Metode

simpleks
 Model Pemrograman Linier
Memaksimalkan/Meminimalkan:
𝑧 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛

𝑎11 𝑥1 𝑎12 𝑥2 ⋯ 𝑎1𝑛 𝑥𝑛 ≤, =, ≥ 𝑏1

𝑎21 𝑥1 𝑎22 𝑥2 ⋯ 𝑎2𝑛 𝑥𝑛 ≤, =, ≥ 𝑏2
⋮ ⋮ ⋯ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 𝑎𝑚2 𝑥2 ⋯ 𝑎𝑚𝑛 𝑥𝑛 ≤, =, ≥ 𝑏𝑚

𝑥𝑖 ≥ 0

Ingat! Untuk setiap variabel xi, pembatas tanda haruslah jelas yaitu xi
nonnegative (xi ≥ 0) atau xi unrestricted in sign (urs).
 Bentuk standar
• Sebelum algoritma simpleks dapat digunakan untuk menyelesaikan
model LP, terlebih dahulu model LP harus dikonversi menjadi bentuk
yang setara di mana semua kendala adalah berupa persamaan
linear dan semua variabel bernilai nonnegatif.
• Model LP dalam bentuk yang setara ini disebut model LP bentuk
standar
• Untuk mengkonversi model LP umum menjadi model LP bentuk
standar, hal yang dilakukan yaitu setiap fungsi kendala yang
berbentuk pertidaksamaan linear harus diubah menjadi
persamaan linear
Ketentuan Bentuk Standar LP
• Seluruh fungsi kendala harus berbentuk persamaan dengan ruas
kanan yang nonnegatif.
• Seluruh variabel keputusan harus merupakan variabel bernilai
nonnegatif.
• Fungsi tujuan merupakan maksimasi /minimasi.

Beberapa hal yang dapat dilakukan untuk memperoleh bentuk standar

LP sesuai ketentuan di atas berkaitan dengan fungsi kendala dan variabel
keputusan.
Bentuk Standar fungsi kendala
• Apabila fungsi kendalanya bertanda ”≤”, maka pada ruas kiri dari fungsi
kendala tersebut perlu ditambahkan slack variable.
• Fungsi kendala bertanda ”≤” berhubungan dengan penggunaan dan
ketersediaan sumber daya, sehingga slack variable mewakili jumlah
sumber daya yang tidak dipergunakan.
• Misalkan fungsi kendala ke-p bertanda ”≤”, maka diperoleh bentuk
standar:
a p1 x1  a p 2 x2    a pn xn  xn  p  b p

dimana xn  p merupakan slack variable

Bentuk Standar fungsi kendala
• Apabila fungsi kendalanya bertanda ”≥”, maka pada ruas kiri fungsi
kendala perlu dikurangkan surplus variable.
• Fungsi kendala bertanda ” ≥” berhubungan dengan persyaratan
spesifikasi minimum, sehingga surplus variable mewakili jumlah
kelebihan sesuatu dibandingkan dengan spesifikasi minimumnya.
• Misalkan fungsi kendala ke-q bertanda ” ≥”, maka diperoleh bentuk
standar:
aq1 x1  aq 2 x2    aqn xn  xn  q  bq

dimana xn  q merupakan excess variable (surplus variable)

Bentuk Standar pembatas tanda
• Suatu variabel keputusan x j yang tidak terbatas dalam tanda dapat
dinyatakan sebagai dua variabel keputusan nonnegatif dengan
menggunakan substitusi:
xj  xj  xj
1 2

x1j  0 dan x j  0 . Selanjutnya substitusi ini harus

2
dimana
dilakukan pada seluruh fungsi kendala dan fungsi objektifnya.
Contoh 1
Bentuk standar dari permasalahan Leather Limited adalah :
Max z = 4x1 + 3x2 + 0x3 + 0x4
subject to: x1 + x2 + 1x3 + 0x4 = 40
2x1 + x2 + 0x3 + 1x4 = 60
xi ≥ 0 (i = 1, 2, 3, 4)
Pengantar algoritma simpleks
• Ide dari metode simpleks dapat dikemukakan secara ringkas yaitu
bahwa metode ini selalu dimulai pada suatu titik sudut fisibel, dan
selalu bergerak melalui titik sudut fisibel yang berdekatan, menguji
masing-masing titik mengenai optimalisasinya sebelum bergerak pada
titik lainnya.
• Jumlah iterasi maksimum dalam metode simpleks adalah sama
dengan jumlah maksimum solusi basis dalam bentuk standar,
sehingga jumlah iterasi simpleks ini tidak akan lebih dari:

N!
CmN 
N  m! m!
Pengantar algoritma simpleks
Misalkan diketahui bentuk standar dari suatu permasalahan LP dengan
m fungsi kendala (persamaan linear) yang memuat N variabel (x1, x2,...,
xN) adalah sebagai berikut:

Memaksimumkan (Meminimumkan)
𝑧 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑁 𝑥𝑁
dengan fungsi kendala:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑁 𝑥𝑁 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑁 𝑥𝑁 = 𝑏2
⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑁 𝑥𝑁 = 𝑏𝑚
𝑥𝑖𝑗 ≥ 0, 𝑖 = 1, 2, ⋯ , 𝑚 𝑗 = 1, 2, ⋯ , 𝑁
Pengantar algoritma simpleks
Misalkan didefinisikan:
 a11 a12  a1N  𝑥1 𝑏1
a  a2 N 
a22 𝑥2 𝑏
A   21 𝑋= ⋮ 𝑏= 2
      ⋮
  𝑥𝑁 𝑏𝑚
am1 am 2  amN 

maka fungsi kendala dari bentuk standar permasalahan LP dapat

dinyatakan sebagai suatu sistem persamaan linear Ax = b.
Peubah dasar & peubah nondasar
Diketahui suatu sistem persamaan linear Ax = b yang terdiri dari m
persamaan linear dengan N variables (assume N ≥ m).

Definition
A basic solution to Ax = b is obtained by setting N - m variables equal
to 0 and solving for the values of the remaining m variables. This
assumes that setting the N - m variables equal to 0 yields unique
values for the remaining m variables or, equivalently, the columns for
the remaining m variables are linearly independent

Untuk menentukan suatu solusi dasar (basic solution) dari suatu sistem
persamaan Ax = b, yang dilakukan pertama kali adalah memilih sebanyak
N - m variabel (the nonbasic variables, or NBV) dan setiap variabel
tersebut ditetapkan bernilai 0. Selanjutnya menentukan nilai dari
N - (N - m) m variabel sisanya (the basic variables, or BV) sehingga
memenuhi Ax = b.
Solusi dasar & solusi dasar fisibel
• Apabila dipilih m vektor kolom yang membentuk matriks A adalah
bebas linear, dan (N – m) peubah lain yang berkoresponden dengan
vektor-vektor yang tersisa pada matriks A tersebut mempunyai nilai
nol, sehingga himpunan m persamaan simultan itu mempunyai
penyelesaian tunggal yang dinamakan solusi dasar (basic solution).

• m variabel dari solusi dasar yang berasosiasi dengan m vektor

kolom yang bebas linear dinamakan variabel dasar (basic variable or
BV), (N – m) variabel sisanya dinamakan variabel nondasar (nonbasic
variable or NBV) pada umumnya ditetapkan bernilai nol.

• Apabila terdapat satu/lebih BV yang bernilai nol maka

permasalahan LP tersebut dinamakan degenerasi dan BV yang
bernilai nol dinamakan variabel degenerasi.
Resume Beberapa Definisi
Definisi 1:

Basic Solution bagi Ax  b

Membuat jadi nol N-m peubah dan mencari solusi bagi
m peubah sisanya

Definisi 2:
Basic Feasibel Solution (bfs): Sembarang solusi dari LP,
dengan seluruh peubah ≥ 0
Basic Variable (BV): Peubah yang bernilai > 0 di dalam
bfs
Non Basic Variable (NBV): Peubah yang bernilai = 0 di
dalam bfs
Solusi DASAR
Definition
Any basic solution to constraints LP’s problem in which all variables
are nonnegative is a basic feasible solution (or bfs).

Theorem 1
A point in the feasible region of an LP is an extreme point if and
only if it is a basic feasible solution to the LP.
Solusi DASAR

Daerah feasibel dari LP adalah convex set.

Jika LP mempunyai solusi optimal, solusi tsb adalah
salah satu dari titik ekstrim dari daerah feasibel.

