Bahan Ajar RO 1 - Linear Programming

LINEAR PROGRAMMING
I. PENDAHULUAN
A. Deskripsi Singkat, Manfaat, dan Relevan
Bahan riset operasional ini merupakan sarana untuk membantu mahasiswa
mempelajari materi tentang linear programming yang meliputi: penetapan tujuan,
perumusan fungsi tujuan, penentuan variabel tujuan, penentuan variabel
kendala, analisis linear programming dengan metode grafik, dan analisis linear
programming dengan metode simpleks. Diharapkan dengan bahan ajar ini dapat
memberikan wawasan dan pemahaman kepada mahasiswa serta kemudahan
dalam mempelajari materi riset operasional.
B. Rumusan Capaian Pembelajaran Mata Kuliah

Melalui bahan ajar ini, diharapkan mahasiswa mampu menjelaskan manajemen
basis data meliputi pengantar linear programming, merumuskan linear
programming, linear programming metode grafik, linear programming metode
simpleks, dan analisis post-optimal.
C. Urutan Bahasan dan Kaitan Materi

Materi tentang linear programming disampaikan dengan cakupan dan urutan
sebagai berikut:
1) Pengertian linear programming;
2) Merumuskan linear programming;
3) Linear programming metode grafik;
4) Linear programming metode simpleks; dan
5) Analisis post-optimal.
D. Petunjuk Belajar
Untuk dapat memahami materi tentang linear programming dengan baik, ikuti
langkah-langkah pembelajaran berikut.
1) Cermatilah dengan saksama materi yang disajikan dalam bahan ajar ini;
2) Lakukanlah diskusi bersama teman sejawat dalam menyelesaikan masalah
yang disajikan;
3) Kerjakan latihan soal secara berulang, jika diperlukan cari soal latihan diluar
bahan ajar ini.
4) Apabila terdapat materi yang belum dipahami lakukan interaksi melalui LMS
dengan teman sejawat atau dosen pengajar.
Linear Programming | 1
II. PENYAJIAN MATERI
A. Pengantar Linear Programming
Banyak keputusan manajemen operasi berkaitan dengan usaha menggunakan
sumber daya organisasi dengan cara yang paling efektif. Sumber daya yang
dimaksud disini meliputi berbagai hal yang berkaitan dengan kegiatan
operasional seperti bahan baku, tenaga kerja, dan overhead. Sumber daya ini
dapat digunakan untuk menghasilkan produk atau jasa. Linear Programming
(LP) merupakan suatu teknik matematis yang dibuat untuk membantu manajer
operasi merencanakan dan membuat keputusan relatif terhadap imbalan yang
dibutuhkan untuk mengalokasikan sumber daya.
Berikut beberapa contoh dari pemanfaatan sumber daya operasional yang telah
disebutkan:
Tabel 1.
Contoh Pemanfaatan Sumber Daya Operasional pada Manajemen Operasi
Kegiatan Operasional
Output
Bahan Baku Tenaga Kerja Overhead
Kayu Jati Pengrajin Mebel Listrik Lemari
Tepung, Mentega Koki Gas Kue
Lateks, Kayu Pengrajin Karet Listrik, Air, Cuka Karet Olahan
Bakar
Berikut beberapa contoh permasalahan dimana LP telah berhasil diterapkan

dalam bidang manajemen operasi.
Tabel 2.
Contoh Permasalahan LP
No. Kasus
1 Penjadwalan teller untuk memenuhi kebutuhan harian, selagi
meminimalkan total biaya tenaga kerja
2 Pemilihan bauran komposisi makanan untuk menghasilkan kombinasi
makanan dengan biaya minimal
3 Penjadwalan bus sekolah untuk meminimalkan jarak perjalanan total
untuk mengantar dan menjemput para siswa
4 Komposisi pengiriman barang dengan beberapa moda transportasi
Pengertian lain menyebutkan, LP yaitu:
a. Suatu metode untuk membuat keputusan di antara berbagai alternatif

kegiatan pada waktu kegiatan-kegiatan tersebut dibatasi oleh kendala
tertentu;
b. Sebagai dasar penting untuk pengembangan teknik-teknik riset operasi
lainnya, termasuk pemrograman integer, stokastik, arus jaringan, dan
kuadratik;
c. Keputusan yang akan diambil dinyatakan sebagai fungsi tujuan, sedangkan
kendala-kendala yang dihadapi dalam membuat keputusan tersebut
dinyatakan fungsi-fungsi kendala;
d. Bertujuan untuk memaksimumkan atau meminimumkan suatu permasalahan
(optimisasi).
Adapun empat asumsi dasar dalam LP, yaitu:
a. Divisibility (dapat dibagi). Variabel dalam LP tidak harus berupa bilangan

bulat (integer), asalkan dapat dibagi secara tak terbatas (infinitely divisible);
b. Non Negativity (tidak negatif). Suatu variabel bernilai lebih besar atau sama
dengan nol (≥0). Dengan kata lain, tidak ada variabel yang bernilai negatif;
c. Certainty (kepastian). Kasus LP harus berada dalam kondisi decision-
making under certainty, artinya semua parameter dari variabel keputusan
diketahui sebelumnya;
d. Linearity (linieritas). Fungsi tujuan dan fungsi-fungsi kendala harus
berbentuk linier.
LP juga mempunyai karakteristik khusus, diantaranya:
a. Pengetahuan yang pasti mengenai parameter. Mengasumsikan bahwa

semua koefisien dari variabel keputusan dan batasan dari semua kendala
yang ada dalam model diketahui dengan pasti.
b. Addity (penjumlahan). Variabel-variabel fungsi tujuan merupakan
penjumlahan dari semua komponen yang membentuknya.
c. Direct proportionality (proporsional langsung). Karakteristik ini menunjuk
pada koefisien dari variabel keputusan, yakni bahwa nilai koefisien adalah
tetap.
d. Fractionality (pecahan). Nilai koefisien variabel keputusan tidak harus
berupa bilangan bulat.
Pada umumnya, dalam pengerjaan LP memiliki langkah-langkah yang sistematis

diantaranya :
(1) Menentukan variabel keputusan. Variabel keputusan digambarkan berupa

simbol matematis yang menggambarkan aktivitas
(2) Menentukan fungsi tujuan. Fungsi tujuan digambarkan berupa pernyataan
matematis dalam LP yang meminimumkan atau memaksimumkan suatu
besaran
(3) Menentukan fungsi batasan (constraint). Menggambarkan kendala yang
membatasi tingkat di mana seorang manajer dapat mengejar suatu tujuan.
Sebelum lebih lanjut ke dalam proses analisis, ada baiknya kita mengulang
kembali simbol-simbol yang telah kita pelajari sebagai berikut.
Tabel 3.
Notasi-notasi dalam LP
Simbol Arti Kata Kunci
= Sama dengan “sebesar”,”sebanyak”
≥ Lebih dari sama dengan “Minimal”, “Minimum”, “Paling Sedikit”
≤ Kurang dari sama dengan “Maksimal”, “Maksimum”, “Paling Banyak”
Z Variabel Tujuan -
B. Merumuskan Linear Programming

