Metode Simpleks yang Direvisi

4.1 DASAR MATEMATIS

Dalam bagian ini, kami mendefinisikan masalah
LP dalam bentuk matriks. Berdasarkan definisi
ini, kami memperlihatkan bagaimana pemecahan
dasar ditentukan. Kita lalu menggunakan
informasi ini untuk mengembangkan tabel
simpleks umum dalam bentuk matriks.
Pengembangan ini membentuk dasar untuk
pembahasan perincian metode simpleks yang
direvisi.
4.1.1 Model LP Standar Dalam Bentuk
Matriks

Masalah pemrograman linier dalam bentuk standar (semua

batasan persamaan dengan semua variabel non negatif) dapat
diekpresikan dalam bentuk matriks sebagai berikut:
Minimumkan z = CX
Dengan batasan
(A,I)X = b
X≥0
Di mana I adalah matriks identitas m dan
X = 𝑥1 , 𝑥2 , … , 𝑥𝑛 𝑟 , C = 𝑐1 , 𝑐2 , … , 𝑐𝑛

𝑎11 𝑎12 … 𝑎1,𝑛−𝑚 𝑏1

𝑎21 𝑎22 … 𝑎2,𝑛−𝑚 𝑏
A= : … : , b= 2
: :
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚,𝑛−𝑚 𝑏𝑚
 Sisi kanan diharapkan bersifat non negatif
dalam kasus metode simpleks primal.
 Matriks identitas I dapat selalu dibuat untuk
tampil sebagaimana diperlihatkan dalam
persamaan-persamaan batasan dengan
menambahkan atau mengatur susunan
variabel slack, surplus, dan/atau variabel
buatan sebagaimana diperlukan. Ini berarti
bahwa n elemen dari vetor X mencakup
setiap variabel slack, surplus, dan variabel
buatan yang ditambahkan, dengan m elemen
paling kanan mewaliki variabel pemecahan
awal.
 4.1.2
PEMECAHAN DASAR DAN BASIS
Dalam Bab 3, kami menekankan bahwa gagasan mendasar di balik
metode simpleks primal dan dual adalah bahwa pemecahan optimum,
ketika berjumlah terbatas, harus berkaitan dengan titik ekstrim atau
titik sudut dari ruang pemecahan. Secara aljabar, sebuah titik ekstrim
berkaitan dengan pemecahan dasar dari persamaan batasan
(A,I)X=b.

Dengan diketahui bahwa (A,I)X=b memiliki m persamaan dan n

variabel yang tidak diketahui [X = (x1,x2,x3, …, xn)T ], sebuah
pemecahan dasar diperoleh dengan menetapkan n-m variabel sama
dengan nol dan lalu memecahkan m persamaan dengan m variabel
yang tidak diketahui, yang tersisa, dengan ketentuan bahwa sebuah
pemecahan yang unik terdapat. Secara matematis, anggaplah
 dimana Pj adalah vector kolom ke-j dari (A,I). Setiap m yang merupakan
vektor yang independen secara linier diantara P1,P2,P3,…,Pn akan
bersesuaian dengan pemecahan dasar (A,I)X =b dan karena itu
bersesuaian dengan satu titik ekstrim dari ruang pemecahan . Dalam kasus
ini, vektor m yang dipilih membentuk sebuah basis yang untuknya matriks
bujur sangkar yang berkaitan haruslah bersifat “nonsingular.”
Untuk mengilustrasikan definisi dari sebuah basis, dalam contoh 4.1-
1, kita memiliki m=3 dan n=7 . Ini berarti bahwa sebuah basis harus
terdiri dari m(=3) vektor dan n-m (-7-3=4) variable yang berkaitan dengan
vector sisanya yang pasti ditetapkan sama dengan nol. Dengan
menganggap x4=x5=x6=x7=0 , kita menemukan bahwa vektor

