DUALITAS DAN ANALISIS SENSITIVITAS 3

OBJEKTIF :
1. Mahasiswa Mampu Memahami Teori Dualitas dan Sensitivitas
2. Mahasiswa Mampu Melakukan Perhitungan Metode Dualitas dan Analisis
Sensitivitas
3. Mahasiswa Mampu Memahami dan Membedakan Antara Metode Simpleks dan
Metode Dualitas

3.1 Teori Dualitas

Mencari solusi optimum dari suatu masalah bukan selalu merupakan tujuan
utama Program Linier. Tabel simpleks mengandung informasi ekonomi tambahan
yang bahkan lebih penting daripada solusi optimum masalah tersebut. Pentingnya
informasi tambahan yang dapat diperoleh dari tabel simpleks optimum telah
mendorong munculnya teori dualitas dan analisis sensitivitas (Sri Mulyono. 2007.
Page 61).
Baik dari sudut pandang teori maupun praktik, teori dualitas merupakan
salah satu konsep yang sangat penting dan menarik dalam Linear programming.
Istilah dualitas menunjuk pada kenyataan bahwa setiap Linear programming terdiri
atas dua bentuk. Bentuk pertama atau bentuk asli dinamakan primal, sementara
bentuk kedua yang berhubungan dinamakan dual demikian hingga suatu solusi
terhadap Linear programming yang asli juga memberikan solusi pada bentuk dual
nya. (Sri Mulyono. 2007. Page 61). Jadi, jika suatu Linear programming diselesaikan
dengan metode simpleks, sesungguhnya diperoleh penyelesaian untuk dua masalah
Linear programming. Dalam buku prinsip-prinsip riset operasi (Aminudin. 2015. Page
44-45) Asumsi dasar yang digunakan adalah masalah primal program linier
dinyatakan dalam bentuk standard yakni:

Fungsi Tujuan: Maksimum 𝑍 = ∑𝑛

𝑗=1 𝑐j𝑥j

Batasan-batasan:
∑𝑛𝑗=1 𝑎ᵢj𝑥j ≤ bᵢ, Untuk ᵢ = 1,2,…,m
𝑥j ≥ 0, Untuk j = 1,2,…,n

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 1

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

A. Koefisien Z pada Nilai Optimal

Variabel Z X₁ X₂ … Xn S₁ S₂ … Sm q

Z 1 C₁-Z₁ C₂-Z₂ … Cn-Zn Y Y₂ … Yn Yo

Kondisi optimal adalah apabila semua koefisien pada baris terakhir (Cj –
Zj) tidak ada yang berharga positif, yakni:
Cj - Zj ≤ 0 ; untuk j = 1,2………,n
Yi ≥ 0 ; untuk i = 1,2……...,n
Dengan menggantikan Zj nilai-nilai Yi dapat dicari :
Fungsi Tujuan:

yₒ = ∑𝑚
ᵢ=1 𝑏j𝑦j

Batasan-batasan:

∑𝑚
ᵢ=1 𝑎ᵢj𝑦j ≥ Cj, Untuk j = 1,2,…,n
𝑦j ≥ 0, Untuk ᵢ = 1,2,…,m

Bentuk tersebut yang dikenal sebagai dual dari masalah primal. Sebagai
konsekuensi nilai Z optimal (maksimum) pada masalah primal adalah nilai Yo
minimum pada masalah dual.

Contoh Kasus Konsep Dualitas:

Permasalahan diet, pada tabel 3.1 memberikan jumlah mineral dan vitamin yang
terdapat pada dua jenis makanan tiruan yaitu; daging dan sayur per unit serta
harga.

Tabel 3.1
Makanan Tiruan Kebutuhan
Kandungan Minuman Per
Daging Sayur
Hari
Mineral 2 4 40
Vitamin 3 2 50
Harga Per
3 2,5
Unit
Sumber : (Sri Mulyono. 2007. Page 62)

Masalahnya adalah menentukan biaya pembelian sejumlah daging dan sayuran

demikian hingga kebutuhan minimum per hari akan mineral dan vitamin
terpenuhi. Untuk merumuskan masalah secara matematika, misalkan X, (j = 1,2)
adalah jumlah unit daging dan sayuran yang dibeli. Masalah di atas ingin
menentukan nilai X1 dan X2 sehingga,

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 2

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

Primal:
Minimumkan Z = 3X1 + 2,5X2
Syarat 2X1 + 4X2 ≥ 40
3X1 + 2X2 ≥ 50
X 1, X2 ≥ 0
Misalnya ada sebuah dealer yang menjual mineral dan vitamin. Pemilik restoran
setempat membeli mineral dan vitamin dari dealer dan membuat daging dan
sayur tiruan yang berisi mineral dan vitamin seperti yang disajikan pada Tabel
3.1. Dealer mengetahui benar bahwa daging dan sayur tiruan memiliki nilai
hanya karena kandungan mineral dan vitaminnya. Masalah bagi dealer adalah
menetapkan harga jual mineral dan vitamin per unit yang maksimum demikian
hingga menghasilkan harga daging dan sayur tiruan tidak melebihi harga pasar
yang ada, Untuk merumuskan masalah ini secara matematika, misalkan dealer
memutuskan untuk menetapkan harga daging per unit sebesar Y 1 dan harga
sayur per unit sebesar Y2. Kemudian, masalah dealer dapat dinyatakan secara
matematika untuk menentukan Y1 dan Y2 menjadi:

Dual :
Maksimumkan W = 40Y1 + 50Y2
Syarat 2Y1 + 3Y2 ≤ 3
4Y1 + 2Y2 ≤ 2,5
Y1, Y2 ≥ 0 karena nilai negatif tak benar
Bentuk Program Linier yang terakhir ini dinamakan bentuk dual. Y1 dan Y2
dinamakan variabel dual (Sri Mulyono. 2007. Page 62-64).

