥2
1
x dan x2 bulat tak negatif x1 dan x2 bulat tak negatif
Aproksimasi pertama bagi program 2 adalah x1* =2,5, x2* =1 dengan
5 , 11 * =
z . Aproksimasi pertama program 3 adalah x1* =1,5, x2* =2 dengan
5 , 12 * =
z . Karena program 2 dan 3 memiliki aproksimasi pertama yang tak-bulat,
harga fungsi obyektif yang terbesar (mendekati optimal). Disini 1<x1* <2 sehingga
program – program yang barunya adalah:
Program 4 Program 5
Maksimumkan: z=3x1+4x2 maksimumkan: z=3x1+4x2
Kendala: 2x1+x2 ≤6 kendala: 2x1+x2 ≤6
2x1+3x2 ≤9 2x1+3x2 ≤9
2 2 ≥
x x2 ≥2
1 1 ≤
x x1 ≥2
1
x dan x bulat tak negatif 2 x dan 1 x bulat tak negatif 2
Ternyata tidak ada pemecahan bagi program 5, sedangkan program 4 adalah
1 * 1 =
x ,
3 7 * 2 =
x , dengan z* =12,33. Percabangan dapat dilanjutkan dari program 2
ataupun program 4. Dipilih program 4 karena memiliki nilai z yang terbesar. Disini
3
2< x2* < maka program yang barunya adalah
Program 6 program 7
Maksimumkan: z=3x1+4x2 maksimumkan: z=3x1+4x2
Kendala: 2x1+x2 ≤6 kendala: 2x1+x2 ≤6
2x1+3x2 ≤9 2x1+3x2 ≤9
2 2 ≥
x x2 ≥2
1 1 ≤
x , x2 ≤2 x1 ≤1, x2 ≥3
1
33
Pemecahan bagi program 6 adalah x1* =1, x2* =2 dengan z* =11. Karena ini
berbentuk pemecahan bilangan bulat, maka z = 11 menjadi suatu batas terbawah bagi
persoalan ini. Dengan demikian, setiap program yang menghasilkan suatu nilai-z yang
lebih kecil daripada 11 akan dikesampingkan. Pendekatan pertama bagi program 7
adalah x1* =0, x2* =3 dengan z* =12. Karena hasil ini berbentuk pemecahan
bilangan bulat dengan nilai-z yang lebih besar daripada batas terbawah sebelumnya,
maka z* =12 menjadi batas terbawah baru, dan program 6 dikesampingkan. Dengan
demikian, cabang ini memberikan pemecahan optimal bagi program 1 : x1* =0,
3 * 2 =
x dengan z* =12.
3.5 Fuzzy integer linier programming
Pada bagian ini Fuzzy Integer Linier Programming (FILP) akan dibagi menjadi dua
Integer Linier Programmng (ILP).
n T S I X b X A X C X Kendala Min . . ~ ~ ~ , 0 ~ * ∈ = ≥ (3.6)
dimana A∈ℜm×n,C∈ℜn dan b~ adalah sebarang vektor bilangan fuzzy.
Persamaan FILP yang baru:
n T S I X T X A X C X Kendala Min . . ~ ~ ~ , 0 ~ * ∈ = ≥ (3.7)
Persamaan (3.6) mengurangi persamaan (3.7), berdasarkan dua permasalahan tersebut maka :
( )
n T S I X T Core X A X C X Kendala Min . . ~ ~ ~ , 0 ~ * ∈ = ≥ (3.8)Dimana A∈ℜm×n,C∈ℜn dan T∈S.Tm dan elemen ke t Core
( )
T adalah inti dari elemen ke i dari T.Dan
( ) (
)
n T S I X br b br b T H X A X C X Kendala Min . . ~ , ~ ~ , 0 ~ * ∈ − + − = = ≥ (3.9)Dimana A∈ℜm×n,C∈ℜn dan T∈S.Tm dan H
( )
T =T−Core( )
T . Ini berarti bahwa, jika( )
c;w adalah solusi dari (3.9) maka w adalah bilangan integer.Catatan bahwa :
( )
(
H T)
=Core( )
T −Core(
Core( )
T)
=Core( )
T −Core( )
T =0Core .
