PEMROGRAMAN LINIER1, _PENDAHULUAN Pemrograman linier mempunyai sumberdaya dari metoda input output dari analisa yang dikembangkan oleh seorang ahli ekonomi W.W. Leontif. Perkembangannya sedemikian pesatnya sehingga pemrograman linier yang kita kenal sekarang ini adalah hasil dari seorang ahli matematik Dr. George D. Dantzig dengan “metode simplex: yang diperkenalkannya sebagai suatu prosedur yang sistematis dalam memecahkan masalah pemrograman linier. Dantzig menyatakan bahwa pendekatan yang ban ini, tidak hanya dapat diterapkan dalam masalah- masalah perencanaan militer saja tetapi dapat diterapkan lebih Iuas lagi sampai masalah-masalah bisnis, seperti sekarang ini banyak sekali diterapkannya. 2. PERSYARATAN-PERSYARATAN DASAR DARI SUATU MASALAH PEMROGRAMAN LINIER Sebelum membahas persyaratan-persyaratan yang diperlukan untuk suatu masalah pemrograman linier, agaknya batasan (difinisi) dari pemrograman linier ini diperlukan, Dalam manajemen biasanya uang, manusia, mesin-mesin dan alat-alat terdapat dalam jumlah yang terbatas. Bila sumber-sumber ini berlimpahan tak terbatas, maka tidak diperlukan lagi suatu alat manajemen seperti pemrograman linier. Karena keterlibatan sumber-sumber ini, maka perusahaan itu harus mencari cara pembagian yang terbaik (the best allocation) dari sumber-sumbernya sehingga dapat memperoleh keuntungan yang maksimal, Barangkali cara yang terbaik untuk menentukan apa “pemrograman linier” adalah memperhatikan arti perkataan itu. Nama sifat “linier” dipakai untuk menyatakan atau menggambarkan suatu hubungan antara dua atau lebih variabel- variabel yang satu sama lainnya berbanding lurus dan tepat. Misalnya, bila kita berkata y = f (y) dimana f adalah fungsi linier, maka setiap perubahan dalam x berakibat suatu perubahan sebanding tetap dalam y. Bila ini digambarkan dalam grafik, maka hubungan ini akan merupakan suatu garis lurus yang disebut linier. Istilah “programming” mempergunakan teknik matematik tertentu agar sampai pada suatu hasil yang terbaik dalam pembagian sumber-sumber perusahaan yang terbatas itu. Kata lain dari “programming” atau pemrograman dapat juga berarti perhitungan (computing), karena bermakna menghitung beberapa yang tidak diketahui dari seperangkat persamaan dan/atau ketidaksamaandalam keadaan tertentu yang dinyatakan secara matematik. Jadi, pemrograman linier menyangkut perencanaan kegiatan untuk mencapai hasil yang “optimal”, ialah hasil untuk mencapai tujuan-tujuan tertentu sebaik- baiknya atau yang terbaik (menurut mode! matematik) diantara semua kemungkinan yang ada. Secara matematik, pengertian pemrograman linier, adalah : menentukan harga- harga ekstrim dari fungsi-fungsi linier, bila variabel-variabelnya harus memenuhi satu atau lebih kendala-kendala tambahan dalam bentuk persamaan atau ketidaksamaan. Salah satu dari persyaratan-persyaratan dasar dari suatu masalah pemrograman linier adalah : 1. Sumber-sumbernya harus dalam persediaan yang terbatas. Telah diterangkan di atas. Persyaratan-persyaratan yang lain adalah : 2. Fungsi tujuannya harus jelas dan tepat. 3. Fungsi tujuan dan kendalanya harus dinyatakan secara matematik. 4. Variabel-variabel harus berhubungan satu sama lain. 3. MODEL PEMROGRAMAN LINIER Suatu pernyatian secara matematik dalam bentuk umum dari salah satu pemrograman linier adalah seperti berikut : Tentukan x), X,... . X, Yang memaksimalkan fungsi linier. BAL Ze eyxy FOX) + + OX, di bawah kendala-kendala Ani + aX +. sR ERC3.2. yg Xp H AggXy Hee ee eee et gg ky S Dy 3.3, dimana a, b, dan ¢; adalah merupakan konstanta yang ditentukan, Secara singkat penyajian secara matematik ini dapat ditulis sebagai berikut : Tentukan x), x3, x, yang memaksimumkan fungsi linier. n 34, X op; jel di bawah kendala-kendala n Z ayy Sb, Ge eee ee teri) jFl (jad... ....eeeem) 3.5. x20 dengan ¢, a dan b; merupakan konstanta yang ditentukan, selain itu dapat diketahui pula bahwa n > m. Fungsi yang akan dimaksimalkan dinamakan “Obyektive Function” atau fungsi obyektif atau fungsi tujuan. Kendala-kendala disebut contraints atau restraints. Variabel-variabel yang dicari dinamakan “decision variables” atau varibale-vari- able penentu. Model pemrograman linier dapat dan mudah dijelaskan dengan keterangan seperti dalam pasal yang baru lalu. Diketabui n kegiatan-kegiatan yang saling bersaingan, variabel-variabel penentu Xj, Xp...» X_ mewakili tingkat kegiatan-kegiatan itu. Misalnya, bila tiap-tiap akan kegiatan produksi suatu barang, maka x; merupakan besamya barang j yang diproduksi dalam periode tertentu.Z adalah pengukuran ketepat-gunaan keseluruhan yang merupakan keuntungan dalam periode tertentu, C, adalah kenaikkan dalam pengukuran ketepat-gunaan dari tiap-tiap Kesatuan dari x, Banyaknya sumber-sumber yang terbatas adalah m, sehingga tiap-tiap ketidaksamaan linier merupakan pembatasan pada salah satu sumber-sumber itu. b; adalah besarnya sumber i yang dapat dipergunakan oleh n kegiatan-kegiatan itu. a, adalah satuan dari Kegiatan j, Karena itu mas kanan dari etidasamaan itu merupakan pemakaian total dari masing-masing sumber. Persyaratan non-negati (x, 2 0) menghilangkan kemungkinan adanya tingkat Kegiatan yang negatif. Bentuk sederhana dari model pemrograman linier dan dengan anggapan bahwa b, 20 dipakai sebagai dasar untuk penyajian cara penyelesaian dalam menerangkan metode simplex. Sebenamya dapat dicatat bahwa model ini dapat ditulis dalam bentuk Jain, misalnya fungsi tujuannya bukan kita maksimumkan, tetapi diminimamkan dan pada kendala-kendala ketidaksamaan dapat mengambil bentuk “febih besar atau sama” (2). Selain dari pada itu dalam hal hanya beberapa dari kendala-kendala merupakan kesamaan dan yang lainnya ketidaksamaan, dapat pula diselesaikan. Suatu kunci untuk keberhasilan seseorang dalam pemakaian pemrograman linier adalah kesanggupan untuk mengenal masalah-masalah mana yang dapat diselesaikan melalui pemrograman linier dan membuat perumusan modelnya. Pasal 5 akan dibahas dalam hal pemrograman linier ini dapat dipakai dan dalam hal mana tidak dapat, Pada pasal 4 berikut ini akan diberikan beberapa contoh masalah-masalah dengan perumusannya 4. CONTOH-CONTOH Contoh 1. ‘Suatu perusahaan memproduksi tiga macam barang, sebutlah barang-barang 1, 2, dan 3, Kapasitas dari mesin-mesinnya tercantum pada tabel di bawah ini.Macam mesa Waktu yng dian (dalam jam mesin per minggu) Mesin penggiling 200 Mesin bubut 100 Mesin pengasah 50 Jumlah jam mesin yang dibutuhkan untuk tiap-tiap unit dari masing-masing barang diberikan pada tabel di bawah ini. Produktivitas : alam jam mesin per unit) Mesin penggiling Mesin bubut | 4 Mesin pengasah 2 Bagian penjualan dari perusahaan itu menyatakan bahwa potensi untuk barang 1 dan 2 melampaui maksimum laju produksi dan potensi penjualan untuk barang 3 adalah 20 unit per minggu. Keuntungan per unit masing-masing untuk barang 1, 2, dan 3 adalah $20, $6, dan $ 8. Masalahnya adalah, bagaimana merumuskan suatu model pemrograman linier untuk menentukan berapa tiap-tiap barang harus diproduksi untuk mencapai keuntungan yang maksimum, Perumusan dari contoh 1. x; (i= 1, 2, 3) adalah jumlah unit dari barang i yang diproduksi per minggu. Berhubung keuntungan itu diambil sebagai ukuran ketepatgunaan maka fungsi tujuan akan dimaksimalkan.4.1. Maks. Z = 20 x, + 6x, + 8 x3. “Sumber terbatas” dalam keadaan ini adalah kapasitas dari ketiga mesin itu & potensi penjualan untuk barang 3. Karena itu, suatu kendala matematik harus dibuat untuk menggambarkan kendala-kendala dari sumber-sumber ini, Kendala yang pertama adalah bahwa tidak akan lebih dari 200 jam, mesin penggiling dapat disediakan untuk kegiatan-kegiatan memproduksi ketiga barang itu. Jumlah jam mesin penggiling yang tersedia adalah : 8x, + 2x) + 3x3. Karenanya, persamaan matematik dari kendala pertama adalah ; 8x, + xy + 3x; < 200. dengan cara yang sama kedua kendala berikutnya adalah ; 4x, + 3x, $100 2x, + x3 < 50 Persamaan matematik dari kendala potensi penjualan adalah ; x, $20 Akhimya kendala untuk non-negatif. Jadi, model pemrograman linier untuk masalah ini adalah seperti berikut : 4, . Maksimumkan Z = 20 x, + 6 x, +8 x; di bawah kendala-kendala 42. 8x, + 2xy + 3x, S 200 4x, + 3x, < 100 2x, oe 50 < 20 3 43. x, 20, x) 2.0, x, 20Conteh 2. Salah satu dari masalab-masalah klasik dari pemrograman linier adalah masalah pembatasan makanan (diet problem). Tujuannya adalah menetapkan jumlah dari makanan-makanan tertentu yang boleh dimakan untuk memenuhi persyaratan kadar makanan (nutrision) dengan ongkos minimal. Misalkan makanan-makanan itu terbatas pada susu, daging, telor dan vitamin A, C dan D. Misalkan jumlah miligram dari tiap-tiap makanan diberikan seperti tabel di bawah ini : Persyaratan- Vita- Susu | Daging Teor persyaratan min | per gallon | per pon Per lusin | harian minimum } be ean | a 1 | 1 10 L mg. c 100 10 10 50 mg. 5 ia ico 10 10 mg. Harga | $1.00 $1.10 $0.50 Bagaimanakah perumusan pemrograman linier dari masalah ini? Perumusan dari soal 2. Misalkan x,, xy dan x, merupakan jumlah dari masing-masing gallon susu, pon daging dan lusin telor. Tujuannya adalah meminimumkan biaya dengan persyaratan kendala terendah dari sumber-sumbernya. Karena itu model pemrograman linier untuk soal ini adalah seperti berikut : Minimumkan Z = 1.0 x, + 1.1 xy +05 x, di bawah kendala x + oxy + 10x%,2 1 100 x, + 10xy + 10x, 2 50 10x, + 100x, + 10x, > 10 dan Koay 2 9.5. PEMBATASAN (LIMITATION) DARI PEMROGRAMAN LINIER Kini dapat kita telaah setiap perkiraan dari pemrograman linier seperti tercantum i bawah ini yang membatasi penerapannya. 5.1. MENURUT PERIMBANGAN (PROPORTIONAL) Suatu persyaratan pertama dari pemrograman linier ialah bahwa fungsi tujuan dan tiap-tiap fungsi kendala (constraints) harus linier. Ini berakibat bahwa ukuran ketepatgunaan (effectiveness) dan penggunaan sumber-sumber harus seimbang dengan tingkat tiap-tiap kegiatan yang dilakukan sendiri-sendiri Masalah pemrograman yang non linier Karena tidak adanya keseimbangan, sering pula terjadi dan penyelesaiannya dapat dengan segera diperoleh, tetapi hanya untuk Keadaan-keadaan tertentu saja. Kadang-kadang mungkin juga merubah suatu masaah pemrograman yang non linier menjadi model pemrograman linier, sehingga ‘metode simplex dapat dipergunakan, tetapi ini hanya merupakan upaya memudahkan masalahnya, dan bukan merupakan aturan tetapi lebih merupakan kekecualian yang menguntungkan. 