Anda di halaman 1dari 15

METODE SIMPLEKS

1. PENGANTAR
Karena kesulitan menggambarkan grafik berdimensi banyak, maka penyelesaian masalah LP
yang melibatkan lebih dari dua variabel menjadi tak praktis atau tidak mungkin. Dalam
keadaan ini kebutuhan metode solusi yang lebih umum menjadi nyata. Metode umum itu
dikenal dengan nama Algoritma Simplex yang dirancang untuk menyelesaikan seluruh
masalah LP, bak yang melibatkan dua variabel maupun lebih dua vaiabel.
Metode simpleks pertama kali diperkenalkan oleh George B. Danztig pada tahun 1974
dan telah diperbaiki oleh beberapa ahli lain. Metode ini menyelesaikan masalah LP melalui
perhitungan-ulang (iteration) di mana langkah-langkah perhitungan yang sama diulang
berkali-kali sebelum solusi optimum dicapai. Bab ini akan memberikan peengetahuan dasar
penggunaan perhitungan-ulang dalam menyelesaikan model LP.

2. BENTUK BAKU MODEL LP


Dalam menggunakan metode simpleks untuk menyelesaikan masalah-masalah LP, model LP
harus diubah ke dalam suatu bentuk umum yang dinamakan “bentuk baku” (standard form).
Ciri-ciri bentuk baku model LP adalah :
a. Semua kendala berupa persamaan dengan sisi kanan nonnegatif
b. Semua variabel nonnegatif
c. Fungsi tujuan dapat maksimum maupun minimum.
Untuk memudahkan melakukan transformasi ke bentuk baku ikuti contoh berikut :
a. Kendala
1) Suatu kendala jenis ≤ (≥) dapat diubah menjadi persamaan dengan menambahkan suatu
variabel slack ke (mengurangkan suatu variabel surplus dari) sisi kiri kendala.
Contoh :
a) Pada kendala X1 + X2 ≤ 15 ditambahkan suatu slack S1 ≥ 0 pada sisi kiri untuk
mendapatkan persamaan X1 + X2 + S1 = 15. Jika kendala menunjukkan keterbatasan
penggunaan suatu sumberdaya, S1 akan menunjukkan slack atau jumlah sumberdaya
yang tak digunakan.
b) Pada kendala 3X1 + 2X2 – 3X3 ≥ 5 dikurangkan suatu variabel surplus S2 ≥ 0 pada
sisi kiri untuk memperoleh persamaan 3X1 + 2X2 – 3X3 – S2 = 5
2) Sisi kanan suatu persamaan dapat selalu dibuat nonnegatif dengan cara mengalikan
kedua sisi dengan -1.
Contoh :
-5X1 + X2 = -25 adalah ekuivalen secara matematik dengan 5X1 – X2 = 25.
3) Arah pertidaksamaan dibalik jika kedua sisi dikalikan -1.
Contoh :
-5X1 + X2 ≤ -25 dapat diganti dengan 5X1 – X2 ≥ 25

b. Variabel
Sebagian atau suatu variabel dikatakan unrestricted jika mereka dapat memiliki nilai
negatif maupun positif. Variabel unrestricted dapat diekspresikan dalam dua variabel
nonnegatif dengan menggunakan substitusi
Xj = X′j – X′′
di mana Xj = variabel unrestricted dan
X′jı X′′ ≥ 0
Substitusi ini mempengaruhi seluruh kendala dan fungsi tujuan yang akan lebih dijelaskan
kemudian.

