BAB II KAJIAN TEORI A. Program Linear - eprints.uny.ac.ideprints.uny.ac.id/44531/2/BAB II.pdf ·...
Transcript of BAB II KAJIAN TEORI A. Program Linear - eprints.uny.ac.ideprints.uny.ac.id/44531/2/BAB II.pdf ·...
-
6
BAB II
KAJIAN TEORI
Pada bab ini akan dibahas mengenai beberapa definisi dan teori yang akan
digunakan pada pembahasan berdasarkan literatur yang relevan.
A. Program Linear
Model Program Linear (MPL) merupakan salah satu model yang dapat
digunakan untuk memodelkan masalah optimasi yang bertujuan memaksimumkan
atau meminimumkan fungsi tujuan yang berbentuk linear dan memenuhi beberapa
fungsi kendala yang juga berbentuk linear. MPL memiliki dua unsur utama yaitu
fungsi tujuan dan fungsi kendala. Fungsi tujuan adalah fungsi linear dari beberapa
variabel keputusan. Variabel keputusan adalah variabel yang menyatakan
keputusan-keputusan yang akan dibuat. Variabel keputusan akan memberikan
nilai fungsi tujuan yang paling menguntungkan. Variabel keputusan harus
ditentukan terlebih dahulu sebelum menentukan fungsi tujuan dan fungsi kendala.
Fungsi kendala adalah fungsi yang mengendalikan nilai variabel keputusan.
Berikut ini diberikan contoh model program linear untuk lebih memahami yang
dimaksud dengan fungsi tujuan dan fungsi kendala.
Contoh 2.1
Akan ditentukan nilai dari yang memaksimumkan
(2.1)
dengan kendala
(2.2)
-
7
Fungsi (2.1) merupakan fungsi tujuan dan Fungsi (2.2) merupakan fungsi kendala.
Selanjutnya, Definisi 2.1 berikut menjelaskan tentang fungsi.
Definisi 2.1 Fungsi (Varberg dan Purcell, 2010:57). Sebuah fungsi f adalah suatu
aturan korespondensi yang menghubungkan setiap obyek x dalam satu himpunan
yang disebut daerah asal fungsi, dengan sebuah nilai tunggal f(x) dari himpunan
kedua yang disebut daerah hasil fungsi.
Untuk lebih memahami definisi tentang fungsi, berikut ini diberikan contoh
tentang fungsi.
Contoh 2.2
Gambar 2.1 dibawah ini merupakan contoh gambar bukan fungsi.
Gambar 2.1 Bukan Fungsi
Gambar 2.2 dibawah ini merupakan contoh gambar fungsi.
Gambar 2.2 Fungsi
a
b c
x
y
z
a
b c
x
y
z
-
8
Salah satu bentuk fungsi yaitu fungsi linear, berikut ini diberikan definisi fungsi
linear.
Definisi 2.2 Fungsi Linear (Winston, 2004:55). Fungsi f( ) =
merupakan fungsi linear dengan merupakan
koefisien dari .
Berikut ini, diberikan contoh mengenai bentuk fungsi linear dan fungsi non linear.
Contoh 2.3
Diberikan fungsi sebagai berikut:
(2.3)
(2.4)
Fungsi (2.3) merupakan fungsi linear dan Fungsi (2.4) merupakan fungsi
nonlinear.
1. Model Program Linear
Menurut B.Susanta (1994) Formula (1.1), (1.2), dan (1.3) dapat dituliskan
dalam bentuk matriks sebagai berikut.
Akan menentukan yang memaksimumkan
(2.5)
dengan kendala:
(2.6)
(2.7)
dengan adalah matriks , adalah vektor kolom , adalah vektor
kolom , dan adalah vektor baris .
-
9
[ ] (2.8)
[ ] (2.9)
[ ] (2.10)
[
]
(2.11)
MPL banyak digunakan dalam menyelesaikan masalah-masalah
pengalokasian sumber daya, seperti dalam bidang pemasaran, keuangan,
personalia, administrasi dan bidang lainnya. Selain itu dengan kemajuan
teknologi, maka proses perhitungan untuk menyelesaikan MPL sudah
menggunakan komputer, terutama dalam mengahadapi persoalan yang memiliki
variabel cukup banyak, yang apabila dilakukan perhitungan dengan cara biasa
akan memakai waktu yang cukup lama.
Langkah awal yang diperlukan membuat MPL adalah perumusan model.
Model merupakan tiruan suatu realitas, sedangkan perumusan model merupakan
langkah untuk membuat peralihan dari realita ke model kualitatif. Menurut Ayu
(1996), untuk merumuskan model suatu masalah optimasi kedalam bentuk MPL,
harus dipenuhi syarat-syarat berikut:
a. Tujuan masalah tersebut harus jelas dan tegas. Tujuannya yaitu ingin
mendapatkan keuntungan yang maksimal atau meminimumkan biaya
produksi
b. Harus ada beberapa alternatif yang ingin dibandingkan. Misalkan kombinasi
jumlah produksi dan keuntungan yang diperoleh
c. Adanya sumber daya yang terbatas
-
10
d. Fungsi tujuan dan fungsi kendala dapat dirumuskan secara kuantitatif
e. Adanya keterkaitan peubah
Menurut Hillier & Liebermann (2010:36-41), selain syarat-syarat di atas
juga terdapat beberapa asumsi yang harus dipenuhi yaitu:
a. Asumsi Proportionality (Kesebandingan)
Asumsi proportionality menyatakan bahwa perubahan pada variabel
keputusan ( ) akan menyebar dalam proporsi yang sama terhadap fungsi tujuan
( ) dan juga kendalanya ( ). Misalnya, apabila variabel keputusan
dinaikkan dua kali, maka secara proporsional (seimbang dan serasi) nilai-nilai
fungsi tujuan dan kendalanya juga akan menjadi dua kali lipat.
