Programa Linier

(Linear Programming - LP)

Metode Simpleks
Kasus Panel Kaca :
Metode Simpleks - Formulasi

Maksimumkan : z = 3x1 + 5x2

Pembatas : x1 4
2x2  12
3x1 + 2x2  18
x1 , x 2  0

Dirubah menjadi :

X1 X2 S1 S2 S3 RHS
(Slack-1) (Slack-2) (Slack-3)
Maks Z = 3 X1 + 5 X2
Pembatas 1 : X1 + S1 = 4
Pembatas 2 : 2 X2 + S2 = 12
Pembatas 3 : 3 X 1 + 2 X2 + S3 = 18
Kasus Panel Kaca :
Metode Simpleks - Tabel

Bentuk Tabel Simpleks :

Cj C1 C2 ….. Cn 0 0 ….. 0
Cb Basic X1 X2 ….. Xn S1 S2 ….. Sm Quan
Variables -tity
0 S1 a11 a12 ….. a1n 1 0 ….. 0 b1
0 S2 a21 a22 ….. a2n 0 1 ….. 0 b2
: : :
0 Sm am1 am2 ….. amn 0 0 ….. 1 bm
Zj Cb.ai1 Cb.ai2 ….. Cb.ain 0 0 ….. 0 Z
Cj – Zj C1 – Z1 C2 – Z2 ….. Cn – Zn 0 0 ….. 0

Kriteria optimum :
•Untuk persoalan tujuan memaksimumkan, bila semua Cj – Zj  0
•Untuk persoalan tujuan meminimumkan, bila semua Zj – Cj  0
Kasus Panel Kaca : Metode Simpleks - Iterasi

Cj 3 5 0 0 0
Cb Basic X1 X2 slack 1 slack 2 slack 3 Quantity
Variables
Iteration 1
0 slack 1 1 0 1 0 0 4
0 slack 2 0 2 0 1 0 12
0 slack 3 3 2 0 0 1 18
zj 0 0 0 0 0 0
cj-zj 3 5 0 0 0
Iteration 2
0 slack 1 1 0 1 0 0 4
5 X2 0 1 0 0.5 0 6
0 slack 3 3 0 0 -1 1 6
zj 0 5 0 2.5 0 30
cj-zj 3 0 0 -2.5 0
Iteration 3
0 slack 1 0 0 1 0.3333 -0.3333 2
5 X2 0 1 0 0.5 0 6
3 X1 1 0 0 -0.3333 0.3333 2
zj 3 5 0 1.5 1 36
cj-zj 0 0 0 -1.5 -1
Kasus Panel Kaca :
Metode Simpleks - Solusi

Variable Status Value

X1 Basic 2
X2 Basic 6
slack 1 Basic 2
slack 2 NONBasic 0
slack 3 NONBasic 0

Optimal Value (Z) 36

Kasus Panel Kaca :
Metode Simpleks - Sensitivitas

Variable Value Reduced Original Lower Upper

Cost Value Bound Bound

X1 2. 0 3. 0. 7.5
X2 6. 0 5. 2. Infinity

Constraint Dual Slack/ Original Lower Upper

Value Surplus Value Bound Bound

Constraint 1 0 2 4 2. Infinity
Constraint 2 1.5 0 12 6. 18.
Constraint 3 1 0 18 12. 24.
Kasus Panel Kaca :
Metode Simpleks - Hasil

X1 X2 RHS Dual

Maximize 3 5
Constraint 1 1 0  4 0
Constraint 2 0 2  12 1.5
Constraint 3 3 2  18 1

Solution 2 6 36
Metode Simpleks M-Besar

Fungsi Tujuan dengan “variabel artifisial (Ri)”:

Tujuan maksimasi  - M.Ri
Tujuan minimasi  + M.Ri
Contoh:
Maks Z = 3 X1 + 5 X2 - M.R2 - M.R3
Min Z = 3 X1 + 5 X2 + M.R2 + M.R3
Maks Z = 5000 X1 + 7000 X2 - M.R1 - M.R2 - M.R3 - M.R4
Min Z = 5000 X1 + 7000 X2 + M.R1 + M.R2 + M.R3 + M.R4
Metode Simpleks M-Besar (Lanjutan)

AGAR RUMUSAN FUNGSI PEMBATAS MENJADI PERSAMAAN :

…  … , ditambah slack  ….. + Si = …..
… = … , ditambah artifisial  ….. + Ri = …..
…  … , dikurang surplus ditambah artifisial  ….. - Si + Ri = …..