5.2, MENURUT KEMUNGKINAN UNTUK DAPAT DIJUMLAHKAN (ADDITIVITY) Misalkan ukuran ketepatgunaan dan tiap-tiap penggunaan sumber adalah seimbang dengan tingkat tiap-tiap kegiatan yang dilakukan sendiri-sendiri, Ini tidak cukup menjamin bahwa masalah itu merupakan masalah pemrograman linier. Suatu bentuk khusus ketidak-liniemya (non-linier) akan timbul bila terdapat hal dimana antara kegiatan-kegiatan itu saling pengaruh mempengaruhi satu sama lain berhubungan dengan ukuran ketepatgunaan total dan penggunaan tiap sumber. Karena itu dikehendaki bahwa kegiatan-kegiatan itu dapat di "jumlah” berkenaan dengan ketepatgunaan total dan penggunaan tiap-tiap sumber. Dengan perkataan Jain, ukuran total ketepatgunaan dan tiap-tiap penggunaan sumber sebagai hasil dari tindakan-tindakan yang bersama-sama dari kegiatan-kegiatan itu, harus sama dengan jumlah masing-masing besaran-besaran ini yang dihasilkan oleh tiap-tiap kegiatan yang dilakukan sendiri-sendiri.Sebagai contoh, misalkan sebuah pabrik memproduksi dua macam barang yang harus bersaing dalam pasar yang sama. Misalkan keuntungan dalam memproduksi barang pertama x, adalah c,x, bila barang yang kedua x, tidak diproduksi, dan akan memperoleh keuntungan cx, bila memperoduksi barang yang kedua sedangkan barang yang pertama x, tidak diproduksi. Kedua barang-barang ini dapat dijumlahkan dalam kaitannya dengan keuntungan, hanya kalau keuntungan totalnya adalah cx, + ¢)x, bila x, > 0 dan x >0. Ini tidak benar, misalnya harga-harganya harus diperendah supaya dapat dijual kedua-duanya , x; dan x, dari harga satu x, atau x) Suatu contoh mengenai dua macam kegiatan yang tidak dapat dijumlahkan berkaitan dengan penggunaan sumber, adalah bila terdapat barang sampingan (by product) yang diproduksi dari bagian materi dari barang pokok. 5.3, MENURUT PEMBAGIAN (DIVISIBILITY) Biasanya variabel-variabel yang menentukan akan mempunyai arti fisik bila merupakan bilangan-bilangan bulat. Tetapi tidak ada kepastian bahwa cara penyelesaian seperti diterangkan di seksi 5.5 akan menghasilkan suatu hasil bilangan bulat. Karena itu, mencapai penyelesaian optimal ialah bahwa variabel-variabel yang menentukan itu diperbolehkan bila merupakan bilangan pecahan, Sekalipun demikian, adalah yang diinginkan bila hasil optimalnya merupakan bilangan bulat. Kalau tidak, cara laziranya adalah dibulatkan ke bilangan yang terdekat. Tetapi cara ini mempunyai dua macam lubang perangkap. Pertama, bilangan bulat ini tidak perlu yang diizinkan (feasible). Ini terjadi, bila beberapa dari a, adalah negatif. Kedua, walaupun yang diizinkan, hasilnya tidak perlu sangat dekat dengan optimal. jatu pembatasan yang lain dari pemrograman linier dalam 5.4, MENURUT KEPASTIAN (DETERMINISTIC) Semua koefisien pada model pemrograman linier (aj, 6, dan c;) dianggap merupakan konstanta yang diketahui, Sebenamya koefisien-koefisien itu tidak diketahui dan juga bukan merupakan konstanta. Pemrograman linier biasanya dirumuskan untuk memilih beberapa tindakan pada masa yang akan datang. Karena itu, koefisien-koefisien yang digunakan didasarkan atas ramalan keadaan yang akan datang. Informasi yang didapat mungkin saja tidak sesuai untuk menentukan yang tepat besarnya harga dari Koefisien-koefisien ini, Selanjutnya koefisien-koefisienini biasanya adalah variabel-variabel random, masing-masing mempunyai dasar distribusi probabilitas untuk harga yang akan dipakai selanjutnya bila keputusan dijalankan, Sejumlah pendekatan-pendekatan biasanya dipergunakan bila beberapa dari koefisien-koefisien bukan merupakan konstanta yang diketahui. 5.5, PEMBATASAN-PEMBATASAN YANG BERMAKNA (SIGNIFI- CANCE) Dalam menarik kesimpulan dari penelaahan pembatasan-pembatasan dari pemrograman linier ini beberapa pokok-pokok harus diutamakan. Masalah praktis yang memenuhi seluruh persyaratan dari pemrograman linier sebenarnya sangat jarang. Tetapi model pemrograman linier biasanya merupakan gambaran yang tercermat dari masalahnya, dana akan memberikan saran-saran yang pantas untuk bertindak sebelum tindakan operasional dijalankan. Sekalipun demikian kita harus hati-hati untuk melakukan pendekatan dengan pemrograman linier, mengingat adanya dugaan-dugaan dan perkiraan-perkiraan dalam pembentukannya 6. _METODA SIMPLEX Metoda simplex adalah metoda iteratif, dimulai dari suatu basis yang memenuhi dan kemudian mencari basis yang lain, yang juga memenuhi serta mempunyai hubungan dengan meningkatnya harga dari fungsi tujuan yang hendak dimaksimumkan. Dengan perkataan yang lebih mudah adalah bahwa metoda ini merupakan prosedur aljabar yang progresif mencapai hasil yang optimal melalui suatu proses iteratif, Prosedur ini langsung menuju ke sasaran, hanya membutuhkan waktu dan kesabaran dalam mengerjakannya. Cara ini adalah yang paling cocok untuk suatu computer electronic. Metoda iteratif ini akan dijelaskan dengan suatu contoh dan kemudian suatu kesimpulan dalam garis-garis besarnya akan diberikan.Perhatikan contoh di bawah ini : Maksimumkan 61. Z = 3x, + 5x di bawah pembatasan 62. x, + 3x, < 10 63. 2x, + xy S10 6.4. x) 2 0.x, 20 Dalam Gambar 6.1 telah digambarkan daerah dari titik-titik yang memenuhi kendala-kendala itu (daeah yang diarsir). langkah berikutnya, memilih suatu titik di daerah ini yang memaksimumkan harga Z = 3x, + 5x. Langkah ini akan menjadi biasa (otomatis) setelah melalui sedikit pengalaman, hanya untuk mencari dasar dari pemilihan ini dianjurkan dahulu melalui percobaan-percobaan (trial and error). Misalnya, cobalah Z = 0 = 3x, + 5x, dan carilah apakah ada harga dari x, dan x, dalam daerah itu (x, x9) yang menghasilkan harga Z = 10. Dengan menarik garis lurus 3x, + 5x) = 10 temyata terdapat banyak sekali titik-titik pada garis ini yang terletak di daerah pemecahan itu (solution area). Cobalah memberikan harga yang lebih besar lagi untuk Z, misalnya Z = 15 = 3x, + 5x, Sekali lagi suatu segmen dari garis 3x, + 5x = 15 terletak di dalam daerah pemecahan itu, Tenyata dengan memberikan harga yang lebih besar untuk Z, garis fangsi itu akan bergerak sejajar ke kanan menjauhi titik 0. Jelaslah sekarang bahwa prosedur percobaan-percobaan (trial and error) tidak lain menggambarkan garis- garis sejajar yang mempunyai sedikit-dikitnya sebuah titik di daerah pemecahan yang memenuhi semua kendala-kendala dan memilih sebuah diantaranya garis- garis itu yang teletak paling jauh jaraknya dari titik asal (0), (dalam arah yang memuat Z lebih besar), Jelas bahwa garis itu pasti akan melalui titik (4,2), seperti terlihat pada gambar sehingga persamaan menjadi: 3x, + 5m) = 34) +5Q) = 22 =Z Jadi hasil yang diinginkan adalah x, = 4 dan x, = 2. Sayang sekali metode secara grafik ini terbatas pada dua atau tiga variable (dimensi) Untuk memudahkan mengikuti ieori metode simplex ini, maka pertama-tama beberapa peristilahan yang penting akan diperkenalkan.—— D (0,10) Z=22 B (0,34) Gambar 6.1 (1) Suatu hasil yang diizinkan adalah suatu harga dari (x,, Xx...» X,) dimana semua kendala-kendala dipenuhi, (2) Suatu hasil yang optimal, adalah hasil yang diizinkan yang memaksimumkan fungsi tujuan (objective function), Dalam gambar dapat dengan mudah dilihat bahwa hasil yang diizinkan adalah semua titik yang terletak di dalam daerah yang diizinkan termasuk titik-titik yang terletak pada garis batas. Hasil yang optimal dalam contoh di atas adalah x, = 4 dan oie Sekarang dimungkinkan untuk menyatakan beberapa sifat-sifat dasar dari metoda simplex. Sifat 1: Kumpulan dari hasil yang diizinkan merupakan set konfeks. Sifat 2. : Bila terdapat hasil-hasil yang diizinkan, suatu hasil basis yang diizinkan terdapat pula (1), dimana hasil-hasil basis yang diizinkan ini mempunyai 1314 hubungan dengan titik-titik ekstrim dari set hasil-hasil yang diizinkan itu. Sifat 3. : Hanya terdapat jumlah terbatas hasil basis yang diizinkan. Sifat 4 Bila fungsi tujuan mempunyai maksimum, maka sekurang-kurangnya sebuah hasil optimal adalah sebuah hasil basis yang diizinkan. (1) Batasan mengenai hasil basis yang diizinkan akan diberikan kemudian. (2) Pembuktian dari sifat-sifat ini tidak diberikan di sini. suatu keharusan diadakannya hipotesa dari sifat-sifat 2 dan 4 disebabkan karena tidak selamanya terdapat hasil yang diizinkan, demikian pula tidak selamanya fungsi tujuan itu mempunyai maksimum. Makna dari sifat 1 akan diperlihatkan nanti, dan makna dari sifat-sifat yang Jainnya akan dicoba sekarang memahaminya. Misalkan suatu hasil yang diizinkan terdapat dari harga optimum dari Z adalah terbatas (finite). Sifat 2 dan 3 menyataKan bahwa jumlah dari hasil basis yang diizinkan adalah positif dan terbatas. Sifat 4 menyatakan bahwa jumlah yang terbatas inilah yang diperlihatkan untuk memperoleh hasil yang optimal. Jadi, walaupun terdapat jumlah hasil yang diizinkan yang tak terbatas, perhatian dapat dibatasi hanya pada jumlah tertentu saja. Jadi hasilnya yang optimal dapat selamanya dicapai dengan meneliti tiap-tiap hasil basis yang diizinkan dan memilih salah satu yang menghasilkan harga Z yang terbesar. Menerapkan kesimpulan ini pada contoh di atas, hasil basis yang diizinkan adalah : (0,0) dengan Z = 0, (0,3'/3) dengan Z = 167/s, (4,2) dengan Z = 22, dan (5,0) dengan Z = 15 Karena 22 adalah harga Z yang terbesar, maka (4,2) adalah merupakan hasil yang optimal. Menyimpang sejenak, hendaknya diperhatikan bahwa hasil yang optimal tidak selamanya merupakan suatu hasil basis yang diizinkan. Ini dapat terjadi, bila beberapa hasil yang diizinkan menghasilkan harga yang maksimum untuk z, karena sifat 4 menyatakan bahwa sekurang-kurangnya satu dari hasil-hasil yang diizinkan itu adalah hasil basis yang diizinkan. Untuk contoh dapat diperlihatkan, bila fungsi tujuan itu dalam contoh yang lalu diganti dengan Z = x, + 3x,, maka dua buah hasil basis yang diizinkan (0, 34/5) dan (4,2) dan semiaa hasil non-basis yang diizinkan yang terletak di garis antara dua titik itu menghasilkan juga harga yang maksimum untuk Z.Bagaimana cara bekerjanya metoda simplex ? Dimulai dari suatu titik ekstrim yang sebenarya merupakan hasil basis yang diizinkan dan bergerak melalui suatu “garis batas” ke titik ekstrim sebelahnya yang mempunyai harga Z yang lebih besar. Bila tidak terdapat titik ekstrim yang terletak di sebelahnya yang mempunyai harga Z yang lebih besar, maka hasil optimal telah tercapai dan cara bekerja metoda ini bethenti di sini. Karena tiap-tiap titik ekstrim yang berurutan menghasilkan harga Z yang lebih besar, maka tidaklah mungkin untuk kembali ke titik ekstrim yang telah dilalui. Jadi jumlah tahapan (iterations) tidak mungkin lebih besar dari jumlah titik-titik ekstrim yang menurut sifat 3 adalah terbatas. Telah dinyatakan, bahwa metoda simplex merupakan prosedur aljabar, sedangkan sampai kini baru dilihatnya dari sudut ilmu ukur. Bagaimana caranya menerangkan konsep prosedur ilmu ukur ini secara aljabar ? Misalnya adalah menentukan titik-titik ekstrim (hasil basis yang diizinkan) secara aljabar. Pertama-tama ketidaksamaan itu harus dirubah menjadi persamaan supaya pemecahannya secara aljabar lebih mudah. Caranya dengan mempergunakan “vari- able beda” Misalnya ketidaksamaan x, + 3x, $ 10. Bagaimanakah merubah ketidaksamaan ini menjadi persamaan yang equivalen ? Andaikan : x, = 10 ~ x, — 3x9, sehingga x, merupakan beda antara kedua sisi dari tanda ketidaksamaan itu, karena itu disebutt variable beda. Jadi, x1 + 3xp + x3 = 10 Kendala aslinya x, + 3x) $10 akan tetap berlaku bila x3 20, jadi x, + 3x, < 10 adalah equivalen dengan x, + 3x) + X3 = 10 dan x, 2 10. Dengan mempergunakan variable beda, maka model pemrograman linier yang asli diganti model yang equivalen;Maksimumkan. 