PENELITIAN OPERASIONAL

(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

1. Penelitian Operasional (PO) sebagai Ilmu dan Seni

PO merupakan suatu usaha penentuan arah tindakan terbaik (optimum) dari

beberapa altenatip tindakan yang mungkin dan bersaing dari sebuah model
keputusan dgn sumber daya yang terbatas.

PO menggunakan teknik matematis untuk membuat model dan

menganalisis masalah pengambilan keputusan.

Keberadaan unsur Manusia dlm lingkungan keputusan merupakan factor

utama disamping beberapa factor lain yang sulit diterjemahkan dalam model
matematis, sehingga membuat model menjadi tidak paktis/kurang tepat.
Contoh : Kasus Elevator (lambatnya elevator disebuah bangunan besar).

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 “

Jejak ini selanjutnya diikuti oleh Angkatan Perang Amerika dengan

membentuk team yang disebut dengan “ Operations Research Team “
Selanjutnya metoda ini dikembangkan untuk keperluan dunia Industri dan
bidang bidang lain seperti; Perguruan Tinggi, Konsultan, Rumah Sakit,
Perencanaan Kota, dll

2. Komponen Utama Persoalan Keputusan

Munculnya persoalan-persoalan keputusan disebabkan karena seorang

mengambil keputusan sering dihadapkan pada beberapa alternatif (pilihan)
tindakan yang harus dilakukan.

Dalam menyelesaikan persoalan yang berkaitan dgn pengambilan

keputusan ini harus diidentifikasikan lebih dahulu dua komponen utama,
yaitu :

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

Seorang PM yang berkantor di Jkt hrs mengunjungi proyeknya di Pnk, dgn

jadwal 1x /minggu. Rencanaya PM akan berangkat hari Senin dan kembali
ke Jkt pd hari Rabu. Selama bulan Promosi perusahaan penerbangan
menawarkan tiket dgn sbb :
Harga tiket dr arah apapun Rp. 400.000,- harga tiket PP pd minggu yang
sama dpt discon 20% sdgkan jika pd minggu yang berbeda disconnya 25%.
Jika PM berencna akan mengunjungi Proyeknya sebanyak 6x. Berapa
alternatip keputusan dpt diambil dan berapa biaya yg paling optimal ?

Pemecahan
Pemecahan Suboptimal,

terjadi apabila tidak semua alternatip keputusan yang mungkin

dipertimbangkan dalam pengambilan peputusan. Dalam beberapa situasi,
identifikasi semua pemecahan masalah (alternatip keputusan) memerlukan
biaya yg mahal dan tdk mungkin. Sehingga kita tdk punya pilihan selain
mengambil keputusan dlm tataran pemecahan yg sub optimal.

3. Model-model Dalam Penelitian Opersional

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.

Beberapa jenis Model antara lain :

1. Model Inkonis / Fisik

Yaitu : Penggambaran fisik suatu sitem dalam suatu skala tertentu
Contoh : foto, gambar kerja, peta, globe, dll

2. Model Analog / Diagramatis

Yaitu : Model yang menganalogikan karakteristik suatu keadaan
Contoh : Kurva, Flow chart, dll

3. Model Symbolis / Matematis

Yaitu : Penggambaran keadaan nyata dalam symbol 2 matematis
Contoh : Persamaan dan Pertidaksamaan

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

5. Model Probabilistik / Stokastik

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

Memformulasikan Difinisikan persoalan

Persoalan Spesifikasikan tujuan

Kumpulkan data data

Observasi Sistem
Estimasi parameter
parameter yang
berpengaruh

Formulasikan
Model Matematis Buat persamaan Matematis
dari Persoalan Buat Model Simulasi untuk
hal yang rumit

Evaluasi Apakah model sudah

tidak
Model Menggambarkan keadaan
nyata

Ya

Meng
implementasikan Menterjemahkan hasil
hasil study studi/
Perhitungan ke dalam
bahasa
Sehari hari

5. Programa Linier

Programa linier adalah suatu cara untuk menyelesaikan persoalan

pengalokasian sumberdaya yang terbatas diantara beberapa aktivitas yang
bersaing, dengan cara terbaik yang mungkin dilakukan.
Programa Linier menggunakan model matematis untuk menjelaskan
persoalan yg dihadapi. Sifat “Linier” disini memberi arti bahwa seluruh fungsi
matematis dalam model ini merupakan fungsi fungsi yg linier. Kata
“programa” tidaklah berhubungan dengan programa komputer, tetapi
merupakan sinonim untuk “perencanaan”.

Jadi Programa linier adalah perencanakan aktivitas aktivitas untuk

memperoleh suatu hasil yg optimum, yaitu suatu hasil yg mencapai tujuan
terbaik (berdasarkan model matematisnya) diantara seluruh alternatif yg
feasibel.
Contoh :

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

Object yang dijual Boneka Kereta api

(per lusin) (per lusin)
Harga jual Rp. 27.000 Rp. 21.000
Biaya Material Rp. 10.000 Rp. 9.000
Biaya Tenaga kerja Rp. 14.000 Rp. 10.000
Lama Pek. Pemolesan 2 jam 1 jam
Lama Pek. Kayu 1 jam 1 jam

Material tak terbatas sedangkan waktu kerja sbb;

Pemolesan : 100 jam /minggu
Kayu : 80 jam /minggu
Pengamatan pasar : kebutuhan boneka < 40 lusin/minggu
: kereta api tidak terbatas

Bagaimana Formulasi dari Persoalan diatas ?

