Bahan kuliah Riset Operasi

Tek. Informatika UMMU Ternate

Zufri Hasrudy Siregar

PENDAHULUAN

Pada dasarnya, metode-metode

metode yang dikembangkan untuk memecahkan model program
linear ditujukan untuk mencari solusi dari beberapa alternatif solusi yang dibentuk untuk
persamaan-persamaan
persamaan pembatas sehingga diperoleh nilai fungsi tujuan yang optimal. Ada
dua cara yang bisa digunakan untuk menyelesaikan persoalan program linear ini yaitu dengan
cara grafis dan metode simplex.
simplex Metode simplex merupakan teknik yang paling berhasil
dikembangkan untuk memecahkan persoalan program linear yang mempunyai jumlah
variabel keputusan dan pembatas yang besar.

Dalam program linear yang mensyaratkan nilai variabelnya terbatas, fungsi tujuan sangat
bergantung pada nilai variabel tersebut. Untuk menyelesaikan persoalan program linear ini
digunakan metode simplex yang dimodifikasi sedemikian hingga diperoleh solusi yang
optimal. Metode simplex yang dimodifikasi
dimodifikas ini dikenal sebagai “ Metode Simplex Primal
Menggunakan Working basis”.
basis”

Teori Dualitas

Dalam kebanyakan pembahasan program linear,, masalah dual didefenisikan untuk berbagai
masalah primal, bergantung pada jenis batasan tanda dari variabel dan arti optima
optimasi. Setiap
permasalahan dual, sedemikian hingga permasalahan semua yang disebut primal solusinya
dapat diperoleh dengan menyelesaikan permasalahan dualnya.

Bentuk umum masalah primal dual adalah :

Primal : Meminimalkan : Z = cx

Kendala Ax ≥ b

X≥0

Dual : Memaksimalkan W = wb

Kendala wA ≤ c

W≥0

1 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Perubahan tanda ketidaksamaan tergantung pada fungsi tujuannya, yaitu untuk kasus
meksimal semua pembatas bertanda ≤, sedangkan untuk kasus minimal semua pembatas
bertanda ≥ dan semua variabel non negatif. Permasalahan maksimal/minimal semacam ini
disebut permasalahan maksimal/minimal normal. Sedangkan untuk permasalahan
maksimal/minimal yang tidak normal perubahannya adalah :

 Untuk permasalahan maksimal jika kendala primal xi bertanda ≥ maka variabel dual
yang berkorespondensi dengan kendala itu akan memenuhi wi ≤ 0. Sebaliknya, untuk
permasalahan minimal jika kendala primal xi bertanda ≤, maka variabel dual yang
berkorespondensi dengan variabel tersebut akan memenuhi wi ≤ 0.

 Jika kendala primalnya xi bertanda =, maka variabel dual wi yang berkorespondensi

dengan kendala tersebut tidak terbatas dalam tanda.

 Jika variabel primal xi tidak terbatas dalam tanda, maka kendala dualnya yi akan
bertanda =.

Program Linear dengan Nilai variabel Terbatas

Program linear dimana satu atau beberapa semua variabelnya terbatas pada batas bawah dan
batas atas tertentu dikenal dengan Program Linear dengan Variabel Terbatas. Dalam
aplikasinya dimana variabel terbatas pada bilangan tertentu (berhingga), misalnya yj, terbatas
diatas kj dan terbatas dibawah oleh lj, dimana lj ≤ kj dan lj ≥ 0, bentuk awalnya adalah :

Meminimalkan Z (y) = cy

Kendala Ay = b’

lj ≤ yj ≤ kj untuk j ε J = {1,2,...., n1}

yj ≥ 0 untuk j ε J = { n1 + 1, n1 + 2,...,n} (1)

dimana A adalah matriks order m x n. Batas 1j dan kj berhingga dan 1j ≤ kj untuk semua j ε J

Dengan mensubstitusi yj = xj + 1j untuk semua j ε J dan yj = xj untuk semua j ε J dengan

kendala variabel didapat :

1j ≤ xj + 1j ≤ kj untuk j ε J = {1,2,..., n1}

yj = xj ≥ untuk j ε J = {n1 + 1, n1 +2 ..., n}

2 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

atau

xj ≤ Uj = kj – 1j untuk j ε J = {1,2,...,n1}

xj ≥ 0 untuk semua j

Dengan mengubah kendala Ay = b’ dengan substitusi yj = xj + 1j untuk semua j ε J dan yj = xj

untuk j ε J maka kendalanyaberbentuk Ay = b’, dan fungsi tujuannya berbentuk Z(y) = Min
(cx + cl) dimana cl adalah konstanta, maka fungsi tujuan yang diminimalkan hanya cx. Jadi
fungsi tujuan barunya adalah Z(x) = cx, sedangkan Z(y)= Min Z (x) + cl.

Perubahan-perubahan di atas berbentuk (1) ekivalen dengan bentuk berikut:

Minimalkan Z (x) = cx

Kendala Ax = b

Xj ≤ Uj = kj – 1j untuk j ε J = {1,2,..., n1}

(2)

Xj ≥ 0 untuk semua j

Bentuk permasalahan ini merupakan bentuk umum persamaan program linear dengan nilai
variabel terbatas.

