BUKU AJAR

PROGRAM LINEAR

Oleh:
Bambang Irawanto, S.Si, M.Si
Drs Bayu Surarso, M.Sc, Ph D
Drs Sarwadi, M.Sc, Ph D

LABORATORIUM MATEMATIKA TERAPAN

JURUSAN MATEMATIKA FMIPA
UNIVERSITAS DIPONEGORO SEMARANG
2004

PROYEK SP4 – 2004

Sistem Pembelajaran yang Berorientasi pada Real Problem Solving

1
DAFTAR ISI

Halaman Judul
Kata Pengantar
Daftar isi
BAB 1. Program Linear dan Riset Operasi 1
1.1 Pendahuluan 1
1.2 Latar Belakang 1
1.3 Lingkup Riset Operasi dan Program Linear 2
1.4 Kompetensi 11
1.5 Paket Program 12
1.6 Latihan 13
BAB 2. Formulasi Program Linear 15
2.1 Pendahuluan 15
2.2 Model Matematika VS Program Matematika 15
2.3 Struktur model Program Linear 18
2.4 Variabel Keputusan 18
2.5 Asumsi Program Linear 19
2.6 Macam Variabel Keputusan 20
2.7 Pendefinisian Variabel Keputusan 21
2.8 Fungsi Sasaran dan Perumusan 23
2.9 Penulisan Kendala 25
2.10 Latihan 26
BAB 3 Penyelesaian Program Linear 27
3.1 Metode Grafik 28
3.1.1 Masalah Maksimum 28
3.1.2 Masalah Minimum 29
3.1.3 Masalah Khusus 30
3.2 Metode Simplex 33
3.2.1 Perubahan ke bentuk Baku 34

2
 3.2.2 Menyelesaikan masalah denga kendala  dan = 40
3.2.3 Masalah Khusus dengan Metode Simplex 44
BAB 4. Program Linear Dual dan Analisa Sensitivitas 55
4.1 Program Linear Dual 55
4.2 Metode Simplex Dual 61
4.3 Analisa Sensitivitas 62
BAB 5. Masalah Transportasi 71
5.1 Pendahuluan 71
5.2 Masalah Transportasi Seimbang 71
5.3 Masalah Transportasi tak Seimbang 83
BAB 6. Masalah Penugasan 90
6.1 Pendahuluan 90
6.2 Metode Hungarian 91
Kepustakaan
Data Penulis

3
 BAB 1
PROGRAM LINEAR dan RISET OPERASI

1.1.Pendahuluan
Sebelum kita membicarakan lebih detail dan lebih teknis tentang Linier
Programming, atau Program Linier (PL), ada baiknya kalau kita mengetahui juga
latar belakang cabang ilmu ini, kedudukannya dalam pohon ilmunya, juga kemana
arah yang bisa dikembangkan dan penerapan dari disiplin ilmu ini. Wawasan
keilmuan amat diperlukan agar kita tidak terlalu picik melihat suatu ilmu tertentu
karena terlalu terkungkung dalam kubangan ilmu itu saja, sehingga malah kehilangan
orientasi. Pemahaman scope, medan aplikasi dan keluasan arah pengembangan akan
memotivasi kita untuk belajar lebih lanjut. Bab ini akan menjelaskan kedudukan PL
didalam OR dan hubungannya dengan program matematis yang lain.
Dalam Bab ini kita akan menjelaskan kedudukan PL dalam Operation Research
(OR). Section 2 akan menjelaskan latar belakang munculnya OR. Lingkup OR dan
posisi PL akan dijelaskan dalan section 3. Ciri-ciri untuk mengenali masalah PL
dijelaskan dalam section 4. Section 5 menjelaskan kompetensi dari pemebelajaran
OR. Paket program yang tersedia di pasar yang bisa dipakai dijelaskan dalam Section
6.

1.2.Latar Belakang
Operation Research (OR) adalah salah satu cabang matematika yang amat pesat
pertumbuhannya. OR ini baru lahir selama perang dunia II, yaitu tatkala militer
Amerika Serikat dan sekutunya harus berhadapan dengan Jerman. Jerman sangat
kuat armada kapal selamnya yang amat berbahaya dan berkeliaran sekitar samudra
Atlantis. Amerika berkepentingan untuk mengirim pasukannya ke berbagai tempat di
Eropa dalam berbagai operasi militer. Jadi militer USA harus menentukan taktik
operasinya agar resiko kecil. Misalnya resiko ditenggelamkannya kapal perang
beserta marinirnya oleh kapal selam Jerman dan lain sebagainya. US army harus

4
mencari taktik operasi (Operations) agar tujuannya tercapai. US maupun British
army harus mengatur operasi pemboman, convoy, penempatan anti kapal selam,
pemasangan ranjau dan lain sebagainya. Dan ternyata meraka termasuk sukses,
sehingga seni dan teknik pencarian solusi suatu masalah yang mirip-mirip mencari
taktik perang itu disebut Operation Research. Namun OR baru berkembang setelah
tahun 1947 yaitu tatkala George Dantzig menemukan metode SIMPLEX untuk
menyelesaikan masalah Linear Programming (LP). Metode ini amat efisien dan
memicu studi lebih lanjut lagi serta memicu penerapan yang luas.
Kalau kita baca buku-buku referensi yang ada, OR memiliki beberapa nama lain.
Antara lain adalah Decision Science. Hal ini bisa dimengerti karena memang model-
model, teknik-teknik yang dipelajari dari cabang ilmu ini adalah untuk mengambil
keputusan (decision). Misalnya siapa melakukan apa, komponen apa dan berapa
harus dibuat, mesin mana mengerjakan apa dan kapan mulai dan selesainya dan lain
sebagainya. Ada juga yang menyebutnya Management Science, karena memang yang
dipelajari adalah untuk masalah policy atau putusan kebijakan yang erat kaitannya
dengan management. Misalnya pengendalian stok, penugasan, pengendalian armada
angkut dan lain sebagainya, ini semua erat dengan permasalahan managerial. Lebih
khusus lagi ada yang menamakan sebagai Quantitative Management, karena
memang penekannya banyak pada perhitungan quantitatifnya, sedangkan yang
membahas aturan dan hubungan kerja dipelajari dalam ekonomi management.
OR juga dipandang sebagai bagian dari Optimisasi, karena memang tujuannya
adalah mencari solusi optimum (minimum/maximum) dari fungsi objective dari
permasalahan yang dihadapi. Kebanyakan fungsi objectivenya adalah fungsi diskrit
ataupun fungsi-fungsi non Persamaan Differensial (PD). Sedangkan optimasi
berbagai system persamaan diferensial dipelajari dalam Opimum control, process
control dan lain sebagainya, yang banyak dipakai dibidang engineering.

1.3.Lingkup OR dan posisi PL

Kalau kita bicara tentang lingkup OR, maka tulisan ini akan menjadi panjang
lebar. Untuk itu disini akan dibatasi pembicaraan pada: Class Problem yang dicakup
OR, Model/formulasi khususnya yang masuk dalam kelas Mathematical

5
Programming, dan Metode dan teknik penyelesaian umum, dan sedikit disinggung
tentang perkembangan yang terjadi dan Aplikasinya.

1.3.1. Class problem

Masalah dalam OR amat komplek dan bervariasi sekali, karena memang
bersumber dari berbagai bidang. Untuk sistematika dan kemudahan dalam mencari
solusi, masalah-masalah dalam OR bisa dengan mudah dikelompok-kelompokkan
sesuai dengan karakternya. Segala sesuatu kalau diorganisir akan banyak memberi
kemudahan. Kelompok masalah ini mempunyai entitas permasalahan yang khas dan
memiliki teknik penyelesaian yang tersendiri yang berbeda dari klas satu dengan
yang lainnya. Masalah-masalah yang well defined dalam OR dikelompokan atas:
Assignment, yaitu masalah pengaturan n element dalam group 1 dengan m
elemen dalam group 2. Misal penugasan n karyawan untuk m pekerjaan agar hasil
maximal.
Transportation, yaitu masalah pengaturan pengiriman barang dari n asal ke m
tujuan sesuai kapasitas dan permintaan yang ada agar ongkos minimal;
Transhipment, adalah variasi dari transportasi dimana pengiriman antar n asal
sendiri maupun antar m tujuan sendiri diizinkan.
Facility Layout, yaitu masalah bagaimana mengatur posisi masing-masing
fasilitas agar acsessibilitas dan kemanfaatan maximal. Misalnya bagaimana harus
mengatur layout kantor, gudang, parkir truk angkut, tempat pencucian, tempat
pemotongan, tempat pengalengan, penimbunan limbah dalam sepetak bidang tanah
yang ada.
Knapsack, yaitu masalah dimana kita harus memilih barang-barang yang harus
dikemas masuk dalam karung (container) yang kapasitasnya tertentu dan terbatas
sehingga nilai barang yang terbawa maximal. Terlalu banyak barang kecil dengan
nilai sedikit tidak menguntungkan. Sebaliknya bisa bawa barang berharga tapi cuma
sedikit ya sama saja. Harus dicari kombinasi terbaik
Inventory, dalam pengendalian stok kita harus menentukan kapan kita harus
pesan dan berapa banyak sehingga biaya yang kita keluarkan minimal.

6
 Game, adalah permasalahan pengambilan langkah aksi (action) oleh 2 pengambil
keputusan atau lebih yang mungkin berlawanan maksud ataupun tujuannya. Langkah
yang diambil oleh pelaku I akan berpengaruh pada langkah pelaku II.
Antrian (Queueing); Dalam antrian orang tertarik untuk mencari jawaban atas
pertanyaan, berapa ekspektasi waktu tunggu kita dalam antrian, berapa ekspektasi
panjang antrian, berapa loket harus dibuka agar nasabah paling lama nunggu 10
menit dan lain sebagainya
Maintenance and Replacement, ini menyangkut pengoperasian armada. Bila
kita punya armada sampai kapan kita bisa mentolerir perawatan dan kapan sebaiknya
dijual dan diganti dengan yang baru.
Networks, disini kita pelajari reliabilitas dari suatu jaringan, bila satu line putus
apakah jaringan masih berfungsi? Menyangkut aliran (flow) dalam jaringan, kadang
ingin diketahui flow maximum yang mungkin di jaringan itu dan persoalan lainnya.
Plant Location, Bila kita konglomerat yang ingin mengembangkan pabrik,
lokasi sumber bahan diketahui, pelabuhan pengiriman produk pasti, pabriknya juga
sudah berdiri, ingin dibangun gudang lagi. Dimana sebaiknya gudang ini
dibangun/ditempatkan agar berbagai tujuan tercapai.
Material Requirement; Ini masalah dalam industri manufaktur. Permintaan
produk tiap periode diketahui, tiap bulan misalnya. Perusahaan harus melakukan
rencana produksi dan pemesanan bahan baku atau komponen yang diperlukan untuk
memproduksi produk dalam musim produksi kedepan, 3 bulan kedepan misalnya.
Sequencing and Scheduling, permasalahan yang muncul diantaranya adalah
menentukan kapan suatu pekerjaan atau pun mesin mulai dikerjakan atau bekerja,
kapan pula harus dihentikan agar proses berjalan dengan baik, misalnya tidak terjadi
keterlambatan, prakteknya adalah meminimumkan keterlambatan (total lateness).
Combinatorial Optimization, masalah ini adalah yang paling memiliki
tantangan, kelihatannya mudah namun ternyata amat sulit. Banyak peneliti dan
ilmuwan top dibuat penasaran oleh permasalahan dalam klas ini. Diantaranya
permasalahannya adalah
–Traveling Salesman Problem (TSP), mencari tour yang melewati semua
kota sekali saja dengan jarak terpendek.

7
 –Multiple TSP (MTSP), generalisasi dari TSP yang mana minimum tour
yang dicari lebih dari satu.
–Vehicle Routing Problem (VRP), bagaimana mengatur rute armada dalam
melayani konsumen agar berbagai kendala diatasi dan ongkos minimal
–IVRP, ini merupakan kombinasi antara inventory dan VRP.
Dan masih banyak lagi kelas yang lain Traveling Postman Problem (TPP),
Minimum Spanning Tree (MST), Set Covering, Bin Packing, dsb…

1.3.2. Mathematical Programming:

OR sepenuhnya mengandalkan pada modelling pada permasalahan yang
dihadapi. Formulasi yang baik yang mengarah pada adanya penyelesaian akanlah
sangat menguntungkan. Orang bilang bahwa formulasi adalah separoh dari
penyelesaian permasalahan yang ada. Untuk itu OR telah membakukan formulasi
kedalam bentuk matematis, yang disebut sebagai Mathematical Programming.
Adapun model baku yang kita kenal antara lain adalah Linear Programming (LP),
Integer Linear Programming (ILP), Mixed Integer Linear Programming (MILP),
NonLP, seperti Convex Programming, Quadratic Programming, C-programming;
Dynamic Programming, Goal Programming dan lain sebagainya. Diagram berikut
menggambarkan hubungan keeratan dari model-model tertentu. (Figure 1)

1.3.3. Metode dan Teknik penyelesaian :

Berdasarkan kualitas solusinya metode penyelesaian dalam OR bisa dibagi dua,
yaitu metode Exact dan Metode Pendekatan. Metode Exact akan menghasilkan solusi
optimal (global). Hal ini dijamin oleh beberapa teorema-teorema yang mendasari
pengembangan metode itu. Banyak teori-teori penting dalam OR seperti, teori PL,
teori dualitas, teori faset, teori global dan local optimum dan lain sebagainya.
Metode-metode exact yang penting antara lain, Simplex, Dual Simplex, Revised
Simplex, Ellipzoid method, Interior Point Method, Karmarkar’s algorithm,
Katchian’s Algorithm, Dynamic Programming, Teknik-teknik enumerasi seperti:
Branch and Bound, Branch and Cut, Gomory cutting plane. dan lain sebagainya.
Adanya teknik optimasi ini, pada umumnya penyelesaian masalah berat dibawa ke

8
model baku yang solusinya ada. Seperti formulasi masalah transportasi, assignment
dan lain sebagainya dibawa kearah PL. VRP diredusir ke bentuk TSP lalu di
decomposisikan menjadi relaxed PL dan lain sebagainya.

Math. Prog

LP Goal Prog. Dynamic Prog Non-LP

C Program
ILP MILP

Convex Prog

Binary General Quadratic Prog

Gambar 1.1
Teknik-teknik ini masih berkembang terus. Banyak studi yang mempelajari
kasus-kasus khusus yang dapat diselesaikan lebih efisien lagi bila dibanding cara
baku. Hal ini mungkin karena dalam kondisi khusus, kita bisa mengabaikan langkah-
langkah tertentu yang memang tidak diperlukan dan bisa memfokuskan pada struktur
Metode
dan karakternya yang menonjol.
Exact / Approximate
Optimal

Heuristik Metaheuristik
saving
Simulated
Annealing Taboo
Greedy
Search
Genetic Alg.

9
 Gambar 1.2 Metode Penyelesaian
Metode pendekatan sering juga disebut sebagai Heuristics. Metode ini tidak bisa
menjamin keoptimalan. Metode ini berkembang pada persoalan yang mana metode
exact memang belum ada atau susah ditemukan. Pertimbangan praktis dan kondisi
kuputusan managerial tertentu cukup puas dengan solusi yang diperoleh secara
heuristik ini. Jadi pada kondisi tertentu solusi exact tidak selalu dituntut sebagai
keharusan.
Sesuai dengan perkembangan heuristik ini dibagi menjadi dua, yaitu
Metaheuristics dan Heuristics. Metaheuristik lebih canggih, dan solusinya sering
mencapai optimal. (Dibuktikan dengan metode exact bila ada ). Metode ini umumnya
mengandalkan pada searching teknik yang lebih maju, agar tidak terjebak pada solusi
local optimum. Metode yang terkenal saat ini adalah Taboo Search. Heuritik lain
yang popular antara lain Simulated Annealing, Genetic Algorithm, Greedy, Saving
dan lain sebagainya. Dibawah ini skema yang mengambarkan metode yang
berkembang dalam OR. Figure 2 dan Figure 3 menggambarkan metode penyelesaian
yang terus berkembang.

Exact

Simplex Karmarkar Katchian Enumerasi

Interior Point

B&B
B&C
Revised Splx

Dual Splx
Gomory Cut

10
 Gambar 1.3. Metode Penyelesaian Exact

Perkembangan pohon ilmunya

Masing-masing topik dalam OR berkembang terus, sebagai contohnya
diagram berikut menggambarkan perkembangan dalam masalah Combinatorial
Optimization dan Scheduling. Diagram-diagram dibawah ini hanya sebagian saja
dari pohon pertumbuhan dan herarki dalam klas Combinatorial Optimization dan
scheduling. Sebenarnya pertumbuhan sudah begitu komplek yang tidak bisa secara
sederhana digambarkan dalam bentuk pohon seperti ini, karena beberapa bagian
saling overlap ataupun berupa kombinasi. Misalnya IVRP overlap dengan
multiperiods VRP dan lain sebagainya.

4. Mengenali Masalah PL
Dari penjelasan diatas kita sekarang tahu kedudukan PL dalam optimasi. Jadi PL
hanya merupakan salah satu cabang saja. Karena begitu banyak sebenarnya ranting-
ranting ilmu yang saling berkaitan itu, kadang kita bingung mengidentifikasi suatu
masalah yang akan kita selesaikan . Jadi adalah sangat penting bila kita mengetahui
ciri-ciri masalah dan cara mengidentifikasinya.

Combinatorial
Opt

TPP TSP …

mTSP VRP …

IVRP VRPTW …

11
 Gambar 1.4. Pertumbuhan masalah generic dari TSP

Permasalahan sehari-hari adalah sangat kompleks, beragam macam dan

karekteristiknya. Jadi kalau kita ingin menyelesaikan masalah riil kita harus tahu
karakteristiknya lebih dahulu. Karakteristik tertentu akan menentukan teknik
penyelesaian permasalahan tersebut. Ini penting agar kita dengan cepat bisa memilih
metode penyelesaiannya yang cocok dan tepat. Permasalahan PL memiliki
karakteritik dengan ciri-ciri sebagai berikut:
 Kita ingin menentukan pilihan dari beberapa alternatif yang mungkin. Jadi
disini ada yang disebut sebagai variable keputusan. Lebih jauh lagi variable
ini harus bisa bernilai pecahan artinya nilai pecahan dari variable itu masuk
akaj. Contoh: volume minyak 1,2 liter; berat badan 55,7 kg dan lain
sebagainya. Namun 4,2 buah TV ataupun pekerja malam 5,1 orang dengan
naik sepeda motor 3,5 buah tidaklah masuk akal.
 Memiliki sasaran (objektif) yaitu suatu entitas yang akan diminimumkan atau
dimaximumkan. Fungsi disini merupakan bentuk hubungan antara variable
keputusan. Misal, memaximalkan keuntungan (pendapatan dikurangi
pengeluaran); meminimalkan ongkos produksi dan lain sebagainya
 Adanya paling sedikit satu fungsi kendala atau ketentuan pembatas sumber
daya yang harus diperhatikan, atau persyaratan yang harus dipenuhi. Misal
dana yang tersedia hanya Rp. 500 juta ; Tenaga kerja yang ada 1000 orang;
jumlah peserta laki-laki harus lebih banyak dari perempuan dan lain
sebagainya
 Setiap variabel keputusan itu berpangkat satu baik didalam fungsi objektif
maupun pada setiap fungsi kendalanya. Jadi fungsinya haruslah berbentuk
seperti 2x-5y, 120 telor+56gandum+90 gula dan lain sebagainya. Tidak boleh
dalam bentuk 50 v2 –78 w3 atau 12x + 5x dan bentuk lain yang serupa.
 Domainnya terdefinisikan dengan jelas. Pada umumnya variable keputusan
nilainya harus tidak negatif yang sering ditulis sebagai x0. Namun tidak

12
 jarang dibatasi pada nilai tertentu, yang sering ditulis sebagai a  x b, seperti
0  x  100.
Bila suatu permasalahan keseharian memiliki seluruh syarat diatas, maka
permasalahan itu bisa rumuskan dalam PL dan diseled\saikan dengan teknik dalam
program linier.

Scheduling

Jobshop Mechine Flowshop Project

Single N mechine Time

Crashed
constraints

Gambar 1.5. Variasi dan Perkembangan masalah Scheduling

Contoh:
 Kasus 1,
Seorang pengecer rokok hanya memiliki modal Rp.200.000,-.Dia ingin membeli
rokok untuk dijual lagi namun begitu banyak merek rokok di pasaran. Dari
pengalaman ada beberap rokok saja yang paling laku cepat habis terjua yaitu GG,
GGF, J76, JF, 234. Satu bungkus GG harga beli Rp 4000,- bisa mendatangkan
untung Rp 1200,-/bungkus; GGF harga Rp 3750,-bisa untung Rp 1150,-/bk, merk
234 harga Rp 5000,- bisa untung Rp2125,-/bk, J76harga Rp. 3750,-untung Rp
1175,-/bk dan JF harga Rp 4100,- untung Rp 1200,- /bk. Pengecer itu ingin
menentukan rokok mana yang akan dikulak dan berapa banyak sehingga nanti
keuntungannya maximal.

