Pengantar Riset Operasional

1. Sejarah dan Latar Belakang Singkat Riset Operasional

 Pada masa Perang Dunia II, angkatan perang Inggris membentuk suatu tim yang
terdiri dari para ilmuan dan ahli militer untuk mempelajari strategi memenangkan
perang melawan Jerman. Tim yang dibentuk bertujuan menentukan penggunaan sumber
daya kemiliteran yang terbatas untuk dapat bekerja paling efektif. Dalam bekerjanya tim
melakukan riset menggunakan pengetahuan ilmiah untuk menentukan penggunaan
sumber-sumber yang terbatas tersebut.
 Setelah perang selesai, potensi komersialnya segera disadari oleh kalangan industri.
Pengembangannya telah menyebar dengan cepat, terutama di belahan benua Amerika,
terutama di Amerika Serikat.
 Sedemikian pesat perkembangannya sampai saat ini, Riset Operasional telah
digunakan dalam hampir seluruh kegiatan, baik di perguruan tinggi, dunia usaha,
pemerintahan, program kesehatan, maupun organisasi jasa.
 Dalam literatur manajemen, Riset Operasional sering juga dinamakan dengan
Management Science.

2. Riset Operasional Sebagai Senit dan Imu

 Riset Operasional adalah suatu teknik pemecahan masalah yang berusaha menetapkan
arah tindakan terbaik (optimum) dari sebuah masalah keputusan dalam kondisi sumber
daya yang terbatas.
 Istilah Riset Operasional seringkali diasosiasikan hampir secara ekslusif dengan
penggunaan teknik-teknik matematika untuk membuat model dan menganalisis
masalah keputusan.
 Walaupun teknik dan model matematis merupakan inti dari Riset Operasional, akan
tetapi pemecahan masalah tidaklah hanya sekedar pengembangan dan pemecahan model-
model matematis.
 Secara khusus, masalah-masalah keputusan biasanya mencakup faktor-faktor penting
yang tidak terwujud (intagible) dan tidak dapat diterjemahkan secara langsung dalam
bentuk model matematis. Faktor yang paling utama dari faktor-faktor tersebut adalah
kehadiran unsur manusia sebagai si pengambil keputusan.
 Sebagai sebuah teknik pemecahan masalah, Riset Operasional dapat dipandang
sebagai seni dan ilmu.
 Aspek ilmu terletak pada penyediaan teknik-teknik matematik dan algoritma untuk
memecahkan masalah yang dihadapi, sedangkan sebagai seni, keberhasilan dari solusi
model matematis ini sangat bergantung pada kreativitas dan kemampuan seseorang
sebagai pengambil keputusan untuk memecahkan masalah tersebut.
 Jadi pengumpulan data dalam pengembangan model, penentuan keabsahan model, dan
penerapan dari pemecahan yang diperoleh akan bergantung pada kemampuan
kelompok peneliti Riset Operasional yang bersangkutan untuk membentuk komunikasi
yang baik dengan sumber-sumber informasi maupun dengan individu-individu yang
bertanggung jawab atas solusi yang disarankan.

3. Komponen Model Keputusan

 Dalam menyelesaikan suatu permasalahan yang berkaitan dengan pengambilan
keputusan ini, yang terlebih dahulu harus diidentifikasi adalah komponen-komponen
utamanya, yaitu:
 a. Tujuan (objective).
b. Variabel-variabel keputusan.
 Tujuan adalah hasil akhir yang hendak dicapai yang dilakukan dengan cara memilih
suatu tindakan yang paling tepat dari suatu sistem (permasalahan) yang dipelajari.
Dalam bidang bisnis (atau perusahaan), tujuan diartikan sebagai usaha untuk
memaksimumkan profit atau meminimumkan biaya atau ongkos. Sementara itu
dalam bidang-bidang lain yang sifatnya non profit, tujuan tersebut dapat berupa
pemberian kualitas pelayanan kepada para langganan.
 Ketika tujuan telah didefinisikan, tahap selanjutnya yang harus dilakukan adalah
pemilihan tindakan terbaik yang dapat mencapai tujuan tersebut. Dalam hal ini,
kualitas pemilihan tindakan tersebut akan sangat bergantung pada apakah si
pengambil keputusan mengetahui seluruh pilihan tindakan atau tidak.
 Untuk dapat menentukan tindakan-tindakan yang mungkin dilakukan, haruslah
diidentifikasi variabel-variabel sistem yang dapat dikendalikan oleh pengambil
keputusan. Tentu saja tingkat keberhasilan dalam mengidentifikasi variabel-variabel ini
pun akan sangat bergantung pada kemampuan si pengambil keputusan.

4. Model Dalam Riset Operasional

 Sebuah model keputusan semata-mata merupakan alat untuk ”meringkaskan” sebuah
masalah keputusan dengan cara yang memungkinkan identifikasi dan evaluasi yang
sistematis terhadap semua pilihan keputusan dari suatu masalah.
 Model adalah gambaran ideal dari suatu situasi (dunia) nyata, sehingga sifatnya yang
kompleks dapat disederhanakan. Jenis-jenis model yang biasa digunakan:
a. Model-model ikonis/fisik
 Penggambaran fisik dari suatu sistem, baik dalam bentuk ideal maupun dalam
skala yang berbeda. Contoh 1.1: foto, peta, mainan anak-anak, maket,
histogram.
b. Model analog/diagramatis
 Model-model ini dapat menggambarkan situasi-situasi yang dinamis, dan
model ini lebih banyak digunakan daripada model-model ikonis karena
sifatnya yang dapat dijadikan analogi bagi karakteristik sesuatu yang
dipelajari. Contoh 1.2: kurva distribusi frekuensi pada statistik, flow chart,
peta dengan bermacam-macam warna untuk menggambarkan kondisi
sebenarnya.
c. Model simbolis/matematika
 Penggambaran dunia nyata melalui simbol-simbol matematis. Model ini
menggunakan seperangkat simbol matematik untuk menunjukkan komponen-
komponen dari sistem nyata. Namun demikian, sistem nyata tidak selalu dapat
diekspresikan dalam rumusan matematik.
 Model matematik dapat dibedakan menjadi dua kelompok, yaitu:
deterministik dan probabilistik. Model deterministik dibentuk dalam situasi
penuh kepastian, sedangkan model probabilistik meliputi kasus-kasus dimana
diasumsikan penuh ketidakpastian. Contoh 1.3: Persamaan garis lurus y = ax +
b; persamaan linier z = x1+x2+x3
d. Model simulasi
Model-model yang meniru tingkah laku sistem dengan mempelajari interaksi
komponen-komponennya. Karena tidak memerlukan fungsi-fungsi matematis
secara eksplisit untuk merealisasikan variabel-variabel sistem, maka model-model
simulasi ini dapat digunakan untuk memecahkan sistem kompleks yang tidak
dapat diselesaikan secara matematis. Namun model-model ini tidak dapat
 memberikan solusi yang benar-benar optimum. Contoh 1.4: Simulator pesawat,
simulator bisnis.
e. Model heuristik
Kadang-kadang formulasi matematis bersifat sangat kompleks untuk dapat
memberikan suatu solusi yang pasti, atau mungkin suatu solusi optimum dapat
diperoleh, akan tetapi memerlukan proses perhitungan yang sangat panjang dan
tidak praktis. Untuk mengatasi kasus seperti ini dapat digunakan metode heuristik,
yaitu suatu metode pencarian yang didasarkan atas intuisi atau aturan-aturan
empiris untuk memperoleh solusi yang lebih baik daripada solusi-solusi yang
telah dipelajari sebelumnya.
 Pembentukan model adalah esensi dari pendekatan Riset Operasi karena solusi dari
pendekatan ini tergantung pada ketepatan model yang dibuat. Dalam Riset Operasi,
model yang paling banyak digunakan adalah model matematis/simbolis, disamping
banyak juga digunakan model-model simulasi dan heuristik.

5. Metodologi Riset Operasional

 Pembentukan model yang cocok hanyalah salah satu tahap dari aplikasi Riset
Operasional. Pola dasar penerapan Riset Operasional terhadap suatu masalah dapat
dipisahkan menjadi beberapa tahap. Berikut adalah tahapan-tahapan untuk
memecahkan persoalan dalam riset operasional.
a. Merumuskan Masalah
Sebelum solusi terhadap suatu permasalahan dipikirkan, pertama kali yang harus
dilakukan adalah mendefinisikan atau merumuskan permasalahan dengan baik.
Definisi masalah yang tidak baik akan menyebabkan tidak diperolehnya
penyelesaian atas suatu masalah atau penyelesaian yang tidak tepat. Dalam
perumusan masalah ini ada tiga pertanyaan penting yang harus dijawab, terutama
dikaitkan dengan Riset Operasional:
1) Variabel keputusan, yaitu unsur-unsur dalam persoalan yang dapat dikendalikan
oleh pengambil keputusan. Ia sering disebut sebagai instrumen.
2) Tujuan. Penetapan tujuan membantu pengambil keputusan memusatkan
perhatian pada persoalan dan pengaruhnya terhadap organisasi. Tujuan ini
diekspresikan dalam variabel keputusan.
3) Kendala adalah pembatas-pembatas terhadap alternatif tindakan yang tersedia.

b. Pembentukan Model
Sesuai dengan definisi permasalahannya, kelompok peneliti Riset Operasional
tersebut harus menentukan model yang paling cocok untuk mewakili sistem yang
bersangkutan. Model tersebut harus merupakan ekspresi kuantitatif dari tujuan dan
batasan-batasan persoalan dalam bentuk variabel keputusan. Dalam
memformulasikan permasalahan, biasanya digunakan model analitik, yaitu model
matematik yang menghasilkan persamaan. Jika pada suatu situasi yang sangat rumit
tidak diperoleh model analitik, maka perlu dikembangkan suatu model simulasi.

c. Pemecahan Model
Pada tahap ini, bermacam-macam teknik dan metode solusi kuantitatif yang
merupakan bagian utama dari Riset Operasional memasuki proses. Penyelesaian
masalah sesungguhnya merupakan penerapan satu atau lebih teknik-teknik ini
terhadap model. Seringkali, solusi terhadap model berarti nilai-nilai variabel
keputusan yang mengoptimumkan salah satu fungsi tujuan dengan nilai fungsi
tujuan lain yang dapat diterima.
 Disamping solusi model, perlu juga mendapat informasi tambahan mengenai
tingkah laku solusi yang disebabkan karena perubahan parameter sistem. Ini
biasanya dinamakan sebagai Analisis Sensitivitas. Analisis ini terutama diperlukan
jika parameter sistem tak dapat diduga secara tepat.

d. Validasi Model
Sebuah model adalah absah jika, walaupun tidak secara pasti mewakili sistem
tersebut dan dapat memberikan prediksi yang wajar dari kinerja sistem tersebut.
Suatu metode yang biasa digunakan untuk menguji validitas model adalah dengan
membandingkan kinerjanya dengan data masa lalu yang tersedia. Model dikatakan
valid jika dengan kondisi input yang serupa dapat menghasilkan kembali kinerja
seperti masa lampau. Masalahnya adalah bahwa tidak ada yang menjamin kinerja
masa depan akan berlanjut meniru cerita lama.

e. Implementasi hasil akhir

Tahap terakhir adalah menerapkan hasil model yang telah diuji. Hal ini
membutuhkan suatu penjelasan yang hati-hati tentang solusi yang digunakan dan
hubungannya dengan realitas. Suatu hal yang kritis pada tahap ini adalah
mempertemukan ahli Riset Operasional dengan mereka yang bertanggung jawab
terhadap pelaksanaan sistem.