Solusi Basis Fisibel

Solusi fisibel untuk (2) adalah solusi basis fisibel jika dan hanya jika himpunan
vektor kolom yang berkorespondensi dengan basis yaitu { A.j : j sedemkian hingga 0 < j <
Uj} ∪ { Aj : j sedemikian hingga j > 0} adalah basis linear, (2) didefinisikan sebagai
working basis dari A order m. Jika diberikan working basis untuk (2), maka variabel-variabel
yang berkorespondensi dengan vektor-vektor kolom dari working basis ini disebut variabel
basis. Variabel-variabel selain itu disebut variabel non basis.

Dengan diberikannya working basis ini, maka solusi fisibbel adalah solusi basis
fisibel jika dan hanya jika ada working basis dimana solusi variabel non basis ini sama batas
bawahnya (nol) atau batas atasnya. Nilai dari variabel basis harus berbeda diantara bawah
(nol) dan batas atas untuk masing-masing variabel.

Kriteria Optimasi

3 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Kriteria optimasi untuk program ini diperoleh dari hubungan primal dan duualnya. Dari
permasalahan (2) dapat juga ditulis dalam bentuk :

Minimalkan Z(x) = cx.

Kendala

-xj ≥ -Uj untuk j ε J = { 1,..., n1} (3)

Xj ≥ 0 untuk semua j

Permasalahan di atas adalah meminimalkan yang tidak normal, selanjutnya memisalkan

variabel dual kendala Ax =b adalah η1,...ηm, dan η1,...,ηn1 bagi kendala variabel –xj ≥ - Uj
maka dualnya adalah :

Maksimalkan : ηb – μU

Kendala : ηA.j – μj xj ≤ cj untuk j ε J

ηA.j ≤ cj untuk j ε J (4)

η tidak terbatas tanda

μ≥0

Dari (3) dan (4) nilai variabel slack untuk masing-masing kendalanya adalah

cj – ηA.j + μj xj ≥ 0 untuk j ε J

cj – ηA.j + μj xj ≥ 0 untuk j ε J

Uj – xj ≥ 0 untuk j ε J

Oleh karena itu solusi fisibel untuk (4) dipenuhi hanya jika variabel primal dan dualnya
memenuhi complementary slackness condition sebagai berikut :

Xj (cj – ηA.j + μj) = 0 untuk j ε J (5a)

Xj (cj – ηA.j) = 0 untuk j ε J (5b)

Xj (Uj – xj ) = 0 untuk j ε J (5c)

4 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Dengan memisalkan cj – ηA.j = cj merupakan koefisien fungsi tujuan ke-j pada iterasi ke-k
yang optimal maka nilai xj juga harus optimal. Fisibilitas dual mensyaratkan bahwa cj + μj ≥
0 untuk semua untuk j ε J dan cj ≥ 0 untuk j ε J. Dari fisibilitas dual maka diperoleh beberapa
kemungkinan sebagi berikut :

 Untuk j ε J, jika cj < 0 maka untuk memenuhi fisibilitas (4) diperlukan nilai μj ≥ 0
(karena cj + μj ≥ 0 untuk j ε J), karena μj > 0 maka dari (5c) didapat xj = Uj.
 Untuk j ε J, jika xj nilainya berbeda diantara batas atas dan bawah maka dari (5a) dan
(5c) dipenuhi hanya jika cj = 0 dan μj = 0.
 Untuk j ε J, jika cj > 0 maka dari (5b) didapat xj = 0.
Dari kemungkinan ini solusi fisibel untuk (2) yaitu x adalah optimal jika dan hanya
jika terdapat η sedemikian hingga c = ηA, nilai xj dimana cj > 0 adalah nol dan nilai xj
dimana cj < 0 adalah Uj.
Misalkan x adalah solusi fisibel untuk (2) yang berkorespodensi dengan working basis
B. Jika xj adalah variabel basis, maka nilai xj terdapat diantara 0 dan Uj dengan cj = 0,
oleh karena itu η yang bersesuaian dengan working basis B dapat diperoleh dengan
menyelesaikan cj – ηA.j = 0 untuk semua j, dengan A.j adalahvektor kolom pada B.
Misalkan CB adalah vektor koefisien harga fungsi tujuan variabel basis, maka η
diperoleh dengan menyelesaikan CB = ηB, yaitu η = cb B-1. Setelah η didapat
selanjutnya, nilai c diperoleh dari c = c – ηA. Dengan memandang c kriteria
optimalitas untuk program linear variabel terbatas adalah :
 Untuk j ε J dan cj < 0 dimana xj = Uj
 Untuk j ε J dan cj > 0 dimana xj = 0
 Untuk j ε J dimana cj ≥ 0

Formulasi Model LP

Masalah keputusan yang biasa dihadapi para analis adalah alokasi optimum sumber daya
yang langka. Sumber daya dapat berupa modal, tenaga kerja, bahan mentah, kapasitas mesin,
waktu, ruang datau teknologi. Tugas analis adalah mencapai hasil terbaik yang mungkin
dengan keterbatasan sumber daya. Hasil yang diinginkan mungkin ditujukan sebagai
maksimasi dari beberapa ukuran seperti profit, penjualan dan kesejahteraan, atau miniasi
seperti biaya, waktu dan jarak.

