Pemrograman Linier (3)

Metode Big-M

Institut Teknologi Batam

1
Pada model PL di mana semua kendala memiliki relasi ≤, variabel
basis
pada solusi awal (tabel simpleks awal) adalah Z dan semua variabel
slack. Namun tidak demikian halnya untuk model PL yang memiliki
kendala =
atau ≥.
Prosedur simpleks untuk menyelesaikan model PL yang memiliki kendala
= atau ≥ dapat menggunakan salah satu metode di bawah ini:
Metode Big M, atau
Metode dua fase

2
esia) Pemrograman Linier (3) 2 / 19
Pada model PL di mana semua kendala memiliki relasi ≤, variabel
basis
pada solusi awal (tabel simpleks awal) adalah Z dan semua variabel
slack. Namun tidak demikian halnya untuk model PL yang memiliki
kendala =
atau ≥.
Prosedur simpleks untuk menyelesaikan model PL yang memiliki kendala
= atau ≥ dapat menggunakan salah satu metode di bawah ini:
Metode Big M, atau
Metode dua fase

2
esia) Pemrograman Linier (3) 2 / 19
Pada model PL di mana semua kendala memiliki relasi ≤, variabel
basis
pada solusi awal (tabel simpleks awal) adalah Z dan semua variabel
slack. Namun tidak demikian halnya untuk model PL yang memiliki
kendala =
atau ≥.
Prosedur simpleks untuk menyelesaikan model PL yang memiliki kendala
= atau ≥ dapat menggunakan salah satu metode di bawah ini:
Metode Big M, atau
Metode dua fase

2
esia) Pemrograman Linier (3) 2 / 19
Metode Big M : gambaran umum

Dalam bentuk baku, pada kendala dengan relasi ≥ atau = tidak

terdapat
variabel slack.
Pada kedua jenis kendala tersebut, digunakan variabel yang
berfungsi seolah-olah sebagai slack. Variabel ini dinamakan variabel
artifisial (umumnya dilambangkan sebagai R).

3
Pemrograman Linier (3) 3 / 19
Metode Big M : gambaran umum

Dalam bentuk baku, pada kendala dengan relasi ≥ atau = tidak

terdapat
variabel slack.
Pada kedua jenis kendala tersebut, digunakan variabel yang
berfungsi seolah-olah sebagai slack. Variabel ini dinamakan variabel
artifisial (umumnya dilambangkan sebagai R).

3
esia) Pemrograman Linier (3) 3 / 19
Metode Big M : gambaran umum

Pada tabel awal simpleks, variabel artifisial terdapat pada basis. Namun
pada tabel akhir (solusi optimal), semua variabel artifisial harus keluar
dari basis (dengan kata lain, harus bernilai 0).
Untuk ‘memaksa’nya keluar dari basis, setiap variabel artifisial diberi
penalti pada fungsi objektif,

4
esia) Pemrograman Linier (3) 4 / 19
Metode Big M : gambaran umum

Pada tabel awal simpleks, variabel artifisial terdapat pada basis. Namun
pada tabel akhir (solusi optimal), semua variabel artifisial harus keluar
dari basis (dengan kata lain, harus bernilai 0). (Catatan: hal ini terjadi
jika problem memiliki solusi layak.)
Untuk ‘memaksa’nya keluar dari basis, setiap variabel artifisial diberi
penalti pada fungsi objektif,

4
esia) Pemrograman Linier (3) 4 / 19
Aturan penalti untuk variabel artifisial

Diberikan M sebagai nilai yang sangat besar (secara matematis,

M → ∞). Setiap variabel artifisial diberi penalti pada fungsi
objektif, dengan memberinya koefisien sebesar:
− M pada masalah maksimisasi, atau
+ M pada masalah minimisasi

