LECTURE NOTES

ISYE6189- Deterministic Optimation and

Stochatics Processes

Topic 2
Simplex Method

ISYE6189-Deterministic Optimation and Stochatics Processes

 LEARNING OUTCOMES

LO1: Explain objectives and constraints based on problem descriptions in mathematical

optimization models

OUTLINE MATERI (Sub-Topic):

1. Transition form Graphical to Algebraic Solution.
2. Contoh tabulasi Simplex
3. BIG M method
4. Two phase method
5. Duality Theory

ISYE6189-Deterministic Optimation and Stochatics Processes

 ISI MATERI

1. Transition form Graphical to Algebraic Solution.

Metode grafik tidak dapat menyelesaikan persoalan linear program yang memilki variabel
keputusan yang cukup besar atau lebih dari dua, maka untuk menyelesaikannya digunakan
Metode Simpleks. Metode simpleks merupakan salah satu teknik penentuan solusi optimal yang
digunakan dalam pemograman linear. Penentuan solusi optimal didasarkan pada teknik eliminasi
Gauss Jordan. Penentuan solusi optimal dilakukan dengan memeriksa titik ekstrim (ingat solusi
grafik) satu per satu dengan cara perhitungan iteratif. Sehingga penentuan solusi optimal dengan
simpleks dilakukan dengan tahap demi tahap yang disebut iterasi.

Metode penyelesaian program linier dengan metode simpleks pertamakali dikemukakan

oleh George Dantzig pada tahun 1947. Metode ini menjadi terkenal ketika ditemukan alat hitung
elektronik dan menjadi poluler ketika munculnya komputer. Proses perhitungan metode ini
dengan melakukan iterasi berulang-ulang sampai tercapai hasil optimal dan proses perhitungan
ini menjadi mudah dengan komputer. Selanjutnya berbagai alat dan metode dikembangkan untuk
menyelesaikan masalah program linear bahkan sampai pada masalah riset operasi hingga tahun
1950an seperti pemrograman dinamik, teori antrian, dan persediaan

Pada sesi sebelumnya dijelaskan bahwa permasalahan harus diterjemahkan kedalam

bentuk atau model matematik. Berdasarkan model matematik tersebut dapat diperoleh solusi dari
permasalahan pemrograman linier. Akan tetapi model matematik yang dihasilkan merupakan
model matematik yang bentuknya ketidaksamaan. Sedangkan, untuk dapat diselesaikan secara
matematik secara eksak model matematik harus berbentuk persamaan. Maka, model matematik
yang bersifat ketidaksamaan tersebut harus diubah menjadi model matematik yang bersifat
persamaan. Cara untuk merubah atau mengkonversikannya akan dijelaskan pada bagian ini.

MODEL PROGRAMA LINIER DALAM BENTUK PERSAMAAN.

Perhatikan model matematik standar adalah sebagai berikut:

Fungsi Tujuan : Maksimum / Minimum 𝑍 = 𝐶1 𝑋1 + 𝐶2 𝑋2 . . . + 𝐶𝑛 𝑋𝑛

Fungsi Pembatas :

1. 𝑎11 𝑥1 + 𝑎12 𝑋2 . . . + 𝐶1𝑛 𝑋𝑛 ≤ = ≥ 𝑏1

2. 𝑎21 𝑥1 + 𝑎22 𝑋2 . . . + 𝐶2𝑛 𝑋𝑛 ≤ = ≥ 𝑏2
3. . . . . .
4. . . . . .

ISYE6189-Deterministic Optimation and Stochatics Processes

 5. 𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑋2 . . . + 𝐶𝑚𝑛 𝑋𝑛 ≤ = ≥ 𝑏𝑚

𝑥1 , 𝑥2 , . . . . 𝑥𝑛 ≥ 0

Pada Model matematik standar untuk permasalahan programa linier terlihat tanda
ketidaksamaan (≤ = ≥) yang harus diterjemahkan menjadi persamaan, untuk itu ada beberapa
aturan yang harus dipahami supaya solusi untuk permasalahan programa linier dapat diperoleh.

Aturan Merubah Ketidaksamaan Ke Persamaan Model Lp.

Beberapa cara mentranformasi permasalahan programa linier, yaitu:

a. Fungsi Minimasi, sama dengan maksimasi dari
Minimasi x = c x + c x + . . . + c x
0 1 1 2 2 n n

Sama dengan

Maksimasi g0 = -x = - c x - c x - . . . - c x
0 1 1 2 2 n n

b. Ketidaksamaan pada satu arah (, atau ) dapat diubah menjadi ketidaksamaan pada arah
berlawanan (, atau )
Contoh : a x + a x  b
1 1 2 2

ekuivalen dengan
- a x - a x  -b
1 1 2 2

Atau
a x +a x b
1 1 2 2

ekuivalen dengan

- a x - a x  -b
1 1 2 2

c. Bila fungsi pembatas dalam bentuk persamaan dapat diubah menjadi dua bentuk
ketidaksamaan.
Contoh : a x +a x = b
1 1 2 2

menjadi

a x +a x b dan a x +a x  b
1 1 2 2 1 1 2 2

Atau

ISYE6189-Deterministic Optimation and Stochatics Processes

 a x +a x b dan - a x - a x  -b
1 1 2 2 1 1 2 2

d. Batasan dalam bentuk ketidaksamaan dengan ruas kiri bernilai absolut dapat diubah
menjadi dua ketidaksamaan.
Contoh : | a1x1 + a2x2 |  b untuk b  0
menjadi : a1x1 + a2x2  -b dan a1x1 + a2x2  b

| a1x1 + a2x2 |  b untuk b  0

menjadi : a1x1 + a2x2  b dan a1x1 + a2x2  -b

e. Ketidaksamaan diubah menjadi persamaan dengan cara :

• Untuk penyelesaian masalah programa linier, pembatas yang berbentuk
ketidaksamaan harus dirubah menjadi persamaan.
• Bila bentuk ketidaksamaannya adalah , untuk menjadi persamaan harus
dikurangi sebesar S, biasanya disebut susrplus variabel.
• Bila bentuk ketidaksamaannya adalah , untuk menjadi persamaan harus
ditambah sebesar S, biasanya disebut slack variabel.

Sebagai contoh :

Maksimasi : x0 = x1 - 3x2

Fungsi Pembatas :

- x1 + 2x2  5 → - x1 + 2x2 + S1 = 5

x1 + 3x2  10 → x1 + 3x2 - S2 = 10

x1, x2  0

Transisi dari solkusi grafis ke aljabar.

Ide-ide yang disampaikan oleh solusi LP grafis dalam kuliah sebelumnya meletakkan landasan
bagi pengembangan metode simpleks aljabar. Gambar berikut dtunjukkan menarik paralel antara
dua metode. Dalam metode grafis, ruang solusi yang digambarkan oleh halfspaces mewakili
kendala, dan dalam metode simpleks ruang solusi adalah diwakili oleh m simultan persamaan
linear dan n variabel non-negatif.