13
 Kasus 2,
Sebuah fitness club membuka kelas kontrol diet dan club tersebut juga ada café
yang menyediakan 4 macam makanan. Seorang anggota club setelah dilakukan tes
dan analisa disarankan agar mengkonsumsi menu dengan kadar kalori 500 kcal,
gula 10 ons, lemak 8 ons dan Choc 6 ons. Adapun 4 macam makanan dan kadar
kandungan gizi dan harganya terdaftar dal table 1: Dia ingin menentukan makanan
mana yang akan dibeli dengan harga termurah namun memenuhi tuntutan gizi
yang disarankan
Tabel 1
Makanan Kalori Gula Lemak Choc Harga
Biscuit 400 2 2 3 5000
Ice Cream 200 2 4 2 2000
Cola 150 4 1 0 3000
Cheesecake 500 4 5 0 8000
tuntutan 500 10 8 6

Kasus 3
Nyonya Fatimah yang cantik, muda dan pimpinan perusahaan yang bonafit
menderita penyakit tumor kanker rahim pada stadium lanjut, keluarganya
memutuskan untuk membawa ke rumah sakit untuk mendapatkan perawatan yang
mutakhir.im dokter yang memeriksa memutuskan bahwa nyonya Fatimah
mendapatkan pengobatan secara terapi radiasi, yaitu suatu terapi dengan
menggunakan mesin sinar eksternal dengan menyinarkan radiasi ion yang menembus
tubuh penderita dengan merusak jaringan yang terkena penyinaran baik jaringan
kanker ataupu jaringan sehat, biasanya sinar diatur secara cermat dari berbagai sudut
dalam suatu bidang berdimensi dua.Karena sel tumor menyusup secara halus ke
dalam sel sel yang sehat maka dosis radiasi harus cukup besar untuk mematiakan sel
sel tumor ganas tersebut.etapi penyinaran juga merusak sel sel sehat yg sedikit peka
thd radiasi sehingga penyinaran juga harus diatur spy tidak merusak sel sel yg
sehat.ada waktu yang bersamaan dosis total utk jaringan yg tidak sehat tdk boleh
melebihi takaran tertentu utk menghindari komplikasi yang membahayakan,begitu

14
juga jaringan sehat harus diminimumkan.Karena harus mempertimbangkan semua
faktor ini dengan seksama maka perlu mendisain terapi radiasi dgn tujuan
utkmemperoleh kombinasi sinar sinar yang akan digunakan supaya intensitas sinar
menghasilkan distribusi dosis radiasi yang paling baik.Untuk setiap sinar dengan
kekuatan tertentu analisa hasil penyerapan radiasi oleh berbagai bagian tubuh
memrlukan proses yang rumit ,singkatnya berdasarkan analisa anatomi yg seksama
distribusi energi dalam tampak melintang berdimensi dua dari jaringan dapat
digambar dalam peta isodose.Setelah menganalisa secara mendalam tim dokter telah
memperkirakan dng cermat data yang diperlukan utk mendisain pengobatan nyonya
faitmah. Dari dat diperoleh informasi tentang proporsi dari dosis radiasi pada titik
masuk untuk diserap oleh jaringan yang terkena sinar.Jaringan yang terkena sinar
adalah anatomi sehat,jaringan kritis , daerah tumor dan pusat tumor yang dikenai
oleh 2 sinar. Untuk setiap 1 kilorad sinar akan diserap secara pukul rata oleh anatomi
sehat sebesar 0,4 kilorad,0,3 kilorad utk jaringan kritis, 0,5 kilorad pada daerah
tumor dan 0,6 kilorad pada pusat tumor.Sedangkan utk sinar 2 setiap 1 kilorad akan
diserap oleh anatomi sehat sebesar 0,5 kilorad,0,1 kilorad utk jaringan kritis, 0,5
kilorad utk daerah tumor dan 0,4 kilorad utk pusat tumor.
Secara khusus penyerapan dosis rata rata oleh anatomi sehat harus sekecil
mungkin ,jaringan kritis tidak boleh melebihi 2,7 kilorad dan rata rata penyerapan
untuk daerah tumor harus sama dengan 6 kilorad dan pusat tumor harus menyerap
sekurang kurangnya 6 kilorad.Tentukan kombinasi dari intensitas kedua sinar supaya
pengobatan terhadap nyonya Fatimah optimal.
Masalah diatas dapat dimodelkan secara matematika sebagai berikut:
Varabel keputusan : X1 adalah sinar 1 ;X2 adalah sinar 2
Fungsi tujuan : Meminimalkan Z= 0,4 X1 + 0,5 X1
Kendala kendala : Jaringan kritis 0,3 X1 +0,1 X2  2,7
Daerah tumor 0,5 X1+0,5 X2 = 6
Pusat tumor 0,6 X1+0,1 X2  6
X1 ,X2 0

1.4.Kompetensi

15
 Sebagaimana kita tahu kompetensi berasal dari kata “Competent” yang berarti
having authority, memiliki kewenangan sekaligus kemampuan. Kompetensi apa dari
anak yang mempelajari OR, ini tergantung sejauh mana dan seluas apa dia peroleh.
Semakin luas wawasan, mereka akan piawai sebagai System Analis. System analis
harus mampu mengidentifikasi masalah yang dihadapi, mampu menggambarkan
systemnya. Berdasarkan itu dia harus melakukan pemodelan. Diantara berbagai
model yang mungkin dia harus mampu membuat formulasi yang tepat untuk problem
yang dihadapi. Suatu masalah itu sudah separoh terselesaikan kalau kita sudah bisa
memformulasikan. Berdasarkan formulasi itu kita cari metode penyelesaiannya
hingga kita peroleh solusi. Kalau kita dibantu alat (paket software dan lain
sebagainya) maka kita perlu interpretasi solusi. Pemakai atau operator sering tidak
tahu arti solusi output dari software. Hal ini perlu ilmu yang melatar belakangi untuk
memahaminya (intepretasi dari solusi itu). Yang terakhir adalah kemampuan evaluasi
dari implementasi solusi yang diperoleh. Bila kita tidak memiliki dasar ilmunya,
solusi salah kita implementasikan dan kita tidak bisa men-cek maka akibatnya bisa
fatal. Padahal solusi yang kita peroleh itu bergantung model yang kita pilih. Kalau
model belum benar kan perlu diperbaiki. Ini harus terus dijalankan.
Area applikasi dari OR amatlah luas, bisa diberbagai bidang seperti
1. Finance, misal alokasi budged, penentuan suku bunga dan lain sebagainya
2. Business, misal pada penanaman modal (investasi), marketting dan lain
sebagainya
3. Pertambangan, misal Open Pit (galian), Blending oil, dan lain sebagainya
4. Transportasi, misal penjadawalan KA, Kapal, dan lain sebagainya
5. Penerbangan, booking, landing pesawat dan lain sebagainya
6. Industri, jadwal produksi, perawatan mesin, facility layout, plant location dan
lain sebagainya
7. Penerapan dibidang lainnya.

Analog dengan ini kompetensi siswa yang belajar PL juga segaris dengan ini, karena
PL adalah subset dari OR. Hampir semua area aplikasi OR diatas memiliki bagian
permasalahan yang bisa dirumuskan dengan PL dan bisa diselesaikan dengan metode

16
penyelesaian PL dengan sangat meyakinkan. Jadi kompetensi PL bisa diterapkan ke
bidang Finance, Business, Pertambangan, Transportasi, Penerbangan , Industri dsb

1.5.Package Program
Ada beberapa paket program yang telah dikembangkan dan tersedia luas dipasaran.
Paket-paket ini berguna sekali untuk menyelesaiakan permasalahan riil yang
biasanya berukuran besar yang tak mungkin diselesaikan secara manual. Paket yang
banyak di pasarkan antara lain yaitu,
 LINDO (Linear and Dicrete Optimizer) yang dibuat oleh Linus Schrage pada
tahun 1981. Paket ini khusus untuk Linear Programming (LP). Ini merupakan
paket standar yang banyak dipakai di berbagai perguruan tinggi. Namun
belakangan ini software ini sudah dikembangkan untuk menyelesaikan masalah
ILP, MILP, dan kwadratik program. Versi-versi perbaikan yang baru lebih
mudah lagi bagi user.
 LINGO, paket linear dan general optimiser, jadi tidak saja LP namun sudah
dilengkapi pula option-option untuk solusi ILP tertetu yang solvable dengan
keterbatasan yang dimiliki.
 SAS/OR, paket SAS sebenarnya untuk statistik. Namun demikian sejak awal 90-
an telah dilengkapi dengan option OR.
 CPLEX, paket ini lebih powerfull namun amat mahal. Paket ini mencakup Linear
dan Nonliear solver. Linear solver mengkover LP, ILP dan MILP. Sedangkan
Barier Solver mencakup solusi untuk Quadratik dan convex programming. Yang
lebih menarik lagi paket ini interface dengan UNIX dan C-language program dan
dilengkapi dengan LIBRARY subroutines. Jadi kita bisa bikin program sendiri
dengan memanfaatkan fasilitas yang ada.
 Maple, versi baru Maple juga dilengkapi dengan subroutine dan fungsi-fungsi
untuk simplex yang berguna untuk menyelesaialan PL. Dengan mengetikan
command with(simplex), maka seluruh fungsi yang berhubungan dengan simplex
bisa diaktifkan atau dipanggil.

1.6.Latihan:

17
Tentukan dari beberapa kasus berikut mana yang termasuk masalah program linier
atau yang lain. Sebutkan alasan mengapa demikian atau cocoknya mereka masuk
dalam klas problem yang mana.
 Rylon Co. memproduksi parfum jenis Brute dan Chanalle. Bahan mentah
untuk membuatnya harganya $3/gr. 1 ons parfum perlu pengolahan bahan
mentah selama 1 jam untuk menjadi bahan dasar. 1 gr bahan dasar bisa
menghasilkan 3 ons Brute atau 4 ons jenis Chanalle. Brute dijual dengan
harga $7/ons sedang Chanalle $6/ons. Bila diproses lebih lanjut bahan
dasar itu bisa menjadi Luxury Brute seharga $18/ons atau Lux Chanalle
seharga $14/ons. Proses lanjutan tersebut berturut-turut perlu 3 jam
dengan ongkos tambahan $4 jenis Brute dan 2 jam dengan tambahan
ongkos $4 untuk Chanalle. Tiap tahun Rylon memiliki jumlah jam kerja
sebesar 6000 jam dan dapat membeli 4000 gr bahan mentah. Dengan
asumsi ongkos jam kerja laboratorium tetap, manager ingin menentukan
produksinya agar keuntungan maximal.
 Mach Co. mempunyai 4 mesin dan 4 pekerjaan yang harus diselesaikan.
Tiap mesin harus dipakai untuk menyelesaikan pekerjaan tsb. Waktu yang
diperlukan untuk menset mesin bila ingin dipakai untuk menyelesaikan
pekerjaan tertentu diberikan pada table 2: Mach Co ingin meminimumkan
waktu setup dalam menyelesaikan ke empat pekerjaannya, bagaimana
pengaturannya?

Mesin Pekerjaan Pekerjaan Pekerjaan 3 Pekerjaan

1 2 4
A 14 5 8 7
B 2 12 6 5
C 7 8 3 9
D 2 4 6 10

Tabel 2. Setup time mesin pada suatu pekerjaan

18
 Sebuah perusahaan garment GandhiTex Co. membuat tiga macam
pakaian Kemeja, Celana dan Jeans. Dalam pembuatan masing-masing
pakaian diperlukan mesin yang sesuai. Perusahaan menyewa mesin dalam
pembuatannya, sewa mesin kemeja $100per minggu, mesin celana $150
per mg dan mesin jeans $200 / minggu. Kebutuhan bahan kain dan
tenaga kerja untuk pembuatan tiap pakaian beserta data harga jual dan
variable cost diberikan dalam table 3 berikut. Disamping itu tiap minggu
perusahan hanya mampu menyediakan 160 m2 kain dan 150 jam kerja.
GandhiTex ingin memaximalkan keuntungan per minggunya, bagaimana
solusinya?

Pakaian Jam Kerja Kain Harga Jual Var Cost

(jam) (m2) ($) ($)
Kemeja 3 4 12 6
Celana 2 3 8 4
Jeans 6 4 15 8
Persedian 150 160

19
 BAB 2.
FORMULASI PROGRAM LINEAR

2.1 Pendahuluan
Sebagaimana kita singgung di BAB 1 bahwa penulisan rumusan masalah yang
benar sudah merupakan sparuh dari penyelesaian masalah yang di hadapi. Bila
formulasi sudah benar maka tinggal mencari metode penyelesaiannya. Untuk itu
sangatlah penting untuk bisa merumuskan suatu masalah dengan benar.
Demikian pula halnya dengan PL, diperlukan kemahiran memformulasikan
persoalan PL dengan benar. Untuk itu perlu diperhatikan beberapa hal penting yang
akan dijelaskan dalam beberapa bagian dalam bab ini antara lain tentang struktur
formulasi PL, pemahaman variable keputusan, cara mendefinisikannya, asumsi-
asumsi yang harus dipenuhi, merumuskan fungsi sasaran dan menuliskan fungsi
kendala.

2.2 Mathematical Model vs Mathematical Programming

Sering ada pertanyaan tentang bedanya model matematis (Mathematical Model)
dan program matematis (Mathematical Programming). Ada sedikit perbedaan dari
dua hal itu.
Model matematis merupakan ungkapan hubungan antara variable-variabel yang
diperhatikan yang ingin dipakai untuk mengungkapkan suatu fenomena alam,
kondisi alam atau yang diidealkannya. Hubungan ini secara matematis merupakan
hubungan fungsional. Hubungan ini bisa berujud satu fungsi tunggal atau lebih dari
satu. Biasanya hanya berupa satu fungsi saja, entah melibatkan variabel tunggal atau
mejemuk. Model linier artinya ungkapan hubungan antara variablenya berbentuk
fungsi pangkat satu dari variable-variabelnya. Model kwadratis artinya ungkapan
hubungan antara variablenya berbentuk fungsi pangkat dua dari variable -
variabelnya. Model non linier berarti hubungan variabelnya bisa exponensial,
logaritmik dan lain sebagainya.

20
 Contoh model-model matematis:
 Model pertumbuhan populasi tikus sawah
dN
 aN  BN 1.7
dt
dimana N = besarnya populasi, t = waktu bisa hari, minggu dll sedang
a dan B kontanta

 Model Fungsi permintaan barang (demand)

Q  10 y 2  2 y 4 p 2  3 p 3
dimana y menyatakan penghasilan keluarga dan p harga barang
 Model pendinginan Newton
dT
 k (T  Ts )
dt
dimana T = suhu dari benda, Ts = suhu dari benda pada saat ini, k
adalah konstanta

 Model multiple regresi linier

y    1 x1   2 x2  
dimana y = variabel dependen yang menyatakan besarnya prediksi, x1
dan x2 variabel independen,  , 1 ,  2 dan  adalah parameter-
parameter regresi

 Model vector ruang

U = 2i - 3j + k
Dimana i, j dan k adalah komponen vektor satuan
Program Matematis pada umumnya terdiri atas lebih dari satu macam hubungan
variable yang diperhatikan. Khususnya lagi dalam program matematis selalu ada
bagian yang disebut fungsi sasaran (objektif) dan bagian lain yang disebut fungsi
kendala (constraints). Program Matematis dilihat dari komponen fungsinya juga ada
program linier, nonlinier, konvex dan lain sebagainya tergantung karakter fungsi

21
sasaran dan fungsi kendalanya. Jadi program matematis selalu dalam bentuk
seperangkat fungsi yang memiliki struktur yang jelas dan baku.
Contoh-contoh program matematis:
 C-Programming
Min 2x1 + 3x2 –(x1 +5x2)2
dengan kendala
x1+x2  10,
x1, x2  {0,1,2,…10}.

 Model Polinomial binary programming

b = inf g10(w) – g20(w)
dengan kendala
g1i(w) –g2i(w)  bi, 1  i  m,
w  Bn

 Model Penambangan n blok bahan galian

n
Max f   mi xi
i 1

dengan kendala
n

w x
i 1
i i T .

 Model Program Kwadratis

Max z = 2 x2 –3xy +y2
dengan kendala
x+y < 9,
x < 4,
x,y0

 Program Linier
Min z = 2 x –3y

22
 dengan kendala
x+y < 9,
x-y<2,
x,y0
Dengan demikian bisa dikatakan program matematis juga termasuk model
matematis. Namun demikian tidak semua model matematis merupakan program
matematis. Program matematis adalah model matematis yang terstruktur dan tiap
komponennya memiliki peran masing-masing.

2.3 Struktur model Program Linier

Program Linier adalah program matematis yang paling dasar. Struktur program
matematis, selalu ada fungsi sasaran, fungsi kendala dan domain dari variable
keputusannya. PL menjadi amat penting perannya dalam program matematis karena
fungsi-fungsinya yang linier. Selain itu karena adanya alat penyelesaian yang efektif
maka model ini sering dipakai sebagai penyederhanaan model lain yang lebih
komplek. Dari contoh diatas komponennya adalah
Min z = 2 x –3y (1)
dengan kendala
x+y < 9 (2)
x-y<2 (3)
x,y0 (4)
Ekspresi z = 2 x –3y dalam (1) merupakan fungsi objektif atau sasaran disini
diminimumkan. Sedangkan ekspresi-ekspresi (2) dan (3) disebut kendala teknis,
sedang (4) disebut kendala tidak negatif (non negativity constraint).
Dalam notasi matrix PL bisa dituliskan sebagai
Min Cx
dengan kendala
Ax b
xo

23
Dimana untuk PL yang diformulasikan dalam (1) – (4) diatas C adalah vector ukuran
1x2
C = (2 3), sedang x adalah vector 2x1, yaitu x = (x y)t. A adalah matrix koefisien 2x2
1 1 
A = 
1 1
dan b adalah vector 2x1, yaitu b = (9 2)t

2.3 Variabel Keputusan

Dalam suatu PL harus ada satu set variable keputusan, variable-variabel ini yang
akan dicari harganya dan dipilih mana yang akan memberikan hasil terbaik sesuai
sasarannya. Jadi variable keputusan mencakup semua alternatif keputusan yang
mungkin diambil atau yang paling diperhatikan.
Contoh variable keputusan:
1. Jumlah petak sawah yang sebaiknya ditanami padi
2. Lama mesin A harus beroperasi dalam masa produksi
3. Jumlah polisi yang ditugaskan patroli
4. Banyaknya minyak jenis Z yang dipakai untuk bahan campuran.
5. Besarnya uang yang didepositokan
6. Merk mobil yang akan dibeli
7. dan lain sebagainya

2.4 Asumsi suatu PL

Suatu permasalahan bisa diformulasikan dalam bentuk PL bila memenuhi
beberapa asumsi. Asumsi ini bila tidak terprnuhi salah satu saja, berakibat
formulasinya tidak akan valid. Adapun asumsi yang harus dipenuhi antara lain:

Asumsi Proporsionalitas.
 Proporsionalitas pada fungsi objektif. Asumsi ini sebagai akibat sifat
linieritas variable keputusan pada fungsi sasaran. Yaitu kontribusi variable
keputusan pada fungsi sasaran proporsional dengan nilai variable itu. Maksudnya

24
 adalah bila kita ingin meminimumkan ongkos pemeliharaan ternak, maka ongkos
pemeliharaan 3 ekor kambing sebesar Rp. 1500000,- bila pemeliharaan 1 ekornya
Rp.500000,-
 Proprsionalitas pada fungsi kendala. Demikian pula halnya karena kendala
PL berupa pertidaksamaan linier, maka kontribusi dari variable keputusan pada
harga ruas kiri pada setiap kendala proporsional dengan nilai variable
keputusannya.

Asumsi Additifitas.
 Additifitas pada fungsi objektif. Asumsi ini juga sebagai akibat sifat
linieritas variable keputusan pada fungsi sasaran. Yaitu kontribusi suatu variable
keputusan pada fungsi sasaran independen terhadap nilai variable keputusan yang
lain. Maksudnya adalah berapapun ongkos pemeliharaan sapi (x2), bila
pemeliharaan 1 ekor kambing (x1) Rp.500000,-maka ongkos pemeliharaan 3
ekor kambing sebesar Rp. 1500000,- (500000x1)
 Additifitas pada fungsi kendala. Demikian pula halnya karena kendala PL
berupa pertidaksamaan linier, maka kontribusi dari variable keputusan pada
harga ruas kiri pada setiap kendala independen dengan nilai variable keputusan
yang lainnya. Jadi ruas kiri merupakan jumlahan kontribusi tiap variable.

Asumsi Kepastian
Setiap parameter dapat diketahui secara pasti nilainya. Parameter disini adalah
koefisien dari fungsi objektif, nilai RHS (ruas kanan kendala), dan koefisien teknis.
Koefisien teknis yaitu koefisien ruas kiri tiap kendala atau sering disebut sebagai
koefisien matrix utama bila penulisan kendala diungkapkan dalam bentuk matrix.
Ax<b

Asumsi Divisibilitas
Setiap variable keputusan dimungkinkan bernilai pecahan. Bila asumsi ini tidak
terpenuhi maka model PL tidak bisa dipakai namun model ini dikenal sebagai model
IPL. Contoh polisi yang ditugaskan di Jatingaleh 3 orang, variable keputusannya

25
adalah jumlah polisi yang ditugaskan di Jatungaleh. Adalah tidak masuk akal kalau
jumlahnya 2/3 orang. Kapal yang dioperasikan oleh US marine di Pasific 50 buah,
angka 23.33 buah kapal tidaklah masuk akal. Tak berlakunya asumsi ini memerlukan
teknis penyelesaian kusus yang akan dipelajari dalam ILP.

2.5 Macam variable keputusan

Macam variable keputusan ditentukan oleh kemungkinan range nilainya. Ada tiga
macam variable yaitu variabel riil, variable integer dan variabel biner.
 Variabel riil, range nilainya sepanjang garis bilangan non negatif,
(x). Artinya harga variable itu bisa suatu pecahan ataupun bulat.
Contoh: Volume zat A yang harus dicampurkan bisa 0,5 liter, ¾ liter, 1
liter, …; Kadar paracetamol yang diverikan dalam obat flu bisa
2,5 %, 3%, …
 Sedangkan variable integer, range nilainya seluruh bilangan bulat non
negatif (x). Artinya variable itu ada artinya atau masuk akal bila
nilainya bulat (integer) tidak negatif.
Contoh: Jumlah polisi yang ditugaskan patroli bisa 0, 1, 2, …orang. Dan
tidak mungkin 0,5 orang, ¾ orang, …; Banyaknya becak yang
boleh beroperasi bisa 0, 1, 2, 3, …bukan 2,5; 3/7 …
 Variabel biner, harganya hanya ada dua kemungkinan 1 dan 0. x{0,1}.
Variabel ini biasanya untuk menhungkapkan pilihan ya atau tidak. Pada
aplikasi tertentu berarti hidup atau mati
Contoh: Apakah uang yang ada diinvestasikan ke saham atau tidak.
Apakah karyawan A diberi tugas P atau tidak
Apakah salesman mengunjungi kota S setelah kota T atau tidak
Apakah generator A dinyalakan siang hari atau tidak. dan lain
sebagainya
Diantara ketiga macam variable tersebut hanya variable riil yang tepat untuk
merumuskan suatu maslah dlam PL. Type variable yang lain hanya cocok digunakan
dalam formulasi ILP, MILP dan sejenisnya. Jadi jika variable keputusan dari suatu
maslah yang kan diselesaikan tidak bisa bernilai riil maka fromulasi PL tidak tepat.

26
 2.6 Pendefinisian variable keputusan
Agar tidak terjadi kasalahan dalam interpretasi setelah penyelesaian maka variable
keputusan harus didefinisikan secara benar. Pendifinisian yang benar juga akan
mempermudah penulisannya dalam notasi matematis. Variabel keputusan bisa
diberikan nama sesuai dengan permasalahannya. Pendefinisian variable yang lazim
all:
(a). Langsung untuk masing-masing item
Masing-masing item atau keputusan yang harus ditentukan diberikan nama yang
sesuai dengan item tersebut. Misalnya untuk contoh masalah produksi tahu dan
tempe diatas pada Bab 1 bisa dipakai definisi:
TAHU = Banyak tahu yang diproduksi dalam sehari/seminggu
TEMPE = Banyak tempe yang diproduksi dalam sehari/seminggu
Pada contoh kasus pengecer rokok bisa mendefinisikan dengan
GG = Banyak rokok merek GG yang dibeli
GGF = Banyak rokok merek GGF yang dibeli
JF = Banyak rokok merek JF yang dibeli
J76 = Banyak rokok merek J76 yang dibeli
R234 = Banyak rokok merek 234 yang dibeli
Ingat rokok yang terakhir nama variable R234 karena bukan 234, karena variable
harus dimulai dengan huruf tidak boleh angka (numeric).

(b). Penggunaan index

Cara diatas tidak praktis kalau jumlah itemnya banyak, apalagi banyak item yang
sejenis. Untuk itu banyak yang pendefinisiannya dengan index. Masing-masing item
cukup diberi atau dipasangkan dengan index 1, 2, 3, 4,…, N (dengan N menyatakan
jumlah item yang ada). Misalkan departemen pertanian akan mencari optimalitas
produksi palawija (jagung, ketela, kacang tanah, kedelai, ketela rambat dan lain
sebagainya), maka variable keputusan dapat didefinisikan sebagai

xi = Luasnya area yang akan ditanami palawija jenis-i. (i=1, 2, 3, …)

27
Dimana (1=jagung, 2=ketela, 3=kacang tanah ..dst, misalnya)

(c). Bentuk pilihan

Bentuk ini hanya cocok untuk tipe variable diskrit, misalnya integer atau binary.
Jadi tidak cocok untuk PL, namun disini hanya sekedar diperkenal. Misalnya untuk
contoh assignment penggunaan mesin I, II dan III:
 1, jika mesin i dipergunakan
Yi = 
 0, jika yang lain
dimana i = I, II dan III.

(d). Penggunaan double index

Cara ini dipakai bila keputusan itu bisa ditabelkan, artinya satu keputusan
merupakan kombinasi dari dua komponen/patokan/pedoman. Sebagai contoh berikut
adalah masalah transportasi.
Kasus: Sebuah perusahaan memiliki 3 pabrik yang menyuplai pemasaran di 4
kota. Kapasitas masing-masing pabrik per bulan adalah pabrik1: 34 juta unit, pabrik
2: 50 juta dan pabrik 3: 40 juta. Sedangkan kebutuhan di masing-masing kota adalah
kota 1, 45 juta; kota 2, 20 juta; kota 3, 30 juta dan kota 4, 30 juta. Biaya pengiriman
1 juta unit bergantung pada jarak, yang ditabelkan sbb:

Ke Kapasitas
Dari
Kota 1 Kota 2 Kota 3 Kota 4 supplay
Pabrik 1 $8 $6 $10 $9 35 juta
Pabrik 2 $9 $12 $13 $7 50 juta
Pabrik 3 $14 $9 $16 $5 40 juta
permintaan 45 juta 20 juta 30 juta 30 uta

Manager harus menentukan dari mana dan kemana barang harus dikirima agar total
biaya transportasi minimal dan permintaan terpenuhi dan sesuai kapasitas masing-
masing pabrik.

