MAKALAH OPERASIONAL RISET

METODE GRAFIK

KELOMPOK 2:

HAMIDAH SYALAM 1502120563

RETRI MULYANINGSIH 1502110625

JURUSAN AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS RIAU

2018

i
 KATA PENGANTAR

Puji syukur kami ucapkan kehadirat Allah SWT karena dengan rahmat, karunia, serta
taufik dan hidayah-Nya penulis dapat menyelesaikan makalah tentang “Metode Grafik”.
Kami berterimakasih kepada Bapak Rio Jones Marpaung, SE., MM selaku dosen mata kuliah
Operasional Riset yang memberikan tugas ini.

Kami sangat berharap makalah ini dapat berguna dalam menambah wawasan serta
pengetahuan kita. Kami juga menyadari bahwa di dalam makalah ini terdapat kekurangan dan
jauh dari kata sempurna. Oleh sebab itu , Kami berharap adanya kritik, saran dan usulan demi
perbaikan makalah yang telah kami buat dimasa yang akan datang, mengingat tidak ada
sesuatu yang sempurna tanpa saran yang membangun.

Semoga makalah sederhana ini dapat dipahami bagi siapapun yang membacanya.
Sekiranya makalah yang telah disusun ini dapat berguna bagi kami sendiri maupun orang
yang membacanya. Sebelumnya kami mohon maaf apabila terdapat kesalahan kata-kata yang
kurang berkenan, dan memohon kritik dan saran yang membangun.

Pekanbaru, 07 Oktober 2018

Kelompok 2

ii
 DAFTAR ISI

Kata Pengantar ........................................................................................... ii

Daftr Isi ....................................................................................................... iii

BAB I PENDAHULUAN

Latar Belakang .............................................................................................. 1

Rumusan Masalah ......................................................................................... 1

Tujuan Penulisan ........................................................................................... 1

BAB II PEMBAHASAN

Sistem Dan Bidang Kerja.............................................................................. 2

Menggambar Pertidaksamaan dan Persamaan .............................................. 3

Daerah Yang Memenuhi Kendala ................................................................. 5

Menggambar Fungsi Tujuan ......................................................................... 6

Geometri Sukra Rasmi: Kasus Pemaksimuman Fungsi Tujuan ................... 8

Geometri Gupita: Kasus Peminimalan Fungsi Tujuan ............................... 13

Kendala Aktif dan Kendala Tidak Aktif ..................................................... 15

BAB III KESIMPULAN

Kesimpulan ................................................................................................. 17

DAFTAR PUSTAKA

iii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Operasi riset (operation research) merupakan penerapan beberapa metode

ilmiah yang membantu memecahkan persoalan rumit yang muncul dalam kehidupan
sehari-hari kemudian di inteprestasikan dalam permodelan matematika guna
mendapatkan informasi solusi yang optimal. Operational research juga banyak
digunakan untuk mengambil keputusan yang logis serta dapat dijelaskan secara
kuantitatif. Pendekatan khusus ini bertujuan membentuk suatu metode ilmiah dari sistem
menggabungkan ukuran-ukuran faktor-faktor seperti kesempatan dan risiko, untuk
meramalkan dan membandingkan hasil-hasil dari beberapa keputusan, strategi atau
pengawasan.

Progam linier secara umum adalah program linier merupakan salah satu teknik
menyelesaikan riset operasi, dalam hal ini adalah khusus menyelesaikan masalah-masalah
optimasi (memaksimalkan atau memininumkan) tetapi hanya terbatas pada masalah-
masalah yang dapat diubah menjadi fungsi linear. Model pemograman linier dijelaskan
melalui dua cara. Pertama dengan analisis geometri dan kedua dengan algoritma
Simpleks. Bab ini akan membahas penyelesaian pemograman Linier dengan analisis
geometri dua dimensi. Geometri dua dimensi dapat digunakan untuk menggambarkan
hubungan antara dua elemen penting model pemograman linier. Meskipun hanya terbatas
pada analisis dua dimensi namun analisis ini bermanfaat untuk menjelaskna perilaku
model.