c. Fungsi Tujuan
Meskipun model LP dapat berjenis maksimisasi maupun minimisasi , terkadang
bermanfaat untuk mengubah salah satu bentuk ke bentuk lain. Maksimisasi dari suatu
fungsi adalah ekuivalen dengan minimisasi dari negatif fungsi yang sama, dan sebaliknya.
Contoh :
Maks. Z = 50X1 + 80X2 + 60X3
ekuivalen secara matematik dengan
Min (-Z) = -50X1 – 80X2 – 60X3
Ekuivalen berarti bahwa untuk seperangkat kendala yang sama, nilai optimum X 1, X2 dan
X3, dan adalah sama pada kedua kasus. Perbedaannya hanya pada nilai fungsi tujuan,
meski besar angka sama, tetapi tandanya berlawanan.
Contoh :
Ubahlah model LP berikut ke dalam bentuk baku
Maksimumkan Z = 9X1 + 18X2
dengan syarat: 6X1 + 3X2 ≤ 18
2X1 + 2X2 ≤ 16
X1 unrestricted
X2 ≤ 0
Bentuk bakunya adalah :
Maksimumkan Z = 9X1′ - 9X′′ + 18X2 + 0S1 + 0S2
dengan syarat: 6X1′ - 6X′′ + 3X2 + S1 = 18
2X1′ - X′′ + 2X2 + S2 = 16
X1ı X′′ı X2ı S1ı S2 ≥0

3. METODE DAN TABEL SIMPLEKS


Dalam penyelesaian masalah LP dengan grafik, telah dinyatakan bahwa solusi optimum
selalu terletak pada titik pojok ruang solusi. Metode simpleks didasarkan pada gagasan ini,
dengan langkah-langkah seperti berikut.
a. Dimulai pada suatu titik pojok yang layak, biasanya titik asal (yang disebut sebagai solusi
awal).
b. Bergerak dari satu titik pojok layak ke titik pojok layak lain yang berdekatan. Pergerakan
ini akan menghasilkan nilai fungsi tujuan yang lebih baik (meningkat untuk masalah
maksimisasi dan menurun untuk masalah minimisasi). Jika solusi yang lebih baik telah
diperoleh, prosedur simpleks dengan sendirinya akan menghilangkan semua solusi-solusi
lain yang kurang baik.
c. Proses ini diulang-ulang sampai suatu solusi yang lebih baik tak dapat ditemukan. Proses
simpleks kemudian berhenti dan solusi optimum diperoleh.

Mengubah bentuk baku model LP ke dalam bentuk tabel akan memudahkan proses
perhitungan simpleks. Langkah-langkah perhitungan dalam algoritma simpleks adalah :
a. Berdasar bentuk baku, tentukan solusi awal (initial basic feasible solution) dengan
menetapkan n-m variabel nonbasis sama dengan nol. Di mana n jumlah variabel dan m
banyaknya kendala.
b. Pilih sebuah entering variable di antara yang sedang menjadi variabel nonbasis, yang jika
dinaikkan di atas nol, dapat memperbaiki nilai fungsi tujuan. Jika tak ada, berhenti, berarti
solusi sudah optimal. Jika tidak, menuju ke langkah 3.
c. Pilih sebuah leaving variable di antara yang sedang menjadi variabel basis yang harus
menjadi nonbasis (nilainya menjadi nol) ketika entering variabel menjadi variabel basis.
d. Tentukan solusi yang baru dengan membuat entering variable dan leaving variable
menjadi nonbasis. Kembali ke langkah b.
Perhitungan simpleks yang lebih terinci akan diterangkan dengan menggunakan
contoh berikut. Solusi dengan gratis juga diberikan, untuk menunjukkan bagaimana kedua
metode berhubungan satu dengan yang lain.
Maksimumkan Z = 3X1 + 2X2
dengan syarat: X1 + X2 ≤ 15
2X1 + X2 ≤ 28
X1 + 2X2 ≤ 20
X1ı X2 ≥ 0
Bentuk baku model LP itu adalah
Z – 3X1 – 2X2 – 0S1 – 0S2 – 0S3 = 0 persamaan tujuan
X1 + X2 + S1 = 15
2X1 + X2 + S2 = 28 persamaan kendala
X1 + 2X2 + S3 = 20
Lihat kembali langkah a, solusi awal ditemukan dari persamaan kendala dengan
menetapkan dua (-3 -2) variabel sama dengan nol, yang akan memberikan solusi yang unik
dan layak. Dengan menetapkan X1 = 0 dan X2 = 0, diperoleh S1 = 15, S2 = 28, dan S3 = 20
(titik A pada Gambar 2.1). Titik ini merupakan solusi awal. Pada saat ini nilai Z sama dengan
nol. Kita dapat merangkum informasi di atas ke dalam bentuk tabel simpleks awal seperti
berikut:

Tabel 2.1 Tabel Simpleks Awal


Basis X1 X2 S1 S2 S3 Solusi
Z -3 -2 0 0 0 0
S1 1 1 1 0 0 15 persamaan Z
S2 2 1 0 1 0 28 persamaan S1
S3 1 2 0 0 1 20 persamaan S2
persamaan S3

Informasi pada tabel dibaca seperti berikut. Kolom basis menunjukkan variabel yang
sedang menjadi basis, yaitu S1, S2, dan S3, yang nilainya diberikan pada kolom solusi. Ini
secara tidak langsung mengatakan bahwa variabel nonbasis X1 dan X2 (yang tak ditunjukkan
pada kolom basis) sama dengan nol. Nilai fungsi tujuan adalah Z = (3x0) + (2x0) + (0x15) +
(0x28) + (0x20) = 0, seperti terlihat pada kolom solusi.
Kapan solusi telah optimum? Dengan memeriksa persamaan Z, terlihat bahwa
variabel nonbasis yaitu X1 dan X2 , keduanya memiliki koefisien negatif, yang berarti
mempunyai koefisien positif pada fungsi tujuan yang asli.
Karena tujuan kita adalah maksimisasi, maka nilai Z dapat diperbaiki dengan
meningkatkan X1 atau X2 menjadi lebih besar dari pada nol. Yang diutamakan untuk dipilih
adalah variabel dengan koefisien fungsi tujuan positif terbesar karena pengalaman
menunjukkan bahwa pemilihan ini mengakibatkan solusi optimal lebih cepat dicapai.
Ringkasnya, optimality condition metode simpleks menyatakan bahwa dalam kasus
maksimisasi, jika semua variabel nonbasis memiliki koefisien nonnegatif dalam persamaan Z,
maka solusi telah optimum. Jika tidak, variabel nonbasis dengan koefisien negatif terbesar
dipilih sebagai entering variable.
Penerapan optimality condition pada tabel simplex awal, menyarankan memilih X 1
sebagai entering variable. Kemudian leaving variable harus salah satu dari variabel basis S1,
S2, dan S3. Penentuan leaving variable dilakukan dengan menggunakan feasibility condition
yang menyatakan bahwa untuk masalah maksimisasi maupun minimisasi, leaving variable
adalah variabel bebas yang memiliki rasio terkecil antara sisi kanan persamaan kendala
dengan koefisien bersangkutan yang positif pada entering variable.
X2 X1+X2 = 28

Z=48

X1+X2 = 15

X1+2X2 = 20

10 Z = 43

D (X1,X2) = (13.2)

5 C

A 5 Z = 18 10 B 15 20 X

Gambar 2.1

Rasio yang didefinisikan di atas dan leaving variable dapat ditentukan langsung dari
tabel simpleks. Pertama, coret semua elemen nol atau negatif pada persamaan kendala di
bawah entering variable. Kemudian, tidak termasuk persamaan tujuan, buat rasio antara sisi
kanan persamaan dengan elemen yang tak dicoret di bawah entering variable. Leaving
variable adalah variabel basis yang memiliki rasio terkecil. Kolom pada entering variable
dinamakan entering column dan baris yang berhubungan dengan leaving variable dinamakan
pivot equation. Elemen pada perpotongan entering column dan pivot equation dinamakan
pivot elemen. Dalam tabel, pivot elemen ditunjukkan dengan tanda kurung.

Tabel 2.2

Basis X1 X2 S1 S2 S3 Solusi Rasio

Z -3 -2 0 0 0 0

S1 1 1 1 0 0 15 15/1

(2)
S2 1 0 1 0 28 18/2
1
S3 2 0 0 1 20 20/1

* kolom X1 adalah entering column dan persamaan S2 adalah pivot equation.

