Riset Operasi

LINEAR PROGRAMMING, METO

DE SIMPLEKS
1

Tinjauan Umum Modul 5

Secara umum, Modul 5 akan membahas mengenai penentuan alokasi sumber daya yang jumlahnya terbatas
secara optimal dengan menggunakan linear programming: metode simpleks.
Modul 5 terdiri dari dua kegiatan belajar:
Kegiatan Belajar 1 Pemecahan Masalah yang Formulasinya Berbentuk Standar dengan Metode Simpleks
Kegiatan Belajar 2 Analisis Sensitivitas
Setelah mempelajari Modul 5, diharapkan mampu memecahkan masalah linear programming yang memilik
i variabel lebih dari dua dan lebih kompleks.
Secara khusus, setelah mempelajari Modul 5, diharapkan mampu:
Memecahkan masalah linear programming yang memiliki variabel lebih dari dua macam;
Memecahkan masalah dengan menggunakan tabel dan rumus-rumus dalam metode simpleks.

Pemecahan Masalah
Pemecahan masalah dari programma linier dapat diselesaikan dengan dua metode: metode visual (grafik) d
an metode simpleks. Metode grafik sudah dibahas pada Modul 3 sedang metode simpleks akan dibahas pad
a Modul 4.
Kelebihan metode simpleks adalah dapat diimplementasikan pada masalah dengan variabel keputusan lebih
dari tiga, di mana metode visual (grafik) tidak mampu untuk menyelesaikannya.
Kekurangannya adalah metode ini lebih rumit dalam implementasi dan perhitungan dibandingkan dengan
metode visual (grafik).

Formulasi Masalah
Sebelum memulai pemograman dengan programma linier, maka kita harus merumuskan kasus atau masalah
yang akan diselesaikan, tentu saja dalam persamaan-persamaan linier. Ada dua macam model persamaan:
1. Fungsi tujuan (objektif), yang sifatnya menimimalkan atau memaksimalkan.
2. Fungsi pembatas (konstrain), yang merupakan batasan fungsional terhadap jumlah sumber daya yang t
erbatas.
Simbol-simbol konvensional yang dipakai:
i
: Nomor (indeks) sumber daya;
j
: Nomor (indeks) aktivitas;
m
: Banyaknya macam sumber daya;
n
: Banyaknya macam aktivitas;
aij : Kebutuhan setiap unit aktivitas j akan sumber daya i;
bi

: Banyaknya sumber daya i yang tersedia;

cj

: Manfaat yang diperoleh untuk setiap unit aktivitas j;

Xj

: Ukuran (unit) aktivitas;

: Jumlah nilai yang akan dituju (maksimasi atau minimasi).

4

Formulasi Masalah
Ilustrasi 1:

Formulasi Masalah
1. Fungsi Tujuan
Fungsi ini menunjukkan tujuan yang akan dioptimalkan: maksimasi atau minimasi.
Simbol yang digunakan adalah Z.
Bentuk umum:
Z

c X
j

j 1

Z c1 X 1 c2 X 2 cn X n 0
X merupakan variabel keputusan: apa atau siapa yang akan dioptimalkan. Dari ilustrasi 1, yang akan di
optimalkan adalah jumlah produk 1 dan 2 yang akan diproduksi, maka, n = 2.

Untuk ilustrasi 1, fungsi tujuannya adalah:

Maksimasi
Z (c1X1 + c2X2) = 0
Z 3X1 4X2 = 0
6

Formulasi Masalah
2. Fungsi Pembatas
a. Pembatas Fungsional (Sumber Daya)
Fungsi ini menunjukkan alokasi sumber daya yang tersedia. Apabila setiap unit aktivitas j memerlukan
a unit sumber daya i, maka bentuk umum pertidaksamaan fungsi pembatas fungsional adalah:
S1

1j X j

b1

j 1

S2

2jX j

b2

j 1

Sm

j 1

a21 X 1 a22 X 2 a2 n X n S 2 b2

a11 X 1 a12 X 2 a1n X n S1 b1

mj X j

bm

S merupakan slack variabel

yang berfungsi untuk menampung
perbedaan antara sisi kanan dan kiri
diakibatkan berubahnya tanda
atau menjadi =.

