KASUS MINIMISASI

Kasus meminimumkan nilai fungsi tujuan (minimisasi) dalam programasi linear dapat dilakukan dengan dua cara : 1. Mengubah aturan yang digunakan pada kasus maksimisasi. Kalau pada kasus maksimisasi, variabel yang kita pilih sebagai variabel dasar adalah variabel yang mempunyai nilai Cj – Zj terbesar, maka pada kasus minimisasi kita pilih variabel yang mempunyai nilai Cj – Zj yang paling besar negatifnya. Hal ini berarti pula bahwa penyelesaian optimal akan tercapai kalau semua nilai pada baris Cj – Zj tidak negatif. 2. Menggunakan logika matematika, yaitu bila kita ingin meminimumkan fungsi tujuan Z dengan sejumlah kendala berarti pula kita memaksimumkan –Z dengan kendala yang sama. Dengan demikian, meminimumkan Z = memaksimumkan (-Z). Dengan cara memaksimumkan –Z dalam memecahkan kasus minimisasi, berarti kita dapat pula mengikuti prosedur penyelesaian seperti pada kasus maksimisasi. Hanya kita perlu mengalikan fungsi tujuan dengan (-1) sebelum membuat bentuk standar persamaan. Sebagai contoh : meminimumkan X1 + 2X2 kendala 1X1 + 3X2 > 11 2X1 + 1X2 > 9 X1, X2 > 0 Langkah pertama dalam menyelesaikan kasus di atas adalah mengubah kasus minimisasi tersebut menjadi kasus maksimisasi dengan cara mengalikan fungsi tujuan dengan (-1), sehingga kita memperoleh : memaksimumkan –X1 – 2X2 kendala 1X1 + 3X2 > 11 2X1 + 1X2 > 9 X1, X2 > 0 Bentuk standar sistem persamaan di atas setelah dikurangi variabel surplus adalah memaksimumkan –X1 – 2X2 + 0S1 + 0S2 kendala 1X1 + 3X2 – 1S1 = 11 2X1 + 1X2 – 1S2 = 9 X1, X2, S1, S2 > 0

Zj -1X1 0 1 -1 0 -2X2 5/2 1/2 -1/2-5/2M -3/2+5/2M 0S1 -1 0 M -M 0S2 1/2 -1/2 M -M -Ma1 1 0 -M 0 -Ma2 -1/2 1/2 -1/2+1/2M ½-3/2M Kuantitas 13/1 9/2 -9/2-13/2M Hasil iterasi kedua Kombinasi Produk X2 X1 Cj -2 -1 Zj Cj .Zj -1X1 0 1 -1 0 -2X2 1 0 -2 0 0S1 -2/5 1/5 3/5 -3/5 0S2 1/5 -3/5 1/5 -1/5 -Ma1 2/5 -1/5 -3/5 -M+3/5 -Ma2 -1/5 3/5 1 -M-1 Kuantitas 13/5 16/5 42/5 Karena semua nilai pada baris evaluasi neto Cj – Zj < 0 dan semua variabel artificial sudah hilang berarti penyelesaian yang diperoleh sudah merupakan penyelesaian optimal. yaitu X1 = 13/5 dan X2 = 16/5 dengan nilai fungsi tujuan sebesar 42/5. a2 > 0 Tabel simpleks awal yang diturunkan dari sistem persamaan di atas adalah Kombinasi Produk a1 a2 Cj -M -M Zj Cj . a1.Dengan menambah variabel artificial (karena kendala >) kita mendapatkan bentuk tabel sistem persamaan tersebut sebagai berikut : memaksimumkan –X1 – 2X2 + 0S1 – Ma1 – Ma2 kendala 1X1 + 3X2 – 1S1 + a1 = 11 2X1 + 1X2 – 1S2 + a2 = 9 X1.Zj -1X1 1 2 -3M -1+3M -2X2 3 1 -4M -2+4M 0S1 -1 0 M -M 0S2 0 -1 M -M -Ma1 1 0 -M 0 -Ma2 0 1 -M 0 Kuantitas 11 9 -20M Hasil iterasi pertama : Kombinasi Produk a1 X1 Cj -M -M Zj Cj . S2. S1. . X2.

