BAB II KAJIAN TEORI Berikut diberikan landasan teori mengenai teori himpunan fuzzy, program linear, metode simpleks, dan program linear fuzzy untuk membahas penyelesaian masalah menggunakan metode fuzzy decisive set pada bab selanjutnya. A. Teori Himpunan Fuzzy 1. Himpunan Tegas Himpunan tegas merupakan himpunan yang menyatakan secara tegas keanggotaan dari anggota himpunan. Himpunan tegas ๐ด dengan anggota ๐1 , โฆ , ๐๐ dapat didefinisikan dengan cara mendaftar anggota himpunan ๐ด = {๐1 , โฆ , ๐๐ } atau dengan cara aturan ๐ด = {๐ฅ|๐ฅ โ ๐ด}. Jika ๐ โ ๐ด, maka derajat keanggotaan ๐ pada himpunan ๐ด adalah 1. Namun, jika ๐๏๐ด, maka derajat keanggotaan ๐ pada himpunan ๐ด adalah 0. (Sri Kusumadewi, 2002). Berikut akan diberikan tiga buah himpunan tinggi badan seseorang. Contoh 2.1 Untuk 3 buah himpunan tinggi badan yaitu ๐๐ธ๐๐ท๐ธ๐พ = {๐ฅ|๐ฅ < 150}, ๐พ๐๐
๐ด๐๐บ ๐๐ผ๐๐บ๐บ๐ผ = {๐ฅ|150 โค ๐ฅ โค 160},
dan
๐๐ผ๐๐บ๐บ๐ผ = {๐ฅ|๐ฅ > 160}.
Seseorang dengan tinggi badan 149 cm, merupakan anggota himpunan PENDEK, dengan derajat keanggotaan adalah 1 dan bukan merupakan anggota himpunan KURANG TINGGI maupun TINGGI dengan derajat keanggotaan masing-masing adalah 0. Seseorang dengan tinggi badan 150 cm, bukan merupakan anggota himpunan PENDEK dengan derajat
5
keanggotaan 0 atau merupakan anggota komplemen dari himpunan PENDEK. 2. Himpunan Fuzzy Himpunan fuzzy pertama kali dikembangkan pada tahun 1965 oleh Zadeh sebagai perluasan dari pengertian himpunan tegas. Himpunan fuzzy adalah himpunan yang anggotanya memiliki derajat keanggotaan bilangan real pada selang [0,1]. Definisi 2.1. (Zimmermann, 2001: 11) Misalkan ๐ adalah koleksi dari objekobjek yang dinotasikan dengan ๐ฅ, suatu himpunan fuzzy ๐ดฬ dalam ๐ adalah suatu himpunan pasangan berurutan ๐ดฬ = {(๐ฅ, ๐๐ดฬ (๐ฅ))|๐ฅ โ ๐} dengan ๐๐ดฬ (๐ฅ) adalah derajat keanggotaan ๐ฅ di ๐ดฬ pada selang [0,1]. Dengan demikian, himpunan fuzzy adalah himpunan pasangan berurutan dengan elemen pertama adalah elemen himpunan sedangkan elemen kedua adalah derajat keanggotaan dari elemen himpunan tersebut. Himpunan fuzzy juga dapat dinyatakan dalam bentuk fungsi keanggotaan. Fungsi keanggotaan (membership function) adalah fungsi yang memasangkan setiap anggota himpunan dengan tepat suatu derajat keanggotaan atau dapat disebut dengan derajat keanggotaan berupa suatu bilangan pada selang antara 0 sampai dengan 1. Berikut akan diberikan contoh himpunan fuzzy TINGGI. Contoh 2.2 Suatu himpunan fuzzy TINGGI dapat disusun dengan fungsi keanggotaan TINGGI sebagai berikut:
6
0; ๐ฅ โ 150 ๐(๐ฅ) = { ; 10 1;
๐ฅ < 150 150 โค ๐ฅ โค 160 ๐ฅ > 160
Seseorang yang memiliki tinggi badan 158 cm merupakan anggota himpunan TINGGI dengan ๐ ๐๐ผ๐๐บ๐บ๐ผ (158) = 0.8 dapat pula diartikan secara verbal tinggi badannya mendekati tinggi. Seseorang yang memiliki tinggi badan
152
cm
merupakan
anggota
himpunan
TINGGI
dengan
๐ ๐๐ผ๐๐บ๐บ๐ผ (152) = 0.2 dapat pula diartikan secara verbal tinggi badannya kurang tinggi. Seseorang yang memiliki tinggi badan 165 cm merupakan anggota himpunan TINGGI dengan ๐ ๐๐ผ๐๐บ๐บ๐ผ (165) = 1 dan seseorang yang memiliki tinggi badan 145 cm bukan merupakan anggota himpunan TINGGI dengan ๐ ๐๐ผ๐๐บ๐บ๐ผ (145) = 0. Beberapa fungsi keanggotaan fuzzy yang dikenal dalam himpunan fuzzy yaitu: 1.1 Fungsi Keanggotaan Linear Himpunan fuzzy mempunyai dua bentuk fungsi keanggotaan linear, yang pertama fungsi keanggotaan linear naik dimulai dari derajat keanggotaan 0 ke kanan menuju 1.
Gambar 2.1 Fungsi Keanggotaan Linear Naik
7
Himpunan fuzzy ๐ดฬ = {(๐ฅ, ๐๐ดฬ (๐ฅ))|๐ฅ โ ๐} pada Gambar 2.1 dinyatakan dengan sebuah fungsi keanggotaan linear naik (๐ฅ; ๐, ๐) sebagai berikut: 0; ๐ฅโ๐
๐(๐ฅ) = {(๐โ๐) ; 1;
๐ฅ<๐ ๐โค๐ฅโค๐
(2.1)
๐ฅโฅ๐
Berikut akan diberikan contoh himpunan fuzzy PANAS dengan fungsi keanggotaan linear naik. Contoh 2.3. Himpunan fuzzy PANAS untuk temperatur ruangan pada Gambar 2.2 dinyatakan dalam bentuk sebuah fungsi keanggotaan linear naik (๐ฅ; 25, 35). Untuk ruangan dengan temperatur 32 derajat, memiliki derajat keanggotaan (32โ25)
yaitu ๐๐๐ด๐๐ด๐ (32) = (35โ25) = 0.7.
