Bagian 3

Metode Simpleks

Sebuah perusahaan tekstil, saat ini kelebihan produksi dimana setiap minggunya
sebanyak 3000 meter kain polos dan 4000 kain bermotif tidak dapat terjual. Untuk
mengatasi hal tersebut, manajemen perusahaan mempunyai ide untuk membuat usaha
baru yaitu mendirikan pabrik konveksi. Untuk sementara direncanakan akan membuat 3
jenis pakaian yaitu pakaian pria, pakaian anak-anak, dan pakaian wanita. Untuk membuat
1 unit pakaian pria diperlukan 3 meter kain polos dan 2 meter kain bermotif. Untuk
membuat 1 unit pakaian anak-anak diperlukan 1 meter kain polos dan 2 meter kain
bermotif. Sedangkan untuk membuat 1 unit pakaian wanita diperlukan 3 meter kain polos
dan 3 meter kain bermotif. Jika satu unit pakaian pria dijual, akan untung Rp.40.000,- ;
pakaian anak-anak untung Rp.30.000,- sedangkan 1 unit pakaian wanita akan untung
Rp.60.000,-. Berapa keuntungan optimum yang akan diperoleh perusahaan tersebut
setiap harinya dari pabrik konveksi?

P u S i N g !!
Stok barang masih
banyak sekali!
 Metode Simpleks

Apabila suatu persoalan program linier mempunyai lebih dari 2 variabel keputusan,
maka metoda grafis tidak mampu untuk menyelesaikan persoalan tersebut, tetapi
terdapat metoda lain yang dapat menyelesaikan persoalan yaitu metoda simplek. Suatu
persoalan program linier dalam bentuk standar:

Max/Min Z  c1 X 1  c 2 X 2  ... c j X j  ... c n X n

sedemikian rupa sehingga kendala-kendala

a11 X 1  a12 X 2  ...  a1 j X j  ....  a1n X n  b1
a21 X 1  a22 X 2  ...  a2 j X j  ....  a2n X n  b2
…
…
ai 1 X 1  ai 2 X 2  ...  ai j X j  ....  ain X n  bi
…
…
am1 X 1  am 2 X 2  ...  am j X j  ....  amn X n  bm
X 1 , X 2 ,..., X j , ..., X n  0

Program linier di atas dapat dinyatakan dalam bentuk matrik dapat ditulis sebagai berikut :

Max / Min Z = cX

Dengan batasan

AX  b

X 0

dimana c merupakan vektor baris (c1 c2 … cj … cn), sedangkan X , b dan 0

merupakan vektor – vektor kolom sedemikian rupa sehingga

 X1   b1   a11 a12 .. a1j .. a1n 

X  b  a a 22 .. a 2 j .. a 2 n 
 2  2  21
 ..   ..   .. .. .. .. .. .. 
X   , b    , A  . 
X j   bi   ai1 ai 2 .. aij .. ain 
 ..   ..   .. .. .. .. .. .. 
     
 X n  bm   a m1 am2 .. a mj .. a mn 

Untuk mempermudah penyelesaian persoalan tersebut, maka fungsi batasan diubah

dulu menjadi bentuk sama dengan, yaitu dengan cara menambahkan sesuatu pada ruas
sebelah kiri, sehingga ruas kiri sama dengan ruas kanan. Jika ruas kiri lebih kecil dari

Riset Operasi I halaman 3 - 2

 Metode Simpleks

pada ruas kanan, maka ruas kiri ditambah dengan variabel Slack, sedangkan jika ruas kiri
lebih besar dari pada ruas kanan, maka ruas kiri ditambah dengan variabel surplus,
sehingga model program linier berubah menjadi :

Maks / Min Z = c1 X 1 + c 2 X2 + …. + c j Xj + … c nX n

dengan batasan :
a11 X 1  a12 X 2  ...  a1 j X j  ....  a1n X n  X n1  b1
a21 X 1  a22 X 2  ...  a2 j X j  ....  a2n X n  X n2  b2
……………
ai 1 X 1  ai 2 X 2  ...  ai j X j  ....  ain X n  X ni  bi
……………
am1 X 1  am 2 X 2  ...  am j X j  ....  amn X n  X nm  bm

dalam bentuk matriks dapat dinyatakan sebagai berikut :

Maks / Min Z = c X

dengan batasan
AX =b
X 0

dimana c merupakan vektor baris (c1 c2 … cj … cn), sedangkan X , b dan 0 merupakan

vektor – vektor kolom sedemikian rupa sehingga

 X1 
X 
 2 
 .. 
 
X j 
 ..   b1   a11 a12 .. a1j .. a1n 1 0 .. 0 .. 0
    a 
X n   b2   21 a 22 .. a 2 j .. a 2 n 0 1 .. 0 .. 0

X  X n 1   ..   .. .. .. .. .. .. .. .. .. .. .. .. 
  , b    , A  . .
 X n2   bi   ai1 ai 2 .. aij .. ain 0 0 .. 1 .. 0
   ..   .. .. .. .. .. .. .. .. .. .. .. .. 
...     
 X ni  bm   a m1 a m 2 .. a mj .. a mn 0 0 0 0 .. 1 
 
... 
 X nm 
 
 

Riset Operasi I halaman 3 - 3

 Metode Simpleks

X 1 , X 2 ,...,X n adalah variabel asli, sedangkan X n1 , X n2 ,...,X nm adalah variabel

slack. Ada beberapa metoda simplek yang akan diperkenalkan disini yaitu metoda
Penyelesaian Basis Fisibel (BFS) dan metoda simplek tabel.

3.1 Kompetensi

Mahasiswa diharapkan mampu :

1. Menyelesaikan persoalan program linier dimana jumlah variabel keputusan  2

2. Menggunakan metoda Penyelesaian Basis Fisibel (BFS)

3. Membedakan penggunaan metoda simplek tabel, metoda Big M dan metoda dua
phase.

3.2 Penyelesaian Basis Fisibel

Untuk menyelesaikan persoalan program linier dengan menggunakan metoda

Penyelesaian Basis Fisibel, maka [ A ] dipartisi menjadi [ B N ] , c dipartisi menjadi

 XB 
( cB cN ) dan [ X ] dipartisi menjadi  
XN 

dimana A adalah matrik berukuran m x (n+m) , B adalah matrik berukuran m x m, dan

N adalah matrik berukuran n x m, sehingga fungsi obyektif menjadi

X 
Z cB cN   B 
XN 

dan fungsi batasan AX = b berubah menjadi :

X 
B N  B  = b
XN 

Riset Operasi I halaman 3 - 4

 Metode Simpleks

Atau dapat dinyatakan sebagai B XB + N XN = b , sehingga B XB = b dan N XN =

0 , maka XB = B-1 b dan XN = 0. XB adalah calon variabel basis, dan jika XB = 0
maka XB adalah Variabel Non Basis, tetapi jika XB > 0 maka XB variabel basis, sedangkan
XN adalah variabel Non Basis. Jika XB adalah variabel basis, maka masukkan nilai XB
pada fungsi obyektif sehingga diperoleh nilai Z. Pilih Z optimal sebagai penyelesaian
Optimal.

Untuk menyelesaikan persoalan program linier tersebut dengan metoda

n
Penyelesaian Basis Fisibel kurang effisien, karena akan terdapat matrik B sebanyak   .
m 
Apabila jumlah variabel sebanyak 2 dan fungsi batasan sebanyak 2, matrik A dapat juga
dinyatakan sebagai A = a1 a2 a 3 a 4  sehingga matrik B sebanyak 6, yaitu

B1  a1 a 2  ; B 2  a1 a 3  ; B 3  a1 a 4  ; B 4  a 2 a 3  ; B 5  a 2 a 4  ;

dan B 6  a 3 a 4  . Dari kombinasi matrik B , tidak semuanya menghasilkan X B

sebagai variabel basis. Banyaknya XB sebagai variabel basis lebih kecil dari pada
kombinasi ( m , n ).

