MODUL PERKULIAHAN

Pemrograman Linear
Solusi Grafis

Modul Standar untuk digunakan dalam

Perkuliahan di Universitas Widyatama

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh : Tim Dosen
Ekonomi & Bisnis Manajemen S1 02510008 1. Asep Sudrajat, S.E., M.T.

02 2.
3.
4.
Dinda Kayani Bestari P., S.M.B., M.M.
Gina Nurunnisha, S.M.B., M.B.A.
Oktora Yogi Sari, S.T., M.T.
5. Titto Rohendra, S.E., M.Si.

Abstract Kompetensi

Pertemuan ini menjelaskan tentang Setelah pertemuan ini, mahasiswa akan

pengenalan LP metode grafik, langkah-
langkah penyelesaian LP metode grafik,
baik untuk permasalahan maksimisasi
ataupun minimisasi.
mampu:
 Mengerti langkah-langkah
penyelesaiaian LP metode grafik, baik
maksismisasi atau minimisasi
 Mengaplikasikan pada permasalahan
di perusahaan
Sub Pokok Bahasan:
I. Pendahuluan : Pengenalan Linear Programming
II. Linear Programming Solusi Grafis – Kasus Maksimisasi
III. Linear Programming Solusi Grafis – Kasus Minimisasi
IV. Kasus-kasus dalam Linear Programming Solusi Grafis
V. Web-based Tools dalam Linear Programming Solusi Grafis

I. Pendahuluan : Pengenalan Linear Programming

Linear Programming (LP) adalah suatu teknis matematika yang dirancang untuk membantu
manajer dalam merencanakan dan membuat keputusan dalam mengalokasikan sumber daya
yang terbatas untuk mencapai tujuan perusahaan.
Tujuan perusahaan pada umumnya adalah memaksimalisasi keuntungan, namun karena
terbatasnya sumber daya, maka dapat juga perusahaan meminimalkan biaya.
LP memiliki empat ciri khusus yang melekat, yaitu :
1. Penyelesaian masalah mengarah pada pencapaian tujuan maksimisasi atau minimisasi.
2. Kendala yang ada membatasi tingkat pencapaian tujuan.
3. Ada beberapa alternatif penyelesaian.
4. Hubungan matematis bersifat linear.

Secara teknis, ada lima syarat tambahan dari permasalahan LP yang harus diperhatikan
yang merupakan asumsi dasar, yaitu:
1. Certainty (kepastian). Maksudnya adalah fungsi tujuan dan fungsi kendala sudah
diketahui dengan pasti dan tidak berubah selama periode analisa.
2. Proportionality (proporsionalitas). Yaitu adanya proporsionalitas dalam fungsi tujuan dan
fungsi kendala.
3. Additivity (penambahan). Artinya aktivitas total sama dengan penjumlahan aktivitas
individu.
4. Divisibility (bisa dibagi-bagi). Maksudnya solusi tidak harus merupakan bilangan integer
(bilangan bulat), tetapi bisa juga berupa pecahan.
5. Non-negative variable (variabel tidak negatif). Artinya bahwa semua nilai jawaban atau
variabel tidak negatif.

Dalam menyelesaikan permasalahan dengan menggunakan LP, ada dua pendekatan yang
bisa digunakan, yaitu metode grafik dan metode simpleks. Metode grafik hanya bisa
‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran
2 Tim Dosen http://www.widyatama.ac.id
digunakan untuk menyelesaikan permasalahan dimana variabel keputusan sama dengan
dua. Sedangkan metode simpleks bisa digunakan untuk menyelesaikan permasalahan
dimana variabel keputusan dua atau lebih.

Dalam Bab I ini, akan dibahas LP dengan metode grafik untuk fungsi tujuan baik maksimum
maupun minimum. Fungsi tujuan maksimum akan diuraikan pada Sub Pokok Bahasan II
sedang fungsi tujuan minimum akan diuraikan pada Sub Pokok Bahasan III. Dengan
mempelajari modul ini dengan baik dan benar, diharapkan Anda dapat memahami
permasalahan LP dengan metode grafik.
Setelah mempelajari modul ini diharapkan kita dapat:
1. Mengenal LP sebagai alat pengambilan keputusan
2. Merumuskan permasalahan operasi ke dalam bentuk linear programming
3. Menyelesaikan permasalahan LP dengan grafik/ matematik
4. Memahami permasalahan infeasibility, unboundedness, alternative optimal, dan
redudancy.

