BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI

2.1 Pemrograman Non linier Pemrograman non linier adalah suatu bentuk pemrograman yang berhubungan dengan suatu perencanaan aktivitas tertentu yang dapat diformulasikan dalam model matematika yang memuat fungsi tujuan non linier dan fungsi kendala linier atau non linier. Hal ini didasarkan pada penemuan beberapa contoh penerapan dalam dunia usaha bisnis yang menggunakan asumsi ketaklinieran dalam menentukan , , … , , sehingga mencapai tujuan yaitu:

membuat perencanaan. Bentuk umum dari pemrograman non linier adalah untuk Memaksimumkan/meminimumkan : , , , … ,

dengan kendala

: , ,

2.1

0

1,2, … ,

di mana dan merupakan fungsi-fungsi dengan n variabel keputusan. 2.2 Maksimum dan Minimum Dalam program non linier tidak selamanya terdapat satu titik maksimum ataupun minimum. Sebuah fungsi dapat memiliki lebih dari satu maksimum ataupun minimum. Suatu fungsi dikatakan memiliki maksimum lokal (maksimum relatif) di

jika lebih besar dari sembarang nilai lainnya dari sekitar , dan dikatakan memiliki minimum lokal (minimum relatif) di jika lebih kecil dari sembarang nilai lain untuk sekitar . Maksimum mutlak (maksimum

global) dari adalah nilai yang paling tinggi dari seluruh nilai-nilai fungsi tersebut. Dengan kata lain, dikatakan memiliki maksimum mutlak (global) di

jika untuk semua di , di mana adalah daerah asal (domain) dari

Universitas Sumatera Utara

7 dan disebut nilai maksimum pada . Sebaliknya, minimum mutlak (minimum global) dari adalah nilai yang paling rendah dari seluruh nilai-nilai

fungsi tersebut. Dengan kata lain, dikatakan memiliki minimum mutlak (global)

di jika untuk semua di , di mana adalah daerah asal (domain) dari dan disebut nilai minimum pada . Jika memiliki maksimum atau minimum lokal di , maka adalah titik kritis . Jika tidak memiliki maksimum atau minimum dan memiliki kemiringan 0 di , maka adalah titik belok (saddle

point) (Stewart, 1999). Dengan demikian suatu fungsi yang mempunyai titik maksimum kurvanya berbentuk cembung ke atas dan fungsi yang mempunyai titik minimum kurvanya berbentuk cembung ke bawah, diperlihatkan oleh Gambar 2.1.

Gambar 2.1 Grafik Maksimum dan Minimum Andaikan adalah titik kritis dari fungsi kontinu . Uji Turunan Pertama

1. Jika berubah dari positif ke negatif pada , maka memiliki maksimum lokal pada .

2. Jika berubah dari negatif ke positif pada , maka memiliki minimum lokal pada .


8 3. Jika tidak berubah tanda dari positif ke negatif atau sebaliknya pada , maka tidak memiliki maksimum ataupun minimum lokal pada .

Andaikan kontinu dekat . Uji Turunan Kedua

1. Jika 0 dan 0, maka memiliki minimum lokal pada .

2. Jika 0 dan 0, maka memiliki maksimum lokal pada . Pada kasus suatu fungsi dengan satu variabel bebas nilai ekstrim dapat

dilukiskan dalam suatu grafik dengan dua dimensi. Titik maksimum dilukiskan Dengan dua variabel bebas, fungsi , merupakan bidang yang berada sebagai puncak suatu bukit dan titik minimum sebagai dasar suatu lembah.

dalam ruang berdimensi tiga. Meskipun titik maksimum dilukiskan sebagai puncak bukit dan titik minimum dilukiskan sebagai dasar lembah, akan tetapi baik bukit maupun lembah mempunyai sifat tiga dimensi. Titik , dikatakan sebagai titik stasioner pada daerah asal fungsi jika Definisi 2.1:

, 0 dan ! , 0.

variabel adalah fungsi mempunyai turunan parsial pertama dan adanya titik Definisi 2.1, menyatakan bahwa syarat perlu adanya nilai ekstrim fungsi dua

yang memenuhi turunan pertama sedemikian sehingga nilainya nol.