5 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Setelah diidentifikasi, tujuan diterapkan, langkah selanjutnya adalah formulasi model

matematik yang meliputi tiga tahap :

1. Menentukan variabel yang tak diketahui (variabel keputusan) dan menyatakan

dalam simbol matematik.

2. Membentuk fungsi tujuan yang ditunjukkan sebagai suatu hubungan linear

(bukan perkalian) dari variabel keputusan

3. Menentukan semua kendala masalah tersebut dan mengekspresikan dalam

persamaan dan pertidaksamaan yang juga merupakan hubungan linear dari
variabel keputusan yang mencerminkan keterbatasan sumberdaya tersebut

Linear programming memiliki empat ciri khusus yang melekat, yaitu :

1. Penyelesaian masalah mengarah pada pencapaian tujuan maksimisasi atau

minimisasi

2. Kendala yang ada membatasi tingkat pencapaian tujuan

3. Ada beberapa alternatif penyelesaian

4. Hubungan matematis bersifat linear

Secara teknis, ada lema syarat tambahan dari permasalahan lenear programming yang harus
diperhatikan yang merupakan asumsi dasar, yaitu :

1. Certainty ( kepastian). Maksudnya adalah fungsi tujuan dan fungsi kendala sudah
diketahui dengan pasti dan tidak berubah selama periode analisa

2. Proportionality (proporsionalitas). Yaitu adanya proporsionalitas dalam fungsi tujuan

dan fungsi kendala

3. Additivity (penambahan). Artinya aktivitas total sama dengan penjumlahan aktivitas

individu

4. Divisibility (bisa dibagi-bagi). Maksudnya solusi tidak harus merupakan bilangan

integer (bilangan bulat), tetapi bisa juga berupa pecahan

5. Non-negative variabel (variabel tidak negatif). Artinya bahwa semua nilai jawaban
atau variabel tidak negatif

6 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Contoh masalah kombinasi produk

Sebuah perusahaan ingin menentukan berapa banyak masing-masing dari tiga produk yang
berbeda yang akan dihasilkan dengan tersedianyasumber daya yang terbatas agar diperoleh
keuntungan maksimu. Kebutuhan buruh dan bahan mentah dan sumbangan keuntungan
masing-masing produk adalah sebagai berikut :

kebutuhan Sumber Daya Keuntungan

Produk Buruh (jam/unit) Bahan (Kg/unit) (Rp/unit)
A 5 4 3
B 2 6 5
C 4 3 2
Tersedia 240 jam kerja dan bahan mentah sebanyak 400 kg. Masalahnya adalah menentukan
jumlah masing-masing produk agar keuntungan maksimum. Rumusan model LP-nya adalah :

A. Variabel Keputusan

Tiga variabel dalam masalah ini adalah produk A, B dan C yang harus dihasilkan. Jumlah
ini dapat dilambangkan sebagai berikut :

X1 = jumlah produk A

X2 = jumlah produk B

X3 = jumlah produk C

B. Fungsi Tujuan

Tujuan masalah kombinasi produk adalah memaksimumkan keuntungan total. Jelas

bahwa keuntungan adalah jumlah keuntungan yang diperoleh dari masing-masing produk.
Keuntungan dari produk A adalah perkalian antara jumlah produk A dengan keuntungan
per unit (Rp. 3,-). Keuntungan produk B dan C ditentukan dengan cara serupa. Sehingga
keuntungan total Z, dapat dituliskan :

Z = 3X1 + 5X2 + 2X3

7 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

C. Sistem Kendala

Dalam masalah ini kendalanya adalah jumlah buruh dan bahan mentah yang terbatas.
Masing-masing produk membutuhkan buruh maupun bahan mentah. Produk A, buruh
yang dibutuhkan untuk menghasilkan tiap unit adalah 5 jam, sehingga buruh yang
dibutuhkan untuk produk A adalah 5X1 jam. Dengan cara yang serupa produk B
membutuhkan 2X2 jam buruh, dan produk C butuh 4X3 jam, sementara jumlah buruh
yang tersedia adalah 240 jam. sehingga dapat ditulis:

5X1 + 2X2 + 4X3 ≤ 240

Kendala bahan mentah dirumuskan dengan cara yang sama, yaitu untuk produk A butuh
bahan mentah sebanyak 4 kg per unit, produk B membutuhkan 6 kg per unit dan produk C
butuh 3 kg per unit. Karena yang tersedia adalah sebanyak 400 kg bahan mentah, maka
ditulis :

4X1 + 6X2 +3X3 ≤ 400

Kita juga membatasi masing-masing variabel hanya nilai positif, karena tidak mungkin untuk
menghasilkan jumlah produk negatif. Kendala-kendala ini dikenal dengan non negativity
constraints dan secara matematis dapat ditulis :

X1 ≥ 0, X2 ≥ 0, X3 ≥ 0 atau X1, X2, X3 ≥ 0

Pertanyaan yang timbul adalah mengapa kendala dituliskan dengan tanda pertidaksamaan ( ≤
), bukan persamaan ( = ). Persamaan secara tidak langsung mengatakan bahwa seluruh
kapasitas sumber daya digunakan, sementara dalam pertidaksamaan memperbolehkan
penggunaan kapasitas secara penuh maupun penggunaan sebagian kapasitas. Dalam beberapa
kasus suatu solusi dengan mengizinkan adanya kapasitas sumberdaya yang tak terpakai akan
memberikan solusi yang lebih baik, yang bearti keuntungan lebih besar, dari pada
penggunaan seluruh sumber daya. Jadi, pertidaksamaan menunjukan keluwesan.