Contoh 3.1

Max Z  X 1  2X 2
s.t : X 1  3X 2  8
X1  X 2  4
X 1, X 2  0

Penyelesaian Contoh 3.1:

Fungsi batasan dari persoalan tersebut diubah menjadi bentuk ‘=’, dengan menambah
variabel slack, sehingga model pesoalan tersebut berubah menjadi :

Max Z  X 1  2X 2

s.t : X 1  3X 2  X 3  8

X1  X 2  X 4  4
X 1, X 2 , X 3 , X 4  0

Riset Operasi I halaman 3 - 5

 Metode Simpleks

sehingga :

X1
X 
1 3 1 0 8 
c  1 2 0 0  ; A   ; b  ; X  
2
 X3 
1 1 0 1 4
 
X 4 

 1 3   1 3 
   
 1 3  2  ; X  B1b =  1  =  2
X 8   2 
 ; B  1
  1 2 
 4  =  2 
a. B 1   2
B X 
 1 1  
  
1  2  1  
1    
 2 2  2 2

karena X B  0 , maka XB adalah variabel basis, sehingga nilai Z dapat dihitung.

 2
Z  c B X B  1 2   6
 2

1 1  0 1 X   0 1  8   4 
b. B 2    ; B 1    ; X B  B1b =  1  =     =  
1 0  1  1  3
X  1 1  4  4 

karena X B  0 , maka X B adalah variabel basis, sehingga nilai Z dapat dihitung.

 4
Z  c B X B  1 0   4
 4

1 0  1 0  X1  1 0  8   8 
c. B 3    ; B 1    ; XB = B-1b =   =     =  
 1 1    1 1  X4    1 1  4   4 

karena X B  0 , maka XB adalah variabel non basis, sehingga nilai Z tidak dapat
dihitung.

3 1 0 1  X2   0 1  8   4 
d. B 4    ; B 1    ; XB = B-1b =   =     =  
1 0 1  3 X4   1  31  4   12 

karena X B  0 , maka XB adalah variabel non basis, sehingga nilai Z tidak dapat
dihitung.

 1   1  8
3 0  0  X1   0  8   
e. B 5    ; B 1   3  ; XB = B-1b =   =  3    = 3
 1 1   1
1   4
X  1
1   4  
4
 
 3   3  3

karena X B  0 , maka XB adalah variabel basis, sehingga nilai Z dapat dihitung.

Riset Operasi I halaman 3 - 6

 Metode Simpleks

8
  8
Z  c B X B  1 0 3  
4 3
 
3

1 0 1 0  X3   1 0  8  8 
f. B 6    ; B 1    ; XB = B-1b =   =     =  
0 1 0 1 X4   0 1  4 4

karena X B  0 , maka XB adalah variabel basis, sehingga nilai Z dapat dihitung.

8
Z  c B X B  0 0   0
 4

Dari perhitungan Z diatas, diperoleh Z optimum (maksimum), yaitu Z = 6 dimana X1 = 2

dan X2 = 2.

3.3 Simpleks Tabel

Apabila variabel keputusan yang dikandung tidak terlalu banyak masalah, maka
masalah-masalah program linier dapat diselesaikan dengan algoritma yang disebut
metode simpleks tabel. Metode ini disebut simpleks tabel karena kombinasi variabel
keputusan optimal dicari menggunakan tabel-tabel.

Suatu persoalan program linier

Max / Min Z  cX

AX  b
s.t :
X  0

Fungsi batasan diubah menjadi bentuk sama dengan dengan cara menambah Variabel
slack pada ruas kiri, sehingga model program linier berubah menjadi :

Max / Min Z = cX

Dengan batasan

AX = b

X 0

Riset Operasi I halaman 3 - 7

 Metode Simpleks

Jika [A] dipartisi menjadi [B N], c dipartisi menjadi (cB cN) dan [X] dipartisi menjadi

 XB 
X 
 N

Maka persoalan program linier menjadi :

 XB 
Maks / Min Z   cB cN  X 
 N

 cB X B  cN X N

Dengan fungsi batasan:

X 
B N  B   b
X N 
sehingga

BX B  NX N  b

Jika fungsi batasan dikalikan dengan B-1 maka fungsi batasan menjadi :

B1BX B  B1NX N  B1b

IX B  B1NX N  B1b

Matrik satuan () tidak lazim untuk ditulis, maka fungsi batasan ini dapat juga ditulis:

X B  B1NX N  B1b

Persamaan ini yang akan dimasuk kedalam tabel simplek sebagai baris ke 1 hingga baris

ke m seperti ditampilkan pada Tabel 3.1.

Jika fungsi batasan dikalikan dengan cBB-1 maka fungsi batasan menjadi

cB B1BX B  cB B1NX N  cB B1b

cB X B  cB B1NX N  cB B1b

cB XB  cB B1b  cB B1NX N

Riset Operasi I halaman 3 - 8

 Metode Simpleks

Fungsi tujuan Z  cB X B  cN X N

Z  cB B1b  cB B1NX N  cN X N

Z  (cB B1N  cN ) X N  cB B1B

Persamaan ini yang akan dimasukkan kedalam tabel simplek sebagai baris ke nol,

sehingga tabel simpleknya seperti ditampilkan pada Tabel 3.1.

Tabel 3.1: Tabel Simplek

Baris ke BV Z XB XN RHS
-1
0 Z 1 0 cBB N - cN cBB-1b
1 s.d. m XB 0 I B-1N B-1b

Tabel 3.1 dapat diubah susunan kolomnya menjadi seperti ditampilkan pada Tabel 3.2.

Tabel 3.2: Alternatif Tabel Simplek

Baris ke BV Z XB XN RHS
-1
0 Z 1 cBB N - cN 0 cBB-1b
1 s.d. m XB 0 B-1N I B-1b

Untuk tabel simplek awal, dipilih matrik B = I, sehingga matrik B-1 adalah matrik I sendiri.
Karena matrik B = I, maka XB adalah variabel slack dan cB = 0, XN adalah variabel asli, N
koefisien variabel asli pada fungsi batasan, sehingga B-1N = N = Y dan cN adalah
koefisien fungsi tujuan, sehingga Tabel 3.2 akan berubah menjadi:

Tabel 3.3: Tabel Simplek Awal

Baris ke BV Z XB XN RHS
0 Z 1 -cN 0 0

1 s.d. m XB 0 Y I b

Tabel 3.3 (Tabel simplek awal) jika dinyatakan dalam bentuk skalar dapat dilihat pada
Tabel 3.4.

Riset Operasi I halaman 3 - 9

 Metode Simpleks

Tabel 3.4: Tabel simplek awal dalam bentuk skalar

Brs BV Z X1 … Xj ... Xk Xn X n 1 … X n i … X nr X nm RK
ke
0 Z 1  c1 … cj …  ck  cn 0 … 0 … 0 0 0
1 X n 1 0 y11 … y12 … y1k y1n 1 … 0 … 0 0 b1
.. … .. … .. … … … .. ..
i X n i 0 y i1 … y ij … y ik y in 0 … 1 … 0 0 bi
.. … .. … … … … … .. … .. … .. .. ..
r X nr 0 y r1 … y rj … y rk y rn 0 … 0 … 1 0 br
m X nm 0 y m1 … y mj … y mk y mn 0 … 0 … 0 1 bm

Sesudah model persoalan program linier dimasukkan dalam tabel simplek awal, maka
selanjutnya ikutilah langkah-langkah berikut:

Langkah 1 : Cek apakah tabel sudah optimum.