• Untuk sembarang LP, terdapat satu titik ekstrim dari

daerah feasibel LP yang unik, yang bersesuaian
dengan masing-masing bfs.
• Terdapat paling sedikit satu bfs yang bersesuaian
dengan masing-masing titik ekstrim dari daerah
feasibel.
Contoh 1
Tentukan semua solusi dasar dari persamaan simultan :
4 x1  5 x2  8 x3  7 x4  10
3x1  2 x2  6 x3  9 x4  11

Penyelesaian:
Untuk persamaan simultan di atas: banyaknya persamaan linear adalah m = 2
dan banyaknya variabel adalah N = 4. Berdasarkan informasi tersebut, maka
banyaknya solusi dasar yang mungkin ada sebanyak 6. Setiap solusi dasar dari
persamaan simultan di atas mempunyai m = 2 BV dan N – m = 4 – 2 = 2 NBV.
Ke – 6 kemungkinan solusi dasar tersebut adalah :
1. x1 = 5; x2 = - 2; x3 = 0; x4 = 0
2. x1 =(13/15); x2 = 0; x3 = 0; x4 = (14/15)
3. x1 = 0; x2 = (13/31); x3 = 0; x4 = (35/31)
4. x1 = 0; x2 = 0; x3 = (13/30); x4 = (14/15)
5. x1 =0; x2 = - 2; x3 =(5/2); x4 = 0
Contoh 1
Pada saat memisalkan NBV adalah x1 dan x3, yang artinya BV adalah x2 dan x4,
 4
maka tidak akan diperoleh solusi basis, hal ini dikarenakan vektor kolom x1   
3 
8 

dan vektor kolom 3 6 tidak bebas linear.
x
 
Oleh karena itu hanya terdapat 5 solusi basis dari 6 solusi basis yang mungkin.
CONTOH 2
The Dakota Furniture Company manufactures desks, tables, and chairs. The
manufacture of each type of furniture requires lumber and two types of skilled
labor: finishing and carpentry. The amount of each resource needed to make each
type of furniture is given this Table.

Currently, 48 board feet of lumber, 20 finishing hours, and 8 carpentry hours are
available. A desk sells for $60, a table for $30, and a chair for $20. Dakota believes
that demand for desks and chairs is unlimited, but at most five tables can be sold.
Because the available resources have already been purchased, Dakota wants to
maximize total revenue.
CONTOH 2
Defining the decision variables as
x1 : number of desks produced
x2 : number of tables produced
x3 : number of chairs produced
Dakota should solve the following LP:
Contoh 3
Untuk mengilustrasikan hubungan antara titik ektrem dengan solusi dasar fisibel
seperti yang diutarakan dalam Theorem 1, perhatikan kembali permasalahan LP
the Leather Limited. Model LP dari permasalahan the Leather Limited adalah:

Bentuk standar dari permasalahan the Leather Limited adalah:

Contoh 3
Daerah fisibel untuk permasalahan the Leather Limited digambarkan pada grafik
di bawah ini.
Metode simpleks
• Setiap titik ekstrim di dalam daerah feasibel adalah BFS (BV
dan NBV)
• Solusi optimal adalah salah satu dari BFS
• BFS dengan nilai z terbesar (terkecil) pada kasus maks (min)

Algoritma Simpleks: bergerak dari satu BFS ke

BFS berikutnya sampai diperoleh BFS yang
menjadi solusi optimal
Algoritma simpleks
Untuk menyelesaikan permasalahan LP dengan menggunakan algoritma
simpleks dengan fungsi tujuan maksimasi z, dapat dilakukan dengan
langkah-langkah berikut:
Step 1 : Mengkonversi model permasalahan LP ke dalam bentuk standar
permasalahan LP.
Step 2 : Menentukan suatu solusi dasar fisibel (jika mungkin/ada) dari bentuk
standar tersebut.
Step 3 : Memeriksa apakah solusi dasar fisibel pada step (2) telah optimal.
Step 4 : Jika solusi dasar fisibel pada step (2) belum optimal, maka tentukan
solusi dasar fisibel baru dengan cara menentukan variabel mana yang
akan berubah jadi BV, dan sebaliknya.
Step 5 : Gunakan OBE untuk menentukan solusi dasar fisibel baru. Lanjutkan
kembali ke step (3).
Algoritma simpleks
In performing the simplex algorithm, write the objective function

in the form

We call this format the row 0 version of the objective function (row 0 for short).
Algoritma Simpleks untuk Maksimasi
1. Mengubah semua fungsi kendala ke bentuk standar dengan
menambahkan slack variable atau mengurangi surplus variable
pada fungsi kendala tersebut. Slack variables yang ada
dimasukkan (ditambahkan) ke fungsi tujuan dan diberi koefisien
0.
2. Apakah dalam matriks A  aij  sudah terbentuk matriks identitas ?
a. Apabila dalam matriks A sudah terbentuk sub matriks identitas
I m  maka disusun tabel awal simpleks sebagai berikut:
Algoritma Simpleks untuk Maksimasi

