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 . S1.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 .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. a1. yaitu X1 = 13/5 dan X2 = 16/5 dengan nilai fungsi tujuan sebesar 42/5. S2.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. a2 > 0 Tabel simpleks awal yang diturunkan dari sistem persamaan di atas adalah Kombinasi Produk a1 a2 Cj -M -M Zj Cj . . X2.

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

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 134.2 Kita lihat bahwa hasil perhitungan rasio Ri menunjukkan bahwa rasio pertama dan kedua hasilnya sama besar 252. Hal ini menunjukkan adanya degenerasi pada iterasi berikutnya.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.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. suatu kasus mempunyai tabel simpleks seperti di bawah ini : Kombinasi Produk S1 S2 X1 S4 Cj 0 0 10 0 Zj Cj .8 7080 Rasio Ri 134.4 126 708 64. Misal.Kombinasi Produk X1 S2 X2 Cj 7 0 10 Zj Cj . Kombinasi Produk S1 S2 X1 S4 Cj 9 0 10 0 Zj Cj .2(22/120)=350. Degenerasi Programasi linear dikatakan mengalami degenerasi bila satu atau lebih variabel dasar bernilai nol.

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. Syarat penyelesaian dengan metode simpleks adalah bahwa nilai sisi kanan fungsi kendala harus bertanda positif. yaitu proses perhitungan secara berulang. Penyelesaian optimal kasus maksimisasi tercapai bila semua nilai pada baris evaluasi neto Cj.Zj lebih kecil atau sama dengan nol. Mengulangi penyelesaian dasar yang sstu ke penyelesaian dasar yang lain hingga diperoleh penyelesaian dasar yang optimal. Kalau nilai penyelesaian dasar yang dihasilkan adalah negatif. Proses penyusunan model matematika untuk fungsi tujuan dan fungsi kendala sama seperti pada metode grafik. untuk dapat penyelesaian sistem persamaan kendala yang . Tetapi bila keadaan ini terjadi sebelum penyelesaian optimal tercapai. RINGKASAN Metode simpleks dapat digunakan untuk memecahkan kasus pengambilan keputusan dengan banyak variabel. Pengulangan demikian sangat sulit dilakukan. Sedang penentuan penyelesaian optimal dilakukan dengan cara iterasi.Hasil iterasi di atas menunjukan bahwa ketika variabel X2 dimasukkan kedalam penyelesaian dan menghasilkan X2 sebesar 252 unit. Mengubah bentuk persamaan kendala di atas ke dalam suatu tabel yaitu tabel simpleks untuk mendapatkan penyelesaian dasar awal. ai. Adapun langkah penyelesaian pengambilan keputusan dengan metode simpleks meliputi : 1. maka harus ditambahkan variabel artificial. 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. 3. Artinya algoritma memungkinkan terdapatnya beberapa alternatif di antara beberapa titik tak optimal pada setiap iterasi dan karenanya tidak pernah akan tercapai penyelesaian optimal. 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. S2= 0 tidak akan terjadi bila penyelesaian optimal tercapai pada kendala ini. Mengubah bentuk ketidaksamaan fungsi kendala menjadi bentuk standar dengan cara menambah variabel slack atau variabel surplus. 2.

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

Sign up to vote on this title
UsefulNot useful