Bab 4

Algoritma simpleks dan tujuan

pemrograman
untuk menyertai :
Riset Operasi : Aplikasi dan algoritma, edisi ke 4,
oleh Wayne L Winston
Kintan Katrin 1603035014
halaman 1 - 4
 Kintan katrin (1603035014)

4.1 – Cara mengonversi LP ke bentuk standar

Sebelum algoritma simpleks dapat digunakan untuk menyelesaikan
LP, LP perlu diubah ke dalam sebuah pembahasan dimana semua
pembatas adalah persamaan dan variabel tidak negatif.

Perhatikan contoh berikut :

Bahan kulit terbatas untuk memproduksi dua jenis ikat pinggang :

model yang mewah dan model yang biasa. Setiap jenis memerlukan
1 persegi kulit. Sebuah ikat pinggang yang biasa, tenaga kerja mem
erlukan waktu 1 jam dan sebuah ikat pinggang yang mewah, tenaga
kerja memerlukan waktu 2 jam pembuatan. Setiap minggu ada 40 pe
rsegi bahan kulit dan 60 pekerja. Sebuah ikat pinggang yang biasa
memiliki keuntungan $3 dan ikat pinggang yang mewah memiliki keu
ntungan $4. tuliskan LP untuk memaksimalkam keuntungan
 Kintan Katrin (1603035014)

4.1 – Cara mengonversi LP ke bentuk standar

Ketetapan variabelnya adalah :

x1 = jumlah ikat pinggang mewah yang diproduksi setiap minggu
x2 = jumlah ikat pinggang biasa yang diproduksi setiap minggu

LP yang tepat adalah :

maks z = 4x1 + 3x2
s.t. x1 + x2 ≤ 40 (pembatas bahan kulit)
2x1 +x2 ≤ 60 (pembatas tenaga kerja)
x1, x2 ≥ 0

Untuk mengubah bahan kulit dan tenaga kerja (≤) menjadi kesamaa
n, kita dapat mendefinisikan pembatas vaiabel yang lebah si (si = var
iabel lemah dengan pembatas). Variabel lemah adalah jumlah yang
tidak digunakan dalam pembatas.
 Kintan Katrin (1603035014)

4.1 – Cara mengonversi LP ke bentuk standar

Dibawah ini LP tidak standar :

maks z = 4x1 + 3x2
s.t. x1 + x2 ≤ 40 (pembatas bahan kulit)
2x1 + x2 ≤ 60 (pembatas tenaga kerja)
x1, x2 ≥ 0
LP yang sama dalam standar dibawah ini :
maks z = 4x1 + 3x2
s.t. x1 + x2 + s1 = 40
2x1 + x2 + s2 = 60
x1, x2, s1, s2 ≥ 0

Kesimpulannya, jika pembatas LP ≤ pembatas, mengubahnya menja

di pembatas kesamaan dengan menambahkan variabel yang lemah
si, , ke pembatas dan menambahkan tanda pembatas si ≥ 0.
Kartika Sari 1603035036
halaman 5 - 7
Kartika Sri Rezeki (160303036)
4.1 – Cara mengonversi LP ke bentuk standar

A ≥ pembatas dapat dikonversi ke pembatas kesetaraan.

Perhatikan rumus di bawah ini:

min z = 50 x1 + 20x2 + 30X2 + 80 x4

a
s.t. 400x1 + 200x2 + 150 x3 + 500x4 ≥ 500
3x1 + 2x2 ≥6
2x1 + 2x2 + 4x3 + 4x4 ≥ 10
2x1 + 4x2 + x3 + 5x4 ≥ 8
x1, x2, x3, x4 ≥ 0

Untuk mengonversi i th ≥ pembatas menjadi pembatas kesetaraan,

menetapkan variabel berlebih (terkadang disebut variabel surplus) ei (ei
akan selalu menjadi variabel berlebih untuk i th ≥ pembatas.
Kitamenetapkan ei menjadi jumlah dimana pembatas i th lebih tepat.
Kartika Sri Rezeki (1603035036)
4.1 – Cara mengonversi LP ke bentuk standar

Mengubah LP dari slide sebelumnya ke bentuk standar:

min z = 50 x1 + 20x2 + 30X2 + 80 x4

s.t.
400x1 + 200x2 + 150 x3 + 500x4 – e1 = 500
3x1 + 2x2 - e2 =6
2x1 + 2x2 + 4x3 + 4x4 - e3 = 10
2x1 + 4x2 + x3 + 5x4 - e4 =8
xi, ei > 0 (i = 1,2,3,4)

Kesimpulannya, jika pembatas i th dari LP adalah ≥ pembatas, dapat diubah

menjadi batasan kesetaraan dengan mengurangkan kelebihan variabel dari
batasan i th dan menambah tanda pembatas ei ≥ 0.
Kartika Sri Rezeki (1603035036)

4.1 – Cara mengonversi LP k bentuk standar

Jika LP memiliki keduanya ≤ dan ≥ pembatas, gunakan prosedur sebelum
nya menjadi pembatas individu. Perhatikan contoh di bawah ini.