Salah satu penerapan LP yang paling umum adalah masalah bauran produk.
Dua produk atau lebih umumnya diproduksi dengan menggunakan sumber daya
yantg terbatas. Perusahaan ingin menentukan banyaknya unit dari setiap produk
tersebut yang perlu dihasilkan untuk memaksimalkan keuntungan keseluruhan
dengan sumber dayanya yang terbatas. Berikut adalah contoh kasus dalam
merumuskan LP.
CONTOH KASUS-1
Shader Electronics Company menghasilkan dua produk: (1) Shader x-pod, sebuah pemutar
musik portabel dan (2) Shader BlueBerry, sebuah ponsel berwarna dengan sambungan
internet. Proses produksi untuk setiap produk serupa, yaitu keduanya memerlukan waktu
tertentu untuk pengerjaan elektroniknya dan waktu tertentu untuk pengerjaan perakitannya.
Setiap x-pod membutuhkan waktu selama 4 jam untuk pengerjaan elektronik dan 2 jam untuk
perakitan. Setiap BlueBerry memerlukan waktu selama 3 jam untuk pengerjaan elektronik
dan 1 jam untuk perakitan. Sepanjang periode produksi sekarang, tersedia waktu selama
240 jam waktu pengerjaan elektronik dan 100 jam waktu perakitan. Setiap x-pod
menghasilkan keuntungan &7; dan setiap BlueBerry yang diproduksi menghasilkan
keuntungan $5.
Permasalahan yang dihadapi Shader adalah menentukan kombinasi terbaik antara jumlah
x-pod dan BlueBeryy yang dibuat untuk mencapai keuntungan maksimal. Situasi bauran
produk ini dapat dirumuskan sebagai masalah pemrogaman linier.
JAWABAN:
1. Rumuskan masalah melalui tabel matriks :
Waktu yang dibutuhkan
Jam Kerja yang
Departemen untuk memproduksi 1 unit
tersedia
X-Pod BlueBerry
Elektronik 4 jam 3 jam 240 jam
Perakitan 2 jam 1 jam 100 jam
Keuntungan $7 $5
2. Tentukan Variabel Keputusan

Produk X-Pod → X1 → $7
Produk BlueBerry → X2 → $5
3. Tentukan Fungsi Tujuan

Perusahaan Shader Electronics Company menginginkan keuntungan maksimal
sehingga, diperoleh fungsi tujuan sebagai berikut:
ZMax = 7X1 + 5X2
4. Tentukan Fungsi batasan

Dalam memproduksi X-Pod dan BlueBerry, terdapat 2 batasan proses pengerjaan,
diantaranya :
1) Pengerjaan Elektronik: 4X1 + 3X2 ≤ 240 (Jam kerja yang tersedia maksimum 240 jam)
2) Pengerjaan Perakitan: 2X1 + 1X2 ≤ 100 (Jam kerja yang tersedia maksimum 100 jam)
C. Linear Programming Metode Grafik
Dalam memecahkan suatu permasalahan LP yang kecil seperti pada persoalan
kasus diatas dapat menggunakan pendekatan solusi secara grafis. Metode
grafik hanya dapat digunakan jika terdapat dua buah variabel keputusan (dalam
contoh diatas adalah X-Pod sebagai X1 dan BlueBerry sebagai X2). Ketika
terdapat lebih dari dua variabel, metode grafik tidak dapat digunakan karena
grafik hanya tergambar secara dua dimensi.
Langkah-langkah pengerjaan model PD dengan metode grafik dapat diliihat
pada Gambar 1.
Gambar 1.
Langkah-langkah Pengerjaan Model Linear Programming dengan Metode
Grafik
Untuk memahami pengerjaan LP metode grafik secara jelas, mari kita lanjutkan
pengerjaan pada Contoh Kasus-1.
CONTOH KASUS-1 (lanjutan)
JAWABAN:
Jam Kerja yang
tersedia
X-Pod BlueBerry
Keuntungan $7 $5


Perusahaan Shader Electronics Company menginginkan keuntungan maksimal sehingga,
diperoleh fungsi tujuan sebagai berikut:
ZMax = 7X1 + 5X2

Dalam memproduksi X-Pod dan BlueBerry, terdapat 2 batasan proses pengerjaan, diantaranya :
1) Pengerjaan Elektronik: 4X1 + 3X2 ≤ 240 (Jam kerja yang tersedia maksimum 240 jam)
2) Pengerjaan Perakitan: 2X1 + 1X2 ≤ 100 (Jam kerja yang tersedia maksimum 100 jam)
5. LP Metode Grafik
1) Fungsi batasan pengerjaan elektronik
a. Merubah fungsi batasan pengerjaan elektronik

4X1 + 3X2 ≤ 240 → 4X1 + 3X2 = 240
b. Mencari titik koordinat fungsi batasan pengerjaan elektronik (dengan melihat kondisi X1 =
0 dan X2 = 0)
Jika X1 = 0, maka: Jika X2 = 0, maka:
4X1 + 3X2 = 240 → 4(0) + 3(X2) = 240 4X1 + 3X2 = 240 → 4(X1) + 3(0) = 240
0 + 3(X2) = 240 → 3(X2) = 240 4(X1) + 0 = 240 → 4(X1) = 240
240 240
X2 = = 80 X1 = 4
= 60
3
Maka diperoleh koordinat: Maka diperoleh koordinat:
(X1, X2) = (0, 80) (X1, X2) = (60, 0)
c. Gambar titik koordinat fungsi batasan pengerjaan elektronik
Sumbu X2
Sumbu X1
X1, X2 = 0,80
X1, X2 = 60,0
2) Fungsi batasan pengerjaan perakitan
a. Merubah fungsi batasan pengerjaan perakitan

2X1 + 1X2 ≤ 100 → 2X1 + 1X2 = 100
b. Mencari titik koordinat fungsi batasan pengerjaan perakitan (dengan melihat kondisi X1 =
0 dan X2 = 0)
2X1 + 1X2 = 100 → 2(0) + 1(X2) = 100 2X1 + 1X2 = 100 → 2(X1) + 1(0) = 100
0 + 1(X2) = 100 → 1(X2) = 100 2(X1) + 0 = 100 → 2(X1) = 100
100 100
X2 = 1
= 100 X1 = 2
= 50
(X1, X2) = (0, 100) (X1, X2) = (50, 0)
c. Gambar titik koordinat fungsi batasan pengerjaan perakitan
Sumbu X2
Sumbu X1
X1, X2 = 0,100
X1, X2 = 50,0
3) Gambarkan daerah feasible (kelayakan) yang telah digambar pada masing-masing fungsi
kendala
4) Penyelesaian Optimum (bisa menggunakan Metode Iso-Profit atau Metode Solusi Titik Pojok,
dalam kasus ini kita coba menyelesaikan masing-masing metode)
a. Metode Iso-Profit
Pada metode ini membutuhkan proses trial-and-error dalam menentukan perhitungan
keuntungannya, sehingga memakan waktu yang cukup lama dalam pengerjaannya.
- Simulasi 1 : Jika keuntungan yang ingin diperoleh sebesar $220

a) Merubah fungsi tujuan
ZMax = 7X1 + 5X2 → 220 = 7X1 + 5X2
(pada proses ini yang berubah adalah notasi ZMax menjadi 220, karena keuntungan
yang ingin diperoleh adalah $220)
b) Mencari titik koordinat fungsi tujuan (dengan melihat kondisi X1 = 0 dan X2 = 0)

7X1 + 5X2 = 220 → 7(0) + 5(X2) = 220 7X1 + 5X2 = 220 → 7(X1) + 5(0) = 220
0 + 5(X2) = 220 → 5(X2) = 220 7(X1) + 0 = 220 → 7(X1) = 220
220 220
X2 = = 44 X1 = 7
= 31,429 ≈ 32
5
(X1, X2) = (0, 44) (X1, X2) = (32, 0)
c) Gambar titik koordinat fungsi tujuan = $220
ZMax = 7X1 + 5X2 → 300 = 7X1 + 5X2