5
esia) Pemrograman Linier (3) 5 / 19
Contoh Maksimasi

Maksimumkan z = 3X1 + 5X2

Batasan

X1 <= 4
2 X2 <= 12
3X1 + 2X2 = 18

Nilai = diubah dengan menambahkan artifisial variabel R

Contoh Minimasi

Minimumkan z = 3X1 + 5X2

Batasan

X1 <= 4
2 X2 = 12
3X1 + 2X2 >= 18

Tanda = diubah dengan menambahkan artifisial variabel R

Dan tanda >= diubah dengan menambahkan variabel slack dan
artifisial variabel
Contoh
Min Z = 4x 1 + x 2

Dengan kendala:
3x 1 + x 2 = 3
4x 1 + 3x 2 ≥ 6
x 1 + 2x 2 ≤ 4
x 1, x 2 ≥ 0

6
esia) Pemrograman Linier (3) 5 / 19
Bentuk baku:

Min Z = 4x 1 + x 2 + M R 1 + M R 2

Dengan kendala:
3x 1 + x 2 + R1 = 3
4x 1 + 3x 2 − s 1 + R2 = 6
x 1 + 2x 2 + s2 = 4
x 1, x 2, s1, s2, R 1, R 2 ≥ 0

Keterangan:
R 1 dan R 2 adalah variabel artifisial.
M adalah penalti untuk R 1 dan R 2 pada fungsi objektif.

8
esia) Pemrograman Linier (3) 8 / 19
Untuk memudahkan proses komputasi pada komputer, M
umumnya disubstitusi dengan bilangan yang sangat besar.
Namun pada prakteknya, M tidak perlu sangat besar; namun
cukup besar
jika dibandingkan dengan koefisien variabel keputusan pada fungsi
objektif.
Sebagai contoh, koefisien untuk x 1 dan x 2 pada fungsi objektif adalah
4 dan 1. Oleh karena itu, cukup wajar jika M bernilai 100 (relatif
besar terhadap 4 dan 1).

9
esia) Pemrograman Linier (3) 9 / 19
Untuk memudahkan proses komputasi pada komputer, M
umumnya disubstitusi dengan bilangan yang sangat besar.
Namun pada prakteknya, M tidak perlu sangat besar; namun
cukup besar
jika dibandingkan dengan koefisien variabel keputusan pada fungsi
objektif.
Sebagai contoh, koefisien untuk x 1 dan x 2 pada fungsi objektif adalah
4 dan 1. Oleh karena itu, cukup wajar jika M bernilai 100 (relatif
besar terhadap 4 dan 1).

9
esia) Pemrograman Linier (3) 9 / 19
Untuk memudahkan proses komputasi pada komputer, M
umumnya disubstitusi dengan bilangan yang sangat besar.
Namun pada prakteknya, M tidak perlu sangat besar; namun
cukup besar
jika dibandingkan dengan koefisien variabel keputusan pada fungsi
objektif.
Sebagai contoh, koefisien untuk x 1 dan x 2 pada fungsi objektif adalah
4 dan 1. Oleh karena itu, cukup wajar jika M bernilai 100 (relatif
besar terhadap 4 dan 1).

9
esia) Pemrograman Linier (3) 9 / 19
Iterasi ke-0: tabel simpleks awal

Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 -4 -1 0 -100 -100 0 0
(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6
(3) s2 0 1 2 0 0 0 1 4

Perhatikan bahwa x 1 = 0, x 2 = 0, R 1 = 3, R 2 = 6, sehingga

Z = 4(0) + (0) + 100(3) + 100(6) = 900.
Padahal, dari tabel diperoleh Z = 0 (terdapat inkonsistensi).
Untuk mengatasinya, koefisien R 1 dan R 2 pada baris 0 (baris Z ) harus dijadikan
0, dengan cara:

(0) b a r u = (0) l a m a + (100 × (1) + 100 × (2))

10
esia) Pemrograman Linier (3) 10 / 19
Iterasi ke-0: tabel simpleks awal

Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 -4 -1 0 -100 -100 0 0
(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6
(3) s2 0 1 2 0 0 0 1 4

