MAKALAH

LINIER PROGRAMMING : SOLUSI AWAL, ARTIFICIAL STARTING

UNTUK PRIMAL

(Diajukan untuk memenuhi salah satu tugas Mata Kuliah Riset Operasional)

Dosen Pengampu :
Siti Rohmah, SE., MPd

Disusun oleh:
KELOMPOK 4

Sri Rahmawati 206100079

Melinda Eksanti 206100080

Susan Aprilyda 206100081

Marsya Amelia M 206100082

FAKULTAS EKONOMI

PROGRAM STUDI MANAJEMEN

UNIVERSITAS PUTRA INDONESIA CIANJUR

2023
 KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Kuasa karena telah memberikan

kesempatan pada penulis untuk menyelesaikan makalah ini. Atas rahmat dan

hidayah-Nya penulis dapat menyelesaikan makalah yang berjudul “Linier

Programming : Solusi Awal, Artificial Starting untuk Primal” dengan tepat waktu.

Makalah “Linier Programming : Solusi Awal, Artificial Starting untuk Primal”

disusun untuk memenuhi salah satu tugas Ibu Siti Rohmah, SE., MPd pada mata

kuliah Riset Operasional. Selain itu, penulis berharap agar makalah ini dapat

menambah wawasan bagi pembaca tentang Linier Programming : Solusi Awal,

Artificial Starting untuk Primal.

Penulis mengucapkan terima kasih yang sebesar – besarnya kepada Ibu Siti

Rohmah, SE., MPd selaku dosen mata kuliah Riset Operasional. Penulis juga

mengucapkan terima kasih pada semua pihak yang telah membantu proses

penyusunan makalah ini.

Penulis menyadari makalah ini masih jauh dari kata sempurna. Oleh karena itu,

kritik dan saran yang membangun akan penulis terima demi kesempurnaan

makalah ini.

Kelompok 4,
DAFTAR ISI
 BAB I
PENDAHULUAN
A. Latar Belakang
Sejarah Perkembangan Linear Programming Ide linear programming
pertama kali dicetuskan oleh seorang ahli matematika asal Rusia bernama
L.V. Kantorivich dalam bukunya yang berjudul Mathematical Methods In
The Organization And Planning Of Production. Dengan buku ini, ia telah
merumuskan pertama kalinya persoalan Linear Programming. Namun, cara-
cara pemecahan persoalan ini di Rusia tidak berkembang dengan baik dan
ternyata para ahli di negara Barat dan AS yang menggunakan cara ini
dimanfaatkan dengan baik.
Operasi riset (operation research) merupakan penerapan beberapa metode
ilmiah yang membantu memecahkan persoalan rumit yang muncul dalam
kehidupan sehari-hari kemudian di inteprestasikan dalam permodelan
matematika guna mendapatkan informasi solusi yang optimal. Operational
research juga banyak digunakan untuk mengambil keputusan yang logis serta
dapat dijelaskan secara kuantitatif. Pendekatan khusus ini bertujuan
membentuk suatu metode ilmiah dari sistem menggabungkan ukuran-ukuran
faktor – faktor seperti kesempatan dan risiko, untuk meramalkan dan
membandingkan hasil – hasil dari beberapa keputusan, strategi atau
pengawasan. Karena keputusan dalam riset operasi dapat berkaitan dengan
biaya relevan, dimana semua biaya yang terkaitan dengan keputusan itu harus
dimasukkan, kualitas baik dipengaruhi oleh desain produk atau cara produk
dibuat, kehandalan dalam suplai barang dan jasa, kemampuan operasi untuk
membuat perubahan dalam desain produk atau kapasitas produksi untuk
menyesuaikan diri terhadap perubahan yang terjadi.
Metode Big M digunakan untuk menyelesaikan fungsi-fungsi dalam
program linier yang tidak berada dalam bentuk baku atau standar ( bentuk
standar adalah memaksimalkan Z sesuai dengan kendala fungsional dalam
bentuk ≤ dan kendala nonegativitas di semua variabel) dan salah satu contoh
 masalah dalam kendala funsional adalah bila fungsi dalam bentuk-bentuk =
atau ≥ atau bahkan ruas kanan yang negatif.

B. Rumusan Masalah
1. Apa yang dimaksud dengan program linear metode Big – M?
2. Bagaimana formulasi metode Big M?
3. Bagaimana contoh kasus dan pembahasan dari metode Big – M?

C. Tujuan
1. Dapat memahami tentang Program Linear Metode Big – M.
2. Memahami Formulasi permasalahan Program Linear Metode Big – M.
 BAB II
PEMBAHASAN

A. Solusi Awal Buatan (Artificial Starting Solution)

Sering ditemukan bahwa fungsi kendala tidak hanya dibentuk
oleh pertidaksamaan ≤ tapi juga oleh pertidakasamaan ≥ dan/atau
persamaan (=). Fungsi kendala dengan pertidaksamaan ≥ mempunyai
surplus variable, tidak ada slack variables. Surplus variable tidak bisa
menjadi variabel basis awal. Dengan demikian harus ditambahkan satu
variabel baru yang dapat berfungsi sebagai variabel basis awal.
Variabel yang dapat berfungsi sebagai variabel basis awal hanya slack
variables dan artificial variables (variabel buatan).