Gambar 2.2 Himpunan fuzzy PANAS Bentuk kedua dari himpunan fuzzy yaitu dengan fungsi keanggotaan linear turun dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah.
8
Gambar 2.3 Fungsi Keanggotaan Linear Turun Himpunan fuzzy ๐ดฬ = {(๐ฅ, ๐๐ดฬ (๐ฅ))|๐ฅ โ ๐} pada Gambar 2.3 dinyatakan dengan sebuah fungsi keanggotaan linear turun (๐ฅ; ๐, ๐) sebagai berikut: ๐โ๐ฅ
๐(๐ฅ) = {
(๐โ๐) ; ๐ โค ๐ฅ โค ๐ 0;
๐ฅโฅ๐
(2.2)
Berikut akan diberikan contoh himpunan fuzzy DINGIN dengan fungsi keanggotaan linear turun. Contoh 2.4 Himpunan fuzzy DINGIN untuk temperatur ruangan pada Gambar 2.4 dinyatakan dalam bentuk sebuah fungsi keanggotaan linear turun (๐ฅ; 16, 30). Untuk ruangan dengan temperatur 20 derajat, memiliki derajat keanggotaan 30โ20
yaitu ๐๐ท๐ผ๐๐บ๐ผ๐ (20) = 30โ16 = 0.667.
Gambar 2.4 Himpunan fuzzy DINGIN
9
1.2 Fungsi Keanggotaan Segitiga Fungsi keanggotaan segitiga merupakan gabungan dari dua fungsi keanggotaan linear. Fungsi keanggotaan segitiga (๐ฅ; ๐, ๐, ๐) mempunyai tiga buah parameter ๐, ๐, ๐ โ ๐
dengan ๐ < ๐ < ๐ (Susilo, 2006).
Gambar 2.5 Fungsi Keanggotaan Segitiga Himpunan fuzzy ๐ดฬ = {(๐ฅ, ๐๐ดฬ (๐ฅ))|๐ฅ โ ๐} pada Gambar 2.5 dinyatakan dengan sebuah fungsi keanggotaan segitiga (๐ฅ; ๐, ๐, ๐) sebagai berikut: 0;
๐ฅ < ๐ atau ๐ฅ > ๐
๐ฅโ๐
๐(๐ฅ) = (๐โ๐) ; ๐โ๐ฅ
{ (๐โ๐) ;
๐โค๐ฅโค๐
(2.3)
๐โค๐ฅโค๐
Berikut akan diberikan contoh himpunan fuzzy NORMAL dengan fungsi keanggotaan segitiga. Contoh 2.5 Himpunan fuzzy NORMAL untuk temperatur ruangan pada Gambar 2.6 dinyatakan dalam bentuk sebuah fungsi keanggotaan segitiga (๐ฅ; 15, 25, 35). Ruangan dengan temperatur 23 derajat, memiliki derajat keanggotaan yaitu 25โ15
๐๐๐๐
๐๐ด๐ฟ (23) = 35โ15 = 0.8.
10
Gambar 2.6 Himpunan Fuzzy NORMAL 1.3 Fungsi Keanggotaan Trapesium Fungsi keanggotaan trapesium merupakan pengembangan fungsi keanggotaan segitiga dengan beberapa titik yang memiliki derajat keanggotaan sama dengan 1. Fungsi keanggotaan trapesium (๐ฅ; ๐, ๐, ๐, ๐) mempunyai empat buah parameter ๐, ๐, ๐, ๐ โ ๐
dengan ๐ < ๐ < ๐ < ๐ (Susilo, 2006).
Gambar 2.7 Fungsi Keanggotaan Trapesium Himpunan fuzzy ๐ดฬ = {(๐ฅ, ๐๐ดฬ (๐ฅ))|๐ฅ โ ๐} pada Gambar 2.7 dinyatakan dengan sebuah fungsi keanggotaan trapesium (๐ฅ; ๐, ๐, ๐, ๐) sebagai berikut: 0;
๐ฅ < ๐ atau ๐ฅ > ๐
๐ฅโ๐
๐(๐ฅ) =
(๐โ๐) ; 1; ๐โ๐ฅ
{(๐โ๐ ) ;
11
๐โค๐ฅโค๐ ๐โค๐ฅโค๐ ๐โค๐ฅโค๐
(2.4)
Berikut akan diberikan contoh himpunan fuzzy NORMAL dengan fungsi keanggotaan trapesium. Contoh 2.6 Himpunan fuzzy NORMAL untuk temperatur ruangan pada Gambar 2.8 dinyatakan
dalam
bentuk
sebuah
fungsi
keanggotaan
trapesium
(๐ฅ; 15, 24, 27, 35). Ruangan dengan temperatur 32 derajat, memiliki derajat 35โ32
keanggotaan yaitu ๐๐๐๐
๐๐ด๐ฟ (32) = 35โ27 = 0.375.
Gambar 2.8 Himpunan Fuzzy NORMAL 1.4 Fungsi Keanggotaan Bahu Fungsi keanggotaan bentuk bahu dapat berupa kombinasi dua fungsi keanggotaan segitiga dan trapesium.
