Nama : Novendra F.

A
NIM : 191710201051
Kelas : TEP A
THE SIMPLEX METHOD
(Real-Life Application—Optimization of Heart Valve Production)
Katup jantung biologis adalah bioprostesis yang diproduksi dalam
berbagai ukuran dari hati babi untuk implantasi manusia. Di sisi pasokan,
hati babi tidak dapat "diproduksi" dengan ukuran tertentu. Di sisi
permintaan, ukuran pasti dari katup yang diproduksi tidak dapat ditentukan
sampai komponen biologis hati babi diproses. Akibatnya, beberapa ukuran
mungkin terlalu banyak menimbun dan yang lain kekurangan. Sebuah
model pemrograman linier dikembangkan untuk mengurangi ukuran
kelebihan stok dan meningkatkan jumlah ukuran kekurangan stok.
Penghematan yang dihasilkan melebihi $ 1.476.000 pada tahun 1981.
1.1 MODEL LP DALAM BENTUK PERSAMAAN
Pengembangan komputasi metode simpleks difasilitasi dengan
memberlakukan dua persyaratan pada model LP:
1) Semua kendala adalah persamaan dengan ruas kanan nonnegatif.
2) Semua variabel tidak negatif. 1
Mengubah pertidaksamaan menjadi persamaan dengan ruas kanan
nonnegative. Untuk mengubah a (≤) - ketidaksamaan ke persamaan, variabel slack
nonnegatif ditambahkan ke tangan kiri sisi kendala. Misalnya, kendala M1 dari
model Reddy Mikks (Contoh 2.1-1) diubah menjadi persamaan sebagai
6x1 + 4x2 + s1 = 24, s1 ≥ 0

Variabel nonnegatif s1 adalah slack (atau jumlah yang tidak terpakai)

dari sumber daya M1.

Konversi dari 1 2 ke 1 = 2 dicapai dengan mengurangkan variabel surplus

nonnegatif dari ruas kiri pertidaksamaan. Misalnya, dalam model pakan (Contoh
2.2-2), variabel surplus S11 02 mengubah kendala campuran pakan 1 2 ke
persamaan
 x1 + x2 - S1 = 800, S1 ≥ 0

Jumlah S1 mewakili kelebihan ton campuran di atas minimum yang

diperlukan 1 = 800 ton2. Satu-satunya persyaratan yang tersisa adalah ruas
kanan dari persamaan yang dihasilkan menjadi nonnegatif. Persyaratan
dapat dipenuhi hanya dengan mengalikan kedua sisi persamaan dengan -1,
jika perlu.
Berurusan dengan variabel tak terbatas.
Penggunaan variabel tak terbatas dalam model LP ditunjukkan dalam
model pemulusan produksi multiperiode pada Contoh 2.4-4, di mana variabel
tak terbatas Si mewakili jumlah pekerja yang dipekerjakan atau dipecat pada
periode i. Dalam contoh yang sama, variabel tak terbatas diganti dengan dua
variabel nonnegatif dengan menggunakan substitusi
Si = Si- - Si+, Si- ≥ 0,Si+ ≥ 0

