kasus minimasi dalam riset operasional
DESCRIPTION
Memberi Penjelasan Cara Mencari Nilai Minimasi Dalam Mata Kuliah Riset OperasionalTRANSCRIPT
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
ProdukCj -1X1 -2X2 0S1 0S2 -Ma1 -Ma2 Kuantitas
a1
a2
-M
-M
1
2
3
1
-1
0
0
-1
1
0
0
1
11
9
Zj
Cj - Zj
-3M
-1+3M
-4M
-2+4M
M
-M
M
-M
-M
0
-M
0
-20M
Hasil iterasi pertama :
Kombinasi
ProdukCj -1X1 -2X2 0S1 0S2 -Ma1 -Ma2 Kuantitas
a1
X1
-M
-M
0
1
5/2
1/2
-1
0
1/2
-1/2
1
0
-1/2
1/2
13/1
9/2
Zj
Cj - Zj
-1
0
-1/2-5/2M
-3/2+5/2M
M
-M
M
-M
-M
0
-1/2+1/2M
½-3/2M
-9/2-13/2M
Hasil iterasi kedua
Kombinasi
ProdukCj -1X1 -2X2 0S1 0S2 -Ma1 -Ma2 Kuantitas
X2
X1
-2
-1
0
1
1
0
-2/5
1/5
1/5
-3/5
2/5
-1/5
-1/5
3/5
13/5
16/5
Zj
Cj - Zj
-1
0
-2
0
3/5
-3/5
1/5
-1/5
-3/5
-M+3/5
1
-M-1
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 C j – 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 :
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
ProdukCj 1X1 2X2 0S1 0S2 -Ma1 Kuantitas
S1
S2
1
0
1
0
0
1
-1
0
0
1
1
0
5
2
Zj
Cj - Zj
1
0
0
-2
-1
1
0
0
1
-M-1
5
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
ProdukCj 10X1 9X2 0S1 0S2 0S3 0S4 Kuantitas Rasio Ri
S1
S2
X1
S4
0
0
10
0
0
0
1
0
16/30
1/2
12/3
22/120
1
0
0
0
0
1
0
0
-7/10
-1/2
1
-1/10
0
0
0
1
134,4
126
708
64,8
134,4(16/30)=252
126(1/2)=252
708(2/3)=1062
64,2(22/120)=350,2
Zj
Cj - Zj
10
0
20/3
7/3
0
0
0
0
10
-10
0
0
7080
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.
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
Kombinasi
ProdukCj 1X1 2X2 0S1 0S2 -Ma1 Kuantitas
X1
S2
X2
7
0
10
1
0
0
0
0
1
1/3
-1/3
2/3
4/3
-2/3
6/3
0
1
0
15
12
25
Zj
Cj - Zj
7
0
10
0
27/3
-27/3
88/3
-88/3
0
0
355
Kombinasi
ProdukCj 10X1 9X2 0S1 0S2 0S3 0S4 Kuantitas
S1
S2
X1
S4
9
0
10
0
0
0
1
0
1
0
0
0
30/16
-15/16
-20/16
-11/32
0
1
0
0
-210/160
25/160
300/160
45/320
0
0
0
1
252
0
540
18
Zj
Cj - Zj
10
0
9
0
70/16
-70/16
0
0
111/16
-111/16
0
0
7668
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 C j - 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.