Apabila fungsi tujuan ‘Maksimumkan’, tabel sudah optimum jika semua
baris ke nol lebih besar sama dengan nol (Zj - Cj  0 ), tetapi jika fungsi
tujuan adalah ‘Minimumkan’, maka tabel dikatakan optimum jika semua
baris ke nol lebih kecil sama dengan nol (Zj - Cj  0) .
Jika tidak, lanjutkan langkah 2.

Langkah 2 : Pilih variabel yang akan masuk basis.

Untuk memilih variabel yang masuk basis, lihat baris ke nol.
Apabila fungsi tujuan ‘Maksimumkan’, maka pilih elemen baris ke nol,
negative terbesar, tetapi jika fungsi tujuan adalah ‘Minimumkan’, maka
pilih elemen baris ke nol, positif terbesar.
Andaikan elemen yang terpilih tersebut adalah pada kolom ke k, maka Xk
adalah variabel yang akan masuk basis.

Langkah 3 : Cek apakah persoalan mempunyai daerah fisibel.

Suatu persoalan program linier mempunyai daerah fisibel jika pada kolom
terpilih pada baris 1 s.d. m ada elemen yang lebih besar daripada nol (ada
elemen yik > 0), maka lanjutkan ke langkah 4, tetapi jika semua elemen yik
 0, maka persoalan tidak punya daerah fisibel, berarti selesai.

Langkah 4 : Pilih variabel yang akan keluar basis.

Untuk memilih variabel yang akan keluar basis, ruas kanan (bi) dibagi
dengan yik, dimana yik  0 . Pilihlah hasil bagi yang paling kecil. Jika hasil
bagi terkecil terletak pada baris ke r maka Xn+r keluar basis.
Elemen yang terletak pada baris terpilih pada langkah 3, dan kolom terpilih
pada langkah 4 ( yrk ) disebut sebagai PIVOT.

Riset Operasi I halaman 3 - 10

 Metode Simpleks

Langkah 5 : Buat tabel baru dimana pada kolom BV Xn+r diganti dengan Xk .

Lakukan iterasi berikut:

Langkah 6 : Semua elemen pada baris pivot dibagi dengan elemen pivot.

Langkah 7 : Semua elemen pada kolom pivot diubah menjadi 0, dengan cara:
Pada setiap baris, kurangi atau tambahkan k kali baris pivot, sehingga
elemen pada kolom pivot sama dengan nol.

Ulangi terus langkah 1 sehingga diperoleh tabel simplek optimum.

Contoh 3.2:

Sebuah perusahaan tekstil, saat ini kelebihan produksi dimana setiap minggunya
sebanyak 300 meter kain polos dan 400 meter kain bermotif tidak dapat terjual. Untuk
mengatasi hal tersebut, manajemen perusahaan punya ide untuk membuat usaha baru
yaitu mendirikan pabrik konveksi. Untuk sementara direncanakan akan membuat 3 jenis
pakaian yaitu pakaian pria, pakaian anak-anak, dan pakaian wanita. Untuk membuat 1
unit pakaian pria diperlukan 3 meter kain polos dan 2 meter kain bermotif. Untuk membuat
1 unit pakaian anak-anak diperlukan 1 meter kain polos dan 2 meter kain bermotif.
Sedangkan untuk membuat 1 unit pakaian wanita diperlukan 3 meter kain polos dan 3
meter kain bermotif. Jika satu unit pakaian pria kalau dijual akan untung Rp.40.000,- ;
pakaian anak-anak untung Rp.30.000,- sedangkan 1 unit pakaian wanita akan untung
Rp.60.000,-. Bantulah manajemen perusahaan tersebut untuk menyelesaikan
masalahnya.

Penyelesaian Contoh 3.2:

Untuk menyelesaikan persoalan tersebut, ada dua tahap yang akan dilakukan, yaitu:

Tahap 1: Buat model matematisnya

1. Definisikan dulu variabel keputusan dari persoalan diatas, yaitu :
X 1 : Jumlah pakaian pria yang akan dibuat

X 2 : Jumlah pakaian anak-anak yang akan dibuat

X3 : Jumlah pakaian wanita yang akan dibuat

Riset Operasi I halaman 3 - 11

 Metode Simpleks

2. Buat fungsi obyektif atau fungsi tujuan

Max Z  40.000 X 1  30.000 X 2  60.000 X 2
atau dapat juga dinyatakan sebagai berikut
Max Z  4 X 1  3 X 2  6 X 2
3. Buat fungsi batasan atau kendala
s.t : 3 X 1  X 2  3 X 3  300
2 X 1  2 X 2  3 X 3  400
X1, X 2 , X 3  0
Tahap 2 : Selesaikan Model matematis tersebut

Model matematis tersebut mempunyai 3 variabel keputusan, sehingga untuk

menyelesaikannya digunakan metoda simplek. Untuk menyelesaikan model matematis
dengan metoda simplek, tanda fungsi batasan diubah dulu menjadi menjadi bentuk
persamaan dengan cara menambah variabel slack pada setiap fungsi batasan,
sehingga model matematis menjadi:

Max Z  4 X 1  3 X 2  6 X 3

s.t : 3 X 1  X 2  3 X 3  X 4  300
2 X 1  2 X 2  3 X 3  X 5  400
X1, X 2 , X 3 , X 4 , X 5  0

Untuk menyelesaikan dengan metoda simplek tabel, maka model matematis tersebut
dimasukkan kedalam tabel simplek awal, seperti terlihat pada Tabel 3.5

Tabel 3.5: Tabel simplek awal contoh 3.2

Brs ke BV Z X1 X2 X3 X4 X5 RHS
0 Z 1 -4 -3 -6 0 0 0
1 X4 0 3 1 3 1 0 300
2 X5 0 2 2 3 0 1 400

Selanjutnya dilakukan iterasi dengan langkah-langkah berikut :

Iterasi I

Langkah 1 : Cek apakah tabel sudah optimum

Untuk mengetahui apakah tabel sudah optimum, lihat pada baris ke
nol. Karena fungsi obyektifnya maksimumkan, dan pada baris ke nol
masih ada elemen yang bernilai negatif, maka tabel belum optimum.

Riset Operasi I halaman 3 - 12

 Metode Simpleks

Langkah 2 : Pilih variabel yang akan masuk basis

Pada baris ke nol, elemen negatif terbesar terletak pada kolom X3,
sehingga variabel yang akan masuk basis adalah X3

Langkah 3 : Cek apakah persoalan mempunyai daerah fisibel.

Pada kolom terpilih (X3) pada baris ke 1 dan 2 terdapat elemen yang
bernilai positif, sehingga persoalan mempunyai daerah fisibel.

Langkah 4 : Pilih variabel yang akan keluar basis

Bagi ruas kanan (bi) dengan yi3 sehingga (b1/y13 = 300/3 ; b2/y23 =
400/3) Pilih hasil bagi terkecil, yaitu b1/y13 , sehingga X4 keluar basis.
Y13 adalah PIVOT

Langkah 5 : Buat tabel baru dimana X4 diganti dengan X3

Langkah 6 : Semua elemen pada baris pivot (baris 1) dibagi dengan elemen pivot

Langkah 7: Semua elemen pada kolom pivot (kolom X3) diubah menjadi 0,
dengan cara:
a. Baris ke nol ditambah dengan 6 kali baris ke satu ( B0 + 6B1 )
b. Baris ke dua dikurangi dengan 3 kali baris ke satu ( B2 - 3B1 )

Sehingga tabel simplek pada Iterasi I dapat dilihat pada Tabel 3.6

Tabel 3.6: Tabel simplek iterasi I pada Contoh 3.2

Brs ke BV Z X1 X2 X3 X4 X5 RHS
0 Z 1 2 -1 0 2 0 600
1 X3 0 1 1
3 1 1
3 0 100
2 X5 0 -1 1 0 -1 1 100

Iterasi II

Dengan cara yang sama, ulangi langkah 1 sampai dengan langkah 7, sehingga
akan diperoleh Tabel 3.7

Tabel 3.7: Tabel simplek iterasi II contoh 3.2

Brs ke BV Z X1 X2 X3 X4 X5 RHS
0 Z 1 1 0 0 1 1 700
1 X3 0 4
3 0 1 2
3  13 66 2 3
2 X2 0 -1 1 0 -1 1 100

Riset Operasi I halaman 3 - 13

 Metode Simpleks

Karena pada baris ke nol, semua elemen  0 maka tabel sudah optimal, sehingga
Z = 700, X1 = 0, X2 = 100 dan X3 = 66 2 3

Kesimpulan :
Ide manajemen untuk membuka pabrik konveksi dengan menggunakan sisa kain yang
tidak laku terjual, akan mendapatkan keuntungan sebesar Rp. 7.000.000,- setiap hari,
dengan kombinasi pakaian yaitu tidak membuat pakaian pria, pakaian anak-anak dibuat
sebanyak 100 unit, dan pakaian wanita dibuat sebanyak 66 2 3 .