Perhitungan selanjutnya (new basic solution) ditentukan dengan menerapkan metode


Gauss Jordan melalui dua jenis perhitungan :

a. Jenis 1 (persamaan pivot)

(elemen persamaan pivot tabel lama)


elemen persamaan pivot tabel baru=
(elemen pivot )

b. Jenis 2 (semua persamaan yang lain termasuk persamaan Z)

elemen pers tabel baru = elemen pers tabel lama - (elemen entering column x elemen pers

pivot tabel baru)


Perhitungan jenis 1 membuat pivot elemen sama dengan 1 pada pivot equation yang
baru, sementara perhitungan jenis 2 membuat koefisien yang lain pada entering column sama
dengan nol, seperti ditunjukkan pada tabel berikut.
Tabel 2.3

Basis X1 X2 S1 S2 S3 Solusi

S1

X1 1 1/2 0 1/2 0 14

S3

Perhatikan bahwa kolom solusi menghasilkan nilai baru X1 = 14, yang sama dengan
rasio minimum pada feasibility condition. Tabel solusi baru yang diperbaiki dibuat dengan
melakukan perhitungan jenis 2. Tabel baru yang lengkap diberikan seperti berikut.

Tabel 2.4 Tabel Simpleks Iterasi Pertama

Basis X1 X2 S1 S2 S3 Solusi Rasio

Z 0 -1/2 0 3/2 0 42

S1 0 (1/2) 1 -1/2 0 1 2

X1 1 1/2 0 1/2 0 14 28

S3 0 3/2 0 -1/2 1 6 4

*) kolom X1 adalah entering column dan S2 merupakan leaving variable.

Solusi yang baru memberikan X1 = 14 dan X2 = 0 (titik B pada Gb. 2.1). Nilai Z naik dari 0
menjadi 42.

Berdasar tabel 2.4, optimality condition memilih X2 sebagai entering variable karena
koefisien pada persamaan Z sebesar -1/2. Feasibility condition menunjukkan bahwa S1
sebagai leaving variable karena memiliki rasio terkecil yaitu 2, sehingga memperbaiki nilai
fungsi tujuan sebesar 2 x ½ = 1. Dengan operasi Gauss Jordan diperoleh tabel baru seperti
berikut.
Tabel 2.5 Tabel Simpleks Optimum

Basis X1 X2 S1 S2 S3 Solusi

Z 0 0 1 1 0 43 - Optimum
-X2 0 1 2 -1 0 2

X1 1 0 -1 1 0 13 Solusi baru
memberikan X1 =
S3 0 0 -3 1 1 3
13 dan X2 = 2 (titik
C pada Gb. 2.1)
dan nilai Z naik dari 42 menjadi 43. Tabel 2.5 adalah optimal karena tak ada variabel
nonbasis yang memiliki koefisien negatif pada persamaan Z. Ini merupakan perhitungan
metode simpleks yang lengkap.

Pada contoh di atas metode simpleks diterapkan pada masalah maksimisasi. Pada
masalah minimisasi, optimality condition berubah , dimana entering variable, dipilih dari
variabel yang memiliki koefisien positif terbesar pada persamaan Z. Feasibility condition
adalah sama untuk kedua masalah. Kedua condition tersebut akan ditegaskan kembali seperti
berikut.

Optimality Condition : entering variable pada maksimisasi (minimisasi) adalah


variabel nonbasis dengan koefisien negatif (positif) terbesar pada persamaan Z. Suatu
koefisien kembar dipilih secara sembarang. Jika semua koefisien nonbasis pada persamaan Z
adalah nonnegatif (nonpositif), solusi optimum telah dicapai. Feasibility Condition: baik
masalah maksimisasi maupun minimisasi, leaving variable adalah variabel basis yang
memiliki rasio terkecil (dengan penyebut positif). Suatu rasio kembar dipilih secara
sembarang.

Keunggulan metode simpleks dibanding penyelesaian secara grafik adalah bahwa ia


dapat menyelesaikan masalah LP dengan berapapun jumlah variabel. Suatu aplikasi metode
simplex pada masalah LP yang melibatkan tiga variabel diberikan seperti berikut.
Maksimumkan Z = 40X1 + 30X2 + 50X3
dengan syarat: 6X1 + 4X2 + X3 ≤ 32.000
6X1 + 7X2 + 3X3 ≤ 16.000
4X1 + 5X2 + 12X3 ≤ 24.000
X1, X2, X3 ≥ 0
Bentuk baku masalah LP ituadalah :
Z -40X1 - 30X2 – 50X3 – OS1 – OS2 – OS3 = 0
6X1 + 4X2 + X 3 + S1 = 32.000
6X1 + 7X2 + 3X3 + S2 = 16.000
4X1 + 5X2 + 12X3 + S3 = 24.000
Solusi dengan menggunakan tabel simpleks yang lengkap ditunjukkan pada tabel berikut.

