I PEMROGRAMAN LINIER

Sejak diperkenalkan di akhir dasawarsa 1960 pemrograman linier merupakan

salah satu alat pengambil keputusan yang paling efektif. Keberhasilannya
berakar dari keluwesannya dalam menjabarkan di mana kalangan pemakai
teknik optimasi ini sukses dalam menggunakan hasil optimasi linier sebagai
sebuah alat pengambil keputusan situasi kehidupan nyata di bidang-bidang
berikut : militer, industri, pertanian, transportasi, ekonomi, kesehatan,
keteknikan bahkan ilmu sosial dan perilaku (Taha,1996). Di samping itu,
tersedianya program komputer yang sangat efisien untuk memecahkan
masalah-masalah Linier Programing yang sangat luas, merupakan faktor
penting dalam penyebaran penggunaan teknik optimasi ini (Lasdon,1998).
Pemrograman linier adalah sebuah alat deterministik, yang berarti bahwa semua
parameter model diasumsikan diketahui dengan pasti. Tetapi dalam kehidupan
nyata jarang seseorang menghadapi masalah di mana terjadi kepastian yang
sesungguhnya. Teknik LP mengkompensasikan kekurangan ini dengan
memberikan analisis pasca optimum yang sistematis untuk memungkinkan
pengambil keputusan yang bersangkutan menguji perubahan dalam berbagai
parameter dari model tersebut. Pada intinya, teknik tambahan ini memberikan
dimensi dinamis (Fauzi, 2002).
1

 Pengembangan model matematis dapat dimulai dengan

menjawab ketiga pertanyaan berikut ini :
Apakah yang diusahakan untuk ditentukan oleh model
tersebut? Dengan kata lain, apakah variabel (yang tidak
diketahui) dari masalah tersebut?
Apakah batasan (kendala) yang harus dikenakan atas
variabel untuk memenuhi batasan sistem model
tersebut?
Apakah tujuan (sasaran) yang harus dicapai untuk
menentukan pemecahan
optimum (terbaik) dari semua nilai yang layak dari
variabel tersebut?
Cara yang efektif untuk menjawab pertanyaanpertanyaan ini adalah memberikan ringkasan untuk
masalah yang bersangkutan. Dapat diaplikasikan pada
contoh Pabrik Cat berikut
2

Linear Programing dengan Model Dua Variabel dan

Pemecahannya
Contoh : Reddy Mikks company memiliki sebuah pabrik yang
menghasilkan cat, baik untuk eksterior maupun interior untuk
didistribusikan kepada para grosir. Harga jual cat eksterior 3 unit
harga, cat interior 2 unit harga. Permintaan cat interior max 1 ton
lebih dari cat eksterior, produksi cat interior max 2 ton/hari.
Data :
Ton Bahan Mentah per
Ketersedia
Ton Cat
an
Maksimum
Eksterior
Interior
(Ton)
Bahan
Mentah A

Bahan
Mentah B

8
3

Pengembangan Model Matematis

1 Variabel : Xe = jumlah ton cat eksterior yang diproduksi setiap hari

Xi = jumlah ton cat interior yang diproduksi setiap hari
2. Fungsi Tujuan (Objective Function) : Max Z = 3 Xe + 2 Xi
3. Batasan (Constraint) :
Xe + 2 Xi 6 (bahan mentah A)
2 Xe + Xi 8 (bahan mentah B)
Xi - Xe 1 (perbedaan max cat interior & eksterior)
Xi
2 (max cat interior)

Penyelesaian secara grafis

xE + 2xI 6
2xE + xI 8
-xE + xI 1
xI 2
xE
0
xI 0

8
7
6
2
5

1
2
3
4
5
6

4
1
3
2

E
1

D
C

Ruang
pemecahan

F
A

B
1

J
4

xE

Membuat persamaan bentuk standard untuk penyelesaian secara

simplek
Max :

Z = 3 Xe + 2 Xi +0 S1+ 0 S2 + 0 S3 + 0 S4

Dengan batasan : Xe + 2 Xi + S1
=6
2 Xe + Xi
+ S2
=8
- Xe + Xi
+ S3
=1
Xi
+ S4 = 2
Xe, Xi, S1, S2, S3, S4
0

Penyelesaian dengan cara simplek

Dasar

Xe

Xi

S1

S2

S3

S4

Solution

-3

-2

Persamaan Z

S1

Persamaan S1

Persamaan S2

S2

S3

-1

Persamaan S3

S4

Persamaan S4
7

Penyelesaian dengan cara simplek

IN

Iterasi I

Titik potong
Solution (Ratio)

Dasar

Xe

Xi

S1

S2

S3

S4

-3

-2

0/-3= 0

S1

6/1 = 6

S2

2( titik
pivot)

8/2 = 4
(terkecil)

S3

-1

- 1 (tidak
boleh negatif)

S4

tidak boleh
dibagi 0 8

Out

Dasar

Pers.Pivot

Xe

Xe

Xi

S1

S2

S3

S4

Solution

0/2

2/2

1/2

0/2

1/2

0/2

0/2

8/2

1/2

1/2

Ratio

8/2 =4

Operasi Gauss-Jordan berikut menghasilkan tabel baru:

1.
Persamaan pivot Xe baru = persamaan S2 lama : 2
2.
Persamaan Z baru = persamaan Z lama - (-3) x pers pivot baru
3.
Persamaan S1 baru= persamaan S1 lama - (1) x pers pivot baru
4.
Persamaan S3 baru= persamaan S3 lama - (-1) x pers pivot baru
5.
Persamaan S4 baru= persamaan S4 lama - (0) x pers pivot baru

10

Operasi Gauss-Jordan
Persamaan Z lama

-3

-2

-(-3) x Pers pivot baru

3/2

3/2

12

Persamaan Z baru

-1/2

3/2

12

Persamaan S1 lama

-1 x Pers pivot baru

-1

-1/2

-1/2

-4

Persamaan S1 baru

3/2

-1/2

Persamaan S3 lama

-1

-(-1) x Pers pivot baru

1/2

1/2

Persamaan S3 baru

3/2

1/2

11

12

I PEMROGRAMAN LINIER
Sejak diperkenalkan di akhir dasawarsa 1960 pemrograman linier merupakan
salah satu alat pengambil keputusan yang paling efektif. Keberhasilannya
berakar dari keluwesannya dalam menjabarkan di mana kalangan pemakai
teknik optimasi ini sukses dalam menggunakan hasil optimasi linier sebagai
sebuah alat pengambil keputusan situasi kehidupan nyata di bidang-bidang
berikut : militer, industri, pertanian, transportasi, ekonomi, kesehatan,
keteknikan bahkan ilmu sosial dan perilaku (Taha,1996). Di samping itu,
tersedianya program komputer yang sangat efisien untuk memecahkan
masalah-masalah Linier Programing yang sangat luas, merupakan faktor
penting dalam penyebaran penggunaan teknik optimasi ini (Lasdon,1998).
Pemrograman linier adalah sebuah alat deterministik, yang berarti bahwa semua
parameter model diasumsikan diketahui dengan pasti. Tetapi dalam kehidupan
nyata jarang seseorang menghadapi masalah di mana terjadi kepastian yang
sesungguhnya. Teknik LP mengkompensasikan kekurangan ini dengan
memberikan analisis pasca optimum yang sistematis untuk memungkinkan
pengambil keputusan yang bersangkutan menguji perubahan dalam berbagai
parameter dari model tersebut. Pada intinya, teknik tambahan ini memberikan
dimensi dinamis (Fauzi, 2002).
13

 Pengembangan model matematis dapat dimulai dengan

menjawab ketiga pertanyaan berikut ini :
Apakah yang diusahakan untuk ditentukan oleh model
tersebut? Dengan kata lain, apakah variabel (yang tidak
diketahui) dari masalah tersebut?
Apakah batasan (kendala) yang harus dikenakan atas
variabel untuk memenuhi batasan sistem model
tersebut?
Apakah tujuan (sasaran) yang harus dicapai untuk
menentukan pemecahan
optimum (terbaik) dari semua nilai yang layak dari
variabel tersebut?
Cara yang efektif untuk menjawab pertanyaanpertanyaan ini adalah memberikan ringkasan untuk
masalah yang bersangkutan. Dapat diaplikasikan pada
contoh Pabrik Cat berikut
14