am1 X 1 am 2 X 2 amn X n S 3 bm

Untuk ilustrasi 1, fungsi pembatas fungsionalnya a

dalah:
Subject to 2X1 + 1X2 + S1= 6.000
2X1 + 3X2 + S2= 9.000

Formulasi Masalah
2. Fungsi Pembatas
b. Pembatas Tanda
Fungsi ini menunjukkan bahwa variabel keputusan (Xj) tidak boleh bernilai tertentu. Biasanya, dalam k
asus programma linier sederhana, variabel keputusan tidak boleh bernilai negatif (lebih besar atau sama
dengan nol).
Bentuk umum:
X 1 0; X 2 0;; X n 0
S1 0; S 2 0;; S n 0

Untuk ilustrasi 1, fungsi pembatas tandanya adalah:

X1 0; X2 0; S1 0; S2 0

Formulasi Masalah
Formulasi masalah secara lengkap dari Ilustrasi 1 adalah:
Maksimasi
Z 3X1 4X2 = 0
Subject to (1) 2X1 + 1X2 + S1= 6.000
(2) 2X1 + 3X2 + S2= 9.000
(3) X1 0; X2 0; S1 0; S2 0

Metode Simpleks Maksi

masi

1. Masukkan formulasi masalah ke dalam tabel simpleks

Bentuk umum dari tabel simpleks:

V.D. merupakan variabel dasar (variabel basis)

N.K. merupakan nilai dari sisi kanan dari tiap persamaan

Tabel simpleks dari ilustrasi 1 adalah:

V.D.

X1

X2

S1

S2

N.K.

S1

6.000

9.000

S2
0
Variabel dasar

Variabel dasar dalam baris Z harus bernilai 0

10

Metode Simpleks Maksi

masi

2. Pilih kolom kunci yang merupakan kolom dengan nilai Z yang paling kecil (negatif terkecil)
Kolom kunci dari ilustrasi 1 iterasi 1 adalah:

V.D.

X1

X2

S1

S2

N.K.

S1

6.000

S2

9.000

3. Pilih baris kunci yang merupakan baris dengan nilai positif terkecil
Baris S1 = 6.000 / 1 = 6.000
Baris S2 = 9.000 / 3 = 3.000 positif terkecil
Baris kunci dari ilustrasi 1 iterasi 1 adalah:

V.D.

X1

X2

S1

S2

N.K.

S1

6.000

S2

9.000
11

Metode Simpleks Maksi

masi

4. Ubah nilai dari baris kunci dengan membaginya dengan nilai dari kolom kunci.
Kemudian Variabel Dasar (V.D.) juga diubah menjadi Variabel Dasar dari kolom kunci
Untuk baris nonkunci, ubah nilainya sebagai berikut:
Nilai baru = nilai lama (nilai baris yang bersesuaian pada kolom kunci nilai baris kunci baru)
Iterasi 2

II

V.D.

X1

X2

S1

S2

N.K.

S1

6.000

S2

9.000

1/3

4/3

12.000

S1

4/3

1/3

3.000

Semua nilai pada kolom kunci

bernilai 0 kecuali yang terletak
pada baris kunci

X2
0
2/3
1
0
1/3
3.000
Z pada kolom X
S1 pada kolom X1 = 2 (1 2/3) = 4/3
1 = 3 (4 2/3) = 1/3
Z pada kolom S1 = 0 (4 0) = 0
S1 pada kolom S1 = 1 (1 0) = 1
Z pada kolom S2 = 0 (4 1/3) = 4/3 S1 pada kolom S2 = 0 (1 1/3) = 1/3
Z pada kolom N.K. = 0 (4 3.000) = 12.000 S1 pada kolom N.K. = 6.000 (1 3.000) = 3.000
12

Metode Simpleks Maksi

masi

5. Pilih kolom kunci yang merupakan kolom dengan nilai Z yang paling kecil (negatif terkecil)
Pilih baris kunci yang merupakan baris dengan nilai positif terkecil
Baris S1 = 3.000 / 4/3 = 2.250 positif terkecil
Baris X2 = 3.000 / 2/3 = 4.500
Kolom dan baris kunci dari ilustrasi 1 iterasi 2 adalah:
V.D.
Z
X1
X2
S1

II

S2

N.K.