Tabel 2.6 Tabel Simpleks Awal

Basis X1 X2 X3 S1 S2 S3 Solusi Rasio


Z -40 -30 -50 0 0 0 0
S1 6 4 1 1 0 0 32.000 32.000
S2 6 7 3 0 1 0 16.000 5.333
S3 4 5 (12) 0 0 1 24.000 2.000

Tabel 2.7 Tabel Iterasi Pertama

Basis X1 X2 X3 S1 S2 S3 Solusi Rasio

Z -70/3 -55/6 0 0 0 25/6 100.000

S1 17/3 14/12 0 1 0 -1/12 30.000 5.294

S2 (5) 23/4 0 0 1 1/4 10.000 2.000

X3 1/3 5/12 1 0 0 1/12 2.000 6.000


Tabel 2.8 Tabel Iterasi Kedua (Optimum)

Basis X1 X2 X3 S1 S2 S3 Solusi -Optimum

Z 0 53/3 0 0 14/3 3 440.000/3


Pada
iterasi yang
S1 0 -44/15 0 1 -17/15 1/5 56.000 /3 kedua telah
tercapai solusi
X2 1 23/20 0 0 1/5 -1/20 2000
optimum dengan
X3 0 1/30 1 0 -1/15 1/10 4000/3 X1 = 2.000, X3 =
4.000/3 dan Z =
1.466,67. Pada
tabel optimum (Tabel 2.8) S2 dan S3 = 0 artinya pengambil keputusan akan menggunakan
seluruh persediaan sumberdaya kedua dan ketiga, tetapi masih memiliki sumberdaya pertama
sebanyak 1.166,7 karena tak digunakan.

a. Masalah Minimisasi
Dalam masalah maksimisasi, biasanya memiliki kendala pertidaksamaan jenis ≤ . Sekarang
akan diterapkan proses simpleks untuk suatu masalah minimisasi yang biasanya memiliki
kendala pertidaksamaan jenis ≥ . Masalah minimisasi menggunakan langkah-langkah yang
sama seperti pada masalah maksimisasi, namun ada beberapa penyesiaoan yang harus dibuat.
Bagi kendala pertidaksamaan jenis ≤ , maka variable slack ditambahkan untuk menghabiskan
sumberdaya yang tak digunakan dalam kendala. Namun cara ini tak dapat ditiru untuk
kendala pertidaksamaan jenis dan kendala persamaan.
Pikirkan contoh berikut,
Minimumkan Z = -3X1 + X2 + X3
dengan syarat: X1 – 2X2 + X3 ≤ 11
-4X1 + X2 + 2X3 ≥ 3
2X1 – X3 = -1
X1 , X2 , X3 ≥ 0
Bentuk baku diperoleh dengan menambahkan suatu variabel slack pada kendala
pertama, mengurangkan variabel surplus pada kendala kedua, dan menaglikan kendala ketiga
dengan -1. Sehingga diperoleh :