(Berapa lusin Boneka dan Kereta api harus diproduksi setiap minggu) agar
diperoleh keuntungan maksimum
6. Karakteristik yang biasa dipakai dalam persoalan Programa Linier

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

Keuntungan = Pendapatan/minggu – Ongkos material/minggu –

Ongkos tenaga kerja/minggu

Pendapatan = Pendapatan/minggu dari Boneka +

/minggu Pendapatan/minggu dari Kereta Api.
27 X1 + 21 X2 ( dalam Ribuan Rupiah )

Ongkos = Ongkos material Boneka + Ongkos material

material/minggu Kereta Api
10 X1 + 9 X2

Onkos Tenaga = Ongkos tenaga kerja Boneka + Ongkos tenaga

Kerja/minggu kerja kereta api
14 X1 + 10 X2

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

Jadi Koefisien Teknologis

Pembatas 1 = 2X1 + X2  100
Pembatas 2 = X1 + X2  80 Ruas Kanan
Pembatas 3 = X1  40 Pembatas

Pembatas Tanda
Adalah pembatas yang menjelaskan apakah variabel keputusan
diasumsikan berharga non negatip atau tidak terbatas dalam tanda
Mis : X1  0
X1  0

Dengan demikian Formulasi lengkap dari persoalan PT. Sayang Anak

adalah :
Fungsi tujuan
Maksimumkan z = 3 X1 + 2 X2
Constraint
2X1 + X2  100
X1 + X2  80
X1  40
X1  0
X1  0

7. Kesimpulan

Persoalan Programa linier adalah suatu persoalan optimasi dimana kita

melakukan hal-hal sebagai berikut :

1. Berusaha memaksimumkan atau menimimumkan suatu fungsi linier

dari variabel-variabel keputusan yang disebut fungsi tujuan
2. Harga/ besaran dari variabel variabel keputusan itu harus memenuhi
suatu set pembatas. Setiap pembatas harus merupakan persamaan
linier atau pertidaksamaan linier
3. Suatu pembatas tanda dikaitkan dengan setiap variabel. Untuk setiap
variabel X1, pembatas tanda akan menunjukan apakah X 1 harus non
negatip ( X1  0) atau X1 tidak terbatas dalam tanda

8. Difinisi Fungsi Linier

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

9. Bentuk Standar dari Persoalan Programa Linier

adalah bagaimana menghasilkan sejumlah ( m buah ) sumberdaya terbatas

diantara sejumlah ( n buah ) aktivitas yang bersaing
untuk itu persoalan dapat dibuat dalam bentuk tabel sbb :

Aktivitas Penggunaan Sumber/unit Banyaknya Sumberdaya

Sumber 1 2 . . . n yang digunakan
1 a11 a12 . . . a1n b1
2 a21 a22 . . . a2n b2
. . . . .
. . . . .
. . . . .
m am1 am2 . . . amn bm

Z/unit C1 C2 . . . Cn
Tingkat X1 X2 . . . Xn

Sumber = 1, 2, . . . , m
Aktivitas = 1, 2, . . . , n

XJ = tingkat keputusan yang merupakan variabel keputusan

CJ = koefisien keuntungan (ongkos ) per unit
bI = jumlah sumberdaya yang dapat dipergunakan
j = 1, 2, . . . , n
I = 1, 2, . . . , m

aIJ = banyaknya sumber I yang digunakan/ dikonsumsi oleh masing

masing unit aktivitas J
Z = ukuran keefektipan yang dipilih

Jadi formulasi model matematisnya dapat dituliskan sbb :

Fungsi Tujuan :
Maksimumkan z = C1 X1 + C2 X2 + . . . + Cn Xn

Dengan pembatas a11 X1 + a12 X2 + . . . + a1n Xn  b1

a21 X1 + a22 X2 + . . . + a2n Xn  b2
. . . .
. . . .
. . . .
am1 X1 + am2 X2 + . . . + amn Xn  bm
dan
X1  0, X2  0, . . . Xn  0
Formulasi diatas dinamakan sebagai “ Bentuk Sandar “ dari Persoalan
Programa Linier, selain bentuk ini ada pula Programa linier dengan bentuk
yang agak lain

Misalnya :

1. Fungsi tujuan bukan memaksimumkan, melainkan meminimumkan

Contoh :
minimumkan z = C1 X1 + C2 X2 + . . . + Cn Xn

2. Pembatasnya bertanda 
Contoh :
a11 X1 + a12 X2 + . . . + a1n Xn  b1

3. Pembatasnya bertanda =
Contoh :
a11 X1 + a12 X2 + . . . + a1n Xn = b1

4. menghilangkan pembatas non negatip untuk beberapa varibel keputusan

Contoh :
XJ tidak terbatas dalam tanda, untuk beberapa harga j

10. Istilah yang lebih umum dari model programa linier ini adalah
sbb :

1. Fungsi yg dimaksimumkan, yaitu C1X1 + C2X2 + … +CnXn , disebut

sebagai fungsi tujuan.
2. Pembatas pembatas disebut sebagai konstrain.
3. Sebanyak m dibuat konstrain pertama sering disebut sebagai
konstrain fungsional
4. Pembatas X1 adalah variabel keputusan.
5. Variabel Xj adalah variabel keputusan.
6. Konstanta konstanta aij ,bi dan cj adalah parameter parameter
model.

11. Asumsi – asumsi Program Linier

Untuk menunjukkan masalah optimasi sebagai programa linier, diperlukan

beberapa asumsi yg terkandung dalam formulasi programa linier.
Asumsi asumsi itu adalah :

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.

