You are on page 1of 78

LINEAR PROGRAMMING

SIMPLEX METHOD

suhanan@ugm.ac.id

Simplex Method- An algebraic, iterative method to solve linear
programming problems.
The simplex method requires that the problem is expressed as a
standard LP problem. This implies that all the constraints are
expressed as equations by adding slack variables. (Variable yang
mewakili tingkat pengangguran atau kapasitas yang merupakan
batasan)  S1 , S2, S3,……Sm
The method uses Gaussian elimination (sweep out method) to
solve the linear simultaneous equations generated in the
process.

Jan 4, 2016

LINEAR PROGRAMMING

1

Slack Variables

suhanan@ugm.ac.id

• Inequality constrains can be converted to equalities
by introducing “slack variables”
• Misal:
X1+2X2+3X3+4X4  25, bisa ditulis sebagai
X1+2X2+3X3+4X4+S = 25
dengan s  0 (slack variable)
• Atau:
X1+2X2+3X3+4X4  25, bisa ditulis sebagai
X1+2X2+3X3+4X4 - S = 25
dengan s  0 (slack variable)
Jan 4, 2016

LINEAR PROGRAMMING

2

Langkah penyelesaian (1)

suhanan@ugm.ac.id

1. Represent the LP problem in standard form
Objective function
Z = C1 X1 + C2 X2 + C3 X3 + C4 X4 + .............+ Cn Xn
Constraints
1). a11 X1 + a12 X2 + a13 X3 + .........+ a1n Xn ≤ b1
2). a21 X1 + a22 X2 + a23 X3 + .........+ a1n Xn ≤ b2
3). a31 X1 + a32 X2 + a33 X3 + .........+ a3n Xn ≤ b3
4). a41 X1 + a42 X2 + a43 X3 + .........+ a4n Xn ≤ b4
.
.
.
.
.
.
.
m). am1 X1 + am2 X2 + am3 X3 +.........+ amn Xn ≤ bm
Xi ≥ 0 , i = 1,2,3…..n

bj 0 , j=1,2,…,m

X  variables; c  objective parameters;
a  constraints parameters;
b  right hand side value of constraints
Jan 4, 2016

LINEAR PROGRAMMING

3

Langkah penyelesaian (2)

suhanan@ugm.ac.id

2. Nyatakan persamaan fungsi tujuan dalam bentuk

z   c j  j  0;
j

dengan z adalah nilai dari fungsi tujuan
3. Rubah semua pertidaksamaan batasan (all inequality
constrains) ke dalam bentuk persamaan batasan
(equality constrains) dengan memasukkan variable Slack
4. Susun persamaan fungsi tujuan dan persamaan batasan
ke dalam tabel simplex.

Jan 4, 2016

LINEAR PROGRAMMING

4

Langkah penyelesaian (3)

suhanan@ugm.ac.id

CONTOH : Perusahaan barang tembikar

Lankah 1.
• Maximize Z=4X1+5X2
• Batasan:
X1 +2X2  40

(0)
(1)

4X1 +3X2  120

(2)

Langkah 2 dan 3
Fungsi tujuan
Batasan

Z - 4X1 - 5X2
X1 +2X2 +
4X1 +3X2

Jan 4, 2016

=0
S1
+ S2

LINEAR PROGRAMMING

(0)

= 40

(1)

= 120

(2)
5

Langkah penyelesaian (4)
suhanan@ugm.ac.id

Langkah 4 : Menyusun table Simplex awal

Coefficient of :

RHS
(sol)

Basic
Varia
ble

Eqt.

Z

X1

X2

S1

S2

Z

(0)

1

-4

-5

0

0

S1

(1)

0

1

2

1

0

40

S2

(2)

0

4

3

0

1

120

0

Basic Variable (Variable dasar) : adalah variable yang nilainya
sama dengan sisi kanan dari persamaan.
Pada persamaan (1) dan (2) bila belum ada kegiatan maka X1 = 0
dan X2 = 0, sehingga nilai S1 = 40 dan nilai S2 = 120. Pada tabel
awal diatas nilai Basic variable (S1 dan S2) pada fungsi tujuan harus
0 (nol).
Jan 4, 2016

LINEAR PROGRAMMING

6

Langkah penyelesaian (5)
suhanan@ugm.ac.id

Langkah 5 : Setelah data tersusun dalam tabel simplex awal,
lakukan iterasi sehingga dihasilkan titik optimal

5.1. Menentukan entering variable :
Dicari variabel yang paling sensitif terhadap fungsi tujuan (max Z).
– Dari tabel (baris Z) terlihat bahwa nilai absolut koefisien X 2 terbesar
yaitu l5l, jadi dipilih X2 sebagai entering variable. Kolom X2 disebut
pivot column (PC). Bila pada tabel sudah tidak mempunyai lagi
koeffisien yang bernilai negatif pada baris fungsi tujuan, maka
tabel ini tidak bisa lagi di optimalkan (sudah optimal).
– Selanjutnya hitung nilai ratio, Nilai kolom RHS dibagi dengan nilai
pada pivot column yang berkesesuaian.

5.2. Menentukan Leaving variable:

 ditentukan berdasarkan nilai ratio minimum, dipilih S1
sebagai leaving variable. Baris S1disebut Pivot Raw (PR)

Jan 4, 2016

LINEAR PROGRAMMING

7

Langkah penyelesaian

Iterati
on

0

Pivot Raw

Jan 4, 2016

suhanan@ugm.ac.id

Coefficient of :

RHS
(sol)

Basic
Varia
ble

Eqt.