28
Untuk kasus ini variable keputusan bisa didefinisikan sbb:
xij = banyaknya unit yang dikirim dari pabrik i ke kota j.
Dimana i = 1, 2 dan 3 sedang j = 1, 2, 3 dan 4.

Cara ini bisa diperluas baik untuk tiga index atau lebih sesuai kebutuhan dan
kondisinya. Cara b, c dan d diatas sangat menguntungkan secara matematis karena
notasi yang panjang bisa dituliskan secara ringkas.

29
Misalnya:

4
x1 + x2 + x3 + x4 bisa diringkas sebagai x
i 1
i

4
a1 x1 + a2 x2 + a3 x3 + a4 x4 bisa diringkas sebagai a x
i 1
i i

a11 x11 + a12 x12 + … + a14 x14 + a21 x21 + a22 x22 + … + a24 x24 + … +a33 x33 + a34
3 4
x34 bisa diringkas sebagai  a
i 1 j 1
ij xij

2.7 Fungsi sasaran dan perumusannya

Ada dua macam fungsi objektif yaitu minimisasi dan maximisasi. Objektif atau
sasaran yang ditetapkan dalam keseharian misalnya meminimalkan ongkos, resiko,
jarak tempuh, total berat beban dsb. Sedangkan sasaran yang dimaximalkan misalnya
keuntungan, jumlah produksi, jumlah pelayanan, luasnya cakupan dsb.
Untuk bisa merumuskan fungsi sasaran dengan benar maka perlu diketahui
parameter-parameter yang terkait. Parameter adalah konstanta-konstanta pasti yang
yang terkait denganvariabel keputusan yang menysusun fungsi sasaran. Konstanta ini
sering disebut sebagai koefisien fungsi sasaran.
Contoh minimisasi:
1. Meminimalkan ongkos produksi barang elektronik yang dibuat perusahaan
all: radio, tape, TV, Kulkas. Maka harus diketahui berapa ongkos produksi
masing-masing produk. Andaikan ongkosnya berturut-turut 56000, 88000,
110000 dan 100000, maka fungsi sasaran bisa ditulis sebagai
Min 56 x1 + 88 x2 + 110 x3 + 100 x4,
dimana didefinisikan variable xj adalah jumlah produk j yang dibuat.
J=1,2,3,4(index untuk Radio, Tape, TV dan Kulkas)
2. Penyerangan darat bisa beresiko 12 serdadu meninggal, serangan laut
resikonya 7 orang meninggal, serangan udara resikonya 1 orang meninggal.
Suatu operasi ingin meminimumkan resiko kehilangan serdadu, maka bisa
dirumuskan sebagai

30
 Min 12 x1 + 7 x2 + x3,
dimana didefinisikan variable xj adalah cara menyerang j yang dibuat.
J=1,2,3(index untuk Darat, Laut dan Udara)
3. Jika cij menyatakan jarak kota i ke kota j dan xij menyatakan apakah
perjalanan melewati kota i lalu kekota j, maka jarak minimal perjalanan tour
mengunjungi n kota bisa dirumuskan sebagai
n n
Min 
i 1 j 1, j  i
cij xij

Contoh Maximisasi:
4. Rumah usaha “Anak Nyeni” membuat dua mainan dari kayu, truk dan Kuda
Goyang. Satu Truk dijual dengan harga Rp 10000,- dengan bahan Rp 5000,-
sedang Kuda seharga Rp 25000,- dan habis bahan Rp15000,- Disamping
bahan ada ongkos lain yaitu tenaga dan administrasi yang rata-rata Rp 2000,-
per Truk dan Rp 4000,- per Kuda. Pemilik pingin tahu bagaimana ngatur
produksi bulanannya agar keuntungannya maximal.
Keuntungan = Pendapatan – Ongkos. Bila satuan uag dalam ribuan
maka
Jumlah pendapatan perbulan = penadapatan dari Truk + dari Kuda
=10 Truk + 25 Kuda.
Jumlah Ongkos bahan = 5 Truk + 15 Kuda
Jumlah Ongkos tenaga dan adm = 2 Truk + 4 Kuda
Keuntungan = 10 Truk + 25 Kuda –(5Truk+15Kuda) –
(2Truk+4Kuda)
= 3 Truk + 6 Kuda
Jadi fungsi sasarannya adalah
Max 3 Truk + 6 Kuda

5. Rumah usaha kulit memproduksi Sabuk dan Sepatu. Harga Sabuk Rp 23000,-
dan Sepatu Rp 100000,- Sebuah sabuk perlu 0,02 m2 kulit dan 1 jam kerja,
sebuah Sepatu perlu 0,25 m2 kulit dan 5 jam kerja. Industri rumah ini bisa

31
 menyediakan 5 m2 kulit yang harganya Rp100000,- per m2 dan 18 jam kerja.
Pemiliknya ingin memperoleh keuntungan sebesar-besarnya dari
produksinya. Fungsi objektifnya bisa ditulis sebagai
Untung dari sepatu (dalam ribuan) = 23 – 0,02 (50) = 23 – 2 = 28
Untung dari sepatu (dalam ribuan) = 100 – 0,25 (10) = 100 – 2,5 =
97,5
Max 28 Sabuk + 97,5 Sepatu

2.8 Penulisan Kendala (Constraints)

Kendala biasanya berupa ungkapan pembatasan pemakaian sumber daya yang ada
atau dapat juga berupa ungkapan prasyarat yang harus dipenuhi dalam pengambilan
keputusan. Sebagaimana disinggung di depan bahwa pada umumnaya kendala akan
berupa pertidaksamaan, maka bentuknya akan ditandai oleh lima lambang hubungan
yaitu (=, <, >, , )
 Sama dengan (=), bila prasarat atau suatu ketentuan harus tepat bernilai
tertentu. Misalnya tiap hari harus ada 3 orang yang jaga diantara 4 satpam yang
ada bisa diungkapkan sebagai kendala
x1 + x2 + x3 + x4 = 3

 Lebih kecil atau sama dengan (), bila sumber daya yang ada memiliki
batas kapasitas yang tidak boleh di langgar. Misalnya kadar gula tidak boleh
lebih dari 500 gr, bisa ditulis x  500.
 Lebih Kecil (<), ungkapan syarat bahwa kondisi yang satu harus lebih kecil
dari kondisi yang lain. Misal orang bisa nabung bila pengeluaran lebih kecil
penghasilan, maka bisa ditulis sbg x < y atau x-y < 0
 Lebih besar atau sama dengan (), untuk mengungkapkan batas minimal
yang harus dicapai atau dipenuhi. Misal jumlah produksi minimal tahu dan tempe
sehari 10 ton, maka bisa ditulis sebagai kendla
X + y  10

32
 Lebih besar (>), untuk mengungkapkan bahwa kodisi pertama harus lebih
besar dari kondisi kedua. Misalnya berat jenis bahan A harus lebih besar dari
jenis bahan B, ditulis sbg
A>B atau A – B >0

 Dan jangan lupa untuk menuliskan kendala non negatifnya. Walau dalam
beberap software ini dianggap otomastis, namun secara teori kendala ini harus
dituliskan sebagai x, y  0 atau x  0, y  0 misalnya. Agar secara pasti bisa
diidentifikasi bahwa variabelnya tidak harus integer atau biner.

2.9 Latihan

Dari contoh soal dan latihan soal di Bab 1, lakukan

a. Definisikan variable keputusannya
b. Rumuskan fungsi sasarannya
c. Rumuskan fungsi kendala teknisnya
d. Rumuskan kendala non negatifnya
e. Tuliskan dalam bentuk PL

33
 BAB 3.
PENYELESAIAN PROGRAM LINEAR

Pada bab ini akan kita akan mempelajari dua metode untuk menyelesaikan
program linier. Metode pertama dikenal dengan metode grafik, karena metode
penyelesaian program linear dengan cara menggunakan grafik dari daerah fisibel
dan fungsi tujuan untuk membantu penentuan nilai maksimal atau minimal.
Sayangnya metode ini hanya mampu menyelesaikan program-program linear dengan
banyaknya variabel keputusan paling banyak dua.Untuk program-program linear
dengan banyaknya variabel yang lebih dari dua metode grafik tidak dapat digunakan
lagi karena visualisasi dari daerah fisibel dan fungsi tujuan tidak dapat dilakukan
lagi.Untuk itu, kita harus menggunakan metode lainnya, yang bekerja dengan
prosedur aljabar.Salah satu metode aljabar ini adalah metode simplex. Metode ini
adalah metode yang paling banyak digunakan untuk menyelesaikan program
program linear karena menggunakan operasi aljabar yang sederhana. Untuk lebih
memudahkan pemahaman kita selanjutnya, pandang contoh dibawah

Contoh 3.1. Pabrik tepung Ratu Raya yang memiliki 3 pabrik yang berada di
Magelang, Sukoharjo dan Cilacap memproduksi 2 jenis tepung yaitu mazena dan
terigu, masing masing pabrik menpunyai kapasitas produksi yang berbeda beda,
untuk Magelang kapasitas tersedia 4 ton, Sukoharjo12 ton dan 18 ton untuk pabrik di
Cilacap.Kemampuan produksi masing-masing pabrik tiap unit dan laba yang
diperoleh tiap unit disajikan dalam tabel 3.1
Tabel 3.1.
Kapasitas yang dipakai perunit
Tingkat produksi
Produk Kapasitas
Pabrik
Mazena terigu tersedia
Magelang 1 0 4
Sukoharjo 0 2 12

34
 Cilacap 3 2 18
Laba Per Unit 3 5
Dari masalah diatas dapat diperoleh perumusan / formulasi modelnya sebagai
berikut :
Maksimumkan Z = 3X1 + 5X2,
dengan kendala X1  4,
2X2  1,
3X1 + 2X2  18,
X1, X2  0,

3.1. METODE GRAFIK

Di bagian ini akan mempelajari metode grafik yang dapat digunakan untuk
menyelesaikan program program linear dengan banyaknya variabel keputusan
kurang dari atau sama dengan dua.Secara umum persoalan program linear
memiliki bentuk masalah maksimum dan minimum, kita mulai pembahasan
dari program linear masalah maksimum.

3.1.1. MASALAH MAKSIMUM

Pandang program linear contoh 3.1. . Masalah diatas mempunyai dua variabel
keputusan oleh karena itu hanya mempunyai dua dimensi sehingga dapat
diselesaikan dengan metode grafik, tetapi sebelumnya diberikan pengertian mengenai
daerah fisibel.
Definisi : Daerah fisibel adalah daerah yang memenuhi semua kendala.
Langkah-langkah mencari solusi optimal dengan metode grafik secara umum
sebagai berikut :
Langkah 1(Step 1) : Gambarkan semua kendala dan tentukan daerah fisibelnya
Langkah 2(Step 2) : Gambarkan garis fungsi tujuannya
Langkah 3(Step 3) : Dapatkan solusi optimal dengan cara mencari nilai variabel
keputusan yang dapat memaksimalkan (meminimalkan)
fungsi tujuan.

35
Kita ingat kembali bahwa daerah fisibel adalah daerah yang yang memenuhi semua
kendala dengan melakukan langkah langkah diatas diperoleh grafik seperti gambar
dibawah ini:

X2
X2
8 X1 = 4 9
A B 3X1 + 5X2 = Z
6 2X2 = 12 A B

4
C Z =36
3X1 + 2X2 = 18 C
2
D
X1 D
2 4 6 8 X1
2 4 6 Z=20

Daerah yg diarsir adalah daerah fisibel

Daerah fisibel dan
fungsi tujuan
Program linier Contoh 3.1 contoh 3.1
Gb 3.1 Gb.3.2

Sesudah daerah fisibel dan fungsi tujuan kita gambarkan, selanjutnya kita harus
menggerakkan garis fungsi tujuan secara sejajar menjauhi titik asal tetapi masih
mengiris daerah fisibel, sebagai ilustrasi lihat gambar 3.3 dimulai dari titik awal O(0,
0) dengan Z=0 kemudiantitk pada garis Z = 3X1+5X2=10 untuk (X1, X2) = (0, 2) dan
Z = 3X1+5X2=20, dengan (X1, X2)=(0, 4) masih banyak titik-titik yang berbeda di
daerah penyelesaian yang layak sehingga perlu dicoba mencari nilai Z yang lebih
besar dari Z = 20, dengan menarik garis yang sejajar dengan garis Z=3X1+5X2
memilih garis yang paling jauh dari titik O( kearah yang meningkatkan nilai Z)
diperoleh titik B(2, 6) dengan Z=3(2)+5(6)=36 mendapatkan harga yang maksimal

36
sehingga dapat dilihat bahwa solusi optimal akan ditemukan pada salah satu dari titik
sudut (titik ektrim) daerah fisibel

(1)
Z=36

(2)
Z=20 A(0, 6) B(2, 6)
C(3, 4)
Z=0 D (3)
O

Z=10
Gb.3.3

persoalan program linear berikutnya adalah persoalan meminimalkan fungsi tujuan

3.1.2. MASALAH MINIMUM

Persoalan program linear pada masalah ini berbeda pada masalah sebelumnya, pada
persoalan ini solusi diperoleh apabila fungsi tujuan mempunyai nilai minimal,
pandang contoh 3.2 dibawah ini
Contoh 3.2. Minimumkan Z = 10 X1 + 8X2,
dengan kendala 2X1 + X2  8,
2X1 + 3X2  12,
X1  2,
X2  1,
X1, X2  0,
Solusi program linear contoh 3.2 dengan metode grafik, langkah pertama dengan
menentukan daerah fisibelnya seperti tampak pada gambar3.4, kemudian
gambarkan garis fungsi tujuannya (Z) dapat dilihat pada gambar 3.5, langkah
selanjutnya mencari solusi optimal daerah dengan cara menarik garis fungsi tujuan

37
(Z)yang sejajar dimulai dari titik awal menuju daerah fisibel dgn mencari nilai paling
minimal., seperti terlihat pada gambar 3.6

X2 (3)
(3) (3)
8
A
6
B(2, 8/3)
4
(2)
(4) 2 (4) (4) C(9/2, 1)
D X1
O O
(1) (2) (1) (2) Z Z =0 (1) Z

Gb.3.4 Gb.3.5
Gb.3.6

Pada gambar 3.6 dapat dilihat, dengan menarik garis Z untuk mencari nilai
minimum pada daerah fisibel diperoleh harga Z minimum pada titik C(9/2, 1)
dengan Z=53
Catatan:
Dari kedua contoh diatas, dapat dilihat solusi untuk program linear yang kita teliti
didapatkan di titik sudut dari daerah fisibel.

3.1.3. MASALAH KHUSUS

Dalam program linear penyelesaian dengan metode grafik, setelah kita
menggambarkan daerah fisibel dan fungsi tujuannya dijumpai keadaan keadaan
khusus unutk menentukan solusi program linear yaitu, nilai solusi yang lebih dari

38
satu, solusi tak terbatas, dan persoalan tidak memiliki solusi yang fisibel. Pada
bagian ini akan dibahas persoalan persoalan tersebut.

3.1.3.1 Multiple Optimum Solution

Nilai penyelesaian optimal ganda merupakan kejadian khusus dalam metode
grafik. Hal ini terjadi apabila salah satu dari kendala yang ada memiliki kemiringan
(slope) yang sama dengan fungsi tujuan, pandang contoh 3.3 dibawah ini
Contoh 3.3.(Program Linear dengan banyak solusi )
Maksimalkan Z = 20X1 + 40X2,
dengan kendala 3X1 + 6X2  30,
X1  8,
X2  3,
X1, X2  0,

(2)

(1)
A B(4, 3)
(3)
Z=0
C(8, 1)
O Z=80 D Z=200
Gb.3.7
Dengan menggambarkan daerah fisibel dan fungsi tujuannya dan menggerakkan
garis fungsi tujuan dari titik awal kearah sejajar untuk mencari harga optimal yang
masih berada di daerah fisibel, ternyata diperoleh solusi fisibel berada didaerah garis
antara titik B dan C, yang ternyata nilai maksimum Z= 10(4)+40(3)=200 dititik B(4,
3) dan Z=20(8)+40(1)=200 dititik C(8, 1) seperti terlihat dalam gambar 3.7, sehingga
solusi untuk program linear contoh 3.3 memiliki solusi yang lebih dari satu titik.

3.1.3.2 Tidak memiliki solusi fisibel

39
Keadaan khusus berikutnya dalam program linear adalah tidak memiliki solusi
fisibel, hal ini terjadi karena tidak dapat ditemukan solusi yang dikehendaki sesuai
kendala Kendala yang diberikan.Pandang contoh 3.4 dibawah ini
Contoh 3.4( Program Linear yang tidak memiliki solusi )
Maksimumkan Z = 20 X1 + 50X2,
dengan kendala X1 + X2  5,
2X1 + 3X2  24,
X1, X2  0,

X2

5
Z

X1 + X 2 = 5 2X1 + 3X2 = 24
0 5 12 X1
Gb. 3.8
Dalam gambar 3.8 dapat dilihat bahwa setelah menggambar daerah fisibel dan
fungsi tujuannya, kemudian dengan menarik garis fungsi tujuan dari titik awal 0
kearah menjauh untuk mendapatkan solusi optimal yang dikehendaki, ternyata tidak
dapat diperoleh solusi yang memenuhi kendala kendala yang ada.

3.1.3.3 Unbounded (Solusi Tidak Terbatas)

Keadaan khusus lainnya dalam program linear adalah program linear dengan solusi
tak terbatas, pandang contoh 3.5 dibawah ini
Contoh 3.5( Program Linear yang dengan solusi tak terbatas ).
Maksimumkan Z = 30X1 + 40X2,
dengan kendala 3X1 + 4X2  24,
2X1  10,
X1, X2  0,

40
 X2
2X1 = 10
8

5
Z=360

Z=280

0 5 8 8 X1
3X1 + 4X2 = 24
Gb 3.9.

Pada gambar 3.9 misalkan kita pilih di suatu titik sembarang misal A(0, 8) garis
fungsi tujuan Z yang berharga sama dengan 280 atau Z = 280, tetapi jika geser
sejajar ke atas pada daerah fisibel misalnya, maka dapat ditemukan Z lain yang lebih
besar yaitu Z = 360, di satu titik lain misal B(0, 9). Proses ini jika kita teruskan maka
kita akan selalu mendapatkan harga Z yang lebih besar dari harga yang sebelumnya
sehingga dengan kata lain tidak ada titik dalam daerah fisibel yang akan dipilih.

LATIHAN 1.
Selesaikan program linier dengan metode grafik dibawah ini
1. Maksimum Z = 2X1 + 2X2 2. Maksimumkan Z=3X1+ 6X2
dengan kendala 5X1 + 4X2  20 dengan kendala X1 +2X2 9
X2  3 2X1 + 8X2  16
X1 – 2X2  2 X2  1
X1, X2  0 X1, X2  0
3. Maksimum Z = 4X1 + 2X2 4. Maksimumkan Z=2X1+ 6X2
dengan kendala X1 3 dengan kendala 5X1 +2X2 5
X1 + 2X2  4 5X1 + 2X2  10
3X1 + X2  6 X2  5
X1, X2  0 X1, X2  0
5. Maksimum Z = 2X1 + 2X2
dengan kendala 5X1+5X2 5

41
 X2  3
X1 + X2  6
X1, X2  0

3.2. METODE SIMPLEX

Metode simplex adalah merupakan prosedur aljabar yang bersifat iteratif,
dimana pada setiap iterasi mencari penyelesaian suatu sistem persamaan
penyelesaian ini kemudian digunakan menguji keoptimalan dari program linear yang
akan diselesaikan.Sebelum membahas metode simplex pandang model umum
program linear pada tabel 3.2

Tabel 3.2. Model Umum

Pemakaian Sumber Daya per unit Jumlah
kegiatan Sumber
Sumber daya Daya Yang
1 2 3 ... N
tersedia
1 a11 a12 . . . a1n b1
2 a21 a22 . . . a2n b2
. . . . . . . .
. . . . . . . .
. . . . . . . .
m am1 am2 . . . amn bm
 Z / Unit kegiatan C1 C2 . . . Cn
Tingkat Kegiatan X1 X2 . . . Xn

Formulasi model secara matematis masalah program linier bentuk baku

Memaksimumkan/Meminimkan Z = CjXj,
Kendala aijXj = bi,
Xj  0,
i = 1, 2, … m dan j = 1, 2, … n,

42
Secara umum bentuk baku (standar) model memenuhi sifat-sifat sebagai berikut :
1. Semua kendala merupakan bentuk persamaan,
2. Harga ruas kanan hendaklah harga non negatif,
3. Semua nilai variabel keputusan adalah non negatif,
4. Fungsi tujuan berbentuk maksimum atau minimum,
Pada umumnya persoalan program linier dengan dua variabel keputusan dapat
diselesaikan dengan metode grafik, tetapi untuk menyelesaikan persoalan yang
memiliki variabel keputusan yang lebih besar atau sama dengan dua digunakan
simplex.Pada kenyataannya masalah model matematis pada program linier tidak
selalu berbentuk baku, oleh karena itu diberikan beberapa cara untuk membawa
model kedalam bentuk baku (standar).

3.2.1. perubahan ke Bentuk baku

Metode simplex dibuat untuk menyelesaikan program linear baku.Metode ini
dapat juga digunakan untuk menyelesaikan program linear yang umum, tetapi harus
diturunkan terlebih dahulu menjadi program linear yang baru yang berbentuk baku
dengan cara :
1. Jika pada kendala berbentuk  maka persamaan kendala diubah dengan
menambah variabel kelonggaran (slack variable) pada ruas kiri misal sebuah
kendala :
X1 + 2X2  6 diubah menjadi X1 + 2X2 + S1 = 6, S1  0
2. Jika kendala berbentuk  maka persamaan kendala diubah dengan
mengurangkan dengan variabel surplus pada ruas kiri; misalkan kendala.
X1 + 2X2 - 3X3  5 diubah menjadi 3X1 + 2X2 - 3X3 – S2 = 5
3. Jika ruas kanan berharga negatip diubah menjadi positif dengan mengalikan
kedua arus dengan (-1) misal 2X1 – X2  -5, diubah dengan mengalikan kedua
Ruas dengan (-1) menjadi –2X1 + X2  5
4. Jika terdapat variabel keputusan tak terbatas (Xi unrestriced) maka Xi dapat
diubah bentuk dua variabel non negatif dengan subtitusi
Xi = Xi’- Xi”, Xi’, Xi”  0,

43
Contoh 3.6.
Minimumkan Z = 2X1 + 3X2,
dengan kendala X1 + X2 = 10,
-2X1 + 3X2  -5,
7X1 - 4X2  6,
X1 tidak terbatas dlm tanda, X2  0,
Mempunyai bentuk baku
Z minimum = 2(Xi’- Xi”) + 3X2,
dengan kendala (Xi’- Xi”) + X2 = 10,
2(Xi’- Xi”) – 3X2 – S2 = 5,
7(Xi’- Xi”) - 4X2 + S3 = 6,
Xi’, Xi”, X2, Ss, S3  0,
Ubahlah ke dalam bentuk baku, program linier minimumkan Z = 5X1 + 3X2 + 8X3
Dengan kendala X1–X2+4X3  5,
-X1 + X2–4X3  -5,
2X1+5X2+7X3  X1 tidak terbatas dalam tanda, X2, X3  0,

44
PROSEDUR METODE SIMPLEX
Prosedur metode simplex secara keseluruhan terdiri dari 3 langkah / tahapan yaitu :
1.Langkah awal(Step1) :persiapan untuk memulai iterasi
2.Langkah Iterasi(Step2) : yaitu proses melakukan iterasi.
3.Uji optimalitas (Step3) : suatu langkah dimana apakah hasil yang digunakan
telah tercapai atau belum, jika pada langkah ini belum
sesuai yang dikehendaki (optimal) maka proses kembali
ke langkah iterasi, dan sebaliknya berhenti.
Untuk lebih memudahkan pemahaman prosedur metode simplex diberikan
skema/gambar alur dari langkah langkah yang ada

Alur metode simplex

Langkah Awal

Langkah Iterasi

T Y
Uji Optimal
STOP

Kemudian dilanjutkan dengan hal-hal apa yang dikerjakan pada setiap langkah pada
metode simplex adalah yaitu.
1. LANGKAH AWAL
Langkah ini adalah langkah untuk mempersiapkan iterasi, yaitu dengan
membentuk model matematis kedalam bentuk baku dengan menambahkan
variabel kelonggaran(slack), sehingga diperoleh variabel basis.