Dari masalah diatas, formulasi LP secara lengkap dapat ditulis :

Maksimumkan Z = 3X1 +5X2 + 2X3
dengan syarat 5X1 + 2X2 +4X3 ≤ 240
4X1 + 6X2 + 3X3 ≤ 400
X1, X2, X3 ≥ 0

8 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Contoh 2 : masalah Diet

Untuk menjaga kesehatan, seorang harus memenuhi kebutuhan minimum perhari akan
beberapa zat makanan, misalkan hanya ada tiga jenis zat makanan yang dibutuhkan yaitu
kalsium, protein, dan vitamin A. Sementara makanan yang tersedia ada tiga jenis juga yaitu,
makanan A,B dan C yang harganya, zat-zat yang terkandung didalamnya, dan kebutuhan
minimum perhari akan zat-zat makanan tersebut dapat dilihat pada tabel

Kandungan Makanan Kebutuhan

I II III minimum
Kalsium 5 1 0 8
Protein 2 2 1 12
Vitamin A 1 5 4 22
HARGA/UNIT 0,5 0,8 0,6
Masalahnya adalah bagaimana kombinasi ketiga makanan itu akan memenuhi kebutuhan
minimum perhari dan memberikan biaya terendah.

1. Variabel Keputusan

Masalah ini terdiri dari tiga variabel yang menunjukkan jumlah masing-masing jenis
makanan yang diterapkan dalam menu, yaitu :

X1 = jumlah makana A

X2 = jumlah makanan B

X3 = jumlah makanan C

2. Fungsi Tujuan

Tujuan masalah ini adalah meminimumkan biaya total menu perhari. Biaya total dalam
konteks ini adalah jumlah biaya dari masing-masing jenis makanan yang disajikan dalam
menu. Sehingga biaya total, Z, ditulis :

Z = 0,5X1 +0,8X2 + 0,6X3

3. Sistem kendala

Dalam masalah ini , kendalanya adalah kebutuhan minimum akan zat-zat makanan
perhari yang telah ditetapkan. Kendala untuk kalsium ditulis :

9 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

5X1 + X2 ≥ 8

5X1 adalah sumbangan kalsimum dari makanan A

X2 adalah sumbangan kalsium dari makanan B

Pada contoh ini digunakan pertidak samaan “≥” yang menunjukkan jumlah minimum kalsium
yang dibutuhkan. Dengan kata lain , sekurang-kurangnya 8 unit kalsium harus dipenuhi.

Kendala untuk protein dan vitamin A dibuat dengan cara yang sama, yaitu :

2X1 + 2X2 + X3 ≥ 10 Protein

X1 + 5X2 + 4X3 ≥ 22 vitamin A

Masalah LP secara lengkap dapat ditulis :

Minimumkan Z = 0,5X1 + 0,8X2 + 0,6X3

Dengan syarat 5X1 + X2 ≥8

2X1 + 2X2 + X3 ≥ 10

X1 + 5X2 + 4X3 ≥ 22

X1, X2, X3 ≥0

BENTUK UMUM MODEL LP

Dari contoh yang sudah ditulis diatas secara mendalam terlihat adanya suatu pola yang khas
untuk merumuskan secara umum suatu masalah LP. Pada setiap masalah, ditentukan variabel
keputusan, fungsi tujuan, dan sistem kendala, yang bersama-sama membentuk suatu model
matematik dari dunia nyata. Bentuk umum model LP itu adalah :

Maksimumkan (minimumkan) Z =∑

Dengan syarat : (≤, =, ≥ ) bi , untuk semua i (i = 1,2,...m) semua xj ≥ 0

Keterangan :

xj : banyaknya kegiatan j, dimana j = 1,2,...,n, yang bearti terdapat n variabel keputusan

Z : nilai fungsi tujuan

10 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Cj : sumbangan per unit kegiatan j, untuk masalah maksimasi Cj menunjukkan atau

penerimaan per unit, sementara dalam kasus minimasi ia menunjukkan biaya per unit.

bi : jumlah sumber daya ke i (i = 1,2,...m), bearti terdapat m jenis semberdaya.

xij : banyaknya semberdaya i yang dikonsumsi sumberdaya j.

Yang perlu diingat adalah tanda pertidaksamaan tidak harus sama untuk setiap kendala !

ASUMSI MODEL LP

Model LP mengandung asumsi-asumsi implisit tertentu yang harus dipenuhi agar

defenisinya sebagai suatu masalah LP menjadi absah. Asumsi itu menuntut bahwa hubungan
fungsional dalam masalah itu adalah linear dan additif, dapat dibagi dan deterministik.

