Session 7
Session 7
QUANTITATIVE
METHODS FOR
BUSINESS 8e
Computer Solution prepared by Titto Rohendra
© 2001 South-
South-Western College Publishing/Thomson Learning Slide 1
Chapter 7
An Introduction to Linear Programming
Slide 2
Linear Programming (LP) Problem
Slide 3
LP Solutions
Slide 4
Problem Formulation
Slide 5
Guidelines for Model Formulation
Slide 6
LP Model Formulation
Keputusan variabel
• Simbol matematika merupakan tingkatan aktivitas
operasi
Fungsi Tujuan
• Hubungan linear mencerminkan tujuan operasi
• Tujuan yang paling sering terjadi di perusahaan
bisnis adalah dengan memaksimalkan keuntungan
• Tujuan yang paling sering terjadi unit operasional
individu (misalnya departemen produksi atau
kemasan)) adalah untuk meminimalkan biaya
kemasan
Kendala / Kendala
• Hubungan linear merupakan suatu batasan
terhadap pembuatan keputusan
Slide 7
LP Model Formulation (cont.)
subject to:
a11x1 + a12x2 + ... + a1nxn (≤, =, ≥) b1
a21x1 + a22x2 + ... + a2nxn (≤, =, ≥) b2
:
am1x1 + am2x2 + ... + amnxn (≤, =, ≥) bm
xj = decision variables
bi = constraint levels
cj = objective function coefficients
aij = constraint coefficients
Slide 8
Example 1: A Maximization Problem
LP Formulation
s.t. x1 < 6
2x1 + 33xx2 < 19
x1 + x2 < 8
x1, x2 > 0
Slide 9
Example 1: Graphical Solution
Constraint #1 Graphed
x2
8
6
x1 < 6
5
1 (6, 0)
1 2 3 4 5 6 7 8 9 10 x1
Slide 10
Example 1: Graphical Solution
Constraint #2 Graphed
x2
8 (0, 6 1/3)
7
6
2x1 + 3x
3x2 < 19
5
4
3
2
(9 1/2, 0)
1
1 2 3 4 5 6 7 8 9 10
x1
Slide 11
Example 1: Graphical Solution
Constraint #3 Graphed
x2
(0, 8)
8
6
x1 + x2 < 8
5
1 (8, 0)
1 2 3 4 5 6 7 8 9 10
x1
Slide 12
Example 1: Graphical Solution
Combined--Constraint Graph
Combined
x2
8
x1 + x2 < 8
7
6
x1 < 6
5
2
2x1 + 3x
3x2 < 19
1
1 2 3 4 5 6 7 8 9 10
x1
Slide 13
Example 1: Graphical Solution
2 Feasible
1
Region
1 2 3 4 5 6 7 8 9 10 x1
Slide 14
Example 1: Graphical Solution
7
(0, 5)
6
5 5x1 + 7x2 = 35
4
1 (7, 0)
1 2 3 4 5 6 7 8 9 10
x1
Slide 15
Example 1: Graphical Solution
Optimal Solution
x2
8
5x1 + 7x2 = 46
7
5
Optimal Solution
4
1 2 3 4 5 6 7 8 9 10
x1
Slide 16
Example 1: Graphical Solution with POM
Slide 17
Summary of the Graphical Solution Procedure
for Maximization Problems
Siapkan grafik solusi yang layak untuk masing
masing--
masing kendala.
kendala.
Tentukan daerah layak yang
memenuhi semua kendala secara bersamaan ..
Menggambar garis fungsi objektif
objektif..
Pindahkan garis paralel fungsi objektif yang lebih
besar terhadap nilai fungsi objektiftanpa sepenuhnya m
eninggalkan daerah feasible.
Setiap solusi yang
layak pada baris fungsi tujuan bersama nilai terbesar ad
alah solusioptimal
solusioptimal..
Slide 18
Slack and Surplus Variables
Slide 19
Example 1
Standard Form
Max z = 5x
5x1 + 77xx2 + 00ss1 + 00ss2 + 00ss3
s.t. x1 + s1 = 6
2x1 + 33xx2 + s2 = 19
x1 + x2 + s3 = 8
x1, x2 , s1 , s2 , s3 > 0
Slide 20
Extreme Points and the Optimal Solution
Slide 21
Example 1: Graphical Solution
7
5
6
3
4
2 Feasible 3
1
Region
1 2
1 2 3 4 5 6 7 8 9 10 x1
Slide 22
Computer Solutions
Slide 23
Interpretation of Computer Output
Slide 24
LP Model: Example TYRS Co.