Model LP paling baik dibangun dengan mengintegrasikan hubungan yang sesuai (persamaan
/ ekspresi) dari masalah fisik dengan kondisi batas lengkap dan variabel yang ditentukan
dengan baik (Obi, 2011).

II. LP Solusi Grafis : Kasus Maksimisasi

Formulasi Permasalahan
Metode grafik hanya bisa digunakan untuk menyelesaikan permasalahan dimana hanya
terdapat dua variabel keputusan. Untuk menyelesaikan permasalahan tersebut, langkah
pertama yang harus dilakukan adalah memformulasikan permasalahan yang ada ke dalam
bentuk LP. Langkah-langkah dalam formulasi permasalahan adalah :
1. Pahamilah secara menyeluruh permasalahan manajerial yang dihadapi,
2. Identifikasikan tujuan dan kendalanya,
3. Definisikan variabel keputusannya,
4. Gunakan variabel keputusan untuk merumuskan fungsi tujuan dan fungsi kendala secara
matematis.

Sebagai contoh dalam memformulasikan permasalahan, berikut ini akan dibahas perusahaan
Krisna Furniture yang akan membuat meja dan kursi. Keuntungan yang diperoleh dari satu
unit meja adalah $7,- sedang keuntungan yang diperoleh dari satu unit kursi adalah $5,-.
‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran
3 Tim Dosen http://www.widyatama.ac.id
Namun untuk meraih keuntungan tersebut Krisna Furniture menghadapi kendala
keterbatasan jam kerja. Untuk pembuatan 1 unit meja dia memerlukan 4 jam kerja. Untuk
pembuatan 1 unit kursi dia membutuhkan 3 jam kerja. Untuk pengecatan 1 unit meja
dibutuhkan 2 jam kerja, dan untuk pengecatan 1 unit kursi dibutuhkan 1 jam kerja. Jumlah
jam kerja yang tersedia untuk pembuatan meja dan kursi adalah 240 jam per minggu
sedang jumlah jam kerja untuk pengecatan adalah 100 jam per minggu. Berapa jumlah meja
dan kursi yang sebaiknya diproduksi agar keuntungan perusahaan maksimum?

Dari kasus di atas dapat diketahui bahwa tujuan perusahaan adalah memaksimumkan profit.
Sedangkan kendala perusahaan tersebut adalah terbatasnya waktu yang tersedia untuk
pembuatan dan pengecatan. Apabila permasalahan tersebut diringkas dalam satu tabel akan
tampak sebagai berikut:

TABEL 2.1 – Informasi Permasalahan Krisna Furniture

Pekerjaan Jam Kerja yang Dibutuhkan untuk Total Waktu
Membuat 1 Unit Produk (Jam) Tersedia per
Meja Kursi Minggu (Jam)
Pembuatan 4 2 240
Pengecatan 2 1 100
Profit per Unit ($) 7 5

Mengingat produk yang akan dihasilkan adalah meja dan kursi, maka dalam rangka
memaksimumkan profit, perusahaan harus memutuskan berapa jumlah meja dan kursi yang
sebaiknya diproduksi. Dengan demikian dalam kasus ini, yang merupakan variabel keputusan
adalah meja (X1) dan kursi (X2).
Setelah kita mendefinisikan variabel keputusan, maka langkah selanjutnya adalah menuliskan
secara matematis fungsi tujuan dan fungsi kendala.

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

4 Tim Dosen http://www.widyatama.ac.id
1. Fungsi Tujuan
Tujuan perusahaan adalah maksimisasi keuntungan, sehingga kita dapat menuliskan
fungsi tujuan sebagai berikut :

.
𝑃 = ($4 × ∑ 𝑚𝑒𝑗𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑟𝑜𝑑𝑢𝑘𝑠𝑖) + ($3 × 𝑘𝑢𝑟𝑠𝑖 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑟𝑜𝑑𝑢𝑘𝑠𝑖)

Atau secara matematis dapat dituliskan :

Maximize Z = $7𝑋 + $5𝑋

2. Fungsi Kendala
Berkaitan dengan sumber daya yang digunakan, perusahaan tidak bisa memperkirakan
secara tepat kebutuhan sumber daya yang digunakan untuk mencapai keuntungan
tertentu. Biasanya perusahaan menyediakan sumber daya tertentu yang merupakan
kebutuhan minimum atau maksimum. Kondisi seperti ini secara matematis diungkapkan
dengan pertidaksamaan.