ISYE6189-Deterministic Optimation and Stochatics Processes

 Metoda Grafis Metoda Aljabar

Menggambarkan grafis semua batasan, Merepresntasi ruang solusi dengan m

termasuk batasan non-negative.
Ruang sokusi terdiri dari titik layak tak
hingga
persamaan dalam n variabel dan dibatasi
semua variabel kepada nilai non-negative,
m<n
Sistem mempunyai solusi layak

Identifikasi titik sudut layak dari ruang
solusi
Kandidat untuk optimal solusi yang
diberikan oleh suatu nilai pasti dari titik
sudut
Menetapkan ‘feasible basic solution dari
persamaan
Kandidat untuk solusi optimal yang
diberikan oleh angka tertentu dari ‘basic
feasible solution’

Menggunakan fungsi obyektif untuk Menggunakan fungsi obyektif untuk

menetapkan titik sudut optimal dari semua menetapkan optimal ‘basic feasible
kandidat. solution’ diantara semua kandidat.

Secara visual dapat dilihat mengapa ruang solusi grafis memiliki jumlah tak terbatas dari poin
solusi, tapi bagaimana kita bisa menarik kesimpulan serupa dari sudut pandang aljabar untuk
merepresentasikan ruang solusi? Jawabannya adalah bahwa dalam representasi aljabar jumlah
persamaan m selalu kurang dari atau sama dengan jumlah variabel n.

1. Jika m = n, dan persamaan konsisten, sistem hanya memiliki satu solusi; tetapi
2. Jika m <n (yang mewakili mayoritas Linear Programming), maka sistem persamaan, jika
konsisten, akan menghasilkan jumlah solusi tak terbatas.

Untuk memberikan ilustrasi sederhana, persamaan x = 2 memiliki m = n = 1, dan solusinya

adalah jelas unik. Tapi, persamaan x + y = 1 memiliki m = 1 dan n = 2, dan menghasilkan jumlah
tak terbatas solusi (setiap titik pada garis lurus x + y = 1 adalah solusi).

Setelah menunjukkan bagaimana ruang solusi LP direpresentasikan secara aljabar, kandidat untuk
optimal (yaitu, titik sudut) ditentukan secara simultan dari persamaan linear dengan cara berikut:

Penentuan Pojok Points Secara Aljabar.

Dalam satu set m x n persamaan (m <n), jika kita menetapkan n - m variabel sama dengan nol
dan kemudian memecahkan m persamaan untuk variabel m yang tersisa, solusi yang dihasilkan,
jika yang unik, disebut solusi dasar dan harus sesuai dengan (layak atau tidak layak) titik sudut
dari ruang solusi. Ini berarti bahwa jumlah maksimum sudut poin adalah:

ISYE6189-Deterministic Optimation and Stochatics Processes

 𝑛
𝑛!
𝐶𝑚 =
𝑚! (𝑛 − 𝑚)!

Contoh berikut mepertunjukkan bagaimana prosedurnya:

Diketahui Programa Linier dengan 2 variabel :

Maksimasi Z = 2 X1 + 3 X2

Pembatas :

2 X1 + X2 ≤ 4
X1 + 2 X2 ≤ 5
X1, X2 ≥ 0

Pada gambar berikut diberikan ruang solusi grafis untuk suatu masalah programa linier seperti
pada bentuk diatas:

B C

D E
A

Secara aljabar, bentuk dari model matematik yang telah diubah dari ketidaksamaan
menjadi persamaan adalah sebagai berikut:

2 X1 + X2 + S1 = 4

X1 + 2 X2 + S2 = 5

X1, X2, S1, S2 ≥ 0

System persamaan diatas mempunyai m = 2 persamaan dan n = 4 variabel. Maka berdasarkan

aturan yang diberikan, titik sudut dapat ditetapkan secara aljabar dengan mengatur n – m = 4 –

ISYE6189-Deterministic Optimation and Stochatics Processes

2 = 2 variabel sama dengan 0 dan kemudian menyelesaikan sisanya m = 2 variabel. Sebagai
contoh, jika dibuat X1 = 0 dan X2 = 0, persamaan memberikan solusi dasar

S1 = 4, S2 =5

Untuk titik yang lainnya dapat dilakukan perhitungan dengan menetapkan nilai S1 = 0 dan
S2 = 0 sehingga dari persamaan standarnya menjadi :

2 X1 + X2 ≤ 4
X1 + 2 X2 ≤ 5
Dari kedua persamaan diatas akan diperoleh = 1, = 2 yaitu ada pada titik C pada gambar
diatas.

Seperti yang telah dinyatakan pada bentuk formula kombinasi yang menghitung jumlah titik yang
layak untuk nilai optimum dari persamaan programa linier.

4!
𝐶24 = = 6 𝑡𝑖𝑡𝑖𝑘 𝑠𝑢𝑑𝑢𝑡
2! (4 − 2)!

Kalau dilihat pada gambar grafik diatas, ada 4 titik sudut hasil perpotongan gari-garis dari
persamaan pada model programa liniernya, yaitu : A, B, C, D. Akan tetapi dari hasil perhitungan
jumlah titik yang terbentuk seharusnya ada 6 titik. Sebenarnya titik E dan F juga merupakan titik
dari permasalahan akan tetapi titik tersebut tidak layak karena titik tersebut tidak memenuhi
syarat dari persamaan-persamaan yang membentuk batasan.

Dengan menyimpulkan transisi dari solusi secara grafis ke bentuk aljabar, nilai nol dari n-
m variabel diketahui sebagai variabel non basis. Sisa dari m variabel disebut variabel basis dan
solusinya (diperoleh dengan menyelesaikan m persamaan) mengacu pada solusi basis. Tabel
berikut menunjukkan tersebut :

Variabel Variabel Solusi Basis Titik Sudut Layak ? Nilai Tujuan,

Non Basis
Basis Z
(Null)
(X1, X2 ) (S1, S2) (4, 5) A Ya 0
(X1, S1 ) (X2, S2) (4, -3) F Tidak --
(X1, S2 ) (X2, S1) (2.5, 1.5) B Ya 7.5
(X2, S1 ) (X1, S2) (2, 3) D Ya 4
(X2, S2 ) (X1, S1) (5, -6) E Tidak --
(S1, S2 ) (X1, X2) (1, 2) C Ya 8
(Optimal)

ISYE6189-Deterministic Optimation and Stochatics Processes

MODEL PROGRAMA LINIER DALAM BENTUK PERSAMAAN.