b. Asumsi Divisibility (Pembagian)
Asumsi ini menyatakan bahwa nilai variabel keputusan yang
dihasilkan oleh setiap aktivitas tidak harus berupa bilangan bulat, artinya nilai
variabel keputusan berupa bilangan real. Apabila diinginkan solusi yang berupa
bilangan bulat (integer) maka harus digunakan metode integer programming.
c. Asumsi Determistic/Certainty (Kepastian)
Asumsi ini menghendaki bahwa semua parameter yang terdapat dalam
model program linear ( ) dapat diperkirakan dengan pasti dan bernilai
tetap. Apabila nilai-nilai parameternya probabilistik, maka harus digunakan
formulasi pemrograman masalah stokastik.
d. Asumsi Linearity (Linearitas)
Asumsi linearity menyatakan bahwa fungsi tujuan dan semua fungsi
kendala harus dapat dinyatakan sebagai suatu fungsi linear. Suatu fungsi kendala
-
11
yang melibatkan dua variabel keputusan maka dalam diagram dimensi dua
kendala tersebut akan berupa suatu garis lurus. Demikian juga apabila suatu
kendala melibatkan tiga variabel menghasilkan suatu bidang datar dan kendala
yang melibatkan variabel menghasilkan hyperplane dalam ruang berdimensi .
e. Asumsi Additivity (Aditivitas/ Penambahan)
Menurut B. Susanta (1994:12), asumsi ini menyatakan bahwa nilai
parameter suatu kriteria optimasi (koefisien variabel keputusan pada fungsi
tujuan) merupakan jumlah dari individu-individu dalam program linier.
Misalnya, keuntungan total yang merupakan variabel keputusan, sama dengan
jumlah keuntungan yang diperoleh dari masing-masing kegiatan ( ).
2. Penyelesaian Model Program Linear
MPL dengan dua variabel atau tiga variabel yang dapat disusutkan menjadi
dua variabel dapat diselesaikan dengan menggunakan metode grafik. Untuk MPL
yang memuat tiga variabel atau lebih dan tidak dapat disusutkan menjadi MPL
dengan dua varibel dapat diselesaikan dengan menggunakan metode simpleks (B.
Susanta, 1994:68).
Menurut Supranto (2009:97), metode simpleks merupakan suatu metode
yang secara sistematis dimulai dari suatu penyelesaian layak basis (plb) awal ke
plb lainnya dan dilakukan secara berulang (dengan jumlah ulangan yang terbatas)
sampai diperoleh penyelesaian optimal. Pada setiap langkah metode simpleks
akan menghasilkan suatu nilai dari fungsi tujuan yang selalu lebih baik (besar)
atau sama dari langkah-langkah sebelumnya. Solusi untuk model program linear
yang memenuhi Formula (2.6) dan (2.7) disebut penyelesaian layak (p.l) dan
-
12
penyelesaian layak yang mengoptimumkan Fungsi (2.5) disebut penyelesaian
optimum (p.o) (B. Susanta, 1994:113).
Menurut B Susanta (1994:69-108) Langkah-langkah penyelesaian MPL
menggunakan tabel simpleks sebagai berikut:
a. Mengubah soal ke dalam bentuk kanonik
Bentuk kanonik MPL memiliki ciri-ciri bahwa semua kendala harus
berbentuk kanonik/persamaan dengan koefisien ruas kanan tidak negatif dan
memiliki variabel basis pada setiap kendala utamanya. Berikut ini diberikan
definisi bentuk kanonik.
Definisi 2.3 Bentuk Kanonik (B. Susanta, 1994:70). Bentuk kanonik MPL
adalah model program linear dengan semua fungsi kendala utama berbentuk
persamaan.
Sehingga setiap kendala utama yang berbentuk pertidaksamaan diubah
terlebih dahulu menjadi persamaan dengan menyisipkan variabel pengetat yaitu
variabel slack dan variabel surplus. Variabel slack adalah variabel yang
berfungsi untuk menampung sisa kapasitas pada kendala yang berupa
pembatas. Sedangkan variabel surplus adalah variabel yang berfungsi untuk
menampung kelebihan nilai ruas kiri pada kendala yang berupa syarat.
Variabel slack ditambahkan pada ruas kiri suatu ketaksamaan () fungsi
kendala dan variabel surplus ditambahkan pada ruas kiri suatu
ketaksamaan ( ) fungsi kendala sehingga bentuk fungsi kendala menjadi:
menjadi
(2.12)
menjadi
(2.13)
-
13
Selanjutnya dalam pembentukan bentuk kanonik untuk suatu fungsi
kendala utama yang belum memiliki variabel basis perlu ditambahkan variabel
artificial . Penambahan variabel slack, surplus dan artificial pada fungsi
kendala utama mengakibatkan penambahan variabel-variabel tersebut pada
fungsi tujuan. Koefisien ongkos untuk variabel slack dan surplus adalah nol
dan variabel artificial adalah dengan mewakili suatu bilangan yang
sangat besar. Untuk lebih memahami bentuk kanonik, berikut ini diberikan
contoh tentang bentuk kanonik.