Linear Programing dengan Model Dua Variabel dan

Pemecahannya
Contoh : Reddy Mikks company memiliki sebuah pabrik yang
menghasilkan cat, baik untuk eksterior maupun interior untuk
didistribusikan kepada para grosir. Harga jual cat eksterior 3 unit
harga, cat interior 2 unit harga. Permintaan cat interior max 1 ton
lebih dari cat eksterior, produksi cat interior max 2 ton/hari.
Data :
Ton Bahan Mentah per
Ketersedia
Ton Cat
an
Maksimum
Eksterior
Interior
(Ton)
Bahan
Mentah A

Bahan
Mentah B

8
15

Pengembangan Model Matematis

1 Variabel : Xe = jumlah ton cat eksterior yang diproduksi setiap hari

Xi = jumlah ton cat interior yang diproduksi setiap hari
2. Fungsi Tujuan (Objective Function) : Max Z = 3 Xe + 2 Xi
3. Batasan (Constraint) :
Xe + 2 Xi 6 (bahan mentah A)
2 Xe + Xi 8 (bahan mentah B)
Xi - Xe 1 (perbedaan max cat interior & eksterior)
Xi
2 (max cat interior)

16

Penyelesaian secara grafis

xE + 2xI 6
2xE + xI 8
-xE + xI 1
xI 2
xE
0
xI 0

8
7
6
2
5

1
2
3
4
5
6

4
1
3
2

E
1

D
C

Ruang
pemecahan

F
A

B
1

J
4

xE 17

Membuat persamaan bentuk standard untuk penyelesaian secara

simplek
Max :

Z = 3 Xe + 2 Xi +0 S1+ 0 S2 + 0 S3 + 0 S4

Dengan batasan : Xe + 2 Xi + S1
=6
2 Xe + Xi
+ S2
=8
- Xe + Xi
+ S3
=1
Xi
+ S4 = 2
Xe, Xi, S1, S2, S3, S4
0

18

Penyelesaian dengan cara simplek

Dasar

Xe

Xi

S1

S2

S3

S4

Solution

-3

-2

Persamaan Z

S1

Persamaan S1

Persamaan S2

S2

S3

-1

Persamaan S3

S4

Persamaan S4
19

Penyelesaian dengan cara simplek

IN

Iterasi I

Titik potong
Solution (Ratio)

Dasar

Xe

Xi

S1

S2

S3

S4

-3

-2

0/-3= 0

S1

6/1 = 6

S2

2( titik
pivot)

8/2 = 4
(terkecil)

S3

-1

- 1 (tidak
boleh negatif)

S4

tidak boleh
dibagi 0 20

Out

Dasar

Pers.Pivot

Xe

Xe

Xi

S1

S2

S3

S4

Solution

0/2

2/2

1/2

0/2

1/2

0/2

0/2

8/2

1/2

1/2

Ratio

8/2 =4

21

Operasi Gauss-Jordan berikut menghasilkan tabel baru:

1.
Persamaan pivot Xe baru = persamaan S2 lama : 2
2.
Persamaan Z baru = persamaan Z lama - (-3) x pers pivot baru
3.
Persamaan S1 baru= persamaan S1 lama - (1) x pers pivot baru
4.
Persamaan S3 baru= persamaan S3 lama - (-1) x pers pivot baru
5.
Persamaan S4 baru= persamaan S4 lama - (0) x pers pivot baru

22

Operasi Gauss-Jordan
Persamaan Z lama

-3

-2

-(-3) x Pers pivot baru

3/2

3/2

12

Persamaan Z baru

-1/2

3/2

12

Persamaan S1 lama

-1 x Pers pivot baru

-1

-1/2

-1/2

-4

Persamaan S1 baru

3/2

-1/2

Persamaan S3 lama

-1

-(-1) x Pers pivot baru

1/2

1/2

Persamaan S3 baru

3/2

1/2

23

Penyelesaian dengan cara simplek

IN

Iterasi 2

Dasar

Xe

Xi

S1

S2

S3

S4

Solution

Ratio

-1/2

3/2

12

S1

3/2

-1/2

2/3/2=4/3

Xe

1/2

1/2

4/(1/2)=8

S3

3/2

1/2

5/3/2=10/3

S4

2/1=2

Out

24

Operasi Gauss-Jordan berikut menghasilkan tabel baru:

1.
Persamaan pivot S1(Xi) baru = persamaan S1 lama : 3/2
2.
Persamaan Z baru = persamaan Z lama - (-1/2) x pers pivot baru
3.
Persamaan Xe baru= persamaan Xe lama - (1/2) x pers pivot baru
4.
Persamaan S3 baru= persamaan S3 lama - (3/2) x pers pivot baru
5.
Persamaan S4 baru= persamaan S4 lama - (1) x pers pivot baru

25

Iterasi 3

Dasar

Xe

Xi

S1

S2

S3

S4

Solution

1/3

4/3

12

Xi

2/3

-1/3

4/3

Xe

-1/3

2/3

10/3

S3

-1

S4

- 2/3

1/3

2/3

Pemecahan ini optimal karena tidak ada kofisien negatif pada persamaan Z, dengan
besaran Xi = 4/3, Xe = 10/3 dan Z = 12

26

PEMECAHAN AWAL BUATAN UNTUK METODE SIMPLEKS PRIMAL

Dalam model Reddy Mikks, semua batasan adalah berjenis . Sifat ini,
bersamaan dengan fakta bahwa sisi kanan dari semua batasan adalah nonnegatif, memberikan kita pemecahan dasar awal yang layak yang terdiri dari
semua variabel slack. Kondisi seperti ini tidak dipenuhi oleh semua model LP,
sehingga menimbulkan kebutuhan untuk merancang sebuah prosedur
perhitungan otomatis untuk memulai iterasi simpleks. Kita melakukan ini
dengan menambahkan variabel buatan (artificial variable) atau variabel
tambahan yang diperlukan untuk memainkan peran variabel slack. Tetapi,
karena variabel buatan seperti itu tidak memiliki makna fisik dalam model
semula (sehingga diberi nama buatan),

27

ketentuan harus dibuat untuk membuatnya menjadi nol di iterasi

optimum. Dengan kata lain, kita menggunakan variabel buatan
untuk memulai pemecahan, dan lalu meninggalkan mereka setelah
misi mereka terpenuhi. Kita mencapai hal ini dengan menggunakan
umpan balik informasi, yang akan membuat variabel ini tidak
menarik dari sudut pandang optimisasi. Satu cara yang logis untuk
mencapai tujuan ini adalah dengan mengenakan penalti pada
variabel buatan dalam fungsi tujuan. Dua metode (yang berkaitan
erat) yang didasari oleh penggunaan penalti tersedia untuk maksud
ini (1) metode M atau metode penalti dan (2) metode dua tahap.
Perincian tentang kedua prosedur ini diberikan berikut ini.
28

 Teknik M (Metode Penalti)

Kita menjabarkan metode ini dengan menggunakan contoh numerik

berikut ini:
Minimumkan z = 4x1 + x2
Dengan batasan
3x1 + x2 = 3
4x1 + 3x2 6
x1 + 2x2 4
x1, x2 0
Bentuk standar dari model ini menjadi
Minimumkan z
= 4x1 + x2
3x1 + x2
=3
4x1 + 3x2 x3
=6
x1 + 2x2
+ x4
=4
x1, x2, x3, x4
0

29

 Persamaan pertama dan kedua tidak memiliki variabel

yang memainkan peran sebagai variabel slack. Jadi kita
menambahkan dua variabel buatan R1 dan R2 dalam
kedua persamaan ini sebagai berikut:
3x1 + x2 + R1 = 3
4x1 + 3x2 x3 + R2
=6
Kita dapat mengenakan penalti pada R1 dan R2 dalam
fungsi tujuan dengan memberikan koefisien positif yang
sangat besar dalam fungsi tujuan. Anggaplah M > 0
merupakan sebuah konstanta yang sangat besar, jadi
LP dengan variabel buatan ini menjadi

30

Minimumkan z = 4x1 + x2 + MR1 + MR2

Dengan batasan
3x1 + x2
+ R1
=3
4x1 + 3x2 x3 + R2
=6
x1 + 2x2
+ x4
=4
x1, x2, x3,R1, R2, x4 0
Perhatikan alasan di balik penggunaan variabel buatan. Kita memiliki
tiga persamaan dan enam variabel yang tidak diketahui. Jadi
pemecahan dasar awal harus mencakup 6 3 = 3 variabel nol. Jika
kita menempatkan x1, x2, dan x3 di tingkat nol, kita dengan segera
memperoleh pemecahan R1 = 3, R2 = 6 dan x4 = 4, yang merupakan
pemecahan awal yang layak, yang diperlukan.

