Metode Big-M
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
3
Pemrograman Linier (3) 3 / 19
Metode Big M : gambaran umum
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
5
esia) Pemrograman Linier (3) 5 / 19
Contoh Maksimasi
X1 <= 4
2 X2 <= 12
3X1 + 2X2 = 18
X1 <= 4
2 X2 = 12
3X1 + 2X2 >= 18
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
10
esia) Pemrograman Linier (3) 10 / 19
Iterasi ke-0: tabel simpleks awal
10
esia) Pemrograman Linier (3) 10 / 19
Iterasi ke-0: tabel simpleks awal
10
esia) Pemrograman Linier (3) 10 / 19
Iterasi ke-0: tabel simpleks awal
10
esia) Pemrograman Linier (3) 10 / 19
Iterasi ke-0: tabel simpleks awal termodifikasi
11
esia) Pemrograman Linier (3) 11 / 19
Iterasi ke-0: tabel simpleks awal termodifikasi
11
esia) Pemrograman Linier (3) 11 / 19
Update tabel: kolom pivot (variabel masuk basis)
12
esia) Pemrograman Linier (3) 12 / 19
Update tabel: menghitung rasio
13
esia) Pemrograman Linier (3) 12 / 19
Update tabel: baris pivot (variabel keluar basis)
Elemen pivot = 3
Masuk basis: x 1
Keluar basis: R 1
14
esia) Pemrograman Linier (3) 12 / 19
Iterasi ke-1
15
esia) Pemrograman Linier (3) 12 / 19
Update tabel: kolom pivot
16
esia) Pemrograman Linier (3) 12 / 19
Update tabel: menghitung rasio
17
esia) Pemrograman Linier (3) 12 / 19
Update tabel: baris pivot
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
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
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
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