Kendala yang pertama adalah waktu yang tersedia di departemen pembuatan. Total
waktu yang diperlukan untuk pembuatan X1 (meja) dimana untuk membuat satu unit meja
diperlukan waktu 4 jam kerja dan untuk pembuatan X2 (kursi) dimana untuk membuat satu
unit kursi diperlukan waktu 3 jam kerja adalah 240 jam. Kalimat ini bisa dirumuskan dalam
pertidaksamaan matematis menjadi :

4𝑋 + 3𝑋 ≤ 240

Seperti halnya pada kendala yang pertama, maka pada kendala kedua dapat diketahui
bahwa total waktu yang diperlukan untuk pengecatan X1 (meja) dimana untuk mengecat
satu unit meja diperlukan waktu 2 jam kerja dan untuk pembuatan X2 (kursi) dimana untuk
mengecat satu unit kursi dibutuhkan waktu 1 jam kerja adalah 100 jam. Kalimat ini bisa
dirumuskan dalam pertidaksamaan matematis menjadi :

2𝑋 + 1𝑋 ≤ 100

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

5 Tim Dosen http://www.widyatama.ac.id
 Salah satu syarat yang harus dipenuhi dalam LP adalah asumsi nilai X1 dan X2 tidak
negatif. Artinya bahwa:
X1 ≥ 0 (jumlah meja yang diproduksi adalah lebih besar atau sama dengan nol)
X2 ≥ 0 (jumlah kursi yang diproduksi adalah lebih besar atau sama dengan nol)

Dari uraian di atas dapat dirumuskan formulasi permasalahan secara lengkap sebagai
berikut :

Fungsi tujuan :
Maximize Z = $7𝑋 + $5𝑋
Fungsi kendala :
4𝑋 + 3𝑋 ≤ 240 (Kendala departemen pembuatan)
2𝑋 + 1𝑋 ≤ 100 (Kendala departemen pengecatan)
𝑋 ≥0 (Kendala non negatif pertama)
𝑋 ≥0 (Kendala non negatif kedua)

Dalam metode yang ada (Kumar, Khaur, & Singh, 2011) diasumsikan bahwa bentuk umum
dari masalah pemrograman linier fuzzy penuh (P2) diperoleh dengan mengganti parameter
crisp 𝑐 , 𝑎 , 𝑏 dan 𝑥 dari masalah LP tajam (P1) dengan parameter fuzzy 𝑐̃ , 𝑎 , 𝑏 , dan 𝑥 .

Penyelesaian LP Metode Grafik

Kasus Krisna Furniture tersebut akan diselesaikan dengan metode grafik. Keterbatasan
metode grafik adalah bahwa hanya tersedia dua sumbu ordinat, sehingga tidak bisa
digunakan untuk menyelesaikan kasus yang lebih dari dua variabel keputusan.
Langkah pertama dalam penyelesaian dengan metode grafik adalah menggambarkan fungsi
kendalanya. Untuk menggambarkan kendala pertama secara grafik, kita harus merubah tanda
pertidaksamaan menjadi tanda persamaan seperti berikut:

4𝑋 + 3𝑋 ≤ 240 menjadi 4𝑋 + 3𝑋 = 240

Kendala ini akan memotong salah satu atau kedua sumbu.

Sebagaimana halnya yang sudah kita pelajari dalam aljabar, bahwa untuk menggambarkan
fungsi linear yang tidak lain merupakan garis lurus, maka kita akan mencari titik potong garis
tersebut dengan kedua sumbu. Suatu garis akan memotong salah satu sumbu apabila nilai
‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran
6 Tim Dosen http://www.widyatama.ac.id
variabel yang lain sama dengan nol. Dengan demikian kendala pertama akan memotong X1,
pada saat X2 = 0, demikian juga kendala ini akan memotong X2, pada saat X1 = 0.

Kendala I : 4𝑋 + 3𝑋 = 240
 memotong sumbu X1 pada saat X2 = 0
4𝑋 + 3𝑋 = 240
4𝑋 + 3(0) = 240
240
𝑋 =
4
𝑋 = 60
 memotong sumbu X2 pada saat X1 = 0
4𝑋 + 3𝑋 = 240
4(0) + 3𝑋 = 240
240
𝑋 =
3
𝑋 = 80

Kendala I memotong sumbu X1 (𝟔𝟎 ; 𝟎) dan memotong sumbu pada titik X2 (𝟎 ; 𝟖𝟎).

