OPERATIONS RESEARCH 1

MATERI KULIAH 1

susy susmartini operations research 1, 2006 1

TAHAPAN KEGIATAN :
• PERENCANAAN
• PERSIAPAN/PENGADAAN
• OPERASIONAL
• EVALUASI KENDALA /
KETERBATASAN

PENGAMBILAN
KEPUTUSAN
OPTIMASI

TUJUAN

susy susmartini operations research 1, 2006 2

 PENGAMBILAN KEPUTUSAN DENGAN
PENDEKATAN
OPERATIONS RESEARCH

MODEL DETERMINISTIK MODEL STOKASTIK

• PROGRAM LINIER • MODEL ANTRIAN
• PROGRAM INTEGER • PROSES MARKOV
• PROGRAM NON LINIER • MODEL SIMULASI
• PROGRAM DINAMIS • ANALISA KEPUTUSAN
• MODEL PERSEDIAAN
• MODEL JARINGAN
susy susmartini operations research 1, 2006 3
 PROGRAMA LINIER
• METODE GRAFIS
• METODE SIMPLEKS :
– OPERASI PIVOT ( TABLO )
• METODE UMUM/DASAR
• METODE BIG M
• METODE DUA PHASE
– REVISED SIMPLEX METHOD
• MASALAH DUALITAS ( PRIMAL-DUAL )
• ANALISA SENSITIVITAS
• SPECIAL TYPES :
– TRANSPORTATION PROBLEM
– TRANSHIPMENT PROBLEM
– ASSIGNMENT PROBLEM
– MULTIDIVISIONAL PROBLEM
susy susmartini operations research 1, 2006 4
 BATASAN UMUM
FUNGSI TUJUAN (Objective function) :
Max / Min Z  c1 x1  c2 x2  .......  cn xn

FUNGSI KENDALA (Subject to / Constraint) :

a11 x1  a12 x2  ..........  a1n xn  , , atau   k1
a21 x1  a22 x2  ..........  a2 n xn  , , atau   k 2
:
:
am1 x1  am 2 x2  ..........  amn xn  , , atau   k m

x1 , x2 ,......., xn  0
susy susmartini operations research 1, 2006 5
CONTOH 1 :

Sebuah perusahaan pembuat pesawat TV memutuskan untuk membuat TV

berukuran 27’ dan 20’. Menurut pengamatan, kebutuhan pasar tidak lebih dari
40 unit / bulan untuk TV 27’, dan tidak lebih dari 10 unit / bulan untuk TV
20’.
Produksi 1 unit TV 27’ memerlukan waktu selama 20 jam kerja, dan 1 unit
TV 20’ memerlukan waktu selama 10 jam kerja. Sedangkan waktu yang
tersedia : 500 jam kerja / bulan.
Besarnya keuntungan untuk setiap unit TV 27’ diharapkan $120, dan $80 /
unit TV 20’
Seorang penyalur bersedia membeli semua produksi kedua tipe TV tersebut,
asalkan tidak melampaui jumlah yang diperoleh dari hasil pengamatan tentang
kebutuhan pasar.
Formulasikan ke dalam model Programa Linier untuk mendapatkan jumlah
masing-masing tipe TV tersebut, agar diperoleh keuntungan yang maksimal.

susy susmartini operations research 1, 2006 6

Penyelesaian :
Misalkan : jumlah produk I (TV 27’) : x1
jumlah produk II (TV 20’) : x2
Objective Function :
Max : Z  120 x1  80 x2
Constraint Set :
20 x1  10 x2  500
x1  40
x2  10
x1 dan x2  0

susy susmartini operations research 1, 2006 7

CONTOH 2 :
Sebuah perusahaan tambang mengoperasikan tiga tambang di Virginia Barat.
Bijian dari tiap tambang dipisahkan ke dalam dua jenis kualitas sebelum
dikirimkan kepada konsumennya. Berikut ini adalah kapasitas produksi dan
ongkos produksi harian masing-masing tambang tersebut :

TAMBANG KUALITAS KUALITAS BIAYA

TINGGI RENDAH OPERASI
(TON/HARI) (TON/HARI) ($1000/HARI)
I 4 4 20
II 6 4 22
III 1 6 18

Perusahaan telah memutuskan untuk mengirim 54 ton bijian kualitas tinggi dan
65 ton bijian kualitas rendah tiap minggu. Formulasikan ke dalam model
Programa Linier untuk menentukan jumlah hari kerja di tiap tambang dalam
satu minggu, agar perusahaan dapat menekan biaya operasionalnya.

