ANALISA SISTEM

Metode Simpleks Big M

Sama halnya dengan metode Simplex, metode big-M merupakan salah satu metode untuk
menyelesaikan masalah program linier dengan kendala. Metode big-M digunakan untuk
menyelsaikan fungsi kendala yang jenis pertidaksamaannya beraneka ragam..
Aturan yang dapat digunakan untuk memudahkan penyelesaian:
Batasan

Koefisien fungsi tujuan

Penyesuaian fungsi batasan

Maksimisasi

Minimisasi

<

Tambah slack variabel

Tambah artificial variabel

-M

>

Kurang slack variabel

Dan tambah artificial variabel

-M

tentang cara mengubah kendala simplex sehingga menjadi kendala yang standar. Selain itu,
saya ingin menjelaskan tentang variabel-variabel tambahan yang diperlukan dalam simplex.
Perhatikan tabel berikut ini:
No Kendala awal

Hasil transformasi

Jenis variable tambahan

x1+2x3+S1=5

S1 : variable slack

x1+2x35

S2 : variable surplus
2

3x17x38

3x17x3S2+S3=8

x1+4x3=9

x1+4x3+S4=9

S3 : variable artificial
S4 : variable artificial

Dalam programa linear, ada tiga pertidaksamaan yang diijinkan, yakni , dan =. Hal ini
sebagaimana ditunjukkan pada tiga baris pada tabel di atas. Tiga keadaan ini akan kita bahas
satu-persatu. Sebelumnya perlu diingat bahwa setiap variabel (baik asli maupun tambahan)
memiliki kendala implisit 0.

KELOMPOK 3 | METODE SIMPLEKS Big - M

ANALISA SISTEM

Keadaan . Ruas kiri pertidaksamaan 3bernilai kurang dari ruas kanan. Sehingga kita
perlu menambahkan bagian ruas kiri sehingga sama dengan ruas kanan. Untuk itu,
kita perkenalkan variabel S1. Variabel ini disebut variabel slack karena ia merupakan
kekurangan dari ruas kiri supaya sama dengan ruas kanan. Bagian ruas kiri akan
ditambah (bukan dikurang) S1 karena variabel S1 memiliki kendala implisit nonnegative (0).

Keadaan . Ruas kiri pertidaksamaan bernilai lebih dari ruas kanan. Sehingga kita
perlu mengurangkan bagian ruas kiri sehingga sama dengan ruas kanan. Untuk itu,
kita perkenalkan variabel S2. Variabel ini disebut variabel surplus karena ia
merupakan kelebihan dari ruas kiri supaya sama dengan ruas kanan. Akan tetapi,
sayangnya kita memerlukan suatu variabel yang memiliki koefisien positif 1 untuk
memperoleh solusi awal yang feasibel. Oleh sebab itu, kita perlu memperkenalkan
variabel S3 dengan koefisien +1. Karena variabel ini adalah variabel buatan, maka ia
disebut variabel artifical.

Keadaaan =. Keadaan ini sudah dalam bentuk persamaan. Akan tetapi, karena kita
perlu variabel yang memiliki koefisien +1, diperkenalkanlah variabel S4 sebagai
variabel artificial. Terkadang, ada penulis yang menambahkan variable S5 agar
kendala ini tetap seimbang [1].

Koefisien +1 sebagaimana dijelaskan di atas diperlukan karena kita perlu mendapatkan

matriks identitas sebagai basic variable dalam solusi awal. Nilai variabel-variabel lain kita set
menjadi nol sehingga persamaan matriks menjadi terpenuhi.
Teknik ini memberikan nilai koefisien yang sangat besar kepada variabel-variabel
artifisial dalam persamaan objective function. Nilai koefisien ini bertindak sebagai penalty
dan disebut Big-M. Nilai ini perlu sangat besar agar algoritma simpleks berusaha
memprioritaskan menangani variabel artifisial ini terlebih dahulu. Setelah nilai artifisial ini
bernilai nol, maka suatu solusi feasible sudah tercapai dan variabel artifisial dapat dibuang
dari tabel simpleks.
Sebagai contoh apabila objective function yang asli sebagai berikut:
max2x1+9x2
KELOMPOK 3 | METODE SIMPLEKS Big - M

ANALISA SISTEM
maka persamaan tersebut diubah menjadi:

max2x1+9x2MS3MS4
Keuntungan dari metode ini adalah algoritma simplex dapat dilanjutkan sebagaimana
metode simpleks yang biasa. Akan tetapi, penggunaan angka yang sangat besar dapat
mengakibatkan iterasi simplex yang tidak stabil karena galat pembulatan.