Bentuk tidak standar Bentuk standar

max z = 20x1 + 15x2 max z = 20x1 + 15x2

s.t. x1 ≤ 100 s.t. x1 + s1 = 100

x2 ≤ 100 x2 + s2 = 100

50x1 + 35x2 ≤ 6000 50x1 + 35x2 + s3 = 6000

20x1 + 15x2 ≥ 2000 20x1 + 15x2 - e4 = 2000

x1, x2 > 0 x1, x2, s1, s2, s3, e4 > 0

Nurmita Sari 1603035030
halaman 8 - 10
Misalkan LP dengan batasan M dan variabel N telah
diubah menjadi bentuk standar. Dari LP tersebut
adalah:
max ( or min) z = c1x1 + c2x2 + … +cnxn
s.t. a11x1 + a12x2 + … + a1nxn =b1
a21x1 + a22x2 + … + a2nxn =b2
. . .
. . .
am1x1 + am2x2 + … + amnxn =bm
xi ≥ 0 ( i = 1,2, …, n)
Nurmita Sari 1603035030
Pratinjau dari algoritma simpleks

Kendala dapat ditulis sebagai sistem persamaan Ax b

Pertimbangkan sistem Ax (di mana n 2 m) b persamaan m
linier dalam n variabel.
Sebuah solusi dasar untuk Axe b diperoleh dengan
menetapkan nm variabel sama dengan 0 dan pemecahan
untuk sisanya m variabel. Ini mengasumsikan bahwa
pengaturan variabel n m sama dengan 0 menghasilkan nilai
unik untuk variabel m yang tersisa, atau ekuivalen, kolom
untuk variabel m yang tersisa secara linear independen.
Nurmita Sari 1603035030
 Jika Didefinisikan

a a a
.... x b
 11 12 1n 1  
1
a a
21 22
a
....
2n
x
2
b
2
A  x  b  
................
 ....
 ....

a a .... a x b
 m 1m 2 m n n m

Nurmita Sari 1603035030

Lani Cristiana 1603035032
halaman 11 - 13
Lani Christiana 1603035032
Lani Christiana 1603035032
Lani Christiana 1603035032
Lani Christiana 1603035032
Yunita Lestari Buaq 1603035041
halaman 14 - 16
 4.2 - Pratinjau Algoritma Simplex
VARIABEL VARIABEL NON DASAR SOLUSI YANG Sesuai
DASAR DASAR LAYAK dengan
Corner
Point
x1, x2 s1, s2 s1 = s2 = 0, x1 = x2 = 20 E
x1, s1 x2, s2 x2 = s2 = 0, x1 = 30, s1 = 10 C
x1, s2 x2, s1 x2 = s1 = 0, x1 = 40, s2 = - 20 Bukan bfs
sejak s2 <0
x2, s1 x1, s2 x1 = s2 = 0, s1 = - 20 x2 = 60 Bukan bfs
sejak s1 <0
x2, s2 x1, s1 x1 = s1 = 0, x2 = 40, s2 = 20 B
s1, s2 x1, x2 x1 = x2 = 0, s1 = 40, s2 = 60 F

Tabel di atas menunjukkan korespondensi antara dasar

solusi yang layak untuk LP dan titik ekstrim yang layak
wilayah. Solusi dasar yang layak untuk bentuk standar LP
berkorespondensi secara alami dengan titik ekstrim LP.
Yunita Lestari Buaq 1603035041
4.2 - Pratinjau Algoritma Simplex
Dasar Solusi Layak Bersebelahan

Untuk setiap LP dengan kendala m, dua solusi yang layak adalah

dikatakan berdekatan jika set variabel dasar mereka memiliki m - 1 dasar
variabel yang sama.

Misalnya di LP Kulit Terbatas pada slide sebelumnya,

bfs yang terkait dengan titik E bersebelahan dengan bfs yang terkait
ke titik C. Titik-titik ini berbagi (m - 1 = 2 - 1 = 1) satu dasar
variabel, x1. Poin E (BV = {x1, x2}) dan F (BV = {s1, s2}) tidak
berdekatan karena mereka tidak berbagi variabel dasar.

Secara intuitif, dua solusi layak dasar adalah berdekatan jika keduanya bersebelahan
di tepi yang sama dari batas wilayah yang layak.

