Program Linier

CRITICAL BOOK REPORT

METODE-M & METODE DUA FASE

Dosen Pengampu : Erlinawaty Simanjuntak, S. Pd., M. Si

Disusun Oleh : Kelompok 6

Agus Leonardo Siahaan (4173311004)

Juan Ali Paulinus Simbolon (4173111036)
Rohwandi (4172111041)
Sandy William Damanik (4173111070)

JURUSAN MATEMATIKA
FAKUTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI MEDAN
2019
 Kata Pengantar

Puji syukur saya ucapkan kepada Tuhan Yang Maha Esa karena berkatnya kami dapat
menyelesaikan tugas Critical Book Report ini. Meskipun banyak hambatan yang kami alami
dalam proses pengerjaannya, tapi kami berhasil menyelesaikan Critical Book Report ini tepat
pada waktunya. . Karena itu kami berharap Critical Book Report ini dapat menjadi sesuatu yang
berguna bagi kita bersama. kami menyadari bahwa dalam menyusun Critical Book Report ini
masih jauh dari kesempurnaan, untuk itu kami sangat mengharapkan kritik dan saran yang
bersifat membangun guna sempurnanya Critical Book Report ini. Kami berharap semoga
Critical Book Report ini bisa bermanfaat bagi penulis khususnya dan bagi pembaca pada
umumnya.

Medan, September 2019

Penyusun
 BAB I
PENDAHULUAN
1.1 Latar Belakang

Sejarah Perkembangan Linear Programming Ide linear programming pertama kali

dicetuskan oleh seorang ahli matematika asal Rusia bernama L.V. Kantorivich dalam bukunya
yang berjudul Mathematical Methods In The Organization And Planning Of Production. Dengan
buku ini, ia telah merumuskan pertama kalinya persoalan Linear Programming. Namun, cara-
cara pemecahan persoalan ini di Rusia tidak berkembang dengan baik dan ternyata para ahli di
negara Barat dan AS yang menggunakan cara ini dimanfaatkan dengan baik.
Operasi riset (operation research) merupakan penerapan beberapa metode ilmiah yang
membantu memecahkan persoalan rumit yang muncul dalam kehidupan sehari-hari kemudian di
inteprestasikan dalam permodelan matematika guna mendapatkan informasi solusi yang optimal.
Operational research juga banyak digunakan untuk mengambil keputusan yang logis serta dapat
dijelaskan secara kuantitatif. Pendekatan khusus ini bertujuan membentuk suatu metode ilmiah
dari sistem menggabungkan ukuran-ukuran faktor-faktor seperti kesempatan dan risiko, untuk
meramalkan dan membandingkan hasil-hasil dari beberapa keputusan, strategi atau pengawasan.
Metode Big M digunakan untuk menyelesaikan fungsi-fungsi dalam program linier yang
tidak berada dalam bentuk baku atau standar ( bentuk standar adalah memaksimalkan Z sesuai
dengan kendala fungsional dalam bentuk ≤ dan kendala nonegativitas di semua variabel) dan
salah satu contoh masalah dalam kendala funsional adalah bila fungsi dalam bentuk-bentuk =
atau ≥ atau bahkan ruas kanan yang negatif. Metode simpleks dua fase modifikasi dari metode –
M’ Charmes. Kalau dengan metode M Charmes koefisien variable tiruan (buatan, semu)
mendapatkan harga (-M ) untuk persolan memaksimukan atau (M) untuk persoalan
meminimumkan dengan M adalah bilangan positif besar. Kenyataan penggunaan M tersebut
menghambat sekali jika algoritma simpleks harus dikerjakan dengan computer, dan harus M
harus diisi nilai numeris yang dipilih jauh lebih besar dari koefisien variable tiruan lain.
Berdasarkan pemaparan singkat kedua materi di atas penulis ingin membandingkan
beberapa buku yang membahas tentang kedua materi tersebut untuk mendapatkan pengetahuan
baru mengenai materi Metode –M dan Metode dua fase dalam bentuk laporan tugas Critical
Book Report yang nantinya akan menjadi sumber referensi belajar dan memahami materi dari
beberapa sumber buku yang berbeda.
1.2 Rumusan Masalah
1. Apakah pengertian Metode-M dan Metode dua fase?
2. Bagaimana penyajian materi metode-M dan Metode dua fase ?
3. Bagaimana langkah-langkah pengerjaan soal pada materi Metode-M dan Metode dua
fase?
1.3 Tujuan
1. Mengetahui pengertian Metode- M dan Metode dua fase.
2. Mengetahui penyajian materi Metode-M dan Metode dua fase.
3. Mengetahui langkah-langkah pengerjaan soal pada materi Metode- M dan Metode
dua fase.
 BAB II
PEMBAHASAN
2.1 Identitas Buku
a) Buku I
Judul PEMROGRAMAN LINIER
Pengarang Ulfasari Rafflesia, S. Si, M. Si dan Drs. Fanani Haryo Widodo, M.Sc
Penerbit Badan Penerbitan Fakultas Pertanian UNIB
Tahun Terbit 2014
Kota Terbit Bengkulu
ISBN 978-602-9071-14-6