Andaikan adalah fungsi dua variabel dari dan sedemikian sehingga

, 0 dan ! , 0.

dan turunan-turunan parsial orde kedua kontinu. Andaikan pula bahwa 1. , dikatakan sebagai nilai maksimum , jika: , !! , " # ! , $ 0,

dan

, !! , " # ! , $ 0,

dan

!! , 0.

2. , dikatakan sebagai nilai minimum , jika: !! , 0.

, 0

atau

, 0

atau


9 3. , !! , " # ! , $ 0, uji gagal dan , dikatakan

bukan nilai ekstrim dan , disebut dengan titik pelana.

, , … , untuk uji syarat kedua dapat menggunakan suatu determinan

Pada fungsi multivariabel (lebih dari satu variabel bebas), yaitu

yang dikenal dengan nama determinan Hessian.

Tentukan nilai ekstrim dari fungsi 12 % " 45 ( ) 40 * ) 5 pada Contoh 2.1:

"∞, ∞

Penyelesaian : pertama dari adalah 0. Maka 60 ( " 3 * ) 2 0,

Syarat perlu untuk mencari nilai ekstrim yang pertama adalah turunan

sehingga diperoleh titik-titik kritis dari yaitu 0, 1 dan 2.

Turunan kedua dari adalah 604 * " 9 ) 4 , sehingga

0 untuk 1 dan 0 untuk 2. Maka memiliki

maksimum di 1 dan minimum di 2. Sehingga 1 12 merupakan nilai maksimum dari dan 2 "11 merupakan minimum dari . Grafiknya diperlihatkan oleh Gambar 2.2.

Maksimum Titik Belok

Minimum

Gambar 2.2 Grafik 12 % " 45 ( ) 40 * ) 5


10

2.3 Matriks Hessian pasial kedua dari suatu fungsi. Misalkan fungsi dengan / variabel yang Matriks Hessian adalah matriks yang setiap elemennya dibentuk dari turunan

ditulis H adalah:

memiliki turunan parsial kedua dan turunannya kontinu. Matriks Hessian dari 45 6

3 4 75 2 45 6 H 24 5 7 2 ⋯ 2 45 6 14 9 7

45 6

4 7 5 45 6 4 55

⋯

45 6

4 9 5

⋯

45 6

> = ⋯ 4 5 9= ⋱ ⋯ = 45 6 = ⋯ 5 < 4 9 4 7 9 45 6

2.2

Jika terdapat suatu matriks berukuran / ? /, maka principal minor ke @ di mana Definisi 2.2:

@ / adalah suatu sub matriks dengan ukuran @ ? @ yang diperoleh dengan menghapus / " @ baris dan kolom yang bersesuaian dari matriks tersebut. Andaikan A adalah suatu matriks berukuran 3 ? 3 sebagai berikut: Contoh 2.2:

2 A B1 3

matriks 2 ? 2 sebagai berikut:

6 5 4

3 2C 1

maka, principal minor ke-1 adalah [2], [5] dan [1]. Principal minor ke-2 adalah

D

2 1

6 E 5

D

2 3

3 E 1

D

5 4

2 E 1

Principal minor ke-3 adalah matriks A itu sendiri. Determinan dari suatu principal minor disebut dengan determinan principal.


11

Leading principal minor ke @ dari suatu matriks / ? / diperoleh dengan

menghapus / " @ baris terakhir dan kolom yang bersesuaian. Dari matriks A di

atas, maka leading principal minor ke-1 adalah 2 (hapus dua baris dan dua kolom terakhir). Leading principal minor ke-2 adalah: D

2 1

6 E 5

Dengan demikian, leading principal minor ke-3 adalah matriks A itu sendiri.

principal. Banyaknya determinan leading principal dari suatu matriks / ? /

Determinan dari suatu leading principal minor adalah determinan leading

adalah /.