31

Sekarang, amati bagaimana model baru ini secara otomatis memaksa R1

dan R2 untuk menjadi nol. Karena kita melakukan minimasi, dengan
memberikan M dan R1 dan R2 dalam fungsi tujuan, proses optimasi yang
mengusahakan nilai minimum dari z pada akhirnya akan memberikan nilai
nol pada R1 dan R2 dalam pemecahan optimum. Perhatikan bahwa iterasiiterasi sebelum iterasi optimum adalah tidak penting bagi kita. Akibatnya,
tidak menjadi masalah apakah iterasi tersebut mencakup variabel buatan di
tingkat positif. Bagaimana teknik M berubah jika kita melakukan maksimasi
dan bukan minimasi? Dengan menggunakan logika yang sama dengan
mengenakan penalti pada variabel buatan, kita harus memberikan koefisien
M dalam fungsi tujuan (M > 0), sehingga membuatnya tidak menarik untuk
mempertahankan variabel buatan di tingkat positif dalam pemecahan
optimum.
32

 Setelah mengembangkan pemecahan awal

yang layak, kita harus mengkondisikan
masalah tersebut sehingga ketika
menempatkannya dalam bentuk tabel, kolom
sisi kanan akan memberikan pemecahan awal
secara langsung. Ini dilakukan dengan
menggunakan persamaan batasan untuk
mensubstitusi keluar R1 dan R2 dalam fungsi
tujuan. Jadi
R1 = 3 - 3x1 - x2
R2 = 6 - 4x1 - 3x2 + x3
33

Fungsi tujuan menjadi

z = 4x1 + x2+ M(3 - 3x1 - x2) + M(6 - 4x1 - 3x2 + x3)
= (4-7M)x1 + (1- 4)x2 + Mx3 + 9M
dan persamaan z tersebut sekarang terlihat dalam tabel
seperti
z = (4-7M)x1 - (1- 4M)x2 Mx3 + 9M
Sekarang anda melihat bahwa di pemecahan awal, dengan
diketahui
x1 = x2 = x3 = 0, nilai z adalah 9M, seperti seharusnya
ketika R1 = 3 dan R2 = 6.
Urutan tabel yang mengarah pada pemecahan optimum
diperlihatkan dalam tabel 1. Amati bahwa ini adalah
masalah minimisasi sehingga variabel masuk harus
memiliki koefisien yang paling positif dalam persamaan z.
34

 Pemecahan optimum dicapai ketika semua

variabel nondasar memiliki koefisien z yang
nonpositif. (Ingat bahwa M adalah konstanta
positif yang sangat besar).
Pemecahan optimum adalah x1 = 2/5, x2 = 9/5,
dan z = 17/5. Karena pemecahan ini tidak
memiliki variabel buatan di tingkat positif,
pemecahan ini layak dalam kaitannya dengan
masalah semula sebelum variabel buatan
ditambahkan. (Jika masalah ini tidak memiliki
pemecahan yang layak, setidaknya satu variabel
buatan akan positif dalam pemecahan yang
optimum. Kasus ini dibahas dalam bagian
berikutnya).
35

Tabel 1
Iterasi

Dasar

x1

x2

x3

R1

R2

x4

Pemecahan

0
(awal)
x1 masuk
R1 keluar

- 4 + 7M

- 1 + 4M

-M

9M

R1
R2
R3
z

3
4
1
0

0
-1
0
-M

0
0
1
0

3
6
4
4 + 2M

1
0
0
0
1
0
0
0
1
0
0

1
0
0
4 - 7M
3
1/3
- 4/3
- 1/3
8/5 - M
3/5
-4/5
1
7/5 - M
2/5
-1/5
1

0
1
0
0

x1
R2
x4
z
x1
x2
x4
z
x1
x2
x3

1
3
2
1 + 5M
3
1/3
5/3
5/3
0
0
1
0
0
0
1
0

0
1
0
-1/5 - M
-1/5
3/5
-1
-M
0
0
-1

0
0
1
0
0
0
1
-1/5
-1/5
3/5
1

1
2
3
18/5
3/5
6/5
1
17/5
2/5
9/5
1

1
x2 masuk
R2 keluar
2
x3 masuk
x4 keluar
3
(optimum)

0
-1
0
1/5
1/5
-3/5
1
0
0
0
1

Kolom z telah dihapus untuk memudahkan, karena kolom tidak pernah berubah. Kita
akan mengikuti konvensi diseluruh teori ini.
36

Latihan 1
a) Tuliskan persamaan z untuk contoh di atas sebagaimana tampil dalam tabel
ketika masing-masing dari perubahan ini terjadi secara independen.
1)Batasan ketiga pada awalnya berjenis .
[Jawab. z + (-4 + 8M) x1 + (-1 + 6 M) x2 Mx3 Mx4 = 13M.
Gunakan variabel buatan dalam ketiga persamaan.]
2)Batasan kedua pada awalnya berjenis
[Jawab. z + (-4 + 3M) x1 + (-1 + M) x2 = 3M. Gunakan variabel
buatan hanya dalam persamaan pertama.]
3)Fungsi tujuan adalah memaksimumkan z = 4 x1 + x2
[Jawab. z + (-4 - 7M) x1 + (-1 - 4M) x2 + M x3 = 3M. Gunakan
variabel buatan hanya dalam persamaan pertama dan kedua.]
b) Dalam masing-masing kasus di bawah ini, tunjukkan apakah sepenuhnya
diperlukan untuk menggunakan variabel buatan untuk memperoleh
pemecahan awal. Asumsikan bahwa semua variabel adalah nonnegatif.
(1) Maksimumkan z = x1 + x2
dengan batasan
37

7x1 + 2x2 6
3x1 + 3x2 = 5
[Jawab. Ya, gunakan R1 dalam persamaan pertama dan
variabel slack dalam persamaan kedua.]
(2) Minimumkan z = x1 + x2 + x3 + x4
Kendala
2 x1 + x2+ x3
=7
4 x3 + 3x2 + x4 = 8
[Jawab. Tidak, gunakan x3 dan x4; tetapi, pertama-tama
substitusikan keduanya keluar dalam fungsi z dengan
menggunakan x3 = 7 - 2x1 x2 dan x4 = 8 - 4 x1 - R2.]

38

Latihan Komputer
Rancangan metode M didasari oleh persyaratan bahwa
nilai M harus cukup besar. Secara teoritis, M cenderung
tak terhingga. Tetapi, dari sudut pandang perhitungan,
pilihan M yang spesifik dapat memiliki pengaruh
dramatis terhadap hasil, karena kesalahan pembulatan
oleh komputer. Untuk mengilustrasikan hal ini,
pertimbangkan masalah berikut ini:
maksimumkan z = 0,2 x1 + 0,5 x2
dengan batasan
3 x1 +2 x2 6
x1 + 2 x2 4
x1, x2 0

39

Dengan menggunakan prosedur "user-guided" dari SOLVER, terapkan

metode simpleks primal dengan menggunakan M = 10 dan lalu ulangi
metode tersebut dengan menggunakan M = 999.999. M pertama
menghasilkan pemecahan yang tepat z = 0,95, x1 = 1, x2 = 1,5,
sementara M kedua memberikan pemecahan yang tidak tepat z = 1,18,
x1 = 4, x2 = 0 (perhatikan inkonsistensi dalam nilai z yang dihasilkan).
Sekarang, kalikan koefisien dalam fungsi tujuan dengan 100 sehingga
menjadi z = 200 x1 + 500 x2 dan pecahkan masalah ini dengan
menggunakan M = 10 dan M = 999.999 serta amati bahwa nilai kedua
adalah nilai yang menghasilkan pemecahan yang tepat. Latihan ini
memperlihatkan bahwa nilai M harus dipilih secara relatif terhadap
nilai koefisien tujuan.