Perhatikan bahwa x 1 = 0, x 2 = 0, R 1 = 3, R 2 = 6, sehingga

Z = 4(0) + (0) + 100(3) + 100(6) = 900.
Padahal, dari tabel diperoleh Z = 0 (terdapat inkonsistensi).
Untuk mengatasinya, koefisien R 1 dan R 2 pada baris 0 (baris Z ) harus dijadikan
0, dengan cara:

(0) b a r u = (0) l a m a + (100 × (1) + 100 × (2))

10
esia) Pemrograman Linier (3) 10 / 19
Iterasi ke-0: tabel simpleks awal

Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 -4 -1 0 -100 -100 0 0
(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6
(3) s2 0 1 2 0 0 0 1 4

Perhatikan bahwa x 1 = 0, x 2 = 0, R 1 = 3, R 2 = 6, sehingga

Z = 4(0) + (0) + 100(3) + 100(6) = 900.
Padahal, dari tabel diperoleh Z = 0 (terdapat inkonsistensi).
Untuk mengatasinya, koefisien R 1 dan R 2 pada baris 0 (baris Z ) harus dijadikan
0, dengan cara:

(0) b a r u = (0) l a m a + (100 × (1) + 100 × (2))

10
esia) Pemrograman Linier (3) 10 / 19
Iterasi ke-0: tabel simpleks awal

Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 -4 -1 0 -100 -100 0 0
(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6
(3) s2 0 1 2 0 0 0 1 4

Perhatikan bahwa x 1 = 0, x 2 = 0, R 1 = 3, R 2 = 6, sehingga

Z = 4(0) + (0) + 100(3) + 100(6) = 900.
Padahal, dari tabel diperoleh Z = 0 (terdapat inkonsistensi).
Untuk mengatasinya, koefisien R 1 dan R 2 pada baris 0 (baris Z ) harus dijadikan
0, dengan cara:

(0) b a r u = (0) l a m a + (100 × (1) + 100 × (2))

10
esia) Pemrograman Linier (3) 10 / 19
Iterasi ke-0: tabel simpleks awal termodifikasi

Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 696 399 -100 0 0 0 900
(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6
(3) s2 0 1 2 0 0 0 1 4
Solusi dasar awal:
x 1 = 0, x 2 = 0, R 1 = 3, R 2 = 6, Z =
900.

11
esia) Pemrograman Linier (3) 11 / 19
Iterasi ke-0: tabel simpleks awal termodifikasi

Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 696 399 -100 0 0 0 900
(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6
(3) s2 0 1 2 0 0 0 1 4
Solusi dasar awal:
x 1 = 0, x 2 = 0, R 1 = 3, R 2 = 6, Z =
900.

11
esia) Pemrograman Linier (3) 11 / 19
Update tabel: kolom pivot (variabel masuk basis)

Problem minimisasi: kolom pivot adalah kolom dengan koefisien paling

positif pada baris (0).
No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio
(0) Z 1 696 399 -100 0 0 0 900
(1) R1 0 3 1 0 1 0 0 3
(2) R2 0 4 3 -1 0 1 0 6
(3) s2 0 1 2 0 0 0 1 4

12
esia) Pemrograman Linier (3) 12 / 19
Update tabel: menghitung rasio

No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 696 399 -100 0 0 0 900
(1) R1 0 3 1 0 1 0 0 3 1
(2) R2 0 4 3 -1 0 1 0 6 1,5
(3) s2 0 1 2 0 0 0 1 4 4

13
esia) Pemrograman Linier (3) 12 / 19
Update tabel: baris pivot (variabel keluar basis)

No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 696 399 -100 0 0 0 900
(1) R1 0 3 1 0 1 0 0 3 1
(2) R2 0 4 3 -1 0 1 0 6 1,5
(3) s2 0 1 2 0 0 0 1 4 4

Elemen pivot = 3
Masuk basis: x 1
Keluar basis: R 1

14
esia) Pemrograman Linier (3) 12 / 19
Iterasi ke-1

Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 0 167 -100 -232 0 0 204
1 1
(1) x1 0 1 3 0 3 0 0 1
R2 5 - 34
1 (2) 0 0 3 -1 1 0 2
s2 5 -1
(3) 0 0 3 0 3 0 1 3

x 1 = 1, x 2 = 0, Z = 204 (Belum optimal)