Gambar 2.9 Fungsi Keanggotaan Bahu
12
Himpunan fuzzy ๐ดฬ = {(๐ฅ, ๐๐ดฬ (๐ฅ))|๐ฅ โ ๐} pada Gambar 2.9 dinyatakan dengan sebuah fungsi keanggotaan sebagai berikut: ๐โ๐ฅ
(๐โ๐) ; ๐ฅโ๐
๐โค๐ฅโค๐
( ๐โ๐ ) ;
๐โค๐ฅโค๐
๐(๐ฅ) = (๐โ๐ฅ) ; ๐โ๐
๐โค๐ฅโค๐
๐ฅโ๐
(๐โ๐ ) ; { 1;
(2.5)
๐โค๐ฅโค๐
๐ฅ < ๐ dan ๐ฅ > ๐
Berikut akan diberikan contoh himpunan fuzzy KECEPATAN dengan fungsi keanggotaan bahu. Contoh 2.7 Berikut diberikan himpunan fuzzy KECEPATAN pada Gambar 2.10 dinyatakan dalam bentuk sebuah fungsi keanggotaan bahu. Kecepatan dengan tiga himpunan yaitu, PELAN= {๐ฅ|10 โค ๐ฅ โค 50}, SEDANG= {๐ฅ|40 โค ๐ฅ โค 70}, dan CEPAT= {๐ฅ|50 โค ๐ฅ โค 100}. Fungsi keanggotaan untuk kecepatan 50โ40
40โ40
motor yaitu ๐๐๐ธ๐ฟ๐ด๐ (40) = 50โ10 = 0.25 dan ๐๐๐ธ๐ท๐ด๐๐บ (40) = 50โ40 = 0.
Gambar 2.10 Himpunan Fuzzy KECEPATAN
13
1.5 Fungsi Keanggotaan ๐ Fungsi keanggotaan ๐ memiliki bentuk permukaan tak linear yang bergerak dari sisi kiri dengan derajat keanggotaan sama dengan 0 ke sisi kanan dengan derajat keanggotaan sama dengan 1. Terdapat dua jenis fungsi keanggotaan ๐ yaitu fungsi keanggotaan ๐ untuk pertumbuhan dan fungsi keanggotaan ๐ untuk penyusutan. Fungsi keanggotaan ๐ didefinisikan menggunakan tiga parameter yaitu ๐ผ, ๐ฝ, dan ๐พ.
Gambar 2.11 Fungsi Keanggotaan ๐ Pertumbuhan Fungsi keanggotaan pada fungsi keanggotaan ๐ pertumbuhan adalah sebagai berikut : 0;
๐ฅ<๐ผ
๐ฅโ๐ผ 2
2 (๐พโ๐ผ) ;
ยต(๐ฅ) = ๐(๐ฅ; ๐ผ, ๐ฝ, ๐พ) =
๐พโ๐ฅ 2
1 โ 2 (๐พโ๐ผ) ; {
1;
14
๐ผโค๐ฅโค๐ฝ ๐ฝโค๐ฅโค๐พ ๐ฅ>๐พ
(2.6)
Gambar 2.12 Fungsi Keanggotaan ๐ Penyusutan Fungsi keanggotaan pada fungsi keanggotaan ๐ penyusutan adalah sebagai berikut : 1;
๐ฅ<๐ผ
๐ฅโ๏ก 2
ยต(๐ฅ) = ๐(๐ฅ; ๐ผ, ๐ฝ, ๐พ) =
1 โ 2 (๐พโ๐ผ) ; ๐พโ๐ฅ 2
2 (๐พโ๐ผ) ; {
0;
๐ผโค๐ฅโค๐ฝ ๐ฝโค๐ฅโค๐พ
(2.7)
๐ฅ>๐พ
Berikut akan diberikan himpunan fuzzy TUA dengan fungsi keanggotaan kurva ๐ pertumbuhan. Contoh 2.8 Himpunan fuzzy TUA pada variabel umur untuk kurva ๐ pertumbuhan pada Gambar 2.13. Untuk contoh umur 50 pada himpunan TUA, memiliki 50โ35 2
derajat keanggotaan yaitu ๐ ๐๐๐ด (50) = 2 (60โ35) = 0.72.
15
Gambar 2.13 Himpunan Fuzzy TUA Berikut akan diberikan contoh himpunan fuzzy MUDA denga fungsi keanggotaan kurva ๐ penyusutan. Contoh 2.9 Himpunan fuzzy MUDA pada variabel umur untuk kurva ๐ penyusutan pada Gambar 2.14. Untuk contoh umur 37 pada himpunan MUDA, memiliki 50โ37 2
derajat keanggotaan yaitu ๐๐๐๐ท๐ด (37) = 2 (50โ20) = 0.376.
Gambar 2.14 Himpunan Fuzzy MUDA 3. Operator-operator Fuzzy Terdapat tiga operator pada himpunan fuzzy yaitu irisan, gabungan, dan komplemen.
16
a. Komplemen Himpunan Fuzzy Komplemen dari himpunan fuzzy ๐ดฬ dinotasikan dengan ๐ดฬโฒ. Bentuk umum himpunan diperlihatkan dengan derajat keanggotaan yang tidak terdapat pada himpunan ๐ดฬ. Berikut akan diberikan contoh komplemen himpunan fuzzy. Contoh 2.10 Himpunan ๐ดฬ = {(1,0.2), (2,0.4)}. Komplemen dari ๐ดฬ adalah ๐ดฬโฒ ={(1,0.8), (2,0.6)}. Definisi 2.2. (Zimmermann, 2001: 17) Fungsi keanggotaan dari himpunan fuzzy ๐ดฬ komplemen, ๐๐ดฬโฒ (๐ฅ) didefinisikanoleh ๐๐ดฬโฒ (๐ฅ) = 1 โ ๐๐ดฬ (๐ฅ). b. Irisan Himpunan Fuzzy Irisan dua himpunan ๐ดฬ dan ๐ตฬ dinotasikan dengan ๐ดฬ โฉ ๐ตฬ. Irisan ekuivalen dengan operasi aritmatika dan logika AND. Berikut akan diberikan contoh irisan dua himpunan fuzzy ๐ดฬ dan ๐ตฬ. Contoh 2.11 Himpunan
fuzzy
๐ดฬ = {(1,0.2), (2,0.4), (3,0.3)}
dan
๐ตฬ =
{(1,0.1), (2,0.5), (3,0.2)} Irisan himpunan ๐ดฬ dan ๐ตฬ atau ๐ดฬ โฉ ๐ตฬ adalah ๐ถฬ = {(1,0.1), (2,0.4), (3,0.2)}. Definisi 2.3. (Zimmermann, 2001: 17) Fungsi keanggotaan ๐๐ถฬ (๐ฅ) dari himpunan ๐ถฬ = ๐ดฬ โฉ ๐ตฬ adalah ๐(๐ถฬ) (๐ฅ) = ๐๐๐{๐๐ดฬ (๐ฅ), ๐๐ตฬ (๐ฅ)} untuk semua ๐ฅ โ ๐. Menurut George J. Klir (1997) irisan dari himpunan ๐ดฬ dan komplemennya ๐ดฬโฒ adalah himpunan kosong atau ๐ดฬ โฉ ๐ดฬโฒ = โ
.