6.1. Z = 3x, + 5x, di bawah kendala 6.2. Xx) + 3x) +X =10 63. Oa + x =10 64. x20 untuk j=1,2,3,4, walaupun program ini identik dengan masalah aslinya, namun bentuk ini lebih mudah untuk manipulasi aljabar dan untuk menentukan hasil basis yang diizinkan. Suatu batasan (definisi) aljabar yang umum mengenai hasil basis yang diizinkan dapat diberikan sekarang. Batasan : Bila terdapat m persamaan dengan n variabel-variabel (n > m) suatu hasil basis dapat diperoleh dengan penyelesaian m variabel-variabel dimana (n — m) variabel-variabel sisanya dinyatakan sama dengan nol, Suatu hasil basis yang diizinkan dan tidak berubah, adalah suatu hasil basis dimana m variabel-variabel itu adalah positif ( > 0). Suatu non yang menurun hasil basis yang diizinkan, dimana variabel- variabel itu positif ( > 0 ). m variabel-variabel itu disebut variabel- variabel “basis” atau variabel-variabel yang terdapat dalam basis, sedangkan (n — m) variabel-variabel disebut variabel-variabel “non basis”. Untuk memberikan gambaran (illustration) terhadap batasan ini, perhatikanlah rumusan masalah pemrograman linier dari contoh 6.1. sampai dengan 6.4. di atas yang mempunyai dua persamaan kendala dalam empat variabel-variabel (lihat hal 15), Misalkan dipilih x, dan x, sebagai variable basis, maka x, dan x, merupakan variabel-variabel non basis. Dengan memberikan harga nol kepada variabel-variabel non basis yaitu x, dan x4 maka diperolehlah dengan mudah menurut penyelesaian aljabar secara sistematikharga-harga x; = 4 dan x, = 2. Jadi (x, xy. X3. Xq) = (4,2,0,0) adalah suatu hasil basis yang juga merupakan hasil basis yang diizinkan (feasible) yang non menurun. Dalam gambar adalah titik ekstrim (x),x2) = (4,2) Setelah diketahui caranya menentukan hasil basis yang diizinkan tibalah waktunya untuk meneliti bagaimana caranya menentukan hasil basis yang diizinkan (feasible) selanjutnya. ‘Untuk mudahnya pilihlah m variabel-variabel beda itu sebagai hasil basis yang diizinkan (feasible) pertama-tama, yaitu x, dan x4 sebagai variabel-variabel basis dan x, dan x, sebagai variabel-variabel non basis. ‘Mempergunakan batasan dari basis, maka xy = 10 — x) + 3x 4 = 10 - 2x, + x Dan variabel-variabel non basis x, dan x disamakan dengan nol. Jadi hasil basis yang diizinkan yang pertama-tama adalah x, = 0. x = 0, x, = 10 dan x, = 10. Dengan cara ini, maka hasil basis yang diizinkan yang pertama-tima x, = 0 untuk j= 1,. n—m dan X, mj = b untuk i=1,2,.... ,m. Kembali pada cara ilmu ukur, maka prosedur ini memilih titik asal (titik 0) sebagai titik ekstrim yang pertama (hasil basis yang diizinkan) sehingga z = 0. Bila diketahui suatu hasil basis yang diizinkan, maka metoda simplex akan menemukan hasil basis yang diizinkan yang berikutnya (atau menemukan bahwa hasil basis yang diizinkan yang diperolehnya itu optimal) dengan memilih titik ekstrim yang di sampingnya yang membuat harga Z. lebih besar. Dalam aljabar titik ekstrim yang disebelahnya itu merupakan pula suatu hasil basis yang terdiri dari semua variabel-variabel dalam baris kecuali sebuah. Jadi menemukan hasil basis yang diizinkan yang berikutnya, berarti memilih sebuah variabel basis, meninggalkan basis dan memilih sebuah variabel non basis menggantikan tempat variabel tadi.Bagaimanakah memi memasuki” basis ? “variabel yang meninggalkan” dan “variabel yang Variabel yang memasuki basis dipilihnya dengan mengawasi fungsi tujuannya supaya mengetahui pengaruh dari tiap-tiap alternatif. Sebagai contoh kedua calon variabel-variabel yang akan memasuki basis adalah x, dan x, dan fungsi tujuannya adalah : Z = 3x, + 5x Karena variabel yang memasuki basis itu akan berubah dari non basis menjadi basis variabel, maka harganya akan bertambah dari nol menjadi suatu harga positif lainnya (kecuali dalam keadaan menurun). Karena itu, salah satu x, dan x, akan memperbesar harga z dengan memasuki basis. Jadi dapat dengan positif dikatakan bahwa hasil yang diizinkan (feasible) yang pertama-tama itu tidak optimal dan salah satu dari kedua variabel itu harus dipilih untuk memasuki basis. Ada banyak cara untuk memilih antara kedua variabel-variabel itu. Salah satu yang dipakai adalah memilih salah satu yang merupakan harga Z dengan jumlah terbesar, ialah yang meningkatkan Z secepat mungkin dengan meningkatnya variabel itu. Karena x, meningkatkan Z dengan kelipatan 5 per satuan peningkatan dalam x, sedangkan x, hanya tiga kali, maka x, terpilih sebagai variabel yang menambah basis. Calon-calon untuk variabel yang meninggalkan basis, adalah x; dan x4. Hasil pertama dari satu variabel meninggalkan basis, adalah bahwa variabel itu akan berkurang dari harganya yang positif menjadi nol. Variabel yang dipilih adalah yang meneapai nol tercepat dengan meningkat harga variabel yang memasuki basis dalam hal ini adalah x2. Ini akan meningkatkan Z sebesar yang dapat dicapai dengan meningkatnya x, tak mungkin untuk meneruskan peningkatan dari x» karena akan menghasilkan variabel-variabel negatif.Ini diperlihatkan dalam tabel berikut : Penanaman Peningkatan maksimum dari x, 4 = 10- x, + 3x; x < 103 < 10 = 10 - 2x, + x, xX Karena itu x; harus dipilih sebagai variabel yang meninggalkan basis dan x, diambil sama dengan 10/3 Langkah selanjutnya menentukan harga-harga dari variabel-variabel lainnya dalam basis. Ini dilaksanakan dengan metode eliminasi Gauss Jordan seperti diuraikan dalam appendix 2. Untuk jelasnya perhatikan contoh soal : (0) Z-3x, - x= 0 (Q) x, +3x 4 x = 10 (2) 2x, +x, + x = 10 Variabel-variabel basis adalah x, dan x4, Variabel basis yang baru, x,, akan menggantikan x, yang merupakan variabel basis dalam persamaan (1). ‘Tetapi x, itu harus dihitangkan dari persamaan-persamaan lainnya, Ini dilakukan dengan menambah atau mengurangi suatu perbanyakan dari persamaan (1) dari atau kepada persamaan-persamaan lainnya. Jadi persamaan (2) yang baru adalah persamaan (2) yang lama dikurangi dengan 1/, dari persamaan (1) dan persamaan (0) yang baru adalah persamaan (0) yang lama ditambah dengan */, persamaan (1). Ini semuanya menghasilkan persamaan-persamaan yang baru yang secara aljabar adalah equivalen dengan persamaan-persamaan yang pertama.©) 2-1, x, + + Ply xy = 167, a Xpt3x +X} = 10 2) Vis x, —~'hx +x, = OF Hasil basis yang diizinkan (feasible) yang kedua adalah x, = 0“ x, = 34% ; Xz = 0 dan x, = 6%/; ; dengan Z = 16/3. Apakah hasil basis yang diizinkan (feasible) yang kedua ini optimal ? Seperti sebelumnya jawabannya dapat diperoleh dengan memperhatikan fungsi tujuan. Fungsi tujuan yang baru adalah Z = 16/3 + 11/3 x ~1°/; x3. Dapat sekarang disimpulkan bahwa dengan meninggikan harga dari x, akan pasti meninggikan atau memperbesar harga dari Z, sehingga hasil-hasil yang diizinkan (feasible) yang kedua juga tidak optimal. Jadi iterasi ini dapat dilanjutkan. Sebelum melanjutkan dengan iterasi selanjutnya, mungkinkah sekarang memberikan ikhtisar (summary) dari metoda simplex, Ikhtisar dari Metode Simplex Iterasi pertama : memperkenalkan variabel-variabel beda dan jadikan variabel- variabel beda (slack) ini menjadi variabel-variabel basis yang petama-tama. Sesudah itm temukan langkah ketiga. Langkah 1. Tentukan variabel-variabel non basis yang memasuki basis : Pilihlah variabel-variabel non basis yang bila meningkat harganya akan meningkat pula Z, dengan laju yang paling cepat. Ini dilakukan dengan meneliti koefisien-koefisien dalam fungsi tujuan dan pilihlah variabel non basis dengan koefisien yang terbesar (atau terkecil bila variabel-variabel itu terletak di ruas kiri). Langkah 2. Tentukan variabel basis baru yang meninggalkan basis : Pilihlah variabel basis yang mencapai nol lebih dahulu bila variabel yang memasuki basis meningkat. Ini dilakukan dengan meneliti tiap persamaan untuk melihat berapa besar variabel non basis yangLangkah 3. Langkah 4. memasuki basis ditingkatkan sebelum variabel basis pada persamaan itu mencapai nol. Suatu prosedur aljabar yang formil untuk melaksanakan ini adalah sebagai berikut Misalkan e menyatakan tanda dari variabel non basis yang memasuki aj, menyatakan Koefisien dari variabel non basis yang memasuki basis pada persamaan i, dan b, menyatakan bilangan di ruas kanan pada persamaan i (i = 1, 2, , m), maka batas atas dari x, itu pada persamaan i adalah ; a bilagan <1 0 b/a. bila a, > 0 Karenanya tentukan persamaan yang mempunyai batas-batas itu yang terkecil dan pilihlah variabel-variabel basis pada persamaan itu yang akan meninggalkan basis. Tentukan hasil basis yang diizinkan yang baru : Selesaikan untuk variabel-variabel basis dalam term variabel-variabel non basis dengan metode eliminasi Gauss - Jordan dan nyatakan variabel-variabel non basis sama dengan nol. Tentukan apakah hasil ini sudah optimal : Teliti apakah Z masih dapat ditingkatkan dengan meningkatkan tiap- tiap variabel non basis. Ini dilaksanakan dengan mengeliminir variabel-variabel basis dari fungsi tujuan dan selanjutnya diteliti tanda dari koefisien dari masing- masing variabel non basis. Bila semua koefisien ini non positif (atau non negatif, bila variabel ini di ruas sebelah kiri), maka hasil ini akan optimal maka berhentilah. Bila tidak demikian kembali ke langkah 1 at22 Meninjau kembali approach ilmu ukur, maka metode Simplex memperhatikan tugas buah titik ekstrim, (0,0), (0,3'/3), (4,2) dan (5,0) dengan titik ekstrim (4,2) sebagai hasil optimal. Sebelum kita mempergunakan cara yang lebih praktis dari metode Simplex ini, lebih baik melatih dahulu metode Simplex ini dengan beberapa contoh soal. Prosedur ini mempergunakan “Simplex tableau: yang mencatat hanya informasi- informasi yang penting saja, ialah koefisien dari variabel-variabel dan konstanta pada ruas sebelah kanan dari persamaan-persamaan : Variabel | — Nomor Koefisien dari Ruas kanan basis | persamaan % X, % Xs Xq | dari persamaan z 13-500 0 xy o13.1 10 Xy 02101 10 Dasar pethitungan dalam mempergunakan Simplex tableau ini adalah sama dengan yang terdahulu, Perubahannya hanya dalam penyajian dari informasi- informasi yang dengan cara ini akan lebih ringkas. Baiklah kita perhatikan, bagaimanakah ketiga langkah dari metode Simplex ini dipergunakan untuk memperoleh Simplex tableau berikutnya dari yang di atas ini. 1. Perhatikan “baris” 0 dari tabel; Koefisien yang terkecil dari baris ini adalah — 5 ; jadi x, tempilih sebagai variabel yang baru, yang memasuki basis. 