45
 Pada fungsi tujuan koefisien varibel kelonggaran sama dengan nol dan
pindahkan/pisahkan variabel-variabel disebelah kiri dari konstanta di sebelah
kanan.

2. LANGKAH ITERASI
Langkah ini terdiri dari 3 bagian
Bagian 1 : bagian menentukan Entering Variabel (EV) / variabel yang masuk
menjadi basis dengan cara mencari variabel non basis pada persamaan (0)
harga negatif terbesar untuk masalah maksimum dan harga positif terbesar
untuk masalah minimum.
Bagian 2 : menentukan Leaving variabel (LV) / variabel dasar yang akan
keluar dengan cara membandingkan harga ruas kanan (bi) dengan harga
koefisien pada variabel yang terpilih menjadi basis baru pada setiap persamaan
ke– i (i = 1, 2, …, m) yang dipilih yang paling minimum, atau.
 , d ie  0

 bi , a  0 , selanjutnya perpotongan antara Entering Variabel
m, n X e   ie
a
 ie

 dengan Leaving Variabel sebut saja elemen pivot
Bagian 3 : menentukan solusi baru dengan melakukan operasi eliminasi Gauss,
dengan menjadikan setiap harga pada variabel baru menjadi nol dan elemen pivot
menjadi 1.

3. LANGKAH OPTIMAL
Pada langkah ini kita periksa persamaan (0) / (Z) apakah pada setiap variabel
non basis berharga  0 (masalah maksimal) dan  0 (untuk masalah minimal),
kalau ini terpenuhi maka penyelesaian sudah optimal jika belum lanjutkan
kelangkah iterasi.
Pandang kembali program linear contoh 3.1 dengan formulasi masalah adalah
memaksimalkan Z = 3X1 + 5X2,
dengan kendala X1  4,
2x2  12,
3X1 + 2X2  18,

46
 X1, X2  0,
Langkah awal :
X1 + S1 = 4,
2X2 + S2 = 12,
3X1 + 2X2 + S3 = 18,
Z – 3X1 – 5X2 – 0S1 – 0S2 – 0S3 = 0,
Seperti pada metode grafik pada langkah ini memulai dari titik awal yaitu (0, 0)
artinya kita menentukan solusi fisibel awal yaitu di titik O(X1, X2)=(0, 0) dengan
harga Z=0.Selanjutnya langkah iterasi dan tinggi optimal secara keseluruhan
disajikan dalam bentuk tabel 3.4.
Tabel 3.4
EV
Iterasi BV Z X1 X2 S1 S2 S3 BSF
Z 1 -3 -5 0 0 0 0
S1 0 1 0 1 0 0 4
0 12/2 = 6  LV
S2 0 0 2 0 1 0 12 18/2 = 9
S3 0 3 2 0 0 1 18
Z 1 -3 0 0 5/2 0 30
S1 0 1 0 1 0 0 4
1
X2 0 0 1 0 1/2 0 6
S3 0 3 0 0 -1 1 6
Z 1 0 0 0 3/2 1 36
S1 0 0 0 1 1/3 -1/3 2
2
X2 0 0 1 0 1/2 0 6
X1 0 1 0 0 -1/3 1/3 2

Pada iterasi ke 0, dengan memperhatikan bagian1 dari langkah iterasi, X2 terpilih

sebagi basis baru karena pada persamaan 0 memiliki harga negatif terbesar adalah (-
5). Dengan memperhatikan bagian 2 dari langkah iterasi, S2 terpilih sebagi basis
bi
yang akan digantikan oleh X2 karena rasio = 6, untuk I=2 minimum.
aie

47
 Pada iterasi ke-2 kita berada di titik (2, 6), nilai fungsi tujuannya =36. Pada
iterasi ini, dapat dilihat bahwa semua variabel non basis bernilai  0.Karena
masalahnya merupakan masalah memaksimalkan Z, setelah iterasi ini jika kita ingin
mengganti variabel basis, yang berarti memperbesar nilai variabel non basis akan
berakibat turunnya nilai Z, jadi dapat kita simpulkan pada iterasi ke 2 ini, kita telah
mencapai keadaan optimal dengan solusi adalah.
(Z, X1, X2, S1, S2, S3) = (36, 2, 6, 2, 0, 0).
Bila kita perhatikan pada iterasi awal (0) yang menjadi basis awal adalah S1, S2, dan
S3, yang mempunyai nilai (0, 0, 0). Ini menunjukkan langkah awal menentukan
solusi optimal dimulai dari titik awal yaitu (X1, X2) = (0, 0, 0). Kemudian seperti
pada metode grafik langkah selanjutnya bergerak mencari solusi optimal.Pada iterasi
ke 1 yang menjadi basis variabel adalah S1, X2, S3 dengan nilai (0, 6, 0) dengan X2
terpilih sebagai variabel basis baru, dengan nilai (0, 6, 0) ini menunjukkan bahwa
nilai optimal bergerak menuju (bergeser)ke titik lain yaitu (0, 6, 0). Pada metode
grafik ini yang terlihat pada gambar 3.1 kita berada di titik A. Selanjutnya pada
iterasi ke 2, X1 terpilih menjadi basis baru menggantikan S3, dan nilai berubah
menjadi (2, 6, 2) sedang persamaan 0 semua berharga  0, kondisi telah optimal,
iterasi dihentikan dengan solusi optmal (2, 6).Pada metode grafik pada gambar 3.1,
solusi ini berada di titik B
Bila kita amati, iterasi - iterasi berikutnya tidak lain adalah merupakan pergeseran
titik ujung ke titik ujung lainnya untuk mendapat solusi yang optimal yaitu dari titik
O ke titik A ketitik
B. Pada metode grafik gambar 3.1.
Persoalan diatas diselesaikan dengan software Lindo adalah

memaksimalkan Z = 3X1 + 5X2,

dengan kendala X1  4,
2x2  12,
3X1 + 2X2  18,

48
 X1, X2  0,
Output LINDO:
NO. ITERATIONS= 1
LP OPTIMUM FOUND AT STEP 2
OBJECTIVE FUNCTION VALUE
1) 36.00000
VARIABLE VALUE REDUCED COST
X1 2.000000 0.000000
X2 6.000000 0.000000
ROW SLACK OR SURPLUS DUAL PRICES
2) 2.000000 0.000000
3) 0.000000 1.500000
4) 0.000000 1.000000
NO. ITERATIONS= 2
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 3.000000 4.500000 3.000000
X2 5.000000 INFINITY 3.000000

RIGHTHAND SIDE RANGES

ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
X2 4.000000 INFINITY 2.000000
X3 12.000000 6.000000 6.000000
X4 18.000000 6.000000 6.000000

Kasus I
Maksimumkan Z = 60X1 +30X2 + 20X3,

49
Dengan kendala 8X1+6X2+X3  48,
4X1+2X2+3/2X3  20,
2X1+3/2X2+1/2X3  8,
X1, X2, X3  0.
Salah satu iterasinya adalah sebagai berikut :

BV Z X1 X2 X3 S1 S2 S3 BSF
Z 1 0 15 -5 0 0 30 240
S1 0 0 0 -1 1 0 -4 16
S2 0 0 -1 1/2 0 1 -2 4
X1 0 1 3/4 1/4 0 0 1/2 4

Dari Tabel Iterasi diatas manakah

a. Variabel basisnya ? Berapa nilainya?
b. Variabel non basisnya?
c. berapa harga z saat itu?
d. yang akan menjadi entering variabel?
e. yang terpilih menjadi leaving variabel?
Ubahlah kedalam bentuk baku program linier yang ada dalam latihan I.
3.2.2. MENYELESAIKAN MASALAH DENGAN KENDALA BERBENTUK
 DAN =
Penyelesaian masalah program linier dengan metode simpleks menghendaki
adanya pemecahan awal yang fisibel yaitu setiap kendala memiliki variabel basis jika
kendala memiliki pertidaksamaan berbentuk , misal 2X1 + 3X2  30 dengan
menambahkan dengan varibel surplus 2X1 + 3X2 – S1  30, kendala inipun tidak
memiliki variabel basis. Untuk itu kendala masih perlu ditambah dengan variabel
artificial/semu (Ri) sehingga kendala menjadi 2X1 + 3X2 – S1 + R1 = 30. Begitu pula
dengan kendala berbentuk persamaan misal 2X1 + 4X2 = 20 diubah menjadi 2X1 +
4X2 + R2 = 20.

50
 Meskipun semua kendala telah memiliki variabel artificial tersebut bukan
penyelesaian yang fisibel bagi masalah aslinya. Sehingga variabel semu harus
dikurangi nilainya sehingga menjadi nol. Untuk membuat nilai variabel artificial
menjadi nol dengan menggunakan dua metode.

3.2.2.1 Metode dua fase

Metode dua fase merupakan metode simplex dengan kendala yang memuat  dan
=.Dengan metode simplex, kita memulai iterasi dari titik asal, dengan asumsi bahwa
program linearnya sedemikian rupa sehingga titik asal berada di daerah fisibel.Tetapi
kita tidak dapat memungkiri kenyataan bahwa banyak program linear dimana daerah
fisibelnya tidak memuat titik asal.Selain itu, kita sering menemukan program linear
yang tidak jelas, apakah memuat suatu solusi fisibel atau tidak .Untuk menjawab
kedua pertanyaan diatas, yaitu
a) Apakah program linear mempunyai daerah fisibel, atau
b) Apakah titik asal berada di daerah fisibel
Sebelum memasuki program linear inti, kita perhatikan terlebih dahulu (auxiliary
problem) dari program linear yang ingin kita selesaikan.Lebih jelasnya kita ingin
menyelesaikan program linear ;
n
Maksimumkan C X
j1
j j , …. (*)

Terhadap  aij Xj  bi, (i, 1, 2, …, m),

Xj  0, (j=1, 2, …, n),
Auxilary problemnya mempunyai bentuk
Miminimumkan  aij Xj - Ro  bi, (I, 1, 2, …, m), …(**)
Xj  0, (j=1, 2, …, n),
Auxilary problem ini jelas mempunyai solusi fisibel ,yaitu jika mempunyai
himpunan X1= X2= X3=…= Xn=0 dan Ro  bi, untuk setiap I=1,2,…,m.Selain itu
kita dapat melihat bahwa program linear (*) mempunyai solusi fisibel jiki dan hanya
jika auxiliary problemnya mempunyai solusi optimum Ro =0.Karena itu,untuk
mendapatkan solusi fisibel yang kita akan gunakan di iterasi pertama metode simplex

51
inti, kita lebih dahulu menyelesaikan auxiliary problem.Teknik pencarian soluso
fisibel dengan auxiliary problem kemudian dilanjutkan dengan metode simplex
intinya dikenal dengan nama metode dua fase.Fase pertama adalah fase penentuan
solusi fisibel yang kita lakukan dengan menyelesaikan auxiliary problem, dan fase
kedua adalah metode simplex inti dengan solusi fisibel pada iterasi pertamanya
adalah solusi dari fase pertama.
Dengan kata lain metode dua fase, yaitu mencari penyelesaian dengan dua
tahapan (fase), dimana fase pertama adalah digunakan untuk meminimumkan jumlah
dari variabel artificialnya yang merupakan fungsi tujuan baru, sehingga mencapai
harga minimum /nol. Fase kedua adalah meminimumkan fungsi tujuan yang asli
(semula), pandang contoh 3.8 dibawah ini.
Contoh 3.8.
Memaksimumkan Z = 3X1 + 5X2,
Kendala X1  4,
2X2  12,
3X1 + 2X2 = 18,
X1, X2  0,
Persoalan diubah dalam bentuk baku menjadi
X1 + S1 = 4,
2X2 + S2 = 12,
3X1 + 2X2 + R3 = 18  R3 = 18 – 3X1 –2X2.
Dari perhitungan dalam bentuk baku model diperoleh harga variabel artificial R3
yang akan diminimumkan pada fase pertama dibawah ini.
Fase pertama
Pada fase pertama ini akan diminimumkan variabel artificial f=R3 atau f =18–3X1-
2X2, selanjutnya dengan memisahkan semua variabel variabel disebelah kiri dan
konstanta disebelah kanan sehingga diperoleh persamaan yang akan diminimalkan
yaitu f + 3X1 + 2X2= 18.
Tabel 3.6.
Iterasi BV X1 X2 S1 S2 R3 BSF

52
 f 3 2 0 0 0 18
S1 1 0 1 0 0 4
0
S2 0 2 0 1 0 12
R3 3 2 0 0 1 18
f 0 2 -3 0 0 6
X1 1 0 1 0 0 4
1
S2 0 2 0 1 0 12
R3 0 2 -3 0 1 6
f 0 0 0 0 -1 0
X1 1 0 1 0 0 4
2
S2 0 0 3 1 -1 6
X2 0 1 -3/2 0 1/2 3

Pada iterasi ke 2 diperoleh keadaan optimal pada persamaan (0) harga variabel
artificialnya minimum/0 dan harga variabel basisnya(X1, S2, X2)=(4, 6, 3) dari tabel
diatas diperoleh persamaan
X1 + S1 = 4  X1 = 4 – S1
3S1 +S2 = 6
X2 – 3/2 S1 = 3  X2 = 3 + 3/2 S1.
Dengan memasukkan harga X1dan X2 kedalam persamaan fungsi tujuan awal
sehingga persoalan awal menjadi
Z= 3X1 + 5X2 = (3(4-S1) + 5(3+3/2S1) = 27 + 9/2 S1
Z – 9/2 S1 = 27,
dengan kendala X1 + S1 = 4,
3S1 + S2 = 6,
X2 – 3/2S1 = 3.
Selanjutnya kita lanjutkan dengan langkah fase kedua yaitu mencari solusi optimal
sebenarnya, seperti tampak pada tabel 3.7.

Fase kedua
Tabel 3.7.

53
 Iterasi BV Z X1 X2 S1 S2 BSF
Z 1 0 0 -9/2 0 27
X1 0 1 0 1 0 4
0
S2 0 0 0 3 1 6
X2 0 0 1 -3/2 0 3
Z 1 0 0 0 3/2 36
X1 0 1 0 0 -1/3 2
1
S1 0 0 0 1 1/3 2
X2 0 0 1 0 1/2 6

Pada iterasi 1 keadaan sudah optimal dengan terlihat pada persamaan (0) semua
berharga  0, sehingga solusi optimal dengan harga ( Z, X1, X2) = (36, 2, 6).
Output Lindo
LP OPTIMUM FOUND AT STEP 1
OBJECTIVE FUNCTION VALUE
1) 36.00000
VARIABLE VALUE REDUCED COST
X1 2.000000 0.000000
X2 6.000000 0.000000
ROW SLACK OR SURPLUS DUAL PRICES
2) 2.000000 0.000000
3) 0.000000 1.500000
4) 0.000000 1.000000
NO. ITERATIONS= 1
RANGES IN WHICH THE BASIS IS UNCHANGED
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 3.000000 4.500000 INFINITY
X2 5.000000 INFINITY 3.000000
RIGHTHAND SIDE RANGES

54
 ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 4.000000 INFINITY 2.000000
3 12.000000 6.000000 6.000000
4 18.000000 6.000000 6.000000

3.2.3. MASALAH KHUSUS DALAM METODE SIMPLEX

Sebagaimana pada penyelesaian dengan metode grafik pada metode simplex terdapat
masalah-masalah yang khusus yaitu : multi optimum solution, tidak memiliki solusi
fisibel, unbounded solution, pada bagian ini akan di bahas kejadian kejadian khusus
yang terjadi pada program linear yang diselesaikan dengan metode simplex.
3.2.3.1 Multi optimum solution
Multi optimum solution (memiliki penyelesaian yang lebih dari satu), hal ini terjadi
apabila variabel non basis dalam tabel optimum memiliki harga nol pada persamaan
(0). Jika variabel ini dimasukkan ke dalam basis, akan merubah harga variabel
keputusan tetapi tidak akan mengubah nilai optimum
Contoh 3.9.
Memaksimalkan Z = 3X1 + 2X2,
Kendala X1  4,
2X2  12,
3X1 + 2X2  18,
X1, X2  0, langkah pertama adalah mengubah dalam bentuk baku
dengan menambahkan variabel slack pada masing masing persamaan kendala maka
akan diperoleh soluasi basis awal dan melanjutukan langkah iterasi dengan metode
simplex penyelesaiannya dapat dilihat pada tabel 3.8.
Tabel 3.8
Iterasi BV Z X1 X2 S1 S2 S3 BSF
Z 1 -3 -2 0 0 0 0
1
S1 0 1 0 1 0 0 4

55
 S2 0 0 2 0 1 0 12
S3 0 3 2 0 0 1 18
Z 1 0 -2 -3 0 0 12
X1 0 1 0 1 0 0 4
2
S2 0 0 2 0 1 0 12
S3 0 0 2 -3 0 1 6
Z 1 0 0 0 0 1 18
X1 0 1 0 1 0 0 4
3
S2 0 0 0 3 1 -1 6
X2 0 0 1 -3/2 0 1/2 3
Z 1 0 0 0 0 1 18
X1 0 1 0 0 -1/3 1/3 2
4
S1 0 0 0 1 1/3 -1/3 2
X2 0 0 1 0 1/2 0 6

Pada iterasi 3 kondisi sudah optimal S1 variabel non basis berharga nol, apabila
kita masukkan menjadi basis baru menggantikan S2 terjadi perubahan pada nilai
variabel keputusan dari (X1, X2 ) = (4, 3) menjadi (X1, X2 ) = (2, 6) tetapi harga
optimum tetap sama dengan Z=3(4)+2(3)=18 dan Z=3(2)+2(6)=18.
3.2.3.2 Unbounded Solution
Hal ini terjadi ditandai dengan tidak adanya harga yang positip pada koefisien
(aij) pada variabel yang terpilih menjadi basis (Entering Variabel) sehingga variabel
basis yang akan dikeluarkan tidak dapat ditentukan, sehingga aturan perbandingan
minimum tidak dapat dilakukan meskipun tabel dalam keadaan optimal.
Contoh 3.10.
Memaksimalkan Z= 2X1 + X2,
dengan kendala X1 – X2 1,
2X1 + X2  6,
X1, X2  0,
Persoalan diubah dalam bentuk baku / standar sehingga menjadi

56
 X1 – X2 + S1 = 1,
2 X1+ X2 – S2 + R3 = 6  R3 = 6 – 2X1 – X2 + S2.
Kita selesaikan dengan dengan metode dua fase, pada fase pertama adalah
meminimumkan harga variabel artificial, pada persoalan diatas yaitu
R3 = 6 – 2X1 – X2 + S2, kita selesaikan dengan metode simplex.
Fase pertama tampak dalam tabel dibawah ini
Tabel.3.9
Iterasi BV X1 X2 S1 S2 R1 R2 BSF
Z 3 2 0 0 0 0 10
0 R1 1 1 -1 0 1 0 4
R2 2 1 0 -1 0 1 6
Z 0 3/2 0 3/2 0 -3/2 1
1 R1 0 1/2 -1 1/2 1 -1/2 1
X1 1 1/2 0 -1/2 0 1/2 3
Z 0 -1 3 0 -3 0 -2
2 S2 0 1 -2 1 2 -1 2
X1 1 1 -1 0 1 0 4

Dari iterasi ke-2 kita dapat memilih S1 sebagai entering variabel, tetapi kita tidak
dapat memilih leaving variabel antara S2 dan X1, alasannya dari tabel kita dapatkan
koefisien variabel S1 di variabel variabel basis semuanya berharga negatif. Artinya
jika S1 kita naikkan harganya dari nol (artinya variabel non basis ) ke positif
(menjadi variabel basis), akan membuat nilai S2 dan X1 bertambah.Lebih jelasnya,
dari tabel kita dapatkan hubungan
S2= 2-X2 +2 S1 – R1 + R2 ,
X1= 4-X1 – X2 + S1 – R1.
Dari kedua hubungan di atas kita dapat melihat bahwa jika S1 kita beri nilai t, maka
nilai S2 akan bertambah sebesar 2t dan nilai X1 akan bertambah sebesar t.Artinya,
sebanyak apapun kita tambah nilai S1, nilai S2 dan X1 bertambah secara linear
terhadap S1.Jadi artinya nilai S1 tidak terbatas. Dengan mengingat kembali
pendefinisian -X1 –X2 + S1 = -4 dengan mengalikan (-1) maka menjadi X1 +X2 - S1

57
= 4, jika variabel slack S1 tiadak terbatas dan hubungan di atas selalu dipenuhi
artinya berapapun nilai S1, kita selalu dapat menemuka nilai X1 dan X2 sehingga
hubungan diatas terpenuhi.Artinya, daerah fisibel kita tidak terbatas.
3.2.3.3 Tidak Memiliki Solusi fisibel
Bentuk kejadian lainnya dalam program linear yaitu program linear yang tidak
memiliki solusi fisibel, hal ini terjadi jika masih terdapat variabel semu (artificial
variabel) pada tabel optimal masih berada dalam basis dengan nilai positip.Pandang
contoh 3.11 dibawah ini.
Contoh 3.11.
Memaksimum Z = 3X1 + 2X2,
dengan kendala 2X1 + X2  2,
3X1 + X2  2,
3X1 + 4X2  12,
X1, X2  0,
Persoalan diubah kedalam bentuk baku menjadi
2X1 + X2 + S1 = 2,
3X1 + 4X2 – S2 + R3= 12, sehingga persamaan untuk varabel
artificial adalah R3 = 12 – 3X1 – 4X2 + S2
Persoalan program linear di atas diselesaikan dengan metode simplex melalui
metode dua fase, maka yaitu meminimumkan jumlah harga variabel artificialnya(R3)
misal F=R3 =12–3X1–4X2 + S2, fase pertama diperoleh solusi seperti pada tabel 3.10
di bawah ini

58
 Tabel 3.10
Iterasi BV X1 X2 S1 S2 S3 R3 BSF
F 3 4 0 0 0 0 12
0 S1 2 1 1 0 0 0 2
S2 3 1 0 1 0 0 2
R3 3 4 0 0 -1 1 12
F -5 0 -4 0 0 0 4
X2 2 1 1 0 0 0 2
1
S2 1 0 -1 1 0 0 0
R3 -9 0 0 -4 -1 1 4

Tampak pada iterasi ke –1 persamaan (0)/F kondisi memcapai optimal (0), tetapi
pada variabel basis baru masih terdapat variabel artificial yang tidak sama dengan
nol, artinya persoalan program linear tidak memiliki solusi fisibel .
3.2.2.2 Metode Big M
Metode yang lainnya adalah metode big M,dalam metode ini koefisien fungsi
tujuan untuk variabel artificial diberi harga :
1. Negatif M / (-M) untuk masalah maksimum, M dimana adalah bilangan positip
besar
2. Positif M untuk masalah minimum
Contoh 3.7 di atas jika dikerjakan dengan metode big M sebagai berikut
Memaksimalkan Z = 3X1 + 5X2,
dengan kendala X1  4,
2X2  12,
3X1 + 2X2 = 18,
X1, X2  0,
Drngan menambahkan variabel slack pada persamaan (1) dan(2) yaitu S1, S2 serta
variabel artificial pada persamaan (3) yaitu R3, sehingga solusi basis awal yaitu
( X1, X2, S1, S2, R3 ) =(0, 0, 4, 12, 8), dengan persamaan bentuk baku model sepeti
dibawah ini