Untuk menentukan apakah suatu matriks adalah definit positif, semidefinit

positif, definit negatif, semidefinit negatif, atau indefinit dapat dilakukan suatu pengujian sederhana di mana hanya berlaku jika matriksnya simetris. Uji Matriks Definit Positif 1. Semua elemen diagonal positif. 2. Semua determinan leading principal positif. Uji Matriks Semidefinit Positif 1. Semua elemen diagonal non negatif. 2. Semua determinan leading principal non negatif. Suatu matriks dapat dikatakan definit negatif (semidefinit negatif), yaitu dengan melakukan uji negatif dari matriks untuk definit positif (semidefinit positif). Jika matriks tersebut memiliki sekurang-kurangnya dua elemen diagonal yang berlawanan tanda, maka matriks tersebut menjadi indefinit. Contoh 2.3: Untuk mendapatkan titik ekstrim dari suatu fungsi dipakai sebuah contoh sebagai berikut: , * ) " 4 ) 1


12

Maka solusi untuk menyelesaikannya tentukan

titik ekstrim yang memenuhi

syarat sehingga turunan pertama untuk setiap variabel adalah 46

4 7 46

4 5

3 ) " 4 0

2.3

2 " 4 2 " 2 0

2.4

0 atau 2

Kemudian substitusi masing-masing nilai dan ke persamaan 2.3.

untuk 0, dan

46

4 7

0 diperoleh:

3 ) " 4 0

" 4 0

" 4 0

0 atau 4

untuk 2, dan

46

4 7

0 diperoleh:

3 ) " 4 0

3 " 4 0 3 4

IJ

4 3

2 I √3 3 2 2 √3 atau " √3 3 3

Persamaan 2.3 dan 2.4 dipenuhi oleh titik-titik:

2 2 0,0 , 0,4 , L √3, 2M , L" √3, 2M 3 3

Hessian untuk menyelidikinya sehingga turunan kedua dari adalah: Untuk mengetahui titik maksimum dan

minimum maka digunakan matriks

N 6 N


13 N 2 , dan N

N N 2 " 4 N N

Jadi matriks Hessiannya menjadi QR

6 2 " 4

2 " 4 S 2

sehingga diperoleh Q T6 U, karena matriks Q merupakan matriks Q maka Q Q R

6 2 " 4

2 " 4 S 2

Tabel 2.1 Nilai Matriks Hessian Untuk Masing-Masing Titik Ekstrim

, 0,0 0,4

2 L √3, 2M 3

Matriks H

D

0 "4 0 D 4

4√3 V 0

"4√3 2 L" √3, 2M V 3 0

"4 E 0 4 E 0

0 4 W √3 3

0 4 W " √3 3

Q

Q

Sifat H

0

-16

Tak tentu

0

-16

Tak tentu

4√3

16

"4√3

16

Definit positif Definit negatif

Sifat ,

,

Titik belok

1

Titik belok

Minimum

Maksimum

1

"

16 √3 ) 1 9

16 √3 ) 1 9


14 Grafik dalam ruang tiga dimensi diperlihatkan oleh Gambar 2.3. 2 L" √3, 2M 3

0,4

0,0

2 L √3, 2M 3

Gambar 2.3 Grafik , * ) " 4 ) 1

2.4 Optimasi Suatu permasalahan optimasi disebut nonlinier jika fungsi tujuan dan kendalanya mempunyai bentuk nonlinier pada salah satu atau keduanya. Optimasi merupakan masalah yang berhubungan dengan keputusan yang terbaik, maksimum, minimum umum masalah optimasi adalah untuk menentukan bersyarat , , … ,

dan memberikan cara penentuan solusi yang memuaskan. Salah satu bentuk sehingga mencapai tujuannya untuk memaksimumkan/meminimumkan

dengan kendala 0 dan untuk 0 dengan dan adalah

fungsi yang diketahui dengan n variabel keputusan. Dalam masalah optimasi

terdapat dua bentuk masalah optimasi yaitu optimasi bersyarat dan optimasi tak bersyarat.


15

2.4.1 Optimasi Tak Bersyarat Masalah optimasi tak bersyarat merupakan masalah optimasi yang tidak memiliki batasan-batasan, hanya memiliki fungsi tujuan yang sederhana, yaitu: Memaksimumkan/meminimumkan:

2.5

untuk semua , , … , dan adalah sebuah fungsi yang dapat Syarat perlu dan cukup agar suatu penyelesaian ∗

didiferensialkan.

merupakan penyelesaian optimal adalah Y ∗

46

4 Z

0 di ∗ untuk 1,2, … , /

2.6

Jika mempunyai minimum atau maksimum lokal di ∗ dan jika derivasi Teorema Fermat:

pertama dari memiliki nilai pada titik ∗ ,maka Y ∗ 0.