Contoh 2.4
Bentuk kanonik dari Contoh 2.1 yaitu:
akan ditentukan nilai , , , yang memenuhi susunan
kendala:
+ = 17
2 + = 15
0
dan memaksimumkan
Kejadian penyelesaian persamaan linear dapat dilihat dengan rank suatu
matriks. Rank suatu matriks adalah ukuran terbesar dari matriks bagian
dari yang determinannya tidak nol (B. Susanta, 1994:34). Rank matriks
dilambangkan dengan Jelas bahwa
-
14
(2.14)
Suatu matriks bujursangkar disebut singular bila dan disebut
tidak singular bila . Jadi bila tidak singular maka .
Berdasarkan Formula (2.6) dengan cara menulis matriks , disusun
matriks |
|
| adalah matriks yang
dilengkapi dengan suku tetap di ruas kanan. Secara umum, menurut B. Susanta
(1994:38) kejadian penyelesaian persamaan linear dapat ditandai dengan suatu
rank matriks sebagai berikut:
1) Jika ) maka tidak ada penyelesaian.
2) Jika maka ada penyelesaian. Terdapat dua jenis
penyelasaian yang dapat diperoleh dengan mengetahui banyaknya yaitu:
a) Untuk maka diperoleh penyelesaian banyak
b) Untuk maka diperoleh penyelesaian tunggal
Berikut ini diberikan contoh banyaknya penyelesaian pada persamaan linear.
Contoh 2.5
MPL pada Contoh 2.4 diketahui nilai dan sehingga banyaknya
penyelesaian persamaan linear adalah penyelesaian banyak dengan banyaknya
plb adalah
.
b. Menyusun tabel simpleks
Untuk mempermudah langkah-langkah penyelesaikan MPL
menggunakan metode simpleks, berikut ini diberikan bentuk umum tabel
simpleks yang disajikan pada Tabel 2.1.
-
15
Tabel 2.1 Tabel Simpleks
Keterangan:
: variabel-variabel keputusan
: koefisien teknis
: koefisien ruas kanan
: koefisien ongkos
: variabel yang menjadi basis pada tabel yang ditinjau
: koefisien ongkos dari variabel basis
: (hasil kali dengan kolom )
: (hasil kali dengan )
: selisih dengan
:
, dengan syarat
Masukan seluruh koefisien ongkos, koefisien teknis dan koefisien ruas
kanan dari MPL bentuk kanonik ke dalam simpleks. Selanjutnya dengan
membuat variabel non basis bernilai nol pada Tabel 2.1 akan diperoleh
penyelesaian basis awal yaitu = dan
penyelesaian basis ini dikatakan layak jika nilai penyelesaian lebih besar atau
-
16
sama dengan nol. Berikut ini akan diberikan contoh penyelesaian metode
simpleks.
Contoh 2.6
Bentuk kanonik Contoh 2.5 dimasukkan kedalam Tabel 2.2 sebagai berikut.
Tabel 2.2 Tabel Awal Simpleks
12
-2M+2 M+3 -15M+76
-2M-3 M-2
Dari Tabel 2.2 dapat diketahui penyelesaian basis awal adalah
.
c. Menguji keoptimuman
Langkah ini bertujuan untuk memeriksa penyelesaian awal basis yang
diperoleh dari tabel simpleks. Suatu penyelesaian layak basis MPL telah
optimum apabila untuk setiap , dengan . Apabila
penyelesaian yang diperoleh dalam tabel simpleks telah optimum, maka
langkah metode simpleks berhenti dan diperoleh penyelesaian yang optimum.
Pada akhir iterasi (solusi akhir), variabel artificial harus bernilai nol. Saat
variabel artificial ini mempunyai nilai yang tidak sama dengan nol, maka
solusi yang diperoleh dinyatakan sebagai solusi tak layak. Namun apabila
penyelesaian yang diperoleh belum optimum, maka dilanjutkan langkah
-
17
keempat yaitu memperbaiki tabel simpleks untuk memperoleh penyelesaian
yang lebih baik yaitu penyelesaian yang mengoptimumkan fungsi tujuan. Pada
Contoh 2.6 penyelesaian layak basis MPL belum optimum karena masih ada
.
d. Memperbaiki tabel simpleks
Langkah ini bertujuan untuk mencari penyelesaian layak basis lain yang
akan menghasilkan penyelesaian yang lebih baik yaitu membuat nilai fungsi
tujuan lebih besar dari tabel sebelumnya.
Tabel simpleks yang baru diperoleh dengan cara memilih salah satu
variabel non basis untuk dijadikan variabel basis baru pada tabel simpleks baru
yang akan dibuat dan memilih satu variabel basis yang akan keluar dari basis
karena akan digantikan oleh variabel basis baru yang telah terpilih. Variabel
non basis yang akan menjadi variabel basis fungsi tujuan adalah variabel non
basis pada kolom ke-k yang memiliki nilai paling kecil (
). Selanjutnya kolom yang terpilih tersebut dinamakan kolom kunci.
Apabila ada beberapa alternatif kolom kunci, maka dapat dipilih salah satu
diantaranya secara acak yang nantinya akan menyebabkan tabel simpleks
berputar (cycling) yaitu langkah-langkah simpleks yang akan terus berjalan.