Perhatikan Model matematik Programa Linier standar berikut :

Fungsi Tujuan :

Maksimum / Minimum 𝑍 = 𝐶1 𝑋1 + 𝐶2 𝑋2 . . . + 𝐶𝑛 𝑋𝑛

Fungsi Pembatas :

6. 𝑎11 𝑥1 + 𝑎12 𝑋2 . . . + 𝐶1𝑛 𝑋𝑛 ≤ = ≥ 𝑏1

7. 𝑎21 𝑥1 + 𝑎22 𝑋2 . . . + 𝐶2𝑛 𝑋𝑛 ≤ = ≥ 𝑏2
8. . . . . .
9. . . . . .
10. 𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑋2 . . . + 𝐶𝑚𝑛 𝑋𝑛 ≤ = ≥ 𝑏𝑚

𝑥1 , 𝑥2 , . . . . 𝑥𝑛 ≥ 0

Berdasarkan model diatas, yang merupakan model matematik yang bersifat

ketidaksamaan perlu diubah menjadi persamaan. Pada model ketidaksamaan ada dua yang
menyatakan ketidaksamaan yaitu ketidaksamaan lebih besar sama dengan ≥ dan ketidaksamaan
lebih kecil sama dengan ≤ .Pembentukan model matematik ketidaksamaan menjadi persamaan
supaya dapat diselesaikan dengan metoda simplek perlu untuk diketahui sebagai berikut :

1) Apabila ketidaksamaan merupakan ketidaksamaan dengan tanda lebih kecil sama

dengan (≤ ), harus ditambahkan satu variabel yang disebut slack variabel. Sebagai
contoh dapat dilihat berikut :
𝑎11 𝑥1 + 𝑎12 𝑋2 . . . + 𝐶1𝑛 𝑋𝑛 ≤ 𝑏1
menjadi :
𝑎11 𝑥1 + 𝑎12 𝑋2 . . . + 𝐶1𝑛 𝑋𝑛 + 𝑆1 = 𝑏1

2) Apabila ketidaksamaan merupakan ketidaksamaan dengan tanda lebih besar sama

dengan (≥ ), harus ditambahkan satu variabel yang disebut slack variabel. Sebagai
contoh dapat dilihat berikut :

𝑎11 𝑥1 + 𝑎12 𝑋2 . . . + 𝐶1𝑛 𝑋𝑛 ≥ 𝑏1

menjadi :
𝑎11 𝑥1 + 𝑎12 𝑋2 . . . + 𝐶1𝑛 𝑋𝑛 − 𝑆1 = 𝑏1

ISYE6189-Deterministic Optimation and Stochatics Processes

 Setelah menterjemahkan dari ketidaksamaan menjadi persamaan, maka dengan model
persamaan tersebut dapat diperoleh solusinya dengan menggunakan Metoda Simpleks. Untuk itu
perlu mengenal dengan baik metoda simpleks ini.

2. Metode dan Tabulasi Simpleks.

Metode simplex adalah prosedur algoritma yang digunakan untuk menghitung dan
menyimpan banyak angka pada iterasi-iterasi yang sekarang dan untuk pengambilan keputusan
pada iterasi berikutnya. Metode simplex secara eksplisit memakai manipulasi matriks maka
masalah harus dinyatakan dalam notasi matriks. Maksud yang lebih jelas yaitu pada metode
simplex model diubah ke dalam bentuk suatu tabel (matriks), kemudian dilakukan beberapa
langkah matematis pada tabel tersebut. Langkah-langkah matematis ini pada dasarnya merupakan
replikasi proses pemindahan dari suatu titik ke titik ekstrim batas solusi lainnya. Metode simplex
bergerak dari satu solusi yang lebih baik sampai solusi yang terbaik didapatkan Model
pemrograman linier ada 2 fungsi yaitu fungsi tujuan dan fungsi kendala (batasan). Semua kendala
(batasan) dan fungsi tujuan dimasukan ke dalam tabel masukan dengan memasukkan koefisien
setiap variabel, sebelum proses optimasi dilakukan. Optimasi ada 2 yaitu maksimasi dan
minimasi sehingga pemakai harus terlebih dahulu memilih jenis optimasi yang diinginkan. Hasil
akhir dari program ini adalah solusi optimal untuk setiap variabel batasan dan nilai optimal untuk
fungsi sasaran.
Tahap paling awal yang diperhatikan dalam metode simplex ini adalah tiga tahap yang dilakukan
pada linear programming yaitu
1. Masalah harus dapat diidentifikasi sebagai sesuatu yang dapat diselesaikan dengan Linear
Programming.
2. Masalah yang tidak terstruktur harua dapat dirumuskan dalam model matematika,
sehingga menjadi terstruktur.
3. Model harus diselesaikan dengan teknik matematika yang dibuat

Tahap selanjutnya merupakan tahap teknis yang secara umum ada dalam program linier, sebagai
berikut:

1. Menentukan variabel keputusan, dimana maksud dari variabel keputusan ini merupakan
simbol matematika yang menggambarkan tingkatan aktivitas perusahaan. Tahap ini
sebenarnya untuk mempermudah dalam menggunakan metode matematik, dengan
memutuskan memakai simbol matematik untuk hal yang ingin dihitung.
2. Membuat fungsi tujuan, yang dimaksudkan dari fungsi tujuan ini adalah hubungan
matematika linier yang menjelaskan tujuan perusahaan dalam terminologi variabel
keputusan. Jadi setelah ditentukan variabel keputusan, kemudian digunakan dalam
membuat fungsi (persamaan matematika) dari tujuan yang ingin dicapai perusahaan.

ISYE6189-Deterministic Optimation and Stochatics Processes

 3. Membuat batasan (kendala) model, dimana maksud dari fungsi batasan adalah hubungan
linier dari variabel keputusan yang menunjukkan keterbatasan perusahaan dalam
lingungan operasi perusahaan.

Dalam fungsi tujuan dan batasan model harus diberikan parameter, yaitu nilai numerik
yang aktual dan biasanya merupakan koefisien dari variabel (simbol) dalam persamaan.
Langkah-langkah selanjutnya merupakan inti dari penyelesaian metode simplex, yaitu:
1. Mengubah bentuk batasan model pertidakasamaan menjadi persamaan. Hal yang
dilakukan bisa menggunakan variabel pengurang (slack variable), dimana ini digunakan
untuk batasan kurang-dari-atau-sama-dengan (tanda “<” atau “<”) atau juga variabel
penambah (surplus variable), dimana digunakan untuk batasan lebih-dari-atau-sama-
dengan (tanda “>” atau “>”).
2. Membentuk tabel awal untuk solusi fisibel dasar pada titik original dan menghitung nilai-
nilai baris Zj dan Cj-Zj.
3. Menentukan kolom pemutar (variabel non dasar yang masuk) dengan cara memilih kolom
yang memiliki nilai positif tertinggi pada baris Cj-Zj.
4. Menentukan baris pemutar (variabel dasar yang keluar) dengan cara membagi nilai pada
kolom kuantitas dengan nilai-nilai pada kolom pemutar dan memilih baris dengan hasil
bagi nonnegatif terkecil.
5. Menhitung nilai baris pemutar yang baru dengan menggunkan formula:

Nilai Baris Pemutar Tabel Lama

Angka Pemutar
1. Menghitung nilai baris lainnya dengan formula:
a. Menghitung baris-baris Zj dan Cj-Zj yang baru.
b. Menentukan apakah solusi telah optimal dengan mengecek baris Cj-Zj. Jika semua
nilai Cj-Zj nol atau negatif, maka solusi sudah optimal, Jika masih bernilai positif,
dilakukan lagi mulai dari langkah ketiga dan seterusnya.