Linear dan additivity

Bahwa fungsi tujuan dan semua kendala harus linear. Dengan kata lain, jika suatu
kendala melibatkan dua variabel keputusan, dalam diagram dimensi dua ia akan berupa
garis lurus. Begitu juga, suatu kendala yang melibatkan tiga variabel akan menghasilkan
suatu bidang datar dan kendala yamg melibatkan n variabel akan menghasilkan
hyperplane (bentuk geometris yang rata) dalam ruang berdimensi n. Kata linear secara tidak
langsung mengatakan bahhwa hubunggan proporsional yang berarti bahwa tingkat perubahan
atau kemiringan hubungan fungsional itu adalah konstan dan karena nilai variabel akan
mengakibatkan perubahan relatif nilai fungsi tujuan dalam jumlah yang sama. LP juga
mensyaratkan bahwa jumlah variabel kriteria dan jumlah penggunaan sumber daya harus
bersifat additif. Contohnya, keuntunga total Z yang merupakan variabel kriiteria, sama
dengan jumlah keuntungan yang diperoleh dari maing-masing kegiatan, Cj Xj. Juga, seluruh
sumber daya yang digunakan untuk seluruh kegiattan, harus sama dengan jumlah sumber
daya yang digunakan untuk masing-masing kegiatan.

Additif dapat diartikan sebagai tak adanya penyesuaian pada perhitungan variabel kriteria
karena terjadi interaksi. Contohnya, dalam masalah kombinasi produk disebutkan bahwa
keuntungan per unit produk A Rp.3,-, produk B Rp.5,- dan produk C Rp. 2,-. Jika masing-
masing produk dijual secara terpisah. Tetapi bisa jadi, kalau dijual secara serentak pada
daerah yang sama dapat menyebabkan penurunan keuntungan, sehingga perlu memasukkan
penyesuaian interaksi ke dalam variabel kriteria, misalnya saja menjadi :

11 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Z = 3X1 +5X2 +2X3 – X1 X2 X3

Devisibility

Asumsi ini bearti bahwa nilai solusi yang diperoleh Xj, tidak harus bilangan bulat. Ini
bearti nilai Xj dapat berupa nilai pecah. Karena itu variabel keputusan merupakan variabel
kontinyu, sebagai lawan dari variabel diskrit atau bilangan bulat.

Deterministic

Semua parameter model (cj, aij dan bi ) diasumsikan diketahui konstan. LP secara tak
langsung mengasumsikan suatu masalah keputusan dalam suatu kerangka statis dimana
semua parameter diketahui dengan kapastian. Dalam kenyataannya, parameter model jarang
bersifat deterministik, karena mereka mencerminkan kondisi masa depan maupun sekarang,
dan keadaan masa depan jarang diketahui secara pasti.

Ada beberapa cara untuk mengatasi ketidak pastian parameter dalam model LP. Analisa
sensitivitas adalah suatu teknik yang dikembangkan untuk menguji nilai solusi. Bagaimana
kepekaannya terhadap perubahan-perubahan parameter.

PENYELESAIAN GRAFIK MODEL LP

Masalah LP dapat diilustrasikan dan dipecahkan secara grafik jika ia hanya memiliki
dua variabel keputusan. Meski masalah-masalah dengan dua variabel jarang terjadi dalam
dunia nyata, penafsiran seametris dari metode grafik ini sangat bermanfaat. Dari sini, kita
dapat menarik kesimpulan yang akan menjadi dasar untuk pembentukan metode pemecahan
masalah (solusi) yang umum melalui algoritma simplex.

Contoh permasalahan maksimasi

Sumber daya Produk 1 Produk 2 Sumber daya yang

tersedia
Bahan mentah 1 2 10
Buruh 6 6 36
Keuntungan/unit 4 5
Disamping itu, menurut bagian penjualan diramalkan, bahwa permintaan produk 1 tidak akan
melebihi 4 unit

Masalah dapat dirumuskan :

12 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Maksimalkan Z = 4X1 + 5X2

X1 + 2X2 ≤ 10

6X1 + 6X2 ≤ 36

X1 ≤4

X1, X2 ≥0

Suatu cara sederhana untuk menggambarkan masing-masing persamaan garis adalah dengan
menetapkan salah satu variabel dalam suatu persamaan sama dengan nol dan kemudian
mencari nilai variabel yang lain. Misalnya pada kendala pertama jika X1 = 0, maka 2X2 = 10
atau X2 = 5. Dengan cara yang sama X2 = 0 maka X1 = 10. Kedua titik ini {(0,5) dan (10,0)}
kemudian dihubungkan dengan suatu garis
lurus.

Suatu daerah yang bersaman memenuhi

ketiga kendala ditunjukkan oleh area yang
diarsir yaitu area ABCDE pada gambar
grafik. Wilayah ini dinamakan solusi layak
atau ruang solusi. Sementara itu, pasangan
nilai-nilai (X1, X2) di luar daerah ini bukan
merupakan solusi layak, karena
menyimpang dari suatu atau lebih kendala.
Sementara hasil optimal Z dapat
ditunjukkan pada titik terluar pada daerah solusi layak. Ada dua hal yang perlu diperhatikan,
kaitanya dengan fungsi tujuan yaitu :

1. Semua garis Z adalah sejajar, atau memiliki kemiringan yang sama sebesar -4/5
yang diperoleh memalui perhitungan berikut : X2 = Z/5 – (4/5)X1
2. Garis Z adalah garis-garis sejajar dalam jumlah tak terbatas.