Titik ∗ adalah titik maksimum lokal dari jika dan hanya jika: Teorema 2.1:

(i)

(ii)

Y ∗ 0

H ∗ 0 definit negatif atau "1 |Q| 0 untuk 1,2, … , /

dengan H adalah matriks Hessian

Titik ∗ adalah titik minimum lokal dari jika dan hanya jika: Teorema 2.2:

(i)

(ii)

Y ∗ 0

H ∗ 0 definit positif atau |Q| 0 untuk 1,2, … , / dengan

H adalah matriks Hessian

Matriks juga dapat digunakan untuk uji syarat kedua pada proses optimasi tak bersyarat terutama pada fungsi multivariabel (lebih dari satu variabel bebas), yaitu menggunakan suatu determinan yang dikenal dengan nama determinan Hessian (Hessian Determinant). Determinan Hessian diturunkan dari matriks


16

, , … , maka matriks Hessiannya mempunyai dimensi n ? n.

bujur sangkar di mana elemen-elemennya merupakan turunan kedua parsial. Jika

Diagonal utama (principal diagonal) dari matriks Hessian terdiri dari turunan kedua parsial langsung, sedangkan elemen-elemen di luar diagonal utama merupakan turunan kedua silang. Jadi penggunaan determinan Hessian untuk uji syarat kedua akan 1. Maksimum relatif jika H ∗ definit negatif. menghasilkan:

2. Minimum relatif jika H ∗ definit positif.

3. Jika kedua kondisi tidak dipenuhi maka tidak diperoleh suatu kesimpulan, apakah fungsi mempunyai maksimum atau minimum.

2.4.2 Optimasi Bersyarat Optimasi bersyarat adalah masalah optimasi yang memiliki syarat atau memiliki batasan-batasan yang merupakan masalah pemodelan matematika dalam optimasi fungsi yang mensyaratkan beberapa kondisi atau syarat untuk diperoleh solusi optimal yaitu syarat yang mengoptimumkan fungsi tujuan. Masalah optimasi bersyarat dengan kendala persamaan merupakan masalah optimasi yang dibatasi dengan batasan-batasan berupa persamaan dengan bentuk umum sebagai berikut: Memaksimumkan/meminimumkan :

dengan kendala

:

2.7

0

1,2, … ,

^ , , … , _`

/

Determinan Hessian juga dapat digunakan untuk uji syarat kedua dari optimasi fungsi dengan kendala persamaan, dinamakan matriks Hessian terbatas (bordered dari fungsi Lagrange terhadap dibatasi oleh turunan parsial pertama dari fungsi

Hessian). Disebut dengan matriks Hessian terbatas karena turunan parsial kedua


17

kendala. Matriks Hessian Terbatas adalah matriks yang entri-entrinya adalah a , , b , ) b ,

turunan parsial kedua dari fungsi Lagrange berikut:

Syarat 1)

Syarat 2)

Na 0 0 N N Na 0 N N Na N 0 Nb N

0 Qc d

a a

a a d atau da a

a a

d 0

N N Na N Na N

N N Na N Na N

Qc disebut bordered Hessian yaitu determinan Hessian asli yang dibatasi

oleh turunan pertama dari fungsi kendala dengan nol sebagai principal diagonal. Ordo dari bordered principal minor ditentukan oleh principal minor yang dibatasi. Determinan Hessian asli adalah e

a a

a e. a

Qc Qc disebut second bordered principal minor karena principal minor yang

dibatasi mempunyai dimensi 2 ? 2.

Untuk fungsi dengan n variabel determinan Hessiannya sebagai berikut: … 0 a a … a f f Qc a a … a f f ⋱ ⋮ ⋮ ⋮ ⋮ a a … a

2.8

di mana Qc Qc karena principal minor yang dibatasi berorder n ? n, sehingga:

1. Maksimum relatif jika Qc definit negatif, di mana Qc 0 atau "1 |Qc | 0 untuk 2,3, … , / dengan Qc adalah matriks Hessian

terbatas (bordered Hessian).