susy susmartini operations research 1, 2006 8

PENYELESAIAN :
Misalkan : Jumlah hari kerja di tambang i adalah xi
Untuk i = 1, 2, 3
Objective function :
Minimize Z  20 x1  22 x2  18 x3

Subject to :
4 x1  6 x2  1x3  54
4 x1  4 x2  6 x3  65
x1  7
x2  7
x3  7
x1 , x2 , x3  0

susy susmartini operations research 1, 2006 9

 METODE GRAFIS
CONTOH 3 :
Sebuah perusahaan merencanakan dua macam produksi, yaitu Bearing Plate
(Produk I) dan Gear (Produk II). Proses produksi kedua produk tersebut
menggunakan Milling Machine (kapasitas : 60 Machine Hours / week) dan
Metal Lathe (kapasitas : 40 Machine Hours / week) yang sama. Masing-masing
produk memerlukan lama waktu pengerjaan yang berbeda pada tiap mesin
tersebut, yaitu :
Machine Machine Hours / unit
Product I Product II
Milling Machine 5 10
Metal Lathe 4 4

Jika diperkirakan keuntungan Produk I : $6 dan Produk II : $8, berapa

jumlah masing-masing produk yang harus dibuat, agar mendapatkan
keuntungan yang maksimal

susy susmartini operations research 1, 2006 10

 Penyelesaian :
Misalkan : Jumlah Produk I : x1 Objective function :
Maximize Z  6 x1  8 x2
12 Jumlah Produk II : x2 Subject to :
5 x1  10 x2  60
10 Z = 48 4 x1  4 x2  40
x1 , x2  0
8 5 x1  10 x2  60

A(0,6)
6 4 x1  4 x2  40 Optimal pada :
x1  8, x2  2  Z  64
4
Z = 64
2
B(8,2)
Z = 60
C(10,0)

0 2 4 6 8 10 12
susy susmartini operations research 1, 2006 11
 METODE SIMPLEKS
(OPERASI PIVOT)
BEKERJA DALAM
KOLOM-KOLOM DALAM TABLO : TABLO

1. C B : Koefisien Variabel Basis pada Fungsi Tujuan (Objective Function)

2. VB : Variabel Basis
a. Variabel Basis Awal :
Variabel yang terdapat hanya pada satu Constraint Set
b. Variabel Basis pada langkah-langkah selanjutnya
Dipilih, sebagai Entering Variable, melalui pemilihan :
- C j yang positif terbesar (Maximize)
- C j yang paling negatif (Minimize)

c. Variabel Basis yang diganti :

Leaving Variable, melalui pemilihan nilai terkecil pada kolom
perbandingan RK : VB
susy susmartini operations research 1, 2006 12
3. xi :Variabel
4. C j : Koefisien Variabel Pada Fungsi Tujuan
5. Konst Ruan Kn : Konstanta Pembatas pada Constraint Set
6. Perband RK : KP : Perbandingan Kolom Konstanta Ruas Kanan dengan
Kolom Pivot

Cj Konst Perband
CB Var . . . Ruas Konst RK:
Basis x1 x2 Kanan Kolom Pivot

Cj

susy susmartini operations research 1, 2006 13

 LANGKAH-LANGKAH OPERASI PIVOT

1. Ubah Formulasi / Bentuk Dasar Programa Linier ke Bentuk Standard :

a. Constraint Set berbentuk persamaan “=“
b. Konstanta Ruas Kanan pada Constraint Set harus positif
c. Variabel tambahan pada Constraint Set harus > 0
d. Koefisien Variabel Tambahan pada Objective Function harus “= 0”
2. Bentuk Tablo dengan Kolom-kolom yang telah ditentukan
3. Pilih Variabel Basis Awal, kemudian letakkan berurut pada Kolom
Variabel Basis
4. Isi kolom-kolom yang telah ditentukan, serta isi baris Cj
5. Cari Entering Variable :
a. C  C j   Jumlah perkalian kolom variabel " j" dengan kolom C B 
b. Pilih Entering Variable sesuai Objective Function

susy susmartini operations research 1, 2006 14

6. Kolom Entering Variable, disebut KOLOM PIVOT (KP)
7. Isi kolom “Perband RK : KP”, kemudian pilih nilai terkecil sebagai
Leaving Variable. Abaikan hasil perbandingan yang bernilai negatif
dan pembagi nol. Baris Leaving Variable disebut BARIS PIVOT
8. Cek nilai C j :
a. Untuk masalah Maximize keadaan OPTIMAL pada C j  0
b. Untuk masalah Minimize keadaan OPTIMAL pada Cj 0
9. Berhenti pada kondisi OPTIMAL
Dengan hasil :
Variabel yang menjadi Variabel Basis bernilai besarnya Konstatnta
Ruas Kanannya.
Variabel yang tidak terpilih sebagai Variabel Basis saat itu, bernilai
nol