yang dikaitkan dengan x1,x2, dan x3 akan membentuk sebuah basis

jika , dan hanya jika, matriks bujur sangkar
bersifat nonsingular. Karena determinan dari B adalah tidak nol
(= -9), kondisi ini dipenuhi dan pemecahan persamaan

pasti unik (x1=23/9, x2=20/9, x3=2/9). Sebagai hasilnya, titik (23/9,

20/9, 2/9, 0,0,0,0) adalah satu titik ekstrim dari ruang pemecahan
(A,I)X =b. Di pihak lainnya , kedua vektor

tidak dapat dimasukkan secara berbarengan dalam setiap basis

karena keduanya berketergantungan (P4= -P5)
Kita dapat memperlihatkan secara grafik hubungan diantara
vektor dan basis dengan memperhatikan sekelompok persamaan
berikut ini dalam bentuk vector

Atau
Gambar diatas memperlihatkan vektor dua
dimensi P1,P2,P3,P4, dan P5. Karena kita
memiliki dua persamaan dan lima variabel,
sebuah basis harus dengan tepat mencakup
5-3 = 2 vektor independen. Kita dapat
melihat dalam gambar diatas bahwa semua
kombinasi dua vektor akan menghasilkan
sebuah basis kecuali kombinasi (P1,P5)
karena P1 dan P5 bersifat dependen.
Dalam metode simpleks primal, kita
hanya menangani pemecahan dasar yang
layak. Sebuah pemecahan dasar dari sistem
(A,I)X=b adalah layak untuk program linier
tersebut jika pemecahan tersebut juga
memenuhi batasan non negativitas
 4.1.3
Tabel Simpleks Dalam Bentuk
Matriks
Cara yang paling sederhana untuk memilih titik
ekstrim awal adalah menggunakan basis B yang
terdiri dari variabel slack dan/atau variabel
buatan seperti yang sudah dilakukan dlam Bab
3. Dengan cara ini, B awal adalah sebuah
matriks identitas I yang jelas merupakan sebuah
basis. Titik-titik eksrim yang bersebelahan lalu
ditentukan dengan menukar satu vektor dalam B
dengan satu vektor non dasar saat ini yang akan
menggerakkan pemecahan ke arah optimalitas
(metode primal) atau kelayakan (metode dual).
Bagaimana table simpleks tersebut
direpresentasikan untuk kasus minimasi akan
dipaparkan sebagai berikut :
Minimumkan 𝑧 = 𝑪𝑿
dengan batasan 𝑨 𝑰 𝑿 = 𝒃, 𝑿 ≥ 𝟎
Membagi vektor X ke dalam XI dan XII bersesuaian
dengan elemen-elemen dari X yang berkaitan
dengan basis awal B=I. Lebih lanjut membagi C
menjadi CI dan CII untuk bersesuaian dengan XI
dan XII. Jadi, bentuk standar dari LP dapat ditulis
sebagai berikut :
𝐳
𝟏 −𝐂𝐈 −𝐂𝐈𝐈 𝟎
= 𝐗𝐈 =
𝟎 𝐀 𝐈 𝐗 𝒃
𝐈𝐈
 Disetiap iterasi, anggap bahwa XB mewakili variabel dasar saat
ini dengan B sebagai basis yang berkaitan dengannya. Ini
berarti bahwa XB mewakili m elemen dari X dengan B mewakili
vektor (A, I) yang berkaitan dengan XB. Dengan cara yang
bersesuaian, anggap bahwa CB adalah elemen C yang
berkaitan dengan XB. Maka diperoleh,
𝐁𝐗 𝐁 = 𝐛 dan 𝑧 = 𝐂𝐁 𝐗 𝐁
 Bentuk lainnya sebagai berikut :

𝟏 −𝐂𝐁 𝑧 𝟎
= 𝐗 =
𝟎 𝐁 𝐁 𝐛
 Dengan melakukan inversi pada bagian matriks tersebut maka
dapat dicari nilai z dan XB, yang menghasilkan :