Contoh Soal :
Persamaan matematis suatu program linier adalah sebagai berikut :
KELOMPOK 3 | METODE SIMPLEKS Big - M

ANALISA SISTEM
Minimasi : Z = 6X1 + 7,5X2

Dengan pembatas :
7X1 + 3X2 210
6X1 + 12X2 180
4X2 120
X1, X2 0
Carilah harga X1 dan X2 ?
JAWABAN :
Pada kasus ini kita akan menggunakan metode simplex M (BIG M), hal ini
dikarenakan pada kasus ini pertidk samaan pembatasnya menggunakan (lebih dari sama
dengan).
Persamaan Tujuan : Z - 6x1 - 7,5X2 - 0S1 - 0S2 - 0S3 = 0 Baris 0
Persamaan Kendala : 7x1 + 3x2 - S1 +A1 = 210 Baris 1
6x1 + 12x2 - S2 +A2 = 180 Baris 2
4x2 - S3 + A3 = 120 Baris 3
Bagi kendala pertidaksamaan jenis , maka variabel slack ditambahkan untuk
menghabiskan sumber daya yang digunakan dalam kendala. Cara ini tidak dapat diterapkan
pada kendala pertidaksamaan jenis dan kendala persamaan (=) persamaan diatas diperoleh
karena tanda harus mengurangi variable surplus.
Untuk mengarahkan artifisial variabel menjadi nol, suatu biaya yang besar ditempatkan pada
A1, A2, dan A3 sehingga fungsi tujuannya menjadi :
Z = 6x1 + 7,5X2 + 0S1 + 0S2 + 0S3 + MA1 + MA2 + MA3
Table simplex awal dibentuk dengan A1, A2, dan A3 sebagai variable basis, seperti table
berikut :
Basis
Z
A1
A2
A3
Dari table

X1
13M-6
7
6
0
diatas kita

X2
S1 S2
S3 A1
19M-7,5 -M -M
-M 0
3
-1 0
0
1
12
0
-1
0
0
4
0
0
-1 0
ketahui bahwa semua BFS belum

A2 A3
0 0
0 0
1 0
0 1
optimal.

NK
510M
210
180
120
Hal ini

RASIO
210 : 3 = 70
180 : 12 = 15
120 : 4 = 30
dikarenakan seluruh

NBV masih mempunyai koefisien yang berharga positif. Oleh karena itu Untuk x 2 terpilih
sebagai entry variable karena x2 memiliki nilai koefisien positif yang paling besar, dan A3
menjadi Leaving Variable. Dan yang akan menjadi pivot adalah baris 2 karena memiliki rasio
paling kecil.
KELOMPOK 3 | METODE SIMPLEKS Big - M

ANALISA SISTEM
3

Langkah-langkah ERO Iterasi Pertama :

ERO 1 : Menjadikan nilai koefisien x2 berharga 1 pada baris 2
x1 + x2 - 1/12 S2 +1/12 A2 = 15
ERO 2 : Menjadikan nilai koefisien x2 berharga 0 pada baris 0
Z = 9/4 x1 + 0S1 + 15/24 S2 + 0S3 + MA1 + [ M - 15/24]A2 + MA3 + 112,5
ERO 3 : Menjadikan nilai koefisien x2 berharga 0 pada baris 1
11

/2 x1 + S2 + A1 - 1/4 A2= 165

ERO 4 : Menjadikan nilai koefisien x2 berharga 0 pada baris 3

-2x1 + 1/3 S2 - S3 - 1/3 A2 + A3 = 60
Konversi bentuk standard iterasi Pertama :
Z = 9/4 x1 + 0S1 + 15/24 S2 + 0S3 + MA1 + [ M - 15/24]A2 + MA3 + 112,5
11

/2 x1 + S2 + A1 - 1/4 A2 = 165

-2x1 + 1/3 S2 - S3 - 1/3 A2 + A3 = 60

x1 + x2 - 1/12 S2 +1/12 A2 = 15
Tabel Iterasi Pertama
Basis X1
X2
13
Z
- /2M-6 0
11
A1
/2
0
A3
-2
0
X2

1
Pada fungsi tujuan

S1 S2
S3 A1 A2
7
15
0
/12 - /24
-M 0 1/24 - M
1
0
/4
0
1 -1/4
0 1/3
-1
0 -1/3
-1
0
/12
0
0 1/12
masih terdapat variable dengan nilai

A3 NK
RASIO
0 225M 112,5 *
0 165
165 : 5,5 = 30
1 60
*
0 15
15 : 0,5 = 30
koefisien positif, oleh karena itu

lakukan iterasi kedua.