7X1 + 5X2 = 300 → 7(0) + 5(X2) = 300 7X1 + 5X2 = 300 → 7(X1) + 5(0) = 300
0 + 5(X2) = 300 → 5(X2) = 300 7(X1) + 0 = 300 → 7(X1) = 300
300 300
X2 = = 60 X1 = 7
= 42,857 ≈ 43
5
(X1, X2) = (0, 60) (X1, X2) = (43, 0)
c) Gambar titik koordinat fungsi tujuan = $300
ZMax = 7X1 + 5X2 → 350 = 7X1 + 5X2

7X1 + 5X2 = 300 → 7(0) + 5(X2) = 350 7X1 + 5X2 = 350 → 7(X1) + 5(0) = 350
0 + 5(X2) = 350 → 5(X2) = 350 7(X1) + 0 = 350 → 7(X1) = 350
350 350
X2 = 5
= 70 X1 = 7
= 50
(X1, X2) = (0, 70) (X1, X2) = (50, 0)
c) Gambat titik koordinat fungsi tujuan = $350
- Simpulan dengan Metode Iso-Profit

Dengan metode Iso-Profit, Shader dapat memperoleh keuntungan optimum dengan
target keuntungan sebesar $350, karena garis Iso-Profit masih dalam daerah
kelayakan optimum.
b. Metode Solusi Titik Pojok

a) Merubah fungsi batasan
Fungsi Pengerjaan Elektronik:
4X1 + 3X2 ≤ 240 → 4X1 + 3X2 = 240
Fungsi Pengerjaan Perakitan:
2X1 + 1X2 ≤ 100 → 2X1 + 1X2 = 100
b) Eliminasi X1 atau X2
Misal, eliminasi X1, maka:
Fungsi Pengerjaan Elektronik → 4X1 + 3X2 = 240 | x 1 | 4X1 + 3X2 = 240
Fungsi Pengerjaan Perakitan → 2X1 + 1X2 = 100 | x 2 | 4X1 + 2X2 = 200 ( - )
0X1 + 1X2 = 40
X2 = 40/1
X2 = 40
Karena X2 telah diketahui, kemudian mencari nilai X1
Fungsi Pengerjaan Elektronik:
4X1 + 3X2 = 240
4(X1) + 3(40) = 240
4(X1) + 120 = 240
4(X1) = 240 – 120 = 120
X1 = 120/4
X1 = 30
c) Menentukan keuntungan optimal

Fungsi Tujuan:
Zmax = 7X1 + 5X2
Zmax = 7(30) + 5(40)
Zmax = 210 + 200
Zmax = 410
d) Simpulan
Dengan metode solusi titik pojok, Shader dapat memperoleh keuntungan optimum
dengan target keuntungan sebesar $410, dengan menjual X-Pod sebanyak 30 unit dan
BlueBerry sebanyak 40 unit.
Guna meningkatkan pemahaman dalam menganalisis LP metode grafik, maka

diberikan contoh kasus-2 sebagai berikut.
CONTOH KASUS-2
Koperasi Kopi XYZ memproduksi dua macam produk yaitu Kopi A dan Kopi B.
a. Dalam produksi Kopi A diperlukan waktu 250 detik proses sangrai dan 300 detik proses
penggilingan. Sedangkan untuk memproduksi Kopi B diperlukan waktu 200 detik proses
penggilingan dan 340 detik proses sangrai.
b. Kapasitas maksimum masing-masing mesin adalah:
Mesin Sangrai: 7.000 detik
Mesin Penggilingan: 5.000 detik
c. Potensi keuntungan yang akan diperoleh untuk Kopi A adalah Rp 14.500 dan Kopi B
adalah Rp 14.000.
Berdasarkan data tersebut, anda diminta untuk mencari berapa kombinasi produksi yang
paling optimal dengan menggunakan metode solusi titik pojok! Serta gambarkan grafiknya!
JAWABAN:
Produk Kopi Kapasitas
Mesin
Kopi A Kopi B Maksimum
Sangrai 250 detik 340 detik 7.000
Penggilingan 300 detik 200 detik 5.000
Keuntungan Rp 14.500 Rp 14.000

Kopi A → X1 → Rp 14.500
Kopi B → X2 → Rp 14.000

Koperasi Kopi XYZ menginginkan keuntungan maksimal sehingga, diperoleh fungsi
tujuan sebagai berikut:
ZMax = 14500X1 + 14000X2

Dalam memproduksi Kopi A dan Kopi B, terdapat 2 batasan proses pengerjaan,
diantaranya :
1) Mesin Sangrai : 250X1 + 340X2 ≤ 7000
2) Mesin Penggilingan : 300X1 + 200X2 ≤ 5000
5. LP Metode Grafik
1) Fungsi Batasan Mesin Sangrai:
a) Merubah fungsi batasan:
250X1 + 340X2 ≤ 7000 → 250X1 + 340X2 = 7000
b) Mencari titik koordinat:

250X1+ 340X2 = 7000 → 340(X2) = 7000 250X1+ 340X2 = 7000 → 250(X1) = 7000
7000 7000
X2 = 340
= 20,588 ≈ 21 X1 = 250
= 28
(X1, X2) = (0, 21) (X1, X2) = (28, 0)
2) Fungsi Batasan Mesin Penggilingan:
a) Merubah fungsi batasan:
300X1 + 200X2 ≤ 5000 → 300X1 + 200X2 = 5000
b) Mencari titik koordinat:

300X1+ 200X2 = 5000 → 200(X2) = 5000 300X1+ 200X2 = 5000 → 300(X1) = 5000
5000 5000
X2 = 200
= 25 X2 = 300
= 16,667 ≈ 17
(X1, X2) = (0, 25) (X1, X2) = (17, 0)
3) Penyelesaian Optimum menggunakan Metode Solusi Titik Pojok
a) Merubah fungsi batasan

Fungsi Batasan Mesin Sangrai:
250X1 + 340X2 ≤ 7000 → 250X1 + 340X2 = 7000
Fungsi Batasan Mesin Penggilingan:
300X1 + 200X2 ≤ 5000 → 300X1 + 200X2 = 5000
b) Eliminasi X1
Maka:
Fungsi Mesin → 250X1 + 340X2 = 7000 |x6| 1500X1 + 2040X2 = 42000
Sangrai
Fungsi Mesin → 300X1 + 200X2 = 5000 |x5| 1500X1 + 1000X2 = 25000 ( - )
Penggilingan
1040(X2) = 17000
X2 = 17000/1040
X2 = 16,346 ≈ 17
Karena X2 telah diketahui, kemudian mencari nilai X1

Fungsi Mesin Penggilingan:
300X1 + 200X2= 5000
300(X1) + 200(17) = 5000
300(X1) + 3400 = 5000
300(X1) = 5000 – 3400 = 1600
X1 = 1600/300
X1 = 5,333 ≈ 6
c) Menentukan keuntungan optimal

Fungsi Tujuan:
Zmax = 14500X1 + 14000X2
Zmax = 14500(6) + 14000(17)
Zmax = 87000 + 238000
Zmax = 355000
d) Simpulan
Dengan metode solusi titik pojok, Koperasi XYZ dapat memperoleh keuntungan
optimum dengan target keuntungan sebesar Rp 355.000, dengan menjual Kopi A
sebanyak 6 kg dan Kopi B sebanyak 17 kg.
4) Gambarkan Grafik LP
D. Linear Programming Metode Simpleks