b) Buku II
Judul PROGRAM LINIER
Pengarang Meyta Dwi Kurniasih, M. Pd.
Penerbit Universitas Muhammadiyah Prof Dr Hamka
Tahun Terbit 2015
Kota Terbit Jakarta
ISBN -

c) Buku III
Judul
Pengarang
Penerbit
Tahun Terbit
Kota Terbit
ISBN

2.2 Ringkasan Isi Buku I

a. Metode Big-M
Perbedaan metode Big M dengan primal simpleks biasa terletak pada pembentukan table
awal. Jika fungsi kendala menggunakan bentuk peridaksamaan ≥, perubah dari bentuk
umum kebentuk baku memerlukan satu variable surplus tidak dapat berfungsi sebagai
variable basis awal, karena koefisiennya bertanda negative. Sebagai variable basis pada
solusi awal, harus ditambahkan satu variable buatan. Variable buatan pada solusi optimal
harus bernilai 0, karena variable ini memang tidak ada.
Teknik yang digunakan untuk memaksa variable buatan bernilai 0 pada solusi optimal
adalah dengan cara berikut:
  Penambahan variable buatan pada fungsi kendala yang tidak memiliki variable slack,
menuntut penambahan variable pada fungsi tujuan.
 Jika fungsi tujuan adalah maksimisasi, maka variable buatan pada fungsi tujuan
mempunyai koefisien- M.
 Jika fungsi tujuan adalah meminimasi, maka variable buatan pada fungsi tujuan
mempunyai koefisien-M.
 Karean koefisien variable basis pada table simpleks harus bernila 0, maka variable buatan
pada fungsi tujuan harus digantikan nilai dari fungsi kendala yang memuat variable
buatan tersebut.
 Secara ringkas, aturan yang dapat digunakan untuk memudahkan penyeleaian:
Batasan Penyesuaian fungsi batasan Koefisien fungsi tujuan
Maksimasi Minimasi
≤ Tambah slack variable 0 0
= Tambah artificial variable -M M
≥ Kurang slack variable dan tambah artificial variabel 0 0
-M M
Contoh:
Bentuk Umum
Min. z = 4x1 + x2
Dengan Kendala:
3x1 + x2 = 3
4x1 + 3x2 ≥ 6
x1 + 2x2 ≤ 4
x1 , x2 ≥ 0
Bentuk Baku
Min. z = 4x1 + x2
Dengan Kendala:
3x1 + x2 = 3
4x1 + 3x2 – s1 = 6
x1 + 2x2 + s1= 4
x1 , x2 , s2 ≥ 0
 Kendala 1 dan 2 tidak mempunyai slack variable, sehingga tidak ada variable basis awal.
Untuk berfungsi sebagai variable basis awal, pada kendala 1 dan 2 ditambahkan masing-masing
satu variable buatan ( artificial variable).
Maka bentuk baku Big M-nya adalah:
Fungsi tujuan:
Min. z = 4x1 + x2 + MA1 + MA2
Dengan kendala:
3x1+ x2 + A1 = 3
4x1 + 3x2 – s1 + A2 = 6
x1 + 2x2 + s2 = 4
x1, x2 ,s1 + s2 ≥ 0
1. Nilai A1 digantikan dari fungsi kendala pertama.
A1 = 3- 3x1 + x2
MA1 berubah menjadi M (3- 3x1 + x2 ) 3M- 3Mx1 +M x2
2. Nilai A2 digantikan dari fungsi kendala ketiga.
A2 = 6 – 4x1 – 3x2 + s1
MA2 berubah menjadi M (6 – 4x1 – 3x2 + s1 ) 6M – 4Mx1 – 3Mx2 + Ms1
3. Fungsi tujuan berubah menjadi
Min z = 4x1 + x2 + 3M -3Mx1 –Mx2 + 6M – 4Mx1 – 3Mx2 + Ms1
= (4 - 7M) x1 + (1 - 4M )x2 + Ms1 + 9M
4. Tabel awal simpleks
VB X1 X2 S1 A1 A2 S2 Solusi
z -4+7M -1+4M -M 0 0 0 9M
A1 3 1 0 1 0 0 3
A2 4 3 -1 0 1 0 6
S2 1 2 0 0 0 1 4
5. Perhitungan iterasinya sama dengan simpleks sebelumnya.
Iterasinta 0:
VB X1 X2 S1 A1 A2 S2 Solusi Rasio
z -4+7M -1+4M -M 0 0 0 9M -
A1 3 1 0 1 0 0 3 1
A2 4 3 -1 0 1 0 6 3/2
S2 1 2 0 0 0 1 4 2