Solusi
BV Z X1 X2 X3 ... XN Ri
(RK)

Zj - C j 1 Z1 – C 1 Z2 – C 2 Z3 – C 3 ... ZN – C N 0

XB1 0 β11 β12 β13 ... β1N b1 R1

XB2 0 β21 β22 β23 ... β2N b2 R2

... ... ... ... ... ... ... ... ...

XBm 0 βm1 βm2 βm3 ... βmN bm Rm

Algoritma Simpleks untuk Maksimasi
b. Apabila belum terbentuk matriks identitas, maka matriks
identitas dimunculkan dengan menambahkan variabel semu
(artificial variable). Variabel semu yang ada dimasukkan di fungsi
tujuan, sedangkan koefisien dari variabel semu pada fungsi tujuan
diberi nilai (- M) dengan M adalah bilangan yang cukup besar.
Untuk lebih jelasnya biasanya variabel semu (artificial variable)
ditambahkan pada fungsi kendala dengan batasan kendala
bertanda “≥” dan “=“. Selanjutnya ke langkah (2.a).
3. Penelitian terhadap nilai zj – cj (tabel simpleks sudah optimal apabila
semua zj – cj ≥ 0).
a. Apabila untuk semua j diperoleh zj – cj ≥ 0, maka dilanjutkan ke
langkah ke-4
Algoritma Simpleks untuk Maksimasi
b. Apabila ada satu atau lebih zj – cj < 0 maka akan dibuat tabel
simpleks baru dengan cara berikut ini:
(i) Menentukan kolom kunci yaitu dengan memilih nilai zj – cj yang
terkecil sesuai dengan aturan pada persamaan (a.1) dan misalkan
diperoleh zk – ck, maka kolom ke-k dinamakan kolom
kunci/kolom masuk (entering column/EC)
(ii) Pada EC dilakukan pemeriksaan terhadap nilai aik
a. Apabila untuk semua aik nilainya negatif maka diperoleh solusi
tak terbatas (unbounded solution)
b. Apabila terdapat aik yang nilainya positif maka hitunglah nilai
dari Ri (ingat! hanya untuk yang positif saja), kemudian
dilanjutkan ke langkah di bawah ini.
Algoritma Simpleks untuk Maksimasi
(iii) Menentukan baris kunci, yaitu dengan memilih nilai Ri yang
terkecil (diantara yang positif) sesuai dengan aturan pada
persamaan (a.2) dan misalkan diperoleh br, maka baris ke-r
dinamakan baris kunci/persamaan pivot (pivot equation/PE).
c. Selanjutnya menyusun tabel simpleks baru atau perhitungan
simpleks dengan iterasi-iterasi yaitu dengan cara:
(i) Sebelum menentukan elemen-elemen baris ke-r yang baru perlu
diketahui bahwa elemen titik potong antara EC dan PE
dinamakan elemen pivot (ark).
(ii). Untuk elemen baris ke-r (br), biasanya dinamakan persamaan
pivot baru (newPE) ditentukan dengan perumusan:
newPE  PE  ark
 Algoritma Simpleks untuk Maksimasi
(iii) Untuk elemen baris ke-i yang lainnya ditentukan dengan
perumusan:

Persamaan baru  persamaan lama  aik  (newPE)

4. Apabila untuk semua j nilai dari zj – cj adalah zj – cj ≤ 0 maka fungsi

tujuannya telah mencapai optimal.
Algoritma Simpleks untuk Minimasi
Untuk menyelesaikan masalah PL dengan metode simpleks serta dengan
fungsi tujuan minimasi z, lakukanlah langkah-langkah berikut:
1. Mengubah semua pembatas linear ke bentuk standar dengan
menambahkan slack variable atau mengurangi surplus variable
pada fungsi kendala tersebut. Slack variables yang ada
dimasukkan (ditambahkan) ke fungsi tujuan dan diberi koefisien
0.
2. Apakah dalam matriks A = {aij} sudah terbentuk matriks identitas (Im)?
a. Apabila dalam matriks A sudah terbentuk matriks identitas maka
disusun tabel awal simpleks sebagai berikut:
 Algoritma Simpleks untuk Minimasi

Solusi
BV Z X1 X2 X3 ... XN Ri
(RK)

Zj - C j 1 Z1 – C 1 Z2 – C 2 Z3 – C 3 ... ZN – C N 0

XB1 0 β11 β12 β13 ... β1N b1 R1

XB2 0 β21 β22 β23 ... β2N b2 R2

... ... ... ... ... ... ... ... ...

