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.
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.
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)
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
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
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)
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.
dimana
x1 = jumlah genteng yang diproduksi
x2 = jumlah bata yang diproduksi
x2
40
30
20
10
0
10 20 30 40 x1
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
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
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
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
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
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
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
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
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
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
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
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:
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.
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
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
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.
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
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?
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
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.
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
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).
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.
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).
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
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.
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.
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.
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.
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
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.
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
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.
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 +
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
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.
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)
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
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.
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
45
2x1 + 8x2 ≥ 80
x1 ≤ 20
x1 , x2 ≥ 0
Batasan nonnegatif
x1 , x2 , s1 , s2 , A1, A2 ≥ 0
Langkah Kedua membuat tabel simplex awal. Tabel 5.5 merupakan tabel simplex awal.
- 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.
- 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.
- 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.
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
Ada beberapa masalah khusus program linier yang akan dijelaskan berikut, yaitu
permasalahan-permasalahan solusi optimal majemuk, masalah tidak layak, masalah
solusi tidak terbatas.
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.
0 s1 10 0 5 1 -
/ 1/
4 4
4 x1 30 1 3 0 ¼
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
52
DAFTAR PUSTAKA
53