Variabel basis yang harus keluar yaitu variabel basis yang memiliki
nilai yang terkecil dengan
dan . Baris yang terpilih
dinamakan sebagai baris kunci dan perpotongan unsur yang terdapat pada baris
kunci dan kolom kunci dinamakan unsur kunci. Unsur kunci ini yang
digunakan untuk memperbaiki tabel.
-
18
Tabel baru yang telah diperoleh, dilakukan kembali uji keoptimalan
dengan melihat nilai Apabila penyelesaiannya telah optimal maka
iterasi dihentikan, tetapi apabila penyelesaiannya belum optimal maka langkah
selanjutnya ulangi kembali ke langkah ketiga. Penyelesaian optimum dapat
dilihat di kolom bi. Sedangkan nilai optimal dari fungsi tujuan dapat dilihat di
baris kolom bi.
Contoh 2.6 diketahui bahwa MPL belum optimum maka dilakukan
perbaikan tabel yaitu dengan memilih nilai paling kecil. Nilai
paling kecil pada Tabel 2.2 terdapat pada kolom 1 dan ditetapkan sebagai
kolom kunci. Selanjutnya disusun nilai yang terlihat pada Tabel 2.3 di
bawah ini.
Tabel 2.3 Tabel Uji Keoptimalan Simpleks Iterasi ke-1
Pada Tabel 2.3 masih ada nilai yang bernilai negatif yaitu
kolom 1 dan kolom 7, jadi tabel belum optimum. Sesuai dengan langkah 4,
dipilih kolom 1 sebagai kolom kunci dan disusun . Kemudian terkecil
terdapat pada baris 2, berarti (basis ke-2) harus keluar digantikan oleh .
Tabel perlu diperbaiki dan diperoleh seperti Tabel 2.4 berikut ini.
-2M+2 M+3 -15M+76
-2M-3 M-2
-
19
Tabel 2.4 Tabel Uji Keoptimalan Simpleks Iterasi ke-2
5 5 2 3 0 0 0 -M
0 0
0 0 1
0
5 1
0 0 0
0
-
2 0
1 0 0
0
25
3 0 1 0 1 0 0 -1 0 12 -
5
2 3 0
-3
0
0 0 -3
-3
Diketahui bahwa Tabel 2.4 belum optimum sehingga dipilih kolom 2
sebagai kolom kunci dan disusun . Kemudian terkecil terdapat baris 1,
berarti (basis ke-1) harus keluar digantikan dengan . Tabel perlu
diperbaiki dan diperoleh seperti Tabel 2.5 berikut ini.
Tabel 2.5 Tabel Uji Keoptimalan Simpleks Iterasi ke-3
-
20
Diketahui bahwa Tabel 2.5 belum optimum sehingga dipilih kolom 7
sebagai kolom kunci dan disusun . Karena nilai semua pada kolom
kunci maka nilai tidak ada dan dapat disimpulkan bahwa penyelesaian layak
berada di tak berhingga.
Selain kejadian-kejadian diatas terdapat juga kejadian-kejadian khusus
dalam metode simpleks yaitu diantaranya:
a) MPL tidak layak yang disebabkan oleh penyelesaian optimum tidak
memenuhi kendala yang dapat dilihat dari adanya penyelesaian optimum
ada variabel artificial yang bernilai positif.
b) Merosot (degenerate) yang terjadi karena variabel basis dalam penyelesaian
optimum bernilai nol.
c) Kendala berlebih (redundant) terjadi saat terdapat variabel pengetatdan
artificial merupakan variabel basis dalam penyelesaian optimum dan
bernilai tidak nol.
d) Ada alternatif PO (solusi lebih dari satu) yang terjadi karena pada
penyelesaian optimum terdapat entri yang bukan variabel basis
bernilai nol.
e) Solusi tunggal terjadi karena banyaknya entri sama dengan
banyak basisnya.
f) Penyelesaian layak di tak berhingga saat semua koefisien pada kolom kunci
bernilai negatif atau nol.
Masalah optimasi dapat diselesaikan dengan menggunakan Matlab
Optimization Toolbox. Matlab Optimization Toolbox mempunyai subroutine atau
-
21
solver LINPROG untuk menyelesaikan MPL. Menurut Santoso (2008:82) MPL
(1.1), (1.2), dan (1.3) dapat diformulakan dengan bentuk sebagai berikut:
min
fungsi kendala
(2.15)
Sedangkan sintaks linprog dalam Matlab adalah
>>[x,fx,exitflag,out]=LINPROG (f,A,b,Aeq,beq,[ ],[ ],LB,UB)
dengan adalah koefisien untuk fungsi tujuan dan adalah matriks koefisien
teknis dan adalah vektor koefisien ruas kanan untuk kendala yang berbentuk
pertidaksamaan, dan masing-masing adalah matriks koefisien teknis dan
vektor koefisien ruas kanan untuk kendala yang berbentuk persamaan, serta
dan masing-masing batas bawah dan batas atas. Untuk batas bawah tidak
terbatas maka dan batas atas tidak terbatas maka
Berikut ini contoh dalam software Matlab untuk menyelesaikan MPL.
