(OPERATION RESEARCH)
Materi :
Linear Programming ( Programa Linier)
Formulasi dan Solusi Grafis
Metoda Simplex
Analisis Sensitivitas
Hubungan Dual-Primal
Transportation Model
Assignment Model
Inventory Model
Teory Antrian
Dynamic Programming
Literatur :
1. Taha, Hamdy A, “ Operation Research an Introduction “, Mac Millan,
1982
2. Templemen, “ Civil Engineering System “, Mac Millan, 1982
3. Ossenburgen, “ Systems Analysis for Civil Engineering
4. Winston, W.L, “ Operations Research, Aplication and Algorithms “,
Duxbury Press 3rd Edition 1993
5. Tj.T. Dimyati dan A Dimyati, “ Operations Research, Model-model
Pengambilan Keputusan “, Sinar Baru Bandung
PENGAMBILAN KEPUTUSAN
Jadi Aspek ilmu dlm PO terletak pada penyediaan teknik2 matematis dan
algoritma dlm pembuatan model untuk pengambilan keputusan.
Sedangkan Aspek Seni memperlihatkan bahwa keberhasilan dr model tadi
sebagian besar tergantung kpd kreativitas dan kemampuan penganalisis
maupun pengambil keputusan.
Sejarah Singkat Perkembangan PO
Pada masa Perang Dunia II, angkatan perang Inggris membentuk suatu
team yang terdiri dari ilmuan2 (termasuk sosiolog, psikolog)
Team ini bertujuan untuk melakukan penelitian tentang kebijakan penentuan
penggunaan sumber kemiliteran yang terbatas.
Karena team ini melakukan penelitian terhadap operasi militer, maka timbul
istilah “ Military Operations Research “
1. Objective (tujuan)
Hasil akhir yang ingin dicapai harus ditetapkan terlebih dahulu
Mis : dalam bidang usaha
Tujuannya adalah, untuk dapat memaksimumkan Profit atau
meminimumkan Cost
2. Variabel-variabel
Mengidentifikasi variabel variabel yang berpengaruh terhadap setiap
keputusan yang diambil
Pemecahan
Pemecahan Suboptimal,
Model adalah penyederhanaan dari keadaan atau situasi nyata yang sifat
dan karakteristiknya sangat komplek
Model semata mata merupakan alat peringkas masalah keputusan agar
semua alternatip keputusan dpt dgn mudah diidentifikasi dan dievaluasi
secara sistimatis. Keputusan diambil dgn memilih alternatip terbaik dari
seluruh alternatip yang mungkin.
4. Model Simulasi
Yaitu : Model yang meniru tingkah laku sistem yang mempelajari
interaksi antara komponen komponennya. Model ini terlalu komplek utk
dimodelkan dgn model matematis
6. Model Heuristik
Yaitu : Model pencarian yang didasarkan atas intuisi atau aturan empiris
dalam memperoleh solusi, karena sistem yang sangat komplek
5. Metodologi Programa Linier
Formulasikan
Model Matematis Buat persamaan Matematis
dari Persoalan Buat Model Simulasi untuk
hal yang rumit
Ya
Meng
implementasikan Menterjemahkan hasil
hasil study studi/
Perhitungan ke dalam
bahasa
Sehari hari
5. Programa Linier
Pt. Sayang Anak memproduksi dua jenis mainan yang terbuat dari kayu,
yang berupa boneka dan kereta api. Boneka dijual dengan harga Rp.
27.000/lusin, yang setiap lusinnya memerlukan biaya material sebesar Rp.
10.000 serta biaya tenaga kerja sebesar Rp. 14.000. Kereta api yang dijual
seharga Rp. 21.000/lusin memerlukan biaya material sebesar Rp. 9.000 dan
biaya tenaga kerja sebesar Rp. 10.000. Untuk membuat boneka dan kereta
api ini diperlukan dua kelompok tenaga kerja, yaitu tukang kayu dan tukang
poles. Setiap lusin boneka memerlukan 2 jam pemolesan dan 1 jam
pekerjaan kayu, sedangkan setiap lusin kereta api memerlukan 1 jam
pemolesan dan 1 jam pekerjaan kayu. Meskipun pada setiap minggunya
perusahaan ini dapat memenuhi seluruh material yang diperlukan, jam kerja
yang tersedia hanya 100 jam untuk pemolesan dan 80 jam untuk pekerjaan
kayu. Dari pengamatan pasar selama ini dapat dikatakan bahwa kebutuhan
akan kereta api tidak terbatas, tetapi untuk boneka tidak boleh lebih dari 40
lusin yang terjual tiap minggunya. Bagaimanakah formulasi dari persoalan
diatas untuk mengetahui berapa lusin jenis mainan masing masing yang
harus dibuat setiap minggu agar diperoleh keuntungan yang maksimum ?