12. Contoh Lain Persoalan Programa Linier

Untuk melengkapi gambaran/pemahaman tentang persoalan persoalan yg

dapat diselesaikan degan programa linier, berikut ini beberapa contoh sbb :

Masalah Perencanaan Regional :

Untuk menyukseskan pelaksanaan transmigrasi di Kabupaten Kubu Raya,
pemerintah merencanakan membuka lahan baru yg dapat ditinggali
sekaligus dijadikan areal pertanian.
Ada 3 daerah yg dapat dibuka, yaitu daerah 1,2 dan 3. Hasil pertanian
masing masing daerah tersebut dibatasi oleh dua hal, yaitu luas tanah yg
dialiri air dari irigasi dan banyaknya air yg dapat dialokasikan untuk irigasi
tersebut, seperti diperlihatkan oleh tabel berikut :

Daerah Luas Tanah Alokasi air irigasi

(hektar) (m3)
1 400 600
2 600 800
3 300 375
Tabel : Data luas tanah dan alokasi air yg dapat digunakan
didaerah 1,2 dan 3

Jenis tanaman yg dapat dikembangkan di daerah-daerah ini meliputi tebu,

kapas dan gandum, yg satu sama lain berbeda dalam hal hasil bersih per
hektar serta jumlah air yg dikonsumsinya. Disamping itu, ada ketentuan dari
menteri pertanian mengenai jatah lahan maksimum yg dapat digunakan
untuk masing masing jenis tanaman. Data ketiga hal diatas diperlihatkan
pada tabel.
 Jenis Jatah Lahan Maksimum Konsumsi Air Hasil Bersih
Tanaman (hektar) (m3) (Ribu Rp/Ha)

Tebu 600 3 400

Kapas 500 2 300
Gandum 325 1 100

Tabel : Data jatah lahan maksimum, konsumsi air, dan hasil bersih
Masing masing jenis tanaman

Kepala Daerah Kubu Raya sepakat untuk menggunakan luas tanah yg

dapat dialiri sebagai lahan pertanian dgn proporsi yg sama, tetapi jenis
tanamannya boleh merupakan kombinasi dari ketiganya. Yang menjadi
persoalan disini adalah menetapkan berapa hektar tanah yg harus
disediakan untuk masing masing jenis tanaman pada masing masing
daerah, sehingga diperoleh hasil bersih maksimum tanpa melanggar
pembatas pembatas yang telah ditetapkan.

Untuk menyelesaikan persoalan diatas, kita tetapkan X j sebagai variabel

keputusan yg menyatakan luas tanah untuk masing masing jenis tanaman
pada masing masing daerah (j = 1,2,….9), seperti diperlihatkan pada tabel.

Daerah Alokasi (hektar)

Tanaman 1 2 3

Tebu X1 X2 X3
Kapas X4 X5 X6
Gandum X7 X8 X9

Tabel : Variabel – Variabel Keputusan

Karena yg menjadi ukuran keefektifannya (z) adalah hasil bersih total, maka
model program linier untuk persoalan ini adalah :

Maksimumkan z = 400 (X1 + X2 + X3) + 300 (X4 + X5 + X6) + 100(X7 + X8 + X9)

Berdasarkan pembatas – pembatas :
1. Luas Tanah : X1 + X4 + X7  400
X2 + X5 + X8  600
X3 + X6 + X9  300

2. Air : 3X1 + 2X4 + X7  600

3X2 + 2X5 + X8  800
3X3 + 2X6 + X9  375
3. Jatah lahan : X1 + X4 + X7  600
X2 + X5 + X8  500
X3 + X6 + X9  325

1. Persetujuan Kepala daerah :

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

Untuk menyempurnakan bentuk model programa linier ini maka pembatas 4

(persetujuan kepala daerah) harus diubah bentuknya menjadi :

3(X1 + X4 + X7 ) – 2(X2 + X5 + X8) = 0

(X2 + X5 + X6 ) – 2(X3 + X6 + X9) = 0
4(X3 + X6 + X9 ) – 3(X1 + X4 + X7) = 0

Dengan menggunakan metode simplek (akan dibicarakan pada bab

berikutnya), persoalan ini dapat diselesaikan dgn solusi terbaik sbb :

Daerah Alokasi terbaik (hektar)

Tanaman 1 2 3

Tebu 133 1/3 100 25

Kapas 100 250 150
Gandum 0 0 0

Tabel : Solusi optimum untuk persoalan regional

Contoh diatas menunjukkan bagaimana terjadinya persamaan persamaan

pembatas dalam persoalan programa linier.

Masalah Sisa Pemotongan

Perusahaan pipa PVC bergerak dalam produksi pipa pipa plastik dengan
ukuran panjang standar 200 inci. Suatu ketika perusahaan ini mendapat
pesanan berupa pipa pipa dengan ukuran panjang yg tidak standar, yaitu
50, 70, dan 90 inci dengan jumlah pesanan masing masing sbb :

Pesanan Panjang Pipa Kebutuhan

(inci) (batang)

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 :

1. Pipa dipotong menjadi panjang 70 dan 90 inci, sisa yg tidak terpakai

dgn cara ini adalah 40 inci.
2. Dipotong menjadi 50, 50, dan 70 inci, sisa 30 inci
3. Dipotong menjadi 50, 50, dan 90 inci, sisa 10 inci
4. Dipotong menjadi 50, 50, 50, dan 50 inci, sisa 0
5. Dipotong menjadi 50, 70 dan 70 inci , sisa 10 inci
6. Dipotong menjadi 90 dan 90 inci, sisa 20 inci

Yg menjadi persoalan disini adalah menetapkan kombinasi teknik

pemotongan yg harus dilakukan sehingga seluruh jenis pesanan dapat
terpenuhi tetapi dengan meninggalkan sisa yang tidak terpakai sekecil-
kecilnya.

Untuk memformulasikan persoalan diatas sebagai persoalan programa

linier, kita tetapkan Xj sebagai variabel keputusan yang menyatakan
banyaknya pipa standar yg akan dipotong dgn teknik pemotongan ke-i (j =
1,2,….,6). Keenam teknik pemotongan dan hasilnya masing masing dapat
digambarkan sbb :

Panjang yg Teknik-teknik Pemotongan Kebutuhan

Diinginkan (inci) 1 2 3 4 5 6 (batang pipa)

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)

Proses pemotongan terhadap pipa standar ini tidak akan dihentikan

sebelum jumlah yg dibutuhkan untuk masing masing ukuran terpenuhi. Oleh
karena itu, bisa terjadi kelebihan jumlah hasil pemotongan untuk masing
masing ukuran tsb. Dengan kata lain, hasil pemotongan untuk masing
masing ukuran tsb akan lebih besar atau sama dgn jumlah yg dibutuhkan
untuk masing masing ukuran.

