Pemrograman Linier (3)sabri.staff.gunadarma.ac.id/Downloads/files/44825/RO...4 Metode Big M:...
Transcript of Pemrograman Linier (3)sabri.staff.gunadarma.ac.id/Downloads/files/44825/RO...4 Metode Big M:...
Pemrograman Linier (3)Metode Big-M
Ahmad Sabri
Universitas Gunadarma, Indonesia
1
2
Pada model PL di mana semua kendala memiliki relasi ≤, variabel basispada solusi awal (tabel simpleks awal) adalah Z dan semua variabel slack.
Namun tidak demikian halnya untuk model PL yang memiliki kendala =atau ≥.
Prosedur simpleks untuk menyelesaikan model PL yang memiliki kendala= atau ≥ dapat menggunakan salah satu metode di bawah ini:
Metode Big M, atau
Metode dua fase
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 2 / 19
2
Pada model PL di mana semua kendala memiliki relasi ≤, variabel basispada solusi awal (tabel simpleks awal) adalah Z dan semua variabel slack.
Namun tidak demikian halnya untuk model PL yang memiliki kendala =atau ≥.
Prosedur simpleks untuk menyelesaikan model PL yang memiliki kendala= atau ≥ dapat menggunakan salah satu metode di bawah ini:
Metode Big M, atau
Metode dua fase
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 2 / 19
2
Pada model PL di mana semua kendala memiliki relasi ≤, variabel basispada solusi awal (tabel simpleks awal) adalah Z dan semua variabel slack.
Namun tidak demikian halnya untuk model PL yang memiliki kendala =atau ≥.
Prosedur simpleks untuk menyelesaikan model PL yang memiliki kendala= atau ≥ dapat menggunakan salah satu metode di bawah ini:
Metode Big M, atau
Metode dua fase
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 2 / 19
3
Metode Big M : gambaran umum
Dalam bentuk baku, pada kendala dengan relasi ≥ atau = tidak terdapatvariabel slack.
Pada kedua jenis kendala tersebut, digunakan variabel yang berfungsiseolah-olah sebagai slack. Variabel ini dinamakan variabel artifisial(umumnya dilambangkan sebagai R).
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 3 / 19
3
Metode Big M : gambaran umum
Dalam bentuk baku, pada kendala dengan relasi ≥ atau = tidak terdapatvariabel slack.
Pada kedua jenis kendala tersebut, digunakan variabel yang berfungsiseolah-olah sebagai slack. Variabel ini dinamakan variabel artifisial(umumnya dilambangkan sebagai R).
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 3 / 19
4
Metode Big M : gambaran umum
Pada tabel awal simpleks, variabel artifisial terdapat pada basis. Namunpada tabel akhir (solusi optimal), semua variabel artifisial harus keluar daribasis (dengan kata lain, harus bernilai 0). (Catatan: hal ini terjadi jikaproblem memiliki solusi layak.)
Untuk ‘memaksa’nya keluar dari basis, setiap variabel artifisial diberipenalti pada fungsi objektif,
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 4 / 19
4
Metode Big M : gambaran umum
Pada tabel awal simpleks, variabel artifisial terdapat pada basis. Namunpada tabel akhir (solusi optimal), semua variabel artifisial harus keluar daribasis (dengan kata lain, harus bernilai 0). (Catatan: hal ini terjadi jikaproblem memiliki solusi layak.)
Untuk ‘memaksa’nya keluar dari basis, setiap variabel artifisial diberipenalti pada fungsi objektif,
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 4 / 19
5
Aturan penalti untuk variabel artifisial
Diberikan M sebagai nilai yang sangat besar (secara matematis,M →∞). Setiap variabel artifisial diberi penalti pada fungsi objektif,dengan memberinya koefisien sebesar:
−M pada masalah maksimisasi, atau
+M pada masalah minimisasi
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 5 / 19
6
Contoh
Min Z = 4x1 + x2
Dengan kendala:3x1 + x2 = 34x1 + 3x2 ≥ 6x1 + 2x2 ≤ 4x1, x2 ≥ 0
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 6 / 19
7
Bentuk baku:
Min Z = 4x1 + x2
Dengan kendala:3x1 + x2 = 34x1 + 3x2−s1 = 6x1 + 2x2 +s2 = 4
x1, x2, s1, s2 ≥ 0
Keterangan:s1: variabel surplus, s2: variabel slack
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 7 / 19
8
Bentuk baku:
Min Z = 4x1 + x2 +MR1 +MR2
Dengan kendala:3x1 + x2 +R1 = 34x1 + 3x2 − s1 +R2 = 6x1 + 2x2 + s2 = 4
x1, x2, s1, s2, R1, R2 ≥ 0
Keterangan:R1 dan R2 adalah variabel artifisial.M adalah penalti untuk R1 dan R2 pada fungsi objektif.