Yunita Lestari Buaq 1603035041

4.2 - Pratinjau Algoritma Simplex

Gambaran umum dari algoritma simpleks memecahkan suatu

LP dalam masalah maksimalisasi:

Langkah 1 Temukan bfs ke LP. Kami akan memanggil ini bfs awal
bfs. Secara umum, bfs terbaru akan disebut
bfs saat ini, jadi pada awal masalah, awal
bfs adalah bfs saat ini.

Langkah 2 Tentukan apakah bfs saat ini merupakan solusi optimal

LP. Jika tidak, cari bfs yang berdekatan yang memiliki lebih besar
nilai-z.

Langkah 3 Kembali ke Langkah 2, gunakan bfs baru sebagai arus

bfs.

Yunita Lestari Buaq 1603035041

Nurung 1603035003
halaman 17 - 19
 4.3 - Algoritma Simplex (max LPs)
Prosedur Algoritma Simplex untuk memaksimalkan LPs
Langkah 1 Konversi LP ke bentuk standar
Langkah 2 Dapatkan bfs (jika mungkin) dari formulir standar
Langkah 3 Tentukan apakah bfs saat ini optimal
Langkah 4 Jika bfs saat ini tidak optimal, tentukan nonbasic mana
variabel harus menjadi variabel dasar dan mana yang mendasar
variabel harus menjadi variabel nonbasic untuk
menemukan bfs dengan nilai fungsi obyektif yang lebih baik.
Langkah 5 Gunakan ero untuk menemukan bfs baru dengan fungsi
obyektif yang lebih baik nilai. Kembali ke Langkah 3.
Dalam melakukan algoritma simpleks
tulis fungsi obyektif dalam bentuk: , z – c1x1 – c2 x2 -…- cnxn = 0
Kami menyebutnya format ini versi baris 0 dari fungsi obyektif (baris 0 untuk
pendek).

Nurung 1603035003
 Nurung 1603035003

4.3-Algoritma Simplex (max LPs)

 Pertimbangkan algoritma simpleks yang diterapkan pada maksimalisasi di
bawah ini: Perusahaan pabrikan Mebel Dakota membuat meja, meja, dan
kursi. Pabrikan dari setiap jenis mebel membutuhkan kayu dan dua jenis
pekerja terampil: penyelesaian dan pertukangan. Jumlah masing-masing
sumber daya yang dibutuhkan untuk membuat setiap jenis mebel diberikan
dalam tabel di bawah ini.

Sumber Daya Meja tulis Kursi Meja

kayu Papan 8 6 papan 1 papan
batang ft ft
ft

Jam akhir 4 jam 2 jam 1,5 jam

Jam pertukangan 2 jam 1,5 jam 0,5 jam

 4.3 - Algoritma Simplex (max LPs)
• Saat ini, 48 kaki papan kayu, 20 jam penyelesaian
, 8 jam pertukangan tersedia. Meja tulis dijual
seharga $ 60, sebuah meja seharga $ 30, dan
sebuah kursi seharga $ 20.
• Dakota percaya bahwa permintaan untuk meja
tulis dan kursi tidak terbatas, tetapi paling
banyak 5 meja dapat dijual.
• Karena sumber daya yang tersedia sudah ada
dibeli, Dakota ingin memaksimalkan total
pendapatan .

Nurung 1603035003
Tereshia sinta dewi 1603035011
halaman 20 - 22
Theresia Sinta Dewi 1603035011
Theresia Sinta Dewi 1603035011
Theresia Sinta Dewi 1603035011
Surianti 1603035025
halaman 23 - 25
 4.3 - Algoritma simpleks (LP maks)
• Langkah 3- menentukan apakah BFS saat ini optimal
• setelah kami memperoleh bfs, kami perlu menentukan apakah itu
optimal. Untuk melakukan ini, kami mencoba untuk menentukan apakah
ada cara z dapat ditingkatkan dengan meningkatkan beberapa variabel
nonbasic dari nilai nol saat ini sambil memegang semua non dasar lainnya
variabel pada nilai zero.solving saat ini untuk z dalam hasil baris 0:
• Z = 60 × 1 + 30x2 + 20x3
• Untuk setiap variabel nonbasic, kita dapat menggunakan persamaan di
atas untuk menentukan apakah meningkatkan variabel nonbasic (sambil
memegang semua variabel nonbasic lainnya ke nol) akan meningkatkan
z.meningkatkan salah satu variabel nonbasic akan menyebabkan
peningkatan z.beberapa peningkatan x1 menyebabkan yang terbesar
tingkat peningkatan z jika peningkatan x1 di z.if x1 meningkat dari nilai nol
saat ini, itu harus menjadi variabel dasar.untuk alasan ini, x1 disebut
variabel yang masuk. amati x1 memiliki koefisien paling negatif di baris 0.