S1

6.000

S2

9.000

1/3

4/3

12.000

S1

4/3

1/3

3.000

X2

2/3

1/3

3.000

13

Metode Simpleks Maksi

masi

6. Ubah nilai dari baris kunci dengan membaginya dengan nilai dari kolom kunci.
Kemudian Variabel Dasar (V.D.) juga diubah menjadi Variabel Dasar dari kolom kunci
Untuk baris nonkunci, ubah nilainya sebagai berikut:
Nilai baru = nilai lama (nilai baris yang bersesuaian pada kolom kunci nilai baris kunci baru)
Iterasi 3

II

III

V.D.

X1

X2

S1

S2

N.K.

S1

6.000

S2

9.000

1/3

4/3

12.000

S1

4/3

1/3

3.000

X2

2/3

1/3

3.000

1/4

5/4

12.750

X1

3/4

1/4

2.250

X2

1/2

1/2

1.500
14

Metode Simpleks Maksi

masi

7. Pemeriksaan hasil akhir.

Karena pada iterasi terakhir tidak ada nilai Z yang bernilai negatif, maka nilai yang optimal telah diper
oleh.

II

III

V.D.

X1

X2

S1

S2

N.K.

S1

6.000

S2

9.000

1/3

4/3

12.000

S1

4/3

1/3

3.000

X2

2/3

1/3

3.000

1/4

5/4

12.750

X1

3/4

1/4

2.250

X2
0
0
Variabel keputusan
yang terpilih

1/2

1/2

1.500
Nilai variabel
keputusan:
X1 = 2.250;
X2 = 1.500

Nilai akhir
Z = 12.750

15

Informasi Tambahan
1. Pada pemilihan kolom kunci terdapat dua atau lebih nilai negatif terkecil (pada maksimasi) atau posit
if terbesar (pada minimasi) di baris Z.
Silakan pilih salah satu sesuai selera karena hasilnya akan sama saja (apabila benar dalam pengerjaan).
2. Pada pemilihan baris kunci terdapat dua atau lebih nilai positif terkecil.
Silakan pilih salah satu sesuai selera karena hasilnya akan sama saja (apabila benar dalam pengerjaan).
3. Terdapat lebih dari satu alternatif penyelesaian (mempunyai nilai Z yang sama namun variabel keputus
an yang terpilih berbeda).
Pada dasarnya, alternatif-alternatif tersebut adalah sama, karena mempunyai hasil (nilai Z) yang sama,
namun dalam praktiknya, terkadang alternatif yang lebih practical yang harus dipilih.

16

Penyimpangan
1. Fungsi tujuan Minimasi
Ketika fungsi tujuan dari programma linier adalah minimasi, maka terdapat dua cara penyelesaian: men
gubah ke bentuk maksimasi atau tetap menggunakan bentuk minimasi dengan cara pengejaan yang sed
ikit berbeda dengan maksimasi. Namun dalam Modul ini hanya dibahas cara yang pertama. Untuk men
gganti bentuk minimasi menjadi maksimasi adalah dengan mengalikan 1.
Contoh:
Minimasi Z = 3X1 + 4X2 Maksimasi Z = 3X1 4X2
Z + 3X1 + 4X2 = 0
Tabel simpleks-nya adalah:
V.D.

X1

X2

N.K.

