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.
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
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
Linear Programming | 2
Pengertian lain menyebutkan, LP yaitu:
Linear Programming | 3
d. Fractionality (pecahan). Nilai koefisien variabel keputusan tidak harus
berupa bilangan bulat.
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 -
Linear Programming | 4
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
Linear Programming | 5
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.
Linear Programming | 6
CONTOH KASUS-1 (lanjutan)
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
Linear Programming | 7
5. LP Metode Grafik
1) Fungsi batasan pengerjaan elektronik
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)
Sumbu X2
Sumbu X1
X1, X2 = 0,80
X1, X2 = 60,0
Linear Programming | 8
2) Fungsi batasan pengerjaan perakitan
b. Mencari titik koordinat fungsi batasan pengerjaan perakitan (dengan melihat kondisi X1 =
0 dan X2 = 0)
Jika X1 = 0, maka: Jika X2 = 0, maka:
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
Maka diperoleh koordinat: Maka diperoleh koordinat:
(X1, X2) = (0, 100) (X1, X2) = (50, 0)
Sumbu X2
Sumbu X1
X1, X2 = 0,100
X1, X2 = 50,0
Linear Programming | 9
3) Gambarkan daerah feasible (kelayakan) yang telah digambar pada masing-masing fungsi
kendala
Linear Programming | 10
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.
Linear Programming | 11
- Simulasi 2 : Jika keuntungan yang ingin diperoleh sebesar $300
a) Merubah fungsi tujuan
ZMax = 7X1 + 5X2 → 300 = 7X1 + 5X2
Linear Programming | 12
- Simulasi 3 : Jika keuntungan yang ingin diperoleh sebesar $350
a) Merubah fungsi tujuan
ZMax = 7X1 + 5X2 → 350 = 7X1 + 5X2
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
Linear Programming | 13
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
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.
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!
Linear Programming | 14
JAWABAN:
1. Rumuskan masalah melalui tabel matriks :
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
5. LP Metode Grafik
1) Fungsi Batasan Mesin Sangrai:
a) Merubah fungsi batasan:
250X1 + 340X2 ≤ 7000 → 250X1 + 340X2 = 7000
Linear Programming | 15
2) Fungsi Batasan Mesin Penggilingan:
a) Merubah fungsi batasan:
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
Linear Programming | 16
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
Linear Programming | 17
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.
Linear Programming | 18
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:
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
Linear Programming | 19
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
Variabel Nilai
Z X1 X2 S1 S2
Dasar Kanan
Z
S1
S2 0 1 0,5 0 0,5 50
Linear Programming | 20
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”)
Dikarenakan masih ada nilai negatif pada baris Z (-1,5), maka proses iterasi harus dilakukan
sampai tidak ada nilai negatif.
Linear Programming | 21
Baris S2 Baru: Baris Z Baru:
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 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.
Linear Programming | 22
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:
1. Rumuskan masalah melalui tabel matriks :
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
Linear Programming | 23
2) Mesin Penggilingan 300X1 + 200X2 ≤ 5000 300X1 + 200X2 + S2 = 5000
Linear Programming | 24
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.
Linear Programming | 25
(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.
Linear Programming | 26
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.
Linear Programming | 27
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
Linear Programming | 28
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.
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
Linear Programming | 29
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.
Linear Programming | 30
DAFTAR PUSTAKA
Dwi Hayu Agustini & Yus Endra Rahmadi. 2004. Riset Operasional. Rineka Cipta,
Jakarta.
Taha, H.A. 1997. Riset Operasi Suatu Pengantar Jilid 1. Binarupa Aksara, Jakarta.
Linear Programming | 31
INDEKS
Iterasi, 18
Kolom kunci, 18
Baris kunci, 18
Nilai Indeks, 18
Nilai kanan, 18
Slack, 18
Surplus, 18
Linear Programming | 32
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).
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.
Linear Programming | 33
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
Z X1 X2 S1 S2 S3 Indeks
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
Linear Programming | 34
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
Z X1 X2 S1 S2 S3 Indeks
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
Z X1 X2 S1 S2 S3 Indeks
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
Linear Programming | 35
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
Keuntungan Optimal:
Zmax = 6X1 + 10X2
Zmax = 6(2,92) + 10(5)
Zmax = 17,52 + 50
Zmax = 67,52
Linear Programming | 36
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 -
Linear Programming | 37
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
Linear Programming | 38
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
Z X1 X2 X3 S1 S2 S3 Indeks
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
Z X1 X2 X3 S1 S2 S3 Indeks
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
Linear Programming | 39