𝑧 𝟏 𝐂𝐁 𝐁 −𝟏 𝟎 𝐂𝐁 𝐁 −𝟏 𝐛
𝐗𝐁 = 𝟎 𝐁 −𝟏 𝐛
=
𝐁 −𝟏 𝐛
 Table simpleks umum yang bersesuaian dengan XB diperoleh
dengan mempetimbagkan berikut ini :

𝐳
𝟏 𝐂𝐁 𝐁 −𝟏 𝟏 −𝐂𝐈 −𝐂𝐈𝐈 𝐂𝐁 𝐁 −𝟏 𝟎
𝐗𝐈 = 𝟏
𝟎 𝐁 −𝟏 𝟎 𝐀 𝐈 𝐗 𝐈𝐈 𝟎 𝐁 −𝟏 𝐛
 Dasar XI XII

z 𝐂𝐁 𝐁 −𝟏 𝐀 − 𝐂𝐈 𝐂𝐁 𝐁 −𝟏 − 𝐂𝐁 𝐁 −𝟏 𝐛
𝐂𝐈𝐈

XB 𝐁 −𝟏 𝐀 𝐁 −𝟏 𝐁 −𝟏 𝐛

Dengan melakukan manipulasi matriks, maka diperoleh itersi

simpleks umum berikut ini yang diekspresikan dalam bentuk
matriks :
Tabel ini mencakup semua perincian perhitungan dari setiap
variabel metode simpleks. Keseluruhan table di setiap iterasi
dapat dihitung setelah basis B yang berkaitan dengan XB (dan
karena itu inversnya B-1) diketahui. Setiap elemen lain dalam
tabel ini adalah fungsi dari B-1 dan data semula dari masalah
ini.
 Karena B = I, B-1 = I dan tabel awal tersebut diperoleh dari tabel
umum dengan substitusi langsung sebagai :

XB = XII, CB=CII, B = I, B-1 = I

Jadi, tabel awal yang bersesuaian berkurang menjadi :

Dasar XI XII Pemecahan

z −𝐂𝐈 𝟎 𝟎

XII 𝐀 I 𝐛

Ilistrasi lainnya membahas penggunaan variabel buatan, untuk

metode M, CII=(M,M,….,M) (minnimasikan) dan untuk metode
dua tahap CII=(1,1,….,1). Pemecahan dasar awal kemudian
didefinisikan sebagai
Dasar XI XII Pemechan

z 𝐂𝐈𝐈 𝐀 − 𝐂𝐈 𝟎 𝐂𝐈𝐈 𝐛

XII 𝐀 𝐈 𝐛
4.2 METODE SIMPLEKS (PRIMAL)
YANG DIREVISI
Setelah variabel dasar diidentifikasi, basis B secara
otomatis diketahui dan keseluruhan tabel dihasilkan dari
data semula dalam bentuk standard an inversi B-1 . Pada
intinya metode simpleks primal dan dual dalam bentuk
matriks hanya berbeda dalam pemilihan vektor masuk dan
vektor keluar , dan semua perhitungan lainnya sama.

Metode simpleks yang direvisi dengan demikian

menawarkan prosedur yang lebihmenguntungkan
dipandang dari sudut pandang akurasi perhitungan (dan
kemungkinan jumlah perhitungan) karena metode ini
menghitung invers B-1 . Tetapi perlu ditekankan bahwa
metode yang direvisi ini menggunakan langkah-langkah
yang tepat sama seperti yang digunakan dalam Bab 3.
 4.2.1 Bentuk Hasil Perkalian dari Inversi
 Metode bentuk hasil perkalian adalah sebuah prosedur aljabar
matriks yang menghitung inverse dari sebuah basis yag baru dari
inverse basis lainnya, dengan ketentuan bahwa kedua basis tersebut
berbeda tepat dalam satu vektor kolom. Kemudian, dengan diketahui
basis saat ini B , basis berikutnya , Bnext dalam iterasi yang
berikutnya , akan berbeda dengan B hanya dalam satu kolom.
Prosedur bentuk hasil perkalian lalu menghitug inverse berikutnya B-
1 -1 dengan
next dengan mengalikan terlebih dahulu inverse saat ini B
sebuah matriks E yang dibentuk secara khusus.
Definisikan matriks identitas Im sebagai
Im = (𝑒1 , 𝑒2 , … . , 𝑒𝑚 )

