RISET OPERASI

EKM 322 E2
“METODE SUBSTITUSI DAN METODE GRAFIK DALAM LINEAR
PROGRAMING”

Dosen Pengampu : I Wayan Santika, S.T., M.M.

Oleh:
KELOMPOK 3

1. I Wayan Putra Aditya (2007521010 / 01)

2. Ni Wayan Melia Dwi Utami (2007521014 / 02)
3. Ketut Wahyu Tamaja (2007521036 / 06)
4. Ni Made Ayu Diah Sukarni Candrawati (2007521065 / 07)

PROGRAM STUDI SARJANA MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS UDAYANA
2022
 KATA PENGANTAR

Segala puja dan puji syukur kami haturkan kehadapan Tuhan Yang Maha Esa, karena
telah memberikan kami kemudahan sehingga kami dapat menyelesaikan paper ini dengan tepat
waktu. Tanpa pertolongan-Nya tentunya kami tidak akan sanggup untuk menyelesaikan paper
ini dengan baik. Kami mengucapkan syukur atas limpahan nikmat sehat-Nya, baik itu berupa
sehat fisik maupun akal pikiran sehingga kami mampu untuk meyelesaikan pembuatan paper
sebagai tugas dari mata kuliah Riset Operasi yang berjudul “Metode Substitusi dan Metode
Grafik Dalam Linear Programing”
Kami sangat berharap semoga paper ini bernilai baik dan menambah pengetahuan serta
wawasan bagi para pembaca. Kami tentu menyadari bahwa paper ini masih jauh dari kata
sempurna dan masih banyak terdapat kesalahan serta kekurangan didalamnya dikarenakan
terbatasnya pengetahuan yang kami miliki. Untuk itu, kami mengharapkan kritik dan saran
yang membangun demi kesempurnaan paper ini. Akhir kata kami berharap semoga isi dari
paper ini dapat memberikan pengetahuan lebih serta manfaat bagi para pembaca.

Denpasar, 16 September 2022

Kelompok 3

ii
 DAFTAR ISI

KATA PENGANTAR ..............................................................................................................ii

DAFTAR ISI........................................................................................................................... iii

BAB I PENDAHULUAN ......................................................................................................... 1

1.1 Latar Belakang........................................................................................................... 1

1.2 Rumusan Masalah...................................................................................................... 1

1.3 Tujuan ........................................................................................................................ 1

BAB II PEMBAHASAN .......................................................................................................... 2

2.1 Metode Substitusi Dalam Linear Programming ........................................................ 2

2.2 Metode Grafik Dalam Linear Programming ............................................................. 4

2.3 Program Solver Dalam Metode Grafik Linear Programming ................................. 12

BAB III PENUTUP ................................................................................................................ 18

3.1 Kesimpulan .............................................................................................................. 18

DAFTAR PUSTAKA ............................................................................................................. 19

iii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Program linear merupakan salah satu teknik penyelesaian riset operasi, dalam hal ini
adalah khusus menyelesaikan masalah-masalah optimasi (memaksimalkan atau
meminimumkan laba) tetapi hanya terbatas pada masalah-masalah yang dapat diubah menjadi
fungsi linear.

Pemrograman linear berkaitan dengan penjelasan suatu kasus dalam dunia nyata sebagal
suatu model matematik yang terdiri dari sebuah fungsi nujuan linear dengan beberapa kendala
linear. Pemrograman linear meliputi perencanaan aktivitas untuk mendapatkan hasil optimal,
yaitu sebuah hasil yang mencapai tujuan terbaik (menurut model matematika) diantara semua
kemungkinan altematif yang ada. Ada banyak metode yang dapat digunakan untuk
menyelesaikan permasalahan program linear, seperti metode substitusi dan metode grafik, yang
cukup banyak digunakan. Oleh karena itu kita akan membahas lebih dalam tentang metode
substitusi dan grafik ini.

1.2 Rumusan Masalah

1.2.1 Bagaimana metode substitusi dalam linear programming?
1.2.2 Bagaimana metode grafik dalam linear programming ?
1.2.3 Bagaimana program solver dalam metode grafik linear programming ?

