Prosedur perhitungan yang dibicarakan sejauh ini bergerak dari solusi dasar
layak yang belum optimum ke solusi layak yang lain. Apakah proses tersebut
akhirnya akan mencapai suatu solusi layak optimum, adalah tergantung pada
kemampuan untuk mendapatkan suatu solusi dasar awal yang layak. Dalam
kaitan ini, artificial variabel kadang-kadang digunakan untuk menemukan solusi
awal layak. Jika formulasi LP mengandung sejumlah besar artificial variable,
maka membutuhkan banyak perhitungan untuk memperoleh solusi awal layak.
Karena itu, akan dijelaskan suatu prosedur perhitungan yang memberikan suatu
solusi layak optimum, meskipun solusi awalnya tidak layak. Prosedur itu
dinamakan dual simplex algorithm yang pertama kali disusun oleh Lemke.
Algoritma ini tidak banyak digunakan di antara program-program komputer yang
ada. Namun ia memainkan peranan penting dalam post optimality analysis.
Berikut ini disajikan contoh bagaimana metode itu bekerja :
Contoh :
Minimumkan
Dengan syarat
4X 1
3X 1
X1
X1
X1
+
+
+
+
;
2X 2
X2
X2
2X 2
X2
27
21
30
Minimumkan
Dengan syarat
4X 1
- 3X 1
- X1
- X1
+
-
2X 2
X2 + S1
X2
+ S2
2X 2
+ S3
X 1, X 2, S 1 , S 2 , S 3 ,
- 27
- 21
- 30
0
Jika bentuk baku di atas diekspresikan sebagai suatu tabel simplex awal,
maka akan terlihat bahwa variabel slack (S1 , S 2 , S 3 ) tidak memberikan solusi
awal layak. Karena ini merupakan masalah minimisasi sementara semua
koefisien pada persamaan Z adalah 0, maka solusi awal S 1=-27, S 2 =-21,
S3 =-30 adalah optimum tetapi tak layak. Masalah ini merupakan ciri khas dari
masalah yang dapat diselesaikan dengan metode dual simplex. Tabel solusi
awal optimum tapi tak layak adalah :
X1
X2
S1
S2
S3
Solusi
Z
S1
S2
S3
-4
-3
-1
-1
-2
-1
-1
-2
0
1
0
0
0
0
1
0
0
0
0
1
0
- 27
- 21
- 30
Seperti dalam metode simplex, metode ini didasarkan pada optimality and
feasibility condition. Optimality condition menjamin bahwa solusi selalu tetap
optimum, sementara feasibility condition memaksa solusi dasar mencapai
ruang layak.
Feasibility Condition : leaving variable adalah variabel basis yang memiliki
nilai negatif terbesar (nilai kembar dipilih secara sembarang). Jika semua
variabel basis non negatif, proses berakhir dan solusi layak yang telah
optimum tercapai.
Optimality Condition : entering variable dipilih dari variabel non basis dengan
cara seperti berikut. Buat rasio antara koefisien persamaan Z dengan koefisien
persamaan yang berhubungan pada leaving variable. Abaikan rasio dengan
penyebut positif atau nol. Bagi masalah minimisasi, entering variable adalah
salah satu yang memiliki rasio terkecil, atau absolut rasio terkecil untuk
masalah maksimisasi (rasio kembar dipilih secara sembarang). Jika semua
penyebut adalah nol atau positif, berarti masalah itu tidak memiliki solusi
layak.
Setelah memilih entering and leaving variable, metode Gauss Jordan (operasi
baris) diterapkan seperti biasa untuk memperoleh solusi berikutnya. Leaving
variable pada Tabel 1 adalah S 3 (=-30), karena ia memiliki nilai negatif
terbesar. Untuk menentukan entering variable, rasionya diperoleh dengan cara
berikut :
Variabel
X1
X2
S1
S2
S3
Persamaan Z
Persamaan S 3
-4
-1
-2
-2
0
0
0
0
0
1
Rasio
X1
-3
X2
0
S1
0
S2
0
S3
-1
Solusi
30
S1
S2
X2
- 2,5
- 1/2
1/2
0
0
1
1
0
0
0
1
0
-1/2
- 1/2
- 1/2
- 12
-6
15
Solusi baru masih optimum tetapi tak layak (S 1 =-12, S 2 =-6). Kemudian S 1
dipilih sebagai leaving variable dan X1 sebagai entering variable. Ini memberikan iterasi seperti berikut :
Tabel 3. Iterasi Kedua
Basis
Z
X1
0
X2
0
S1
- 1,2
S2
0
S3
- 0,4
X1
S2
X2
1
0
0
0
0
1
- 0,4
- 0,2
- 0,2
0
1
0
0,2
- 0,4
- 0,6
Solusi
44,4
4,8
- 3,6
12,6
Pada iterasi kedua belum diperoleh solusi layak (S 2 = - 3,6). Karena S 2 adalah satusatunya yang bernilai negatif, dengan sendirinya ia menjadi leaving variabel dan S3
sebagai entering variabel, ini memberikan iterasi seperti berikut :
Tabel 4. Iterasi Ketiga
Basis
Z
X1
0
X2
0
S1
-1
S2
-1
S3
0
Solusi
48
X1
S3
X2
1
0
0
0
0
1
- 1/2
1/2
1/2
1/2
- 2,5
- 1,5
0
1
0
3
9
18
Tabel Iterasi Ketiga merupakan tabel optimum dan layak dengan nilai fungsi tujuan
adalah 48.