X2 = 25. kita mempunyai tabel simpleks awal dari suatu kasus maksimisasi seperti terlihat di bawah ini : Kombinasi Produk S1 S2 Cj 1 0 Zj Cj . khususnya dalam kasus maksimisasi. Misal. 2. . Hal ini baru dapat diketahui setelah tabel simpleks terakhir diperoleh. tabel simpleks terakhir dari suatu kasus adalah seperti terlihat di bawah ini.Zj 1X1 1 0 1 0 2X2 0 1 0 -2 0S1 -1 0 -1 1 0S2 0 1 0 0 -Ma1 1 0 1 -M-1 Kuantitas 5 2 5 3. Dalam hal ini pasti terjadi kesalahan dalam memformulasikan masalah dan metode simpleks pasti dapat menyingkapkan hal ini sebelum tabel simpleks terakhir diperoleh. Dengan kata lain terjadi alternate optima. Ketidakterbatasan (unboundedness) Kalau nilai fungsi tujuan yang diperoleh. Hal ini menunjukkan bahwa S3 dapat dimasukkan sebagai variabel dasar tanpa merubah nilai penyelesaian optimal atau nilai fungsi tujuan yang diperoleh. Karena nilai semua variabel pada baris evaluasi neto lebih kecil atau sama dengan nol. sedemikian besar tetapi tetap memenuhi kendala. Alternate Optima Alternate optima terjadi kalau terdapat dua atau lebih penyelesaian optimal.KASUS KHUSUS Kasus-kasus khusus yang dijumpai dalam menggunakan metode simpleks meliputi hal-hal berikut : 1. yaitu bila kriteria penghentian iterasi telah dicapai (semua nilai baris Cj – Zj < 0) tetapi masih terdapat satu atau lebih variabel artificial yang bernilai positif. Ketidaklayakan (infeasibility) Kasus ini muncul bila tidak ada penyelesaian yang memenuhi semua kendala dan syarat negativity. maka kasus demikian disebut ketidakterbatasan. berarti penyelesaian optimal sudah tercapai : X1 = 15. Hal ini dapat terjadi karena adanya ketidakterbatasan akan menyebabkan aturan penentuan variabel yang dihilangkan tidak bekerja. Tetapi nilai variabel non dasar S3 adalah nol pada baris evaluasi neto. Misal. S2 = 12.

Degenerasi Programasi linear dikatakan mengalami degenerasi bila satu atau lebih variabel dasar bernilai nol. Kombinasi Produk S1 S2 X1 S4 Cj 9 0 10 0 Zj Cj .4 126 708 64. Hal ini menunjukkan adanya degenerasi pada iterasi berikutnya.8 7080 Rasio Ri 134.Zj 1X1 1 0 0 7 0 2X2 0 0 1 10 0 0S1 1/3 -1/3 2/3 27/3 -27/3 0S2 4/3 -2/3 6/3 88/3 -88/3 -Ma1 0 1 0 0 0 Kuantitas 15 12 25 355 4.Zj 10X1 0 0 1 0 10 0 9X2 16/30 1/2 12/3 22/120 20/3 7/3 0S1 1 0 0 0 0 0 0S2 0 1 0 0 0 0 0S3 -7/10 -1/2 1 -1/10 10 -10 0S4 0 0 0 1 0 0 Kuantitas 134. suatu kasus mempunyai tabel simpleks seperti di bawah ini : Kombinasi Produk S1 S2 X1 S4 Cj 0 0 10 0 Zj Cj .2(22/120)=350.Zj 10X1 0 0 1 0 10 0 9X2 1 0 0 0 9 0 0S1 30/16 -15/16 -20/16 -11/32 70/16 -70/16 0S2 0 1 0 0 0 0 0S3 -210/160 25/160 300/160 45/320 111/16 -111/16 0S4 0 0 0 1 0 0 Kuantitas 252 0 540 18 7668 .4(16/30)=252 126(1/2)=252 708(2/3)=1062 64.2 Kita lihat bahwa hasil perhitungan rasio Ri menunjukkan bahwa rasio pertama dan kedua hasilnya sama besar 252. Misal.Kombinasi Produk X1 S2 X2 Cj 7 0 10 Zj Cj .