59
 X1 + S1 = 4,
2X2 + S2 = 12,
3X1 + 2X + R3 = 18  R3 = 18 – 3X1 – 2X2,
Pada fungsi tujuan yaitu persamaan (0) untuk harga koefisien pada variabel slack
sama dengan 0 dan untuk variabel artificial dengan harga –M, sehingga diperoleh
fungsi tujuan sebagai persamaan
Z= 3X1 + 5X2 + 0S1 + 0S2 – MR3
=3X1+5X2+0S1+0S2–M(18–3X1–2X2)
Z
= (3 + 3M) X1 + (5 + 2M) X2 + 0S1 + 0S2 –18M
Z – (3 + 3M)X1-(5 + 2M)X2 - 0S1 – 0S2 = -18M
Tabel dari simplex progaram linear diatas dapat dilihat pada
Tabel 3.5.
Iterasi BV Z X1 X2 S1 S2 R3 BSF
-(3M + -(2M +
Z 1 0 0 0 -18M
3) 5)
S1 0 1 0 0 4
0 1 0
S2 0 0 1 0 12
0 2
R3 0 0 0 1 18
3 2
-(2M + -6M +
Z 1 0 (3M + 3) 0 0
5) 12
X1 0 1 1 0 0
1 0 4
S2 0 0 0 1 0
2 12
R3 0 0 -3 0 1
2 6
(M +
Z 1 0 0 -9/2 0 27
5/2)
X1 0 1 0 1 0 4
2 0
S2 0 0 0 3 1 6
-1
X2 0 0 1 -3/2 0 3
1/2
3 Z 1 0 0 0 3/2 (M + 1) 36

60
 X1 0 1 0 0 -1/3 1/3 2
S1 0 0 0 1 1/3 -1/3 2
X2 0 0 1 0 ½ 0 6

(Z, X1, X2, S1, S2, R3) = (36, 2, 6, 2, 0, 0)

UNBOUNDED SOLUTION dikerjakan dengan metode BIG “M”

Contoh 3.10 di atas dikerjakan dengan metode big“M
Memaksimalkan Z= 2X1 + X2,
dengan kendala X1 – X2 1,
2X1 + X2  6,
X1, X2  0,
Persoalan diubah dalam bentuk baku / standar sehingga menjadi
X1 – X2 + S1 = 1,
2X1 + X2 – S2 + R3 = 6  R3 = 6 – 2X1 – X2 + S2,
Z= 2X1 + X2 + 0S1 + 0S2 – MR3
= 2X1 + X2 + 0S1 + 0S2 – M(6X1 – 2X1 – X2 + S2)
= (2 + 2M) X1 + (1 + M) X2 + MS2 – 6M
Z – (2+2M)X1 – (1+M)X2 –MS2 = 6M, selanjutnya mencari solusi
optimal program linear dengan menggunakan metode simplex seperti tampak pada
tabel 3.9 dibawah ini
Tabel 3.9.
BV Z X1 X2 S1 S2 R3 BSF
Z 1 -(2+2M) -(1+M) 0 -M 0 -6M
S1 0 1 -1 1 0 0 1
R2 0 2 1 0 -1 1 6
Z 1 0 -(3+3M) -(2+2M) M 0 2-4M
X1 0 1 -1 0 M 0 1

61
 R2 0 0 3 2 -1 1 4
Z 1 0 0 (8/3+2M) -(2+3M) 1/3 (10/3-4M)
X1 0 1 0 1/3 -1/3 1/3 7/3
X2 0 0 1 -2/3 -1/3 1/3 4/3

Pandang table 3.9, pada iterasi ke 2 kolom S2 terpilih menjadi basis baru (Entering
Variabel), tetapi untuk memilih variabel yang akan digantikan /keluar (Leaving
Variabel) tidak memungkinkan karena semua harga koefisien pada persamaan
kendala pada terasi yang bersangkutan tersebut adalah negatif., sehingga aturan
perbandingan minimum tidak dapat dilakukan jadi program linear memiliki solusi
yang tidak terbatas.
Tidak memiliki solusi fisibel ,(jika di kerjakan dengan metode big M)
Contoh 3.11,di atas dikerjakan dengan metode big M
Memaksimum Z = 3X1 + 2X2,
dengan kendala 2X1 + X2  2,
3X1 + X2  2,
3X1 + 4X2  12,
X1, X2  0,
Persoalan diubah kedalam bentuk baku menjadi
2X1 + X2 + S1 = 2,
3X1 + 4X2 – S2 + R3= 12, sehingga R3 = 12 – 3X1 – 4X2 + S2.
Z= 3X1 + 2X2 + 0S1 + 0S2 – MR3, dengan mensubtitusikan R3 kedalam
persamaan Z sehingga persamaan menjadi Z–(3+3M)X1–(2+4M)X2+MS2=-12M,
kemudian mencari solusi denga metode simplex seperti tampak pada tabel 3.10.
Tabel 3.10.
Iterasi BV X1 X2 S1 S2 R3 BSF
Z -(3+3M) -(2+4M) 0 -M 0 -12M
1 S1 2 1 1 0 0 2
R3 3 4 0 -1 1 12
2 Z (1+5M) 0 (2+4M) M 0 4-4M

62
 X2 2 1 1 0 0 2
R3 -5 0 0 -1 0 4
1
Pada Iterasi 2 kondisi telah optimal, tetapi masih terdapat variabel artificial (R3) pada
basis variabel, sehingga program linear tersebut tidak memiliki solusi yang fisibel.
3.2.3.4 Degeneracy (Kemerosotan )
Keadaan lainnya yang terjadi pada program linear yaitu degenerasi hal ini
dapat terjadi dengan adanya harga ruas kanan (bi) = 0 sehingga iterasi yang
dilakukan selanjutnya bisa menjadi loop (kembali ke bentuk semula) hal ini disebut
cyrcling, pandang contoh 3.9 di bawah ini
Contoh 3.9.
Maksimumkan Z = 3X1 + 9X2,
dengan kendala X1 + 4X2  8,
X1 + 2X2  4,
X1, X2  0,
Penyelesaian dengan metode simplex tampak pada tabel 3.11 di bawah ini.
Tabel 3.11.
Iterasi BV Z X1 X2 S1 S2 BSF
Z 1 -3 -9 0 0 0
0 S1 0 1 4 1 0 8
S2 0 1 2 0 1 4
Z 1 -3/4 0 9/4 0 18
1 X2 0 ¼ 1 ¼ 0 2
S2 0 ½ 0 -1/2 1 0
Z 1 0 0 3/2 3/2 18
2 X2 0 0 1 ½ -1/2 2
X1 0 1 0 -1 2 0

Pada iterasi 1 terdapat harga 0 pada ruas kanan yaitu pada variabel basis S2,
kemudian pada iterasi 2, tedapat pula harga 0 pada ruas kanan yaitu pada variabel

63
basisX1, tetapi hal ini tidak mengakibatkan perubahan pada harga Z yaitu
Z=18.Tidak semua persoalan degenerasi selalu tetap, kadang kadang dijumpai pada
iterasi selanjutnya hilang, degenerasi semacam ini disebut degenerasi temporer,
seperti diperlihatkan pada contoh 3.10
Contoh 3.10
Maksimumkan Z = 3X1 + 2X2,
dengan kendala 4X1 + 3X2  12,
4X1 + X2  8,
4X1 – X2  8,
X1, X2  0,
Penyelesaian dengan metode simplex program linear contoh 3.10 terlihat dalam
tabel.3.12.
Tabel 3.12
Iterasi BV Z X1 X2 S1 S2 S3 BSF
Z 1 -3 -2 0 0 0 0
0 S1 0 4 3 1 0 0 12
S2 0 4 2 0 1 0 8
S3 0 4 -1 0 0 1 8
Z 1 0 -3/4 0 ¾ 0 6
X2 0 0 2 1 1 0 4
1
S2 0 1 ¼ 0 ¼ 0 2
S3 0 0 -2 0 -1 1 0
Z 1 0 0 5/8 1/8 0 17/2
X2 0 0 1 ½ -1/2 0 2
2
X1 0 1 0 -1/8 3/8 0 3/2
S3 0 0 0 1 -2 1 4
Tampak pada iterasi 1 terdapat harga b3 = 0 tetapi pada iterasi 2 harga ini hilang dan
diperoleh harga maksimum di titik ( Z, X2, X1, S3)=(17/2, 2, 3/2, 4).

64
LATIHAN II
1. Selesaikan dengan metode simpleks, semua soal didalam latihan I?
2. Seorang peternak ayam , ia ingin menentukan jumlah-jumlah dari pakan yang
harus diberikan kepada setiap ayam untuk memenuhi persyaratan gizi dengan
biaya minimum, Kandungan untuk setiap jenis unsur gizi pokok yang
terkandung dalam satu kilogram setiap jenis pakan disajikan dalam tabel
berikut, lengkap dengan kebutuhannya perhari dan biayanya :

Unusr Gizi Kilogram Kilogram Kilogram Minimum

Pokok jagung Beras kedelai kebutuhan perhari
Karbohidrat 90 20 40 200
Protein 30 80 60 180
Vitamin 10 20 60 150
Biaya 42 36 30

Buat model program liniernya dan selesaikan dengan metode simpleks.

3. Sebuah perusahaan memproduksi tiga jenis produk barang A, B, C, dimana
setiap unit barang-barang tersebut memberikan keuntungan masing-masing 2,
4, dan 3 (dalam juta rupiah). Pembuatan ketiga jenis barang memerlukan tiga
keadaan masing- masing keadaan mempunyai batas waktu dalam penyelesaian
yaitu 30 hari, 20 hari dan 60 hari. Penyelesaian tiap jenis barang pada tiap
keadaan berbeda-beda untuk keadaan I, 1 hari untuk barang A, 3 hari untuk
barang B, 2 Hari untuk barang C, keadaan II diperlukan masing-masing sehari
barang A, B, dan C sedangkan keadaan III adalah 3 hari untuk barang A, 5 hari
untuk barang B dan 3 hari untuk barang C.
Buat model matematik dan selesaikan dengan metode simpleks
4. Pemda tingkat I ingin mengoptimalkan keuntungan yang dihasilkan dari
sektor perikanan dan kelautan berupa 3 pelabuhan yang dimiliki setiap
pelabuhan mempunyai 3 bagian yang dapat dihitung profilnya pertahun yaitu

65
 pertambangan, pariwisata dan perikanan dengan rata-rata sumber daya
sebagai berikut :

Pertambangan Pariwisata Perikanan

Pelabuhan Semarang 3 -2 2
Pelabuhan Purwokerto -1 1 1
Pelabuhan Yogyakarta 1 -1 1

RAPBD menganggarkan untuk masing pelabuhan tidak lebih dari 15 trilyun

untuk pelabuhan Semarang, 3 trilyun untuk Purwokerto, dan 4 trilyun untuk
Yogyakarta. Berdasarkan data tahun lalu keuntungan diperoleh dari sektor
tambang dan perikanan masing-masing 20 trilyun dan 10 trilyun sedangkan
sektor pariwisata mengalami kerugian 10 trilyun. Anda diminta
memperkirakan hasil Pemda Tingkat I berdasarkan data-data yang ada.
5. Memaksimumkan Z=2A-B+C,
dengan kendala 3A + B + C  60,
A – B + 2C  10,
A + B – C  20,
A, B, C  0,
6. Memaksimumkan Z = 6A + B + 2C,
dengan kendala 2A + 2B + 1/2C  2,
-4A – 2B –1/2 C  3,
A + 2B + 1/2 C  1,
A, B, C  0.
7. Memaksimumkan Z = 30X1 + 30X2,
dengan kendala 2X1 + X2  30,
2X1 + 3X2  60,
4X + 3X2  72,
X1, X2  0.
8. Minimumkan Z = 60X1+ 10X2 +20X3,

66
 dengan kendala 3X1+X2+X3  2,
X1-X2+X3  -1,
X1+2X2-X3  1,
X1, X2, X3  0.
9. Minimumkan Z = 4X1+ 5X2 + 3X3,
dengan kendala X1 + X2 +2X3  20,
15X1 + 6X2 - 5X3  50,
X1+3X2-5X3  30,
X1, X2, X3  0.
10. Minimumkan Z = 4X1+ 2X2 +3X3+5X4,
dengan kendala 2X1+3X2+4X3+2X4  300,
8X1+X2+X3+5X4  300,
X1, X2, X3, X4  0.
Selesaikan dengan metode dua fase.

11. Minimumkan Z = 2X1+ 3X2 +X3,

dengan kendala X1+4X2+2X3  8,
3X1+2X2  6,
X1, X2, X3  0.
OUT LINDO masalah no 11 :
LP OPTIMUM FOUND AT STEP 2
OBJECTIVE FUNCTION VALUE
1) 4.000000
VARIABLE VALUE REDUCED COST
X1 2.000000 0.000000
X2 0.000000 1.666667
X3, 0.000000 1.000000
X3 3.000000 0.0
ROW SLACK OR SURPLUS DUAL PRICES
2) 0.000000 0.000000

67
 3) 0.000000 -0.666667
NO. ITERATIONS= 2
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 2.000000 2.500000 2.000000
X2 3.000000 INFINITY 1.666667
X3, 1.000000 INFINITY 1.000000
X3 0.000000 1.000000 0.000000
RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 8.000000 INFINITY 6.000000
3 6.000000 18.000000 6.000000

BAB 4
PROGRAM LINEAR DUAL DAN ANALISA SENSITIVAS

Pada bagian ini akan dibicarakan program linear dual yang merupakan bentuk
lain dari program linear asli yaitu primal, bentuk program linear dual ini diperoleh
(diturunkan) dari program linear aslinya (primal), dan pada subbab berikutnya
dibahas tentang analisa sensitivitas, yaitu analisis tentang akibat yang terjadi apabila
kita mengadakan perubahan perubahan pada parameter parameter program linear

68
4.1. PROGRAM LINEAR DUAL
Setiap persoalan program linier mempunyai suatu program linier lainnya yang
saling berkaitan, kalau program linear awal (asli)disebut program linear primal
maka program linear yang berkaitan dengan primal disebut program linear dual.
Program linear dual ini diturunkan atau diperoleh dari masalah aslinya yaitu primal.
Secara umum bentuk baku (standar) dari masalah program linier (primal)
didefinisikan sebagai :
n
Maksimum atau minimum Z  C j X j
j 1

n
dengan kendala a
j 1
j x j  bi

xj 0

dengan i = 1, 2, …, m dan j = 1, 2, …, n

Gambaran umum Program linear dual dapat dilihat dengan adanya

korespondensi antara primal dan dual dengan ketentuan umum.
1. Koefisien fungsi tujuan primal menjadi konstanta ruas kanan dual.
2. Konstanta ruas kanan primal menjadi koefisien fungsi tujuan dual.
3. Semua kolom primal menjadi kendala pada dual.
4. Semua kendala primal menjadi kolom pada dual.
5. koefisien kendala pada variabel primal menjadi koefisien yang
berkorespondensi dengan kendala dual.
Masalah dual muncul oleh motivasi untuk menetukan estimasi dari batas atas(bawah)
dari fungsi tujuan program linear primal.Estimasi dari batas atas fungsi tujuan ini kita
peroleh dengan membuat kombinasi linear tiap tiap koefisien dari kendala, contoh
pandang program linear dibawah ini :
(*) Maksimumkan Z = 5X1 + 4X2 + 3X3,
dengan kendala 2X1 + 3X2 + X3  5,
4X1 + X2 + 2X3  11,
3X1 + 4X2 +2X3  8,

69
 X1, X2, X3  0,
Dengan mengalikan kendala ke-I dengan bilangan Yi, lalu menjumlahkan semuanya
untuk mendapatkan ( 2Y1 + 4Y2 + 3Y3)X1 + (3Y1 + Y2 + 4Y3) X2+(Y1 + 2Y2 +
2Y3)X3  5Y1 + 11Y2 + 8Y3, dengan batasan Yi  0.Ruas kanan dari program linear
kita pakai untuk mengestimasi batas atas Z, jadi haruslah
(**) … 2Y1 + 4Y2 + 3Y3  5,
3Y1 + Y2 + 4Y3  4,
Y1 + 2Y2 +2Y3  3,
Y1, Y2, Y3  0,
Ruas kanan dari (*), yaitu 5Y1 + 11Y2 +8Y3 juga merupakan batas atas dari
Z.Karena kita menginginkan batas atas terkecil, maka kita meminimumkan nilai 5Y1
+ 11Y2 +8Y3, dari sini kita mendapatkan program linear dual yaitu
Meminimumkan 5Y1 + 11Y2 +8Y3
2Y1 + 4Y2 + 3Y3  5,
3Y1 + Y2 + 4Y3  4,
Y1 + 2Y2 +2Y3  3,
Y1, Y2, Y3  0,
Keuntungan meneliti program linear dual, dapat dilihat dari teorema berikut ini:

Teorema (The Duality Theorem)

Jika program linear primal memiliki solusi optimal ( X1* X2*, …, Xn*), maka
maka program linear dual memiliki solusi optimal ( Y1* Y2*, …, Ym* ), sehingga
n m


j1
C j X j   b i Yi
i 1

Keuntungan lainnya :
- Beberapa program linear dapat diselesaikan dengan mudah lewat program linear
dualnya.
- Dengan program linear dual kita dapat melakukan analisa sensitifitas.
Sebagai ilustrasi dari pembahasan mengenai program linear dual, kita ingat kembali
formulasi model matematis program linear secara umum

70
PROGRAM LINEAR PRIMAL
n
MEMAKSIMUMKAN Z  C j X j ,
j 1

n
dengan kendala a j 1
ij X j  bi , X j  0

I = 1, 2, …, m dan j = 1, 2, …, n
PROGRAM LINEAR DUAL

m
Meminimumkan Z   bi y i ,
i 1

m
dengan kendala a i 1
ij  C j , Yi  0 ,

i = 1, 2, …, m dan j = 1, 2, …, n

Dalam tabel primal dual diperoleh korespondensi antara variable variable masalah
primal dengan masalah dual
Tabel 4.1
Masalah Primal Ruas
X1 X2 ….. Xn Kanan
D Y1 A11 A12 ….. a1n  b1 m
U Y2 a21 A22 ….. a2n  B2 i
A . . ….. . n
. . . i
. . . m
L Ym am1 am2 ….. amn  bm u
m
Ruas VI VI ….. VI
Kanan c1 C2 cN
Maksimum

71
Korespondensi tabel primal dual pada contoh 3.1 dapat dilihat pada tabel di bawah
ini

X1 X2
Y1 1 0  4
Y2 0 2  12
Y3 3 2  18
VI VI
3 5

Beberapa contoh lain

1. Program linear primal
Memaksimumkan Z = 5X1 + 12X2 + 10X3,
Kendala X1 + 2X2 + X3  10,
2X1 + X2 + 3X3  15,
X1, X2, X3  0.
Program linear dual
Meminimumkan Z = 10Y1 + 15Y2,
Kendala Y1 + 2Y2  5,
2Y1 + Y2  12,
Y1 + 3Y2  10,
Y1, Y2  0.

2. Program linear primal

Memaksimumkan Z = 5X1 + 2X2,
Kendala -X1 + X2  3,
2X1 + 3X2  5,
X1, X2  0.
Program linear dual

72
 Meminimumkan Z = 3Y1 + 5Y2,
Kendala -Y1 + 2Y2  5,
Y1 + 3Y2  2,
Y1 + 3Y2  10,
Y1, Y2  0.

3. Program linear Primal

Memaksimumkan Z = 5X1 + 12X2 + 4X3,
Kendala X1 + 2X2 + X3  10,
2X1 - X2 + 3X3 = 8,
X1, X2, X3  0.
Program linear dual
Meminimumkan Z = 10Y1 + 8Y2,
Kendala Y1 + 2Y2  5,
2Y1 - Y2  12,
Y1 + 3Y2  4,
Y1  0, Y2 tidak terbatas dalam tanda.
Untuk mengetahui hubungan program linear primal dan dual pandang contoh 4.1 di
bawah ini
Kasus II
Ubahlah kedalam bentuk program linier dual semua masalah yang ada dalam
latihan I dan latihan II
Contoh 4.1
Maksimumkan Z = 5X1 + 12X2 + 10X3,
dengan kendala X1 + 2 X2 + X3  10,
2X1 + X2 + 3X3  15,
X1, X2, X3  0.
Persoalan diubah dalam bentuk baku dengan menambahkan variabel slack pada
persamaan kendala sehingga menjadi
X1 + 2X2 + X3 + S1 = 10,

73
 2X1 + X2 + 3X3 + S2 = 15, persamaan (0) menyesuaikan menjadi
Z–5X –12X2–10X3–0S1–0S2 –0S3= 0, kemudian mencari solusi
optimal dengan metode simplex seperti tampak pada tabel 4.2 di bawah ini
Tabel 4.2.
Iterasi BV Z X1 X2 X3 S1 S2 BSF
Z 1 -5 -12 -10 0 0 0
0 S1 0 1 2 1 1 0 10
S2 0 2 1 3 0 1 15
Z 1 1 0 -4 6 0 60
1 X2 0 0, 5 1 0, 5 0, 5 0 5
S2 0 0, 5 0 2, 5 -0, 5 1 10
Z 1 3, 4 0 0 5, 2 1, 6 76
2 X2 0 0, 2 1 0 0, 6 -0, 2 3
X3 0 0, 6 0 1 -0, 2 0, 4 4
Pada iterasi ke 2 harga variabel non basis awal pada persamaan 0 semua telah
berharga  0, jadi memenuhi kondisi optimal dengan solusi ( Z, X2, X3 )=(76, 3, 4).
Selanjutnya kita bandingkan dengan penyelesaian program linear bentuk dual
Bentuk program linear dual dari contoh 4.1 adalah
Minimumkan Z= 10 Y1 + 15Y2, …(0)
dengan kendala Y1 + 2Y2 5, …(1)
2Y1 + Y2 12, …(2)
Y1 + 3Y2  10, …(3)
Y1, Y2  0,
Persoalan diubah kebentuk baku dengan memasukkan variabel slack dan variabel
artificial ke dalam masing masing persamaan kendala menjadi
Y1 + 2Y2 – S1 + R1 = 5  R1 = 5 – Y1 –2Y2 + S1
2Y1 + Y2 – S2 + R2 = 12  R2 =12 - 2Y1 – Y2 + S2
Y1 + 3Y2 – S3 + R3 = 10  R3 = 10 – Y1 – 3Y2 + S3
Misalkan F= R1 + R2 + R3 = 27-4 Y1-6 Y2+ S1+ S2+ S3 ,pada fase pertama kita akan
meminimalkan fungsi F ,tampak dalam tabel di bawah ini

74
 Tabel 4.2
Iterasi BV Y1 Y2 S1 S2 S3 R1 R2 R3 BSF
F 1 4 6 -1 -1 -1 0 0 0 27
R1 0 1 2 -1 0 0 1 0 0 5
0
R2 0 2 1 0 -1 0 0 1 0 12
R3 0 1 3 0 0 -1 0 0 1 10
F 1 1 0 -1 -1 -3 0 0 12
2
Y2 0 0, 5 1 0 0 0, 5 0 0 2, 5
1 -0, 5
R2 0 1, 5 0 -1 0 -05 1 0 9, 5
0, 5
R3 0 -0, 5 0 0 -1 -1, 5 0 1 2, 5
F 1 5/3 0 0 -1 1/3 -1 0 -4/3 26/3
Y2 0 1/3 1 0 0 -1/3 0 0 1/3 10/3
2
R2 0 5/3 0 0 -1 1/3 0 0 -1/3 26/3
S1 0 -1/3 0 1 0 -2/3 -1 0 2/3 5/3
F 1 0 0 0 0 0 -1 -1 -1 0
Y2 0 0 1 0 1/5 -6/15 0 -1/5 0,4 1, 6
3
Y1 0 1 0 0 -3/5 1/5 0 3/5 -0,2 5, 2
S1 0 0 0 1 -1/5 -9/15 -1 1/5 0,6 3, 4
Pada iterasi ke 3 kita dapatkan harga jumlah variable artificial (F) sama dengan
nol,artinya variable artificialnya sudah minimal,kemudian kita lanjutkan dengan fase
kedua dengan mencari nilai program linear yang aslinya ,dengan melakukan operasi
eleminasi Gauss diperoleh table berikut ini