Z

X1

X2

S1

S2

Z

(0)

1

-4

-5

0

0

0

S1

(1)

0

1

2

1

0

40

20

S2

(2)

0

4

3

0

1

120

40

Pivot
element

Pivot
column

LINEAR PROGRAMMING

Ratio

Ratio :
40/2 = 20
minimum

8

Langkah penyelesaian

suhanan@ugm.ac.id

5.3. Membuat table simplex kedua
• Bagi semua element pada Pivot Raw (PR) dengan Pivot Element.
Dihasilkan element pivot raw baru.
• Gantilah basic variable pada baris itu dengan Variable yang
terdapat diatas pivot column

Iterati
on

1

Jan 4, 2016

Basic
Variab Eqt.
le

Z

(0)

X2

(1)

S2

(2)

Coefficient of :
Z

X1

X2

S1

S2

0

0,5

1

0,5

0

LINEAR PROGRAMMING

RHS
(sol)

20

9

Langkah penyelesaian

suhanan@ugm.ac.id

• Hitung nilai element pada baris yang lain (tidak termasuk element
Pivot Raw) dengan cara :
Element baris baru = (Element baris lama) – (koeffisien pada
pivot column) x (nilai element baru pivot raw)
Menghitung nilai baru element baris dari Z

Koeffisien
pada PC

Element baris lama 

Z

1

-4

-5

0

0

0

element baru pivot raw 

X2

0

0,5

1

0,5

0

20

Element baris baru 

Z

1

-1,5

0

2,5

0

100

Jan 4, 2016

LINEAR PROGRAMMING

10

Langkah penyelesaian

suhanan@ugm.ac.id

Koeffisien
pada PC

Menghitung nilai baru element baris dari S2

Element baris lama 

S2

0

4

3

0

1

120

element baru pivot raw 

X2

0

0,5

1

0,5

0

20

Element baris baru 

S2

0

2,5

0

-1,5

1

60

Dihasilkan tabel simplex 2

Jan 4, 2016

LINEAR PROGRAMMING

11

Langkah penyelesaian

suhanan@ugm.ac.id

Tabel Simplex 2

Iterat
ion

1

Basic
Variab
le

Coefficient of :
Eqt.

Z

X1

X2

S1

S2

RHS
(sol)

Z

(0)

1

-1,5

0

2,5

0

100

X2

(1)

0

0,5

1

0,5

0

20

S2

(2)

0

2,5

0

-1,5

1

60

Pada baris fungsi tujuan masih ada koefisien berharga negatif, yaitu
koefisien variable X1.
 Teruskan proses iterasi, dimulai dari langkah ke 5
Jan 4, 2016

LINEAR PROGRAMMING

12

Langkah penyelesaian
suhanan@ugm.ac.id

Langkah 5.1 dan 5.2

Iterati
on

1

Pivot Raw
Jan 4, 2016

Coefficient of :

Basic
Varia
ble

Eqt.

Z

S1

S2

RHS
(sol)

Ratio

Z

X1

X2

(0)

1

-1,5

0

2,5

0

100

X2

(1)

0

0,5

1

0,5

0

20

40

S2

(2)

0

2,5

0

-1,5

1

60

24

Pivot
element

Pivot
column
LINEAR PROGRAMMING

Ratio :
60/2,5 = 24
minimum
13

suhanan@ugm.ac.id

Langkah 5.3. Membuat table simplex ketiga
• Bagi semua element pada Pivot Raw (PR) dengan Pivot Element.
Dihasilkan element pivot raw baru.
• Gantilah basic variable pada baris itu dengan Variable yang
terdapat diatas pivot column

Iterati
on

1

Jan 4, 2016

Basic
Variab Eqt.
le

Z

(0)

X2

(1)

X1

(2)

Coefficient of :
Z

X1

X2

S1

S2

0

1

0

-0,6

0,4

LINEAR PROGRAMMING

RHS
(sol)

24

14

Langkah penyelesaian

suhanan@ugm.ac.id

• Hitung nilai element pada baris yang lain (tidak termasuk element
Pivot Raw) dengan cara :
Element baris baru = (Element baris lama) – (koeffisien pada
pivot column) x (nilai element baru pivot raw)
Menghitung nilai baru element baris dari Z

Koeffisien
pada PC

Element baris lama 

Z

1

-1,5

0

2,5

0

100

element baru pivot raw 

X1

0

1

0

-0,6

0,4

24

Element baris baru 

Z

1

0

0

1,6

0,6

136

Jan 4, 2016

LINEAR PROGRAMMING

15

Langkah penyelesaian

suhanan@ugm.ac.id

Menghitung nilai baru element baris dari X2
Koeffisien
pada PC

Element baris lama 

X2

0

0,5

1

0,5

0

20

element baru pivot raw 

X1

0

1

0

-0,6

0,4

24

Element baris baru 

X2

0

0

1

0,8

-2

8

Dihasilkan tabel simplex 3

Jan 4, 2016

LINEAR PROGRAMMING

16

Langkah penyelesaian

suhanan@ugm.ac.id

Tabel Simplex 3

Iterat
ion

2

Coefficient of :

RHS
(sol)

Basic
Varia
ble

Eqt.

Z

X1

X2

S1

S2

Z

(0)

1

0

0

1,6

0,6

136

X2

(1)

0

0

1

0,8

-2

8

X1

(2)

0

1

0

-0,6

0,4

24

Pada baris fungsi tujuan tidak ada lagi koefisien berharga negatif,
Dihasilkan titik optimal pada X1 = 24 dan X2 = 8 dengan nilai
keuntungan Z = 136.

Jan 4, 2016

LINEAR PROGRAMMING

17

Langkah penyelesaian

SIMPLEX METHOD

Iterat
ion

0

1

2
Jan 4, 2016

suhanan@ugm.ac.id

Coefficient of :

Basic
Varia
ble

Eqt.