susy susmartini operations research 1, 2006 15

10. Jika belum optimal, lanjutkan TABLO ke bawah
11. Ganti Variabel Basis yang terpilih sebagai Leaving Variable dengan
variabel yang terpilih sebagai Entering Variable
12. Perpotongan antara KOLOM PIVOT dengan BARIS PIVOT disebut
TITIK PIVOT
a. Upayakan TITIK PIVOT bernilai “1”. Semua konstanta yang berada
di atas / bawahnya dalam KOLOM PIVOT berharga nol.
b. Konstanta lain disesuaikan (melalui iterasi)
13. Hitung C j
14. Cek kembali, apakah sudah optimal ?
a. Jika sudah optimal, hentikan iterasi (seperti langkah 9)
b. Jika belum optimal, lanjutkan ke langkah 10

susy susmartini operations research 1, 2006 16

CONTOH 4 :
Objective function :
Maximize Z  3 x1  2 x2
Subject to :
x1  4
x1  3 x2  15
2 x1  x2  10 Berapa nilai
x1 , x2  0 x1 , dan x2
Yang optimal ?
BENTUK STANDARD :
Objective function :
Maximize Z  3 x1  2 x2  0 S1  0 S 2  0 S 3
Subject to :
x1  S1  4
x1  3 x2  S2  15
2 x1  x2  S3  10
x1 , x2 , S1 , S 2 , S3  0

susy susmartini operations research 1, 2006 17

 Cj 3 2 0 0 0 Konst Perband
Var Ruas Konst RK:
CB x1 x2 S1 S2 S3
Basis Kanan Kolom Pivot

S1
0 1 0 1 0 0 4 4/1 = 4
S2
0 1 3 0 1 0 15 15/1 = 15
0 S3 2 1 0 0 1 10 10/2=5

Cj 3 2 0 0 0 Z=0

Cj 3 2 0 0 0 Konst Perband
CB Var x1 x2 S1 S2 S3
Ruas Konst RK:
Basis Kanan Kolom Pivot
x1
3 1 0 1 0 0 4 4/0
S2
0 0 3 -1 1 0 11 11/3=3.67
0 S3 0 1 -2 0 1 2 2/1=2

Cj 0 2 -3 0 0 Z=12

susy susmartini operations research 1, 2006 18

 3 2 0 0 0 Konst Perband
Cj Ruas Konst
Var x1 x2 S3
CB S1 S2 Kanan RK:Kolom
Basis
Pivot
x1
3 S2 1 0 1 0 0 4 4/1=4
0 x2 0 0 5 1 -3 5 5/5=1
2 0 1 -2 0 1 2 2/-2=-1
Cj 0 0 1 0 -1 Z=16

3 2 0 0 0 Konst Optimal
CB Cj Ruas pada
Var
Basis x1 x2 S1 S2 S3 Kanan
x1= 3
x1
3 1 0 0 -1/5 3/5 3
S1 x2= 4
0 0 0 1 1/5 -3/5 1
2 x2 0 1 0 2/5 -1/5 4 Z=17
0 0 0 -1/5 -7/5 Z=17
Cj
susy susmartini operations research 1, 2006 19
 VARIABEL SEMU
CONTOH 5 :
Objective function :
Minimize Z  3x1  x2  x3
Subject to :
x1  2 x2  x3  11
4 x1  x2  2 x3  3
2 x1  x3   1
x1 , x2 , x3  0

BENTUK Objective function :

STANDARD
Minimize Z  3 x1  x2  x3  0S1  0 S 2
Subject to :
x1  2 x2  x3  S1  11
4 x1  x2  2 x3  S 2  3
2 x1  x3  1
x1 , x2 , x3 , S1 , S 2  0
susy susmartini operations research 1, 2006 20
 x1  2 x2  x3  S1  11  ada Variabel Basis Awal , layak
 4 x1  x2  2 x3  S 2  3  ada Variabel Basis Awal , tidak layak
 2 x1  x3  1  tidak ada Variabel Basis Awal .

