Pada bagian ini akan dijelaskan metode fundamental dalam masalah program linear.
Sumber rujukan:
1. M.S. Bazaraa, J.J. Jarvis, dan H.D. Sherali, ”Linear Programming and Network Flows”, John Wiley & Sons, 1990
Minimum z = ct x (1)
dengan kendala
Ax = b
(2)
x ≥ 0.
Misalkan x1 , · · · , xk titik-titik ekstrim dan d1 , · · · , dl vektor-vektor arah ekstrim
dari himpunan kendala (himpunan konveks) X = {x : Ax = b, x ≥ 0}. Dari teori
sebelumnya, setiap vektor x ∈ X dapat dituliskan sebagai
∑
k ∑
l
x= λi xi + µi dj ,
i=1 j=1
∑
k
dimana λi = 1, λi , µj ≥ 0. Masalah (1) dapat dituliskan kembali menjadi
i=1
∑
k ∑
l
Minimum z = (ct xi )λi + (ct dj )µj (3)
i=1 j=1
dengan kendala
∑
k
λi = 1
i=1 (4)
λi , µj ≥ 0.
Dalam hal ini parameter µj adalah parameter bebas yang nilainya dapat dipilih
sesuai kebutuhan. Dari Persamaan (3) dapat diamati:
• jika (ct dj ) < 0 untuk suatu j, maka µj yang bersesuaian dapat dipilih sem-
barang cukup besar sehingga nilai minimumnya menjadi −∞.
• jika (ct dj ) ≥ 0 untuk semua j, maka µj yang bersesuaian dapat dipilih berni-
lai nol. Selanjutnya, untuk meminimumkan fungsi obyektif cukup dipilih nilai
minimum dari (ct xi ), misalnya nilai minimum dicapai pada saat (ct xp ), kemu-
dian memilih λp = 1 dan λj lainnya dipilih bernilai nol.
1
Hal yang dapat disimpulkan: solusi optimal masalah program linear adalah hingga
jika dan hanya jika (ct dj ) ≥ 0 untuk semua arah ekstrim di X. Lebih jauh lagi, titik
yang meminimum fungsi obyektif dapat diperoleh dengan cara memilih nilai fungsi
obyektif minimum dari semua titik-titik ekstrim yang ada. Hal ini mengindikasikan
bahwa jika solusi optimal ada, maka titik ekstrim optimal juga ada.
(a) Jika masalah pemograman linear tersebut mempunyai solusi feasibel, maka ia
mempunyai solusi feasibel basis.
(b) Jika masalah pemograman linear tersebut mempunyai solusi feasibel optimal,
maka ia mempunyai solusi feasibel basis optimal.
Bukti (a): Misalkan A = [a1 , · · · , an ] dengan aj kolom ke-j dari matriks A. Mi-
salkan pula x = (x1 , · · · , xn ) menyatakan suatu solusi feasibel. Solusi ini dapat
dinyatakan dalam kolom-kolom matriks A sebagai
x1 a1 + · · · + xn an = b.
2
Selanjutnya, asumsikan terdapat tepat p komponen x bernilai positif. Tanpa men-
gurangi keberlakuan secara umum, misalkan p komponen pertama bernilai positif,
x1 , x2 , · · · , xp > 0. Dengan demikian,
x1 a1 + · · · + xp ap = b. (5)
Akan ditunjukkan bahwa dari Xp = (x1 , · · · , xp ) dapat dikonstruksi suatu BFS. Hal
ini dapat diperoleh dengan memperhatikan kebebas linearan himpunan {a1 , · · · , ap }:
• Kasus Xp himpunan bergantung linear. Untuk kasus ini maka terdapat paling
sedikit satu konstanta tak nol yj (selanjutnya diasumsikan bernilai positif)
sehingga
y1 a1 + · · · + yp ap = 0.
Kalikan persamaan ini dengan suatu skalar ε kemudian persamaan yang di-
hasilkan dikurangkan dengan Persamaan (5) akan diperoleh
Persamaan (6) berlaku untuk setiap ε, dan untuk setiap ε komponen (xj − εyj )
merupakan solusi persamaan linear (meskpun tidak ada jaminan bahwa (xj −
εyj ) ≥ 0 untuk setiap j. Tulis y = (y1 , y2 , · · · , yp , 0, · · · , 0). Kita perhatikan
| {z }
(m−p)
bahwa untuk setiap ε maka vektor
x − εy (7)
3
Untuk nilai ε tersebut, vektor (7) merupakan solusi feasibel yang memiliki
paling banyak (p − 1) komponen positif. Ulangi prosedur ini jika diperlukan
sehingga kita akan menghilangkan komponen positif sampai dengan kita mem-
peroleh suatu solusi feasibel yang terkait dengan kolom-kolom matriks A yang
bebas linear (mengapa?). Untuk proses selanjutanya, kasus himpunan bebas
linear dapat diterapkan.
Bukti (b): penurunan bukti serupa dengan kasus (a). Khusus untuk kasus Xp
himpunan bergantung linear, perlu ditambahkan bahwa untuk setiap ε solusi (7)
adalah optimal. Hal ini dapat dilakukan dengan cara berikut. Misalkan telah diper-
oleh bahwa x solusi feasibel optimal. Untuk setiap ε dimana vektor (7) merupakan
solusi feasibel, pandang fungsi obyektif untuk vektor tersebut yang diberikan oleh
Andaikan ct y ̸= 0. Kita dapat menentukan besar dan tanda ε yang sesuai sedemikain
sehingga vektor (7) tetap feasibel tetapi (8) kurang dari ct x. Hal ini bertentangan
bahwa x solusi feasibel optimal. Maka haruslah ct y = 0.
Teorema di atas mereduksi cara pencarian solusi persamaan linear yaitu melalui pen-
carian BFS, meskipun tampaknya cara ini belum efisien. Untuk masalah pemogra-
man dengan n variabel dan m kendala, maka paling banyak terdapat n!/(m!(n−m)!)
solusi basis (berhingga kemungkinan).
x1 a1 + · · · + xm am = b,
Karena 0 < λ < 1 dan semua komponen x, y, z tak negatif, maka (n−m) komponen
terakhir dari y dan z haruslah nol. Selanjutnya kita peroleh (mengapa?)
y1 a1 + · · · + ym am = b,
4
dan
z1 a1 + · · · + zm am = b.
Karena a1 , · · · , am bebas linear, maka x = y = z (mengapa?), atau dengan kata
lain x titik ekstrim dari K.
Misalkan x merupakan titik ekstrim dari K. Misalkan pula k komponen pertama
dari x tak nol. Pandang
x1 a1 + · · · + xk ak = b, xj > 0, j = 1, · · · , k.