Z

Z

X1

X2

S1

S2

RHS
(Sol)

(0)

1

-4

-5

0

0

0

S1

(1)

0

1

2

1

0

40

S2

(2)

0

4

3

0

1

120

Z

(0)

1

-1,5

0

2,5

0

100

X2

(1)

0

0,5

1

0,5

0

20

S2

(2)

0

2,5

0

-1,5

1

60

Z

(0)

1

0

0

1,6

0,6

136

X2

(1)

0

0

1

0,8

-2

8

X1

(2)

0

1

0

-0,6

0,4

24

LINEAR PROGRAMMING

18

SIMPLEX METHOD

suhanan@ugm.ac.id

1. Bila ada dua atau lebih variabel non basis mempunyai koefisien
negatif terbesar yang sama, maka pemilihan entering variable
dapat dijalankan secara bebas.
Mana yang lebih cepat mencapai optimal tidak dapat diprediksi.

Contoh : Fungsi tujuan pada contoh pabrik tembikar dirubah menjadi
• Maximize Z=4X1+4X2
• Batasan:
X1 +2X2  40
4X1 +3X2  120

(0)
(1)
(2)

Selanjutnya disusun tabel simplex awal
Jan 4, 2016

LINEAR PROGRAMMING

19

SIMPLEX METHOD

suhanan@ugm.ac.id

Tabel simplex awal
Basic
Variabl
e

Coefficient of :
Eqt.

Z

X1

X2

S1

S2

RHS
(sol)

Z

(0)

1

-4

-4

0

0

S1

(1)

0

1

2

1

0

40

S2

(2)

0

4

3

0

1

120

0

Dari tabel simplex awal, tampak variable non basis X1 dan X2
mempunyai nilai koefisien negatif yang sama yaitu -4. Oleh karena itu
pada penyelesaian awal entering variable dapat dipilih X1 atau X2 .

Jan 4, 2016

LINEAR PROGRAMMING

20

SIMPLEX METHOD

suhanan@ugm.ac.id

2. Bila ada dua atau lebih variabel basis mempunyai nilai RATIO
minimum yang sama, maka pemilihan leaving variable dapat
dijalankan secara bebas.
Mana yang lebih cepat mencapai optimal tidak dapat diprediksi.

Contoh : batasan (1) pada contoh pabrik tembikar dirubah menjadi
• Maximize Z=4X1+5X2
• Batasan:
X1 +2X2  40

(0)

4X1 +4X2  80

(2)

(1)

Selanjutnya disusun tabel simplex awal
Jan 4, 2016

LINEAR PROGRAMMING

21

SIMPLEX METHOD

suhanan@ugm.ac.id

Tabel simplex awal
Basic
Iterati
Variab Eqt.
on
le

0

Coefficient of :
Z

X1

X2

S1

S2

Ratio

Z

(0)

1

-4

-5

0

0

0

S1

(1)

0

1

2

1

0

40

20

S2

(2)

0

4

4

0

1

80

20

Dari tabel simplex awal, tampak variable basis
S1 dan S2 mempunyai nilai ratio minimum
yang sama yaitu 20. Oleh karena itu pada
penyelesaian awal leaving variable dapat
dipilih S1 atau S2 .
Jan 4, 2016

RHS
(sol)

LINEAR PROGRAMMING

Pivot
column
Ratio
minimum
22

SIMPLEX METHOD

suhanan@ugm.ac.id

Penyelesaian simplex method bagi kasus yang menyimpang dari
bentuk standard
Maximize :

z   c j j
j

Subject to :

aij Xj  bi (bi > 0 )
Xj  0

Diselesaikan dengan
mengintroduksi slack
variable sebagai variable
basis yang harganya sama
dengan ruas kanan
(positif)

Bila ada penyimpangan dari bentuk standard  dilakukan
penyesuaian-penyesuaian di langkah awal. Setelah itu metode
simplex diselesaikan seperti sebelumnya.

Jan 4, 2016

LINEAR PROGRAMMING

23

SIMPLEX METHOD

suhanan@ugm.ac.id

Pendekatan standard :  Teknik menggunakan Variable buatan
(artificial Variable)
Memasukkan dummy variable (disebut artificial variable) ke
dalam setiap batasan (constraints) yang memerlukan.
Variable yang baru akan menjadi variable basis pada pada
penyelesaian awal bagi batasan (constaints) yang bersangkutan

Iterasi metode simplex akan membuat artificial variable menjadi
nol, sehingga akhirnya satu persatu hilang.

Jan 4, 2016

LINEAR PROGRAMMING

24

SIMPLEX METHOD

suhanan@ugm.ac.id

Contoh : Kasus awal
Maximize

. : Z = 3 X 1 + 5 X2

Constraints :

(0)

X1  4

(1)

2 X2  12

(2)

3 X1 + 2 X2  18

(3)

1. Persamaan batasan (constraints) jenis = (sama dengan)
Misalkan  pada batasan (3) dirubah menjadi jenis = (sama
dengan)
3 X1 + 2 X2 = 18

Jan 4, 2016

LINEAR PROGRAMMING

(3)

25

SIMPLEX METHOD

suhanan@ugm.ac.id

dihasilkan
Fungsi tujuan Z -3 X1 - 5 X2
Constraints :

X1

+S1

=0

(0)

=4

(1)

2 X2

+ S2 = 12

(2)

3 X1 + 2 X2

= 18

(3)

Pada batasan Persamaan (3) tidak terdapat variable basis.
 Ditambahkan artificial variable A ( 0), hasil revisi :
Z -3 X1 - 5 X2
X1

+S1
2 X2

3 X1 + 2 X2
Jan 4, 2016

= 0(0)

+ S2

=4

(1)

= 12

(2)

+ A = 18

(3)

LINEAR PROGRAMMING

26

SIMPLEX METHOD

suhanan@ugm.ac.id

Pada hasil revisi ada 3 persamaan dengan 5 variable.
 Ada dua variable non basis X1 dan X2 yang pada penyelesaian layak
awal harganya = 0.
Dari persamaan (1), (2) dan (3) didapatkan nilai variable basis
S1 = 4 , S2 = 12 dan A = 18
Langkah selanjutnya memaksa nilai artificial variable A menjadi nol.
Dapat dilakukan dengan metode Teknik M / metode penalty.
Pada pendekatan ini fungsi tujuan dirubah dulu menjadi :
Z = 3 X1 + 5 X2 – MA
Dengan M adalah bilangan positif yang sangat besar berhingga.
Persamaan (0) dari fungsi tujuan akan menjadi
Z - 3 X1 - 5 X2 + MA = 0
Jan 4, 2016