Kendala II : 2𝑋 + 1𝑋 = 100
 memotong sumbu X1 pada saat X2 = 0
2𝑋 + 1𝑋 = 100
2𝑋 + 1(0) = 100
100
𝑋 =
2
𝑋 = 50
 memotong sumbu X2 pada saat X1 = 0
2𝑋 + 1𝑋 = 100
2(0) + 1𝑋 = 100
100
𝑋 =
1
𝑋 = 100

Kendala I memotong sumbu X1 (𝟓𝟎 ; 𝟎) dan memotong sumbu pada titik X2 (𝟎 ; 𝟏𝟎𝟎).

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

7 Tim Dosen http://www.widyatama.ac.id
 Gambar 2.1. Feasible Area
(Grafik Area Layak)

Titik potong kedua kendala (pada Gambar 1.1, titik potong kedua kendala adalah titik B) bisa
ditentukan dengan cara substitusi atau eliminasi.

 2𝑋 + 1𝑋 = 100
𝑋 = 100 − 2𝑋 → persamaan ini disubstitusikan ke persamaan kendala II
 4𝑋 + 3𝑋 = 240
4𝑋 + 3(100 − 2𝑋 ) = 240
4𝑋 + 300 − 6𝑋 = 240
−2𝑋 + 300 = 240
−2𝑋 = 240 − 300
−2𝑋 = 240 − 300
−2𝑋 = −60
−60
𝑋 =
−2
𝑋 = 30 → nilai 𝑋 = 30 dapat disubstitusikan ke persamaan kendala I atau kendala II
untuk memperoleh nilai 𝑋 .
 2𝑋 + 1𝑋 = 100
2(30) + 1𝑋 = 100
60 + 1𝑋 = 100
𝑋 = 60

Berdasarkan perhitungan di atas, dapat dilihat bahwa kedua persamaan kendala

berpotongan pada titik kordinat (30 ; 40).
‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran
8 Tim Dosen http://www.widyatama.ac.id
Tanda ≤ pada kedua kendala ditunjukkan pada area sebelah kiri dari garis kendala.
Sebagaimana nampak pada Gambar 1.1, feasible region (area layak) meliputi daerah
sebelah kiri dari titik A (0; 80), B (30; 40), dan C (60; 0).

Untuk menentukan solusi yang optimal, bisa menggunakan dengan titik sudut (corner point).
Penyelesaian dengan menggunakan titik sudut (corner point) artinya kita harus mencari nilai
tertinggi dari titik-titik yang berada pada feasible region. Dari Gambar 1.1, dapat dilihat bahwa
ada 4 titik yang membatasi area layak, yaitu titik 0 (0 ; 0), A (0 ; 80), B (30 ; 40), dan C (50 ;
0).

Dengan demikian, keuntungan tertinggi dapat ditentukan dengan cara mensubstitusikan nilai
pada titik-titik kordinat tersebut pada persamaan fungsi tujuan, sebagai berikut:

Titik Kordinat Keuntungan = 𝐙 = $𝟕𝑿𝟏 + $𝟓𝑿𝟐

𝑿𝟏 𝑿𝟐
A 0 80 Z = 400
B 30 40 Z = 410
C 50 0 Z = 350
D 0 0 Z=0

Keuntungan tertinggi jatuh pada titik B, maka sebaiknya perusahaan memproduksi meja (𝑋 )
sebanyak 30 unit dan kursi (𝑋 ) sebanyak 40 unit, dan perusahaan memperoleh keuntungan
optimal sebesar $410.

III. LP Solusi Grafis : Kasus Minimisasi

PENYELESAIAN LINEAR PROGRAMMING SECARA GRAFIK UNTUK FUNGSI TUJUAN

MINIMISASI
Permasalahan minimisasi dapat juga diselesaikan secara grafik. Langkah-langkah
penyelesaian permasalahan sama dengan penyelesaian permasalahan untuk fungsi tujuan
maksimisasi yaitu: formulasi permasalahan, menentukan area layak, serta menentukan solusi
optimal.
Dalam menentukan solusi optimal, seperti halnya pada permasalahan maksimisasi, dapat
digunakan pendekatan garis profit atau titik sudut. Untuk lebih memahami penyelesaian

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

9 Tim Dosen http://www.widyatama.ac.id
permasalahan minimisasi berikut dibahas kasus Valentine Meal.
Valentine Meal adalah makanan yang terbuat dari Jagung dan Kacang. Makanan ini memiliki
kandungan sekurang-kurangnya 30% Protein dan Serat maksimal 5% sebagaimana
tampak pada tabel berikut ini.