B. Metode Big – M (Metode Penalty)

Kondisi – Kondisi Kendala
1. Jika semua fungsi kendala menggunakan pertidaksamaan ≤ maka
variabel basis awal semuanya adalah slack variables.
Penyelesaian solusi optimal untuk kasus seperti ini dilakukan
dengan cara yang sudah diperkenalkan sebelumnya.
2. Jika fungsi kendala menggunakan pertidaksamaan ≥ dan/atau ≤
maka variabel basis awal adalah slack variables dan/atau variabel
buatan. Penyelesaian solusi optimal untuk kasus seperti ini
dilakukan dengan memilih antara metode Big M, Dua Fase atau Dual
Simpleks.
3. Jika fungsi kendala ada yang menggunakan persamaan maka variabel
buatan akan ditemukan pada variabel basis awal. Penyelesaian
solusi optimal untuk kasus seperti ini hanya dapat dilakukan dengan
memilih antara metode Big M atau Dua Fase. Kita akan bahas metode
Big M dalam sub bab ini. Perbedaan metode Big M dengan primal
simpleks biasa (teknik penyelesaian yang sudah dipelajari
sebelumnya), terletak pada pembentukan tabel awal. Jika fungsi
kendala menggunakan bentuk pertidaksamaan ≥, perubahan dari
 bentuk umum ke bentuk baku memerlukan satu variabel surplus.
Variabel surplus tidak dapat berfungsi sebagai variabel basis awal,
karena koefisiennya bertanda negatif. Sebagai variabel basis pada
solusi awal, harus ditambahkan satu variabel buatan.

Variabel buatan pada solusi optimal harus bernilai 0, karena variabel

ini memang tidak ada. Teknik yang digunakan untuk memaksa variabel
buatan bernilai 0 pada solusi optimal adalah dengan cara berikut:

• Penambahan variabel buatan pada fungsi kendala yang tidak memiliki

variabel slack, menuntut penambahan variabel buatan pada fungsi
tujuan.
• Jika fungsi tujuan adalah maksimisasi, maka variabel buatan pada
fungsi tujuan mempunyai koefisien + M; jika fungsi tujuan adalah
minimisasi, maka variabel buatan pada fungsi tujuan mempunyai
koefisien - M.
• Karena koefisien variabel basis pada tabel simpleks harus
bernilai 0, maka variabel buatan pada fungsi tujuan harus digantikan
nilai dari fungsi kendala yang memuat variabel buatan tersebut.

Teknik ini memberikan nilai koefisien yang sangat besar kepada

variabel-variabel artificial dalam persamaan objective function. Nilai
koefisien ini bertindak sebagai penalty dan disebut Big-M. Nilai ini perlu
sangat besar agar algoritma simpleks berusaha memprioritaskan
menangani variabel artifisial ini terlebih dahulu. Setelah nilai artifisial ini
bernilai nol, maka suatu solusi feasible sudah tercapai dan variabel
artifisial dapat dibuang dari tabel simpleks.

Sebagai contoh :

Max 2x1 + 9x2

maka persamaan tersebut diubah menjadi:

max 2x1 + 9x2 − MS3 − MS4

 Keuntungan dari metode ini adalah algoritma simpleks dapat
dilanjutkan sebagaimana metode simpleks yang biasa. Akan tetapi,
penggunaan angka yang sangat besar dapat mengakibatkan iterasi
simpleks yang tidak stabil karena galat pembulatan.

Metode Simpleks biasa dapat menyelesaikan persoalan

Pemrograman Linier Kanonik yang mempunyai ciri – ciri :

- Semua variabel slack bertanda “+”

- Solusi basis awal sudah tersedia

Demikian juga pada soal Pemrograman Linier Non Kanonik solusi

basis awal tidak otomatis tersedia karena :

- Slack pada kendala ³ bertanda “-”

- Tidak ada slack pada kendala =
- Matriks Identitas tidak terbentuk, dan solusi basis awal tidak
tersedia.

Untuk mengatasi masalah di atas, dibentuk variabel buatan

(artificial) yang harus memenuhi syarat – syarat sbb :

1. Variabel buatan ditambahkan pada kendala ³ dan =

2. Variabel buatan pada tabel awal sebagai basis
3. Variabel buatan pada tabel AKHIR harus NON BASIS
4. Perlu diberikan penalti “M” pada fungsi tujuan.