B. Hubungan Simetris Primal dan Dual

PRIMAL
Koefisien Sisi
X1 X2 … Xn Kanan
Y1 a11 a12 … a1n ≤ b1
Y2 a12 a22 … a2n ≤ b2 Koefisien
: : : : : : Fungsi
: : : : : : Tujuan
Dual Koefisien
: : : : : : (Minimisasi)
Ym am1 am2 … amn ≤ bm
Sisi ≥ ≥
Kanan
… ≥ Cn
C1 C2
Koefisien Fungsi
Tujuan
Sumber : (Aminudin. 2015. Page 44-45)

Tabel tersebut menunjukan hubungan simetris antara primal dan dual, di

mana bagian vertikal atau tegak merupakan bentuk primal, sedangkan bagian

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 3

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

mendatar merupakan bentuk dual nya. Bila disimpulkan hubungan tersebut

adalah sebagai berikut:
1. Parameter untuk batasan persoalan primal (dual) merupakan koefisien bagi
persoalan dual (primal).
2. Koefisien fungsi tujuan/obyektif persoalan primal (dual) adalah sisi kanan
dari persoalan dual (primal) atas.
Bentuk dual mempunyai interpretasi penting yang dapat membantu
manajer menjawab pertanyaan tentang alternatif tindakan dan nilai relatifnya.
Tiap persoalan maksimasi dalam program linier mempunyai bentuk kembarnya,
demikian pula persoalan minimasi mempunyai bentuk kembar atau dualnya.
Terdapat beberapa ketentuan awal bentuk yang harus dipahami sebelum
masuk konsep primal dual, untuk kasus linier programming maksimasi dan
minimasi, sebagai berikut:

No Bentuk Primal Bentuk Dual

Umumnya notasi fungsi tujuan Umumnya notasi fungsi tujuan
1
adalah Z. adalah W.
Umumnya notasi variabel Umumnya notasi variabel keputusan
2
keputusan dalam bentuk X dalam bentuk Y
Unsur koefisien matriks Transpose koefisien matriks
3
pembatas. pembatas
Vektor ruas kanan pada Koefisien fungsi tujuan.
4
kendala.
5 Koefisien fungsi tujuan. Vector ruas kanan pada kendala.
6 Pembatasan ke-i berupa “=” Yi tidak terbatas dalam tanda.
7 Xj tidak terbatas dalam tanda Pembatas ke-j berupa “=”
Sumber: (Wijaya, Andi. 2013. Page 100)

Fungsi tujuan berbentuk maksimasi:

No Bentuk Primal Bentuk Dual

Fungsi tujuan berbentuk Fungsi tujuan berbentuk minimasi
1
maksimisasi
2 Pembatas ke-i berupa “≤” Yi ≥ 0
3 Pembatas ke-i berupa “≥” Yi ≤ 0
4 Xj ≥ 0 Pembatas ke-j berupa “≥”
5 Xj ≤ 0 Pembatas ke-j berupa “≤”
Sumber: (Wijaya, Andi. 2013. Page 100)

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 4

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

Fungsi tujuan berbentuk minimasi :

No Bentuk Primal Bentuk Dual

Fungsi tujuan berbentuk minimasi Fungsi tujuan berbentuk
1
maksimasi
2 Pembatas ke-i berupa “≤” Yi ≤ 0
3 Pembatas ke-i berupa “≥” Yi ≤ 0
4 Xj ≥ 0 Pembatas ke-j berupa “≤”
5 Xj ≤ 0 Pembatas ke-j berupa “≥”
Sumber: (Wijaya, Andi. 2013. Page 100)

Menurut Sri Mulyono (Hal. 69), Aturan-aturan pada tabel di atas akan dijelaskan
melalui beberapa contoh:
1. Primal: Maksimumkan Z = X1 + 4X2 + 3X3
Dengan syarat: 2X1 + 3X2 - 5X3 ≤ 2
3X1 - X2 - 6X3 ≥ 1
X1 + X2 + X 3 = 4
X1 ≥ 0 , X2 ≤ 0 , X3 tak terbatas

Dual: Maksimumkan W = 2Y1 + Y2 + 4Y3

Dengan syarat: 2Y1 + 3Y2 + Y3 ≥ 1
3Y1 - Y2 + Y3 ≤ 4
-5Y1 + 6Y2 + Y3 = 3
Y1 ≥ 0 , Y2 < 0 , Y3 tak terbatas

2. Primal: Maksimumkan Z = 2X1 + X2 - X3

Dengan syarat: X1 + X2 - X3 = 1
X1 - X2 + X3 ≥ 2
X2 + X 3 ≤ 3
X1 ≥ 0 , X2 ≤ 0 , X3 tak terbatas

Dual: Maksimumkan W = Y1 + 2Y2 + 3Y3

Dengan syarat: Y1 + Y2 ≤ 4
Y1 - Y2 + Y3 ≥ 1
-5Y1 + 6Y2 + Y3 = 3
-Y1 + Y2 + Y3 = -1

C. Masalah Primal-Dual Simetrik

Suatu Program Linier dikatakan berbentuk Simetrik jika semua variabel
dibatasi bernilai non negatif dan semua kendala berupa pertidaksamaan (dalam
masalah maksimisasi pertidaksamaannya harus dalam bentuk ≤, sementara
dalam minimasi mereka harus ≥).
Bentuk umum masalah primal dual yang simetrik adalah:
Primal:
Maksimumkan Z = C1X1 + C2X2 + …. + CnXn