1. Minimumkan Z = 2 X1 + 5.5 X2

Kendala: X1 + X2 = 90
0.001 X1 + 0.002X2 ≤ 0.9
0.09 X1 + 0.6 X2 ≥ 27
0.02 X1 + 0.06 X2 ≤ 4.5
X1, X2 ≥ 0

Bentuk bakunya adalah:

Minimumkan Z = 2 X1 + 5.5 X2 + 0S1 + 0S2 + 0S3 + 0S4

ISYE6189-Deterministic Optimation and Stochatics Processes

 Terhadap: X1 + X2 + S1 = 90
0.001X1 + 0.002 X2 + S2 = 0.9
0.09 X1 + 0.6 X2 – S3 = 27
0.02 X1 + 0.06 X2 + S4 = 4.5
X1, X2, S1, S2, S3, S4 ≥ 0

2. Maksimumkan Z = 2X1 + 3X2

Kendala: 10 X1 + 5 X2 ≤ 600
6 X1 + 20 X2 ≤ 600
8 X1 + 15 X2 ≤ 600
X1, X2 ≥ 0
Bentuk Baku:
Maksimumkan Z = 2X1 + 3X2 + 0S1 + 0S2 + 0S3
Terhadap: 10X1 + 5 X2 + S1 = 600
6 X1 + 20 X2 + S2 = 600
8 X1 + 15 X2 + S3 = 600
X1, X2, S1, S2, S3 ≥ 0

1 3 4 5
2 6

Koefisien Diri
Var. X X X X ……………. Xn RHS
0 1 2 3
Basis bj Ratio
C C C ……………. C
1 2 3 n

C b a a a ……………. a
1 1 11 12 13 1n

C b a a a ……………. a
2 2 21 22 23 2n

C b a a a ……………. a
3 3 31 32 33 3n

. . . . . .

C b a a a ……………. a
m m mn m2 m3 mn

((a c ) – c )
∑ 𝒄𝒋 ∗ 𝒃𝒋 ij i j

7
Penjelasan Tabel Simpleks.

1. Kolom 1, berisi variabel basis yaitu variabel-variabel yang membentuk matrik satuan dari
kumpulan fungsi pembatas.
2. Kolom 2, berisi konstanta dari variabel basis yang terdapat pada fungsi tujuan.

ISYE6189-Deterministic Optimation and Stochatics Processes

 3. Kolom 3, berisi dari nilai bj,, yaitu nilai pada sisi kanan ketidaksamaan dari fungi
pembatas.
4. Kolom 4, Xi merupakan variabel keputusan, ci merupakan konstanta dari fungsi tujuan
5. Kolom 5, berisi konstanta dari persamaan - persamaan yang membentuk fungsi pembatas.
6. Kolom 6, berisi nilai hasil perhitungan untuk menentukan variabel basis yang
meninggalkan (bukan variabel basis lagi) dengan memilih bj/aij terkecil, dimana aij
 0.
7. Kolom 7, berisi nilai-nilai untuk menentukan variabel masuk atau ‘Entering Variable’
(calon variabel basis baru) dengan memilih nilai paling negatif untuk fungsi tujuan
maksimum atau sebaliknya untuk fungsi tujuan minimum dari perhitungan rumus ((aij
bj ) - cj).

Untuk penerapan simpleks, contoh berikut dapat memberi gambaran bagaimana melakukan
iterasi atas permasalahan programa linier sampai mendapatkan solusi optimalnya.

Model Ketidaksamaan Dikonversikan ke Model Persamaan

Maksimasi :X0 = 3X1 + 2X2 + 5X3 Maksimasi : X0 = 3X1 + 2X2 + 5X3

Pembatas : X1 + 2X2 + X3  430 Pembatas : X1 + 2X2 + X3 + S1 = 430
3X1 + 2X3  460 3 X1 + 2 X2 + S2 = 460
X1 + 4X2  420 2 X1 + X2 +S4 = 420
X1, X2 ,X3  0 X1, X2 ,X3 S1, S2 S3  0

Dari model persamaan diatas kemudian ditermahkan kedalam tabel simpleks sehingga dapat
diselesaikan untuk mendapatkan solusi optimalnya. Adapun bentuk tabel simpleksnya dan
langkah-langkah penyelesaian metoda simpleks nya adalah sebagai berikut :
1. Menterjemahkan dari model ketidaksamaan menjadi model persamaan (seperti diatas).
2. Dari model persamaan dikonversikan ke tabel simpleks seperti dibawah,
3. Variabel-variabel S1, S2, S3 yang membentuk matriks satuan

Koefisien Diri
Var. S1 S2 S3 RHS
X0 X1 X2 X3
Basis bj Ratio
4 2 5 0 0 0

S1 0 430 1 2 1 1 0 0
S2 0 460 3 0 2 0 1 0
S3 0 420 1 4 0 0 0 1

ISYE6189-Deterministic Optimation and Stochatics Processes

4. Menghitung ∑ 𝑐𝑗 ∗ 𝑏𝑗 dan ((aij bj ) - cj). pada komlom bawah dari tabel yang nantinya
digunakan untuk memilih variabel mana sebagai variabel yang masuk kedalam matriks basis
variabel (entering variabel) mengganti salah satu variabel basis.

