Pertemuan Riset Operasi

Riset Operasi
2 MP
2016
Pengertian Prog.Matematika
Pemrograman Matematika (mathematical programming) adalah studi yang

menyangkut optimalisasi suatu fungsi rial yang dibatasi oleh variabelvariabel bernilai real atau integer. Perlu diingat bahwa pemrograman
disini bukan dimaksudkan sebagai pemrograman komputer atau
pengembangan software, walupun dalam penerapannya PL sering
menggunakan komputer.
Riset Operasi - Man. Persandian
Pengertian Program Linier (PL)
Masalah pemrograman linier berkaitan dengan

penentuan aloksai optimal dari sumber-sumber
yang terbatas yang dimanfaatkan utk memenuhi
suatu tujuan (objective). Persoalan progam
linier adlh menentukan besarnya variabel
keputusan sedemikian rupa sehingga nilai fungsi
tujuan optimal (maksimisasi atau minimisasi)
dengan memperhatikan kendala yang ada
(input). Kendala tersebut umumnya dinyatakan
dalam pertidaksamaan linier.
Pengertian Program Linier (PL)-2
Permasalahan PL harus memenuhi syarat berikut, yaitu:
Tujuan dapat dinyatakan dalam bentuk fungsi linier
Terdapat alternatif pemecahannya
Sumber-sumber yg tersedia, jumlahnya terbatas dan dapat dinyatakan

dalam bentuk pertidaksamaan linier.
Pemrograman Linear
Bahkan, setiap organisasi menghadapi masalah mengalokasikan

sumber daya yang terbatas untuk kegiatan yang berbeda.
Tipe seperti masalah muncul ketika ada cara alternatif melakukan
sejumlah kegiatan.
Sebagai contoh, pertimbangkan sebuah perusahaan manufaktur di
mana dimungkinkan untuk memproduksi berbagai produk.
Setiap produk memiliki margin tertentu dari laba per unit.
Produk ini menggunakan kolam renang umum sumber daya yang
terbatas ketersediaan.
Sekarang masalahnya adalah untuk berhati-hati mengalokasikan
sumber daya untuk berbagai jenis produk jadi sedemikian rupa
sehingga total return mungkin maksimal.
Dalam situasi seperti ini, keputusan manajemen mungkin
didasarkan pada pengalaman masa lalu dan intuisi, tetapi
keputusan sehingga dibuat adalah subyektif ketimbang obyektif.
5
Penerapan LP
Pemrograman linear telah berhasil diterapkan untuk
berbagai masalah manajemen, seperti produksi, analisis
investasi iklan, transportasi, operasi kilang,, dll
Selama bertahun-tahun, program linear telah ditemukan
berguna tidak hanya dalam bisnis dan industri, tetapi juga
dalam organisasi non-profit seperti pemerintah, rumah sakit,
perpustakaan, pendidikan, dll
Sebenarnya, program linear meningkatkan kualitas
keputusan dengan memperkuat kemampuan analitik dari
pembuat keputusan.
Harap dicatat bahwa hasil dari model matematika yang
Anda akan belajar tidak bisa menggantikan pengalaman
pengambil keputusan dan intuisi, tetapi mereka memberikan
data yang komprehensif diperlukan untuk menerapkan
pengetahuannya secara efektif.
6
Apa arti dari pemrograman

linier?
'Linier' berarti bahwa hubungan yang diwakili oleh
garis lurus, yaitu, hubungan yang bentuk k = p +
qx.
Dengan kata lain, digunakan untuk
menggambarkan hubungan antara dua atau
lebih variabel, yang secara langsung proporsional.
'Pemrograman' kata berkaitan dengan alokasi
optimal sumber daya yang terbatas.
dasar Terminologi
Fungsi linear
Sebuah fungsi linear mengandung istilah yang masing-masing terdiri
dari hanya satu variabel, terus menerus dinaikkan menjadi (dan
hanya) kekuatan 1.
Fungsi tujuan
Ini adalah fungsi linier dari variabel keputusan mengekspresikan
tujuan dari pembuat keputusan. Bentuk yang paling khas dari fungsi
objektif adalah: memaksimalkan f (x) atau meminimalkan f (x).
Variabel keputusan
Ini adalah jumlah ekonomis atau fisik yang numerik nilai
menunjukkan solusi dari masalah pemrograman linear. Variabel ini
berada di bawah kendali pembuat keputusan dan bisa
berdampak pada solusi untuk masalah yang sedang
dipertimbangkan. Hubungan antara variabel-variabel ini harus linier
dasar Terminologi(LANJUTAN)
Kendala
Ini adalah persamaan linear yang timbul dari keterbatasan
praktis. Bentuk matematika dari kendala adalah:? F (x) b
atau f (x) b atau f (x) = b
Solusi layak
Setiap solusi non-negatif yang memenuhi semua kendala ini
dikenal sebagai solusi yang layak. Daerah terdiri dari semua
solusi yang layak disebut sebagai daerah feasible.
Solusi optimal
Solusi mana fungsi tujuan dimaksimalkan atau diminimalkan
dikenal sebagai solusi optimal.
PENJELASAN TAHAPAN METHODE
(1) Tahap pertama, harus merumuskan atau

mendefinisikan persoalan yang akan dipecahkan
sesuai dengan tujuan yang akan dicapai
berdasarkan keadaan objektif. Biasanya harus
memperhatikan tiga hal yaitu : Pertama, uraian
yang tepat mengenai tujuan yang akan dicapai,
kedua, identifikasi daripada adanya alternatif
dalam keputusan yang menyangkut suatu
sistem, ketiga, mengenali adanya pembatasanpembatasan (limitation, restriction dan juga
persyaratan-persyaratan yang diperlukan sistem
yang bersangkutan dengan pemecahan
persoalan).
10
(2) Tahap kedua, berkenaan dengan

pembentukan model secara matematis,
misalnya dengan menggunakan persamaan dan
ketidaksamaan linear seperti di dalam linear
programming. Model harus dibuat sedemikian
rupa sehingga dapat mewakili kenyataan yang
sebenarnya
(3) Tahap ketiga, berkenaan dengan pemecahan

model, yang biasanya memecahkan persamaan
/ ketidaksamaan matematika. Di dalam model
matematika, pemecahan ini dicapai dengan
teknik optimisasi dan model menghasilkan suatu
pemecahan optimum.
11
(4) Tahap keempat, melakukan pengujian atau

melakukan validasi dari model. Suatu model
dikatakan sah (valid), apabila dapat
memberikan prediksi yang dapat dipercaya dari
hasil proses suatu sistem, disamping diakui
adanya ketidaktepatan dari model tersebut
untuk mewakili keadaan yang sebenarnya
terjadi (real world)
(5) Tahap kelima, merupakan tahap terakhir,

ialah tahap untuk implementasi hasil
pemecahan model yang telah diuji validitasnya.
Tugas melakukan implementasi ini merupakan
tugas peneliti operasi (operation researchers).
12
Masalah General LP
Pertimbangkan hal-hal berikut

Optimalkan (memaksimalkan atau meminimalkan)
z = c1x1 + c2x2 + c3x3 + .........+ cnxn
subject to
a11x1 + a12x2 + a13x3 + .........+ a1nxn (, =, ) b1
a21x1 + a22x2 + a23x3 + .........+ a2nxn (, =, ) b2
...................................................................................
am1x1 + am2x2 + am3x3 + .........+ amnxn (, =, ) bm
x1, x2,....., xn 0
13
Masalah General LP (LANUTAN)

Sebuah kata bimbingan
Jika Anda belum pernah mengambil kursus statistik,
maka Anda mungkin akan menemukan notasi
berikut yang aneh, dan bahkan mungkin
membingungkan. Untuk benar memahami teks,
membaca teks setidaknya dua kali.
Dalam notasi , itu ditulis sebagai
Optimalkan (memaksimalkan atau meminimalkan) z
= cjxj
subject to
aijxj ( , =, ) bi; i = 1, 2, ....., m (constraints)
xj 0; j = 1, 2, ....., n (non-negative restrictions)
14
Masalah General LP (LANUTAN)

Dimana semua itu cj, aij, bi adalah konstanta dan s
xj adalah variabel keputusan. Ekspresi (, =, )
berarti bahwa kendala masing-masing dapat
mengambil hanya salah satu dari tiga kemungkinan
bentuk:
kurang dari atau sama dengan ()
sama dengan (=)
lebih besar dari atau sama dengan ()
Ekspresi xj 0 berarti bahwa itu XJ harus non-negatif.
15
Model formulasi
Bahkan, masalah yang paling sulit dalam penerapan ilmu
manajemen adalah perumusan model.
Oleh karena itu, penting untuk mempertimbangkan
formulasi model sebelum meluncurkan ke rincian solusi
pemrograman linear.
Formulasi model adalah proses transformasi masalah kata
keputusan yang sebenarnya menjadi model riset operasi.
Pada bagian berikutnya, kami memberikan contoh kecil
sekali beberapa sehingga Anda bisa mendapatkan
beberapa pengalaman merumuskan model.
Semua contoh yang kami sediakan di bagian berikut ini dari
model statis, karena mereka berurusan dengan keputusan
yang terjadi hanya dalam jangka waktu tunggal.
16
Lp mengunakan model matematik untuk

menggambarkan masalah yang hendak dianalisa,
dan dinyatakan dalam bentuk fungsi tujuan dan
fungsi batasan (kendala/ constrain)
Fungsi tujuan merupakan persamaan linear dari

variabel tujuan, misalkan pendapatan , keuntungan
atau biaya dan dijelaskan apakah bertujuan
memaksimalkan atau meminimalkan variabel
Fungsi batasan menggambarkan batasan yang

dihadapi dalam mencapai tujuan. Fungsi batasan
biasanya terdiri dari beberapa persamaan yang
masing-masing berkorelasi dengan sumber daya
yang berkaitan
17
Bentuk Umum PL.

Maxs Z = C1X1 + C2X2 + ... + CnXn
Dengan kendala
a11X1 + a12X2 + .... + a1mXn b1
a21X1 + a22X2 + .... + a2mXn b2
.... ....
.....
am1X1 + am2X2 + .... + amnXn bm

X1,X2, X3 ... Xn 0
( Pertidaksamaan, dapat berupa ,,=)
LINEAR PROGRAMMING
n
Fungsi tujuan (FT) Maks / min Z C j X j

m
dengan batasan;
Keterangan:
j1
Z = nilai optimal dari fungsi tujuan
X j b i
Cj = kenaikan nilai Z jika ada

pertambahan satu unit kegiatan j
Xj = jenis kegiatan
aij = kebutuhan sumber daya I utk

menghasilkan setiap unit kegiatan
j
bi = banyaknya sumber daya I yang

tersedia
a,b,c disebut juga parameter model
m = jumlah sumber daya yang tersedia
n = jumlah kegiatan
ij
i 1 j1
dan X j 0 (j 1,2,....n)
b i 0 (i 1,2.....m)
misal terdapat dua variabel kegiatan dan
tiga batasan sumber daya, pers. matematisnya sbb;
Fungsi tujuan Maks / min Z c1 X1 c2 X2
dengan batasan a 11 X 1 a 12 X 2 b1
a 21 X1 a 22 X 2 b 2
a 31 X 1 a 32 X 2 b 3
dan X 1 , X 2 0
19
Bentuk PL lainnya:
Bentuk Matrik
Maksimumkan C x
Dengan Kendala Ax b
C= vektor biaya ; A = matrik teknis
x= vektor variabel
b = vektor pembatas
Bentuk Kanonik
Suatu struktur PL disebut Kanonik bila

1.Fungsi tujuan berbentuk maksimisasi.
2.Semua fungsi kendala berjenis .
3. Semua variabel keputusan non-negatip..
Bentuk PL lainnya(2):
Bentuk Standar
Ciri - ciri bentuk PL standar :
1. Fungsi tujuan bisa maksimum, bisa
2. Fungsi kendala berbentuk =.
3. Ruas kanan non-negatip.
4. Semua variabel harus non-negatip.
minimum.
Perubahan ke bentuk standar:

Cara merubah ke bentuk PL standar
1. Bila fungsi kendala bertanda ( ), rubah menjadi (=) dengan menambahkan
variabel slack.
2. Bila fungsi kendala bertanda (), rubah menjadi (=) dengan mengurangi
variabel slack.
3. Bila fungsi kendala bertanda (=), tambahkan var artifisial.
4. Bila fungsi non negatip untuk suatu variabel tidak ada ( misal variabel
bebas), maka variabel tersebut harus diganti dengan 2 variabel nonnegatip lainnya..
Bila fungsi non negatip untuk suatu variabel tidak ada ( misal variabel
bebas), maka variabel tersebut harus
diganti dengan 2 variabel nonnegatip lainnya.
3.2 A Standard Form
Notation and terminology:
m = number of functional constraints

n = number of decision variables
bi = level of resource i, i=1,2,3,...,m
xj = level of activity j, j=1,2,3,...,n
z = value of objective function
cj = benefit/cost per unit of activity j
aij = amount of resource consumed /produced by each unit of activity j.
And the problem is ...............

n
opt Z c j x j
x
j 1
a x
ij
~ bi
, i 1,...,m
j 1
xj 0
j 1,...,n
~{, ,}
A Standard Form
Notation and terminology:
m = number of functional constraints

n = number of decision variables
bi = level of resource i, i=1,2,3,...,m
xj = level of activity j, j=1,2,3,...,n
z = value of objective function
cj = benefit/cost per unit of activity j
aij = amount of resource consumed /produced by each unit of activity j.
And the problem is ...............

n
opt Z c j x j
x
j 1
a x
ij
~ bi
, i 1,...,m
j 1
xj 0
j 1,...,n
~{, ,}
MasalahProduk Mix
Dalam pemilihan produk campuran, pembuat keputusan
berusaha untuk menentukan kombinasi produk yang akan
memaksimalkan keuntungan tanpa melanggar kendala sumber
daya.
Dalam contoh di bawah ini, tujuannya adalah untuk
memaksimalkan keuntungan. Pada contoh berikutnya, Anda
akan melihat tujuan lain, seperti biaya minimal.
contoh 1
Universal Corporation memproduksi dua produk-P1 dan P2.
Keuntungan per unit dari dua produk adalah Rs. 50 dan Rs. 60
masing-masing.
Kedua produk memerlukan pengolahan dalam tiga mesin.
Tabel berikut menunjukkan jam mesin yang tersedia per minggu
dan waktu yang dibutuhkan pada setiap mesin untuk satu unit P1
dan P2.
Merumuskan masalah bauran produk dalam bentuk linear
programming.
28
MasalahProduk Mix (LANJUTAN)

Machine
Product
Available Time
(in machine hours per week)
P1
P2
300
509
812
Profit
Rs. 50
Rs. 60
29
Masalah Produk Mix (LANJUTAN)

larutan
Biarkan x1 dan x2 adalah jumlah yang diproduksi dari P1 dan P2
masing-masing produk. Tujuan di sini adalah untuk memaksimalkan
keuntungan, yang diberikan oleh fungsi linearMaximize z = 50x1 +
60x2
Sejak satu unit P1 produk membutuhkan dua jam dari pengolahan di
mesin 1, sedangkan persyaratan sesuai P2 adalah satu jam, kendala
pertama dapat dinyatakan sebagai
2x1 + x2 300
Demikian pula, kendala yang berhubungan dengan mesin 2 dan
mesin 3 adalah
3x1 + 4x2 509
4x1 + 7x2 812
Selain itu, ada tidak dapat apapun produksi negatif yang dapat
dinyatakan sebagai aljabar
x1 0, x2 0
30
Masalah Produk Mix (LANJUTAN)

Masalahnya sekarang dapat dinyatakan dalam bentuk
pemrograman standar linear
Maximize z = 50x1 + 60x2
subject to
2x1 + x2 300
3x1 + 4x2 509
4x1 + 7x2 812
x1 0, x2 0
Prosedur ini sering disebut sebagai rumusan masalah.
31
asumsi
Aditivitas. Jumlah total dari setiap masukan dan keuntungan yang
sesuai adalah jumlah dari input dan keuntungan untuk setiap proses
individu. Sebagai contoh, satu unit Produk 1 dan satu unit produk 2
memerlukan 3 (2 + 1) jam pengolahan dalam mesin 1, 7 (3 + 4) jam
pengolahan dalam mesin 2, 11 (4 + 7) jam pengolahan dalam mesin 3,
dan menghasilkan Rs.110 (50 + 60) keuntungan.
Keterbagian. Tingkat aktivitas yang diizinkan untuk mengasumsikan nilai
pecahan serta nilai integer. Sebagai contoh, kita mengakui
kemungkinan x1 = 300/3 atau 169,67, x2 = 509/7 atau 127,25.
Proporsionalitas. Jumlah total dari setiap masukan dan keuntungan
yang terkait secara langsung proporsional dengan tingkat output.
Menggandakan (atau tiga kali lipat) produksi suatu produk justru akan
dua kali lipat (atau tiga) keuntungan dan sumber daya yang
diperlukan. Misalnya, untuk memproduksi 1 unit produk 1 (x1 = 1), kami
memerlukan 2 jam pengolahan di mesin 1, 3 jam dari pengolahan di
mesin 2, 4 jam dari pengolahan di mesin 3, dan keuntungan adalah
Rs.50. Dengan cara yang sama, untuk memproduksi 10 unit produk 1
(x1 = 10), kami memerlukan 20 jam pengolahan di mesin 1, 30 jam
pengolahan dalam mesin 2, 40 jam pengolahan dalam mesin 3, dan
32
keuntungan adalah
Rs. 500.
masalah kemasan
contoh 2
Perusahaan Stuffing Terbaik memproduksi dua jenis kemasan kaleng-bulat &
datar. Fasilitas produksi utama yang terlibat memotong dan bergabung.
Departemen pemotongan dapat memproses 200 kaleng bulat atau 400 kaleng
flat per jam. Departemen bergabung dapat memproses 400 kaleng bulat atau
200 kaleng flat per jam. Jika kontribusi terhadap laba untuk timah bulat adalah
sama dengan kaleng datar, apakah tingkat produksi yang optimal?
Solusi.
Biarkan x1 = jumlah kaleng bulat per jam dan x2 = jumlah kaleng datar per jam
Karena kontribusi terhadap keuntungan identik untuk kedua produk, fungsi tujuan
dapat dinyatakan sebagai x1 + x2. Oleh karena itu, masalah dapat dirumuskan
sebagai
Maximize Z = x1 + x2
subject to
(1/200)x1 + (1/400)x2 1
(1/400)x1 + (1/200)x2 1
x1 0, x2 0
i.e., 2x1 + x2 400
x1 + 2x2 400
x1 0, x2 0
33
masalah diet
Contoh 3
Tiga komponen gizi yaitu, thiamin, fosfor dan zat besi ditemukan dalam
diet dari dua item makanan - A dan B. Jumlah masing-masing gizi (dalam
miligram per ounce, yaitu, mg / oz) diberikan di bawah ini:
Biaya makanan A dan B adalah Rs. 2 per oz dan Rs. 1,70 per oz masingmasing. Kebutuhan minimum setiap hari dari nutrisi ini minimal 1,00 mg
thiamin, 7,50 mg fosfor, dan 10,00 mg zat besi. Merumuskan masalah ini
dalam bentuk linear programming.
Food Item
Nutrient
Thiamin
0.12 mg/oz
0.10 mg/oz
Phosphorus
0.75 mg/oz
1.70 mg/oz
Iron
1.20 mg/oz
1.10 mg/oz
34
masalah kemasan (LANJUTAN)

Biaya makanan A dan B adalah Rs. 2 per oz dan Rs. 1,70 per oz masingmasing. Kebutuhan minimum setiap hari dari nutrisi ini minimal 1,00 mg
thiamin, 7,50 mg fosfor, dan 10,00 mg zat besi. Merumuskan masalah ini
dalam bentuk linear programming.
Solusi.
Biarkan x1 dan x2 adalah jumlah unit (ons) dari A dan B masing-masing.
Tujuan di sini adalah untuk meminimalkan total biaya item makanan,
yang diberikan oleh fungsi linear
Minimize z = 2x1 + 1.7x2
0.12x1 + 0.10x2 1.0
0.75x1 + 1.70x2 7.5
1.20x1 + 1.10x2 10.0
x1 0, x2 0
35
Memadukan masalah
Contoh 4
Manajer Kilang Minyak Deep Sea harus memutuskan pada campuran
yang optimal dari dua proses pencampuran kemungkinan yang input
dan output per menjalankan produksi diberikan dalam tabel berikut:
Process
Input (units)
Output (units)
Profit
Crude P
Crude Q
Gasoline S Gasoline T
400
500
Total
availabilitie
s
300
250
120
100
Merumuskan masalah pencampuran sebagai masalah pemrograman

linear
36
Memadukan masalah (LANJUTAN)

Solusi.
Biarkan x1 dan x2 adalah jumlah produksi berjalan proses A & B masingmasing. Tujuan di sini adalah untuk memaksimalkan keuntungan. Masalah
keputusan dapat dirumuskan sebagai
subject to
6x1 + 3x2 300
2x1 + 6x2 250
6x1 + 4x2 120
8x1 + 5x2 100
x1 0, x2 0
Meskipun semua ilustrasi di atas sangat disederhanakan, masalah keputusan
yang ditampilkan memiliki rekan-rekan dekat di perusahaan yang
sebenarnya. Upaya yang diperlukan untuk merumuskan situasi yang
sebenarnya tergantung pada kompleksitas masalah.
Dengan mempelajari contoh di atas dan menjawab latihan formulasi yang
diberikan di akhir bab ini, Anda akan mendapatkan pengalaman yang cukup
merumuskan model.
37
Pemecahan cara grafik
Buat garis dari masing-masing persamaan batasan dalam

suatu grafik
peroleh daerah yang layak/ feasibel bagi nilai

variabelnya yaitu daerah yang memenuhi semua
persamaan batasan
dari daerah fisibel cari titik ekstrim yang

memungkinkan diperoleh nilai optimal dari fungsi
tujuan sehingga diperoleh titik ekstrim optimal
38
Model Dua Variabel dan Grafik

a. metode grafik tidak berguna dalam dunia nyata
b. dapat menggambarkan analisis sensitivitas
Lebih kecil (<)
lebih besar (>)
Asumsi Dasar Pada Programasi Linier

a. Proporsionalitas
b. Aditivitas
c. Divisibilitas
d. determinitas
persamaan (=)
(FT) Maks
Z 200 X 1 150 X 2 ......Fung si tujuan
dengan batasan
4X 1 2 X 2 120....... ..(1) kendala kayu sono keling
2X 1 2 X 2 100....... ..(2) kendala kayu jati
X 1 3 X 2 90 ........(3 ) kendala mesin
dan X 1 , X 2
0........( 4) kendala non negatif
40
Pemecahan secara grafik
Fungsi batasan kayu sono

4X1 + 2 X2 120 dan
kendala non negatif X1,
X2 0 membentuk suatu
daerah fisibel OAB.
Daerah ini merupakan
daerah dimana titik-titik
kombinasi X1 dan X2
masih dapat dipenuhi
oleh kapasitas kayu sono
sebesar 120 unit
X2
B
4X1 + 2 X2 120
60
50
2X1 + 2 X2 100
30
G
H
X1 + 3 X2 90
A
0
50
30
90
X1
41
A ( 30;0)
H (18;24)
G (0;30)
disebut titik ekstrim yang fisibel yaitu yang

berada disudut daerah OAHG
Hasil Optimal Jepara Furniture
TITIK
X1
X2
A
H
G
30
18
0
0
24
30
6.000
7.200
4.500
42
Developing LP Model (6)

The linear programming model for this example can be summarized as:
..Eq (4)
Graphical Solution to LP Problems (1)

An equation of the form 4x1 + 5x2 = 1500 defines a straight line in the
x1-x2 plane. An inequality defines an area bounded by a straight line.
Therefore, the region below and including the line 4x1 + 5x2 = 1500 in
the Figure represents the region defined by 4x1 + 5x2 1500.
Same thing applies to other equations as well.
The shaded area of the figure comprises the area common to all the
regions defined by the constraints and contains all pairs of xI and x2
that are feasible solutions to the problem.
This area is known as the feasible region or feasible solution space.
The optimal solution must lie within this region.
There are various pairs of x1 and x2 that satisfy the constraints such as:

Trying different solutions, the optimal solution will be:
X1 = 270
X2 = 75
This indicates that maximum income of $4335 is obtained by producing
270 units of product I and 75 units of product II.
In this solution, all the raw material and available time are used,
because the optimal point lies on the two constraint lines for these
resources.
However, 1500- [4(270) + 5(75)], or 45 ft2 of storage space, is not used.
Thus the storage space is not a constraint on the optimal solution; that
is, more products could be produced before the company ran out of
storage space. Thus this constraint is said to be slack.