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 5

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

Syarat: a11X1 + a12X2 + …. + a1nXn ≤ b1

a21X1 + a22X2 + …. + a2nXn ≤ b2
am1X1 + am2X2 + …. + amnXn ≤ bm
X1,X2 …. Ym ≥ 0
Dual:
Minimumkan W = b1Y1 + b2Y2 + …. + bmYm
Syarat: a11Y1 + a21Y1 + …. + am1Ym ≥ C1
a12Y1 + a22Y2 + …. + am2Ym ≥ C2
a1nY1 + a2nY2 + …. + amnYm ≥ Cn
X1,X2 …. Ym ≥ 0
Dalam notasi matriks masalah primal dual simetrik adalah
Primal: Maksimumkan Z = CX
Dengan syarat: AX ≤ B
X ≥0
Dual: Minimumkan W = Yb
Dengan syarat: YA ≥ c
Y≥0
Dimana A adalah suatu matriks mxn, b adalah vektor kolom mxl, c adalah vektor
baris 1xn, X adalah vektor kolom nx1. dan Y adalah vektor baris 1xm.

Aturan umum menuliskan bentuk dual dari suatu Program Linier yang simetrik
diringkas sebagai berikut:
a. Misalkan sebuah variabel dual (non negatif) untuk setiap kendala primal.
b. Vektor baris koefisien fungsi tujuan primal diubah menjadi vektor kolom
konstan sisi kanan dual.
c. Vektor kolom sisi kanan primal diubah menjadi vektor baris koefisien fungsi
tujuan dual.
d. Transpose koefisien matrik kendala primal menjadi koefisien matrik kendala
dual.
e. Balik arah pertidaksamaan kendala.
f. Balik arah optimisasi, ubah minimum menjadi maksimum dan sebaliknya.

Adapun beberapa aturan bentuk dual dari Linier Programming pada

beberapa teori dualitas yang memberikan hubungan penting antara solusi primal
dan dual, sebagai berikut:

1. Weak Duality Theorem

Misalkan suatu bentuk primal dual simetrik
Maks. Z = cX dan Min. W = Yb
Dengan syarat: AX ≤ b Dengan syarat: YA ≥ c
X ≥0 Y>0
“Nilai fungsi tujuan masalah minimisasi (dual) untuk setiap solusi yang layak
selalu lebih besar atau sama dengan masalah maksimisasi (primal)-nya”.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 6

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

Misalkan Xo dan Fo adalah vektor solusi yang layak untuk masalah primal dan
dual. Harus dibuktikan bahwa:

Yo b ≥ cXo
Karena Xo layak bagi primal dengan kendala
AXo ≥ b
Xo > 0

Kemudian, jika pertidaksamaan kendala dikalikan dengan Yo diperoleh

Yo AXo ≤ Yob ............................................... (1)

Kemudian, jika pertidaksamaan kendala dikalikan dengan Xo diperoleh

Yo AXo ≥ cXo ............................................... (2)

Pertidaksamaan 1 dan 2 secara tak langsung mengatakan bahwa:

Yo b ≥ Yo AXo ≥ cXo

Dari Weak Duality Theorem diperoleh hasil-hasil sebagai berikut:

1. Nilai fungsi tujuan masalah maksimisasi (primal) untuk setiap solusi layak
adalah batas bawah dan nilai minimum fungsi masalah dual.
2. Nilai fungsi tujuan masalah minimisasi (dual) untuk setiap solusi layak
adalah batas atas dari nilai maksimum fungsi tujuan masalah primal.
3. Jika masalah primal adalah layak dan nilai tujuannya tidak terbatas maka
masalah dualnya tidak memiliki suatu solusi layak.
4. Jika masalah primal adalah layak dan dual tidak layak maka primal tak
terbatas.
5. Jika masalah dual adalah layak dan tak terbatas maka masalah primal
adalah tidak layak.
6. Jika masalah dual adalah layak dan primal tak layak maka dual adalah tak
terbatas.

Untuk memperjelas Weak Duality Theorem ikuti masalah primal dual berikut:
Primal: Maksimumkan Z = X1 + 2X2 + 3X3 + 4X4
Dengan syarat: X1 + 2X2 + 2X3 + 3X4 ≤ 20
2X1 + X2 + 3X3 + 2X4 ≤ 20
X1 , X 2 , X 3 , X 4 ≥ 0

X1o = X2 o = X3 o = X4 o = 1 adalah layak untuk primal dengan nilai fungsi tujuan

Z = cXo = 10

Dual: Minimumkan W = 20 Y1 + 20 Y2 ≥ 1
Dengan syarat: Y1 + 2Y2 ≥ 1
2Y1 + Y2 ≥ 2
2Y1 + 3Y2 ≥ 4

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 7

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

Y1 , Y 2 ≥ 0
Y1o = Y2 o = 1 adalah layak bagi dual dengan nilai fungsi tujuan W = Yob = 40

Ingat bahwa cXo ≤ Yob berarti memenuhi Weak Duality Theorem.