1.3 Tujuan
1.3.1 Untuk mengetahui metode substitusi dalam linear programming.
1.3.2 Untuk mengetahui metode grafik dalam linear programming.
1.3.3 Untuk mengetahui program solver dalam metode grafik linear programming.

1
 BAB II
PEMBAHASAN

2.1 Metode Substitusi Dalam Linear Programming

Solusi pemrograman linear dapat dilakukan dengan metode substitusi dengan beberapa
tahapan, yaitu:

1. Mengubah ketidaksamaan pembatasan menjadi kesamaan pembatasan dengan cara

menambahkan variabel slack (surplus) untuk persoalan maksimum (minimum).
2. Tentukan seluruh pemecahan dasar dari persamaan pembatasan dan tentukan
pemecahan yang memenuhi semua syarat pembatasan (solusi feasible).
3. Tentukan salah satu dari solusi feasible tersebut yang memenuhi syarat fungsi tujuan
atau solusi optimum.

Model Persoalan Pemrograman Linear Awal

Persoalan pemrograman linear dimana pembatasannya masih dalam bentuk
ketidaksamaan (≤ atau ≥)
Tentukan : x1, x2, ..., xn
S.r.s : Z = c1x1 + c2x2 + ... + cnxn : Optimum
D.p : a11x1 + a12x2 + ... + a1nxn ≤ (≥) b1
a21x1 + a22x2 + ... + a2nxn ≤ (≥) b2
... ... ... ... ... ... ... ... ... ... ... ...
am1x1 + am2x2 + ... + amnxn ≤ (≥) bm
Dimana x1, x2, ..., xn ≥ 0

Model Persoalan Pemrograman Linear Standar

Persoalan pemrograman linear dimana pembatasannya sudah dalam bentuk kesamaan (=)
Tentukan : x1, x2, ..., xn, s1, s2, ..., sn
S.r.s : Z = c1x1 + c2x2 + ... + cnxn + os1 + os2 + ... + osn : Optimum
D.p : a11x1 + a12x2 + ... + a1nxn ± os1 = b1
a21x1 + a22x2 + ... + a2nxn ± os2 = b2
... ... ... ... ... ... ... ... ... ... ... ...
am1x1 + am2x2 + ... + amnxn ± osn = bm
Dimana x1, x2, ..., xn, s1, s2, ..., sn ≥ 0

2
Contoh Metode Substitusi
Tentukan solusi dari persoalan pemrograman linear berikut:Cari x1 dan x2
S.r.s : Z = 8x1 + 6x2 (maksimum)
D.p : 4x1 + 2x2 ≤ 60
2x1 + 4x2 ≤ 48x1, x2 ≥ 0
Solusi :
Transformasi persoalan pemrograman linear ke dalam bentuk standar \
Cari x1, x2, s1 dan s2
S.r.s : Z = 8x1 + 6x2 + os1 + os2 (maksimum)
D.p : 4x1 + 2x2 + s1 = 60
2x1 + 4x2 + s2 = 48
x1, x2, s1, s2 ≥ 0
Mencari solusi feasible:
a) x1 = 0 dan x2 = 0
4x1 + 2x2 + s1 = 60 → s1 = 60
2x1 + 4x2 + s2 = 48 → s2 = 48 >> Z = 8x1 + 6x2 + os1 + os2 = 0

b) x1 = 0 dan s1 = 0
4x1 + 2x2 + s1 = 60 → 2x2 = 60 → x2 = 30
2x1 + 4x2 + s2 = 48 → 4x2 + s2 = 48 → s2 = -72
Karena s2 negatif, tidak feasible sehingga Z tidak dihitung.
c) x1 = 0 dan s1 = 0
4x1 + 2x2 + s1 = 60 → 2x2 + s1 = 60 → s1 = 36
2x1 + 4x2 + s2 = 48 → 4x2 + s2 = 48 → x2 = 12
>> Z = 8x1 + 6x2 + os1 + os2 = 0
>> Z = 8(0) + 6(12) + 0(36) + 0(0) = 72
d) x2 = 0 dan s1 = 0
4x1 + 2x2 + s1 = 60 → 4x1 = 60 → x1 = 15
2x1 + 4x2 + s2 = 48 → 2x1 + s2 = 48 → s2 = 18
>> Z = 8x1 + 6x2 + os1 + os2 = 0
>> Z = 8(15) + 6(0) + 0(0) + 0(18) = 120
e) x2 = 0 dan s2 =
4x1 + 2x2 + s1 = 60 → 4x1 + s1 = 60 → s1 = -36
2x1 + 4x2 + s2 = 48 → 2x1 = 48 → x1 = 24
Karena s1 negatif, tidak feasible sehingga Z tidak dihitung.