If the objective function happens to be parallel to one of the
edges of the feasible region, any point along this edge between
the two extreme points may be an optimal solution that
maximizes the objective function. When this occurs, there is no
unique solution, but there is an infinite number of optimal
solutions.
The graphical method of solution may be extended to a case in

which there are three variables. In this case, each constraint is
represented by a plane in three dimensions, and the feasible
region bounded by these planes is a polyhedron.
The Simplex Method (1)

When decision variables are more than 2, it is always
advisable to use Simplex Method to avoid lengthy
graphical procedure.
The simplex method is not used to examine all the feasible
solutions.
It deals only with a small and unique set of feasible
solutions, the set of vertex points (i.e., extreme points) of
the convex feasible space that contains the optimal
solution.
> Constraint
x2
Max
40
Z 2 x1 3 x2
s.t.
x1 x2
35
30
x1 3 x2 35
25
x1
20
Constraint
1
15
20
20
3.5 x1 5 x2 35
Constraint
3
xx11,,xx22 00
10
Constraint
2
Constraint
10
15
20
25
30
35
New feasible region
40
x1
49
Equality Constraint
x2
Max
40
Z 2 x11 3 x22
s.t.
35
30
25
20
Constraint
1
15
Constraint
3
Constraint
2
5
10
15
20
25
30
35
x1
20
20
xx11,,xx22 00
10
5
x11 x22
x1 3 x22
35
New feasible region
40
x1
50
Metode grafis
Masalah pemrograman linear dengan dua variabel keputusan
dapat dengan mudah diselesaikan dengan metode grafik. Masalah
tiga dimensi juga dapat diselesaikan dengan metode ini, tetapi solusi
grafis mereka menjadi rumit.
Dasar Terminologi
Daerah layak
Ini adalah koleksi dari semua solusi yang layak. Pada gambar berikut,
daerah yang diarsir merupakan daerah feasible.
51
Metode grafis (LANJUTAN)

convex Set
Sebuah daerah atau R set cembung, jika untuk setiap dua titik pada R
set, segmen yang menghubungkan titik-titik tersebut terletak
seluruhnya di R. Dengan kata lain, itu adalah koleksi poin sehingga
untuk setiap dua titik di set, yang garis yang menghubungkan titik-titik
milik set. Pada gambar berikut, garis yang menghubungkan P dan Q
milik sepenuhnya dalam R.
Dengan demikian, koleksi solusi layak dalam masalah program linier

membentuk satu set cembung.
52

Kendala redundant
Ini adalah kendala yang tidak mempengaruhi daerah feasible.
Contoh: Pertimbangkan masalah pemrograman linear:
Maximize 1170 x1 + 1110x2
subject to
9x1 + 5x2 500
7x1 + 9x2 300
5x1 + 3x2 1500
7x1 + 9x2 1900
2x1 + 4x2 1000
x1, x2 0
Daerah feasible ditunjukkan dalam gambar berikut:
Daerah kritis telah dibentuk oleh dua kendala.
9x1 + 5x2 500
7x1 + 9x2 1900
x1, x2 0
Sisa tiga kendala tersebut tidak mempengaruhi daerah feasible
dengan cara apapun. Kendala tersebut disebut kendala berlebihan.
53

Titik ekstrim
Titik ekstrim yang disebut sebagai simpul atau titik sudut. Pada
gambar berikut, P, Q, R, dan S adalah titik ekstrim.
54
Metode grafis - Algoritma

Rincian algoritma untuk metode ini adalah sebagai berikut.
tangga
1. Merumuskan model matematika dari masalah pemrograman
linier yang diberikan.
2. Perlakukan ketidaksetaraan sebagai persamaan dan
kemudian menarik garis yang sesuai untuk setiap persamaan
dan pembatasann non-negatif.
3. Menemukan titik akhir (titik sudut) di daerah feasible.
4. Tentukan nilai fungsi tujuan yang sesuai dengan titik akhir
ditentukan pada langkah 3.
5. Cari tahu nilai optimal dari fungsi tujuan.
6. Contoh-contoh untuk mengikuti menggambarkan metode.
55
Metode grafis - Contoh

Contoh 1
subject to
15x1 + 25x2 375
24x1 + 11x2 264
x1, x2 0
Solusi.
Jika x1 saja dan tidak ada x2 diproduksi, nilai maksimum x1 adalah
375/15 = 25. Jika hanya x2 dan x1 tidak diproduksi, nilai maksimum x2
adalah 375/25 = 15. Sebuah garis yang ditarik antara dua titik (25, 0) &
(0, 15), merupakan faktor kendala 15x1 + 25x2 375. Setiap titik yang
terletak pada atau di bawah garis ini akan memuat ketidaksamaan ini
dan solusi akan berada di daerah yang dibatasi oleh itu.
Demikian pula, garis untuk kendala kedua 24x1 + 11x2 264 dapat
ditarik. polygon merupakan wilayah nilai untuk x1 & x2 yang
memenuhi semua kendala. Poligon ini disebut himpunan solusi.
Solusi untuk masalah ini sederhana digambarkan grafis di bawah ini.
56
Titik akhir (titik sudut) dari daerah yang diarsir adalah (0,0), (11,0), (5,7,
11,58) dan (0,15).
Nilai-nilai fungsi tujuan pada titik-titik ini 0, 198, 288 (approx.) dan 240.
Dari keempat nilai, 288 adalah maksimum.
Solusi optimal adalah pada huruf b yang ekstrim, di mana x1 = 5,7 x2 = &
11,58, dan z = 288.
57

Contoh 2
Maximize z = 6x1 - 2x2
subject to
2x1 - x2 2
x1 3
x1, x2 0
Solusi.
Pertama, kita menarik garis 2x1 - x2 2, yang
melewati titik-titik (1, 0) & (0, -2). Setiap titik yang
terletak pada atau di bawah garis ini akan
memuat ketidaksamaan ini dan solusi akan
berada di daerah yang dibatasi oleh itu.
Demikian pula, garis untuk x1 kendala kedua 3
diambil. Dengan demikian, solusi yang optimal
terletak di salah satu titik sudut bagian berbayang
gelap dibatasi oleh garis-garis lurus.
Solusi optimal adalah x1 = 3, x2 = 4.2, dan nilai
maksimum z adalah 9,6.
58
Kasus Khusus - Beberapa Solusi Optimal

Masalah pemrograman linear dibahas di bagian sebelumnya memiliki
solusi unik.
Ini karena nilai yang optimal terjadi pada salah satu titik ekstrim (titik
sudut).
Tapi situasi mungkin timbul, ketika solusi optimal yang diperoleh tidak
unik.
Kasus ini mungkin timbul ketika garis mewakili fungsi tujuan sejajar
dengan salah satu garis pembatas daerah feasible.
Kehadiran beberapa solusi diilustrasikan melalui contoh berikut.
Maximize z = x1 + 2x2
subject to
x1 80
x2 60
5x1 + 6x2 600
x1 + 2x2 160
x1, x2 0.
59
Beberapa SoluSI Optimal (lanjutan)
Pada gambar di atas, tidak ada luar yang unik yang paling pojok yang
terpotong oleh garis fungsi tujuan.
Semua poin dari P ke Q berbaring di garis PQ merupakan solusi optimal
dan semua ini akan memberikan nilai optimal yang sama (keuntungan
maksimum) dari Rs. 160.
Hal ini ditunjukkan oleh fakta bahwa baik P poin dengan koordinat (40,
60) dan Q dengan koordinat (60, 50) berada di garis x1 + 2x2 = 160.
Dengan demikian, setiap titik pada garis PQ memaksimalkan nilai dari
fungsi tujuan dan masalah memiliki beberapa solusi.
60
masalah
infeasible
Dalam beberapa kasus, ada daerah solusi yang layak,
yaitu, tidak ada poin yang memenuhi semua kendala
dari masalah.
Masalah LP tidak layak dengan dua variabel keputusan
dapat diidentifikasi melalui grafiknya.
Sebagai contoh, mari kita mempertimbangkan
masalah pemrograman linear berikut.
Minimize z = 200x1 + 300x2
subject to
2x1 + 3x2 1200
x1 + x2 400
2x1 + 1.5x2 900
x1, x2 0
Wilayah yang terletak di sebelah kanan PQR mencakup
semua solusi, yang memenuhi kendala pertama dan
ketiga.
Wilayah yang terletak di sebelah kiri ST mencakup
semua solusi, yang memenuhi kendala kedua.
Dengan demikian, masalahnya adalah tidak layak
karena tidak ada set poin yang memenuhi semua tiga
kendala.
61
Solusi tak terbatas

Ini adalah solusi yang bertujuan fungsi terbatas. Jika daerah feasible tak
terbatas maka satu atau lebih variabel keputusan akan meningkat
tanpa batas tanpa melanggar kelayakan, dan nilai fungsi tujuan dapat
dibuat sewenang-wenang besar. Pertimbangkan model berikut:
Minimize z = 40x1 + 60x2
subject to
2x1 + x2 70
x1 + x2 40
x1 + 3x2 90
x1, x2 0
Titik (x1, x2) harus berada di suatu tempat di ruang solusi seperti yang
ditunjukkan pada gambar oleh sebagian berbayang.
Tiga titik ekstrim (titik sudut) pada bidang terbatas adalah: P = (90, 0); Q
= (24, 22) dan R = (0, 70)
Nilai-nilai fungsi tujuan pada titik-titik ekstrim: Z (P) = 3600, Z (Q) = 2.280
dan Z (R) = 4200
Dalam kasus ini, tidak ada maksimum dari fungsi obyektif ada karena
daerah tidak memiliki batas untuk meningkatkan nilai x1 dan x2.
Dengan demikian, tidak mungkin untuk memaksimalkan fungsi tujuan
dalam hal ini dan solusinya tak terbatas.
Meskipun dimungkinkan untuk membangun masalah pemrograman
linear dengan solusi tak terbatas numerik, tapi tidak ada masalah
pemrograman linear dirumuskan dari situasi kehidupan nyata dapat
memiliki solusi tak terbatas.
62
Keterbatasan Pemrograman Linear

Linearitas hubungan: Suatu persyaratan utama program linear adalah bahwa
fungsi tujuan dan kendala setiap harus linier. Namun, dalam situasi kehidupan
nyata, beberapa bisnis dan industri masalah yang nonlinear di alam.
Satu tujuan: pemrograman Linear memperhitungkan satu tujuan saja, yaitu, laba
maksimalisasi atau minimalisasi biaya. Namun, dalam lingkungan bisnis yang
dinamis saat ini, tidak ada tujuan universal tunggal untuk semua organisasi.
Kepastian: Pemrograman Linear mengasumsikan bahwa nilai dari co-efisien
variabel keputusan yang diketahui dengan pasti. Karena ini asumsi ketat,
program linear tidak dapat diterapkan pada berbagai macam masalah di
mana nilai-nilai koefisien yang probabilistik.
Parameter konstan: Parameter muncul dalam LP diasumsikan konstan, tetapi
dalam situasi praktis itu tidak begitu.
Keterbagian: Dalam pemrograman linear, variabel keputusan diperbolehkan
untuk mengambil non-negatif bilangan bulat serta nilai-nilai pecahan. Namun,
kami cukup sering menghadapi situasi di mana model perencanaan berisi
variabel bernilai integer. Misalnya, truk di armada, generator di pembangkit
tenaga listrik, potongan-potongan peralatan, alternatif investasi, dan ada
segudang contoh lainnya. Pembulatan solusi untuk bilangan bulat terdekat
tidak akan menghasilkan solusi optimal. Dalam kasus tersebut, teknik
pemrograman linier tidak dapat digunakan.
63
ringkasan
Bab ini memulai studi Anda model linier.
Pemrograman linear adalah topik yang menarik dalam
penelitian operasi dengan aplikasi luas dalam berbagai
masalah manajemen, ekonomi, keuangan, pemasaran,
transportasi dan pengambilan keputusan yang berkaitan
dengan operasi dari hampir semua organisasi swasta
atau publik.
Tidak diragukan lagi, teknik pemrograman linear adalah
salah satu aplikasi yang paling sukses secara komersial
dari riset operasi.
Dalam bab ini, Anda belajar bagaimana untuk
merumuskan masalah pemrograman linear, dan
kemudian kita membahas metode grafis untuk
memecahkan LPP dengan dua variabel keputusan.
64
Pemecahan masalah program linear cara grafik
Perusahaan Jepara furniture memproduksi mebel dari kayu. Bahan baku yang
digunakan berupa kayu jati dan kayu sono keling.
Untuk mendapatkan hasil yang baik perusahaan menggunakan sebuah mesin

multi guna yang dikendalikan komputer. Karena persaingan yang semakin
tajam, manajemen perusahaan bermaksud meningkatkan efisiensi
penggunaan sumber daya produksinya sehingga dapat mencapai hasil
optimal.
Jumlah kebutuhan bahan baku dan waktu mesin yang diperlukan untuk
membuat setiap unit mebel (meja dan kursi) serta kapasitas yang tersedia
sbb
Sumber daya
kayu sono keling.(unit)
Kayu Jati (unit)
Mesin (jam-mesin)
Model Meja
Model Kursi
kapasitas
4
2
1
2
2
3
120
100
90
65
Apabila keuntungan yang di peroleh satu unit

