KASUS KHUSUS DALAM METODE SIMPLEKS

Seperti pada penyelesaian pada metode grafik, pada metode simpleks juga dapat timbul kasus
khusus yang mencakup:

1.  Alternatif Penyelesaian

2.  Penyelesaian tak terbatas
3.  Soal tidak fisibel
4.  Kemerosotan (Degenerasi)
5.  Variabel penyusun tak bersyarat

1. Alternatif Penyelesaian
Ketika fungsi tujuan sejajar dengan satu batasan yang mengikat (yaitu, satu batasan yang
dipenuhi dalam bentuk persamaan oleh pemecahan optimal), fungsi tujuan akan memiliki
nilai optimal yang sama di lebih dari satu titik.
Alternatif penyelesaian berarti adanya 2 penyelesaian atau lebih yang menghasilkan nilai
optimal yang sama. Adanya alternative penyelesaian dalam metode simpleks dapat dilihat
pada table optimalnya. Perhatikan elemen pada baris c j  –  z j  yang bernilai 0 pada table
optimal. Nilai 0 pada baris c j – z j selalu bersesuaian dengan variable bebas. Jika ck  – zk  = 0
dalam table optimal, sedangkan variable pada kolom tersebut ( = xk ) bukanlah variable
basis, maka hal ini menunjukkan adanya alternative penyelesaian. Alternatif penyelesaian
didapat dengan “memaksa” variable xk  menjadi basis (meskipun sebenarnya tabelnya
sudah optimal).

Contoh:
Selesaikan soal berikut ini dengan metode simpleks!
Maksimumkan f(x1 , x2)= 3x1 + x2 
Kendala :  x1 + 2x2 ≤ 20
3x1 + x2 ≤ 20 
 x1 , x2 ≥ 0 
penyelesaian:
Bentuk standar masalah tersebut adalah sebagai berikut:
 

Maksimumkan f(x1… x4) = 3x1 + x2 + 0x3 + 0x4 

Kendala : x1 + 2x2 + x3 = 20
3x1 + x2 + x4 = 20
 x1 , x2 ,x3 ,x4  ≥ 0 
C  j  3 1 0 0
(C  b )i  (X b)i   X  j   X 1 X  2 X  3 X  4 bi   

0  X  3  1 2 1 0 20 20
0  X  4  3 1 0 1 20 20/3
 Z j  0 0 0 0
0
C  j  –  Z j  3 1 0 0
0  X  3  0 5/3 1 -1/3 40/3
3  X 1  1 1/3 0 1/3 20/3
 Z j  3 1 0 1
20
C  j-Z j  0 0 0 -1

Bukan basis tapi bernilai nol

Tampak bahwa pada table optimalnya, c2  – z2 = 0 meskipun  x2 bukan variable basis. Ini
menunjukkan adanya alternative penyelesaian yang bisa diperoleh dengan memaksa  x2 
untuk menjadi basis.
C  j  3 1 0 0
(C  b )i   X  j   X 1 X  2 X  3 X  4 bi   
(X b)i 
0  X  3  0 5/3 1 -1/3 40/3 8
3  X 1  1 1/3 0 1/3 20/3 20
 Z j  3 1 0 1
20
C  j  –  Z j  0 0 0 -1
1  X  2  0 1 3/5 -1/5 8
3  X 1  1 0 -1/5 2/5 4
 Z j  3 1 0 1
20
C  j  –  Z j  0 0 0 -1

Tampak bahwa table sudah optimal dengan penyelesaian optimal  x1 = 4 dan  x2 = 8.
Perhatikan bahwa pada Tabel diatas juga mengandung alternative penyelesaian karena  x3 
bukan merupakan variable basis, tapi c3  – z3 = 0. Jika kemudian table direvisi lagi dengan
 

cara memaksakan  x3  untuk menjadi basis, maka akan diperoleh kembali table optimal pada
Tabel diatas.