1.2 Rumusan Masalah

1. Apa saja model Pemrograman Linier Metode Grafik?

2. Bagaimana contoh soal dan pembahasan fungsi maksimalisasi keuntungan dan

minimalisasi biaya?

1.3 Tujuan

1. Mengerti dan memahami model Pemrograman Linier Metode grafik

2. Memahami contoh soal dan pembahasan menggunakan metode grafik.

1
 BAB II

PEMBAHASAN

1. SISTEM DAN BIDANG KERJA

Seorang filsuf Perancis, Rene Descertes (1956-1650), mengembangkan suatu

analisis grafik dimana persamaan-persamaan aljabar dituangkan kedalam bentuk
gambar sehingga, melalui grambar itu kita dapat melihat hubungan antar variabel
yang sedang diobeservasi dan dikenal sebagai Koordinat Kartesius (Cartesian
Coordinates).

Sistem yang digunakan untuk menyatakan hubungan antara aljabar dan geometri
adalah bidang yang dibagi empat oleh sumbu tegak (absis) dan sumbu datar (ordinat).
Bidang-bidang tersebut dinamakan kuadran sehingga ada empat kuadran yang
dinamakan kuadran I, II, III dan IV. Gambar 2.1 akan memperlihatkan pembagian
bidang tersebut. Perpotongan antara sumbu tegak X2 dan sumbu datar X1 disebut titik
pusat. Pada titik pusat, nilai X1 = 0 dan X2 = 0. Koordinat X1 dan X2 sering ditulis
(X,Y), oleh karena itu koordinat (0,0) di titik pusat menunjukkan X1 = 0 dan X2 = 0.

Gambar 2.1 Sistem Kuadran

Di dalam setiap kasus pemograman linier akan selalu dijumpai kendala bukan
bilangan negatif, artinya pemograman linier akan selalu beroperasi pada kuadran I.
Bidan yang diarsir adalah bidang kerja pemograman linier.

X1 ≥ 0 berarti X1 bernilai nol atau positif, atau

X2 ≥ 0 berarti X2 bernilai nol atau positif.

2
2. MENGGAMBAR PERTIDAKSAMAAN DAN PERSAMAAN

a. Kendala Persamaan

Model pemograman linier seperti yang sudah dibahas oleh kelompok 1, mengenal
3 macam kendala yaitu kendala pembatas, syarat dan keharusan. Secara matematis,
perbedaan kendala tersebut ditunjukkan oleh tandanya, yaitu “≤, ≥, dan =”.

Perhatikan kendala persamaan berikut:

X2 – X1 = 1.................................. A

Kendala persamaan A diatas menunjukkan bahwa nilai X1 dan X2 harus tertentu,

misal X1 = 1 dan X2 = 2, atau X1 = 5 dan X2 = 6, dan seterusrnya, agar persamaan
tersebut terpenuhi.

Garis kendala yang ditunjukkan oleh persamaan A diatas merupakan tempat

kedudukan (X1, X2) yang akan membuat nilai ruas kiri sama dengan ruas
kanannya. Jadi, suatu kendala persamaan akan selalu mengendalikan penyelesaian
matematis model pemograman linier agar nilai variabel-variabel keputusan selalu
berada pada garis kendalanya.

Gambar 2.2 Persamaan kendala

b. Kendala Pertidaksamaan

Berbeda dari persamaan, istilah pertidaksamaan menunjukkan bahwa ruas kiri

tidak sama dengan ruas kanannya. Ruas kiri mungkin lebih kecil dari ruas

3
kanannya dan mungki lebih besar dari ruas kanannya. Perhatikan kendala
pertidaksamaan berikut:

X2 – X1 < 1 .......................... B

Pertidaksamaan B menunjukkan bahwa (X1, X2) tidak boleh membuat nilai ruas
kiri lebih besar dari 1. Secara matematis, mungkin saja mendekati 1 namun tidak akan
pernah bernilai 1.