• 23
Surianti 1603035025
 4.3 - Algoritma simpleks (LP maks)
• Langkah 4-kita memilih variabel yang masuk (dalam masalah max) ke
variabel nonbasic dengan koefisien paling negatif di baris 0 (ikatan rusak
secara sewenang-wenang) .kita ingin membuat x1 sebesar mungkin tetapi
seperti yang kita lakukan, variabel dasar saat ini (S1, S2, S3, S4) akan
mengubah value.thus meningkatkan x1 dapat menyebabkan variabel dasar
menjadi negatif.
PERBANDINGAN
• Dari baris 1 kita melihat bahwa S1 = 48-8x1. Sience S1 ≥ 0, x1 ≤ 48/8 = 6
• Dari baris 2 kita melihat bahwa S2 = 20-4x1. Sience S2 ≥ 0, x1 ≤ 20/4 = 5
• Dari baris 3 kita melihat bahwa S3 = 8-2x1. Sience S3 ≥ 0, x1 ≤ 8/2 = 4
• Dari baris 4 kita melihat bahwa S4 = 5. Untuk setiap x1, S4 akan selalu ≥ 0.
Ini berarti menjaga semua variabel dasar non-negatif, yang terbesar yang
dapat kita buat x1 adalah min (6,5,4) = 4.

Surianti 1603035025 24
 4.3 - Algoritma simpleks (LP maks)
• Tes rasio
Ketika memasukkan variabel ke dalam basis, hitung rasio:Rhs dari variabel
baris / koefisien secara berurutanUntuk setiap kendala di mana variabel yang
masuk memiliki koefisien positif. Kendala dengan rasio terkecil adalah nilai
terbesar dari variabel yang masuk yang akan menjaga semua variabel dasar saat
ini tidak negatif.Buatlah variabel yang masuk x1, variabel dasar dalam baris 3
karena baris ini (kendala) adalah pemenang dari uji rasio (8/2 = 4).

25

Surianti 1603035025
 Mastaida silaban 1603035033
halaman 26-28

Mastaida Silaban 1603035033

4.3 Algoritma simplex (max lps)
Untuk membuat x1 sebagai variabel dasar di baris 3,kami
menggunakan operasi baris elementer (ero) untuk membuat x1
memiliki koefisien 1 di baris 3 dan koefisien 0 disemua baris
lain.prosedur ini disebut pivot pada baris 3,dan baris 3 disebut baris
pivot. Hasil akhir adalah x1 yang menggantikan s3 sebagai dasar
variabel untuk baris 3.istilah pada baris pivot yang melibatkan
variabel dasar yang masuk disebut dengan istilah pivot

Langkah 5
Metode Gauss-jordan menggunakan tabel ero dan simplex yang
ditunjukkan pada slide berikutnya membuat x1 sebagai variabel
dasar

Mastaida Silaban 1603035033

Ero 1 z x1 x2 Rhsx3 s1 s2 s3 s4 rhs ero

0 1 -60 -30 -20

1 8 6 1 1 48

2 4 2 1,5 1 20

3 1 0,75 0,25 0,5 4 Baris 3 dibagi dengan 1/2

4 1 1 5

Ero 2 Z X1 x2 X3 S1 S2 S3 S4 Rhs

0 1 15 -5 30 240 60 kali baris 3 ditambahkan ke

baris 0
1 8 6 1 1 48

2 4 2 1,5 1 20

3 1 0,75 0,25 0,5 4

4 1 1 5

Ero 3 Z X1 X2 X3 S1 S2 S3 S4 Rhs

0 1 15 -5 30 240

1 -1 1 -4 16 -8 kali baris 3 ditambahkan ke

bris 1
2 4 2 1,5 1 20

3 1 0,75 0,25 0,5 4

4 1 1 5

Ero 4 Z x1 X2 x3 S1 S2 S3 S4 Rhs

0 1 15 -5 30 240

1 -1 1 -4 16

2 -1 0,5 1 -2 4 -4 kali baris 3 ditambahkan ke

baris 2
3 1 0,75 0,25 0,5 4

4 1 1 5
 Bentuk kanonik 1 Variabel dasar

Baris 0 z + 15X2 – 5x3 + 30x3 = 240 Z = 240

Baris 1 - x3 + s1 – 4s3 = 16 S1 = 16

Baris 2 – x2 + 0,5x3 + s2 – 2s3 = 4 S2 = 4

Baris 3 x1 + 0,75x2 + 0,25x3 +0,5x3 = 4 X1 = 4

Baris 4 x2 + s4 = 5 S4 = 5

Dalam bentuk kanonik 1 BV = {z,s1,s2,x1,s4 dan NBV = {s3,x2,x3}

menghasilkan bfs z = 240, s1 = 16, s2 = 4, x1 = 4, s4 = 5, s3=s2=x3=0

prosedur bfs pergi ke bfs yang berdekatan lebih baik disebut iterasi (atau kadang –
kadang pivot) dari algoritma simplex.