Tabel 4.3
Iterasi BV F Y1 Y2 S1 S2 S3 R1 R2 R3 BSF
F 1 0 0 0 -3 -4 0 3 4 76
Y2 0 0 1 0 1/5 -6/15 0 -1/5 0,4 1,6
Y1 0 1 0 0 -3/5 1/5 0 3/5 -0,2 5,2
S1 0 0 0 1 1/5 -9/15 -1 1/5 0,6 3,4

4.2. METODE SIMPLEX DUAL

75
 Apabila dalam persoalan program linier telah mendapatkan kondisi optimal
tetapi belum fisibel, misalnya ada kendala non negatif tidak dipenuhi, maka hal ini
dapat diatasi dengan metode simpleks dual dengan ketentuan.
1. Semua kendala merupakan 
2. Leaving variabel, dipilih variabel basis yang memiliki harga negatip terbesar
(paling negatip), jika Leaving variabel semua basis tercapai harga positip atau
nol maka kondisi ini sudah fisibel.
3. Entering variabel ditentukan dengan :
a. Mencari rasio persamaan 0 dengan leaving variabel (dipilih yang negatif)
abaikan yang positif atau nol jika setiap leaving variabel (penyebut)
berharga  0 maka masalah tidak memiliki solusi fisibel
b. Untuk masalah maksimal pilih rasio absolut terkecil untuk masalah
minimal pilih rasio terkecil
4. Lakukan iterasi (operasi elementer baris)
Pandang contoh 4.2 dibawah ini
Contoh 4.2.
Minimumkan Z = 2X1 + X2,
dengan kendala 3X1 + X2  3,
4X1 + 3X2  6,
X1 + 2X2 3,
X1, X2  0.
Dengan mengalikan dengan (-1) untuk persamaan (1) dan (2) persoalan menjadi
Minimumkan Z = 2X1 + X2,
-3X1 – X2  - 3,
-4X1 – 3X2  -6,
X1 + 2X2  3,
X1, X2  0,
Persoalan diubah dalam bentuk baku dengan menambahkan variabel slack pada
masing masing persamaan kendala sehingga didapatkan solusi basis awal, kemudian
diselesaikan dengan metode simpleks.Untuk menyelesaikan dengan metode ini

76
menghendaki suatu solusi basis awal yang fisibel, pada persoalan kita ternyata harga
solusi basis awal belum fisibel dengan adanya harga negatif pada ruas kanan (bi)
yaitu pada persamaan (1) dan (2), maka untuk menyelesaikan persoalan ini
digunakan metode simplex dual yang tampak pada tabel 4.4 di bawah ini
Tabel 4.4.
Iterasi BV Z X1 X2 S1 S2 S3 BSF
Z 1 -2 -1 0 0 0 0
S1 0 -3 -1 1 0 0 -3
0
S2 0 -4 -3 0 1 0 -6
S3 0 1 2 0 0 1 3
Z 1 -2/3 0 0 -1/3 0 2
S1 0 -5/3 0 1 -1/3 0 -1
1
X2 0 4/3 1 0 -1/3 0 2
S3 0 -5/3 0 0 2/3 1 -1
Z 1 0 0 -2/5 -1/5 0 12/5
X1 0 1 0 -3/5 1/5 0 3/5
2
X2 0 0 1 4/5 -3/5 0 6/5
S3 0 0 0 -1 1 1 0

Pada iterasi 2 persamaan 0 harga  0, pada iterasi ini diperoleh suatu kondisi yang
optimal sehingga persoalan program linear kita mendapatan solusi yang optimal
dengan penyelesaian (Z, X1, X2) = [12/5, 3/5, 6/5]

4.3 ANALISA SENSITIVITAS

Program linear yang kita hadapi adalah model matematika dari pengaturan
sumber pada suatu waktu.Kadang kala kita harus melakukan sedikit perubahan atas
beberapa parameter yang terkandung dalam model yang kita hadapi Perubahan ini
disebabkan banyak hal, diantaranya adanya aktivitas baru, perubahan biaya produksi,
atau kita ingin memperbesar keuntungn yang di dapat.Jika perubahan tersebut kita
terapkan pada model, selanjutnya timbul pertanyaan :sejauh mana perubahan tersebut
berpengaruh terhadap solusi optimal. Pada beberapa model, sedikit perubahan tidak

77
membuat solusi optimal berubah. Tetapi pada beberapa model lainnya, perubahan
walaupun sedikit nilainya, akan membuat solusi optimal yang diperoleh berubah..
Penelitian tentang dampak dari perubahan nilai parameter di program linear ini
dikenal dengan nama analisa sensitifitas.Dibagian ini kita akan mempelajari jenis -
jenis perubahan nilai parameter yang mungkin terjadi, dan bagaimana dampak dari
perubahan tersebut. Analisa sensitifitas ini dapat dilakukan melalui penelitian
terhadap table optimal dari program linear yang kita teliti.
Untuk memudahkan pemahaman kita pandang sebagai ilustrasi contoh 4.3

78
Contoh 4.3.
Maksimumkan Z = 60X1 + 30X2 + 20X3,
dengan kendala 8X1 + 6X2 + X3  48,
4X1 + 2X2 + 3/2X3 20,
2X1 + 3/2X2 +1/2X3  8,
X1, X2, X3  0.
Hasil iterasi akhir dari program linear masalah diatas diperoleh tabel optimal tampak
pada tabel 4.5 di bawah ini
Tabel 4.5.
BV Z X1 X2 X3 S1 S2 S3 BSF
Z 1 0 5 0 0 10 10 280
S1 0 0 -2 0 1 2 -8 24
X3 0 0 -2 1 0 2 -4 8
X1 0 1 5/4 0 0 -1/2 3/2 2
Output Lindo
LP OPTIMUM FOUND AT STEP
OBJECTIVE FUNCTION VALUE
1) 280.0000
VARIABLE VALUE REDUCED COST
X1 2.000000 0.000000
X2 0.000000 5.000000
X3 8.000000 0.000000

ROW SLACK OR SURPLUS DUAL PRICES

2) 24.000000 0.000000
3) 0.000000 10.000000
4) 0.000000 10.000000
NO. ITERATIONS= 1

79
RANGES IN WHICH THE BASIS IS UNCHANGED:
OBJ COEFFICIENT RANGES
VARIABLE CURRENT ALLOWABLE ALLOWABLE
COEF INCREASE DECREASE
X1 60.000000 20.000000 4.000000
X2 30.000000 5.000000 INFINITY
X3 20.000000 2.500000 5.000000
RIGHTHAND SIDE RANGES
ROW CURRENT ALLOWABLE ALLOWABLE
RHS INCREASE DECREASE
2 48.000000 INFINITY 24.000000
3 20.000000 4.000000 4.000000
4 8.000000 2.000000 1.333333
Pada iterasi akhir ini didapatkan harga harga
BV = (S1, X3, X1), NBV = (X2, S2, S3)
 
 48   24  1 2  8
  -1   -1 
CB = (0 20 60), b =  20  , B b =  8  , B = 0 2  4
 3 
8 2 0 
1

   
 2 2 
CBB-1b = (280), CBB-1A – Cj = (0 5 0)
8 6 1 
 
A =  4 2 3 / 2  , selanjutnya akan dibahas perubahan perubahan yang terjadi
 2 3 / 2 1/ 2 
 
pada parameter model matematik dari program linear dan pengaruhnya terhadap so
lusi optimal yang kita peroleh.
Kita tuliskan kembali model matematika program linear secara umum di bawah ini
Maksimalkan Z= ∑Cj Xj, j = 1, 2, …, n
dengan kendala aij Xj bi, i = 1, 2, …, m
Xj  0,
Jika hal ini diselesaikan dengan metode simplex diperoleh iterasi akhir sebagai table
optimal sebagai berikut :

80
 Tabel 4.5.
BV Variabel Awal Variabel Slack BSF
Z CBB-1A - Cj CBB-1 CBB-1b
XB B-1A B-1 B-1b

Dengan kondisi optimal pada Z (persamaan nol ).  0 untuk masalah maksimal.

Keterangan:
CB matrik koefisien fungsi tujuan pada variabel basis di table optimal
B-1 invers dari matriks variabel basis dibawah variabel slack
A matrik koefisien (koefisien-koefisien pada kendala)
b matrik ruas kanan
Cj matrik koefisien fungsi tujuan
Bila dilakukan perubahan-perubahan pada parameter-parameter model yaitu
(aij, bi, Cj) maka akan terjadi perubahan-perubahan pada tabel, sehingga
mempengaruhi kesimpulan yang diambil.
Perubahan yang terjadi pada parameter-parameter model antara lain:
1). Perubahan koefisien fungsi tujuan untuk variabel non basis
2). Perubahan koefisien fungsi tujuan untuk variabel basis
3). Perubahan ruas kanan suatu kendala
4). Perubahan matrik kolom untuk suatu variabel non basis
5). Penambahan variabel atau aktivitas baru
6). Penambahan kendala baru
Selanjutnya kita mulai pembahasan kita dengan perubahan perubahan yang terjadi
pada parameter parameter program linear

4.3.1 Perubahan koefisien fungsi tujuan variabel non basis

Pada contoh diatas variabel non basis adalah (X1, S2, S3) akan diadakan
perubahan terhadap koefisien fungsi tujuan variabel non basis, misal dari C2 = 30 ke
C2 = (30 + ) sejauh mana  diijinkan agar solusi tabel tetap optimal

81
  6 
 
CBB a2 – C2 = 0 10 10 2   (30  θ)  35 - 30  θ  0
-1

3/ 2
 
=5-0
Nilai optimal mensyaratkan persamaan 0 berharga  0 sehingga 5-   0 maka  5
solusi akan tetap optimal, sebaliknya jika  > 5 makaZ2=CBB-1a2 – C2  0 sehingga
kondisi tidak lagi optimal, artinya koefisien fungsi tujuan pada C2 harus dinaikan
dan variabel X2 terpilih menjadi basis baru (entering variabel)

4.3.2 Perubahan koefisien fungsi tujuan variabel basis

Variabel basis pada program linear masalah diatas adalah (S1, X3, X1) misal
daiadakan perubahan pada X1 dengan C1 = 60 ke C1 (60 + ) sejauh mana perubahan
ini berpengaruh pada tabel
1 2 8 
   3 
CBB = 0 20 60  θ  0
1
-1
2  4    0 10  θ 10  θ 
 0  1/ 2 3 / 2   2 2 
 
Kita tinjau pengaruhnya terhadap variabel non basis lainnya
a) C 2  C B B 1a 2  C 2

 
6
 1 3  
=  0 10  θ 10  θ  2  30  5 1,25 θ  0, θ  4
 2 2  1 
 
2
1
b) S2 = 10 -   0,  < 20
2
3
c) S3 = 10 +   0,  > -20/3
2
dari perhitungan  pada ketiga variabel non basis diatas diperoleh interval 4   
20 sehingga kondisi masih tetap akan optimal, jika harga  diluar harga interval
tersebut maka dengan menghitung kemudian membandingkan harga –harga variabel

82
variabel non basis, maka akan dipilih entering variabel baru dari harga yang paling
negatif.

4.3.4 Perubahan ruas kanan

Pengaruh perubahan pad aruas kanan tidak akan mengubah persamaan 0,
sehingga tidak berpengaruh pada nilai optimalitas, tetapi sepanjang ruas kanan pada
tabel optimal tetap non negatif, solusi basis tetap fisibel dan optimal. Jika perubahan
ruas kanan ini menyebabkan paling sedikit ada satu ruas kanan pada tabel optimal
yang berharga negatif maka solusi tidak lagi fisibel, dan karenanya tidak optimal
lagi, maka untuk memperoleh solusi optimal baru digunakan metode simpleks dual.
Misalnya b2 = 20 diubah menjadi (20 + ),
 
1 2  8   48   24  2θ 
   
B-1b =  0 2  4   20  θ    8  2θ   0
 
3 / 2   8   2 - 1/2θ 
1
0 
 2 
Dari perhitungan  diatas diperoleh interval  adalah –4    4, sehingga sepanjang
(20-4)    (20+4) atau 16    24) solusi basis tetap fisibel dan optimal tetapi
harga Z akan berubah.

4.3.5 Perubahan kolom variabel non basis

Pengaruh perubahan pada kolom variabel non basis tidak akan berpengaruh
pada persamaan 0, sepanjang harga C 2 = CBB-1a2 – C2  0 tabel tetap optimal,

sebaliknya jika C 2 < 0 maka tabel tidak lagi optimal sehingga memaksa ada iterasi
lanjutan dengan X2 terpilih sebagai variabel basis baru.

4.3.6.Penambahan variabel (aktivitas baru)

Dengan penambahan aktivitas baru perlu dipertimbangkan apakah penambahan
aktivitas baru tersebut berpengaruh pada solusi basis yang telah diperoleh.

83
Misal pada contoh kita tambah aktivitas baru sebut saja X4 dengan keadaan adalah :
Memaksimalkan Z = 60X1 + 30X2 + 20X3 + 15X4, .
dengan kendala 8X1+ 6X2 + X3+X4  48,
4X1 + 2X2 + 3/2X3 + X4  20,
2X1 + 3/2X2 + 1/2X3 + X4  8,
X1, X2, X3, X4  0,
Dapat diperiksa kondisi optimalitas melalui persamaan 0
1
 
C 4 = CBB a4 – C4 = 0 10 101 15  5  0
-1

1
 
ternyata kondisi masih optimal sehingga aktivitas ke 4 (X4) tidak perlu dibuat, karena
setiap pembuatan / pekerjaan aktivitas baru (X4) per unit akan mengeluarkan ongkos
sebesar 5, tanpa memperoleh keuntungan apa-apa, sebaliknya jika tidak lagi optimal,
artinya harga Z4 0, maka X4 akan terpilih sebagai entering variabel untuk iterasi
selanjutnya sampai didapatkan solusi optimal, kemudian harga optimal dengan harga
Z yang baru, kemudian kita bandingkan dengan harga Z lama yang(sebelum )
variabel X4 ditambahkan, apakah penambahan ini menguntungkan atau merugikan.

4.3.7 Penambahan kendala baru

Penambahan kendala baru maka akan mengakibatkan beberapa tiga
kemungkinan keadaan dapat tejadi :
a). Keadaan solusi optimal saat ini memenuhi pembatas baru
Misalkan pada contoh ditambah kendala baru yaitu X1 + X2 + X3  11 maka (2)
+ (0) + (8)  11 dan z = 280 akan memenuhi pembatas baru, karena solusi basis
tetap fisibel, maka solusi tetap optimal.
b). Solusi saat ini tidak memenuhi kendala baru tetapi persoalan masih fisibel
misalkan contoh ditambahkan pembatas X2  1, karena saat ini X2 = 0 maka
solusi tidak fisibel maka perlu dilakukan iterasi untuk mendapatkan solusi
optimal baru, sehingga :
X2 – S4 = 1 dikalikan (-1) menjadi –X2 + S4 = -1

84
 BV Z X1 X2 X3 S1 S2 S3 S4 BSF
Z 1 0 5 0 0 10 10 0 280
S1 0 0 -2 0 1 2 -8 0 24
X3 0 0 -2 1 0 2 -4 0 8
X1 0 1 5/4 0 0 -1/2 3/2 0 2
S4 0 0 -1 0 0 0 0 1 -1
Z 1 0 0 0 0 10 10 5 275
S1 0 0 0 0 1 2 -8 -2 26
X3 0 0 0 1 0 2 -4 -2 10
X1 0 1 0 0 0 -1/2 3/2 5/4 ¾
X2 0 0 1 0 0 0 0 -1 1

Dengan metode simpleks dual diperoleh solusi basis baru

(X1, X2, X3, Z) = (3/4, 1. 10, 275)
Penambahan baru menyebabkan persoalan tidak memiliki solusi fisibel
LATIHAN III
1. Pandang kembali latihan II nomor 3.
a. Karena kualitas barang B cukup bagus sehingga menyebabkan
keuntungan melonjak untuk barang B menjadi 8 juta per unit sehingga
mengharuskan pembuatan barang B berubah pada tiap keadaan yaitu
keadaan I, 4 hari keadaan II, 3 hari dan keadaan III tetap. Bagaimana
pengaruhnya terhadap keoptimalan tabel optimal anda.
b. Kondisi negeri ini serba tidak menentu mengakibatkan penurunan
keuntungan per unit pada produk A dan C menjadi 1 juta dan 2 juta per
unit, ditambah dengan maraknya demonstrasi dari para pekerja sehingga
setiap keadaan batas waktuyang tersedia berubah menjadi 50 hari, 30 hari
dan 70 hari lama pembuatan tiap produk menjadi 2 hari pada keadaan I
dan 3 hari pada keadaan II serta pada keadaaan III, 5hari.
Apa saran anda terhadap pimpinan anda pada situasi seperti ini.
2. Pandang masalah

85
Maksimumkan Z = 4X1 + 3X2 + X3 + 2X4
dengan kendala 4X1+2X2+X3+X4  5
3X1+X2+2X3+X4  4
X1, X2, X3, X4  0
Memiliki tabel simplex terakhir sebagai berikut :
BV Z X1 X2 X3 X4 S1 S2 BSF
Z 1 - - - - - - -
X2 0 - - - - 1 -1 -
X4 0 - - - - -1 2 -
Lengkapilah tabel diatas

86
3. Memaksimumkan Z = X1 – X2 + 2X3+5X4

dengan kendala X1 + X2 + X3+X4  15,

2X1 – X2 + X3+X4  2,
-X1 + X2 + X3+X4  4,
X1, X2, X3  0
Dengan iterasi akhir adalah
BV Z X1 X2 X3 S1 S2 S3 BSF
Z 1 3/2 0 0 0 3/2 1/2 5
S1 0 2 0 0 1 0 -1 11
X3 0 ½ 0 1 0 1/2 1/2 3
X2 0 -3/2 1 0 0 -1/2 1/2 1

Lengkapilah tabel diatas C3=(2+), berapa  ?

C2 = (-1+), berapa  ?
b1=(15+), berapa  ?
b2=(2+), berapa  ?
b3=(4+), berapa  ?

ditambah (C4 a14 a24 a34)=(5 1 1 1), apa kesimpulan anda?

misal C1 = (1+), berapa  ?,

87
Dengan iterasi akhir adalah

BV Z X1 X2 X3 S1 S2 S3 BSF
Z 1 3/2 0 0 0 3/2 1/2 5
S1 0 2 0 0 1 0 -1 11
X3 0 1/2 0 1 0 1/2 1/2 3
X2 0 -1 1 0 0 -1/2 1/2 1

88
4. Memaksimumkan Z = 2X1 – X2 + X3
dengan kendala 3X1 + X2 + X3  60
X1 - X2 + 2X3  10
X1 + X2 - X3  20
X1, X2, X3  0
a. Selesaikan dengan metode simplex
b. Bagaimana kesimpulan anda jika ruas kana diubah menjadi
 b1   70 
   
 b 2    20 
 b   10 
 3  
c. Koefisien-koefisien X1 diubah menjadi
 c1   1 
   
 a11   2 
 a    2
 21   
 a  0
 31   
d. Koefisien-koefisien X3 diubah menjadi
 c3   2 
   
 a13   3 
a    1 
 23   
 a    2
 33   
e. Fungsi tujuan diubah menjadi Z = 3X1 – 2X2 + 3X3
f. Memasukkan kendala baru 3X1 – 2X2 +X3  30
g. Memasukkan variabel baru dengan koefisien-koefisien
 c 4    1
   
 a14    1
a    1 
 24   
a   2 
 34   
5. Maksimumkan Z = 2X1 – X2 + X3
dengan kendala 3X1 – 2X2 + 2X3  15
-X1+X2+X3 3
X1-X2+X3 4

89
 X1, X2, X3 0
a. Selesaikan dengan metode simplex anda jika diadakan perubahan-
perubahan pada :
 b1  10 
   
b. Ruas menjadi  b    4 
b   2 
 3  

 c3   4
   
 a   3
c. Koefisien-koefisien X3 diubah menjadi  13    
a 2
 23   
a  1
 33   
d. Koefisien-koefisien X1 dan X2 diubah menjadi
 c1   1   c2    2
       
 a 11   1   a 12    1 
 a     2  dan a    3 
 21     22   
a   3  a   2 
 31     32   

e. Fungsi tujuan diubah menjadi Z = 5X1 +X2 3X3

f. Memasukkan kendala baru 2X1 +X2 + 3X3  60
g. Kendala 1 diubah menjadi 2X1 – X2 + 4X3  12

90
91
 BAB 5.
MASALAH TRANSPORTASI

5. 1. Pendahuluan
Masalah transportasi merupakan suatu kasus khusus dari masalah Program
Linier (PL). Masalah ini awalnya dikemukakan oleh F. L. Hitchcook (1941) dan
dikenal dengan masalah distribusi Hitchcook, merupakan permasalahan pengaturan
distribusi barang dan sumber-sumber yang menyediakan produk barang yang sejenis
ke tempat-tempat yang membutuhkan secara optimal. Untuk lebih jelasnya berikut
ini diberikan ilustrasi tentang suatu masalah transportasi :
Perusahaan tepung Ratu Raya mempunyai tiga pabrik tepung Jawa Tengah yang
terletak di daerah Sukoharjo, Magelang dan Cilacap. Tepung-tepung itu tiap
minggunya harus didistribusikan menggunakan truk-truk pengangkut ke tiga pusat
distribusi, yaitu di Purwokerto, Solo dan Semarang, untuk selanjutnya akan diambil
oleh para pengecer / sub distributor.

Permasalahan dari perusahaan itu adalah : bagaimana pengaturan banyaknya tepung

yang dikirim dari tiap pabrik ke tiap-tiap pusat distribusi yang ada dengan ongkos
pengiriman tepung secara keseluruhan seminimal mungkin, dengan syarat tepung
dari kedua pabrik bisa terkirim sebanyak mungkin (supaya tak ada penumpukkan
barang di pabrik) tetapi kapasitas permintaan dari pusat-pusat distribusi tidak
terlampaui.
Perhatikan bahwa permasalahan di atas sebetulnya merupakan permasalahan
Program Linier yang penyelesaiannya bisa diperoleh menngunakan metode-metode
yang telah di bahas pada bab sebelumnya. Metode khusus untuk menyelesaikan
masalah transportasi seperti di atas, pertama-tama dikembangkan oleh F. L.
Hitchcook, T. C. Koopman (1949) dan G. B. Dantziq (1951). Untuk saat ini, dengan
perkembangan permasalahan di bidang industri yang menjadi sangat kompleks, ilmu
tentang transportasi berkembang dengan pesat. Banyak metode-metode lanjut yang
muncul sesuai dengan bentuk permasalahan-permasalahan transportasi yang
dihadapi. Bahkan dalam perkembangannya, banyak ditemukan masalah-masalah lain

92
di dunia usaha yang modelnya sejenis dengan masalah transportasi, meliputi masalah
penjadwalan produksi, pembelanjaan modal (capital financing), purchasing, cash
management, inventory controll dan lain-lain.
5. 2. Masalah Transportasi Seimbang
Secara umum permasalahan transportasi adalah permasalahan pendistribusian
suatu produk dengan jenis tunggal :
- Dari beberapa sumber ke berbagai tujuan
- Jumlah penawaran ( supply ) dari masing-masing sumber terbatas
- Jumlah permintaan ( demand ) dari masing-masing tujuan tertentu
- Biaya transport keseluruhan seminimal mungkin.
Dengan asumsi biaya transpot dari masing-masing rute pendistribusian produk
proporsional dengan banyaknya unit produk yang dikirimkan, masalah transportasi
bisa dibagi menjadi dua jenis yaitu masalah transportasi seimbang dan masalah
transportasi tak seimbang. Dalam masalah transportasi seimbang jumlah total supply
harus sama dengan jumlah total demand, sebaliknya dalam masalah transportasi tak
seimbang keduanya tidak sama. Dalam sub-bab ini akan dibahas masalah transportasi
seimbang.