18 2. Minimum relatif jika Qc definit positif, di mana Qc 0 atau |Qc | 0 untuk 2,3, … , / dengan Qc adalah matriks Hessian terbatas (bordered Hessian).

Uji syarat kedua dengan bordered Hessian dimulai dari Qc bukan Qc .

2.5 Metode Pengali Lagrange Salah satu metode yang digunakan untuk menyelesaikan masalah ekstrim terbatas adalah dengan cara substitusi. Dengan metode substitusi, salah satu variabel bebas dari persamaan terkendala disubstitusikan pada fungsi tujuan yang akan dicari nilai ekstrimnya. Sebagai hasilnya, masalah ekstrim terkendala diselesaikan melalui ekstrim bebas fungsi. Namun demikian, metode substitusi tidak selalu membawa hasil, jika batasan-batasannya tidak hanya melibatkan satu persamaan kendala. Disamping itu, masalah-masalah ekstrim terbatas sering timbul dalam masalah-masalah nyata, di mana batasan-batasannya tidak hanya satu fungsi. Masalah yang sering timbul dengan metode substitusi adalah tidak mudah untuk menentukan titik kritisnya. Salah satu metode untuk mengatasi masalah ekstrim terkendala adalah metode pengali Lagrange. Metode pengali Lagrange dikembangkan didasarkan pada kenyataan bahwa ekstrim terbatas, nilai ekstrimnya selalu terletak pada titik kritisnya. Metode pengali Lagrange menyediakan suatu metode aljabar yang cukup baik untuk menentukan titik kritis, sehingga masalah ekstrim terkendala dengan metode pengali Larange dapat di atasi. Metode pengali Lagrange adalah sebuah teknik yang dapat digunakan untuk menyelesaikan masalah optimasi bersyarat dengan kendala persamaan dalam suatu bentuk sedemikian sehingga syarat perlu untuk masalah optimasi tak bersyarat

masih

dapat

diterapkan.

Sesuai

namanya,

konsep

Lagrange

dikemukakan oleh Joseph Louis Lagrange (1736-1813). Inti dari metode pengali Lagrange adalah mengubah titik ekstrim terkendala menjadi persoalan titik ekstrim bebas kendala. Teori pengali Lagrange digunakan untuk menangani


19

optimalitas dari permasalahan program nonlinier. Metode pengali Lagrange dimulai dengan pembentukan fungsi Lagrange yang didefinisikan sebagai: a,λ ) ∑i

j λ

2.9

diturunkan , , … , dengan kendala , , … , , di mana

Asumsikan masalah maksimisasi suatu fungsi kontinu dan dapat

juga kontinu dan dapat diturunkan. Kondisi tersebut menyarankan bahwa dapat dipilih variabel pada kendala dan menyatakan variabel yang lain,

sehingga Q , , … , k . Kemudian disubstitusikan ke fungsi tujuan

untuk mendapatkan:

T , , … , k , Q , , … , k U

2.10

Dalam bentuk persamaan 2.10, metode klasik dapat diterapkan karena fungsinya tanpa kendala. Suatu syarat perlu untuk titik ekstrim adalah dengan menghilangkan semua turunan pertama yaitu

4l

4 Z

0, di mana 1,2, … , / " 1.

Dengan menggunakan dalil rantai diperoleh: 4l

4 Z

4 Z

)

4 9 4 Z

46

)

46

∙

4n

4 9 4 Z

0, di mana 1,2, … , / " 1

2.11

dari , , … , , diperoleh: 4o

4 Z

4o

∙

4n

0, di mana 1,2, … , / " 1

sehingga persamaannya menjadi: 4n

4 Z

"

pq prZ pq pr9

,

4o

4 9

s 0 untuk 1,2, … , / " 1

2.12

N N N N N ) t" u0 N N N N N

substitusi persamaan 2.12 ke persamaan 2.11, sehingga:


20

4l

4 Z

46

4 Z

"

46

4 9

v

pq prZ pq pr9

w 0, 1,2, … , / " 1

Jika vektor solusi yang diperoleh adalah vektor maksimum, maka

∗ , ∗ , … , ∗ adalah nilai maksimum. Dengan mengganti " 46

4 Z

)b

4o

4 Z

px pr9 pq pr9

b, maka

0, di mana 1,2, … , / dengan syarat , , … , .