15
esia) Pemrograman Linier (3) 12 / 19
Update tabel: kolom pivot

No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 0 167 -100 -232 0 0 204
1 1
(1) x1 0 1 3 0 3 0 0 1
R2 5 - 34
(2) 0 0 3 -1 1 0 2
s2 5 -1
(3) 0 0 3 0 3 0 1 3

16
esia) Pemrograman Linier (3) 12 / 19
Update tabel: menghitung rasio

No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 0 167 -100 -232 0 0 204
1 1
(1) x1 0 1 3 0 3 0 0 1 3
R2 5 - 34 6
(2) 0 0 3 -1 1 0 2 5
s2 5 -1 9
(3) 0 0 3 0 3 0 1 3 5

17
esia) Pemrograman Linier (3) 12 / 19
Update tabel: baris pivot

No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 0 167 -100 -232 0 0 204
1 1
(1) x1 0 1 3 0 3 0 0 1 3
R2 5 - 34 6
(2) 0 0 3 -1 1 0 2 5
s2 5 -1 9
(3) 0 0 3 0 3 0 1 3 5

Elemen pivot = 53
Variabel masuk: x 2
Variabel keluar: R 2
Perhatikan bahwa pada tahap ini, variabel artifisial R 1 dan R 2 sudah keluar
dari basis.
Dibutuhkan dua iterasi lagi untuk mencapai optimal, yaitu:
x 1 = 52 , x 2 = 95 , dan Z = 17
5 (Harap diperiksa!!)

18
esia) Pemrograman Linier (3) 18 / 19
Update tabel: baris pivot

No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 0 167 -100 -232 0 0 204
1 1
(1) x1 0 1 3 0 3 0 0 1 3
R2 5 - 34 6
(2) 0 0 3 -1 1 0 2 5
s2 5 -1 9
(3) 0 0 3 0 3 0 1 3 5

Elemen pivot = 53
Variabel masuk: x 2
Variabel keluar: R 2
Perhatikan bahwa pada tahap ini, variabel artifisial R 1 dan R 2 sudah keluar
dari basis.
Dibutuhkan dua iterasi lagi untuk mencapai optimal, yaitu:
x 1 = 52 , x 2 = 95 , dan Z = 17
5 (Harap diperiksa!!)

18
esia) Pemrograman Linier (3) 18 / 19
Update tabel: baris pivot

No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio

(0) Z 1 0 167 -100 -232 0 0 204
1 1
(1) x1 0 1 3 0 3 0 0 1 3
R2 5 - 34 6
(2) 0 0 3 -1 1 0 2 5
s2 5 -1 9
(3) 0 0 3 0 3 0 1 3 5

Elemen pivot = 53
Variabel masuk: x 2
Variabel keluar: R 2
Perhatikan bahwa pada tahap ini, variabel artifisial R 1 dan R 2 sudah keluar
dari basis.
Dibutuhkan dua iterasi lagi untuk mencapai optimal, yaitu:
x 1 = 52 , x 2 = 95 , dan Z = 17
5 (Harap diperiksa!!)

18
esia) Pemrograman Linier (3) 18 / 19
Contoh
Min Z = 4x 1 + 5x 2

Dengan kendala:
3x 1 + x 2 ≤
27
5x 1 + 5x 2 = 6
6x 1 + 4x 2 ≥ 6
x 1, x 2 ≥ 0

Temukan solusi optimalnya dengan menggunakan metode simpleks Big

M.

19
esia) Pemrograman Linier (3) 19 / 19
Minimumkan Z = 10 X1 + 5 X2 + 3 X3
dengan batasan:
X1 + 3 X2 ≤ 6
4X1 + X2 ≥ 10
X1 + X2 = 4
X1 + X2 ≥ 0