2. Penyelesaian Tak Terbatas

Penyelesaian tak terbatas berarti  f(x) bisa diperbesar (atau diperkecil) sampai titik tak 
berhingga. Setelah mendapatkan calon basis, langkah berikutnya adalah menguji apakah
ada elemen aik  (elemen dalam kotak vertical) yang > 0. Jika ada maka langkah berikutnya
adalah menghitung nilai  dan menentukan variable yang harus keluar dari basis. Akan
tetapi apabila semua aik  ≤ 0, maka berarti penyelesaiannya tak terbatas (bisa dikatakan juga
bahwa soal tidak memiliki penyelesaian). Untuk lebih jelasnya perhatikan contoh berikut,

Contoh 1:
Maksimumkan f(x1 , x2) = 2x1 + 3x2 
Kendala: x1 – 2x2 ≤ 4 
 x1 + x2 ≥ 3 
 x1 , x2  ≥ 0 
Penyelesaian:
Bentuk standar simpleks:
Maksimumkan f(x1 … x5) = 2x1 + 3x2 + 0x3 + 0x4 – Mx5

Kendala x1 – 2x2 + x3 =4
 x1+ x2 - x4 + x5 = 3
 x1 … x5 ≥ 0

C  j  2 3 0 0 -M
(C b)i   X  j   X 1 X 2 X 3 X 4 X 5 bi   
(X b)i 
0  X 3  1 -2 1 0 0 4 -
-M  X 5  1 1 0 -1 1 3 3
 Z  j  -M -M 0 M -M
-3M
C  j – Z  j  2+M 3+M 0 -M 0
0  X 3  3 0 1 -2 2 10 -
3  X 2  1 1 0 -1 1 3 -
 

 Z  j  3 3 0 -3 3
  9
C  j – Z  j  -1 0 0 3 -3-M

Pada iterasi kedua, c4-z4  = 3 > 0. Karena satu-satunya yang masih bernilai positif, maka  x4 
menjadi calon basis. Akan tetapi a14 =-2 < 0 dan a24 = -1 <0 sehingga nilai  tidak dapat
dicari. Ini berarti bahwa soal memiliki penyelesaian tak terbatas

Contoh 2:
Selesaikan dengan metode simpleks!
Minimumkan z = -x1 -2x2 
Kendala -x1+x2 ≤ 2 
-2x1+x2 ≤ 1 
 x1 , x2 ≥0 

Penyelesaian:
Bentuk standar
Minimumkan z = -x1-2x2+0x3+0x4 
Kendala -x1+x2+x3 = 2
-2x1+x2+x4 = 1
 x1 … x4 ≥ 0 
C  j  -1 -2 0 0
(C b)i X 1 X 2 X 3 X 4 bi   

0  X 3  -1 1 1 0 2 2
0  X 4  -2 1 0 1 1 1
 Z  j  0 0 0 0
0
C  j-Z  j  -1 -2 0 0
0  X 3  1 0 1 -1 1 1
-2  X 2  -2 1 0 1 1 -
 Z  j  4 -2 0 -2
-2
C  j-Z  j  -5 0 0 2
-1  X 1  1 0 1 -1 1 -
-2  X 2  0 1 2 -1 3 -
 Z  j  -1 -2 -5 3 -7
 

C  j-Z  j  0 0 5 -3

Pada iterasi kedua, c4 - z 4 = -3 < 0. Karena satu-satunya yang masih bernilai negatif, maka
 x4 menjadi calon basis. Akan tetapi a14 = -1 < 0 dan a24 = -1 < 0 sehingga nilai  tidak dapat
dicari. Ini berarti bahwa soal memiliki penyelesaian tak terbatas

