PENYELESAIAN
PERMASALAHAN
(A)
Graphical Solution Method
(Metode Pemecahan Grafik)
Keuntungan
– Mudah
Keterbatasan
Hanya cocok untuk masalah LP
dengan dua variabel keputusan
Graphical Solution Method
1. Plot model constraint on a set of
coordinates in a plane
2. Identify the feasible solution space on
the graph where all constraints are satisfied simultaneously
3. Plot objective function to find the point
on boundary of this space that
maximizes (or minimizes) value of
Pemecahan Grafik
Teknik pemecahan grafis dapat
dipergunakan apabila persoalan
programa linier yang akan
diselesaikan hanya mempunyai dua buah variabel.
Cara ini memberi petunjuk bahwa
untuk pemecahan programa linier
hanya perlu memperbaiki titik ekstrim pada ruang solusi atau daerah fisibel.
Contoh Soal (1) Maksimasi
Memaksimumkan Z = 3x1 + 2x2 dengan pembatas-pembatas: x1 + 2x2 ≤ 6 2x1 + x2 ≤ 8 – x1 + x2 ≤ 1 x2 ≤ 2 x1 ≥ 0Contoh Soal (2) Maksimasi
2 120
10
X
X
Z
0 , 45 3 5 12 15 2 2 1 2 1 2 1 2 1 X X X X X X X X Memaksimumkan dengan kendala5 10 15 -5 -10 5 10 15 X2 X1 0 A B C D E Titik terluar
Contoh Soal (3) Maksimasi
Maximize Z = $40 x1 + 50 x2 Subject to x1 + 2x2 40 hr (labor constraint) 4x1 + 3x2 120 lb (clay constraint) x1 , x2 0 Solution is x1 = 24 bowls x2 = 8 mugs Revenue = $1,360x1 + 2x2 = 40 4x1 + 3x2 = 120 4x1 + 8x2 = 160 -4x1 - 3x2 = -120 5x2 = 40 x2 = 8 x1 + 2(8) = 40 x1 = 24
Contoh Soal (4) Minimasi
CHEMICAL CONTRIBUTION
Brand Nitrogen (lb/bag) Phosphate (lb/bag)
Gro-plus 2 4 Crop-fast 4 3 Minimize Z = $6x1 + $3x2 subject to 2x1 + 4x2 16 lb of nitrogen 4x1 + 3x2 24 lb of phosphate x , x 0
14 – 12 – 10 – 8 – 6 – 4 – 2 – Z = 6x1 + 3x2 x1 = 0 bags of Gro-plus x2 = 8 bags of Crop-fast Z = $24 x1 = 0 bags of Gro-plus x2 = 8 bags of Crop-fast Z = $24 x2
Kasus Khusus
Persoalan programa linier mempunyai solusi
optimal yang tidak terbatas (mempunyai solusi alternatif atau solusi optimal banyak)
Persoalan programa linier tidak mempunyai
solusi fisibel atau persoalan programa linier yang infisibel
Persoalan programa linier mempunyai ruang
solusi yang tidak terbatas, yaitu titik-titik pada daerah fisibel dengan harga z yang sangat besar (pada persoalan maksimasi)
Contoh lain :
1. The Burroughs garment company manufactures
men's shirts and women’s blouses for Walmark Discount stores. Walmark will accept all the
production supplied by Burroughs. The
production process includes cutting, sewing and packaging. Burroughs employs 25 workers in the cutting department, 35 in the sewing department and 5 in the packaging department. The factory works one 8-hour shift, 5 days a week. The following table gives the time requirements and the profits per unit for the two garments:
Garment Cutting Sewing Packaging Unit profit($)
Shirts 20 70 12 8.00
Blouses 60 60 4 12.00
Minutes per unit
Determine the optimal weekly
Contoh :
Feed Mix problem: The manager of a milk diary
decides that each cow should get at least 15, 20 and 24 units of nutrients A, B and C respectively. Two varieties of feed are available. In feed of variety 1(variety 2) the contents of the nutrients A, B and C are respectively 1(3), 2(2), 3(2) units per kg. The
costs of varieties 1 and 2 are respectively Rs. 2
and Rs. 3 per kg. How much of feed of each variety should be purchased to feed a cow daily so that the expenditure is least?