Contoh 2.7
Berdasarkan Contoh 2.1, fungsi tujuan tersebut harus diubah ke masalah minimasi
dengan mengalikannya dengan -1 yaitu
[ ]
dan kendala yang berbentuk pertidaksamaan bisa diekspresikan sebagai berikut:
[
] [
] [
]
serta kendala yang berbentuk persamaan yaitu
-
22
[ ] [
] [ ]
Setelah mengkonversikan fungsi tujuan menjadi minimasi, selanjutnya masalah
diatas dapt diselesaiakn dengan LINPROG sebagai berikut:
>> f = [-5 -5 -2 -3] ;
>> A = [1 1 0 0; -2 1 0 0; 0 1 0 1] ; % koefisien teknis
>> b = [ 17 -15 -12] ; % koefisien ruas kanan
>> Aeq = [1 0 1 0] ; % koefisien teknis yang berbentuk =
>> beq = [20] ; % koefisien ruas kanan yang berbentuk =
>> LB = [0 0 0 0] ; % nilai x yang nonnegatif
>> [X,fx,exitflag,output] = LINPROG (f,A b,Aeq,beq,[ ],[ ],LB)
dari hasil output diketahui bahwa salah satu plb untuk MPL di atas
dan nilai fungsi tujuan
serta = -3. Fungsi tujuan yang sebelumnya
diubah menjadi minimasi sehingga diperoleh fungsi tujuan bernilai negatif
sehingga selanjutnya harus dikalikan dengan -1 untuk diperoleh nilai fungsi
tujuan. Sebenarnya nilai , yaitu output ketiga dapat memberikan nilai
salah satu dari berikut ini:
1. 1 jika solusi layak
2. 0 jumlah iterasi maksimum dicapai
3. -2 jika solusi tidak layak
4. -3 jika solusi tak terbatas
-
23
5. -4 NaN (
) value encountered during execution of algorithm
6. -5 kedua primal dan dual problem infeasible
7. -7 arah pencarian (search) terlalu kecil, tidak bisa menuju titik yang lebih
rendah lagi.
B. Konsep Himpunan Fuzzy
1. Pengertian Himpunan Fuzzy
Himpunan adalah kumpulan dari obyek-obyek tertentu yang tercakup
dalam satu kesatuan dengan definisi (syarat) tertentu dan jelas. Himpunan klasik
dapat didefinisikan dengan mendaftar anggota-anggota pada himpunan tersebut.
Suatu anggota dalam suatu himpunan klasik mempunyai derajat keanggotaan
jika dan jika maka derajat keanggotaan = 0.
Himpunan adalah himpunan berbadan tinggi yang didefinisikan sebagai
Tinggi = . Dari definisi tersebut, dapat diketahui bahwa
derajat keanggotaan orang yang memiliki tinggi 165 cm pada himpunan A,
= 1 karena 165 A dan derajat keanggotaan orang yang memiliki
tinggi 164 cm pada himpunan A, = 0 karena 164 A. Derajat
keanggotaan di atas digambarkan menggunakan Gambar 2.3 sebagai berikut.
1
0 165 cm
Gambar 2.3 Grafik Himpunan berbadan tinggi
-
24
Himpunan fuzzy merupakan pengembangan lebih jauh dari konsep
matematika tentang himpunan klasik. Menurut George J Klir, dkk (1997:6), teori
himpunan fuzzy (fuzzy set) pertama kali diperkenalkan oleh Lotfi A. Zadeh pada
tahun 1965, yaitu himpunan yang memiliki batas-batas keanggotaan himpunan
yang tidak jelas. Keanggotaan pada himpunan fuzzy tidak dinyatakan dengan
derajat keanggotaannya 0 atau 1, melainkan dengan derajat keanggotaan berupa
bilangan real pada interval [0,1]. Adapun definisi dari himpunan fuzzy adalah
sebagai berikut.
Definisi 2.4 (Zimmermann, 2001:11-12). Misalkan adalah koleksi dari objek-
objek yang dinotasikan dengan , suatu himpunan fuzzy dalam suatu himpunan
adalah suatu himpunan pasangan berurutan dengan
adalah derajat keanggotaan x di yang nilainya pada rentang [0,1].
Menurut Zimmermann (2001:12-13) himpunan fuzzy dapat dinotasikan dengan
dua cara, yaitu:
a. Himpunan fuzzy dituliskan sebagai pasangan berurutan, dengan elemen
pertama menunjukkan nama elemen dan elemen kedua menunjukkan derajat
keanggotaan.
(2.16)
b. Himpunan fuzzy dinotasikan sebagai
...= , jika diskrit (2.17)
dan
-
25
, jika kontinu (2.18)
Berikut ini diberikan contoh himpunan fuzzy.
Contoh 2.8
Himpunan tinggi badan sekelompok orang dalam centimeter (cm) dinotasikan
dengan .
Himpunan fuzzy berbadan tinggi dinotasikan dengan yang memiliki fungsi
keanggotaan sebagai berikut:
{
Sehingga dapat dinyatakan sebagai ={(140,0),(145,0.2),(150,0.4),(155,0.6),
(160,0.8),(165,1.0)}.
Seperti himpunan klasik, himpunan fuzzy juga memiliki syarat yang dinyatakan
dalam definisi berikut:
Definisi 2.5 (Ibrahim, 2004:35). Himpunan fuzzy kosong adalah himpunan fuzzy
dengan derajat keanggotaan untuk semua elemen himpunan adalah 0.
Berikut ini diberikan contoh tentang himpunan fuzzy kosong.
Contoh 2.9
Diberikan suatu himpunan dan sehingga
merupakan himpunan fuzzy kosong.
-
26
Definisi 2.6 (Ibrahim, 2004:35). Himpunan semesta fuzzy adalah himpunan fuzzy
dengan derajat keanggotaan dari semua elemen himpunan adalah 1.