3.4 Metoda Simpleks yang lain

Pada sub bab sebelumnya telah dibahas suatu persoalan program linier dimana
model matematisnya dalam bentuk standar, yaitu semua fungsi batasan bertanda  ; ruas
kanan bi  0 ; dan variabel keputusan X j  0 . Pada sub bab ini akan dibahas dimana

fungsi batasan tidak selalu bertanda  0 , tetapi kadang-kadang fungsi batasan bertanda
‘=’ atau bertanda ‘  0 ’.

Suatu persoalan program linier

Maks / Min Z = c1 X 1 + c 2 X2 + c 3 Xj + c 4X 4

dengan batasan :

a11 X 1  a12 X 2  a13 X 3  a14 X 4  b1

a21 X 1  a22 X 2  a23 X 3  a24 X 4  b2
a31 X 1  a32 X 2  a3 3 X 3  .a34 X 4  b3
a41 X 1  a42 X 2  a43 X 3  a44 X 4  b4
X1 , X 2 , X 3 , X 4  0

Untuk menyelesaikan persoalan tersebut dengan menggunakan metoda simpleks,

maka fungsi batasan diubah dulu menjadi bentuk ‘=’, sehingga fungsi batasan yang
bertanda lebih kecil ditambah dengan variabel slack, sedangkan fungsi batasan yang
bertanda lebih besar dikurangi dengan variabel surplus, sehingga model matematis
persoalan program linier berubah menjadi :

Riset Operasi I halaman 3 - 14

 Metode Simpleks

Maks / Min Z = c1 X 1 + c 2 X2 + c 3 Xj + c 4X 4

Dengan batasan :

a11 X 1  a12 X 2  a13 X 3  a14 X 4  X 5  b1

a21 X 1  a22 X 2  a23 X 3  a24 X 4  b2
a31 X 1  a32 X 2  a3 3 X 3  .a34 X 4  X 6  b3
a41 X 1  a42 X 2  a43 X 3  a44 X 4  X 7  b4
X 1 , X 2 ,. X 3, . X 4 , X 5 , X 6 , X 7  0

Fungsi batasan model matematis tersebut jika dinyatakan dalam bentuk matriks akan
terlihat sebagai berikut :
AX  b dimana :
 X1 
X 
 a11 a12 a13 a14 1 0 0  2 b1 
a  X3  b 
 21 a 22 a23 a24 0 0 0  
A  ; X  X 4  ; b   
2

 a31 a32 a33 a34 0 1 0  b3 

  X5   
 a41 a42 a43 a44 0 0 1   b4 
X 6 
X 
 7

Untuk menyelesaikan persoalan tersebut dengan menggunakan simplek tabel,

maka pilih matriks B yang merupakan partisi dari matriks A , dimana B  I , tetapi tidak
didapatkan matriks Identitas ( I ) dari partisi matriks A tersebut, oleh karena itu dibuat
model matematis yang baru dimana fungsi batasan persoalan baru tersebut ditambahkan
variabel artifisial sehingga diperoleh matriks Identitas dari partisi matris A . Fungsi batasan
yang ditambah dengan variabel artifisial adalah fungsi batasan yang bertanda lebih besar
atau yang bertanda sama dengan, sehingga persoalan diatas berubah menjadi :

Maks / Min Z = c1 X 1 + c 2 X2 + c 3 Xj + c 4X 4

dengan batasan :
a11 X 1  a12 X 2  a13 X 3  a14 X 4  X 5  b1

a21 X 1  a22 X 2  a23 X 3  a24 X 4  X 8  b2

a31 X 1  a32 X 2  a3 3 X 3  .a34 X 4  X 6  X 9  b3

a41 X 1  a42 X 2  a43 X 3  a44 X 4  X 7  b4

X1, X 2 ,. X 3, . X 4 , X 5 , X 6 , X 7 , X 8 , X 9  0

Riset Operasi I halaman 3 - 15

 Metode Simpleks

Selanjutnya untuk menyelesaikan persoalan tersebut ada dua metode yang dapat
digunakan, yaitu metoda dua phase dan metoda big M, dimana masing-masing metoda
mempunyai kelebihan dan kekurangan sendiri-sendiri.

3.4.1 Metode Dua Phase

Metoda dua phase digunakan jika fungsi batasan ada yang bertanda lebih besar
atau bertanda sama dengan, dimana untuk menyelesaikan dengan metoda ini terdiri dari
dua phase, yaitu phase satu dan phase dua.

a. Phase Satu
Pada phase satu, fungsi tujuan adalah meminimumkan variabel artifisial ( baik untuk
fungsi tujuan persoalan asli maksimumkan atau minimumkan), dimana fungsi batasan
adalah fungsi batasan yang sudah ditambahkan variabel artifisial

Min Yo = X a

dengan Fungsi batasan :

AX + Xa = b

Apabila persoalan asli mempunyai penyelesaian fisibel, maka nilai optimum dari
persoalan ini adalah nol, dengan nilai variabel artifisial sama dengan nol ( variabel
artifisial keluar dari variabel basis, dan variabel asli masuk basis), sehingga dapat
dilanjutkan ke phase dua. Tetapi apabila tabel sudah optimum, tetapi variabel artifisial
masih sebagai variabel basis, maka persoalan asli tidak mempunyai penyelesaian
fisibel, sehingga tidak perlu dilanjutkan ke phase dua.

b. Phase Dua
Pada phase dua fungsi tujuannya adalah fungsi tujuan persoalan asli, yaitu
menyelesaikan persoalan program linier dengan penyelesaian basis fesibel awal
X B  B -1b dan X N  0

Riset Operasi I halaman 3 - 16

 Metode Simpleks

Maks / Min Z  c B X B  c N X N

Dengan fungsi batasan :

X B  B 1NX N  B 1b
XB; X N  0

Penyelesaian optimal persoalan pada phase dua merupakan penyelesaian optimal dari
persoalan asli.

Contoh 3.3:

Min Z  2 X 1  3 X 2
dengan fungsi batasan :
2 X 1  X 2  16
X 13 X 2 20
X 1  X 2 10
X 1; X 2  0

Penyelesaian Contoh 3.3:

Untuk menyeleaikan persoalan tersebut dengan metoda dua phase, maka ubah fungsi
batasan menjadi bentuk sama dengan yaitu dengan menambahkan variabel slack pada
fungsi batasan yang bertanda  , menambahkan variabel artifisial pada fungsi batasan
yang bertanda = , menambahkan variabel artifisial dan mengurangi dengan variabel
surplus pada fungsi batasan yang bertanda  , sehingga persoalan tersebut menjadi :
Min Z  2 X 1  3 X 2
dengan batasan :
2 X 1  X 2  X 3  16
X 13 X 2 X 4  X 5 20
X 1  X 2 X 6  10
X 1 ; X 2 ;...; X 6  0
dimana X1 , X2 adalah variabel asli, X3 variabel slack, X4 variabel surplus, dan X5 , X6
adalah variabel artifisial.