Dari uraian di atas bila disusun dalam langkah-langkah penyelesaian

atau yang disebut algoritma metode tersebut seperti yang terlihat di bawah
ini. Algoritma Metode Simpleks “Big - M” (M adalah bilangan positif
yang sangat besar) yaitu:

Rubah model Pemrograman linier ke bentuk standar PL.

Tambahkan pada fungsi tujuan, variabel buatan dengan koefisien :

Bila soal maksimum = – M

 Bila soal minimum = + M

( Jumlah variabel buatan sama dengan jumlah kendala yang bertanda ³ dan = )

Masukkan bentuk standar ke tabel awal variabel basis :

Variabel slack untuk kendala £

Variabel slack untuk kendala ³ dan =

Lakukan test optimalitas dan ratio seperti pada metode simpleks biasa.

Catatan :

Usahakan agar variabel buatan keluar dari basis. Bila tidak berhasil pada tabel
akhir, maka persoalan program linear tidak mempunyai solusi.

2.2 Contoh perhitungan

Perhatikan contoh di bawah ini. Bentuk Umum

Min. z = 4 x1 + x2

Terhadap: 3x1 + x2 = 3

4x1 + 3x2 ≥ 6
x1 + 2x2 ≤ 4
x1, x2 ≥ 0

Bentuk Baku:

Min. z = 4 x1 + x2

Terhadap: 3x1 + x2 = 3

4x1 + 3x2 - S1 =6

x1 + 2x2 + S2 =4

x1, x2, s1, s2 ≥ 0

 Kendala 1 dan 2 tidak mempunyai slack variables, sehingga tidak ada

variabel basis awal.
  Untuk berfungsi sebagai variabel basis awal, pada kendala 1 dan 2
ditambahkan masing-masing satu variabel buatan (artificial variable).
Maka bentuk baku Big M-nya adalah:

Min. z = 4 x1 + x2 + MA1 + MA2

Terhadap: 3x1 + x2 + A1 = 3

4x1 + 3x2 - s1 + A2 = 6

x1 + 2x2 + s2 = 4

x1, x2, s1, s2 ≥ 0

1. Nilai A1 digantikan dari fungsi kendala pertama.

A1 = 3 - 3x1 - x2

MA1 berubah menjadi M (3 - 3x1 - x2) 3M-3Mx1-Mx2

2. Nilai A2 digantikan dari fungsi kendala ketiga.

A2 = 6 - 4x1 - 3x2 + s1

MA2 berubah menjadi M(6 - 4x1 - 3x2 + s1)

6M - 4Mx1 - 3Mx2 + Ms1

3. Fungsi tujuan berubah menjadi

Min z = 4x1 + x2 + 3M - 3Mx1 - Mx2 + 6M - 4Mx1 - 3Mx2 + Ms1

= (4 -7M)x1 + (1 - 4M)x2 + Ms1 + 9M

4. Tabel awal simpleks

VB X1 X2 S1 A1 A2 S2 Solusi
Z -4 +7M -1 +4M -M 0 0 0 9M
A1 3 1 0 1 0 0 3
A2 4 3 -1 0 1 0 6
S2 1 2 0 0 0 1 4
 5. Perhitungan iterasinya sama dengan simpleks sebelumnya.
Iterasi -0

VB X1 X2 S1 A1 A2 S2 Solusi Rasio
Z -4 +7M -1 +4M -M 0 0 0 9M -
A1 3 1 0 1 0 0 3 1
A2 4 3 -1 0 1 0 6 3/2
S2 1 2 0 0 0 1 4 2

Iterasi 1 =

VB X1 X2 S1 A1 A2 S2 Solusi Rasio
(1
Z 0 -M (4-7M)/3 0 0 4+2M
+5M)/3 -
X1 1 1/3 0 1/3 0 0 1 3
A2 0 5/3 -1 -4/3 1 0 2 6/5
S2 0 5/3 0 -1/3 0 1 3 9/5

Iterasi 2

VB X1 X2 S1 A1 A2 S2 Solusi Rasio
Z 0 0 1/5 8/5 – M -1/5 – M 0 18/5 -
X1 1 0 1/5 3/5 -1/5 0 3/5 25/3
X2 0 1 -3/5 -4/5 3/5 0 6/5 -
S2 0 0 1 1 -1 1 1 1

Iterasi Optimal

VB X1 X2 S1 A1 A2 S2 Solusi
z 0 0 0 7/5-M -M -1/5 17/5
X1 1 0 0 2/5 0 -1/5 2/5
X2 0 1 0 -1/5 0 3/5 9/5
S1 0 0 1 1 -1 1 1
Solusi Optimum

X1 = 2/5 satuan

X2 = 9/5 satuan

Z = 17/5 satuan

A. Contoh Kasus!
 BAB III
PENUTUP
A. Kesimpulan
 DAFTAR PUSTAKA
Hamdy A Taha, Operations Researchan An Introduction 2007 Pearson Education,
Inc.