Mastaida Silaban 1603035033

Dani Lisianti 1603035006
Dani Lisianti 1603035006
halaman 64 - 66
Dani Lisianti 1603035006
Saparudin 1603035043
halaman 32 - 34
 4.3 –Penyederhanaan Algoritma (max.LPs)

Bentuk kanonis Dasar varibael

Baris 0 Z + 5X2 + 10 S3 = 280 Z=280
S1=24
Baris 1 - 2X2 + S1 + 2S2 – 8S3 = 24
X3=8
Baris 2 - 2X2 + X3 + 2S2 – 4S3 =8 X1=2

Baris 3 X1 + 1.25X2 – 0.5S2 + 1.5 S3 =2

S4= 5
Baris 4 X2 + S4 =5

Dalam bentuk resmi 2, BV= 𝑧, 𝑠1, 𝑥3, 𝑥1, 𝑠4 dan NBV

= 𝑆3, 𝑆2, 𝑋2, menghasilkan BFS z=280,S1=24,
x3=8,x1=2,S4=5,S2=S3=X2=0.
DI terjemahkan oleh :
SAPARUDIN 1603035043
 4.3. penyederhanaan Algoritma (Max
LPs)
Penyelesaian untuk Z dalam baris 0 menghasilkan :
Z= 280 – 5X2 – 10S2 – 10S3
Kita dapat mengetahui bahwa menambah X2,S2,atau S3 (ketika
mempertahankan NBVs menjadi 0) tidak akan menyebabakan nilai
z berkurang . Solusi pada akhir pengulangan 2 adalah menjadi
maksimal.peraturan terebut dapat di gunakan untuk menentukan
apakah bentuk kanonis BFS adalah optimal

Sebuan bentuk kanonis adalah optimal ( untuk sebuah masalah maksimal ).

Jika setiap NBV memiliki koefesien bukan negatif di dalam bentuk kanonis
baris 0.

Di terjemahkan oleh :
SAPARUDIN 1603035043
Memaksimalkan Z= 3X1 + 5X2,
Bergantung pada X1 ≤ 4
2X2 ≤ 12
Dan 3X1 + 2X2 ≤ 18
X1 ≥ 0, X2 ≥ 0

Di terjemahkan oleh :
SAPARUDIN 1603035043
Bernadus Kanisius1603035066
halaman 35 - 37
Bernadus Kanisius 1603035066
Bernadus Kanisius 1603035066
Bernadus Kanisius 1603035066
Afendi sianifar 1603035020
halaman 38 - 40
Afendi Sianifar 1603035020
Afendi Sianifar 1603035020
Afendi Sianifar 1603035020
Eluzai Eben Hezer Saragih 1603035064
halaman 41 - 43
Eluzai Eben Hezer Saragih1603035064
Eluzai Eben Hezer Saragih1603035064
Ahmad Thoyib1603035018
halaman 44 - 46
Ahmad Thoyib 1603035018
Ahmad Thoyib 1603035018
Ahmad Thoyib 1603035018
Ribut Adi Siswanto 1603035061
halaman 47 - 51
 4,5 - Solusi Optimal alternatif
Untuk beberapa piringan hitam, lebih dari
satu titik ekstrim optimal. Jika LP memiliki lebih dari
satu solusi optimal, ia memiliki beberapa solusi
optimal.

Jika tidak ada variabel nonbasic (NBV) dengan

koefisien nol pada baris 0 dari tablo optimal, LP
memiliki solusi optimal yang unik. Bahkan jika ada
variabel nonbasic dengan koefisien nol di baris 0
dari tablo optimal, ada kemungkinan bahwa LP
mungkin tidak memiliki solusi optimal alternatif.

Ribut Adi Siswanto 1603035061 48

 4,6 – Lp tanpa batas
Untuk beberapa piringan hitam, ada titik di wilayah
yang layak, yang z mengasumsikan sewenang-wenang
besar (dalam masalah maks) atau semau kecil (dalam
masalah min). Ketika ini terjadi, kami mengatakan LP
tidak dibatasi.
LP yang tidak terbatas terjadi dalam masalah
maksimal jika ada variabel nonbasic dengan koefisien
negatif di baris 0 dan tidak ada batasan yang membatasi
seberapa besar kita dapat membuat NBV ini.
Secara khusus, LP tanpa batas untuk masalah maks
terjadi ketika variabel dengan koefisien negatif di baris 0
memiliki koefisien tidak positif di setiap kendala

Ribut Adi Siswanto 1603035061 49

Ribut Adi Siswanto 1603035061

4,6 – Paket komputer Lindo

LINDO (Linear Interactive and Discrete Optimizer) adalah
paket komputer ramah pengguna yang dapat digunakan untuk
memecahkan masalah pemrograman linier, integer, dan
kuadratik.
The Dakota Furniture LP akan dipecahkan menggunakan LINDO sebagai
contoh.