LP metode simpleks merupakan salah satu teknik penyelesaian yang digunakan
sebagai teknik pengambilan keputusan dalam permasalahan yang berhubungan
dengan pengalokasian sumber daya yang optimal.
Langkah-langkah pengerjaan dalam metode simpleks dijelaskan pada Gambar
2.
Gambar 2.
Langkah-langkah Pengerjaan dalam Metode Simpleks
Ketentuan-ketentuan yang perlu diperhatikan dalam penyelesaian metode
simpleks, diantaranya:
(1) Nilai kanan fungsi tujuan harus nol (“ 0 “)
(2) Nilai kanan fungsi kendala harus positif. Apabila negatif = 1
(3) Fungsi kendala dengan tanda “ ≤ “ harus diubah ke bentuk “ = “ dengan
menambahkan variabel slack/surplus. Variabel slack/surplus disebut juga
variabel dasar. Penambahan slack variabel menyatakan kapasitas yang tidak
digunakan atau tersisa pada sumber daya tersebut. Hal ini karena ada
kemungkinan kapasitas yang tersedia tidak produksi.
(4) Fungsi kendala dengan tanda “ ≥ “ diubah ke bentuk “ ≤ “ dengan cara
mengkalikan dengan “ -1 “, lalu diubah ke bentuk persamaan “ = “ dengan
ditambahkan variabel slack. Kemudian karena nilai kanannya negatif,
dikalikan lagi dengan “ -1 “ dan ditambahkan artificial variabel (M). Artificial
variabel ini secara fisik tidak mempunyai arti, dan hanya digunakan untuk
kepentingan perhitungan saja.
(5) Fungsi kendala dengan tanda “ = “ harus ditambah artificial variabel.
CONTOH KASUS-3
Shader Electronics Company menghasilkan dua produk: (1) Shader x-pod, sebuah pemutar
musik portabel dan (2) Shader BlueBerry, sebuah ponsel berwarna dengan sambungan
internet. Proses produksi untuk setiap produk serupa, yaitu keduanya memerlukan waktu
tertentu untuk pengerjaan elektroniknya dan waktu tertentu untuk pengerjaan perakitannya.
Setiap x-pod membutuhkan waktu selama 4 jam untuk pengerjaan elektronik dan 2 jam untuk
perakitan. Setiap BlueBerry memerlukan waktu selama 3 jam untuk pengerjaan elektronik
dan 1 jam untuk perakitan. Sepanjang periode produksi sekarang, tersedia waktu selama
240 jam waktu pengerjaan elektronik dan 100 jam waktu perakitan. Setiap x-pod
menghasilkan keuntungan &7; dan setiap BlueBerry yang diproduksi menghasilkan
keuntungan $5.
Permasalahan yang dihadapi Shader adalah menentukan kombinasi terbaik antara jumlah
x-pod dan BlueBeryy yang dibuat untuk mencapai keuntungan maksimal. Situasi bauran
produk ini dapat dirumuskan sebagai masalah pemrogaman linier.
JAWABAN:
Jam Kerja yang
tersedia
X-Pod BlueBerry
Keuntungan $7 $5


Perusahaan Shader Electronics Company menginginkan keuntungan maksimal
sehingga, diperoleh fungsi tujuan sebagai berikut:
ZMax = 7X1 + 5X2

Dalam memproduksi X-Pod dan BlueBerry, terdapat 2 batasan proses pengerjaan,
diantaranya :
1) Pengerjaan Elektronik: 4X1 + 3X2 ≤ 240
2) Pengerjaan Perakitan: 2X1 + 1X2 ≤ 100
5. Merubah fungsi tujuan dan fungsi-fungsi batasan ke bentuk standar simpleks:
Fungsi Tujuan
Zmax = 7X1 + 5X2  Z – 7X1 – 5X2
Fungsi-fungsi Batasan
1) Pengerjaan Elektronik 4X1 + 3X2 ≤ 240  4X1 + 3X2 + S1 = 240
2) Pengerjaan Perakitan 2X1 + 1X2 ≤ 100  2X1 + 1X2 + S2 = 100
6. Membuat Tabel Simpleks

(1) Tentukan kolom kunci dan baris kunci sebagai dasar iterasi
(2) Kolom kunci ditentukan oleh nilai Z yang paling kecil (negatif)
(3) Baris kunci ditentukan berdasarkan nilai indeks terkecil:
𝑁𝑖𝑙𝑎𝑖 𝐾𝑎𝑛𝑎𝑛 (𝑁𝐾)
𝐼𝑛𝑑𝑒𝑘𝑠 =
𝐾𝑜𝑙𝑜𝑚 𝐾𝑢𝑛𝑐𝑖 (𝐾𝐾)
(4) Menentukan nilai elemen cell yaitu nilai perpotongan antara kolom kunci dengan baris
kunci
Tabel Simpleks
Variabel Nilai
Z X1 X2 S1 S2 Indeks
Dasar Kanan
Z 1 -7 -5 0 0 0 -
S1 0 4 3 1 0 240 60
S2 0 2 1 0 1 100 50
Proses Iterasi Ke-1

Variabel Nilai
Z X1 X2 S1 S2
Dasar Kanan
Z
S1
S2 0/2 = 0 2/2 = 1 1/2 = 0,5 0/2 = 0 1/2 = 0,5 100/2 = 50
Variabel Nilai
Z X1 X2 S1 S2
Dasar Kanan
Z
S1
S2 0 1 0,5 0 0,5 50
Menentukan baris Z dan S1 yang baru:
Baris S1 Baru =
Baris S1 sebelumnya – (“Nilai Kolom Kunci Baris yang sesuai” x “Baris Kunci Baru”)
Baris Z Baru =
Baris Z sebelumnya – (“Nilai Kolom Kunci baris yang sesuai” x “Baris Kunci Baru”)
Baris S1 Baru: Baris Z Baru:

Kolom Z : 0 – (4 x 0) = 0 Kolom Z : 1 – (-7 x 0) = 1
Kolom X1 : 4 – (4x1) = 0 Kolom X1 : -7 – (-7 x 1) = 0
Kolom X2 : 3 – (4 x 0,5) = 1 Kolom X2 : -5 – (-7 x 0,5) = -1,5
Kolom S1 : 1 – (4 x 0) = 1 Kolom S1 : 0 – (-7 x 0) = 0
Kolom S2 : 0 – (4 x 0,5) = -2 Kolom S2 : 0 – (-7 x 0,5) = 3,5
Kolom NK : 240 – (4 x 50) = 40 Kolom NK : 0 – (-7 x 50) = 350
Tabel Iterasi Ke-1

Variabel Nilai
Z X1 X2 S1 S2
Dasar Kanan
Z 1 0 -1,5 0 3,5 350
S1 0 0 1 1 -2 40
S2 0 1 0,5 0 0,5 50
Dikarenakan masih ada nilai negatif pada baris Z (-1,5), maka proses iterasi harus dilakukan
sampai tidak ada nilai negatif.
Tabel Iterasi Ke-1

Variabel Nilai Nilai
Z X1 X2 S1 S2
Dasar Kanan Indeks
Z 1 0 -1,5 0 3,5 350 -233,33
S1 0 0 1 1 -2 40 40
S2 0 1 0,5 0 0,5 50 100
Proses Iterasi Ke-2

