OBJEKTIF :
1. Mahasiswa Mampu Mengetahui Sejarah Dan Pengertian Dari Metode Simpleks.
2. Mahasiswa Mampu Mendefinisikan Variabel Keputusan Dan Menentukan Fungsi
Tujuan Dan Fungsi Kendala.
3. Mahasiswa Mampu Mengerjaan Persoalan Linear Dengan Mengikuti Langkah –
Langkah Pengerjaan Metode Simpleks.
4. Mahasiswa Mampu Mengerjakan Soal Linear Dengan Menggunakan Metode Big
M Dan Metode Dua Fase.
kendala sebesar satu satuan. Harga bayangan dapat dilihat melalui tabel simpleks
optimal pada bagian baris 𝐶𝑗 - 𝑍𝑗 (atau baris Z pada tabel simpleks yang
disederhanakan) kolom S1, S2,…Sm.
Sebagai contoh misalnya pada tabel simpleks optimal terdapat nilai pada
3 1
baris Cj – Zj kolom S1 = 4, S2 = 0, dan S3 = 4 . Dengan demikian besarnya harga
3 1
bayangannya adalah S1 = 4, S2 = 0, dan S3 = 4 , berarti apabila sumber daya ke-1
3
berubah sebesar satu-satuan akan merubah nilai tujuan sebesar 4 . Sedangkan untuk
sumber daya ke-3 berubah sebesar satu-satuan akan merubah nilai tujuan sebesar
1
. Sedangkan untuk sumber daya ke-2 tidak berubah walaupun terdapat perubahan
4
pada sumber daya tersebut. (Wijaya, Andi. 2013. Page:43-44).
Metode simpleks adalah prosedur aljabar. Namun, konsep yang
mendasarinya adalah geometris. Memahami konsep geometris ini memberikan
perasaan intuitif yang kuat tentang bagaimana metode simpleks beroperasi dan apa
yang membuatnya begitu efisien. (Hillier, Frederich S. and Lieberman. 1990. Page
109)
Adapun fungsi tujuan dari metode simpleks adalah untuk menentukan
masalah maksimalisasi dan minimalisasi, dimana:
❖ Maksimalisasi digunakan untuk mencari keuntungan, volume penjualan, dan
kemenangan.
❖ Minimalisasi digunakan untuk mencari biaya, waktu, dan tenaga kerja.
10. Elemen Pivot (Elemen Kerja): elemen yang terletak pada perpotongan kolom
dan baris pivot.
11. Variabel Masuk: variabel yang terpilih untuk menjadi variabel basis pada iterasi
berikutnya.
12. Variabel Keluar: variabel yang keluar dari variabel basis pada iterasi berikutnya
dan digantikan dengan variabel masuk.
Mulai
Seluruh elemen Cj
– Zj bernilai positif
Ya
Proses eksekusi selesai nilai Z dan
variabel keputusan ada pada Zj dan Bj
Selesai
Contoh Soal :
PT. Alpha Tekstil memiliki sebuah pabrik yang memproduksi dua jenis produk, yaitu kain
sutera dan wol. Produk tersebut dihasilkan perusahaan untuk memenuhi permintaan
luar negeri (ekspor). Untuk memproduksi kedua produk tersebut diperlukan bahan baku
benang sutera, benang wol, dan tenaga kerja. Maksimum penyediaan benang sutera
adalah 60kg perhari, benang wol sebanyak 30kg per hari dan tenaga kerja 40 jam
perhari. Kebutuhan setiap unit produk akan bahan baku dan jam tenaga kerja dapat
dilihat pada tabel di bawah ini :
Kedua jenis produk tersebut memberikan keuntungan sebesar US $400,- untuk kain
sutera US $300,- untuk kain wol. Berdasarkan kondisi di atas, tentukan besarnya
tingkat produksi kain sutera dan kain wol agar keuntungan maksimum dan berapa
keuntungan maksimum tersebut serta tentukan apakah kapasitas seluruh kendala
digunakan secara penuh (habis terpakai).
