bab 2 landasan teori - thesis.binus.ac.idthesis.binus.ac.id/doc/bab2/2010-1-00392-mn bab 2.pdf ·...
TRANSCRIPT
4
BAB 2
LANDASAN TEORI
2.1 Riset Operasi
2.1.1 Pengertian Riset Operasi
Definisi dari Riset Operasi ( Operations Research Society of America ) ” Operations
research concerned with scientifically deciding how to best design and operate man –
machine systems, usually under conditions requiring the allocation of scarce resources. ”
Jika diartikan ke dalam bahasa Indonesia menjadi ” Riset operasi yang berkaitan dengan
menentukan pilihan secara ilmiah bagaimana merancang dan menjalankan sistem manusia
– mesin secara terbaik, dimana biasanya membutuhkan alokasi terhadap sumber daya
yang langka.”
Pengertian Riset Operasi lainnya ( Hamdi A. Taha 1976 ) ” Operation Research
adalah pendekatan dalam pengambilan keputusan yang ditandai dengan penggunaan
pengetahuan ilmiah melalui usaha kelompok antar disiplin yang bertujuan menentukan
penggunaan terbaik sumber daya yang terbatas. ”
Pengertian Riset Operasi menurut ( Churchman, Ackoff, dan Arnoff 1957 ) ”
Operation Research is the application of scientific methods, techniques and tools to
problems involving the operations of a system so as to provide in control of the system
with optimum solutions to the problem. ” Jika diartikan ke dalam bahasa Indonesia
menjadi ” Riset operasi adalah penerapan metode – metode ilmiah, teknik – teknik, dan
alat – alat terhadap masalah – masalah yang menyangkut operasi – operasi dari sistem –
sistem, sedemikian rupa sehingga mampu memberikan penyelesaian optimal terhadap
masalah yang dihadapi. ”
5
2.1.2 Model Dalam Riset Operasi
Jenis model dasar dalam riset operasi adalah ( Sri Mulyono, 2004. P5 ) :
1. Iconic ( Physical ) Model
Model iconic adalah suatu penyajian fisik yang tampak seperti aslinya dari suatu
sistem nyata dengan skala yang berbeda. Contohnya = mainan anak – anak, potret,
histogram dan lain – lain.
Model iconic mudah untuk diamati, dibentuk dan dijelaskan, tetapi sulit untuk
memanipulasi dan tak berguna untuk tujuan peramalan. Biasanya model ini
menunjukkan peristiwa statik.
2. Analogue Model
Model analogue lebih abstrak dibanding model iconic, karena tak kelihatan sama
antara model dengan sistem nyata. Contohnya jaringan pipa tempat air mengalir
dapat digunakan dengan pengertian yang sama sebagai distribusi aliran listrik. Model
analog lebih mudah untuk memanipulasi dan dapat menunjukkan situasi dinamis.
3. Mathematic ( Simbolic ) Model
Model matematik memiliki sifat yang paling abstrak. Model ini menggunakan
seperangkat simbol matematik untuk menunjukkan komponen – komponen ( dan
hubungan antar mereka ) dari sistem nyata. Namun, sistem nyata tidak selalu
diekspresikan dalam rumusan matematik.
2.1.3 Tahap - Tahap Riset Operasi
Pola dasar penerapan Riset Operasi dapat dipisahkan menjadi 5 tahapan dimulai dari
munculnya masalah hingga hasil akhir. Kelima tahapan tersebut yaitu :
6
Gambar 2.1 Tahap Riset Operasi
Sumber : Sri Mulyono, 2004, p7-8
1. Merumuskan masalah
Dalam perumusan masalah ada tiga pertanyaan penting yang harus dijawab:
• Variabel keputusan / Instrument
Unsur – unsur dalam persoalan yang dapat dikendalikan oleh
pengambil keputusan.
• Fungsi Tujuan / Objective Function
Hubungan matematika linear yang menjelaskan tujuan perusahaan
dalam terminologi variabel keputusan.
Pembentukan Model
Merumuskan Masalah
Penyelesaian Masalah
Validasi Model
Penerapan Hasil Akhir
7
• Kendala / Constraint
Pembatas – pembatas terhadap alternatif tindakan yang tersedia.
2. Pembentukan model
Model merupakan ekspresi kuantitatif dari tujuan dan kendala – kendala
persoalan dalam variabel keputusan.