 Penyelesaian kelima langkah yang dijelaskan di atas bukan berarti proses ini telah
selesai. Hasil model dan keputusan hasil yang tersedia memberikan umpan balik pada
model awal.

6. Metode-Metode Umum Mencari Solusi

 Pada umumnya, terdapat tiga metode untuk mencari solusi terhadap model Riset
Operasi, yaitu:
a. Metode analitis,
b. Metode numerik, dan
c. Metode Monte Carlo.
 Pendekatan analitik. Metode analitik memerlukan perwujudan model dengan solusi
grafik atau perhitungan matematik. Jenis matematik yang digunakan tergantung dari
sifat-sifat model.
 Pendekatan Numerik. Metode numerik berhubungan dengan perulangan atau coba-
coba dari prosedur-prosedur kesalahan, melalui perhitungan numerik pada setiap
tahap. Metode numerik digunakan jika metode analitik gagal untuk mencari solusi.
Urutannya dimulai dengan solusi awal dan diteruskan dengan seperangkat aturan-
aturan untuk perbaikan menuju optimum. Solusi awal kemudian diganti dengan solusi
yang diperbaiki dan proses itu diulang sampai tidak mungkin adanya perbaikan lagi
atau biaya perhitungan lebih lanjut tidak dapat diterima.
 Metode Monte Carlo. Metode ini memerlukan konsep probabilistik dan sampling.
Metode Monte-Carlo pada dasarnya adalah suatu teknik simulasi dimana fungsi
distribusi statistik dibuat melalui seperangkat bilangan random.

7. Teknik-Teknik Riset Operasional

 Banyak model Riset Operasional yang sudah dikembangkan dan digunakan terhadap
permasalahan-permasalahan bidang bisnis. Mereka itu dapat dikelompokkan ke dalam
beberapa jenis, seperti dapat dilihat pada tabel 1.1.
 Tabel 1.1 Model-model Riset Operasional
Program Linier Matematika
Teknik Probabilistik
Teknik Persediaan
Teknik Jaringan
Teknik Non-Linier lainnya
Model Programa Linier, Analisis Grafik, Metode
Simplex, Model Minimasi, Post Optimasi,
Transportasi dan Penugasan, Program Linier Integer
Program Linier Sasaran
Probabilitas, Teori Permainan, Analisis Keputusan
Analisis Markov, Antrian, Simulasi, Peramalan
Permintaan pasti, Permintaan tak pasti
Arus Jaringan, CPM/PERT
Program Dinamis, Analisis Titik Impas
Teknik Solusi berdasarkan Kalkulus

8. Ciri-Ciri Riset Operasional

 Terdapat beberapa ciri Riset Operasional yang menonjol diantaranya adalah:
a. Riset Operasional merupakan pendekatan kelompok antar disiplin untuk
mencari hasil optimum.
b. Riset Operasional menggunakan teknik penelitian ilmiah untuk mendapatkan
solusi optimum.
c. Riset Operasional membuka permasalahan-permasalahan baru untuk dipelajari.

9. Keterbatasan Riset Operasional

 Riset Operasi berbeda dengan optimisasi klasik (kalkulus klasik). Dalam metode
optimisasi klasik tidak dapat menangani kendala pertidaksamaan maupun persamaan
secara serempak.
 Dengan kendala yang lebih bebas ini, metoda optimisasi non klasik ini (Riset
Operasional) menjadi lebih menarik dan lebih realistis. Akan tetapi ini membutuhkan
metode solusi yang baru karena kendala pertidaksamaan tak dapat ditangani dengan
teknik kalkulus klasik.
 Seperti metode lainnya, Riset Operasional bukan tanpa kelemahan. Beberapa
kelemahan dalam Riset Operasional diantaranya adalah:
 Perumusan masalah dalam suatu program Riset Operasional adalah suatu tugas
yang sulit.
 Jika suatu organisasi mempunyai beberapa tujuan yang bertentangan, maka akan
mengakibatkan terjadinya sub-optimum, yaitu kondisi yang tak dapat menolong
seluruh organisasi mencapai yang terbaik secara serentak.
 Suatu hubungan non-linier yang diubah menjadi linier untuk disesuaikan dengan
program linier dapat mengganggu solusi yang disarankan.
 Programa Linier
1. Pendahuluan
 Masalah keputusan yang sering dihadapi seorang manajer perusahaan adalah
permasalahan optimasi alokasi sumber daya yang langka dan terbatas
 Sumber daya tersebut dapat berupa bahan baku, peralatan dan mesin, ruang, waktu,
dana, dan tenaga kerja; atau dapat juga berupa batasan pedoman atau aturan, seperti
resep untuk membuat kue atau spesifikasi teknis suatu peralatan.
 Pada umumnya tujuan perusahaan yang paling sering terjadi adalah sedapat mungkin
memaksimumkan laba. Tujuan lain dari unit organisasi yang merupakan bagian dari
suatu organisasi biasanya berupa meminimumkan biaya.
 Salah satu metoda analisis yang paling luas dan paling baik digunakan untuk
menyelesaikan permasalahan alokasi sumber daya adalah metoda programa linier atau
dikenal dengan Linear Programming (Programa Linier).
 Terdapat tiga hal yang harus diperhatikan untuk menggunakan teknik programa linier
untuk memecahkan permasalahan alokasi sumber daya.
i. Pertama, permasalahan harus dapat diidentifikasikan sebagai sesuatu yang
dapat diselesaikan dengan programa linier.
ii. Kedua, permasalahan yang tidak terstruktur harus dapat dirumuskan dengan
model matematika, sehingga menjadi terstruktur.
iii. Ketiga, model harus diselesaikan dengan teknik matematika yang telah dibuat.
 Teknik programa linier menggambarkan bahwa hubungan fungsi linier dalam model
matematika adalah linier dan teknik pemecahan masalah terdiri dari langkah-langkah
matematika yang telah ditetapkan disebut program. Dengan kata lain, sifat ’linier’ di
sini memberi arti bahwa seluruh fungsi matematis dalam model ini merupakan fungsi
yang linier, sedangkan kata program dapat diartikan sebagai perencanaan.
 Model program linier terdiri dari komponen dan karakteristik tertentu.

Formulasi Model Programa Linier

 Setelah masalah diidentifikasi, tujuan ditetapkan, langkah selanjutnya adalah
memformulasikan model matematik yang meliputi tiga hal berikut:
a. Menentukan variabel keputusan,
b. Membentuk fungsi tujuan, dan
c. Menentukan semua batasan model.
a. Variabel keputusan
 Variabel keputusan berupa simbol matematik yang menggambarkan tingkatan
aktivitas perusahaan.
Contoh 2.1: Perusahaan elektronika ingin menjual sebanyak x1 buah radio, x2 buah
televisi, dan x3 buah lemari es, dimana x 1, x2, dan x3 adalah lambang yang
menunjukkan jumlah variabel setiap item yang tidak diketahui. Nilai akhir dari
x1, x2, dan x3 sesuai dengan pengarahan perusahaan, dan merupakan keputusan.
b. Fungsi Tujuan
 Fungsi Tujuan merupakan hubungan matematika linier yang menjelaskan
fungsi tujuan dalam terminologi variabel keputusan.
 Fungsi tujuan selalu mempunyai salah satu target, yaitu memaksimumkan atau
meminimumkan suatu nilai (misalkan untuk kasus perusahaan adalah
memaksimumkan laba atau meminimumkan biaya produksi).
c. Batasan Model
 Batasan Model merupakan hubungan linier dari variabel-variabel keputusan,
6
 menunjukkan keterbatasan sumber daya permasalahan tersebut.
Contoh 2.2: Besarnya biaya maksimum yang dikeluarkan oleh PT. XYZ untuk
kegiatan pemasaran pada tahun ini adalah Rp 15.000.000,00. Tenaga kerja yang
tersedia untuk memproduksi kue dan roti di perusahaan ini hanya 100 jam tenaga
kerja per minggu.

 Berikut adalah contoh permasalahan formulasi model programa linier.

Contoh 2.3 Kombinasi Produk
Perusahaan Tembikar PT. XYZ memproduksi dua macam produk setiap hari, yaitu: genteng
dan bata. Perusahaan mempunyai 2 (dua) sumber daya yang terbatas jumlahnya yang
digunakan untuk memproduksi kedua produk tersebut, yaitu: tenaga kerja dan tanah liat.
Dengan keterbatasan sumber daya yang dimilikinya, perusahaan ingin mengetahui berapa
jumlah genteng dan bata yang akan diproduksi setiap harinya dalam rangka
memaksimumkan laba. Kedua produk tersebut mempunyai kebutuhan sumber daya untuk
produksi serta laba per item sebagai berikut:

Kebutuhan Sumber Daya

Produk Tenaga Tanah liat Laba
Kerja (kg/unit) (Rp/
(jam/unit) unit)
Gente 1 4 4
ng
Bata 2 3 5

Sebagai tambahan informasi: tersedia 40 jam tenaga kerja dan 120 kg tanah liat setiap hari
untuk produksi. Masalah ini akan dirumuskan sebagai model program linier dengan
mendefinisikan secara terpisah setiap komponen model dan menggabungkan komponen-
komponen tersebut dalam satu model.

Penyelesaian:
Langkah 1: Mengenali Variabel Keputusan
 Keputusan yang dihadapi manajemen dalam masalah ini adalah berapa jumlah genteng
dan jumlah bata yang harus diproduksi setiap hari. Ada dua variabel keputusan yang
dicari yaitu jumlah genteng dan jumlah bata. Untuk itu, kita dapat menyatakannya
dengan memisalkan bahwa x1 adalah jumlah genteng dan x2 adalah jumlah bata yang
diproduksi setiap hari.
x1 = jumlah genteng yang diproduksi
x2 = jumlah bata yang diproduksi
Langkah 2: Memformulasikan fungsi tujuan
 Tujuan perusahaan adalah ingin memaksimumkan laba. Laba perusahaan adalah
jumlah total dari laba setiap genteng dan setiap bata.
 Laba dari genteng ditentukan oleh perkalian antara laba setiap genteng, Rp 4/unit,
dengan jumlah genteng yang diproduksi, yaitu x1. Begitu pula dengan laba dari bata
ditentukan oleh perkalian antara laba setiap bata, Rp 5/unit, dengan jumlah bata yang
diproduksi, x2.
 Dengan demikian, total laba adalah dalam pemodelan ini dilambangkan dengan Z,
dapat dijelaskan secara matematika sebagai berikut.

Z = Rp (4x1+5x2).