 dimana 𝑒𝑖 adalah satu vektor kolom dengan satu elemen di tempat i

dan nol di tempat lainnya. Anggaplah bahwa B dan B-1 sudah
diketahui dan asumsikan bahwa vektor Pr dalam B digantikan dengan
vektor baru Pj ( dalam istilah metode simpleks Pr dan Pj adalah vektor
masuk dan vektor keluar ). Untuk penyederhanaan, definisikan
𝜶𝒋 = 𝐁 −𝟏 Pj
 𝑗
sehingga 𝛼𝑥 adalah elemen ke- k dari 𝜶𝑗 . Lalu inverse baru B-1next
dapat dihitung sebagai berikut:
B-1next = EB-1
di mana ,
E = (𝒆𝟏 , … . , 𝒆𝒓−𝟏 , , 𝒆𝒓+𝟏 , … . , 𝒆𝒎 )
dan 𝒋
𝜶𝟏
− 𝒋
𝜶𝒓
𝒋
𝜶𝟐
− 𝒋
𝜶𝒓
= ⋮
𝟏
+ 𝒋
𝜶𝒓
⋮
𝒋
𝜶𝒎
− 𝒋
𝜶𝒓

𝑗 𝑗
dengan ketentuan bahwa 𝛼𝑥 ≠ 0. Jika 𝛼𝑥 = 0, B-1next tidak ada.
* catat bahwa E diperoleh dari Im dengan menggantikan kolom ke-r 𝒆𝒓
dengan .
Untuk mengilustrasikan prosedur ini, pertimbangkan informasi berikut ini :

1/ 2 −1/4 0
2 1 0 0 1/ 2 0
=
B= 0 2 0 , B-1 −2 1 1
4 0 1

Jika, misalnya vektor kolom ketiga P3 = (0,0,1)T dari B diubah menjadi 𝐏3∗ = (2,1,5)T ,
kita dapat menemukan inversi baru tersebut sebagai berikut :
1/2 −1/4 0 2 3/4 𝜶𝟑𝟏
𝛂𝟑 = 𝐁 −𝟏 𝐏𝟑∗ = 0 1/2 0 1 = 1/2 = 𝜶𝟑𝟐
−2 1 1 5 2 𝜶𝟑𝟑
3
3
−4 −
8
2
1 1
= − 2 = −
4
2 1
+
1 +
2
2
1 0 −3/8 1/2 −1/4 0
B-1next 0 1 −1/4 0 1/2 0
=
0 0 1/2 −2 1 1
5/4 −5/8 −3/8
= 1/2 1/4 −1/4
−1 1/2 1/2
4.2.2 Langkah-Langkah Metode Simpleks
Primal yang Direvisi
Secara spesifik, seperti dalam metode simpleks,
basis awal dalam metode yang direvisi selalu
merupakan matriks identitas I yang inversinya
adalah dirinya sendiri. Jadi, jika 𝑩−𝟏𝟏 , 𝑩 −𝟏
𝟐 ,…, dan
𝑩−𝟏
𝒊 mewakili inversi yang berturut-turut untuk
iterasi i dan jika 𝑬𝟏 , 𝑬𝟐 ,…, 𝑬𝒊 adalah matriks yang
berkaitan sebagaimana didefinisikan dalam bagian
4.2.1, maka
−𝟏 −𝟏
𝑩−𝟏
𝟏 = 𝑬𝟏 𝑰, 𝑩 −𝟏
𝟐 = 𝑬𝟐 𝑩 −𝟏
𝟏 ,…, 𝑩 𝒊 = 𝑬𝒊 𝑩 𝒊−𝟏