3. Mencari penyelesaian masalah
Pada tahap ini bermacam – macam teknik dan metode solusi kuantitatif yang
merupakan bagian utama dari Riset Operasi memasuki proses. Penyelesaian
masalah sesungguhnya merupakan aplikasi satu atau lebih teknik – teknik ini
terhadap model.
4. Validasi Model
Model harus diperiksa apakah ia mencerminkan berjalannya sistem yang
diwakili. Model dikatakan valid jika dengan kondisi input yang serupa, ia dapat
menghasilkan kembali performance seperti masa lampau. Masalahnya adalah
bahwa tak ada yang menjamin performance masa depan akan berlanjut
meniru cerita lama.
5. Penerapan hasil akhir
Tahap terakhir adalah menerapkan hasil model yang telah diuji.
2.1.4 Tahapan Analisis Kuantitatif Dalam Manajemen
Analisis kuantitatif merupakan pendekatan secara ilmiah yang membantu manajerial
untuk membuat keputusan. Dalam pembuatan keputusan, manajer harus
mempertimbangkan faktor kualitatif ( cuaca, hukum, teknologi ) maupun kuantitatif (
8
arus kas, tingkat investasi ). Ketika faktor kualitatif yang dimiliki sedikit maka hasil dari
analisis kuantitatif dapat membantu dalam proses pengambilan keputusan.
Jika berdasarkan tahapan riset operasi untuk pengambilan keputusan terdapat 5
tahapan, namun pada analisis kuantitatif terdapat 7 tahapan yaitu :
Gambar 2.2 Tahap Analisis Kuantitatif
Sumber : Barry Render, 2006, p3
Developing
a Model
Acquiring
Input Data
Developing
a Solution
Testing the
Solution
Analyzing
the Results
Implementing
the Results
DEFINING
the Problem
9
1. Defining the Problem ( Merumuskan masalah )
Langkah pertama dalam analisis kuantitatif adalah menetapkan pernyataan
masalah yang jelas dan ringkas. Pernyataan ini akan memberikan petunjuk untuk
langkah berikutnya.
Suatu masalah mungkin memiliki hubungan dengan masalah lainnya. Jika
menyelesaikan satu masalah tanpa mempertimbangkan masalah lainnya maka
bisa membuat situasi menjadi lebih buruk. Oleh karena itu penting untuk
menganalisis bagaimana solusi untuk suatu masalah mempengaruhi masalah
lainnya atau mempengaruhi situasi secara umum.
Pada umumnya sebuah perusahaan akan memiliki beberapa permasalahan.
Namun analisis kuantitatif tidak bisa digunakan untuk mengatasi keseluruhan
permasalahan secara bersamaan, jadi perlu konsentrasi hanya pada beberapa
permasalahan. Permasalahan yang biasanya dipilih adalah permasalahan dengan
solusi yang menghasilkan keuntungan terbesar atau solusi yang menghasilkan
biaya terkecil.
2. Developing a Model ( Mengembangkan model )
Model merupakan sebuah gambaran dari situasi yang ada. Macam – macam
model yaitu physical, scale, schematic, dan mathematical models. Model
biasanya mewakilkan satu atau lebih variabel dan parameter. Model yang
dikembangkan haruslah bisa dipecahkan, realistic, mudah dimengerti dan
diperbaharui, serta input data yang diperlukan dapat dikumpulkan.
Dalam proses pengembangan model, terdapat beberapa klasifikasi model
yaitu :
10
Tabel 2.1 Klasifikasi Model
Decision Problem
Major variables in a decision problem are :
Certain Uncertain
Simple Case models Decision analysis ( decision trees )
Complex Case models
Linear and integer programming
Simulation
Dynamic Inventory models
PERT ( critical path ) models
Simulation
Inventory models
Queuing models
Sumber : (Render, Barry, Stair, Ralph M., Jr. 1997. )
• Simple Problems ( masalah sederhana )
Simple models hanya terdiri dari jumlah variabel / faktor yang sedikit dan
hanya beberapa alternatif. Simple models sangat bermanfaat bahkan untuk
masalah pengambilan keputusan yang penting.
Case / scenario model adalah model dari masalah pengambilan keputusan
yang dianalisis dengan cara mencoba beberapa alternatif. Para manajer biasanya
menggunakan model trial and error process. Decision analysis models
menggabungkan beberapa peluang dalam proses pengambilan keputusan.