Meja=Rp 200 dan satu unit Kursi=Rp 150.
berapa unit setiap model harus dibuat agar

memperoleh keuntungan yang maksimal
66
Model program linear untuk kasus perusahaan

tersebut sbb,
Fungsi tujuan (FT) Maks / min
Z 200 X1 150 X2
dengan batasan
4X1 2 X 2 120
2X1 2 X 2 100
X1 3 X 2 90
dan X1 , X 2 0
Dimana Z = total
keuntungan ( dolar)
X1= mebel Meja dibuat

(Unit)
X2 = mebel Kursi dibuat

(Unit)
67
Latihan
Direktur pusat pendidikan menemukan ketidak efisienan dalam penyajian

jumlah telur dan daging untuk suatu menu makan siang mahasiswa.
Direktur meminta anda menghitung kebutuhan telur dan daging untuk

menu tersebut yang bisa menekan biaya tetapi tetap memenuhi kebutuhan
gizi minimum yang diperlukan mahasiswa. Menurut penelitian kandungan
vitamin yang terdapat dalam tiap butir telur dan sepotong daging dan
kebutuhan vitamin yang harus terdapat dalam menu sarapan pagi sbb
VITAMIN
A
B
KONTRIBUSI VITAMINPADA
(mg)
TELUR
DAGING
KEBUTUHAN
MINIMUM
(mg)
2
3
4
2
16
12
Harga satu butir telur Rp 1000 dan satu potong daging Rp 2000. Tentukan
berapa telur dan daging harus disajikan untuk 200 set menu tersebut agar
biaya totalnya minimum, tetapi tetap memenuhi persyaratan gizi
68
Latihan 2
Suatu perusahaan konveksi ingin memproduksi dua

model pakaian yaitu sebut saja Model A dan Model B
Tersedia sumber daya : 30 pekerja @ 40 jam/minggu
600 meter bahan/minggu Kebutuhan : Model A : 2m
bahan + 6 jam kerja Model B : 3m bahan + 4 jam kerja
Keuntungan bersih : Model A : Rp. 3 ribu/unit Model B :
Rp. 4 ribu/unit Permasalahan : Menentukan suatu
rencana produksi berapa banyak Model A dan Model B
harus dibuat agar dgn sumber daya yang ada dapat
diperoleh keuntungan yang maksimal.
Initial Assumptions
All constraints are of the form
All right-hand-side values (bj, j=1, ,m) are

positive
Well learn how to address other forms later
The Augmented Form

Set up the method first:
Convert inequality constraints to equality constraints by
adding slack variables
Augmented Form
Original Form
Maximize
Maximize
Z = 3x1+
Z = 3x1+
5x2
subject to
subject to
x1
5x2
x1
+s1
=4
2x2 12
2x2
= 12
3x1+ 2x2 18
3x1+ 2x2
= 18
x1,x2 0
x1,x2
X2
Basic and Basic Feasible

Augmented Form
Solutions
Maximize Z = 3x +
(0,9,4,-6,0)
subject to
(0,6,4,0,6)
(2,6,2,0,0)
(2,3,2,6,6)
(4,6,0,0,-6)
(4,3,0,6,0)
5x2
+s1
x1
2x2
+s2
3x1+ 2x2
x1,x2, s1, s2, s3 0
=4
= 12
+s3 = 18
Augmented solution
Basic infeasible solution
Basic feasible solution (BFS)
Nonbasic feasible solution
(0,2,4,8,14)
(0,0,4,12,18)
(4,0,0,12,6)
(6,0,-2,12,0)
X1
Penyelesaian Persoalan LP Secara Matematis

(Metode Simpleks)
Metode Simpleks adlh suatu metode yg secara matematis
dimulai dr suatu pemecahan dasar yg feasibel (basic feasible
solution) ke pemecahan dasar feasibel lainnya dan dilakukan
secara berulang-ulang (iteratif) sehingga akhirnya diperoleh
suatu pemecahan dasar yang optimum.
Langkah 1:
Merubah model program linear menjadi model persamaan linear.

Menyusun tabel simpleks awal, semua fungsi kendala berupa persamaan, dg cara
menambahkan slack variabel
Setiap fungsi kendala mempunyai slack variabel.

jumlah slack variable = jumlah fungsi kendala
Nilai sebelah kanan (right-hand side) semua kendala tidak
boleh negatif.
LANGKAH-LANGKAH METODE SIMPLEKS

Dalam menyelesaikan persoalan programa linier dengan
menggunakan metode simpleks, bentuk dasar yang digunakan
adalah:
Seluruh pembatas harus berbentuk persamaan (bertanda =)
Seluruh variabel harus merupakan variabel non negatif
Fungsi tujuan dapat berupa maksimasi atau minimasi
Formulasi yang belum standar kedalam bantuk standar :
a. Pembatas (constraint)
Pembatas bentanda atau dapat dijadikan suatu persamaan
(bertanda =) dengan menambahkan atau mengurangi dengan
suatu variabel slack pada ruas kiri pembatas tersebut.
Contoh: Kasus Perusahaan Meubel

4M + 2K + S1 = 60
2M + 4K + S2 = 48
atau
atau
S1 = 60 4M 2K
S2 = 48 2M 4K
S1 adalah variabel slack (waktu tak terpakai) dalam perakitan

S2 adalah variabel slack (waktu tak terpakai) dalam
pemolesan
Semua variabel yang tdk mempengaruhi kesamaan ditulis dg
koefisien nol.
Maks
Laba = 8M + 6K + 0S1 + 0S2
Dg kendala:
4M + 2K + S1 + 0S2 = 60
2M + 4K + 0S1 + S2 = 48
M 0; K 0
Variabel dibagi menjadi non-basic variables dan basic variables.
Non-basic variables variabel yg tdk keluar sbg solusi pd
setiap iterasi, nilainya sama dg nol.
basic variables
75
variabel yg keluar sbg solusi pd setiap

iterasi
tabel simpleks awal

Membuat tabel simpleks awal
Basic X1
variable
Xn S1
... Sn A1 . An
RHS
b1
Coefficient of the constraints

A
Z
bm
Objective function coefficient
In different signs
Z
value
Langkah 2: Membuat tabel simpleks awal
Elemen pivot
BV
CV
S1
S2
Rasio
S1
60
60/4
S2
48
48/2
Zj
-8
-6
Persamaan
pivot
Langkah 3: Penentuan baris dan kolom kunci sebagai dasar
iterasi
Kolom kunci ditentukan oleh nilai baris Z negatif terbesar,
yaitu pada kolom M

Baris kunci ditentukan dari nilai rasio CV/Kolom kunci
terkecil, yaitu baris S1.
Langkah 4: Iterasi
Variabel yang masuk sbg basic variable (BV) adlh M dan

variabel yang keluar dari BV adalah S1.
M masuk sbg BV menggantikan S1 (baris kedua).

Untuk melakukan iterasi, digunakan metode perhitungan
Gauss-Jordan sebagai berikut:
Persamaan Pivot:
Persamaan pivot baru = Persamaan pivot lama : elemen pivot
Persamaan lainnya, termasuk Z:
Persamaan baru = (Persamaan lama) (Koef kolom masuk) x
(persamaan pivot baru)
Hasil iterasi 1:
BV
CV
S1
S2
Rasio
15
1/2
1/4
30
S2
18
-1/2
120
-2
Hasil iterasi 2:
BV
CV
S1
S2
12
1/3
-1/6
-1/6
1/3
132
5/3
2/3
Reduced costs
Rasio
Dual Prices
Karena nilai-nilai pada baris Z sudah non-negatif, berarti iterasi

selesai, dan solusi yang diperoleh adalah:
M = 12, K = 6 dan Z (laba) = 132.
Simplex method in tabular

form
2. Test for optimality:
Case 1: Maximization problem
the current BF solution is optimal if every coefficient in the objective
function row is nonnegative
Case 2: Minimization problem
the current BF solution is optimal if every coefficient in the objective
function row is nonpositive
Simplex method
Example (All constraints are )

Solve the following problem using the simplex
method
Maximize
Z = 3X1+ 5X2
Subject to
X1
4
2 X2 12
3X1 +2X2 18
X1 , X2 0
Simplex method
Solution
Initialization
1. Standard form
Maximize Z,
Subject to
Z - 3X1- 5X2
X1
+ S1
Sometimes it is called
the augmented form of
the problem because
the original form has
=0
been augmented by
some supplementary
= 4 variables needed to
= 12 apply the simplex
method
2 X2
+ S2
3X1 +2X2
+ S3 = 18
X1 , X2, S1, S2, S3 0
Initial tableau
Entering
variable
2. Initial tableau
Basic
variable
X1
X2
S1
S2
S3
RHS
S1
S2
12
S3
18
-3
-5
Leaving
variable
Pivot column
Pivot row
Pivot
number
Simplex
tableau
Notes:
The basic feasible solution at the initial tableau is (0, 0, 4, 12, 18) where:
X1 = 0, X2 = 0, S1 = 4, S2 = 12, S3 = 18, and Z = 0

Where S1, S2, and S3 are basic variables
X1 and X2 are nonbasic variables
The solution at the initial tableau is associated to the origin point at which all
the decision variables are zero.
Iteration
Step 3: solving for the new BF solution by using

the eliminatory row operations as following:
1.
New pivot row = old pivot row pivot number

Basic
variable
S1
X2
S3
Z
X1
X2
S1
S2
S3
RHS
1/2
Note that X2 becomes in the basic

variables list instead of S2
iteration
2. For the other row apply this rule:
New row = old row the coefficient of this row in the pivot column (new pivot row).
For S1
1
0 (0
1
For S3
0
1
0
3
2 (0
3
for Z
-3
-5(0
-3
2
1
0
1
0
1
0
1/2
0
0
0
0
-5
1
0
0
0
0
0
0
0
0
1/2
-1
0
1/2
5/2
4
6)
4
1
0
1
18 6)
6
0
0
0
06)
30
Substitute this
values in the
table
Iteration
This solution is not optimal, since there is a negative numbers in the last row
Basic
variable
S1
X2
S3
Z
X1
X2
S1
S2
S3
RHS
1
0
3
-3
0
1
0
0
1
0
0
0
0
1/2
-1
5/2
0
0
1
0
4
6
6
30
The most negative

value; therefore, X1
is the entering
variable
The smallest ratio

is 6/3 =2; therefore,
S3 is the leaving
variable
Iteration
Apply the same rules we will obtain this solution:
Basic
variable
S1
X2
X1
X1
X2
S1
S2
S3
RHS
0
0
1
0
1
0
1
0
0
1/3
1/2
-1/3
-1/3
0
1/3
2
6
2
3/2
36
This solution is optimal; since there is no negative solution in

the last row: basic variables are X1 = 2, X2 = 6 and S1 = 2; the
nonbasic variables are S2 = S3 = 0
Z = 36
Cara lain
1. Menghitung nilai Zj pada setiap kolom variabel dan kolom bi(RHS).
Nilai Zj variabel = jumlah perkalian unsur-unsur kolom Cij dengan

unsur-unsur variabel pada kolom tersebut.
Nilai Zj kolom bi = jumlah perkalian unsur-unsur kolom Cij dengan

unsur-unsur variabel pada kolom bi.
2.
3.
Menghitung nilai (Cj Zj) pada setiap kolom variabel.