3
 f) s1 = 0 dan s2 = 0
4x1 + 2x2 + s1 = 60 → 4x1 + 2x2 = 60 → x2 = 30 – 2x1 = 30 – 2(12) = 6
2x1 + 4x2 + s2 = 48 → 2x1 + 4x2 = 48 → 2x1 + 4(30 – 2x1) = 48
2x1 + 120 – 8x1 = 48 → -6x1 = -72 → x1 = 12
>> Z = 8x1 + 6x2 + os1 + os2 = 0
>> Z = 8(12) + 6(6) + 0(0) + 0(0) = 132
Jadi, solusi optimum terjadi pada x1 = 12 dan x2 = 6 dengan Z = 132.

2.2 Metode Grafik Dalam Linear Programming

2.2.1 Metode Grafik

Sebelum membicarakan langkah-langkah yang dipakai dalam metode grafik, akan

disajikan terlebih dahulu sebuah contoh masalah LP yang sederhana berikut ini:
Perusahaan sepatu “IDEAL” membuat 2 macam sepatu. Macam pertama merk I1, dengan
sol dari karet, dan macam kedua merk I2 dengan sol dari kulit. Untuk membuat sepatu-
sepatu itu, perusahaan memiliki 3 macam mesin. Mesin 1 khusus membuat sol dari karet,
mesin 2 khusus membuat sol dari kulit, dan mesin 3 membuat bagian atas sepatu dan
melakukan assembling bagian atas dengan sol. Setiap lusin sepatu merk I1 mula-mula
dikerjakan di mesin 1 selama 2 jam, kemudian tanpa melalui mesin 2 terus dikerjakan di
mesin 3 selama 6 jam. Sedangkan untuk sepatu merk I2 tidak diproses di mesin 1, tetapi
pertama kali dikerjakan di mesin 2 selama 3 jam kemudian di mesin 3 selama 5 jam. Jam
kerja maksimum setiap hari untuk mesin 1 = 8 jam, mesin 2 = 15 jam, dan mesin 3 = 30
jam. Sumbangan terhadap laba untuk setiap lusin sepatu merk I1 = Rp 30.000, sedangkan
merk I2 = Rp 50.000. Masalahnya adalah menentukan berapa lusin sebaiknya sepatu merk
I1 dan merk I2 yang dibuat agar bisa memaksimumkan laba.

Data tersebut dapat disusun ke dalam tabel seperti yang terlihat dibawah ini

Kapasitas
Mesin/Merk I1 I2
Maksimum
1 2 0 8
2 0 3 15
3 6 5 30
Sumbangan Terhadap
3 5
laba (Rp 10.000)