XBm 0 βm1 βm2 βm3 ... βmN bm Rm

Algoritma Simpleks untuk Minimasi
b. Apabila belum terbentuk matriks identitas, maka matriks identitas
dimunculkan dengan menambahkan variabel semu (artificial
variable). Variabel semu yang ada dimasukkan di fungsi tujuan,
sedangkan koefisien dari variabel semu pada fungsi tujuan diberi
nilai (+ M) untuk kasus maksimasi dan (- M) untuk kasus minimasi
dengan M adalah bilangan yang cukup besar.
Untuk lebih jelasnya biasanya variabel semu (artificial variable)
ditambahkan pada fungsi kendala dengan batasan kendala
bertanda “≥” dan “=“. Selanjutnya ke langkah (2.a).
3. Penelitian terhadap nilai zj – cj (tabel simpleks sudah optimal apabila
semua zj – cj ≤ 0).
a. Apabila untuk semua j diperoleh zj – cj ≤ 0, maka dilanjutkan ke
langkah ke-4
Algoritma Simpleks untuk Minimasi
b. Apabila ada satu atau lebih zj – cj > 0 maka akan dibuat tabel
simpleks baru dengan cara berikut ini:
(i) Menentukan kolom kunci yaitu dengan memilih nilai zj – cj yang
terbesar sesuai dengan aturan pada persamaan (a.1) dan
misalkan diperoleh zk – ck, maka kolom ke-k dinamakan kolom
kunci/kolom masuk (entering column/EC)
(ii) Pada EC dilakukan pemeriksaan terhadap nilai aik
a. Apabila untuk semua aik nilainya negatif maka diperoleh solusi
tak terbatas (unbounded solution)
b. Apabila terdapat aik yang nilainya positif maka hitunglah nilai
dari Ri (ingat! hanya untuk yang positif saja), kemudian
dilanjutkan ke langkah di bawah ini.
Algoritma Simpleks untuk Minimasi
(iii) Menentukan baris kunci, yaitu dengan memilih nilai Ri yang
terkecil (diantara yang positif) sesuai dengan aturan pada
persamaan (a.2) dan misalkan diperoleh br, maka baris ke-r
dinamakan baris kunci/persamaan pivot (pivot equation/PE).
c. Selanjutnya menyusun tabel simpleks baru atau perhitungan
simpleks dengan iterasi-iterasi yaitu dengan cara:
(i) Sebelum menentukan elemen-elemen baris ke-r yang baru perlu
diketahui bahwa elemen titik potong antara EC dan PE
dinamakan elemen pivot (ark).
(ii). Untuk elemen baris ke-r (br), biasanya dinamakan persamaan
pivot baru (newPE) ditentukan dengan perumusan:

newPE  PE  ark
Algoritma Simpleks untuk Minimasi
(iii) Untuk elemen baris ke-i yang lainnya ditentukan dengan
perumusan:
Persamaan baru  persamaan lama  aik  (newPE)