Iterasinta 1:
VB X1 X2 S1 A1 A2 S2 Solusi Rasio
z 0 (1+5M)/3 -M 0 0 0 0 -
A1 1 1/3 0 1/3 0 0 0 3
A2 0 5/3 -1 -4/3 1 0 0 6/5
S2 1 5/3 0 -1/3 0 1 1 9/5

Iterasi 2 :
VB X1 X2 S1 A1 A2 S2 Solusi Rasio
z 0 0 1/5 8/5-M -1/5-M 0 18/5 -
A1 1 0 1/5 3/5 -1/5 0 3/5 25/3
A2 0 1 -3/5 -4/5 3/5 0 6/5 -
S2 1 1 1 1 -1 1 1 1

Iterasi 3 Optimal
VB X1 X2 S1 A1 A2 S2 Solusi
z 0 0 0 7/5-M -M -1/5 17/5
A1 1 0 0 2/5 0 -1/5 2/5
A2 0 1 0 -1/5 0 3/5 9/5
S2 0 0 1 1 -1 1 1
 b. Metode Dua Fase
Metode dua fase digunakan jika variable basis awal terdiri dari variable buatan. Disebut sebagai
metode dua fase, karena proses optimasi dilakukan dalam dua tahap. Tahap pertama merupakan
proses optimasi variable buatan, sedangkan proses optimasi variable keputusan dilakukan pada
tahap kedua. Karena variable buatan sebenarnya tidak ada (hanya ada di atas kerja), maka tahap
pertama dilakukan untuk memaksa variable buatan bernilai 0.
Perhatikan kasus berikut:
Tahap 1 :
Fungsi Tujuan
Min A = A1 + A2
Dengan Kendala :
x1 + x2 + A1 = 90
0,001 x1+ 0,002 x2 + s1 = 0,9
0,09 x1+ 0,06 x2 - s1 + A2 = 0,9
0,09 x1+ 0,6 x2 - s1 + A2 = 27
 0,02x1+ 0,06 x2 + s3 = 4,5
x1 , x2 , s1, s2 ,s3 ≥ 0
Karena A1 dan A2 berfungsi sebagai variable basis pada solusi awal, maka koefisiennya pada
fungsi tujuan harus sama dengan 0. Untuk mencapai itu, gantikan nilai A1 dari fungsi kendala
pertama (kendala yang memuat A1) dan nilai A2 dari fungsi kendala ketiga (kendala yang
memuat A2 ).
Dari kendala 1 diperoleh :
A1 = 90 – x1 – x2
Dari kendala 3 diperoleh:
A2 = 27 – 0,09x1 – 0,6x2 + s2
Maka fungsi tujuan tahap-1 menjadi:
Min A = ( 90 – x1 – x2 ) + (A2 = 27 – 0,09x1 – 0,6x2 + s2 )
= 117 – 1,09x1 – 1,6x2 + s2
VB X1 X2 S1 S2 S3 A1 A2 NK Rasio
A 1,09 1,6 0 -1 0 0 0 117 -
A1 1 1 0 0 0 1 0 90 90
S1 0,001 0,0002 1 0 0 0 0 0,9 450
A2 0,09 0,6 0 -1 0 0 1 27 45
S3 0,02 0,06 0 0 1 0 0 4,5 75