TABEL 2.2 – Informasi Permasalahan Valentine Meal

Kebutuhan Kandungan Gizi per Kilogram Biaya
Bahan Baku
Protein Serat
Jagung 0.09 0.02 0.30
Kacang 0.60 0.06 0.90

Kebutuhan atas Valentine Meal minimal 800 unit. Produsen ingin menentukan biaya
terendah dari makanan tersebut.

Karena makanan tersebut terbuat dari Jagung dan Kacang, variabel keputusan untuk model
tersebut dapat dirumuskan demikian
J = banyaknya jagung yang digunakan untuk campuran makanan
K= banyaknya kacang yang digunakan untuk campuran makanan

Fungsi tujuan adalah meminimumkan biaya dari campuran makanan, yang dirumuskan
sebagai berikut:

𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑒 𝑍 = 0,3𝐽 + 0,9𝐾

Kendala dari model mencerminkan jumlah yang diperlukan dan persyaratan kandungan gizi
yang diperlukan. Karena Valentine Meal memerlukan 800 kg makanan per hari, kendala
tersebut bisa dirumuskan demikian:

 Kendala I : Kebutuhan Protein

Kandungan protein dalam jagung (J) dan kacang (K) adalah (0,09𝐽 + 0,6𝐾). Kandungan
protein ini sekurang-kurangnya 30% dari campuran makanan. Oleh karena itu
persamaannya menjadi:
0,09𝐽 + 0,6𝐾 ≥ 0,3(𝐽 + 𝐾)
0,09𝐽 + 0,6𝐾 ≥ 0,3𝐽 + 0,3𝐾
(0,3𝐽 − 0,09𝐽) + (0,3𝐾 − 0,6𝐾) ≤ 0
0,21𝐽 − 0,3𝐾 ≤ 0

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

10 Tim Dosen http://www.widyatama.ac.id
 Kendala II : Kebutuhan Serat
Kandungan serta maksimal 5% dari campuran makanan. Maka Dengan cara yang sama,
kendala III, yaitu kendala kandungan serat dapat dituliskan sebagai berikut:
0,02𝐽 + 0,06𝐾 ≤ 0,05(𝐽 + 𝐾)
0,02𝐽 + 0,06𝐾 ≤ 0,05𝐽 + 0,05𝐾
(0,05𝐽 − 0,02𝐽) + (0,05𝐾 − 0,06𝐾) ≥ 0
0,03𝐽 − 0,01𝐾 ≥ 0

 Kendala III : Kebutuhan Valentine Meal 800 kg per hari, maka persamaan kendala
dapat dituliskan sebagai berikut:
𝐽 + 𝐾 ≥ 800

Dari uraian di atas maka formulasi permasalah secara lengkap dapat dirumuskan sebagai
berikut:

Fungsi tujuan :
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑒 Z = 0,3𝐽 + 0,9𝐾
Fungsi kendala :
0,21𝐽 − 0,3𝐾 ≤ 0 (Kendala kandungan protein)
0,03𝐽 − 0,01𝐾 ≥ 0 (Kendala kandungan serat)
𝐽 + 𝐾 ≥ 800 (Kendala kebutuhan Valentine Meal)
𝐽≥0 (Kendala non negatif pertama)
𝐾≥0 (Kendala non negatif kedua)

Langkah pertama untuk menyelesaikan kasus Valentine Meal adalah dengan

menggambarkan fungsi kendala sebagaimana tampak pada Gambar 1.2.

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

11 Tim Dosen http://www.widyatama.ac.id
 Gambar 2.2 – Grafik Valentine
Meal

Titik potong ketiga kendala bisa dicari dengan cara substitusi atau eliminasi.