Karena kita harus meminimumkan sisa pemotongan yang terjadi dengan

memperhatikan kebutuhan masing masing jenis pesanan, maka formulasi
model programa linier diatas adalah :

Minimumkan z = 40X1 + 30X2 + 10X3 + 10X5 + 20 X6

Berdasarkan pembatas :
 2X2 + 2X3 + 4X4 + X5  150
X1 + X2 + 10X5  200
X1 + X3 + 2 X6  300

Xj  0, j = 1,2,….6

Bentuk formulasi diatas (mempunyai fungsi tujuan minimasi dengan

pembatas bertanda  )

13. Solusi Grafis dari Model Programa Linier

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 :

a. Memplotkan grafik berdimensi 2 dengan variabel keputusan

sebagai sumbu sumbu nya
b. Mengidentifikasi harga harga variabel keputusan yang
memenuhi pembatas pembatas yang ada
c. Pembatas non negatip menyebabkan solusi berada pada
kwadran pertama
d. Menentukan titik titik ekstrem dan daerah yang mungkin
(feasible)
 Daerah yang mungkin (feasible)
adalah : set dari seluruh titik yang memenuhi seluruh pembatas
yang ada
 Titik ekstem
adalah : titik pada daerah fisible yang merupakan titik potong
antara garis pembatas
e. Memplotkan grafik fungsi tujuan
f. Memaksimumkan atau meminimumkan fungsi tujuan dengan
menggeser geser grafik fungsi tujuan kearah maksimum atau kearah
minimum

14. Contoh Solusi Grafis untuk Persoalan Maksimasi

A. Perhatikan Contoh PT. Sayang Anak

Fungsi tujuan
Maksimumkan z = 3 X1 + 2 X2
Constraint
2X1 + X2  100
X1 + X2  80
X1  40
X1  0
X1  0
Contoh Persoalan Programa Linier Sbb :

PT. Indah Gelas adalah suatu perusahaan yg memproduksi kaca

berkualitas tinggi untuk digunakan sebagai jendela dan pintu kaca.
Perusahaan ini memiliki tiga buah pabrik, yaitu Pabrik 1 yg membuat bingkai
aluminium, Pabrik 2 yg membuat bingkai kayu, dan Pabrik 3 yg digunakan
untuk memproduksi kaca dan merakit produk keseluruhan. Saat ini
perusahaan mendapat pesanan berupa dua macam produk baru yang
potensial, yaitu pintu kaca setinggi 8 kaki dengan bingkai aluminium (produk
1), dan jendela berukuran 4 x 6 kaki dgn bingkai kayu (produk 2). Karena
perusahaan itu mengalami penurunan pendapatan sebagai akibat krisis
moneter, maka pimpinan perusahaan merasa perlu untuk
memperbaiki/mengubah lintasan produksinya dgn cara menghentikan
pembuatan beberapa produk yg tidak menguntungkan sehingga kapasitas
produksi dapat digunakan untuk membuat salah satu atau kedua produk
baru yg potensial tsb.
Kepala bagian pemasaran telah menyimpulkan bahwa perusahaan
harus dapat menjual kedua produk itu sebanyak-banyaknya, yaitu sejumlah
yg dapat dibuat dgn kapasitas yg ada. Akan tetapi karena kedua produk itu
akan bersaing untuk menggunakan kapasitas produksi yg sama di pabrik 3,
maka persoalannya ialah : Berapa banyakkah masing produk dibuat
sehingga diperoleh keuntungan terbaik ?
Untuk menyelesaikan persoalan diatas, terlebih dahulu harus dicari
data mengenai :
2. Persentase kapasitas produksi masing pabrik yang dapat digunkan
untuk kedua macam produk tsb.
3. Persentase kapasitas yg diperlukan oleh masing produk setiap unit
yg diproduksi per menit.
4. keuntungan per unit untuk masing produk.
Informasi mengenai ketiga hal diatas diberikan pada tabel berikut :

Tabel : Data untuk PT. Indah Gelas

Produk Kapasitas yg digunkan Kapsitas yg

per unit ukuran dapat
Pabrik produksi digunakan
1 2
1 1 0 4
2 0 2 12
3 3 2 18
Keuntungan $3 $5
per unit

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

ABCDE adalah daerah fisibel untuk (X1,X2)

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

Sehingga diperoleh harga , X1 = 2 dan X2 = 6

Dengan demikian solusi optimum dari persoalan PT. Indah Gelas ini ialah
bahwa perusahaan harus membuat produk 1 sebanyak 2 unit per menit, dan
produk 2 sebanyak 6 unit per menit dengan keuntungan yg dapat diperoleh
sebesar z = 3(2) + 5(6) atau sebesar $ 36 per menit.

Soal-Soal Latihan (PR)

1. Persamaan matematis suatu programa linier adalah sbb :

Maksimasi z = 3X1 + 2X2
Dengan pembatas :
4X1 + 5X2  60
2X1 + 2X2  30
X1 ,X2  0
Carilah harga X1 dan X2 (Cara Grafis)

2. Persamaan matematis suatu programa linier adalah sbb :

Minimasi z = 7X1 + 7.5X2
Dengan pembatas :
7X1 + 3X2  210
6X1 + 12X2  180
4X2  120
X1,X2  0
Carilah harga X1 dan X2 (Cara Grafis)

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 ?