LINDO memungkinkan pengguna untuk memberi nama variabel

sehingga mereka didefinisikan:
GARIS = jumlah meja yang diproduksi
TABLES = jumlah tabel yang dihasilkan
KURSI = jumlah kursi yang diproduksi

LINDO mengasumsikan semua variabel adalah non-negatif, jadi batasan

negatif tidak diperlukan. Agar konsisten dengan LINDO, baris fungsi tujuan
diberi label baris 1 dan batasan baris 2-5.
Lihat file Bantuan LINDO untuk pertanyaan sintaks 50
 4,6 – Paket internet Lindo
Untuk memasukkan masalah ini ke LINDO pastikan layar berisi
jendela kosong (area kerja) dengan kata "tanpa judul" di bagian atas
area kerja. Jika perlu, jendela baru dapat dibuka dengan memilih New
dari menu file atau dengan mengklik tombol File.
Pernyataan pertama dalam model LINDO selalu fungsi
obyektif. MAX atau MIN mengarahkan LINDO untuk menyelesaikan
masalah maksimalisasi atau minimalisasi.
Masukkan batasan dengan mengetik SUBJECT TO (atau st)
pada baris berikutnya. Lalu masuki batasan. LINDO berasumsi bahwa
<simbol berarti ≤ dan simbol> berarti ≥. Tidak perlu memasukkan
simbol tanda bintang antara koefisien dan variabel untuk
mengindikasikan perkalian. Masukan Dakota ditampilkan pada slide
berikutnya

Ribut Adi Siswanto 1603035061

51
Robiannur Ambia 1603035029
halaman 52 - 55
 4.6 - Paket LINDO Komputer

Robiannur Ambia 1603035029

 4.6 - Paket LINDO Komputer
Untuk menyimpan file (formulasi LP) untuk penggunaan masa depan,
pilih SAVE dari menu File dan ketika ditanya, ganti * simbol
dengan nama pilihan Anda. File akan disimpan dengan nama yang
Anda pilih dengan akhiran .LTX. JANGAN mengetik di atas akhiran
.LTX. Simpan menggunakan jalan apapun yang tersedia.
Untuk mengatasi model, dari menu Memecahkan pilih
MEMECAHKAN perintah atau klik merah banteng tombol mata.
Ketika ditanya apakah Anda ingin melakukan berbagai (sensitivitas)
analisis, pilih no. Rentang atau analisis sensitivitas akan dibahas
dalam Bab 6. ketika solusi selesai, layar menunjukkan status
Memecahkan perintah akan hadir. Lihat informasi yang ditampilkan
dan pilih TUTUP.
Jendela input data sekarang akan overlay Laporan Jendela. Klik di
mana saja di Window Laporan untuk membawanya ke latar depan.
Melihat slide berikutnya untuk melihat Jendela Laporan ini.

Robiammur r Ambia 1603035029

 4.6 - Paket LINDO Komputer

Robiannur Ambia 1603035029

 4.6 - Paket LINDO Komputer

Output LINDO menunjukkan:

• LINDO menemukan solusi optimal setelah 2 iterasi (pivot)
• Optimal z-value = 280
• NILAI memberikan nilai variabel dalam larutan LP optimal. Jadi
solusi optimal panggilan untuk produksi 2 meja, 0 meja, dan 8
kursi.
• SLACK OR SURPLUS memberikan (oleh baris kendala) nilai
slack atau kelebihan dalam solusi optimal.
• MENGURANGI BIAYA memberikan koefisien berturut-turut 0 dari
tablo optimal (Dalam masalah max). mengurangi biaya dari
masing-masing variabel dasar harus 0. Untuk NBVs, mengurangi
biaya adalah jumlah dimana optimal z-nilai akan berkurang jika
NBV meningkat dengan 1 unit (dan semua NBVs lainnya tetap
0).
• Output LINDO lainnya akan dibahas dalam Bab 5 dan 6.

Robiannur Ambia 1603035029

Iis Purwasih 1603035013
halaman 56 - 59
 4.10-metod Big M

Algoritma metode simpleks mulai membutuhkan BFS .masalah-masalah sebelumnya

telah ditemukan mulai BFS dengan menggunakan variabel slack sebagai variabel dasar
kita. Jika LP memiliki ≥ atau = kendala, bagaimanapun, BFS mulai mungkin tidak
mudah terlihat. Dalam kasus seperti itu, metode Big M dapat digunakan untuk
memecahkan masalah. Mempertimbangkan masalah di bawah ini.