Substitusi yang berturut-turut lalu akan

menghasilkan
𝑩−𝟏
𝒊 = 𝑬𝒊 𝑬𝒊−𝟏 … 𝑬𝟏
Langkah-langkah dari metode primal yang direvisi pada
intinya adalah sama dengan metode simpleks primal
dalam bab 3. Dengan diketahui basis awal I, kita
menentukan vektor koefisien tujuan yang berkaitan 𝐶𝐵
bergantung pada apakah variabel dasar awal tersebut
adalah variable slack (surplus) dan/atau variabel
buatan.
Langkah 1 : penentuan variable masuk 𝑷𝒋 . Hitung 𝒀 =
𝑪𝑩 𝑩−𝟏 . Untuk setiap vektor non dasar 𝑷𝒋 , hitung
𝑧𝑗 – 𝑐𝑗 = 𝒀𝑷𝒋 – 𝑐𝑗
untuk program minimasi, vektor masuk 𝑃𝑗 dipilih yang
memiliki 𝑧𝑗 – 𝑐𝑗 yang paling positif (tentukan secara
sembarang jika terdapat lebih dari satu yang sama).
Lalu jika semua 𝑧𝑗 – 𝑐𝑗 ≤ 0, pemecahan optimal telah
dicapai dan diketahui dengan
𝑿𝑩 = 𝑩−𝟏 𝒃 dan 𝑧 = 𝑪𝑩 𝑿 𝑩
Langkah 2 : penentuan variable keluar Pr.
Dengan diketahui vektor masuk Pj, hitung :
Nilai variable dasar saat ini, yaitu,
𝑿𝑩 = 𝑩−𝟏 𝒃
Koefisien batasan dari variable masuk, yaitu,
𝛼 𝑗 = 𝑩−𝟏 𝑷𝒋
variabel keluar 𝑃𝑟 harus berkaitan dengan
−𝟏
𝑚𝑖𝑛 (𝑩 𝒃)𝑘 𝑗
𝜃= 𝑗
, 𝛼𝑘 > 0
𝑘 𝛼 𝑘
𝑗
Dimana (𝑩−𝟏 𝒃)𝑘 dan 𝛼𝑘 adalah elemen ke-k
−𝟏 𝑗 𝑗
dari 𝑩 𝒃 dan 𝛼 , jika semua 𝛼𝑘 ≤ 0, masalah
tersebut tidak memiliki pemecahan yang
dibatasi.
 Langkah 3 : penentuan basis berikutnya. Dengan diketahui
basis inversi saat ini 𝑩−𝟏 , kita menemukan bahwa basis 𝑩−𝟏
𝒏𝒆𝒙𝒕
inversi berikutnya diketahui dengan
𝑩−𝟏
𝒏𝒆𝒙𝒕 = 𝑬𝑩
−𝟏

Sekarang tetapkan 𝑩−𝟏 = 𝑩−𝟏 𝒏𝒆𝒙𝒕 dan kembali ke langkah 1.

Langkah 1 dan 2 adalah tepat setara dengan langkah-
langkah dalam tabel simpleks dalam bab 3, sebagaimana
diperlihatkan dalam tabel berikut ini:

Dasar 𝑥1 𝑥2 … 𝑥𝑗 … 𝑥𝑛 Pemecahan

z 𝑧1 − 𝑐1 𝑧2 − 𝑐2 … 𝑧𝑗 − 𝑐𝑗 … 𝑧𝑛 − 𝑐𝑛

𝑿𝑩 𝑩−𝟏 𝑷𝒋 𝑩−𝟏 𝒃