(B)
Bahasan
Rumusan Pemrograman linier dalam bentuk
baku
Pemecahan sistem persamaan linier
Rumusan Pemrograman Linier
dalam Bentuk Baku
Memaksimumkan (Meminimumkan)
Z = c1x1 + c2x2 + … + cnxn Dengan pembatas
a11x1 + a12x2 + … + a1nxn = b1 a21x1 + a22x2 + … + a2nxn = b2
. . .
am1x1 + am2x2 + … + amnxn = bm x1≥0, x2≥0,…, xn≥0
Notasi Matriks-Vektor
Maks (Min) Z = cx dg pembatas Ax = b x ≥ 0 b ≥ 0 A : matriks (m x n) x : vektor kolom (n x 1) b : vektor kolom (m x 1)Karakteristik Rumusan Bentuk Baku
Fungsi tujuan adalah memaksimumkan atau
meminimumkan
Semua pembatas dinyatakan dalam
persamaan
Semua variabel keputusan dibatasi sebagai tak
negatif
Konstanta ruas kanan untuk tiap pembatas
PENGERTIAN
Metode Simpleks merupakan prosedur
aljabar yang bersifat iteratif yang bergerak selangkah demi selangkah dimulai dari satu titik ekstrim pada daerah fisibel (ruang solusi) menuju ke tititk ekstrim yang optimum
Pada intinya, apa yang dilakukan metode
simpleks adalah menerjemahkan definisi geometris dari titik ekstrim menjadi definisi
Apa yang dilakukan Metode simpleks?
Mengidentifikasi satu pemecahan dasar awal
dan kemudian bergerak secara sistematis ke pemecahan dasar lainnya yang memiliki potensi untuk memperbaiki nilai fungsi tujuan
yang akhirnya nilai optimum akan
Model Programa Linier…..(2)
Jika kita definisikan :
Pembatas dari model tersebut ditulis
dalam bentuk Ax = b mn m m n n a a a a a a a a a A ... . . . . . . . . . . . . ... ... 2 1 2 22 21 1 12 11 n X X X X . . . 2 1 n b b b b . . . 2 1
Reduksi ke Bentuk Baku
Metode simpleks untuk memecahkan
masalah PL memerlukan bahwa masalah dinyatakan dalam bentuk baku.
Tidak semua masalah PL dalam bentuk baku
Pembatas pertidaksamaan (inequality constraint).
Variabel yang tak dibatasi tanda (unrestricted in
Pembatas Pertidaksamaan
Karena bentuk baku memerlukan semua
pembatas harus dinyatakan dengan dalam persamaan, pembatas pertidaksamaan harus diubah ke persamaan.
Ini dilakukan dengan penambahan variabel
baru untuk menunjukkan slack antara ruas kiri dan kanan pada tiap pertidaksamaan.
Pembatas Pertidaksamaan
x1 + 4x2 ≤ 10 ⇒ x1 + 4x2 + x3 = 10 x3 ≥ 0
2x1 + 5x2 ≥ 18 ⇒ 2x1 + 5x2 – x4 = 18
Variabel yang Tak Dibatasi Tanda
Dalam PL, adakalanya terdapat nilai variabel
yang tak dibatasi tanda (positif atau negatif)
Karena bentuk baku PL memerlukan semua
variabel adalah tak negatif, maka variabel yang tak dibatasi tanda diganti dengan selisih dua variabel tak negatif
Variabel yang Tak Dibatasi Tanda
x1 + x5 = 50 x1 ≥ 0
x5 tak dibatasi tanda x5 = x6 – x7
Definisi Dasar
Suatu solusi layak (feasible solution) adalah
suatu vektor tak negatif x yang memenuhi persamaan Ax = b.