Rangkuman persoalan
Variabel Keputusan
Adalah Variabel yang menguraikan secara lengkap keputusan keputusan
yang akan dibuat
Misalnya : x1 : Banyaknya Boneka yang harus dibuat
X2 : Banyaknya Kereta Api yang harus dibuat
Fungsi Tujuan
Merupakan fungsi dari variabel keputusan yang akan dimaksimumkan
(untuk mendapatkan keuntungan) atau diminimumkan (untuk ongkos)
Contoh
Fungsi tujuan : ingin memaksimumkan keuntungan/minggu
Sehingga Keuntungan/minggu
= (27 X1 + 21 X2) – (10 X1 + 9 X2) – (14 X1 + 10 X2)
= 3 X1 + 2 X2
Jadi Fungsi Tujuan yang disimbolkan dengan z adalah
Maksimumkan z = 3 X1 + 2 X2
Pembatas
Merupakan kendala yang dihadapi sehingga kita tidak bisa menentukan
harga variabel keputusan secara sembarang
Contoh :
Pembatas 1 : Setiap minggu tidak lebih dari 100 jam waktu pemolesan
yang dapat dipergunakan
Pembatas 2 : Setiap minggu tidak lebih dari 80 jam waktu pekerjaan
kayu yang dapat dipergunakan
Pembatas 3 : Karena permintaan terbatas, maka tidak lebih dari 40
lusin boneka yang dapat dibuat setiap minggu
Pembatas Tanda
Adalah pembatas yang menjelaskan apakah variabel keputusan
diasumsikan berharga non negatip atau tidak terbatas dalam tanda
Mis : X1 0
X1 0
7. Kesimpulan
Suatu fungsi f ( X1, X2, . . . , Xn ) dari X1, X2, . . . , Xn adalh fungsi linier jika
dan hanya jika untuk sejumlah set konstanta C 1, C2, . . . , Cn berlaku
hubungan f (X1, X2, . . . , Xn ) = C1 X1 + C2 X2 + . . . + Cn Xn
Contoh : f (X1, X2) = 2 X1+ X2
Untuk setiap fungsi linier f (X 1, X2, . . . , Xn ) dan setiap bilangan b,
ketidaksamaan f (X1, X2, . . . , Xn ) b dan f (X1, X2, . . . , Xn ) b adalah
merupakan pertidaksamaan linier
Contoh : 2 X1 + 3 X2 3
2 X1 + X2 3
Z/unit C1 C2 . . . Cn
Tingkat X1 X2 . . . Xn
Sumber = 1, 2, . . . , m
Aktivitas = 1, 2, . . . , n
Misalnya :
2. Pembatasnya bertanda
Contoh :
a11 X1 + a12 X2 + . . . + a1n Xn b1
3. Pembatasnya bertanda =
Contoh :
a11 X1 + a12 X2 + . . . + a1n Xn = b1
10. Istilah yang lebih umum dari model programa linier ini adalah
sbb :
1. Proportionality.
Asumsi ini berarti bahwa naik turunnya nilai z dan penggunaan sumber
atau fasilitas yg tersedia akan berubah secara sebanding (proportional)
dgn perubahan tingkat kegiatan
Sebagai contoh kita lihat kembali persoalan PT. Indah Gelas sebagai
berikut : Jika Xj = Xi adalah banyaknya produk 1 yg dibuat dalam 1
menit maka keuntungan untuk kegiatan ini adalah 3X 1. Jika Xj = 10 X1,
maka keuntungannya 30 X1 dan seterusnya.
2. Adivitas.
Asumsi ini menjamin bahwa total ongkos atau keuntungan adalah
jumlah dari ongkos ongkas atau keuntungan individual, dan total
kontribusi terhadap pembatas ke – i adalah jumlah kontribusi
individual dari kegiatan individual.