Berdasarkan hasil solusi layak primal, nilai minimum fungsi tujuan dan dual
W tidak dapat lebih kecil daripada 10. Berdasarkan hasil solusi layak dual,
nilai maksimum fungsi tujuan primal Z tidak dapat melebihi 40.
2. Optimality Criterion Theorem
Jika terdapat solusi layak Xo dan Yo pada bentuk primal dual simetrik demikian
hingga nilai-nilai fungsi tujuan yang berhubungan adalah sama, maka solusi
layak ini adalah solusi optimum terhadap masalah tersebut.
Contoh: Misalkan X1o = 0 , X2o = 0 , X3o = 4, dan X4o = 4 adalah suatu solusi
layak yang lain terhadap masalah primal, sementara Y1o = 1,2 dan Y2o = 0,2
adalah solusi layak bagi dual. Nilai Z (tujuan primal) = W (tujuan dual) = 28.
Sehingga menurut teori 2, solusi layak ini adalah solusi optimum.
3. Main Duality Theorem
Jika baik masalah primal maupun dual adalah layak, maka keduanya memiliki
solusi demikian hingga nilai optimum fungsi tujuannya adalah sama.
4. Complementary Slackness Theorem
Dengan kondisi Complementary Slackness dapat dinyatakan sebagai berikut:
a. Jika suatu variabel primal Xj bernilai positif, maka kendala dual yang
berhubungan akan dipenuhi sebagai suatu persamaan pada keadaan
optimum (variabel slack atau surplus pada kendala dual = 0).
b. Jika suatu kendala primal berupa pertidaksamaan murni pada keadaan
optimum (variabel slack atau surplus pada kendala primal > 0), maka
variabel dual yang berhubungan Yi harus sama dengan nol pada keadaan
optimum.
c. Jika suatu variabel dual Yi bernilai positif, maka kendala primal yang
berhubungan akan memenuhi sebagai suatu persamaan pada keadaan
optimum (variabel slack atau surplus pada kendala primal = 0).
d. Jika suatu kendala dual berupa pertidaksamaan murni (variabel slack
atau surplus pada kendala primal > 0), maka variabel primal yang
berhubungan Xj harus sama dengan nol pada keadaan optimum.

D. Masalah Primal Dual Asimetrik

Tidak semua program linier berbentuk simetrik. Untuk setiap Program
Linier (simetris atau tidak simetris) bentuk dual selalu memenuhi ciri berikut:
Maksimumkan Z = 4X1 + 5X2
Dengan syarat: 3X1 + 2X2 ≤ 20
4X1 - 3X2 ≥ 10
X1 + X 2 = 5
X1 ≥ 0, X2 tak terbatas

Karena telah dipelajari bagaimana menuliskan bentuk dual dari masalah

simetri, maka ubahlah masalah di atas ke dalam bentuk simetri. Ini berarti semua

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 8

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

kendala harus menjadi pertidaksamaan jenis ≤ (karena bentuk primal adalah

masalah maksimasi), dan semua variabel non negatif. Ini dicapai dengan cara
seperti berikut:
1. Kendala pertidaksamaan kedua dikalikan -1
2. Kendala persamaan ketiga diganti dengan suatu pasangan pertidaksamaan
X1 + X2 ≥ 5
3. Variabel tak terbatas X2 diganti dengan selisih dua variabel non negatif X3 dan
X 4.

Sehingga bentuk simetris masalah primal menjadi

Maksimumkan Z = 4X1 + 5X3 – 5X4
Dengan syarat: 3X1 + 2X3 – 2X4 ≤ 20
-4X1 + 3X3 + 3X4 ≤ -10
X1 + X3 – X4 ≤ 5
-X1 - X3 + X4 ≤ -5
X1 , X3 , X4 ≥ 0
Bentuk dual simetriknya:
Minimumkan W = 20U1 – 10U2 + 5U3 – 5U4
3U1 – 4U2 + U3 – U4 ≥ 4
2U1 + 3U2 + U3 – U4 ≥ 5
-2U1 + 3U2 - U3 + U4 ≥ -5
U1 , U2 , U3 , U4 ≥ 0
Bila bentuk dual dibandingkan dengan bentuk primal yang belum
disimetrikkan, maka terlihat bahwa tak ada ciri-ciri hubungan primal dual seperti
yang telah disebutkan di depan terpenuhi. Koefisien matriks kendala dual bukan
transpose dari kendala primal, vektor sisi kanan primal bukan merupakan
koefisien fungsi tujuan dual dan sebaliknya.
Kemudian, misalkan Y1 = U1 , Y2 = -U2, Y3 = U3 - U4 dan dua pertidaksamaan
terakhir pada bentuk dual diganti dengan sebuah persamaan. Sehingga diperoleh
suatu masalah dual yang telah dimodifikasi sebagai berikut:
Minimumkan W = 20Y1 + 10Y2 + 5Y3
Dengan syarat: 3Y1 + 4Y2 + 5Y3 ≥ 4
2Y1 - 3Y2 + Y3 = 5
Y1 > 0 , Y2 < 0 , Y3 tak terbatas

Bila bentuk dual yang telah dimodifikasi dibandingkan dengan bentuk

primal yang belum disimetrikkan, terlihat bahwa semua ciri penting hubungan
primal dual dipenuhi, kecuali arah pertidaksamaan kendala, dan tanda pembatas
variabel. Sehingga untuk setiap LP (simetris atau tak simetris) bentuk dual selalu
memenuhi ciri-ciri sebagai berikut:
1. Elemen Matriks kendala bentuk dual adalah transpose elemen kendala
primal.
2. Koefisien fungsi tujuan dual adalah vektor sisi kanan primal.
3. Vektor sisi kanan dual adalah koefisien fungsi tujuan primal.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 9

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

4. Jika primal adalah masalah maksimisasi, maka dual menjadi minimisasi dan
sebaliknya.

E. Mencari Solusi Optimum Bentuk Dual

Setiap LP dapat dipecahkan dengan metode simpleks, maka metode itu
dapat diterapkan baik pada masalah primal maupun dual. Main Duality Theorem
menyatakan bahwa suatu solusi optimum terhadap bentuk dual dapat diperoleh
melalui solusi primal dan sebaliknya. Contoh berikut akan menunjukkan
bagaimana pernyataan itu bekerja.
Maksimumkan Z = 5X1 + 12X2 + 4X3
Dengan syarat: X1 + 2X2 + X3 ≤ 5
2X1 - X2 + 3X3 = 2
X1 , X2 , X3 ≥ 0
Kemudian selesaikan dengan metode simpleks. Dalam hal ini dibutuhkan
Variabel Slack S dan artificial variable A. Pada tabel simpleks awal diperoleh
variabel basis S = 5 dan A = . Pada iterasi terakhir diperoleh tabel simpleks
optimum seperti berikut:

Basis X1 X2 X3 S A Solusi
Z 0 0 3/5 29/5 -2/5 + M 28 1/5
X2 0 1 -1/5 2/5 -1/5 8/5
X1 1 0 7/5 1/5 2/5 9/5

Ingat bahwa variabel basis awal adalah variabel slack S dan artificial
variable A, sementara kedua variabel basis optimum adalah variabel riil.
Sekarang, masalah dual akan dipecahkan dengan metode simpleks.
Bentuk dualnya adalah:
Minimumkan W = 5Y1 + 2Y2
Dengan syarat: Y1 + 2Y2 ≥ 5
Y1 - 2Y2 ≥ 12
Y1 + 3Y2 ≥ 4
Y1 > 0, Y2 tak terbatas
Karena Y2 tak terbatas, ia diganti dengan Y2 -Y” ≥ 0. Jika variabel surplus
S1, S2, S3 dikurangkan dari ketiga kendala dan menambahkan artificial variable
A1, A2, dan A3, maka variabel basis awal adalah A1 = 5, A2 = 12, A3 = 4. Kemudian
tabel simpleks optimumnya adalah:

Basis Y1 Y’2 Y” S1 S2 S3 A1 A2 A3 Solusi

Z 0 0 0 -9/5 -8/5 0 9/5 -M 8/5 -M -M 28 1/5
S3 0 0 0 -7/5 1/5 1 7/5 -1/5 -1 3/5
Y” 0 -1 1 2/5 -1/5 0 -2/5 1/5 0 2/5
Y1 1 0 0 -1/5 -2/5 0 1/5 2/5 0 29/5

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 10

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

Pengamatan terhadap tabel optimum primal dan dual mengungkapkan

hasil-hasil yang menarik. Variabel basis pada solusi awal bentuk primal adalah S
dan A. Variabel dual yang berhubungan dengan persamaan kendala primal yang
mengandung S dan A adalah Y1 dan Y2 . sekarang perhatikan koefisien persamaan
Z pada tabel optimum primal. Hasilnya adalah:

Variabel basis awal bentuk primal A S

Koefisien persamaan Z pada optimum primal 29/5 -2/5 + M
Variabel dual yang berhubungan Y1 Y2

Jika M diabaikan, koefisien persamaan Z adalah 29/5 dan -2/5 yang

langsung memberikan solusi optimum pada masalah dual. Yaitu, nilai optimum
Y1 = 29/5 dan Y2 = -2/5 (= Y2-Y” = 0-2/5) yang sama dengan hasil pemecahan
bentuk dual dengan metode simpleks.
Hasil di atas bukan bersifat kebetulan, tetapi berlaku umum. Suatu
pengamatan serupa terhadap variabel basis pada solusi awal (A1 , A2 , A3)
memberi informasi seperti berikut:

Variabel basis awal bentuk dual A1 A2 A3

Koefisien persamaan Z pada optimum dual 9/5 - M 8/5 - M 0-M
Variabel dual yang berhubungan X1 X2 X3

Jika M diabaikan, maka hasil dari koefisien persamaan Z secara langsung

memberi solusi optimum primal X1 = 9/5 , X2 = 8/5 dan X3 = 0, yang sama dengan
hasil penyelesaian benruk primal dengan metode simpleks. Berdasarkan tabel
simpleks optimum bentuk primal, solusi optimum bentuk dual dapat juga
dihitung melalui rumus seperti berikut:
Misalkan terdapat hubungan primal-dual sebagai berikut:
Minimumkan Z = cX dan Maksimumkan W = Yb
Dengan syarat AX = b dengan syarat: YA ≤ c
X≥0 Y≥0
Maka solusi optimum masalah primal dan dual yang diperoleh melalui
penerapan revised simplex method adalah:
Z = W = CBB-1b
Keterangan:
CB = vektor profit atau biaya variabel basis optimum bentuk primal
B = matriks variabel basis optimum bentuk primal
= [Pj] dimana Pj adalah kolom ke j matriks A
CBB-1 = vector simpleks multiplier

Contoh berikut membantu memperjelas rumus di atas:

Primal: Maksimumkan Z = 5X1 + 12X2 + 4X3
Dengan syarat: X1 + 2X2 + X3 ≤ 5

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 11

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

2X1 – X2 + 3X3 = 2
X1 , X2 , 3X3 ≥ 0
Dual: Minimumkan W = 5Y1 + 2Y2

Dengan syarat: Y1 + 2Y2 ≥ 5

2Y1 – Y2 ≥ 4
Y1 ≥ 0, Y2 tak terbatas

Melalui metode simpleks, solusi terhadap masalah primal telah diperoleh

yaitu X1 = 9/5 , X2 = 8/5 dan Z = 28 1/5. Karena X1 dan X2 merupakan basis optimum
bentuk primal, maka matriks basis optimumnya adalah:

B = [P1 P2] = 1 2
2 -1

Optimum simpleks multiplier-nya adalah:

CBB-1 = [5 12] 1/5 2/5 = [29/5 -2/5]

2/5 -1/5

Terlihat bahwa Y1 = 29/5, Y2 = -2/5 memenuhi kendala dual dan nilai

fungsi tujuan dual adalah W = 5(29/5) + 2(-2/5) = 28 1/5.
Kesimpulan terpenting dari contoh di atas adalah bahwa suatu solusi
optimum primal (dual) juga merupakan solusi optimum masalah dual (primal). Di
samping kedua cara yang telah dibicarakan, solusi optimum dual dapat dihitung
dengan menggunakan teori complementary slackness.