Koefisien Diri
Var. RHS
X0 X1 X2 X3 S1 S2 S3
Basis bj Ratio
4 2 5 0 0 0

S1 0 430 1 2 1 1 0 0
S2 0 460 3 0 2 0 1 0
S3 0 420 1 4 0 0 0 1

0 -4 -2 -5 0 0 0

Entering variabel

5. Memilih yang akan menjadi ‘entering variabel’ dari nilai pada baris akhir tabel simplek. Nilai
yang terkecil akan dipilih menjadi ‘entering variabel’, dalam kasus ini adalah -5 yang berarti
variabel X3 menjadi ‘entering variabel’.
6. Langkah berikutnya adalah menetapkan variabel-variabel pada variabel basis yang akan
digantikan oleh ‘Entering variabel’ dalam contoh ini adalah X3 .Variabel yang akan
digantikan biasa disebut ‘Leaving variable’ dipilih dengan cara mengisi nilai pada kolom
RHS Ratio dari hasil pembagian kolom bi dengan kolom ‘Entering variable’, yaitu : 430, 230,
~ (~ = 420/0, pada kolom RHS Ratio nilai hasil pembagian yang dicantumkan adalah nilai
positif dan tidak tak hingga). Sebagai ‘leaving variable’ nya dipilih nilai terkecil dari RHS
Ratio, yaitu 230 berarti S2 sebagai ‘leaving variable’. Sehingga isian tabel menjadi sebagai
berikut :
Koefisien Diri
Var. RHS
X0 X1 X2 X3 S1 S2 S3
Basis bj Ratio
4 2 5 0 0 0

S1 0 430 1 2 1 1 0 0 430
S2 0 460 3 0 2 0 1 0 230
S3 0 420 1 4 0 0 0 1 -
‘Leaving
-2 variable’
0 -4 -5 0 0 0

Entering variabel

7. Setelah ‘leaving variable’ diperoleh, variabel S2 pada kolomVariabel Basis diganti dengan
variabel X3. Selain itu juga untuk nilai-nilai pada baris tersebut dibagi dengan 2 (nilai
semula,lihat pada tabel diatas, sehingga isi dari tabel menjadi :

ISYE6189-Deterministic Optimation and Stochatics Processes

 Koefisien Diri
Var. RHS
X0 X1 X2 X3 S1 S2 S3
Basis bj Ratio
4 2 5 0 0 0 Menjadi pivot point
untuk menentukan
S1 0 430 1 2 1 1 0 0 430 nilai pada baris
X3 0 230 1.5 0 1 0 0.5 0 230 lainnya
S3 0 420 1 4 0 0 0 1 -

0 -4 -2 -5 0 0 0

8. Baris variabel X3 menjadi pivot poin untuk menentukan nilai-nilai pada baris yang lainnya
dengan melakukan perhitungan sebagai berikut : (perhatikan tabel diatas)

3) Baris X3 : 230 1.5 0 1 0 0.5 0 (* -1)

4) Baris S1 : 430 1 2 1 1 0 0 (* 1) +
5) Nilai S1 baru : 200 -0.5 2 0 1 -0.5 0

• Baris X3 : 230 1.5 0 1 0 0.5 0 (*0)

• Baris S3 : 420 1 4 0 0 0 1 () +
• Baris S3 baru : 230 0 0 0 0,5 1 ()

Koefisien Diri
Var. RHS
X0 X1 X2 X3 S1 S2 S3
Basis bj Ratio
4 2 5 0 0 0

S1 0 200 0,5 2 0 1 -0,5 0

X3 5 230 1.5 0 1 0 0.5 0
S3 0 420 1 4 0 0 0 1

1150 3,5 -2 0 0 2,5 0

9. Berikutnya lakukan dari langkah 1 hingga langkah ke 8 berulang sampai nilai optimal tercapai
dengan syarat untuk tujuan maksimasi baris Cj-Zj lebih besar sama dengan nol atau positif,
sebaliknya untuk minimasi Cj-Zj lebih kecil sama dengan nol.

Koefisien Diri
Var. RHS
X0 X1 X2 X3 S1 S2 S3
Basis bj Ratio
4 2 5 0 0 0

S1 0 200 0,5 2 0 1 -0,5 0 100

X3 5 230 1.5 0 1 0 0.5 0 ‘Leaving
S3 0 420 1 4 0 0 0 1 105 variable’

0
1150 3,5 -2 0 2,5 0
Entering variabel

10. Dengan cara yang sama pada poin 8 maka diperoleh tabel simpleks berikut :

ISYE6189-Deterministic Optimation and Stochatics Processes

 Koefisien Diri
Var. RHS
X0 X1 X2 X3 S1 S2 S3
Basis bj Ratio
4 2 5 0 0 0

X2 2 100 0,25 1 0 0.5 -0,25 0 Memenuhi

X3 5 230 1.5 0 1 0 0.5 0 syarat optimal
S3 0 20 2 0 0 -2 1 1

1350 3 0 0 1 2 0

Kondisi sudah optimal karena nilai Cj – Zj sudah positif., X2 = 100 dan X3 = 230 dan nilai fungsi
tujuan adalah 1350.

3. BIG M Method

Pada permasalahan diatas model programa linier mempunyai fungsi pembatas dalam
bentuk ketidaksamaan lebih kecil sama dengan (≤). Adakalanya fungsi pembatas dalam bentuk
ketidaksamaan lebih besar sama dengan (≥) atau sama dengan (=). Dalam bentuk tersebut perlu
dilakukan konversi sehingga fungsi pembatas menjadi bentuk persamaan, sehingga dapat
diselesaikan dengan menggunakan metoda simpleks. Untuk menjadi bentuk persamaan,
ketidaksamaan lebih besar sama dengan tidak hanya disesuaikan dengan ‘surplus variabel’
sehingga menjadi bentuk persamaan, akan tetapi karena ‘surplus variabel’ ini sifatnya negative
maka persamaan yang terbentuk perlu ditambahkan ‘Artificial Variable’.
Contoh berikut dapat memberi gambaran mengenai artificial variabel,

Minimize Z = 4X1 + X2
Pembatas :

3 X1 + X2 = 3
4 Xl + 3 X2 ≥ 6
X1 + 2 X2 ≤ 4
X1, X2 ≥ 0

Untuk linier programming diatas akan diubah dari ketidaksamaan menjadi persamaan
sebagai berikut :

Model Ketidaksamaan Dikonversikan ke Model Persamaan

Maksimasi :X0 = 4X1 + X2 Maksimasi : X0 = 4X1 + X2 + MR1 + MR2
Pembatas : 3 X1 + X2 = 3 Pembatas : 3X1 + 2X2 + R1 = 3
4 X1 + 3 X2 ≥ 6 4X1 + 3X2 - S1 + R2 = 6
X1 + 2 X2 ≤ 4 X1 + 2X2 + S2 = 4
X1, X2 ,  0
X1, X2 , S1, S2 R1, R2  0

Penyelesaian permasalahan programa linier tersebut diatas menggunakan metoda yang disebut
Metoda ‘Big M’. Beberapa hal yang perlu diperhatikan pada metoda ‘Big M’:

ISYE6189-Deterministic Optimation and Stochatics Processes

Mengingat M sebuah bilangan yang cukup besar dan positif (secara matematik → ∞), koofisien
obyektif dari variabel artifisial merepresentasikan suatu penalty yang sesuai jika koofisien
− 𝑀,𝑢𝑛𝑡𝑢𝑘 𝑚𝑎𝑠𝑎𝑙𝑎ℎ 𝑚𝑎𝑘𝑠𝑖𝑚𝑎𝑠𝑖
variabel artificial obyektif = {
𝑀 ,𝑢𝑛𝑡𝑢𝑘 𝑚𝑎𝑠𝑎𝑙𝑎ℎ 𝑚𝑖𝑛𝑖𝑚𝑎𝑠𝑖

Bentuk persamaan dari permasalahan programa linier diatas setelah dimasukkan pada tabel
simpleks sebagai berikut :
Koefisien Diri
Var. RHS
X0 X1 X2 S1 S2 R1 R2
Basis bj Ratio
4 1 0 0 -M -M

R1 -M 3 3 2 0 0 1 0
R2 -M 6 4 3 -1 0 0 1
S2 0 4 1 2 0 1 0 0

-9M -7M-4 -5M-1 M 0 0 0

Dari tabel simplek diperoleh untuk iterasi selanjutnya sebagai ‘entering variabel’ adalah
pada kolom X1, sedangkan sebagai ‘leaving variable’ adalah R1. Dengan melakukan iterasi
2 9 17
seperti contoh sebelumnya, maka akan diperoleh solusi optimalnya 𝑋1 = , 𝑋2 = ,𝑍 =
5 5 5

4. METODE 2 FASE

Untuk kondisi dimana penggunaan metoda ‘Big M’ menimbulkan kesalahan dalam

perhitungan, dapat digunakan Metoda 2 Phasa, sebagai berikut :

[1] Phase I : Formulasikan permasalahan baru dengan menggantikan fungsi obyektif yang baru
menjadi minimasi jumlah semua artifisial variabel.
[2] Phase II : Dengan menggunakan hasil yang optimum untuk phase I sebagai awal penyelesaian
permasalahan yang sebenarnya.

Minimasi : X0 = 4X1 + X2 + MR1 + MR2

Pembatas : 3X1 + X2 + R1 = 3
4X1 + 3 X2 - S1 + R2 = 6
X1 + 2 X2 +S2 = 3
X1, X2 ,, S1, S2, R1, R2  0

ISYE6189-Deterministic Optimation and Stochatics Processes

 Berdasarkan Model persamaan tersebut, maka pada Phase I mempunyai Obyektif yang
baru sbb :
Minimasi : r0 = R1 + R2

Koefisien Diri
Var. RHS
X0 X1 X2 S1 R1 R2 S2
Basis bj Ratio
0 0 0 1 1 0

R1 1 3 3 1 0 1 0 0 3/3
R2 1 6 4 3 -1 0 1 0 6/4
S2 0 3 1 2 0 0 0 1 3/1

9 7 4 -1 0 0 0

Koefisien Diri
Var. RHS
X0 X1 X2 S1 R1 R2 S2
Basis bj Ratio
0 0 0 1 1 0

X1 0 1 1 1/3 0 1/3 0 0 3
R2 1 2 0 5/3 -1 -4/3 1 0 6/5
S2 0 2 0 5/3 0 -1/3 0 1 6/5

2 0 5/3 -1 -7/3 0 0

Koefisien Diri
Var. RHS
X0 X1 X2 S1 R1 R2 S2
Basis bj Ratio
0 0 0 1 1 0

X1 0 3/5 1 0 1/5 3/5 -1/5 0

X2 0 6/5 0 1 -3/5 -4/5 3/5 0
S2 0 0 0 0 1 1 -1 1

0 0 0 0 -1 -1 0

X0 = 0 menunjukan permasalahan Phasa I feasible, Phasa II dapat dilanjutkan

Koefisien Diri RHS

Var. Ratio
X0 S2
Basis X1 X2 S1
bj
0 0 0 0

X1 4 3/5 1 0 1/5 0
X2 1 6/5 0 1 -3/5 0
S2 0 0 0 0 1 1

18/5 0 0 1/5 0

ISYE6189-Deterministic Optimation and Stochatics Processes

 Dari tabel terlihat solusinya belum optimal karena ada nilai (Ʃ(a11 bj ) - cj). Yang > 0,
yaitu 1/5. Dengan iterasi selanjutnya mengeluarkan S2 dan memasukan S1 kedalam basic
variabel akan didapat kondisi yang optimal.

5. Duality theory
Ditinjau dari teori dan praktek, maka dualitas merupakan konsep linear programming
yang penting dan menarik. Ide dasar dari teori dualitas adalah bahwa setiap persoalan linear
programming mempunyai suatu linear program yang berkaitan yang disebut ”dual”. Sehingga
solusi dari persoalan asli LP (primal), juga memberikan solusi pada dualnya.

Secara sistematis, dualitas merupakan alat bantu masalah LP, yang secara langsung
didefinisikan dari persoalan aslinya atau dari model LP primal. Dalam kebanyakan perlakuan LP,
dualitas sangat tergantung pada primal dalam hal tipe kendala, variabel keputusan dan kondisi
optimum. Oleh karena itu dalam kenyataannya teori dualitas secara tegas tidak diharuskan
penggunaannya.

Primal-dual menunjukkan hubungan secara simetris dengan ketentuan sebagai berikut:

a) Koefisien fungsi tujuan primal menjadi konstanta ruas kanan dual
b) Konstanta ruas kanan primal menjadi koefisien fungsi tujuan dual
c) Semua kolom primal menjadi kendala dual
d) Semua kendala primal menjadi variabel keputusan dual
e) Koefisien kendala dari variabel primal menjadi koefisien yang berkorespondensi dengan
kendala dual.

Contoh berikut memberikan gambaran yang lebih jelas memahami bentuk standar primal dual.

Contoh 1
Bentuk Primal

Maksimum Z = 5 X1 + 12 X2 + 10 X3
Dengan Kendala : 1) X1 + 4 X2 + X3 ≤ 10
2) 2 X1 + X2 + 3 X3 ≤ 15
X1 , X2 , X3 ≥ 0

Bentuk Standar Primal

Maksimum Z = 5 X1 + 12 X2 + 10X3 + 0S1 + 0S2

Dengan Kendala : 1) X1 + 4 X2 + X3 + S1 = 10
2) 2 X1 + X2 + 3 X3 + S2 = 15
X1 , X2 , X3 , S1 , S2 ≥ 0

ISYE6189-Deterministic Optimation and Stochatics Processes

Dual Form: Minimum W = 10 Y1 + 15 Y2
Dengan Kendala: 1) Y1 + 2 Y2 ≥ 5
2) 4 Y1 + Y2 ≥ 12
3) Y1 + 3 Y2 ≥ 10
Y1 ≥ 0
Y2 ≥ 0