• Complex Problems
Pada model ini melibatkan banyak faktor / variabel dan banyak alternatif
untuk dipertimbangkan. Model Linear and integer programming menggunakan
teknik matematika untuk memecahkan masalah perusahaan yang lebih
kompleks. Teknik matematika ini digunakan untuk menemukan nilai maksimum
atau nilai minimum dari sebuah fungsi tujuan dan masalah kendala yang
11
dihadapi. Simulasi adalah teknik untuk mengatasi sistem permasalahan yang
lebih kompleks pada keadaan yang tidak pasti.
• Dynamic Problems
Pada model ini melibatkan beberapa bagian yang jauh lebih kompleks (
dimana ada rangkaian beberapa keputusan yang saling berhubungan untuk
beberapa periode ). Inventory model digunakan untuk memutuskan kapan
melakukan pemesanan dan berapa banyak yang akan disimpan. PERT / critical
path adalah model untuk penjadwalan produk. Queuing models untuk mengatasi
masalah yang berhubungan dengan antrian.
3. Acquiring Input Data ( Memperoleh data )
Setelah mengembangkan model maka langkah berikutnya adalah
mengumpulkan data yang akurat. Data yang diperlukan dapat diperoleh dari
berbagai sumber. Sebagai contoh : laporan perusahaan, wawancara dengan
karyawan dan sampling secara statistik.
4. Developing a Solution ( Mengembangkan solusi )
Dalam pengembangan solusi, model yang ada dimanfaatkan untuk
menghasilkan solusi yang optimal bagi suatu masalah. Solusi yang akurat
tergantung dari data dan model yang akurat pula.
5. Testing the Solution ( Menguji solusi )
12
Sebelum sebuah solusi bisa dianalisis dan diimplementasi, solusi tersebut
haruslah diuji terlebih dahulu. Data dan model juga harus diuji karena data dan
model mempengaruhi solusi. Data dan model diuji agar terbukti akurat karena data
yang tidak akurat akan menghasilkan solusi yang tidak akurat juga.
6. Analyzing the Results ( Analisis hasil )
Analisis hasil dimulai dengan menentukan implikasi dari solusi. Pada beberapa
kasus, solusi untuk permasalahan akan menghasilkan tindakan atau perubahan
terhadap proses operasional perusahaan. Implikasi dari tindakan atau perubahan
tersebut haruslah dianalisis terlebih dahulu sebelum hasil tersebut diimplementasi.
7. Implementing the Results ( Implementasi hasil )
Proses ini merupakan proses memasukkan solusi ke dalam perusahaan. Proses
ini bisa menjadi bagian sulit daripada yang pernah dibayangkan. Jika solusi sudah
optimal dan menghasilkan keuntungan jutaan dollar, namun jika manajer
menentang solusi tersebut maka usaha dari analisa akan menjadi sia – sia. Setelah
diimplementasi, perusahaan harus melakukan pengawasan secara berkala.
2.1.5 Ciri - ciri Riset Operasi
Ada beberapa ciri dari riset operasi yang menonjol antara lain ( Sri Mulyono, 2004,
p10 ) :
• Riset Operasi merupakan pendekatan kelompok antar disiplin untuk mencari
hasil optimum.
13
• Riset Operasi menggunakan teknik penelitian ilmiah untuk mendapatkan solusi
optimum.
• Riset Operasi hanya memberikan jawaban yang buruk terhadap persoalan jika
tersedia jawaban yang lebih buruk. Ia tidak memberikan jawaban sempurna
terhadap masalah itu, sehingga Riset Operasi hanya memperbaiki kualitas
solusi.
2.1.6 Masalah Dalam Riset Operasi
Beberapa masalah Riset Operasi yang didefinisikan dengan baik dan diterima umum
dapat digolongkan sebagai berikut ( Sri Mulyono, 2004, p9 ) :
1. Masalah alokasi
2. Masalah teori permainan
3. Masalah antrian
4. Masalah jaringan
5. Masalah persediaan
2.2 Program Linier
George B . Dantzig diakui umum sebagai pioner LP, karena jasanya dalam
menemukan metode mencari solusi masalah LP dengan banyak variabel keputusan.
Dantzig bekerja pada penelitian teknik matematika untuk memecahkan masalah logistik
militer ketika dipekerjakan oleh angkatan udara Amerika Serikat selama Perang Dunia 2.