Langkah-langkah ERO Iterasi Kedua:
ERO 1 : Menjadikan nilai koefisien x1 berharga 1 pada baris 1
x1 + 1/22 S2 + 2/11A1 - 1/22 A2 = 30
ERO 2 : Menjadikan nilai koefisien x1 berharga 0 pada baris 0
Z = 0S1 + 0,725 S2 + 0S3 + MA1 -0,4A1 + [ M 0,725]A2 + MA3 + 180
ERO 3 : Menjadikan nilai koefisien x1 berharga 0 pada baris 2
0.5 A2 = 0
ERO 4 : Menjadikan nilai koefisien x1 berharga 0 pada baris 3
0,39 S2 - S3 +0,36A1 + 0,21 A2 + A3 = 120
Konversi bentuk standard iterasi kedua :
Z = 0S1 + 0,725 S2 + 0S3 + [M -0,4]A1 + [ M 0,725]A2 + MA3 + 180
x1 + 1/22 S2 + 2/11A1 - 1/22 A2 = 30
KELOMPOK 3 | METODE SIMPLEKS Big - M

ANALISA SISTEM
3

0.5 A2 = 0
0,39 S2 - S3 + 0,36A1 + 0,21 A2 + A3 = 120
Tabel Iterasi Kedua
Basis
Z
x1
A3
X2
Iterasi kedua

X1 X2 S1 S2
S3 A1
A2
0 0 0 -0,725 0 -M+0,4 -1/2M+0,725
1 0 0 1/22
0 2/11
-1/22
0 0 0 0
0 0

0 0 0 0,39
-1 0,36
0,21
adalah optimum karena koefisien pada persamaan Z

A3 NK
M -180
0 30
0 0
1 120
semuanya non positif,

dengan x1 = 30, x2 = 120 dan z=-180.

Contoh Pengaplikasian Dalam Dunia Nyata

PT Unilever bermaksud membuat 2 jenis sabun, yakni sabun bubuk dan sabun batang.
Untuk itu dibutuhkan 2 macam zat kimia, yakni A dan B. jumlah zat kimia yang tersedia
adalah A=200Kg dan B=360Kg.
Untuk membuat 1Kg sabun bubuk diperlukan 2 Kg A dan 6 Kg B. untuk membuat 1 Kg
sabun batang diperlukan 5 Kg A dan 3 Kg B. bila keuntungan yang akan diperoleh setiap
membuat 1Kg sabun bubuk = $3 sedangkan setiap 1 Kg sabun batang = $2, berapa Kg jumah
sabun bubuk dan sabun batang yang sebaiknya dibuat ?
KELOMPOK 3 | METODE SIMPLEKS Big - M

ANALISA SISTEM
3

JAWABAN
Pemodelan matematika :
Maksimumkan : Z = 3x1 + 2x2
Pembatas : 2x1 + 5x2 = 200
6x1 + 3x2 = 360
Persamaan Tujuan : Z - 3x1 - 2x2 = 0 Baris 0

Persamaan Kendala : 2x1 + 5x2 + A1 = 200 Baris 1

6x1 + 3x2 + A2 = 360 Baris 2
Untuk mengarahkan artifisial variabel menjadi nol, suatu biaya yang besar ditempatkan pada
A1, A2, dan A3 sehingga fungsi tujuannya menjadi :
Z = 3x1 - 2X2 + MA1 + MA2
Basi

x1

x2

A1

A2

NK

s
Z

8M-3

8M+

560M

2
6

2
5
3

1
0

0
1

200
360

A1
A2

Rasio

200:5=40
360:3=12
0

Dari table diatas kita ketahui bahwa semua BFS belum optimal. Hal ini dikarenakan belum
seluruhnya NBV mempunyai koefisien yang berharga positif. Oleh karena itu Untuk x 2
terpilih sebagai entry variable karena x 2 memiliki nilai koefisien negatif, dan A1 menjadi
Leaving Variable. Dan yang akan menjadi pivot adalah baris 1 karena memiliki rasio paling
kecil.
Langkah-langkah ERO Iterasi Pertama :
ERO 1 : Menjadikan nilai koefisien x2 berharga 1 pada baris 1
0,4x1 + x2 + 0,2A1 = 40
ERO 2 : Menjadikan nilai koefisien x2 berharga 0 pada baris 0
Z = 3,8x1 + [M-0,4]A1 + MA2 - 80
ERO 3 : Menjadikan nilai koefisien x2 berharga 0 pada baris 2
4,8x1 0,6A1 + A2 = 240
Konversi bentuk standard iterasi pertama :
Z = 3,8x1 + [M-0,4]A1 + MA2 - 80
0,4x1 + x2 + 0,2A1 = 40
KELOMPOK 3 | METODE SIMPLEKS Big - M

ANALISA SISTEM
3

4,8x1 0,6A1 + A2 = 240

Basis x1
Z
4,8M-3,8

x2
0

A1
0,4-0,4M

A2 NK
0 240M+8

Rasio

0
X2
0,4
1
0,2
0 40
A2
4,8
0
0,6
1 240
Iterasi pertama adalah optimum karena koefisien pada persamaan Z semuanya positif,
dengan x1 = 40, x2 = 240 dan z=240M+80.

KELOMPOK 3 | METODE SIMPLEKS Big - M