7
 Dengan menempatkan terminologi memaksimumkan laba di depan fungsi laba,
penggambaran tujuan perusahaan untuk memaksimumkan laba dapat ditulisakan
sebagai berikut:

Memaksimumkan Z = 4x1+5 x2
dimana Z merupakan total laba tiap hari (Rp)
4x1 = laba dari genteng (dalam Rp)
5x2 = laba dari bata (dalam Rp)

Langkah 3: Menetapkan Batasan Model

 Dari masalah di atas, terdapat 2 (dua) sumber daya yang digunakan dalam produksi,
yaitu tenaga kerja dan tanah liat yang jumlah persediaan keduanya terbatas. Produksi
genteng dan bata memerlukan kedua sumber daya, baik tenaga kerja dan tanah liat.

Batasan Tenaga Kerja

 Untuk setiap genteng yang diproduksi memerlukan 1 jam tenaga kerja, sehingga jam
tenaga kerja yang diperlukan untuk memproduksi semua genteng adalah 1.x1.
 Untuk setiap bata yang diproduksi memerlukan 2 jam tenaga kerja, sehingga jam
tenaga kerja yang diperlukan untuk memproduksi semua bata adalah 2.x2.
 Total tenaga kerja yang digunakan oleh perusahaan adalah penjumlahan dari tenaga
kerja yang digunakan oleh setiap produk, yaitu: 1x1 + 2x2
 Jumlah tenaga kerja sebesar 1x1 + 2x2 dibatasi sampai dengan 40 jam per hari (jumlah
jam maksimum tenaga kerja yang dimiliki perusahaan), sehingga batasan tenaga kerja
sekarang 1x1 + 2x2  40 jam.
 Ketidaksamaan atau ‘kurang dari atau sama dengan’ () digunakan dalam model ini,
bukan persamaan (=), karena 40 jam tenaga kerja adalah maksimum sumber daya
yang dapat digunakan, dan bukan jumlah yang harus digunakan.
 Batasan ini mempunyai fleksibilitas. Artinya perusahaan tidak diharuskan
menggunakan semua kapasitas 40 jam, akan tetapi dapat menggunakan jumlah
masukan ke produksi yang dapat memaksimumkan laba sampai dengan dan termasuk
40 jam tenaga kerja. Berarti perusahaan mungkin saja mempunyai kapasitas yang tidak
terpakai (misalnya sebagian waktu dari 40 jam yang tidak digunakan oleh perusahaan).

Batasan Tanah Liat

 Batasan untuk tanah liat dirumuskan sama dengan batasan tenaga kerja.
 Karena setiap genteng yang diproduksi memerlukan 4 kg tanah liat, maka jumlah
tanah liat yang diperlukan untuk memproduksi semua genteng adalah 4.x1.
 Karena setiap bata yang diproduksi memerlukan 3 kg tanah liat, maka jumlah tanah
liat yang diperlukan untuk memproduksi semua bata adalah 3.x2.
 Total tanah liat yang digunakan oleh perusahaan adalah penjumlahan dari tanah liat
yang digunakan oleh setiap produk, yaitu: 4x1 + 3x2.
 Akan tetapi jumlah tanah sebesar 4x1 + 3x2 dibatasi sampai dengan 120 kg per hari,
sehingga batasan tanah liat menjadi: 4x1 + 3x2  120 kg

Batasan yang non negatif.

 Batasan akhir adalah bahwa jumlah genteng dan jumlah bata yang diproduksi bernilai
nol atau positif, karena tidak mungkin mempunyai jumlah produksi yang negatif.

 Batasan ini disebut batasan non negatif dan dinyatakan dalam matematika sebagai
8
 berikut x1  0 , x2  0

 Dengan demikian, maka Formulasi Model Program Linier yang lengkap untuk
masalah ini adalah:

Memaksimumkan Z = 4x1+5 x2
terbatas pada
1x1 + 2x2  40
4x1 + 3x2  120
x1 , x2  0

Contoh 2.4 Formulasi Model Kasus Minimasi

Perusahaan PT. ABC memproduksi campuran ”kue” dengan sekali produksi adalah 1000
kg. Campuran ”kue” tersebut terbuat dari tiga bahan, yaitu: daging ayam, daging sapi, dan
cereal dengan harga masing-masing bahan adalah sebagai berikut:

Bahan Biaya per kg (Rupiah)

Daging ayam 3.000
Dagingn sapi 5.000
Cereal 2.000

Berdasarkan resep yang ada, campuran ”kue” tersebut harus terdiri dari paling sedikit 200
kg daging ayam, paling sedikit 400 kg daging sapi, dan tidak lebih dari 300 kg cereal.
Perusahaan ingin mengetahui pencampuran optimal dari bahan-bahan yang dapat
meminimumkan biaya. Formulasikan model program linier untuk masalah ini.

Penyelesaian:
Langkah 1: Mengenali Variabel Keputusan
 Untuk mengidentifikasi setiap bagian dari model secara terpisah, mulai dengan
variabel keputusan. (Variabel keputusannya adalah ingin mengetahui banyaknya masing-
masing bahan campuran ”kue”).
x1 = jumlah kg daging ayam
x2 = jumlah kg daging sapi
x3 = jumlah kg cereal

Langkah 2: Memformulasikan Fungsi Tujuan

 Tujuan perusahaan adalah ingin meminimumkan biaya, sehingga fungsi tujuannya
adalah:

Meminimumkan Z = Rp (3.000 x1 + 5.000 x2 + 2.000 x3)

dimana Z merupakan biaya per 1000 kg untuk sekali produksi
3.000 x1 = biaya daging ayam.
5.000 x2 = biaya daging sapi.
2.000 x3 = biaya cereal.

Langkah 3: Menetapkan Batasan Model.

 Batasan-batasan masalah ini terdapat dalam batasan resep dan fakta bahwa setiap
sekali produksi harus berisi 1000 kg campuran.

9
 x1 + x2 + x3 = 1000 (sekali produksi sama dengan 1000 kg)
x1  200 (paling sedikit 200 kg)
x2  400 (paling sedikit 4000 kg)
x3  300 (tidak boleh lebih dari 300 kg)
dan
Batasan non-negativitas x1, x2 , x3  0 (batasan non negatif)

Dengan demikian formulasi model permasalahan tersebut menjadi:

Meminimumkan Z = 3000x1 + 5000x2 + 2000x3

terbatas pada
x1 + x2 + x3 = 1000
x1  200
x2  400
x3  300
x1, x2 , x3  0

10
 Programa Linier: Solusi Grafik

1. Pendahuluan
 Pada dasarnya, metode-metode yang dikembangkan untuk memecahkan model
Programa linier adalah ditujukan untuk mencari solusi dari beberapa pilihan solusi
yang dibentuk oleh persamaan pembatas, sehingga diperoleh nilai fungsi tujuan yang
optimum.
 Ada dua cara yang biasa digunakan untuk menyelesaikan persoalan-persoalan
Programa Linier (PL), yaitu dengan 1) metode grafik dan 2) metode simpleks.
 Pada bab ini akan dipelajari solusi grafik programa linier.

2. Solusi Grafik

 Persoalan Programa Linier dapat diilustrasikan dan dipecahkan secara grafik jika
persoalan ini hanya memiliki dua variabel keputusan.
 Model Programa Linier dengan tiga variabel penggambarannya sangat sulit, sedangkan
untuk model yang lebih dari tiga variabel tidak bisa dibuat grafik sama sekali.
 Meskipun permasalahan dengan dua variabel jarang terjadi dalam dunia nyata, akan
tetapi penafsiran geometris dari metode grafik ini sangat bermanfaat untuk memahami
metode pemecahan yang umum melalui algoritma simpleks yang akan dibicarakan
kemudian.

2.1 Solusi Grafik Kasus Maksimasi

Berikut adalah contoh solusi grafik untuk kasus Programa Linier Maksimasi.

Contoh 3.1 Solusi Grafik Programa Linier Kasus Maksimasi

Berikut adalah ilustrasi pemecahan persoalan Programa Linier dengan menggunakan
metode grafik dengan mengambil contoh permasalahan sebelumnya, yaitu permasalahan
perusahaan Tembikar PT. XYZ pada bab 2. Berikut dituliskan kembali model Programa
Linier perusahaan PT XYZ.

Memaksimumkan Z = $ (4x1 +5x2)

terbatas pada
x1 + 2x2  40 jam tenaga kerja
4x1 + 3x2  120 kg tanah liat
x1 , x2  0

dimana
x1 = jumlah genteng yang diproduksi
x2 = jumlah bata yang diproduksi

 Selanjutnya mohon diingat bahwa:

 Koefisien nilai 4 dan 5 dalam fungsi tujuan adalah keuntungan genteng dan bata;
 Koefisien nilai 1 dan 2 pada batasan pertama masing-masing adalah merupakan
jumlah jam tenaga kerja yang diperlukan untuk memproduksi setiap genteng dan
bata;
 koefisien nilai 4 dan 3 pada batasan kedua menunjukkan jumlah kg tanah liat yang
diperlukan untuk memproduksi setiap genteng dan bata.
11
Langkah Pemecahan Solusi Grafik
a. Membuat sumbu koordinat kartesius

 Gambar 3.1 adalah satu kumpulan koordinat untuk variabel-variabel keputusan x 1

dan x2, tempat grafik dari model matematik akan digambarkan. Hanya kuadran
yang positif yang akan digambarkan, yaitu kuadran tempat x 1 dan x2 akan selalu
positif ( x1 ≥ 0 dan x2 ≥ 0).

x2

40

30

20

10

0
10 20 30 40 x1

Gambar 3.1 Koordinat untuk analisis grafik

b. Menggambar grafik
 Langkah pertama dalam menggambar grafik untuk model Programa Linier adalah
memperlihatkan batasan-batasan dalam grafik. Kedua batasan digambarkan sebagai
garis lurus dan masing-masing garis dibuat dalam grafik.

x x2
2
5 50
0
4 40
0
3 30
0

2 x1 + = 40 20 4x1 + 3x2 =
0 2x2 120
0
1 10 20 30 10 0
40 50 x1 10 20 30 40 50 x1
a. b.
Gambar 3.2 a. Grafik dari batasan tenaga kerja
b. Grafik dari batasan untuk tanah liat

 Prosedur yang paling mudah untuk menggambarkan garis lurus ini adalah dengan
cara menentukan dua titik pada garis dan menarik garis lurus melalui titik-titik
tersebut.
 Untuk persamaan batasan tenaga kerja, x1 + 2x2 = 40 (gambar 3.2a), satu titik
akan diperoleh jika salah satu titiknya bernilai 0. Untuk itu:
 jika x1 = 0, kita masukkan (substitusikan) nilai x 1 = 0 ke dalam persamaan x 1
12
 + 2x2 = 40, sehingga akan dihasilkan nilai x2 = 20, dan titik ini berpotongan
dengan sumbu x2.


jika x2 = 0, kita masukkan (substitusikan) nilai x 2 = 0 ke dalam persamaan x 1
+ 2x2 = 40, sehingga akan dihasilkan nilai x 1 = 40, dan titik ini berpotongan
dengan sumbu x1.
 Untuk persamaan: 4x1 + 3x2 = 120 , untuk batasan tanah liat (gambar 3.2b).
 jika x1 = 0, maka x2 = 40 , berpotongan dengan sumbu x2.
 jika x2 = 0, maka x1 = 30 , berpotongan dengan sumbu x1.