3. Soal Tidak Fisibel

Soal tak fisibel berarti soal tidak memiliki daerah fisibel (tidak memiliki titik yang
memenuhi semua kendala)
Dalam metode simpleks, variable semu berfungsi sebagai katalisator agar muncul matriks
identitas sehingga proses simpleks dapat dilakukan. Pada iterasi pertama, variable semu
akan dipakai sebagai variable basis.
Untuk mempercepat keluarnya variable semu dari variable basis, maka pada fungsi
sasarannya diberi koefisien M (untuk kasus meminimumkan) atau  – M (untuk kasus
memaksimumkan). Akan tetapi ada kalanya variable semu tetap merupakan variable basis
pada table optimalnya. Hal ini menunjukkan bahwa soalnya tidak fisibel.
Pengecekan soal yang tidak fisibel dapat dilihat pada nilai C  j – Z  j. Setelah tidak ada C  j – 
 Z  j >
0 
(untuk kasus memaksimumkan) atau C  j-Z  j<0 (untuk kasus meminimumkan), maka proses
dilanjutkan dengan meneliti apakah ada variable semu yang masih bernilai positif. Jika
tidak ada, maka penyelesaian optimal didapatkan. Akan tetapi, jika ada variable semu yang
masih bernilai positif berarti soalnya tidak fisibel. Untuk lebih jelasnya perhatikan contoh
berikut.

Contoh 1:
Selesaikan dengan metode simpleks!
Maksimumkan f(x1 , x2)= 4x1 + 3x2
Kendala  x1+x2 ≤ 3 
2x1-x2 ≤ 3 
 x1 ≥ 4 
 x1 , x2 ≥ 0 
 

Penyelesaian:
Maksimumkan f(x1 … x6 )= 4x1+3x2+0x3+0x4+0x5-Mx6  
Kendala  x1+x2+x3 =3
2x1-x2 +x4 =3
 x1  x5 + x6 
 –  =4
 x1 … x6  ≥ 0 

C  j  4 3 0 0 0 -M
(C  b )i   X  j   X 1 X  2 X  3 X  4 X  5 X 6  bi   
(X b)i 
0  X  3  1 1 1 0 0 0 3 3
0  X  4  2 -1 0 1 0 0 3 3/2
-M  X 6   1 0 0 0 -1 1 4 4

 Z j  -M 0 0 0 M -M
-4M
C  j –  Z j  4+M 3 0 0 -M 0

0  X  3  0 3/2 1 -1/2 0 0 3/2 1

4  X 1  1 -1/2 0 ½ 0 0 3/2 -
-M  X 6   0 ½ 0 -1/2 -1 1 5/2 5
   
 Z j  4 
  0 
  M -M   
 
C  j –  Z j  0 
  0 
  -M 0 
 

3  X  2  0 1 2/3 -1/3 0 0 1

4  X 1  1 0 1/3 1/3 0 0 2
-M  X 6   0 0 -1/3 -1/3 -1 1 2
 
 Z j  4 3 
  
  M -M
11-2M
C  j  –  Z j  0 0   
 

  -M 0
 

Pada iterasi terakhir, semua C  j – 

 Z  j ≤ 0. Ini menunjukkan bahwa table sudah optimal. Akan
tetapi  x6  yang merupakan variable semu masih tetap menjadi variable basis. Ini berarti
bahwa soalnya tidak fisibel sehingga tidak memiliki penyelesaian optimal.

Contoh 2:
Selesaikan dengan metode simpleks!
Minimumkan z = 2y1+4y2 
Kendala 2y1-3y2 ≥ 2 
-y1+y2 ≥ 2 
 

 y1 , y2 ≥ 0 

Penyelesaian:
Bentuk Standar
Minimumkan z = 2y1+4y2+0y3+0y4+My5+My6  
Kendala 2y1 - 3y2 - y3 + My5 = 2
-y1+y2 - y4 + My6  = 3
 y1 … y6  ≥0 
C  j  2 4 0 0 M M
(C b)i  Xi  Y 1 Y 2 Y 3 Y 4 Y 5 Y 6  bi   
(X b)i 
M Y 5  2 -3 -1 0 1 0 2 -
M Y 6   -1 1 0 -1 0 1 3 3
 Z  j  M -2M -M -M M M
5M
C  j-Z  j  2-M 4-2M M M 0 0
M Y 5  -1 0 -1 -3 1 3 11 11/3
4 Y 2  -1 1 0 -1 0 1 3 3
 Z  j  -4-M 4 -M -4-3M M 4+3M
12+11M
C  j-Z  j  6+M 0 M 4+3M 0 -4-2M
M Y 5  2 -3 -1 0 1 0 2
M Y 6   -1 1 0 -1 0 1 3

Dapat dilihat bahwa pada iterasi pertama, variable  y6  keluar dari variable basis kemudian
pada iterasi ke-2 variabel  y6  kembali menjadi variable basis, sedangkan  y5 tetap menjadi
variable basis. Karena kedua variable semu  y5 dan y6  menjadi variable basis dan tidak dapat
mencapai penyelesaian optimum, maka soal tidak fisibel.