Ingat bahwa setelah iterasi terakhir, N.K. yang diperoleh harus dikali 1 karena koefisien dari Z adalah
1 (lihat Tabel Simpleks).
17

Penyimpangan
2. Pembatas fungsional bertanda =
Ketika suatu permasalahan dalam programma linier ada pembatas fungsional yang bertanda = (sama de
ngan), maka kondisi ini akan menyulitkan dalam penyelesaiannya, karena matriks identitas yang akan
dijadikan solusi dasar awal tidak akan ditemui. Cara penyelesaiannya adalah dengan menambahkan var
iabel artifisial R ke dalam formulasi pembatas fungsional di mana nilai dari variabel artifisial ini harus
nol. Metode yang digunakan dalam penyelesaian masalah dengan kondisi ini ada dua: Metode Dua Fas
a dan Metode Big M. Namun dalam Modul ini hanya dibahas Metode Big M.
Metode Big M merupakan metode untuk mengeliminasi variabel artifisial dengan memberikan nilai po
sitif yang sangat besar (M) pada fungsi tujuan (untuk maksimasi bertanda negatif; untuk minimasi ber
tanda positif).
Contoh:
Maksimasi Z = 3X1 + 4X2

Z = 3X1 + 4X2 MR1

Maksimasi Z 3X1 4X2 + MR1 = 0

Subject to (1) 2X1 + X2 = 6.000 Subject to (1) 2X1 + X2 + R1 = 6.000

(2) 2X1 + 3X2 9000

(2) 2X1 + 3X2 + S2 = 9000

(3) X1 0; X2 0

(3) X1 0; X2 0; S2 0

18

Penyimpangan
2. Pembatas fungsional bertanda =
Tabel simpleks dari contoh tersebut adalah:
V.D.

X1

X2

R1

S2

N.K.

R1

6.000

S2

9.000

Ingat bahwa nilai V.D. (Variabel Dasar) pada baris Z harus 0, namun dalam tabel di atas, nilai R1 adala
h M, maka agar nilai R1 sebesar 0, baris Z nilainya harus diubah sedemikian rupa (ingat metode elimina
si dalam pemecahan masalah linier):
Baris pertama (Z) dikurangi M kali baris kedua (R1):
3X1 4X2 + MR1 + 0S2 = 0
2MX1 + MX2 + MR1 + 0S2 = 6.000M
(32M)X1 + (4M)X2 = 6.000M
V.D.
Z
X1
X2

R1

S2

N.K.

32M

4M

6.000M

R1

6.000

S2

9.000

19

Penyimpangan
3. Pembatas fungsional bertanda
Ketika suatu permasalahan dalam programma linier ada pembatas fungsional yang bertanda (lebih be
sar atau sama dengan), maka penyelesaiannya dengan menambahkan variabel slack dengan tanda negat
if.
Contoh:
Maksimasi Z = 3X1 + 4X2

Maksimasi Z 3X1 4X2 = 0

Subject to (1) 2X1 + X2 6.000 Subject to (1) 2X1 + X2 + S1 = 6.000

(2) 2X1 + 3X2 9000

(2) 2X1 + 3X2 S2 = 9000

(3) X1 0; X2 0

(3) X1 0; X2 0; S1 0; S2 0

Tabel simpleks dari contoh tersebut adalah:

V.D.
Z
X1
X2

S1

S2

N.K.

S1

6.000

S2

9.000

Melanggar pembatas tanda S2 0

20

Penyimpangan
3. Pembatas fungsional bertanda
Karena variabel dasar melanggar aturan pembatas tanda, maka variabel artifisial R dapat dimasukkan k
e dalam persamaan. Karena R masuk ke dalam persamaan, sehingga Metode Big M dipakai untuk men
yelesaikan masalah. Maka, dalam fungsi tujuan juga harus ditambahkan M (untuk maksimasi bertanda
negatif; untuk minimasi bertanda positif).
Maksimasi Z 3X1 4X2 = 0

Z 3X1 4X2 + MR2 = 0

Subject to (1) 2X1 + X2 + S1 = 6.000

(2) 2X1 + 3X2 S2 = 9000

2X1 + X2 + S1 = 6.000
2X1 + 3X2 S2 + R2 = 9000

(3) X1 0; X2 0; S1 0; S2 0

X1 0; X2 0; S1 0; S2 0

Tabel simpleks dari contoh tersebut adalah:

V.D.
Z
X1
X2
S1

S2

R2

N.K.

S1

6.000

R2

9.000
21

Penyimpangan
3. Pembatas fungsional bertanda
V.D.

X1

X2

S1

S2

R2

N.K.

