Algoritma Metode Grafis

Langkah 1 : Menentukan Jenis Permasalahan Program Linier

Jika permasalahan membicarakan keuntungan (profit), maka jenis permasalahan program
linier adalah maksimalisasi.
Jika permasalahan membicarakan biaya (cost), maka jenis permasalahan program linier
adalah minimalisasi.
Jika ada informasi tentang selisih antara hasil penjualan (sales) dan biaya dengan pokok
pembicaraan profit, maka jenis permasalahannya adalah maksimalisasi.

Langkah 2 : Merumuskan Fungsi Tujuan/Sasaran (Objective Function)
Jenis permasalahan program linier dan definisi peubah keputusan akan merumuskan fungsi
tujuan.
Jika peubah keputusan terdefinisi dengan jelas, maka fungsi tujuan akan mudah ditetapkan.
Langkah 3 : Merumuskan Fungsi Kendala/Syarat/ Batasan (Constraint)
Tentukan koefisien setiap peubah keputusan untuk setiap fungsi kendala yang ada (1...n).
Tentukan tanda pertidaksamaan dari setiap fungsi kendala.
Setiap peubah keputusan dari kedua jenis permasalahan program linier tidak boleh negatif
(harus lebih besar atau sama dengan nol)

Langkah 4 : Gambar Grafik dari Pertidaksamaan yang Menjadi Fungsi Kendala/Batasan
Ubah pertidaksamaan yang didapat menjadi sebuah persamaan garis dengan mengganti
tanda pertidaksamaan menjadi =.
Tentukan titik potong sumbu x dengan mengalikan peubah keputusan y dengan 0. Sehingga
akan didapat titik potongnya adalah (x,0).
Tentukan titik potong sumbu y dengan mengalikan peubah keputusan x dengan 0. Sehingga
akan didapat titik potongnya adalah (0,y).
Lakukan pengujian dengan titik (0,0) untuk setiap persamaan garis dan (1,1) untuk peubah
keputusan.
Gambar grafik

Langkah 5 : Mencari Nilai Titik - Titik Potong Dari Persamaan Garis yang Berpotongan
Lakukan eliminasi pada persamaan garis yang berpotongan
Setelah mendapatkan salah satu nilai dari peubah keputusan, substitusikan pada salah satu
persamaan garisnya.
Tentukan titik potongnya (x,y)
Langkah 6 : Memasukkan Titik Potong Ke Dalam Fungsi Tujuan
Hitung nilai dari hasil memasukkan titik potong ke dalam fungsi tujuan
Tentukan nilai maksimal/minimal