Memeriksa nilai (Cj Zj):
jika tujuan memaksimalkan
(Cj Zj) 0; maka lanjut ke langkah berikutnya
(Cj Zj) 0; optimal (langkah 12)
jika tujuan meminimalkan, maka sebaliknya
4. Dengan metode Gauss Jordan: Menentukan kolom kunci (KK) atau kolom
masuk yaitu kolom dengan nilai (Cj Zj) positif terbesar (untuk tujuan
memaksimumkan) atau kolom dengan nilai (Cj Zj) negatif terbesar (untuk
tujuan meminimumkan).
5. Menentukan baris kunci (BK) atau persamaan pivot yaitu baris yang
memiliki nilai (bi/akk) positif terkecil. akk = angka pada kolom kunci dan
baris yang sama.
6. Menentukan angka kunci (ak) atau elemen pivot yaitu angka pada
perpotongan baris kunci dan kolom kunci.
7. Mengganti variabel Cj pada baris kunci dengan variabel kolom yang terletak
pada kolom kunci. Nama variabel basis menjadi nama variabel yang
dipindahkan.
8. Transformasi: terhadap baris persamaan
BK baru = Baris lama / angka kunci (ak)
Baris lain = Baris lama (koefisien kolom kunci) x BK baru
9. Kembali ke langkah 1
10. Solusi optimal diperoleh, dimana nilai variabel basis untuk
masing-masing baris terletak di kolom bi.
Penyelesaian:
Fungsi Tujuan: Memaksimumkan Z = 80x1 + 100x2
Fungsi Kendala:
1x1 + 2x2
40
4x1 + 3x2
120
x1, x2 0
Langkah (1) Maksimumkan Z = 80x1 + 100x2 + 0s1 + 0s2
Dengan batasan: 1x1 + 2x2 + 1s1 + 0s2 = 40
4x1 + 3x2 + 0s1 + 1s2 = 120
Langkah (2)
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
s1
40
s2
120
Zj
Cj-Zj
bi/akk
Langkah (3)
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
s1
40
s2
120
80
100
x1
x2
s1
s2
bi
Zj
bi/akk
Cj-Zj
Langkah (4)
Cj
Basis/
dasar
s1
40
s2
120
Zj
Cj-Zj
80
100
bi/akk
Langkah (5) Ternyata nilai-nilai (Cj Zj) masih 0, maka belum optimal
Langkah (6), (7), (8)
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
bi/akk
s1
40
20
s2
120
40
Zj
Cj-Zj
80
100
KK
ak = elemen pivot
BK
Langkah (9), (10)

Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
x2
100
1/2
1/2
20
s2
5/2
-3/2
60
bi/akk
Zj
Cj-Zj
Langkah (11) Kembali ke langkah (3)

Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
x2
100
1/2
1/2
20
s2
5/2
-3/2
60
50
100
50
2000
Zj
Cj-Zj
bi/akk
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
bi/akk
x2
100
1/2
1/2
20
40
s2
5/2
-3/2
60
24
Zj
50
100
50
2000
Cj-Zj
30
-50
BK
KK
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
x2
100
4/5
-1/5
x1
80
-3/5
2/5
24
Zj
Cj-Zj
bi/akk
Kembali ke langkah (3)

Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
x2
100
4/5
-1/5
x1
80
-3/5
2/5
24
80
100
32
12
2720
Zj
bi/akk
Cj-Zj
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
x2
100
4/5
-1/5
x1
80
-3/5
2/5
24
Zj
80
100
32
12
2720
Cj-Zj
-32
-12
optimal
bi/akk
Nilai
variabel
Example:
Maximize Z = 7X1+5X2 , subject to the constraints,
X1+2X2 < or = 6
4X1+3X2 < or = 12 and X1 & X2 are non-negative.
Example:
Maximize Z = 7X1+5X2 , subject to the constraints,
X1+2X2 < or = 6
4X1+3X2 < or = 12 and X1 & X2 are non-negative.
Step1: Convert the LP problem into a system of

linear equations.
We do this by rewriting the constraint inequalities as
equations by adding new "slack variables" and assigning
them zero coefficients(profits) in the objective function as
shown below:
X1+2X2+S1
=6
4X1+3X2 +S2 = 12
And the Objective Function would be:
Z=7X1+5X2+0.S1+0.S2
Step 2: Obtain a Basic Solution to the problem.

We do this by putting the decision variables X1=X2=0,
so that
S1= 6 and S2=12.
These are the initial values of slack variables.
Step 3: Form the Initial Tableau as shown.
Cj
Basic
Basic
CB Variable
Soln(XB)
(B)
0
S1
6
0
S2
12
Zj
(Net Evaluation)Cj - Zj
Initial Tableau
7
5
X1
X2
S1
S2
1
4
0
7
2
3
0
5
1
0
0
0
0
1
0
0
Min.Ratio
(XB/Pivotal
Col.)
6/1=6
12/4=3
Step 4: Find (Cj-Zj) having highest positive value.

The column corresponding to this value,is called the Pivotal
Column and enters the table. In the previous table,column
corresponding to variable X1 is the pivotal column.
Step 5: Find the Minimum Positive Ratio.

Divide XB values by the corresponding values of Pivotal
Column.The row corresponding to the minimum positive
value is the Pivotal Row and leaves the table. In the
previous table,row corresponding to the slack variable S2 is
the pivotal row.
Step 6: First Iteration or First Simplex Tableau.

In the new table,we shall place the incoming variable(X1) instead of
the outgoing variable(S2). Accordingly,new values of this row have to
be obtained in the following way :
R2(New)=R2(Old)/Pivotal Element = R2(Old)/4
R1(New)=R1(Old) - (Intersecting value of R1(Old) & Pivotal
Col)*R2(New)
=R1(Old) - 1*R2(New)
CB
0
7
Basic
Variable
(B)
S1
X1
Cj
Basic
Soln(XB)
X1
X2
S1
S2
0
1
7
0
54
3/4
21 4
- 1/4
1
0
0
0
- 1/4
1/4
74
-74
3
3
Zj
(Net Evaluation)Cj - Zj
Min.Ratio
(XB/Pivotal
Col.)
Step 7: If all the (Cj-Zj) values are zero or

negative,an optimum point is reached otherwise
repeat the process as given in Step 4,5 & 6.
Since all the (Cj-Zj) values are either negative or zero,hence
an optimum solution has been achieved.The optimum values
are:
X1=3,
X2=0 and,
Max Z=21.
MINIMIZATION CASE
Pada bagian sebelumnya, metode simpleks diterapkan masalah
pemrograman linier di mana tujuannya adalah untuk memaksimalkan
keuntungan dengan kurang dari atau sama dengan suatu nilai kendala.
Dalam banyak kasus, bagaimanapun, kendala mungkin tipe atau = dan
tujuannya mungkin meminimalisasi (misalnya, biaya, waktu, dll).
Dengan demikian, dalam kasus tersebut, metode simpleks harus dimodifikasi
untuk mendapatkan kebijakan yang optimal.
Consider the general linear programming problem
Minimize z = c1x1 + c2x2 + c3x3 + .........+ cnxn
subject to
a11x1 + a12x2 + a13x3 + .........+ a1nxn b1
a21x1 + a22x2 + a23x3 + .........+ a2nxn b2
.........................................................................
am1x1 + am2x2 + am3x3 + .........+ amnxn bm
x1, x2,....., xn 0
Changing the sense of the optimization
Any linear minimization problem can be viewed as an equivalent linear
maximization problem, and vice versa.
Min. z = c1x1 + c2x2 + c3x3 + .........+ cnxn
It can be written as
Max. z = -(c1x1 + c2x2 + c3x3 + .........+ cnxn)
103
Converting inequalities to equalities
Memperkenalkan variabel surplus (variabel slack negatif)

untuk mengkonversi ketidaksamaan menjadi kesamaan
a11x1 + a12x2 + a13x3 + .........+ a1nxn - s1 = b1
a21x1 + a22x2 + a23x3 + .........+ a2nxn - s2 = b2
..............................................................................
am1x1 + am2x2 + am3x3 + .........+ amnxn - sm = bm
x1, x2,....., xn 0
s1, s2,....., sm 0
Inisial Sebuah solusi dasar layak diperoleh dengan
menetapkan x1 = x2 =........ = xn = 0
-s1 = b1 or s1 = -b1
-s2 = b2 or s2 = -b2
..............................
-sm = bm or sm = -bm
MINIMIZATION CASE
104
yang tidak layak karena melanggar ketentuan non-negatif,

(yaitu, s1 0). Oleh karena itu, kita perlu variabel buatan.
Setelah memperkenalkan variabel buatan, himpunan
kendala dapat ditulis sebagai
a11x1 + a12x2 + a13x3 + .........+ a1nxn - s1 + A1 = b1
a21x1 + a22x2 + a23x3 + .........+ a2nxn - s2 + A2 = b2
..............................................................................
am1x1 + am2x2 + am3x3 + .........+ amnxn - sm + Am = bm
x1, x2,....., xn 0
s1, s2,....., sm 0
A1, A2,....., Am 0
Sekarang, solusi dasar layak awal dapat diperoleh dengan
menetapkan semua keputusan dan variabel surplus
menjadi nol. Dengan demikian, solusi yang layak dasar
awal untuk LPP adalah
A1 = b1 , A2 = b2, ....., Am = bm
Sekarang untuk mendapatkan solusi optimal, kita harus
mendorong keluar variabel buatan. Berikut ini adalah dua
metode untuk memecahkan masalah pemrograman linear
dalam kasus tersebut.
Two Phase method
M method
105
Introduction to the Big M Method

In this section, we will present a generalized version of the simplex
method that will solve both maximization and minimization problems
with any combination of , , = constraints
Ini adalah versi modifikasi dari metode simpleks, di mana

kita menetapkan nilai yang sangat besar (M) untuk masingmasing variabel buatan.
Example
Maximize
P = 2x1 + x2
subject to
x1 + x2 < 10
x1 + x2 > 2
x1 , x2 > 0
To form an equation out of the first inequality, we introduce a
slack variable s1, as before, and write
x1 + x2 + s1 = 10.
Example
(continued)
To form an equation out of the second inequality we
introduce a second variable s2 and subtract it from the left
side so that we can write
x1 + x2 s2 = 2.
The variable s2 is called a surplus variable, because it is the
amount (surplus) by which the left side of the inequality
exceeds the right side.
Example
(continued)
We now express the linear programming problem as a system of
equations:
x1 + x2 + s 1
x1 + x2
= 10
s2
2x1 x2
x1 , x 2 , s1 , s2 > 0
=2
+P=0
Example
(continued)
It can be shown that a basic solution of a system is not feasible if
any of the variables (excluding P) are negative. Thus a surplus
variable is required to satisfy the nonnegative constraint.
An initial basic solution is found by setting the nonbasic variables
x1 and x2 equal to 0. That is, x1 = 0, x2,= 0,, s1= 10, s2 = -2, P = 0.
This solution is not feasible because the surplus variable s2 is
negative.
Artificial Variables
In order to use the simplex method on problems with mixed

constraints, we turn to a device called an artificial variable.
This variable has no physical meaning in the original problem
and is introduced solely for the purpose of obtaining a basic
feasible solution so that we can apply the simplex method.
An artificial variable is a variable introduced into each
equation that has a surplus variable. To ensure that we
consider only basic feasible solutions, an artificial variable is
required to satisfy the nonnegative constraint.
Example
(continued)
Returning to our example, we introduce an artificial variable a1 into
the equation involving the surplus variable s2:
x 1 + x 2 s 2 + a1 = 2
To prevent an artificial variable from becoming part of an optimal
solution to the original problem, a very large penalty is
introduced into the objective function. This penalty is created by
choosing a positive constant M so large that the artificial variable is
forced to be 0 in any final optimal solution of the original problem.
Example
(continued)
We then add the term Ma1 to the objective function:
P = 2x1 + x2 Ma1
We now have a new problem, called the modified problem:
Maximize
P = 2x1 + x2 - Ma1
subject to
x1 + x2 + s1
= 10
x1 + x2 s2 + a1 = 2
x1, x2, s1, s2, a1 > 0
Big M Method:
Form the Modified Problem
If any problem constraints have negative constants on the right side,

multiply both sides by -1 to obtain a constraint with a nonnegative
constant. Remember to reverse the direction of the inequality if the
constraint is an inequality.
Introduce a slack variable for each constraint of the form .
Introduce a surplus variable and an artificial variable in each

constraint.
Introduce an artificial variable in each = constraint.
For each artificial variable a, add Ma to the objective function. Use the
same constant M for all artificial variables.
Key Steps for Solving a Problem