F. Penafsiran Solusi Dual

Dari segi ekonomi, solusi optimum bentuk dual dapat ditafsirkan sebagai
sumbangan per unit kendala sumber daya (shadow price). Berdasarkan Main
Duality Theorem nilai optimum fungsi tujuan primal dan dual adalah sama. Jika
Xo dan Yo adalah solusi optimumnya, maka Z = cXo = Yob = W. Dengan kata lain,
nilai optimum program linier (primal atau dual) dituliskan sebagai:
Z = Y1ob1 + Y2ob2 + .... + Ymobm
Dimana b1 , b2 , ... bm menunjukkan jumlah sumber daya 1, 2, ... m yang terbatas
dan Y1o , Y2o , ... Ymo adalah nilai optimum variabel dual. Misalkan dianggap bahwa
jumlah sumber daya ke 1 (b1) dapat diubah. Kemudian, untuk perubahan nilai b1
yang sangat kecil, katakan ∆b1 , perubahan neto nilai tujuan Z adalah Y1o (∆b1).
Perubahan neto nilai optimum karena kenaikan jumlah sumber daya dinamakan
shadow price sumber daya yang bersangkutan, Ini dapat digunakan untuk
menentukan apakah menguntungkan untuk mendapatkan tambahan sumber
daya pada harga pasar.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 12

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

G. Keuntungan Perhitungan Bentuk Dual

Telah ditunjukkan bahwa setiap masalah LP dapat dipecahkan dengan
merumuskan baik dalam bentuk primal maupun dual. Karena solusi satu masalah
selalu dapat diperoleh dari solusi bentuk dualnya, maka tidak perlu meumuskan
kedua bentuk. Apakah suatu masalah seharusnya dirumuskan dalam bentuk
primal atau dual, tergantung sepenuhnya pada kemudahan perhitungan dalam
menyelesalkan dua jenis masalah itu.
Namun, tak dapat dikatakan bahwa satu jenis masalah adalah lebih
mudah untuk diselesaikan dibanding yang lain tanpa meneliti struktur
masalahnya. Terdapat kesepakatan bahwa sejumlah besar kendala membuat
masalah perhitungan yang lebih gawat daripada sejumlah besar variabel. Ini
karena jumlah kendala menentukan banyaknya vektor basis dalam solusi yang
pada gilirannya menentukan ukuran matriks basis inverse.
Sehingga, jika suatu masalah demikian hingga bentuk primalnya memiliki
sejumlah besar kendala sementara variabelnya hanya sedikit, masalah tersebut
dapat diselesaikan dengan lebih efislen jika dirumuskan dalam bentuk dual.
(Mulyono, Sri. 2017. Page 63-75)

3.2 Metode Dual Simpleks

Prosedur perhitungan yang dibicarakan sejauh ini bergerak dari solusi dasar
layak yang belum optimum ke solusi layak yang lain. Apakah proses tersebut
akhirnya akan mencapai suatu solusi layak optimum, adalah tergantung pada
kemampuan untuk mendapatkan suatu solusi dasar awal yang layak. Dalam kaitan
ini, artificial variable kadang-kadang digunakan untuk menemukan solusi awal layak.
Jika formulasi LP mengandung sejumlah besar artificial variable, maka
membutuhkan banyak perhitungan untuk memperoleh solusi awal layak.
Karena itu, akan dijelaskan suatu prosedur perhitungan yang memberikan
suatu solusi layak optimum, meskipun solusi awalnya tidak layak. Prosedur itu
dinamakan dual simpleks algoritma yang pertama kali disusun oleh Lemke.
Algoritma ini tidak banyak digunakan di antara program-program komputer yang
ada. Namun memainkan peranan penting dalam post optimality analysis. Berikut ini
disajikan contoh bagaimana metode itu bekerja. (Mulyono, Sri. 2017. Page 73-75)

Contoh:
Minimumkan Z = 4X1 + 2X2
Dengan syarat: 3X1 + X2 ≥ 27
X1 + X2 ≥ 21
X1 + 2X2 ≥ 30
X1 , X2 ≥ 0
Langkah pertama adalah mengubah semua kendala menjadi pertidaksamaan s (agar
tidak membutuhkan artificiet variable) dan kemudian tambahkan variabe slack.
Sehingga diperoleh :

Minimumkan : Z = 4X1 + 2X2

Dengan syarat: -3X1 – X2 + S1 = -27

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 13

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

-X1 – X2 + S2 = -21
-X1 – 2X2 + S3 = -30
X1 , X2 , S1 , S2 , S3 ≥ 0

Jika bentuk baku di atas diekspresikan sebagai suatu tabel simpleks awal, maka akan
terlihat bahwa variabel slack (S1 , S2 , S3) tidak memberikan solusi awal layak. Karena
ini merupakan masalah minimasi sementara semua koefisien pada persamaan Z
adalah ≤ 0, maka solusi awal S1 = -27 , S2 = -21 , S3 = -30 adalah optimum tetapi tak
layak. Masalah ini merupakan ciri khas dari masalah yang dapat diselesaikan dengan
metode dual simpleks. Tabel solusi awal optimum tapi tak layak adalah:
Tabel 1

Basis X1 X2 S1 S2 S3 Solusi
Z -4 -2 0 0 0 0
S1 -3 -1 1 0 0 -27
S2 -1 -1 0 1 0 -21
S3 -1 (-2) 0 0 1 -30

Seperti dalam metode simpleks, metode ini didasarkan pada optimality and
feasibility condition. Optimality condition menjamin bahwa solusi selalu tetap
optimum, sementara feasibility condition memaksa solusi dasar mencapai ruang
layak.

Feasibility Condition: leaving variable adalah variabel basis yang memiliki nilai
negatif terbesar (nilai kembar dipilih secara sembarang). Jika semua variabel basis
non negatif, proses berakhir dan solusi layak yang telah optimum tercapai.