UNTUK MENDAPATKAN VARIABEL BASIS AWAL YANG LAYAK,

DIPERLUKAN PENAMBAHAN SUATU VARIABEL SEMU

SEHINGGA :
Objective function :
Minimize Z  3 x1  x2  x3  0S1  0S 2
Subject to :
x1  2 x2  x3  S1 11
4 x1  x2  2 x3  S 2  R1  3
2 x1  x3  R2  1
x1 , x2 , x3 , S1 , S 2 , R1 , R2  0

susy susmartini operations research 1, 2006 21

x1  2 x2  x3  S1 11  S1 , Variabel Basis Awal layak
 4 x1  x2  2 x3  S 2  R1  3  R1 , Variabel Basis Awal layak
 2 x1  x3  R2  1  R2 , Variabel Basis Awal layak

TAPI …………
KARENA DI ANTARA VARIABEL BASIS AWAL TERSEBUT
TERDAPAT VARIABEL SEMU, MAKA SOLUSI BASIS MENJADI
SOLUSI TAK LAYAK
KEADAAN INI DAPAT DIATASI DENGAN :
1. METODE SIMPLEKS M BESAR (BIG M)
2. METODE SIMPLEKS 2 PHASE

susy susmartini operations research 1, 2006 22

 METODE SIMPLEKS M BESAR (BIG M)

Objective function :
Minimize Z  3 x1  x2  x3  0 S1  0 S 2  MR1  MR2
Subject to :
x1  2 x2  x3  S1 11
4 x1  x2  2 x3  S 2  R1  3
2 x1  x3  R2  1
x1 , x2 , x3 , S1 , S 2 , R1 , R2  0

CATATAN :

PADA MASALAH MINIMIZE harga MRi adalah POSITIF

PADA MASALAH MAXIMIZE harga MRi adalah NEGATIF

susy susmartini operations research 1, 2006 23

 -3 1 1 0 0 M M Konst Perband
Cj
CB VB x1 x2 x3 S1 S2 R1 R2
Ruas Kn RK : KP

S1
0 1 -2 1 1 0 0 0 11 11/1=11
R1
M -4 1 2 0 -1 1 0 3 3/2=1.5
M R2 -2 0 1 0 0 0 1 1 1/1=1
-3+ 1-M 1- 0 M 0 0 Z=4M
Cj 6M 3M

Kolom Pivot (KP) Baris Pivot

Cj -3 1 1 0 0 M M Konst Perband
CB x1 x2 x3 Ruas Kn RK : KP
VB S1 S2 R1 R2
S1
0 3 -2 0 1 0 0 -1 10 10/-2
R1
M 0 1 0 0 -1 1 -2 1 1/1
1
x3 -2 0 1 0 0 0 1 1 1/0
Cj -1 1-M 0 0 M 0 3M-1 Z=1+M
susy susmartini operations research 1, 2006 24
 Cj -3 1 1 0 0 M M Konst Perband
CB VB x1 x2 x3 Ruas Kn RK : KP
S1 S2 R1 R2
S1
0 3 0 0 1 -2 2 -5 12 12/3=4
x2
1 0 1 0 0 -1 1 -2 1 1/0
1 x3 -2 0 1 0 0 0 1 1 1/-2
Cj -1 0 0 0 1 M-1 M+1 Z=2

Cj -3 1 1 0 0 M M Konst Optimal
CB VB x1 x2 x3 Ruas Kn pada
S1 S2 R1 R2
x1 x1 = 4
-3 1 0 0 1/3 -2/3 2/3 -5/3 4
x2 x2 = 1
1 0 1 0 0 -1 1 -2 1
x3
x3 = 9
1 0 0 1 2/3 -4/3 4/3 -7/3 9
Cj 0 0 0 1/3 1/3 M- M- Z=-2 Z = -2
1/3 2/3

susy susmartini operations research 1, 2006 25

 METODE SIMPLEKS DUA FASA
FASA I :
Objective function :
Minimize W  R1  R2
Subject to :
x1  2 x2  x3  S1  11
4 x1  x2  2 x3  S 2  R1  3
2 x1  x3  R2  1
x1 , x2 , x3 , S1 , S 2 , R1 , R2  0

Cj 0 0 0 0 0 1 1 Konst Perband
CB x1 x2 x3 Ruas Kn RK : KP
VB S1 S2 R1 R2
S1
0 1 -2 1 1 0 0 0 11 11/1=11
R1
1 -4 1 2 0 -1 1 0 3 3/2=1.5
1
R2 -2 0 1 0 0 0 1 1 1/1=1
Cj 6 -1 -3 0 1 0 0 W=4

susy susmartini operations research 1, 2006 26

 Cj 0 0 0 0 0 1 1 Konst Perband
CB VB x1 x2 x3 S1 S2 R1 R2
Ruas Kn RK : KP

S1
0 3 -2 0 1 0 0 -1 10 10/-2
R1
1 0 1 0 0 -1 1 -2 1 1/1=1
0 x3 -2 0 1 0 0 0 1 1 1/0
Cj 0 -1 0 0 1 0 3 W=1