4
Untuk melakukan formulasi masalah di atas, maka pertama-tama tentukansimbol-
simbol yang akan dipakai:

X1 = Jumlah sepatu merk I1 yang akan dibuat setiap hari

X2 = Jumlah sepatu merk I2 yang akan dibuat setiap hari

Z = Jumlah sumbangan seluruh sepatu merk I1 dan merk I2 yang akan diperoleh

Masalah di atas dapat dipecahkan dengan metode grafik dalam LP dengan

langkah-langkah dan persyaratan-persyaratan penggunaannya secara terperinci di
bawah ini.
Langkah-Langkah dan Persyaratan Penggunaan Metode Grafik:
Secara sistematis telah digambarkan bentuk dan susunan model yang berlaku dalam
LP, yang bila diteliti nampak meliputi “kolom” dan “baris” yang teratur. Jumlah baris
(menunjukkan batasan-batasan) ditentukan oleh banyaknya sumber yang akan dialokasikan ke
setiap jenis kegiatan. Jumlah kolom ditentukan oleh jumlah atau macam kegiatan yang
memerlukan sumber-sumber tersebut. Bila dikembalikan lagi pada uraian di muka, m
menunjukkan jumlah barus dan n menunjukkan jumlah kolom. Sehingga tampak “dimensi”
suatu masalah LP yang dinyatakan dengan m x n. Metode grafik hanya dapat digunakan dalam
pemecahan masalah LP yang ber “dimensi”: 2 x n atau m x 2 karena keterbatasan kemampuan
suatu grafik dalam “menyampaikan” sesuatu (sebenarnya grafik 3 dimensi dapat digambarkan,
tetapi sangat tidak praktis). Hal ini merupakan persyaratan mutlak untuk dapat digunakannya
metoda grafik, selain beberapa persyaratan dan asumsi-asumsi di muka.

Langkah-langkah penggunaan metode grafik dapat ditunjukkan secara ringkas sebagai

berikut:

a) Menentukan fungsi tujuan dan memformulasikannya dalam bentuk matematis

b) Mengidentifikasi batasan-batasan yang berlaku dan memformulasikannya dalam
bentuk matematis
c) Menggambarkan masing-masing garis fungsi batasan dalam satu sistem salib sumbu
d) Mencari titik yang paling menguntungkan (optimal) dihubungkan dengan fungsi tujuan

5
 Sebelum mempraktekkan setiap langkah di atas sebaiknya terlebih dahulu diuraikan
masalah yang biasanya paling kritis, yaotu menggambarkan garis-garis dari fungsi-fungsi
batasan. Fungsi-fungsi batasan ini dinyatakan dalam tiga tanda, yaitu:

≤ kurang dari atau sama dengan

≥ lebih besar dari atau sama dengan

= sama dengan
Sebagai contoh sederhana:

a. Grafik dari 4X + 3y ≤ 12

Gambar 1: Garis dari fungsi batasan dengan tanda ≤

b. Grafik dari 4X + 3y ≥ 12

Gambar 2: Garis dari fungsi batasan dengan tanda ≥

c. Grafik dari 4X + 3y = 12

Gambar 3: Garis dari fungsi batasan dengan tanda =

6
 Disini tidak akan dijelaskan bagaimana cara menggambarkan persamaan garis dalam
suatu grafik, karena hal ini tentunya telah banyak dibahas pada berbagai literatur matematika
dasar. Tetapi yang penting dipahami adalah bahwa bagian yang diarsir menunjukkan “daerah”
(space) yang memenuhi persyaratan fungsi-fungsi batasan tersebut di atas. Pada gambar contoh
c tidak ada bagian yang diarsir, karena yang memenuhi persyaratan hanya titik-titik sepanjang
garis saja.

Dengan contoh masalah perusahaan sepatu “IDEAL” di atas, pendekatan grafis akan
mudah dipahami. Secara grafis akan digambarkan sumbu mendatar X1 untuk produk 1 dan
sumbu vertikal X2 untuk produk 2, jumlah n = 2, yaitu produk 1 (sepatu merk I1) dan produk
2 (sepatu merk I2).

Tujuan kita adalah akan memaksimumkan laba yang akan diperoleh. Sumbangan tiap
lusin sepatu merk I1 = Rp 30.000, sedangkan merk I2 = Rp 50.000. Oleh karena itu dapat kita
formulasikan fungsi tujuannya (dalam puluhan ribuan rupiah) sebagai berikut:

Maksimumkan Z = 3X1 + 5X2

Dengan adanya batasan kapasitas mesin 1, mesin 2, dan mesin 3 (maksimum 8 jam, 12
jam, dan 30 jam setiap hari), maka kita dapat membuat formulasi batasn-batasan itu, sebagai
berikut:

(1) 2X1 ≤8

(2) 3X2 ≤ 15

(3) 6X1 + 5X2 ≤ 30

Batasan (1) adalah batasan mesin 1, yang berarti 2 jam kali jumlah sepatu merk I1, yang
dibuat (2X1) tidak dapat lebih dari 8 jam. Batasan (2) berarti 3 jam kali jumlah sepatu merk I2,
yang dibuat (3X2) tidak dapat lebih dari 15 jam. Sedangkan batasan (3) berarti bahwa 6 jam
kali nilai X1 ditambah 5 jam kali nilai X2 tidak dapat lebih dari 20 jam. Selain itu perlu pula
diperhatikan batasan-batasan “non-negatif”, yaitu X1 ≥ O dan X2 ≥ O. Artinya kombinasi X1
dan X2 nanti hanya akan terletak pada kuadran pertama, yaitu kuadran yang memuat nilai-nilai
positif bagi X1 dan X2.