Penjelasan metode grafik :

Maksimum Z = 4X1 + 5X2

Kendala : X1 + 2X2 =10

13 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

6X1 + 6X2 = 36

X1= 4

X1, X2 ≥ 0

Pencarian variabel X1 dan X2 (X1 + 2X2 =10)

X1 =0, berarti X2 = 5
(10,5)
X2 = 0, bearti X1 = 10

Untuk (6X1 + 6X2 = 36)

X1 =0, berarti X2 = 6
(6,6)
X2 = 0, bearti X1 = 6

Terlihat pada grafik daerah feasible region yaitu daerah A,B,C,D,E. Untuk mencari nilai X1
dan X2 yang optimal dan memenuhi Z pada 4X1 + 5X2 dilakukan metode eliminasi diantara 2
garis yang bersinggungan yaitu X1 + 2X2 =10 dan 6X1 + 6X2 = 36 di titik B karena untuk
maksimum harus titik yang terjauh dari titik origin.

6X1 + 6X2 = 36 x1  6X1 + 6X2 = 36

X1 + 2X2 =10 x3  3X1 + 6X2 = 30 -

3X1 =6

X1 =2

6X1 + 6X2 = 36

6(2) + 6X2 = 36

6X2 = 24

X2 = 4

Untuk Z yang memenuhi X1 dan X2 bearti Z = 4X1 + 5X2

Z = 4(2) + 5(4)

Z = 28

14 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Penyelesaian persoalan yang sama dengan asumsi minimalisasi

Fungsi kendala yang pada maksimasi “≤” dirubah menjadi “≥” .

Masalah dapat dirumuskan :

Minimumkan Z = 4X1 + 5X2

X1 + 2X2 ≥ 10

6X1 + 6X2 ≥ 36

X1 ≥ 4

X1, X2 ≥0

Penyelesaiannya sama dengan penyelesaian diatas

X2

15 X1 = 4

10 Garis iso cost line

Feasible region

Z = 31

5 A 6X 1 + 6X 2 = 36
B
C
X 1 + 2X 2 = 10

x1
5 10
Dari grafik terlihat bahwa daerah feasible region(daerah layak) adalah A,B,C yang
perhitungannya adalah:

Titik A adalah titik X1 = 0 dan X2 = 5, bila dimasukkan dengan nilai Z = 4X1 + 5X2
mempunyai hasil Z = 25

Titik B adalah perpotongan garis X1 + 2X2 ≥ 10 dan 6X1 + 6X2 ≥ 36 sehingga didapat:

6X1 + 6X2 = 36 x1  6X1 + 6X2 = 36

X1 + 2X2 =10 x3  3X1 + 6X2 = 30 -

15 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

3X1 =6

X1 =2

6X1 + 6X2 = 36

6(2) + 6X2 = 36

6X2 = 24

X2 =4

Bila dimasukkan dengan nilai Z = 4X1 + 5X2 mempunyai hasil 28

Untuk titik C adalah X1 + 2X2 ≥ 10 dan X1 ≥4 sehingga didapat:

X1 = 4 dan X2 = 3dan bila memenuhi fungsi tujuan Z = 4X1 + 5X2 adalah 31

Dengan melakukan pendekatan iso cost line, terlihat garis tersebut bersinggungan dengan
titik C. Dimana masih didalam daerah layak (feasible region), dan juga merupakan titik
yang terdekat dengan titik orgin. Sehingga didapat nilai minimum untuk persoalan itu
adalah X1 = 4 dan X2 = 3 dan Z= 31

Untuk menentukan solusi yang optimal, ada dua cara yang bisa digunakan yaitu :

1. Dengan menggunakan garis profit (iso profit line)

2. Dengan titik sudut ( corner point)
Penyelesaian dengan menggunakan garis profit adalah penyelesaian dengan menggambarkan
fungsi tujuan. Kemudian fungsi tujuan tersebut digeser ke kanan sampai meyinggung titik
terjauh dari titik nol, tetapi masih berada pada area layak (feasible region). Sedangkan dengan
menggunakan titik sudut (corner point) artinya kita harus mencari nilai tertinggi dari titik-titik
yang berada pada area layak ( feasible region).

ISU TEKNIS DALAM LP

Dalam Linear Programming dengan metode grafik sering dijumpai permasalahan secara
teknis, yaitu :

1. Infeasibility

2. Unboundedness

16 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

3. Redundancy

4. Alternate optimal solutions

Infeasibility adalah suatu kondisi dimana tidak ada area layak yang memenuhi semua
kendala. Unboundedness adalah suatu kondisi dimana area layak tidak terbatas. Kasus ini
biasanya muncul pada fungsi tujuan maksimisasi. Redundancy constraint yang tidak
mempengaruhi feasible region disebut redundant conctraint misalnya bagian marketing
mengatakan bahwa tidak bisa menjual lebih dari 50 buah meja, maka pernyataan ini disebut
redundant. Kerena kenyataannya, bagian produksi maksimal hanya bisa memproduksi 40
meja. Alternatif Optima adalah situasi dimana terdapat lebih dari satu solusi optimal. Hal ini
akan terjadi apabila garis profit sejajar dengan salah satu kendala.