Using the Big M Method
Now that we have learned the steps for finding the

modified problem for a linear programming problem, we
will turn our attention to the procedure for actually solving
such problems. The procedure is called the Big M Method.
Example
(continued)
The initial system for the modified problem is
x 1 + x 2 + s1
= 10
x1 + x2 s2 + a1 = 2
2x1 x2 + Ma1 + P = 0
x1, x2, s1, s2, a1 > 0
We next write the augmented coefficient matrix for this system,
which we call the preliminary simplex tableau for the modified
problem.
Example
(continued)
x1
x2
s1
s2
a1
1 1 1 0 0
1 1 0 1 1
2 1 0 0 M
0 10
0 2
1 0
To start the simplex process we require an initial simplex tableau,

described on the next slide. The preliminary simplex tableau should either
meet these requirements, or it needs to be transformed into one that does.
Definition:
Initial Simplex Tableau
For a system tableau to be considered an initial simplex tableau, it must
satisfy the following two requirements:
1. The requisite number of basic variables must be selectable. Each basic variable
must correspond to a column in the tableau with exactly one nonzero
element. Different basic variables must have the nonzero entries in different
rows. The remaining variables are then selected as non-basic variables.
2. The basic solution found by setting the non-basic variables equal to zero is
feasible.
Example
(continued)
The preliminary simplex tableau from our example
satisfies the first requirement, since s1, s2, and P can be
selected as basic variables according to the criterion stated.
However, it does not satisfy the second requirement since
the basic solution is not feasible (s2 = -2.)
To use the simplex method, we must first use row
operations to transform the tableau into an equivalent
matrix that satisfies all initial simplex tableau
requirements. This transformation is not a pivot
operation.
Example
(continued)
x1
x2
s1
s2
a1
1 1 1 0 0
1 1 0 1 1
2 1 0 0 M
0 10
0 2
1 0
If you inspect the preliminary tableau, you realize that the problem
is that s2 has a negative coefficient in its column. We need to
replace s2 as a basic variable by something else with a positive
coefficient. We choose a1.
Example
(continued)
We want to use a1 as a basic variable instead of s2. We proceed
to eliminate M from the a1 column using row operations:
x1
(-M)R2 + R3 ->R3
x2 s1 s2
a1
1 1 1 0 0
1 1 0 1 1
2 1 0 0 M
0 10
0 2
1 0
1
1
1 0 0 0 10
1
0 1 1 0 2
1
M 2 M 1 0 M 0 1 2M
Example
(continued)
From the last matrix we see that the basic variables are s1, a1,
and P because those are the columns that meet the
requirements for basic variables.
The basic solution found by setting the nonbasic variables
x1, x2, and s2 equal to 0 is
x1 = 0, x2 = 0, s1 = 10, s2 = 0, a1 =2, P = 2M.
The basic solution is feasible (P can be negative) and all
requirements are met.
Example
(continued)
We now continue with the usual simplex process, using pivot
operations. When selecting the pivot columns, keep in mind that
M is unspecified, but we know it is a very large positive number.
1
1
1 0 0 0 10
1
0 1 1 0
2
1
M 2 M 1 0 M 0 1 2M
In this example, M 2 and M are positive, and M 1 is

negative. The first pivot column is column 2.
Example
(continued)
If we pivot on the second row, second column, and then on the
first row, first column, we obtain:
x1
x1
x2
1 0
0 1
0 0
x2 s1 s2
1
2
1
2
3
2
a1
1
1
0 4
2
2
1
1
0 6
2
2
1
1
M
1 14
2
2
Since all the indicators in the last row are nonnegative, we have
the optimal solution:
Max P = 14 at x1 = 4, x2 = 6, s1 = 0, s2 = 0, a1 = 0.
Example: Minimize Z= 600X1+500X2

subject to constraints,
2X1+ X2 >or= 80
X1+2X2 >or= 60 and X1,X2 >or= 0
Example: Minimize Z= 600X1+500X2

2X1+ X2 >or= 80
X1+2X2 >or= 60 and X1,X2 >or= 0
Step1: Convert the LP problem into a system of

linear equations.
We do this by rewriting the constraint inequalities as
equations by subtracting new surplus & artificial variables"
and assigning them zero & +M coefficientsrespectively in
the objective function as shown below.
So the Objective Function would be:
Z=600X1+500X2+0.S1+0.S2+MA1+MA2
2X1+ X2-S1+A1
= 80
X1+2X2-S2+A2 = 60
X1,X2,S1,S2,A1,A2 >or= 0
Step 2: Obtain a Basic Solution to the problem.

We do this by putting the decision variables X1=X2=S1=S2=0,
so that A1= 80 and A2=60.
These are the initial values of artificial variables.
Step 3: Form the Initial Tableau as shown.

Cj
Basic
Basic
CB Variab
Soln(XB)
le (B)
M
M
A1
A2
80
60
600
X1
500
X2
2
1
1
2
Zj 3M
3M
Cj - Zj 600-3M 500-3M
M
Min.Ratio
(XB/Pivotal
Col.)
S1
S2
A1
A2
-1
0
M
M
0
-1
M
M
1
0
M
0
0 80
1 60
M
0
Karena M angka positif yang besar, koefisien M di baris zj-cj akan

menentukan variabel dasar yang masuk.
It is clear from the tableau that X2 will enter and A2 will

leave the basis. Hence 2 is the key element in pivotal
column. Now,the new row operations are as follows:
R2(New) = R2(Old)/2
R1(New) = R1(Old) - 1*R2(New)
Perhatikan bahwa dalam iterasi baru saja menyelesaikan, buatan
variabel A2 tersingkir dari basis. Solusi baru ditunjukkan pada tabel
berikut.
Cj
600
500
Basic
Basic
CB Variab
Soln(XB)
le (B)
X1
X2
S1
S2
A1
Min.Ratio
(XB/Pivota
l Col.)
M
500
3 2
1 2
0
1
-1
0
1 2
- 1/2
1
0
100/3
60
500
M/2-250
250-M/2
A1
X2
50
30
Zj 3M/2+250
Cj - Zj 350-3M/2
x1 becomes a basic variable in the next iteration
It is clear from the tableau that X1 will enter and A1 will

leave the basis. Hence 2 is the key element in pivotal
column. Now,the new row operations are as follows:
R1(New) = R1(Old)*2/3
R2(New) = R2(Old) (1/2)*R1(New)
Cj
CB
600
500
Basic
Varia Basic
ble Soln(XB)
(B)
X1
X2
100/3
40/3
Zj
Cj - Zj
600
500
X1
X2
S1
S2
1
0
600
0
1
500
0
2 3
1 3
700 3
700 3
1 3
2 3
400 3
400 3
Min.
Ratio
(XB/P
ivotal
Col.)
Since all the values of (Cj-Zj) are either zero or positive

and also both the artificial variables have been removed,
an optimum solution has been arrived at with X1=100/3 ,
X2=40/3 and Z=80,000/3.
Big M Method:
Summary
To summarize:
1. Form the preliminary simplex tableau for the
modified problem.
2. Use row operations to eliminate the Ms in the bottom
row of the preliminary simplex tableau in the columns
corresponding to the artificial variables. The resulting
tableau is the initial simplex tableau.
3. Solve the modified problem by applying the simplex
method to the initial simplex tableau found in the
second step.
Big M Method: Summary

(continued)
4. Relate the optimal solution of the modified problem to

the
original problem.
A) if the modified problem has no optimal solution, the
original problem has no optimal solution.
B) if all artificial variables are 0 in the optimal solution to
the modified problem, delete the artificial variables to
find an optimal solution to the original problem
C) if any artificial variables are nonzero in the optimal
solution, the original problem has no optimal solution.
QUIZ... Y? SIAPKAN ALAT TULIS DAN KERTAS ...

Maximize
P x1 4 x2 2 x3
Subject to
x 2 x3 4
x1 x 3 6
x1 x 2 x 3 1
subject to
3x1 + 4x2 6
x1 + 3x2 2
x1, x 2 0
Maximize z = -4x1 - 2x2

subject to
3x1 + x2 27
3
x1 + x2 21
x1 + 2x2 30
x1, x2 0
133
Solution:
Form the preliminary simplex tableau for the

modified problem: Introduce slack variables,
artificial variables and variable M.
x2 x3 s1 4
x1 x3 a1 6
x1 x2 x3 s 2 a 2 1
x1 4 x2 2 x3 Ma1 Ma2 P 0
Solution:
Use row operations to eliminate Ms in
the bottom row of the preliminary
simplex tableau.
(-M) R2 + R4 = R4
(-M)R3 + R4 = R4
Solution:
Solve the modified problem by

applying the simplex method:
s1 ,a1 ,a2 , P
The basic solution is
feasible:
Solution:
Use the following operations to

solve the problem:
1R2 R3 R3
( 2M 1 )R2 R4 R4
3R1 R4 R4
MR3 R4 R4
( 1 )R1 R4 R4
Solution:
x1
0
x2
1
1 0
0 1
0 0
x3 s1 a1
1 1 0
s 2 a2
0 0
P
0 4
1 0 1 0 0 0 6
0 0 1 1 1 0 5
1 4 ( M 1 ) 0 M 1 22
Solution:
x2 4
x1 6
P 22
x3 0
THE BIG M METHOD

Answer 1
subject to
3x1 + 4x2 6
x1 + 3x2 2
x1, x 2 0
Solution.
Dengan memperkenalkan variabel surplus, variabel slack dan variabel buatan, bentuk
standar LPP menjadi
Maximize x1 + 5x2 + 0x3 + 0x4 MA1
subject to
3x1 + 4x2 + x3 = 6
x1 + 3x2 x4 + A1 = 2
x1 0, x2 0, x3 0, x4 0, A1 0
Where:
x3 is a slack variable
x4 is a surplus variable.
A1 is an artificial variable.
141
THE BIG M METHOD (CONT.)

Initial basic feasible solution
x1 = x2 = x4 = 0
A1 = 2, x3 = 6
Table 1
cj
cB
Basic variables
B
x1
x2
x3
x4
A1
Solution
values
b (= XB)
x3
A1
M1
3M5
zjcj
Calculating values for index row (zj cj)

z1 c1 = 0 X 3 + (M) X 1 1 = M 1
z2 c2 = 0 X 4 + (M) X 3 5 = 3M 5
z3 c3 = 0 X 1 + (M) X 0 0 = 0
z4 c4 = 0 X 0 + (M) X (1) 0 = M
z5 c5 = 0 X 0 + (M) X 1 (M) = 0
Seperti -3M <-M, x2 menjadi variabel dasar dalam iterasi berikutnya.
Key column = x2 column.
Minimum (6/4, 2/3) = 2/3
Key row = A1 row
Pivot element = 3.
A1 departs and x2 enters.
142

Table 2
cj
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (= XB)
x3
5/3
4/3
10/3
x2
1/3
1/3
2/3
2/3
5/3
cj
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (= XB)
x4
5/4
3/4
5/2
x2
3/4
1/4
3/2
11/4
5/4
zjcj
Table 3
zjcj
The optimal solution is:

x1 = 0, x2 = 3/2
z = 0 + 5 X 3/2 =15/2
143

Example 2
Maximize z = -4x1 - 2x2
subject to
3x1 + x2 27
x1 + x2 21
x1 + 2x2 30
x1, x2 0
Solution.
By introducing surplus and artificial variables, the standard form of LPP
becomes
Maximize z = -4x1 - 2x2 + 0x3 + 0x4 + 0x5 MA1 MA2 MA3
3x1 + x2 - x3 + A1 = 27
x1 + x2 - x4 + A2 = 21
x1 + 2x2 - x5 + A3 = 30
x1 ,x2, x3, x4, x5, A1, A2 0
Where:
x4 and x5 are surplus variables
144
A1 and A2 are artificial variables.

