LAPORAN PRAKTIKUM
Riset Operasi (RO)
Modul 3 : Metode Big M dan Dua Phase
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi
Daftar Isi............................................................................................................... i
Daftar Gambar .....................................................................................................ii
1 Pendahuluan ................................................................................................. 1
1.1 Metode Big-M........................................................................................ 1
1.2 Metode Dua Fase ................................................................................... 2
2 Deskripsi Kerja ............................................................................................. 3
2.1 Studi Kasus ............................................................................................ 3
2.2 Langkah Kerja Menggunakan Ms Excel ................................................. 4
2.3 Langkah Kerja Menggunakan TORA ..................................................... 7
3 Pembahasan ................................................................................................ 10
3.1 Metode Big M dan Dua Phase Menggunakan Ms Excel ....................... 10
3.2 Metode Big M Menggunakan TORA ................................................... 10
3.3 Metode Dua Phase Menggunakan TORA ............................................. 12
4 Penutup....................................................................................................... 15
4.1 Kesimpulan.......................................................................................... 15
5 Daftar Pustaka ............................................................................................ 16
i
Daftar Gambar
ii
1 Pendahuluan
1
b. Tugaskan pinalty yang besar
Berilah nilai variabel artifisial dengan nilai > 0 sehingga koefisien variabel
artifisial menjadi M (big M) secara simbolik yang menunjukkan bahwa
variabel artifisial tersebut memiliki angka positif raksasa ( dan pengubahan
atas variabel artifisial bernilai 0 (variabel nonbasis) dalam solusi optimal
disebut metode big m).
2
2 Deskripsi Kerja
Berapa jumlah white pines, spruce, dan ponderosa yang ditanam subaya
biaya produksinya minimum?
3
x1, x2, x3, x4 ≥0
4
keputusan dikunci dengan Fn+F4 agar tidak berubah apabila di-drag ke
bawah.
`
Gambar 2.6. Tampilan Window Add Constrain
5
7. Setelah terisi semua, seperti pilih OK maka akan kembali pada window
solver. Centang Make Unconstraind Variables Non-Negative, Pada
Select a solving method pilih Simplex LP.
6
2.3 Langkah Kerja Menggunakan TORA
Berikut merupakan langkah-langkah penyelesaian program linier dengan
metode Big M dan Dua Phase menggunakan TORA.
1. Mengaktifkan software TORA maka akan muncul tampilan main menu.
2. Pilih linear programming pada main menu, maka akan muncul tampilan
sperti pada Gambar 2.9, lalu klik Go to Input Screen.
7
Gambar 2.12. Input Grid
6. Masukan variabel keputusan, fungsi tujuan, fungsi batasan, serta R.H.S
atau batasannya.
8
10. Langkah 1 hingga langkah 6 adalah untuk mencari nilai optimum dari
fungsi minimum dengan metode Big M, pada langkah 10 ini praktikan
akan melakukan perlakuan yang sama, namun dengan metode yang
berbeda dengan menggunakan metode dua fase
11. Untuk langkahnya masih sama menggunakan TORA , mulai dari
penginputan, seperti pada gambar 2.8 hingga gambar 2.13, yang
berbeda pada saat pemilihan model.
9
3 Pembahasan
10
maksimum, kondisi optimum diperoleh jika dalam tabel simplek semua koefisien
variabel pada baris ke-0 bernilai nonnegative.
11
maksimum. Perhatikan Gambar 3.2. bagian iterasi 2, variabel yang masuk adalah
variabel Produk 2, sedangkan variabel yang keluar adalah variabel RX6 karena
memiliki nilai rasio yang paling kecil yaitu 60/1,5 = 40 jika dibanding dengan
variabel lain. Kemudian pivot kolom diubah ke matriks identitas dengan 0,5
menjadi 1 karena merupakan pivot elemen.
Hasil dari OBE pada iterasi 2 akan menghasilkan tabel simplek yang baru,
disebut dengan iterasi 3. Pada iterasi 3 variabel yang masuk basis adalah Produk
4, sedangakan variabel X3 adalah variabel yang keluar basis karena nilai rasionya
lebih kecil dibandingkan dengan variabel X3.
Kemudian pada iterasi 4 ini sudah mencapai kondisi maksium karena pada
baris ke-0 atau Z, koefisien variabel sudah mengandung nilai nonnegatif.
Selama proses iterasi terdapat variabel yang keluar dan masuk, variabel
keluar disebut dengan pivot baris, sedangkan variabel masuk disebut dengan pivot
kolom. Kemudian pertemuan antara pivot kolom dan pivot baris, disebut dengan
pivot elemen.