17
c. Gabungan Himpunan Fuzzy Gabungan dua himpunan ๐ดฬ dan ๐ตฬ dinotasikan dengan
๐ดฬ โช ๐ตฬ.
Gabungan ekuivalen dengan operasi aritmatika dan logika OR. Berikut akan diberikan contoh gabungan dua himpunan fuzzy ๐ดฬ dan ๐ตฬ. Contoh 2.12 Himpunan fuzzy ๐ดฬ = {(1,0.2), (2,0.4)} dan ๐ตฬ = {(1,0.1), (2,0.5)}. ฬ = {(1,0.2), (2,0.5)}. Gabungan himpunan ๐ดฬ dan ๐ตฬ atau ๐ดฬ โช ๐ตฬ adalah ๐ท Definisi 2.4. (Zimmermann, 2001: 17) Fungsi keanggotaan ๐๐ทฬ (๐ฅ) dari gabungan ๐ดฬ โช ๐ตฬ didefinisikan oleh ๐(๐ทฬ) (๐ฅ) = ๐๐๐ฅ{๐๐ดฬ (๐ฅ), ๐๐ตฬ (๐ฅ)} untuk semua ๐ฅ โ ๐. Gabungan dua himpunan ๐ดฬ dan ๐ตฬ yang tidak mempunyai anggota yang sama maka ๐ดฬ โช ๐ตฬ adalah โ
. d. Himpunan ๐ผ โ ๐๐ข๐ก๐ Dalam menyatakan suatu himpunan fuzzy, dapat juga dilakukan dengan menggunakan ๐ผ โ ๐๐ข๐ก๐ yang merupakan himpunan bagian dari himpunan tegas dalam himpunan semesta dengan ๐ผ adalah suatu bilangan dalam selang tertutup [0,1] (Li-Xin Wang, 1997). Definisi 2.5 (Zimmermann, 2001: 14) Anggota himpunan tegas pada himpunan fuzzy ๐ดฬ yang paling sedikit memiliki derajat keanggotaan ๐ผ dikatakan himpunan ๐ผ โ ๐๐ข๐ก๐ ๐ดฬ๐ผ = {๐ฅ โ ๐|๐๐ดฬ (๐ฅ) โฅ ๐ผ}. Berikut akan diberikan contoh himpunan ๐ผ โ ๐๐ข๐ก๐ . Contoh 2.13 Himpunan semesta ๐ = {(1,0.1), (2,0.2), (3,0.3), (4,0.4)} kemudian akan ditentukan himpunan bagian dengan derajat keanggotaan ๐ผ = 0,1; ๐ผ = 0,2; dan ๐ผ = 0,3. Didapatkan,
18
๐ดฬ0.1 = {๐ฅ โ ๐|๐๐ดฬ (๐ฅ) โฅ 0.1} = {1,2,3,4} ๐ดฬ0.2 = {๐ฅ โ ๐|๐๐ดฬ (๐ฅ) โฅ 0.2} = {2,3,4} ๐ดฬ0.3 = {๐ฅ โ ๐|๐๐ดฬ (๐ฅ) โฅ 0.3} = {3,4} 4. Bilangan Fuzzy Menurut George J. Klir (1997) bilangan fuzzy didefinisikan sebagai himpunan fuzzy ๐ดฬ dengan fungsi keanggotaan : ๐ฅโ๐
(๐โ๐) ; ยต(๐ฅ) =
1; ๐โ๐ฅ
(๐โ๐ ) ; { 0 ;
๐โค๐ฅโค๐ ๐โค๐ฅโค๐ ๐โค๐ฅโค๐ ๐ฅ < ๐ dan ๐ฅ > ๐
(2.8)
dengan ๐ โค ๐ โค ๐ โค ๐ โ ๐
. Definisi 2.6 (Nasseri, 2008: 1778) Elemen himpunan fuzzy ๐ดฬ dikatakan normal jika terdapat paling sedikit satu titik ๐ฅ โ ๐
dengan ๐๐ดฬ (๐ฅ) = 1. Definisi 2.7 (Nasseri, 2008: 1778) Himpunan fuzzy ๐ดฬ di ๐
adalah konveks jika dan hanya jika ๐๐ด (๏ ๏ฌ๐ฅ + (1 โ ๏ฌ)๐ฆ) โฅ ๐๐๐{๐๐ด (๐ฅ), ๐๐ด (๐ฆ)} untuk setiap ๐ฅ, ๐ฆ โ ๐
dan setiap ๏ฌโ[0,1]. Himpunan fuzzy dikatakan bilangan fuzzy apabila memenuhi sifat-sifat sebagai berikut : a. Himpunan fuzzy normal. Bilangan fuzzy merupakan himpunan fuzzy normal yang mempunyai fungsi keanggotaan yang nilainya sama dengan 1 untuk ๐ฅ = ๐. b. ๐ดฬ ๐ผ pada selang tertutup ๐ดฬ ๐ผ merupakan selang tertutup untuk setiap ๐ผ โ [0,1].