5. 2. 1. Formulasi Model Matematika

Untuk memahami permasalahan transportasi seimbang berikut ini diberikan
contoh permasalahan pada suatu perusahaan pupuk.
Contoh : Perusahaan pupuk YY mempunyai tiga tempat pembuatan pupuk di
Jawa Tengah, yaitu di daerah Brebes, Magelang dan Sukoharjo. Pupuk-pupuk
tersebut dipasarkan ke masyarakat di Jawa Tengah – DIY melalui tiga
distributor yang berlokasi di kota Purwokerto, Yogyakarta dan Semarang.
Permasalahan pendistribusian pupuk dari perusahaan pupuk ini adalah
bagaimana alokasi banyaknya pupuk dari masing-masing tempat pembuatan
pupuk yang harus didistribusikan per minggunya ke masing-masing distributor,
supaya biaya transportasi minimal tetapi supply selalu habis dan permintaan
dari para distributor dipenuhi. Diketahui kapasitas supply masing-masing
tempat pembuatan pupuk, permintaan dari masing-masing distributor dan biaya

93
 transportasi per kg dari masing-masing tempat pembuatan pupuk ke masing-
masing distributor adalah sebagai berikut :
 Kapasitas supply pupuk per minggu dari tempat pembuatan di Magelang
120 kg, di Sukoharjo 80 kg dan di Brebes 80 kg.
 Permintaan dari distributor perminggunya adalah sebagai berikut :
Distributor di Purwokerto 150kg, Yogyakarta 7kg dan Semarang 60 kg.
 Biaya transport per unit dari masing-masing tempat pembuatan pupuk ke
masing-masing distributor adalah sebagai berikut :
o Dari tempat pembuatan pupuk di Magelang ke distributor di Purwokerto Rp.
8.000,- / kg, distributor di Yogyakarta Rp. 5.000,- / kg dan distributor di
Semarang Rp. 6.000,- / kg.
o Dari tempat pembuatan pupuk di Sukoharjo ke distributor di Purwokerto
Rp. 15.000,- / kg, distributor di Yogyakarta Rp. 10.000,- / kg dan distributor
di Semarang Rp. 12.000,- / kg.
o Dari tempat pembuatan pupuk di Brebes ke distributor di Purwokerto Rp.
3.000,- / kg, distributor di Yogyakarta Rp. 9.000,- / kg dan distributor di
Semarang Rp. 10.000,- / kg.
Untuk menyelesaikan masalah pendistribusian pupuk di atas, pertama kita
bawa permasalahan nyata tersebut ke model permasalahan matematikanya dan kita
selesaikan secara matematika. Setelah solusi matematikanya didapatkan kemudian
kita interpretasikan kembali solusi matematika tersebut ke solusi permasalahan awal.
Misalkan tempat pembuatan pupuk di Magelang, Sukuharjo dan Brebes
secara berturut-turut kita namakan tempat pembuatan pupuk 1, 2 dan 3. Distributor di
Purwokerto, Yogyakarta dan Semarang kita namakan secara berturut-turut sebagai
Distributor 1, 2 dan 3. Sedangkan banyaknya unit (kg) pupuk yang dikirim dari
tempat pembuatan pupuk i (i = 1, 2, 3) ke distributor j (j = 1, 2, 3) kita namakan Xij.
Maka model matematika dari permasalahan nyata di atas tak lain adalah model
permasalahan program linier sebagai berikut.
Meminimumkan Z= 8 X11 + 5 X12 + 6 X13 + 15 X21 + 10 X22 + 12 X23 + 3 X31
+ 9 X32 + 10 X33.
dengan syarat, X11 + X12 + X13 = 120,

94
 X21 + X22 + X23 = 80,
X31 + X32 + X33 = 80,
X11 + X21 + X31 = 150,
X12 + X22 + X32 = 70,
X13 + X23 + X33 = 60, semua Xij  0.
Model permasalahan ini, seperti telah dibahas dalam bab sebelumnya bisa
diselesaikan dengan menggunakan metode simplex. Di pihak lain kalau kita
perhatikan pada persamaan-persamaan kendalanya terlihat ada sesuatu yang spesifik
yaitu semua konstantanya adalah 1. Dan banyaknya variabel yang muncul ada 9
variabel yaitu X11, X12, ……, X33, maka kita akan memerlukan tabel simplex yang
cukup kompleks. Dari sini muncul ide dari Hitchcock ( 1949 ) untuk mencari metode
yang lebih simpel untuk menyelesaikan masalah semacam ini. Metode tersebut
sekarang ini dikenal sebagai metode Transportasi, sesuai dengan permasalahan
awalnya.
Seperti pada metode simplex yang telah dibahas pada bab sebelumnya,
penyelesaian masalah transportasi seimbang terdiri dari 2 tahap. Tahap pertama
adalah mencari solusi fisibel awal, yaitu mencari suatu pengalokasian distribusi
barang yang mungkin dari tiap sumber ke tiap tujuan. Tahap kedua adalah mencari
penyelesaian akhir, di sini pengalokasian distribusi barang pada penyelesaian tahap
awal diperbaiki sampai didapat pengalokasian distribusi barang dengan ongkos total
transportasi yang optimal ( minimal ).

Tugas kelompok
1. Chek penyelesaikan permasalahan pada contoh di atas menggunakan metode
penyelesaian PL yang telah di bahas di bab sebelumnya. Kesulitan-kesulitan
apakah yang ditemui?.
2. Tuliskan beberapa persoalan nyata yang bisa dimodelkan ke bentuk model
matematika permasalahan transportasi.

5. 2. 2. Mencari Solusi Fisibel Awal

95
 Ada beberapa metode untuk mencari solusi fisibel awal. Disini akan
disampaikan dua buah metode, yaitu metode least cost dan metode Aproksimasi
Vogel ( VAM ).
Perhatikan contoh permasalahan pengiriman pupuk di atas. Pada solusi fisibel
awal, informasi tentang kapasitas ketiga tempat pembuatan pupuk, banyaknya
permintaan tiap distributor, harga transportasi per kg pupuk dan banyaknya unit
pupuk yang didistribusikan di masing-masing rute dapat ditampilkan dalam suatu
tabel yang disebut tabel transportasi yang berbentuk seperti berikut.

Tujuan

ke 1 2 3 Supply
dari
8 5 6
X11 X12 X13
1 180
15 10 12
X21 X22 X23 80
Sumber

2
3 9 10
3 X31 X32 X33 80

Demand 150 70 60 280

Disini : Xij = adalah banyaknya unit pupuk yang didistribusikan dari sumber (tempat
pembuatan pupuk) i ke tujuan (distributor) j, (i = 1, 2, 3 dan j = 1, 2, 3).

Catatan: Perhatikan bahwa secara umum tabel transportasi mempunyai bentuk

sebagai berikut

Tujuan

ke 1 2 3 … m Supply
dari
C11 C12 C13 C1m
X11 X12 X13 … X1m
1 S1

96
 2 C21 C22 C23 C2m
X21 X22 X23 … X2m S2
Sumber

C31 C32 C33 C3m

3 X31 X32 X33 … X3m S3

. . . . . . .
. . . . . . .
. . . . . . .
Cn Cn2 Cn3 Cnm
n Xn Xn2 Xn3 … Xnm Sn

Demand D1 D2 D3 … Dm  Si= Dj

Disini : Xij = adalah banyaknya unit barang yang didistribusikan dari sumber i ke
tujuan j. ( i = 1, 2, …, n dan j = 1, 2, …, m )
Cij = harga transport barang per unit dari sumber i ke tujuan j.
Si = kapasitas dari sumber ke-i.
Dj = banyaknya permintaan barang dari tujuan ke-j.
Algoritma Metode Least-cost untuk mencari solusi fisibel awal dari masalah
transportasi adalah sebagai berikut :

Step1. Untuk membuat tabel transportasi, pilih kotak dengan biaya transport per unit
(cij) termurah, alokasikan ke kotak tersebut sebanyak yang memungkinkan.
Step 2. Dari kotak-kotak dalam tabel transportasi yang masih mungkin diberi alokasi
barang, pilih kotak dengan biaya transport per unit termurah dan alokasikan
barang sebanyak yang memungkinkan ke kotak tersebut.
Step 3. Lanjutkan proses ini sampai semua penawaran dan permintaan terpenuhi.

Untuk contoh permasalahan di atas dengan menggunakan Metode Least-cost, pada

akhir step 1 akan didapat tabel sebagai berikut.

97
 1 2 3 Supply

8 5 6
1 120
15 10 12
2 80

3 9 10
3 80 80

Demand 150 70 60 280

pada akhir step kedua akan didapat tabel sebagai berikut.

1 2 3 Supply

8 5 6
70
1 120
15 10 12
2 80
3 9 10
3 80 80

Demand 150 70 60 280

Setelah beberapa kali iterasi step 1 dan 2, akhirnya didapat solusi fisibel awal sebagai berikut.

1 2 3 Supply

8 5 6
70 50
1 120
15 10 12
2 70 10 80
3 80 3 9 10 80
Demand 150 70 60 280

Arti dari tabel tersebut adalah :

- dari tempat pembuatan pupuk 1 ke distributor 1 tak ada pengiriman,
- dari tempat pembuatan pupuk 1 ke distributor 2 dikirim 70 kg pupuk / minggu,
- dari tempat pembuatan pupuk 1 ke distributor 3 dikirim 50 kg pupuk / minggu,
- dari tempat pembuatan pupuk 2 ke distributor 1 dikirim 70 kg pupuk / minggu,
- dari tempat pembuatan pupuk 2 ke distributor 2 tak ada pengiriman,
- dari tempat pembuatan pupuk 2 ke distributor 3 dikirim 10 kg pupuk / minggu,
- dari tempat pembuatan pupuk 3 ke distributor 1 dikirim 80 kg pupuk / minggu,
- dari tempat pembuatan pupuk 3 ke distributor 2 tak ada pengiriman,
- dari tempat pembuatan pupuk 3 ke distributor 3 tak ada pengiriman.
Algoritma VAM untuk mencari solusi fisibel awal dari masalah transportasi adalah sebagai berikut :
Step 1. Hitung opportunity cost / penalti untuk setiap baris dan kolom. Opportu-
nity cost untuk baris / kolom ke-k dihitung dengan mengurangkan biaya
transportasi / unit terkecil pada baris / kolom tersebut terhadap biaya trans-

98
 port / unit terkecil kedua pada baris / kolom yang sama.
Step 2. Pilih baris atau kolom dengan opportunity cost terbesar. Alokasikan sebanyak mungkin ke kotak dengan
biaya transport/unit minimum di dalam nya.
Step 3. Hilangkan baris dan kolom yang penawaran dan permintaanya telah diha-
biskan.
Step 4. Jika belum semua penawaran dan permintaan dipenuhi, kembali ke 1. Jika
semua penawaran dan permintaan sudah dipenuhi, solusi awal telah diper-
oleh.
Untuk contoh pada pengiriman pupuk di depan dengan menggunakan VAM, pada akhir step 1 diperoleh :
Opportunity cost baris ke-1 = 1,
Opportunity cost baris ke-2 = 2,
Opportunity cost baris ke-3 = 6,
Opportunity cost kolom ke-1 = 5,
Opportunity cost kolom ke-2 = 4,
Opportunity cost kolom ke-3 = 4.
Pada step kedua kita pilih baris ke-3 karena mempunyai opportunity cost terbesar. Kemudian pada baris ke-3
tersebut kita pilih kotak dengan biaya transport / unit terkecil yaitu c31 dan kita alokasikan sebesar mungkin, yaitu
80 unit.
Karena penawaran pada baris ke-3 sudah dihabiskan maka pada step 3 baris ke-3 kita hilangkan sehingga pada
akhir step 3 kita dapatkan tabel berikut.

1 2 3 Supply

1 8 5 6 8 5

Pada step 4, karena penawaran di baris ke-1 dan 2 serta permintaan di kolom 1, 2 dan 3 belum terpenuhi maka
kita kembali ke step 1.

Setelah dua kali iterasi akan kita dapatkan solusi fisibel awal sebagai berikut.

1 2 3 Supply

1 70 8 5 50 6 8 5 50
70

Arti dari tabel tersebut adalah :

- dari tempat pembuatan pupuk 1 ke distributor 1 dikirim 70 kg pupuk / minggu,
- dari tempat pembuatan pupuk 1 ke distributor 2 tak ada pengiriman,
- dari tempat pembuatan pupuk 1 ke distributor 3 dikirim 50 kg pupuk / minggu,
- dari tempat pembuatan pupuk 2 ke distributor 1 tak ada pengiriman,
- dari tempat pembuatan pupuk 2 ke distributor 2 dikirim 70 kg pupuk / minggu,
- dari tempat pembuatan pupuk 2 ke distributor 3 dikirim 10 kg pupuk / minggu,
- dari tempat pembuatan pupuk 3 ke distributor 1 dikirim 80 kg pupuk / minggu,
- dari tempat pembuatan pupuk 3 ke distributor 2 tak ada pengiriman,
- dari tempat pembuatan pupuk 3 ke distributor 3 tak ada pengiriman.

Tugas kelompok
1) Carilah metode-metode lain untuk mencari solusi fisibel awal masalah transportasi. Tulis dan jelaskan
metode-metode tersebut. Bandingkan metode-metode tersebut dengan metode least-cost dan VAM.

5. 2. 3. Mencari Solusi Akhir

99
 Setelah solusi fisibel awal diperoleh, maka langkah berikutnya adalah mencari solusi akhir dengan
menekan ke bawah z (biaya transport). Pada sub-bab ini akan diperkenalkan suatu metode untuk mencari solusi
akhir yang dikenal sebagai metode stepping-stone. Dalam metode ini z (biaya transport) ditekan dengan dengan
memasukkan variabel non basis (kotak yang kosong) yang memungkinkan terjadinya penurunan z.
Perhatikan solusi awal yang diperoleh dengan metode least-cost pada contoh pada didepan. Misalkan
kita alokasikan 1 unit ke X11. Karena banyaknya permintaan kolom ke-1 adalah 150 maka kemudian X21 diubah
alokasinya menjadi 69. Sedangkan penawaran baris ke-2 adalah 80, maka X23 diubah alokasinya menjadi 11.
Selanjutnya karena permintaan pada kolom ke-3 adalah 60 maka X13 diubah alokasinya menjadi 49. Sekarang
kita dapatkan suatu solusi fisibel lagi. Proses dari suatu solusi fisibel awal sampai didapat solusi fisibel yang lain
ini dalam metode stepping-stone disebut proses jalur tertutup. Kita simbolkan jalur tertutup diatas dengan X 11 
X21-  X23+  X13-  X11. Tanda – ( atau + ) adalah tanda bahwa variabel yang bersangkutan adalah variabel
yang dikurangi (atau ditambah) satu unit.
Dengan melakukan proses jalur tertutup pada contoh di atas, bisa dihitung adanya perubahan biaya
transportasi sebesar 1 . 8 – 1 . 15 + 1 . 12 – 1 . 6 = - 1.
Artinya biaya transportasi akan turun 1 satuan.
Pada metode stepping-stone, dari tiap variabel non basis dilakukan proses jalur tertutup. Kemudian dipilih jalur
tertutup yang menghasilkan solusi fisibel yang paling rendah, kemudian pada variabel non basis yang
bersangkutan kita alokasikan semaksimal mungkin dengan menyesuaikan alokasi-alokasi pada variabel-variabel
basis pada jalur tertutup tersebut.
Sehingga algoritma dari metode stepping-stone bisa dituliskan sebagai berikut :
Step 1. Untuk tiap variabel non basis ( kotak kosong ) dilakukan proses jalur ter tutup.
Step 2. Hitung perubahan harga dari tiap proses jalur tertutup. Bila semua non negatif solusi sudah optimal
Step 3. Pilih variabel non basis yang bersangkutan dengan jalur tertutup dengan perubahan harga yang paling
negatif, namakan EV. Alokasikan EV sebesar min {X ij-} pada jalur tertutup yang bersangkutan.
Kurangkan tiap elemen {Xij-} pada jalur tertutup tersebut dengan nilai minimum {X ij-}. Tambahkan tiap
elemen {Xij+}pada jalur tertutup tersebut dengan minimum{X ij-}.
Step 3. Kembali ke step 2.

Pada contoh di depan, pada step 1 kita dapatkan jalur-jalur tertutup sebagai berikut.
Variabel non Basis Jalur Tertutup

X11 X11 → X13- → X23+ → X21- → X11

X22 X22 → X23- → X13+ → X12- → X22
X32 X32 → X12- → X13+ → X21+ → X31- → X32
X33 X33 → X23- → X21+ → X31- → X33

Pada step 2, perubahan harga transportasi pada masing-masing jalur adalah sebagai berikut.
Variabel non Basis
Jalur Tertutup
X11X13X23X21 -9+8=-1
X22X23X13X12 - 11 + 10 = - 1
X32X12X13X21X31 + 1 + 9 = + 10
X33X23X21X31 0 + 10 = + 10
Karena masih ada yang negatif maka belum optimal.

Kemudian pada step 3 ada dua variabel non basis yang sama-sama paling negatif, kita boleh memilih salah satu
sebagai EV, misalnya X22. Kita alokasikan X22 sebesar min { X23-, X12- } = min { 10, 76 } = 10. Harga variabel
basis di jalur tertutup tersebut kita sesuaikan menjadi
X23 = 10 – 10 = 0, X13 = 50 + 10 = 60, X12 = 70 – 10 = 60.
Sehingga pada akhir step 3 kita dapat tabel transportasi sebagai berikut.

100
 1 2 3 Supply

8 5 6
60 60
1 120
15 10 12
2 70 10 80
3 9 10
3 80 80

Demand 150 70 60 280

Kemudian dari step 4, proses diulang ke step 2 lagi, didapat:

X11 X12 X22 X21 = - 2,
X23 X13 X12 X22 = 4,
X32 X22 X21 X31 = + 9,
X33 X13 X12 X22 X21 X31 = 9.
Karena masih ada yang negatif maka belum optimal.
Kemudian pada step 3 didapat EV = X 11 = min{ 70, 60 } = 60, X12 = 0, X21 = 10 dan X22 = 70.
Sehingga didapat tabel berikut.

1 2 3 Supply

8 5 6
60 60
1 120
15 10 12
2 10 70 80
3 9 10
3 80 80

Demand 150 70 60 280

Kemudian dari step 4, proses diulang ke step 2 lagi, didapat:

X12 X11X21X22 = 2,
X23 X13 X11X21 = - 1,
X32 X22 X21 X31 = + 11,
X33 X13 X11 X31 = 9.
Karena masih ada yang negatif maka belum optimal.
Kemudian pada step 3 didapat EV = X23 = min { 60, 10 } = 10, X21 = 0, X11 = 70 dan X13 = 70. Sehingga didapat
tabel berikut:

1 2 3 Supply

8 5 6
70 50
1 120
15 10 12
2 70 10 80
3 9 10
3 80 80

Demand 150 70 60 280

Kemudian dari step 4, proses diulang ke step 2 lagi, didapat

X12 X13- X23+ X22- = 1,

101
 X21 X23- X13+ X11- = 1,
X32 X22- X23+ X13- X11+ X31- = 10,
X33 X13- X11+ X31- = 9.
-------------------------------------------
semua non negatif, jadi optimal
Zmin = 8X70 + 6X50 + 10X70 + 12X10 + 3X80 =
560 + 300 + 700 + 120 + 240 = 1920.
Sehingga persoalan distribusi pengiriman pupuk pada contoh didepan akan mempunyai penyelesaian sebagai
berikut : Agar biaya transportasi minimal, alokasi pengiriman pupuk per minggu ditetapkan sebagai berikut :
* Dari tempat pembuatan pupuk 1 ke distributor 1 dikirim pupuk sebanyak 70 kg,
* Dari tempat pembuatan pupuk 1 ke distributor 3 dikirim pupuk sebanyak 50 kg,
* Dari tempat pembuatan pupuk 2 ke distributor 2 dikirim pupuk sebanyak 70 kg,
* Dari tempat pembuatan pupuk 2 ke distributor 3 dikirim pupuk sebanyak 10 kg,
* Dari tempat pembuatan pupuk 3 ke distributor 1 dikirim pupuk sebanyak 80 kg,
dengan ongkos transport Rp. 1.920.000,-.

Tugas kelompok
1. Tulislah metode untuk mencari solusi optimal selain Metode Stepping-stone, misalnya metode Modi.
Bandingkan metode tersebut dengan metode Stepping-stone!
2. Modifikasi metode untukmemecahkan masalah transporasi kasus minimalisasi yang telah dibahas di bab ini
menjadi suatu metode untuk memecahkan masalah
transportasi kasus maksimalisasi.

5. 3. Masalah Transportasi Tak Seimbang

Di depan telah dibahas masalah transportasi seimbang, yaitu masalah transportasi untuk keadaan
jumlah penawaran (supply) sama dengan jumlah permintaan (demand). Padahal, pada kebanyakan masalah nyata
jumlah penawaran tidaklah sama dengan jumlah permintaan, oleh karena itu, kita akan membahas masalah
transportasi tak seimbang.

5. 3. 1. Jumlah Penawaran lebih kecil dari Jumlah Permintaan

Untuk memecahkan masalah transportasi tak seimbang kita bisa tetap menggunakan metode untuk
memecahkan masalah transportasi seimbang, dengan sedikit modifikasi.
Untuk kasus penawaran lebih kecil dari permintaan, kita perlu memodifikasi tabel transportasi dengan
menambah suatu baris (sumber) dummy (semu). Sebagai contoh pada kasus pengiriman pupuk di depan misalkan
permintaan dari distributor 3 berubah menjadi 90. Model matematika dari permasalahan transportasi tersebut
sekarang menjadi sebagai berikut.
Meminimalkan Z = 8 X11 + 5 X12 + 6 X13 + 15 X21 + 10 X22 + 12 X23 + 3 X31
+ 9 X32 + 10 X33,
dengan kendala
X11 + X12 + X13 = 120,
X21 + X22 + X23 = 80,
X31 + X32 + X33 = 80,
X11 + X21 + X31  150,
X12 + X22 + X32  70,
X13 + X23 + X33  90, semua Xij  0.
Tabel transportasi yang dimodifikasi berbentuk sebagai berikut,

ke
1 2 3 Supply
dari
8 5 6
X11 X12 X13
1 120
15 10 12
X21 X22 X23 80
2
3 9 10
3 X31 X32 X33 80
4 X4 0 X42 0 X43 0 30

102
 Demand 150 70 90 310
Tabel ini sudah sama bentuknya dengan tabel transportasi masalah seimbang sehingga sekarang kita bisa
menggunakan metode-metode pada masalah seimbang untuk menyelesaikan kasus ini. Pertama kita gunakan
VAM untuk mencari solusi visible awal sebagai berikut.
ke
1 2 3 Supply
dari
8 5 6
40 80
1 120
15 10 12
70 10 80
2
3 9 10
3 80 80
0 0 0
4 30 30

Demand 150 70 90 310

Kemudian dengan menggunakan metode modi akan didapatkan bahwa solusi visible awal tersebut sama dengan
solusi akhir.
Sehingga Zmin = 8X40 + 6X80 + 10X70 + 12X10 + 3X80 + 30X0 =
320 + 480 + 700 + 120 + 240 = 1860.
Kita interpretasikan ke permasalahan nyatanya didapat:
Supaya ongkos total transportasi pupuk minimal, alokasi pendistribusian pupuk perminggunya adalah sebagai
berikut.
 Dari tempat pembuatan pupuk 1 dikirim pupuk ke distributor 1 sebesar 40 kg,
 Dari tempat pembuatan pupuk 1 dikirim pupuk ke distributor 3 sebesar 80 kg,
 Dari tempat pembuatan pupuk 2 dikirim pupuk ke distributor 2 sebesar 70 kg,
 Dari tempat pembuatan pupuk 2 dikirim pupuk ke distributor 3 sebesar 10 kg,
 Dari tempat pembuatan pupuk 3 dikirim pupuk ke distributor 1 sebesar 80 kg.
Dengan ongkos pengiriman total Rp 1.860.000,- per mingu.