Interasi 1:
VB X1 X2 S1 S2 S3 A1 A2 NK Rasio
A 0,85 0 0 -11/3 0 0 -8/3 45 -
A1 0,85 0 0 10/6 0 1 -10/6 45 52,94
S1 0,0007 0 1 1/300 0 0 -1/300 0,81 1157,14
x2 0,15 1 0 -10/6 0 0 10/6 45 300
S3 0,011 0 0 0,1 1 0 -0,1 1,8 163,634
0
Iterasi 2 Optimal :
VB X1 X2 S1 S2 S3 A1 A2 NK
A 1 0 0 0 0 -1 -1,4625 0
A1 0 0 0 0 0 20/17 -17/12 52,94
S1 0 0 1 1 0 0,0008 0,0023 0,7729
A2 0 1 0 0 0 -3/17 1,7542 37,059
S3 0 0 0 0 1 0,0129 -0,0844 1,2176

Tahap 2:
Fungsi tujuan:
Min z = 2x1 + 5,5 x2
Dengan kendala:
Tabel optimal tahap pertama
Dari table optimal tahap 1 diperoleh:
x1 = 52,94 – 17/12 s2
x2 = 37,059 + 1,754 s2
Maka fungsi tujuan adalah :
Min z = 2 (52,94 – 17/12 s2 ) + 5,5 (37,059 + 1,754 s2 )
= -17/6s2 + 9,6481s2 + 309,7045
= 6,814767s2 + 309,7045
Solusi Awal Optimal:
VB X1 X2 S1 S2 S3 NK
A 1 0 0 -6,8147 0 309,7045
x1 0 0 0 17/12 0 52,94
S1 0 0 1 0,00234 0 0,7729
x2 0 1 0 -1,7542 0 37,059
S3 0 0 0 0,0935 1 1,2176

Tabel di atas sudah optimal.

Solusi optimalnya adalah:
X1 = 52,94; X2 = 37,059; dan z = 309,7045
2.3 Ringkasan Buku II
A. Metode M Charmes
1.1 Pendahuluan
Untuk kasus dimana fungsi kendala ada tanda lebih dari sama dengan ( > atau ≥ ) maka perlu
menambahkan variable pengurang ( surplus ) dan variable penambah ( variable slack ) yang non-
negatuf. Akan menjadi sebuah persoalan bagaimana vriabel slack tersebut dapat digunakan untuk
membantu mencari penyelesaian masalah program linier.
Salah satu carannya, dipaparkan oleh Charnes dengan menggunakan metode simpleks agar
variable slack menjadi nol, dengan menentukan nilai konstanta (-M ) jika masalah yang dihadapi
adalah memaksimumkan fungsi tujuan, dan menentukan nilai konstanta (M) pada variable slack
jika masalah yang dihadapi meminimumkan.
1.2. Contoh Soal
Minimumkan : z = 3x + 2y
Kendala :
x + y ≥ 2,
2x + y ≥ 3,
x,y ≥ 0
Penyelesaian :
Masalah PL menjadi :
z = 3x + 2y + 0a + 0b
Dengan Kendala,
x+y-a+c=2
2x +y – b +d = 3
Menggunakan prosedur memaksimalkan :
Min z = - Maks (-z )
Sebagai fungsi objektif menjadi : z* = -3x - 2y + 0a + 0b – Mc Md maks
Tabel Awal
Cj -3 -2 0 0 -M -M
HB Rasio
VB CB x y a B C D
C -M 1 1 -1 0 1 0 2 2
D -M 2 1 0 -1 0 1 3 1,5 1/2B2
Zi-Cj 3 2 0 0 0 0 0
-3 -2 1 1 0 0 -5