METODE SIMPLEX

Metode penyelesaian program linear dengan metode simplex pertamakali dikemukakan

oleh George Dantzig pada tahun 1947. Metode ini menjadi terkenal ketika diketemukan alat
hitung elektronik dan menjadi poluler ketika munculnya komputer. Proses perhitungan
metode ini dengan melakukan iterasi berulang-ulang sampai tercapai hasil optimal dan proses
perhitungan ini menjadi mudah dengan komputer. Selanjutnya berbagai alat dan metode
dikembangkan untuk menyelesaikan masalah program linear bahkan sampai pada masalah
riset operasi hingga tahun 1950 an seperti pemrograman dinamik, teori antrian, dan
persediaan.

Beberapa ketentuan yang perlu diperhatikan dalam penyelesaian metode simplex :

1. Nilai kanan (NK/RHS) fungsi tujuan harus nol (0)

2. Nilai kanan (RHS) fungsi kendala harus positif. Apabila negatif, nilai tersebut harus
dikali -1
3. Fungsi kendala dengan tanda “≤” harus diubah ke bentuk “=” dengan menambahkan
variabel slack/surplus (bila variabel slack negatif). Variabel slack/surplus disebut juga
variabel dasar. Penambahan slack variabel menyatakan kapasitas yang tidak
digunakan atau tersisa pada departemen tersebut. Hal ini karena ada kemungkinan
kapasitas yang tersedia tidak semua digunakan dalam proses produksi.
4. Fungsi kendala dengan tanda “≥” diubah ke bentuk “≤” dengan cara mengkalikan
dengan -1, lalu diubah ke bentuk persamaan dengan ditambah variabel slack.
Kemudian karena RHS-nya negatif, dikalikan lagi dengan -1 dan ditambah artificial

17 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

variabel (M). Artificial variabel ini secara fisik tidak mempunyai arti, dan hanya
digunakan untuk kepentingan perhitungan saja.
5. Fungsi kendala dengan tanda “=” harus ditambah artificial variabel(M)
Metode simplex merupakan prosedur aljabar yang bersifat iteratif, yang bergerak selangkah
demi selangkah, dimulai dari suatu titik ekstrem pada daerah fisibel ( ruang solusi) menuju ke
titik ekstrem optimum. Misalkan model program linear sebagi berikut :
Meminimalkan : Z = Cx
Kendala Ax = b
X≥0
Dengan A, b, c dan x masing-masing adalah :
…
⎡ … ⎤ ⎡ ⎤
⎢. ⎥ ⎡ ⎤
. … . ⎢ . ⎥
A=⎢. ⎥ , b = ⎢ ⎥ , c = (c1, c2, ..., cn) dan x = ⎢⎢ . ⎥⎥
⎢ . … . ⎥ ⎢ . ⎥ ⎢
..
⎥
⎢. . … . ⎥ .
⎢ ⎥
⎣ ⎦ ⎣ ⎦
⎣ … ⎦
Untuk mendapatkan solusi dasis dari Ax = b maka sebanyak (n-m) variabel harus dinolkan.
Variabel yang dinolkan ini disebut variabel non basis. Selanjutnya dicar nilai dari n-(n-m) =
m variabel yang memenuhi Ax = b yang disebut variabel basis.

Penyelesaian persoalan diatas dengan metode simplex

Metode simplex maksimasi

Tujuan : Zmax = 4X1 + 5X2

Kendala : X1 + 2X2 ≤ 10

6X1 + 6X2 ≤ 36

X1 ≤4

X1, X2 ≥0

Persamaan diubah menjadi :

Tujuan : Zmax = 4X1 + 5X2 ↔ Z = -4X1- 5X2 – 0S1 –0 S2 –0S3

Kendala : X1 + 2X2 + S1 = 10

6X1 + 6X2 + S2 = 36

18 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

X1 + S3 =4

Buata tabel simplex

VD Z X1 X2 S1 S2 S3 Hasil Rasio
Z 1 -4 -5 0 0 0 0
S1 0 1 2 1 0 0 10 5
S2 0 6 6 0 1 0 36 6
S3 0 1 0 0 0 1 4 ~
1. Tentukan kolom masuk

Pada kasus maksimalisasi, kolom masuk merupakan nilai negatif terbesar pada
persamaan Z atau baris Z pada tabel simplex, sehingga X2 merupakan kolom masuk.

2. Tentukan kolom keluar atau persamaan pivot.

Merupakan nilai positif terkecil dari rasio antara pemecahan dengan elemen pada kolom
masuk, sehingga :
Hasil Kolom masuk (X2) Rasio
10 2 10/2 = 5
36 6 36/6 = 6
4 0 4/0 = ~ (nilai seperti ini diabaikan saja)
Variabel nondasar X2 akan menggantikan variabel dasar S1 pada tabel simplex iterasi
pertama.
3. Tentukan elemen pivot.
Merupakan angka pada perpotongan kolom masuk dan kolom keluar, sehingga elemen
pivot = 2
4. Mencari persamaan pivot baru.
Persamaan pivot baru = persamaan pivot lama / elemen pivot

VD Z X1 X2 S1 S2 S3 Hasil Rasio
Z 1 -4 -5 0 0 0 0
S1 0 1 2 1 0 0 10 5
S2 0 6 6 0 1 0 36 6
S3 0 1 0 0 0 1 4 ~