c. Kendala Lebih Besar atau Sama Dengan

Dalam model matematis pemograman linier, nilai ruas kanan selalu mewakili nilai
kapasitas suatu kendala sehingga pemkasimuman atau peminimuman fungsi tujuan
terhadap fungsi-fungsi kendala berarti mengusahakan agar sluruh kapasitas itu
digunakan seluruhnya atau agar kapasitas itu bernilai nol. Oleh karena itu,

X2 – X1 ≥ 1 ................................. C

Pertidaksamaan matematis C menunjukkan bahwa (X1, X2) yang memenuhi

pertidaksamaan itu akan menyebar pada bidang yang diarsir, lihar gambar 2.2

Sebagai contoh, A(2,6) memenuhi persamaan C karena X2 – X1 = 4; demikian

pula untuk B(2,3) dan D(5,6) karena X2 – X1 = 1. Namun, C(5,3) tidak memenuhi
persamaan C karena X2 – X1 = -2. Jadi, seluruh (X1, X2) yang menyebar di sebelah
kiri garis X2 – X1 = 1 dan tepat di garis X2 – X1 = 1 akan selalu memenuhi persamaan
C.

Gambar 2.3 Pertidaksamaan kendala, lebih besar

atau sama dengan

4
 d. Kendala Lebih Kecil Atau Sama Dengan

Penggambaran kendala pertidaksamaan kebih kecil atau sama dengan pada

dasarnya tidak berbeda dari penggambaran kendala pertidaksamaan lebih besar atau
sama dengan. Perhatikan kendala pertidaksamaan berikut:

X2 – X1 ≤ 1............................. D

Daerah dimana (X1, X2) memenuhi persamaan D ditunjukkan oleh daerah yang
diarsir dan dibatasi oleh garis X2 – X1 = 1 pada gambar 2.4. sebagai contoh, C(5,3)
memenuhi persamaan D karena X2 – X1 = -2; demikian pula untuk B(2,3) dan D(5,6)
karena X2 – X1 = 1. Namun, A(2,6) tidak memenuhi persamaan D karena X2 – X1 = 4.
Jadi, seluruh (X1, X2) yang menyebar disebelah kanan garis X2 – X1 = 1 dan tepat di
garis X2 – X1 = 1 akan selalu memenuhi persamaan D.

Gambar 2.4 Pertidaksamaan Kendala, lebih kecil atau sama dengan

3. DAERAH YANG MEMENUHI KENDALA

Perhatikan susunan kendala berikut:

X2 – X1 ≤ 1 ............................................. E

2X2 + 3X1 ≥ 12 ....................................... F

X1 ≥ 7 ......................................... G

X2 ≤ 6......................................... H

5
 X2 ≥ 3 ........................................ I

Masing-masing kendala pertidaksamaan di atas akan menjangkau suatu bidang

tertentu, yaitu bidang dimana variabel-variabel keputusan memenuhi fungsi-fungsi
matematikanya. Gambar 2.5 akan memperlihatkan bidang jangkau masing-masing
kendala tersebut. Perpotongan antara DMK masing-masing kendala membentuk sebuh
bidang baru. Bidang itu dinamakan Daerah yang Memenuhi Kendala atau DMK yang
memenuhi seluruh kendala A-E. Oleh karena itu, penyelesaian optimal, yaitu variabel-
variabel keputusan yang memenuhi seluruh kendala dan mengakibatkan fungsi tujuan
bernilai ekstrem, pasti terletak didalam DMK.

Gambar 2.4 Daerah yang Memenuhi Kendala (DMK)

4. MENGGAMBAR FUNGSI TUJUAN

Untuk menemukan penyelesian optimal dalam pemograman linier, fungsi tujuan
dimaksimumkan atau diminimumkan terhadap susunan kendala-kendala. Perhatikan
fungsi tujuan berikut:
Max Z = 2X1 + 2X2 ................................ J
Fungsi matematika J menjelaskan bahwa nilai fungsi tujuan itu dijelaskan oleh
variabel Z. Nilai variabel ini sangat tergantung pada nilai variabel keputusan X1 dan
X2, semakin besar nilai kedua variabel keputusan itu maka semakin besar nilai Z.