1.2 TRANSISI DARI SOLUSI GRAFIS KE ALJABAR

Pengembangan metode simpleks aljabar didasarkan pada ide-ide yang
membandingkan kedua metode tersebut. Dalam metode grafik, ruang solusi
adalah perpotongan setengah ruang yang mewakili kendala, dan dalam
metode simpleks, ruang solusi diwakili oleh m persamaan linier simultan
dan n variabel nonnegatif. Kita dapat melihat bahwa ruang solusi grafis
memiliki jumlah titik solusi yang tak terbatas, tetapi bagaimana kita dapat
menarik kesimpulan serupa dari representasi aljabar dari ruang solusi?
Jawabannya adalah, pada semua LP nontrivial, jumlah persamaan m selalu
lebih kecil dari jumlah variabel n, sehingga menghasilkan jumlah solusi tak
terhingga (asalkan persamaannya konsisten). 2 Misalnya, persamaan x+
kamu = 1 memiliki m = 1 dan n = 2 dan menghasilkan sejumlah solusi tak
terhingga karena setiap titik pada garis lurus x + kamu = 1 adalah solusi.
Dalam ruang solusi aljabar (didefinisikan oleh persamaan mn, mn),
solusi dasar sesuai dengan titik sudut dalam ruang solusi grafis. Mereka
ditentukan olehvariabel pengaturan sama dengan nol dan menyelesaikan
persamaan m untuk variabel m yang tersisa, asalkan solusi yang dihasilkan
unik. Ini berarti jumlah titik sudut maksimum adalah

Seperti halnya titik sudut, solusi fisibel dasar secara lengkap

mendefinisikan kandidat solusi optimal dalam ruang solusi aljabar.

Gambar 1.2
Secara aljabar, ruang solusi LP diwakili oleh persamaan m = 2 berikut dan
n = 4 variabel:

2x1 + x2 + s1 = 4

x1 + 2x2 + s2 = 5

x1, x2, s1, s2 ≥ 0

Solusi dasar ditentukan dengan menetapkan n - m1 = 4 - 2 = 22 variabel

sama dengan nol dan menyelesaikan sisa m1 = 22 variabel. Misalnya, jika kita
menetapkan x1 = 0 dan x2 = 0, persamaan memberikan solusi dasar yang unik

S1 = 4, s2 = 5

Solusi ini sesuai dengan titik A pada Gambar 1.2 (yakinkan diri Anda
bahwa s1 = 4 dan s2 = 5 di titik A). Titik lain dapat ditentukan dengan
menetapkan s1 = 0 dan s2 = 0 dan kemudian menyelesaikan dua persamaan
yang dihasilkan

2x1 + x2 = 4
x1 + 2x2 = 5
Solusi dasar yang terkait adalah 1x1 = 1, x2 = 22, atau titik C pada Gambar
1.2. Gambar 1.2, kita dapat melihat empat titik sudut A, B, C, dan D. Jadi,
di mana dua sisanya? Padahal, titik E dan F juga merupakan titik pojok.
Tapi, mereka tidak layak, dan, karenanya, bukan kandidat untuk yang
optimal.
Untuk menyelesaikan transisi dari solusi grafis ke aljabar, variabel nol
dikenal sebagai variabel nonbasis. Variabel m yang tersisa disebut variabel
dasar, dan solusinya (diperoleh dengan menyelesaikan persamaan m)
disebut sebagai solusi dasar. Tabel berikut menyediakan semua solusi dasar
dan non-dasar dari contoh saat ini.

Variabel Titik Nilai

nonbasic Variabel Solusi sudut Bisa objektif,
(nol) dasar dasar terkait dilakukan?
z
(x1, x2) (s1, s2) (4, 5) A Ya 0
(x1, s1) (x2, s2) (4, -3) F Tidak —
(x1, s2) (x2, s1) (2.5, 1.5) B Ya 7.5
(x2, s1) (x1, s2) (2, 3) D Ya 4
(x2, s2) (x1, s1) (5, –6) E Tidak —
(s1, s2) (x1, x2) (1, 2) C Ya 8
(optimal)
Perkataan.
Kita dapat melihat dari ilustrasi sebelumnya bahwa, dengan
bertambahnya ukuran masalah, menghitung semua titik sudut menjadi tugas
yang sulit. Metode simpleks meringankan beban komputasi ini secara dramatis
dengan menyelidiki hanya sebagian dari semua kemungkinan solusi dasar yang
layak (titik sudut).
1.3 METODE SEDERHANA
1.3.1 Sifat Iteratif dari Metode Simpleks
Gambar 1.3 memberikan ruang solusi dari LP Contoh 3.2-1. Demi
standarisasi algoritma, metode simpleks selalu dimulai dari titik asal di
mana semua keputusan 4ariable, xj, j = 1, 2, c, n, adalah nol. Pada Gambar 3.3,
titik A adalah titik asal 1x1 = x2 = 02 dan nilai tujuan terkait, z, adalah nol.
Pertanyaan logis sekarang adalah apakah peningkatan nilai x1 dan x2 nonbasis di
atas nilai nolnya saat ini?
 Gambar 1.3