Keterangan:
Baris Zj- Cj baris pertama tidak mengandung unsure M sedangkan baris Zj-Cj baris kedua
mengandung unsure M. Variabel masuk ( variable pendatang ) = x, variable keluar ( variable
perantau ) = d
Tabel 2
Cj -3 -2 0 0 -M -M r
HB
VB CB x y a b c D 1
C -M 0 ½ -1 ½ 1 -1/2 ½ 3
X -3 1 ½ 0 -1/2 0 ½ 3/2
0 ½ 0 3/2 0 -3/2 -9/2
Zj- Cj
0 -1/2 1 -1/2 0 1-/2 -1/2

Tabel 3
Cj -3 -2 0 0 -M -M
Variable CB X Y a B C D HB
Basis
Y -2 0 1 -2 1 2 -1 1
X -3 1 0 1 -1 -1 1 1
Zj-Cj 0 0 1 1 -1 -1 -5
0 0 0 0 1 1 0
Daru Zj- Cj yang kedua sudah tidak ada yang negative maka iterasi selesai. Sehingga
dapat disimpulkan : x = 1, y = 1, a = 0, b = 0, c = 0, d = 0 dan z = 5
B. Metode Simpleks II
Langkah-langkah Metode Simpleks 2 Fase
1. Sistem pertidaksamaan 1 dan seterusnya dibuat sama seperti simoleks dengan 1 fase.
2. Nilai Z diminimumkan ( dikalikan dengan - )
3. Z dipindah menjadi bernilai +.
4. Selanjutnya sama seperti pada simpleks dengan 1 fase, namun pembedanya adalah yang
mempunyai nilai hanya variable M dan Z. Variabel yang mengandung nilai M bernilai = -
1 dan Z = 1 selebihnya bernilai 0.
5. Cari nilai pada system pertidaksamaan yang membentuk identitas dan posisi 1 di sebelah
kiri ( pengali ) diletakan nilai x, lalu stelah dua variable dikali dan dijumlahkan , dikurang
nilai x di atasnya.
6. Selanjutnya sama seperti pada simpleks 2 dengan 1 fase hingga berakhir pada nilai baris
terakhir yang bernilai positif.
7. Hilangkan kolom yang mengandung nilai M dan Z lalu letakan nilai keseluruhan Z pada
atas baris (nilai x)
8. Lalu seperti cara pada nomor 5 hingga baris terakhir bernilai positif.
9. Dan tulis nilai Z ( jangan lupa nilai Z adalah – Z ).
Contoh Soal:
Meminimumkan :
Z = 8x + 6y
Kendala :
4x + 2y ≥ 60,
2x + 4y ≥ 48,
x,y ≥ 0
Penyelesaian :
4x + 2y ≥ 60 ↔ 4x + 2y – x3 + x4 = 60
2x + 4y ≥ 48 ↔ 2x + 4y – x5 + x6 = 48

Tabel Awal Fase I

Cj 0 0 0 -1 0 -1
HB r
VB CB X Y X3 X4 X5 X6
x4 -1 4 2 -1 1 0 0 60 30
x6 -1 2 4 0 0 -1 1 48 12
Zj - Cj -6 -6 1 0 1 0 -108

