Kelas A

LAPORAN PRAKTIKUM
Riset Operasi (RO)
Modul 3 : Metode Big M dan Dua Phase

Nomor Tanggal Tanda Tangan

Nama Praktikan Praktikan
Mahasiswa Kumpul
Sri Arista P. 17611078 29/03/2019

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Putri Choirunisa
Tyas Kesumawati
Ayundyah
Kesumawati, S.Si.,
M.Si.

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

Gambar ‎2.1. Fungsi Tujuan ................................................................................ 4

Gambar ‎2.2. Sumproduct Biaya Minimal ............................................................ 4
Gambar ‎2.3. Fungsi Batasan ............................................................................... 4
Gambar ‎2.4. Sumproduct pada Fungsi Batasan ................................................... 5
Gambar ‎2.5. Tampilan Window Solver................................................................ 5
Gambar ‎2.6. Tampilan Window Add Constrain ................................................... 5
Gambar ‎2.7. Subject to the Constraints ............................................................... 6
Gambar ‎2.8. Tampilan Solver Results ................................................................. 6
Gambar ‎2.9. Tampilan Select Input ..................................................................... 7
Gambar ‎2.10. Tampilan untuk Mengisi Judul, dan Fungsi.................................. 7
Gambar ‎2.11. Mengisi Judul, Jumlah Fungsi (Tujuan & Batasan) ....................... 7
Gambar ‎2.12. Input Grid .................................................................................... 8
Gambar ‎2.13. Pengsian Field Pada Input Grid .................................................... 8
Gambar ‎2.14. Memilih Metode Big M ................................................................ 8
Gambar ‎2.15. Tampilan Iterasi Pertama .............................................................. 8
Gambar ‎2.16. Memilih Metode Dua Fase ........................................................... 9
Gambar ‎3.1. Output Excel ................................................................................ 10
Gambar ‎3.2. Output Metode Big M .................................................................. 11
Gambar ‎3.3. Output Phase 1 ............................................................................ 13
Gambar ‎3.4. Output Phase 2 ............................................................................ 14

ii
1 Pendahuluan

1.1 Metode Big-M

Metode‎ Big‎ M‎ digunakan‎ jika‎ terdapat‎ tanda‎ ≥‎ dan‎ atau‎ =‎ pada fungsi
batasan persoalan program linier, sehingga variabel basis awal tidak didapatkan
langsung dari fungsi batasan. Oleh karena itu, perlu ditambahkan variabel bantuan
baru yang biasanya disebut dengan variabel artifisial ke dalam fungsi batasan.
Metode ini menggunakan konsep modifikasi fungsi tujuan pada persoalan
program linier, sehingga variabel artificial bernilai 0 pada solusi optimumnya.
Menurut Taha (2007), variabel artificial tidak termasuk bagian dari persoalan
program linier maka pada fungsi tujuan harus diberi penalt yang besar untuk
variabel artificial, sehingga nantinya variabel artificial akan bernilai 0 pada solusi
optimumnya. Model matematis untuk metode Big M pada umumnya sama dengan
model matematis programlinier, berikut ini adalah contoh modifikasi fungsi
tujuan dan batasanuntuk metode Big M dengan jumlah variabel keputusan
sebanyak 4. ( Kesumawati, S.Si., M.Si. & Kusumawardani, S.Si., M.Si., 2017)
Penyelesaian persoalan program linier menggunakan metode Big M sama
halnya dengan menyelesaikan persoalan program linier menggunakan tabel
simplek, perbedaanya terletak pada saat penentuan variabel basis yang digunakan
di awal. Pada metode Big M variabel basis awal yang digunakan adalah variabel
artificial. Jika persoalan memiliki solusi yang fisibel maka nilai z optimum tidak
memuat bilangan M. Berikut ini adalah langkah-langkah penyelesaian persoalan
program linier menggunakan metode Big M. ( Kesumawati, S.Si., M.Si. &
Kusumawardani, S.Si., M.Si., 2017)
Ada pun prosedur mendapatkan basis fiseable awal pada kendala fungsional
adalah
a. Gunakan teknik variabel artifisial
Tambahkan variabel artifisal non negatif pada fungsi kendala yang belum
baku, dan anggaplah variabel artifisial tersebut sebagai salah satu variabel
slack

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).