5.3.2 Penawaran lebih besar dari permintaan

Untuk masalah transportasi tak seimbang, yaitu kasus penawaran lebih besar dari permintaan,
penyelesaiannya bisa diperoleh dengan memodifikasi tabel transportasi, hanya di sini bukan baris semu yang
ditambahkan tetapi suatu kolom (tujuan) semu. Misalkan pada contoh kasus masalah transportasi seimbang
pengiriman pupuk di depan permintaan dari distributor 1 berubah menjadi 100. Model matematika dari
permasalahan transportasi tersebut sekarang menjadi sebagai berikut.
Meminimalkan Z = 8X11+5X12 + 6X13 + 15 X21 + 10 X22 + 12X23 + 3X31+
9X32 + 10X33
dengan kendala X11 + X12 + X13  120,
X21 + X22 + X23  80,
X31 + X32 + X33  80,
X11 + X21 + X31 = 100,
X12 + X22 + X32 = 70,
X13 + X23 + X33 = 60, semua Xij  0.
Tabel transportasi yang dimodifikasi berbentuk sebagai berikut.

ke
1 2 3 4 Supply
dari
8 5 6 0
X11 X12 X13 X14
1 120
15 10 12 0
2 X21 X22 X23 X24 80
3 X31 3 X32 9 X33 10 X34 0 80

103
 Demand 100 70 60 50 280

Tabel ini sudah sama bentuknya dengan tabel transportasi masalah seimbang sehingga sekarang kita bisa
menggunakan metode-metode pada masalah seimbang untuk menyelesaikan kasus ini. Pertama kita gunakan
VAM untuk mencari solusi visible awal sebagai berikut.
ke
1 2 3 4 Supply
dari
8 5 6 0
20 40 60
1 120
15 10 12 0
2 30 50 80
3 9 10 0
3 80 80

Demand 100 70 60 50 280

Kemudian dengan metode Modi didapat bahwa solusi visible awal tersebut sudah optimal. Sehingga Zmin = 160 +
200 + 360 + 300 + 240 = 1260.
Kita interpretasikan ke permasalahan nyatanya didapat: Supaya ongkos total transportasi pupuk minimal, alokasi
pendistribusian pupuk perminggunya ada sbb:
 Dari tempat pembuatan pupuk 1 dikirim pupuk ke distributor 1 sebesar 20 kg,
 Dari tempat pembuatan pupuk 1 dikirim pupuk ke distributor 2 sebesar 40 kg,
 Dari tempat pembuatan pupuk 1 dikirim pupuk ke distributor 3 sebesar 60 kg,
 Dari tempat pembuatan pupuk 2 dikirim pupuk ke distributor 2 sebesar 30 kg,
 Dari tempat pembuatan pupuk 2 dikirim pupuk ke distributor 4 sebesar 50 kg,
 Dari tempat pembuatan pupuk 3 dikirim pupuk ke distributor1 sebesar 80 kg.
Dengan ongkos pengiriman totol Rp 1.260.000,- per mingu.

Tugas Kelompok.
1. Pada suatu permasalahn transportasi diskusikan bagaimana cara mengatasi persoalan bila terjadi ada
beberapa rute yang tak bisa dilewati, misalnya karena jalan rusak.
2. Diskusikan tentang persoalan loop yang mungkin terjadi pada saat mencari solusi optimal menggunakan
metode Modi atau Stepping stone.

Latihan
1. Ada sejenis barang yang harus diangkut untuk keperluan proyek. Barang harus diangkut dari 3 pabrik (
P1,P2,P3) ketiga lokasi proyek (A1,A2,A3). Pabrik P1,P2,P3 masing masing hanya tersedia barang yang
dapat diangkut sebanyak 56, 82 dan 77 satuan , sedang keperluan untuk lokasi proyek L1,L2,L3 masing
masing sebanyak 72,102 dan 41 satuan. Biaya angkut untuk setiap satuan barang dalam ribuan rupiah dari
P1 ke L1,L2,L3 masing masing sebesar 4,8 dan 8. Dari P2 ke L1,L2,L3 masing masing sebesar 16,24 dan 16
, dari P3 ke L1,L2,L3 masing masing sebesar 8,16 dan 24. Tentukan banyaknya barang yang diangkut dari
Pi ke Lj (i = j =1,2,3) agar supaya jumlah seluruh biaya angkut ( total transportation cost) menjadi minim.

2. Pada soal no. 1 di atas misalkan suplai dari P1 bukan lagi 56 tetapi berubah menjadi 76 satuan, jadi 20 lebih
besar dari semula. Tentukan banyaknya barang yang diangkut dari Pi ke Lj (i = j =1,2,3) setelah peubahan
tersebut agar supaya jumlah seluruh biaya angkut menjadi minim.

3. A wholesaling company has three warehouses from which supplies are drawn for four retail customers. The
company deals in a single product, the supplies of which at each warehouse are:
Warehouses no. Supply (units)
1 20
2 28
3 17

The customer demands are:

Customers no. Demand (units)

104
 1 15
2 19
3 13
4 18
It costs $3, $6, $8 and $4 for each unit shipped from warehouse no.1 to customer no. 1, no. 2, no. 3 and no.4,
respectively. It costs $6, $1, $2 and $5 for each unit shipped from warehouse no.2 to customer no. 1, no. 2,
no. 3 and no.4, respectively. And it costs $7, $8, $3 and $9 for each unit shipped from warehouse no.1 to
customer no. 1, no. 2, no. 3 and no.4, respectively. Find out what supplies to dispatch from each of the
warehouses to each customer so as to minimize transportation costs overall!.

4. Pada waktu ujian Andi BF sering belajar sampai larut malam (sistem kebut semalam), untuk itu dia
memerlukan minum kopi. Pada minggu pertama ujian dia hanya mendapatkan dua hari jadwal ujian. Pada
hari pertama ujian dia menginginkan 3 gelas kopi dan pada hari kedua ujian dia menginginkan 4 gelas kopi.
Temannya, Siti R, bersedia menjual kepadanya maksium 5 gelas dengan harga Rp 1.000,- per gelas untuk
hari pertama dan Rp 700,- per gelas untuk hari kedua. Temannya yang lain, Rahmi S, bersedia menjual
kepadanya maksium 4 gelas dengan harga Rp 900,- per gelas untuk hari pertama dan Rp 800,- per gelas
untuk hari kedua. Andi BF bingung harus memilih yang mana agar dia bisa menghemat uang, tetapi
keinginan minum kopinya dapat terpenuhi. Temannya yang lain lagi, Eko S, berusaha membantu Andi
memecahkan persoalannya dengan menggunakan metode transportasi (VAM dan metode Modi). Jelaskan
bagaimana seharusnya Eko S memecahkan persoalan tersebut.

5. Seorang kontraktor harus mengangkut batu ke tiga lokasi konstruksi. Ia dapat membeli sebanyak 18 ton di
lokasi galian batu di sebelah utara kota dan 14 ton di lokasi galian batu di sebelah selatan kota. Ia
memerlukan batu sebanyak 10 ton, 5 ton dan 10 ton berturut-turut di lokasi 1, 2 dan 3. Harga pembelian per
ton pada setiap lokasi galian dan biaya angkut perton diberikan dalam tabel di bawah ini:
Biaya Angkut per ton
1 2 3 Harga per ton

Galian utara 3 6 5 10
Galian selatan 6 3 4 12
* Dalam satuan dollar Amerika
Kontraktor tersebut ingin menentukan berapa banyak batu yang harus diangkut dari setiap lokasi galian ke
setiap lokasi konstruksi agar meinimumkan biaya total pembelian dan pengangkutan batu tersebut.
Pecahkan permasalahan tersebut dengan metode transportasi.

6. Inggris, Perancis dan Spanyol menghasilkan seluruh wheat, barley dan oat di dunia. Permintaan dunia
memerlukan 125 juta ha lahan yang diperuntukkan untuk produksi wheat, 60 juta ha lahan yang
diperuntukkan untuk produksi barley dan 75 juta ha lahan yang diperuntukkan untuk produksi oat. Jumlah
keseluruhan lahan yang tersedia untuk tujuan-tujuan tersebut di Inggris, Perancis dan Spanyol berturut-turut
adalah 70 juta ha, 110 juta ha dan 80 juta ha. Biaya buruh untuk mengerjakan 1 ha lahan wheat sampai
panen di Inggris, Perancis dan Spanyol berturut-turut adalah $54, $31.2 dan $52.8. Biaya buruh untuk
mengerjakan 1 ha lahan barley sampai panen di Inggris, Perancis dan Spanyol berturut-turut adalah $40.5,
$36 dan $33.6. Biaya buruh untuk mengerjakan 1 ha lahan oat sampai panen adalah di Inggris, Perancis dan
Spanyol berturut-turut adalah $27.6, $75 dan $33.6. Permasalahannya adalah bagaimana mengalokasikan
pemakaian lahan di setiap negara tersebut untuk memenuhi kebutuhan dunia akan bahan makanan di atas
dan meminimumkan total biaya buruh. Selesaikan permasalahan diatas dengan metode transportasi.

105
 BAB 6
MASALAH PENUGASAN

6.1 Pendahuluan
Di bab sebelumnya telah dibahas suatu bentuk khusus dari masalah program linier yang disebut dengan
masalah transportasi. Dalam bab ini akan dibahas masalah yang lebih khusus lagi yang disebut dengan masalah
penugasan.
Dalam dunia usaha (bisnis) dan industri, pihak manajemen sering menghadapi masalah-masalah yang
berhubungan dengan pengaturan penugasan yang optimal dari bermacam-macam sumber yang produktif atau
personalia yang mempunyai tingkat efisiensi yang berbeda untuk tugas yang berbeda. Sebagai ilustrasi,
perhatikan contoh permasalahan berikut:
Suatu usaha konveksi mempunyai 4 pekerja dan 4 mesin. Setiap mesin jahit dipakai oleh satu orang
pekerja dan sebaliknya. Sedangkan waktu untuk menjahit sepotong pakaian (dalam satuan menit)
menggunakan suatu mesin jahit tidak sama untuk setiap pekerja seperti diperlihatkan oleh tabel berikut
(disebut tabel efektivenes).
Mesin Jahit

I II III IV
Pekerja
A 28 11 30 15
B 12 30 28 21
C 13 23 28 10
D 17 24 21 40

Permasalahannya adalah bagaiamana mengalokasikan pembagian pekerja untuk bekerja dengan mesin
mesin jahit yang ada supaya waktu pengerjaan menjahit pakaian optimal/ minimal.
Perhatikan bahwa permasalahan tersebut merupakan permasalah transportasi seimbang, dengan model
matematika sebagai berikut.
Meminimumkan Z = 28X11+11X12 + 30X13 + 15 X14 + 12X21 + 30 X22 + 28X23 + 21X24 + 13X31 + 23X32 +
28X33 + 10X34 + 17X41 + 24X42 + 22X43 + 40X44
dengan kendala X11 + X12 + X13 + X14 = 1,
X21 + X22 + X23 + X24 = 1,
X31 + X32 + X33 + X34 = 1,
X41 + X42 + X43 + X44 = 1,
X11 + X21 + X31 + X41 = 1,
X12 + X22 + X32 + X42 = 1,
X13 + X23 + X33 + X43 = 1,
X14 + X24 + X34 + X44 = 1,
dimana Xij X {0, 1} untuk i, j = 1, 2, 3, 4.
Tabel transportasi dari permasalahan di atas adalah sebagai berikut.
ke
1 2 3 4 Supply
dari
28 11 30 15
X11 X12 X13 X14
1 1
12 30 28 21
2 X21 X22 X23 X24 1
13 23 28 10
3 X31 X32 X33 X34 1
17 24 21 40
4 X41 X42 X43 X44 1

Demand 1 1 1 1 4

Dimana Xij  { 0,1}, i,j = 1,2,…,n.

Jadi masalah penugasan dapat diselesaikan menggunakan metode metode pada masalah transportasi. Di
pihak lain dengan kekhususannya, yaitu jumlah penawaran setiap sumber dan jumlah permintaan setiap tujuan
adalah 1 dan Xij  { 0,1}, i,j = 1,2,…,n maka berkembang metode-metode khusus untuk masalah penugasan.
Salah satunya, yang akan diperkenalkan di bab ini adalah suatu metode yang disebut metode Hungarian.

106
6.2 Metode Hungarian
Metoda Hungarian mula-mula dikembangkan oleh seorang ahli matematika berkebangsaan Hungaria
yang bernama D König pada tahun 1916. Untuk dapat menerapkan metode Hungarian, jumlah sumber harus
sama dengan jumlah tugas (tujuan). Pertama-tama buatlah tabel efektivenessnya. Perhatikan bahwa secara umum
bentuk tabel efektivenessnya adalah sebagai berikut.

ke
1 2 3 … n
dari
1 C11 C12 C13 … C1n

2 C21 C22 C23 … C2n

3 C31 C32 C33 … C3n

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

n Cn1 Cn2 Cn3 Cnn

Langkah-langkah selanjutnya pada metode ini dibagi menjadi 4 step sebagai berikut:
Algoritma Metode Hungarian
Step 1. Pilih elemen terkecil baris pertama pada tabel efektiveness. Kurangi setiap elemen baris pertama
sebesar elemen tersebut. Ulangi prosedur diatas untuk baris-naris lain.
Step 2. Pilih elemen terkecil kolom pertama. Kurangi setiap elemen kolom pertama sebesar elemen tersebut.
Ulangi prosedur ini untuk kolom-kolom lain.
Step 3. Tarik sejumlah minimum baris horisontal dan/atau vertikal untuk meliput seluruh elemen bernilai nol.
Bila jumlah baris sama dengan jumlah baris penugasan sudah optimal. Pilih elemen-elemen bernilai
nol yang mungkin sebagai penugasan-penugasan yang dipilih.
Step 4. Pilih elemen terkecil yang belum terlewati garis. Kurangi elemen-elemen yang belum terliput garis
sebesar nilai elemen terkeci; tersebut. Tambah elemen-elemen yang terletak diperpotongan dua garis
sebesar nilai elemen terkecil tersebut. Kembali ke step 3.

Pada contoh usaha konveksi di atas, dengan menggunakan metode Hungarian pada akhir step 1 akan didapat tabel
berikut.

I II III IV
A 17 0 19 4
B 0 18 16 9
C 3 13 18 0
D 0 7 4 23
Kemudian pada akhir step 2 akan didapat
tabel berikut.

I II III IV

A 17 0 15 4
B 0 18 12 9
C 3 13 14 0
Pada akhir step 3 D 0 7 0 23 akan didapat tabel
berikut.

107
 I II III IV

A 17 0 15 4
B 0 18 12 9
C 3 13 14 0
Karena jumlah baris D 0 7 0 23 sama dengan jumlah baris
maka penugasan sudah optimal.
Elemen-elemen nol yang merupakan pilihan penugasan yang optimal bisa kita tentukan elemen A-II, B-I, C-IV
dan D-III.
Sehingga penyelesaian dari masalah penugasan tersebut adalah: Supaya waktu minimal maka alokasi penugasan
terhadap perkerja usaha konveksi tersebut adalah sebagai berikut:
 Pekerja A menjahit menggunakan mesin jahit II,
 Pekerja B menjahit menggunakan mesin jahit I,
 Pekerja C menjahit menggunakan mesin jahit IV,
 Pekerja D menjahit menggunakan mesin jahit III.
Pada contoh di atas tanpa iterasi kebetulan langsung didapat penyelesaian optimal. Berikut ini akan
diberikan contoh lain dimana kita baru mendapat penyelesaian setelah melakukan beberapa iterasi: The Aphid car
hire company has one car each of five locations. Aphid has a customer in each of five other locations requiring a
vehicle. The mileages between the car locations and the customers are:

Vehicle Locations

1 2 3 4 5
Customer Locations
1 16 10 14 24 14
2 21 26 15 20 19
3 20 18 20 21 19
4 25 15 18 24 19
5 25 12 20 27 14
To minimise overall mileage how must we sign the cars?

Permasalahan tersebut bisa diselesaikan menggunakan metode Hungarian sebagai berikut.

Dari tabel efektiveness di atas, pada akhir step 2 dari algoritma Hungarian akan didapat tabel sebagai berikut.

1 2 3 4 5
1 4 0 4 11 3
2 4 11 0 2 3
3 0 0 2 0 0
4 8 0 3 6 3
5 11 0 8 12 1

Pada akhir step 3 didapat:

1 2 3 4 5

1 4 0 4 11 3
2 4 11 0 2 3
3 0 0 2 0 0
4 8 0 3 6 3
5 11 0 8 12 1

Karena jumlah garis lebih kecil dari jumlah baris maka proses dilanjutkan ke step 4, sehingga didapat matrix
berikut.

108
 1 2 3 4 5

1 3 0 3 10 2
2 4 12 0 2 3
3 0 1 2 0 0
4 7 0 2 5 2
Setelah iterasi 5 10 0 7 11 0 step 3 dan step 4
sebanyak tiga kali kita dapatkan hasil yang optimal sebagai berikut.

1 2 3 4 5
1 0 0 1 7 8
2 3 14 0 1 3
3 0 4 3 0 1
4 4 0 0 2 0
Jadi untuk kasus 5 9 2 7 10 0 ini didapatkan
penyelesaian optimal sebagai berikut.
To minimize overall mileage, car must be signed as follow:

Customer Location Vehicle Location

1 1
2 3
3 4
4 2
5 5
Tugas
kelompok
1. Pada algoritma Hungarian di atas, diskusikan cara menentukan penarikan garis dengan jumlah
minimum pada step 3.
2. Diskusikan juga cara pemilihan elemen-elemen nol pada step 4 untuk memperoleh pengalokasian
penugasan yang optimal.
3. Modifikasi metode di atas untuk memperoleh penyelesaian kasus optimalisasi.
4. Carilah kasus-kasus nyata yang dapat dimodelkan ke model masalah penugasan dan selesaikanlah!.

Latihan
1. Suatu perusahaan kecil mempunyai 4 pekerjaan yang berbeda untuk diselesaikan oleh 4 karyawan. Biaya
penugasan seorang karyawan untuk pekerjaan yang berbeda adalah berbeda karena sifat pekerjaan yang
berbeda-beda. Setiap karyawan mempunyai tingkat ketrampilaan, pengalaman kerja dan latar belakang
pendidikan serta latihan yang berbeda pula. Sehingga biaya penyelesaian pekerjaan yang sama oleh para
karyawan-karyawan yang berlainan juga berbeda. Matrix pada tabel di bawah menunjukkan biaya penugasan
karyawan untuk bermacam-macam pekerja
Pekerjaan

I II III IV
Karyawan
A 15 20 18 22
B 14 16 21 17
C 25 20 23 20
D 17 18 18 16
* Dalam ribuan rupiah.

Tentukan skedul penugasan yang optimal, dengan biaya yang minimum.

2. Acme Enterprises has five contracts to be distributed among five possible firms. Each firm will be given one
contract and the cost estimates (in $1000 units) for each firm on the contracts that it could handle are given
below.

109
 Contract

I II III IV V
Firm
A 35 15 - 30 30
B 25 20 15 25 40
C 20 - 30 20 50
D 15 40 35 15 40
E 10 50 40 30 35

How should the contracts be assigned to the firms so as to minimize total cost?
3. A local authority has four contracts to be allocated to four firms that have submitted tenders. Each firm will
be awarded exactly one contract. Details of the tenders submitted (in units of $10.000) are:
Contract
1 2 3 4
A 3 5 10 15

B 4 7 15 18
Firm
C 8 12 20 20

D 5 5 8 10

Which contract should go to each firm in order to minimize cost overall?

4. Pada soal latihan no.5 di bab 5, andaikan perlu disewa kendaraan truk (berikut supir) untuk pengangkutan,
dimana setiap truk hanya dapat dipakai untuk mengangkut batu dari suatu lokasi galian ke suatu lokasi
konstruksi. Setiap truk dapat mengangkut 5 ton (dan biayanya adalah lima kali Biaya pengangkutan per ton
yang diketahui sebelumnya). Hanya truk-truk yang penuh akan dipakai untuk mensuplay setiap lokasi.
Modelkan permasalahana ini dalam model masalah penugasan dan selesaikan.

5. Pelatih suatu tim renang tertentu hanya menugaskan perenang-perenang ke suatu tim campuran 200 meter
untuk dikirim ke olimpiade junior. Karena kebanyakan perenang-perenang terbaiknya sangat cepat dalam
lebih dari satu gaya renang tidak jelas perenang mana harus ditugaskan kepada masing-masing dari empat
gaya yang ada. Kelima perenang tercepat dan waktu-waktu terbaik (dalam detik) yang pernah mereka capai
untuk masing-masing gaya renang (untuk 50 meter) adalah:

Gaya Ali Beni Coki Dono Edo

Gaya punggung 37,7 32,9 33,8 37,0 35,4
Gaya dada 43,4 33,1 42,2 34,7 41,8
Gaya kupu-kupu 33,3 28,5 38,9 30,4 33,6
Gaya bebas 29,2 26,4 29,6 28,5 33,1

Pelatih tersebut ingin menentukan bagaimana menugaskan empat peranang ke empat gaya yang berbeda agar
meminimumkan jumlah waktu terbaik yang bersangkutan. Selesaikan permasalahan ini dengan
menggunakan metode penugasan.

110
 Kepustakaan

1. Caccetta, L. et. al (1998), Optimization: techniques and applications vol I, Curtin University Press,
Perth.
2. Caccetta, L. et. al (1998), Optimization: techniques and applications vol II, Curtin University Press,
Perth.
3. Chavtal , V. (1983), Linear Programming , San Franscisco: Freeman.
4. Lieberman, G. J and Hillier, F. S (1990), Introduction to Operations Research, McGraw-Hill Book Co,
Singapore.
5. Pervan, G. (1990), proceeding 10th Australian Society for Operation Research (ASOR) conference,
Perth.
6. Subagyo, P., Asri, M. dan Handoko, T. H. (1992), Dasar-dasar Operations Research, BPFE-
Yogyakarta.
7. Sutton, D. J., Pearce, C.E.M.and Cousins, E.A. (1993), Decision Sciences: Tools for Today, proceeding
12th ASOR conference, Adelaide.
8. Wilkes, Frances Michael (1987), Elements of Operations Research, McGraw-Hill Book Co, Singapore.
9. Winston, W. L. (1987), Operation Research: Applications and Algorithms, PWS-Kent, Boston

111
 DATA PENULIS

1. Drs. Sarwadi, M.Sc, Ph.D, lahir di Klaten 20 April 1965, Lulus sebagai sarjana S1 (Drs) Matematika
Jurusan Matematika FMIPA UGM Tahun 1988 dan sebagai Magister of Science (MSc) bidang Operation
Research dari Curtin University of Technology Australia Tahun 1995, Tahun 2002 menyelasaikan Program
Doktor Bidang Operation Reearch pada Curtin University of Technology Australia. Sejak Tahun 1989
menjadi tenaga pengajar tetap Jurusan Matematika FMIPA UNDIP sampai sekarang. Di samping itu juga
sebagai reviewer Jurnal Matematika dan Komputer sejak 2002 dan reviewer Proceeding SEAMS-GMU
sejak Tahun 2003.

2. Drs. Bayu Surarso, M.Sc, Ph.D, lahir di Purwokerto 5 November 1963, lulus sarjana S1 (Drs)
Matematika Jurusan Matematika FMIPA UGM Tahun 1987. Pada Tahun 1995 memperoleh gelar Magister
of Science pada Hiroshima University Jepang. Gelar Doktor diperoleh pada Universitas yang sama pada
Tahun 1998. Di samping sebagai pengajar tetap Jurusan Matematika FMIPA UNDIP sejak Tahun 1988 pada
awal Tahun 2000 sampai akhir tahun 2003 pernah menjabat sebagai ketua Jurusan Matematika FMIPA
UNDIP. Mulai Tahun 2004 hingga sekarang manjabat sebagai ketua Laboratorium Palayanan dan
Komputasi.

Buku ajar yang telah ditulis

- Matematika Dasar I Tahun 2002
- Pengantar Logika Matematika Tahun 2002

3. Bambang Irawanto, S.Si, M.Si, lahir di Semarang 29 Juli Tahun 1967. Lulus sarjana S1 (S.Si)
Matematika Jurusan Matematika FMIPA UNDIP Tahun 1993 dan sebagai Magister Sains (M.Si)
Matematika Jurusan Matematika FMIPA UGM Tahun 2002, sejak Tahun 1994 menjadi pengajar tetap
Jurusan Matematika FMIPA UNDIP.

Buku ajar yang telah ditulis:

- Metode Diskret Tahun 2002
- Pengantar Logika Matematika Tahun 2002

112