6
Sebaliknya, bila kedua variabel keputusan itu bernilai nol maka Z juga akan bernilai
nol.
Garis Z = 2X1 + 2X2 disebut garis tujuan, adalah sebuah garis lurus yang
melewati titik pusat (0,0); artinya pada saat X1 dan X2 bernilai nol, mkaZ akan
bernilai nol. Selanjutnya kesamaan parameter, yaitu koefisien X1 dan X2 menunjukkan
bahwa gradien garis itu:
Z = 2X1 + 2X2
−2
Jika Z = 0, maka 2X2 = -2X1 dan X2 = X1 , atau X2 = -X1
2

Gambar 2.5 fungsi tujuan dimaksimumkan

Karakteristik fungsi tujuan:

1. Semakin kearah kanan garis tujuan semakin besar nilai fungsu tujuan
2. Tanpa perlu membuktikan lagi, kondisi itu berlaku sebaliknya yaitu semakin ke
arah kiri garis tujuan semakin kecil nilai fungsi tujuan
3. Garis tujuan semakin menjadi tempat kedudukan variabel-variabel keputusan yang
akan menghasilkan nilai fungsi tujuan sama.

Titik sudut dan Titik Sudut Ekstrem

DMK dibentuk oleh perpotongan garis-garis kendala. Perpotongan itu kemudian

membentuk titik-titik sudut DMK. Pada gambar 2.6, titik sudut DMK itu berjumlah 4.
Karena fungsi tujuan dimaksimumkan atau diminimumkan terhadap DMK maka nilai
ekstrem pasti terletak pada salah satu titik sudutnya.

7
 Bila fungsi tujuan Z = 3X1 + 2X2 dmaksimumkan terhadap DMK maka C(8,6) pasti
menjadi titik sudut ekstrem yang akan menghasilkan nilai fungsi tujuan maksimum
yaitu Z = 3 (7) + 2 (6) = 33. Sebaliknya, bila fungsi tujuan itu diminumkan terhadap
DMK pada gambar 2.6 maka A(2,3) pasti menjadi titik sudut ekstrem yang akan
menghasilkan nilai fungsi tujuan minimum yaitu Z = 3(2) + 2(3) = 12. Jadi fungsi
tujuan bisa dimaksimumkan atau diminimumkan terhadap sebuah DMK.

Gambar 2.6 Titik-titik sudut

5. GEOMETRI SUKRA RASMI: KASUS PEMAKSIMUMAN FUNGSI TUJUAN

Model geometri matematis Sukra Rasmi adalah:

a. Fungsi tujuan: Maks 40X1 + 30X2

b. 2X1 + X2 ≤ 20
c. 2X1 + 3X2 ≤ 32
d. 2X1 - X2 ≥ 0
e. X2 ≥ 2

Langkah pertama untuk memecahkan masalah ini adalah dengan menggambar kendala-
kendala hingga diperoleh DMK.

8
 Kendala 1 : menggambar kendala 2X1 + X2 ≤ 20

Gambar 2.7 kendala Penghancuran

Kendala 2: kendala penghalusan, 2X1 + 3X2 ≤ 32

Gambar 2.8 Kendala Penghalusan

Kendala 3: Kendala keseimbangan produksi, 2X1 - X2 ≥ 0

Gambar 2.9 Kendala

Keseimbangan Produksi

9
Kendala 4: Kendala permintaan produk rasmi, X2 ≥ 2

Hal ini karena permintaan rutin sebesar 2 ton, maka Rasmi harus diproduksi lebih
dari 2 ton agar dapat memenuhi permintaan pasar.

Gambar 2.10 Kendala permintaan produk

Langah terakhir yang harus dilakukan adalah penggambaran DMK kasus Sukra Rasmi
dilakukan dengan cara penggabungan DMK seluruh kendala. Dapat dilihat pada gambar 2.11

Gambar 2.11 DMK seluruh kendala kasus Rasmi

10
 Perpotongan antar garis kendala menghasilkan titik-titik sudut. Dalam kasus ini,
perpotongan garis-garis kendala itu menghasilkan empat titik sudut, yaitu A(1,2); B(9,2);
C(7,6) dan D(4,8).