S1

6.000

R2

9.000

Ingat bahwa nilai V.D. (Variabel Dasar) pada baris Z harus 0, namun dalam tabel di atas, nilai R2 adala
h M, maka agar nilai R2 sebesar 0, baris Z nilainya harus diubah sedemikian rupa (ingat metode elimina
si dalam pemecahan masalah linier):
Baris pertama (Z) dikurangi M kali baris ketiga (R2):
3X1 4X2 + 0S1 + 0S2 + MR2 = 0
2MX1 + 3MX2 + 0S1 MS2 + MR2= 9.000M
(32M)X1 + (43M)X2 + MS2 = 9.000M
V.D.
Z
X1
X2
S1

S2

R2

N.K.

32M

43M

9.000M

S1

6.000

R2

9.000
22

Penyimpangan
Contoh penyelesaian masalah untuk beberapa penyimpangan tersebut:
Minimasi Z = 5X1 + 2X2
Subject to (1) 2X1 + X2 = 6.000
(2) 2X1 + 3X2 9000
(3) X1 + X2 4000
(4) X1 0; X2 0
Ubah formulasi masalah di atas menjadi bentuk standar dengan mengubah ke bentuk maksimasi (mengalik
an 1) serta menambahkan variabel slack dan artifisial.
Maksimasi Z + 5X1 + 2X2 + MR1 + MR2 = 0
Subject to (1) 2X1 + X2 + R1 = 6.000
(2) 2X1 + 3X2 S2 + R2 = 9000
(3) X1 + X2 + S3 = 4000
(4) X1 0; X2 0; S1 0; S2 0; S3 0

23

Penyimpangan
1. Masukkan formulasi masalah ke dalam tabel simpleks
V.D.

X1

X2

R1

S2

R2

S3

N.K.

R1

6.000

R2

9.000

S3
0
1
1
0
0
0
1
4.000
Baris pertama (Z) dikurang M kali baris pertama (R1) dan dikurang M kali baris ketiga (R2)
5X1 + 2X2 + MR1 + 0S2 + MR2 + 0S3 = 0
2MX1 + MX2 + MR1 + 0S2 + 0R2 + 0S3= 6.000M
2MX1 + 3MX2 + 0R1 MS2 + MR2 + 0S3= 9.000M
(54M)X1 + (24M)X2 + MS2
V.D.
Z
X1
X2

= 15.000M
R1
S2

R2

S3

N.K.

54M

24M

15.000M

R1

6.000

R2

9.000

S3

4.000

24

Penyimpangan
2. Pilih kolom kunci yang merupakan kolom dengan nilai Z yang paling kecil (negatif terkecil)
Karena X1 dan X2 sama-sama bernilai negatif terkecil, maka dipilih salah satu, yaitu X2.
3. Pilih baris kunci yang merupakan baris dengan nilai positif terkecil
Kolom kunci dan baris kunci iterasi 1 adalah:
Baris R1 = 6.000 / 1 = 6.000
Baris R2 = 9.000 / 3 = 3.000 positif terkecil
Baris S3 = 4.000 / 1 = 4.000

V.D.

X1

X2

R1

S2

R2

S3

N.K.

54M

24M

15.000M

R1

6.000

R2

9.000

S3

4.000

25

Penyimpangan
4. Ubah nilai dari baris kunci dengan membaginya dengan nilai dari kolom kunci.
Kemudian Variabel Dasar (V.D.) juga diubah menjadi Variabel Dasar dari kolom kunci
Untuk baris nonkunci, ubah nilainya sebagai berikut:
Nilai baru = nilai lama (nilai baris yang bersesuaian pada kolom kunci nilai baris kunci baru)
Iterasi 2

II

V.D.

X1

X2

R1

S2

R2

S3

N.K.