7
 Fungsi batasan pertama (2 X1 ≤ 8) akan digambarkan sebagai garis tegak lurus pada sumbu
X1 dititik 2X1 = 8 seperti tampak pada gambar berikut ini:

Bagian yang diarsir pada gambar di atas merupakan bagian yang memenuhi batasan-
batasan: X1 ≥ O, X2 ≥ O dan 2X1 ≤ 8. Dengan cara yang sama fungsi batasan kedua (3X2 ≤
15) dapat digambar. Fungsi batasan ketiga (6X1 + 5X2 ≤ 30) digambar terlebih dahulu mencari
titik-titik perpotongan garis 6X1 + 5X2 = 30 dengan sumber X1 dan X2. Akhirnya ketiga fungsi
batasan tersebut dapat digambar secara lengkap berikut ini:

Bagian yang diarsir disebut daerah feasible, pada gambar di atas menunjukkan bagian yang
memenuhi “persyaratan” yang ditetapkan oleh ketiga fungsi-fungsi batasan, atau merupakan
daerah kemungkinan-kemungkinan kombinasi (X1, X2) yang memenuhi batasan-batasan.

Langkah terakhir pendekatan ini adalah mencari suatu titik (kombinasi X1 dan X2) yang
terletak pada daerah feasible yang dapat memaksimumkan nilai Z. Hal ini dapat dilakukan
dengan 2 cara: dengan menggambarkan fungsi tujuan (disebut sebagai cara trial and error) dan
dengan membandingkan nilai Z pada tiap-tiap alternatif.

8
a) Dengan menggambarkan fungsi tujuan
Misal digambarkan Z = 10 = 3X1 + 5X2 (garis P pada gambar di bawah ini). Untuk
mengetahui apakah ada nilai (X1, X2) di dalam daerah feasible yang akan mendapatkan
Z = 10.

Ternyata dengan menggambarkan garis 3X1 + 5X2 = 10 tampak bahwa terdapat

lebih dari satu titik pada garis tersebut yang terletak di dalam daerah feasible. Sehingga
garis Z = 3X1 + 5X2 perlu digeser ke kanan agar lebih menjauhi titik origin atau agar
Z lebih besar. Umpama garis tersebut digeser menjadi 3X1 + 5X2 = 20, (garis q).
Tampak bahwa masih terdapat lebih dari satu titik pada garis tersebut yang terletak di
dalam daerah feasible. Artinya belum ditemukan satu titik (X1, X2) yang menghasilkan
Z tertinggi. Garis Z = 3X1 + 5X2 digeser lebih jauh ke kanan, sampai akhirnya
ditemukan garis 3X1 + 5X2 = 271⁄2, yang menyinggung daerah feasible di titik C
(5⁄6,5). Berarti kombinasi optimal adalah: X1 = 5⁄6 dan X2 = 5, dan Z maksimal sebesar
271⁄2. Jadi langkah terakhir mencari titik optimal dengan “trial and error” pada
prinsipnya dilakukan dengan menggambarkan “family” garis/fungsi tujuan sampai
ditemukan satu titik pada garis tersebut yang menyinggung daerah feasible.

b) Dengan membandingkan nilai Z pada tiap-tiap alternatif.

Apabila cara di atas terasa rumit, dapat dilakukan cara lain yang lebih sederhana yakni
dengan membandingkan berbagai alternatif kombinasi X 1 dan X2. Atau dengan kata
lain dengan membandingkan nilai Z yang diperoleh pada berbagai titik kombinasi X 1
dan X2 di daerah feasible. Tentu saja nilai Z makin tinggi bila makin jauh dari titik
origin (O). Sehingga sebaiknya yang dibandingkan adalah titik-titik yang ada disudut-
sudut daerah feasible.