19
c. Pendukung ๐ดฬ adalah selang terbuka di (๐, ๐) Pendukung (support) dari suatu himpunan fuzzy ๐ดฬ, yang dilambangkan ฬ , adalah himpunan tegas yang memuat semua unsur dari dengan ๐๐ข๐๐(๐ด) semesta yang mempunyai derajat keanggotaan tak nol dalam ๐ดฬ, yaitu ฬ = {๐ฅ โ ๐|๐๐ดฬ (๐ฅ) > 0} yang berada pada selang terbuka (๐, ๐) ๐๐ข๐๐(๐ด) pada bilangan real. d. Himpunan ๐ดฬ adalah himpunan fuzzy konveks. Himpunan fuzzy dikatakan konveks apabila memenuhi bentuk ยตA (๏ ๏ฌx + (1 โ ๏ฌ)y) โฅ min{ยตA (x), ยตA (y)} untuk setiap x, y โ R dan setiap ๏ฌโ [0,1]. Berikut akan diberikan contoh bilangan fuzzy. Contoh 2.14 Bilangan fuzzy kurang lebih 2 yang dapat dinyatakan sebagai himpunan fuzzy 2ฬ dengan fungsi keanggotaan segitiga (๐ฅ; 0, 2, 4).
Gambar 2.15. Bilangan Fuzzy 2ฬ Bilangan fuzzy 2ฬ bersifat normal, sebab mempunyai fungsi keanggotaan yang nilainya sama dengan 1 untuk ๐ฅ = 2. Bilangan fuzzy 2ฬ merupakan selang tertutup untuk setiap ๐ผ โ [0,1] dalam ๐
. Pendukung dari himpunan fuzzy 2ฬ terbatas pada selang (0,4). Bilangan fuzzy 2ฬ
20
konveks, sebab untuk setiap sebarang ๐ฅ โ 2ฬ ambil 1 dan 3 dengan ๏ฌ = 0,5 maka ๐๐ด (0,5๐ฅ1 + 0,5๐ฅ3) โฅ ๐๐๐(0,5; 0,5) โ 2ฬ. Dengan demikian, 2 merupakan bilangan fuzzy. B. Program Linear Dalam kehidupan sehari-hari tentu banyak terdapat permasalahan yang dihadapi oleh setiap orang, perusahaan, bahkan suatu negara. Salah satu bentuk penyelesaian masalah yang dapat digunakan adalah model program linear. Program linear sangat erat hubungannya dengan pengalokasian sumber daya baik berupa bahan baku, tenaga kerja, mesin, maupun modal. Semua sumber daya yang tersedia pada umumnya memiliki jumlah yang sangat terbatas. Oleh karena itu pengalokasiannya harus dilakukan dengan sebaik mungkin untuk mendapatkan hasil yang optimal (Zulian, 1991). Menurut Zulian (1991) terdapat tiga langkah yang harus dilakukan untuk merumuskan model program linear, yaitu : 1. Menentukan variabel keputusan yang akan dicari, 2. Menentukan batasan dari variabel keputusan dalam bentuk persamaan linear atau pertidaksamaan linear, 3. Menentukan tujuan yang akan dicapai dari variabel keputusan yang sudah ditentukan. Model pada program linear disusun oleh dua fungsi yaitu fungsi tujuan dan fungsi kendala. Fungsi tujuan merupakan fungsi linear yang menjelaskan permasalahan yang akan dicari solusi optimalnya. Fungsi kendala merupakan
21
fungsi linear yang menyatakan batasan-batasan yang harus dipenuhi dalam mencapai solusi optimal. Menurut B. Susanta (1994) bentuk umum dari program linear adalah, Memaksimumkan ๐ = ๐1 ๐ฅ1 + ๐2 ๐ฅ2 + โฏ + ๐๐ ๐ฅ๐
(2.9)
dengan kendala : ๐11 ๐ฅ1 + ๐21 ๐ฅ1 + โฎ ๐๐1 ๐ฅ1 +
๐12 ๐ฅ2 + ๐22 ๐ฅ2 + โฎ ๐๐2 ๐ฅ2 +
โฏ +๐1๐ ๐ฅ๐ โฏ +๐2๐ ๐ฅ๐ โฎ โฏ +๐๐๐ ๐ฅ๐
๐ฅ๐ โฅ 0, ๐ = 1, 2, โฆ , ๐
(โค, =, โฅ) ๐1 (โค, =, โฅ) ๐2 โฎ โฎ (โค, =, โฅ) ๐๐
(2.10)
(2.11)
dengan: ๐ฅ1 , ๐ฅ2 , ... , ๐ฅ๐
: variabel keputusan.
๐1, ๐2 , ... , ๐๐
: koefisien ongkos
๐11 , ๐12 ,... ,๐๐๐
: koefisien teknis
๐1 , ๐2 ,..., ๐๐
: koefisien ruas kanan
1. Metode Simpleks Menurut B. Susanta (1994), masalah program linear dengan dua variabel atau dengan tiga variabel masih dapat diselesaikan dengan metode grafik. Sedangkan untuk masalah program linear yang memuat tiga variabel atau lebih dapat diselesaikan dengan metode aljabar yang disebut metode simpleks. Metode simpleks merupakan metode yang dikenalkan oleh George Dantzig.
22
Langkah-langkah metode simpleks menurut B. Susanta (1994) adalah : 1. Menyusun tabel awal Langkah awal metode simpleks adalah mengubah bentuk model masalah program linear ke dalam bentuk kanonik. Pada pola maksimum, kendala utama pada masalah PL dapat berbentuk persamaan dan pertidaksamaan.