Model matematis :
Maksimumkan Z= 400A +300B
Kendala
● 2A+3B≤60
● 2B≤30
● 2A+B≤40
A,B ≥ 0
d. Mengubah pertidaksamaan ≤ pada kendala menjadi persamaan dengan
menambahkan variabel slack (S)
● 2A+3B≤60 → 2A+3B+𝑆1=60
● 2B≤30 → 2B+𝑆2=30
● 2A+B≤40 → 2A+B+𝑆3=40
Fungsi tujuan : Z = 400A + 300B + 0𝑺𝟏 + 0𝑺𝟐 + 𝟎𝑺𝟑
f. Mencari baris kunci: positif terkecil pada indeks (indeks = b𝒋 pada masing-
masing baris dibagi angka pada kolom kunci di masing-masing baris)
Variabel 𝒁𝒋 𝟒𝟎𝟎 300 0 0 0
𝑪𝒋 Indeks
Dasar 𝒃𝒋 B
𝑨 𝑺𝟏 𝑺𝟐 𝑺𝟑
0 𝑆1 60 2 3 1 0 0 30
0 𝑆2 30 0 2 0 1 0 -
0 𝑆3 40 𝟐 1 0 0 1 20
- 𝐶𝑗 0 0 0 0 0
- 𝐶𝑗 − 𝑍𝑗 0 −400 −300 0 0 0
g. Mencari angka kunci: pertemuan antara kolom kunci dan baris kunci, untuk
kasus ini angka kuncinya adalah angka 2.
Baris 𝑆2 yang baru: karena koefisien kolom kunci pada 𝑆2 bernilai 0 maka baris
𝑆2 yang baru sama dengan baris 𝑆2 yang lama.
j. Memastikan seluruh elemen pada baris 𝑪𝒋 − 𝒁𝒋 tidak ada yang bernilai negatif.
Karena pada kasus ini masih terdapat nilai negatif (-100) maka proses
selanjutnya mengikuti langkah F ( mencari kolom kunci) dan mengikuti proses
yang ada.
Keterangan baris 𝐶𝑗 :
(0 X 20) + (0 X 30) + (400 X 20) = 8000
(0 X 0) + (0 X 0) + (400 X 1) = 400
(0 X 2) + (0 X 2) + (400 X 1/2) = 200
(0 X 1) + (0 X 0) + (400 X 0) =0
(0 X 0) + (0 X 1) + (400 X 0) =0
(0 X -1) + (0 X 0) + (400 X 1/2) = 200
0 𝑆2
400 𝑆3
- 𝐶𝑗
- 𝐶𝑗 − 𝑍𝑗
0 𝑆2 10 0 0 -1 1 1
k. Apabila seluruh elemen pada baris 𝑪𝒋 − 𝒁𝒋 tidak ada yang bernilai negatif maka
proses eksekusi telah selesai.
Berdasarkan tabel simpleks terakhir, tidak ditemukan nilai negatif pada 𝐶𝑗 − 𝑍𝑗
dengan demikian tabel simpleks tersebut telah optimal.
Kesimpulan :
Tingkat produksi kain sutera sebanyak 15 unit dan kain wol sebanyak 10 unit.
Besarnya keuntungan maksimum perusahaan adalah $9,000. Sumber daya
benang sutera dan tenaga kerja telah digunakan secara penuh (habis
terpakai/scarce), sedangkan kapasitas benang wol (S2) berlebihan/abundant
(masih tersisa 10kg).
11. Setelah data di input seperti pada tampilan, klik solve untuk mendapat
hasil perhitungan
Interpretasi Data :
Tingkat produksi kain sutera sebanyak 15 unit dan kain wol sebanyak 10 unit.