40

Tabel dibawah ini hasil operasi iterasi ke 3 untuk mendapatkan besaran yang
tertera dapat dijelaskan pada penjabaran berikut
Iterasi
0
(awal)
x1 masuk
R1 keluar
1
x2 masuk
R2 keluar
2
x3 masuk
x4 keluar
3
(optimum)

Dasar
z

x1
- 4 + 7M

X2
- 1 + 4M

x3
-M

R1
0

R2
0

x4
0

Pemecahan
9M

R1
R2
x4
z

3
4
1
0

0
-1
0
-M

0
0
1
0

3
6
4
4 + 2M

1
0
0
0
1
0
0
0
1
0
0

1
0
0
4 - 7M
3
1/3
- 4/3
- 1/3
8/5 - M
3/5
-4/5
1
7/5 - M
2/5
-1/5
1

0
1
0
0

x1
R2
x4
z
x1
x2
x4
z
x1
x2
x3

1
3
2
1 + 5M
3
1/3
5/3
5/3
0
0
1
0
0
0
1
0

0
1
0
-1/5 - M
-1/5
3/5
-1
-M
0
0
-1

0
0
1
0
0
0
1
-1/5
-1/5
3/5
1

1
2
3
18/5
3/5
6/5
1
17/5
2/5
9/5
1

0
-1
0
1/5
1/5
-3/5
1
0
0
0
1

41

Dasar
z
R1
R2
x4

x1
-4+7M
3
4
1

x2
-1+4M
1
3
2

x3
-M
0
-1
0

R1
0
1
0
0

R2
0
0
1
0

x4
0
0
0
1

Solution

9M
3
6
4

3/3=1 *
6/4=1.5
4/1=4

Iterasi ke 0 : X1 masuk R1 keluar

X1=pivot

3/3=1

1/3

1/3

3/3=1

Z lama

-4+7M

-1+4M

-M

9M

(4-7M) x Pivot

4-7M

4/3-7/3M

4/3-7/3M

4-7M

Z baru

1/3+5/3M

-M

4/3-7/3M

4+2M

R2 lama

4
-4
0

3
-4/3
5/3

-1
0
-1

0
-4/3
-4/3

1
0
1

0
0
0

6
-4
2

-4x Pivot

R2 baru

42

Dasar

x1

X4 lama
-1x Pivot
X4 baru

1
-1
0

Z
X1
R2
X4

0
1
0
0

X2=pivot

-3/5

-4/5

3/5

6/5

Z lama

1/3+5/3M

-M

4/3-7/3M

4+2M

-1/3-5/3M 1/5+M 4/15+4/3M -1/5-M 0

-(1/3+5/3M) x

pivot
Z baru

x2

x3

R1

R2

x4 Solution

2
0
0
0
1
-1/3
0
-1/3
0
0
5/3
0
-1/3
0
1
Iterasi Ke 1 : X2 masuk R2 keluar
1/3+5/3M -M 4/3-7/3M
0
0
1/3
0
1/3
0
0
5/3
-1
-4/3
1
0
5/3
0
-1/3
0
1

1/5

8/5-M

-1/5-M 0

4
-1
3

4+2M
1
1:1/3=3
2
2:5/3=1.2*
3
3:5/3=1.8

-2/5-2M
18/5

43

Dasar
X 1 lama
-1/3x pivot
X 1 baru

x1
1
0
1

x2
1/3
-1/3
0

x3
0
1/5
1/5

R1
1/3
4/15
3/5

R2
0
-1/5
-1/5

X4 lama
-5/3x pivot
X4 baru

0
0
0

Z
X1
X2
X4

0
1
0
0

5/3
0
-1/3
0
1
-5/3
1
4/3
-1
0
0
1
1
-1
1
Iterasi 2 X3 masuk ; X4 keluar
0
1/5
8/5-M -1/5-M 0
0
1/5
3/5
-1/5 0
1
-3/5
-4/5
3/5 0
0
1
1
-1
1

X3=pivot

Z lama
-1/5x pivot
Z baru

0
0
0

0
0
0

1/5
-1/5
0

8/5-M
-1/5
7/5-M

-1

x4 Solution
0
1
0
-2/5 +
0
3/5

-1/5-M 0
1/5 -1/5
-M -1/5

3
-2
1
18/5
3/5
6/5
1

3/5:1/5=3
1:1=1 *

1
18/5
-1/5
17/5

+
44

Dasar

x1

x2

x3

R1

R2

x4 Solution

X1 lama
-1/5x pivot
X1 baru

1
0
1

0
0
0

1/5
-1/5
0

3/5
-1/5
2/5

-1/5 0
1/5 -1/5
0 -1/5

3/5
-1/5
2/5

X2 lama
3/5x pivot
X2 baru

0
0
0

1
0
1

-3/5
3/5
-3/5

-4/5
3/5
-4/5

3/5 0
-3/5 3/5
3/5 0

6/5
3/5
9/5

Iterasi Optimum koefisien pada pers. Z negatif semua dengan besaran

Solution Z= 17/5 pada X1= 2/5 dan X2= 9/5
Z
X1
X2
X3

0
1
0
0

0
0
1
0

0
0
-3/5
1

7/5-M
2/5
-4/5
1

-M
0
3/5
-1

-1/5
-1/5

0
1

17/5
2/5
9/5
1

45

B. Teknik Dua Tahap

Sebagaimana diflustrasikan dalam latihan komputer di atas, satu
kekurangan dari teknik M adalah kemungkinan kesalahan perhitungan
yang dapat dihasilkan dari pemberian nilai yang terlalu besar untuk
konstanta M. Metode dua tahap dirancang untuk mengatasi kesulitan
ini. Walaupun variabel buatan ditambahkan dengan cara yang sama
seperti yang dipergunakan dalam teknik M, penggunaan konstanta M
disingkirkan dengan memecahkan masalah dalam dua tahap (sehingga
dinamakan metode "dua tahap"). Kedua tahap ini digariskan sebagai
berikut:

46

Tahap 1. Tambahkan variabel buatan sebagaimana diperlukan untuk

memperoleh pemecahan awal. Bentuklah fungsi tujuan baru yang
mengusahakan minimisasi jumlah variabel buatan dengan batasan
masalah semula yang dimodifikasi oleh variabel buatan tersebut. Jika
nilai minimum dari fungsi tujuan yang baru itu adalah nol (yang berarti
bahwa semua variabel buatan adalah nol), masalah tersebut memiliki
ruang pemecahan yang layak. Lanjutkan ke tahap II. Jika tidak, jika
nilai minimum itu positif, masalah itu tidak memiliki pemecahan yang
layak. Hentikan.
Tahap II. Gunakan pemecahan dasar optimum dari tahap I sebagai
pemecahan awal untuk masalah semula.
Prosedur ini diilustrasikan dengan menggunakan contoh teknik M

47

Tahap 1. Karena, kita memerlukan variabel buatan R1 dan R2 dalam

persamaan pertama dan kedua, masalah tahap I dapat berbunyi
minimumkan r = R1 + R2 dengan batasan
3x1 + x2

+ R1

4 x1 + 3 x2 x3

=3
+ R2

=6

x1, x2, x3, R1, R2, x4 0

Karena R1, dan R2, termasuk dalam pemecahan awal, keduanya harus
disubstitusi keluar dalam fungsi tujuan (bandingkan dengan teknik M)
sebagai berikut:
r = R1 + R2
= (3 - 3 x1 x2) + (6 - 4 x1 - 3 x2 + x3)
= -7 x1 - 4 x2 + x3 + 9

48

Dengan demikian tabel awal menjadi

Dasar

x1

x2

x3

R1

R2

x4

Pemecahan

-1

R1
R2
x4

3
4
1

1
3
2

0
-1
0

1
0
0

0
1
0

0
0
1

3
6
4

Tabel optimum diperoleh dalam dua iterasi dan diketahui (periksalah)