2. Pethatikan bilangan-bilangan positif pada kolom x, (tidak dihitung baris 0). Karena 10/3 < 10/1, maka variabel basis yang baru yang meninggalkan basis adalah variabel basis yang sekarang pada baris 1, ialah x3. 3. Perhatikan hasil ini dengan menggantikan x, oleh x, dalam kolom variabel basis. Karena 3 adalah koefisien dari x, di baris 1, maka bagilah seluruh baris ini dengan 3. Karena ~5 dan | adalah koefisien dari x, di baris-baris 0 dan 2,m maka kurangkan (-5) dan (1) kali baris 1 dari baris-baris 0 dan 2.Hasil tabel berikutnya adalah Variabel Nomor basis | persamaan Koefisien dari Ruas kanan ZL x % %; %, | dari persamaan 1-1, 0 117, 0 0% 1, 0 3M 0? 0’, 1 Or; Jadi hasil basis variabel yang diizinkan yang baru adalah x, = 31/3 dan y, = @/; dengan Z = 167/,. 4. Perhatikan lagi baris 0. Karena salah satu koefisien (-1'/,) adalah negatif, maka hasil ini belum optimal, jadi suatu iterasi berikutnya diperlukan. Iterasi selanjutnya diserahkan kepada pembaca sebagai latihan, 7. KESULITAN-KESULITAN (COMPLICATION) DAN CARA PEMECAHANNYA Sampai kini pembahasan dari metode simplex didasarkan atas model pemrograman linier seperti yang disajikan pada pasal 2. Sekarang kita akan membahasnya dalam bentuk pemrograman linier yang lain. 7.1, MINIMALISIR Lazim bila dalam suatu keadaan tertentu kita lebih membutuhkan minimalisir dari pada memaksimalisir misalnya mengenai masalah biaya, maka lazim bila kita menghendaki minimalisir. 2324 Untuk maksud ini terdapat 2 (dua) jalan : Cara pertama —: Dengan membuat perubahan-perubahan kecil saja pada metode Simplex. Variabel baru yang memasuki basis adalah variabel non basis yang akan menurunkan dari pada meningkatkan Z dalam waktu sesingkat-singkatnya bila variabel ini ditingkatkan harganya, Dengan cara yang sama seperti dalam meneliti untuk mengoptimilisir Z, ialah bilamana masih dapat diturunkan harganya A dengan meningkatkan tiap variabel non basis Cara yang kedua : Untuk meminimalisir, ialah dengan mengubah problema itu ke dalam problema yang sederajat (equivalent), yang mengandung maksimalisasi dan selanjuunya seperti biasa dengan metode simplex. Cara ini sebenarya ialah memaksimalisir negatif dari fungsi tujuan semula. Meminimalisir setiap fungsi f(x), X,.. . , x,) di bawah kendala-kendala tertentu adalah equivalen dengan memaksimalisir f(x), x, ... , X,) di bawah kendala yang sama. Sebagai contoh, meminimalisir (3x, — 5x,) di bawah kendala-kendala tertentu adalah sama dengan memaksimalisir (3x, + 5x,) di bawah kendala yang sama. 7.2, KETIDAKSAMAAN DALAM ARAH YANG LAIN Arah dari suatu ketidaksamaan selamanya berubah bila kedua ruasnya dikalikan dengan (-). Karenanya, bila suatu ketidaksamaan dalam kendala (bukan batas-batas non negatif) terdapat dalam arah yang lain ( 2 ), ini dapat diubah ke dalam ketidaksamaan dalam arah yang diingini (<) dengan mengubah semua tanda pada kedua belah pihak Sebagai contoh, ketidaksamaan 3x, + 2x > 18 adalah sama dengan ~3x, ~ 2x, <-18. Sayang kerapkali terjadi bahwa prosedur ini membawa harga dari b, yang non positif seperti pada contoh di atas, dimana b, = -18. Signifikansi dari ini dan penyesuaian yang disyaratkan dibahas pada seksi berikut.7.3, NON POSITIF DARI b, Untuk menggambarkan sifat masalah ini dalam pemecahannya, perhatikan contoh dari pasal -6, dengan satu perubahan ialah persamaan kedua dari kendala- kendala diganti dengan -2x, ~ x, $—10, maka perangkat (set) persamaan-persamaan itu menjadi seperti berikut : CO) Ao sy = 0 a x) 43x, + x; = 10 Q) — 2x, — x + xy = 10 Dilanjutkan seperti biasa, maka basis yang pertama adalah x, = 0, x) = 0, x3 = 10, dan x, =~10. Tetapi hasil ini tidak diizinkan, tidak diizinkan (feasible) karena menurut syaratnya ialah x, 20. Jadi, intisari dari masalah ialah, dengan b, yang negatif tidak ada hasil basis yang dipakai sebagai titik tolak dari metode simplex. Bila beberapa dari b; sama dengan nol, tetapi tidak ada yang negatif, maka masih mungkin mempergunakan variabel-variabel beda (slack) untuk memperoleh hasil basis yang diizinkan (feasible) sebagai titik tolak, walaupun ini akan merupakan hasil yang menurun (degnerate) yang akan dibahas kemudian. Untunglah bahwa masalah ini tidak begitu sukar. Salah satu prosedur yang sederhana untuk memperoleh suatu hasil basis yang diizinkan dengan negatif b, ialah dengan memilih beberapa kumpulan variabel- variabel yang bukan variabel beda (slack) sebagai variabel-variabel basis dan menyelesaikan selanjutnya seperti biasa. Hanya ini, memerlukan penyelesaian- penyelesaian secara aljabar yang di luar cara rutin dari metode simplex. Prosedur yang umum dipakai ialah dengan cara mengurangkannya dengan suatu “variabel buatan”, di ruas kiri dari persamaan-persamaan dengan negatif b; dan mempergunakan variabel buatan (artificial) ini sebagai variabel basis yang mula-mula dari pesamaan itu. Sebagai contoh maka persamaan (2) menjadi 2x, — xp + Xy— X5 = 10 yang akan ditulis kembali seperti : 2K, + Xp —Xy + x5 = 10 2526 Kendala bahwa x; 2 0 juga dapat diberikan sehingga x, untuk selanjutnya dapat dianggap resmi dengan variabel-variabel lainnya. Maka hasil basis yang diizinkan yang mula-mula dari problema ini adalah x, = 0, xz = 0, x3 = 10, X4= 0, xs = 10. Tetapi ini bukan hasil basis yang diizinkan dari problema aslinya. Problema aslinya telah diubah dengan diajukannya variabel buatan, Sebenamya problema yang telah berubah ini adalah sama dengan problema aslinya bila Xs = 0. Karena itu, bila fungsi tujuan yang asli Z = 3x, + 5x, diubah menjadi Z = 3x, + 5x) — Mx, dimana M adalah merupakan bilangan yang sangat besar, maka maksimum dari Z diperoleh bila xs = 0 (Xs tidak dapat negatif). Metode ini yang membuat variabel buatan menjadi nol disebut metode “M besar”. Karena variabel-variabel buatan dipakai sebagai variabel basis permulaan, variabel-variabel ini harus dihilangkan dari fangsi tujuan (persamaan (0). Jadi, Karena persamaan (0) dan (2) dari contoh itu adalah : @ = Z~3x,-5x) + Mx, = 0 Q) 2x + xy —Xy + Xs = 10 Maka M kali persamaan (2) harus dikurangkan dari persamaan (0) untuk menghilangkan xs dari persamaan (0), menjadi : ) — Z+(-3-2M) x, + CSM) x, + Mx, = - 10M. Karena dua dari tiga variabel-variabel yang bukan basis ini mempunyai koefisien negatif, maka hasil ini belum optimal, jadi x, dipilih sebagai variabel basis yang baru, Cara Jain untuk menjadikan nol variabel buatan (artificial) ini adalah metode “Dua Phase”. Setelah menggunakan variabel buatan (artificial) ini dengan cara seperti diterangkan di atas, maka cara metode ini sebagai berikut :Pada Phase I, gantikan fungsi tujuan dengan jumlah dari variabel-variabel buatan (artifical) itu. Dalam contoh ini fungsi tujuan menjadi : W = xs Setelah meminimalisir fungsi tujuan ini di bawah kendala-kendala yang sama dengan metode simplex. Karena variabel buatan (artificial) itu seperti variabel-variabel lainnya harus non negatif, harga minimum yang dapat diberikan pada W adalah nol. Jadi, hasil optimal dari Phase I adalah bahwa semua variabel-variabel buatan (artificial) itu sama dengan nol, dan haruslah suatu hasil basis yang diizinkan (feasible) dari aslinya. “Phase IP? ialah menyelesaikan problem aslinya ini dengan metode simplex, mempergunakan hasil dari phase I (tidak dengan variabel buatan) sebagai hasil basis pertama yang diizinkan (feasible) 74.PERSAMAAN Misalkan pada contoh soal sub pasal 7.11 persamaan yang ketiga menjadi 3x, + 2x, = 18, schingga ketidaksamaan menjadi persamaan. Karena untuk persamaan ini tidak perlu diberikan suatu variabel beda (slack), maka seperangkat persamaan itu menjadi : 0) Z—3x, ~ 5x, = 0 @ x) +X = 4 Q) x ty = 6 ) 3x, + 2x» = 18 ‘Ternyata persamaan-persamaan ini tidak mempunyai hasil yang diizinkan (fea- sible) basis Karena tidak adanya variabel beda (slack) pada persamaan ke ~3. Tiga prosedur diketahui untuk menyelesaikan problema ini, hanya salah datu dari prosedur itu hendak diterangkan di sini yang secara konsepsi adalah sama dengan sub pasal 7.3. untuk tiap kesamaan kita masukkan sebuah variabel buatan (artificial), seperti bila pada suatu ketidaksamaan akan merupakan variabel beda (slack). Ini mengubah problema aslinya dari kesamaan menjadi ketidaksamaan. 27Setelah memperoleh hasil basis yang petama yang diizinkan (feasible) dari problema yang telah diubah itu, maka metode M besar atau dua phase dapat digunakan untuk memperoleh hasil yang diizinkan (feasible) basis dari problema aslinya. Jadi persamaan ke-3, 3x, + 2x, = 18, diganti dengan 3x, + 2x, + x, = 18. dimana x5 merupakan variabel buatan (artificial) untuk memperoleh hasil basis yang pertama yang diizinkan (feasible) untuk pesamaan itu. Jadi hasil yang petama adalah : x, = 0, x, = 0, x, = 4, x4 = 6, dan xg = 18, Dengan metode M besar, fungsi tujuannya juga berubah menjadi Z = 3x, + 5x, + Mx ; dimana M adalah suatu bilangan yang besar sekali sehingga memaksa x5 akan sama dengan 0, Untuk selanjutnya adalah sama seperti apa yang diterangkan pada sub pasal sebelumnya mengenai metode M besar. 7.5. VARIABEL-VARIABEL YANG TAK BERSYARAT DALAM TANDA Walaupun variabel-variabel penentu dalam banyak problema yang praktis harus dalam pembatasan non negatif dalam nilai, tetapi ini tidak selamanya demikian. Meskipun demikian metode simplex hanya berhubungan dengan variabel- variabel yang non negatif. Adalah suatu keuntungan terdapatnya teori yang memungkinkan untuk mengubah (convert) problema dimana terdapat variabel- variabel yang non negatif. Suatu variabel yang tak bersyarat dalam (anda, selamanya dapat dinyatakan sebagai selisih dari dua buah variabel-variabel yang non negatif. Jadi bila diketahui bahwa y 2 0 dan z 2 0, maka X suatu variabel yang tak bersyarat, dapat dinyatakan sebagai X = y ~ z dengan menyatakan y = x, z = 0 bila Z 20, dan menyatakan z = -x, y = 0 bila X $0. Karena itu setiap variabel yang tak bersyarat dalam tanda dapat diganti oleh selisih dari dua buah variabel-variabel yang non negatif. Untuk memberikan gambaran, maka umpamakan contoh soal dalam sub pasal 7.4. diubah dengan menghilangkan pembatasan bahwa x, > 0, dengan menyatakan x, = yy — 2 dimana y, 2 0, 2, 2 0, maka model itu menjadi : max, Z = 3x; ~ 32, + 5x)di bawah kendala-kendala : “A z n- 4 By, — 32, + 2x a a y, 2 0,2, 20, xy Vv ° Bila dalam problema itu terdapat lebih dari satu variabel yang tak bersyarat dalam tanda, perumusan ini dapat agak disempurnakan dengan menggantikan tiap- tiap variabel x, oleh x, = y, — dimana y, > 0 dan z 2 0, tetapi z adalah variabel yang sama untuk semua j 7.6. IKATAN ANTARA VARIABEL-VARIABEL YANG MEMASUKI BASIS Dapat terjadi bahwa dua atau lebih variabel-variabel non basis yang sama- sama mempunyai positif koefisien yang sama-sama maksimum dalam fungsi tujuan. Variabel non basis ini akan terikat untuk sama-sama menjadi vatiabel yang memasuki basis. Misalnya ini akan terjadi bila fungsi tujuan adalah Z = 2x, + 2x + x3, karena x, dan x, terikat satu sama lain, Bagaimana memutuskan ikatan ini ? Jawabnya : ialah bahwa pemilihan antara variabel-variabel itu dapat dilakukan sekehendaknya. Hasil optimal akan tercapai juga, tidak perduli variabel mana yang dipilih dan tidak ada cara yang tepat untuk meramalkan sebelumnya, pilihan mana dapat membawa ke hasil optimal yang lebih cepat. 