 Garis pada grafik gambar 3.2 menunjukkan grafik kedua persamaan ini. Akan tetapi
garis pada grafik 3.2 tersebut masih berupa garis sebuah batasan dan tidak
menunjukkan seluruh batasan seperti gambar 3.3.

x2 x2

50 50

40 B
40

30 x1 + 2x2  40 4x1 + 3x2 120

30

20
A 20

10
10

0
10 20 30 40 50 0
10 20 30 40 50 x1
x1
a b
Gambar 3.3 Grafik dengan daerah batasan

c. Menentukan daerah solusi yang layak (Solusi Fisibel)

 Untuk menguji ketepatan dari daerah batasan, cek setiap satu titik yang berada di
dalam dan di luar daerah. Sebagai contoh, ambil dua buah titik A dan B, masing
masing berada di dalam dan di luar daerah, seperti dapat dilihat pada gambar 3.3a.
Titik uji A pada gambar 3.3a, yang merupakan perpotongan dari x1 = 10 dan x2 =
10. Masukkan nilai-nilai ini ke dalam batasan tenaga kerja, sehingga diperoleh hasil
sebagai berikut.
10 + 2x (10)  40
30  40

 Hasil ini menunjukkan bahwa ternyata titik A berada di dalam daerah batasan
karena nilainya lebih kecil (30) dari 40.
 Berikutnya adalah titik uji B yang berada pada x1 = 40 dan x2 = 30. Hasilnya adalah
40 + 2 x (30)  40
100  40

 Titik B jelas berada di luar daerah batasan karena nilai x 1 dan x2 menghasilkan
13
kuantitas 100, yang melebihi 40. Hal yang sama juga dapat dilakukan pada gambar
3.3b, sehingga kombinasi dari kedua garis tersebut dapat dilihat pada grafik 3.4.

14
 x2

50

40

Daerah
30 batasan kedua model grafik

20

10

0
10 20 30 40 50 x1

Gambar 3.4 Daerah batasan dari kedua persamaan

 Sekarang perhatikan gambar 3.5. Daerah di dalam garis tebal pada gambar 3.5
merupakan daerah yang berlaku untuk batasan kedua model karena daerah ini
merupakan satu-satunya daerah dalam grafik yang berisi nilai-nilai yang dapat
memenuhi kedua batasan secara simultan (daerah solusi yang layak).
 Beberapa titik dalam daerah solusi yang layak akan menghasilkan laba maksimum
bagi perusahaan tersebut.

x2

50

40

30
Daerah solusi fisibel
20

10

0
10 20 30 40
50 x1

Gambar 3.5 Daerah fisibel

d. Mencari Titik Solusi.

Langkah berikutnya adalah menentukan titik dalam daerah solusi yang layak yang
menghasilkan laba terbesar.
 Untuk memulai menganalisis solusi, garis fungsi tujuan disiapkan secara acak
berdasarkan tingkatan laba yang dipilih. Sebagai contoh, jika laba Z adalah 80,
fungsi tujuannya adalah sebagai berikut.
80 = 4x1+5 x2

 Seperti halnya garis batasan, persamaan ini juga digambarkan sebagai garis seperti

15
pada gambar 3.6.

16
 x2

50

40

30
garis
20 80 = 4x1+5 x2

10

0
10 20 30 40 50 x1

Gambar 3.6 Mencari solusi dengan menggunakan

persamaan garis fungsi tujuan

 Selanjutnya geser garis tersebut menjauhi titik origin (0,0). Laba meningkat jika
fungsi tujuan menjauhi titik (0,0). Laba maksimum yang akan dicapai adalah pada
titik dimana garis fungsi tujuan merupakan yang terjauh dari titik pangkal dan
masih menyentuh suatu titik dalam daerah solusi yang layak.
 Dari gambar 3.6 didapatkan bahwa solusi optimal dicapai di titik B.
x2

50

40

30

20

10

0
10 20 30 40 50 x1
Gambar 3.7 Garis bantu digeser menjauhi titik orijin
untuk mencari solusi optimum

 Langkah ketiga dalam pendekatan solusi grafik adalah mencari nilai x 1 dan x2 ketika
titik solusi optimal diperoleh. Koordinat x1 dan x2 dapat langsung diperoleh dari grafik
seperti gambar 3.8 adalah x1 =24 dan x2 = 8. Dengan demikian fungsi tujuan

Z= 4 x 24 + 5 x 8 = 136.

17
 x2

50

40

30

20

B
10

0
10 20 30 40 50 x1

Gambar 3.8 Titik solusi optimum

2.2 Solusi Grafik Masalah Minimasi

 Secara umum, solusi grafik masalah minimasi mempunyai cara yang sama dengan
masalah maksimasi, kecuali untuk sedikit perbedaan.

Contoh 3.2 Pemecahan Masalah Minimasi Programa Linier dengan Metode Grafik.
Formulasi Model Minimasi
Meminimkan Z = 6x1 + 3x2
terbatas pada
2 x1 + 4 x2 ≥ 16
4 x1 + 3 x2 ≥ 24
x1 , x2 ≥ 0

 Untuk menyelesaikan model Programa linier dengan metode grafik:

Langkah pertama adalah menggambarkan persamaan dari dua model batasan (lihat
Gambar 3.9).

x2

10
2 x1 + 4 x2 = 16
8

2 4 x1 + 3 x2 = 24

0
2 4 6 8 12 x1

18
Gambar 3.9 Garis batasan untuk model minimasi

19
 Menentukan daerah solusi fisibel. Berikut adalah daerah solusi yang layak dipilih yang
menggambarkan ketidaksamaan ≥ pada batasan-batasan tersebut (Gambar 3.10).

x2

10

6
Daerah solusi yang layak
4

0
2 4 6 8 12 x1

Gambar 3.10 Daerah solusi yang layak

 Langkah berikutnya adalah menentukan titik optimal. Solusi optimal untuk masalah
minimasi adalah juga pada batasan daerah solusi yang layak, akan tetapi batas daerah
solusi terdiri dari titik-titik terdekat dari titik pangkal (titik orijin).
 Solusi optimal terdapat pada salah satu titik yang terekstrim pada batas daerah solusi.
Dalam hal ini titik sudut yang menunjukkan tingkat ekstrim pada batas solusi yang
terdekat pada titik pangkal, tiga titik sudut A, B, dan C dan garis fungsi tujuan.
 Pada saat fungsi tujuan bergeser mengarah ke titik pangkal, titik terakhir yang
tersentuh dalam daerah solusi adalah titik yang layak. Hal ini menunjukkan bahwa
nilai terendah telah dicapai.

x2

10

8 A

4
B
2
C
0 8 12 x1
2 4 6

Gambar 3.11 Titik Solusi Optimal

 Langkah terakhir dalam pendekatan solusi secara grafik adalah mencari nilai x 1 dan x2
pada titik A.
 Solusi optimalnya adalah dengan mensubstitusikan nilai A pada fungsi tujuan Z
= 6x1 + 3x2 (Coba Anda hitung sendiri!)
20
21
 Programa Linier: Solusi Simplex

1. Pendahuluan

 Tidak semua permasalahan Programa Linier dapat diselesaikan secara grafik.

 Untuk mengatasinya akan diperkenalkan sebuah metode dengan menggunakan
pendekatan matematis yaitu: Metode Simplex.
 Metode Simplex merupakan suatu prosedur ulang yang bergerak dari satu jawab layak
basis ke jawab berikutnya sedemikian rupa sehingga harga fungsi tujuan terus menaik
(dalam persoalan maksimasi) atau fungsi tujuan menurun (dalam kasus minimasi).
Proses ini akan terus berkelanjutan sampai dicapai jawab optimal (jika ada) yang
memberi harga maksimum (minimum).
 Dalam pemecahan metode simplex model Programa Linier diubah ke dalam bentuk
sebuah tabel, dinamakan tabel simplex, kemudian dilakukan langkah-langkah
matematis pada tabel tersebut.
 Langkah-langkah matematis ini pada dasarnya merupakan replikasi proses
pemindahan dari suatu titik ekstrim ke titik ekstrim lainnya pada batas daerah solusi.
 Tidak seperti metode grafik dimana dengan mudah titik terbaik dapat dicari diantara
semua titik-titik solusi, metode simplex bergerak dari satu solusi ke solusi lain yang
lebih baik sampai pada akhirnya solusi yang terbaik didapat.

2. Solusi Metode Simplex

 Langkah pertama untuk memecahkan Programa Linier dengan metode simplex adalah
mengubah batasan-batasan model ke dalam bentuk persamaan yang merupakan
persyaratan untuk pemecahan secara simultan.
 Metode simplex memberikan suatu prosedur standar untuk mentransformasikan
batasan pertidaksamaan berjenis ≤ € ke dalam bentuk persamaan (=).
 Transformasi ini dicapai dengan cara menambahkan suatu variabel baru yang
dinamakan dengan variabel slack (variabel pengurang), diberi notasi s, dari sisi kiri
batasan (untuk kasus maksimasi).
Contoh 4.1 : Penambahan Variabel Slack

x1 + 2x2  40 diubah menjadi x1 + 2x2 + s1 = 40, dimana s1 ≥ 0

Tanda pertidaksamaan variabel slack tanda persamaan

22
Contoh 4.2 Formulasi Model Programa Linier Dengan Penambahan Variabel Slack

Kembali pada contoh permasalahan sebelumnya, kasus Perusahaan Tembikar PT. XYZ
dengan formulasi model berikut:

memaksimumkan Z = Rp (4x1 + 5x2)

terbatas pada
x1 + 2x2  40 jam tenaga kerja
4x1 + 3x2  120 kg tanah liat
x1 , x2  0

Mengubah batasan model.

 Penambahan suatu variabel pengurang (s) pada setiap pertidaksamaan batasan di atas
akan menghasilkan persamaan-persamaan berikut:
x1 + 2x2 + s1 = 40 jam tenaga kerja
4x1 + 3x2 + s2 = 120 kg tanah liat

 Apa yang dimaksud dengan variabel slack?