Daerah layak (feasible region), dinyatakan
dengan S, adalah himpunan dari semua solusi layak yang mungkin. Secara matematis,
S = {x | Ax = b, x ≥ 0}
Jika himpunan layak S adalah kosong maka
Definisi Dasar
Suatu solusi optimal (optimal solution) adalah
suatu vektor x* yang layak dan nilai fungsi
tujuannya (cx*) lebih besar dari semua
solusi layak yang lain. Secara matematis,
x* adalah optimal x* Є S dan cx* ≥ cx, x Є S
Nilai optimal (optimal value) dari masalah PL
adalah nilai fungsi tujuan yang berkaitan dengan solusi optimal. Jika Z* adalah nilai
Definisi
Solusi Basis
Solusi dimana terdapat sebanyak-banyaknya m variabel berharga bukan nol. Untuk mendapatkan solusi basis dari AX = b maka sebanyak (n-m) variabel harus dinolkan.
Variabel yang dinolkan : variabel non basis Variabel lain yang memenuhi AX=b :
n – (n – m) = m variabel disebut variabel basis
Solusi Basis Fisibel
Jika seluruh variabel pada suatu solusi basis berharga non negatif, maka solusi itu disebut solusi basis fisibel (BFS)
Definisi Dasar
Jika suatu PL mempunyai lebih dari satu solusi
optimal maka PL disebut mempunyai solusi optimal alternatif (alternate optimal solution).
Solusi optimal dari masalah PL dikatakan unik
(unique optimum) jika hanya terdapat tepat satu
solusi optimal.
Jika suatu masalah PL tidak mempunyai optimum
Pemecahan Sistem Persamaan Linier
Permasalahan matematis utama dalam pemrograman
linier adalah mendapatkan solusi dari suatu sistem persamaaan linier yang memaksimumkan atau meminimumkan suatu fungsi tujuan linier.
Sistem persamaan linier dapat diselesaikan dengan
menggunakan prosedur klasik Gauss- Jordan elimination.
Pemecahan Sistem Persamaan Linier
Sistem dengan dua persamaan dengan lima variabel yang tak diketahui
x1 – 2x2 + x3 – 4x4 + 2x5 = 2 x1 – x2 – x3 – 3x4 – x5 = 4
Karena terdapat lebih banyak jumlah variabel
yang tak diketahui daripada persamaan, maka sistem mempunyai lebih dari satu solusi.
Himpunan dari semua solusi yang mungkin dari
Pemecahan Sistem Persamaan Linier
Sistem ekivalen (equivalent system)
Dua sistem persamaan dikatakan ekivalen jika kedua sistem mempunyai himpunan solusi yang sama.
Metode untuk memecahkan suatu sistem
persamaan adalah mendapatkan suatu
sistem ekivalen yang mudah untuk
Terdapat dua tipe operasi baris elementer untuk mendapatkan sistem ekivalen
– Mengalikan sebarang persamaan dalam sistem dengan suatu bilangan positif atau negatif.
– Menambahkan ke sebarang persamaan dengan suatu konstanta pengali (positif, negatif atau nol) ke sebarang persamaan yang lain.
(S1) x1 – 2x2 + x3 – 4x4 + 2x5 = 2 x2 – 2x3 + x4 – 3x5 = 2 (S2) x1 – x3 – 2x4 – 4x5 = 6 x2 – 2x3 + x4 – 3x5 = 2 (S3) x1 – 2x2 + x3 – 4x4 + 2x5 = 2 x1 – x2 – x3 – 3x4 – x5 = 4
Sistem S1, S2 dan S3 adalah ekivalen, yaitu
solusi bagi satu sistem secara otomatis memberikan solusi bagi sistem yang lain.
Untuk sistem S3, x4 = x5 = x6 = 0 akan
memberikan x1 = 6, x2 = 2.
Sistem S3 disebut sistem kanonik (canonical
system).