7.7. IKATAN ANTARA VARIABEL-VARIABEL BASIS YANG MENINGGALKAN KEBURUKAN (DEGENERACY) Apakah dalam hal ini sama juga, bahwa tidak peduli variabel mana yang meninggalkan basis bila variabel-variabel itu akan sama dengan nol, dengan meninggalkan harga variabel yang memasuki basis dalam waktu yang sama. Secara teori sesungguhnya harus diperhatikan, malahan dengan cara yang sangat kritis. 2930 Untuk menggambarkannya, kita ubah contoh soal pada sub pasal 7.4 dengan menggantikan pembatasan yang ketiga, 3x, + 2x, = 18 oleh 3x; + 2x) < 12. Seperangkat persamaan-persamaan itu akan menjadi sebagai berikut : © Z ~ 3x, - % = 0 a x + 3x; =4 Q Xo + OK =6 ) 3x, BPA cy ot) Seperti sebelumnya, x, dipilih menjadi variabel berikutnya yang memasuki basis, tetapi variabel manakah yang akan meninggalkan basis ? Keduanya, x, dan x; bersamaan mencapai nol bila x, ditingkatkan harganya sampai menjadi enam, Misalkan x, kita pilih Hasil seperangkat persamaan-persamaan itu diberikan di bawah ini : @ Z-3x, + 5X4 = 30 @ x +X =4 Q) X% +x = 6 @) 3x, +2x, + x; = 0 Hasil basis yang diizinkan dari persamaan-persamaan ini adalah x, = 0, x = 6, X = 4, xq = 0, xs = 0, yang merupakan hasil yang menurun Karena salah satu dari variabel basis, x5 adalah nol. Karena persamaan (0) menyatakan bahwa hasil ini belum optimal, maka x; dipilih sebagai variabel berikutnya yang memasuki basis. Karena x, tak dapat ditingkatkan harganya dengan tidak mengakibatkan xz menjadi negatif, maka x, hendaknya menjadi variabel yang meninggalkan basis.Ini akan memberikan hasil seperti berikut : Ou Be tho 64 560) a X47; xy +g xs = 4 2) Xt OX = 6 8) x - xy ts x5 = 0 Jadi hasil optimal dari problema ini adalah x, = 0, x = 6, x; = 4, x4 = 0, X5 =0, seperti sudah dicapai pada iterasi sebelumnya. Hal semacam ini dapat dimengerti karena variabel basis, xs, yang harganya sama dengan nol bila dipilih menjadi variabel yang meninggalkan basis sebelum harganya berubah, maka variabel yang memasuki basis akan juga tetap mempunyai harga°nol dan nilai dari Z akan tidak berubah. Untunglah, bahwa contoh seperti itu (perpetual loop) yang secara teori mungkin dapat terjadi, tetapi tak pernah terjadi dalam praktek. Bila terjadi loop, maka menghindarinya dengan menggantikan variabel yang meninggalkan basis. Cara- cara khusus untuk mengatasi problema ini sudah ada, akan tetapi cara-cara itu dalam praktek biasanya diabaikan. 7.8. HASIL BERLIPAT (MULTIPLE SOLUTION) Misalkan contoh soal pada sub pasal 7.4 fungsi tujuannya diubah sehingga menjadi Z = 3x, + 2x, maka dari grafiknya, walaupun (2,6) tetap merupakan optimal, (4,3) dan seluruh garis segment antara titik-titik itu juga menghasilkan hasil yang optimal, ialah Z = 18. Metode simplex akan berhenti setelah ia mencapai hasil yang optimal. Apakah terdapat suatu cara untuk mengetahui adanya hasil optimal lainnya ? Jawabnya adalah “ya”, Bila metode simplex diterapkan pada contoh sekarang ini, maka ia akan berhenti setelah iterasi yang ke tiga : © Zz + Ox; + Xs = 18 oy) x + % = 4 (2) yxy + Xy - Wh ks = 3 ) x — x3 kee) a132 Karena z tidak dapat lagi ditingkatkan, maka x, = 4, xp Xs = 0 imerupakan hasil yang optimal. . x3 = 0, x4 =3, Bagaimana dapat diketahui adanya hasil optimal lainnya ? Perhatikantah bahwa sebuah dari non basis variabel, x3, mempunyai koefisien nol dalam fungsi tujuan ini, 2 = 18 — Ox; — xs, Ulangi, bahwa tiap-tiap koefisien dari non basis variabel pada fungsi tujuan menyatakan peningkatan dari nilai Z bila variabel itu meningkat harganya, Karenanya dengan memasukkan x, ke dalam basis akan tidak meningkatkan atau menurunkan harga dari Z sehingga hasil basis yang diizinkan itu merupakan hasil yang optimal. Hasil ini Z = 18 akan tetap bila kita lanjutkan metode simplex ini, dan perangkat persamaan-persamaan itu akan menjadi demikian : O® Zz + Ox, + x5 = 18 a) x = yx, + Vzxs = 2 ) Xy + Us xy - “yxy = 2 @) xX) + x4 = 6 Tadi, x1 = 2, xy = 6, x3 = 2, Xq = x5 = 0 merupakan hasil basis yang diizinkan yang kedua. Karena fungsi tujuan yang sekarang ini juga mempunyai koefisien nol bagi sebuah variabel non basis, maka masih dapat dillkukan sebuah iterasi lagi yang akan menghasilkan suatu perangkat persamaan-persamaan yang identik. Karena itulah hanya terdapat dua buah hasil basis yang diizinkan dan optimal. Tetapi karena tiap-tiap berat rata-rata dari hasil optimal harus pula merupakan hasil yang optimal, maka akan terdapatlah hasil yang diizinkan optimal yang non basis. Ini merupakan titik-titik pada garis segment antara kedua buah titik-titik ekstrim optimal itu. 7.9. TIDAK TERDAPAT HASIL YANG DIIZINKAN (FEASIBLE) Sub pasal 7.3 dan 7.4 pada dasamya menelaah problema dalam memperoleh hasil basis, pertama-tama yang diizinkan bila yang sedethana (obvious) tidak terdapat. Caranya adalah mengajukan suatu problema buatan (artificial) dan menemukan sebuah hasil basis yang diizinkan (feasible) dari problema yang telah diubah itu.Dengan cara ini memungkinkan dimulainya prosedur metode simplex sampai tercapai hasil basis yang diizinkan (feasible) dan akhimya tercapai hasil basis yang diizinkan (feasible) dan akhimya tercapai hasil basis yang optimal dari problema aslinya. Akan tetapi kita harus hati-hati, Karena bila suatu hasil basis yang diizinkan (fea- sible) tidak nyata dan sederhana (obvious), maka ini mungkin untuk alasan yang sungguh baik, bahwa tidak ada hasil yang diizinkan (feasible) sama sekali. Paling tidak terdapat dua jalan untuk dapat terhindar dari penemuan suatu hasil yang tidak diizinkan (infeasible) Pertama-tama haus diyakinkan bahwa akan terdapat hasil yang diizinkan (fea- sible) sebelum mempergunakan metode simplex. Model itu harus dibuat setepat mungkin atau kendala-kendalanya tidak bertentangan satu sama lain. Kedua, jawaban yang dihasilkan oleh metode simplex harus selamanya diperiksa yang diizinkannya (feasibilitasnya). Ini dapat dilaksanakan dengan memeriksa tiap- tiap persyaratan-persyaratan untuk mengetahui apakah telah cocok. Akan tetapi prosedur yang memakai variabel-variabel buatan (artificial) mempunyai cara sendiri untuk memeriksa yang diizinkannya (feasibilitasnya). Bila tidak terdapat hasil yang diizinkan (feasible), maka setidak-tidaknya salah satu dari variabel buatan (artifi- cial) itu yang akan dijadikan nol akan menjadi variabel basis yang positif dalam hasil yang optimal. Bila tidak semua akan menjadi nol. 7.10. HASIL OPTIMAL YANG TIDAK TERBATAS (UNBOUNDED) Selain ada kemungkinan yang tak terdapat hasil, ada pula kemungkinan bahwa satu atau lebih variabel-variabel dapat ditingkatkan nilainya dengan tak terbatas dan juga yang diizinkan (feasible) yang disebabkan oleh kendala-kendala yang terdapat, atau tidak adanya kendala-kendala itu. Bagaimanakah metode simplex menangani keadaan serupa ini : Bila salah satu dari variabel-variabel itu telah dipilih untuk memasuki basis, maka variabel ini dapat ditingkatkan nilainya terus menerus (demikian juga Z) dengan tidak mengakibatkan salah satu variabel-variabel basis yang sekarang ini menjadi negatif. Dengan demikian tidak terdapat variabel basis yang meninggalkan basis, jadi metode simplex akan berakhir dengan keterangan bahwa hasil optimal tak terbatas. Secara teori hasilnya adalah untuk variabel itu adalah + demikian pula Z. Akan tetapi bila problema itu mempunyai signifikansi secara phisik, maka mungkin pembatasan yang penting telah dihilangkan atau suatu perhitungan yang salah mungkin telah diperbuat. 337.11. CONTOH SOAL (Mempergunakan metode “M Besar”) Max. Z = 3x, + 5x di bawah kendala : ed ms 5 -3x,-2 x, < -18 x,20,x, 2 0 gambar ilmu ukumya. % nn 3h + 2x, 42 = 3x, + 5X, 30 = 3x, + 5x, 15 = 3x, + 5x, 34© Z ~ 3xy- 3% + Mx, = 0 a x 7 =4 @ X + X4 = 6 @) 3x, + 2x, = Xs + Xe = 18 (0) Z+(-3-3M)x, + (-5-2M)xy + Mxs =-18M () x +% = 4 Q) % +X = 6 3) 3x, + 2x, = Xs + X= 18 Penyelesaian dengan metode simplex secara tabel. (lihat halaman berikutnya). CONTOH SOAL (7.11.2) Max. Z = 3x; + 5x di bawah kendala : x Ss 4 mS 6 3x, + 2x, = 18Gambar ilmu ukumnya, % x=4 x, =6 30 = 3x, + 5x, son 15 = 3x, + 5x, () Z ~ 3x, - 5x + Mxs ay x + (2) % oa 8) 3x, + 2x) + Xs O) Z+ (3-3M)x, + -S-2M)x, = -18M a x + % = 4 @ X + = 6 8) 3x, + Ixy +s = 18Bsc Pes ZX x x Xy Xs Tuas kanan —_—_—_—_—SSSSSSSSSSSSSSSSSSSSSSSSSSSsSssese Ze 0) 1 (23-3) (52M) 0 0 0 -18M x 1 0 1 0 1 0 0 4 im Bo o 0 1 0 1 0 6 x% 3 0 2 0 0 1 18 Z 0 1. 