LINEAR PROGRAMMING

27

SIMPLEX METHOD

suhanan@ugm.ac.id

Pada persamaan (0) yang direvisi terdapat variable basis dengan
koefisien M. Variable basis harus dihilangkan dari persamaan (0). 
Baris Z yang dihasilkan (revisi) dikurangi dengan M kali setiap baris
batasan yang sesuai.
Baris Z pers (0) revisi
-M
Baris Z pers (0) baru

-3

-5

0

0

M

0

3

2

0

0

1

18

-2M-5

0

0

0

- 18M

-3M-3

Disusun tabel simplex awal.  iterasi untuk mendapatkan nilai
optimal. Dihasilkan X1 = 2, X2 = 6 dan Z = 36

Jan 4, 2016

LINEAR PROGRAMMING

28

SIMPLEX METHOD

suhanan@ugm.ac.id

Tabel simplex awal

Itera
tion

0

Pivot raw

Jan 4, 2016

Coefficient of

Basic
varia
ble

Eqt.

Z

RHS
(Sol)

Z

X1

X2

S1

S2

A

(0)

1

(-3M-3)

(-2M-5)

0

0

0

-18M

S1

(1)

0

1

0

1

0

0

4

S2

(2)

0

0

2

0

1

0

12

A

(3)

0

3

2

0

0

1

18

Pivot
column

X1 : entering variable
S1 : leaving variable

LINEAR PROGRAMMING

29

SIMPLEX METHOD

suhanan@ugm.ac.id

Pemilihan entering variable : Koefisien variable non basis pada
persamaan tujuan mempunyai bentuk fungsi linear (aM + b)
a  faktor pengganda
b  faktor penambah
Karena M sangat besar, maka b selalu kecil dibandingkan terhadap aM.
Pada umumnya pemilihan entering variable didasarkan pada nilai
faktor pengganda a.
Contoh Pada tabel awal :koefisien X1 adalah (-3M-3), untuk X2 adalah (2M-5). Faktor pengganda 3 > 2, sehingga dipilih X1 sebagai entering
variable.
Bila pada koefisien tersebut nilai faktor pengganda sama, maka
pemilihan entering variable didasarkan pada faktor penambah b

Jan 4, 2016

LINEAR PROGRAMMING

30

SIMPLEX METHOD
Iteratio
n

Basic
varia
ble

1

2

3

Jan 4, 2016

suhanan@ugm.ac.id

Coefficient of
Eqt.

RHS
(Sol)

Z

X1

X2

S1

S2

A

Z

(0)

1

0

(-2M-5)

(3M+3)

0

0

-6M+12

X1

(1)

0

1

0

1

0

0

4

S2

(2)

0

0

2

0

1

0

12

Z
A

(0)
(3)

1
0

0

0
2

-9/2
-3

0

(M+5/2)
1

27
6

X1

(1)

0

1

0

1

0

0

4

S2

(2)

0

0

0

3

1

-1

6

X2

(3)

0

0

1

-3/2

0

1/2

3

Z

(0)

1

0

0

0

3/2

(M+1)

36

X1

(1)

0

1

0

0

-1/3

1/3

2

S1

(2)

0

0

0

1

1/3

-1/3

2

X2

(3)

0

0

1

0

1/2

0

6

LINEAR PROGRAMMING

31

SIMPLEX METHOD

suhanan@ugm.ac.id

2. Pertidaksamaan jenis 
Dirubah menjadi  dengan cara mengalikan kedua ruas
pertidaksamaan dengan (-1).
Contoh :

0,6 X1 + 0,4 X2  6

menjadi

-0,6 X1 - 0,4 X2  -6
Ruas kiri ditambah slack variable
-0,6 X1 - 0,4 X2 + S = -6
Nilai slack variable S = -6  negatif, tidak memenuhi syarat.
Harus dikalikan (-1), dihasilkan :
0,6 X1 + 0,4 X2 - S = 6
Ruas kanan persamaan terakhir sudah positif, namun koefisien
slack variable tetap negatif  selesaikan seperti kasus tipe =
(sama dengan).  Ditambah artificial variable A.
Jan 4, 2016

LINEAR PROGRAMMING

32

SIMPLEX METHOD

suhanan@ugm.ac.id

0,6 X1 + 0,4 X2 – S + A = 6
Artificial variable A dipakai sebagai variable basis awal (A=6).
Dengan demikian S memulai sebagai variable non basis.
Dengan mengintroduksi Artificial variable A , berarti metode
teknik M juga diperlakukan disini.

3. Meminimumkan

 dirubah menjadi memaksimumkan yang equivalent
Minimize

Z

Equivalent dengan
Maximize

Jan 4, 2016

( Z ) 

n

C j X j
j 1
n

 (C j ) X j

Menyelesaikan
optimal yang
sama

j 1

LINEAR PROGRAMMING

33

SIMPLEX METHOD

suhanan@ugm.ac.id

Contoh :
Minimize :

Z = 0,4 X1 + 0,5 X2

(0)

Subject to :

0,3 X1 + 0,1 X2  2,7

(1)

0,5 X1 + 0,5 X2 = 6

(2)

0,6 X1 + 0,4 X2  6

(3)

X1  0 ,
Penyelesaian :

X2  0
Minimize

:

Z = 0,4 X1 + 0,5 X

 Maximize

:

(-Z) = -0,4 X1 - 0,5 X2

Masukkan artificial variable A1 dan A2 pada pers (2) dan (3), dan
terapkan metode Teknik M, maka
Minimize

:

 Maximize

:

Jan 4, 2016

Z = 0,4 X1 + 0,5 X2 + MA1 + MA2
(-Z) = -0,4 X1 - 0,5 X2 - MA1 - MA2
LINEAR PROGRAMMING

34

SIMPLEX METHOD

suhanan@ugm.ac.id

Sistem persamaan Maximize (-Z)
-Z + 0,4 X1 + 0,5 X2

+ MA1

+ MA2 = 0

0,3 X1 + 0,1 X2 + S1
0,5 X1 + 0,5 X2

= 2,7
+ A1

0,6 X1 + 0,4 X2

(0)
(1)

= 6(2)
- S2 + A2

= 6

(3)

S1, A1 dan A2 adalah variable basis untuk penyelesaian dasar
awal.
0,4
0,5
0
M
0
M
Baris Z, pers (0) revisi

Baris Z, pers (0) baru

Jan 4, 2016

0

-M

0,5

0,5

0

1

0

0

6

-M

0,6

0,4

0

0

-1

1

6

0

M

-1,1M+0,4

-0,9M+0,5

LINEAR PROGRAMMING

0

0

-12M

35

SIMPLEX METHOD

suhanan@ugm.ac.id

Tabel simplex awal
Iterat Basic
ion
varia
ble

0

Pivot
Raw

Equat
ion

Z

Z

(0)

-1

S1

(1)

0

0,3

A1

(2)

0

A2

(3)

0

Jan 4, 2016

Coefficient of
S1

A1

S2

A2

RHS
(Sol)

0

0

M

0

-12M

0,1

1

0

0

0

2,7

0,5

0,5

0

1

0

0

6

0,6

0,4

0

0

-1

1

6

X1

-1,1M+0,4

Pivot
column

X2

-0,9M+0,5

Entering variable : X1
Leaving variable : S1

LINEAR PROGRAMMING

36

SIMPLEX METHOD
Ite Basic
rati varia
on ble

1

Equat
ion

Z

X1

Z

(0)

-1

0

X1

(1)

0

1

A1

(2)

0

A2

(3)

0

Jan 4, 2016

suhanan@ugm.ac.id

Coefficient of
X2

RHS
(Sol)

S1

A1

S2

A2

11/3M+4/3

0

M

0

-2,1M-3,6

1/3

1

0

0

0

9

0

1/3

0

1

0

0

1,5

0

0,2

0

0

-1

1

0,6

-16/30M+11/30

LINEAR PROGRAMMING

37

Teori Dualitas dan analisa
sensitivitas

suhanan@ugm.ac.id

Contoh : Masalah Diet.
Tabel berikut memberikan gambaran jumlah mineral dan vitamin yang harus
dikonsumsi oleh pasen. Mineral dan vitamin berasal dari dua jenis makanan
daging dan sayuran.
Kandungan

Makanan
Daging

sayuran

Kebutuhan minimum
per hari

Mineral

2

4

40

Vitamin

3

2

50

Harga/unit
3
2,5
Persoalan : Menentukan jumlah pembelian daging dan sayuran
sedemikian sehingga kebutuhan min akan mineral dan vitamin
terpenuhi.
Jan 4, 2016

LINEAR PROGRAMMING

38

Teori Dualitas dan ………….

suhanan@ugm.ac.id

Formulasi model LP : Misal X1 jumlah daging dan X2 jumlah sayuran

• Fungsi tujuan : Minimize
• Batasan:

Z=3X1+2,5X2

(0)

2X1 +4X2  40 (1)
3X1 +2X2  50

(2)

X1  0 , X2  0
• Sekarang pikirkan masalah yang berbeda yang masih berhubungan
dengan masalah yang asli (disebut primal).
• Sebuah Dealer menjual Mineral dan Vitamin
• Restoran setempat membeli mineral dan vitamin dari dealer dan
membuat daging dan sayuran tiruan yang mengandung mineral dan
vitamin seperti yang tertulis pada tabel

Jan 4, 2016

LINEAR PROGRAMMING

39

Teori Dualitas dan ………….

suhanan@ugm.ac.id

• Persoalan bagi dealer : Menetapkan harga jual mineral dan
vitamin per unitnya yang maximum sedemikian sehingga
menghasilkan harga daging dan sayuran tiruan tidak melebihi harga
pasar yang ada.
• Dealer memutuskan harga per unit Mineral Y1 dan Vitamin Y2
• Kebutuhan mineral 40  harga total 40 Y1
• Kebutuhan vitamin 50  harga total 50 Y2
• Harga per unit daging ( mengandung 2 mineral dan 3 vitamin)
adalah 2 Y1 +3 Y2  3
• Harga per unit sayuran ( mengandung 4 mineral dan 2 vitamin)
adalah 4 Y1 +2 Y2  2,5

Jan 4, 2016

LINEAR PROGRAMMING

40

Teori Dualitas dan ………….

suhanan@ugm.ac.id

Perumusan masalah dalam bentuk model LP
Fungsi tujuan :
Maximize

W =40 Y1 + 50 Y2

(0)

Batasan
2 Y 1 + 3 Y2  3

(1)

4 Y1 + 2 Y2  2,5 (2)
Y1  0 , Y2  0

Disebut bentuk Dual.
Y1 dan Y2 dinamakan variable dual

Jan 4, 2016

LINEAR PROGRAMMING

41

Teori Dualitas ……..

suhanan@ugm.ac.id

Dualitas ?
Dalam kenyataan ternyata disetiap bentuk LP terdapat 2 bentuk
1. Bentuk I atau bentuk asli dan dinamakan PRIMAL
2. Bentuk II yang berhubungan dan dinamkan DUAL demikian
sehingga suatu solusi terhadap LP yang asli juga memberikan
solusi pada bentuk dual nya.
Asumsi dalam teori dualitas adalah bahwa masalah primal dalam
bentuk standard.
Maximize :
Constraints :

n

Z  C j X j
j 1

n

 aij X j  bi i  1,2,3....., m
j 1

Xj 0
Jan 4, 2016

LINEAR PROGRAMMING

42

Teori Dualitas dan ………….
suhanan@ugm.ac.id

Perbandingan masalah Primal dan Dual

PRIMAL

Fungsi tujuan :
Minimize
Z=3X1+2,5X2
Batasan:
2X1 +4X2  40
3X1 +2X2  50

(0)