Table 1
cj
-4
-2
cB
Basic
variables
B
x1
x2
x3
x4
x5
A1
A2
A3
Solution
values
b (= XB)
A1
-1
27
-M
A2
-1
21
A3
-1
30
-5M + 4
-4M + 2
zjcj
As -5M < -4M, x1 becomes a basic variable in the next iteration

Key column = x1 column.
Minimum (27/3, 21/1, 30/1) = 9
Key row = A1 row
Pivot element = 3.
A1 departs and x1 enters.
145

Table 2
cj
-4
-2
cB
Basic
variables
B
x1
x2
x3
x4
x5
A2
A3
Solution
values
b (= XB)
x1
1/3
-1/3
-M
A2
2/3
1/3
-1
12
A3
5/3
1/3
-1
21
-7M/3 + 2/3
-2M/3 - 4/3
zjcj
Table 3
cj
-4
-2
cB
Basic
variables
B
x1
x2
x3
x4
x5
A2
Solution
values
b (= XB)
x1
-2/5
1/5
24/5
A2
1/5
-1
2/5
18/5
-2
x2
1/5
-3/5
63/5
-M/5 + 6/5
-2M/5 + 2/5
zjcj
146

Table 4
cj
-4
-2
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x1
-1/2
1/2
x5
1/2
-5/2
-2
x2
1/2
-3/2
18
zjcj
The optimal solution is

x1 = 3, x2 = 18
z = -4 X 3 - 2 X 18 = -48
147
Dalam metode ini, seluruh prosedur pemecahan masalah pemrograman

linear melibatkan variabel buatan dibagi menjadi dua tahap.
Pada tahap I, kami membentuk fungsi tujuan baru dengan menetapkan
nol untuk setiap variabel awal (termasuk slack dan variabel Surplus) dan -1
untuk masing-masing variabel buatan. Kemudian kita mencoba untuk
menghilangkan varibles buatan dari basis. Solusi pada akhir tahap I
berfungsi sebagai solusi yang layak dasar bagi fase II.
Pada tahap II, fungsi tujuan awal diperkenalkan dan algoritma simpleks
biasa digunakan untuk mencari solusi yang optimal.
Example 1
Minimize z = -3x1 + x2 - 2x3
subject to
x1 + 3x2 + x3 5
2x1 x2 + x3 2
4x1 + 3x2 - 2x3 = 5
x1, x2, x3 0
TWO PHASE METHOD

148
TWO PHASE METHOD (CONT.)

Solution.
Changing the sense of the optimization
Setiap masalah minimalisasi linear dapat dilihat setara dengan masalah
maksimisasi linear, dan sebaliknya. Secara khusus:
Minimize cjxj = Maximize (- cj)xj
Jika z adalah nilai optimal dari ekspresi kiri, maka -z adalah nilai optimal dari
ekspresi kanan.
Maximize z = 3x1 x2 + 2x3
subject to
x1 + 3x2 + x3 5
2x1 x2 + x3 2
4x1 + 3x2 - 2x3 = 5
x1, x2, x3 0
149
Metode dua fase digunakan jika variabel basis awal

terdiri dari variabel buatan. Disebut sebagai metode
dua fase, karena proses optimasi dilakukan dalam dua
tahap. Tahap pertama merupakan proses optimasi
variabel buatan, sedangkan proses optimasi
variabel keputusan dilakukan pada tahap kedua. Karena
variabel buatan sebenarnya tidak ada (hanya ada di atas
kertas), maka tahap pertama
dilakukan untuk memaksa variabel buatan bernilai 0.
150
Converting inequalities to
equalities
x1 + 3x2 + x3 + x4 = 5
2x1 x2 + x3 x5 = 2
4x1 + 3x2 - 2x3 = 5
x1, x2, x3, x4, x5 0
dimana : x4 variabel slack dan x5 variable surplus
Sekarang, jika kita membiarkan x1, x2 dan x3 sama dengan nol dalam solusi
awal, kita akan memiliki x4 = 5 dan x5 = -2, yang tidak mungkin karena
variabel Surplus tidak bisa negatif. Oleh karena itu, kita perlu variabel
artificial.
x1 + 3x2 + x3 + x4 = 5
2x1 x2 + x3 x5 + A1 = 2
4x1 + 3x2 - 2x3 + A2 = 5
x1, x2, x3, x4, x5, A1, A2 0
Dengan A1 dan A2 adalah artificial variables.
151
TWO PHASE METHOD

(CONT.)
Phase 1
Pada fase ini, kita menghapus variabel artificial dan menemukan
inisial solusi yang layak dari masalah awal . Sekarang fungsi tujuan
dapat dinyatakan sebagai
Maximize 0x1 + 0x2 + 0x3 + 0x4 + 0x5 + (A1) + (A2)
subject to
x1 + 3x2 + x3 + x4 = 5
2x1 x2 + x3 x5 + A1 = 2
4x1 + 3x2 - 2x3 + A2 = 5
x1, x2, x3, x4, x5, A1, A2 0

Inisial Solusi dasar yang layak diperoleh dengan menetapkan
x1 = x2 = x3 = x5 = 0
Kemudian kita memperoleh A1 = 2 , A2 = 5, x4 = 5
152

Table 1
cj
-1
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
A1
A2
Solution
values
b (= XB)
x4
-1
A1
-1
-1
-1
A2
-2
-6
-2
zjcj
Key column = x1 column

Minimum (5/1, 2/2, 5/4) = 1
Key row = A1 row
Pivot element = 2
A1 keluar dan x1 masuk.
Table 2
cj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
A2
Solution
values
b (= XB)
x4
7/2
1/2
1/2
x1
-1/2
1/2
-1/2
-1
A2
-4
zj-cj
-5
-2
A2 keluar dan x2 masuk.

Di sini, Tahap 1 berakhir karena kedua variabel buatan telah dihapus dari basis.
153

Phase 2
perhitungan solusi layak dasar pada akhir Tahap 1 digunakan sebagai inisial solusi layak dasar dari
masalah. perhitungan Fungsi tujuan awal diperkenalkan pada Tahap 2 dan prosedur simpleks biasa
digunakan untuk memecahkan masalah.
Table 3
cj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x4
33/10
-9/10
33/10
x1
1/10
-3/10
11/10
-1
x2
-4/5
2/5
1/5
-9/10
-13/10
zj-cj
Table 4
cj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x4
9/4
3/2
15/4
x1
3/4
-1/2
5/4
x5
5/2
-2
zj-cj
13/4
-7/2
1/2
154
Table 5
cj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x3
3/2
2/3
5/2
x1
3/2
1/3
5/2
x5
11/2
4/3
11/2
17/2
7/3
zj-cj
Sebuah hasil yang optimal adalah x1 = 5/2, x2 = 0, x3 = 5/2. Nilai optimal terkait dari fungsi tujuan
adalah z = 3 X (5/2) - 0 + 2 X (5/2) = 25/2.

155

Example 2
Maximize z = 12x1 + 15x2 + 9x3
subject to
8x1 + 16x2 + 12x3 250
4x1 + 8x2 + 10x3 80
7x1 + 9x2 + 8x3 = 105
x1, x2, x3 0
Solution.
Introducing slack, surplus & artificial variables
8x1 + 16x2 + 12x3 + x4 = 250
4x1 + 8x2 + 10x3 x5 + A1 = 80
7x1 + 9x2 + 8x3 + A2 = 105
Where:
x4 is a slack variable.
x5 is a surplus variable.
A1& A2 are artificial variables.
156

Phase 1
Maximize 0x1 + 0x2 + 0x3 + 0x4 + 0x5 + (A1) + (A2)
subject to
8x1 + 16x2 + 12x3 + x4 = 250
4x1 + 8x2 + 10x3 x5 + A1 = 80
7x1 + 9x2 + 8x3 + A2 = 105
x1, x2, x3, x4, x5, A1, A2 0
Equating x1, x2, x3, x5 to zero.
x4 = 250, A1= 80 , A2 = 105
Table 1
cj
-1
-1
cB
Basic variables
B
x1
x2
x3
x4
x5
A1
A2
Solution values
b (= XB)
x4
16
12
250
-1
A1
10
-1
80
-1
A2
105
-11
-17
-18
zjcj
157
TWO PHASE METHOD

Table
2
(CONT.)
cj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
A2
Solution
values
b (= XB)
x4
16/5
32/5
6/5
154
x3
2/5
4/5
-1/10
-1
A2
19/5
13/5
4/5
41
-19/5
-13/5
-4/5
zj-cj
Di sini, Tahap 1 berakhir karena kedua variabel buatan telah dihapus dari basis.
158

Phase 2
Table 3
cj
12
15
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x4
80/19
10/19
2270/19
x3
10/19
-7/38
70/19
12
x1
13/19
4/19
205/19
-39/19
33/38
zj-cj
Table 4
cj
12
15
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x4
-8
90
15
x2
19/10
-7/20
12
x1
-13/10
9/20
39/10
3/20
zj-cj

x1 = 6, x2 = 7, x3 = 0
z = 12 X 6 + 15 X 7 + 9 X 0 = 177.
159
Models Without Unique

Optimal Solutions
Infeasibility: Occurs when a model has no
feasible point.
Unboundness: Occurs when the objective can
become infinitely large (max), or infinitely
small (min).
Alternate solution: Occurs when more than
one point optimizes the objective function
160
SOME SPECIAL CASES

1. Unrestricted (unconstrained) Variables
Kadang-kadang variabel keputusan yang terbatas di tanda (positif, negatif atau nol). Dalam semua kasus
dimana variabel keputusan yang terbatas tersebut, variabel keputusan dapat dinyatakan sebagai
perbedaan antara dua variabel non-negatif. Sebagai contoh, jika x1 tidak dibatasi dalam tanda, maka
Put x1 = x1' - x1'
Example
subject to
-x1 + 2x2 4
x1 + x 2 6
x1 + 3x2 9
x1, x2 are unrestricted in sign
Solution.
Sejak x1 dan x2 yang tidak dibatasi dalam tanda, kita bisa menggantinya dengan variabel non-negatif x1'
, x1'', x2' , x2'' .
Put x1 = x1' - x1''
x2 = x2' - x2''
The given problem can be written as
Max. z = 2(x1' - x1'') + 3(x2' - x2'')
subject to
-(x1' - x1'') + 2(x2' - x2'') 4
(x1' - x1'') + (x2' - x2'') 6
(x1' - x1'') + 3(x2' - x2'') 9
161
SOME SPECIAL CASES (CONT.)

Introducing slack variables
Max. z = 2x1' - 2x1'' + 3x2' - 3x2''
subject to
-x1' + x1'' + 2x2' - 2x2'' + x3 = 4
x1' - x1'' + x2' - x2'' + x4 = 6
x1' - x1'' + 3x2' - 3x2'' + x5 = 9
Where x3, x4 and x5 are slack variables
Table 1
cj
cB
Basic
variables
B
x1
x3
0
0
zj-cj
-2
'
3
'
-3
x2''
x3
x4
x5
Solution
values
b (=XB)
x1''
x2
-1
-2
x4
-1
-1
x5
-1
-3
-2
-3
Key column = x2' column.