Variabel slack, s1 dan s2 , merupakan suatu nilai sebarang yang diperlukan, sehingga nilai
sisi kiri dari tanda persamaan akan bernilai sama dengan nilai sisi kanannya.
 Sebagai contoh, misalkan suatu solusi hipotetis dari x 1 = 5 dan x2 = 10. Substitusikan
nilai-nilai tersebut (x1 = 5 dan x2 = 10) ke dalam persamaan-persamaan batasan pada
ilustrasi 4.2, sehingga akan menghasilkan nilai:

x1 + 2 x2 + s1 = 40 jam tenaga kerja

5 + 2.(10) + s1 = 40 jam tenaga kerja
€ s1 = 15 jam tenaga kerja
dan

4x1 + 3x2 + s2 = 120 kg tanah liat

4.(5) + 3. (10) + s2 = 120 kg tanah liat
€ s2 = 70 kg tanah liat

 Dari contoh di atas, x 1 = 5 genteng dan, x 2 = 10 bata mencerminkan suatu solusi yang
belum menggunakan seluruh jumlah jam tenaga kerja dan tanah liat.
 Untuk membuat 5 genteng dan 10 bata hanya memerlukan 25 jam tenaga kerja. Hal ini
berarti masih ada 15 jam tenaga kerja yang belum terpakai. Begitu juga dengan tanah
liat yang digunakan untuk memproduksi 5 genteng dan 10 bata masih menyisakan 70
kg tanah liat.
 Dengan demikian, secara umum suatu variabel slack mencerminkan sumber-sumber
daya yang tidak terpakai.
 Dalam contoh di atas, s1 mencerminkan jumlah jam tenaga kerja yang belum terpakai,
sedangkan s2 mencerminkan jumlah kg tanah liat yang belum terpakai.
 Sumber-sumber yang tidak terpakai secara penuh akan muncul pada saat x 1 = 0 dan x2
= 0 (di titik orijin (0,0). Dengan demikian jika nilai x 1 = 0 dan x2 = 0 tersebut
disubstitusikan ke persamaan batasan model, maka hasilnya adalah
x1 + 2x2 + s1 = 40 € 0 + 2.(0) + s1 = 40
4x1 + 3x2 + s2 = 120 € 4.(0) + 3. (0) + s 2 =
120
23
  Karena tidak ada produksi pada titik orijin (titik asal (0,0)), berarti semua sumber-
sumber daya tersebut tidak terpakai, jadi variabel pengurang sama dengan jumlah total
tiap sumber yang tersedia, yaitu: s1 = 40, s2 = 120.

Efek pada fungsi tujuan.

Pertimbangan berikutnya adalah efek dari variabel-variabel pengurang yang baru ini
terhadap fungsi tujuan. Fungsi tujuan dalam contoh tersebut adalah:
Z = Rp (4x1+5 x2)

 Koefisien 4 dan 5 merupakan masing-masing merupakan kontribusi laba untuk tiap

genteng dan bata. Lalu apa kontribusi dari variabel slack s1 dan s2?
 Variabel slack tersebut tidak memberikan kontribusi apa-apa terhadap fungsi tujuan
karena mereka mencerminkan sumber yang tidak terpakai.
 Laba baru akan diperoleh hanya jika sumber-sumber digunakan untuk menghasilkan
genteng dan bata.
 Dengan menggunakan variabel pengurang, fungsi tujuan dapat dituliskan sebagai
berikut:
Memaksimumkan Z = 4x1 + 5 x2 + 0.s1 + 0.s2

Batasan yang non negatif.

Seperti pada variabel keputusan (x1 dan x2), variabel slack juga hanya dapat memiliki nilai
non negatif karena sumber yang bernilai negatif adalah tidak mungkin.
 Dengan demikian maka untuk formulasi model ini, non negatifnya adalah:
x1 , x2 , s1 , s2  0

 Formulasi model Programa Linier sekarang untuk kasus contoh di atas adalah
memaksimumkan Z = 4x1+5 x2 + 0s1 + 0s2
terbatas pada x1 + 2x2 + s1 = 40
4x1 + 3x2 + s2 = 120
x1 , x2 , s1 , s2  0

3. Solusi Untuk Persamaan Simultan

 Setelah kedua batasan ini diubah ke dalam bentuk persamaan, maka untuk menentukan
nilai dari variabel pada tiap titik solusi persamaan-persamaan batasan dapat dipecahkan
secara simultan.
 Pada contoh tersebut, terdapat dua persamaan dengan empat variabel yang tidak
diketahui (yaitu: dua variabel keputusan (x1 dan x2) dan dua variabel pengurang (s1 ,
s2)), suatu situasi yang membuat solusi simultan secara langsung tidak memungkinkan.
Perhatikan kembali kedua persamaan batasan contoh di atas.
x1 + 2x2 + s1 = 40
4x1 + 3x2 + s2 = 120

 Metode simplex memudahkan permasalahan ini dengan memberikan nilai nol untuk
beberapa variabel.
 Jumlah variabel yang diberi nilai nol adalah n-m, dimana n sama dengan jumlah
variabel sedangkan m sama dengan jumlah batasan (tidak termasuk batasan
nonnegatif).

24
 Untuk contoh model ini berarti n = 4 variabel dan m = 2 batasan, sehingga dua dari
empat variabel tersebut diberi nilai nol (yaitu, 4 – 2 = 2).
 Sebagai contoh, misalkan x1 = 0 dan s1 = 0, maka kedua persamaan batasan tersebut
akan menghasilkan seperti di bawah ini.
x1 + 2x2 + s1 = 40
0 + 2x2 + 0 = 40
x2 = 40
dan
4 x1 + 3 x2 + s2 = 120
4.(0) + 3 (40) + s2 = 120
s2 = 60

 Solusi ini berhubungan dengan titik A pada gambar 4.1. Grafik pada gambar 4.1
memperlihatkan bahwa pada titik A, dimana x1 = 0, x2 = 20, s1 = 0, dan s2 = 60 adalah
solusi yang diperoleh jika diselesaikan dengan memecahkan persamaan simultan.
 Solusi ini nyata sebagai suatu solusi fisibel dasar.
x2

4 x1 + 3 x2 + s2 = 120
50
x1 = 0
x2 =20 x1 = 24
s1 = 0 40 x2 = 8
s2 = 60 s1 = 0
30 s2 = 0 x1 =
30
A x2 = 0
20 x1 + 2x2 + s1 = 40
s1 = 10
s2 = 0

x1 = 0 B
10
x2 = 0
s1 = 40
0
s2 = 120 10 20 30 40 50 x1
D C

Gambar 4.1 Solusi pada titik-titik A, B, C, dan D

 Suatu solusi fisibel dasar adalah solusi yang memenuhi batasan model.
 Suatu solusi fisibel dasar memenuhi batasan-batasannya dan terdiri dari variabel
dengan nilai non negatif dan n-m variabel yang diberi nilai nol.
 Biasanya, sebanyak m variabel mempunyai nilai solusi yang positif, namun, bila satu
dari m variabel mempunyai nilai nol, solusi fisibel dasar dinyatakan mengalami
degenerasi.

4. Metode Simplex Menggunakan Tabel Simplex

 Langkah-langkah metode simplex dilakukan dalam suatu kerangka tabel, atau disebut
dengan tabel simplex.
 Tabel simplex adalah tabel yang memuat semua keterangan yang perlu bagi jawab
layak basis dari suatu permasalahan Programa linier.
 Tabel ini juga mengatur model ke dalam suatu bentuk yang memungkinkan untuk
penerapan langkah-langkah matematis menjadi lebih mudah.
 Bentuk umum tabel simplex awal dengan judul kolom dan baris diperlihatkan pada
tabel 4.1.

25
 Tabel 4.1 Tabel Awal (Secara Umum)

c
j Variabe Kuantita
l s x . x . s . s
dasar (solusi) 1 . n . 1 . n
. . .

zj
cj -
zj

Contoh 4.3 Solusi Metode Simplex dengan Tabel Simplex

Berikut adalah langkah-langkah penyelesaian permasalahan Programa linier menggunakan

metode simplex dengan tabel simplex dengan contoh persoalan Perusahaan Tembikar PT.
XYZ. Kita tuliskan kembali model matematikanya

memaksimumkan Z = $ (4x1+5 x2)

terbatas pada
x1 + 2x2  40 jam tenaga kerja
4x1 + 3x2  120 kg tanah liat
x1 , x2  0

Langkah 1: mengubah bentuk batasan model pertidaksamaan menjadi persamaan.

Untuk persoalan Perusahaan Tembikar PT. XYZ, hasil transformasi modelnya adalah
sebagai berikut. (lihat contoh 4.2)

memaksimumkan Z = 4x1+5 x2 + 0s1 + 0s2

terbatas pada x1 + 2x2 + s1 = 40
4x1 + 3x2 + s2 = 120
x1 , x2 , s1 , s2  0

Langkah 2: Siapkan tabel awal untuk solusi fisibel dasar pada titik orijin dengan jumlah
kolom sebanyak jumlah variabel ditambah tiga dan jumlah baris sebanyak jumlah
batasan ditambah empat.
 Tabel simplex awal untuk model Perusahaan Tembikar PT. XYZ, dengan berbagai judul
kolom dan baris diperlihatkan pada tabel 4.2.

Langkah 3: Isi kolom-kolom dan baris tabel simplex untuk solusi fisibel dasar di titik
orijin.

26
Tabel 4.2 Tabel Simplex
c
j Variabel Kuantita
dasar s x x s1 s2 variabel-variabel model
(solusi) 1 2 sepanjang baris kedua
dari atas, yaitu
x1 , x2 , s1 , s2

zj
cj -
1) Tahap pertama dalam mengisi tabel 4.2 adalah menuliskan variabel-variabel model
sepanjang baris kedua dari atas. Kedua variabel keputusan ditulis terlebih dahulu
dengan mengikuti urutan besarnya subskripnya, diikuti dengan variabel pengurang
yang juga ditulis mengikuti urutan besarnya subskripnya. Langkah ini menghasilkan
suatu baris berisi x1 , x2 , s1 , s2 dalam tabel 4.2.
2) Tahap berikutnya adalah menentukan suatu solusi fisibel dasar. Dengan kata lain, dua
variabel manakah yang akan membentuk solusi fisibel dasar dan variabel mana yang
akan diberi nilai nol?

Tabel 4.3 Solusi Fisibel Dasar

c
j Variabel Kuantita
dasar s x x s1 s2
(solusi) 1 2

s1 40 variabel-variabel
dasar dan nilainya di
s2 120 titik orijin.
zj s1 = 40 dan s2 = 120
cj -
 Metode simplex memilih titik orijin sebagai awal dari solusi fisibel dasar karena
nilai variabel keputusan pada titik orijin selalu dapat diketahui dalam semua
Programa linier.
 Pada titik orijin tersebut (x1 = 0 dan x2 = 0), yang merupakan variabel-variabel dalam
solusi fisibel dasar untuk kasus ini adalah s1 dan s2. Dengan demikian, jika nilai x1 = 0
dan x2 = 0, maka kita substitusikan nilai-nilai tersebut pada kedua persamaan batas,
hasilnya adalah

x1 + 2x2 + s1 = 40 € 0 + 2.(0) + s1 = 40
s1 = 40 jam

4x1 + 3x2 + s2 = 120 € 4.(0) + 3. (0) + s2 = 120

s2 = 120 kg

 Dengan kata lain, pada titik orijin, dimana tidak ada produksi, semua sumber-sumber
tersebut tidak terpakai, dan variabel s1 dan s2, yang membentuk solusi fisibel dasar.
 Dalam tabel 4.3 ditulis di bawah kolom variabel dasar dengan nilai-nilainya masing-
masing 40 dan 120 ditulis di bawah kolom kuantitas (solusi).

27
 Karena tabel simplex awal selalu dimulai dengan solusi pada titik orijin, maka variabel-
variabel dasar pada titik orijin adalah variabel pengurang, s 1 dan s2.
 Variabel dasar adalah variabel yang nilainya tidak sama dengan nol; sedangkan
variabel non-dasar adalah variabel yang nilainya sama dengan nol.