Variabel Nilai
Z X1 X2 S1 S2
Dasar Kanan
Z
S1 0 0 1 1 -2 40
S2
Kolom Z : 0 – (0,5 x 0) = 0 Kolom Z : 1 – (-1,5 x 0) = 1
Kolom X1 : 1 – (0,5 x 0) = 0 Kolom X1 : 0 – (-1,5 x 0) = 0
Kolom X2 : 0,5 – (0,5 x 1) = 0 Kolom X2 : -1,5 – (-1,5 x 1) = 0
Kolom S1 : 0 – (0,5 x 1) = -0,5 Kolom S1 : 0 – (-1,5 x 1) = 1,5
Kolom S2 : 1 – (0,5 x -2) = 2 Kolom S2 : 7 – (-1,5 x -2) = 4
Kolom NK : 50 – (0,5 x 40) = 30 Kolom NK : 350 – (-1,5 x 40) = 410
Tabel Iterasi Ke-2

Variabel Nilai
Z X1 X2 S1 S2
Dasar Kanan
Z 1 0 0 1,5 4 410
S1 0 0 1 1 -2 40
S2 0 0 0 -0,5 2 30
Tabel iterasi ke-2 menunjukkan nilai optimal, dikarenakan tidak ada nilai negatif pada baris
Z sehingga proses iterasi tidak perlu dilakukan lagi.
SIMPULAN:
Dengan metode simpleks, diperoleh keuntungan sebesar $410 dengan memproduksi X-Pod
sebanyak 40 unit dan BlueBerry sebanyak 30 unit.
CONTOH KASUS-4
Koperasi Kopi XYZ memproduksi dua macam produk yaitu Kopi A dan Kopi B.
a. Dalam produksi Kopi A diperlukan waktu 250 detik proses sangrai dan 300 detik proses
penggilingan. Sedangkan untuk memproduksi Kopi B diperlukan waktu 200 detik proses
penggilingan dan 340 detik proses sangrai.
b. Kapasitas maksimum masing-masing mesin adalah:
Mesin Sangrai: 7.000 detik
Mesin Penggilingan: 5.000 detik
c. Potensi keuntungan yang akan diperoleh untuk Kopi A adalah Rp 14.500 dan Kopi B
adalah Rp 14.000.
Berdasarkan data tersebut, anda diminta untuk mencari berapa kombinasi produksi yang
paling optimal dengan menggunakan metode simpleks.
JAWABAN:
Produk Kopi Kapasitas
Mesin
Kopi A Kopi B Maksimum
Sangrai 250 detik 340 detik 7.000
Penggilingan 300 detik 200 detik 5.000
Keuntungan Rp 14.500 Rp 14.000

Kopi A → X1 → Rp 14.500
Kopi B → X2 → Rp 14.000

Koperasi Kopi XYZ menginginkan keuntungan maksimal sehingga, diperoleh fungsi
tujuan sebagai berikut:
ZMax = 14500X1 + 14000X2

Dalam memproduksi Kopi A dan Kopi B, terdapat 2 batasan proses pengerjaan,
diantaranya :
1) Mesin Sangrai : 250X1 + 340X2 ≤ 7000
2) Mesin Penggilingan : 300X1 + 200X2 ≤ 5000
5. Merubah fungsi tujuan dan fungsi-fungsi batasan ke bentuk standar simpleks:

Fungsi Tujuan
Zmax = 14500X1 + 14000X2  Z - 14500X1 – 14000X2

Fungsi-fungsi Batasan
1) Mesin Sangrai 250X1 + 340X2 ≤ 7000  250X1 + 340X2 + S1 = 7000
2) Mesin Penggilingan 300X1 + 200X2 ≤ 5000  300X1 + 200X2 + S2 = 5000
6. Membuat Tabel Simpleks

Tabel Simpleks
Variabel Nilai
Dasar Kanan
Z 1 -14500 -14000 0 0 0 -
S1 0 250 340 1 0 7000 28
S2 0 300 200 0 1 5000 16,67

Kolom Z : 0 – (250 x 0) = 0 Kolom Z : 1 – (-14500 x 0) = 1
Kolom X1 : 250 – (250 x 1) = 0 Kolom X1 : -14500 – (-14500 x 1) = 0
Kolom X2 : 340 – (250 x 0,667) = 173,25 Kolom X2 : -14000 – (-14500 x 0,667) =
Kolom S1 : 1 – (250 x 0) = 1 -4328,5
Kolom S2 : 0 – (250 x 0,003) = -0,5 Kolom S1 : 0 – (-14500 x 0) = 0
Kolom NK : 7000 – (250 x 16,667) = 2833,25 Kolom S2 : 0 – (-14500 x 0,003) = 43,5
Kolom NK : 0 – (-14500 x 16,667) = 241671,5
Tabel Iterasi Ke-1

Variabel Nilai
Dasar Kanan
Z 1 0 -4328,5 0 43,5 241671,5 -55,83
S1 0 0 173,25 1 -0,75 2833,25 16,35
S2 0 1 0,667 0 0,003 16,667 24,99

Kolom Z : 0 – (0,667 x 0) = 0 Kolom Z : 1 – (-4328,5 x 0) = 1
Kolom X1 : 1 – (0,667 x 0) = 1 Kolom X1 : 0 – (-4328,5 x 0) = 0
Kolom X2 : 0,667 – (0,667 x 1) = 0 Kolom X2 : -4328,5 – (-4328,5 x 1) = 0
Kolom S1 : 0 – (0,667 x 0,006) = -0,004 Kolom S1 : 0 – (-4328,5 x 0,006) = 25,971
Kolom S2 : 0,003 – (0,667 x -0,004) = 0,006 Kolom S2 : 43,5 – (-4328,5 x -0,004) = 26,186
Kolom NK : 16,667 – (0,667 x 16,35) = 5,761 Kolom NK : 241671,5 – (-4328,5 x 16,35) =
312442,475
Tabel Iterasi Ke-2
Variabel Nilai
Z X1 X2 S1 S2
Dasar Kanan
Z 1 0 0 25,971 26,186 312442,5
S1 0 0 1 0,006 -0,004 16,35
S2 0 1 0 -0,004 0,006 5,76
Dikarenakan tidak ada nilai negatif pada baris Z, maka tabel iterasi ke-2 telah optimal.
SIMPULAN:
Dengan metode simpleks, diperoleh keuntungan sebesar Rp 312.442,5 dengan
memproduksi Kopi A sebanyak 16,35 kg dan Kopi B sebanyak 5,76 kg.
E. Analisis Post-Optimal
Setelah solusi optimal dari masalah linear programming ditemukan, biasanya
peneliti cenderung untuk berhenti menganalisis model yang telah dibuat.
Padahal sesungguhnya dengan menganalisis lebih jauh atas solusi optimal akan
dapat menghasilkan informasi lain yang berguna.
Analisis yang dilakukan terhadap solusi optimal untuk mendapatkan informasi
tambahan yang berguna ini dikenal dengan analisis post-optimal. Analisis post-
optimal dapat dilakukan dengan dua cara, yaitu:
(1) Analisis dualitas;
(2) Analisis sensitivitas.
E.1. Analisis Dualitas