Berikut ini diberikan contoh tentang himpunan semesta fuzzy.
Contoh 2.10
Diberikan dan sehingga
merupakan himpunan semesta fuzzy.
Definisi 2.7 (Zimmermann, 2001:14). Himpunan -cut adalah himpunan
(klasik) elemen-elemen yang ada pada himpunan fuzzy yang untuk
suatu nilai [ ] yaitu:
[ ]
Berikut ini diberikan contoh untuk lebih memahami definisi dari himpunan .
Contoh 2.11
Diberikan dan (l,0.2), (2,0.5), (3,0.8),
(4,1.0), (5,0.7), (6,0.3)}. Untuk ={1,2,3,4,5,6}, ={2,3,4,5}, ={3,4},
={4}.
Definisi 2.8 (Zimmermann, 2001:14). Support dari himpunan fuzzy yang
dinotasikan dengan S( ) adalah himpunan klasik dari dengan
Berikut ini diberikan contoh untuk lebih memahami definisi S( )
Contoh 2.12
Dari Contoh 2.11, adalah support dari himpunan fuzzy .
-
27
Definisi 2.9 (Ibrahim, 2004:36). Core ( ) adalah himpunan klasik dari semua
dengan derajat keanggotaan
Contoh 2.13
Dari Contoh 2.11, Core ( ) adalah core dari himpunan fuzzy .
Definisi 2.10 (Ibrahim, 2004:36). Height dari himpunan fuzzy adalah
nilai tertinggi dari yang nilai -level-nya tidak kosong.
Contoh 2.14
Berdasarkan Contoh 2.11, nilai , ={1,2,3,4,5,6} dengan ( )
adalah height dari himpunan fuzzy .
2. Jenis Fungsi Keanggotaan Fuzzy
Fungsi keanggotaan fuzzy adalah fungsi yang mengaitkan setiap elemen
dengan suatu bilangan real dalam [0,1]. Fungsi keanggotaan menentukan derajat
keanggotaan dari setiap elemen himpunan. Beberapa fungsi keanggotaan fuzzy
yang dikenal antara lain fungsi linier (linier naik dan linier turun), fungsi segitiga,
fungsi trapesium, fungsi bentuk bahu, fungsi kurva-S, fungsi bentuk lonceng/bell
curve (kurva-PI, kurva Beta dan kurva Gauss).
Fungsi keanggotaan yang digunakan dalam penelitian ini adalah fungsi
keanggotaan linear turun karena bentuk fungsi ini paling sederhana dan menjadi
pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.
Contoh 2.15
Jumlah persediaan minimal bahan baku gabah pada PB. Guyub Rukun untuk
memproduksi beras slip tepat sebesar 100 ton dan dapat mengusahakan lagi
-
28
sebesar 20 ton. Suatu himpunan fuzzy sedikit dibentuk untuk menyatakan
variabel jumlah persediaan bahan baku gabah yang digunakan untuk
memproduksi beras slip dengan himpunan universal U=[100,20] dan fungsi
keanggotaannya yaitu:
{
Fungsi keanggotaan linear adalah fungsi pemetaan input ke derajat
keanggotaanya yang digambarkan sebagai suatu garis lurus. Fungsi keanggotaan
linear memiliki dua jenis yaitu:
a. Fungsi Keanggotaan Linear Naik
Fungsi keanggotaan linear naik memiliki representasi derajat
keanggotaan 0 di ruas kiri dan bergerak ke kanan menuju derajat
keanggotaan lebih tinggi atau 1. Menurut Kusumadewi (2002:31) Fungsi
keanggotaan representasi linear naik sebagai berikut:
{
(2.19)
Himpunan fuzzy pada representasi linear naik direpresentasikan pada
Gambar 2.4 di bawah ini.
Gambar 2.4 Fungsi Keanggotaan Linear Naik
1
0
-
29
Contoh 2.16
Himpunan fuzzy cepat pada variabel waktu yang digunakan untuk
menggiling gabah dengan himpunan universal U=[2100,2880] yang
mempunyai fungsi keanggotaan:
{
jika
jika
jika
Grafik representasi dari fungsi keanggotaan tersebut disajikan dalam Gambar
2.5 sebagai berikut.
Gambar 2.5 Contoh Fungsi Keanggotaan Linear Naik
Berdasarkan fungsi keanggotaan di atas, dimisalkan untuk menentukan
derajat keanggotaan waktu penggilingan gabah sebesar 2568 maka dilakukan
perhitungan:
dapat disimpulkan bahwa derajat keanggotaan waktu penggilingan sebesar
2412 adalah sebesar 0.6 pada himpunan fuzzy .