4. Apabila untuk semua j nilai dari zj – cj adalah zj – cj ≥ 0 maka fungsi

tujuannya telah mencapai optimal.
RESUME Algoritma Simpleks
Prosedur yang diberikan di atas untuk memilih variabel masuk (EV) dan
variabel keluar (LV) disebut sebagai kondisi optimalitas dan kondisi
kelayakan (fisibelitas).
Berikut ini adalah ringkasan formal dari dua kondisi simpleks tersebut:
1. Kondisi Optimalitas
Variabel masuk dalam kasus maksimasi (minimasi) adalah variabel non dasar
dengan koefisien yang paling negatif (positif) dalam persamaan fungsi tujuan /
persamaan z. Koefisien yang sama dapat dipih secara sembarang. Nilai
optimum dicapai ketika semua koefisien non dasar dalam persamaan fungsi
tujuan / persamaan z adalah nonnegatif (nonpositif).
2. Kondisi Kelayakan
Baik untuk kasus maksimasi maupun minimasi, variabel keluar adalah
variabel dasar saat ini yang memiliki titik potong terkecil (rasio minimum
dengan penyebut yang positif secara ketat) dalam arah variabel masuk. Nilai
yang sama dapat dipilih secara sembarang.
RESUME Algoritma Simpleks
Langkah-langkah iterasi formal dari metode simpleks primal:
1. Langkah 0 :Dengan menggunakan bentuk standar (dengan sisi kanan
semua nonnegatif). Tentukan pemecahan dasar awal yang
layak.
2. Langkah 1 :Pilih variabel masuk dari di antara variabel non dasar
dengan menggunakan kondisi optimalitas.
3. Langkah 2 :Pilih variabel keluar dari variabel dasar saat ini dengan
menggunakan kondisi kelayakan.
4. Langkah 3 :Tentukan nilai variabel dasar yang baru dengan membuat v
variabel masuk tersebut sebagai variabel dasar dan variabel
keluar sebagai variabel non dasar. Kembali ke langkah 1.
 ARTIFICIAL VARIABLE (AV)
Apabila terdapat satu atau lebih fungsi kendala bertanda “≥” atau “=“
maka diperlukan suatu variabel semu (artificial variable) yang mempunyai
peranan seperti slack variable. Hal ini diperlukan karena pada setiap
iterasi penyelesaian dengan metode simpleks diperlukan matriks basis.
Artificial variable ini tidak memiliki makna fisik dalam model LP awal,
oleh karena itu ketentuan harus dibuat untuk membuat AV menjadi
bernilai nol di iterasi optimum. Dengan kata lain, menggunakan AV untuk
memulai solusi dan meninggalkannya setelah misi mereka terpenuhi. Hal
ini dapat dicapai dengan menggunakan umpan balik informasi yang akan
membuat AV ini tidak menarik dari sudut pandang optimasasi. Satu cara
yang logis untuk mencapai tujuan ini adalah dengan mengenakan penalty
pada AV dalam fungsi tujuan.
 ARTIFICIAL VARIABLE (AV)
Dua metode yang didasari oleh penggunaan penalti yang tersedia
untuk maksud tersebut adalah:
1. Metode M (Big-M)
2. Metode Dua Phase
Metode M
Tentukan penyelesaian dari permasalahan Minimasi: z = 4x1 + x2
dengan pembatas linear: 3x1 + x2 = 3
4x1 + 3x2 ≥ 6
x1 + 2x2 ≤ 4
x1, x2, x3 ≥ 0
Satu kekurangan dari metode M ini adalah kemungkinan kesalahan
perhitungan yang dapat dihasilkan dari pemberian nilai yang terlalu besar
untuk konstanta M.
Solusi Metode M
• Bentuk standar dari permasalahan LP tersebut adalah :
Minimasi: z  4 x1  x2  Mr1  Mr2

3x1  x2  r1 3
4 x1  3x2  x3  r2 6
x1  2 x2  x4  4
xi  0, i  1, 2, 3, 4 & r1 , r2  0

r1  3  3 x1  x2
• Substitusikan r2  6  4 x1  3 x2  x3
ke fungsi tujuan sehingga diperoleh:

z  4 x1  x2  M 3  3x1  x2   M 6  4 x1  3x2  x3 
z   7 M  4x1   4M  1x2  Mx3  9M
z   7 M  4x1   4M  1x2  Mx3  9M
Solusi simpleks
• Tabel awal simpleks dari permasalahan LP tersebut adalah :
BV Z X1 X2 R1 X3 R2 X4 SOLUSI Ratio
Zj - Cj 1 7M – 4 4M – 1 0 (-M) 0 0 9M
r1 0 3 1 1 0 0 0 3 1
r2 0 4 3 0 -1 1 0 6 1,5
X4 0 1 2 0 0 0 1 4 4

• Tabel optimal dari permasalahan LP tersebut adalah :