Koordinat A(1,2) merupakan perpotongan antara garis kendala keseimbangan produksi

dengan garis kendala permintaan Rasmi. Secara matematis, koordinat titik potong itu
memenuhi:

Geris kendala keseimbangan produksi : 2X1 + X2 ≤ 20

Garis kendala permintaan Rasmi : X2 ≥ 2

Karena X2 = 2 maka dengan cara subtitusi kita menemukan X1 = 1. Dengan demikian,

koordinat (1,2) pasti memenuhi kedua kendala tersebut. Dengan cara subtitusi ini kita bisa
menemukan titik sudut yang lain.

Pemaksimuman Fungsi Tujuan

Secara geometri, pemaksimuman fungsi tujuan terhadap DMK adalah sebuah proses
penggeseran garis tujuan kearah kanan sehingga ditemukan titik sudut ekstrem, yaitu titik
sudut yang dilewati paling akhir oleh garis tujuan.

Gambar 2.12 pemaksimuman fungsi tujuan terhadap DMK Sukra Resmi

Ketika garis tujuan itu digeser kearah kanan dan kemuadian berhenti di A(1,2) , nilai Z
menjadi 100. (lihat gambar 2.13) dan hal ini dijelaskan sebagai berikut:

11
 Gambar 2.13 nilai Z maksimum

Koordinat A(1,2) menunjukkan produksi Sukra 1 ton dan rasmi 2 ton. Karena
Contribution Margin Sukradan Rasmi adalah Rp40,- dan Rp30,- per ton, dan dinyatakan
dalam fungsi tujuan Z = 40X1 + 30X2, maka Z = 100 untuk X1 = 1 dan X2 = 2.

Dalam hal ini, kita tidak mungkin lagi menggeser garis tujuan ke arah kanan di luar titik
sudut ekstrem itu untuk memperoleh nilai Z yang lebih besar. Garis kendala penghancuran
dan penghalusan telah membatasi penyelesaian optimal itu. Ini berarti produksi Sukra dan
Rasmi sudah tidak mungkin lagi ditambah karena seluruh kapasitas penghancuran
penghalusan telah digunakan untuk menghasilkan 7 ton Sukra dan 6 ton Rasmi. Secara
matematis,

Kendala penghancuran 2X1 + X2 ≤ 20

Untuk X1 = 7 dan X2 = 6 2(7) + 1(6) ≤ 20

Kendala penghalusan 2X1 + 3X2 ≤ 32

Untuk X1 = 7 dan X2 = 6 2(7) + 3(6) ≤ 32

Jadi, nilai Z maksimum di C(6,7) karena kapasitas kendala penghancuran dan penghalusan
menjadi pembatas.

 Produksi Sukra 7 ton

 Produksi Rasmi 6 ton

Penyelesaian optimal ini menunjukkan bahwa:

 Seluruh kapasitas penghancuran dan penghalusan terpakai, atau dengan kata lain
tidak ada sisa kapasitas di kedua departemen tersebut

12
  Keseimbangan produksi juga terjaga karena Rasmi diproduksi dibawah batasan
yang telah ditetapkan
 Permintaan rutin 2 ton terpenuhi dan perusahaan mempunyai peluang menjual 4
ton Sukra ke pasar.