Dasar

x1

x2

x3

R1

R2

x4

Pemecahan

-1

-1

x1
x2
x4

1
0
0

0
1
0

1/5
-3/5
1

3/5
-4/5
1

-1/5
3/5
-1

0
0
1

3/5
6/5
1

Karena minimum r = 0, masalah ini memiliki pemecahan

yang layak; karena itu kita bergerak ke tahap II.
49

Tahap II. Variabel buatan sekarang telah menjalankan

fungsinya dan harus disingkirkan dalam semua perhitungan
berikutnya. Ini berarti bahwa persamaan dalam tabel optimum di
tahap I dapat ditulis sebagai
x1 + (1/5)x3

= 3/5

x2 (3/5) (x3) = 6/5

x3 + x4 = 1

50

Persamaan ini tepat setara dengan persamaan dalam bentuk standar

dari masalah semula (sebelum variabel buatan ditambahkan). Jadi
masalah semula tersebut dapat ditulis sebagai

minimumkan z = 4 x1 + x2
dengan batasan
x1 + (1/5)x3

= 3/5

x2 (3/5) (x3) = 6/5

x3 + x4 = 1
x1, x2, x3, x4 0
51

Kontribusi utama dari perhitungan tahap I adalah memberikan

pemecahan awal yang siap untuk soal semula. Karena soal tersebut
memiliki 3 persamaan dan 4 variabel, dengan menempatkan 4 - 3 =
1 variabel, yaitu x3, sama dengan 0, memperoleh pemecahan dasar
awal yang layak x1 = 3/5, x2 = 6/5, dan x4 = 1.
Untuk memecahkan soal ini, kita perlu mensubstitusi variabel dasar
x1 dan x2 dalam fungsi tujuan seperti yang kita lakukan dalam
teknik M. Ini dicapai dengan menggunakan persamaan batasan
sebagai berikut:
z = 4 x1 + x2
= 4 {3/5- (1/5) x3 } + {6/5 + (3/5) x3}
= -1/5 x3 + 18/5

52

Jadi tabel awal untuk tahap II menjadi

Dasar

x1

x2

x3

x4

Pemecahan

1/5

18/5

x1
x2
x4

1
0
0

0
1
0

1/5
- 3/5
1

0
0
1

3/5
6/5
1

Tabel tersebut tidak optimal, karena x3 harus memasuki pemecahan.

Jika kita melakukan perhitungan simpleks, kita akan memperoleh
pemecahan optimum dalam satu iterasi. Penyingkiran variabel
buatan di akhir tahap I dilakukan hanya ketika semua variabel
tersebut adalah nondasar (seperti yang diilustrasikan dalam contoh di
atas). Tetapi, adalah mungkin bahwa satu variabel buatan atau lebih
tetap dasar tetapi di tingkat nol di akhir tahap I. Dalam kasus seperti
ini, variabel seperti itu haruslah menjadi bagian dari pemecahan

53

awal tahap II. Dengan demikian, perhitungan tahap II harus

dimodifikasi untuk mencegah variabel buatan memperoleh nilai
positif selama iterasi dalam tahap II. Peraturan untuk menjamin
bahwa variabel buatan nol tidak akan pernah menjadi positif dalam
tahap II adalah sederhana. Amati bahwa dalam kolom masuk,
koefisien batasan yang berkaitan dengan baris variabel buatan dapat
positif, nol, atau negatif. Jika positif, itu akan secara otomatis
menjadi elemen pivot (karena akan bersesuaian dengan rasio
minimum sebesar nol) dan variabel buatan itu dapat dipastikan akan
meninggalkan pemecahan dasar untuk menjadi variabel nondasar
dalam iterasi berikutnya (penyingkiran yang baik!). Lalu, jika
54

koefisien itu nol, walaupun elemen pivot akan berada tempat lain di
kolom masuk, sifat operasi baris menjamin bahwa baris buatan
tersebut tetap tidak berubah, yang membuat variabel dasar buatan
tersebut berada di tingkat nol sebagaimana diinginkan. Kasus satusatunya yang tersisa adalah koefisien negatif. Dalam kasus ini,
elemen pivot pasti berada di tempat lain dalam kolom masuk dan
jika rasio minimum yang dihasilkan kebetulan positif, maka variabel
buatan tersebut akan memiliki nilai positif dalam. iterasi berikutnya
(dapatkah anda melihat mengapa?). Untuk mencegah hal ini terjadi,
semua yang perlu kita lakukan adalah memaksa variabel buatan
tersebut untuk tetap meninggalkan pemecahan,
55

Semata-mata dengan memilih koefisien negatif tersebut sebagai

elemen pivot untuk iterasi. Walau pun kita melanggar peraturan rasio
minimum, kita tidak akan melanggar kelayakan masalah tersebut
(yang adalah inti dari peraturan rasio minimum) karena variabel
buatan tersebut memiliki nilai nol. Jadi, ketika anda melakukan
operasi baris, sisi kanan dari tabel tetap tidak berubah., dan karena
itu layak. Untuk meringkaskan, peraturan "baru" untuk tahap II
menuntut pemilihan variabel buatan untuk meninggalkan pemecahan
dasar setiap kali koefisien batasan variabel tersebut dalam kolom
masuk memiliki nilai tidak nol (positif atau. negatif). (Pada
kenyataannya, peraturan ini dapat diterapkan untuk setiap
56

variabel dasar nol dalam setiap tabel simpleks tanpa kekuatiran

untuk melanggar kondisi kelayakan). Latihan komputer berikut ini
memberikan ilustrasi tentang peraturan ini dengan menggunakan
Solver.

Latihan komputer
Pertimbangkan Pertanyaan 3-38. Gunakan prosedur "user-guided"
Solver untuk memilih simpleks primal dengan pemecahan awal dua
tahap. Anda akan melihat bahwa tahap II dimulai di iterasi 2 dengan
variabel buatan dasar Rx6 di tingkat nol. Pada iterasi 3, anda akan
melihat bahwa x3 adalah variabel masuk. Secara normal, rasio
57

minimum akan bersesuaian dengan. x2 karena variabel ini memiliki

satu-satunya koefisien positif di bawah x3. Tetapi, karena koefisien
batasan dari variabel buatan Rx6 adalah tidak nol, metode simpleks
akan menyingkirkan Rx6 dari kelompok variabel dasar untuk
mencegahnya memiliki nilai positif (iterasi 4). Jika anda memaksa x2
untuk meninggalkan pemecahan, anda akan menemukan bahwa
pemecahan dalam iterasi 4 akan menjadi tidak layak (cobalah!).

Latihan 3-4
(a) Dalam tahap 1, apa yang dinyatakan oleh variabel buatan? Secara
spesifik, mengapa jumlah variabel buatan diminimumkan?
58

Metode Dua Tahap

Minimumkan z = 4x1 + x2
Dengan batasan
3x1 + x2 = 3
4x1 + 3x2 6
x1 + 2x2 4
x1, x2 0
minimumkan r = R1 + R2
dengan batasan
3x1 + x2
+ R1 = 3
4 x1 + 3 x2 x3
+ R2 = 6
x1, x2, x3, R1, R2, x4 0
r = R1 + R2
= (3 - 3 x1 x2) + (6 - 4 x1 - 3 x2 + x3)
= -7 x1 - 4 x2 + x3 + 9
59