(1)
(2)

X1  0 , X 2  0

DUAL

Fungsi tujuan :
Maximize

W =40 Y1 + 50 Y2

(0)

Batasan
2Y1 + 3 Y2  3

(1)

4 Y1 + 2 Y2  2,5

(2)

Y1  0 , Y 2  0
Jan 4, 2016

LINEAR PROGRAMMING

43

Teori Dualitas dan ………….

suhanan@ugm.ac.id

1. Koefisien fungsi tujuan masalah primal menjadi konstanta sisi
kanan masalah Dual
2. Konstanta sisi kanan primal menjadi koefisien fungsi tujuan
masalah Dual
3. Tanda pertidaksamaan dibalik
4. Tujuan diubah dari minimze (maximize) dalam primal
menjadi maximize (minimze) dalam dual
5. Setiap kolom pada primal berhubungan dengan suatu baris
(kendala) dalam dual.  banyaknya kendala dalam dualsama
dengan banyaknya variable primal
6. Setiap baris kendala pada primal berhubungan dengan suatu
kolom dalam dual.  ada satu variable dual untuk setiap
kendala primal

Jan 4, 2016

LINEAR PROGRAMMING

44

Teori Dualitas ……..
Tabel Primal dual untuk LP
Maximize
Z = C1 X1 + C2 X2 + C3 X3 +.....+ Cn Xn
Constraints
1). a11 X1 + a12 X2 + a13 X3 + .........+ a1n Xn ≤ b1
2). a21 X1 + a22 X2 + a23 X3 + .........+ a1n Xn ≤ b2
.
.
.
.
.........
...
m). am1 X1 + am2 X2 + am3 X3 +.........+ amn Xn ≤ bm

DUAL

m var, n constr

Primal

n Var, m Constr

suhanan@ugm.ac.id

Jan 4, 2016

.

Xj ≥ 0 , j = 1,2,3…..n
Minimize
W = b1 Y1 + b2 Y2 + b3 Y3 +.....+ bm Ym
Constraints
1). a11 Y1 + a21 Y2 + a31 Y3 + ........+ am1 Ym  C1
2). a12 Y1 + a22 Y2 + a32 Y3 + ........+ am2 Ym  C2
.
.
.
.
.........
....
n). a1n Y1 + a2n Y2 + a3n Y3 + ........+ amn Ym  Cn
Yj ≥ 0 , i = 1,2,3…..m
LINEAR PROGRAMMING

45

Teori Dualitas ……..
suhanan@ugm.ac.id

PRIMAL
Max. :

Z

DUAL

n

C j j

Min. :

j 1

W   biYi
i 1

Constraints

Constraints
n

m

 aij X j  bi

 aijYi  C j

j 1

i 1

X j o

Yi  o

untuk i  1,2,3....m

Max : Z = C X

untuk j  1,2,3....n

Min : W = Y b

Constraint

Constraint

aXb

YaC

X 0

Jan 4, 2016

m

Y 0
LINEAR PROGRAMMING

46

Teori Dualitas ……..

suhanan@ugm.ac.id

contoh
Max. :

 X 
Z   3 5  1 
 X2

Constraints

Min. :

Constraints

 1 0
 0 2


 3 2

 4
 X1   
 X    12
 2   18
 

Y1

 X 1   0
 X    0
 2  

Y1

PRIMAL

Jan 4, 2016

 4
W  Y1 Y2 Y3   12
 
 18

Y2 Y3 

 1 0
 0 2


 3 2

  3 5

Y2 Y3    0 0 0

DUAL

LINEAR PROGRAMMING

47

Teori Dualitas ……..

suhanan@ugm.ac.id

Masalah Primal dual simetris : Semua variable dibatasi non
negatif dan semua batasan berupa pertidaksamaan

Max. :

Z

n

C j j

Min. :

j 1

W   biYi
i 1

Constraints

Constraints
n

m

 aij X j  bi

 aijYi  C j

j 1

i 1

X j o

Yi  o

untuk i  1,2,3....m

Jan 4, 2016

m

LINEAR PROGRAMMING

untuk j  1,2,3....n

48

Teori Dualitas ……..

suhanan@ugm.ac.id

contoh
Max. :

 X 
Z   3 5  1 
 X2

Constraints

Min. :

Constraints

 1 0
 0 2


 3 2

 4
 X1   
 X    12
 2   18
 

Y1

 X 1   0
 X    0
 2  

Y1

PRIMAL

Jan 4, 2016

 4
W  Y1 Y2 Y3   12
 
 18

Y2 Y3 

 1 0
 0 2


 3 2

  3 5

Y2 Y3    0 0 0

DUAL

LINEAR PROGRAMMING

49

Teori Dualitas ……..

suhanan@ugm.ac.id

TABEL PRIMAL DUAL
MASALAH PRIMAL

Jan 4, 2016

RUAS
KANAN

X1

X2

.

.

Xn

Y1

a11

a12

a13

.

a1n

b1

Y2

a21

a22

a23

.

a2n

b2

Y3

a31

a32

a33

.

a3n

b3

.

.

.

.

.

.

.

.

.

.

.

.

.

.

Ym

am1

am2

am3

.

amn

.

C1

C2

C3

.

Cn

Koefisien fungsi tujuan (max.)
LINEAR PROGRAMMING

Koeffisien fungsi
tujuan (Min.)