Syarat perlu bagi sebuah fungsi dengan kendala 0, dengan Teorema 2.3:

1,2, … , agar mempunyai maksimum/minimum relatif pada titik ∗ adalah a , , … , , b , b , … , bi terhadap setiap argumennya mempunyai nilai turunan parsial pertama dari fungsi Lagrangenya yang didefinisikan sebagai

nol (Luknanto, 2000).

Dengan kata lain, syarat perlu untuk maksimum dan minimum dari dengan kendala 0 dapat dicapai dengan Na Na 0 dan 0 Nb N

Jika y∗ , b ∗ z adalah titik kritis dari a, b maka ∗ juga merupakan titik kritis

dari dengan kendala . Jadi nilai ekstrim dengan kendala

adalah ∗ .

Teorema 2.4:

minimum/maksimum relatif pada titik ∗ adalah jika fungsi kuadrat Q yang Syarat

cukup

bagi

sebuah

sebuah

fungsi

agar

mempunyai

didefinisikan sebagai: { ∑j ∑ j

45 |

4 }4 Z

~ ~

2.13

Dievaluasi pada ∗ harus definit positif atau negatif untuk setiap nilai ~ yang memenuhi semua kendala (Luknanto, 2000).


21 Syarat cukup sebuah fungsi agar mempunyai minimum/maksimum dapat

ditentukan dengan matriks Hessian terbatas. Matriks Hessian Terbatas (Bordered

Hessian) didefinisikan sebagai berikut: Qc R

O P

P S Q i ?i

2.14

⋮ W i

2.15

di mana O adalah matriks null berukuran ? , PV ⋮ i

dan

⋯ ⋱ ⋯

i? ,

P adalah transpose dari matriks P, …

45 |

3 4 75 Q 22 ⋮ 2 45 | 14 9 4

7

⋱

…

45 |

4 7 4 9>

⋮

45 |

5 4 9

= = = <

Syarat perlu agar { ∑j ∑ j

2.16

45 |

4 }4 Z

~ ~ menjadi definit positif atau negatif

untuk setiap variasi nilai ~ adalah setiap akar dari polinomial , yang diperoleh ⋮ i 0 0 ⋮ 0

… … ⋱ … … … ⋱ …

dari determinan persamaan di bawah ini harus positif atau negatif. a " a a* a " a* a f ⋮ ⋮ ⋮ a a a* f * * f ⋮ ⋮ ⋮ i i i*

dengan a

45 | ∗ , 4 }4 Z

… … ⋱ … … … ⋱ …

dan

a a ⋮ ⋮ a " i 0 0 ⋮ ⋮ i 0

4o} ∗ 4 Z

(Luknanto, 2000).

i i ⋮ f i f 0 2.17 0 0 f ⋮ 0

a = turunan untuk pada persamaan ke

keterangan:

= turunan untuk pada persamaan kendala larange ke


22

Pengali Lagrange mempunyai arti secara fisik yang menarik, dimisalkan terdapat permasalahan optimasi dengan satu kendala sebagai berikut: Maksimumkan / minimumkan dengan kendala

2.18

Fungsi Lagrangenya adalah

a,λ ) λy " z

2.19

Syarat perlu untuk penyelesaiannya adalah 4|

4 } 4|

4λ

0 untuk 1,2, … , / dan

0

2.20 2.21

sehingga persamaan 2.19, 2.20, dan 2.21 menghasilkan: 46

4 }

"λ

4o

4 }

0 untuk 1,2, … , /

2.22

" 0 atau

2.23

N N ~ " λ ~ 0 untuk 1,2, … , / N N

dari persamaan 2.22 diperoleh:

atau

atau

atau

N N ~ " λ ~ 0 untuk 1,2, … , / N N j

j

j

j

N N ~ λ ~ N N

N N ~ λ ~ N N j

~

j

2.24

~


23

Persamaan 2.23 dan 2.24 menghasilkan hasil yang final yaitu:

atau

~ λ ~

~ λ∗ ~

2.25

berbanding lurus dengan perubahan kendala dengan faktor sebesar pengali Dari persamaan 2.22 pada penyelesaian optimum, perubahan fungsi tujuan

Lagrange yaitu λ.