14
2.2.1 Pengertian Program Linier
• Suatu teknik matematika yang didesain untuk membantu para manager dalam
merencanakan dan membuat keputusan yang diperlukan untuk mengalokasikan
sumber daya. ( Heizer & Render, 2004, p588. )
• Model yang terdiri dari hubungan linear yang menggambarkan keputusan
perusahaan dengan suatu tujuan dan batasan sumber daya tertentu ( Taylor III,
2005, p32. )
• Suatu teknik aplikasi matematika dalam menentukan pemecahan masalah yang
bertujuan untuk memaksimumkan atau meminimumkan sesuatu yang dibatasi
oleh batasan – batasan tertentu. ( Tumpal JR, 2006, p2.)
• Suatu cara untuk menyelesaikan persoalan pengalokasian sumber yang terbatas
diantara beberapa aktivitas yang bersaing, dengan cara terbaik yang mungkin
dilakukan. Persoalan pengalokasian itu akan muncul manakala seseorang harus
memilih tingkat aktivitas tertentu yang bersaing dalam hal penggunaan sumber
daya langka yang dibutuhkan untuk melaksanakan aktivitas tersebut. (Bahtiar
Saleh Abbas, Robert Tang Herman & Shinta. Jurnal Piranti Warta Vol 11 No 3
Agustus 2008. p472. )
2.2.2 Persyaratan Persoalan Dalam Program Linier
Persoalan LP mempunyai empat sifat umum yaitu ( Heizer & Render, 2004, p590) :
• Persoalan LP bertujuan untuk memaksimalkan atau meminimalkan kuantitas
( pada umumnya berupa laba atau biaya ). Sifat umum ini disebut sebagai
fungsi tujuan ( objective function ) dari suatu persoalan LP.
15
• Adanya batasan atau kendala, yang membatasi tingkat sampai di mana
sasaran dapat dicapai. Untuk memaksimalkan atau meminimalkan suatu
kuantitas bergantung pada sumber daya yang jumlahnya terbatas.
• Harus ada beberapa alternatif tindakan yang dapat diambil. Jika tidak ada
alternatif yang dapat diambil maka LP tidak diperlukan.
• Tujuan dan batasan dalam permasalahan pemrograman linear harus
dinyatakan dalam hubungan dengan pertidaksamaan atau persamaan linear.
2.2.3 Manfaat dan Tujuan Program Linier
Masalah keputusan yang sering dihadapi dalam LP adalah alokasi optimum sumber
daya yang langka. Sumber daya dapat berupa uang, tenaga kerja, bahan mentah,
kapasitas mesin, waktu, ruangan dan teknologi. Tujuan dari LP adalah mencapai hasil
terbaik yang mungkin dengan keterbatasan sumber daya itu. Hasil yang diinginkan
mungkin ditunjukkan sebagai maksimisasi dari beberapa ukuran seperti profit, penjualan
dan kesejahteraan atau minimisasi seperti pada biaya, waktu dan jarak.
2.3 Formulasi Model Program Linier
Setelah masalah diidentifikasikan, tujuan ditetapkan, langkah selanjutnya adalah
formulasi model matematik yang meliputi tiga tahap seperti ( Sri Mulyono, 2004, p14 ) :
1. Tentukan variabel yang tidak diketahui ( variabel keputusan ) dan nyatakan
dalam simbol matematik.
2. Membentuk fungsi tujuan yang ditunjukkan sebagai suatu hubungan linier (
bukan perkalian) dari variabel keputusan.
16
3. Menentukan semua kendala masalah tersebut dan mengekspresikan dalam
persamaan atau tidak persamaan yang juga merupakan hubungan linier dari
variabel keputusan yang mencerminkan keterbatasan sumber daya masalah itu.
Dalam proses pembuatannya, kendala terdiri dari beberapa jenis / tipe yaitu (Render,
Barry, Stair, Ralph M., Jr. 1997. ) :
1. Capacity constraints
Kendala ini dibatasi oleh jumlah peralatan, tempat atau ketersediaan sumber
daya manusia.
2. Market constraints
Kendala ini dibatasi oleh seberapa banyak produk bisa dijual atau dimanfaatkan.
3. Availability constraints
Kendala ini dibatasi oleh kelangkaan bahan baku, tenaga kerja, dana dan sumber
daya lainnya.
4. Quality or blending constraints
Kendala ini dibatasi oleh perpaduan komposisi, biasanya untuk menentukan
kualitas dari produk hasil.
5. Production technology or material balance constraints
Kendala ini menetapkan hasil dari suatu proses merupakan input untuk proses
lainnya.