 Titik potong kendala I (kebutuhan protein) dan kendala III (kendala kebutuhan
Valentine Meal per hari).
0,21𝐽 − 0,3𝐾 = 0
0,21𝐽 = 0,3𝐾
0,3𝐾
𝐽=
0,21
𝐽 = 1,43𝐾 → persamaan ini disubstitusikan ke persamaan kendala III

𝐽 + 𝐾 = 800
1,43𝐾 + 𝐾 = 800
2,43𝐾 = 800
800
𝐾=
2,43
𝐾 = 329,22 ≈ 329 → nilai K dapat disubstitusikan ke persamaan kendala I atau III (pilih
yang termudah)

𝐽 + 𝐾 = 800
329 + K = 800
K = 471

Maka titik potong kendala I dan III terletak pada titik (471 ; 329)

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

12 Tim Dosen http://www.widyatama.ac.id
 Titik potong kendala II (kebutuhan serat) dan kendala III (kendala kebutuhan
Valentine Meal per hari).
0,03𝐽 − 0,01𝐾 = 0
0,03𝐽 = 0,01𝐾
0,01𝐾
𝐽=
0,03
𝐽 = 0,33𝐾 → persamaan ini disubstitusikan ke persamaan kendala III

𝐽 + 𝐾 = 800
0,33𝐾 + 𝐾 = 800
1,33𝐾 = 800
800
𝐾=
1,33
𝐾 = 600 → nilai K dapat disubstitusikan ke persamaan kendala II atau III (pilih yang
termudah)

𝐽 + 𝐾 = 800
𝐽 + 600 = 800
𝐽 = 200

Maka titik potong kendala II dan III terletak pada titik (200 ; 600)

Tanda ≥ pada kendala Serat dan Kebutuhan per hari ditunjukkan pada area sebelah kanan
dari garis kendala. Sebagaimana nampak pada Gambar 2.2, feasible region meliputi daerah
sebelah kanan dari titik A (200; 600), B (471; 329), atau di sebelah kanan kendala II dan III
serta di sebelah kiri kendala I.
Untuk menentukan solusi yang optimal, dapat menggunakan titik sudut (corner point).

Penyelesaian dengan menggunakan metode corner point dari Gambar 2.2 dapat dilihat
bahwa ada 2 titik yang dekat yang membatasi feasible region, yaitu titik A yang merupakan
perpotongan kendala I dan III serta titik B yang merupakan perpotongan kendala II dan III.
Untuk penyelesaian dengan menggunakan corner point kita mencari nilai Z di kedua titik
tersebut kemudian kita pilih nilai Z yang paling kecil. Titik A nilai J = 471 dan K = 329.

Dengan demikian, keuntungan tertinggi dapat ditentukan dengan cara mensubstitusikan nilai
pada titik-titik kordinat tersebut pada persamaan fungsi tujuan, sebagai berikut:

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

13 Tim Dosen http://www.widyatama.ac.id
 Titik Kordinat Biaya = 𝐙 = 𝟎, 𝟑𝑱 + 𝟎, 𝟗𝑲
J K
A 471 329 Z = 437,4
B 200 600 Z = 600

Biaya terrendah jatuh pada titik A, yaitu 437,4 yaitu dengan menggunakan kombinasi 471
Jagung dan 329 Kacang dalam pembuatan Valentine Meal. Dengan demikian, titik A adalah
titik optimal.

IV. Kasus-kasus dalam Linear Programming Solusi Grafis

Sub pokok bahasan II dan III membahas bentuk dasar masalah-masalah maksimisasi dan
minimasi dalam linear programming solusi grafis. Selain bentuk dasar tersebut, dalam linear
programming solusi grafis terdapat kasus-kasus khusus, yaitu masalah linear programming
yang bersifat irregular. Bentuk-bentuk tersebut adalah : (1) Tidak ada solusi fisibel (no
feasible solution), (2) Solusi tak terhingga (unboundedness), (3) Redundansi
(redundancy), dan (4) Solusi optimal lebih dari 1 (multiple optimal solution).