3.6 Contoh Numerik :
Untuk memudahkan pemahaman prinsip penyelesaian program fuzzy integer linier
dengan menggunakan teknik branch and bound, diambil contoh sebagai berikut :
Max 7~x1+9~x2
Kendala −x~1+3~x2 +~x3 =
(
1+5r,11−5r)
++ 2 1 ~ ~
7x x x~4 =
(
30+5r,40−5r)
0 ~ , ~ , ~ , ~ 4 3 21 x x x ≥ x
Z x x x
35
Solusi :
Terlebih dahulu persoalan diatas dibagi menjadi dua Program linier yaitu :
Permasalahan 1
Max 7x1+9x2
Kendala −x1+3x2 +x3 =6
+ + 2 1
7x x x4 =35
0 , , , 2 3 4 1 x x x ≥ x
Z x x x
x1, 2, 3, 4∈
Dengan menggunakan metode simpleks persoalan tersebut dapat di selesaikan
[image:46.612.127.519.317.435.2]sebagai berikut :
Tabel 3.1 Tabel simpleks untuk iterasi 1
Basis C 7 9 0 0 -M -M B
1
x x2 x3 x4 x5 x6
5
x -M -1 3 1 0 1 0 6
6
x -M 7 1 0 1 0 1 35
j j c
z − -6M-7 -4M-9 -M -M 0 0 -41M
Dari tabel 3.1 diatas, tampak bahwa penyelesaian optimal belum dicapai, karena nilai
j j c
z − masih bernilai < 0 (masih mengandung harga negatif). Harga zj−cj terkecil
dari tabel diatas adalah -6M-7, sehingga variabel yang masuk dalam basis adalah
variabel x1, kolom variabel x1 menjadi kolom pivot, harga x1 maksimal yang
diperkenankan adalah :
= − = − = 5 7 35 ; 6 1 6 1 Min x
Harga x1 =5 adalah nilai positif terkecil sehubungan dengan variabel x , sehingga 6
variabel yang meninggalkan basis ialah x , kemudian digantikan dengan variabel 6 x , 1
Tabel 3.2 Tabel simpleks untuk iterasi 2
Basis C 7 9 0 0 -M -M B
1
x x2 x3 x4 x5 x6
5
x -M 0 3,1429 1 0,1429 1 0,1429 11
1
x 7 1 0,1429 0 0,1429 0 0,1429 5
j j c
z − 0 -3,1429M-7,9997 -M -0,1429M+1,0003 0 0,8571M+1,0003 -11M+5
Dari tabel 3.2 diatas, tampak bahwa penyelesaian optimal belum dicapai, karena nilai
j j c
z − masih bernilai < 0 (masih mengandung harga negatif). Harga zj−cj terkecil
dari tabel diatas adalah -3,1429M-7,9997 , sehingga variabel yang masuk dalam basis
adalah variabel x2, kolom variabel x2 menjadi kolom pivot, harga x2 maksimal yang
diperkenankan adalah :
= =
= 35
1429 , 0
5 ; 5 , 3 1429 , 3
11 2 Min x
Harga x2 =3,5 adalah nilai positif terkecil sehubungan dengan variabel x5, sehingga
variabel yang meninggalkan basis ialah x5, kemudian digantikan dengan variabel x2,
maka tabel simpleks yang baru adalah :
Tabel 3.3 Tabel simpleks untuk iterasi 3
Basis C 7 9 0 0 -M -M B
1
x x2 x3 x4 x5 x6
2
x 9 0 1 0,3182 0,0455 0,3182 0,0455 3,5
1
x 7 1 0 -0,0455 0,1364 -0,0455 0,1364 4,5
j j c
z − 0 0 2,453 1,3643 2,5453+M 1,3643+M 63
Dari tabel 3.3 tidak ada lagi zj −cj<0, dengan demikian telah dicapai penyelesaian
[image:47.612.128.521.525.641.2]37
Agar permasalahan fuzzy ini mempunyai solusi yang bernilai integer, maka akan
digunakan metode branch and bound :
Maksimumkan : 7x1+9x2
Kendala −x1+3x2 +x3 =6
+ + 2 1
7x x x4 =35
1
x , x , 2 x dan 3 x bulat tak negatif 4
Dengan mengabaikan persyaratan bilangan bulat, diperoleh x1* =4,5;
5 , 3 * 2 =
x ; 6* 0
* 5 * 4 *
3 =x =x =x =
x dengan z=63 sebagai pemecahan program linier