Dapat memperbaiki (meningkatkan) nilai z. Kita dapat menjawab

pertanyaan ini dengan menyelidiki fungsi tujuan:

Maksimum z = 2x1 + 3x2

Peningkatan x1 atau x2 (atau keduanya) di atas nilai nol saat ini akan
meningkatkan nilai z. Rancangan metode simpleks tidak memungkinkan
peningkatan variabel secara simultan. Sebaliknya, itu menargetkan variabel
satu per satu. Variabel yang dijadwalkan untuk kenaikan adalah variabel
dengan tingkat peningkatan terbesar di z. Dalam contoh ini, laju
peningkatan nilai z adalah 2 untuk x1 dan 3 untuk x2. Dengan demikian
kami memilih untuk meningkatkan x2 (variabel dengan tingkat peningkatan
terbesar di antara semua variabel nonbasis).

Gambar 1.3 menunjukkan bahwa nilai x2 harus ditingkatkan sampai

titik sudut B tercapai (ingat dari Gambar 1.3 bahwa berhenti di dekat titik
sudut B bukanlah pilihan karena calon yang optimal harus menjadi titik
sudut). Pada titik B, metode simpleks, seperti yang akan dijelaskan nanti,
NS jalur algoritma simpleks selalu menghubungkan titik sudut. Dalam
contoh ini, jalur menuju optimal adalah ASBS C. Setiap titik sudut
sepanjang jalur dikaitkan dengan sebuah iterasi. Penting untuk dicatat
bahwa metode simpleks selalu bergerak di sepanjang tepi ruang solusi, yang
berarti metode tersebut tidak memotong ruang solusi. Sebagai contoh,
algoritma simpleks tidak dapat berpindah dari A ke C secara langsung.
Aha! moment: the birth of Optimization, or How dantzig developed
 the simplex method.
Pemenang Nobel Matematikawan Rusia Leonid Kantorovich (1912–
1986) dianggap sebagai pendiri teori pemrograman linier. Tapi itu adalah
algoritma simpleks yang dikembangkan oleh matematikawan Amerika
Goerge B. Dantzig (1914-2005) yang membuat piringan hitam (besar) dapat
dipecahkan dalam praktik. Keberhasilan algoritme Dantzig mengantarkan
perkembangan inovatif di bidang optimasi yang sebelumnya belum
dijelajahi.
Dantzig menghabiskan awal karirnya selama Perang Dunia II sebagai
penasihat matematika untuk Pentagon di mana "[Dia] diminta untuk
menemukan cara untuk lebih cepat menghitung penyebaran bertahap waktu,
pelatihan, dan program pasokan logistik." Perkembangannya dipengaruhi
oleh Model Ekonomi Input-Output yang dikembangkan oleh Peraih Nobel
Wassily Leontief (1906–1999).
Model Leontief menggunakan matriks yang mengukur korespondensi
satu-ke-satu antara proses produksi dan item yang dihasilkan oleh proses ini
untuk tujuan menentukan pengaruh perubahan di satu sektor ekonomi pada
sektor lain. Dantzig memperluas ide dasar ini untuk memasukkan aktivitas
alternatif, yang berpuncak pada Model Analisis Aktivitasnya yang pada
dasarnya terdiri dari persamaan linier dan pertidaksamaan yang
mendefinisikan ruang solusi yang layak.
Model awal Dantzig menghadapi dua rintangan yang signifikan: (1)
Itu sangat besar, membuat komputasi (dengan tidak adanya komputer
"digital") menjadi masalah yang tidak dapat diatasi. (2) Model tidak
memiliki fungsi tujuan karena tujuan model biasanya dinyatakan dalam
aturan dasar ad hoc yang “kabur”.4 Pada akhirnya, Dantzig merancang
fungsi tujuan yang dioptimalkan (dimaksimalkan atau diminimalkan),
sebuah konsep yang dia tegaskan adalah sebagian besar tidak diketahui
sebelum tahun 1947 karena apa yang disebut model "tidak dapat dihitung."
Dantzig menganggap konsep penggunaan fungsi yang dioptimalkan sebagai
"revolusioner" dan mengkreditkannya dengan membuka jalan bagi
penemuan metode simpleksnya.
Dantzig mendemonstrasikan keefektifan program linier dengan
mengutip (menurut standar ukuran sedang) contoh menemukan penugasan
terbaik dari 70 orang (dengan keterampilan yang berbeda dan karenanya
biaya yang berbeda) untuk 70 pekerjaan. Bahkan dengan komputer tercepat
saat ini, waktu yang dibutuhkan untuk menghitung semua 70! (>10100)
permutasi sangat mengejutkan. Sebagai perbandingan, hanya dibutuhkan
beberapa saat untuk menyelesaikan program linier yang dihasilkan
(140*4900) karena metode simpleks hanya mengevaluasi sebagian kecil
dari titik ekstrem yang layak dari ruang solusi.
1.3.2 Detail Komputasi dari Algoritma Simpleks
Bagian ini memberikan rincian komputasi dari iterasi simpleks. Contoh
3.3-1 untuk mendapatkan wawasan tentang hubungan erat antara iterasi
aljabar dan titik sudut grafis. Secara khusus, pada akhir setiap iterasi, baca
solusi yang dihasilkanmenunjuk langsung dari tablo simpleks dan kemudian
menemukan titik sudut yang sesuai pada ruang solusi grafis. Dengan cara
ini, Anda akan memiliki pemahaman yang lebih baik tentang esensi metode
simpleks.