Cj 0 0 0 0 0 1 1 Konst Fasa I
CB x1 x2 x3 Ruas Kn optimal
VB S1 S2 R1 R2
S1
0 3 0 0 1 -2 2 -5 12
0
x2 0 1 0 0 -1 1 -2 1
0 x3 -2 0 1 0 0 0 1 1
Cj 0 0 0 0 0 1 1 W=0

susy susmartini operations research 1, 2006 27

FASA II : Objective function : Min Z  3x1  x2  x3
CB Cj -3 1 1 0 0 Konst Perband
VB x1 x2 x3 S1 S2 Ruas Kn RK : KP

S1
0 3 0 0 1 -2 12 12/3=4
x2
1 0 1 0 0 -1 1 1/0
1
x3 -2 0 1 0 0 1 1/-2
Cj -1 0 0 0 1 Z=2
Cj -3 1 1 0 0 Konst Optimal
CB x1 x2 x3
VB S1 S2 Ruas Kn pada :

x1 x1 =4
-3 1 0 0 1/3 -2/3 4
x2 x2 =1
1 0 1 0 0 -1 1
x3 =9
1 x3 0 0 1 2/3 -4/3 9
Cj 0 0 0 1/3 1/3 Z = -2 Z = -2
susy susmartini operations research 1, 2006 28
 REVISED SIMPLEX
NOTASI-NOTASI :

Cj : Koefisien Ongkos Relatif , j  1, 2,....., m

Cj : KoefisienVariabel Keputusan pd Fungsi Tujuan
 : Simplex Multiplier
Pj : Matriks KoefisienTeknologi Bagi x j
Pj : Kolom Pivot
K : Konstanta Ruas Kanan
K : Konstanta Ruas Kanan yang Baru
B : Matriks KoefisienTeknologi Bagi Variabel Basis
(disebut juga Matriks Basis)
B 1 : Invers Matriks Basis
CB : KoefisienVariabel  Variabel Basis pada Fungsi Tujuan
 : Harga Minimum Dari Nilai Perbandingan K dan Pj
susy susmartini operations research 1, 2006 29
LANGKAH PENYELESAIAN :
1. Mengubah Formulasi awal ke dalam Bentuk Standard
2. Mencari Entering Variable

C j  C j   Pj   C B B 1
Kasus :
 Maksimasi, pilih C j Terbesar
 Minimasi, pilih C j Terkecil
Entering Variable  x j dengan C j terpilih

3. Mencari Leaving Variable

K  B 1 K dan Pj  B 1 Pj
  Min  K / Pj 
Leaving Varable :
xB : Variable Basis pada Baris  terpilih
susy susmartini operations research 1, 2006 30
CONTOH 6 :

Objective Function :
Maximize Z  3 x1  5 x2
Subject to
x1  4
 2 x2  12
3 x1  2 x2  18
x1 , x2  0
Bentuk Standard
Objective Function :
Maximize Z  3x1  5 x2  0 S1  0 S 2  0 S3
Subject to
x1  S1  4
 2 x2  S2  12
3 x1  2 x2  S3  18
x1 , x2 , S1 , S 2 , S3  0

susy susmartini operations research 1, 2006 31

Langkah Penyelesaian :
ITERASI I :
a. Mencari ENTERING VARIABEL

C j  C j   Pj   C B B 1
B   P3 , P4 , P5 
1 0 0 1 0 0
B  0 1 0  B 1  0 1 0
0 0 1 0 0 1
C B   0, 0, 0      0, 0, 0
1
C1  3   0, 0, 0 0  3
3
0 
C2  5   0, 0, 0  2  5  x2 ENTERING VARIABLE
2
susy susmartini operations research 1, 2006 32
b. Memilih LEAVING VARIABLE