Contoh :
Apabila dalam satu menit dibuat produk 1 dan produk 2 masing 1
buah, maka keuntungan per menit yg diperoleh adalah $ 8.
3. Divisibilitas
Asumsi ini menjanjikan bahwa variabel keputusan dapat dibagi ke dalam
pecahan sehingga dapat diperoleh nilai non integer.
4. Deterministik (Certainty)
Asumsi ini menyatakan bahwa semua parameter yg terdapat dalam
model LP (aij,bij,cj) dapat diperkirakan dgn pasti, meskipun jarang dengan
tepat.
Tabel : Data jatah lahan maksimum, konsumsi air, dan hasil bersih
Masing masing jenis tanaman
Tebu X1 X2 X3
Kapas X4 X5 X6
Gandum X7 X8 X9
Karena yg menjadi ukuran keefektifannya (z) adalah hasil bersih total, maka
model program linier untuk persoalan ini adalah :
X1 + X4 + X7 = X2 + X5 + X8
400 600
X2 + X5 + X8 = X3 + X6 + X9
600 300
X3 + X6 + X9 = X31+ X4 + X7
300 400
5. Pembatas non negatif : XJ 0, J = 1,2,….,9
1 50 150
2 70 200
3 90 300
Karena perusahaan ini hanya memproduksi pipa pipa dengan ukuran
panjang standar (yaitu 200 inci), maka untuk dapat memnuhi pesanan
tersebut harus dilakukan pemotongan terhadap pipa pipa standar ini.
Ada 6 teknik pemotongan yg dapat dilakukan, yaitu :
50 0 2 2 4 1 0 150
70 1 1 0 0 2 0 200
90 1 0 1 0 0 2 300
Sisa pemotongan
yg tak terpakai 40 30 10 0 10 20
(inci)
Berdasarkan pembatas :
2X2 + 2X3 + 4X4 + X5 150
X1 + X2 + 10X5 200
X1 + X3 + 2 X6 300
Xj 0, j = 1,2,….6
Model ini dikenal juga dengan Model Programa Linier Reddy Mikks
Model ini dapat dipakai jika variabel fungsi (keputusan) nya hanya dua
Langkah-langkah penggunaan metoda grafik dapat ditunjukkan secara
ringkas sebagai berikut :
Penyelesaian :
Untuk memformulasikan model matematis dari persoalan ini, kita
tentukan x1 dan x2 sebagai jumlah unit dari produk 1 danproduk 2 yg
diproduksi per menit, dan kita tentukan pula z sebagai keuntungan yg
diperoleh per menit.
Dengan demikian maka x1 dan x2 menjadi variabel keputusan dari
model ini, dan tujuannya adalah memilih harga x1 dan x2 sehingga
diperoleh nilai maksimum dari :
z = 3x1 + 5x2
berdasarkan pembatas yg ada, yaitu kapasitas pabrik yg dapat digunakan
maksimumkan z = 3x1 + 5x2
berdasarkan pembatas :
x1 4
2x2 12
3x1 + 2x2 18
x1 0, x2 0
Peroalan diatas merupaka persoalan yg paling kecil karena hanya memiliki
dua buah variabel keputusan, sehingga hanya ada dua dimensi. Krena itu
untuk menyelesaikannya dapat digunkan grafis.
X2 2X2 = 12
X2 = 6
10 X1 = 4
3X1 + 2X2 = 18
8 3X1 + 2(0) = 18
3X1 = 18 X1 = 6
E D
2X2 = 12 3(0) + 2X2 = 18
6 2X2 = 18 X2 = 9
4 C
2 B
A 2 4 6 8 10 X1
Langkah terakhir yg harus kita lakukan adalah menentukan suatu titik pada
daerah fisibel yg dapat memaksimumkan harga z = 3X 1 + 5X2. Caranya ialah
dgn menggambarkan sebuah garis z yg mempunyai koefisien arah :
Tg = X2 = 3
X1 5
adalah sudut antara garis z dgn sumbu X1.