Perhatikan model Reddy Mikks (Contoh 2.1-1) yang dinyatakan dalam

bentuk persamaan: Maksimalkan z = 5x1 + 4x2 + 0s1 + 0s2 + 0s3 + 0s4

Subject to

6x1 + 4x2 + s1 = 24 (Bahan baku M1)

2 x1 + 2x2 + s2 = 6 (Bahan baku M2)

-x1 + x2 + s3 = 1 (Batas pasar)

x2+ s4 = 2 (Batas permintaan)

x1, x2, s1, s2, s3, s4 ≥ 0

Variabel s1, s2, s3, dan s4 adalah slack yang terkait dengan masing-
masing kendala. Selanjutnya, kita tulis persamaan objektif sebagai

z - 5x1 - 4x2 = 0
Dasar z x1 x2 S1 S2 S3 S4 Larutan
z 1 -5 -4 0 0 0 0 0 z-baris
S1 0 6 4 1 0 0 0 24 S1-baris
S2 0 1 2 0 1 0 0 6 S2-baris
S3 0 -1 1 0 0 1 0 1 S3-baris
S4 0 0 1 0 0 0 1 2 S4 baris
Tata letak tablo simpleks secara otomatis memberikan solusi pada iterasi
awal. Solusinya dimulai dari titik asal [1x1, x22 = 10, 02], sehingga
mendefinisikan (x1, x2) sebagai variabel nonbasis dan (s1, s2, s3, s4) sebagai
variabel dasar. Tujuan terkait z dan variabel dasar (s1, s2, s3, s4) terdaftar di
kolom Dasar paling kiri. Nilainya, z = 0, s1 = 24, s2 = 6, s3 = 1, s4 = 2, muncul
di kolom Solusi paling kanan, diberikan langsung oleh sisi kanan persamaan
model (konsekuensi yang mudah untuk memulai di asal). Hasilnya dapat dilihat
dengan menetapkan variabel nonbasis (x1, x2) sama dengan nol di semua
persamaan, dan juga dengan memperhatikan susunan matriks identitas khusus
dari koefisien kendala variabel dasar (semua elemen diagonal adalah 1,
Apakah solusi awal optimal? Fungsi tujuan z = 5x1+ 4x2 menunjukkan
bahwa solusi dapat ditingkatkan dengan meningkatkan nilai nonbasis x1 atau x2 di
atas nol. Sebagaimana dikemukakan, x1 harus ditingkatkan karena memiliki
koefisien objektif paling positif. Secara ekuivalen, dalam tablo simpleks di mana
fungsi tujuan ditulis sebagai z - 5x1 - 4x2= 0, variabel yang dipilih adalah
variabel nonbasic dengan koefisien paling negative dalam persamaan
objektif. Aturan ini mendefinisikan apa yang disebut kondisi optimalitas
simpleks.

Setiap kenaikan di luar B tidak layak. Pada titik B, variabel dasar saat ini
s1 yang terkait dengan kendala 1 mengasumsikan nilai nol dan menjadi variabel
yang meninggalkan. Aturan yang terkait dengan perhitungan rasio disebut
sebagai kondisi kelayakan simpleks karena menjamin kelayakan solusi baru.
Titik solusi baru B ditentukan dengan “menukar” variabel yang masuk x1
dan variabel yang meninggalkan s1 dalam tabel simpleks untuk menghasilkan
Variabel nonbasic 1zero2 di B: 1s1, x22
Variabel dasar di B: 1x1, s2, s3, s42
Proses swapping didasarkan pada operasi baris Gauss-Jordan. Ini
mengidentifikasi kolom variabel masuk sebagai kolom pivot dan baris variabel
keluar sebagai baris pivot dengan persimpangannya menjadi elemen pivot.
Perhitungan Gauss-Jordan yang diperlukan untuk menghasilkan solusi dasar
baru mencakup dua jenis.
1. Baris putar