1 0 0  4   4 
K  B 1 K  0 1 0 12  12
0 0 1 18 18

1 0 0 0 0
Pj  B 1 Pj  P2  0 1 0 2  2
0 0 1 2 2

  Min  4 / 0,12 / 2,18 / 2 

 12 / 2  S 2 LEAVING VARIABLE

susy susmartini operations research 1, 2006 33

ITERASI II
a. Mencari ENTERING VARIABLE

C j  C j   Pj   C B B 1
1 0 0 1 0 0
B   P3 , P2 , P5   B  0 2 0  B 1  0 1 2 0
0 2 1 0  1 1
1 0 0
C B   0, 5, 0      0, 5, 0 0 1 2 0   0, 2 1 2 , 0
0  1 1
1 
C1  3   0, 2 1 2 , 0  0  3
3
 x1 ENTERING VARIABLE
0 
C4  0   0, 2 1 2 , 0  1   2 1 2
0
susy susmartini operations research 1, 2006 34
b. Memilih LEAVING VARIABLE

1 0 0  4   4
K  B 1 K  0 2 1 2 0 12   6 
0  1 1 18  6 

1 0 0 1 1
Pj  B 1 Pj  P1  0 2 1 2 0 0  0
0  1 1 3 3

  Min  4 / 1, 6 / 0, 6 / 3

6/3  S3 LEAVING VARIABLE

susy susmartini operations research 1, 2006 35

ITERASI III
a. Mencari ENTERING VARIABLE

C j  C j   Pj   C B B 1
1 0 1 1 1 3  1 3 
B   P3 , P2 , P1   B  0 2 0  B 1  0 1 2 0 
0 2 3 0  1 3 1 3 
1 1 3  1 3 
C B   0, 5, 3     0, 5, 3 0 1 2 0    0,1 1 2 ,1
0  13 1 3 
0 
SOLUSI OPTIMAL pada :
C4  0   0,1 1 2 ,1 1   1 1 2
0  1 3   4   2 S1  2
 1 1 3
0  K  0 1 2 0  12  6  x2  6
C5  0   0,1 1 2 ,1 0   1 0  1 3 1  18
3   2 x1  2
1

susy susmartini operations research 1, 2006 36

 DUALITY THEORY
(TEORI DUALITAS)

Setiap masalah Programa Linier, dengan variabel :

x j , j  1, 2, 3, ....., n
Mempunyai keterkaitan dengan bentuk Programa Linier
lain, dengan variabel :
yi , i  1, 2, ...., m

(“m” adalah jumlah Constraint Set pada Programa Linier

semula), yang disebut sebagai DUAL nya

Bentuk DUAL ini ditentukan oleh bentuk Programa Linier

semula, yang disebut sebagai PRIMAL

susy susmartini operations research 1, 2006 37

BENTUK UMUM

PRIMAL PROBLEM DUAL PROBLEM

Maximize n Minimize :
Z  cj xj
m
W   bi yi
j 1
i 1

Subject to : Subject to :
n

a x
j 1
ij j  bi i  1, 2, ..., m m

a ij yi  c j j  1, 2, ..., n
i 1
xj  0
yi  0
Maximize Z = cx Minimize : W = yb

Subject to : Ax < b Subject to : yA > c

x>0 y>0
C & y : Row Vector
b & x : Column Vector

susy susmartini operations research 1, 2006 38

Contoh 7:

PRIMAL PROBLEM DUAL PROBLEM

Maximize Minimize 4
 x1 
Z   3,5   W   y1 , y2 , y3  12
 x2  18
Subject to :
Subject to :
1 0 4
0 2  x1   12 1 0
  x   
3 2  2  18  y1 , y2 , y3  0 2   3, 5
3 2
 x1  0
 x   0   y1 , y2 , y3    0, 0, 0
 2  

susy susmartini operations research 1, 2006 39

PRIMAL – DUAL RELATIONSHIP

• WEAK DUALITY PROPERTY

Terjadi jika : cx < yb
x : adalah solusi feasible untuk masalah PRIMAL
y : adalah solusi feasible untuk masalah DUAL

•STRONG DUALITY PROPERTY

Terjadi jika : cx* = y*b
x* : adalah optimal solution untuk masalah PRIMAL
y* : adalah optimal solution untuk masalah DUAL

susy susmartini operations research 1, 2006 40

• COMPLEMENTARY SOLUTION PROPERTY

Pada setiap iterasi, metode Simpleks secara simultan mengidentifi-

kasikan suatu “Corner – Point Feasible Solution” x untuk PRIMAL
Problem dan suatu “Complementary Solution” y untk DUAL Problem,
Dimana :
cx = yb
Contoh :
Problem contoh 6, pada Iterasi II :

0 
x   y   0, 2 1 2 , 0  cx  30  yb
6 

susy susmartini operations research 1, 2006 41

• COMPLEMENTARY OPTIMAL SOLUTION PROPERTY
Pada Iterasi terakhir :

x* : optimal solution
 cx *  y * b
y* : compl. opt. solution
Contoh :
Iterasi terakhir pada contoh 6 :