1.2 Metode Dua Fase

Langkah pertama dalam metode simpleks dua fase adalah inisialisasi yakni
langkah dimana membuat semua persamaan fungsi kendala yang sudah diberikan
dalam permasalahan menjadi bentuk model standar. Langkah ini dilakukan
dengan menambahkan variabel slack, surplus dan juga artificial. Variabel slack
ditambahkan‎untuk‎fungsi‎kendala‎dengan‎tanda‎“<”,‎suplus‎ditambahakan untuk
fungsi‎kendala‎dengan‎tanda‎“>”,‎dan‎artificial‎ditambahkan‎untuk‎fungsi‎dengan‎
tanda‎“=”‎dan‎“>”. (Adinegoro, 2017)
Selanjutnya adalah fase 1. Fase 1 ini bertujuan untuk menghilangkan variabel
artificial dengan cara menjadikan variabel artificial menjadi non-basis. Pada fase
1 fungsi tujuan awal dihilangkan sementara digantikan dengan akumulasi dari
fungsi kendala. Tujuannya adalah untuk mencari solusi feasible dengan membuat
artificial variables menjadi variabel non-basis. (gholamreza, 2014)
Pada fase 1 terdapat iterasi yang akan berhenti saat dinyatakan terdapat solusi
feasible dengan ditunjukkan nilai Z pada akhir iterasi fase 1 adalah 0. Adapun
langkah-langkah yang dilakukan pada tiap iterasi adalah sebagai berikut: (daniel
& Jose)
1. Membuat tabel awal simpleks dan menentukan variabel yang akan masuk
2. Menentukan variabel baris yang digantikan
3. Menghitung koefisien variabel baris baru.
4. Menghitung nilai koefisien baris baru lainnya.
5. Membuat tabel simpleks baru
Selanjutnya adalah fase 2. Fase 2 adalah kumpulan dari iterasi yang digunakan
untuk mencari nilai optimal dari fungsi tujuan yang semula.

2
2 Deskripsi Kerja

2.1 Studi Kasus

1. Kerjakan Menggunakan Ms. Excel
Sebuan perusahaan di Oregon berencana menggunaka 3 jenis kayu, yaitu:
white pines ,spruce, ponderosa pines untuk memproduksi bubur kertas dan
kayu. Perusahaan merencanakan bahwa setiap jenis pohon menghasilkan
paling sedikit 27 ton bubur dan 30 ton kayu. Perusahaan menggunakan
program linier untuk menentukan jumlah white pines (X1), spurce (X2),
dan ponderosa pines (X3) untuk meminimumkan biaya produksi. Model
matematisnya adalah sebagai berikut ini
Fungsi tujuan minimumkan Z = 120 X1 + 40 X2 + 240X3 (Biaya, $)
Fungsi batasan
 4X1‎+‎X2‎+‎3X3‎≥‎27‎(bubur,‎ton)
 2X1‎+‎6X2‎+‎3X3‎≥‎30‎(kayu,‎ton)
 X1,X2,X3‎≥‎0

Berapa jumlah white pines, spruce, dan ponderosa yang ditanam subaya
biaya produksinya minimum?

2. Kerjakan menggunakan Tora menggunakan dua metode big M dan dua

phase. Jelaskan per metode!
Sebuah industri manufakturing menghasilkan 4 produk. Setiap produk
membutuhkan bahan baku dan mesin untuk pengolahannya. Model
program linier digunakan untuk menentukan jumlah produk 1 (x1), produk
2 (x2), produk 3 (x3), dan produk 4 (x4) yang diproduksi mengikuti
persamaan fungsi tujuan dan batasan berikut ini
Fungsi tujuan maksimumkan z=2x1+8x2+10x3+6x4 (keuntungan, $)
Fungsi batasan
 2 x1+ x2+4 x3+2 x4≤200 ( bahan baku, pound)
 x1+2 x2+2 x3+ x4=160 ( pengolahan menggunakan mesin,
jam)

3
  x1, x2, x3, x4 ≥‎0‎‎

Tentukan berapa banyak produk 1,2,3, dan 4 yang harus diproduksi!