0 (5-2M) GM) 0 M 12-6M x 1 0 1 0 1 0 0 4 X, 0 0 1 0 1 0 6 X6 0 0 2 3 0 -1 6 zo 1 0 0 4h), 0 ShtM 27 x 1 0 1 0 1 0 0 4 x «2 0 0 hy 1 ah 3 x 0 0 1 Hh, 0 ” 3 Ze 0k | 0 0 0 3 14M 36 x, 1 0 1 0 0 25 , 2 x 0 0 0 1 1, ls 2 % 3 0 0 1 0 1 0 6 ee Hasilnya adalah : Z= 36x, = 2 x = 6 ce x, = 0 08. TEORI DAN TAMBAHAN-TAMBAHAN DARI PEMRO- GRAMAN LINIER 8.1. TEORI RANGKAP (DUALITY THEORY) Salah satu dari penemuan pertama-tama yang terpenting dalam perkembangan pemrograman linier adalah Konsep mengenai kerangkapan dan bagian-bagiannya. Dari penemuan, ternyata bahwa setiap problema pemrograman linier mempunyai hubungan dengan problema pemrograman linier lainnya yang disebut kerangkapannya. Walaupun dalam pandangan selintas tampaknya hanya merupakan hubungan yang semu atau tidak begitu penting antara problema rangkap itu dengan problema aslinya (prima), sebenamya hubungan itu sangat dekat dan sesuatu yang berguna. Perhatikan tiap-tiap problema pemrograman linier seperti diperlihatkan dalam pasal 2. Problema aslinya : Temukan x, 50 j= 1, 2,...,n) yang akan memaksimalkan : Z, = OX, + GX +... hn, dalam kaitannya dengan kendala-kendala (constrain), 2 Xp tay XH... HX, = 0. (Catat, bahwa nilai yang berkenaan dengan fungsi tujuan rangkap adalah Z, = 10 y, + 10 yp = 30 = Z,, ; sesuai dengan apa yang dinyatakan dalam teori rangkap). ana2 8.2, ANALISA KEPEKAAN Masalah-masalah praktis yang dirumuskan sebagai masalah pemrograman linier jarang sekali secara tuntas, atau lengkap “terpecahkan” sekaligus setelah metode simplek menemukan hasil yang optimal untuk model itu. Parameter-parameter dari model (c, aj, b,) jarang sekali diketahui secara sungguh-sungguh. Karenanya dapat dianjurkan untuk mengadakan suatu analisa kepekaan, mengenai akibat dari perubahan-perubahan parameter-parameter itu terhadap hasil optimalnya. Bila harga optimal dari parameter-parameter tertentu, maka perhatian secara khusus diperlukan dalam memberi harga pada parameter-parameter ini. Keadaan yang kedua ialah, dimana diperlukan perhitungan tambahan, Karena perubahan-perubahan yang harus diadakan pada model matematis yang disebabkan karena Kurang lengkap atau adanya kesalahan ataupun adanya keterangan-keterangan baru yang menyatakan bahwa harga parameter itu harus diubah. Untunglah tidak pérlu, mengulang pemecahannya dari semula tiap kali bila terjadi perubahan-perubahan kecil dalam model. Bila hasil optimal dari seperangkat persamaan-persamaan diketahui, biasanya mungkin masih dapat diketahui apakah basis yang diperoleh adalah masih optimal atau tidak, dan bila tidak optimal maka basis ini dapat dipakai sebagai titik tolak dimulainya perhitungan-perhitungan Iain untuk memecahkan secara cepat hasil optimal yang baru. Sebagai contoh, misalkan koefisien ¢; dari x; pada fungsi tujuan berubah harganya menjadi c,, setelah optimal tercapai. Terang bahwa hasil optimal ini tetap diizinkan karena kendala-kendalanya tidak berubah, Pertanyaan yang perlu mendapatkan jawaban adalah apakah hasil ini tetap masih optimal atau tidak. Untuk menentukan ini, harus diperhatikan apakah pengaruhnya dari pernbahan koefisien. Suatu penelaahan dari metode simplex menyatakan bahwa, bila semua perhitungan-perhitungan harus diulang kembali dengan menggantikan , dengan c,, satu-satunya perubahan yang terdapat pada seperangkat persamaan terakhir ialah bahwa koefisien dari c; pada persamaan (0) yang terakhir berkurang dengan (c;’ ~ c)). Karena itu, bila x; merupakan variabel non basis pada hasil optimal yang sli, maka persamaan baru (0) dapat diperiksa dengan cara biasa (ialah dengan memeriksa apakah semua koefisien-koefisien dari variabel-variabel non basis adalah non negatif) untuk menentukan apakah hasil ini sekarang sudah optimal. Sebenamya, karena hanya koefisien x; yang berubah, maka hanyalah memeriksa apakah koefisien-koefisien ini masih non negatif. Jadi, bila masih non-negatif, maka hasilnya masih optimal; bila tidak, maka perlu menentukan x; variabel yang masuk dalam baris dan melanjutkan x, nya dengan metode simplex sampai hasil optimal tercapai.Tetapi, bila x, merupakan basis variabel pada hasil optimal yang asli, maka perlu untuk mengerjakan satu langkah tambahan pada prosedur di atas sebelum menggunakan persamaan (0) yang baru untuk memeriksa optimalitasnya. Ulangi bahwa test ini (dikembangkan pada pasal 5) mensyaratkan bahwa semua variabel-variabel basis (di luar Z) telah dihilangkan dari persamaan (0). Akan tetapi dengan merubah c, menjadi c;, Koefisien dari x; pada persamaan (0) terakhir telah berubah dari nol ke (¢,~¢;’). Karena itu salah satu Jangkah tambahan yang diperiukan ialah bahwa koefisien yang bukan nol ini harus dihilangkan dengan cara yang biasa, jalah dengan mengurangi (¢; — ¢;’) kali persamaan terakhir dimana terdapat x, sebagai variabel basisnya dari persamaan (0). Setelah ini dikerjakan, maka test untuk optimalitas dapat dilaksanakan, dan bila hasilnya belum optimal, maka metode simplex dapat diulangi, dimulai dari hasil yang diizinkan ini. ‘Untuk contoh cara pelaksanaannya perhatikanlah contoh yang terdapat pada pasal 5. Misalkan, setelah hasil optimal tercapai, maka fungsi tujuannya berubah dari Z = 3x, + 5xq menjadi Z = 3x, + xp. Ulangi bahwa persamaan (0) terakhir diberikan pada pasal 5 adalah © Z + 3x4 + 3x5 = 36. Karena itu, sehubungan dengan berubahnya persamaan (0) yang asli dari Z = 3x, — 5xy= 0 menjadi Z— 3x, + (-5 + 4)x, = 0, maka persamaan (0) terakhir ini karenanya berubah menjadi (0) Z. + Axy + 3x4 + 3X5 = 35. Karena x, merupakan variabel basis, maka harus dihilangkan dari persamaan (©) ini dengan mengurangkannya dengan 4 kali persamaan (2) (yang mana adalah Xp + Xq = 6 pada perangkat persamaan terakhir), yang menghasilkan. © Zn xq Xs = 12 Karena x4 mempunyai koefisien negatif, maka hasil optimal yang asli itu (x, = 2, xy = 6, Xj = 2, Xq = 0, Xs = 0) bukan lagi merupakan hasil yang optimal, dan x, dipilih sebagai variabel baru yang memasuki basis. Satu iterasi lagi dari metode 43simplex menghasilkan hasil, x, = 4, X= 3, x3 = 0, x4= 3, xs = 0, yang merupakan hasil optimal yang baru. Perubahan-perubahan macam lainpun pada model aslinya dapat diteliti dengan cara yang sama, Terutama perubahan-perubahan pada b, atau a, atau penambahan persamaan-persamaan kendala atau variabel-variabelnya dapat pula dikerjakan, hanya agak sulit dan memerlukan analisa yang lebib tinggi (diterangkan dalam judul-judul pemrograman linier yang lebih lanju) 8.3, PEMROGRAMAN LINIER SECARA UMUM Ini dapat dicapai dengan menghilangkan beberapa kendala-kendala (limitation) seperti diuraikan dalam pasal 4, misalnya “menurut pertimbangan” dan “menurut penjumlahan”, maka fungsi tujuan dan persamaan-persamaan kendalanya dapat merupakan persamaan yang tak linier. Ini akan membawa kita ke dacrah dari “pemrograman non-linier”. Di sana tidak terdapat prosedur pemecahan problema yang memuaskan, akan tetapi bila sedikit-dikitnya dianggap bahwa fungsi-fungsi kendala merupakan fungsi-fungsi convex dn fungsi tujuan merupakan concave, maka untuk pemecahan terdapat beberapa prosedur yang praktis. Hal lain yang dapat terjadi, bila pembatasan “menurut pembagian” dihilangkan yang mengakibatkan bahwa variabel-variabel penentu hanya dapat mempunyai nilai integer. Ini akan membawa kita ke daerah “pemrograman linier integer”. Walaupun prosedur-prosedur pemecahan telah dikembangkan, namun pada umumnya hanya untuk problema- problema yang relatif kecil. Akhimya, bila kendala “menurut kepastian” dihilangkan, sehingga beberapa atau semua parameter dari model pemrograman linier ini akan merupakan variabel-variabel yang random dan bukan merupakan konstanta lagi. Ini akan membawa kita ke daerah “prmrograman linier di bawah ketidak pastian”. 9. PERANCANGAN METODE SIMPLEX DENGAN TEORI MATRIX Untuk memahami Metode Simplex yang diperbaiki (revised simplex method) yang secara explisit menggunakan manipulasi-manipulasi matrix, maka sebaiknya seluruh prosedur metode simplex itu diulangi dengan menggunakan manipulasi- manipulasi matrix 44Untuk sementara kita umpamakan bahwa pemrograman linier itu adalah sebagai berikut = Maksimalisir : di bawah kendala-kendala : n a EEE jel »m) dan 9.3. wee 0 Gad mn) dimana c), a dan a merupakan konstanta yang diketahui. Dengan menggunakan vektor-vektor, maka problema di atas dapat ditulis seperti berikut : Maksimalisir : 9.4. Y=CX **) di bawah kendala-kendala :ey | xy] ay) - | el Il dimanaC = jj .X = |]. AS = pad] untuk | I. L. 1. js01...,n ie [eel Al Sm | Xm] Agyd *) Berbeda dengan cara penulisan pada pasal 2 dimana di ruas kanan ditulis by. **) C merupakan vektor baris, c dan x adalah vektor-vektor dimensi n, dimana n adalah banyaknya variabel-variabel, sedangkan vektor-vektor A; (j= 0... n) adalah berdimensi m, dan m ditentukan oleh banyaknya’pembatasan- pembatasan seperti dinyatakan dalam 9.2. Rumus 9.5 masih dapat ditulis secara lain, bila vektor-vektor (Ay, ... , A,) disatukan menjadi matriks A. ay a A adalah m x n matrix My eeee ess tq | dan 8.5 berganti beeen | Pujanenane aan | menjadi 97. Ay = Ay Secara perkataan problema di atas ini dapat dinyatakan seperti berikut : Diminta menghitung sebuah vektor x, yang memenuhi 9.5 dan 9.6 dan membuat y maksimal. Untuk sementara kita umpamakan bahwa sebanyak m vektor-vektor A, adalah bebas linier dan Ag tak dapat ditulis sebagai sebuah kombinasi linier dari vektor- vektor A, yang jumlahnya kurang dari m. (baca appendix 1). Misalkan x = (xo. --< + Xmr Os « kendala-kendala, maka berlakulah : , 0), merupakan hasil basis yang memenuhi98 x =% (i=l ,...,m) xi=0 (i=m+l,...,0) Nilai yang bersangkutan dari fungsi 9.4 adalah m 99 m= L OX *) Hasil 9.8 itu meletakkan sebuah basis dalam ruangan, yang terdiri dari vektor- vektor Aj, ..., Amy Jadi semua vektor-vektor A; (j=1,...,n) dapat ditulis dalam bentuk : m 910 AHL AK isl *) Seharusnya variabel dari Y dinyatakan dengan Yo, tetapi berhubung kebiasaan pemakaian internasional, maka kita sesuaikan dengan menulis nilai dari fungsi tujuan itu dengan % X;, adalah konstanta, index j menyatakan vektor yang diuraikan dan index i vektor basis yang bersangkutan dengan konstanta itu, Menurut 9.5. dan 9.8. berlaku pula : m 911 Ag = LANG i=l Rumus 9.10 dengan demikian dapat juga dibenarkan untuk j = 0. Bila kita gabungkan vektor-vektor Aj, ..., A,, menjadi matrix bujur sangkar B dan koefisien- koefisien xj. . . Xj menjadi vektor x, maka 9.10 dan 9.11 dapat ditulis dalam bentuk : 912 A=Bx, (j=0,...,n) aT48 Karena A, ... A,, adalah basis dari ruangan, maka mempunyai kebalikan matrixnya (inverse), sehingga dari 9.12 dapat menjadi . 9.13 x =B-1 A) (j=0,...,9) Jadi vektor-vektor x, dapat dihitung dengan mengalihkan vektor-vektor A, dari kiri dengan kebalikan matrix dari vektor-vektor basis. Catatan : Variabel-variabel x, dengan index-index yang sama dengan vektor-vektor dalam basis, dinamakan variabel-variabel basis; yang lainnya disebut variabel-variabel non basis. Xo terdiri dari nilai-nilai variabel-variabel basis dan dalam hasil yang memenuhi merupakan sebuah vektor dengan elemen-elemen yang tidak negatif. Bertolak dari hasil basis yang diuraikan 9.8. kita berusaha untuk menemukan hasil basis lain yang juga memenuhi dengan nilai yang lebih tinggi dari fungsi tujuan (objective). ‘Untuk ini kita pergunakan cara-cara seperti berikut : Sebagai akibat dari 9.10., maka A; adalah sama harganya dengan suatu kombinasi linier dari vektor-vektor Aj). +++ Agy Kendala-kendala 9.5. tetap dapat dipenubi bila pada ruas kanan dari 9.11. ditambah dengan : 7 8(4-E Aw) dimana @ adalah positif dan untuk j suatu elemen dari kumpulan (m+1, . . ., n) Rumus 9.11. menjadi : m m Ag= X Ax tO(A- XL Ax) isl - islatau m 9.14. Ag= L A(x —%j) + 40 isl Karena X merupakan sebuah vektor yang memenuhi dan xi... 5+» - Xp > 0, maka untuk harga yang cukup kecil dari @, vektor : 91S (ig —O Xj vee ve Xm — O Xp 00, 0,...,0) i0 ij ‘m0 ‘mj? juga memenuhi, akan tetapi bukan merupakan hasil basis. Nilai yang bersangkutan untuk fungsi 9 untuk vektor ini, di satu pihak 9.9 diperbesar dengan c,@ dan di lain pihak diperkecil dengan karenanya dapat diturunkan dari yang lama dengan rumus m 916. at=%+O(G- L gx) i=l m untuk menyederhanakan penulisan maka untuk ¢, Xj i=l kita ketengahkan suatu besaran baru z; dan ¢, . .. , Cy Kita tulis dengan vektor cy; jadi c, terdiri dari m elemen-elemen dari vektor ¢ dengan index-index yang sama dengan vektor-vektor basis dalam hasil yang lama, makamaka 9.16, dapat ditulis seperti : 918. ay = 2) +8 (G -%) CATATAN : Karena untuk nilai fungsi kita pergunakan lambang zy maka 9.17 adalah juga benar untuk j = 0 (bandingkan dengan 9.9). Jadi vektor baru yang memenuhi kendala-kendala akan memberikan fungsi itu suatu nilai yang lebih besar bila @ (c, - 2) > 0. Karena telah dipilih bahwa @ > 0, maka 9.17 dapat dinyatakan bahwa fungsi itu akan naik nilainya bila (c; - z) > 0. Bila misalnya nilainya benar-benar menjadi lebih besar dengan memberikan variabel x; suatu harga positif, maka dapat ditentukan bahwa ini dilakukan dalam batas-batas yang mungkin dilakukan. Jadi @ dipilih sebesar mungkin, tetapi masih dalam batas 9.6,, schingga harus memenuhi : 9.19. @ > 0, x9- 6x) 20.