Optimality Condition: entering variable dipilih dari variabel nonbasis dengan cara
seperti berikut. Buat rasio antara koefisien persamaan Z dengan koefisien
persamaan yang berhubungan pada leaving variable. Abaikan rasio dengan
penyebut positif atau nol. Bagi masalah minimisasi, entering variable adalah salah
satu yang memiliki rasio terkecil, atau absolut rasio terkecil untuk masalah
maksimisasi (rasio kembar dipilih secara sembarang). Jika semua penyebut adalah
nol atau positif, berarti masalah itu tidak memiliki solusi layak.

Setelah memilih entering and leaving variable, metode Gauss Jordan (operasi baris)
diterapkan seperti biasa untuk memperoleh solusi berikutnya. Leaving variable pada
Tabel 1 adalah S3 (=-30), karena ia memiliki nilai negatif terbesar. Untuk menentukan
entering variable, rasionya diperoleh dengan cara berikut:

Variabel X1 X2 S1 S2 S3
Persamaan Z -4 -2 0 0 0
Persamaan S3 -1 -2 0 0 0
Rasio 4 1

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 14

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

Entering variable adalah X2 karena ia memiliki rasio terkecil yaitu 1. Dengan

menerapkan operasi basis seperti biasa diperoleh pada tabel berikut:

Tabel 2
Basis X1 X2 S1 S2 S3 Solusi
Z -3 0 0 0 -1 30
S1 (-2/5) 0 1 0 -1/2 -12
S2 -1/2 0 0 1 -1/2 -6
S3 1/2 1 0 0 -1/2 15

Solusi baru masih optimum tetapi tak layak (S1 = -12, S2 = -6). Kemudian S1 dipilih
sebagai leaving variable dan X1 sebagai entering variable. Ini memberikan iterasi
seperti berikut:

Tabel 3
Basis X1 X2 S1 S2 S3 Solusi
Z 0 0 -1/2 0 -0,4 44.4
S1 1 0 -0,4 0 2 4,8
S2 0 0 -0,2 1 (-0,4) -3,6
S3 0 1 -0,2 0 -0,6 12,6

Pada iterasi kedua belum diperoleh solusi layak (S2 = -3,6). Karena S2 adalah satu-
satunya yang bernilai negatif, dengan sendirinya ia menjadi leaving variable dan S3
sebagai entering variable, ini memberikan iterasi seperti berikut:

Tabel 4
Basis X1 X2 S1 S2 S3 Solusi
Z 0 0 -1 -1 0 48
S1 1 0 -1/2 1/2 0 3
S2 0 0 1/2 -2,5 1 9
S3 0 1 1/2 -1,5 0 18

Yang optimum dan layak dengan nilai fungsi tujuan 48. (Sri Mulyono. 2007. Page 76-
78).

Pengerjaan dengan menggunakan aplikasi QM for Windows sebagai berikut:

1. Aktifkan program QM.
2. Klik menu Module.
3. Pilih Linier Programming

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 15

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

4. Klik menu File, pilih New.

5. Isi kolom Title dengan CONTOH SOAL.

6. Isi kolom Number of Constraint dengan angka 3.
7. Isi kolom Number of Variables dengan angka 2.
8. Pada menu Objective, pilih Maximize.
9. Klik OK.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 16

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

10. Isi kolom sesuai dengan soal.

11. Setelah data diinput seperti pada tampilan, klik Solve untuk mendapatkan hasil
perhitungan.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 17

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

12. Untuk melihat hasil perhitungan dengan metode dual simpleks, klik menu
Solutions dan pilih Dual.

3.3 Analisis Sensitivitas atau Postoptimal

Ruang lingkup program linier tidak berakhir pada pencarian solusi
optimal untuk model linier dari masalah kehidupan nyata. Analisis sensitivitas
program linier berlanjut dengan solusi optimal untuk memberikan wawasan
praktis tambahan dari model. Karena analisis ini menguji seberapa sensitif solusi
optimal terhadap perubahan koefisien model LP, ini disebut analisis sensitivitas.
Proses ini juga dikenal sebagai analisis postoptimal karena dimulai setelah solusi
optimal ditemukan. Karena kita hidup di dunia yang dinamis di mana perubahan
terjadi terus-menerus, studi tentang efek pada solusi karena perubahan data
masalah ini sangat berguna (Bronson, Richard and Govindasami. 1997. Page 57).
Apabila permasalahan dalam Program Linier telah diselesaikan dan telah
menghasilkan solusi optimal belum berarti permasalahan telah selesai. Masih