6. Definitional constraints
Kendala yang menetapkan sebuah istilah di suatu bidang
17
Bentuk umum persoalan program linear (MDH Gamal & Zaiful Bahri. Jurnal Natur
Indonesia. 2003. ) ;
Fungsi Memaksimumkan ( Meminimumkan ) =
Dengan syarat : aij x
j (≤ , = , ≥) b
i , untuk semua i (i = 1, 2, …m) semua
xj ≥ 0
Keterangan :
• xj
= banyaknya kegiatan j, dimana j = 1, 2, …n, yang berarti terdapat n
variabel keputusan
• Z = nilai fungsi tujuan
• cj = sumbangan per unit kegiatan j, untuk masalah maksimasi c
j menunjukkan atau
penerimaan per unit, sementara dalam kasus minimasi ia menunjukkan biaya per
unit.
• bi : jumlah sumberdaya ke i (i = 1, 2, …m), berarti terdapat m jenis sumberdaya.
• aij
: banyaknya sumberdaya i yang dikonsumsi sumberdaya j.
18
Sebagai contoh :
1. Variabel keputusan
X1 = jumlah produk 1
X2 = jumlah produk 2
X3 = jumlah produk 3
2. Fungsi Tujuan
Z = 300X1 + 500X2 + 200X3
Dimana : Z = Total laba per hari
3x1 = laba dari produk 1 ( sebesar 300 )
5x2 = laba dari produk 2 ( sebesar 500 )
2x3 = laba dari produk 3 ( sebesar 200 )
3. Sistem Kendala
Tepung 5 X1 + 2 X2 + 4X3 ≤ 400
Dimana :
5x1 = jumlah tepung untuk produksi produk 1
2x2 = jumlah tepung untuk produksi produk 2
4x3 = jumlah tepung untuk produksi produk 3
240 = jumlah tepung yang bisa digunakan untuk memproduksi x1, x2, x3
≤ = lambang untuk maksimalisasi ( contoh : memaksimalkan laba )
Jika untuk meminimalisasi ( contoh : minimisasi biaya ) maka lambang yang
digunakan adalah ≥.
19
Mesin 4 X1 + 6 X2 + 3 X3 ≤ 200
Dimana :
4x1 = jam kerja mesin untuk produksi produk 1
6x2 = jam kerja mesin untuk produksi produk 2
3x3 = jam kerja mesin untuk produksi produk 3
200 = jumlah jam kerja mesin yang digunakan untuk produksi x1, x2, x3
2.4 Asumsi Model Program Linier
Model LP mengandung asumsi – asumsi implisit tertentu yang harus dipenuhi agar
definisinya sebagai suatu masalah LP menjadi absah. Asumsi – asumsi itu adalah ( Sri
Mulyono, 2004, p23 – 24 ) :
1. Linierity and Additivity
Syarat utama dari LP adalah bahwa fungsi tujuan dan semua kendala harus
linier. Dengan kata lain, jika suatu kendala melibatkan 2 variabel keputusan, dalam
diagram dimensi akan berupa suatu garis lurus. Begitu juga, suatu kendala yang
melibatkan tiga variabel akan menghasilkan suatu bidang datar dan kendala yang
melibatkan n variabel akan menghasilkan hyperplane ( bentuk geometris yang rata
) dalam ruang berdimensi n.
Kata linier secara tidak langsung mengatakan bahwa hubungannya
proporsional yang berarti bahwa tingkat perubahan atau kemiringan hubungan
fungsional itu adalah konstan dan karena itu perubahan nilai variabel akan
mengakibatkan perubahan relatif nilai fungsi tujuan dalam jumlah yang sama
20
Aditif dapat diartikan sebagai tak adanya penyesuaian pada perhitungan
variabel kriteria karena terjadinya interaksi. ( Every function in a LP model is the
sum of the individual contributions of the respective activities )
2. Divisibility
Asumsi ini berarti bahwa nilai solusi yang diperoleh, tidak harus berupa bilangan
bulat.
3. Deterministic
Dalam LP, semua parameter model diasumsikan diketahui konstan. LP secara tak
langsung mengasumsikan suatu masalah keputusan dalam suatu kerangka statis di
mana semua parameter diketahui dengan kepastian. Dalam kenyataannya,
parameter model jarang bersifat deterministik, karena mereka mencerminkan
kondisi masa depan maupun sekarang, dan keadaan masa depan jarang diketahui
dengan pasti.
