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:
Program linier di atas dapat dinyatakan dalam bentuk matrik dapat ditulis sebagai berikut :
Max / Min Z = cX
Dengan batasan
AX b
X 0
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 n1 b1
a21 X 1 a22 X 2 ... a2 j X j .... a2n X n X n2 b2
……………
ai 1 X 1 ai 2 X 2 ... ai j X j .... ain X n X ni bi
……………
am1 X 1 am 2 X 2 ... am j X j .... amn X n X nm bm
Maks / Min Z = c X
dengan batasan
AX =b
X 0
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 n2 bi ai1 ai 2 .. aij .. ain 0 0 .. 1 .. 0
.. .. .. .. .. .. .. .. .. .. .. .. ..
...
X ni bm a m1 a m 2 .. a mj .. a mn 0 0 0 0 .. 1
...
X nm
X 1 , X 2 ,...,X n adalah variabel asli, sedangkan X n1 , X n2 ,...,X nm adalah variabel
slack. Ada beberapa metoda simplek yang akan diperkenalkan disini yaitu metoda
Penyelesaian Basis Fisibel (BFS) dan metoda simplek tabel.
3.1 Kompetensi
3. Membedakan penggunaan metoda simplek tabel, metoda Big M dan metoda dua
phase.
XB
( cB cN ) dan [ X ] dipartisi menjadi
XN
X
Z cB cN B
XN
X
B N B = b
XN
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
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
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 B1b = 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
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 B1b = 1 = =
1 0 1 1 3
X 1 1 4 4
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
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
8
Z c B X B 0 0 0
4
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.
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
Jika [A] dipartisi menjadi [B N], c dipartisi menjadi (cB cN) dan [X] dipartisi menjadi
XB
X
N
XB
Maks / Min Z cB cN X
N
cB X B cN X N
X
B N B b
X N
sehingga
BX B NX N b
Jika fungsi batasan dikalikan dengan B-1 maka fungsi batasan menjadi :
IX B B1NX N B1b
Matrik satuan () tidak lazim untuk ditulis, maka fungsi batasan ini dapat juga ditulis:
X B B1NX N B1b
Persamaan ini yang akan dimasuk kedalam tabel simplek sebagai baris ke 1 hingga baris
Jika fungsi batasan dikalikan dengan cBB-1 maka fungsi batasan menjadi
cB X B cB B1NX N cB B1b
cB XB cB B1b cB B1NX N
Fungsi tujuan Z cB X B cN X N
Z cB B1b cB B1NX N cN X N
Persamaan ini yang akan dimasukkan kedalam tabel simplek sebagai baris ke nol,
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.
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:
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.
Sesudah model persoalan program linier dimasukkan dalam tabel simplek awal, maka
selanjutnya ikutilah langkah-langkah berikut:
Langkah 5 : Buat tabel baru dimana pada kolom BV Xn+r diganti dengan Xk .
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.
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.
Untuk menyelesaikan persoalan tersebut, ada dua tahap yang akan dilakukan, yaitu:
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
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
Iterasi I
Pada kolom terpilih (X3) pada baris ke 1 dan 2 terdapat elemen yang
bernilai positif, sehingga persoalan mempunyai daerah fisibel.
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 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
Iterasi II
Dengan cara yang sama, ulangi langkah 1 sampai dengan langkah 7, sehingga
akan diperoleh Tabel 3.7
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 .
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 ’.
Maks / Min Z = c1 X 1 + c 2 X2 + c 3 Xj + c 4X 4
dengan batasan :
Maks / Min Z = c1 X 1 + c 2 X2 + c 3 Xj + c 4X 4
Dengan batasan :
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
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
X1, X 2 ,. X 3, . X 4 , X 5 , X 6 , X 7 , X 8 , X 9 0
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.
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
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
Maks / Min Z c B X B c N X N
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 13 X 2 20
X 1 X 2 10
X 1; X 2 0
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 13 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.
Phase 1
Min Yo X 5 X 6
dengan batasan:
2 X 1 X 2 X 3 16
X 13 X 2 X 4 X 5 20
X 1 X 2 X 6 10
X 1 ; X 2 ;...; X 6 0
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.
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
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
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
Min Z c1 X1 c2 X 2 c3 X 3 c4 X 4 MX 8 MX 9
dengan batasan :
a11 X 1 a12 X 2 a13 X 3 a14 X 4 X 5 b1
X 1 , X 2 ,. X 3, . X 4 , X 5 , X 6 , X 7 , X 8 , X 9 0
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
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
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 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.
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.
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.
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.
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.
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 ,
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
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:
a. Dengan menambah jumlah kain (sumber), maka yang diharapkan adalah keuntungan
bertambah, maka jika kain (bahan i) bertambah satu unit, maka keuntungan akan
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.
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
Output yang diperoleh ternyata sama dengan dari perhitungan manual. Hasilnya dapat
dilihat sebagai berikut
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
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
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
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