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 18

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

terdapat kemungkinan-kemungkinan yang dapat terjadi sebagai akibat

perubahan-perubahan pada bagian tertentu. Berbagai perubahan tentunya
berpengaruh terhadap hasil solusi optimum yang telah ada. Salah satu
perubahan dapat terjadi tentunya proses eksekusi tahapan dalam metode
simpleks akan kita lakukan kembali. Kondisi demikian tentu memberikan waktu
yang lama dan pekerjaan dimulai dari awal kembali. Untuk mengatasi perubahan
yang demikian maka diperlukan suatu alat analisis yang digunakan agar proses
perhitungan tidak dilakukan dari awal. Alat analisis yang dapat digunakan adalah
dengan menggunakan pendekatan analisis sensitivitas (Wijaya, Andi. 2013. Page
75).
Seorang analis jarang dapat menentukan model parameter Linear
programming (c, bi, a) dengan pasti karena parameter nilai ini adalah fungsi dari
beberapa variabel yang tidak dapat dikontrol. Misalnya, permintaan masa
depan, biaya bahan mentah dan harga energi sebagai sumber daya tak dapat
diperkirakan dengan tepat sebelum masalah akar. Sementara itu solusi optimal
model Linear programming didasarkan pada parameter ini. Akibatnya, analisis
yang perlu diperhatikan pengaruh perubahan parameter terhadap solusi optimal
analisis perubahan parameter dan pengaruhnya terhadap solusi dinamakan
Linear programming pasca analisis optimalitas. Istilah post optimality
menunjukkan bahwa analisis ini terjadi setelah diperoleh solusi optimal, dengan
asumsi seperangkat nilai parameter yang digunakan dalam model. (Sri Mulyono.
2007. Page 78-80).
Perubahan atau variasi dalam suatu masalah Linear programming yang
biasanya dipelajari melalui analisis optimalitas post dapat diukur ke dalam tiga
kelompok umum.
a. Analisis yang berkaitan dengan parameter perubahan diskrit untuk
melihat berapa besar perubahan dapat ditolerir sebelum solusi optimal
mulai optimalitasnya, ini dinamakan analisis sensitivitas. Jika suatu
perubahan kecil dalam parameter yang menyebabkan perubahan drastis
dalam solusi, dikatakan bahwa solusi adalah sangat sensitif terhadap nilai
parameter itu. Sebaliknya, jika perubahan parameter tidak berpengaruh
besar terhadap solusi dikatakan solusi relatif insensitif terhadap nilai
parameter itu.
b. Analisis yang berkaitan dengan perubahan struktural. Masalah ini muncul
bila masalah Linear programming dirumuskan kembali dengan
menambahkan atau menghilangkan masalah dan variabel untuk
menunjukkan tindakan model alternatif. Pada buku ini, perubahan
struktural akan dimasukkan dalam analisis sensitivitas.
c. Analisis yang berkaitan dengan perubahan parameter kontinu untuk
menentukan urutan solusi dasar yang menjadi optimal jika perubahan
ditambah lebih jauh. Hal ini dinamakan Pemrograman Parametrik.
Analisis sensitivitas dapat dievaluasi pengaruh perubahan-perubahan
parameter dengan sedikit tambahan perhitungan berdasarkan tabel yang
optimum. Namun, jika perubahan-perubahan terlalu banyak,
perhitungan post yang optimal dapat menjadi meletihkan sehingga lebih

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 19

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

efisien jika mengembalikan masalah linier programming dengan metode

simpleks. Dalam analisis sensitivitas, parameter perubahan-perubahan
dikelompokkan menjadi:
• Perubahan koefisien fungsi tujuan (cj)
• Perubahan konstan sisi kanan (bi)
• Perubahan koefisien atau koefisien A,
• Penambahan variabel baru
• Penambahan kendala baru

Contoh Kasus Analisis Sensitivitas :

Sebuah perusahaan memproduksi tiga barang A, B, dan C Keuntungan per unit barang-
barang itu adalah 2, 3, dan 1. Mereka memerlukan dua sumber daya yaitu buruh dan
bahan mentah. Formulasi model untuk menentukan kombinasi produk yang optimal
adalah:
Maksimumkan Z = 2X1 + 3X2 + X3
dengan syarat: 1/3 X1 + 1/3 X2 + 1/3 X3 ≤ 1 kendala buruh
1/3 X1 + 4/3 X2 + 7/3 X3 ≥ 3 kendala bahan mentah
X1, X 2, X3 ≥ 0
Di mana X1, X2, dan X3, adalah jumlah barang A, B, dan C yang dihasilkan. Tabel simpleks
awal dengan variabel tambahan slack S1 dan S2 adalah:
Basis X1 X2 X3 S1 S2 Solusi
Z -2 -3 -1 0 0 0
S1 1/3 1/3 1/3 1 0 1
S2 1/3 4/3 7/3 0 1 3

Melalui beberapa iterasi, metode simpleks menghasilkan tabel optimum sebagai

berikut:
Basis X1 X2 X3 S1 S2 Solusi
Z 0 0 3 5 1 8
X1 1 0 -1 4 -1 1
X2 0 1 2 -1 1 2

Dari tabel optimum terlihat bahwa kombinasi barang yang optimal adalah memproduksi
1 unit barang A dan 2 unit barang B dengan keuntungan total 8. Dengan melakukan
analisis sensitivitas dapat diperoleh informasi yang berhubungan dengan proyek
alternatif di sekitar solusi yang optimal. Bahkan informasi ini akan lebih penting dan
berguna dibanding penentuan kombinasi barang itu.
(Sri Mulyono. 2007. Page 80)

Pengerjaan dengan menggunakan aplikasi QM for Windows sebagai berikut:

1. Aktifkan program QM.
2. Klik menu Module.
3. Pilih Linier Programming

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 20

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

4. Klik menu File, pilih New.

5. Isi kolom Title dengan CONTOH SOAL.

6. Isi kolom Number of Constraint dengan angka 2.
7. Isi kolom Number of Variables dengan angka 3.
8. Pada menu Objective, pilih Maximize.
9. Klik OK.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 21

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

10. Isi kolom sesuai dengan soal.

11. Setelah data diinput seperti pada tampilan, klik Solve untuk mendapatkan hasil
perhitungan.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 22

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

12. Untuk melihat hasil perhitungan dengan analisis sensitivitas, klik menu Solutions
dan pilih Dual.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 23

TOPIK 3. DUALITAS DAN ANALISIS SENSITIVITAS

REFERENSI
1. Aminudin. 2005. Prinsip-Prinsip Riset Operasi. Erlangga. Jakarta.
2. Mulyono, Sri. 2017. Riset Operasi. Mitra Wacana Media. Jakarta.
3. Wijaya, Andi. 2013. Pengantar Riset Operasi. Mitra Wacana Media. Jakarta.
4. Bronson, Richard.et.al. 1997. Schaums Outlines Operation Research 2nd ed. Amerika.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 1 24