Tabel 4.4 Tabel Simplex dengan nilai-nilai cj

c 4 5 0 0
j Variabel Kuantita
dasar s x x2 s1 s2 Nilai cj koefisien fungsi
tujuan
(solusi) 1
Z = 4x1+5 x2 + Os1 + Os2
0 s1 40
0 s2 120
zj
cj -
 Selanjutnya isi nilai cj, yaitu: koefisien-koefisien fungsi tujuan, yang mencerminkan
kontribusi pada keuntungan (atau biaya) untuk setiap variabel x j atau sj pada fungsi
tujuan. Sepanjang baris teratas dimasukkan nilai-nilai c j , yaitu 4, 5, 0, dan 0 untuk
setiap variabel, seperti ditunjukkan pada tabel 4.4.
 Nilai-nilai cj pada sisi kiri tabel adalah kontribusi keuntungan dari variabel-variabel
yang termasuk pada solusi fisibel dasar, dalam hal ini s 1 dan s2. Variabel-variabel ini
dituliskan pada sisi kiri tabel dengan tujuan digunakan untuk menghitung nilai pada
baris zj.
 Kolom-kolom di bawah tiap variabel (x 1 , x2 , s1 , s2) mengikuti koefisien variabel
keputusan dan variabel pengurang dalam persamaan batasan model, dan hasilnya
dapat dilihat pada tabel 4.5.

Tabel 4.5 Tabel Simplex dengan Koefisien Batasan Model

c 4 5 0 0
j Variabel Kuantita
dasar s x x2 s1 s
(solusi) 1 2
Kolom-kolom di
bawah tiap variabel
0 s1 40 1 2 1 0
(x1 , x2 , s1 , s2)
0 s2 120 4 3 0 1
zj
cj -
 Sampai di sini proses pengisian tabel simplex awal telah lengkap.
 Nilai-nilai yang harus diisi pada baris z j dan cj – zj, seperti juga nilai-nilai tabel
selanjutnya diperoleh dari hasil perhitungan matematis yang menggunakan formula-
formula simplex.

Menghitung zj dan Baris cj-zj

 Langkah 4 : Menghitung nilai zj dan baris cj-zj

Menghitung zj
 Nilai pada baris zj dihitung dengan jalan mengalikan tiap nilai kolom c j (pada sisi kiri)
dengan tiap kolom variabel (di bawah x 1, x2, s1, dan s2), dan kemudian menjumlahkan tiap
set nilai-nilai ini satu persatu. Nilai zj ini ditunjukkan dalam tabel 4.6.
28
Tabel 4.6 Tabel Simplex dengan nilai-nilai cj
c 4 5 0 0
j Variabel Kuantita
dasar s x x2 s1 s
1 2

0 s1 40 1 2 1 0
0 s2 120 4 3 0 1
zj 0 0 0 0 0 Nilai zj
cj -
Contoh perhitungan
Nilai baris zj di bawah kolom kuantitas; nilai baris zj di bawah kolom x1
cj kuantita c x1
s j
0 X 40 = 0 x 1 =0
0
0 X 120 = 0 x 4 =0
0
zq = zq =0
0

Menghitung baris cj-zj

 Baris cj-zj dihitung dengan jalan mengurangkan nilai baris z j dari nilai-nilai baris (teratas)
cj. Sebagai contoh, pada kolom x1, nilai cj-zj dihitung sebagai 4 – 0 = 4. Nilai ini seperti
juga nilai cj-zj lainnya ditunjukkan pada tabel 4.7.

Tabel 4.7 Tabel Simplex Awal Lengkap

c 4 5 0 0
j Variabel Kuantita
dasar s x x2 s1 s
1 2

0 s1 40 1 2 1 0
0 s2 120 4 3 0 1
zj 0 0 0 0 0
cj - 4 5 0 0
zj

 Tabel 4.7 adalah tabel simplex awal yang lengkap dengan semua nilai yang telah terisi.
Tabel 4.7 mencerminkan solusi pada titik orijin, dengan nilai x 1 = 0, x2 = 0, s1 = 40 dan s2
= 120.
 Solusi ini jelas tidak optimal karena tidak ada keuntungan yang diperoleh. Jadi kita
ingin berpindah ke suatu titik solusi yang akan memberikan solusi lebih baik. Dengan
kata lain, kita ingin memproduksi salah satu dari beberapa genteng (x 1) atau beberapa
bata (x2).

Variabel Non-Dasar yang masuk.

29
 Pada umumnya, nilai pada baris cj-zj mencerminkan kenaikan bersih per unit variabel
non dasar yang masuk ke dalam solusi dasar.
 Secara alamiah, kita ingin memperoleh sebanyak mungkin keuntungan, mengingat
tujuan utamanya adalah memaksimumkan laba.

30
 Dengan demikian, kita memasukkan variabel yang akan memberikan kenaikan bersih
terbesar terhadap laba per unit.
 Pada tabel 4.8 kita memilih variabel x2 sebagai variabel dasar yang memasuki solusi
karena variabel tersebut memiliki kenaikan bersih terbesar terhadap laba per unit, dan
merupakan nilai positif tertinggi pada baris cj-zj.

 Variabel non dasar yang masuk menjadi variabel dasar ditentukan dengan cara mencari
nilai pada baris cj-zj yang terbesar.

Tabel 4.8 Pemilihan Variabel Dasar yang masuk

c 4 5 0 0
j Variabel Kuantita
dasar s x x2 s1 s
1 2

0 s1 40 1 2 1 0
0 s2 120 4 3 0 1
zj 0 0 0 0 0
cj - 4 5 0 0
zj

variabel x2
 Kolom x2 yang diberi garis terang pada tabel 4.8 disebut kolom pemutar (pivot
column).

Variabel Dasar yang Keluar

 Dalam contoh permasalahan ini, setiap solusi fisibel dasar hanya terdiri dari dua
variabel yang diberi nilai nol, dan satu dari dua variabel dasar yang ada, s 1 atau s2 akan
meninggalkan solusi dan menjadi nol.
 Untuk menentukan variabel dasar mana yang harus keluar menjadi variabel non-dasar
dalam metode ini, caranya adalah dengan mencari nilai non-negatif terkecil dari hasil
pembagian antara nilai kuantitas dari variabel solusi dasar terhadap nilai koefisien dari
kolom pemutar.
 Dengan demikian maka, variabel dasar yang keluar pada tabel 4.8 adalah variabel s1.
Baris s1 yang diarsir terang pada tabel 4.8 dinyatakan sebagai baris pemutar (pivot row).
 Variabel dasar yang keluar menjadi variabel non-dasar ditentukan dengan cara
mencari nilai terbesar dari hasil perhitungan pembagian antara nilai kuantitas dari
variabel solusi dasar terhadap nilai variabel pada kolom pemutar.

Membentuk Tabel Baru

 Tabel 4.9 memperlihatkan tabel simplex ke dua dari variabel solusi dasar fisibel
yang baru, yaitu x2 dan s2 berikut koefisien cj yang berhubungan.

Tabel 4.9 Variabel Dasar dan nilai cj untuk tabel Simplex Kedua
c 4 5 0 0
j Variabel Kuantita
Dasar s x x2 s1 s
1 2

5 x2

31
0 s2

32
 zj
cj -
zj

 Nilai baris yang beragam dalam tabel kedua dihitung menggunakan beberapa formula
simplex.
1. Untuk baris x2 yang disebut baris pemutar tabel baru, dihitung dengan membagi tiap
nilai dalam baris pemutar pada tabel pertama terhadap angka pemutar.
nilai baris pemutar = (nilai baris pemutar tabel lama /angka pemutar)
tabel baru

Tabel 4.10 Perhitungan Nilai Baris Pemutar yang Baru

c Variabel Kuantita 4 5 0 0
j Dasar s
x x s1 s2
1 2

5 x2 20 1 1 1/ 0
/ 2
2
0 s2
zj
cj -
zj

2. Untuk menghitung nilai baris lainnya (dalam hal ini hanya ada satu baris) digunakan
formula yang berbeda.

Koefisien kolom Nilai baris pemutar

Nilai baris = Nilai baris - pemutar yang x tabel baru yang
tabel baru tabel lama berhubungan behubungan

Perhitungan Nilai Baris s2 yang baru

Kolom Nilai Koefisien Nilai baris Nil

baris - kolom pemutar pemutar ai
tabel x tabel baru =
lama yang yang
berhubungan behubunga bar
n is
La
ma
Kuantit 120 - ( 3 20 ) = 60
as x
x 4 - ( 3 ½ ) = 5/2
1 x
x 3 - ( 3 1 ) = 0
2 x
s 0 - ( 3 ½ ) = -
1 x 3/2
s 1 - ( 3 0 ) = 1
33
 2 x

Tabel simplex kedua diselesaikan dan dilengkapi dengan jalan menghitung baris z j
dan cj – zj sama seperti perhitungan pada tabel pertama.

Baris zj dihitung dengan jalan menjumlahkan hasil kali nilai kolom cj dengan semua
nilai kolom lainnya.

Kolom
kuantitas zq = (5) . (20) + (0) . (60) = 100
x z1 = (5) . (1/2) + (0) . (5/2) = 5/2
1
x z2 = (5) . (1) + (0) . (0) = 5
2

34
 s1 z3 = (5) . (1/2) + (0) . (-3/2) = 5/2
s2 z4 = (5) . (0) + (0) . (1) = 0

Nilai baris zj dan nilai baris cj-zj dimasukkan ke dalam tabel untuk melengkapi tabel
simplex kedua yang ditunjukkan dalam tabel 4.11.

Tabel 4.11 Tabel Simplex kedua yang lengkap.

c Variabel Kuantita 4 5 0 0
j dasar s
x x s1 s2
1 2

5 x2 20 1 1 1/ 0
/ 2
2
0 s2 60 5 0 - 1
/ 3/
2 2
zj 100 5 5 5/ 0
/ 2
2
cj - 3 0 - 0
zj / 5/
2 2

Tabel 4.11 di atas masih belum memberikan solusi optimal. Untuk mendapatkan tabel
simplex solusi optimal, langkah-langkah seperti sebelumnya perlu dilakukan.

Tabel Siplex Optimal

 Untuk menentukan variabel non dasar yang masuk menjadi variabel dasar dan variabel
dasar yang keluar menjadi variabel non dasar, dilakukan perhitungan seperti
sebelumnya.
1. Menentukan variabel yang masuk
Variabel non dasar yang masuk ditentukan dengan cara mencari nilai baris c j-zj yang
tertinggi, seperti dapat dilihat pada tabel 4.12.
2. Variabel yang keluar
Variabel dasar yang keluar ditentukan dengan cara membagi nilai kuantitas dari
variabel solusi dasar terhadap nilai kolom pemutar. Dan variabel dasar yang keluar
adalah variabel yang mempunyai hasil bagi nonnegatif terkecil, seperti dapat dilihat
pada tabel 4.12.