yang bersangkutan. Karena x lebih jauh menyimpang dibandingkan dengan 2* x , 1*
maka yang akan digunakan untuk membentuk cabang – cabang adalah 3<x*2 <4
Program 2 Program 3
Maksimumkan: 7x1+9x2 maksimumkan: 7x1+9x2
Kendala: −x1+3x2+x3 =6 kendala: −x1+3x2+x3 =6
7x1+x2 + x4 =35 7x1+x2 + x4 =35
3 * 2 ≤
x x2* ≥4
1
x , x , 2 x dan 3 x bulat tak negatif 4 x , 1 x , 2 x dan 3 x bulat tak negatif 4
Aproksimasi pertama bagi program 2 adalah x1* =4,5714; x2* =3;
5714 , 1 * 3 =
x ; x4* =x5* =x6* =0 dengan z=59. Aproksimasi pertama program 3
adalah tidak mempunyai solusi yang layak. Karena program 2 memiliki aproksimasi
pertama yang tak-bulat, maka dapat dibentuk percabangan yang baru.. Disini
2
Program 4 Program 5
Maksimumkan: 7x1+9x2 maksimumkan: 7x1+9x2
Kendala: −x1+3x2+x3 =6 kendala: −x1+3x2+x3 =6
7x1+x2 + x4 =35 7x1+x2 + x4 =35
3 * 2 ≤
x x2* ≥4
1 * 3 ≤
x x3* ≥2
1
x , x , 2 x dan 3 x bulat tak negatif 4 x , 1 x , 2 x dan 3 x bulat tak negatif 4
Ternyata tidak ada pemecahan bagi program 5, sedangkan program 4 adalah
4 * 1 =
x ; x2* =3; x3* =1; x4* =4dengan z* =55. Karena ini berbentuk pemecahan
bilangan bulat, maka z = 55 menjadi suatu batas terbawah bagi persoalan ini. Dengan
demikian, setiap program yang menghasilkan suatu nilai-z yang lebih kecil daripada
55 akan dikesampingkan. Dengan demikian, cabang ini memberikan pemecahan
optimal bagi program 1 : x1* =4; 3 * 2 =
x ; x3* =1; 4 * 4 =
x dengan z* =55. Dengan
menggunakan metode branch and bound di dapat solusi integer 4
3
1
4 X
=
Permasalahan 2
Max 7y1+9y2
Kendala y1+3y2 +y3 =5
+ + 2 1
7y y y4 =5
0 , , , 2 3 4 1 y y y ≥ y
Z y y y
39
Dengan menggunakan metode simpleks persoalan tersebut dapat di selesaikan sebagai
[image:50.612.127.519.144.262.2]berikut :
Tabel 3.4 Tabel simpleks untuk iterasi 1
Basis C 7 9 0 0 -M -M B
1
y y 2 y 3 y 4 y 5 y 6
5
y -M 1 3 1 0 1 0 5
6
y -M 7 1 0 1 0 1 5
j j c
z − -8M-7 -4M-9 -M -M 0 0 -10M
Dari tabel 3.4 diatas, tampak bahwa penyelesaian optimal belum dicapai, karena nilai
j j c
z − masih bernilai < 0 (masih mengandung harga negatif). Harga zj−cj terkecil
dari tabel diatas adalah -8M-7, sehingga variabel yang masuk dalam basis adalah
variabel y , kolom variabel 1 y menjadi kolom pivot, harga 1 y maksimal yang 1
diperkenankan adalah :
= =
= 0,7143
7 5 ; 5 1 5 1 Min y
Harga y1 =0,7143 adalah nilai positif terkecil sehubungan dengan variabel y , 6
sehingga variabel yang meninggalkan basis ialah y , kemudian digantikan dengan 6
[image:50.612.43.564.586.703.2]variabel y , maka tabel simpleks yang baru adalah : 1
Tabel 3.5 Tabel simpleks untuk iterasi 2
Basis C 7 9 0 0 -M -M B
1
y y 2 y 3 y 4 y 5 y 6
5
y -M 0 2,8571 1 -0,1429 1 -0,1429 4,2857
1
y 7 1 0,1429 0 0,1429 0 0,1429 0,7143
j j c
Dari tabel 3.5 diatas, tampak bahwa penyelesaian optimal belum dicapai, karena nilai
j j c
z − masih bernilai < 0 (masih mengandung harga negatif). Harga zj−cj terkecil
dari tabel diatas adalah 2,8571M-7,9997, sehingga variabel yang masuk dalam basis
adalah variabel