Minimum (4/2, 6/1, 9/3) = 2
Key row = x3 row.
Pivot element = 2
x3 departs and x2' enters.
162
SOME SPECIAL CASES

(CONT.)
Table 2
cj
-2
-3
cB
Basic
variables
B
x1
x1''
x2
x2''
x3
x4
x5
Solution
values
b (=XB)
x2'
-1/2
1/2
-1
1/2
x4
3/2
-3/2
-1/2
x5
5/2
-5/2
-3/2
-7/2
7/2
3/2
cj
-2
-3
cB
Basic
variables
B
x1
x1''
x2
x2''
x3
x4
x5
Solution
values
b (=XB)
x2'
-1
1/5
1/5
13/5
x4
2/5
-3/5
11/5
x1'
-1
-3/5
2/5
6/5
zj-cj
'
'
Table 3
zj-cj
'
'
-3/5
163
7/5
SOME SPECIAL CASES

(CONT.)
Table 4
cj
cB
Basic
variables
B
x1
x2'
0
2
zj-cj
-2
-3
x1''
x2
x2''
x3
x4
x5
Solution
values
b (=XB)
-1
-1/2
1/2
3/2
x3
5/2
-3/2
11/2
x1'
-1
3/2
-1/2
9/2
3/2
1/2
'
'

x1' = 9/2, x1'' = 0, x2' = 3/2, x2'' = 0.
Solution of the original problem is:
x1 = x1' - x1'' = 9/2 - 0 = 9/2
x2 = x2' - x2'' = 3/2 - 0 = 3/2
z = 2 X 9/2 + 3 X 3/2 = 27/2.
164

2. Unbounded Solution
Jika dalam proses perhitungan simplex zj - cj <0, tetapi nilai positif minimum adalah 0 maka masalah
memiliki solusi tak terbatas.
Example
Maximize 5x1 + 4x2
subject to
x1 7
x1 - x2 8
x1, x2 0.
Solution.
x1 + x 3 = 7
x1 - x2 + x 4 = 8
x1, x2, x3, x4 0.
Dengan x3 dan x4 variabel slack.
Table 1
cj
cB
Basic variables B
x1
x2
x3
x4
Solution values
b (=XB)
x3
x4
-1
-5
-4
zj-cj
165

Table 2
cj
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
x1
x4
-1
-1
-4
zj-cj
Sejak nilai positif minimum adalah tak terhingga, tidak mungkin untuk melanjutkan
perhitungan lebih lanjut dengan simpleks. Ini adalah kriteria untuk solusi tak terbatas.
3. No Feasible Solution
Jika dalam proses perhitungan simplex, satu atau lebih variabel buatan tetap di basis di
tingkat positif pada akhir fase 1 perhitungan, masalah tidak memiliki solusi yang layak.
Sebagai contoh, mari kita pertimbangkan masalah berikut.
166

Example
Maximise -200x1 - 300x2
subject to
2x1 + 3x2 1200
x1 + x2 400
2x1 + 3/2x2 900
x1, x2 0
Solution.
Setelah memperkenalkan slack, surplus dan variabel buatan persamaan disajikan
sebagai
Maximise -200x1 - 300x2

subject to
2x1 + 3x2 x3 + A1 = 1200
x1 + x2 + x4 = 400
2x1 + 3/2x2 x5 + A2 = 900
Dengan:
A1 dan A2 variables artificial.
x4 variable slack.
x3 dan x5 variables surplus.
167

The problem is solved by two phase method.
Phase 1
Maximise A1 A2
subject to
2x1 + 3x2 x3 + A1 = 1200
x1 + x2 + x4 = 400
2x1 + 3/2x2 x5 + A2 = 900
x1, x2, x3, x4, x5, A1, A2 0
Table 1
cj
-1
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
A1
A2
Solution
values
b (=XB)
-1
A1
-1
1200
x4
400
-1
A2
3/2
-1
900
-4
-9/2
zj-cj
168

Table 2
cj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
A2
Solution
values
b (=XB)
x2
2/3
-1/3
400
x4
1/3
1/3
-1
A2
1/2
-1
300
-1
-1/2
zj-cj
Table 3
cj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
x6
Solution
values
b (=XB)
x2
-1
-2
400
x1
-1
A2
-1/2
-3
-1
300
1/2
zj-cj
169
Dalam tabel di atas, solusi optimal masih mengandung variabel buatan A2 di basis pada tingkat positif, ini
menunjukkan bahwa masalah tidak memiliki solusi yang layak.

4. Multiple Optimal Solutions
Solusi optimal mungkin tidak unik, jika variabel non basic memiliki koefisien nol di baris
indeks (zj-cj). Ini berarti bahwa membawa variabel non dasar menjadi basis akan tidak
meningkatkan atau menurunkan nilai fungsi tujuan. Dengan demikian, masalah memiliki
beberapa solusi yang optimal (solusi optimal Alternatif).
Example
Maximize 2000x1 + 3000x2
subject to
6x1 + 9x2 100
2x1 + x2 20
x1, x 2 0
Solution.
After introducing slack variables, the corresponding equations are
6x1 + 9x2 + x3 = 100
2x1 + x2 + x4 = 20
x 1, x 2, x 3, x 4 0
Where x3 and x4 are slack variables.
170

Table 1
cj
2000
3000
cB
Basic variables
B
x1
x2
x3
x4
Solution values
b (=XB)
x3
100
x4
20
-2000
-3000
zj-cj
Table 2
cj
2000
3000
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
3000
x2
2/3
1/9
100/9
x4
4/3
-1/9
80/9
3000/9
zj-cj
Sejak zj-cj 0 untuk semua variabel, x1 = 0, x2 = 100/9 adalah solusi optimal dari masalah. Nilai
maksimum dari fungsi tujuan adalah 100000/3. Namun, nilai zj-cj sesuai dengan non basic variabel x1
171
adalah nol. Hal ini menunjukkan bahwa ada lebih dari satu solusi optimal dari masalah. Jadi, dengan
memasukkan x1 ke basis kita menerima solusi optimal alternatif lain.

cj
2000
3000
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
3000
x2
1/6
-1/2
20/3
2000
x1
-1/12
3/4
20/3
1000/3
zj-cj
Namun, nilai fungsi tujuan tidak akan membaik, meskipun solusi ini x1 = 0, x2 = 100/9
digeser ke x1 = 20/3 dan x2 = 20/3.
5. Degeneracy
Dalam beberapa kasus, mungkin ada ambiguitas dalam memilih variabel yang harus
diperkenalkan ke basis, yaitu, ada kesamaan antara rasio penggantian dua variabel. Untuk
mengatasi degenerasi, kita pilih salah satu dari mereka secara sembarangan.
Perhatikan contoh berikut.
Example
Maximize 3x1 + 9x2
subject to
x1 + 4x2 8
x1 + 2x2 4
172
x 1, x 2 0
Kasus degenerasi terjadi apabila pada tabel simplex

terdapat satu atau lebih BV yang bernilai nol. Hal ini
mengakibatkan iterasi yang dilakukan selanjutnya dapat
menjadi suatu loop yang akan kembali pada bentuk
sebelumnya. Kejadian ini dinamakan Cycling/Circling.
173
Pertanyaan yang timbul dari kasus ini selanjutnya adalah

mengapa kita tidak berhenti melakukan perhitungan
pada saat iterasi simplex menghasilkan suatu solusi yang
degenerate? Jawabannya ialah karena tidak semua
persoalan menghasilkan solusi degenerate yang tetap.
Artinya, ada persoalan yang pada suatu saat bersifat
degenerate, tetapi pada iterasi berikutnya degenarate
ini menghilang, hal ini biasanya dinamakan degenerate
temporer.
174
SOME SPECIAL CASES

(CONT.)
Solution.
After introducing slack variables, the corresponding equations are:
x1 + 4x2 + x3 = 8
x1 + 2x2 + x4 = 4
x1, x 2, x 3, x 4 0
Where x3 and x4 are slack variables.
Table 1
cj
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
x3
x4
-3
-9
zj-cj
Minimum positive value (8/4, 4/2) = (2, 2)

There is a tie between the two values. So you are at liberty to break the tie arbitrarily.
175

In the following material, we will consider both the cases.
Case I
x4 departs & x2 enters.
Table 2
cj
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
x3
-1
-2
x2
1/2
1/2
3/2
9/2
cj
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
x2
1/4
1/4
x4
1/2
-1/2
-3/4
9/4
zj-cj
x1 = 0, x2 = 2, z = 18
Case II
Table 2
zj-cj
176
SOME SPECIAL CASES

Table
3
(CONT.)
cj
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
x2
1/2
-1/2
x1
-1
3/2
3/2
zj-cj
x1 = 0, x2 = 2, z = 18
177
The Role of Sensitivity Analysis

the Optimal Solution
of
Is the optimal solution sensitive to changes in input parameters?
Possible reasons for asking this question:
Parameter values used were only best estimates.
Dynamic environment may cause changes.
What-if analysis may provide economical and operational information.
178
Sensitivity Analysis of
Objective Function Coefficients.
Range of Optimality
The optimal solution will remain unchanged as long as
An objective function coefficient lies within its range of optimality
There are no changes in any other input parameters.
The value of the objective function will change if the

coefficient multiplies a variable whose value is nonzero.
179
Reduced cost
Assuming there are no other changes to the input
parameters, the reduced cost for a variable Xj that
has a value of 0 at the optimal solution is:
The negative of the objective coefficient increase
of the variable Xj (-DCj) necessary for the variable
to be positive in the optimal solution
Alternatively, it is the change in the objective
value per unit increase of Xj.
Complementary slackness
At the optimal solution, either the value of a
variable is zero, or its reduced cost is 0.
180
Right-Hand Side Values
In sensitivity analysis of right-hand sides of

constraints we are interested in the following
questions:
Keeping all other factors the same, how much would

the optimal value of the objective function (for
example, the profit) change if the right-hand side of a
constraint changed by one unit?
For how many additional or fewer units will this per

unit change be valid?
181
Right-Hand Side Values
Any change to the right hand side of a binding constraint will change
the optimal solution.
Any change to the right-hand side of a non-binding constraint that is

less than its slack or surplus, will cause no change in the optimal
solution.
182
Shadow Prices
Assuming there are no other changes to the input

parameters, the change to the objective function value
per unit increase to a right hand side of a constraint is
called the Shadow Price
183
Sensitivity Report
Changes in Resources
The right-hand-side values of
constraint equations may change as
resource availability changes
The shadow price of a constraint is
the change in the value of the
objective function resulting from a
one-unit change in the right-handside value of the constraint
Changes in Resources
Shadow prices are often explained as
answering the question How much
would you pay for one additional unit
of a resource?
Shadow prices are only valid over a
particular range of changes in righthand-side values
Sensitivity reports provide the upper
and lower limits of this range
Changes in the
Objective Function
A change in the coefficients in the
objective function may cause a
different corner point to become the
optimal solution
The sensitivity report shows how
much objective function coefficients
may change without changing the
optimal solution point
Solving Minimization Problems

Formulated and solved in much the
same way as maximization problems
In the graphical approach an iso-cost
line is used
The objective is to move the iso-cost
line inwards until it reaches the
lowest cost corner point

Pertemuan Riset Operasi

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pertemuan Riset Operasi

Diunggah oleh

Hak Cipta:

Format Tersedia

Riset Operasi

Pemrograman Matematika (mathematical programming) adalah studi yang

Riset Operasi - Man. Persandian

Pengertian Program Linier (PL)

Masalah pemrograman linier berkaitan dengan

Pengertian Program Linier (PL)-2

Permasalahan PL harus memenuhi syarat berikut, yaitu:

Tujuan dapat dinyatakan dalam bentuk fungsi linier

Terdapat alternatif pemecahannya

Sumber-sumber yg tersedia, jumlahnya terbatas dan dapat dinyatakan

Riset Operasi - Man. Persandian

Bahkan, setiap organisasi menghadapi masalah mengalokasikan

Riset Operasi - Man. Persandian

Riset Operasi - Man. Persandian

Apa arti dari pemrograman

Riset Operasi - Man. Persandian

Riset Operasi - Man. Persandian

Riset Operasi - Man. Persandian

PENJELASAN TAHAPAN METHODE

(1) Tahap pertama, harus merumuskan atau

(2) Tahap kedua, berkenaan dengan

(3) Tahap ketiga, berkenaan dengan pemecahan

(4) Tahap keempat, melakukan pengujian atau

(5) Tahap kelima, merupakan tahap terakhir,

Pertimbangkan hal-hal berikut

Riset Operasi - Man. Persandian

Masalah General LP (LANUTAN)

Riset Operasi - Man. Persandian

Masalah General LP (LANUTAN)

Riset Operasi - Man. Persandian

Riset Operasi - Man. Persandian

Lp mengunakan model matematik untuk

Fungsi tujuan merupakan persamaan linear dari

Fungsi batasan menggambarkan batasan yang

Bentuk Umum PL.

am1X1 + am2X2 + .... + amnXn bm

Fungsi tujuan (FT) Maks / min Z C j X j

Z = nilai optimal dari fungsi tujuan

Cj = kenaikan nilai Z jika ada

aij = kebutuhan sumber daya I utk

bi = banyaknya sumber daya I yang

a,b,c disebut juga parameter model

m = jumlah sumber daya yang tersedia

Suatu struktur PL disebut Kanonik bila

Perubahan ke bentuk standar:

3.2 A Standard Form

Notation and terminology:

m = number of functional constraints

And the problem is ...............

Notation and terminology:

m = number of functional constraints

And the problem is ...............

Riset Operasi - Man. Persandian

MasalahProduk Mix (LANJUTAN)

Riset Operasi - Man. Persandian

Masalah Produk Mix (LANJUTAN)

Riset Operasi - Man. Persandian

Masalah Produk Mix (LANJUTAN)

Riset Operasi - Man. Persandian

Riset Operasi - Man. Persandian

Riset Operasi - Man. Persandian

masalah kemasan (LANJUTAN)

Riset Operasi - Man. Persandian

Merumuskan masalah pencampuran sebagai masalah pemrograman