4. Sebuah Perusahaan film sedang membuat rencana kegiatan untuk Tahun

yg akan datang. Ada 2 jenis yg akan dibuat yakni film untuk TV dan film
untuk gedung. Biaya pembuatan film TV adalah sebesar Rp. 750.000,00
sedangkan biaya pembuatan film gedung adalah Rp. 2.000.000,00
sebuah. Film TV dapat dijual dengan harga Rp. 1.250.000,00 sedangkan
film gedung dapat dijual dgn harga Rp. 3.000.000,00 sebuah.
 Waktu equivalent yg dibutuhkan untuk membuat sebuah film TV = 12
minggu, sedangkan untuk film gedung adalah = 30 minggu. Waktu
equivalent yg tersedia selama Tahun yg akan datang adalah 600 minggu
( 1 tahun = 50 minggu, terdapat 12 alat, jadi waktu equivalent = 50 x 12 =
600 minggu )
Bila dana yg tersedia adalah sebesar Rp. 25.000.000,00 berapa jumlah
masing jenis film yg harus dibuat ?

5. Sebuah Perusahaan meubel bermaksud membuat 2 jenis produk yakni

lemari pakaian dan tempat tidur. Keuntungan setiap lemari pakaian
adalah sebesar Rp. 60.000,00 , sedangkan bila membuat tempat tidur
keuntungannya adalah sebesar Rp. 50.000,00 sebuah.
Pembuatan kedua produk tersebut harus melalui 2 unit kerja yakni unit
kerja 1 dan unit kerja 2. Jam kerja tersedia pada unit kerja 1 adalah 40
jam/minggu sedangkan pada unit kerja 2 adalah 50 jam/minggu.
Setiap lemari pakaian membutuhkan waktu 2 jam pada unit kerja 1 dan 1
jam pada unit kerja 2, sedangkan setiap tempat tidur memerlukan waktu
1.25 jam pada unit kerja 1 dan 1 jam pada unit kerja 2. Berapa jumlah
lemari pakaian dan tempat tidur yg sebaiknya dibuat setiap minggu ?

Penyelesaian Soal – soal PR

1. Maksimasi z = 3X1 + 2X2
Dengan pembatas :
4X1 + 5X2  60
2X1 + 2X2  30
X1 ,X2  0
METODA SIMPLEK

Merupakan prosedur aljabar yang bersifat iteratip, bergerak selangkah demi

selangkah mulai titik ekstrem (0.0) atau starting solution ke titik ekstrem
terdekat yang memberikan solusi yang lebih baik sampai pada titik ekstrem
yang memberikan solusi optimum.

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

Membuat Bentuk Standar Metoda Simplek

1. Constraint
  tambah variabel slack  menjadi =
  kurangi variabel slack  menjadi =
Ruas kanan (-) dikalikan (-1)  menjadi (+)
Ruas kiri bertanda mutlak diubah menjadi 2 pertidaksamaan
Contoh
 X1 + 2X2  6  X1 + 2X2 + S1 = 6
S1  0
Jika pembatas ini menyatakan batas penggunaan suatu sumber,
maka S1 menyatakan banyaknya sumber yang tak terpakai.

 3X1 + 2X2 – 3X3  5  3X1 + 2X2 – 3X3 - S1 = 5

S1  0
 2X1 - 3X2 – 7X3 = - 5  -2X1 + 3X2 + 7X3 = 5
  X1 + 2X2   6  X1 + 2X2  6  X1 + 2X2 + S1 = 6
S1  0
 X1 + 2X2  -6  - X1 - 2X2  6
 -X1 - 2X2 + S1 = 6
 S1  0
2. Variabel
Variabel Yi yang tak terbatas tanda dapat dinyatakan sebagai 2 variabel
non negatif dengan subtitusi sebagai berikut :
Yi = Yi‘ - Yi’’  Yi‘, Yi’’  0

3. Fungsi Tujuan
Fungsi maksimasi = minimasi dari negatif fungsi yang sama
Contoh :
Maksimumkan Z = 5X1 + 2X2 + 3X3 sama dengan
Minimumkan (-Z) = -5X1 - 2X2 - 3X3

Perhatikan Program Model Linier :

Fungsi Tujuan :
Memaksimalkan atau meminimalkan Z = C1X1 + C2X2 + … CnXn
Kendala :
a11X1 + a12X2 + . . . a1nXn = b1
a21X1 + a22X2 + . . . a2nXn = b2
. . . .
. . . .
. . . .
am1X1 + am2X2 + … amnXn = bm

Xi  0 ( i = 1, 2, …n )

Jika didefinisikan :

a11 a22 … a1n X1 b1

a11 a22 … a1n X2 b2
A=    ; x=  ; b= 
a11 a22 … a1n Xn bm

Kendala dapat dituliskan sebagai berikut AX = b

Dengan m Persamaan linier dan
n Variabel dimana
n m

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

Konversikan bentuk formulasi

ke dalam bentuk standar

Cari Solusi Basis Fisibel

( BFS )

Lakukan ERO

Pilih variabel basis

yang rasio positifnya
terkecil sebagai LV
Periksa NBV
pada baris fungsi
objective apakah TIDAK Pilih variabel fungs Hitung rasio pada
koefisiennya non objective yg koef. setiap baris
negatif Paling (-) sbg EV constrain

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

 Konversi kebentuk standar

Maksimumkan : Z = 60X1 + 30X2 + 20X3
Constrain : 8X1 + 6X2 + X3 + S1 = 48
4X1 + 2X2 + 1,5X3 + S2 = 20
2X1 + 1,5X2 + 0,5X3 + S3 = 8
X2 + S4 = 5
X1, X2, X3, S1, S2, S3, S4  0

 Dapat juga ditulis dalam bentuk kanonik

Baris 0 Z -60X1 - 30X2 - 20X3 =0
Baris 1 8X1 + 6X2 + X 3 + S1 = 48
Baris 2 4X1 + 2X2 + 1,5X3 + S2 = 20
Baris 3 2X1 + 1,5X2 + 0,5X3 + S3 = 8
Baris 4 X2 + S4 = 5

 Menentukan Solusi Basis Fisibel (BFS)

NBV = { X1, X2, X3 }
BV = { Z, S1, S2, S3, S4 }
BFS  Z = 0, S1 = 48, S2 = 20, S3 = 8, S4 = 5
X1 = X2 = X3 = 0
 NBV pada garis fungsi objective koefisienya negatif.