Dalam
mempelajari
metode
simpleks,
diperlukan
pengetahuan tentang bentuk kanonik masalah PL dan beberapa variabel yaitu slack, surplus, dan semu (artificial). Bentuk kanonik pada soal PL merupakan bentuk model PL dengan semua kendala utama berbentuk persamaan. Kendala yang berbentuk pertidaksamaan dapat diubah ke bentuk persamaan dengan menyisipkan suatu variabel. Variabel slack akan disisipkan pada ruas kiri jika kendala mempunyai bentuk pertidaksamaan โ๐๐=1 ๐๐๐ ๐ฅ๐ โค ๐๐ dan variabel surplus akan disisipkan pada ruas kanan jika kendala mempunyai bentuk pertidaksamaan โ๐๐=1 ๐๐๐ ๐ฅ๐ โฅ ๐๐ . Sedangkan variabel semu (artificial) merupakan variabel yang harus bernilai nol untuk kendala utama dalam bentuk persamaan yang belum memiliki variabel basis. Semua kendala utama dengan ruas kanan atau suku tetap ๐๐ harus bernilai positif. Suku tetap yang bernilai negatif harus dikalikan dengan -1. Apabila bentuk kanonik sudah dipenuhi, model PL dimasukkan ke dalam tabel simpleks seperti terlihat pada Tabel 2.1. PL yang sudah diubah dalam bentuk kanonik disusun dalam tabel awal dengan matriks koefisien yang dilengkapi dengan koefisien teknis dan suku tetap harus sudah tersusut Gauss-Jordan dan suku tetap pada ruas kanan harus tidak negatif atau ๐๐ โฅ 0 untuk semua ๐.
23
Sistem Persamaan Linear (SPL) dapat mempunyai satu solusi, banyak solusi, atau tidak punya solusi yang dapat ditandai dengan rank matriks. Rank matriks adalah ukuran terbesar dari matriks bujur sangkar bagian dari ๐ด yang determinannya tidak nol. Rank matriks A dilambangkan dengan r ( A) (B. Susanta, 1994). Tabel 2.1 TABEL SIMPLEKS ๐๐
๐1
๐2
โฆ
๐๐
๐ฬ
๐
๐ฅฬ
๐ /๐ฅ๐
๐ฅ1
๐ฅ2
โฆ
๐ฅ๐
๐๐
๐
๐
๐ฬ
1
๐ฅฬ
1
๐11
๐12
โฆ
๐1๐
๐1
๐
1
๐ฬ
2
๐ฅฬ
2
๐21
๐22
โฆ
๐2๐
๐2
๐
2
โฎ
โฎ
โฎ
โฎ
โฎ
โฎ
โฎ
๐ฬ
๐
๐ฅฬ
๐
๐๐1
๐๐2
โฆ
๐๐๐
๐๐
๐
๐
๐ง๐
๐ง1
๐ง2
โฆ
๐ง๐
Z
๐ง๐ โ ๐๐
๐ง1 โ ๐1
๐ง2 โ ๐2
โฆ
๐ง๐ โ ๐๐
Z
๐ฅ๐ : variabel keputusan ๐๐๐ : koefisien teknis ๐๐ : suku tetap (tak negatif) ๐๐ : koefisien ongkos ๐ฅฬ
๐ : variabel basis ๐ฬ
๐ : koefisien ongkos variabel basis ๐ง๐ : โ๐ ๐=1 ๐ฬ
๐ ๐๐๐ (hasil kali dari ๐ฬ
๐ dengan kolom ๐๐๐ ) ๐ : โ๐ ๐=1 ๐๐ ๐๐ (hasil kali dari ๐ฬ
๐ dengan ๐๐
24
2. Menguji keoptimalan Langkah ini bertujuan untuk memeriksa penyelesaian yang diperoleh tabel simpleks pada setiap iterasi. Untuk membaca solusi dari masalah program linear atau PLB adalah dengan melihat kolom ๐๐ . Selanjutnya untuk menguji apakah suatu PLB masalah program linear sudah optimal atau belum dapat dilihat dari nilai ๐ง๐ โ ๐๐ . Jika nilai ๐ง๐ โ ๐๐ โฅ 0 PLB sudah optimal dan langkah metode simpleks berhenti. Jika PLB sudah diperoleh namun apabila masih terdapat nilai negatif pada ๐ง๐ โ ๐๐ , PLB belum optimal sehingga perlu dilakukan iterasi ulang atau dilakukan perbaikan tabel dengan mengangkat variabel lain yang bukan basis menjadi variabel basis untuk mendapatkan PLB yang optimal. Masalah PL dengan penyelesaian tak terbatas ditemukan pada nilai koefisien teknis yang dipilih atau yang akan masuk sebagai variabel basis bernilai negatif. Masalah PL dengan penyelesaian tak terbatas kemudian diberhentikan prosesnya karena soal jelas tidak mempunyai penyelesaian optimum. Masalah PL dikatakan mempunyai solusi lebih dari 1 jika pada tabel PLB optimal terdapat variabel non basis yang nilai ๐ง๐ โ ๐๐ nya adalah nol. Selanjutnya untuk menguji solusi lain, maka variabel non basis yang memiliki nilai ๐ง๐ โ ๐๐ nya nol, dipilih masuk sebagai variabel basis. Masalah PL dikatakan tidak mempunyai solusi atau solusi tidak layak pada tabel PLB optimal jika terdapat variabel semu yang memiliki ๐๐ tidak bernilai nol atau bernilai positif. Masalah PL dikatakan memiliki solusi tunggal jika variabel
25