Variabel x1 dan x2 dari sistem kanonik
Pemecahan Sistem Persamaan Linier
Variabel basis (basic variable)
Variabel xi dikatakan sebagai variabel basis jika dalam suatu persamaan ia muncul dengan koefisien satu pada persamaan tersebut, dan nol pada persamaan yang lain.
Variabel non basis (nonbasic variable)
Variabel yang bukan variabel basis.
Operasi pivot (pivot operation)
Suatu urutan operasi elementer yang mereduksi suatu sistem persamaan ke suatu sistem ekivalen untuk
Solusi basis (basic solution)
Solusi yang diperoleh dari suatu sistem kanonik dengan menetapkan nilai variabel non basis
sama dengan nol dan memecahkan variabel basis.
Solusi basis layak (basic feasible solution)
Solusi basis dimana nilai variabel basisnya adalah tak negatif.
Algoritma Simpleks
Untuk Persoalan Maksimasi
1. Formulasikan/konversikan formulasi persoalan ke dalam bentuk standar
- Rubah fungsi tujuan ke dalam bentuk implisit Contoh :
- Rubah batasan ke dalam bentuk standar Konversikan batasan-batasan
pertidaksamaan (≤ ≥) fungsional ke dalam persamaan yang ekivalen
Konversi dilakukan dengan memakai “variabel slack”
- Rubah batasan ke dalam bentuk standar
Konversikan batasan-batasan
pertidaksamaan (≤ ≥) fungsional ke dalam persamaan yang ekivalen
Konversi dilakukan dengan memakai “variabel slack”
Algoritma Simpleks
2. Cari solusi Basis Fisibel
→ Jika seluruh variabel non basis
mempunyai koefisien non negatif (artinya berharga + atau nol) pada baris fungsi tujuan (pers. Z yang biasa disebut baris nol) maka BFS sudah 0ptimal
→ Jika pada baris nol masih ada variabel dengan koefisien negatif, pilih salah satu variabel yang mempunyai koefisien paling negatif
Algoritma Simpleks
3. Langkah Iterasi
►Tentukan variabel basis masuk
Pilihlah variabel non basis yang jika dinaikkan nilainya akan meningkatkan nilai Z dengan laju yang tinggi.
Jika seluruh variabel non basis mempunyai koefisien non negatif (artinya berharga + atau nol) pada baris fungsi tujuan (pers. Z yang biasa disebut baris nol) maka BFS sudah optimal
Jika pada baris nol masih ada variabel dengan koefisien negatif, pilih salah satu variabel yang mempunyai koefisien paling negatif. Variabel ini akan menjadi variabel basis variabel yang masuk basis ( entering variabel / EV)
Algoritma Simpleks
► Tentukan variabel basis keluar
Hitung rasio dari ( Ruas kanan / koefisien EV)
Variabel basis pada baris pembatas dengan rasio positif terkecil akan berubah menjadi variabel non basis. Variabel ini disebut variabel basis keluar ( Leaving Variable / LV)
► Lakukan operasi baris elementer untuk
membuat koefisien EV pada baris dengan
rasio positif terkecil menjadi satu dan yang lainnya nol.
Jika ditemukan lebih dari satu baris memiliki rasio positif, pilih salah satu
Prinsip-prinsip Metode Simpleks
Memaksimumkan Z = 3x1 + 2x2
dengan pembatas-pembatas:
x1 + 2x2
≤ 6
2x1 + x2
≤ 8
– x1 + x2
≤ 1
x2
≤ 2
x1 ≥ 0, x2 ≥ 0
Prinsip-prinsip Metode Simpleks
Memaksimumkan Z = 3x1 + 2x2 + 0x3 + 0x4 + 0x5 + 0x6 dengan pembatas-pembatas: x1 + 2x2 + x3 = 6 2x1 + x2 + x4 = 8 – x1 + x2 + x5 = 1 x2 + x6 = 2 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0, x6 ≥ 0,Prinsip-prinsip Metode Simpleks
Variabel basis : x3, x4, x5, x6
Dengan menetapkan x1 = x2 = 0, maka diperoleh solusi basis :
x3 = 6, x4 = 8, x5 = 1, x6 = 2 Nilai fungsi tujuan Z =
Prinsip-prinsip Metode Simpleks
Memperbaiki solusi basis layak
Dengan diberikan solusi basis layak, yaitu x1 = x2 = 0,
x3 = 6, x4 = 8, x5 = 1, x6 = 2 dengan Z= 0, metode
simpleks mengecek apakah mungkin untuk mendapatkan solusi basis layak yang lebih baik dengan nilai Z yang lebih besar.