a. Ganti variabel keluar di kolom Dasar dengan variabel masuk.
b. Baris pivot baru = Baris pivot saat ini, Elemen pivot
2. Semua baris lainnya, termasuk z
Baris baru = (Baris saat ini) – (Koefisien kolom pivot) * (Baris pivot baru)
1.3.3 Ringkasan Metode Simpleks
Sejauh ini, kami telah menangani kasus maksimalisasi. Dalam masalah
minimisasi, kondisi optimalitas memerlukan pemilihan variabel yang masuk
sebagai variabel nonbasis dengan koefisien tujuan paling positif pada baris-z,
aturan kebalikan dari kasus maksimalisasi. Ini mengikuti karena z setara dengan
min 1 -z2. Adapun kondisi kelayakan untuk memilih variabel yang keluar,
aturannya tetap tidak berubah.
1. Kondisi optimal.
Variabel yang masuk dalam masalah maksimalisasi (minimalisasi) adalah
variabel nonbasis dengan koefisien paling negatif (positif) pada baris-z. Ikatan
putus secara sewenang-wenang. Optimal dicapai pada iterasi di mana semua
koefisien baris-z adalah nonnegatif (nonpositif).
2. Kondisi kelayakan.
Untuk masalah maksimisasi dan minimalisasi, variabel yang
meninggalkan adalah variabel dasar yang terkait dengan rasio nonnegatif
terkecil dengan penyebut positif. Ikatan putus secara sewenang-wenang.
Operasi baris Gauss-Jordan.
1. Baris putar
a. Ganti variabel keluar di kolom Dasar dengan variabel masuk.
b. Baris pivot baru = Baris pivot saat ini , Elemen pivot
2. Semua baris lainnya, termasuk z
Baris baru = (Baris saat ini) – (Koefisien kolom pivot) * (Baris pivot baru)
1.4 Solusi Mulai Buatan
Seperti yang ditunjukkan pada Contoh 3.3-1, piringan hitam di mana
semua kendala adalah 1 … 2 dengan sisi kanan non-negatif menawarkan solusi
layak dasar all-slack yang nyaman. Model yang melibatkan 1 = 2 dan/atau 1 2
kendala tidak. Prosedur untuk memulai piringan hitam “berperilaku buruk” dengan
kendala 1 = 2 dan 1 2 adalah untuk menggunakan variabel buatan yang
memainkan peran slack pada iterasi pertama. Variabel buatan kemudian
dibuang pada iterasi selanjutnya. Dua metode yang terkait erat diperkenalkan
di sini: metode-M dan metode dua fase.
1.4.1 M-Method6
Metode-M dimulai dengan LP dalam bentuk persamaan (Bagian 3.1).
Jika persamaan i tidak memiliki slack (atau variabel yang dapat memainkan
peran slack), variabel buatan, Ri, ditambahkan untuk membentuk solusi
awal yang mirip dengan solusi dasar all-slack. Namun, karena variabel
buatan bukan bagian dari masalah asli, "trik" pemodelan diperlukan untuk
memaksanya ke nilai nol pada saat iterasi optimal tercapai (dengan asumsi
masalah memiliki solusi yang layak). Tujuan yang diinginkan dicapai
dengan menetapkan penalti yang didefinisikan sebagai:
 Untuk mengubah kendala menjadi persamaan, gunakan x3 sebagai
surplus pada kendala kedua dan x4 sebagai kendur dalam kendala ketiga.
Dengan demikian Minimalkan z = 4x1 + x2.