4. Kemerosotan (Degenerasi)
Kasus degenerasi terjadi apabila satu atau lebih variable basis berharga nol sehingga iterasi
yang dilakukan selanjutnya bisa menjadi suatu loop yang akan kembali pada bentuk 
sebelumnya. Kejadian ini disebut degenerasi cycling atau circling.  
Namun ada kalanya pada iterasi berikutnya degenerasi ini menghilang. Kasus seperti ini
disebut degenerasi temporer.  
 

Untuk lebih jelasnya perhatikan contoh berikut.

Contoh:
Selesaikan masalah program linier berikut ini dengan metode simpleks!
Maksimumkan f(x1 , x2) = 5x1 + 3x2 
Kendala 4x1 +2x2 ≤ 12 
4x1+ x2 ≤ 10 
 x1 + x2 ≤ 4 
 x1 , x2 ≥ 0 

Penyelesaian:
Bentuk standar
Maksimumkan f(x1 … x5) = 5x1+3x2+0x3+0x4+0x5 
Kendala 4x1+2x2+x3 = 12
4x1+x2+x4 = 10
 x1+x2+x5 =4
 x1 … x5 ≥ 0 
C  j  5 3 0 0 0
(C b)i  X  j  X 1   X 2 X 3 X 4 X 5 bi   
(X b)i 
0  X 3  4 2 1 0 0 12 3
0  X 4  4 1 0 1 0 10 5/2
0  X 5  1 1 0 0 1 4 4
 Z  j  0 0 0 0 0
0
C  j-Z  j  5 3 0 0 0
0  X 3  0 1 1 -1 0 2 2
5  X 1  1 ¼ 0 ¼ 0 5/2 10
0  X 5  0 ¾ 0 -1/4 1 3/2 2
 Z  j  5 5/4 0 5/4 0
25/2
C  j-Z  j  0 7/4 0 -5/4 0

Pada iterasi ke-2 terdapat 2 buah nilai  minimum yang sama-sama bernilai 2. Untuk itu
dipilih salah satunya ( x3 atau x5) secara sembarang.
 

Tabel I.
C  j  5 3 0 0 0
(C b)i   X  j   X 1 X 2 X 3 X 4 X 5 bi   
(X b)i 
0  X 3  0 1 1 -1 0 2 2
5  X 1  1 ¼ 0 ¼ 0 5/2 10
0  X 5  0 ¾ 0 -1/4 1 3/2 2
 Z  j  5 5/4 0 5/4 0
25/2
C  j-Z  j  0 7/4 0 -5/4 0

3  X 2  0 1 1 -1 0 2 -
5  X 1  1 0 -1/4 ½ 0 2 4
0  X 5  0 0 -3/4 ½ 1 0 0
 Z  j  5 3 7/4 -1/2 0
16
C  j-Z  j  0 0 -7/4 ½ 0
3  X 2  0 1 -1/2 0 2 2
5  X 1  1 0 ½ 0 -1 2
0  X 4  0 0 -3/2 1 2 0
 Z  j  5 3 1 0 1
16
C  j-Z  j  0 0 -1 0 -1

Terlihat pada iterasi pertama nilai variable basis  x5  = 0. Ini menunjukkan adanya
degenerasi. Kemudian diiterasi berikutnya terdapat pula nilai variable basis yang bernilai 0
(ada degenerasi) kembali. Ini menunjukkan adanya degenerasi siklik.