Ini dilakukan dengan pertama-tama memeriksa apakah
solusi saat ini adalah optimal.
Jika solusi solusi belum optimal, metode simpleks
mencari suatu solusi basis layak tetangga (adjacent
Prinsip-prinsip Metode Simpleks
Suatu solusi basis layak tetangga (adjacent
basic feasible solution) berbeda dengan solusi
basis layak (basic feasible solution) saat ini hanya tepat satu variabel basis.
Prinsip-prinsip Metode Simpleks
Untuk mendapatkan solusi basis layak
tetangga, metoda simpleks
Membuat salah satu variabel basis menjadi
variabel non basis
Menjadikan salah satu variabel non basis menjadi
variabel basis
Permasalahannya adalah memilih solusi
basis dan solusi non basis yang
Prinsip-prinsip Metode Simpleks
Dalam solusi basis layak
– Variabel basis dapat mempunyai nilai yang positif – Varibel non basis selalu mempunyai nilai nol
Membuat variabel non basis menjadi variabel basis
adalah ekivalen dengan menaikkan nilainya dari nol ke positif.
Tentu saja, pilihan yang harus dibuat adalah
menentukan variabel non basis mana yang dapat memberikan perbaikan pada nilai Z
Ini dilakukan dengan menaikkan nilai variabel non basis
Prinsip-prinsip Metode Simpleks
Misalkan variabel non basis x1 dinaikkan 1 unit
x1 + x3 = 6
2x1 + x4 = 8
– x1 + x5 = 1
0x1 + x6 = 2
x1 = 1, x2 = 0, x3 = 5, x4 = 6, x5 = 2, x6 = 2
Nilai fungsi tujuan
Z = 3(1)+2(0)+0(5)+0(6)+0(2)+0(2)= 3
Perubahan nilai Z per peningkatan satu unit x1 ∆ Z = 3 – 0 = 3
Prinsip-prinsip Metode Simpleks
Misalkan variabel non basis x2 dinaikkan 1 unit 2x2 + x3 = 6
x2 + x4 = 8 x2 + x5 = 1 x2 + x6 = 2
x1 = 0, x2 = 1, x3 = 4, x4 = 7, x5 = 0, x6 = 1
Nilai fungsi tujuan
Prinsip-prinsip Metode Simpleks
Karena
∆
Z positif untuk x1 dan x2 → nilai fungsi tujuan dapat dinaikkan.Karena
∆
Z untuk x1 >∆
Z untuk x2 maka menaikkan x1 lebih baik.• Sampai seberapa jauh x1 dapat dinaikkan? • Jika x1 dinaikkan maka nilai variabel basis :
x3, x4, x5, x6 akan turun dan nilainya harus tak negatif agar tetap layak.
Algoritma Simpleks untuk
Persoalan Minimasi
Mengubah fungsi tujuan dan persamaannya,
kemudian menyelesaikannya dengan persoalan
maksimasi
Memodifikasi algoritma untuk maksimasi menjadi :
Jika seluruh variabel non basis pada baris nol mempunyai
koefisien yang berharga non positif (artinya berharga negatif atau nol), maka BFS telah optimal
Kasus khusus dalam Aplikasi
Metode Simpleks
Beberapa kasus khusus yang dapat terjadi dalam aplikasi metode simpleks :
1. Degenerasi
Kasus ini terjadi jika salah satu atau lebih variabel basis berharga nol (b = 0) sehingga iterasi yang dilakukan selanjutnya dapat menjadi sebuah loop yang akan kembali pada bentuk sebelumnya (cycling / circling)
2. Optimum alternatif
Kasus ini terjadi apabila fungsi tujuan paralel dengan fungsi pembatas, dimana paling sedikit salah satu dari variabel non basis (pada persamaan z pada iterasi terakhir) mempunyai koefisien berharga nol.