Bevco memproduksi minuman ringan rasa jeruk yang disebut Oranj dengan
menggabungkan soda jeruk dan jus jeruk. Setiap soda jeruk mengandung 0,5 oz gula
dan 1 mg vitamin C. Setiap ons jus jeruk mengandung 0,25 oz gula dan 3 mg vitamin C.
Biayanya Bevco 2 ¢ untuk menghasilkan satu ons soda jeruk dan 3 ¢ untuk
menghasilkan satu ons jus jeruk. departemen pemasaran Bevco telah memutuskan
bahwa setiap botol 10-oz harus mengandung setidaknya 30 mg vitamin C dan paling
banyak 4 oz gula. Menggunakan pemrograman linear untuk menentukan bagaimana
Bevco dapat memenuhi kebutuhan departemen pemasaran dengan biaya minimum.

Iis Purwasih 1603035013

 4.10 - Metode Big M

• membiarkan x1 = jumlah ons soda jeruk dalam botol

Oranj x2 = jumlah ons jus jeruk dalam botol
OranjLP adalah:
• min z = 2x1 + 3x2st 0.5x1 + sebanyak 0,25x2 ≤ 4
(Gula kendala)
• x1 + 3x2 ≥ 20 (Vitamin C kendala)
• x1 + x2 = 10 (10 oz dalam 1 botol Oranj)
• x1, x2,> 0

• LP dalam bentuk standar yang ditampilkan pada slide

berikutnya.

Iis Purwasih 1603035013

 4.10 - Metode Big M

• LP dalam bentuk standar memiliki z dan s1 yang dapat

digunakan untuk BV tapi baris 2 akan melanggar larangan
tanda dan baris 3 tidak mudah terlihat variabel dasar.
• Untuk menggunakan metode simpleks, sebuah BFS
diperlukan. Untuk memperbaiki keadaan tersebut, variabel
buatan diciptakan. Variabel akan diberi label sesuai dengan
baris di mana mereka digunakan seperti yang terlihat di
bawah ini.
• Row 1: z - 2x1 - 3x2 = 0
• Row 2: 0.5x1 + sebanyak 0,25x2 + s1 = 4
• Row 3: x1 + 3x2 - e2 = 20
• Row 4: x1 + x2 = 10

Iis Purwasih 1603035013

 4.10 - Metode Big M

• Dalam solusi optimal, semua variabel buatan harus ditetapkan sama

dengan nol. Untuk mencapai hal ini, dalam min LP, istilah Masaya
ditambahkan ke fungsi tujuan untuk setiap variabel buatansaya. Untuk
max LP, istilah -Masaya ditambahkan ke fungsi tujuan untuk masing-
masingsaya. M mewakili beberapa jumlah yang sangat besar.
dimodifikasi Bevco LP dalam bentuk standar kemudian menjadi:
• Row 1: z - 2x1 - 3x2 -Ma2 - Ma3 =0
• Row 2: 0.5x1 + sebanyak 0,25x2 + s1 =4
• Row 3: x1 + 3x2 - e2 + Sebuah2 = 20
• Row 4: x1 + x2 + Sebuah3 = 10

• Memodifikasi fungsi tujuan dengan cara ini membuatnya sangat mahal

bagi variabel buatan untuk menjadi positif. Solusi optimal harus
memaksa2 = a3 = 0.

Iis Purwasih 1603035013

Rafly Rizaini 1603035007
halaman 60 - 63
 Metode Big M
1. Memodifikasi kendala sehingga rhs setiap kendala adalah negatif.
Mengidentifikasi setiap kendala yang sekarang menjadi = atau
kendala ≥.
2. Mengkonversi setiap kendala ketimpangan ke bentuk standar
(menambahkan variabel slack untuk ≤ kendala, menambahkan
kelebihan variabel untuk kendala ≥).
3. Untuk setiap ≥ atau = kendala, menambahkan variabel buatan.
Menambahkan tanda pembatasansaya ≥ 0.
4. Mari M menunjukkan angka positif yang sangat besar. Add (untuk
masing-masing variabel buatan) Masaya untuk min fungsi obyektif
masalah atau -Masaya untuk fungsi tujuan max masalah.
5. Karena setiap variabel buatan akan berada di dasar mulai, semua
variabel buatan harus dihilangkan dari baris 0 sebelum memulai
simpleks. Mengingat M merupakan jumlah yang sangat besar,
memecahkan masalah diubah oleh simpleks.

Rafly Rizaini1603035007
Jika semua variabel buatan di solusi optimal sama dengan
nol, solusinya adalah optimal. Jika variabel buatan setiap
positif dalam solusi optimal, masalahnya adalah tidak layak.