Riset Operasi I halaman 3 - 17

 Metode Simpleks

Phase 1
Min Yo  X 5  X 6
dengan batasan:
2 X 1  X 2  X 3  16
X 13 X 2 X 4  X 5 20
X 1  X 2 X 6  10
X 1 ; X 2 ;...; X 6  0

Tabel simpleks awal persoalan tersebut ditampilkan pada Tabel 3.8.

Tabel 3.8: Tabel simplek awal Phase I

Brs BV Yo X1 X2 X3 X4 X5 X6 RHS ratio keterangan
0 Yo 1 0 0 0 0 -1 -1 0 B0 + B2 + B3
1 X3 0 2 1 1 0 0 0 16
2 X5 0 1 3 0 -1 1 0 20
3 X6 0 1 1 0 0 0 1 10

Tabel 3.9: Iterasi I pada Phase I

Brs BV Yo X1 X2 X3 X4 X5 X6 RHS ratio keterangan
0 Yo 1 2 4 0 -1 0 0 30 B0 + B2 + B3
1 X3 0 2 1 1 0 0 0 16 16
2 X5 0 1 3 0 -1 1 0 20 20/3
3 X6 0 1 1 0 0 0 1 10 10

Pada Tabel 3.9 terlihat bahwa tabel belum optimal, karena kasus ’minimumkan’ dimana
baris ke nol masih ada yang positif. Variabel yang masuk basis adalah X2 dan variabel
yang keluar basis adalah variabel X5, hasilnya terlihat pada Tabel 3.10.

Tabel 3.10: Iterasi II pada Phase I

Brs BV Yo X1 X2 X3 X4 X5 X6 RHS ratio keterangan
0 Yo 1 2/3 0 0 1/3 -4/3 0 10/3 B0 – 4B2
1 X3 0 5/3 0 1 1/3 -1/3 0 28/3 28/5 B1 – B2
2 X2 0 1/3 1 0 -1/3 1/3 0 20/3 20
3 X6 0 2/3 0 0 1/3 -1/3 1 10/3 5 B3 – B2

Riset Operasi I halaman 3 - 18

 Metode Simpleks

Pada Tabel 3.10 terlihat bahwa tabel belum optimal, karena kasus ‘minimumkan’ dimana
baris ke nol masih ada yang positif. Variabel yang masuk basis adalah X1 dan variabel
yang keluar basis adalah variabel X6, hasilnya terlihat pada Tabel 3.11.
Tabel 3.11: Iterasi III pada Phase I
Brs BV Yo X1 X2 X3 X4 X5 X6 RHS ratio keterangan
0 Yo 1 0 0 0 0 -1 -1 0 B0 – 2/3B3
1 X3 0 0 0 1 -1/2 1/2 -5/2 1 B1 – 5/3B3
2 X2 0 0 1 0 -1/2 1/2 -1/2 5 B2 – 1/3B3
3 X1 0 1 0 0 1/2 -1/2 3/2 5

Pada Tabel 3.11 terlihat bahwa tabel sudah optimum, karena kasus ‘minimumkan’ dimana
baris ke nol  0 ; dan variabel artifisial ( X5 dan X6 ) bukan variabel basis, sehingga
persoalan asli mempunyai daerah fisibel, oleh karena itu dapat dilanjutkan ke phase II.

Phase 2
Min Z  2 X 1  3 X 2
dengan fungsi batasan :

X B  B 1 NX N  B 1b
XB; X N  0

dimana X B  B 1 NX N  B 1b adalah tabel optimum phase I pada baris 1 s.d. m dengan

menghilangkan kolom variabel artifisial, sehingga tabel awal pada phase II ditampilkan
pada Tabel 3.12
Tabel 3.12: Tabel awal pada phase II
Baris BV Z X1 X2 X3 X4 RHS Rasio Keterangan
0 Z 1 -2 -3 0 0 0 B0 + 3B2 + 2B3
1 X3 0 0 0 1 -1/2 1
2 X2 0 0 1 0 -1/2 5
3 X1 0 1 0 0 1/2 5

Tabel 3.13: Iterasi I pada phase II

Baris BV Z X1 X2 X3 X4 RHS Rasio Keterangan
0 Z 1 0 0 0 -1/2 25
1 X3 0 0 0 1 -1/2 1
2 X2 0 0 1 0 -1/2 5
3 X1 0 1 0 0 1/2 5

Riset Operasi I halaman 3 - 19

 Metode Simpleks

Pada Tabel 3.13 terlihat bahwa tabel sudah optimum, sebab pada kasus ’minimumkan’
dimana baris ke nol nilainya  0 yaitu
Z minimum = 25 , dimana X1 = 5 dan X2 = 5

3.4.2 Metode Big M

Seperti halnya metoda Dua Phase, Metoda Big M juga digunakan jika fungsi
batasan ada yang bertanda ‘>’ atau bertanda ‘=’, sehingga variabel basis tidak didapatkan
langsung dari fungsi batasan, oleh karena itu ditambahkan variabel artifisial kefungsi
batasan tersebut. Variabel basis yang diperoleh pada tabel simplek awal, dimana variabel-
variabelnya terdiri dari variabel asli, variabel slack, dan variabel artifisial, ini akan berakibat
bahwa variabel basis tersebut fisibel terhadap persoalan baru, tetapi belum tentu fisibel
terhadap persoalan asli.
Agar variabel basis tersebut fisibel terhadap persoalan asli, maka semua variabel
artifisial harus bernilai nol, oleh karena itu semua variabel artifisial harus keluar basis,
sehingga diperoleh suatu variabel basis yang fesibel terhadap persoalan asli. Untuk
mendapatkan variabel basis tersebut, maka koefisien variabel artifisial pada fungsi tujuan
haruslah bilangan yang sangat besar, sedemikian hingga jika satu variabel artifisial bernilai
positif, maka fungsi tujuan masih belum optimum.
Koefisien variabel artifisial pada fungsi tujuan tersebut biasanya disimbolkan
dengan huruf M, dimana M adalah bilangan yang sangat besar. Untuk fungsi tujuan
‘maksimumkan’, maka kurangi dengan M variabel artifisial, sedangkan untuk fungsi
tujuan ‘minimumkan’, maka tambahkan dengan M variabel artifisial.
Suatu persoalan program linier, dimana fungsi batasan satu dan empat bertanda ‘<’,
kedua bertanda ‘=’, ketiga bertanda ‘>’, maka model matematis persoalan baru adalah
sebagai berikut:

Maks Z  c1 X1  c2 X 2  c3 X 3  c4 X 4  MX 8  MX 9

Tetapi jika fungsi tujuan minimumkan, maka fungsi tujuannya adalah

Min Z  c1 X1  c2 X 2  c3 X 3  c4 X 4  MX 8  MX 9

Riset Operasi I halaman 3 - 20

 Metode Simpleks

dengan batasan :
a11 X 1  a12 X 2  a13 X 3  a14 X 4  X 5  b1

a21 X 1  a22 X 2  a23 X 3  a24 X 4  X 8  b2

a31 X 1  a32 X 2  a3 3 X 3  .a34 X 4  X 6  X 9  b3

a41 X 1  a42 X 2  a43 X 3  a44 X 4  X 7  b4

X 1 , X 2 ,. X 3, . X 4 , X 5 , X 6 , X 7 , X 8 , X 9  0

Untuk menyelesaikan persoalan tersebut, seperti halnya menyelesaikan persoalan

program linier dengan menggunakan simpleks tabel, dan jika persoalan fisibel, maka nilai
Z optimum tidak memuat bilangan M.