2.6 Utilitas Marjinal Fungsi utilitas adalah fungsi yang menjelaskan besarnya utilitas (kepuasan, kegunaan) yang diperoleh seseorang dari mengkonsumsi suatu barang atau jasa. Pada umumnya semakin banyak jumlah suatu barang dikonsumsi semakin besar utilitas yang diperoleh, kemudian mencapai titik puncaknya (titik jenuh) pada jumlah konsumsi tertentu, sesudah itu justru menjadi berkurang atau bahkan negatif jika jumlah barang yang dikonsumsi terus menerus ditambah. Utilitas total merupakan fungsi dari jumlah barang yang dikonsumsi. Persamaan utilitas total (U) dari mengkonsumsi suatu jenis barang berupa fungsi kuadrat parabolik, dengan kurva berbentuk parabola terbuka ke bawah. Utilitas marjinal (MU) adalah utilitas tambahan yang diperoleh dari setiap satu unit barang yang dikonsumsi. Secara matematik, fungsi utilitas marjinal merupakan derivatif { di mana U melambangkan utilitas total dan Q jumlah barang yang pertama dari fungsi utilitas total. Jika fungsi utilitas total dinyatakan dengan

dikonsumsi, maka utilitas marjinal

.

2.26


24

Grafiknya kurva fungsi utilitas diperlihatkan oleh Gambar 2.4.

Gambar 2.4 Grafik Fungsi Utilitas Karena fungsi utilitas total yang nonlinier pada umumnya berbentuk fungsi kuadrat, fungsi utilitas marjinalnya akan berbentuk fungsi linier. Kurva utilitas marjinal (MU) selalu mencapai nol tepat pada saat kurva utilitas total (U) berada pada posisi puncaknya. Utilitas total { 90{ " 5{ , utilitas marjinalnya adalah Contoh 2.3:

90 " 10{

maksimum pada 0

sehingga 90 " 10{ 0 → { 9

maka iii 909 " 59 810 " 405 405


25

Grafiknya diperlihatkan oleh Gambar 2.5.

Gambar 2.5 Grafik 90{ " 5{ dan 90 " 10{

2.7 Produk Marjinal Produk marjinal (MP) ialah produk tambahan yang dihasilkan dari suatu unit tambahan faktor produksi yang digunakan. Secara matematik, fungsi produk total dinyatakan di mana melambangkan jumlah produk total dan

marjinal merupakan derivatif pertama dari fungsi produk total. Jika fungsi produk

adalah jumlah masukan, maka produk marjinal:

2.27

Karena fungsi produk total yang nonlinier pada umumnya berbentuk fungsi kubik, fungsi produk marjinalnya akan berbentuk fungsi kuadrat (parabolik). Kurva produk marjinal (MP) selalu mancapai nilai ekstrimnya. Dalam hal ini, nilai maksimum tepat pada saat kurva produk total (P) berada pada posisi titik beloknya. Produk total mancapai puncaknya ketika produk marjinalnya nol. Sesudah kedudukan ini, produk total menurun bersamaan dengan produk marjinal


26

menjadi negatif. Area di mana produk marjinal negatif menunjukan bahwa penambahan penggunaan masukan yang bersangkutan justru akan mengurangi jumlah produk total (Dumairy, 1996). Produksi total 9 " * , produk marjinalnya adalah Contoh 2.4:

18 " 3

sehingga iii pada 0 pada 6 dengan iii 108

berada dititik belok dan maksimum pada " ′ 0 yaitu pada 3 Grafiknya diperlihatkan oleh Gambar 2.6.

Gambar 2.6 Grafik 9 " * dan 18 " 3


BAB 2 LANDASAN TEORI

Recommend Documents