2
x*     y *   0, 3 2 ,1  cx *  36  yb
6 

yi* : SHADOW PRICE untuk PRIMAL PROBLEM

susy susmartini operations research 1, 2006 42

SYMMETRY PROPERTY :

Untuk setiap PRIMAL PROBLEM dan DUAL PROBLEMnya,

Semua hubungan antara keduanya merupakan huibungan yang

Symmetry, karena DUAL PROBLEM dari suatu DUAL PROBLEM
adalah
PRIMAL PROBLEMnya

susy susmartini operations research 1, 2006 43

HUBUNGAN NILAI y * , C jB* ,  *
Jika :
y* : adalah nilai yi optimal bagi suatu DUAL PROBLEM

C *
jB : adalah nilai C j* untuk Variabel Basis Awal pada saat xj
optimal (PRIMAL PROBLEM)

* : adalah nilai  (Simplex Multiplier dala Revised Simplex

Method) pada saat harga xj optimal (PRIMAL PROBLEM)

Maka : y *
= C *
jB =
 *
= SHADOW PRICE
untuk PRIMAL PROBLEM

susy susmartini operations research 1, 2006 44

Contoh 8 :
(Kembali ke kasus contoh 6) Objective Function :
Maximize Z  3 x1  5 x2
Subject to
x1  4
 2 x2  12
3 x1  2 x2  18
x1 , x2  0

a. Penyelesaian PRIMAL PROBLEM dengan menngunakan Operasi Pivot

Bentuk Standard :
Objective Function :
Maximize Z  3x1  5 x2  0 S1  0 S 2  0 S3
Subject to
x1  S1  4
 2 x2  S2  12
3 x1  2 x2  S3  18
x1 , x2 , S1 , S 2 , S3  0

susy susmartini operations research 1, 2006 45

 Cj 3 5 0 0 0 Konst Perband
Var Ruas Konst RK:
CB x1 x2 S1 S2 S3
Basis Kanan Kolom Pivot
S1
0 1 0 1 0 0 4 4/0
S2
0 0 2 0 1 0 12 12/2 = 6
0 S3 3 2 0 0 1 18 18/2 = 9

Cj 3 5 0 0 0 Z=0

Cj 3 5 0 0 0 Konst Perband
CB Var Ruas Konst RK:
Basis x1 x2 S1 S2 S3 Kanan Kolom Pivot
S1
0 1 0 1 0 0 4 4/1 = 4
x2
5 0 1 0 1/2 0 6 6/0
0 S3 3 0 0 -1 1 6 6/3 = 2

Cj 3 0 0 - 5/2 0 Z = 30

susy susmartini operations research 1, 2006 46

 Cj 3 5 0 0 0 Konst Optimal
CB Var Ruas pada
Basis x1 x2 S1 S2 S3 Kanan
x1 =2
S1
0 x2 0 0 1 1/3 -1/3 2
x2 =6
5 0 1 0 1/2 0 6
3 x1 1 0 0 -1/3 1/3 2 S1 =2
Cj 0 0 0 - 3/2 -1 Z = 36

C jB*   0, 3
2 , 1

susy susmartini operations research 1, 2006 47

b. Penyelesaian dengan Operasi Pivot untuk DUAL PROBLEM

Objective Function Minimize W  4 y1  12 y2  18 y3

Subject to 1 y1  0 y2  3 y3  3
0 y1  2 y2  2 y3  5
y1 , y2 , y3  0

Bentuk Standard

Objective Function
Minimize W  4 y1  12 y2  18 y3  0 S1  0 S 2  0 S3  MR1  MR2

Subject to 1 y1  0 y2  3 y3  S1  R1 3
0 y1  2 y2  2 y3  S 2  R2  5
y1 , y2 , y3 , S1 , S 2 , R1 , R2  0

susy susmartini operations research 1, 2006 48

 Cj 4 12 18 0 0 M M Konst Perband
CB Var
y1 y2 y3 S1 S2 R1 R2
Ruas Kn RK : KP
Basis
R1
M 1 0 3 -1 0 1 0 3 3/3
R2
M 0 2 2 0 -1 0 1 5 5/2
Cj 4-M 12- 18- M M 0 0 W=8M
2M 5M