1. Tidak Ada Solusi Fisibel (No Feasible Solution)

Dalam linear programming, ketika tidak ada solusi yang memenuhi semua persamaan
kendala yang ada, maka tidak ada solusi yang layak. Secara grafis, hal ini berarti bahwa
tidak ada wilayah solusi yang layak – situasi yang mungkin terjadi jika masalah
dirumuskan dengan kendala yang saling bertentangan. Hal ini sering terjadi dalam
kehidupan nyata, ketika masalah LP berskala besar yang melibatkan ratusan kendala.
Misalnya, untuk memenuhi permintaan pasar, manajer pemasaran menyatakan bahwa
setidaknya 300 meja harus diproduksi (yaitu, X1 ≤ 300 ) ; sedangkan manajer produksi
bersikeras bahwa, karena perusahaan sedang kekurangan kayu, maka meja yang
diproduksi tidak boleh melebihi 220 unit (X1 ≤ 220). Masalah seperti ini akan
memunculkan solusi yang tidak layak.
Sebagai ilustrasi grafis lebih lanjut, mari kita perhatikan tiga kendala berikut:

𝑋 + 2𝑋 ≤ 6
2𝑋 + 𝑋 ≤ 8
𝑋 ≥7

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

14 Tim Dosen http://www.widyatama.ac.id
 Seperti yang terlihat pada Gambar 2.3, tidak ada daerah solusi yang layak untuk masalah
LP tersebut ini karena adanya kendala yang saling bertentangan.

Gambar 2.3 – Grafik Masalah

LP yang Tak Memiliki Solusi
Fisibel

2. Solusi Tak Terhingga (Unboundedness)

Kadang-kadang sebuah program linier tidak memiliki solusi berhingga (finite solution). Hal
ini berarti bahwa dalam masalah maksimisasi, misalnya, satu atau lebih variabel solusi,
dan keuntungan, dapat dibuat sangat besar tanpa melanggar batasan apa pun. Jika kita
mencoba menyelesaikan masalah seperti itu secara grafis, kita akan melihat bahwa
daerah yang layak adalah ujung terbuka.
Contoh, sebuah perusahaan telah merumuskan masalah LP berikut:

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑒 𝑝𝑟𝑜𝑓𝑖𝑡 = 3𝑋 + 5𝑋
𝑆𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜:
𝑋 ≥5
𝑋 ≤ 10
𝑋 + 2𝑋 ≥ 10
𝑋 ,𝑋 ≥ 0

Seperti yang dapat dilihat pada Gambar 2.4, karena ini adalah masalah maksimisasi dan
daerah fisibel meluas tak terhingga ke kanan, maka mememunculkan solusi yang tak
terbatas (unbounded solution). Ini menyiratkan bahwa masalah dirumuskan dengan
tidak tepat. Gambar 2.4 menyiratkan bahwa perusahaan dapat memproduksi X1 dalam

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

15 Tim Dosen http://www.widyatama.ac.id
 jumlah tak terbatas (dengan keuntungan masing-masing $3). Namun tentu saja hal ini
tidak mungkin karena tidak ada perusahaan yang memiliki sumber daya tak terbatas yang
tersedia atau permintaan produk tak terbatas.

Gambar 2.4 – Grafik Masalah

LP yang Memiliki Solusi tak
Terbatas (Unbounded)

3. Redundansi (Redundancy)
Kehadiran kendala berlebihan/redundansi adalah situasi umum lain yang terjadi dalam
formulasi LP besar. Redundansi tidak menyebabkan kesulitan besar dalam
memecahkan masalah LP secara grafis, tetapi tetap harus dapat diidentifikasi
kemunculannya. Kendala redundan terjadi ketika salah satu kendala tidak mempengaruhi
wilayah solusi yang layak. Dengan kata lain, kendala lain mungkin lebih mengikat atau
membatasi daripada kendala redundan.
Sebagai contoh, berikut ini adalah masalah LP yang memiliki 3 fungsi kendala:

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑒 𝑝𝑟𝑜𝑓𝑖𝑡 = 𝑋 + 2𝑋
𝑆𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜:
𝑋 + 2𝑋 ≤ 20
2𝑋 + 𝑋 ≤ 30
𝑋 ≤ 25
𝑋 ,𝑋 ≥ 0

Berdasarkan Gambar 2.6, dapat dilihat bahwa kendala ke-3 (𝑋 ≤ 25) kurang mengikat
dibandingkan dengan kendala ke-1 dan ke-2 (kedua kendala ini lebih restriktif)

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

16 Tim Dosen http://www.widyatama.ac.id
 Gambar 2.6 – Grafik Masalah
LP yang Memiliki Solusi
Redundan

4. Solusi Optimal Lebih dari Satu (Multiple Optimal Solution)

Masalah LP kadang-kadang memiliki dua atau lebih solusi optimal. Secara grafis, ini
adalah kasus ketika garis fungsi tujuan isoprofit atau isocost fungsi berada dalam posisi
sejajar yang sempurna dengan salah satu fungsi kendala – dengan kata lain, ketika
mereka memiliki kemiringan yang sama.
Misalnya, seorang manajer mendapatkan lebih dari satu solusi optimal ketika mereka
merumuskan masalah LP sebagai berikut:

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑒 𝑝𝑟𝑜𝑓𝑖𝑡 = 3𝑋 + 2𝑋
𝑆𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜:
6𝑋 + 4𝑋 ≤ 24
𝑋 ≤3
𝑋 ,𝑋 ≥ 0

Seperti yang dapat dilihat pada Gambar 2.7, garis isoprofit pertama sebesar $8 berjalan
paralel dengan kendala pertama persamaan. Pada tingkat keuntungan $12, garis isoprofit
akan berada tepat di atas segmen garis kendala pertama. Ini berarti bahwa setiap titik di
sepanjang garis antara A dan B memberikan kombinasi X1 dan X2. Keberadaan lebih dari
satu solusi optimal memungkinkan manajer untuk lebih fleksibel dalam pengambilan
keputusan dan mengkombinasikan solusi yang akan dipilih.

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

17 Tim Dosen http://www.widyatama.ac.id
 Gambar 2.7 – Grafik Masalah
LP yang Memiliki Lebih dari
Satu Solusi Optimal

V. Web-based Tools dalam Linear Programming Solusi Grafis

Ada beberapa applet Java yang tersedia gratis secara online yang secara grafis
menyelesaikan program linier. Beberapa di antaranya secara grafis mengilustrasikan langkah-
langkah metode simpleks berbasis aljabar, bergerak dari satu solusi dasar ke solusi
berikutnya hingga mencapai solusi optimal. Contoh applet Java ini adalah 'Pemrograman
Linear dan Pivoting dalam 2D' (Sheppard, 2010), 'LP Explorer 1.0' (Hall & Baird, 2002), atau
'Graphical Simplex Algorithm (2D)' (Zhang, 2010). Meskipun sangat berguna ketika mencoba
menjelaskan / memahami metode simpleks secara visual, kami yakin metode tersebut tidak
cocok untuk memperkenalkan subjek pemrograman linier karena metode tersebut tidak
menunjukkan fitur yang sangat penting dalam memahami LP seperti, misalnya, pemetaan nilai
fungsi tujuan dalam set solusi yang layak.

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

18 Tim Dosen http://www.widyatama.ac.id
Daftar Pustaka
Buku
Levin, Richard I., David S. Rubin, Joel P. Stinson, dan Everette S. Gardner, Jr. (1992).
Quantitative Approaches to Management, eighth edition, New York, McGraw-Hill.
Render, Barry dan Jay Heizer. (1997). Principles of Operations Management, second edition,
Upper Saddle River, New Jersey, Prentice Hall, Inc.
Render, Barry, Ralph M. Stair Jr., dan Michael E. Hanna. (2003). Quantitative Analysis for
Management, eighth edition, Upper Saddle River, New Jersey, Prentice Hall, Inc.
Taha, Hamdy A. (1997). Operations Research, an Introduction, sixth edition, Upper Saddle
River, New Jersey, Prentice Hall, Inc.

Jurnal
A. Kumar, J. Kaur, P. Singh. (2011). A new method for solving fully fuzzy Linear
Programmingproblems. Applied Mathematical Modelling, 35, pp. 817-823.

Obi L.E. (2011), Water Management : Veritable Approach To Water Supply Sustainability in
Nigeria, International Journal of Engineering, India, Vol. 5, No. 1, pp.29-35.

Online
Hall, J., Baird, M., ‘LP Explorer 1.0’, University of Edinburgh, 2002.
http://www.maths.ed.ac.uk/LP-Explorer/ Accessed July 22, 2020.

Shepard, B., ‘Linear Programmingand Pivoting in 2D’, The Computational Geometry Lab at
McGill, 2010. http://cgm.cs.mcgill.ca/ beezer/cs601/main.htm Accessed
July 20, 2020.

Zhang, Y., ‘Graphical Simplex Algorithmv(2D)’,UCMERCED, 2010.

https://eng.ucmerced.edu/people/yzhang/ projects/clientsideLP Accessed July 21, 2020.

‘20 Metode Kuantitatif Biro Akademik dan Pembelajaran

19 Tim Dosen http://www.widyatama.ac.id