Tabel II.
C  j  5 3 0 0 0
(C b)i   X  j   X 1 X 2 X 3 X 4 X 5 bi   
(X b)i 
0  X 3  0 1 1 -1 0 2 2
5  X 1  1 ¼ 0 ¼ 0 5/2 10
0  X 5  0 ¾ 0 -1/4 1 3/2 2
 Z  j  5 5/4 0 5/4 0
25/2
C  j-Z  j  0 7/4 0 -5/4 0
 

0  X 3  0 0 1 -2/3 -4/3 0

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

 Z  j  5 3 0 2/3 7/3

16
C  j-Z  j  0 0 0 -2/3 -7/3

Perhatikan bahwa table I merupakan kelanjutan iterasi jika  x3 keluar dari basis, dan table II  
merupakan kelanjutan iterasi jika  x5 keluar dari basis. Perhatikan bahwa meskipun jumlah
iterasi hingga mencapai optimal pada Tabel  I  dan Tabel  II  tidak sama, namun keduanya
menghasilkan penyelesaian optimal yang sama yaitu  x1 = 2 dan x2 = 2

Contoh Degenerasi Temporer

maks : z = 3x 1 + 2x2 
kendala : 4x1 + 3x2 ≤ 12
4x1 + x2 ≤ 8 
4x1 - x2 ≤ 8
 x1 , x2 ≥ 0 

Penyelesaian:
Bentuk standarnya: z = 3x1+2x2+0x3+0x4+0x5 
Kendala: 4x1+3x2+x3=12
4x1+x2+x4=8
4x1-x2+x5=8
 x1…x5 ≥ 0 
C  j  3 2 0 0 0
(C b)i   X i   X 1 X 2 X 3 X 4 X 5 bi   
(Xb)i 
0  X 3  4 3 1 0 0 12 3
0  X 4  4 1 0 1 0 8 2
0  X 5  4 -1 0 0 1 8 2

 Z  j  0 0 0 0 0
0
C  j-Z  j  3 2 0 0 0
 

0  X 3  0 2 1 -1 0 4 2
3  X 1  1 ¼ 0 ¼ 0 2 8
0  X 5  0 -2 0 -1 1 0 -

 Z  j  3 ¾ 0 ¾ 0
6
C  j-Z  j  0 5/4 0 -3/4 0
2  X 2  0 1 ½ -1/2 0 2
3  X 1  1 0 -1/8 3/8 0 3/2
0  X 5  0 -4 1 -2 1 4
 Z  j  3 2 5/8 1/8 0
17/2
C  j-Z  j  0 0 -5/8 -1/8 0

Dapat dilihat pada iterasi pertama, ada variable basis yang bernilai 0 (x 5). Ini menunjukkan
adanya degenerasi. Namun pada iterasi berikutnya tidak terdapat nilai variable basis yang
bernilai 0 (degenerasi menghilang). Inilah yang disebut degenerasi temporer.

5. Variabel Penyusun Tak Bersyarat

Dalam bentuk standar program linier diisyaratkan bahwa semua variable penyusun harus
≥0. Apabila ada variable penyusun yang bernilai bebas (boleh negative), maka sebelum
masuk ke proses simpleks, masalah tersebut harus terlebih dahulu ditransformasi sehingga
semua variable penyusun ≥ 0.
Caranya adalah dengan menyatakan variable yang bernilai bebas tersebut sebagai selisih 2
variabel baru yang keduanya ≥ 0. Untuk lebih jelasnya, perhatikan contoh berikut. 

Contoh 1:
Maksimumkan f(x1 , x2 , x3) = 3x1+2x2+x3 
Kendala 2x1+5x2+x3 ≤ 12 
6x1+8x2 ≤ 22 
 x2 , x3 ≥ 0 

Penyelesaian:
Perhatikan bahwa yang diisyaratkan ≥ 0 hanyalah  x2 dan  x3 saja, sedangkan  x1 bernilai
sembarang. Untuk menjadikan ke bentuk standar program linier, maka  x1 dinyatakan
sebagai selisih 2 variabel baru  x4 dan x5.
 