Analisis dualitas dengan merumuskan dan menginterpretasikan bentuk dual dari
model. Bentuk dual adalah suatu bentuk alternatif dari model linear programming
yang telah dibuat dan berisi informasi mengenai nilai-nilai sumber yang biasanya
membentuk sebagai abtasan model.
Dualitas lebih bermanfaat untuk melakukan pengujian/pengecekan apakah nilai-
nilai yang telah dihasilkan dengan metode simpleks telah benar sehingga
hasilnya dapat digunakan untuk penunjang pengambilan keputusan manajemen.
Model LP memiliki 2 bentuk, yaitu:
(1) Model Primal, yaitu bentuk asli dari suatu model program linier
(2) Model Dual, yaitu bentuk alternatif yang dikembangkan dari model primal
Beberapa kegunaan analisis dualitas, diantaranya:
(1) Model primal akan menghasilkan solusi dalam bentuk jumlah laba yang
diperoleh dari memproduksi barang ataupun biaya yang dibutuhkan untuk
memproduksi barang.
(2) Model dual akan menghasilkan informasi mengenai nilai (harga) dari sumber-
sumber yang membatasi tercapainya laba tersebut.
Solusi pada model dual memberikan informasi tentang sumber-sumber yang

digunakan untuk menentukan apakah perlu menambah sumber-sumber daya,
serta berapa biaya yang harus dikeluarkan untuk tambahan tersebut.
Hubungan khusus primal dan dual:

(1) Variabel dual Y1, Y2, Y3 berhubungan dengan batasan model primal.
Dimana untuk setiap batasan dalam primal terdapat satu variabel dual. Misal,
dalam contoh kasus-1 sebelumnya model primal mempunyai 2 batasan,
maka dualnya akan mempunyai 2 variabel keputusan.
(2) Nilai kuantitas pada sisi kanan pertidaksamaan pada model primal
merupakan koefisien fungsi tujuan dual.
(3) Koefisien batasan model primal merupakan koefisien variabel keputusan
dual.
(4) Koefisien fungsi tujuan primal merupakan nilai kuantitas pada sisi kanan
pertidaksamaan pada model dual.
(5) Pada bentuk standar, model maksimisasi primal memiliki batasan-batasan
“ ≤ ”, sedangkan model minimisasi dual memiliki batasan-batasan “ ≥ “.
Ilustrasi hubungan khusus primal dan dual akan digambarkan pada Gambar 3.
Gambar 3.
Hubungan Khusus Primal dan Dual
Berdasarkan Gambar 3, fungsi tujuan pada model primal berubah menjadi fungsi
batasan pada model dual. Begitu juga pada fungsi batasan pada model primal
berubah menjadi fungsi tujuan pada model dual. Dalam penyelesaian kasus
menggunakan metode grafik maupun metode simpleks sama saja dengan
contoh kasus yang telah diuraikan, hanya terdapat perbedaan pada fungsi tujuan
dan fungsi batasan.
E.2. Analisis Sensitivitas

Pada masalah LP, diasumsikan bahwa parameter-parameter dari model
diketahui dengan tepat dan pasti. Dalam kenyataannya hal ini jarang sekali
terjadi, sehingga para manajer perlu untuk mengetahui dampak yang terjadi
pada solusi model apabila parameter-parameter model berubah.
Analisis sensitivitas dilakukan untuk menganalisis dampak yang terjadi pada

solusi optimal terhadap perubahan-perubahan yang terjadi pada koefisien-
koefisien batasan model maupun koefisien pada fungsi tujuan.
Analisis sensitivitas selain digunakan untuk pengujian/pengecekan, analisis ini

lebih bemanfaat untuk menghindari pengulangan perhitungan dari awal, apabila
terjadi perubahan-perubahan pada masalah LP simpleks.
F. Rangkuman
1) Linear programming merupakan suatu teknik matematis yang dibuat
untuk membantu manajer operasi merencanakan dan membuat
keputusan relatif terhadap imbalan yang dibutuhkan untuk
mengalokasikan sumber daya.
2) Pada umumnya metode LP yang paling sering digunakan adalah metode
grafik dan simpleks.
3) LP metode grafik hanya dapat digunakan jika terdapat dua buah variabel
keputusan, ketika terdapat lebih dari dua variabel tidak dapat digunakan
karena grafik hanya tergambar secara dua dimensi.
4) Pada LP metode grafik, penentuan solusi optimum terbagi menjadi 2
metode yaitu: metode Iso-Profit dan metode solusi titik pojok.
5) LP metode simpleks merupakan salah satu teknik penyelesaian yang
digunakan sebagai teknik pengambilan keputusan dalam permasalahan
yang berhubungan dengan pengalokasian sumber daya yang optimal.
6) Analisis post-optimal merupakan analisis yang dilakukan terhadap solusi
optimal untuk mendapatkan informasi tambahan yang berguna.
7) Analisis post-optimal dapat dilakukan dengan dua cara, yaitu:
(1) Analisis dualitas
(2) Analisis sensitivitas
G. Latihan Soal
1. Selesaikan masalah berikut dengan metode simpleks:
Maksimumkan : 60X1 + 90X2
Batasan : 60X1 + 30X2 ≤ 1500
100X1 + 100X2 ≤ 6000
X2 ≤ 30
2. Perusahaan Sosis CBA memproduksi dua macam produk yaitu Sosis Sapi 1 dan
Sosis Sapi 2.
a. Dalam produksi Sosis Sapi 1 diperlukan:
 250 gram tepung sagu
 500 gram daging sapi giling
 3 butir telur ayam
Dalam produksi Sosis Sapi 2 diperlukan:
 150 gram tepung sagu
 600 gram daging sapi giling
 1 butir telur ayam.
b. Kapasitas persediaan untuk masing-masing bahan baku adalah:
Tepung Sagu : 30.000 gram
Daging Sapi Giling : 45.000 gram
Telur Ayam : 195 butir
c. Potensi keuntungan yang akan diperoleh untuk Sosis Sapi adalah Rp 15.000
dan Sosis Ayam adalah Rp 10.000.
Berdasarkan data tersebut, anda diminta untuk mencari berapa kombinasi
produksi yang paling optimal dengan menggunakan metode simpleks.
3. Selesaikan masalah berikut dengan metode grafik:

Maksimumkan : 6X1 + 10X2
Batasan : 4X1 ≤ 16
6X2 ≤ 30
12X1 + 5X2 ≤ 60
4. Perusahaan ABC akan membuat dua jenis produk yaitu Produk Y dan Produk Z
setiap harinya. Untuk membuat kedua jenis produk tersebut dibutuhkan bahan
mentah dan jam tenaga kerja. Bahan mentah yang tersedia setiap harinya ada
8000 unit satuan bahan dan jam kerja yang tersedia ada 4800 jam kerja. Untuk
membuat 1 unit produk Y dibutuhkan 20 unit bahan dan 8 jam tenaga kerja. Dan
untuk membuat 1 unit produk Z dibutuhkan 16 unit bahan dan 12 jam tenaga
kerja. Keuntungan per unit produk Y Rp 400.000 dan produk Z Rp 500.000.
Produksi harian produk Y tidak akan lebih dari 350 unit dan produksi harian
produk Z tidak akan lebih dari 300 unit.
Ditanyakan: berapa produk Y dan Z yang harus dibuat setiap harinya agar
diperoleh keuntungan maksimum? Gunakan metode simpleks.
5. Selesaikan masalah berikut dengan metode simpleks:

Maksimumkan : 1000X1 + 1250X2 + 1000X3
Batasan : 10,7X1 + 5X2 + 2X3 ≤ 2705
5,4X1 + 10X2 + 4X3 ≤ 2210
0,7X1 + 1X2 + 2X3 ≤ 445
DAFTAR PUSTAKA
Dwi Hayu Agustini & Yus Endra Rahmadi. 2004. Riset Operasional. Rineka Cipta,
Jakarta.
Heizer, J. & Render, B. 2008. Operations Management, Edisi Ketujuh. Salemba

Empat, Jakarta.
Taha, H.A. 1997. Riset Operasi Suatu Pengantar Jilid 1. Binarupa Aksara, Jakarta.
INDEKS
Iterasi, 18
Kolom kunci, 18
Baris kunci, 18
Nilai Indeks, 18
Nilai kanan, 18
Slack, 18
Surplus, 18
GLOSSARIUM
Iterasi adalah tahapan perhitungan dimana nilai dalam perhitungan itu tergantung dari
nilai tabel sebelumnya
Kolom kunci adalah kolom pada baris tujuan (Z) yang memiliki nilai paling kecil
(negatif paling tinggi).
Baris kunci ditentukan berdasarkan nilai indeks positif terkecil
Nilai indeks adalah nilai yang diperoleh dari pembagian Nilai Kanan (NK) dengan
Kolom Kunci (KK)
Nilai kanan (solusi) adalah nilai sumber daya pembatas yang masih tersedia. Pada
solusi awal, nilai kanan atau solusi sama dengan jumlah sumber daya pembatas awal
yang ada, karena aktivitas belum dilaksanakan.
Slack adalah variabel yang ditambahkan ke model matematika kendala untuk

mengkonversi pertidaksamaan “ ≤ “ menjadi persamaan “ = “
Surplus adalah variabel yang dikurangkan dari model matematika untuk

mengkonversikan pertidaksamaan “ ≥ “ menjadi persamaan “ = “
KUNCI JAWABAN
SOAL 1
Fungsi Tujuan:
Zmax = 60X1 + 90X2 → Z – 60X1 – 90X2
Fungsi Batasan:
60X1 + 30X2 ≤ 1500 → 60X1 + 30X2 + S1 = 1500
100X1 + 100X2 ≤ 6000 → 100X1 + 100X2 + S2 = 6000
X2 ≤ 30 → X2 + S3 = 30
Tabel Simpleks
Variabel Nilai
Z X1 X2 S1 S2 S3 Indeks
Dasar Kanan
Z 1 -60 -90 0 0 0 0 0
S1 0 60 30 1 0 0 1500 50
S2 0 100 100 0 1 0 6000 60
S3 0 0 1 0 0 1 30 30
Tabel Iterasi-1
Variabel Nilai
Dasar Kanan
Z 1 -60 0 0 0 90 2700 -45
S1 0 60 0 1 0 -30 600 10
S2 0 100 0 0 1 -100 3000 30
S3 0 0 1 0 0 1 30 -
Tabel Iterasi-2
Variabel Nilai
Z X1 X2 S1 S2 S3
Dasar Kanan
Z 1 0 0 1 0 60 3300
S1 0 1 0 0,016667 0 -0,5 10
S2 0 0 0 -1,66667 1 -50 2000
S3 0 0 1 0 0 1 30
Keuntungan optimal yang diperoleh adalah sebesar 3300.
SOAL 2
Tabel Matriks
Produksi Sosis
Bahan Baku Kapasitas Persediaan
Sosis Sapi 1 Sosis Sapi 2
Tepung Sagu 250 150 30.000
Daging Sapi Giling 500 600 45.000
Telur Ayam 3 1 195
Keuntungan 15.000 10.000
Fungsi Tujuan:
Zmax = 15000X1 + 10000X2 → Z – 15000X1 – 10000X2
Fungsi Batasan:
Tepung Sagu : 250X1 + 150X2 ≤ 30000 → 250X1 + 150X2 + S1 = 30000
Daging Sapi Giling : 500X1 + 600X2 ≤ 45000 → 500X1 + 600X2 + S2 = 45000
Telur Ayam : 3X1 + X2 ≤ 195 → 3X1 + X2 + S3 = 195
Tabel Simpleks
Variabel Nilai
Dasar Kanan
Z 1 -15000 -10000 0 0 0 0 0
S1 0 250 150 1 0 0 30000 120
S2 0 500 600 0 1 0 45000 90
S3 0 3 1 0 0 1 195 65
Tabel Iterasi-1
Variabel Nilai
Dasar Kanan
Z 1 0 -5000 0 0 5000 975000 -195
S1 0 0 66,67 1 0 -83,33 13750 206,25
S2 0 0 433,33 0 1 -166,67 12500 28,85
S3 0 1 0,33 0 0 0,33 65 195
Tabel Iterasi-2
Variabel Nilai
Z X1 X2 S1 S2 S3
Dasar Kanan
Z 1 0 0 0 11,54 3076,92 1119230,77
S1 0 0 0 1 -0,15 -57,69 11826,92
S2 0 0 1 0 0,00 -0,38 28,85
S3 0 1 0 0 0,00 0,46 55,38
Keuntungan Optimal yang dapat diperoleh yaitu sebesar Rp 1.119.230,7 dengan

kombinasi produksi Sosis Sapi 1 sebanyak 55,38 buah dan Sosis Sapi 2 sebanyak
28,85 buah.
SOAL 3
Fungsi Tujuan:
Zmax = 6X1 + 10X2
Fungsi Batasan:
Batasan 1 : 4X1 ≤ 16 → 4X1 = 16
Batasan 2 : 6X2 ≤ 30 → 6X2 = 30
Batasan 3 : 12X1 + 5X2 ≤ 60 → 12X1 + 5X2 = 60
Eliminasi X2:
Batasan 1 → 4X1 = 16 |x0| 0
Batasan 2 → 6X2 = 30 |x5| 30X2 = 150
Batasan 3 → 12X1 + 5X2 = 60 |x6| 72X1 + 30X2 = 360 (-)
72(X1) = 210
X1 = 210/72
X1 = 2,916 ≈ 2,92
Mencari Nilai X2:

Batasan 3 : 12X1 + 5X2 = 60
12(2,92) + 5X2 = 60
35,04 + 5X2 = 60
5X2 = 60 – 35,04
5X2 = 24,96
X2 = 24,96/5
X2 = 4,992 ≈ 5
Keuntungan Optimal:
Zmax = 6X1 + 10X2
Zmax = 6(2,92) + 10(5)
Zmax = 17,52 + 50
Zmax = 67,52
Keuntungan optimal yang diperoleh sebesar 67,52 dengan kombinasi X1 sebanyak