Besarnya keuntungan maksimum perusahaan adalah $9,000. Sumber daya benang
sutera dan tenaga kerja telah digunakan secara penuh (habis terpakai/scarce),
sedangkan kapasitas benang wol (S2) berlebihan/abundant (masih tersisa 10kg).
dasar semua slack. Namun, variabel buatan bukan bagian dari masalah asli, dan
"trik" pemodelan diperlukan untuk memaksanya menjadi nol pada saat iterasi
optimal tercapai (dengan asumsi masalah memiliki solusi yang layak).(Taha, Hamdy
A. 2007.Page 104)
Sering kita menemukan bahwa fungsi kendala tidak hanya dibentuk oleh
pertidaksamaan ≤ tapi juga oleh pertidaksamaan ≥ 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). (Siringoringo, Hotniar. 2005)
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 metode simpleks 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.
Perbedaan metode Big M dengan primal simpleks biasa, 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. (Siringoringo,
Hotniar. 2005)
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.
Min Z = 4x1 + x2
Dengan kendala:
3x1 + x2 = 3
4x1 + 3x2 ≥ 6
x1 + 2x2 ≤ 4
x1, x2 ≥ 0
Jawab:
- Tambahkan X3 (variabel surplus) pada persamaan ke 2, dan X4 (variabel
slack) pada persamaan ke 3, lalu tambahkan Artificial variable R1 dan R2 dari
dua persamaan pertama dan pindahkan mereka ke fungsi objective sebagai
MR1 + MR2 (Karena minimasi). Sehingga bentuk baku persamaan menjadi:
Min Z = 4x1 + x2 + MR1 + MR2
Dengan kendala:
3x1 + x2 + R1 =3
4x1 + 3x2 – X3 + R2 = 6
x1+ 2x2 + X4. =4
X1,X2,X3,X4,R1,R2 ≥ 0
Keterangan:
X3: variabel surplus,
X4: variabel slack
R1 dan R2 adalah variabel artifisial.
M adalah penalti untuk R1 dan R2 pada fungsi objektif.
- Untuk memudahkan proses komputasi pada komputer, M umumnya
disubstitusi dengan bilangan yang sangat besar. Namun pada prakteknya, M
tidak perlu sangat besar; namun cukup besar jika dibandingkan dengan
koefisien variabel keputusan pada fungsi objektif. Sebagai contoh, koefisien
untuk x1 dan x2 pada fungsi objektif adalah 4 dan 1. Oleh karena itu, cukup
wajar jika M bernilai 100 (relatif besar terhadap 4 dan 1).
(a) Problem minimisasi: kolom pivot adalah kolom dengan koefisien paling
positif pada baris, (b) Hitung rasio, dan (c) Tentukan baris pivot, sehingga:
Variabel X1
X2 X3 R1 R2 X4 Solusi Rasio
Dasar
Z 696 399 -100 0 0 0 900
R1 3 1 0 1 0 0 3 1
R2 4 3 -1 0 1 0 6 1,5
X4 1 2 0 0 0 1 4 4
Keterangan:
Elemen pivot = 3
Variabel Masuk: x1
Variabel Keluar : R1
Table iterasi ke-1
Variabel
X1 X2 X3 R1 R2 X4 Solusi
Dasar
Z 0 167 -100 -232 0 0 204
X1 1 1/3 0 1/3 0 0 1
R2 0 5/3 -1 -4/3 1 0 2
X4 0 5/3 0 -1/3 0 1 3
11.Setelah data di input seperti pada tampilan, klik solve untuk mendapat hasil
perhitungan
Interpretasi Data :
Jawaban/ output akhir dapat dilihat dari solution yaitu X1 = 0,4, X2 = 1,8 dan Z = 3,4.