Berdasarkan hasill pada iterasi 4 dapat diketahui bahwa nilai maksimum
yang optimal dari pengolahan 4 produk dari industri manufakturing. Adalah
sebesar $800. Hasil maksimum tersebut akan tercapai jika produk yang dioalah
adalah sebanyak 80 Produk 4 dan 40 Produk 2 dengan tanpa mengolah Produk 1
dan Produk 3. Dan tanpa ada sisa bahan baku dan pengolahan menggunakan
mesin.
Pada Gambar 3.3. dan Gambar 3.4 Warna merah menunjukan variabel
basis yang keluar, sedangkan warna hijau menunjukan variabel yang masuk.
Dalam kasus maksimum, kondisi optimum diperoleh jika dalam tabel simplek
semua koefisien variabel pada baris ke-0 bernilai nonnegative.
Berdasarkan hasil output Gambar 3.3, dan Gambar 3.4 dapat dilihat
bahwa hasil iterasi pada metode dua phase untuk menyelesaikan persoalan di atas
ada sebanyak 5. Phase pertama terdiri dari 2 iterasi, dan phase kedua terdiri dari 3
12
kali iterasi. Pada phase pertama yang diiterasikan adalah variabel artifial dengan
meminimumkan artifisalnya.
fase pertama diselesaikan dengan membuat nilai nol pada variabel artifisial,
kemudian melanjutkan iterasi seperti proses iterasi biasanya (dengan aturan
meminimumkan). iterasi akan berhenti jika nilai pada baris ke-0 atau Zmin bernilai
nol.
Sedangkan pada phase kedua , yang diterasikan adalah nilai Z max . Fase dua
berhenti sesuai dengan tujuan awal permasalahan. Digunakan untuk mencari
solusi optimum pada permasalahan sesungguhnya. Karena variabel artifisial
bukan merupakan termasuk variabel dalam permasalahan sesungguhnya,
Berdasarkan gambar 3.3 dapat dilihat pada phase 1 iterasi pertama variabel
X2 menjadi varaibel yang masuk basis karena memiliki nilai Z positif paling
besar jika dibandingkan dengan ketiga variabel yang lain. Kemudian variabel
yang keluar yaitu Rx6. Kemudian pada phase 1 iterasi dihentikan pada iterasi
kedua. Karena nilai dari solusinya sudah nol.
Setelah iterasi phase 1 selesai, maka dilanjutkan dengan iterasi phase kedua.
Pada iterasi phase 2 , fungsi batasannya diambil dari tabel optimal phase 1.
Sedangkan fungsi tujuannya masih tetap menggunakan fungsi tujuan yang ada di
studi kasus yaitu memaksimumkan. Pada phase kedua, terdapat 3 iterasi.
13
Gambar 3.4. Output Phase 2
Berdasarkan gambar 3.4 dapat dilihat pada phase 2 iterasi pertama, Produk
3(X3) menjadi varaibel yang masuk basis. Kemudian variabel yang keluar yaitu
Sx5 karena memiliki nilai rasio paling kecil. Pada iterasi keedua, Produk 4 (X4)
terpilih untuk masuk basis karena memliki nilai Z paling negative yaitu -1,
sedangkan variabel yang keluar basis adalah Produk 3 karena memiliki nilai rasio
paling kecil.
Selanjutnya pada iterasi ketiga phase 2, sudah tidak ada lagi nilai Z yang
negatif , sehingga iterasi dihentikan atau tabel sudah optimal. Dari tabel optimal
pada Gambar keuntungan maksimum yang diperoleh adalah $800 dengan Produk
yang di produksi adalah Produk 4 sebanyak 80 dan Produk 2 sebanyak 40.
14
4 Penutup
4.1 Kesimpulan
15
5 Daftar Pustaka
Kesumawati, S.Si., M.Si., A., & Kusumawardani, S.Si., M.Si., R. (2017). Riset
Operasi 1 Teori dan Aplikasi Program Linier. Yogyakarta.
Adinegoro, P. (2017, Oktober 10). Optimasi Biaya Pemenuhan Asupan Gizi pada
Makanan bagi Anak-Anak Menggunakan Metode Simpleks Dua Fase.
Jurnal Pengembangan Teknoligi Informasi dan Ilmu Komunikasi, Vol. 1.
daniel, g., & Jose, r. (n.d.). PHP Simplex .
gholamreza, J. (2014). resolving Two Phase Simplex Method Having Basic
Artifical Variable at Level Zero. stanfor: Amiemt.
16