Contoh 2 :
Bentuk Primal

Minimum Z = 5 X1 + 2 X2
Dengan Kendala : 1) - X1 + X2 ≥ 3
2) 2 X1 + 3 X2 ≥ 5
X1 , X2 ≥ 0

Bentuk Standar Primal

Minimum Z = 5 X1 + 2 X2 + 0S1 + 0S2

Dengan Kendala : 1) - X1 + X2 - S1 = 3
2) 2 X1 + 3 X2 - S2 = 5
X1 , X2 , S1 , S2 ≥ 0

Bentuk Dual
Maksimum W = 3 Y1 + 5 Y2
Dengan Kendala : 1) - Y1 + 2 Y2 ≤ 5
2) Y1 + 3 Y2 ≤ 2
Y1 ≥ 0
Y2 ≥ 0

Contoh 3 : Bentuk Primal

Maksimum Z = 5 X1 + 12 X2 + 4 X3
Dengan Kendala : 1) X1 + 2 X2 + X3 ≤ 10
2) 4 X1 - X2 + 3 X3 = 8
X1 , X2 , X3 ≥ 0

Bentuk Standar Primal

Maksimum Z = 5 X1 + 12 X2 + 4 X3 + 0S1
Dengan Kendala : 1) X1 + 2 X2 + X3 + S1 = 10
2) 4 X1 + X2 + 3 X3 = 8
X1 , X2 , X3 , S1 ≥ 0

ISYE6189-Deterministic Optimation and Stochatics Processes

 Bentuk Dual
Minimum W = 10 Y1 + 8 Y2
Dengan Kendala : 1) Y1 + 4 Y2 ≥ 5
2) 2 Y1 + Y2 ≥ 12
3) Y1 + 3 Y2 ≥ 4
Y1 ≥ 0
Y2 tidak bertanda

Bentuk Primal

Maksimum Z = 5 X1 + 6 X2
Dengan Kendala : 1) X1 + 2 X2 = 5
2) - X1 + 5 X2 ≥ 3
3) 4 X1 + 7 X2 ≤ 8
X1 tidak bertanda
X2 ≥ 0

Oleh karena variabel X1 tidak bertanda (boleh positif atau negatif), maka variabel
tersebut diganti dengan dua variuabel yang berlainan yaitu X1 = X3 – X4, dimana X3, X4 ≥ 0.
Dengan demikian bentuk standar primal contoh 4 adalah :

Bentuk Standar Primal

Maksimum Z = 5 X3 - 5 X4 + 6X2 + 0S1 + 0S2

Dengan Kendala : 1) X3 - X4 + 2 X2 = 5
2) - X3 + X4 + 5 X2 - S1 = 3
3) 4 X3 - 4 X4 + 7 X2 + S2 = 8
X3 , X4 , X2 , S1 , S2 ≥ 0

Bentuk Dual

Minimum W = 5 Y1 + 3 Y2 + 8 Y3
Dengan Kendala : 1) Y1 - Y2 + 4 Y3 ≥ 5
2) - Y1 + Y2 - 4 Y3 ≥ -5
3) 2 Y1 + 5 Y2 + 7 Y3 ≥ 6
Y2 ≥ 0

ISYE6189-Deterministic Optimation and Stochatics Processes

 Y3 ≥ 0
Y1 tidak bertanda

Berdasarkan beberapa contoh diatas, dapat disimpulkan bahwa karakteristik dasar

dari standar primal-dual adalah sebagai berikut:

Standar Primal *) Dual

Fungsi Tujuan Fungsi Tujuan Kendala

Maksimum Minimum ≥

Minimum Maksimum ≤

Ketentuan dalam bentuk standar primal adalah semua konstanta ruas kanan kendala non-
negative dan semua variabel keputusan non-negative

Untuk membahas hubungan antara primal-dual, akan digunakan contoh berikut, dimana
solusi optimum dual dapat diperoleh secara langsung dari tabel simpleks optimum primal.

Bentuk Primal

Maksimum Z = 5 X1 + 12 X2 + 10 X3
Dengan Kendala : 1) X1 + 2 X2 + X3 ≤ 10
2) 2 X1 + X2 + 3 X3 ≤ 15
X1 , X2 , X3 ≥ 0

Bentuk Dual
Minimum W = 10 Y1 + 15 Y2
Dengan Kendala : 1) Y1 + 2 Y2 ≥ 5
2) 2 Y1 + Y2 ≥ 12
3) Y1 + 3 Y2 ≥ 10
Y1 ≥ 0
Y2 ≥ 0

ISYE6189-Deterministic Optimation and Stochatics Processes

 Tabel Simpleks Optimum Primal

Cj 5 12 10 0 0 Solusi

CB

VDB
X1 X2 X3 S1 S2 (bi)

0
S1 1 2 1 1 0 10

Iterasi 0
0
S2 2 1 3 0 1 15

Zj –
Cj -5 - 12 - 10 0 0 0

12
X2 0,5 1 0,5 0,5 0 5

Iterasi 1
0
S2 1,5 0 2,5 - 0,5 1 10

Zj –
Cj 1 0 -4 6 0 60

Iterasi 2 12
X2 0,2 1 0 0,6 - 0,2 3

Optimum
10
X3 0,6 0 1 - 0,2 0,4 4
Zj –
Cj 3,4 0 0 5,2 1,6 76

Solusi optimum primal dalam tabel adalah : X2 = 3 dan X3 = 4, dengan total Z = 76.

ISYE6189-Deterministic Optimation and Stochatics Processes

 Cj 10 15 0 0 0 M M M Solusi

CB
VDB (bj)
Y1 Y2 S1 S2 S3 A1 A2 A3

M A1 1 2 -1 0 0 1 0 0 5

M A2 2 1 0 -1 0 0 1 0 12
M A3 1 3 0 0 -1 0 0 1 10

Wj-Cj 4M-10 6M-15 -M -M -M 0 0 0 27M

15 Y2 0.5 1 -0.5 0 0 0.5 0 0 2.5

M A2 1.5 0 0.5 -1 0 -0.5 1 0 9.5
M A3 -0.5 0 1.5 0 -1 -1.5 0 1 2.5

-
2M- 3M+7. 12M+3
Wj-Cj M-2.5 0 7.5 -M -M 5 0 0 7.5

15 Y2 1/3 1 0 0 -1/3 0 0 1/3 10/3

M A2 5/3 0 0 -1 1/3 0 1 -1/3 26/3

0 S1 -1/3 0 1 0 -2/3 -1 0 2/3 5/3

-
4
/3M+ 26/3M
5 1
Wj-Cj /3M-5 0 0 -M /3M-5 -M 0 5 +50

15 Y2 0 1 0 1/5 -6/15 0 -1/5 6/15 1.6

10 Y1 1 0 0 -3/5 1/5 0 3/5 -1/5 5.2
0 S1 0 0 1 -1/5 -9/15 -1 1/5 9/15 3.4

Wj-Cj 0 0 0 -3 -4 -M -M+3 -M+4 76

ISYE6189-Deterministic Optimation and Stochatics Processes

 Solusi optimum dual dalam tabel diatas adalah : Y1 = 5,2 dan Y2 = 1,6, dengan total W =
76.
Dalam tabel simpleks primal, variabel basis awal adalah S1 dan S2, dan koefisien Zj-Cj
pada tabel optimum primal kolom S1 dan S2, adalah S1 = 5,2 dan S2 = 1,6. Kendala dual
untuk kolom S1 dan S 2 tersebut adalah Y1 ≥ 0 dan Y2 ≥ 0 (lihat kendala 4 dan 5 dalam
bentuk dual). Informasi ini dapat menentukan solusi optimum dual sebagai berikut :