basisnya sudah bernilai nol. Sedangkan variabel basis di kolom ๐๐ yang bernilai nol, maka PLB yang baru dikatakan merosot atau degenerate. 3. Memperbaiki tabel. Untuk PLB yang belum optimal, PLB yang lebih baik dapat dilakukan dengan mengganti suatu variabel basis dari PLB sebelumnya dengan suatu variabel basis baru. Variabel ๐ฅ๐ yang bukan merupakan variabel basis diangkat menjadi variabel basis dengan nilai positif untuk mendapatkan nilai yang optimal. Pemilihan variabel basis ๐ฅ๐ yang masuk menjadi basis yaitu dengan melihat ๐ง๐ โ ๐๐ pada tabel yang mempunyai nilai paling kecil. Kolom yang terpilih dinamakan sebagai kolom kunci. Pemilihan variabel basis lama ๐
yang harus keluar atau diganti yaitu dengan melihat nilai ๐
๐ = ๐ ๐ dengan ๐๐
๐๐๐ > 0 pada tabel yang mempunyai nilai paling kecil. Baris yang terpilih dinamakan sebagai baris kunci. Nilai unsur kunci yang merupakan perpotongan kolom kunci dan baris kunci harus dibuat sama dengan 1 dan nilai-nilai lainnya pada kolom yang sama harus bernilai nol dengan melakukan beberapa kali operasi baris elementer. Tabel awal yang memuat PLB dengan ๐ง๐ โ ๐๐ < 0 maka tabel masih dapat dibuat lebih maju dengan cara mencari PLB yang baru yang memiliki nilai f lebih besar, atau paling sedikit sama dengan f semula. Nilai f baru akan selalu lebih besar dari nilai f sebelumnya jika tidak terjadi kemerosotan. Dengan mengganti satu basis pada setiap langkahnya, proses memajukan nilai f dapat dilakukan kembali setelah diperoleh PLB baru, kemudian kembali ke langkah dua untuk menguji keoptimalannya. Proses akan berhenti jika kolom-
26
kolom bukan basis ๐ง๐ โ ๐๐ โฅ 0 yang berarti bahwa PLB sudah merupakan penyelesaian optimal. Contoh 2.15 Berikut akan dibahas cara menyelesaikan contoh permasalahan program linear pada dengan metode simpleks dengan langkah-langkah sebagai berikut, 1. Menyusun tabel awal Untuk menyusun tabel, ubah permasalahan ke bentuk kanonik dengan menambah variabel slack pada kendala ke-1 dan pada kendala ke-2 sehingga diperoleh ๐ = 1000๐ฅ1 + 300๐ฅ2 + 0๐ 1 + 0๐ 2 dengan kendala, 2๐ฅ1 + 3๐ฅ2 + ๐ 1= 35 5๐ฅ1 + 2๐ฅ2 + ๐ 2= 20 ๐ฅ1 , ๐ฅ2 , ๐ 1 , ๐ 2 โฅ 0 Selanjutnya, bentuk kanonik tersebut dapat dimasukkan ke dalam tabel awal simpleks seperti terlihat pada Tabel 2.2 Tabel 2.2 Tabel awal simpleks ๐๐
1000
300
0
0
๐ฬ
๐
๐ฅฬ
๐ /๐ฅ๐
๐ฅ1
๐ฅ2
๐ 1
๐ 2
๐๐
0
๐ 1
2
4
1
0
35
0
๐ 2
5
2
0
1
20
๐ง๐
0
0
0
0
0
๐ง๐ โ ๐๐
-1000
-300
0
0
0
27
๐
๐
2. Menguji keoptimalan tabel Setelah bentuk kanonik dimasukkan ke tabel simpleks seperti terlihat pada tabel 2.2, selanjutnya menghitung nilai ๐ง๐ yang diperoleh dari perkalian setiap kolom pada variabel terhadap nilai koefisien ongkos variabel basis ๐ฬ
๐ . Pada baris ๐ง๐ dihasilkan semuanya memiliki nilai 0. Selanjutnya menghitung nilai ๐ง๐ โ ๐๐ yaitu pengurangan baris ๐ง๐ terhadap baris koefisien ongkos ๐๐ . Tabel 2.3 Tabel uji keoptimalan simpleks iterasi ke-1 ๐๐
1000
300
0
0
๐ฬ
๐
๐ฅฬ
๐ /๐ฅ๐
๐ฅ1
๐ฅ2
๐ 1
๐ 2
๐๐
๐
๐
0
๐ 1
2
4
1
0
35
35/2
0
๐ 2
5
2
0
1
20
4
๐ง๐
0
0
0
0
0
๐ง๐ โ ๐๐
-1000
-300
0
0
0
Terlihat bahwa tabel belum optimal karena nilai pada baris ๐ง๐ โ ๐๐ masih terdapat nilai ๐ง๐ โ ๐๐ โค 0, sehingga tabel harus diperbaiki. 3. Memperbaiki tabel Tabel yang diperbaiki diawali dengan menentukan variabel non-basis yang akan menjadi variabel basis yang dipilih pada baris nilai ๐ง๐ โ ๐๐ terkecil yaitu -1000 atau variabel ๐ฅ1 . Selanjutnya menentukan variabel basis yang akan keluar dengan melihat kolom nilai ๐
๐ terkecil yaitu 4 atau variabel ๐ 2 . Pemilihan tersebut menghasilkan unsur kunci bernilai 5, selanjutnya harus dibuat menjadi 1 dan nilai-nilai lain pada kolom yang sama harus dibuat
28
menjadi 0. Hasil perbaikan tabel simpleks pada iterasi kedua diberikan pada Tabel 2.4 dibawah ini. Tabel 2.4 Tabel uji keoptimalan simpleks iterasi ke-2 ๐๐
1000
300
0
0
๐ฬ
๐
๐ฅฬ
๐ /๐ฅ๐
๐ฅ1
๐ฅ2
๐ 1
๐ 2
๐๐
0
๐ 1
0
16/5
1
-2/5
35/2
1000
๐ฅ1
1
2/5
0
1/5
4
๐ง๐
1000
400
0
200
4000
๐ง๐ โ ๐๐
0
100
0
200
4000
๐
๐
Tabel simpleks pada iterasi kedua sudah optimal karena memuat baris ๐ง๐ โ ๐๐ โฅ 0. Penyelesaian optimal tersebut memiliki solusi tunggal yang terlihat pada variabel basis ๐ฅ1 dan ๐ 1 bernilai 0 pada baris ๐ง๐ โ ๐๐ . Diperoleh PLB yaitu (๐ฅ1 , ๐ฅ2 , ๐ 1 , ๐ 2 ) = (4, 0,
35 2
, 0) dan ๐ = 4000.