2.5 Penyelesaian Dalam Model LP
Untuk menyelesaikan masalah dalam Linear programming dapat dilakukan dengan 2
cara yaitu :
1. Penyelesaian dengan model grafik
Dalam menemukan solusi optimum, digunakan grafik ( digunakan untuk produk
= 2 ) .
2. Penyelesaian dengan metode simpleks
Dalam menemukan solusi optimum, digunakan tabel simpleks ( digunakan
untuk produk yang jumlahnya ≥ 2 ).
21
2.6 Metode Simpleks Pemograman Linear
Masalah – masalah LP yang ada di dunia nyata biasanya memiliki lebih dari 2 buah
variabel sehingga sulit untuk diselesaikan dengan menggunakan grafik. Oleh karena itu
dibutuhkan metode simpleks untuk menyelesaikan masalah tersebut. Pengertian dari
metode simpleks adalah suatu algoritma untuk memecahkan berbagai permasalahan
pemograman linear yang melibatkan 2 variabel maupun lebih dua variabel ( Mulyono,
2004, p31 ). Metode ini menyelesaikan LP melalui perhitungan ulang ( iteration ) di
mana langkah – langkah perhitungan yang sama diulang berkali – kali sebelum solusi
optimum tercapai.
Dalam menggunakan metode simpleks untuk menyelesaikan masalah – masalah LP,
model LP harus diubah ke dalam suatu bentuk umum yang dinamakan ” bentuk baku ” (
standard form ). Ciri – ciri bentuk baku model LP adalah ( Sri Mulyono, 2004 , p32 ) :
1. Semua kendala berupa persamaan dengan sisi kanan non negatif.
2. Semua variabel non negatif.
3. Fungsi tujuan dapat maksimum maupun minimum.
Dalam penyelesaian masalah LP dengan grafik, telah dinyatakan bahwa solusi
optimum selau terletak pada titik pojok ruang solusi. Metode simpleks didasarkan pada
gagasan ini, dengan langkah – langkah seperti berikut ( Tumpall JR, 2006, p9 ):
a. Merubah model program linear menjadi model persamaan linear
b. Menyusun tabel simpleks awal
c. Menghitung nilai Zj pada setiap kolom variabel dan kolom bi.
d. Menghitung nilai ( Cj-Zj ) pada setiap kolom variabel.
22
e. Periksa nilai – nilai ( Cj-Zj ), jika ( Cj-Zj ) ≤ 0 ( untuk tujuan
memaksimumkan) maka ke langkah ( l ) atau jika ( Cj-Zj ) ≥ 0 ( untuk
tujuan meminimumkan ) maka ke langkah ( l )
f. Tentukan kolom kunci berdasarkan nilai ( Cj-Zj ). Kolom kunci terletak pada
kolom variabel yang nilai ( Cj-Zj ) positif terbesar jika tujuannya
memaksimumkan, sebaliknya kolom kunci terletak pada kolom variabel yang
nilai ( Cj-Zj ) negatif terbesar jika tujuannya meminimumkan.
g. Tentukan baris kunci berdasarkan nilai ( bi / akk ) positif terkecil.
h. Tentukan angka kunci (ak ) yaitu angka yang terletak pada kolom kunci dan
baris kunci.
i. Ganti variabel yang terletak pada baris kunci dengan variabel yang terletak
pada kolom kunci.