Setelah itu, buatlah garis lain yang sejajar dgn garis z sedemikian sehingga
garis tersebut dapat melalui titik sudut terjauh pada bidang ABCDE. Titik
sudut terjauh itu dinamakan titik optimum karena ia akan memberikan harga
(X1,X2) yg memaksimumkan z = 3X1 + 5X2
Titik D sebagai titik optimum
X2
10
Titik optimum (X1 = 2, X2 = 6)
8
6
E D
4
C
2 B
A 2 4 6 8 10 X1
z = 3X1 + 5X2
Harga (X1,X2) pada titik optimum diperoleh dengan cara menentukan titik
potong garis ED (pembatas 2) dgn garis CD (pembatas ke-3) sebagai
berikut :
2X2 = 12
3X1 + 2 X2 = 18
3X1 = -6
X1 = 6/3 = 2 X2 = 6
3. PT. Unilever bermaksud 2 jenis sabun yakni sabun bubuk dan sabun
batang. Untuk itu dibutuhkan 2 macam zat kimia yakni A dan B. Jumlah
zat kimia yg tersedia adalah A = 200 kg dan B = 360 kg.
Untuk membuat 1 kg sabun bubuk diperlukan 2 kg A dan 6 kg B. Untuk
membuat 1 kg sabun batang siperlukan 5 kg A dan 3 kg B. Bila
keuntungan yg akan diperoleh setiap membuat 1 kg sabun bubuk = $ 3 .
Sedangkan setiap 1 kg sabun batang = $ 2. Berapa kg jumlah sabun
bubuk dan sabun batang yg sebaiknya dibuat ?
Bentuk Standar
Bentuk Standar motoda ini formulasinya harus mempunyai sifat sbb :
Seluruh pembatas harus berbentuk persamaan ( bertanda = )
Seluruh variabel harus merupakan variabel non negatip
Fungsi tujuan dapat berupa maksimasi atau minimasi
3. Fungsi Tujuan
Fungsi maksimasi = minimasi dari negatif fungsi yang sama
Contoh :
Maksimumkan Z = 5X1 + 2X2 + 3X3 sama dengan
Minimumkan (-Z) = -5X1 - 2X2 - 3X3
Xi 0 ( i = 1, 2, …n )
Jika didefinisikan :
Definisi :
1. Solusi basis (Basis Solution)
Solusi basis untuk AX = b adalah solusi dimana terdapat sebanyak-
banyaknya m variabel non negatif.
Didapatkan dengan mengenolkan sebanyak ( n – m ) variabel.
2. Variabel Non Basis (NBV = Non Basis Variable)
Adalah variabel-variabel yang di nolkan ( NBV = n – m )
3. Variabel Basis (BV = Basis Variable)
Adalah variabel selain variabel non basis yang memenuhi AX = b.
( BV = n – NBV = n – (n-m) )
4. Solusi Basis Visibel (BFS = Basis Feasible Solution)
Terjadi apabila seluruh variabel pada solusi basis berharga non negatif.
5. Solusi Fisibel Titik Ekstrim
Adalah solusi fisibel yang tidak terletak pada suatu segmen garis yang
menghubungkan 2 solusi fisibel lainnya
Diagram Alur Metode Simplek
Inisialisasi dimulai dari titik ektrim (0,0)
Iterasi bergerak menuju titik ektrim terdekat yang memberikan hasil
yang lebih baik.
MULAI
INISIALISASI
ITERASI
TITIK
OPTIMUM
TERCAPAI
TIDAK
YA
STOP
Alogaritma Simplek Untuk Persoalan Maksimasi
Step penyelesaian
MULAI
Lakukan ERO
YA
Solusi Optimum
STOP
Contoh
Maksimumkan : Z = 60X1 + 30X2 + 20X3
Constrain : 8X1 + 6X2 + X3 48
4X1 + 2X2 + 1,5X3 20
2X1 + 1,5X2 + 0,5X3 8
X2 5
X1, x2, x3 0
Menghitung Rasio
Rasio adalah perbandingan antara ruas kanan dengan koefisien EV pada
setiap baris.