b. Fungsi Keanggotaan Linear Turun
Fungsi keanggotaan linear turun merupakan kebalikan dari fungsi
keanggotaan linear naik. Fungsi keanggotaan linear turun adalah fungsi
1
0 2100 2880
-
30
keanggotaan yang memiliki derajat keanggotaan tertinggi atau satu [1] pada
sisi kiri kemudian bergerak ke kanan menuju derajat keanggotaan yang lebih
rendah atau nol [0]. Fungsi keanggotaan linear turun adalah sebagai berikut:
{
(2.20)
Menurut Kusumadewi (2002:32) Himpunan fuzzy pada representasi
linear turun direpresentasikan pada Gambar 2.6 di bawah ini:
Gambar 2.6 Fungsi Keanggotaan Linear Turun
Berikut ini diberikan contoh mengenai fungsi keanggotaan linear turun
sebagai berikut:
Contoh 2.17
Himpunan fuzzy lambat pada variabel waktu yang digunakan untuk
menggiling gabah dengan himpunan universal U=[2100,2880] yang
mempunyai fungsi keanggotaan:
{
-
31
Grafik representasi dari fungsi keanggotaan tersebut disajikan dalam
Gambar 2.7 sebagai berikut:
1
0 2100 2880
Gambar 2.7 Contoh Fungsi Keanggotaan Linear Turun
Berdasarkan fungsi keanggotaan di atas, dimisalkan untuk menentukan
derajat keanggotaan waktu penggilingan gabah sebesar 2458 maka
dilakukan perhitungan:
dapat disimpulkan bahwa derajat keanggotaan waktu penggilingan sebesar
2458 adalah sebesar 0.6 pada himpunan fuzzy .
3. Bilangan Fuzzy
Konsep bilangan fuzzy muncul dalam kehidupan sehari-hari maupun dalam
aplikasi teori fuzzy dalam bentuk besaran yang dinyatakan dengan bilangan yang
tidak tepat, seperti misalnya kira-kira 5 kilogram, sekitar 5 unit dan
sebagainya. Secara intuitif dapat diterima bahwa ungkapan kurang lebih 5,
kira-kira 5 kilogram atau sekitar 5 unit dapat dinyatakan dalam suatu
himpunan fuzzy pada semesta bilangan real, dimana bilangan 5 mempunyai niali
keanggotaan sama dengan 1 (satu), bilangan-bilangan di sekitar mempunyai
derajat keanggotaan kurang dari 1 dan semakin jauh bilangan itu dari 5, derajat
-
32
keanggotaannya semakin mendekati 0 (nol) (Frans Susilo, 2006:111). Berikut
diberikan definisi bilangan fuzzy:
Definisi 2.11 Bilangan Fuzzy (Klir & Yuan, 1995:97). Misalkan adalah
himpunan fuzzy pada . Bilangan fuzzy adalah himpunan fuzzy yang memenuhi
syarat-syarat sebagai berikut:
a. merupakan himpunan fuzzy normal
Himpunan fuzzy dalam normal jika terdapat sehingga .
b. merupakan interval tertutup untuk semua [ ], dan
c. Support merupakan himpunan terbatas
Syarat bahwa merupakan interval tertutup untuk semua [ ] sama dengan
syarat bahwa merupakan himpunan konveks. Himpunan di adalah konveks jika
dan setiap
[ ] (Nasseri,2008:1777). Bilangan fuzzy sebagai himpunan fuzzy normal dan
konveks, serta untuk setiap merupakan interval tertutup. Jadi, bilangan fuzzy
adalah himpunan konveks, normal, dan merupakan interval tertutup. (Chen dan Pham,
2000:42-43)
Bilangan fuzzy yang digunakan dalam tulisan ini adalah bilangan fuzzy
linear turun yang memenuhi syarat fungsi keanggotaan linear sebagai berikut:
{
(2.21)
Dimana adalah puncak nilai yang berarti bahwa derajat keanggotaanya adalah 1
dan adalah nilai persekitarannya dari . Bilangan fuzzy linear ditunjukkan
dengan .
-
33
Contoh 2.18
Untuk memproduksi 1 kuintal beras kristal biasanya diperlukan bahan baku gabah
sebesar 1,44 kuintal. Akan tetapi pada musim-musim tertentu kadang terjadi
serangan hama yang menyebabkan kualitas bahan baku gabah menurun sehingga
untuk memproduksi 1 kuintal beras kristal diperlukan toleransi penambahan
sebesar 0,05 kuintal. Sehingga jumlah jenis bahan baku gabah yang digunakan
untuk memproduksi beras kristal merupakan bilangan fuzzy dan dapat
dituliskan bahwa dan maka . Representasi
bilangan fuzzy terlihat pada Gambar 2.8 yaitu
Gambar 2.8 Bilangan Fuzzy
Bilangan fuzzy bersifat normal, karena mempunyai derajat keanggotaan 1
untuk . Semua pada bilangan fuzzy tertutup pada selang
[ ]. Support dari himpunan fuzzy terbatas pada (1,44 , 1,49). Bilangan
fuzzy konveks karena untuk nilai dan dan
maka dengan
sehingga
untuk setiap dan setiap [ ].
1
1,44 1,49
-
34
4. Operasi pada Himpunan Fuzzy
Berikut ini penjelasan mengenai operasi himpunan fuzzy yang berupa
irisan dan gabungan.
Definisi 2.12 Irisan Himpunan Fuzzy (Bellman & Zadeh, 1970:144). Irisan dari
dua himpunan fuzzy dan dinotasikan sebagai dan didefinisikan
sebagai himpunan fuzzy terbesar yang terdapat pada dan . Fungsi
keanggotaan diberikan oleh
Berikut ini diberikan contoh untuk lebih memahami definisi irisan himpunan
fuzzy.
Contoh 2.19
Diberikan himpunan fuzzy yang didefinisikan sebagai berikut:
untuk mencari , terlebih dahulu menghitung untuk
setiap .
.
.
.
.
.
.
Jadi,
-
35
Definisi 2.13 Gabungan Himpunan Fuzzy (Bellman & Zadeh, 1970:145).
