OPERATIONAL RESEARCH 1

- Metode Big-M (Max. Problem)

DEWA KUSUMA WIJAYA, S.T., M.SC.

Capaian Pembelajaran

 Mahasiswa mampu memahami karakteristik metode Big-M di

dalam Linier Programming serta mampu menyelesaikan
permasalahan linier dengan metoda Big-M untuk problem
maksimasi
Metode Big-M
Problem Minimasi
Struktur Problem Solving

III.
PROBLEM I. STRUKTUR II. FORMULASI
OPTIMASI?
AKTUAL PENYELESAIAN MODEL
SIMULASI?
Model Linier Programming

Model Linier Programming memiliki beberapa karakteristik, sbb;

1. Memiliki Variabel Keputusan (Decission Variable)
2. Memiliki Parameter Fungsi
3. Memiliki Fungsi Objektif / Fungsi Tujuan (Objective Function)
 max./min. parameter tujuan
4. Memiliki Batasan (Constraint)  Constraint utama & non
negativity
Karakteristik Metode Big-M

Metode Big-M memiliki syarat penggunaan berikut;

1. Dapat digunakan untuk menyelesaikan permasalahan linier dengan ≥2 variable (idealnya
minimal 3 variable)
2. Hanya dapat digunakan untuk 1 (satu) buah fungsi tujuan max. / min.
3. Tidak terbatas pada jumlah constraint
4. Dapat digunakan untuk kondisi syarat pembatas constraint kombinasi “≤” “≥” dan/atau “=“
5. Menggunakan variable “slack” sebagai variable pembantu untuk mengubah constraint
inequal menjadi equal (kecuali constraint yang sudah equal) serta menambahkan variabel
“artificial” khusus untuk constraint dengan syarat pembatas “≥” dan “=“
6. Memiliki constraint non negativity
 Tahapan Penyelesaian Metode Big-M

1. Nyatakan problem LP dalam model matematis Metode Big-M

 Fungsi Tujuan  Max Z = C1 X1 + C2 X2 + C3 X3 + C4 X4 + .............+ Cn Xn

 Batasan 1). a11 X1 + a12 X2 + a13 X3 + .........+ a1n Xn ≥ b1
2). a21 X1 + a22 X2 + a23 X3 + .........+ a1n Xn ≤ b2
3). a31 X1 + a32 X2 + a33 X3 + .........+ a3n Xn = b3
m). am1 X1 + am2 X2 + am3 X3 +.........+ amn Xn ≤ bm
Xj ≥ 0 , j = 1,2,3…..n bi  0 , i=1,2,…,m
 X  variables; c  objective parameters;
 a  constraints parameters;
 b  right hand side value of constraints
 2. Nyatakan persamaan fungsi tujuan dalam bentuk

z   c j  j  MAn  0
j

Z - C1 X1 + C2 X2 + C3 X3 + C4 X4 + .............+ Cn Xn + MAn = 0

3.1 Rubah semua pertidaksamaan batasan (inequality “≤” constrains)

ke dalam bentuk persamaan batasan (equality constrains) dengan
memasukkan variable Slack (S  0)
contoh
X1+2X2+3X3+4X4  25, bisa ditulis sebagai
X1+2X2+3X3+4X4+S = 25

3.2 Rubah semua pertidaksamaan batasan (inequality “≥” constrains)

ke dalam bentuk persamaan batasan (equality constrains) dengan
memasukkan variable Slack (S ≤ 0) dan variable Artificial (A  0)
contoh
X1 + 2X2 + 3X3 + 4X4 ≥ 25, bisa ditulis sebagai
X1 + 2X2 + 3X3 + 4X4 - S + A = 25
3.2 Rubah semua persamaan batasan (equality “=” constrains) dengan
menambahkan variable Artificial (A  0) saja tanpa perlu
menambahkan variabel slack
contoh
X1 + 2X2 + 3X3 + 4X4 = 25, bisa ditulis sebagai
X1 + 2X2 + 3X3 + 4X4 + A = 25

4. Update nilai koefisien persamaan fungsi tujuan Z dengan cara

dikurangi dengan semua nilai koefisien persamaan constraint
fungsi utama yang memiliki variabel artificial “A” dikalikan dengan
nilai -M

5. Susun persamaan fungsi tujuan dan persamaan batasan

ke dalam tabel simplex Big-M  dihasilkan tabel simplex awal.

6. Setelah data tersusun dalam tabel simplex Big-M awal,

lakukan iterasi sehingga dihasilkan titik optimal
Variabel Artificial

Pendekatan standard :  Teknik menggunakan Variable

buatan (artificial Variable)

Memasukkan dummy variable (disebut artificial variable)

ke dalam setiap batasan (constaints) yang memerlukan

Variable yang baru akan menjadi variable basis pada pada

penyelesaian awal bagi batasan (constaints) yang
bersangkutan

Iterasi metode simplex akan membuat artificial variable

menjadi nol, sehingga akhirnya satu persatu hilang.
Studi Kasus (1)
Langkah 1 Contoh :
Maximize : Z = 3 X1 + 5 X2 (0)

Constraints : X1 4 (1)

2 X2  12 (2)

3 X1 + 2 X 2 = 18 (3)

Constraint (3) mempunyai syarat pembatas (=)

Langkah 2 & 3 Fungsi tujuan Z -3 X1 - 5 X2 + MA = 0 (0)

Constraints : X1 + S1 =4 (1)
2 X2 + S2 = 12 (2)
3 X1 + 2 X2 + A = 18 (3)
Studi Kasus (2)
batasan Persamaan (3) tidak terdapat variable basis  Ditambahkan artificial variable
A (  0), hasil revisi

Z - 3 X1 - 5 X2 + MA = 0 (0)
X1 +S1 =4 (1)
2 X2 + S2 = 12 (2)
3 X1 + 2 X2 + A = 18 (3)

Pada hasil revisi ada 3 persamaan dengan 5 variable.