Tabel 4.12 Kolom Pemutar, Baris Pemutar, dan angka pemutar.

c Variabel Kuantita 4 5 0 0
j dasar s
x x s1 s2
1 2

5 x2 20 1 1 1/ 0
/ 2
2
0 s2 60 5 0 - 1
/ 3/
35
 2 2
zj 100 5 5 5/ 0
/ 2
2
cj - 3 0 - 0
zj / 5/
2 2

Baris pemutar tabel baru (x1) dalam tabel simplex ketiga dihitung dengan
menggunakan formula yang sama seperti sebelumnya.
Jadi semua nilai-nilai baris pemutar lama dibagi dengan 5/2 sebagai angka pemutar,
hasilnya dapat dilihat pada tabel 4.13.

Tabel 4.13 Nilai-nilai baris pemutar lama

c Variabel Kuantita 4 5 0 0
j s

36
 das x1 x s1 s2
ar 2

5 x2
4 x1 24 1 0 - 2/
3/ 5
5
zj
cj -
zj

Nilai-nilai baris lainnya (x2) dihitung seperti yang diperlihatkan pada tabel .
Perhitungan Nilai Baris x2 yang Baru

Koefisien Nilai baris Nilai

Nilai baris - kolom pemutar x pemutar tabel = baris
kolom tabel lama yang baru yang Lama
berhubungan behubungan
Kuantit 20 - (½ x 24 ) = 8
as
x1 ½ - (½ x 1 ) = 0
x2 1 - (½ x 0 ) = 1
s1 ½ - (½ x -3/5 ) =
4/5
s2 0 - (½ x 2/5 ) = -
1/5

Nilai-nilai yang baru ini, seperti baris zj dan nilai baris cj-zj yang baru, diperlihatkan dalam
tabel ke tiga yang lengkap dalam tabel 4.14.

Tabel 4.14 Tabel Simplex lengkap

c Variabel Kuantita 4 5 0 0
j dasar s
x1 x s1 s2
2

5 x2 8 0 1 4/5 -
1/5
4 x1 24 1 0 - 2/5
3/5
zj 136 4 5 8/5 3/5
cj - zj 0 0 - -
8/5 3/5

 Untuk menentukan variabel yang masuk berdasarkan pengamatan pada baris c j-zj, kita
lihat bahwa suatu variabel non-dasar tidak akan menghasilkan kenaikan bersih positif
terhadap laba dimana semua nilai baris c j-zj pada saat itu nol atau negatif. Ini berarti
solusi optimal telah tercapai.
Jadi solusinya adalah
x1 = 24 genteng
x2 = 8 bata
Z = Rp 136
37
B. Tugas

Kerjakan latihan-latihan soal di bawah menggunakan solusi simplex!

1. memaksimumkan Z = 4 x1 + 5 x2
terbatas pada

38
 xPrograma Linier: Solusi Simplex Minimasi dan Tipe Programa
Linier Iregular

1. Pendahuluan
 Secara umum, langkah-langkah metode simplex yang telah dijelaskan pada bab
sebelumnya digunakan untuk semua tipe masalah programa linier.
 Untuk masalah minimasi, diperlukan sedikit perubahan dalam proses simplex yang
normal.

2. Masalah Minimasi Program Linier

Contoh 5.1 Penyelesaian masalah minimasi progama linier menggunakan metode simplex.
Diketahui formulasi model Programa Linier minimasi sebagai berikut.
Meminimumkan Z = 6x1 + 3x2
terbatas pada
2 x1 + 4 x2 ≥ 16
4 x1 + 3 x2 ≥ 24
x1 , x2 ≥ 0
Cari solusinya menggunakan Metode Simpleks

Penyelesaian:
Langkah pertama dari proses simplex adalah mengubah semua batasan pertidaksamaan ≥
ke bentuk persamaan (=) dengan mengurangi suatu variabel penambah (variabel surplus)
dan ditambahkan variabel artifisial A.

2x1 + 4x2 ≥ 16 diubah menjadi 2x1 + 4x2 - s1 + A1 = 16, dimana s1 ≥ 0 4x1 + 3x2 ≥ 24 diubah menjadi 4x1 + 3x2 - s2 +

Tanda pertidaksamaan variabel surplus tanda persamaan

 Variabel penambah diberi simbol s dan harus nonnegatif (≥ 0 ).

39
 Suatu variabel pengurang yang ditambahkan pada batasan ≤ mencerminkan
sumber yang tidak terpakai, sedangkan variabel penambah yang dikurangkan
pada batasan ≥ mencerminkan kelebihan di atas batas minimal sumber yang
diperlukan.
 Variabel artifisial (A) tidak memberikan arti seperti halnya variabel pengurang atau
variabel penambah. Variabel Artifisial diselipkan ke dalam persamaan hanya untuk
memberikan solusi positif pada titik pangkal (titik orijin).
 Variabel artifisial analog dengan roket booster yang tujuannya adalah untuk mengangkat
pesawat dari permukaan bumi, tetapi sekali pesawat terangkat, roket tersebut tidak ada
gunanya lagi sehingga roket tersebut lalu dibuang.

Langkah kedua adalah mengubah persamaan fungsi tujuan dengan menambahkan variabel
big M.
Z = 6x1 + 3x2 + 0. s1 + 0. s2 + M.A1 + M. A2

 Seperti variabel pengurang, variabel penambah tidak mempunyai dampak

menaikkan atau menurunkan biaya pada fungsi tujuan.
 Dengan demikian transformasi model masalah minimasi secara lengkapnya adalah:

meminimumkan Z = 6x1 + 3x2 + 0. s1 + 0. s2 + M.A1 + M. A2

terbatas pada
2x1 + 4x2 - s1 + A1 = 16
4x1 + 3x2 - s2 + A2 = 24
x1 , x2 , s1 , s2 , A1, A2 ≥ 0

3. Tabel Simplex Minimasi

 Pembentukan tabel simplex awal untuk model minimasi dilakukan dengan cara yang
sama seperti untuk model maksimasi, kecuali untuk satu perbedaan kecil.
 Pada baris akhir tabel simplex, tidak lagi menghitung cj – zj , melainkan menghitung
zj – cj, yang mencerminkan penurunan biaya per unit bersih, dan kemudian dipilih
nilai positif terbesar untuk penentuan variabel yang masuk dan kolom pemutar.
 Pilihan lain, kita tetap dapat menghitung cj – zj dan tetap kita memilih nilai negatif
terbesar sebagai kolom pemutar.
 Namun agar tetap konsisten dalam aturan untuk memilih kolom pemutar, kita akan
tetap menggunakan zj – cj.

Tabel Simplex Awal

 Tabel simplex awal model minimasi di atas ditunjukkan pada tabel 5.1. (Catatan: lihat
cara memasukkan parameter-parameter seperti contoh pada bab 4 sebelumnya)

Tabel 5.1 Tabel Simplex Awal Model Minimasi

c Variabel Kuantita 6 3 0 0 M M
j dasar s
(solusi) x1 x2 s1 s A1 A
2 2

M A1 16 2 4 -1 0 1 0
M A2 24 4 3 0 - 0 1
40
1

41
 zj 40 M 6M 7M - - M M
M M
zj - 6M 7M - - 0 0
cj -6 -3 M M

 Pada tabel 5.1, kolom x2 dipilih sebagai kolom pemutar karena 7M-3 adalah nilai positif
terbesar pada baris zj – cj, (x2 sebagai variabel yang masuk).
 A1 dipilih sebagai variabel dasar yang keluar (baris pemutar) karena hasil bagi sebesar
(16/4) = 4 untuk baris ini merupakan nilai positif terendah. (A1 sebagai variabel yang
keluar)

Tabel Simplex Kedua

 Tabel simplex kedua dibentuk menggunakan formula simplex yang telah diperkenalkan
pada bab 4, ditunjukkan pada tabel 5.2.

Tabel 5.2 Tabel Simplex Kedua

c Variabel Kuantita 6 3 0 0 M
j dasar s
(solusi) x1 x s1 s2 A2
2

3 x2 4 1/2 1 -1/4 0 0
M A2 12 5/2 0 3/4 -1 1
zj 12 M + 5M/2 + 3 -3/4 + - M
12 3/2 3M/4 M
zj - 5M/2 - 0 -3/4 + - 0
cj 9/2 3M/4 M

 Perhatikan bahwa kolom A1 telah dihilangkan pada tabel simplex kedua.

 Begitu variabel artifisial meninggalkan solusi fisibel dasar, variabel tersebut tidak akan
pernah kembali, mengingat biayanya yang tinggi, yaitu M.
 Pada tabel 5.2, kolom x1 dipilih sebagai kolom pemutar karena 5M/2 - 9/2 adalah nilai
positif terbesar pada baris zj – cj.
 A2 dipilih sebagai variabel dasar yang keluar (baris pemutar) karena hasil bagi sebesar
(24/5) untuk baris ini merupakan nilai positif terendah.

Tabel Simplex Ketiga

 Pada tabel 5.3 tabel simplex ketiga, x1 menggantikan A2.
 Kedua kolom A1 dan A2 telah dihilangkan karena kedua variabel artifisial tersebut telah
meninggalkan solusi.

Tabel 5.3 Tabel Simplex Ketiga

c Variabel Kuantita 6 3 0 0
j Dasar s
(solusi) x1 x2 s1 s2
3 x2 8/5 0 1 - 1/5
2/5
6 x1 24/5 1 0 3/ -
10 2/5
zj 168/5 6 3 3/5 -
42
 9/5
zj - 0 0 3/5 -
cj 9/5

 Sampai di sini (tabel 5.3) solusi optimal belum dipenuhi, karena pada baris z j – cj masih
ada yang bernilai positif. (solusi optimal terpenuhi jika nilai (z j – cj) semuanya nol atau
negatif.

43
 Pada tabel 5.3, kolom s1 dipilih sebagai kolom pemutar karena 3/5 adalah nilai positif
terbesar pada baris zj – cj.
 x1 dipilih sebagai variabel dasar yang keluar (baris pemutar) karena baris tersebut
memiliki rasio positif terkecil sebesar 16.
 Dalam pemilihan baris ini, nilai -4 untuk baris x 2 tidak diperhitungkan karena yang
dipilih adalah nilai positif atau nol. Jika yang dipilih baris x 2 hal ini akan menyebabkan
s1 memiliki nilai kuantitas yang negaitf pada tabel keempat, dan nilai ini tidak layak.

Tabel Simplex Optimal

Tabel 5.4 Tabel Simplex Optimal

c Variabel Kuantita 6 3 0 0
j Dasar s
(solusi) x1 x s1 s2
2

3 x2 8 4/3 1 0 -
1/
3
0 s1 16 10/3 0 1 -
4/
3
zj 24 4 3 0 -1
zj - -2 0 0 -1
cj

 Tabel 5.4 merupakan tabel simplex yang optimal, dimana tidak satupun terdapat nilai
positif pada baris zj – cj. Solusi optimalnya adalah
x1 = 0
s1 = 16
x2 = 8
s2 = 0
Z = 24

Penyesuaian Tabel Simplex Untuk Suatu Model Minimasi:

1. Mengubah semua batasan ≥ ke dalam bentuk persamaan dengan cara
mengurangkan suatu variabel penambah dan menambahkan suatu variabel
artifisial.
2. Memberikan nilai cj sebesar M untuk semua variabel artifisial pada fungsi
tujuan.
3. Mengubah baris cj – zj menjadi zj – cj .