Berapa keuntungan maksimumnya?

2.2 Langkah Kerja Menggunakan Ms Excel

Berikut merupakan langkah-langkah penyelesaian program linier dengan
metode simplek menggunakan Ms excel.
1. Mendifiniskan variabel keputusan dan fungsi tujuan yang terdiri dari
white pines, spruce, dan ponderosa.

Gambar ‎2.1. Fungsi Tujuan

2. Pada varibel keputusan dan biaya minimal tidak diisi data, sedangkan
sel fungsi tujuan diisi data dari fungsi tujuan itu sendiri dalam studi
kasus. Sel biaya minimal diisi dengan formula SUMPRODUCT (sel
variabel keputusan, sel fungsi tujuan).

Gambar ‎2.2. Sumproduct Biaya Minimal

3. Selanjutnya mendefinisikan fungsi batasan yang terdiri dari Bubur dan
Kayu.

Gambar ‎2.3. Fungsi Batasan

4. Pada kolom biaya minimal praktikan mengisi dengan formula
SUMPRODUCT(sel koefisien,baris batasan1) ”,‎ untuk‎ sel‎ varibel‎

4
 keputusan dikunci dengan Fn+F4 agar tidak berubah apabila di-drag ke
bawah.

Gambar ‎2.4. Sumproduct pada Fungsi Batasan

5. Selanjutnya adalah mencari jumlah dari variabel menghitung keputusan
dan biaya minimal yang akan diperoleh dengan cara, pilih menu Data,
kemudian pilih tools Solver yang berada pada pojok kanan atas.

Gambar ‎2.5. Tampilan Window Solver

Pada Set Objective masukan sel biaya minimal dari fungsi yang akan
dioptimumkan, yaitu fungsi tujuan. Kemudian pilih Min karena
praktikan akan mencari biayam minimum. Pada bagian By changing
variable cells, masukan jumlah variabel keputusan . Kemudian pilih add.
6. Setelah pilih add , maka akan muncul tampilan seperti pada Gambar
2.6. Masukan total dari fungsi batasan pada bagian Constrain masukan
waktu yang tersedia dari pembuatan pola, kemudian pilih add. Lakukan
hal yang sama untuk mengecat, dan menggabungkan.

`
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.

Gambar ‎2.7. Subject to the Constraints

8. Pilih Solve, maka akan muncu tampilan Solver Results. Pilih Answer
pada bagian Reports, kemudian Ok.

Gambar ‎2.8. Tampilan Solver Results

9. Hasil penyelesaian program linier yang pertama akan tampil pada sheet
Answer Report 1.

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.

Gambar ‎2.9. Tampilan Select Input

3. Setealah muncul tampilan seperti Gambar 2.11

Gambar ‎2.10. Tampilan untuk Mengisi Judul, dan Fungsi

4. Masukan judul program pada kolom problem title, masukkan fungsi
tujuan pada kolom Nbr. Of Variables, dan fungsi batasan pada kolom
No. of Contraints.

Gambar ‎2.11. Mengisi Judul, Jumlah Fungsi (Tujuan & Batasan)

5. Kemudian tekan Enter pada keyboard, maka akan muncul tampilan
seperti pada Gambar 2.12.

7
 Gambar ‎2.12. Input Grid
6. Masukan variabel keputusan, fungsi tujuan, fungsi batasan, serta R.H.S
atau batasannya.

Gambar ‎2.13. Pengsian Field Pada Input Grid

7. Untuk meto big m, Klik Solve Menu, pilih SolveAlgebric Iteration
dan kemudian klikM method.

Gambar ‎2.14. Memilih Metode Big M

8. Nilai M yang dimasukkan sebesar 100, kemudian klik Go to Output
Format Scree dan klik Go to Output Screen maka akan tampil hasil
iterasi pertama.