The Bevco Contoh melanjutkan:

Tableau awal

Row z x1 x2 s1 e2 a2 a3 rhs
0 1.00 -2.00 -3.00 -M -M 0.00
1 0.50 0.25 1.00 4.00
2 1.00 3.00 -1.00 1.00 20.00
3 1.00 1.00 1.00 10.00

Rafly Rizaini1603035007
Pivot 1 z x1 x2 s1 e2 a2 a3 rhs ratio ero
0 1.00 2m - 2 4M -3 -M 30M Row 0 + M(Row 2) + M(Row 3)
1 0.50 0.25 1.00 4.00 16
2 1.00 3 -1.00 1.00 20.00 6.67
3 1.00 1.00 1.00 10.00 10
ero 1 z x1 x2 s1 e2 a2 a3 rhs ero
0 1.00 2m - 2 4M -3 -M 30M
1 0.50 0.25 1.00 4.00
2 0.33 1 -0.33 0.33 6.67 Row 2 divided by 3
3 1.00 1.00 1.00 10.00
ero 2 z x1 x2 s1 e2 a2 a3 rhs ero
0 1.00 (2M-3)/3 (M-3)/3 (3-4M)/3 (60+10M)/3 Row 0 - (4M-3)*(Row 2)
1 0.50 0.25 1.00 4.00
2 0.33 1 -0.33 0.33 6.67
3 1.00 1.00 1.00 10.00
ero 3 z x1 x2 s1 e2 a2 a3 rhs ero
0 1.00 (2M-3)/3 (M-3)/3 (3-4M)/3 (60+10M)/3
1 0.42 1.00 0.08 -0.08 2.33 Row 1 - 0.25*(Row 2)
2 0.33 1 -0.33 0.33 6.67
3 1.00 1.00 1.00 10.00
ero 4 z x1 x2 s1 e2 a2 a3 rhs ero
0 1.00 (2M-3)/3 (M-3)/3 (3-4M)/3 (60+10M)/3
1 0.42 1.00 0.08 -0.08 2.33
2 0.33 1 -0.33 0.33 6.67
3 0.67 0.33 -0.33 1.00 3.33 Row 3 - Row 2

Rafly Rizaini1603035007
Pivot 2 z x1 x2 s1 e2 a2 a3 rhs ratio
0 1.00 (2M-3)/3 (M-3)/3 (3-4M)/3 (60+10M)/3
1 0.42 1.00 0.08 -0.08 2.33 5.60
2 0.33 1 -0.33 0.33 6.67 20.00
3 0.67 0.33 -0.33 1.00 3.33 5.00
ero 1 z x1 x2 s1 e2 a2 a3 rhs ero
0 1.00 (2M-3)/3 (M-3)/3 (3-4M)/3 (60+10M)/3
1 0.42 1.00 0.08 -0.08 2.33
2 0.33 1 -0.33 0.33 6.67
3 1.00 0.50 -0.50 1.50 5.00 (Row 3)*(3/2)
ero 2 z x1 x2 s1 e2 a2 a3 rhs ero
0 1.00 -0.50 (1-2M)/2 (3-2M)/2 25.00 Row 0 + (3-2M)*(Row 3)/3
1 0.42 1.00 0.08 -0.08 2.33
2 0.33 1.00 -0.33 0.33 6.67
3 1.00 0.50 -0.50 1.50 5.00
ero 3 z x1 x2 s1 e2 a2 a3 rhs ero
0 1.00 -0.50 (1-2M)/2 (3-2M)/2 25.00
1 1.00 -0.13 0.13 -0.63 0.25 Row 1 - (5/12)*Row 3)
2 0.33 1.00 -0.33 0.33 6.67
3 1.00 0.50 -0.50 1.50 5.00
ero 4 z x1 x2 s1 e2 a2 a3 rhs ero
0 1.00 -0.50 (1-2M)/2 (3-2M)/2 25.00 Optimal Solution
1 1.00 -0.13 0.13 -0.63 0.25
2 1.00 -0.50 0.50 -0.50 5.00 Row 2 -(1/3)*Row 3
3 1.00 0.50 -0.50 1.50 5.00

Rafly Rizaini1603035007
Nafhan Syaiful haqi 1603035051
halaman 64 - 66
Nafhan Syaiful Haqi 1603035051
Nafhan Syaiful Haqi 1603035051
Apa yang harus diminimalisir dan kapan ?
Meminimalisir deviasi negatif jika kendalanya ( lebih besar atau sama ) atau
terdengar seperti kita ingin melebihi nilai RHS
Mminimalisir deviasi positif jika kendalanya (lebih kecil atau sama ) atau
terdengar seperti kita tidak ingin melebihi nilai RHS
Meminimalisir keduanya jika kendalanya sama