4. Masalah Batasan Campuran

 Sebelumnya telah dipelajari permasalahan maksimasi dengan pertidaksamaan batasan

≤ saja dan permasalahan minimasi dengan persamaan batasan ≥ saja.
 Bagaimana dengan penyelesaian permasalahan dengan batasan campuran, yaitu terdiri
dari batasan yang mempunyai bentuk ≤, ≥ dan =.
44
Contoh 5.2 Permasalahan Programa Linier untuk Masalah Batasan Campuran.
Formulasi Model Permasalahan Batasan Campuran
Memaksimumkan Z = 400 x1 + 200 x2
terbatas pada
x1 + x2 = 30

45
 2x1 + 8x2 ≥ 80
x1 ≤ 20
x1 , x2 ≥ 0

Langkah pertama metode simplex adalah mengubah pertidaksamaan ke dalam bentuk

persamaan.
 Batasan Pertama, yaitu: x1 + x2 = 30 sudah berbentuk persamaan. Untuk batasan
yang pada awalnya berbentuk persamaan, karena itu tidak perlu menambah variabel
pengurang.
 Meskipun persamaan batasan pertama ini nampaknya dalam bentuk yang telah sesuai
solusi simplex, kita perlu menguji apakah telah sesuai dengan solusi simplex. Uji
dilakukan di titik orijin (titik pangkal (0,0)).
x1 + x2 = 30
0 + 0 = 30
0 ≠ 30 (karena 0 tidak sama dengan 30, batasan ini tidak fisibel)
 Batasan yang berbentuk persamaan perlu ditambah variabel artifisial (A).
Uji di titik pangkal, dimana x1 =0 dan x2 =0.
x1 + x2 + A1 = 30
0 + 0 + A1 = 30
 Batasan Kedua, yaitu persamaan 2x1 + 8x2 ≥ 80 adalah suatu pertidaksamaan (≥),
diubah ke dalam bentuk persamaan (=) dengan mengurangkan suatu variabel
penambah dan menambahkan suatu variabel artifisial.
2x1 + 8x2 – s1 + A2 = 80
 Batasan ketiga, adalah pertidaksamaan (≤) dan diubah ke bentuk persamaan (=) dengan
menambahkan variabel pengurang (slack).
x1 + s2 = 20

Mengubah fungsi tujuan

Memaksimumkan Z = 400 x1 + 200 x2 + 0. s1 + 0.s2 – M.A1 –M.A2

Batasan nonnegatif
x1 , x2 , s1 , s2 , A1, A2 ≥ 0

 Perubahan masalah program linier di atas secara lengkapnya adalah:

Memaksimumkan Z = 400 x1 + 200 x2 + 0. s1 + 0.s2 – M.A1 –M.A2
terbatas pada
x1 + x2 + A1 = 30 2x1
+ 8x2 – s1 + A2 = 80
x1 + s2 = 20
x1 , x2 , s1 , s2 , A1, A2 ≥ 0

Langkah Kedua membuat tabel simplex awal. Tabel 5.5 merupakan tabel simplex awal.

Tabel 5.5 Tabel Simplex Awal model minimasi

cj Variabe Kuantita 400 200 0 0 -M -M
l s x1 x2 s s2 A1 A2
dasar (solusi) 1

- A1 30 1 1 0 0 1 0
M

46
 0 s2 20 1 0 0 1 0 0
zj -110 -3M -9M M 0 -M -
M M
cj - 400 + 200 + - 0 0 0
zj 3M 9M M

 x2 adalah variabel yang masuk (nilai cj – zj nya paling besar); A2 adalah variabel
yang keluar (perbandingan antara kuantitas/koefisien kolom pemutar yang
berhubungan paling kecil; 80/8=10).
 Tabel 5.6 adalah tabel simplex kedua.

Tabel 5.6 Simplex Kedua

cj Variabe Kuantita 400 2 0 0 -
l s 0 M
dasar (solusi) 0
x1 x2 s1 s A
2 1

- A1 20 ¾ 0 1/8 0 1
M
2 x2 10 ¼ 1 -1/8 0 0
0
0
0 s2 20 1 0 0 1 0
zj 2000 - 20 50 - 3M/4 2 -25 – 0 -
M 0 M/8 M
0
cj - zj 350 + 0 25 0 0
3M/4 +M/8

 x1 adalah variabel yang masuk (nilai cj – zj nya paling besar) ; s2 adalah variabel
yang keluar (perbandingan antara kuantitas/koefisien kolom pemutar yang
berhubungan paling kecil; 20/1).
 Tabel 5.7 adalah tabel simplex ketiga.

Tabel 5.7 Tabel Simplex Ketiga

cj Variabe Kuantita 4 20 0 0 -
l s 0 0 M
Dasar (solusi) 0
x1 X2 s1 s2 A
1

- A1 5 0 0 1/8 -3/4 1
M
2 x2 5 0 1 -1/8 -1/4 0
0
0
4 x1 20 1 0 0 1 0
0
0
zj 9000- 4 20 -25 – 350+3M -
5M 0 0 M/8 /4 M
47
 0
cj - zj 0 0 25 -350- 0
+M/8 3M/4

 s1 adalah variabel yang masuk (nilai cj – zj nya paling besar); A1 adalah variabel
yang keluar (perbandingan antara kuantitas/koefisien kolom pemutar yang
berhubungan paling kecil; 5/(1/8)).
 Tabel 5.8 adalah tabel simplex optimal.

Tabel 5.8 Simplex Optimal

cj Variabe Kuantita 40 2 0 0
l s 0 0
Dasar (solusi) 0
X1 x2 s1 s2
0 s1 40 0 0 1 -6
2 x2 10 0 1 0 -1
0
0
4 x1 20 1 0 0 1
0
0
zj 10000 40 2 0 200
0 0
0
cj - zj 0 0 0 -200

48
 Tabel 5.8 sudah optimal karena nilai cj – zj nya semuanya nol (0) atau negatif.
 Solusi optimal untuk permasalahan ini adalah:
x1 = 20
x2 = 10
s1 = 40
Z = 10.000

Aturan untuk meyiapkan batasan ≤, ≥, dan = untuk metode simplex

Batas Penyesuaian Koefisien Fungsi Tujuan
an
Maksim Minim
asi asi
≤ Tambah variabel pengurang 0 0
= Tambah variabel artifisial -M M
≥ Kurang variabel penambah 0 0
dan -M M
tambah variabel artifisial

5. Masalah Jenis Programa Linier Yang Tidak Teratur

 Ada beberapa masalah khusus program linier yang akan dijelaskan berikut, yaitu
permasalahan-permasalahan solusi optimal majemuk, masalah tidak layak, masalah
solusi tidak terbatas.

a. Solusi Optimal Majemuk

Contoh 5.3 Pada contoh 5.3 ini misalkan dari kasus PT XYZ fungsi tujuannya diubah dari
Z = 4x1 + 5x2 menjadi Z = 4x1 + 3x2. Dengan demikian, formulasi modelnya adalah
Memaksimumkan Z = 4x1 + 3x2
Terbatas pada
1x1 + 2x2  40
4x1 + 3x2  120
x1 , x2  0

 Grafik dari model ditunjukkan oleh gambar 5.1.

 Perubahan pada fungsi tujuan membuat garis fungsi tujuan menjadi sejajar dengan
garis batasan 4x1 + 3x2  120. Kedua garis ini mempunyai kemiringan yang sama.
 Solusi optimalnya berada di garis B dan C, sehingga terdapat beberapa pilihan solusi
optimalnya.
x2

50

40

30

A
20

B
10

49
 C
0 10 20 30 40 50 x1

50
 Gambar 5.1 Solusi optimal majemuk model PT XYZ.

 Tabel simplex optimalnya

Tabel 5.9 Tabel Simplex Optimal

c 4 5 0 0
j Variabel Kuantita
Dasar s x1 x s s2
2 1

0 s1 10 0 5 1 -
/ 1/
4 4
4 x1 30 1 3 0 ¼

 Tabel 5.9 berhubungan dengan titik C pada grafik.

 Bukti adanya solusi optimum majemuk untuk masalah ini dapat ditentukan pada baris
cj - zj .
 Solusi optimal majemuk diindikasikan oleh nilai 0 (nol) pada baris cj - zj (atau zj- cj)
untuk variabel bukan dasar.
 Solusi optimal alternatifnya adalah sebagai berikut.

Tabel 5.10 Tabel Simplex Optimal Alternatif

c 4 5 0 0
j Variabel Kuantita
Dasar s x1 x2 s1 s
2

5 x2 8 0 1 4/ -
5 1/5
4 x1 24 1 0 - 2/5
3/
5
zj 120 4 3 0 1
cj - zj 0 0 0 -
1

b. Suatu Masalah yang Tidak Fisibel

 Dalam beberapa kasus masalah Program Linier tidak mempunyai daerah fisibel, jadi
tidak terdapat solusi fisibel dasar pada masalah tersebut.

Contoh 5.4 Memaksimumkan Z = 5x1 + 3x2

Terbatas pada
4x1 + 2x2 ≤ 8
x1 ≥ 4
x2 ≥ 6
x1 , x2 ≥ 0
Tugas: Coba gambarkan model Progam Linier tersebut, cari solusi optimumnya dengan
metode grafik.

c. Suatu Masalah Tidak Berbatas

51
 Dalam beberapa kasus masalah daerah solusi yang layak dibentuk oleh batasan-
batasan model tidak tertutup.
 Dalam hal ini fungsi tujuan mungkin saja akan naik terus-menerus tidak terbatas tanpa
mencapai nilai maksimum, mengingat fungsi tujuan tidak akan pernah mencapai batas
daerah solusi yang layak.

Contoh 5.5 Memaksimumkan Z = 4x1 + 2x2

Terbatas pada
x1 ≥ 4
x2 ≤ 2
x1 , x2 ≥ 0
Tugas: Coba gambarkan model Progam Linier tersebut, cari solusi optimumnya dengan
metode grafik.

Kesimpulan dari Simplex yang irreguler

 Solusi optimal majemuk diidentifikasikan oleh nilai cj – zj (atau zj - cj) = 0 untuk
variabel bukan non dasar.
 Sedangkan untuk menentukan solusi pengganti, masukkan variabel yang memiliki
nilai cj – zj sama dengan nol.

52
 DAFTAR PUSTAKA

1. Hamdy A. Taha. 1996. Riset Operasi: Suatu Pengantar. Edisi Kelima,

Jakarta, Binarupa Aksara.

2. Bernard W. Taylor III. 1996. Sains Manajemen. Edisi keempat, Jakarta,

Salemba Empat

3. Sri Mulyani. Riset Operasional. LPEM, UI.

4. Tjutju, T. & Dimyati, A. 2002. Operation Research, Model-Model

Pengambilan Keputusan. Bandung, Sinar Baru.

5. Siagian, P. 1987. Penelitian Operasional, Teori dan Praktek. Jakarta,

Penerbit Universitas Indonesia.

53