 Menentukan EV = Entering Variable

EV adalah : Variabel pada baris fungsi objective yang mempunyai
koefisien yang paling minimum.
EV = X1 dengan koefisien = 60 (negatif).

 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)

 Menentukan LV = Leaving Variable

LV adalah variabel basis yang mempunyai rasio positif terkecil.
Variabel ini akan berubah status dari Variabel Basis ke Variabel Non
Basis.
 LV = S3 dengan rasio 4
 Melakukan ERO (Elementer Row Operation)
Yaitu memasukkan EV ke dalam BV dan mengeluarkan LV dari BV.
Caranya dengan melakkukan proses pivoting dengan baris LV sebagai
basis vipot.

Selanjutnya bentuk kanonik yang baru menjadi :

Baris 0 Z + 15X2 - 5 X3 + 30 S3 = 240
Baris 1 - X 3 + S1 - 4S3 = 16
Baris 2 - X2 + 0,5 X3 + S2 - 2S3 = 4
Baris 3 X1 + 0,75X2 + 0,25X3 + 0,5S3 = 4
Baris 4 X2 + S4 = 5

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

Jika digunakan tabel maka persoalannya dapat diselesaikan sbb :

Tabel Simplex

Iterasi BV Z X1 X2 X3 S1 S2 S3 S4 Solusi Rasio

Z 1 -60 -30 -20 0 0 0 0 0
S1 0 8 6 1 1 0 0 0 48 6
0 S2 0 4 2 1.5 0 1 0 0 20 5
S3 0 2 1.5 0.5 0 0 1 0 8 4
S4 0 0 1 0 0 0 0 1 5
Z 1 0 15 -5 0 0 30 0 240
S1 0 0 0 -1 1 0 -4 0 16
1 S2 0 0 -1 0.5 0 1 -2 0 4 8
X1 0 1 0.75 0.25 0 0 0.5 0 4 16
S4 0 0 1 0 0 0 0 1 5
Z 1 0 5 0 0 10 10 0 280
S1 0 0 -2 0 1 2 -8 0 24
2 X3 0 0 -2 1 0 2 -4 0 8
X1 0 1 0.25 0 0 -0.5 1.5 0 2
S4 0 0 1 0 0 0 0 1 5
Contoh Soal : 
Maksimumkan : Z = 3X1 + 2X2
Constrain : 2X1 + X2  100 2X1 + X2 + S1 = 100
X1 + X2  80 X1 + X2 + S2 = 80
X1  40 X1 + S3 = 40
X1, X2  0

Iterasi BV Z X1 X2 S1 S2 S3 Solusi Rasio

Z 1 -3 -2 0 0 0 0
S1 0 2 1 1 0 0 100 50
0
S2 0 1 1 0 1 0 80 80
S3 0 1 0 0 0 1 40 40
Z 1 0 -2 0 0 3 120
S1 0 0 1 1 0 -2 20 20
1
S2 0 0 0 0 1 -1 40 40
X1 0 1 0 0 0 1 40
Z 1 0 0 2 0 -1 160
X2 0 0 1 1 0 -2 20
2 S2 0 0 0 -1 1 1 20 20
X1 0 1 0 0 0 1 40 40
Z 1 0 0 1 1 0 180
X2 0 0 1 -1 2 0 60
3 S3 0 0 0 -1 1 1 20
X1 0 1 0 1 -1 0 20

(0,0) Sebagai starting solution (solusi awal). Bergerak ke arah X 1 (koef.

Tujuan X1 > X2 dan fungsi tujuan maksimasi

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

Ada 2 cara yang dapat dipakai:

1. Memodifikasi fungsi tujuan (X-1) selanjutnya diselesaikan sebagai
persoalan maksimasi.
2. Mengubah step kontrol (lihat diagram alur alogaritma maksimasi)
menjadi periksa NBV pada baris fungsi objective apakah koefisiennya
negatif, jika ya solusi optimum dan jika tidak lakukan iterasi. Untuk EV
nya dipilih variabel fungsi tujuan yang koefisiennya berharga positif
terbesar.

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

Cara 1 Fungsi tujuan maksimumkan (-Z) = -2X1 + 3X2

Iterasi BV Z X1 X2 S1 S2 Solusi Rasio
Z -1 2 -3 0 0 0
0 S1 0 1 1 1 0 4 4
S2 0 1 -1 0 1 6
Z -1 5 0 3 0 12
1 X2 0 1 1 1 0 4
S2 0 2 0 1 1 10

-Z = 12
Z = -12 X1 = 0 X2 = 4

Cara 2

Iterasi BV Z X1 X2 S1 S2 Solusi Rasio

Z 1 -2 3 0 0 0
0 S1 0 1 1 1 0 4 4
S2 0 1 -1 0 1 6
Z 1 -5 0 -3 0 -12
1 X2 0 1 1 1 0 4
S2 0 2 0 1 1 10

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

Iterasi BV Z X1 X2 S1 S2 Solusi Rasio

Z 1 -3 -9 0 0 0
0 S1 0 1 4 1 0 8 2
S2 0 1 2 0 1 4 2
Z 1 -3/4 0 9/4 0 18
1 X2 0 1/4 1 1/4 0 2 8
S2 0 ½ 0 -1/2 1 0 0
Z 1 0 0 3/2 3/2 18
2 X2 0 0 1 ½ -1/2 2
X1 0 1 0 -1 2 0