54M

24M

15.000M

R1

6.000

R2

9.000

S3

4.000

11/34/3M

2/31/3M

4/3M2/3

6.0003.000M

R1

4/3

1/3

1/3

3.000

X2

2/3

1/3

1/3

3.000

S3

1/3

1/3

1/3

1.000

26

Penyimpangan
5. Pilih kolom kunci yang merupakan kolom dengan nilai Z yang paling kecil (negatif terkecil)
6. Pilih baris kunci yang merupakan baris dengan nilai positif terkecil
Kolom kunci dan baris kunci iterasi 2 adalah:
Baris R1 = 3.000 / 4/3 = 2.250 positif terkecil
Baris X2 = 3.000 / 2/3 = 4.500
Baris S3 = 1.000 / 1/3 = 3.000

II

V.D.

X1

X2

R1

S2

R2

S3

N.K.

54M

24M

15.000M

R1

6.000

R2

9.000

S3

4.000

11/34/3M

2/31/3M

4/3M2/3

6.0003.000M

R1

4/3

1/3

1/3

3.000

X2

2/3

1/3

1/3

3.000

S3

1/3

1/3

1/3

1.000
27

Penyimpangan
7. Ubah nilai dari baris kunci dengan membaginya dengan nilai dari kolom kunci.
Iterasi 3

II

III

V.D.

X1

X2

R1

S2

R2

S3

N.K.

54M

24M

15.000M

R1

6.000

R2

9.000

S3

4.000

11/34/3M

2/31/3M

2/3+4/3M

6.0003.000M

R1

4/3

1/3

1/3

3.000

X2

2/3

1/3

1/3

3.000

S3

1/3

1/3

1/3

1.000

11/4+M

1/4

1/4+M

14.250

X1

3/4

1/4

1/4

2.250

X2

1/2

1/2

1/2

1.500

S3

1/4

1/4

1/4

250

28

Penyimpangan
8. Pilih kolom kunci yang merupakan kolom dengan nilai Z yang paling kecil (negatif terkecil)
9. Pilih baris kunci yang merupakan baris dengan nilai positif terkecil
Kolom kunci dan baris kunci iterasi 4 adalah:
Baris X1 = 2.250 / 1/4 = 9.000
Baris X2 = 1.500 / 1/2 = 3.000
Baris S3 = 250 / 1/4 = 1.000 positif terkecil

II

III

V.D.

X1

X2

R1

S2

R2

S3

N.K.

54M

24M

15.000M

R1

6.000

R2

9.000

S3

4.000

11/34/3M

2/31/3M

2/3+4/3M

6.0003.000M

R1

4/3

1/3

1/3

3.000

X2

2/3

1/3

1/3

3.000

S3

1/3

1/3

1/3

1.000

11/4+M

1/4

1/4+M

14.250

X1

3/4

1/4

1/4

2.250

X2

1/2

1/2

1/2

1.500

29

Penyimpangan
10. Ubah nilai dari baris kunci dengan membaginya dengan nilai dari kolom kunci.
Iterasi 4

II

III

IV

V.D.

X1

X2

R1

S2

R2

S3

N.K.

54M

24M

15.000M

R1

6.000

R2

9.000

S3

4.000

11/34/3M

2/31/3M

2/3+4/3M

6.0003.000M

R1

4/3

1/3

1/3

3.000

X2

2/3

1/3

1/3

3.000

S3

1/3

1/3

1/3

1.000

11/4+M

1/4

1/4+M

14.250

X1

3/4

1/4

1/4

2.250

X2

1/2

1/2

1/2

1.500

S3

1/4

1/4

1/4

250

3+M

1/2+M

14.000

X1

2.000

X2

2.000

30

Penyimpangan
11. Pemeriksaan hasil akhir
Karena pada iterasi terakhir tidak ada nilai Z yang bernilai negatif, maka nilai yang optimal telah diper
oleh

IV

V.D.

X1

X2

R1

S2

R2

S3

N.K.

3+M

1/2+M

14.000

X1

2.000

X2

2.000

S2

1.000

Variabel keputusan
yang terpilih

Nilai akhir
Z = 14.000
Z = 14.000

Nilai variabel
keputusan:
X1 = 2.000;
X2 = 2.000;
S2 = 1.000

31

Analisis Sensitivitas
A. Marginal Value (Shadow Price)
Marginal Value pada Table Simpleks iterasi terakhir terdapat pada kolom Slack Variable.
Contoh:
Maksimasi Z = 3X1 + 4X2
Subject to (1) 2X1 + X2 6.000
(2) 2X1 + 3X2 9.000
(3) X1 0; X2 0
Tabel Simpleks iterasi terakhir (optimal) adalah:
V.D.
Z
X1
X2
S1
Iterasi
III

S2

N.K.