Kebijaksanaan ini akan menghasilakn Contribution Margin total sebesar Rp460,-

6. GEOMETRI GUPITA: KASUS PEMINIMUMAN FUNGSI TUJUAN

Gupita adalah nama sebuah perusahaan yang menghasilkan makanan ternak. Salah satu
produk unggulannya adaah vitamin yang akan merangsang hormon-hormon tertentu dalam
tubuh hewan agar tumbuh subur dan sehat. Dua bahan baku utama untuk membuat makanan
ternak ini adalah Sanka dan Kala dengan harga masing-masing Rp20,- dan Rp30,- per kg.
Setiap kg makanan ternak harus mengandung tidak kurang dari 30 unit unsur Alfa dan paling
banyak 280 unit unsur Beta, dan peraturan Dirjen Peternakan menetapkan bahwa jenis
vitamin itu harus mengandung paling sedikit 120 unit unsur Gama. Di samping itu, ketentuan
teknis menghendaki agar perbandingan berat masing-masing unsur Sanka dan Kala dalam
setiap kapsul paling banyak delapan banding satu. Data teknis yang diberikan oleh pemasok
mcnunjukkan bahwa setiap kg Sanka mengandung 6 unit unsur Alfa, 20 unit unsur Beta, dan
10 unit unsur Gama; sedang setiap kg Kala mengandung 3 unit unsur Alfa; 40 unit unsur
Beta, dan 40 unit unsur Gama. Juga, karena Sanka mudah rusak maka perusahaan hanya
menyediakan 8 kg untuk setiap kali proses.

MODEL MATEMATIS

Matriks Kasus Gupita sebagai berikut:

Unsur Sanka Kala Kapasitas Keterangan

Alfa 6 3 30 Unit Syarat
Beta 20 40 280 Unit Pembatas
Gama 10 40 120 Unit Syarat
Teknis 8 1 0 Pembatas
Permintaan 1 0 8 Pembatas
Harga 20,- 30,-

Model Matematis Kasus Gupita:

1) Fungsi Tujuan: Min 20X1 + 30X2

Terhadap kendala-kendala:
2) 2X1 + X2 ≥ 10
3) X1 + 2X2 ≤ 14
4) X1 + 4X2 ≥ 12
5) X1 - X2 ≤ 0
6) X1 ≤ 8

13
 DMK Kasus Gupita
Peminimuman fungsi tujuan terhadap DMK
adalah usaha untuk menggeser garis tujuan ke
arah kanan hingga ditemukan titik ekstrem yang
akan menghasilkan nilai fungsi tujuan minimum.
Titik ekstrem yang disentuh pertama kali oleh
garis tujuan pada gambar disamping adalah titik
sudut O (4, 2) dan akan menghasilkan Z minimum
= 20 (4) + 30 (2) = 140.

Penyelesaian ini menganjurkan agar campuran

makanan ternak itu terdiri dari 4 kg Sanka dan 2 kg Kala agar biaya bahan baku minimum da
seluruh ketentuan dipenuhi.

BAGAIMANA JIKA?

Dalam persamaan di atas, campuran bahan baku Sanka (2 kg) dan Kala (4 kg) berjumlah 6
kg. Dalam kasus nyata, kemasan harus dikemas ke dalam kemasan 10 kg. Untuk menghadapi
tuntutan kemasan ini kita perlu menambahkan kendala kemasan, yaitu:

X1 + X2 = 10

Kendala kemasan ini berupa kendala keharusan, artinya kendala ini akan memaksa
penyelesaian optimal berada pada garis kendalanya.

MODEL MATEMATIK GUPITA SETELAH PENAMBAHAN KENDALA KEMASAN

1) Fungsi Tujuan: Min 20X1 + 30X2

Terhadap kendala-kendala:
2) 2X1 + X2 ≥ 10
3) X1 + 2X2 ≤ 14
4) X1 + 4X2 ≥ 12
5) X1 - 8X2 ≤ 0
6) X1 ≤ 8
7) X1 + X2 = 10

DMK Kasus Gupita setelah penambahan kendala kemasan

Kini, DMK kasus Gupita adalah sebuah garis,

yaitu garis ST. Dengan demikian ST menjadi
tempat kedudukan variabel-variabel keputusan
yang memenuhi seluruh kendala. Karena DMK
itu berupa garis maka titik sudut ekstrem yang
akan menghasilkan nilai fungsi tujuan minimum
mungkin S (8, 2) atau T (6, 4).