9
 Ttitik O :
Pada titik ini nilai X1 = 0; X2 = 0. Tentu saja Z = 0
Titik A :
Pada titik ini, nilai X1 = 4; X2 = 0 Sehingga Z = 3(4) + 0 = 12.
Titik B :
Pada titik ini nilai X1 = 4. Substitusikan nilai ini pada persamaan batasan (3), maka 6(4)
+ 5X2 = 30. Jadi nilai X2 = (30-24)/5 = 6/5
Nilai Z = 3(4) + 5(5/6) = 18.
Titik C :
Pada titik ini nilai X2 = 5. Substitusikan nilai ini pada persamaan batasan (3), menjadi
6X1 + 5(5) = 30. Jadi nilai X1 = (30-25)/6 = 5/6

Nilai Z = 3(5/6) + 5(5) = 271⁄2

Titik D :
Pada titik ini nilai X2 = 5 dan nilai X1 = 0Nilai Z = 3(0) + 5(5) = 25

Diantara ke lima alternatif tersebut di atas yang mempunyai nilai Z terbesar adalah

alternatif C, sebesar 271⁄2. Jadi titik inilah yang paling optimal. Keputusannya sepatu

merk I1 dibuat 5/6 lusin dan sepatu merk I2 dibuat 5 lusin setiap hari, dengan laba
setiap hari sebesar Rp 275.000.

2.2.2 Beberapa Hal Lain dalam Metode Grafik

1) Masalah Minimisasi
Pada contoh di atas tampak bahwa permasalahan yang dihadapi adalah
permasalahan maksimisasi. Artinya tujuan yang ingin dicapai adalah laba
(dalam hal ini) semaksimal mungkin. Kalau fungsi tujuan bersifat
minimisasi maka alternative yang optimal adalah alternative yang dapat
meminimumkan nilai Z (laba) sebagai contoh misalnya dalam
menentukan biaya dalam hal ini seperti menentukan formula yang terbaik
dalam memproduksi biscuit dan wafer untuk mendapatkan biaya
produksi serendah – rendahnya (minimum). Bila ditempuh cara yang
menggunakan gambar fungsi Z pada grafik maka untuk mendapatkan

10
 titik optimal garis Z harus digeser ke ke kiri. Namun, bila ditempuh cara
membandingkan nilai Z pada alternatif minimum maka alternatif yang
mempunyai nilai Z terendah adalah alternative yang optimal.
2) Fungsi Batasan Bertanda “lebih besar atau sama dengan” (>) :
Apabila fungsi batasan tidak bertanda < ; melainkan bertanda > maka
arah daerah feasible akan berada di sebelah kanan atas garis batas
tersebut. Umpama : Batasan ketiga pada permasalah di atas (6X1+ 5X2
< 30) dirubah tanda ketidaksamaannya sehingga menjadi 6X1+ 5X2 > 30
sedangkan batasan- batasan lain tetap, maka daerah feasible yang terjadi
seperti yang tampak pada gambar : yakni segitiga ABC

Gambar 7 : Apabila batasan ke (3) bertanda >

3) Fungsi batasan bertanda “sama dengan” ( = ) :

Apabila fungsi batasan bertanda = ; maka daerah feasible akan terletak pada garis
yang memiliki tanda tersebut. Umpama batasan ketiga pada permasalahan
perusahaan sepatu “IDEAL” dirubah tandanya sehinggamenjadi 6X1 + 5X2 = 30,
sedangkan batasan-batasan lain tetap seperti semula,maka daerah feasible yang
baru terletak pada garis 6X1 + 5X2 = 30 antara titikA dan B; seperti tampak pada
gambar berikut.