Kasus khusus dalam Aplikasi
Metode Simpleks………(2)
3. Pemecahan yang tidak dibatasi
Untuk mendeteksi kasus tsb dapat dilakukan :
Perhatikan koefisien pembatas dari variabel non basis pada suatu iterasi, jika berharga negatif atau nol berarti solusinya tidak terbatas Jika koefisien fungsi tujuan variabel tersebut berharga negatif (untuk maksimasi) atau positif (untuk minimasi) maka nilai fungsi tujuan tidak terbatas
Starting Simplex Tableau
The Reddy Mikks Model Maximize z=5x1+4x2+0s1+0s2+0s3+0s4 subject to 6x1 + 4x2 + s1 =24 x1 + 2x2 + s2 =6 -x1 + x2 + s3 = 1 x2 + s4 = 2 x1,x2,s1,s2,s3,s4≥0 Slack variables: s1, s2, s3, s4
Express the objective function: z-5x1-4x2=0
Basic z x1 x2 s1 s2 s3 s4 Solution z 1 -5 -4 0 0 0 0 0 z-row s1 0 6 4 1 0 0 0 24 s1-row s2 0 1 2 0 1 0 0 6 s2-row s3 0 -1 1 0 0 1 0 1 s3-row s4 0 0 1 0 0 0 1 2 s4-row
Nonbasic (zero) variables: (x1, x2)
Basic variables: (s1, s2, s3, s4) The solution: z = 0
s1= 24
Entering & leaving variable
Entering variable x1 Leaving variable s1
Entering Ratio
Basic x1 Solution (or intercept)
s1 6 24 x1 =24/6 = 4 minimum s2 1 6 x1 = 6/1= 6
s3 -1 1 x1 = 1/-1 = -1 (Ignore) s4 0 2 x1 = 2/0 = ∞ (Ignore)
The graph 5 6 4 3 2 1 0 1 2 4 5 6 x2 x1 -2 -1 1 2 4 3 C B A Maximize z = 5x1 + 4x2 subject to: 6x1+ 4x2 + s1 = 24 x1 + 2x2 + s2 = 6 -x1 + x2 + s3 = 1 x2 + s4 = 2 x1, x2≥ 0 1 2 3 4 s2 = 0 24/6 = 4 6/1 = 6 1/-1 = -1
Next tableau
Increase in the value of the objective z is ($5 x 4 tons) = $20
The result of “swapping” the entering and the leaving variables: the nonbasic and basic variables become
Nonbasic (zero) variables: (s1, x2) Basic variables: (x1, s2, s3, s4) Basic z x1 x2 s1 s2 s3 s4 Solution z 1 -5 -4 0 0 0 0 0 s1 0 6 4 1 0 0 0 24 Pivot row s2 0 1 2 0 1 0 0 6 s3 0 -1 1 0 0 1 0 1 s4 0 0 1 0 0 0 1 2
The new tableau
Apply Gauss-Jordan to produce the new basic solution
The new tableau corresponding to the new basic solution (x1, s1, s2, s3, s4)
Basic z x1 x2 s1 s2 s3 s4 Solution z 1 0 -2/3 5/6 0 0 0 20 x1 0 1 2/3 1/6 0 0 0 4 s2 0 0 4/3 -1/6 1 0 0 2 s3 0 0 5/3 1/6 0 1 0 5 s4 0 0 1 0 0 0 1 2 Set the nonbasic variables x2 and s1 to zero
x1 = 4, s2 = 2, s3 = 5, s4=2 New objective value is z = 20