Вы находитесь на странице: 1из 6

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

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, X2, S1, S2, a1, a2 > 0 Tabel simpleks awal yang diturunkan dari sistem persamaan di atas adalah Kombinasi Produk a1 a2 Cj -M -M Zj Cj - 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 - 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 -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.

KASUS KHUSUS

Kasus-kasus khusus yang dijumpai dalam menggunakan metode simpleks meliputi hal-hal berikut : 1. Ketidaklayakan (infeasibility) Kasus ini muncul bila tidak ada penyelesaian yang memenuhi semua kendala dan syarat negativity, yaitu bila kriteria penghentian iterasi telah dicapai (semua nilai baris Cj Zj < 0) tetapi masih terdapat satu atau lebih variabel artificial yang bernilai positif. 2. Ketidakterbatasan (unboundedness) Kalau nilai fungsi tujuan yang diperoleh, khususnya dalam kasus maksimisasi, sedemikian besar tetapi tetap memenuhi kendala, maka kasus demikian disebut ketidakterbatasan. Dalam hal ini pasti terjadi kesalahan dalam memformulasikan masalah dan metode simpleks pasti dapat menyingkapkan hal ini sebelum tabel simpleks terakhir diperoleh. Hal ini dapat terjadi karena adanya ketidakterbatasan akan menyebabkan aturan penentuan variabel yang dihilangkan tidak bekerja. Misal, kita mempunyai tabel simpleks awal dari suatu kasus maksimisasi seperti terlihat di bawah ini : Kombinasi Produk S1 S2 Cj 1 0 Zj Cj - 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.

Alternate Optima Alternate optima terjadi kalau terdapat dua atau lebih penyelesaian optimal. Hal ini baru dapat diketahui setelah tabel simpleks terakhir diperoleh. Misal, tabel simpleks terakhir dari suatu kasus adalah seperti terlihat di bawah ini. Karena nilai semua variabel pada baris evaluasi neto lebih kecil atau sama dengan nol, berarti penyelesaian optimal sudah tercapai : X1 = 15, X2 = 25, S2 = 12. Tetapi nilai variabel non dasar S3 adalah nol pada baris evaluasi neto. Hal ini menunjukkan bahwa S3 dapat dimasukkan sebagai variabel dasar tanpa merubah nilai penyelesaian optimal atau nilai fungsi tujuan yang diperoleh. Dengan kata lain terjadi alternate optima.

Kombinasi Produk X1 S2 X2

Cj 7 0 10 Zj Cj - 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.

Degenerasi Programasi linear dikatakan mengalami degenerasi bila satu atau lebih variabel dasar bernilai nol. Misal, suatu kasus mempunyai tabel simpleks seperti di bawah ini :

Kombinasi Produk S1 S2 X1 S4

Cj 0 0 10 0 Zj Cj - 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 134,4 126 708 64,8 7080

Rasio Ri
134,4(16/30)=252 126(1/2)=252 708(2/3)=1062 64,2(22/120)=350,2

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. Kombinasi Produk S1 S2 X1 S4 Cj 9 0 10 0 Zj Cj - 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

Hasil iterasi di atas menunjukan bahwa ketika variabel X2 dimasukkan kedalam penyelesaian dan menghasilkan X2 sebesar 252 unit, kita tidak saja mengeluarkan S1 tetapi juga membuat S2 sama dengan nol yang sekaligus berarti menghasilkan satu variabel dasar yang bernilai nol. S2= 0 tidak akan terjadi bila penyelesaian optimal tercapai pada kendala ini. Tetapi bila keadaan ini terjadi sebelum penyelesaian optimal tercapai, secara teoritis memang dimungkinkan bagi algoritma metode simpleks untuk diulang. Artinya algoritma memungkinkan terdapatnya beberapa alternatif di antara beberapa titik tak optimal pada setiap iterasi dan karenanya tidak pernah akan tercapai penyelesaian optimal. Pengulangan demikian sangat sulit dilakukan. 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.

RINGKASAN Metode simpleks dapat digunakan untuk memecahkan kasus pengambilan keputusan dengan banyak variabel. Proses penyusunan model matematika untuk fungsi tujuan dan fungsi kendala sama seperti pada metode grafik. Sedang penentuan penyelesaian optimal dilakukan dengan cara iterasi, yaitu proses perhitungan secara berulang. Adapun langkah penyelesaian pengambilan keputusan dengan metode simpleks meliputi : 1. Mengubah bentuk ketidaksamaan fungsi kendala menjadi bentuk standar dengan cara menambah variabel slack atau variabel surplus. 2. Mengubah bentuk persamaan kendala di atas ke dalam suatu tabel yaitu tabel simpleks untuk mendapatkan penyelesaian dasar awal. 3. Mengulangi penyelesaian dasar yang sstu ke penyelesaian dasar yang lain hingga diperoleh penyelesaian dasar yang optimal. Penyelesaian optimal kasus maksimisasi tercapai bila semua nilai pada baris evaluasi neto Cj- Zj lebih kecil atau sama dengan nol. Syarat penyelesaian dengan metode simpleks adalah bahwa nilai sisi kanan fungsi kendala harus bertanda positif. 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.

Kalau nilai penyelesaian dasar yang dihasilkan adalah negatif, maka harus ditambahkan variabel artificial, ai, untuk dapat penyelesaian sistem persamaan kendala yang

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