Rasio baris 1 adalah 48/8 = 6
Rasio baris 2 adalah 20/4 = 5
Rasio baris 3 adalah 8/2 = 4 (rasio terkecil)
Diperoleh :
NBV = { S3, X2, X3 }
BV = { Z, S1, S2, X1, S4 }
BFS Z = 240, S1 = 16, S2 = 4, X1 = 4, S4 = 5 dan
X2 = X3 = S3 = 0
Karena koefisien X3 masih negatif maka dengan cara yang sama diperoleh :
NBV = { S2, S3, X2 }
BV = { Z, S1, X3, X1, S4 }
BFS Z = 280, S1 = 24, X3 = 8, X1 = 2, S4 = 5 dan
S2 = S3 = X2 = 0
Tabel Simplex
X2
100
90
Titik Optimum
80
70
60
50
40
30
20
10
0
10 20 30 40 50 60 70 80 X1
Alogaritma Simplex untuk Persoalan Minimasi
Contoh :
Fungsi tujuan :
Minimumkan : Z = 2X1 - 3X2 Bentuk Standar
Constrain : X1 + X2 4 X1 + X2 + S1 = 4
X1 - X2 6 X1 - X2 + S2 = 6
X1, X2 0 X1, X2, S1, S2 0
-Z = 12
Z = -12 X1 = 0 X2 = 4
Cara 2
Z = -12 X1 = 0 X2 = 4
Kasus Khusus
1. Degenerasi
Terjadi apabila satu atau lebih variabel basis berharga nol ( b = 0 )
sehingga iterasi yang dilakukan akan menjadi suatu loop
Kejadian ini disebut cycling.
Contoh :
Maksimumkan: Z = 3X1 + 9X2 Bentuk Standar
Constraint : X1 + 4X2 8 X1 + 4X2 + S1 = 8
X1 + 2X2 4 X1 + 2X2 + S2 = 4
X1, X2 0 X1, X2, S1, S2 0
2. Degenerasi Temporer
Adalah kasus degenerasi yang bersifat sementara
Contoh :
Maksimumkan : Z = 3X1 + 2X2
Constraints : 4X1 + 3X2 12
4X1 + X2 8
4X1- X2 8
X1, X2 0
Bentuk Standar
Z - 3X1 - 2X2 = 0
4X1 + 3X2 + S1 = 12
4X1 + X2 + S2 = 8
4X1 - X2 + S3 = 8
X1, X2, S1, S2, S3 0
Tabel Simplex
Contoh :
Maksimumkan : Z = 2X1 + 4X2
Constrain : X1 + 2X2 5
X1 + X2 4
X1, X2 0
Bentuk Standar
Z - 2X1 - 4X2 = 0
X1 + 2X2 + S1 = 5
X 1 + X2 + S2 = 4
X1, X2, S1, S2 0
Tabel Simplex
Iterasi 1:
Z = 10 X1 = 0 X2 = 5/2
X1 yang merupakan NBV mempunyai koefisien = 0
Tambahan
Jika X1 dijadikan EV (dijadikan BV) solisi optmum tidak berubah Z = 10
sedangkan X1 = 3 , X2 = 1 (berubah).
Penyelesaian
Persoalan LP Dengan Pembatas bertanda = dan
Permasalahan :
Pembatas Bertanda =
Daerah visibel hanya merupakan segmen garis
Variabel Slack nya tidak ada sehingga tidak diperoleh solusi visibel
basis awal karena variabel basis awalnya tidak ada.
Pembatas Bertanda
Variabel slacknya berharga negatif sehingga tidak bisa dijadikan
variabel basis awal.
Pemecahannya :
Dengan menambahkan variabel artifisial sehingga variabel basis awal
tetap ada. Yang pada akhirnya variabel artifisial ini akan hilang sendiri
pada iterasi iterasi selanjutnya.