 Iterasi 1 & 2 memberikan solusi yang sama Z = 18 (variabel basis = 0)

 Dalam kasus ini terlihat jika iterasi diteruskan akan terus berulang
tanpa memperbaiki fungsi tujuan.
 Dalam hal ini dapatlah dikatakan nilai variabel dan fungsi tujuan
sebagai berikut :
X1 = 0, X2 = 2 dan Z = 18

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

Iterasi BV Z X1 X2 S1 S2 S3 Solusi Rasio

Z 1 -3 -2 0 0 0 0
S1 0 4 3 1 0 0 12 3
0
S2 0 4 1 0 1 0 8 2
S3 0 4 -1 0 0 1 8 2
 Iterasi BV Z X1 X2 S1 S2 S3 Solusi Rasio
Z 1 0 -3/4 0 3/4 0 6
S1 0 0 2 1 -1 0 4 2
1
X1 0 1 1/4 0 1/4 0 2 8
S3 0 0 -2 0 -1 1 0
Z 1 0 0 5/8 1/8 0 17/2
X2 0 0 1 ½ -1/2 0 2
2 X1 0 1 0 -1/8 3/8 0 3/2
S3 0 0 0 1 -2 1 4

3. Solusi Optimum Banyak

Pada metode grafis kasus ini dapat diidentifikasi dengan melihat
apabila fungsi tujuan sejajar dengan fungsi kendala.
Pada metoda simplek dapat diidentifikasi jika terdapat paling sedikit
salah satu dari NBV pada fungsi objective mempunyai koef.= 0

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 BV Z X1 X2 S1 S2 Solusi Rasio

Z 1 -2 -4 0 0 0
0 S1 0 1 2 1 0 5 5/2
S2 0 1 1 0 1 4 4
Z 1 0 0 2 0 10
1 X2 0 1/2 1 1/2 0 5/2 5
S2 0 ½ 0 -1/2 1 3/2 3
Z 1 0 0 2 0 10
Tambah
X2 0 0 1 1 -1 1
an
X1 0 1 0 -1 2 3

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.

Metoda yang dapat digunakan

 Metoda Penalty (Teknik M)

 Teknik Dua Fase

Metode Penalty (Teknik M)

Metode ini memberikan penalty M (bilangan positif yang sangat besar) pada
setiap variabel artifisial pada fungsi tujuan.
Untuk fungsi tujuan yang berupa maksimasi maka Penaltynya (-) sebaliknya
Untuk fungsi tujuan yang berupa minimasi maka Penaltynya (+)

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

Substitusi R3 = 18 –3X1 – 2X2

 Proses pemaksaan R3 menjadi 0 pada fungsi tujuan

Fungsi tujuan menjadi : z = 3X1 + 5X2 –M(18 –3X1 – 2X2)

= (3X1 + 5X2 –18M + 3MX1 + 2MX2)
= (3 + 3M)X1 + (5 + 2M)X2 –18M
Atau Z - (3 + 3M)X1 - (5 + 2M)X2 = –18M
 Iterasi BV Z X1 X2 S1 S2 R3 Solusi Rasio
Z 1 -3M-3 -2M-5 0 0 0 -18 M
S1 0 1 0 1 0 0 4 4
0
S2 0 0 2 0 1 0 12
R3 0 3 2 0 0 1 18 6
Z 1 0 -2M-5 3M+3 0 0 -6M+12
X1 0 1 0 1 0 0 4
1 S2 0 0 2 0 1 0 12 6
R3 0 0 2 -3 0 1 6 3
Z 1 0 0 -9/2 0 M+5/2 27
X1 0 1 0 1 0 0 4 4
2 S2 0 0 0 3 1 -1 6 2
X2 0 0 1 -3/2 0 1/2 3
Z 1 0 0 0 3/2 M+1 36
X1 0 1 0 0 -1/3 1/3 2
3 S1 0 0 0 1 1/3 -1/3 2
X2 0 0 1 0 1/2 0 6

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

Objectife function menjadi

Z = 4X1 + X2 +M(3 - 3X1 - X2) + M(6 - 4X1 - 3X2 + S2)

= (4-7M) X1 + (1-4M) X2 + MS2 + 9M
 Z - (4-7M) X1 - (1-4M) X2 - MS2 = 9M
Iterasi BV Z X1 X2 S2 S3 R1 R2 Solusi Rasio
Z 1 -4+7M -1+4M -M 0 0 0 +9M
S3 0 1 2 0 1 0 0 4 4
0
R1 0 3 1 0 0 1 0 3 1
R2 0 4 3 -1 0 0 1 6 6/4
Z 1 0 -1/3+5/3M -M 0 4/3-7/3M 0 4+2M
S3 0 0 5/3 0 1 -1/3 0 3 1 4/5
1 X1 0 1 1/3 0 0 1/3 1 3
0
R2 0 0 5/3 -1 0 -4/3 1 2 1 1/5
Z 1 0 0 1/5 0 8/5-M -1/5-M 18/5
S3 0 0 0 1 1 1 -1 1 1
2 X1 0 1 0 1/5 0 3/5 3/5 3
-1/5
X2 0 0 1 -3/5 0 -4/5 3/5 6/5
Z 1 0 0 0 -1/5 7/5-M -M 17/5
S2 0 0 0 1 1 1 -1 1
3 X1 0 1 0 0 -1/5 2/5 2/5
0
X2 0 0 1 0 3/5 -1/5 0 9/5

Jadi solusi optimum adalah : X1 = 2/5 ; X2 = 9/5 dan Z = 17/5

Perhatikan dalam persoalan minimasi dapat dilakukan dengan dua cara.