Persamaan ketiga memiliki variabel slack, x4, tetapi persamaan pertama dan
kedua tidak. Jadi, kami menambahkan variabel buatan R1 dan R2 dalam dua
persamaan pertama dan menghukumnya dalam fungsi tujuan dengan MR1 + MR2
(karena kami meminimalkan). LP yang dihasilkan menjadi

Minimalkan z = 4x1 + x2 + MR1 + MR2

Subject to

3x1 + x2 + R1 = 3

4x1 + 3x2 - x3 + R2 = 6

x1 + 2x2 + x4 = 4

x1, x2, x3, x4, R1, R2 0

Solusi dasar awal adalah 1R1, R2, x42 = 13, 6, 42. Dari sudut pandang
komputasi, memecahkan masalah pada komputer membutuhkan
penggantian M dengan nilai numerik (cukup besar). Namun, dalam semua
perawatan buku teks, termasuk tujuh edisi pertama buku ini, M dimanipulasi
secara aljabar dalam tablo simpleks. Hasilnya adalah lapisan kesulitan
komputasi yang tidak perlu yang dapat dihindari dengan mengganti nilai
numerik yang sesuai untuk M (yang bagaimanapun juga akan kita lakukan
jika kita menggunakan komputer). Kami melepaskan diri dari tradisi lama
memanipulasi M secara aljabar dan menggunakan substitusi numerik
sebagai gantinya. Tujuannya, tentu saja, untuk menyederhanakan presentasi
tanpa kehilangan substansi.
Berapa nilai M yang harus kita gunakan? Jawabannya tergantung pada
data LP asli. Ingat bahwa penalti M harus cukup besar relatif terhadap koefisien
tujuan asli untuk memaksa variabel buatan menjadi nol (yang terjadi hanya jika
ada solusi yang layak). Pada saat yang sama, karena komputer adalah alat utama
untuk memecahkan piringan hitam, M tidak boleh terlalu besar, karena ini dapat
menyebabkan kesalahan pembulatan yang serius. Dalam contoh ini, koefisien
objektif dari x1 dan x2 berturut-turut adalah 4 dan 1, dan tampaknya masuk akal
untuk menetapkan M = 100,7. Menggunakan M = 100, tablo simpleks awal
diberikan sebagai berikut (untuk kenyamanan, mulai sekarang kolom-z akan
dihilangkan dari tablo karena tidak berubah di semua iterasi) :