(i=1,...,m) Karena 0 > 0 dan xp > 0 maka akan pasti memenuhii bila xj <0. Untuk x; > 0 mungkin hasilnya menjadi tidak tepat, jadi paling besar harus dicari harga yang sama dengan minimum dari hasil bagi : Xo dengan x; >0 xy Berdasarkan ini maka selamanya kita pilih : Xo 9.20. @= min (xj > 0) Xy Misalkan minimum dalam 9,20 dicapai untuk i = r, maka : Xovektor baru yang memenuhi ialah 9.21 Hasil yang baru ini mengandung pula m elemen-elemen yang positif, harga dari variabel-variabel xp, X.y» 0, Xpply - + Xp, dan x; diketahui pula, Dengan rudah dapat diperlihatkan bahwa vektor-vektor yang mempunyai index-index yang sama dengan variabel-variabel positif itu (jadi Ay, .... A... 0, A, p0, «5 A dan A); juga merupakan sebuah basis dari ruangan ; Karenanya 9.21 merupakan hasil basis. Nilai baru xjg dari variabel-variabel yang terdapat di hasil yang lama dan baru diperoleh menurut 9.21 dari transformasi. 9.22. Xo = Xo - Nilai x%p dari variabel x, yang pada hasil yang baru adalah positif sedangkan pada hasil yang lama adalah nol, diperoleh dari x, 9.23. Nilai x*)) =—"- i Bila kita masukkan ini ke dalam 9.5., maka menjadi i 51Dalam menemukan suatu hasil basis, mulanya kita tambahkan pada 9.11 m (A - LAX) a is dimana j merupakan elemen sembarang dari kumpulan {m,),. . , n}. Sebenamya tidaklah demikian; kita tidak memilih j sembarang, tetapi kita teliti terlebih dahulu apakah dengan memilih j itu nilai fungsi akan bertambah, dengan perkataan lain, apakah ¢; - 2; adalah positif. Bila ternyata demikian untuk lebih dari sebuah j, maka kita ambil j dimana c — 2, maksimal, Misalkan ini demikian untuk j=k, maka A, diganti A, dan basis yang baru adalah : 9.25 Cpe Aut Anat eee An An) Bertitik tolak dari basis baru ini dapat kita ulangi proses itu. Vektor-vektor yang baru X;* dan nilai-nilai baru z;* dapat juga dihitung melalui rumus-rumus : 9.26. X*=(Bt)-1A,, dan 9.27. zt =(c b*Y X* dimana B* merupakan matrix dari vektor-vektor basis 9.25 dan C,* bagian dari C yang menghubungkan dengan vektor-vektor basis. Bila telah diketahui X;* dan 7 maka berturut-turut kita tentukan maksimum dari ¢; — z, dengan mana variabel-variabel basis yang baru dapat diketemukan dan minimum dari sesuai dengan 9.20, sehingga nilai dari variabel basis yang baru dan variabel-variabel yang meninggalkan basis dapat ditentukan. Dalam prinsipnya cara ini juga dikerjakan ; hanya temyata lebih mudah untuk memperoleh X;* dan Z,* dari x, dan Z; yang lama dari pada menghitungnya sesuai Tumus-rumus 9.26 dan 9.27.Ini dapat dikerjakan seperti berikut : Persamaan-persamaan 9.10 menyatakan vektor-vektor Aj sebagai kombinasi linier dari vektor-vektor Ay, .., Aj Vektor X;* mengandung komponen-komponen, bilamana A; dinyatakan sebagai kombinasi linier dari vektor-vektor basis. yang baru. Ini berarti bahwa untuk menentukan X,* kita harus menghilangkan A, dari ruas-ruas kanan persamaan-persamaan 9.10. Untuk ini kita pecahkan A,, dari persamaan 9.10 untuk j=k Selanjutnya kita substitusikan 9,28 ke dalam persamaan-persamaan 9.10 lainnya yang menghasilkan : Xq m + (ae aA) Xe i=l iar 7 Apt FAO -— Em) a : ier Persamaan terakhir ini menyatakan A, ke dalam vektor-vektor basis yang baru. Koefisien-koefisien dalam 9.29 adalah merupakan elemen-elemen dari X;* Koefisien-koefisien efisien dari vektor-vektor ini yang diperoleh dari koefisien- koefisien yang lama, diperoleh melalui ramus : Xy 9.30. xj = Xj = —2 Xj dengan i x, a 5354 dan koefisien dari vektor yang baru Ay dari 931 += = : x#=—)— (jel,...,0) Xk Rumus-rumus ini merupakan kesamaan dengan rumus 9.22 dan 9.23. Nilai- nilai baru (¢; — %)* = c; ~ 2;* diperoleh dari yang Jama dengan mempergunakan 9.17, 9.30 dan 9.31 : m aztec - * (-2)* =«, x xi* 9 ier x, x, i i - XW) - Xk Xk m x, 2 OK ork I a (4) x, 932 (j-2)*=(j-2)-—> @- 4). kc Rumus ini mempunyai struktur seperti 9.22 dan 9.30 perbedaan-perbedaan yang baru ini diperolehnya dari yang lama dengan mengurangkannya oleh x, kali elemen yang lama yang terdapat pada A,. Xa Akhimya temnyata dari suatu persamaan 9.16 dan 9.32 bahwa zp* dapat diperoleh dari zy dari suatu transformasi dengan bentuk 9.32, bila dipilih j = 0 dan untuk Cy kita berikan harga 0. Harga dari konstant 0 dalam 9.16 dapat diketemukan dari suatu persamaan dengan bentuk 9.20 Jadi terdapat suatu persesuaian dalam semua rumus-rumus transformasi ; dari semua vektor-vektor X;* diketemukan sebuah elemen dengan membagi yang lamadengan X,,, sedangkan elemen-elemen yang lainnya dari vektor-vektor x,* dari (¢; ~x)* (= 0, ...,n) ditentukan oleh rumus-rumus 9.22, 9.30 dan 9.32. Dengan ini kita telah dapat membuat suatu hasil basis yang baru, bila suatu hasil basis diketahui, dan selain dari pada itu dapat kita ketahui perubahan-perubahan mana yang dialami oleh fungsi yang akan dioptimalisir. Yang belum terjawab : dengan cara bagaimana kita menemukan hasil basis yang pertama dan yang diizinkan, Untuk menjawab ini, kita misalkan bahwa problema pemrograman linier berbentuk demikian; Maksimalisir : P 933. Y=fQp..-.x= LD ym h=l di bawah kendala-kendala Pp 934 LDL ayx, < ag G=1...,m h=1 935 x, 20 (h=1,...,p) Selain dari pada itu dianggap bahwa a > 0. ‘Untuk mempermudah bentuk dari hasil basis yang memenuhi, maka pada tiap-tiap persamaan dari 9.34 ditambah dengan sebuah variabel sehingga tanda “ < “ dapat diganti dengan tanda “ = “ Variabel yang baru x,,; pada persamaan ke i mempunyai harga sama dengan selisih dari ruas kanan dan harga yang dipunyai dari ruas kiri yang diperoleh dari suatu kombinasi tertentu dari harga x, Untuk dapat tetap memenuhi kendala 9.34 maka variabel-variabel x,,; > 0. Kendala-kendala 9.34 dapat digantikan oleh : Pp 936. DL ayxytX%i=ao Ci=l....m) hel86 Variabel-variabel x,,; kita namakan variabel-variabel residu atau variabel- variabel slack atau variabel-variabel selisih. Problema 9.33, 9.35 sampai dengan 9.37 hampir mempunyai bentuk yang sama dengan problema 9.1 dan 9.3. Supaya menjadi sama, pada 9.33 kita tambahkan x,,, dengan koefisien 0 sehingga fungsi yang harus dimaksimalisir berubah menjadi : Bila kita tulis kendala 9.36 ke dalam penulisan vektor seperti 9.5, maka sekarangpun terdapat n vektor-vektor A;; vektor-vektor Aj, -.-» Apsm merupakan vektor-vektor dimensi m yang istimewa yang disebut m vektor-vektor satuan E,, . .., Ey, dati ruangan yang berdimensi m. Dengan mudah dapat diperoleh dari problema di atas ini hasil yang memenuhi. xX, = 0 unukh=1,....p ialah er a wink ee em atau 9.39. XO)... ,0,8 9)... agg) Ini merupakan hasil basis ; basis yang bersangkutan terdiri dari vektor-vektor Apep +++ Apem (= An) Yang bersama-sama membentuk matrix satuan J. Bila dihitungnya dari hasil basis ini, maka vektor-vektor X; dan selisih cj; — z, dapat mudah ditentukanKarena 9.13 berubah menjadi : ly egA= 9.40 TlasTA=A, karena Cp, = +--+ = Cpgm =O maka c, merupakan vektor nol, jadi menurut 8.17 941 o-H= 0 (j=0...,n) Untuk dapat dengan cara penyelesaian yang terdahulu, dari hasil basis yang satu ke yang lain secara sistematis dikerjakan, maka semua data yang perlu seperti vektor-vektor X;, selisih c; ~ 2, dan variabel-variabel basis dimasukkan ke dalam tabel, seperti terlihat pada tabel 9.1 Variabel-variabel basis terletak di kolom X,, Selanjutnya kita menambah kolom yy dimana harga-harga c dari 9.38 diisi yang mempunyai index yang sama dengan variabel-x dari kolom X;,; pada hasil 9.39 maka semuanya ini adalah nol. Pada baris terakhir tidaklah kita ambil harga dari cj — 2, akan tetapi 2 — ¢;- Dari 9.32 temyata bahwa z, — c; dapat ditransformir dengan cara yang sama seperti dengan c, — z,, Mempergunakan 9.40 dan 9.4] tabel 9.1 itu dapat diisi, segi- empat-segi-empat kosong menyatakan nol Hasil 9.39 dapat dengan mudah dibaca dari tabel; Variabel-variabel di kolom X,, mempunyai harga yang dinyatakan pada kolom xp; Variabel-variabel lainnya adalah nol. 57TABEL 9.1 HASIL PERTAMA YANG MEMENUHI CUCSCICHECSES CCIE hot 77 pe l T T T T T a T T T T T 1 i) PoP didi bi bebe be bob bod Tote tt tt tb | 3 : | poe yy ey TT TTT TT T TI | PoP EL EL ebi acpi a ob bo bod PoP lll epi accpiporeo nd i pos | Ly oy 4 I Ix,lala,! la,} lal PPP PPE + | 4] l 7 | Bertitik tolak dari hasil yang diberikan pada tabel 9.1., dapatlah rumus-rumus 9.22, 9.23 dan 9.30 s/d 9.23 membentuk suatu hasil yang baru. Untuk dapat memperlihatkan bagaimana cara-cara penyelesaian itu secara skematis dapat dikerjakan, maka untuk sementara baris yang terakhir itu mengandung satu atau lebih harga-harga negatif z; ~ c; (j = 0). Hasil yang baru, yang dapat diperoleh dari tabel dapat dikerjakan seperti berikut : Tentukan terlebih dahulu harga k dimana yn adalah minimal; carilah selanjutnya hasil bagi aig / ay, yang terkecil dengan i, > 0. Pada tabel 9.2 kedua cara pelaksanaan ini secara skematis diperlihatkan.TABEL 9.2. MENGERJAKAN PERHITUNGAN-PERHITUNGAN DENGAN KONSTANTA BAGI TABEL 9.1 Sy | Xp | Xo Xe yang terkecil — x, ay a, e |e Xpem] @mo | — DIBAGI OLEH - 2-6, minimal @ 9 ‘abel 9.3 memperlihatkan bagaimana dari tabel 9.1, tabel yang baru itu terjadi; untuk ini kita bekerja seperti berikut : 1. Gantikan cp,, di kolom o, dan x, masing-masing oleh cy dan x3 2. Bagilah semua elemen-elemen dari oleh ayy 3. Kurangkan semua elemen-elemen lainnya dari kolom-kolom Xo, . . . , Xp dengan hasil perkalian yang diberikan (di kolom X, selain angka 1 seperti pada tabel diperlihatkan terdapat angka-angka nol). 