Misalnya :
Fungsi Objective
Minimumkam Z = (4-7M) X1 + (1-4M) X2 + MS2 + 9M
Sama dengan :
 Maksimumkan - Z = (-4+7M) X1 - (1-4M) X2 - MS2 - 9M
 Z + (4-7M) X1 + (1-4M) X2 - MS2 = 9M

 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

dpt dilanjutkan ke Fase II

 Jika nilai minimum fungsi tujuan berharga fositip berarti tdk ada solusi

fisibel perhitungan dihentikan.

Fase II
 Solusi basis optimum pd Fase I digunakan sbg solusi basis awal

 Dilakukan dgn mengembalikan fungsi tujuan Fase I ke fungsi tujuan

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

Iterasi BV r X1 X2 S1 S2 R3 Solusi Rasio

0 r 1 3 2 0 0 0 18
 S1 0 1 0 1 0 0 4 4
S2 0 0 2 0 1 0 12
R3 0 3 2 0 0 1 18 6
r 1 0 2 -3 0 0 6
X1 0 1 0 1 0 0 4
S2 0 0 2 0 1 0 12 6
1 R3 0 0 2 -3 0 1 6 3
r 1 0 0 0 0 -1 0
X1 0 1 0 1 0 0 4
2 S2 0 0 0 3 1 -1 6
X2 0 0 1 -3/2 0 1/2 3

r = 0 Persoalan mempunyai solusi fisibel shg dpt dilanjutkan ke Fase II

dgn persamaan sbb ;
X1 + S1 = 4 X 1 = 4 - S1
3 S1 + S 2 = 6
X2 - 3/2S1 =3 X2 = 3 + 3/2 S1

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

Iterasi BV Z X1 X2 S1 S2 Solusi Rasio

Z 1 0 0 -9/2 0 27
X1 0 1 0 1 0 4 4
0
S2 0 0 0 3 1 6 2
X2 0 0 1 -3/2 0 3
Z 1 0 0 0 3/2 36
X1 0 1 0 0 -1/3 2
S2 0 0 0 1 1/3 2
1 X2 0 0 1 0 1/2 6

Didpt solusi optimal X1 = 2 , X2 = 6 dan Z = 36

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

Iterasi BV .r X1 X2 S2 S3 R1 R2 Solusi Rasio

r. 1 7 4 -1 0 0 0 9
R1 0 3 1 0 0 1 0 3 1
0 R2 0 4 3 -1 0 0 1 6 3/2
S3 0 1 2 0 1 0 0 4 4
r. 1 0 5/2 -1 0 -7/3 0 2
X1 0 1 1/3 0 0 1/3 0 1 3
R2 0 0 5/3 -1 0 -4/3 1 2 6/5
1 S3 0 0 5/3 0 1 -1/3 3 9/5
0
r. 1 0 0 0 0 -1 -1 0
X1 0 1 0 1/5 0 3/5 -1/5 3/5
2 X2 0 0 1 -3/5 0 -4/5 6/5
-3/5
S3 0 0 0 1 1 1 -1 1

X1 + 1/5 S2 = 3/5  X1 = 3/5 - 1/5 S2

X2 - 3/5 S2 = 6/5  X2 = 6/5 + 3/5 S2
S2 + S 3 = 1

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

Iterasi BV Z X1 X2 S2 S3 Solusi Rasio

Z 1 0 0 1/5 0 18/5
X1 0 1 0 1/5 0 3/5 3
0 X2 0 0 1 -3/5 0 6/5
S3 0 0 0 1 1 1 1
Z 1 0 0 0 -1/5 17/5
X1 0 1 0 0 -1/5 2/5
1 R2 0 0 1 0 3/5 9/5
S3 0 0 0 1 1 1

Jadi solusi optimal X1 = 2/5 , X2 = 9/5 dan Z = 17/5

TEORI DUALITAS

 Setiap persoalan PL mempunyai PL lain yang saling berkaitan, sehingga

solusi pada persoalan awal (PL) akan memberikan solusi pada PL
lainnya. PL awal disebut PRIMAL sedang PL lainnya disebut DUAL.
 Bentuk umum permasalahan Primal-Dual adalah sebagai berikut :

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

 Kalau dibandingkan kedua persoalan tersebut, maka terdapat

korespondensi antara primal dan dual sebagai berikut :
1. Koefisien fungsi tujuan primal menjadi konstanta ruas kanan dual dan
sebaliknya.
2. Untuk setiap pembatas primal ada satu variable dual dan sebaliknya.
3. Tanda ketidaksamaan pembatas bergantung kepada fungsi
tujuannya.
4. Fungsi tujuan berubah bentuk dari maksimasi pada primal menjadi
minimasi pada dual dan sebaliknya.
5. Setiap kolom pada primal berkorespondensi dengan baris (pembatas)
pada dual dan sebaliknya.
6. Dual dari dual adalah primal.

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

 Persoalan LP dikatakan sebagai persoalan maksimasi normal apabila

persoalan tersebut mempunyai fungsi tujuan maksimasi dengan seluruh
variable berharga non negatif dan seluruh pembatas bertanda .
 Persoalan LP dikatakan sebagai persoalan minimasi normal apabila
persoalan tersebut mempunyai fungsi tujuan minimasi dengan seluruh
variable berharga non negatif dan seluruh pembatas bertanda . Selain
itu dikatakan tidak normal.

 Untuk menentukan dual PL yang tidak normal akan berlaku hal-hal

sebagai berikut :

1. Untuk persoalan maksimasi

Jika pembatas primal ke I bertanda , maka variable dual yang
berkorespondensi dengannya memenuhi Yi  0, sebaliknya untuk
persoalan minimasi.
Jika pembatas primal ke I bertanda , maka variable dual yang
berkorespondensi dengannya memenuhi X  0.

2. Jika pembatas primal ke-I bertanda =, maka variable dual yang

berkorespondensi dengannya tidak terbatas dalam tanda, dan
sebaliknya.

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

Hubungan Primal - Dual