Iterasi 1 : x1 masuk ; R1keluar

Dasar

x1

x2

x3

R1

R2

x4

Solution

-1

9/7=1 2/7

R1

3/3=1 *

R2

-1

6/4=1 1/2

x4

4/1=4

x1=pivot

1/3

1/3

r lama

-1

-7x pivot

-7

-7/3

-7/3

-7

r baru

5/3

-1

-7/3

R2lama

-1

-4xpivot

-4

-4/3

-4/3

-4

R2baru

5/3

-1

-4/3

2
60

Dasar

x1

x2

x3

R1

R2

x4

Solution

x4 lama

-1x pivot

-1

-1/3

1/3

-1

x4 baru

5/3

1/3

Iterasi ke 2 : X2 masuk R2 keluar

r

5/3

-1

-7/3

x1

1/3

1/3

1:1/3=3

R2

5/3

-1

-4/3

2:5/3=6/5*

x4

5/3

1/3

3:5/3=9/5

X2=pivot

-3/5

-4/5

3/5

6/5

r lama

5/3

-1

-7/3

-5/3xpivot

-5/3

4/3

-1

-2

r baru

-1

-1

0
61

Dasar

x1

x2

x3

R1

R2

x4

Solution

x1lama

1/3

-1/3xpivot

-1/3

1/5

4/15

-1/5

-2/5

x1baru

1/5

4/15

-1/5

3/5

x4 lama

5/3

-5/3xpivot

-5/3

4/3

-1

-2

x4 baru

4/3

-1

Tabel optimal koefisien r negatif dan nilai = 0

Dasar

x1

x2

x3

R1

R2

x4

Solution

-1

-1

x1

1/5

-4/15

-1/5

3/5

X2

-3/5

-4/5

3/5

6/5

x4

4/3

-1

1
62

Selanjutnya R1, R2 kita abaikan sehingga bentuk yang baru sbb :

minimumkan z = 4 x1 + x2
dengan batasan
x1 + (1/5)x3
= 3/5
x2 (3/5) (x3)
= 6/5
x3 + x4 = 1
x1, x2, x3, x4 0
Iterasi 1 : x3 masuk x4 keluar
Dasar
Z
x1
x2
x4

x1
0
1
0
0

x2
0
0
1
0

x3
1/5
1/5
- 3/5
1

x4
0
0
0
1

Pemecahan
18/5
3/5
6/5
1

3/5:1/5=3
1:1=1*
63

Dasar

x1

x2

x3

x4

Solution

X4= pivot

Z lama

1/5

18/5

-1/5xpivot

-1/5

-1/5

-1/5

Z baru

-1/5

17/5

x1 lama

1/5

3/5

-1/5xpivot

-1/5

-1/5

-1/5

x1 baru

-1/5

2/5

x2 lama

- 3/5

6/5

3/5xpivot

3/5

3/5

3/5

x2 baru

3/5

9/5

1:1=1*

64

Tabel Optimal karena koefisien Z negatif

Dasar

X1

X2

X3

X4

Pemecahan

Zbaru

-1/5

17/5

X1 baru

-1/5

2/5

X2 baru

3/5

9/5

X1 -pivot

65

Water Quality Management Models

Linear programming solution techniques will be demonstrated using
the simple water quality management example shown in Figure 1. A
stream receives waste from sources located at sites 1 and 2. Without
some waste treatment at these sites, the water quality indicator (such
as dissolved oxygen concentration), q1 mg/l, at sites 2 and 3 will
continue to be below the desired concentration Qi. The problem is to
find the level of waste water treatment (waste removed) at sites 1 and
2 required to achieved the desired concentrations at sites 2 and 3 at a
minimum total cost. This may be a nave objective for an actual water
quality management problem. Still it serves to illustrate the use of
66

another linear model and some linear programming procedures that

can be used for its solution.
Waste input = W1
= 200 units/day
Waste removed = W1X1

Site
2
Existing quality 3
Desired quality 7

FIGURE

Waste input = W2
= 100 units/day
Waste removed = W2X2

3
2
6

1. Water Quality Management Problem

67

Assume that for each unit of waste removed (not discharged into the
stream) at site 1 the quality index at site 2 improves by 0.025 mg/l,
and the quality index at the site 3 improves by 0.0125 mg/l. For each
unit of waste removed at site 2 the quality index at site 3 improves
by 0.025 mg/l. In this example the water quality at site 2 is measured
just upstream of the point of waste water discharge; hence waste
discharged from site 2 affects the quality only at site 3. Denote these
transfer coefficients as aij (the improvement in the quality index at
site j per unit of waste removed at site i), Wi as the amount of waste
to be treated at site i, and Xi as the fraction of waste removed by
treatment at site i. Then the quality improvement at site j due to
WiXi units of waste removed at site i is (aij )(WiXi) mg/l. For all

68

values of Xi between 0 and 1, the quality index at site 2 will equal

the qurrent concentration q2 plus the improvement, (a12 )(W1X1),
due to treatment at site 1. The quality index at site 3 will equal the
qurrent concentration q3 plus the improvement (a13 )( W1X1) +
(a23 )( W2X2) due to treatment at sites 1 and 2.
The cost of treatment Ci(Xi) at each site I will be a function of the
fraction of waste removed Xi. The objective in this example problem
ia to find the values of the removal fractions, Xi and X2, that
minimize the total cost,
Minimize C1 (X1) + C2(X2). 1
69

While meeting the desired quality standards Q j at sites j = 2 and 3:

q2 + a12 W1X1 Q2 2
q3 + a13 W1X1 + a23 W2X2 Q3 3
To complete the planning model, constraints confining the range of
waste removal fractions to their feasible values are required. For this
example, at least 30 % removal will be required at both sites. This
corresponds to primary treatment of municipal waste waters to prevent
the discharge of suspended and floating solids. An upper limit of 95 %
will reflect the best technology available without resorting to
distilation or pipimg the wastes to another location.
Xi 0.30

i = 1, 2 .. 4

Xi 0.95

i = 1, 2 .. 5

70

The planning model defined by equations 2 through 5 contains and

possibly a nonlinear objective function.
In many actual planning situations each cost function Ci (Xi)
will be unknown. At best only an approximate estimate may be
available without additional design and cost studies. In this example
each cost function will be assumed to be unknown. The challenge will
be to try to solve the planning problem, that is, find the least-cost
combination of X1 and X2 without requiring an expensive design and
cost study to obtain improved treatment cost data.
The solution of this problem without complete knowledge of
the cost functions in the objective will illustrate how modeling studies
71

can assist in planning data collection programs. Very often planning

exercise are divided into distinct phases, data collection followed by

data analysis. The two phases should be integrated from the beginning.
Model builders must be aware of the data that are available, or that can
be obtained at a reasonable cost. Data collection programs should be
geared to the need for various data
And the accuracy required. There is no advantage to spending money
or time collecting data or improving the accuracy of such efforts if
such data have little influence on the final solution or decision. Models
can be used to assess the sensitivity of possible solutions to changes in
the values of various parameters or assumptions. This use of models
for such sensitifity analyses is often of more value to planners and
decision makers than is their use for identifying possible solutions.

72

Returning to the water quality management problem, substitution of

the values for each of the known coefficients (qi, aij,Wi and Qi) in
equations 2 to 5 results in the following sets of constraints:
The desired water quality at site 2 :

q2 + a12 W1X1 Q2
3 + (0.025)(200) X1 7

which yield

X1 0.8 ..6

or

The desired water quality at site 3 : q3 + a13 W1X1 + a23 W2X2 Q3

which yield

2 + (0.0125)(200) X1 + (0.025)(100) X2 6
or

X1 + X2 6 . 7

Limits on the fraction of waste removed :

X1 0.3
X2 0.3 . 8

73

and X1 0.95
X2 0.95 9

Graphical Solution and Analysis.

Since this problem involving only two unknown variables, all
combinations of X1 and X2 that satisfy the constraint 2 through 9
can be determined graphically or use simplex solution. ( solution
will be explain in class session )

74

Waste input = W1
= 200 units/day
Waste removed = W1X1

Site
2
Existing quality 3
Desired quality 7

FIGURE

Waste input = W2
= 100 units/day
Waste removed = W2X2

3
2
6

1. Water Quality Management Problem

75

Minimize C1 (X1) + C2(X2)

While meeting the desired quality standards Q j at sites j = 2 and 3:
q2 + a12 W1X1 Q2
q3 + a13 W1X1 + a23 W2X2 Q3
Xi 0.30

i = 1, 2

Xi 0.95

i = 1, 2 5

4. The desired water quality at site 2 :

which yield
or

q2 + a12 W1X1 Q2

3 + (0.025)(200) X1 7
X1 0.8 ... 1

76

5. The desired water quality at site 3 : q3 + a13 W1X1 + a23 W2X2 Q3

which yield

2 + (0.0125)(200) X1 + (0.025)(100) X2 6
X1 + X2 1.6 .... 2

or

6. Limits on the fraction of waste removed :

X1 0.33
X2 0.3...4
and X1 0.95..5
X2 0.95. 6

77

X2

Region of
feasible solutions

1.0
0.95

X20.95

0.8

X1 + X2 1.6

0.6

X1 08

X1 0.3
0.4

X2 0.3

0.3
0.2

X10.95
X1
0

0.2

0.3

0.4

0.6

0.8

0.95

1.0
78

Min Z = 4 X1 + 6 X2
Constraint :
0.8

X1
X1 + X2

1.6

X1

0.3

X2

0.3
0.95

X1
X2

0.95

X1 + X2 = 1.6
X1
X1 = 0.95

X2 = 0.8

= 0.8
X2 = 0.65
79

Bila Z = 4 X1 + 6 X2

Dan X1, X2 = (0.95, 0.65) Titik paling Extrim minimal.