BV Z X1 X2 R1 X3 r2 X4 SOLUSI
Zj - Cj 1 0 0 (7/5) - M 0 (-M) (-1/5) 17/5
X1 0 1 0 2/5 0 0 (-1/5) 2/5
X2 0 0 1 (-1/5) 0 0 3/5 9/5
X3 0 0 0 1 1 -1 1 1
Metode Dua Fase
Metode ini pada dasarnya sama dengan metode M yaitu sama-sama
melibatkan AV sehingga memunculkan koefisien M, namun penggunaan
koefisien M pada metode ini disingkirkan dengan memecahkan masalah
ini dalam dua fase. Oleh karena itu, metode ini dinamakan metode dua
fase.
Metode dua fase ini merupakan modifikasi dari metode M, yaitu dengan
cara:
1. Pada fase I ini AV akan diteliti dengan cara meminimumkan fungsi
tujuan baru, dimana fungsi tujuan baru tersebut adalah jumlah
AV pada fungsi kendala
.
Metode Dua Fase
Jika nilai minimum dari fungsi tujuan baru tersebut adalah nol
(yang berarti semua AV bernilai nol), maka permasalahan LP itu
mempunyai solusi dasar, sehingga dapat dilanjutkan ke fase II.
Jika nilai minimum dari fungsi tujuan baru tersebut tidak sama
dengan nol, maka permasalahan LP itu tidak mempunyai solusi
dasar.
2. Menggunakan nilai optimum solusi basis pada fase I sebagai solusi
awal untuk permasalahan LP awal.
Contoh 6
Meminimumkan z = 4x1 + x2
dengan pembatas linear: 3x1 + x2 = 3
4x1 + 3x2 ≥ 6
x1 + 2x2 ≤ 4
x1, x2, x3 ≥ 0
Solusi Metode Dua Fase
• Bentuk standar dari permasalahan LP tersebut adalah :
Minimasi: z  4 x1  x2  Mr1  Mr2

3x1  x2  r1 3
4 x1  3x2  x3  r2 6
x1  2 x2  x4  4
xi  0, i  1, 2, 3, 4 & r1 , r2  0

FASE I
Minimasi: z  r1  r2
3x1  x2  r1 3
4 x1  3x2  x3  r2  6 xi  0, i  1, 2, 3, 4 & r1 , r2  0
x1  2 x2  x4  4
Solusi DUA Fase
r1  3  3 x1  x2
• Substitusikan ke fungsi tujuan sehingga diperoleh:
r2  6  4 x1  3 x2  x3

z  r1  r2
z  3  3x1  x2   6  4 x1  3x2  x3 
z  7 x1  4 x2  x3  9
z  7 x1  4 x2  x3  9

• Tabel awal simpleks dari phase I adalah :

BV Z X1 X2 r1 X3 r2 X4 SOLUSI Ratio
Zj - Cj 1 7 4 0 -1 0 0 9
r1 0 4 1 1 0 0 0 3
r2 0 3 3 0 -1 1 0 6
X4 0 1 2 0 0 0 1 4
Solusi DUA Fase
• Tabel optimal simpleks dari phase I adalah :

BV Z X1 X2 r1 X3 r2 X4 SOLUSI Ratio
Zj - Cj 1 0 0 -1 0 -1 0 0
X1 0 1 0 3/5 1/5 -1/5 0 3/5
X2 0 0 1 -4/5 -3/5 3/5 0 6/5
X4 0 0 0 1 1 -1 1 1
Solusi DUA Fase
FASE II
AV sekarang telah melaksanakan fungsinya dan harus dikeluarkan
dalam semua perhitungan selanjutnya. Hal ini berarti tabel optimum fase
I dapat dinyatakan sebagai fungsi kendala :
Min z  4 x1  x2
1 3
x1  x3 
5 5 1 3
Sehingga x1  x3 
3 6 5 5
 x2  x3 
5 5 3 6
 x2  x3 
x3  x4  1 5 5
x3  x4  1
x1, x2 , x3 , x4  0
Solusi DUA Fase
Pada fase II ini fungsi tujuannya menjadi :

3 1  6 3 
z  4  x3     x3 
5 5  5 5 
1 18
z   x3 
5 5
1 18
z  x3 
5 5
• Tabel optimal simpleks dari phase I adalah :
BV Z X1 X2 X3 X4 SOLUSI Ratio
Zj - Cj 1 0 0 1/5 0 18/5
X1 0 1 0 1/5 0 3/5
X2 0 0 1 -3/5 0 6/5
X4 0 0 0 1 1 1
Solusi DUA Fase
• Tabel optimal simpleks dari phase II adalah :

BV Z X1 X2 X3 X4 SOLUSI
Zj - Cj 1 0 0 0 (-1/5) 17/5
X1 0 1 0 0 (-1/5) 2/5
X2 0 0 1 0 3/5 9/5
X3 0 0 0 1 1 1