j. Lakukan transformasi setiap baris yang dimulai dengan baris kunci dengan
rumus transformasi sebagai berikut :
k. Kembali ke langkah ( c )
l. Solusi optimal diperoleh, dimana nilai variabel basis untuk masing - masing
baris terletak pada kolom bi
Contoh Soal
Variabel keputusan X1 , X2
Fungsi tujuan Z = 80x1 + 100x2
Fungsi Kendala
23
1x1 + 2x2 ≤ 40 ( 1 )
4x1 + 3x2 ≤ 120 ( 2 )
x1 , x2 ≥ 0
Penyelesaian
Langkah ( a ) :
Z = 80x1 + 100x2 + 0s1 + 0s2
Fungsi kendala 1x1 + 2x2 + 1s1 + 0s2 = 40
4x1 + 3x2 + 0s1 + 1s2 = 120
Langkah ( b, c , d ) :
Tabel 2.2 Contoh Simpleks I
Cj 80 100 0 0
Basis X1 X2 S1 S2 bi bi / akk
S1 0 1 2 1 0 40
S2 0 4 3 0 1 120
Zj 0 0 0 0 0
Cj-Zj 80 100 0 0
Sumber : Perhitungan Metode Simpleks
Langkah ( e ) : Cj-Zj ( x1 ) = 80
Cj-Zj ( x2 ) = 100
24
Cj-Zj ( s1 ) = 0
Cj-Zj ( s2 ) = 0
Bila diperhatikan, nilai – nilai (Cj-Zj ) ≥ 0, maka hal ini menunjukkan bahwa nilai Z
masih dapat ditingkatkan ( tujuannya memaksimumkan ) atau dengan kata lain table
simpleksnya harus direvisi ( belum menyediakan solusi optimal )
Langkah ( f,g, h ) :
Berdasarkan nilai (Cj-Zj ) dan tujuan memaksimumkan, maka kolom kuncinya adalah
kolom variable X2. Hal ini menunjukkan bahwa variabel X2 akan ditempatkan pada
kolom basis untuk menggantikan variabel basis yang terletak di kolom basis.
Tabel 2.3 Contoh Simpleks II
Cj 80 100 0 0
Basis X1 X2 S1 S2 bi bi / akk
S1 0 1 2 NK 1 0 40 20 BK
S2 0 4 3 0 1 120 40
Zj 0 0 0 0 0
Cj-Zj 80 100
KK
0 0
Sumber : Perhitungan Metode Simpleks
KK = 100 Nilai dari kolom Cj – Zj yang terbesar
BK = 20 Nilai dari kolom bi / akk yang terkecil
25
NK = 2 Perpotongan dari KK dan BK
Ratio Tetap = angka pada kolom kunci / NK = 3 / 2
Langkah ( i, j ) :
Pada tabel simpleks berikutnya, variabel S1 digantikan oleh X2 dengan nilai Cj untuk
variabel X2 sebesar 100. Kemudian unsur – unsur pada setiap baris ditransformasi,
misalnya unsur – unsur baris pertama yang merupakan baris kunci ditransformasikan
dengan rumus :
Kolom baru dari basis S1 menjadi basis X2
Rumus B1 baru
” 1 ” = 1 /2
” 2 ” = 2/2
” 1 ” = 1/2
” 0 ” = 0 / 2
” 40 ” = 2
B1 baru = ( B1 lama ) / NK
B2 baru = B2 lama - ( B1 lama * Ratio )
26
Kolom baru untuk basis S2
Rumus B2 baru
” 4 ” = 4 – ( 1 * 3/2 ) = 5/2
” 3 ” = 3 – ( 2 * 3/2 ) = 0
” 0 ” = 0 – ( 1 * 3/2 ) = - 3/2
” 1 ” = 1 – ( 0 * 3/2 ) = 1
” 120 ” = 120 – ( 40 * 3/2 ) =60
Tabel 2.4 Contoh Simpleks III
Cj 80 100 0 0
Basis X1 X2 S1 S2 bi bi / akk
X2 100 1/2 1 1/2 0 20
S2 0 5/2 0 -3/2 1 60
Zj
Cj-Zj
Sumber : Perhitungan Metode Simpleks
27
Setelah ini kembali ke langkah ( c , d )
Tabel 2.5 Contoh Simpleks IV
Cj 80 100 0 0
Basis X1 X2 S1 S2 bi bi / akk
X2 100 1/2 1 1/2 0 20
S2 0 5/2 0 -3/2 1 60
Zj 50 100 50 0 2000
Cj-Zj 30 0 -50 0
Sumber : Perhitungan Metode Simpleks
Langkah ( e ) :
Cj-Zj ( x1 ) = 30
Cj-Zj ( x2 ) = 0
Cj-Zj ( s1 ) = - 50
Cj-Zj ( s2 ) = 0
Nilai – nilai ( Cj-Zj ) tersebut di atas menunjukkan bahwa tabel simpleks harus
direvisi karena tujuannya adalah untuk memaksimumkan. Hal ini dikarenakan masih
ditemukannya nilai Cj –Zj yang positif yaitu 30.