 x1=x4-x5 
Kemudian substitusikan ke model
Maksimumkan f(x2 , x3 , x4 , x5)= 3(x4-x5)+2x2+x3 
Kendala 2(x4-x5)+5x2+x3 ≤ 12 
6(x4-x5)+8x2 ≤ 22 
 x2 , x3 , x4 , x5 ≥ 0 
Bentuk standarnya:
Maksimumkan f(x2 , x3 , x4 , x5)= 2x2+x3+3x4-3x5+0x6 +0x7  
Kendala 5x2+x3+2x4-2x5+x6  = 12
8x2+6x4-6x5+x7  = 22
 x2…x7  ≥ 0 

C  j  2 1 3 -3 0 0
 X  j 
(C b)i   X 2 X 3 X 4 X 5 X 6  X 7  bi   
(X b)i
1  X 3  5 1 2 -2 1 0 12 6
0  X 7  8 0 6 -6 0 1 22 22/6
 Z  j 5 1 2 -2 1 0
12
C  j - Z  j -3 0 1 -1 0 0
1  X 3  14/6 1 0 0 1 -2/6 28/6
3  X 4 8/6 0 1 -1 0 1/6 22/6
 Z  j 38/6 1 3 -3 1 1/6
94/6
C  j - Z  j -26/6 0 0 0 -1 -1/6

Penyelesaian optimal x 2 = 0, x3 = 28/6 = 14/3, x 4 = 22/6 = 11/3, x 5 = x6 = x7 = 0. Jika

dikembalikan ke soal aslinya, maka x 1 = 11/3, x2 = 0 dan x 3 = 14/3. Perhatikan di sini
bahwa x1 yang bernilai sembarang tidak berarti harus bernilai negative. Akan tetapi juga
tidak boleh diasumsikan ≥ 0 sehingga proses simpleks juga tidak dapat langsung
digunakan.

Contoh 2:
Selesaikan dengan metode simpleks!

Minimumkan z = -2x1 + x2 

Kendala  x1+x2 ≤ 4 

 x1 - x2 ≤ 6  

 

 x1 ≥ 0 

Penyelesaian:
Perhatikan bahwa yang diisyaratkan ≥ 0 hanyalah  x1 saja, sedangkan  x2 bernilai
sembarang. Untuk menjadikan ke bentuk standar program linier, maka  x2 dinyatakan
sebagai selisih 2 variabel baru  x5 dan x6 
 x2= x5 – x6  
Sehingga bentuk standarnya menjadi:
Minimumkan  z = -2x1 + x5 - x6 + 0x3 + 0x4 
Kendala  x1+ x5 - x6  + x3 = 4
 x1 – x5 + x6  + x4 = 6  
 x1 , x3 , x4 , x5 , x6  ≥ 0 
C  j  -2 1 -1 0 0
(C b)i  X  j  X 1   X 5 X 6  X 3 X 4 bi   
(X b)i 

0  X 3  1 1 -1 1 0 4 4
0  X 4  1 -1 1 0 1 6 6
 Z  j  0 0 0 0 0
0
C  j – Z  j  -2 1 -1 0 0
-2  X 1  1 1 -1 1 0 4 -
0  X 4  0 -2 2 -1 1 2 1
 Z  j  -2 -2 2 -2 0
-8
C  j-Z  j  0 3 -3 2 0
-2  X 1  1 0 0 ½ ½ 5
-1  X 6   0 -1 1 -1/2 ½ 1
 Z  j  -2 1 -1 -1/2 -3/2
-11
C  j-Z  j  0 0 0 ½ 3/2

Didapat solusi optimum  x1  = 5,  x6  = 1,  x3  =  x4 =  x5  = 0. Jika dikembalikan ke soal aslinya
maka akan didapat  x1 = 5 dan  x2 = -1

DAFTAR PUSTAKA
 

 Dimyati, Tjutju T., Dimyati, Ahmad, Operation Research,  Model-model

Pengambilan Keputusan , Sinar Baru Algesindo, Bandung, 2003
 Siswanto, Operations Research , Erlangga, Jakara, 2007