 Ada dua variable non basis X1 dan X2 yang pada penyelesaian
layak awal harganya = 0.
Dari persamaan (1), (2) dan (3) didapatkan nilai variable basis
S1 = 4 , S2 = 12 dan A = 18
Studi Kasus (3)

• Langkah selanjutnya memaksa nilai Z - 3 X1 - 5 X2 + MA = 0 (0)

artificial variable A menjadi nol. X1 +S1 =4 (1)

• Dapat dilakukan dengan metode 2 X2 + S2 = 12 (2)
Teknik M / metode penalty. 3 X1 + 2 X 2 + A = 18 (3)

Pada pendekatan ini fungsi tujuan dirubah dulu menjadi :

Z = 3 X1 + 5 X2 – MA
M adalah bilangan positif yang sangat besar berhingga. Persamaan (0) dari
fungsi tujuan akan menjadi

Z - 3 X1 - 5 X2 + MA = 0
Studi Kasus (4)
Pada persamaan (0), baris fungsi tujuan, yang direvisi terdapat variable basis dengan
koefisien M. Variable basis harus dihilangkan dari persamaan (0)  Baris Z yang dihasilkan
(revisi) dikurangi dengan M kali setiap baris batasan yang sesuai.

Langkah 4
Baris Z pers (0) awal -3 -5 0 0 M 0
Baris constraint (3) -M 3 2 0 0 1 18

Baris Z pers (0) baru -3M-3 -2M-5 0 0 0 - 18M

Disusun tabel simplex awal.  iterasi untuk mendapatkan nilai optimal.

Studi Kasus (5)

Langkah 5 Tabel simplex awal (Iterasi 0)

Coefficient of
Basic
Iterat
varia Eqt. RHS Ratio
ion
ble Z X1 X2 S1 S2 A

Z (0) 1 (-3M-3) (-2M-5) 0 0 0 -18M

S1 (1) 0 1 0 1 0 0 4 4/1
0
S2 (2) 0 0 2 0 1 0 12 12/0
A (3) 0 3 2 0 0 1 18 18/3
Pivot Pivot Pivot X1 : entering variable
raw element column
S1 : leaving variable
Studi Kasus (6)
Pemilihan entering variable untuk kasus Maksimasi : Koefisien variable non basis
pada persamaan tujuan mempunyai bentuk fungsi linear (aM + b), selanjutnya akan dipilih
nilai koefisien negatif terbesar pada baris Z
a  faktor pengganda
b  faktor penambah
Karena M sangat besar, maka b selalu kecil dibandingkan terhadap aM.
Pada umumnya pemilihan entering variable didasarkan pada nilai faktor pengganda a.
Contoh Pada tabel awal : koefisien X1 adalah (-3M-3), untuk X2 adalah (-2M-5). Faktor
pengganda 3 > 2, sehingga dipilih X1 sebagai entering variable
Bila pada koefisien tersebut nilai faktor pengganda sama, maka pemilihan entering variable
didasarkan pada faktor penambah b
Contoh : untuk X1 adalah (-2M-3) & untuk X2 adalah (-2M-4)  3<4, sehingga dipilih X2
sebagai entering variable
Langkah 6 Hasil Iterasi

Coefficient of RHS
Basic
(Sol)
Iteration varia Eqt.
ble Z X1 X2 S1 S2 A

Z (0) 1 0 (-2M-5) (3M+3) 0 0 -6M+12

X1 (1) 0 1 0 1 0 0 4
1
S2 (2) 0 0 2 0 1 0 12

A (3) 0 0 2 -3 0 1 6
Z (0) 1 0 0 -9/2 0 (M+5/2) 27

X1 (1) 0 1 0 1 0 0 4
2
S2 (2) 0 0 0 3 1 -1 6

X2 (3) 0 0 1 -3/2 0 1/2 3

Z (0) 1 0 0 0 3/2 (M+1) 36

X1 (1) 0 1 0 0 -1/3 1/3 2

3 -1/3
S1 (2) 0 0 0 1 1/3 2

X2 (3) 0 0 1 0 1/2 0 6
Pertidaksamaan jenis “”

Dirubah menjadi  dengan cara mengalikan kedua ruas pertidaksamaan dengan (-1).
Contoh : 0,6 X1 + 0,4 X2  6 menjadi
-0,6 X1 - 0,4 X2  -6
Ruas kiri ditambah slack variable
-0,6 X1 - 0,4 X2 + S = -6
Nilai slack variable S = -6  negatif, tidak memenuhi syarat. Harus dikalikan (-1),
dihasilkan :
0,6 X1 + 0,4 X2 - S = 6
Ruas kanan persamaan terakhir sudah positif, namun koefisien slack variable tetap negatif
 selesaikan seperti kasus tipe = (sama dengan)  Ditambah artificial variable A
0,6 X1 + 0,4 X2 - S + A = 6
FUNGSI TUJUAN MINIMASI

Kasus Minimasi (Min) dapat dirubah menjadi Maksimasi (Max)

dengan teknik yang equivalent

n
Minimize Z C j X j
j 1 Menyelesaikan
Equivalent dengan optimal yang
n sama
Maximize ( Z )   ( C j ) X j
j 1

Namun yg perlu diperhatikan adalah pada saat update nilai koefisien pada baris fungsi (-
Z) yaitu dengan cara ditambahkan (bukan dikurangi) dengan semua nilai koefisien
persamaan constraint fungsi utama yang memiliki variabel artificial “A” dikalikan dengan
nilai -M
FIN.