Cj 4 12 18 0 0 M M Konst Perband
Var
CB Basis
y1 y2 y3 S1 S2 R1 R2 Ruas Kn RK : KP

y3
18 1/3 0 1 -1/3 0 1/3 0 1 1/0
R2
M -2/3 2 0 2/3 -1 -2/3 1 3 3/2
Cj -2+ 12- 0 6- M 5/3M- 0 W=18+
2/3M 2M 2/3M 6 3M

susy susmartini operations research 1, 2006 49

 Cj 4 12 18 0 0 M M Konst Optimal
CB Var
y1 y2 y3 S1 S2 R1 R2
Ruas Kn pada
Basis
y1 = 0
y3
18 1/3 0 1 -1/3 0 1/3 0 1
y2 y2 = 3/2
12 -1/3 1 0 1/3 -1/2 -1/3 1/2 3/2

Cj 2 0 0 2 6 M-2 M-6 W=36

y3 = 1

y* = ( 0, 3/2, 1 )

c. Penyelesaian dengan Revised Simplex Method untuk PRIMAL PROBLEM

Pada solusi optimal :    0, 3
2 , 1

KESIMPULAN :
y C 
* 
jB
*

susy susmartini operations research 1, 2006 50

 Shadow Price :
Perubahan keuntungan pada Z optimal per satuan kenaikan
sumber kendala

Artinya :
(lihat contoh)
Jika :
• b1 dari 4 diubah menjadi 5,
maka Z optimal tidak berubah
• b2 dari 12 diubah menjadi 13,
maka Z optimal naik sebesar 3/2
• b3 dari 18 diubah menjadi 19,
maka Z optimal naik sebesar 1

susy susmartini operations research 1, 2006 51

susy susmartini operations research 1, 2006 52
SOAL NO. 1 :
Selesaikan masalah berikut dengan menggunakan :
a. Metode Grafis
b. Operasi Pivot / Metode Simpleks

Objective Function
Maximize Z  6 x1  3 x2
Subject to
2 x1  x2  8
3 x1  3 x2  18
x2  3
x1 , x2  0
susy susmartini operations research 1, 2006 53
Soal no. 2 :
Sebuah perusahaan persewaan truk memutuskan akan membeli
3 (tiga) jenis truk untuk menambah armadanya. Harga ketiga
jenis truk tersebut adalah $25,000 untuk truk ukuran besar,
$20,000 untuk truk ukuran sedang, dan $15,000 untuk truk
ukuran kecil. Dana yang tersedia adalah $400,000.
Agar terjadi keseimbangan dalam armadanya, diputuskan untuk
membeli truk ukuran besar paling sedikit 4 (empat) truk, paling
sedikit 5 (lima) truk ukuran sedang dan paling sedikit 10 truk
ukuran kecil.
Di samping itu, kapasitas garasi adalah 25 truk. Sedangkan
fasilitas pemeliharaan dapat menangani 40 (empat puluh) truk
kecil. Setiap truk ukuran sedang memerlukan 2 kali fasilitas
pemeliharaan truk kecil, dan fasilitas pemeliharaan truk besar
adalah 4 kali fasilitas pemeliharaan truk kecil.
Bentuklah dalam formasi Programa Linier
susy susmartini operations research 1, 2006 54
Soal no. 1

Objective Function
Maximize Z  4 x1  6 x2
Subject to
2 x1  3x2  12
6 x1  2 x2  18
x1 , x2  0

a. Selesaikan dengan menggunakan metode Grafis

b. Selesaikan dengan menggunakan operasi Pivot

susy susmartini operations research 1, 2006 55

Soal no. 2 :
Sebuah perusahaan persewaan rumah memutuskan akan
membuat 3 (tiga) jenis rumah sewa lagi dari yang telah ada.
Biaya pembangunan ketiga jenis rumah tersebut adalah
$35,000 untuk rumah ukuran besar, $30,000 untuk rumah
ukuran sedang, dan $25,000 untuk rumah ukuran kecil. Dana
yang tersedia adalah $800,000.
Agar terjadi keseimbangan, diputuskan untuk membangun
rumah ukuran besar paling sedikit 4 (empat) rumah, paling
sedikit 6 (enam) rumah ukuran sedang dan paling sedikit 12
rumah ukuran kecil.
Di samping itu, kapasitas lahan yang ada adalah 35 rumah.
Sedangkan fasilitas pemeliharaan dapat menangani 40 (empat
puluh) rumah kecil. Setiap rumah ukuran sedang memerlukan
2 kali fasilitas pemeliharaan rumah kecil, dan fasilitas
pemeliharaan rumah besar adalah 4 kali fasilitas pemeliharaan
rumah kecil.
Bentuklah dalam formasi Programa Linier
susy susmartini operations research 1, 2006 56