4. Persegi ta tinggi tetap. jes leenie ele 59Harga yang baru dari fungsi dapat diketemukan pada persegi empat yang terakhir dari kolom xp. Bila pada tabel yang baru masih terdapat harga z, —c; yang negatif, untuk j > 0, maka proses ini dapat diulangi TABEL 9.3 HASIL KEDUA YANG MEMENUHI ———— peraturan dengan yang terkecit KOLOM DENGAN 2,~, YANG TERKECILSebagai contoh ambillah contoh yang terdapat pada Pasal 5. Contoh 9.1. Maksimumkan : Y = 2x, + 3x, di bawah kendala : x, + 3x, $10 2x, + x S10 x, 20,x,20 Dengan memasukkan variabel-variabel beda x, dan x, persamaan-persamaan itu menjadi : Maksimumkan : Y= 2x, + 3x) + Ox, + Ox, Di bawah kendala-kendala Xy + 3x) + X5 = 10 2x, + x 10 Xp +x, 20 Hasil basis permulaan adalah x, = 0, x) = 0, x3 = 10, x4 = 10. Tabel untuk ini adalah tabel 9.4. Ternyata terdapat beberapa harga negatif dari 2; ¢j jadi kita akan melakukan suatu transformasi. Kolom X, mengandung harga 2, — 6 yang terkecil; elemen-elemen dari x, keduanya adalah positif dan minimum dari hasil bagi dari elemen-elemen dari baris-baris yang sama dari kolom X, dan x, dicapai pada baris X;, Jadi pada transformasi berikutnya di kolom X,, X; diganti oleh X. 6TABEL 9.4 HASIL PERTAMA YANG MEMENUHI ee eee 1 173 1 toot 1 1 ' St PO yx p_ Wy 2, 1 PO, penn nnd 12-6101 2t 8 10108 2,-«, yang terkecil (> k = 2). TABEL 9.5. HASIL KEDUA YANG MEMENUHITABEL 9.6. HASIL KETIGA YANG MEMENUHI Ss 1 St Xr Xr Me Xe 1 Kar Mee po Pada tabel 9.6, tenyata 2, — ¢, semuanya positif berarti bahwa fungsi tujuan sudah mencapai harga yang tertinggi. Pada gambar 9.1 dapat dilihat bahwa bidang atau daerah yang diarsir merupakan bidang hasil yang memenuhi kendala-kendala dari problema itu. Tabel 9.4, 9.5 dan 9.6 memberikan hasil-hasil yang sesuai dengan masing-masing titik 0, D dan C. Xe (0,10) (0.3%) 0 A(5,0) Daerah yang memenuhi dan harga maximal dari fungsi dari contoh 9.1. x,Catatan : 9.1. Dari gambar 9.1 dan langkah-langkah secara berurutan telah dilakukan, temyata bahwa selamanya dibandingkan titik-titik sudut pada sisi tertentu, Ini disebabkan karena pada tiap-tiap transformasi satu variabel basis dijadikan nol dan satu variabel yang bukan basis dijadikan positif. Jadi, dari dua variabel yang bukan basis pada setiap langkah, satu diantaranya adalah nol; pada Jangkah pertama adalah x, dan pada langkah kedua adalah x3 sehingga masing-masing langkah melalui garis-garis x, = 0 dan x, = 0. Catatan : 9.2 Selisih 2, ~ c, yang termasuk pada variabel yang diterima menjadi basis selamanya nol. (menurut 9.17), m ue 2 ams oy a Bila A; termasuk pada basis, maka X; adalah suatu vektor satuan dengan 1 pada tempat yang berhubungan dengan Ay, jadi ey = 6 dan 2; dan 2; — Bila kita secara explisit merumuskan sekali lagi bagian-bagian dari tiap-tiap Tangkah, maka akan kita peroleh seperti berikut : 1. Tentukan, bertitik tolak dari suatu hasil basis Xy dengan matrik dari vektor- vektor basis yang bersangkutan B, vektor-vektor x; melalui transformasi X; = BA, G=1,...., m); bila dapat bertolak dari suatu basis dari vektor-vektor satuan seperti sampai kini adalah selamanya demikian, mana B"! = J"! = Jdan karenanya X, = Aj; 2. Tentukan selisih-selisih z, — ¢; untuk semua vektor-vektor A; yang tidak ditampung pada basis.3. Bila salah satu atau lebih dari selisih-selisih 2; ~ c, adalah negatif, tentukanlah selisih yang terkecil; Misalkan dicapai untuk j = k; Xo 4, Tentukanlah minimum dari hasil bagi sejauh X,, > 0; ik ambillah minimum ini dicapai untuk i=r. 5. Sebagai basis yang baru tentukanlah terdiri dari vektor-vektor yang lama dikurangkan dengan A, dan ditambah dengan Ay; 6. Nyatakan vektor-vektor Aj (j = 0, ...,n) melalui rumus-rumus transformasi 9.22, 9.30 dan 9.31 ke dalam basis yang baru; dengan ini vektor-vektor X;* (j=0, ..., n) yang baru diketemukan; 7. Tentukan selisih-selisih (z, - ¢))* (j=0. 9.32; .n) yang baru melalui transformasi 8. Lihat angka 3; dan selanjutnya, 10. METODE SIMPLEX YANG TELAH DIPERBAIKI Prosedur metode simplex yang asli temyata bukanlah merupakan prosedur menghitung yang effisien, terutama untuk problema-problema dimana diperlukan bantuan electronic digital computer. Terlampau banyak bilangan-bilangan yang turut disimpan dan dihitung yang sebenamya tidak perlu pada suatu iterasi (ulangan) tertentu. Karenanya terjadi banyak pembetulan-pembetulan dalam hasil (procede) hitung dimana yang terpenting diterangkan pada pasal ini, Seperti telah diketahui, pada tiap-tiap ulangan yang diperlukan hanyalah : a. Harga-harga dari z, —¢; untuk menentukan vektor mana yang akan memasuki basis b. Vektor X, bila Z,, diterima dalam basis. ce. Vektor Xo.Besaran-besaran ini dapat dihitung seperti berikut : Pada suatu langkah tertentu B merupakan basis. Vektor c, terdiri dari elemen-elemen C yang mempunyai index-index yang sama dengan vektor-vektor basis; menurut 9.2 dan 9.10, 7) dan z; adalah sama dengan : 101 4-G,X% Gi 0e ey) selanjutnya menurut : 8.6 10.2 xX = BA; (j=0,......,9) substitusi 9.6 ke dalam 9.1, menghasilkan : 10.3 C, BIA; (j=0, -on) Jadi apa yang hendak diketahui pada tiap-tiap langkah dapat diketemukan, asal saja di samping Ag, Ay,..., A, dan c yang dapat diketahui pula inverse B"' dari matrik B dari vektor-vektor basis. Jaci tidaklah pertu menghitung semua vektor-vektor X; (j= 0...) pada tiap-tiap langkah; menghitung B sudahlah cukup. Jalan pikiran inilah yang dikerjakan dalam metode simplex yang diperbaiki ini; dari pada menghitung semua vektor-vektor X;, kta transformir pada tiap-tiap ulangan matrik Br. Walaupun ini tidak dinyatakan, namun 6"! dalam pasal 5 dan pasal 9 pada tiap- tiap langkah ditentukan, Menurut angka 1 pada halaman 60 selamanya vektor X; = 8" A, dihitung. Sekarang dalam vektor-vektor Aj terdapat vektor-vektor satuan E,, sehingga hasil perkalian B"'E, inipun pada tiap-tiap langkah diketahui. Bila vektor-vektor satuan itu kita kumpulkan menjadi matriks satuan, maka simplex tabel seperti diperlihatkan pada tabel-tabel 9.1 dan 9.3, pada tiap-tiap ulangan mengandung matrix104 Bly=p! dan ini dapat dibaca dari kolom-kolom dari tabel itu sesuai dengan kolom-kolom dari vektor-vektor satuan pada tabel permulaan. Suatu pertimbangan lain yang dikerjakan pada metode simplex yang diperbaiki ini, bersangkut paut dengan fungsi yang hendak dimaksimumkan. Persamaan ini dapat dianggap sebagai suatu persyaratan, Jadi kita tambahkan persamaan n 106 y= EL Gx thy = 0 jel dalam kendala-kendala dan memaksimumkan x,,,;. Jumlah kendala-kendala menjadi bertambah satu tetapi fungsi yang hendak dimaksimumkan menjadi sangat sederhana. Vektor C yang baru itu adalah sebuah vektor yang berdimensi (n+1) dengan angka 1 pada tempat elemen yang terakhir dan tempat elemen yang lainnya adalah nol. Perbedaan dari variabel x,,,, terhadap variabel lainnya adalah bahwa variabel ini merupakan variabel bebas. Cara penyelesaiannya pun selama perhitungan adalah kurang lebih berbeda. Untuk sementara kita umpankan bahwa kendala-kendala itu berbentuk seperti pada 9.36, jadi tidak terdapat variabel-variabel artificial; koefisien-koefisien — ¢ dari variabel-variabel slack X,,j.- - . » X, pada 10.5 adalah nol. Persamaan 10.6 menjadi kendala-kendala yang ke (m+1) pada perangkat 9.36 schingga perangkat kendala-kendala itu menjadi :P 10.7 |Z ay Xy + Xpey = 29 G=1,...,m) h=1 n HE 68 + yy = 0 Ll Dalam hasil pertama seperti biasa, maka x,,1 sebagai suatu variabel basis mempunyai harga nol. Karena hendak diikhtiarkan memaksimumkan x,,,. Jadi membuatnya positif, maka pada langkah-langkah berikutnya x,,,, itu diletakkan di basis; jadi variabel ini tidak turut dalam penentuan variabel mana yang akan meninggalkan basis. Vektor C,, yang kini berdimensi (m+1) dengan prosedur ini selamanya berbentuk (0, ..., 0, 1). Hasil perkalian yang diminta, seperti pada 10.3 c! f! pada tiap-tiap ulangan adalah (0, . .. ,0, 1) B' dan karenanya adalah sama dengan baris terakhir dari B!. Misalkan xp adalah suatu hasil basis yang memenuhi pembatasan-pembatasan dan B"! suatu inverse dari matrix vektor-vektor basis. Pada metode simplex yang diperbaiki ini terdapat suatu ulangan yang terditi dari bagian-bagian berikut ini : 1, Carilah elemen-elemen dari baris terakhir dari B"!; 2. Tentukan selisih 2; - o, = oy! B! As 3. Bila satu atau lebih dari selisih yang itu adalah negatif, tentukanlah selisih yang terkecil; misalkan ini dicapainya untuk j=k; 4, Tentukan x dengan pertolongan rumus X, = B! Ay Xio 5. Tentukan minimum dari hasil pembagian Xk sejauh xj, > 0 dan i # n+l; misalkan ini dicapai untuk i = 6. Anggap sebagai basis yang baru, vektor-vektor basis yang lama dikurangkan dengan A, dan ditambah dengan Ay: 7. Transformir x dan 6! menurut 9.22*), 9.23*), 9.30 dan 9.31; *) di 9,22 dan 9.23 kita membaca k, sedangkan sekarang j.8. Lihat huruf i : dan selanjutnya. Perhitungan ini dapat dengan mudah dilaksanakan dengan petolongan dua buah tabel-tabel. Dalam tabel yang pertama terdapat vektor-vektor A; dan selisih 2, = ¢;, Dalam tabel yang kedua pada kolom pertama terdapat variabel-variabel basis, koiom kedua terdapat vektor Xp, kolom ketiga sampai dengan ke (m+3) matrix B"! dan kolom terakhir terdapat vektor X;, bila A pada langkah berikutnya dimasukkan dalam basis. CONTOH SOAL 10.1 Maksimumkan : 108 Y= 2x, + 3x, di bawah kendala-kendala : 109 x, +3x, < 10 Pa ii) x, 2 0,x,20 Fungsi 10.8 menjadi kendala yang ditambahkan pada 10.9 dan ketidak-samaan itu berubah menjadi persamaan. Problema itu menjadi : Maksimumkan : x, di bawah kendala-kendala : Xy + 3xy +X = 10 10.10 2x, +X + xq = 10 2x; — 3x +x; = 0 Xe 6970 Pada tabel 10.1 terdapat vektor A, dan harga z, ~ ¢; dalam berbagai-bagai ulangan; vektor A; dihilangkan karena dalam perhitungan-perhitungan tidak memainkan peranan. TABEL 10.1 Vektor-vektor dan harga-harga (2; — ¢) dalam contoh soal 10.1TABEL 10.2 Ulangan-ulangan pada contoh soal 10.1. T T e T x |» | | & — X; 10 1 3 | | | x, 10 1 1 “od | | I i] 1 X | oO | rf 3 T T ri T 29 B | Xx I | ] XY "hs | Ms | "5 — Xy 1, | A 1 + Be 10 _ -l T T y T % 1% | Gch et feels eee X, 4 | ss | X; : 14 ; 4, 4 i Pada tabel 10.2 terdapat vektor-vektor X,, Xp, X;, dan matrix B"!, baris yang terakhir terpisah dari yang lainnya, supaya vektor Cy! B"! mudah dibacanya. Pada kedua tabel itu ruangan-ruangan kosong adalah nol Ruangan-ruangan untuk (2, ~ ¢)) dimana vektor-vektor yang akan memasuki basis terdapat dalam tabel 10.1 yang diarsir. Pada kolom Xp pada tabel yang terakhir dari tabel 10.2 terdapat hasil yang optimal; x» = 2, x, = 4, X5 = 15; jadi maksimum yang dicari adalah 14. n72 Bila kita bandingkan tabel-tabel 10.1 dan 10.2 dengan tabel-tabel 9.4 sampai dengan 9.6., maka temyata bahwa pada tiap-tiap ulangan vektor yang memasuki basis adalah sama, demikian pula vektor yang meninggalkan basis. Thi tidak mengherankan Karena kriterianya adalah sama seperti metode yang diterangkan pada pasal 9. Dengan tidak melihat pada kolom terakhir, maka matrix B'! dari tabel 10.2 selamanya dapat dicari kembali ke dalam kolom-kolom x, dan X, dari tabel-tabel 9.4 sampai dengan 9.6.