Z + 3X1 – X2 – X3 – OS1 – OS2 = 0


X1 – 2X2 + X3 + S1 = 11
-4X1 + X2 + 2X3 - S2 = 3
-2X1 + X3 =1

Istilah variable slack dan variable surplus adalah berbeda di mana slack ditambahkan
dan mencerminkan sumberdaya yang tak terpakai, sementara surplus dikurangkan dan
menunjukkan suatu kelebihan di atas keperluannya, tetapi keduanya diberi notasi serupa,
yaitu S.
Kebutuhan utama metode simpleks adalah solusi awal (initial basic feasible solution).
Tanpa ini, tabel simpleks tak dapat dibuat. Dari masalah minimisasi di atas, terdapat 3
persamaan dan 5 variabel tak diketahui, yang berarti bahwa 2 variabel harus menjadi
nonbasis (nilainya = 0) pada setiap solusi. Tak seperti kasus di mana terdapat variabel slack
pada setiap persamaan, di sini kita dapat menjamin bahwa dengan menetapkan suatu variabel
sama dengan nol, variabel basis yang dihasilkan akan nonnegatif (berarti diperoleh solusi
layak). Ada dua pendekatan untuk mendapatkan suatu solusi awal layak, yaitu :
1) Coba-coba
Di sini suatu variabel basis dipilih secara sembarang untuk setiap kendala. Jika
dihasilkan suatu solusi layak (nilai variabel pada kolom solusi nonnegatif), maka metode
simpleks dapat dimulai. Bisa jadi, nilai variabel basis pada kolom solusi yang diperoleh
tak layak (melanggar kendala nonnegatif) dan metode simpleks tak dapat dimulai.
Meskipun, coba-coba dapat diulangi lagi sampai diperoleh solusi awal layak, metode ini
jelas tidak efisien dan mahal.
2) Menggunakan Artificial Variable
Gagasan penggunaan artificial variable sangat sederhana. Tambahkan suatu artificial
variable pada sisi kiri setiap persamaan yang tidak memiliki variabel basis. Dinamakan
artificial (sebagai lawan dari “real decision variable”) karena ia tidak memiliki arti
nyata. Artificial digunakan hanya untuk memulai penyelesaian dan pada urutan
selanjutnya mereka harus dijadikan nol pada solusi akhir, jika tidak, solusi yang
dihasilkan akan menjadi tak layak.
Pada bentuk baku contoh di atas, variable slack S, pada persamaan pertama adalah
variabel basis. Karena pada persamaan kedua dan ketiga tidak ada variabel slack (variabel
basis), kemudian ditambhakan artificial variable A1 dan A2 pada kedua persamaan tersebut.
Untuk tetap menjamin bentuk baku, A1 dan A2 dibatasi pada nilai nonnegatif. Sehingga
diperoleh artificial system seperti berikut.
X1 – 2X2 + X3 + S1 = 11
-4X1 + X2 + 2X3 - S2 + A1 = 3
-2X1 + X3 + A2 = 1
Terdapat 3 persamaan dan 7 bilangan tak diketahui, sehingga solusi awal layak harus
memiliki 4 (=7 -3) variabel nonbasis yang sama dengan nol. Jika X 1 = X2 = X3 = S2 = 0, maka
S1 = 11, A1 = 3 dan A2 = 1. Tetapi ini bukan solusi layak karena artificial variable bernilai
positif. Sehingga tujuan kita adalah memaksa artificial variable menjadi nol secepat
mungkin. Ini dapat dicapai dengan dua cara. Pertama dengan Teknik M atau Metode Penalty
dan yang kedua adalah Teknik Dua Tahap. Buku ini hanya akan membicarakan cara pertama.

b. Metode Simpleks M (Teknik M)


Pada pendekatan ini, artificial variable dalam fungsi tujuan diberi suatu biaya sangat
besar(dalam perhitungan komputer biasanya 3 atau 4 kali besarnya dibanding bilangan lain
dalam model). Dalam praktik, huruf M digunakan sebagai biaya dalam masalah minimisasi
dan –M sebagai keuntungan dalam masalah maksimisasi dengan asumsi bahwa M adalah
suatu angka positif yang besar.
Untuk menjelaskan metode simpleks M, pikirkan kembali masalah minimisasi di atas.
Untuk mengarhkan artificial variable menjadi nol. Suatu biaya besar ditempatkan pada
artificial variable, sehingga fungsi tujuannya menjadi :
Minimumkan Z = -3X1 + X2 + X3 + OS1 + MA1 + MA2
Tabel simpleks awal dibentuk dengan S1A1 dan A2 sebagai variabel basis, seperti ditunjukkan
pada Tabel 2.9.
Tabel 2.9 Tabel Simpleks Awal