Maka Z = 4 x 0.95 + 6 x 0.65 = 7.7 (Optimal)

80

Penyelesaian dengan metode M

Persamaan dirubah dalam bentuk standard sbb:
Z 4 X1 - 6 X2
X1
X1

X1
X2
X1
X1

= 0
- X3

= 0.8
+ X2
- X4
= 1.6
X2
- X5
= 0.3
+ X6
= 0.95
+ X7 = 0.95
- X3 + R1
= 0.8 ----- R1 = 0.8 X1 + X3
+ X2
- X4 + R2
= 1.6
-----R2 = 1.6 X1 X2 + X4

Z = 4 X1 + 6 X2 + M ( 0.8 X1 + X3) + M ( 1.6 X1 X2 + X4)

= X1(4-M-M) + X2(6-M) + M X3 + M X4 + 2.4 M
Z (4-2M) X1 ( 6 M )X2 - M X3 M X4
= 2.4 M
81

Basic
X1
Z
-(4-2M)
R1
1
R2
1
X2
0
X1
1
X2
0
X1 masuk R1 keluar
X1 Pivot
1

X2
-(6-M)
0
1
1
0
1

X3
-M
-1
0
0
0
0

X4
-M
0
-1
0
0
0

X5
0
0
0
-1
0
0

X6
0
0
0
0
1
0

X7
0
0
0
0
0
1

R1
0
1
0
0
0
0

R2
0
0
1
0
0
0

Sol
2.4M
0.8
1.6
0.3
0.95
0.95

-1

0.8

Zlama

-(4-2M)

-(6-M)

-M

-M

2.4M

(4-2M)x Pivot

4-2M

-4+2M

4-2M

3.2-1.6M

Z Baru

M-6

M-4

-M

4-2M

3.2+0.8M

R2 lama
-1x pivot

1
-1

1
0

0
1

-1
0

0
0

0
0

0
0

0
-1

1
0

1.6
-0.8

R2 Baru

-1

0.8

X2lama=X2baru

-1

0.3

0.95

-1x pivot

-1

-1

-0.8

X1 baru

-1

0.15

X1 lama

0.8/1=0.8
1.6/1=1.6
0.3/0=
0.95/1=0.95
0.95/0=

82

Basic

X1

X2

X3

X4

X5

X6

X7

R1

R2

Sol

M-6

M-4

-M

4-2M

3.2+0.8M

X1

-1

0.8

R2

-1

0.8

X2

-1

0.3

X1

-1

0.15

X2

0.95

0.8/1=0.8
0.15/1=0.15

Iterasi II X3 masuk X1 keluar

X3=Pivot

-1

0.15

Z lama

M-6

M-4

-M

4-2M

3.2+0.8M

(4-M)xpivot

4-M

4-M

M-4

0.6-0.15 M

Z baru

M-6

-M

4-M

-M

0.65M+3.8

X1lama

-1

0.8

1x pivot

-1

0.15

X1baru

0.95

R2 lama

-1

0.8

-1x pivot

-1

-1

-0.15

R2 baru

-1

0.65
83

Basic

X1

X2

X3

X4

X5

X6

X7

R1

R2

Sol

M-6

-M

4-M

-M

0.65M+3.8

X1

0.95

R2

-1

0.65

0.65/1=0.65

X2

-1

0.3

0.3/1=0.3

X3

-1

0.15

X2

0.95

Iterasi III X2 masuk x2 keluar

X2=pivot

-1

0.3

X1lama=baru

0.95

R2 lama

-1

0.65

-1x pivot

-1

-0.3

R2 baru

-1

0.35

X3lama=baru 0

-1

0.15

X2lama

0.95

-1x pivot

-1

-0.3

X2 baru

0.65

84

Basic

X1

X2

X3

X4

X5

X6

X7

R1

R2

Sol

-M

M-6 4-M

-M

0.35M+5.6

X1

0.95

R2

-1

0.35

X2

-1

0.3

X3

-1

0.15

X2

0.65

-1

0.35

0.35/1=0.35

0.65/1=0.65

Iterasi IV X5 masuk R2 keluar

X5=pvt

Z lama

-M

M-6 4-M

-M

0.35M+5.6

(6-M)x pivot

6-M M-6

6-M

-0.35M+2.1

Z baru

-M

-2

-M

7.7

X1 lama=baru

0.95

X2lama

-1

0.3

1x pivot

-1

0.35

X2 baru

-1

0.65

X3lama=baru

-1

0.15

85

X2 lama

0.65

-1x pivot

-1

-1

-0.35

X2 baru

-1

0.30

Iterasi optimal karena koefisien Z negatif semua

Basic

X1

X2

X3

X4

X5

X6

X7

R1

R2

Sol

-M

-2

-M

7.7

X1

0.95

X2

-1

0.65

X3

-1

0.15

X5

-1

0.35

X2

-1

0.30
86

Solve the problem grafically and simplex at class session

Assume that there are two sites along a stream, i = 1,2, at which
waste (BOD) is discharged. See the plan situation at the the problem
before. Currently, without any wastewater treatment, the quality
(DO), q2 and q3 at each of sites 2 and 3 is less than the minimum
desired, Q2 and Q3, respectively. For each unit of waste removed at
site i upstream of site j, the quality improves by Aij.
How much treatment is required at sites 1 and 2 that meets the
standards at a minimum total cost? Following are the necessary data:
C1= 6 per unit of waste treatment at site 1; C2 = 10 per unit of waste
treatment at site 2
A12 = 1/20

W1= 100

Q2= 6

A13 = 1/40

W2= 75

Q3= 4

A23 = 1/30

q2= 3

q3= 1
87

Min Z = 6 X1 + 10 X2
A12 = 1/20

W1= 100

Q2= 6

A13 = 1/40

W2= 75

Q3= 4

A23 = 1/30

q2= 3

q3= 1

While meeting the desired quality standards Q j at sites j = 2 and 3:

q2 + a12 W1X1 Q2
q3 + a13 W1X1 + a23 W2X2 Q3
The desired water quality at site 2 :
which yield
or

q2 + a12 W1X1 Q2

3 + (0.05)(100) X1 6
X1 6.1

The desired water quality at site 3 : q3 + a13 W1X1 + a23 W2X2 Q3

which yield
or

1 + (0.025)(100) X1 + (0.033)(75) X2 4
X1 + X2 .2.2
88

X2
1.2

1.0

0.5
(0.6,0.6)

X1 + X2 1.2

X1 0.6

0.6

( 1.2,0)

89

X1

Min Z = 6 X1 + 10 X2
Constraint :
X1
0.6
X1 + X2
1.2
X2 0
X1 + X2 = 1.2
X2
=0
Bila Z = 6 X1 + 10 X2

X1 = 1.2

Dan X1, X2 = (1.2, 0) Titik paling Extrim minimal.