Fungsi tujuan kasus ini adalah Z = 20X1 +

14
 30X2. Garis tujuan ketika Z = 0, yaitu ketika
Sanka dan Kala bernilai nol, adalah X2 = -
2/3X1. Seperti gambar di atas, garis tujuan itu
akan menyentuh pertama kali titik sudut
ekstrem S (8, 2). Titik sudut ekstrem ini
menghasilkan nilai fungsi tujuan minimum
yaitu Z = 20(8) + 30(2) = 220.

Penyelesaian kasus Gupita setelah kendala

kemasan itu ditambahkan menghasilkan nilai
fungsi tujuan yang lebih tinggi, artinya biaya
bahan baku utama itu bertambah. Tetapi, penyelesaian ini tetap memenuhi tuntutan kendala-
kendala yang ada, dan bisa dimengerti karena kini jumlah bahan baku yang dibutuhkan juga
bertambah.

7. KENDALA AKTIF DAN KENDALA TIDAK AKTIF

Kendala aktif adalah kendala yang membentuk titik sudut ekstrem. Sedangkan kendala
tidak aktif adalah kendala yan tidak membentuk titik sudut ekstrem. Melihat kendala aktif
dan kendala tidak aktif dalam kasus PT. Sukra Rasmi dan kasus Gupita.

Model Matematis Kasus Sukra Rasmi:

1) Fungsi tujuan: Maks 40 X1 + 30X2
Terhadap kendala-kendala:
2) 2X1 + X2 ≤ 20
3) 2 X1 + 3X2 ≤ 32
4) 2 X1 - X2 ≥ 0
5) X2 ≥ 2

Dari empat kendala di atas, kendala-

kendala yang membentuk titik sudut
ekstrem adalah kendala penghancuran dan
penghalusan yakni disebut kendala aktif.
Sedangkan kendala keseimbangan
produksi dan permintaan Rasmi disebut
kendala tidak aktif.

15
Model Matematis Kasus Gupita
1) Fungsi Tujuan: Min 20X1 + 30X2
Terhadap kendala-kendala:
2) 2X1 + X2 ≥ 10
3) X1 + 2X2 ≤ 14
4) X1 + 4X2 ≥ 12
5) X1 - 8X2 ≤ 0
6) X1 ≤ 8
kendala aktif kasus Gupita adalah kendala
pada baris ke-2 dan 4 yaitu kendala
kebutuhan Alfa dan Gama. Seandainya
kendala tidak aktif pada baris ke-3, 5, dan
6 diabaikan maka titik sudut ekstrem pasti
tidak akan berubah.

Kendala aktif dengan demikian adalah

kendala yang menentukan penyelesaian
optimal. Perubahan parameter kendala ini
jelas akan mempengaruhi penyelesaian
optimal.

16
 BAB III

KESIMPULAN

KESIMPULAN

Model pemograman linier bisa diselesaikan dengan menggunakan analisis geometri

algoritma Ssimpleks. Analisis geometri menggunakan sistem kuadran dan koordinat untuk
menggambarkan hubungan antar variabel dan untuk menemukan variabel-variabel keputusan
yang akan menghasilkan nilai fungsi tujuan ekstrem.

Daerah yang memenuhi kendala atau DMK adalah daerah dimana variabel-variabel
keputusan memenuhi seluruh kendala. DMK dibatasi oleh garis-garis kendala, dan
perpotongan antar garis kendala membentuk titik sudut.penyelesaian optimal akan terletak
pada titik sudut ekstrem, yaitu titik sudut yang akan menghasilkan nilai fungsi tujuan
ekstrem.

Sebuah DMK bisa dimaksimumkan dan diminimumkan oleh fungsi tujuan. Kendala yang
membentuk titik sudut ekstrem tersebut disebut kendaa aktif, sedang sebaliknya yaitu kendala
yang tidak membentuk sudut ekstrem disebut kendala tidak aktif. Perubahan parameter pada
kendala aktif pasti mengubah penyelesaian optimal sedang perubahan pada kendala tidak
aktif tidak akan berpengaruh pada penyelesaian optimal.

17
 DAFTAR PUSTAKA

Siswanto, 2007, Operations Research, Jakarta: Erlangga

18