11
2.3 Program Solver Dalam Metode Grafik Linear Programming
Dalam linear programming, terdapat solutions yang bisa dilakukan yang mana merupakan
jawaban akhir dari suatu masalah, antara lain:

a) Feasible Solution
Feasible Solution merupakan penyelesaian yang tidak melanggar batasan-batasan yang
ada. Misalnya pada grafik di bawah ini:

Gambar 9: Daerah feasible OABCD

Jadi, yang disebut dengan daerah feasible adalah daerah OABCD

b) No Feasible Solution
No Feasible Solution berarti tidak ada daerah feasible, yang mana apabila sifat atau letak
batasan-batasan sedemikian rupa sehingga tidak memungkinkan terdapatnya daerah
atau alternatif-alternatif yang feasible. Sebagai contoh, apabila batasan yang ketiga (6X1
+ 5X2 ≤ 30) pada gambar 5 (yang sudah dicontohkan di depan) diubah menjadi 3X1 +

12
 5X2 ≥ 60, maka grafiknya seperti tampak pada gambar 10 dibawah ini:

Pada gambar 10 di atas, batasan 2X1 ≤ 8 menyatakan bahwa daerah feasible mulai garis X = 4
ke kiri, batasan 3X2 ≤ 15 menyatakan bahwa daerah feasible mulai garis X2 = 5 ke bawah, dan
batasan 3X1 + 5X2 ≥ 60 menyatakan bahwa daerah feasible mulai garis 3X1 + 5X2 = 60 ke
kanan atas. Akibatnya, tidak ada daerah yang tidak melanggar salah satu dari ketiga batasan
tersebut. Jadi, tidak ada daerah feasible-nya.

c) Optimal Solution
Optimal Solution adalah Feasible Solution yang mempunyai nilai tujuan (nilai Z
dalam fungsi tujuan) yang optimal atau terbaik (maksimum atau minimum). Misal pada
contoh berikut, dimana fungsi tujuan memaksimumkan Z = 3X 1 + 5X2, maka nilai X1,
X2, dan Z pada alternatif-alternatif atau titik-titik A, B, C, dan D pada Gambar 6 (yang
sudah dicontohkan di depan).
Hasilnya seperti terlihat pada tabel dibawah ini:

Alternatif Nilai X1 Nilai X2 Nilai Z Keterangan

A 4 0 12
B 4 6⁄ 18
5
C 5⁄ 5 27,5 Maksimum,
6
Optimal
D 0 5 25
Jadi, nilai tujuan yang optimal adalah berada X1 = 5⁄6 dan X2 = 5, dengan Z maksimal sebesar
27,5.

d) Multiple Optimal Solution

Multiple Optimal Solution berarti bahwa terdapat beberapa alternatif optimal dalam
suatu masalah. Misalnya, bila fungsi tujuan Z = 3X1 + 5X2 = 10 berikut (garis p pada
gambar 6) diubah menjadi maksimumkan nilai Z = 6X 1 + 5X2, maka fungsi tujuan ini
bila digambarkan akan sejajar dengan batasan ketiga (6X1 + 5X2 ≤ 30). Akibatnya,
gambar dari fungsi tujuan akan sejajar dengan batasan ketiga itu sehingga bila garis itu
digeser ke kanan atas, maka yang feasible dan paling optimal akan berhimpit dengan
batasan ketiga. Oleh sebab itu, titik B dan titik C serta titik-titik yang berada di

13
 sepanjang garis itu semuanya mempunyai nilai Z sama dan optimal, dengan Z = 30.

Gambar 6 Gambar 11: Multiple Optimal Solution

e) Boundary Equation

Boundary Equation terjadi apabila suatu batasan dengan tanda “sama dengan”.Misal,
bila batasan pertama (2X1 ≤ 8), diubah tandanya menjadi “sama dengan” (2X1= 8)
maka daerah feasible terletak sepanjang garis X1 = 4 yang tidak melebihi batasankedua
dan ketiga.