Maka Z = 6 x 1.2 + 10 x 0= 7.2 (Optimal)
90

Penyelesaian dengan Solver

Min Z = 6 X1 + 10 X2
Constraint :
X1

>= 0.6

X1 + X2 >= 1.2
X2 >= 0

X1

X2

OBJ. Func

1.2

7.2
X1

Constraint

>=

0.6

X1+ X2 >=

1.2
91

Structure a linear programming model for estimating the quantities of

each of the two crops that should be produced in order to
maximize total income. Solve the problem graphically and
simplex method, using the following data :
Resources
Water
Land
Fertilizer
Labor
Unit price

Requirements per unit of

Crop A
2
5
3
1
30

Crop B
3
2
2
2
25

Maximum Available
Resources
60
80
60
40
92

Max Z = 30 X1 + 25 X2
Constraint :
2 X1+3 X2 60------ X1=0; X2=20 ------ X2=0; X1=30-----1)
5 X1+2 X2 80------- X1=0; X2=40------ X2=0; X1=16-----2)
3X1+2 X2 60------- X1=0; X2=30------ X2=0; X1=20-----3)
X1+2 X2 40------- X1=0; X2=20------ X2=0; X1=40-----4)

93

X2
40

30

2)
3)

20

10
4)
10.91, 12.73
1)
0

10

20

30

40

94

X1

Perpotongan pers 1 & 2 merupakan paling maximal

2X1+3 X2 = 60------ X2 =(60-2 X1)/3
5 X1+2 X2 = 80------- X1=(80-2/3(60-2 X1))/5
X1=10.91--- X2=12.73
Bentuk standard :
Z - 30 X1 - 25 X2

=0

2 X1 + 3 X2 + S1

= 60

5 X1 + 2 X2

= 80

3 X1 + 2 X2
X1 + 2 X2

+ S2
+ S3
+ S4

= 60
= 40
95

Basic
Z
S1
S2
S3
S4

Z
1
0
0
0
0

X1
-30
2
5
3
1

X2
-25
3
2
2
2

S1
0
1
0
0
0

S2
0
0
1
0
0

S3
0
0
0
1
0

S4
0
0
0
0
1

Sol
0
60
80
60
40

60/2=30
80/5=16 *
60/3=20
40/1=40

Iterasi 1 : X1 masuk S2 keluar

X1=pivot

2/5

1/5

16

X1=pivot

Z lama
30xpivot
Z baru

1
0
1

-30
30
0

-25
12
-13

0
0
0

0
6
6

0
0
0

0
0
0

0
480
480

30xpivot
Z baru

S1lama
-2xpivot
S1baru

0
0
0

2
-2
0

3
-4/5
11/5

1
0
1

0
-2/5
-2/5

0
0
0

0
0
0

60
-32
28

-2xpivot
S1baru

S3lama
-3xpivot
S3baru

0
0
0

3
-3
0

2
-6/5
4/5

0
0
0

0
-3/5
-3/5

1
0
1

0
0
0

60
-48
12

S3lama
-3xpivot
S3baru

S4lama
-1xpivot
S4baru

0
0
0

1
-1
0

2
-2/5
8/5

0
0
0

0
-1/5
-1/5

0
0
0

1
0
1

40
-16
24

S4lama
-1xpivot
S4baru
96

Basic

X1

X2

S1

S2

S3

S4

Sol

-13

480

S1

11/5

-2/5

28

28:11/5=12.73

X1

2/5

1/5

16

16:2/5= 40

S3

4/5

-3/5

12

12:4/5=15

S4

8/5

-1/5

24

24:8/5=15

Iterasi 2 : X2 masuk S1 keluar

X2 = pivot

5/11

-2/11

140/11

Z lama
-(-13)x pivot
Z baru

1
0
1

0
0
0

-13
13
0

0
65/11
65/11

6
-26/11
40/11

0
0
0

0
0
0

480
165.4
645.4

X1 lama
-2/5x pivot
X1 baru

0
0
0

1
0
1

2/5
-2/5
0

0
-2/11
-2/11

1/5
4/55
15/55

0
0
0

0
0
0

16
-56/11
120/11

S3 lama
-4/5x pivot
S3 baru

0
0
0

0
0
0

4/5
-4/5
0

0
-4/11
-4/11

-3/5
8/55
25/55

1
0
1

0
0
0

12
-112/11
20/11

S4 lama
-8/5x pivot
S4 baru

0
0
0

0
0
0

8/5
-8/5
0

0
-8/11
-8/11

-1/5
16/55
5/55

0
0
0

1
0
1

24
-224/11
40/11

97

Tabel Optimal koefisien Z positif untuk maximize dengan nilai 645.4

Basic

X1

X2

S1

S2

S3

S4

Sol

65/11

40/11

645.4

X2

5/11

-2/11

140/11

X1

-2/11

15/55

120/11

S3

-4/11

25/55

20/11

S4

-8/11

5/55

40/11

Exercise on Irrigation Planning and Operation.

In Algeria there are two distinct cropping intensities, depending on
the availability of water. Consider a single crop that can be grown
under intensive rotation or extensive rotation on a total of A hectare.
Assume that the annual water requirements for the intensive rotation
policy are 16,000 m3 per hectare, and for extensive rotation policy98

they are 4000 m3 per hectare. The annual net production returns are
4000 and 2000 dinars respectively. If the total water available is
320,000 m3, show that as the available land area A increases, the
rotation policy that maximizes total net income changes from one
that is totally intensive to one that is increasingly extensive.
Would the same conclusions hold if instead of fixed net incomes of
4000 and 2000 dinars per hectare of intensive and extensive rotation,
the net income depended on the quantity of crop produced?
Assuming that intensive rotation produces twice the crop yield of
extensive rotation, and that the net income per unit of crop yield Y is
defined by simple linear function 5-0.05 Y, develop and solve a
linear programming model to determine the optimal rotation policies
99

if A equals 20, 50,80.

a. Max : Z = 4000 X1 + 2000 X2

Constraints : 16000 X1 + 4000 X2 320000
X1 +

X2 20

Solving Graficaly :
16000 X1 + 4000 X2 = 320000
X1 +

X2 = 20

100

X2
80

20

Optimum Point : (20,0)

( 20 ,0)

X1

101

1) X1 + X2 = 20 X1 = 20 80+4X1 X1 = 20 ;X2 = 0
2) X1 + X2 = 50 X1 = 50 - 80+4X1 X1 = 10 ; X2 = 40
3) X1 + X2 = 80 X1 = 80 - 80+4X1 X1 = 0 ; X2 = 80
Using Solver Solution
Exercise Solution 16 a
Max : Z = 4000 X1 + 2000 X2
Constraints : 16000 X1 + 4000 X2 <= 320000
X1 +

X2<= 20

Intensif

Extensif

Objective Function

Area (X1)

Area (X2)

20

80000

X1
16000 X1

X2

<=

+ 4000 X2 <=

Constrain
t

20

20

Area (Ha)

320000

320000

Water(M1023)

Using Solver Solution

Exercise Solution 16 a
Max : Z = 4000 X1 + 2000 X2
Constraints : 16000 X1 + 4000 X2 <= 320000
X1 +

X2<= 50

103

Max : Z = 4000 X1 + 2000 X2

Constraints : 16000 X1 + 4000 X2 <= 320000
X1 +
10
X1

16000 X1

40
X2

X2<= 50
120000

<=

50

50 Area (Ha)

+ 4000 X2 <=

320000

320000 Water(M3)

Max : Z = 4000 X1 + 2000 X2

Constraints : 16000 X1 + 4000 X2 <= 320000
X1 +
0
X1
16000 X1

80
X2

X2<= 80
160000

<=

80

80 Area (Ha)

+ 4000 X2 <=

320000

320000 Water(M3)
104

Exercise Solution
Max :

16 b
Z=X1(5-0.05 T1) T1+ X2 (5-0.05 T2 )T2

Constraint : T1 = 2xT2
1) X1 + X2 <= 20
2) X1 + X2 <= 50
3) X1 + X2 <= 80
X1>=5
X2>=5
Intensive

Extensive

Obj. Function Constraints

T1

T2

54

27

2356

54

Yield (T1,T2)

15

20

20

Area( X1 + X2)

16000

4000

260000

320000

Water(M3)
105

75

37

5625

75

Yield (T1,T2)

10

40

50

50

Area( X1 + X2)

16000

4000

320000

320000

87.5

43.75

7656.25

60

65

16000

4000

320000

Water(M3)

87.5 Yield (T1,T2)

80 Area( X1 + X2)
320000 Water(M3)

106

Penjelasan Kuliah Ke 17
Selesaikan semua contoh soal dan latihan pada kuliah 13-16
dengan menggunakan program Solver.
Soal 13
Minimumkan z = 4x1 + x2
Dengan batasan
3x1 + x2 = 3
4x1 + 3x2 >=6
x1 + 2x2 <= 4
x1, x2 >= 0
x1

x2
0.4

Z
1.8

Batasan
3.40
3

107

Soal
13
Minimumkan z = 4x1 + x2
Dengan batasan
3x1 + x2 = 3
4x1 + 3x2 >=6
x1 + 2x2 <= 4
x1, x2 >= 0
x1

x2

0.4

1.8

3.40

Batasan

4
108