Koefisien dari
RUAS
KANAN

MASALAH
DUAL

Koefisien dari

bm

50

Teori Dualitas ……..

suhanan@ugm.ac.id

Contoh TABEL PRIMAL DUAL

Fungsi tujuan : Minimize

Z=3X 1+2,5X2

(0)

Batasan:
2X1 +4X2  40 (1)
3X1 +2X2  50

(2)

X1  0 , X 2  0

Jan 4, 2016

X1

X2

Y1

2

4

40

Y2

3

2

50

3

2,5

LINEAR PROGRAMMING

51

Teori Dualitas ……..

suhanan@ugm.ac.id

Soal : Kerjakan dan kumpulkan
Sebuah perusahaan memproduksi jaket dan tas kulit. Sebuah jaket memerlukan
8 meter persegi kulit, sementara sebuah tas hanya menggunakan 3 meter
persegi. Untuk menyelesaikan sebuah jaket dan tas diperlukan waktu masingmasing 12 dan 4 jam. Harga pembelian kulit adalah $ 8 per meter persegi dan
biaya tenaga kerja diperkirakan $ 15 per jam. Persediaan kulit dan jam tenaga
kerja mingguan dibatasi 1200 meter persegi dan 1800 jam. Perusahaan menjual
jaket dan tas masing-masing dengan harga $ 350 dan $120. Tujuan perusahaan
menentukan produksi mingguan jaket dan tas untuk memaksimumkan
pendapatan bersih.
1. Buat formulasi model dari kasus diatas
2. Berapa pendapatan bersih mingguan
3. Buat formulasi model dari bentuk dual kasus tersebut
4. dan buatlah tabel masalah Primal-Dual nya.

Jan 4, 2016

LINEAR PROGRAMMING

52

Teori Dualitas ……..

suhanan@ugm.ac.id

Hubungan Primal Dual untuk semua masalah LP,
bentuk Primal masalah Maximize

Jan 4, 2016

PRIMAL

DUAL

Maximize

Minimize

ith constraint  type

Dual var. Yi  0

ith constraint  type

Dual var. Yi  0

ith constraint = type

Yi unrestricted

Xj  0

jth constraint  type

Xj  0

jth constraint  type

Xj unrestricted

jth constraint = type

LINEAR PROGRAMMING

53

Teori Dualitas ……..

suhanan@ugm.ac.id

Hubungan Primal Dual untuk semua masalah LP,
bentuk Primal masalah Minimize

Jan 4, 2016

PRIMAL

DUAL

Minimize

Maximize

ith constraint  type

Dual var. Yi  0

ith constraint  type

Dual var. Yi  0

ith constraint = type

Yi unrestricted

Xj  0

jth constraint  type

Xj  0

jth constraint  type

Xj unrestricted

jth constraint = type

LINEAR PROGRAMMING

54

Teori Dualitas ……..
Dual Problem :

Primal Problem:
Max z = 7x1+ 10x2 - x3

Min W = 24Y1+ 13Y2 + 5Y3 + 10Y4

subject to
5x1+ 4x2

subject to
 24

5Y1 + 2Y2 + Y3

2x1 +5x2 + 3x3 = 13
x1 - 2x2 +

7

4Y1 + 5Y2 – 2Y3 + Y4  10

x3  5

3Y2 – Y3 + 2Y4 = - 1

x2 + 2x3  10
x1  0, x2  0 , x3 unrestricted

Jan 4, 2016

suhanan@ugm.ac.id

Y1  0, Y2 unrestricted, Y3  0 ,Y4 

LINEAR PROGRAMMING

55

Properties of Primal & Dual Problems

suhanan@ugm.ac.id

1. Dual dari dual adalah primal
2. Tabel simplex optimal yang berkaitan dengan satu masalah
(primal atau dual) secara langsung memberikan informasi
lengkap tentang pemecahan optimal untuk masalah lainnya.
3. Setiap pasangan pemecahan primal dan dual yang layak
Nilai tujuan dalam
masalah max,

<

Nilai tujuan dalam
masalah min,

4. Dalam pemecahan optimal untuk kedua masalah
Nilai tujuan dalam
masalah max, Z

Jan 4, 2016

=

Nilai tujuan dalam
masalah min, W

LINEAR PROGRAMMING

56

Properties of Primal & Dual ……..

suhanan@ugm.ac.id

Contoh :

Fungsi tujuan : Minimize

Z= 5X 1+2 X2

(0)

Batasan:
X1 2X1PRIMAL
+3X2  5

X2  3

(1)

(2)

X1  0 , X 2  0
Pemecahan PRIMAL layak : X1 =3

dan X2 = 0

Nilai tujuan PRIMAL Minimize Z =5 x 3 + 2 x 0 = 15

Jan 4, 2016

LINEAR PROGRAMMING

57

Properties of Primal & Dual ……..

suhanan@ugm.ac.id

DUAL

Fungsi tujuan : Maximize

W =3Y 1+5Y2

(0)

Batasan:
Y1 +2Y2  5
-Y1 +3Y2  2

(1)
(2)

Y1  0 , Y2  0
Pemecahan DUAL layak : Y1 =3
Nilai tujuan DUAL maximize

dan Y2 = 1
W =3 x 3 + 5 x 1 = 14

14 (NILAI MAX) 15 (NILAI MIN)

Jan 4, 2016

LINEAR PROGRAMMING

58

Properties of Primal & Dual ……..

suhanan@ugm.ac.id

Pemecahan Dual optimal
Dari tabel simplex akhir primal optimal dapat dihasilkan
solusi dual optimal.
Nilai koefisien dari slack atau artificial variable pada baris
fungsi tujuan dari tabel simplex akhir primal optimal
merupakan nilai dual optimal yang berkesesuaian.
Contoh : masalah Primal

Maximize
Batasan

Z = 2X1+X2

(0)

X1+5X2  10

(1)

X1+3X2  6

(2)

2X1+2X2  8

(3)

X1  0 , X 2  0
Jan 4, 2016

LINEAR PROGRAMMING

59

Properties of Primal & Dual ……..