Zj lebih kecil atau sama dengan nol. Mengubah bentuk ketidaksamaan fungsi kendala menjadi bentuk standar dengan cara menambah variabel slack atau variabel surplus. ai. Mengubah bentuk persamaan kendala di atas ke dalam suatu tabel yaitu tabel simpleks untuk mendapatkan penyelesaian dasar awal. Tetapi bila keadaan ini terjadi sebelum penyelesaian optimal tercapai. yaitu proses perhitungan secara berulang. 3. Mengulangi penyelesaian dasar yang sstu ke penyelesaian dasar yang lain hingga diperoleh penyelesaian dasar yang optimal. maka harus ditambahkan variabel artificial. S2= 0 tidak akan terjadi bila penyelesaian optimal tercapai pada kendala ini.Hasil iterasi di atas menunjukan bahwa ketika variabel X2 dimasukkan kedalam penyelesaian dan menghasilkan X2 sebesar 252 unit. Penyelesaian optimal kasus maksimisasi tercapai bila semua nilai pada baris evaluasi neto Cj. RINGKASAN Metode simpleks dapat digunakan untuk memecahkan kasus pengambilan keputusan dengan banyak variabel. Kalau nilai penyelesaian dasar yang dihasilkan adalah negatif. Adapun langkah penyelesaian pengambilan keputusan dengan metode simpleks meliputi : 1. Artinya algoritma memungkinkan terdapatnya beberapa alternatif di antara beberapa titik tak optimal pada setiap iterasi dan karenanya tidak pernah akan tercapai penyelesaian optimal. Proses penyusunan model matematika untuk fungsi tujuan dan fungsi kendala sama seperti pada metode grafik. untuk dapat penyelesaian sistem persamaan kendala yang . Syarat penyelesaian dengan metode simpleks adalah bahwa nilai sisi kanan fungsi kendala harus bertanda positif. 2. Pengulangan demikian sangat sulit dilakukan. Fungsi kendala yang nilai sisi kanannya negatif harus diubah dulu menjadi positif dengan cara mengalikan kedua sisi dengan (-1) dan sebagai akibatnya mengubah arah tanda ketidaksamaan. secara teoritis memang dimungkinkan bagi algoritma metode simpleks untuk diulang. kita tidak saja mengeluarkan S1 tetapi juga membuat S2 sama dengan nol yang sekaligus berarti menghasilkan satu variabel dasar yang bernilai nol. Sedang penentuan penyelesaian optimal dilakukan dengan cara iterasi. Oleh karenanya kita tidak menyarankan langkah-langkah dalam algoritma untuk menghilangkan kemungkinan degenerasi sejauh kita berpegangan pada rasio Ri yang minimum untuk menentukan baris kunci.

yaitu mengubah aturan yang digunakan pada kasus maksimisasi dan menggunakan logika matematika.ada.Zj negatif atau sama dengan 0. Pada cara pertama. Penyelesaian kasus minimisasi dapat dilakukan dengan dua cara. . yaitu meliputi ketidaklayakan (infeasibility). ketidakterbatasan (unboundedness). Hal ini merupakan kebalikan dari penyelesaian kasus maksimisasi yang menyatakan bahwa penyelesaian optimal tercapai apabila baris Cj . sehingga aturan penyelesaian kasus maksimisasi dapat diterapkan disini. namun proses iterasi akan dapat menghilangkan variabel artificial ini dari penyelesaian.Zj tidak negatif. digunakan logika bahwa meminimumkan Z adalah identik dengan memaksimumkan –Z. Adanya variabel artificial dalam penyelesaian menimbulkan kesulitan dalam menginterpretasikan hasil. Kasus-kasus khusus yang dijumpai dalam menggunakan metode simpleks adalah sama dengan yang terdapat pada metode grafik. Sedang pada cara kedua. alternate optimal dan degenerasi. penyelesaian optimal tercapai apabila baris Cj .

Master your semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master your semester with Scribd & The New York Times

Cancel anytime.