Contoh 3.4:

Max Z   X 1  2X 2
dengan batasan :
X1  X 2  2
 X1  X 2  1
X2  3
X 1; X 2  0

Penyelesaian Contoh 3.4:

Karena fungsi batasan ada yang bertanda lebih besar, maka fungsi batasan yang
bertanda lebih besar kurangkan variabel surplus dan tambahkan variabel artifisial,
sedangkan fungsi batasan yang bertanda lebih kecil tambahkan varibel slack. Untuk
fungsi tujuan kurangkan M kali variabel artifisial, sehingga model matematis persoalan
tersebut menjadi :
Max Z   X 1  2X 2 – MX6 – MX7
dengan batasan :
X1  X 2  X 3  X 6  2
 X1  X 2  X 4  X 7  1
X2  X5  3
X 1 ; X 2 ;......; X 7  0

Riset Operasi I halaman 3 - 21

 Metode Simpleks

Model matematis yang baru tersebut, dimasukkan dalam tabel simpleks awal yang
ditampilkan pada Tabel 3.14.
Tabel 3.14: Tabel simpleks awal Contoh 3.4
Brs BV Z X1 X2 X3 X4 X5 X6 X7 RHS Rasio Keterangan
0 Z 1 1 -2 0 0 0 M M 0 B0-MB1-MB2
1 X6 0 1 1 -1 0 0 1 0 2
2 X7 0 -1 1 0 -1 0 0 1 1
3 X5 0 0 1 0 0 1 0 0 3

Karena (X6, X7, X5)’ adalah variabel basis, maka maka Tabel 3.13 akan mengalami iterasi
dimana hasilnya akan ditampilkan pada Tabel 3.15.

Tabel 3.15: Iterasi I Contoh 3.4

Brs BV Z X1 X2 X3 X4 X5 X6 X7 RHS Rasio Keterangan
0 Z 1 1 -2-2M M M 0 0 0 -3M B0+(2+2M)B2
1 X6 0 1 1 -1 0 0 1 0 2 2 B1-B2
2 X7 0 -1 1 0 -1 0 0 1 1 1
3 X5 0 0 1 0 0 1 0 0 3 3 B3-B2

Tabel 3.15 belum optimum, karena untuk kasus ’maksimumkan’, baris ke nol masih ada
elemen yang bernilai negatif, sehingga variabel yang masuk basis adalah X2, dan yang
keluar basis adalah X7. Selanjutnya dilakukan iterasi lagi dan hasilnya ditampilkan pada
Tabel 3.16.

Tabel 3.16: Iterasi II Contoh 3.4

Brs BV Z X1 X2 X3 X4 X5 X6 X7 RHS Rasio Keterangan
0 Z 1 -1-2M 0 M -2-M 0 0 2+2M 2-M B0+(1+2M)B1
1 X6 0 2 0 -1 1 0 1 -1 1 1/2
2 X2 0 -1 1 0 -1 0 0 1 1 - B2+B1
3 X5 0 1 0 0 1 1 0 -1 2 2 B3-B1

Pada baris ke nol masih ada elemen yang bernilai negatif sehingga belum diperoleh hasil
optimum. Selanjutnya dilakukan iterasi lagi dimana variabel yang masuk basis adalah X1,
dan yang keluar basis adalah X6. Hasil iterasi ditampilkan pada Tabel 3.17.

Riset Operasi I halaman 3 - 22

 Metode Simpleks

Tabel 3.17: Iterasi III contoh 3.4

Brs BV Z X1 X2 X3 X4 X5 X6 X7 RHS Rasio Keterangan
0 Z 1 0 0 -1/2 -3/2 0 1/2+M 3/2+M 5/2 B0+3/2B1
1 X1 0 1 0 -1/2 1/2 0 1/2 -1/2 1/2 1
2 X2 0 0 1 -1/2 -1/2 0 1/2 1/2 3/2 - B2+1/2B1
3 X5 0 0 0 1/2 1/2 1 -1/2 -1/2 3/2 3 B3-1/2B1

Sebagaimana yang dapat kita lihat pada Tabel 3.17, belum diperoleh hasil optimum,
karena pada baris ke nol masih ada elemen yang bernilai negatif, sehingga variabel yang
masuk basis adalah X4, dan yang keluar basis adalah X1. Selanjutnya dilakukan iterasi
III dan hasilnya ditampilkan pada Tabel 3.18.

Tabel 3.18: Iterasi IV Contoh 3.4

Brs BV Z X1 X2 X3 X4 X5 X6 X7 RHS Rasio Keterangan
0 Z 1 3 0 -2 0 0 2+M M 4 B0+2B3
1 X4 0 2 0 -1 1 0 1 -1 1 - B1+B3
2 X2 0 1 1 -1 0 0 1 0 2 - B2+B3
3 X5 0 -1 0 1 0 1 -1 0 1 1

Dari Tabel 3.18 masih diperoleh hasil belum optimum, karena masih ada elemen yang
bernilai negatif, sehingga variabel yang masuk basis adalah X3 dan yang keluar basis
adalah X5. Selanjutnya dilakukan iterasi IV dan hasilnya ditampilkan pada Tabel 3.19.

Tabel 3.19: Iterasi IV Contoh 3.4

Brs BV Z X1 X2 X3 X4 X5 X6 X7 RHS Rasio Keterangan
0 Z 1 1 0 0 0 2 M M 6
1 X4 0 1 0 0 1 1 0 1 2
2 X2 0 0 1 0 0 1 0 0 3
3 X3 0 -1 0 1 0 1 -1 0 1

Dari Iterasi keempat sudah diperoleh nilai optimum, karena untuk kasus maksimum pada
baris ke nol tidak ada elemen yang bernilai negatif.
Jadi Z maksimum = 6 dimana X1 = 0 dan X2 = 3.

Riset Operasi I halaman 3 - 23

 Metode Simpleks

3.5 Interpretasi Tabel Simpleks

Setiap elemen yang terkandung didalam tabel simplek selalu mempunyai makna,
adapun makna atau interpretasi pada tabel simpleks dapat dijelaskan sebagai berikut:
1. Pada setiap kali dilakukan iterasi, tabel simpleks mempunyai makna bahwa tabel
simpleks yang sekarang adalah tabel simpleks sebelumnya dikalikan dengan matriks
B-1, dimana B adalah matriks dari koefisien variabel basis pada fungsi batasan, oleh
karena itu matriks I pada tabel awal, menjadi B-1 pada tabel-tabel berikutnya, atau
dengan kata lain, pada setiap iterasi tabel simpleks, maka elemen dibawah variabel
slack pada baris satu hingga baris m adalah elemen dari matriks B-1.
2. Fungsi tujuan pada persoalan program linier adalah optimumkan Z  c B X B  c N X N ,

dimana Z optimum = cBB-1b. Apabila Z diturunkan terhadap b, maka Z  cB B1 = wi

b

dimana wi adalah elemen baris ke nol dibawah variabel slack. Z mempunyai

bi
makna bahwa jika sumber i bertambah sebanyak satu satuan, maka nilai Z akan
berubah sebesar wi .

3. Nilai variabel basis X B = B 1b , jika variabel X B diturunkan terhadap b , maka

X B
 B 1 , dimana B 1 adalah elemen dibawah variabel slack pada baris kesatu
b

hingga baris m.
X B mempunyai makna bahwa jika sumber i bertambah satu
bi

satuan, maka variabel basis X B bertambah sebesar Bi 1 , dimana Bi 1 adalah elemen

dibawah variabel slack ke i pada baris 1 hingga m.