Basis X1 X2 X3 S1 S2 A1 A2 Solusi Rasio

Z 3-6M -1+M -1+3M 0 -M 0 0 AM

S1 1 -2 1 1 0 0 0 11 11
A1 -4 1 2 0 -1 1 0 3 1,5
A2 -2 0 (1) 0 0 0 1 1 1

Perhatikan bahwa koefisien pada persamaan Z dalam masalah minimisasi lebih


mudah diperoleh dengan menggunakan Inner Product Rule. Aturan ini juga berlaku untuk
masalah maksimisasi dan akan banyak bermanfaat dalam analisis sensitivitas. Inner
ProductRule itu adalah :
Cj = (v) (vj) – cj di mana
Keterangan :
Cj : koefisien variabel j pada persamaan Z
v : vektor baris koefisien fungsi tujuan variabel basis
vj : vektor kolom elemen di bawah variabel j
cj : koefisien variabel j pada fungsi tujuan
Contoh :
1

[]
C x 1=[ 0 M M ] −4 +3=3−6 M
−2

−2

[]
C x 2=[ 0 M M ] 1 −1=−1+ M
0

[]
C A 2=[ 0 M M ] 0 −M =0
1

Kemudian perhitungan simpleks dapat dimulai dari tabel awal. Penerapan optimality
dan feasibility condition pada tabel awal menghasilkan X3 sebagai entering variabel dan A2
sebagai leaving variable, sehingga diperoleh perhitungan ulang pertama seperti berikut.
Tabel 2.10 Tabel Simpleks Iterasi Pertama

Basis X1 X2 X3 S1 S2 A1 A2 Solusi Rasio

Z 1 -1+M 0 0 -M 0 1-3M 1+M

S1 3 -2 0 1 0 0 -1 10 *
A1 0 (1) 0 0 -1 1 -2 1 1
X3 -2 0 1 0 0 0 1 1 *
Iterasi pertama belum menghasilkan solusi dasar layak karena A 1 masih bernilai
positif. Iterasi berikutnya menunjukkan bahwa X2 sebagai entering variable dan A1 sebagai
leaving variable.
Tabel 2.11 Tabel Simpleks Iterasi Kedua

Basis X1 X2 X3 S1 S2 A1 A1 Solusi Rasio

Z 1 0 0 0 1 1-M 1-M 2

S1 (3) 0 0 1 -2 2 -5 12 4
X2 0 1 0 0 -1 1 -2 1 *
X3 -2 0 1 0 0 0 1 1 *

Sekarang baik A1 dan A2 telah menjadi nol, sehingga iterasi kedua merupakan solusi
dasar layak. Tetapi ini bukan solusi optimal karena X 1 dapat mengurangi (memperbaiki)
fungsi tujuan jika menggantikan S1 sebagai basis.
Tabel 2.12 Tabel Simpleks Optimum

Basis Z1 X2 X3 S1 S2 A1 A1 Solusi

Z 0 0 0 -1/3 -1/3 (1/3)-M (2/3)-M -2

X1 1 0 0 1/3 -2/3 2/3 -5/3 4


X2 0 1 0 0 -1 1 -2 1
X3 0 0 1 2/3 -4/3 4/3 -7/3 9

Iterasi ketiga optimal karena koefisien pada persamaan Z semuanya nonpositif, dengan X 1 =
4, X2 = 1, X3 = 9, S1 = 0 dan nilai Z = -2.
Perhatikan !
1) Suatu artificial variable ditambahkan untuk bertindak sebagai variabel basis. Sekali ia
digantikan oleh real variable, tak perlu mempertahankan artificial variable dalam tabel
simpleks. Dengan kata lain, kolom A2 pada iterasi 1, 2, dan 3 sydah dapat dihilangkan.
Secara serupa, kolom A1 sudah dapat dihilangkan sejak iterasi 2 dan 3.
2) Jika metode simpleks M berakhir dengan suatu tabel optimalm, terkadang satu atau lebih
artificial variable tetap menjadi variabel basis dengan nilai positif. Ini berarti masalah itu
tak layak (tak memiliki solusi layak). Hal ini disebabkan formulasi kendala yang tak
konsisten. Secara ekonomi, ini berarti bahwa sumberdaya tidak cukup memenuhi
permintaan.