Min Z = 4x1 + x2
Dengan kendala:
3X1 + X2 = 3
4X1 + 3X2 ≥ 6
X1 + 2X2 ≤ 4
X 1, X 2 ≥ 0
Penyelesaian :
- Fase 1 (Ubah fungsi objektif menjadi meminimumkan sumasi dari variabel
artifisial, dan ubah kendala menjadi bentuk baku (sebagaimana pada metode
Big M):
Tambahkan X3 (variabel surplus) pada persamaan ke 2, dan X4 (variabel slack)
pada persamaan ke 3, lalu tambahkan Artificial variable R1 dan R2 dari dua
persamaan pertama dan pindahkan mereka ke fungsi objective sebagai MR1 +
MR2 (Karena minimasi). Sehingga bentuk baku persamaan menjadi:
Min r = R1 + R2
Dengan kendala:
3X1 + X2 + R1 =3
4X1 + 3X2 – X3 + R2 = 6
X1+ 2X2 + X4 = 4
X1,X2,S1,S2,R1,R2 ≥ 0
Keterangan:
X3: variabel surplus X4: variabel slack
R1 dan R2 adalah variabel artifisial dan M adalah penalti untuk R1 dan R2 pada
fungsi objektif.
Tabel iterasi ke- 0 (Tabel Simpleks awal)
Variabel
X1 X2 X3 R1 R2 X4 Solusi
Dasar
r 0 0 0 -1 -1 0 0
R1 3 1 0 1 0 0 3
R2 4 3 -1 0 1 0 6
X4 1 2 0 0 0 1 4
Seperti pada metode M, R1 dan R2 disubstitusikan pada baris-r dengan
menggunakan perhitungan:
(0)baru =(0)lama +(1×(Baris R1)+1×(Baris R2))
Baris r baru digunakan untuk menyelesaikan fase 1 dari masalah, yang
menghasilkan table optimum berikut:
Pada dasarnya, fase 1 adalah prosedur yang mengubah persamaan kendala asli
dengan cara yang memberikan solusi layak dasar awal untuk masalah, jika ada.
tabel yang terkait masalah fase 2 yaitu:
lagi, karena variabel dasar X1 dan X2 memiliki koefisien bukan nol di baris-z,
mereka harus disubstitusikan, menggunakan perhitungan berikut:
(0)baru =(0)lama +(4×(baris X1)+1×(Baris X2))
Variabel
X1 X2 X3 X4 Solusi
Dasar
Z 0 0 1/5 0 18/5
X1 1 0 1/5 0 3/5
X2 0 1 -3/5 0 6/5
X4 0 0 1 1 1
Solusi optimum akan di dapat pada iterasi selanjutnya yaitu iterasi ke-1.
11.Setelah data di input seperti pada tampilan, klik solve untuk mendapat hasil
perhitungan
12. Klik Itterations untuk melihat hasil menggunakan metode dua fase
Interpretasi Data :
Jawaban/ output akhir dapat dilihat dari iterasi terakhir (iterasi 5) yaitu X1 = 0,4, X2
= 1,8 dan r = 3,4.
Daftar Pustaka :
[1] Hamdy A. Taha. 2011. Operation Research. An Introduction, MacMillan, 22.
[2] Hartama, Dedy dkk. 2020. Riset Operasi: Optimalisasi Produksi Menggunakan
Metode Simpleks & Metode Grafik. Yayasan kita Menulis. Medan.
[3] Hillier, Frederich S. and Lieberman. 1990. Introduction to Operation Research,
McGraw-Hill
[4] Mulyono, Sri. 2017. Riset Operasi. Mitra Wacana Media. Jakarta.
[5] Siringoringo, Hotniar. 2005. Riset Operasional Seri Pemrograman Linear. Yogyakarta:
Graha Ilmu.
[6] Syaifuddin, Dedy Takdir. 2011. Riset Operasi (Aplikasi Quantitative Analysis for
Management). CV Citra Malang. Malang.
[7] Wijaya, Andi. 2013. Pengantar Riset Operasi Edisi 3. Penerbit Mitra Wacana Media.
Jakarta.