28
Langkah ( f, g , h ) :
Tabel 2.6 Contoh Simpleks V
Cj 80 100 0 0
Basis X1 X2 S1 S2 bi bi / akk
X2 100 1/2 1 1/2 0 20 40
S2 0 5/2 NK 0 -3/2 1 60 24 BK
Zj 50 100 50 0 2000
Cj-Zj 30 0 -50 0
KK
Sumber : Perhitungan Metode Simpleks
KK = 30
Nilai dari kolom Cj – Zj yang terbesar
BK = 24
Nilai dari kolom bi / akk yang terkecil
NK
= 5/2 Perpotongan dari KK dan BK
Ratio Tetap
= angka pada kolom kunci / NK
= ( 1/2 ) / ( 5/2 ) = 2 / 10 = 1/5
29
LANGKAH ( I , J )
Pada table simpleks berikutnya, variable S2 digantikan oleh X1 dengan nilai Cj untuk
variable X1 sebesar 80. Kemudian unsur – unsur setiap baris ditransformasi.
Kolom baru dari basis S2 menjadi basis X1
Rumus B1 baru
” 5/2 ” = ( 5 / 2 ) / ( 5/ 2 ) = 1
” 0 ” = 0/ ( 5/2 ) = 0
” -3/2 ” = (-3/2) / ( 5/2 ) = - 3/5
” 1 ” = 1 / (5/2) = 2 / 5
” 60 ” = 60 / (5/2) = 24
Kolom baru untuk basis X2
Rumus B2 baru
” 1/2 ” = 1/2 – ( 5/2 * 1/5 ) = 0
” 1 ” = 1 – ( 0 * 1/5 ) = 1
” 1/2 ” = 1/2 – ( -3/2 * 1/5 ) = 4/5
” 0 ” = 0 – ( 1 * 1/5 ) = -1/5
” 20 ” = 20 - (60*1/5 ) = 8
30
Tabel 2.7 Contoh Simpleks VI
Cj 80 100 0 0
Basis X1 X2 S1 S2 bi bi / akk
X2 100 0 1 4/5 -1/5 8
X1 80 1 0 -3/5 2/5 24
Zj 80 100 32 12 2720
Cj-Zj 0 0 -32 -12
Sumber : Perhitungan Metode Simpleks
Apakah solusi dimana X1 = 24, X2 = 8, S1 = 0, S2 = 0 dan Z maksimum sebesar
2720 merupakan solusi optimal ??
Pertanyaan akan dijawab melalui langkah berikut :
Cj-Zj ( x1 ) = 0
Cj-Zj ( x2 ) = 0
Cj-Zj ( s1 ) = - 32
Cj-Zj ( s2 ) = -12
Karena ( Cj – Zj ) ≤ o, maka solusi di atas optimal, dimana produk X1 uang harus
dihasilkan adalah sebanyak 24 dan produk X2 yang harus dihasilkan sebanyak 8.
Laba maksimum yang akan diperoleh ( Z maks ) = 2720.
31
Kebutuhan utama metode simpleks adalah adanya solusi awal layak (initial basic
feasible solution). Tanpa ini tabel simpleks tak dapat dibuat. Ada dua pendekatan untuk
mendapatkan suatu solusi awal yang layak yaitu dengan cara (Sri Mulyono, 2004, p40–41):
1. Coba – coba
Di sini suatu variabel basis dipilih secara sembarang untuk setiap kendala.
Jika dihasilkan suatu solusi layak (nilai variabel basis pada kolom solusi non
negatif), maka metode simpleks bisa dimulai. Meskipun coba – coba dapat
diulangi lagi sampai diperoleh solusi awal layak, metode ini jelas tidak efisien
dan mahal.
2. Menggunakan Artificial Variable
Gagasan penggunaan artifical variable sangat sederhana. Tambahkan suatu
artificial variable pada sisi kiri setiap persamaan yang tidak memiliki variabel
basis. Dinamakan artificial (sebagai lawan dari ” real decision variable ”)
karena ia tidak memiliki arti nyata. Artificial digunakan hanya untuk memulai
penyelesaian dan pada urutan selanjutnya mereka harus dijadikan nol pada
solusi akhir, jika tidak, solusi yang dihasilkan akan menjadi tak layak.
32
Tujuan perusahaan untuk
memaksimalkan
2.7 Kerangka Pemikiran
Gambar 2.3 Kerangka Pemikiran
Sumber : Penulis
Munculnya kendala /
masalah keterbatasan.
Solusi Pengalokasian
Penerapan LP
dengan simpleks
MAKSIMASI KEUNTUNGAN
&
KOMBINASI PRODUK
FASILITAS
Studio
Indoor
Variabel
Keputusan
Fungsi
Tujuan
Fungsi
Kendala