CONTOH :
X1  4 , menjadi X 1 + S1 = 4
2X2 = 12 , menjadi 2X2 + R2 = 12
3X1 + 2X2  18 , menjadi 3X1 + 2X2 - S3 + R3 = 18
Contoh Kasus : Metode M-Besar

Minimumkan : z = 3x1 + 5x2

Pembatas : x1  4
2x2 = 12
3x1 + 2x2  18
x1 , x 2  0

Dirubah menjadi :

X1 X2 S1 R2 S3 R3 RHS
(Slack-1) (Art-2) (Surplus-3) (Art-3)
Min Z= 3 X1 + 5 X2 + M.R2 + M.R3
Pembatas 1 : X1 + S1 = 4
Pembatas 2 : 2 X2 + R2 = 12
Pembatas 3 : 3 X 1 + 2 X2 - S3 + R3 = 18
Contoh Kasus : Metode M-Besar (lanjutan)

Cj 3 5 0 M 0 M
Cb Basic X1 X2 S1 R2 S3 R3 Quantity
Variables
Iteration 1
0 S1 1 0 1 0 0 0 4
M R2 0 2 0 1 0 0 12
M R3 3 2 0 0 -1 1 18
Zj 3M 4M 0 M -M M 30 M
Zj - Cj 3M - 3 4M - 5 0 0 -M 0
Iteration 2
0 S1 1 0 1 0 0 0 4
5 X2 0 1 0 0.5 0 0 6
M R3 3 0 0 -1 -1 1 6
Zj 3M 5 0 - M + 2.5 -M 0 6M + 30
Zj - Cj 3M - 3 0 0 -2M + 2.5 -M 0
Iteration 3
0 S1 0 0 1 0.3333 0.3333 - 0.3333 2
5 X2 0 1 0 0.5 0 0 6
3 X1 1 0 0 - 0.3333 - 0.3333 0.3333 2
Zj 3 5 0 1.5 -1 1 36
Zj - Cj 0 0 0 - M +1.5 -1 - M +1
Contoh Kasus : Metode M-Besar - Solusi

Variable Status Value

X1 Basic 2
X2 Basic 6
slack 1 Basic 2
artfcl 2 NONBasic 0
surplus 3 NONBasic 0

Optimal Value (Z) 36

Contoh Kasus : Metode M-Besar -
Sensitivitas

Var. Value Reduc. Orig. Lower Upper

Cost Value Bound Bound

X1 2. 0 3. 0. Infinity
X2 6. 0 5. -Infinity Infinity

Constr. Dual Slack/ Orig. Lower Upper

Value Surpl. Value Bound Bound

Constraint 1 0 2 4 2. Infinity
Constraint 2 -1.5 0 12 6. 18.
Constraint 3 -1 0 18 12. 24.
Contoh Kasus : Metode M-Besar - Hasil

X1 X2 RHS Dual

Minimize 3 5
Constraint 1 1 0  4 0
Constraint 2 0 2 = 12 1.5
Constraint 3 3 2  18 1

Solution 2 6 36
Contoh Kasus Produksi Keramik

Perusahaan Keramik “Beaver Creek Pottery Company” memproduksi

mangkuk dan mug. Kebutuhan sumberdaya seperti pada tabel berikut:

Produk Sumberdaya Keuntungan

Buruh Lempung ($/unit)
(jam/unit) (pounds/unit)
Mangkuk 1 4 40
Mug 2 3 50

Untuk keperluan produksi harian, tersedia 40 jam/hari untuk buruh dan

120 pound/hari untuk bahan lempung. Buatlah rumusan pemodelan
programa linier untuk memaksimalkan keuntungan.
Kasus Produksi Keramik –
Rumusan P/L

Maksimumkan : Z = 40 X1 + 50 X2

Pembatas : X1 + 2 X2  40 (jam/hari buruh)

4 X1 + 3 X2  120 (pound/hari bahan lempung)
X 1 , X2  0
Kasus Produksi Keramik –
Iterasi Tabel Simpleks
Cj 40 50 0 0
Cb Basic X1 X2 slack 1 slack 2 Quantity
Variables
Iteration 1
0 slack 1 1 2 1 0 40
0 slack 2 4 3 0 1 120
zj 0 0 0 0 0
cj-zj 40 50 0 0
Iteration 2
50 X2 0.5 1 0.5 0 20
0 slack 2 2.5 0 -1.5 1 60
zj 25 50 25 0 1,000
cj-zj 15 0 -25 0
Iteration 3
50 X2 0 1 0.8 -0.2 8
40 X1 1 0 -0.6 0.4 24
zj 40 50 16 6 1,360
cj-zj 0 0 -16 -6
 Kasus Produksi Keramik –
Hasil Perhitungan

X1 X2 RHS Dual

Maximize 40 50
Jam Kerja 1 2  40 16
Lempung 4 3  120 6

Solution 24 8 $1,360.