Contoh :
Fungsi Tujuan :
Maksimumkan : Z = 3X1 + 5X2
Constraints : X1 4
2X2 12
3X1 + 2X2 = 18
X1, X2 0
Bentuk Standar
Fungsi Tujuan :
Maksimumkan : Z = 3X1 + 5X2 -MR3
Constraints : X1 + S1 = 4
2X2 + S2 = 12
3X1 + 2X2 + R3 = 18
X1, X2, S1, S2, R3 0
Z = 36 dan X1 = 2 dan X3 = 6
Contoh :
Fungsi Tujuan :
Minimumkan : Z = 4X1 + X2
Constrain : 3X1 + X2 = 3
4X1 + 3X2 6
X1 + 2X2 4
X1, X2 0
Penyelesaian :
Bentuk Standar
Minimumkan : Z = 4X1 + X2 + MR1 + MR2
Constrain : 3X1 + X2 + R1 = 3
4X1 + 3X2 - S2 + R2 = 6
X1 + 2X2 + S3 = 4
Subtitusi
R1 = 3 - 3X1 - X2
R2 = 6 - 4X1 - 3X2 + S2
Cara lain yaitu tetap fungsinya meminimumkan tetapi BFS nya akan
optimal bila koefisien objectivenya berharga non positif (bukan non
negatif)
TEKNIK 2 FASE
Metoda lain utk menyelesaikan masalah PL yg pembatas bertanda = dan
adalah Metoda Teknik 2 Fase
Fase I
Fungsinya utk menguji apakah persoalan mempunyai solusi fisibel
atau tidak
Dilakukan dgn meminimumkan jumlah variable artifisialnya
Jika nilai minimum fungsi tujuan = 0, berarti ada solusi fisibelnya dan
Fase II
Solusi basis optimum pd Fase I digunakan sbg solusi basis awal
persoalan semula.
Contoh :
Fungsi Tujuan :
Maksimumkan : Z = 3X1 + 5X2
Constraints : X1 4
2X2 12
3X1 + 2X2 = 18
X1, X2 0
Bentuk Standar
Fungsi Tujuan :
Maksimumkan : Z = 3X1 + 5X2
Constraints : X1 + S1 = 4
2X2 + S2 = 12
3X1 + 2X2 + R3 = 18
X1, X2, S1, S2, R3 0
R3 = 18 –3X1 – 2X2
Fase I
Fungsi Tujuan :
Minimumkan : r = R3 atau r = 18 –3X1 – 2X2
Constraints : X1 + S1 = 4
2X2 + S2 = 12
3X1 + 2X2 + R3 = 18
X1, X2, S1, S2, R3 0
Fase II
Fungsi Tujuan :
Maksimumkan : Z = 3 (4-S1 )+ 5 (3+3/2S1 )
= 9/2 S1 + 27
Constraints : X1 + S1 = 4
3 S1 + S2 = 6
X2 - 3/2S1 =3
X1, X2, S1, S2, 0
Cat :
Variable variable artificial tdk diikut sertakan lagi pd Fase II.
Jika variable variable artificial berstatus BV yg berharga nol pd akhir Fase I
maka hrs dicegah utk memastikan bahwa variable tsb tdk akan berharga (+)
selama Fase II
Contoh :
Fungsi Tujuan :
Minimumkan : Z = 4X1 + X2
Constrain : 3 X 1 + X2 = 3
4X1 + 3X2 6
X1 + 2X2 4
X1, X2 0
Penyelesaian :
Bentuk Standar
Minimumkan : Z = 4X1 + X2
Constrain : 3X1 + X2 + R1 = 3
4X1 + 3X2 - S2 + R2 = 6
X1 + 2X2 + S3 = 4
X1, X2, S2, S3, R1, R2 0
Subtitusi
R1 = 3 - 3X1 - X2
R2 = 6 - 4X1 - 3X2 + S2
Fase I
Fungsi Tujuan :
Minimumkan : r = R1 + R2 = 3 - 3X1 -X2 + 6 – 3X1 – X2 + S2
= 9 - 7X1 - 4X2 + S2
r + 7X1 + 4X2 - S2 = 9
Constrain : 3X1 + X2 + R1 = 3
4X1 + 3X2 - S2 + R2 = 6
X1 + 2X2 + S3 = 4