4. Jika variabel basis tidak memuat variabel slack ( hanya memuat variabel asli saja) ,
maka semua varibel slack adalah variabel non basis, berarti semua fungsi batasan
bertanda sama dengan, oleh karena itu jumlah sumber yang dibutuhkan sama dengan
jumlah sumber yang tersedia, sehingga tidak ada sumber ( bahan ) yang tersisa, atau
dengan kata lain semua sumber tersebut adalah sumber yang langka.
5. Jika variabel basis memuat variabel slack dan variabel asli, maka tabel simpleks
tersebut mempunyai makna :
a. Apabila variabel slack sebagai variabel basis, maka fungsi batasan yang berkaitan
dengan variabel slack tersebut bertanda lebih kecil, artinya jumlah kebutuhan
sumber lebih kecil daripada jumlah sumber yang tersedia, berarti sumber tersebut
masih berlebih, dengan kata lain sumber tersebut dikatakan sebagai sumber
melimpah.

Riset Operasi I halaman 3 - 24

 Metode Simpleks

b. Apabila variabel slack sebagai variabel non basis, maka fungsi batasan yang
berkaitan dengan variabel slack tersebut bertanda sama dengan, artinya jumlah
kebutuhan sumber sama dengan jumlah sumber yang tersedia, berarti sumber
tersebut tidak tersisa, dengan kata lain sumber tersebut dikatakan sebagai sumber
langka.

Contoh 3.5:

Kembali pada Contoh 3.2 :

Sebuah perusahaan tekstil, saat ini kelebihan produksi dimana setiap minggunya
sebanyak 300 meter kain polos dan 400 meter kain bermotif tidak dapat terjual. Untuk
mengatasi hal tersebut, manajemen perusahaan punya ide untuk membuat usaha baru
yaitu mendirikan pabrik konveksi. Untuk sementara direncanakan akan membuat 3 jenis
pakaian yaitu pakaian pria, pakaian anak-anak, dan pakaian wanita.
Untuk membuat 1 unit pakaian pria diperlukan 3 meter kain polos dan 2 meter kain
bermotif. Untuk membuat 1 unit pakaian anak-anak diperlukan 1 meter kain polos dan 2
meter kain bermotif. Sedangkan untuk membuat 1 unit pakaian wanita diperlukan 3 meter
kain polos dan 3 meter kain bermotif. Jika satu unit pakaian pria kalau dijual akan untung
Rp.40.000,- ; pakaian anak-anak untung Rp.30.000,- sedangkan 1 unit pakaian wanita
akan untung Rp.60.000,-. Bantulah manajemen perusahaan tersebut untuk mengambil
keputusan jika ada pernyataan sebagai berikut:
a. Jika perusahaan mempunyai kelebihan kapasitas produksi, kain mana yang akan
ditambah tingkat produksinya?
b. Jika tingkat produksi kain polos bertambah 1 meter, berapa pakaian wanita akan
bertambah?
c. Dari kedua bahan tersebut, mana yang merupakan bahan melimpah dan mana yang
merupakan bahan langka?

Penyelesaian Contoh 3.5:

Tabel optimal persoalan pada Contoh 3.5 (dari contoh 3.2) ditampilkan pada Tabel 3.20.

Tabel 3.20: Tabel simplek optimal contoh 3.5

Brs ke BV Z X1 X2 X3 X4 X5 RHS
0 Z 1 1 0 0 1 1 700
1 X3 0 4
3 0 1 2
3  13 66 2 3
2 X2 0 -1 1 0 -1 1 100

Riset Operasi I halaman 3 - 25

 Metode Simpleks

a. Dengan menambah jumlah kain (sumber), maka yang diharapkan adalah keuntungan
bertambah, maka jika kain (bahan i) bertambah satu unit, maka keuntungan akan

bertambah sebesar Z dimana Z adalah elemen dibawah variabel slack (X4,

bi bi

X5) pada baris ke nol, sehingga Z  1 dan Z  1 , oleh karena itu jika polos
b1 b2
bertambah 1meter, maka keuntungan bertambah 1 (Rp.10.000,-); sedangkan jika kain
bermotif bertambah 1 meter, maka keuntungan bertambah 1 (Rp.10.000,-).
Jadi, jika perusahaan mempunyai kelebihan kapasitas produksi, kain polos atau
kain bermotif yang akan ditambah tingkat produksinya, sama saja, sebab
pertambahan keuntungan sama yaitu masing-masing Rp 10.000,-
b. Jika kain (sumber i) bertambah satu satuan, maka pakaian (variabel basis XB)
bertambah sebesar Bi 1 , dimana Bi 1 adalah elemen dibawah variabel slack ke i pada

 X 3 b1  2 3   X 3 b2   13 
baris 1 hingga m yaitu  X   
 2 b  1 dan  X 2 b  1  .
 1   2 
Jadi, jika tingkat produksi kain polos ( b1 ) bertambah 1 meter, maka pakaian
X
wanita ( X3 ) akan bertambah sebanyak  3  = 2/3 unit
 b1 

c. Variabel basis pada Tabel 3.20 adalah X3 dan X2, sehingga semua variabel slack ( X4
dan X5 ) adalah variabel non basis, sehingga kedua bahan tersebut tidak tersisa,
yang merupakan bahan yang langka.

3.6 Iterasi Simplek dengan TORA

Kita dapat menggunakan TORA untuk memperoleh iterasi dalam bentuk yang
diberikan pada sub bab sebelumnya. Berikut ini akan diilustrasikan penggunaan TORA
untuk menyelesaikan persoalan pada Contoh 3.2.

Prosedur:
1. Dari main menu, pilih Linear Programming
2. Masukkan fungsi obyektif dan fungsi kendala

Riset Operasi I halaman 3 - 26

 Metode Simpleks

3. Klik SOLVE MENU, pilih SOLVE  ALGEBRAIC  ITERATIONS  All slack.

Riset Operasi I halaman 3 - 27

 Metode Simpleks

Output yang diperoleh ternyata sama dengan dari perhitungan manual. Hasilnya dapat
dilihat sebagai berikut

3.7 Latihan Soal

1. Dengan menggunakan metoda Penyelesaian Basis Fesibel selesaikan persoalan

berikut:
Max : Z  3 X 1  2 X 2

s. t. 2X1  X 2  6
X1  2X 2  6
X1, X 2  0

2. Max Z  2 X 1  2 X 2  3 X 3

s.t :  X1  X 2  X 3  4

2X1  X 2  X 3  2

X 1  X 2  3 X 3  12

X1, X 2 , X 3  0

Riset Operasi I halaman 3 - 28

 Metode Simpleks

3. Max Z  15X1  25 X 2  10 X 3

s.t : X1  2 X 2  X 3  430

3 X1  2 X 3  460

X1  4 X 3  450

X1, X 2 , X 3  0

4. Max Z  2 X1  X 2  X 3

s.t : 3 X1  X 2  X 3  60

X1  X 2  2 X 3  10

X1  X 2  X 3  20

X1, X 2 , X 3  0

5. Max Z  4 X1  2 X 2  5 X 3

s.t :  6 X 2  3 X 3  12

3 X 1  12 X 2  6 X 3  30

X1, X 2 , X 3  0

6. Max Z  2 X1  4 X 2  3 X 3

s.t : X1  3 X 2  2 X 3  30

X1  X 2  X 3  24

3 X1  5 X 2  3 X 3  60

X1, X 2 , X 3  0

7. Min Z  4 X1  4 X 2  X 3

s.t : X1  X 2  X 3  2

2 X1  X 2  3
2 X1  X 2  3 X 3  3

X1, X 2 , X 3  0

Riset Operasi I halaman 3 - 29

 Metode Simpleks

8. Min Z  2 X1  X 2  3 X 3

s.t : 5 X1  2 X 2  7 X 3  420

3 X1  2 X 2  5 X 3  280

X1, X 2 , X 3  0

9. Min Z  2 X1  3 X 2

s.t : 2 X1  X 2  16
X1  3 X 2  36
X1  X 2  10
X1, X 2  0
a. Selesaikan dengan metoda grafik
b. Selesaikan dengan Penyelesaian Basis Fesibel
c. Selesaikan dengan metoda Big M
d. Selesaikan dengan metoda 2 Phase