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 8 / 19
9
Untuk memudahkan proses komputasi pada komputer, M umumnyadisubstitusi dengan bilangan yang sangat besar.
Namun pada prakteknya, M tidak perlu sangat besar; namun cukup besarjika dibandingkan dengan koefisien variabel keputusan pada fungsi objektif.
Sebagai contoh, koefisien untuk x1 dan x2 pada fungsi objektif adalah 4dan 1. Oleh karena itu, cukup wajar jika M bernilai 100 (relatif besarterhadap 4 dan 1).
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 9 / 19
9
Untuk memudahkan proses komputasi pada komputer, M umumnyadisubstitusi dengan bilangan yang sangat besar.
Namun pada prakteknya, M tidak perlu sangat besar; namun cukup besarjika dibandingkan dengan koefisien variabel keputusan pada fungsi objektif.
Sebagai contoh, koefisien untuk x1 dan x2 pada fungsi objektif adalah 4dan 1. Oleh karena itu, cukup wajar jika M bernilai 100 (relatif besarterhadap 4 dan 1).
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 9 / 19
9
Untuk memudahkan proses komputasi pada komputer, M umumnyadisubstitusi dengan bilangan yang sangat besar.
Namun pada prakteknya, M tidak perlu sangat besar; namun cukup besarjika dibandingkan dengan koefisien variabel keputusan pada fungsi objektif.
Sebagai contoh, koefisien untuk x1 dan x2 pada fungsi objektif adalah 4dan 1. Oleh karena itu, cukup wajar jika M bernilai 100 (relatif besarterhadap 4 dan 1).
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 9 / 19
10
Iterasi ke-0: tabel simpleks awal
Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 -4 -1 0 -100 -100 0 0(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6(3) s2 0 1 2 0 0 0 1 4
Perhatikan bahwa x1 = 0, x2 = 0, R1 = 3, R2 = 6, sehinggaZ = 4(0) + (0) + 100(3) + 100(6) = 900.
Padahal, dari tabel diperoleh Z = 0 (terdapat inkonsistensi).
Untuk mengatasinya, koefisien R1 dan R2 pada baris 0 (baris Z) harus dijadikan0, dengan cara:
(0)baru = (0)lama + (100× (1) + 100× (2))
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 10 / 19
10
Iterasi ke-0: tabel simpleks awal
Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 -4 -1 0 -100 -100 0 0(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6(3) s2 0 1 2 0 0 0 1 4
Perhatikan bahwa x1 = 0, x2 = 0, R1 = 3, R2 = 6, sehinggaZ = 4(0) + (0) + 100(3) + 100(6) = 900.
Padahal, dari tabel diperoleh Z = 0 (terdapat inkonsistensi).
Untuk mengatasinya, koefisien R1 dan R2 pada baris 0 (baris Z) harus dijadikan0, dengan cara:
(0)baru = (0)lama + (100× (1) + 100× (2))
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 10 / 19
10
Iterasi ke-0: tabel simpleks awal
Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 -4 -1 0 -100 -100 0 0(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6(3) s2 0 1 2 0 0 0 1 4
Perhatikan bahwa x1 = 0, x2 = 0, R1 = 3, R2 = 6, sehinggaZ = 4(0) + (0) + 100(3) + 100(6) = 900.
Padahal, dari tabel diperoleh Z = 0 (terdapat inkonsistensi).
Untuk mengatasinya, koefisien R1 dan R2 pada baris 0 (baris Z) harus dijadikan0, dengan cara:
(0)baru = (0)lama + (100× (1) + 100× (2))
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 10 / 19
10
Iterasi ke-0: tabel simpleks awal
Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 -4 -1 0 -100 -100 0 0(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6(3) s2 0 1 2 0 0 0 1 4
Perhatikan bahwa x1 = 0, x2 = 0, R1 = 3, R2 = 6, sehinggaZ = 4(0) + (0) + 100(3) + 100(6) = 900.
Padahal, dari tabel diperoleh Z = 0 (terdapat inkonsistensi).
Untuk mengatasinya, koefisien R1 dan R2 pada baris 0 (baris Z) harus dijadikan0, dengan cara:
(0)baru = (0)lama + (100× (1) + 100× (2))
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 10 / 19
11
Iterasi ke-0: tabel simpleks awal termodifikasi
Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 696 399 -100 0 0 0 900(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6(3) s2 0 1 2 0 0 0 1 4
Solusi dasar awal:x1 = 0, x2 = 0, R1 = 3, R2 = 6, Z = 900.
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 11 / 19
11
Iterasi ke-0: tabel simpleks awal termodifikasi
Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 696 399 -100 0 0 0 900(1) R1 0 3 1 0 1 0 0 3
0 (2) R2 0 4 3 -1 0 1 0 6(3) s2 0 1 2 0 0 0 1 4
Solusi dasar awal:x1 = 0, x2 = 0, R1 = 3, R2 = 6, Z = 900.