Ada 40 jam kerja dan 120 pon tanah liat yang tersedia setiap hari
Variabel – variabel keputusan
x1 = jumlah produksi mangkok
x2 = jumlah produksi cangkir
Slide 25
LP Formulation: Example
TYRS Co.
Maximize Z = $40 x1 + 50 x2
Subject to
x1 + 2x2 ≤ 40 hr (Batasan Tenaga Kerja)
4x1 + 3x2 ≤ 120 lb (Batasan Tanah Liat)
x1 , x2 ≥ 0
Slide 26
Graphical Solution: Example
x2
50 –
40 –
4 x1 + 3 x2 ≤ 120 lb
30 –
20 – Area common to
both constraints
10 –
x1 + 2 x2 ≤ 40 hr
0– | | | | | |
10 20 30 40 50 60 x1
Slide 27
Computing Optimal Values
x1 + 2x2 = 40
x2
4x1 + 3x2 = 120
40 – 4 x + 3 x ≤ 120 lb
1 2 4x1 +8x2 = 160
-4x1 -3x2 = -120
30 –
5x2 = 40
x2 = 8
20 –
x1 + 2 x2 ≤ 40 hr
x1 + 2(8) = 40
10 – x1 = 24
8
| | 24 | | x1
0–
10 20 30 40
Z = $50(24) + $50(8) = $1,360
Slide 28
Extreme Corner Points
x1 = 0 bowls
x2 x2 = 20 mugs
x1 = 24 bowls
Z = $1,000
40 – x2 = 8 mugs
Z = $1,360 x1 = 30 bowls
30 – x2 = 0 mugs
20 – A
Z = $1,200
10 –
B
0– | | | C|
10 20 30 40 x1
Slide 29
Objective Function
x2
40 –
4x1 + 3x
3x2 ≤ 120 lb
30 – Z = 70x
70x1 + 20x
20x2
Optimal point:
x1 = 30 bowls
20 –A x2 = 0 mugs
Z = $2,100
10 – B
x1 + 2x
2x2 ≤ 40 hr
0– | | | C |
10 20 30 40 x1
Slide 30
Example 2: Spreadsheet Solution
A B C D E F G
1 X1 X2 Sisi Kiri Sisi Kanan Slack
2 Fungsi Tujuan 40 50 0
3 Tenaga Kerja 1 2 0 ≤ 40 40
4 Tanah Liat 4 3 0 ≤ 120 120
5 Mangkok Cangkir
6 Solusi 0 0
Slide 31
Example 2: Spreadsheet Solution
Slide 32
Example 2: Spreadsheet Solution
A B C D E F G
1 X1 X2 Sisi Kiri Sisi Kanan Slack
2 Fungsi Tujuan 40 50 1360
3 Tenaga Kerja 1 2 40 ≤ 40 0
4 Tanah Liat 4 3 120 ≤ 120 0
5 Mangkok Cangkir
6 Solusi 24 8
Slide 33
Excel: Answer; Sensitivity and Limit Reports
Slide 34
Example 3: POM Solution
Slide 35
Example 3: POM Input Data
Slide 36
Example 3: POM Simplex Solution
Slide 37
Example 3: POM Graph Solution
Slide 38
Feasible Region
Daerah layak untuk masalah pemrograman linear dua
variabel bisa tidak ada sama sekali,
sekali, satu titik
titik,, garis
garis,,
poligon,, atau area tak terbatas
poligon terbatas..
Setiap program linier berada di salah satu dari tiga
kategori::
kategori
• tidak mungkin
• memiliki solusi optimal unik atau solusi alternatif
yang optimal
• memiliki fungsi objektif yang dapat meningkat
tanpa terikat
Suatu daerah bisa layak tak terbatas akan tetapi
mungkin ada solusi optimal. Hal ini biasa terjadi dalam
masalah minimalisasi dan mungkin dalam masalah
maksimalisasi..
maksimalisasi
Slide 39
Special Cases
Slide 40
Example: Infeasible Problem
Max z = 2x
2x1 + 66xx2
x1, x2 > 0
Slide 41
Example: Infeasible Problem
8 2x1 + x2 > 8
4x1 + 3
3xx2 < 12
4
x1
3 4
Slide 42
Example: Unbounded Problem
Max z = 3x
3x1 + 44xx2
s.t. x1 + x2 > 5
3x1 + x2 > 8
x1, x2 > 0
Slide 43
Example: Unbounded Problem
x2
3x1 + x2 > 8
8
Max 3x
3x1 + 4
4x
x2
5
x1 + x2 > 5
x1
2.67 5
Slide 44
The End of Chapter 7
Slide 45