Gambar ‎2.15. Tampilan Iterasi Pertama

9. Untuk mengetahui hasil iterasi yang lain, klik All Iteration.

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.

Gambar ‎2.16. Memilih Metode Dua Fase

Setelah memilih metode, maka akan tampil output dari metode dua fase
ini.

9
3 Pembahasan

3.1 Metode Big M dan Dua Phase Menggunakan Ms Excel

Gambar ‎3.1. Output Excel

Berdasarkan hasil pada Gambar 3.1. pada bagian Objective cell dijelaskan
bahwa biaya minimum yang akan diperoleh oleh perusahan dalam memproduksi
bubur kertas dan kayu adalah sebesar840$. Kemudian pada bagian variable cell
diketahui bahwa untuk memperoleh biaya minimum maka harus menanam
sebanyak 6 ton White Pines dan 3 ton Spurce. Selain itu pada bagian Constraints
menunjukan bahwa dlam proses pengolahan bubur kertas dan kayu tidak
mengalami kekurangan waktu. Artinya waktu yang diberikan ontok pengolahan
sudah sesuai rencana.

3.2 Metode Big M Menggunakan TORA

Gambar 3.2 menampilkan tabel simplek yang menginterprasikan hasil
perhitungan menggunakan metode big m dengan 4 iterasi untuk memeproleh
hasil yang optimal. Warna merah menunjukan variabel basis yang keluar,
sedangkan warna hijau menunjukan variabel yang masuk. Dalam kasus

10
maksimum, kondisi optimum diperoleh jika dalam tabel simplek semua koefisien
variabel pada baris ke-0 bernilai nonnegative.

Gambar ‎3.2. Output Metode Big M

Pada iterari 1, Produk 3 (X3) mempunyai nilai koefisien paling negatif
yaitu -210 jika dibandingkan dengan koefisien variabel lainnya, sehingga Produk
3 terpilih menjadi variabel basis dan kolom Produk 3 menjadi kolom yang masuk
basis. Sedangkan variabel yang terpilih untuk keluar adalah SX 5 karena rasio yang
didapatkan paling kecil yaitu 50. Nilai rasio ini diperoleh dari jumlah RHS SX 5
dibagi dengan pivot elemen yaitu 200/10. Kemudian pivot elemen yang diperoleh
dirubah menjadi satu sedangkan kolom lainnya pada Produk 3 dirubah menjadi 0
(diubah ke matriks indentitas) dengan cara Operasi Baris Elementer (OBE).
Hasil dari OBE pada iterasi 1 akan menghasilkan tabel simplek yang baru,
disebut dengan iterasi 2. Pada iterasi 2, masih terdapat nilai nonpostif pada Z
yaitu variabel Produk 2(X2) sehingga iterasi 2 belum mencapai kondisi

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.

3.3 Metode Dua Phase Menggunakan TORA

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,

Gambar ‎3.3. Output Phase 1

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

Setelah menyelesaikan studi kasu, dapat disimipulkan bahwa :

1. Agar perusahan di Erigon mendapatkan biaya minimal produksi, maka
harus menanam 6 ton White Pines dan 3 ton Spurce, tanpa menanam
pedrosa dalam memproduksi. selain itu juga dalm proses pengolahan
bubur kertas dan kayu tidak ada kekurangan waktu. sehingga diperoleh
biaya minimal sebesar 840$.
2. Dari hasil perhitungan dengan menggunakan metode big m dan dua
phase, industri manufacturing harus memproduksi sebanyak 80 produk 4
dan 40 produk 2 untuk memproleh keuntungan maksimum sebesar 800$.
3. Penggunaan sowftware Excel dan TORA memberikan hasil yang sama,
hanya saja terdapat perbedaan pada iterasi, jika Excel langsung
memberikan hasil akhir, berbeda halnya dengan tora yang menampilkan
iterasi secara bertahap.

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