C. Program Linear Fuzzy Permasalahan
program
linear
dalam
perkembangannya
dapat
diaplikasikan dalam lingkungan fuzzy yang disajikan dalam bentuk program linear fuzzy. Penyelesaian dengan bentuk program linear fuzzy merupakan metode optimasi dengan beberapa fungsi tujuan dan fungsi kendala yang dimodelkan dalam himpunan fuzzy. Pada program linear fuzzy, untuk mencari nilai z yang merupakan fungsi tujuan yang akan dioptimasikan dengan batasan-batasan yang dimodelkan menggunakan himpunan fuzzy (Sri Kusumadewi, 2002). Pendekatan dengan teori himpunan fuzzy digunakan
29
untuk mengakomodasi tingkat ketidakpastian suatu permasalahan pada dunia nyata. Bentuk umum model program linear fuzzy menurut George J.Klir (1995) adalah, Memaksimalkan โ๐๐=1 ๐ฬ๐ ๐ฅ๐ dengan kendala โ๐๐=1 ๐ฬ๐๐ ๐ฅ๐ โค ๐ฬ๐ , ๐ = 1, โฆ , ๐
(2.12)
dengan : ๐ฅ๐ : variabel keputusan ๐ฬ๐๐ : koefisien teknis dalam bentuk bilangan fuzzy ๐ฬ๐ : koefisien ruas kanan dalam bentuk bilangan fuzzy ๐ฬ๐ : koefisien ongkos dalam bentuk bilangan fuzzy Terdapat banyak bentuk masalah program linear fuzzy salah satunya adalah program linear fuzzy dengan koefisien teknis kendala berbentuk bilangan fuzzy. Bentuk umum model permasalahan program linear fuzzy dengan koefisien teknis kendala berbentuk bilangan fuzzy adalah, Memaksimalkan โ๐๐=1 ๐๐ ๐ฅ๐ dengan kendala โ๐๐=1 ๐ฬ๐๐ ๐ฅ๐ โค ๐๐ , ๐ = 1, โฆ , ๐
(2.13)
Pada program linear fuzzy, koefisien teknis ๐ฬ๐๐ merupakan bilangan fuzzy. Setiap bilangan fuzzy dengan nilainya yang masih belum pasti, memiliki suatu nilai batas persekitaran ๐ฬ๐๐ yang disebut batas toleransi dan dinotasikan dengan ๐ฬ๐๐ .
30
Berikut akan diberikan contoh bentuk permasalahan program linear fuzzy dengan koefisien teknis bilangan fuzzy. Contoh 2.16 Memaksimumkan ๐ = ๐ฅ1 + 2๐ฅ2 dengan batasan 3ฬ๐ฅ1 + 1ฬ๐ฅ2 โค 4 5ฬ๐ฅ1 + 2ฬ๐ฅ2 โค 15 ๐ฅ1 , ๐ฅ2 โฅ 0 Kedua kendala memiliki toleransi masing-masing ๐1 = 1, ๐2 = 2, ๐3 = 1, dan ๐4 = 1. Sehingga permasalahan di atas dapat ditulis sebagai berikut : ฬ ฬ ฬ ๐๐๐ = [3 1] , ๐๐๐ = [1 ฬ5 2ฬ 1ฬ
2ฬ] 1ฬ
ฬ ฬ 4 ๐๐๐ + ๐๐๐ = [4 3] dan ๐๐ = [ ] 15 6ฬ 3ฬ Dalam
teori
pengambilan
keputusan,
Bellman
dan
Zadeh
mendefinisikan tiga konsep dasar yaitu fuzzy goal, fuzzy constraint, dan fuzzy decision (Hekmatnia, 2013), yaitu: 1. Fuzzy Goal (G), himpunan fuzzy yang ditetapkan oleh fungsi keanggotaan: ๐๐บ (๐ฅ): ๐ โ [0,1] Himpunan Fuzzy Goal merupakan himpunan fuzzy yang mendefinisikan fungsi tujuannya berbentuk bilangan fuzzy. 2. Fuzzy Constraint (C), himpunan fuzzy yang ditetapkan oleh fungsi keanggotaan: ๐๐ถ (๐ฅ): ๐ โ [0,1]
31
Himpunan
Fuzzy
Constraint
merupakan
himpunan
fuzzy
yang
mendefinisikan fungsi kendalanya berbentuk bilangan fuzzy. 3. Fuzzy Decision (D), himpunan fuzzy yang didapatkan dari irisan fuzzy goal dan fuzzy constraint. ๐๐ท (๐ฅ): ๐ โ [0,1], ๐ท = ๐บ โฉ ๐ถ, ๐๐ท (๐ฅ) = min{๐๐บ (๐ฅ), ๐๐ถ (๐ฅ)} Himpunan Fuzzy Decision merupakan irisan dari himpunan fuzzy goal dan himpunan fuzzy constraint yang mendefinisikan hasil dari keputusan fuzzy. Berikut akan diberikan contoh fungsi keanggotaan pada himpunan fuzzy goal, fuzzy constraint dan fungsi keanggotaan fuzzy decision. Contoh 2.17 Diketahui fungsi fuzzy goal sebagai berikut : 0;
๐ฅโค5
๐ฅโ5
๐(๐บ) = {
; 5 โค ๐ฅ โค 10 1; ๐ฅ โฅ 10
5
dan fungsi fuzzy constraint sebagai berikut : 0;
๐ฅโค6 ๐(๐ท) = { 6 ; 6 โค ๐ฅ โค 12 1; ๐ฅ โฅ 12 ๐ฅโ6
dengan demikian, fungsi fuzzy decision sebagai berikut,
๐(๐ท) =
0;
๐ฅโค5
๐ฅโ5 min(0, ) 5 ๐ฅโ5 ๐ฅโ6 min( 5 , 6 ) ๐ฅโ6 min(1, 6 )
5โค๐ฅโค6 6 โค ๐ฅ โค 10 10 โค ๐ฅ โค 12
1;
๐ฅ โฅ 12
{
32
dan solusi optimal didapatkan yaitu, max(๐๐ท (๐ฅ)) = max( 0, min(0,
๐ฅโ5 5
๐ฅโ5 ๐ฅโ6 , 6 ), 5
), min(
33
min (1,
๐ฅโ6 ) , 1) 6
=1