Gabungan dari dua himpunan fuzzy dan dinotasikan sebagai dan
didefinisikan sebagai himpunan fuzzy terkecil yang terdapat pada dan .
Fungsi keanggotaan diberikan oleh
Berikut ini diberikan contoh untuk lebih memahami definisi gabungan himpunan
fuzzy.
Contoh 2.20
Berdasarkan Contoh 2.19, untuk mencari , terlebih dahulu menghitung
.
.
.
.
.
.
.
Jadi, .
C. Program Linear Fuzzy
Program linear menurut Amit Kumar, dkk (2010:37) merupakan salah satu
teknik dalam riset operasi yang paling sering diterapkan. Nilai-nilai parameter
model program linear harus terdefinisi dengan baik (tegas), sedangkan dalam
-
36
kehidupan nilai-nilai parameter yang tegas bukan merupakan asumsi yang
realistis. Oleh karenanya penggunaan parameter dalam model program linear
direpresentasikan dengan bilangan-bilangan fuzzy.
Menurut Klir & Yuan (1995:410), bentuk umum model program linear
fuzzy sama dengan bentuk umum model program linear biasa. Dalam program
linear fuzzy akan dicari suatu nilai yang merupakan fungsi tujuan yang akan
dioptimasikan sedemikian hingga tunduk pada batasan-batasan yang dimodelkan
dengan menggunakan himpunan fuzzy.
Bentuk matematika dari program linear fuzzy adalah:
Maksimumkan:
(2.22)
dengan kendala
, i = 1,2, ... , m
0 , j = 1,2, ... , n
dengan dan semuanya adalah bilangan fuzzy.
Menurut Klir & Yuan (1995:410-411) program linear fuzzy memiliki dua
kasus yaitu program linear fuzzy dengan hanya koefisien ruas kanan ( ) berbentuk
bilangan fuzzy dan program linear fuzzy dengan koefisien teknis ( ) dan
koefisien ruas kanan ( ) berbentuk bilangan fuzzy. Dalam penelitian ini akan
dibahas mengenai program linear fuzzy dengan koefisien teknis dan koefisien ruas
kanan berbentuk bilangan fuzzy linear turun dengan fungsi tujuan tidak fuzzy
(tunggal).
-
37
Menurut Klir & Yuan (1995:411), bentuk umum dari program linear fuzzy
dengan koefisien teknis ( ) dan koefisien ruas kanan ( ) berbentuk bilangan
fuzzy ini adalah sebagai berikut:
Maksimumkan:
(2.23)
dengan kendala
, i = 1,2, ... , m
0 , j = 1,2, ... , n
Bilangan linear turun fuzzy yang direpresentasikan dengan untuk a
adalah puncak nilai yang berarti bahwa derajat keanggotaannya adalah satu dan d
adalah nilai persekitarannya dari a yang dituliskan pada koefisien teknis ( )
sehingga ( dan koefisien ruas kanan ( dimisalkan dengan
untuk b adalah puncak nilai yang berarti bahwa derajat keanggotaannya
adalah satu dan p adalah nilai persekitarannya dari b yang dituliskan pada
koefisien ruas kanan ( Sehingga model program linear fuzzy dengan
koefisien teknis ( ) dan koefisien ruas kanan ( ) berbentuk bilangan linear
turun fuzzy dapat diformulasikan sebagai berikut:
Maksimumkan:
(2.24)
dengan kendala
, i = 1,2, ... , m
-
38
0 , j = 1,2, ... , n
Dalam teori pengambilan keputusan fuzzy dikenal 3 konsep dasar (Bellman
& Zadeh, 1970:147-149) yaitu fuzzy goal, fuzzy constraints, dan fuzzy decisions.
Misalkan adalah himpunan yang memuat solusi dari pengambilan keputusan.
Fuzzy goal adalah himpunan fuzzy pada yang keanggotaannya didefinisikan
melalui fungsi keanggotaan:
: [ ]
Fuzzy constraint adalah himpunan fuzzy pada yang keanggotaannya
didefinisikan melalui fungsi keanggotaan:
C [ ]
Fuzzy decision adalah himpunan fuzzy yang merupakan irisan fuzzy
goal dan fuzzy kendala , yaitu dengan fungsi keanggotaan:
(2.25)
Contoh 2.21
Misalkan dimiliki fuzzy goal dan fuzzy constraint sebagai berikut:
G
{
{
Sehingga fuzzy decision D adalah sebagai berikut:
-
39
{
,jika
(
) ,jika
(
) ,jika
min (1, 20
10) ,jika
, jika
(2.26)
Keputusan maksimal didefinisikan sebagai berikut:
= G (x), C (x)}. (2.27)
Lebih umum, fuzzy decision hasil dari k fuzzy goal dan fuzzy
kendala didefiinisikan oleh
. (2.28)
Dengan fungsi keanggotaan:
= { , . (2.29)
Keputusan maksimal didefinisikan sebagai:
.
(2.30)
BAB IIKAJIAN TEORIA. Program Linear1. Model Program Linear2. Penyelesaian Model Program Lineara. Mengubah soal ke dalam bentuk kanonikb. Menyusun tabel simpleksc. Menguji keoptimumand. Memperbaiki tabel simpleks
B. Konsep Himpunan Fuzzy1. Pengertian Himpunan Fuzzy2. Jenis Fungsi Keanggotaan Fuzzy3. Bilangan Fuzzy4. Operasi pada Himpunan Fuzzy
C. Program Linear Fuzzy