Elemen pivot Elemen kolom masuk

19 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Persamaan pivot baru = persamaan pivot lama / elemen pivot

Persamaan pivot lama (a) 0 1 2 1 0 0 10

Elemen pivot (b) 2 2 2 2 2 2 2
Persamaan pivot baru (a/b) 0 1/2 1 1/2 0 0 5
5. Mencari persamaan variabel dasar baru.
6. Pada kasus diatas yang merupakan variabel dasar adalah Z, S2, dan S3
Variabel dasar baru = variabel dasar lama – (elemen kolom masuk x persamaan pivot
baru)

a. Persamaan Z baru
Persamaan Z lama (a) 1 -4 -5 0 0 0 0
Elemen kolom masuk pada -5 -5 -5 -5 -5 -5 -5
variabel dasar Z (b)
Persamaan pivot baru (c) 0 1/2 1 1/2 0 0 5
b x c = (d) 0 -21/2 -5 -21/2 0 0 -25
Persamaan Z baru (a-d) 1 -11/2 0 21/2 0 0 25

b. Persamaan S2 baru
Persamaan S2 lama (a) 0 6 6 0 1 0 36
Elemen kolom masuk pada 6 6 6 6 6 6 6
variabel dasar S2 (b)
Persamaan pivot baru (c) 0 1/2 1 1/2 0 0 5
b x c = (d) 0 3 6 3 0 0 30
Persamaan S2 baru (a-d) 0 3 0 -3 1 0 6

c. Persamaan S3 baru
Persamaan S3 lama (a) 0 1 0 0 0 1 4
Elemen kolom masuk pada 0 0 0 0 0 0 0
variabel dasar S3 (b)
Persamaan pivot baru (c) 0 1/2 1 1/2 0 0 5
b x c = (d) 0 0 0 0 0 0 0
Persamaan Z baru (a-d) 0 1 0 0 0 1 4

d. Tabel iterasi Pertama

20 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

VD Z X1 X2 S1 S2 S3 Hasil Rasio
Z 1 -11/2 0 21/2 0 0 25
X2 0 1/2 1 1/2 0 0 5 10
S2 0 3 0 -3 1 0 6 2
S3 0 1 0 0 0 1 4 4
7. Kondisi optimum pada kasus maksimasi diperoleh ketika persamaan Z atau baris Z tidak
memiliki angka yang bernilai negative. Apabila kondisi optimum belum diperoleh, maka
dilakukan kembali iterasi seperti langkah sebelumnya.
Hasil Kolom masuk (X1) Rasio
5 1/2 5/1/2 = 10
6 3 6/3 = 2
4 1 4/1 = 4
a. Elemen pivot adalah = 3

Persamaan pivot lama (a) 0 3 0 -3 1 0 6

Elemen pivot (b) 3 3 3 3 3 3 3
Persamaan pivot baru (a/b) 0 1 0 -1 1/3 0 2
b. Persamaan variabel dasar baru
1. Persamaan Z baru
Persamaan Z lama (a) 1 -11/2 0 21/2 0 0 25
Elemen kolom masuk pada -11/2 -11/2 -11/2 -11/2 -11/2 -11/2 -11/2
variabel dasar Z (b)
Persamaan pivot baru (c) 0 1 0 -1 1/3 0 2
b x c = (d) 0 -11/2 0 -11/2 -0,5 0 -3
Persamaan Z baru (a-d) 1 0 0 1 0,5 0 28

2. Persamaan X2 baru
Persamaan X2 lama (a) 0 1/2 1 1/2 0 0 5
Elemen kolom masuk pada 1/2 1/2 1/2 1/2 1/2 1/2 1/2
variabel dasar X2 (b)
Persamaan pivot baru (c) 0 1 0 -1 1/3 0 2
b x c = (d) 0 0,5 0 -0,5 1/6 0 1
Persamaan X2 baru (a-d) 0 0 1 1 -1/6 0 4

3. Persamaan S3 baru

21 of 22
 Bahan kuliah Riset Operasi
Tek. Informatika UMMU Ternate
Zufri Hasrudy Siregar

Persamaan S3 lama (a) 0 1 0 0 0 1 4

Elemen kolom masuk pada 1 1 1 1 1 1 1
variabel dasar S3 (b)
Persamaan pivot baru (c) 0 1 0 -1 1/3 0 2
b x c = (d) 0 1 0 -1 1/3 0 2
Persamaan S3 baru (a-d) 0 0 0 1 -1/3 1 2

4. Tabel simplex iterasi ke dua sudah optimum

VD Z X1 X2 S1 S2 S3 Hasil Rasio
Z 1 0 0 1 0,5 0 28
X2 0 0 1 1 -1/6 0 4
X1 0 1 0 -1 1/3 0 2
S3 0 0 0 1 -1/3 1 2
5. Tabel simplex iterasi kedua diatas sudah optimum karena variabel nondasar pada
persamaan Z sudah bernilai positif, sehingga :
X1 = 2, X2 = 4 dan nilai Z = 28
6. Pada tabel optimum S1 dan S2 = 0. Artinya persediaan sumber daya pertama dan kedua
habis digunakan, tetapi masih memiliki sumber daya ketiga (S3) sebesar 2 karena tidak
digunakan.

22 of 22