Cj 0 0 0 -1 0 -1
HB
VB CB X Y X3 X4 X5 X6
x4 -1 4 2 -1 1 0 0 60
y 0 1/2 1 0 0 -1/4 1/4 12
Zj - Cj -6 -6 1 0 1 0 -108
Tabel 2
Cj 0 0 0 -1 0 -1
HB R
VB CB X Y X3 X4 X5 X6
x4 -1 3 0 -1 1 1/2 -1/2 36 12
y 0 1/2 1 0 0 -1/4 1/4 12 24
Zj - Cj -3 0 1 0 -1/2 3/2 -36
 Cj 0 0 0 -1 0 -1
HB
VB CB X Y X3 X4 X5 X6
x4 0 1 0 -1/3 1/3 1/6 1/6 12
y 0 1/2 1 1/6 -1/6 -1/3 1/6 6
Zj - Cj -3 0 0 1 0 1 6
Tabel Akhir Fase 1
Cj 0 0 0 -1 0 -1
HB
VB CB X Y X3 X4 X5 X6
x4 0 1 0 -1/3 1/3 1/6 1/6 12
y 0 0 1 1/6 -1/6 -1/3 1/6 6
Zj - Cj 0 0 0 1 0 1 0
Tabel Awal Fase 2
Cj 8 6
HB
VB CB X Y
x 0 1 0 12
y 0 0 1 6
Zj - Cj 0 0 132

Karena sudah tiba ada yang negative pada baris objelktif maka iterasi selesai. Dapat disimpulkan
: x = 12, y = 6, x3 = 0, x4 = 0, x5 = 0, x6 = 0 dan z = 132 (nilai minimum )
 BAB III
PENUTUP
3.1 Kesimpulan
Metode Big-M adalah teknik memberikan nilai koefisien yang sangat besar kepada
variable-variabel artifiasil dalam persamaan objective function. Nilai koefisien ini bertindak
sebagai penalty. Salah satu carannya, dipaparkan oleh Charnes dengan menggunakan metode
simpleks agar variable slack menjadi nol, dengan menentukan nilai konstanta (-M ) jika
masalah yang dihadapi adalah memaksimumkan fungsi tujuan, dan menentukan nilai
konstanta (M) pada variable slack jika masalah yang dihadapi meminimumkan. Teknik yang
digunakan untuk memaksa variable buatan bernilai 0 pada solusi optimal adalah dengan cara
berikut:
 Penambahan variable buatan pada fungsi kendala yang tidak memiliki variable slack,
menuntut penambahan variable pada fungsi tujuan.
 Jika fungsi tujuan adalah maksimisasi, maka variable buatan pada fungsi tujuan
mempunyai koefisien- M.
 Jika fungsi tujuan adalah meminimasi, maka variable buatan pada fungsi tujuan
mempunyai koefisien-M.
 Karean koefisien variable basis pada table simpleks harus bernila 0, maka variable buatan
pada fungsi tujuan harus digantikan nilai dari fungsi kendala yang memuat variable
buatan tersebut.
Metode dua fase digunakan jika variable baisi awal terdiri dari variable buatan. Disebut
sebagai metode dua fase, karena proses optimasi dilakukan dalam dua tahap. Tahap pertama
merupakan proses optimasi variable buatan, sedangkan proses optimal variable keputusan
dilakukan pada tahap kedua. Karena variable buatan sebenarnya tidak ada (hanya ada di atas
kertas ), maka tahap pertama dilakukan untuk memaksa variable buatan bernilai 0.
Tahapan metode dua fase adalah sebagai berikut:
1. Ubah model PL ke dalam bentuk baku ( sebagaimana pada metode Big M ), dengan
fungsi objektifnya adalah meminimumkan sumasi dari variable artificial.
2. Gunakan solusi layak dari fase 1 sebagai solusi dasar awal model semua, dan lakukan
iterasi simpleks sampai diperoleh solusi optimal.
 DAFTAR PUSTAKA
Kurniasih, Meyta D. 2015. PROGRAM LINIER. Jakarta : Universitas Muhammadiyah Prof Dr
Hamka
Rafflesia, Ulfasari dan Fanani Haryo Widodo. 2014. Pemrograman Linier. Bengkulu : Badan
Penerbit Fakultas Pertanian UNIB