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 11 / 19
12
Update tabel: kolom pivot (variabel masuk basis)
Problem minimisasi: kolom pivot adalah kolom dengan koefisien paling positifpada baris (0).
No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 696 399 -100 0 0 0 900(1) R1 0 3 1 0 1 0 0 3(2) R2 0 4 3 -1 0 1 0 6(3) s2 0 1 2 0 0 0 1 4
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 12 / 19
13
Update tabel: menghitung rasio
No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 696 399 -100 0 0 0 900(1) R1 0 3 1 0 1 0 0 3 1(2) R2 0 4 3 -1 0 1 0 6 1,5(3) s2 0 1 2 0 0 0 1 4 4
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 13 / 19
14
Update tabel: baris pivot (variabel keluar basis)
No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 696 399 -100 0 0 0 900(1) R1 0 3 1 0 1 0 0 3 1(2) R2 0 4 3 -1 0 1 0 6 1,5(3) s2 0 1 2 0 0 0 1 4 4
Elemen pivot = 3Masuk basis: x1
Keluar basis: R1
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 14 / 19
15
Iterasi ke-1
Itr. No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 0 167 -100 -232 0 0 204(1) x1 0 1 1
3 0 13 0 0 1
1 (2) R2 0 0 53 -1 - 43 1 0 2
(3) s2 0 0 53 0 - 13 0 1 3
x1 = 1, x2 = 0, Z = 204 (Belum optimal)
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 15 / 19
16
Update tabel: kolom pivot
No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 0 167 -100 -232 0 0 204(1) x1 0 1 1
3 0 13 0 0 1
(2) R2 0 0 53 -1 - 43 1 0 2
(3) s2 0 0 53 0 - 13 0 1 3
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 16 / 19
17
Update tabel: menghitung rasio
No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 0 167 -100 -232 0 0 204(1) x1 0 1 1
3 0 13 0 0 1 3
(2) R2 0 0 53 -1 - 43 1 0 2 6
5(3) s2 0 0 5
3 0 - 13 0 1 3 95
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 17 / 19
18
Update tabel: baris pivot
No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 0 167 -100 -232 0 0 204(1) x1 0 1 1
3 0 13 0 0 1 3
(2) R2 0 0 53 -1 - 43 1 0 2 6
5(3) s2 0 0 5
3 0 - 13 0 1 3 95
Elemen pivot = 53
Variabel masuk: x2
Variabel keluar: R2
Perhatikan bahwa pada tahap ini, variabel artifisial R1 dan R2 sudah keluar daribasis.
Dibutuhkan dua iterasi lagi untuk mencapai optimal, yaitu:x1 = 2
5 , x2 = 95 , dan Z = 17
5 (Harap diperiksa!!)
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 18 / 19
18
Update tabel: baris pivot
No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 0 167 -100 -232 0 0 204(1) x1 0 1 1
3 0 13 0 0 1 3
(2) R2 0 0 53 -1 - 43 1 0 2 6
5(3) s2 0 0 5
3 0 - 13 0 1 3 95
Elemen pivot = 53
Variabel masuk: x2
Variabel keluar: R2
Perhatikan bahwa pada tahap ini, variabel artifisial R1 dan R2 sudah keluar daribasis.
Dibutuhkan dua iterasi lagi untuk mencapai optimal, yaitu:x1 = 2
5 , x2 = 95 , dan Z = 17
5 (Harap diperiksa!!)
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 18 / 19
18
Update tabel: baris pivot
No. Basis Z x1 x2 s1 R1 R2 s2 Solusi Rasio(0) Z 1 0 167 -100 -232 0 0 204(1) x1 0 1 1
3 0 13 0 0 1 3
(2) R2 0 0 53 -1 - 43 1 0 2 6
5(3) s2 0 0 5
3 0 - 13 0 1 3 95
Elemen pivot = 53
Variabel masuk: x2
Variabel keluar: R2
Perhatikan bahwa pada tahap ini, variabel artifisial R1 dan R2 sudah keluar daribasis.
Dibutuhkan dua iterasi lagi untuk mencapai optimal, yaitu:x1 = 2
5 , x2 = 95 , dan Z = 17
5 (Harap diperiksa!!)
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 18 / 19
19
Contoh
Min Z = 4x1 + 5x2
Dengan kendala:3x1 + x2 ≤ 275x1 + 5x2 = 66x1 + 4x2 ≥ 6x1, x2 ≥ 0
Temukan solusi optimalnya dengan menggunakan metode simpleks Big M.
Ahmad Sabri (Universitas Gunadarma, Indonesia) Pemrograman Linier (3) 19 / 19