Sebelum melanjutkan dengan perhitungan metode simpleks, baris-z harus

dibuat konsisten dengan sisa tablo. Ruas kanan baris z pada tabel saat ini
menunjukkan z = 0. Namun, mengingat solusi nonbasis x1 = x2 = x3 = 0, solusi
dasar saat ini adalah R1 = 3, R2 = 6, dan x4 = 4 menghasilkan z = 11 0 0 * 3 2 +
11 0 0 * 6 2 + 14 * 0 2 = 9 0 0 . Inkonsistensi berasal dari fakta bahwa R1 dan R2
memiliki koefisien bukan nol (-100, -100) di baris-z (bandingkan dengan solusi
awal semua-slack pada Contoh 3.3-1, di mana koefisien baris-z dari slack
adalah nol).
1.4.2 Metode Dua Fase
Dalam metode-M, penggunaan penalti, M, dapat mengakibatkan
kesalahan pembulatan komputer. Metode dua fase menghilangkan
penggunaan konstanta M sama sekali. Seperti namanya, metode ini
memecahkan LP dalam dua fase: Fase I mencoba menemukan solusi fisibel
dasar awal, dan, jika ditemukan, Fase II dipanggil untuk memecahkan
masalah awal.
Fase I.
Letakkan masalah dalam bentuk persamaan, dan tambahkan variabel
buatan yang diperlukan kemampuan untuk kendala (persis seperti dalam
metode-M) untuk mengamankan solusi dasar awal. Selanjutnya, temukan
solusi dasar dari persamaan yang dihasilkan yang selalu meminimalkan
jumlah variabel buatan, terlepas dari apakah LP adalah maksimalisasi atau
minimalisasi. Jika nilai minimum dari jumlah tersebut positif, masalah LP
tidak memiliki solusi yang layak. Jika tidak, lanjutkan ke Tahap II.
Tahap II.
Gunakan solusi fisibel dari Tahap I sebagai solusi fisibel dasar awal
untuk masalah awal.
Pada dasarnya, Fase I telah mengubah batasan asli persamaan dengan
cara yang memberikan solusi layak dasar awal untuk masalah, jika ada.
Tablo yang terkait dengan masalah Tahap II dengan demikian diberikan
sebagai:

Perkataan.
Penghapusan variabel-variabel artifisial dan kolomnya pada akhir Fase
I hanya dapat dilakukan jika semuanya nonbasis (seperti yang diilustrasikan
pada Contoh 3.4-2). Jika satu atau lebih variabel buatan adalah dasar (pada
level nol) pada akhir Tahap I, maka penghapusannya memerlukan langkah-
langkah tambahan berikut:
 Langkah 1.
Pilih variabel buatan nol untuk meninggalkan solusi dasar dan tentukan
barisnya sebagai baris pivot. Variabel yang masuk dapat berupa variabel non-
dasar nonartificial apa pun dengan koefisien bukan nol (positif atau negatif) di
baris pivot. Lakukan iterasi simpleks terkait.

Langkah 2.

Hapus kolom variabel buatan (baru saja keluar) dari tablo. Jika semua
variabel buatan nol telah dihapus, lanjutkan ke Tahap II. Jika tidak, kembali ke
Langkah 1.
Logika di balik langkah 1 adalah bahwa kelayakan variabel dasar yang
tersisa tidak akan terpengaruh ketika variabel buatan nol dibuat nonbasis
terlepas dari apakah elemen pivot positif atau negatif. Soal 3-47 dan 3-48
menggambarkan situasi ini. Soal 3-49 memberikan detail tambahan tentang
perhitungan Tahap