2,92 dan X2 sebanyak 5.
SOAL 4
Tabel Matriks
Produk
Kendala Kapasitas
Y Z
Bahan Mentah 20 16 8.000
Jam Tenaga Kerja 12 12 4.800
Produksi Harian 1 0 350
Produksi Harian 0 1 300
Keuntungan 400.000 500.000
Fungsi Tujuan:
Zmax = 400000Y + 500000Z → Z – 400000Y – 500000Z
Fungsi Batasan:
Bahan Mentah : 20Y + 16Z ≤ 8000 → 20Y + 16Z + S1 = 8000
Jam Tenaga Kerja : 12Y + 12Z ≤ 4800 → 12Y + 12Z + S2 = 4800
Produksi Harian Y :Y ≤ 350 → Y = 350
Produksi Harian Z :Z ≤ 300 → Z = 300
Tabel Simpleks
Variabel Nilai
Z Y Z S1 S2 S3 S4 Indeks
Dasar Kanan
Z 1 -400000 -500000 0 0 0 0 0 -
S1 0 20 16 1 0 0 0 8000 500
S2 0 12 12 0 1 0 0 4800 400
S3 0 1 0 0 0 0 0 350 -
S4 0 0 1 0 0 0 1 300 300
Tabel Iterasi-1
Variabel
Z Y Z S1 S2 S3 S4 Nilai Kanan Indeks
Dasar
Z 1 -400000 0 0 0 0 500000 150000000 -375
S1 0 20 0 1 0 0 -16 3200 160
S2 0 12 0 0 1 0 -12 1200 100
S3 0 1 0 0 0 0 0 350 350
S4 0 0 1 0 0 0 1 300 -
Tabel Iterasi-2
Variabel
Z Y Z S1 S2 S3 S4 Nilai Kanan
Dasar
Z 1 0 0 0 33333,3 0 100000 190000000
-
S1 0 0 0 1 0 4 1200
1,66667
S2 0 1 0 0 0,08333 0 -1 100
-
S3 0 0 0 0 0 1 250
0,08333
S4 0 0 1 0 0 0 1 300
Keuntungan optimal yang dapat diperoleh Perusahaan ABC adalah sebesar Rp

190.000.000 dengan kombinasi produksi Produk Y sebanyak 100 unit dan
Produk Z sebanyak 300 unit per hari.
SOAL 5
Fungsi Tujuan:
Zmax = 1000X1 + 1250X2 + 1000X3 → Z – 1000X1 – 1250X2 – 1000X3
Fungsi Batasan:
10,7X1 + 5X2 + 2X3 ≤ 2705 → 10,7X1 + 5X2 + 2X3 + S1 = 2705
5,14X1 + 10X2 + 4X3 ≤ 2210 → 5,14X1 + 10X2 + 4X3 + S2 = 2210
0,7X1 + X2 + 2X3 ≤ 445 → 0,7X1 + X2 + 2X3 + S3 = 445
Tabel Simpleks
Variabel Nilai
Z X1 X2 X3 S1 S2 S3 Indeks
Dasar Kanan
Z 1 -1000 -1250 -1000 0 0 0 0 -
S1 0 10,7 5 2 1 0 0 2705 541
S2 0 5,14 10 4 0 1 0 2210 221
S3 0 0,7 1 2 0 0 1 445 445
Tabel Iterasi-1
Variabel Nilai
Dasar Kanan
Z 1 -357,5 0 -500 0 125 0 276250 -552,5
S1 0 8,13 0 0 1 -0,5 0 1600 -
S2 0 0,514 1 0,4 0 0,1 0 221 552,5
S3 0 0,186 0 1,6 0 -0,1 1 224 140
Tabel Iterasi-2
Variabel Nilai
Dasar Kanan
Z 1 -299,38 0 0 0 93,75 312,5 346250 -1156,58
S1 0 8,13 0 0 1 -0,50 0 1600 196,80
S2 0 0,47 1 0 0 0,13 -0,25 165 352,94
S3 0 0,12 0 1 0 -0,06 0,625 140 1204,30
Tabel Iterasi-3
Variabel Nilai
Z X1 X2 X3 S1 S2 S3
Dasar Kanan
Z 1 0 0 0 36,82 75,34 312,5 405167,59
S1 0 1 0 0 0,12 -0,06 0 196,80
S2 0 0 1 0 -0,06 0,15 -0,25 73,00
S3 0 0 0 1 -0,01 -0,06 0,625 117,12
Keuntungan optimum yang dapat diperoleh sebesar 405.167,59 dengan kombinasi X1

sebanyak 196,80, X2 sebanyak 73, dan X3 sebanyak 117,12.

Bahan Ajar RO 1 - Linear Programming

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bahan Ajar RO 1 - Linear Programming

Diunggah oleh

Hak Cipta:

Format Tersedia

LINEAR PROGRAMMING

B. Rumusan Capaian Pembelajaran Mata Kuliah

C. Urutan Bahasan dan Kaitan Materi

Berikut beberapa contoh permasalahan dimana LP telah berhasil diterapkan

a. Suatu metode untuk membuat keputusan di antara berbagai alternatif

Adapun empat asumsi dasar dalam LP, yaitu:

a. Divisibility (dapat dibagi). Variabel dalam LP tidak harus berupa bilangan

LP juga mempunyai karakteristik khusus, diantaranya:

a. Pengetahuan yang pasti mengenai parameter. Mengasumsikan bahwa

Pada umumnya, dalam pengerjaan LP memiliki langkah-langkah yang sistematis

(1) Menentukan variabel keputusan. Variabel keputusan digambarkan berupa

B. Merumuskan Linear Programming

2. Tentukan Variabel Keputusan

3. Tentukan Fungsi Tujuan

4. Tentukan Fungsi batasan

2. Tentukan Variabel Keputusan

3. Tentukan Fungsi Tujuan

4. Tentukan Fungsi batasan

a. Merubah fungsi batasan pengerjaan elektronik

c. Gambar titik koordinat fungsi batasan pengerjaan elektronik

a. Merubah fungsi batasan pengerjaan perakitan

c. Gambar titik koordinat fungsi batasan pengerjaan perakitan

- Simulasi 1 : Jika keuntungan yang ingin diperoleh sebesar $220

b) Mencari titik koordinat fungsi tujuan (dengan melihat kondisi X1 = 0 dan X2 = 0)

c) Gambar titik koordinat fungsi tujuan = $220

b) Mencari titik koordinat fungsi tujuan (dengan melihat kondisi X1 = 0 dan X2 = 0)

c) Gambar titik koordinat fungsi tujuan = $300

b) Mencari titik koordinat fungsi tujuan (dengan melihat kondisi X1 = 0 dan X2 = 0)

c) Gambat titik koordinat fungsi tujuan = $350

- Simpulan dengan Metode Iso-Profit

b. Metode Solusi Titik Pojok

c) Menentukan keuntungan optimal

Guna meningkatkan pemahaman dalam menganalisis LP metode grafik, maka

2. Tentukan Variabel Keputusan

3. Tentukan Fungsi Tujuan

4. Tentukan Fungsi batasan

b) Mencari titik koordinat:

b) Mencari titik koordinat:

3) Penyelesaian Optimum menggunakan Metode Solusi Titik Pojok

a) Merubah fungsi batasan

Karena X2 telah diketahui, kemudian mencari nilai X1

c) Menentukan keuntungan optimal

D. Linear Programming Metode Simpleks

2. Tentukan Variabel Keputusan

3. Tentukan Fungsi Tujuan

4. Tentukan Fungsi batasan

6. Membuat Tabel Simpleks

Proses Iterasi Ke-1

Baris S1 Baru: Baris Z Baru:

Tabel Iterasi Ke-1

Tabel Iterasi Ke-1

Proses Iterasi Ke-2

Tabel Iterasi Ke-2

2. Tentukan Variabel Keputusan

3. Tentukan Fungsi Tujuan

4. Tentukan Fungsi batasan

5. Merubah fungsi tujuan dan fungsi-fungsi batasan ke bentuk standar simpleks:

6. Membuat Tabel Simpleks

Baris S1 Baru: Baris Z Baru:

Tabel Iterasi Ke-1

Baris S2 Baru: Baris Z Baru:

E.1. Analisis Dualitas

Beberapa kegunaan analisis dualitas, diantaranya:

Solusi pada model dual memberikan informasi tentang sumber-sumber yang