1/4

5/4

12.750

X1

3/4

1/4

2.250

X2

1/2

1/2

1.500

S1 = 1/4, maka apabila nilai ruas kanan pada fungsi pembatas pertama ditambah 1 unit, maka nilai Z aka
n bertambah 1/4. Dan apabila nilai ruas kanan pada fungsi pembatas kedua ditambah 1 unit, maka nilai
Z akan bertambah 5/4 (S2 = 5/4).
32

Analisis Sensitivitas
B. Mencari Nilai Optimal Baru
Apabila terjadi perubahan nilai ruas kanan pada suatu pembatas, maka nilai optimal dapat diketahui tan
pa mengulangi proses perhitungan.
Pada contoh sebelumnya, tabel simpleks iterasi terakhir adalah sebagai berikut:
Iterasi
III

V.D.

X1

X2

S1

S2

N.K.

1/4

5/4

12.750

X1

3/4

1/4

2.250

X2

1/2

1/2

1.500

Apabila fungsi pembatas yang pertama bertambah 100, maka:

Z baru = Z lama + koefisien S1 100 = 12.750 + 1/4(100) = 12.775
X1 baru = X1 lama + koefisien S1 100 = 2.250 + 3/4(100) = 2.325
X2 baru = X2 lama + koefisien S1 100 =1.500 1/2(100) = 1.450
Cek feasibilitas:
(1) 2X1 + X2 6.000
(1) 2(2.325) + 1.450 6.000 (OK)
33

Analisis Sensitivitas
B. Mencari Nilai Optimal Baru
Cek feasibilitas
Seperti sudah disinggung sebelumnya, setiap penambahan atau pengurangan nilai ruas kanan pembatas fungsio
nal, maka harus dicek feasibilitasnya dengan memasukkan nilai yang baru ke fungsi pembatas yang baru, apabi
la tidak sesuai, maka hal tersebut tidak dapat dilakukan.
Mencari selang feasibilitas
Pembatas fungsional 1
(1) 2.250 + 3/4 1 0; maka 3.000 (sebagai batas bawah)
(2) 1.500 1/2 1 0; maka 3.000 (sebagai batas atas)
Sehingga 3.000 1 3.000 adalah selang bagi penambahan nilai ruas kanan pembatas 1.
Artinya, nilai ruas kanan dari pembatas 1 tidak boleh bertambah lebih dari 3.000 atau berkurang lebih dari 3.00
0.
Pembatas fungsional 2
(1) 2.250 1/4 2 0; maka 9.000 (sebagai batas atas)
(2) 1.500 + 1/2 2 0; maka 3.000 (sebagai batas bawah)
Sehingga 3.000 2 9.000 adalah selang bagi penambahan nilai ruas kanan pembatas 1.
Artinya, nilai ruas kanan dari pembatas 1 tidak boleh bertambah lebih dari 9.000 atau berkurang lebih dari 3.00
0.
34

Analisis Sensitivitas
B. Mencari Nilai Optimal Baru
Mencari selang feasibilitas
Pembatas fungsional 1: 3.000 1 3.000
Pembatas fungsional 2: 3.000 2 9.000
Apabila fungsi pembatas yang pertama bertambah 4.000, maka:
Z baru = Z lama + koefisien S1 100 = 12.750 + 1/4(4.000) = 13.750
X1 baru = X1 lama + koefisien S1 100 = 2.250 + 3/4(4.000) = 5.250
X2 baru = X2 lama + koefisien S1 100 =1.500 1/2(4.000) = 500
Cek feasibilitas:
(1) 2X1 + X2 6.000
(1) 2(5.250) 500 6.000 (Tidak OK);
Selain itu, nilai X2 0 yang juga melanggar pembatas tanda: X2 0

35

Terima Kasih

Sampai Bertemu Lagi di Pertemuan Selanjutnya

36