10. Suatu perusahaan acesories wanita berencana membuat dompet wanita yang terbuat
dari kulit , ada 2 jenis dompet yaitu dompet dengan kualitas bagus dan kualitas
biasa. Dalam 1 minggu tersedia 40 m2 dan 60 jam orang tenaga kerja. 1 dosin
dompet kualitas bagus memerlukan 1 m2 kulit dan 2 jam orang tenaga kerja. 1
dosin dompet kualitas biasa memerlukan 1 m2 kulit dan 1 jam orang tenaga kerja. 1
dosin dompet kualitas bagus jika dijual akan mendapat keuntungan sebesar $40 dan
1 dosin dompet kualitas sebesar $30. Berapa jumlah dompet masing-masing
kualitas harus diproduksi sehingga diperoleh keuntungan optimum? (Selesaikan
dengan Penyelesaian Basis feibel)

11. Suatu perusahaan manufaktur mengurangi tingkat produksinya dari produk yang
tidak menguntungkan, dan ini berakibat pada kelebihan kapasitas yang cukup
besar. Manajemen perusahaan mempertimbangkan untuk membuat produk jenis
baru dengan memanfatkan kelebihan kapasitas mesin. Dipertimbangkan untuk
membuat 3 macam jenis produk baru, yaitu produk A, B, dan C. dimana ketiga
produk tersebut diproses di mesin giling, mesin bubut dan mesin gerinda.
Kapasitas masing-masing mesin yang tersedia setiap minggu adalah 60 jam, 40
jam, dan 80 jam. Untuk membuat 1 unit prouk A perlu diproses di mesin giling 3
jam, mesin bubut 2 jam, dan mesin gerinda 1 jam. Untuk membuat 1 unit prouk B
perlu diproses di mesin giling 4 jam, mesin bubut 1 jam, dan mesin gerinda 3 jam.
Untuk membuat 1 unit prouk C perlu diproses di mesin giling 2 jam, mesin bubut 2

Riset Operasi I halaman 3 - 30

 Metode Simpleks

jam, dan mesin gerinda 2 jam. Jika produk A, B, dan C dijual, maka akan
mendapat keuntungan masing-masing sebesar $2, $4, dan $3. Bantulah
manajer tersebut menyelesaikan masalahnya.

12. Suatu perusahaan yang memproduksi 3 macam produk yaitu produk A, B dan C,
dimana ketiga produk tersebut harus diproses di 3 mesin yaitu mesin M1, M2, dan
M3. Setiap unit produk A diproses di mesin M1 selama 1 jam, M2 selama 3 jam
dan M3 selama 1 jam. sedang Setiap unit produk B diproses di mesin M1 selama
2 jam, dan M3 selama 4 jam, dan setiap unit produk C diproses di mesin M1
selama 1 jam, dan M2 selama 2 jam . Jika produk-produk tersebut dijual, maka
keuntungan setiap unit produk masing-masing adalah $ 40 ; $20 ; dan $ 50. Jam
kerja masing-masing mesin setiap bulan adalah 430 jam ; 460 jam; dan 450 jam.
Bantulah manajer tersebut untuk menyelesaikan masalahnya, yaitu :
a. Berapa jumlah produk A, B dan C harus dibuat, sehingga tidak melebihi jam kerja
yang sudah disediakan dan mengoptimumka keuntungan.
b. Jika jam kerja mesin akan ditambah, mesin mana yang saudara sarankan untuk
ditambah jam kerjanya?
c. Jika mesin M2 ditambah jam kerjanya, produk A, B, ataukah C yang akan
bertambah, berapa besarnya?
d. Dari ketiga mesin tersebut, mesin mana yang masih mempunyai waktu
menganggur?

13. Suatu perusahaan meubel akan memproduksi bangku, meja dan kursi. Setiap
jenis produk memerlukan kayu, penanganan tukang kayu, dan finishing. Keperluan
bahan untuk membuat 1 unit produk, bahan yang tersedia dan keuntungan 1 unit
produk jika dijual seperti terlihat pada tabel berikut:
Kebutuhan Jenis Produk (unit) Jumlah sumber
Sumber Bangku Meja Kursi Yang tersedia
Kayu (unit) 8 6 1 48
Tukang kayu (jam) 2 1,5 0,5 8
Finishing (jam) 4 2 1,5 20
Keuntungan (Rp) 60.000 30.000 20.000
Bantulah perusahaan meubel tersebut menyelesikan masalahnya.

14. Suatu perusahaan akan membuat 3 jenis produk A, B, dan C yang memerlukan 2
jenis bahan baku yaitu bahan baku I tersedia sebanyak 300 unit, dan bahan beku

Riset Operasi I halaman 3 - 31

 Metode Simpleks

II tersedia sebanyak 400 unit. 1 unit produk A memerlukan bahan I sebanyak 3

unit, dan bahan II sebanyak 2 unit. 1 unit produk B memerlukan bahan I sebanyak
1 unit, dan bahan II sebanyak 2 unit. 1 unit produk C memerlukan bahan I
sebanyak 3 unit, dan bahan II sebanyak 3 unit. Jika produk dijual, keuntungan
yang diperoleh dari 1 unit produk A, B, dan C masing-masing sebesar Rp.40.000,-;
Rp.30.000,- dan Rp.60.000,-
a. Berapa produk A, B, dan C harus dibuat sehingga diperoleh keuntungan
optimum?
b. Dari jawaban a. Apakah ada bahan yang tersisa? Bahan yang mana?
c. Jika salah satu dari bahan tersebut akan ditambah, bahan mana yang harus
ditambah?
d. Jika bahan I ditambah 1 unit, apakah produk A, B, dan C juga bertambah?
Berapa besar pertambahan tersebut?

3.8 Jawaban Latihan Soal

1. Jawaban soal nomor 1 : Ada 4 XB sebagai variabel basis

2. Jawaban Soal nomor 2 adalah ; Z max = 7 dimana X1 = 0 ; X2 = 1 ; X3 =
3
3. Jawaban soal nomor 11 adalah : Manajer tersebut untuk memanfaatkan kelebihan
kapasitas mesin-mesin yang dipunyai perusahaan sebaiknya membuat produk
jenis B sebanyak 6 2 3 unit, produk C sebanyak 16 2 3 unit dan tidak membuat
produk jenis A, sehingga dalam satu minggu akan mendapat keuntungan
maximum sebesar $ 76,67

3.9 Daftar Pustaka

1. Bazaraa Mokhtar,Jarvis John, Sherali Hanif (2005), Linier Programming And

Network Flows, Third Edition, John Wiley & Sons, USA
2. Hillier Frederick and Liberman Gerald ( 1995), Introduction To Operations
Research, Sixth edition, McGraw- Hill,Inc, New York
3. Ravindran A, Philips Don T, Solberg James (1987), Operations Research
Principles And Practice, second edition, John Wiley & Sons, Canada
4. Russell Roberta, Taylor Bernard III (2003), Operations Management, Fourth
Edition, Prentice Hall, USA

Riset Operasi I halaman 3 - 32

 Metode Simpleks

5. Taha Hamdy A (2007), Operations Research An Introduction, Eighth edition,

Pearson Prentice Hall, USA
6. Winston Wayne L (2004), Operation Research Aplications And Algorithms, Fourth
edition, Brooks/Cole-Thomson Learning, USA

Riset Operasi I halaman 3 - 33