14
 Jadi, dalam gambar 8, daerah feasible terletak di sepanjang garis antara titik A dan B.

f) Corner Point Feasible Solutions

Corner Point Feasible Solutions adalah Feasible Solutions yang terletak pada sudut
(perpotongan) antara dua garis. Dalam gambar 9 adalah titik-titik A(4,0); B(4,
6⁄ ); C(5⁄ ,5); (0,5); dan O(0,0).
5 6

g) Corner Point Infeasible Solutions

15
 Corner Point Infeasible Solutions adalah titik yang terletak pada perpotongan dua
garis tetapi di luar daerah feasible. Pada gambar 9 adalah titik-titik E (5,0); F(0,6);
dan G(4,5).

h) No Optimal Solutions
No Optimal Solutions terjadi apabila suatu masalah tidak mempunyai jawaban
atau penyelesaian optimal. Hal ini disebabkan oleh faktor-faktor sebagai berikut:
- Tidak ada Feasible Solution
- Ada batasan yang tidak membatasi besar nilai Z. Faktor kedua ini
terjadi andaikatasuatu masalah adalah sebagai berikut:
Fungsi tujuan: Maksimumkan: Z = 3X1 + 5X2
Batasan-Batasan (1) 2X1 ≤ 8
(2) X1 ≤ 5
(3) X1 ≥ 0; X2 ≥ 0
Batasan-batasan diatas dapat digambarkan seperti gambar grafik dibawah ini:
Karena tidak ada batasan yang membatasi X2, maka nilai Z dapat ditambah (digeser ke
kanan) terus tanpa nilai maksimum.
Ketentuan-Ketentuan atau Sifat Linear Programming
Ketentuan-ketentuan berikut ini dipakai sebagai pedoman dalam analisa berikutnya.

Ketentuan 1:
a) Kalau hanya ada satu optimal solution, pasti berupa Corner Point Feasible Solution
b) Kalau Multiple Solutions maka terdapat lebih dari dua titik optimal yang terletak pada
garis yang menghubungkan dua corner solutions

16
Ketentuan 2:

Corner Point Feasible Solutions jumlahnya terbatas. Dalam contoh kita di depan
hanya ada lima titik, yaitu O, A, B, C, D.

Ketentuan 3:

Kalau suatu Corner Point Feasible Solution lebih baik dari dua Corner Point
FeasibleSolutions yang terdekat, maka titik itu merupakan titik optimal atau terbaik
di antara semua Corner Point Feasible Solutions. Dalam contoh kita nilai Z pada
titik C lebih besar dari nilai- nilai pada titik B dan titik D, maka titik C pasti
mempunyai nilai Z terbesar di antara titik-titikO, A, B, C, D. Selama tujuan dari
masalah itu memaksimumkan nilai Z, maka titik C merupakan titik optimal.

Gambar 12: Nilai Z tidak terbatas

17
 BAB III
PENUTUP

3.1 Kesimpulan

Solusi pemrograman linear dapat dilakukan dengan metode substitusi dengan

beberapa tahapan, antara lain: Mengubah ketidaksamaan pembatasan menjadi kesamaan
pembatasan, menentukan seluruh pemecahan dasar dari persamaan pembatasan dan
tentukan pemecahan yang memenuhi semua syarat pembatasan (solusi feasible),
menentukan salah satu dari solusi feasible tersebut yang memenuhi syarat fungsi tujuan
atau solusi optimum.

Langkah-langkah penggunaan metode grafik dapat ditunjukkan secara ringkas yaitu:

Menentukan fungsi tujuan dan memformulasikannya dalam bentuk matematis,
mengidentifikasi batasan-batasan yang berlaku dan memformulasikannya dalam bentuk
matematis, menggambarkan masing-masing garis fungsi batasan dalam satu sistem salib
sumbu, dan mencari titik yang paling menguntungkan (optimal) dihubungkan dengan
fungsi tujuan. Ada pula beberapa hal lain dalam metode grafik antara lain masalah
minimisasi, fungsi batasan bertanda lebih besar atau sama dengan, dan fungsi batasan
bertanda sama dengan.

Dalam linear programming, terdapat solutions yang dapat dilakukan yang mana
merupakan jawaban akhir dari suatu masalah, antara lain: Feasible solution, no feasible
solution, optimal solution, multiple optimal solution, boundary equation, corner point
feasible solutions, corner point infeasible solutions, dan no optimal solutions.

18
 DAFTAR PUSTAKA

Supranto, J. 1980. Linear Programming. Jakarta: Fakultas Ekonomi Universitas Indonesia.

Pangestu Subagyo, Marwan Asri dan T.Hani Handoko. 2000. Dasar-Dasar Operation
Research. Edisi 2. Yogyakarta; BPFE.

19