X1, X2, S2, S3, R1, R2 0
Tabel Simplex
Fase II
Fungsi Tujuan
Minimumkam Z = 4 (3/5 - 1/5 S2 ) + (6/5 + 3/5 S2 )
= -1/5 S2 + 18/5 Z + 1/5 S2 = 18/5
Constrain : X1 + 1/5S2 = 3/5
X2 - 3/5 S2 = 6/5
S2 + S3 = 1
X1, X2, S2, S3, 0
Tabel Simplex
TEORI DUALITAS
Primal
Maksimumkan : Z = C1X1 + C2X2 + ….. + CnXn
Constrain : a11X1 + a12X2 + ….. + a1nXn b1
a21X1 + a22X2 + ….. + a2nXn b2
am1X1 + am2X2 + ….. + amnXn bm
X1, X2, ….Xn 0
Dual
Minimumkan : W = b1Y1 + b2Y2 + ….. + bmYm
Constrain : a11Y1 + a21Y2 + ….. + am1Ym c1
a12Y1 + a22Y2 + ….. + am2Ym c2
a1nY1 + a2nY2 + ….. + amnYm cn
Y1, Y2, ….Yn 0
Atau
Primal : Memaksimumkan Z = cX
AX b
X 0
Dual : Meminimumkan W = bT Y
A Y cT
Y 0
Contoh :
Buatlah dual dari persamaan primal berikut :
Primal :
Maksimumkan : Z = 60X1 + 30X2 + 30X3
Constrain : 8X1 + 6X2 + X3 48
4X1 + 2X2 + 1,5X3 20
2X1 + 1,5X2 + 0,5X3 8
X1, X2, X3 0
Bentuk standar
Maksimumkan : Z = 60X1 + 30X2 + 30X3 + 0S1 + 0S2 + 0S3
Constrain : 8X1 + 6X2 + X3 + S1 48
4X1 + 2X2 + 1,5X3 + S2 20
2X1 + 1,5X2 + 0,5X3 + S3 8
X1, X2, X3 , S1, S2, S3 0
Maka dualnya :
Minimumkan : W = 48Y1 + 20Y2 + 8Y3
Constrain : 8Y1 + 4Y2 + 2Y3 60
6Y1 + 2Y2 + 1,5Y3 30
Y1 + 1,5Y2 + 0,5Y3 20
Y1 0
Y2 0
Y3 0
Contoh : 1
Primal :
Maksimumkan : Z = X1 + 2X2 - 3X3 + 4X4
Constrain : X1 + 2X2 + 2X3 - 3X4 25
2X1 + X2 - 3X3 + 2X4 = 15
X1, X2, X3, X4 0
Bentuk standar
Maksimumkan : Z = X1 + 2X2 - 3X3 + 4X4 + 0S1 - MR2
Constrain : X1 + 2X2 + 2X3 - 3X4 + 0S1 = 25
2X1 + X2 - 3X3 + 4X4 + R2 = 15
X1, X2, X3, X4, S1, R2 0
Dual :
Minimumkan : W = 25Y1 + 15Y2
Constraints : Y1 + 2Y2 1
2Y1 + Y2 2
2Y1 - 3Y2 -3
-3Y1 + 2Y2 4
Y1 0
Y2 Tidak terbatas dalam tanda
Contoh : 2
Primal :
Minimumkan : Z = 5X1 - 2X2
Constrain : -X1 + X2 -3 X1 - X2 3
2X1 + 3X2 5
X1, X2 0
Bentuk Standar
Minimumkan : Z = 5X1 - 2X2 + 0S1 + 0S2
Constrain : -X1 + X2 + S1 = 3
2X1 + 3X2 + S2 = 5
X 1 - X2 3
X1, X2, S1, S2 0
Dual :
Maksimumkan : W = 3Y1 + 5Y2
Constrain : Y1 + 2Y2 5 -Y1 + 3Y2 -2
Y1 0
Y2 0
Contoh : 3
Primal :
Maksimumkan : Z = 5X1 + 6X2
Constrain : X1 + 2X2 = 5
-X1 + 5X2 3
X1 - 5X2 -3
4X1 + 7X2 8
X1 tidak terbatas dalam tanda
X2 0
X1 = X1’ - X1’’
Bentuk Standar
Maksimumkan : Z = 5X1’ - 5X1’’ + 6X2 + 0S2 + 0S3 - MR1 - MR2
Constrain : X1’ - X1’’ + 2X2 + R1 = 5
-X1’ + X1’’ + 5X2 - S2 + R3 = 3
4X1’ - 4X1’’ + 7X2 + S3 = 8
X1, X2, S2, S3, R1, R2 0
Dual :
Minimumkan : Z = 5Y1 - 3Y2 + 8Y3
Constrain : Y1 - 2Y2 + 4Y3 5
-Y1 + Y2 - 4Y3 -5
2Y1 + 5Y2 + 7Y3 6
Y1 tidak terbatas dalam tamda
-Y2 0 Y2 0
Y3 0