1. 5,2 = Y1 ≥ 0, atau
5,2 = Y1 – 0, atau Y1 = 5,2

2. 1,6 = Y2 ≥ 0, atau
1,6 = Y2 – 0, atau

Y2 = 1,6

Hasil ini sama dengan solusi optimum yang terdapat pada tabel dual optimum.
Sekarang perhatikan tabel optimum dual yang dapat memberikan solusi optimum primal
dengan menggunakan persamaan diatas. Variabel basis dalam tabel awal dual (iterasi ke 0)
adalah : A1, A2 dan A3. Koefisien Wj-Cj tabel optimum dual untuk kolom A1 = -M, A2 = -
M+3, dan A3 = -M+4. Kendala primal untuk A1, A2 dan A3 adalah : X1 ≥ M, X2 ≥ M, dan X3
≥ M. Informasi ini dapat menentukan solusi optimum primal sebagai berikut :

1. X1 – M = – M,
atau X1 = M –
M, atau
X1 = 0

2. X2 – M = – M + 3,
atau X2 = 3 + M –
M, atau
X2 = 3

3. X3 – M = – M + 4,
atau X3 = 4 + M –
M, atau
X3 = 4

ISYE6189 – Deterministic Optimization and Stochastic Processes

Hasil ini sama dengan solusi optimum yang terdapat pada tabel primal optimum. Dalam
solusi optimum primal dan dual diatas terdapat dua kesimpulan yang menarik yaitu :

1. Maksimum Z = Minimum W = 76
Hasil ini juga dapat diperoleh dengan memasukkan nilai variabel keputusan ke dalam
fungsi tujuan masing-masing.

Z = 5X1 + 12X2 + 10X3

= 5(0) + 12(3) + 10(4)
= 76
W = 10Y1 + 15Y2
= 10(5,2) + 15(1,6)
= 76
2 Dalam masalah maksimum, nilai Zj-Cj pada tabel awal memiliki Z = 0 dan selalu
menaik sampai jumlah Z = 76. Dalam masalah minimum, nilai Wj-Cj pada tabel
awal memiliki W = 27M dan selalu menurun sampai jumlah W = 76.

ISYE6189 – Deterministic Optimization and Stochastic Processes

 SIMPULAN

Metode simpleks merupakan salah satu teknik penyelesaian dalam program linier
yang digunakan sebagai teknik pengambilan keputusan dalam permasalahan yang
berhubungan dengan pengalokasian sumberdaya secara optimal. Metode simpleks digunakan
untuk mencari nilai optimal dari program linier yang melibatkan banyak constraint
(pembatas) dan banyak variabel (lebih dari dua variabel).

Metode BIG M merupakan pendekatan dengan memberikan nilai koefisien yang

sangat besar kepada variabel-variabel artifisial dalam persamaan objective function. Nilai
koefisien ini bertindak sebagai penalty dan disebut Big-M. Nilai ini perlu sangat besar agar
algoritma simpleks berusaha memprioritaskan menangani variabel artifisial ini terlebih
dahulu. Setelah nilai artifisial ini bernilai nol, maka suatu solusi feasible sudah tercapai dan
variabel artifisial dapat dibuang dari tabel simpleks. Sedangkan metode dua fase sesuai
namanya terdiri atas dua fase penyelesaian atau tabulasi.

Fase pertama bertindak untuk menghilangkan variabel artifisial, sedangkan fase kedua
bertindak meneruskan algoritma simpleks sebagaimana biasa bilamana suatu solusi feasible
dapat dicapai pada fase pertama. Fase pertama dilakukan dengan memberikan sebuah angka
arbitrar sebagai koefisien objective function dari setiap variabel artifisial. Koefisien untuk
variabel-variabel lain di-set menjadi nol pada fase ini. Kemudian algoritma simplex
dieksekusi seperti biasa. Fase pertama dikatakan mencapai nilai solusi feasible apabila
objective function bernilai nol dan variabel artifisial menjadi variabel non-basic dan nilainya
nol. Jika fase pertama berhasil, maka algoritma simplex dilanjutkan dengan fase kedua. Pada
fase kedua, koefisien untuk variabel selain variabel artifisial dikembalikan ke dalam objective
function.

Konsep dualitas merupakan sebuah konsep bagian dari program linear yang sangat
penting dan sangat menarik untuk dibahas. Konsep ini menyatakan dalam setiap masalah
program linear mempunyai dua bentuk yang saling berhubungan dan keterkaitan. Dapat pula
diartikan sebagai kebalikan dari model primal, maksudnya apabila terdapat persamaan mula-
mula dalam bentuk primal maka mempunyai lawan dalam bentuk dual, jika bentuk dual itu
dianggap sebagai primal maka bentuk dualnya adalah persamaan mula-mula tersebut diatas.
Bentuk pertama (asli) dinamakan primal, sedangkan bentuk kedua adalah dual. Apabila

ISYE6189 – Deterministic Optimization and Stochastic Processes

dalam solusi optimum pada tabel simpleks bentuk asli (primal) telah terpecahkan, maka tabel
simpleks optimum tersebut dapat juga menjawab permasalahan dualnya.

ISYE6189 – Deterministic Optimization and Stochastic Processes

 DAFTAR PUSTAKA
Wayne L. Winston, Munirpallam Venkataramanan. (2003). Introduction to Mathematical
Programming: Operations Research. 4th Edition. Duxbury Press. ISBN-13:
9780534359645

Taha, Hamdy A., (2007). Operation Research: An Introduction. 8th Edition, Pearson Prentice
Hall, New Jersey. ISBN: 0-13-188923-0

Hillier, F.S., Lieberman, G.J. 2015. Introduction to Operations Research, 10th Edition.
McGraw Hill Education, New York. ISBN: 978-0-07-352345

ISYE6189 – Deterministic Optimization and Stochastic Processes