suhanan@ugm.ac.id

Masalah Dual :
Minimize

W = 10 Y1 + 6 Y2 + 8 Y3

(0)

Batasan

Y1 +

Y2 + 2 Y3 2

(1)

5Y1 + 3 Y2 + 2 Y3 1

(2)

Tabel simplex awal
primal

Y1  0 , Y2  0 , Y3  0
Basic
Iterati
Variab Eqt.
on
le

0
Jan 4, 2016

RHS
(sol)

Coefficient of :
Z

X1

X2

S1

S2

S3

Z

(0)

1

-2

-1

0

0

0

0

S1

(1)

0

1

5

1

0

0

10

S2

(2)

0

1

3

0

1

0

6

S3

(3)

0LINEAR PROGRAMMING
2
2

0

0

1

860

suhanan@ugm.ac.id

Tabel Simplex akhir Masalah Primal optimal
Nilai optimal Y adalah koefisien
var. S
Y1 = Y2 = 0, Y3 = 1 dengan W =
8

Iterat
ion

Basic
Varia
ble

Eqt.

Z

X1

X2

S1

S2

S3

Z

(0)

1

0

1

0

0

1

8

S3

(1)

0

0

4

1

0

-1/2

6

S2

(2)

0

0

2

0

1

-1/2

2

1

0

0

1/2

4

X1
(3)
0
1
Nilai Optimal
X
1 = 4 dan X2 = 0.
dengan fungsi tujuan Max. Z = 8
Jan 4, 2016

RHS
(sol)

Coefficient of :

LINEAR PROGRAMMING

61

Properties of Primal & Dual ……..

suhanan@ugm.ac.id

Interpretasi ekonomi dalam masalah Dual
HARGA DUAL (DUAL PRICE)
PRIMAL
Max. :

Z

DUAL

n

C j j

Min. :

W   biYi
i 1

j 1

Constraints

Constraints

m

n

 aijYi  C j

 a ijX j  bi

i 1

Xj  o

Yi unrestricted

j1

untuk i  1,2,3....m

Jan 4, 2016

m

LINEAR PROGRAMMING

untuk j  1,2,3....n

62

Properties of Primal & Dual ……..

suhanan@ugm.ac.id

Cj  mewakili laba marginal dari kegiatan j yang tingkat
kegiatannya xj unit.
n

 C jX j

j1

m

 a ijX j

i 1

 mewakili laba dari semua kegiatan
 mewakili penggunaan sumber daya

Untuk pemecahan Optimal : Z = W
n

m

j1

i 1

Nilai uang per unit sumber
i

 C jX j   bi Yi

Mewakili nilai uang
pengembalian

Jan 4, 2016

Jumlah (unit) sumber i
LINEAR PROGRAMMING

63

Properties of Primal & Dual ……..

suhanan@ugm.ac.id

m

$ (pengembalian)   (unit sumber i)($ / unit sumber i)
i 1

Variable dual Yi mewakili nilai per unit sumber i.
 Disebut harga dual atau harga bayangan (shadow price)

Jan 4, 2016

LINEAR PROGRAMMING

64

Significance of Dual Problem

suhanan@ugm.ac.id

1. Mathematically very important
2. Computationally
One model (with fewer constraints) is easier to solve

3. Economic interpretation of the dual variable (shadow price)
Shadow price of constraint i gives the rate of change in the
objective function per unit change in the RHS value of the
constraint.

Jan 4, 2016

LINEAR PROGRAMMING

65

Sensitivity Analysis
Sensitivity analysis is to answer the following question:
How does the optimal solution change as a coefficient
is varied from its given value?

Why sensitivity analysis is important?

• 􀂃

Many coefficients are estimated 􀂃
Want to know the sensitivity of the optimal solution with respect to
these coefficients.

Sensitivity Analysis
There are three kinds of such analysis:
1. 􀂃 Objective function ranging (coefficient ranging)
2. 􀂃 RHS value ranging
3. 􀂃 Constraint coefficient ranging
Jan 4, 2016

LINEAR PROGRAMMING

66

Range Objective Function Coefficients

suhanan@ugm.ac.id

Case 1: Non-basic variable
What happens if the coefficient of a non-basic objective
function, cj, is changed by an amount of δ?
What range of values for δ is the current solution remains
optimal?

Consider the following LP problem:
max z = 20x1+ 10x2
subject to
5x1+ 4x2 ≤ 24
2x1+ 5x2 ≤ 13
x1 , x2 ≥ 0
Jan 4, 2016

LINEAR PROGRAMMING

67

Range Objective Function
Coefficients(Continued)

suhanan@ugm.ac.id

Initial Simplex tableau:

Basic
Variabl
e

Coefficient of :
Eqt.

Z

X1

X2

S1

S2

RHS
(sol)

Ratio

Z

(0)

1

-20

-10

0

0

0

S1

(1)

0

5

4

1

0

24

24/5

S2

(2)

0

2

5

0

1

13

13/2

Jan 4, 2016

LINEAR PROGRAMMING

68

Range Objective Function
Coefficients(Continued)

suhanan@ugm.ac.id

Final Simplex tableau:

Basic
Variabl
e

Coefficient of :
Eqt.

Z

X1

X2

S1

S2

RHS
(sol)

Z

(0)

1

0

6

4

0

96

X1

(1)

0

1

4/5

1/5

0

24/5

S2

(2)

0

0

17/5

-2/5

1

17/5

Jan 4, 2016

LINEAR PROGRAMMING

69

Range Objective Function
Coefficients (Continued)

suhanan@ugm.ac.id

If c2= 10 + δ, what would happen to the coefficients
in the objective function row?
Row(0) are updated from the initial tableau to :
Basic
Variabl
e

Coefficient of :
Eqt.

Z

X1

X2

S1

S2

RHS
(sol)

Ratio

Z

(0)

1

-20

-10-δ

0

0

0

S1

(1)

0

5

4

1

0

24

24/5

S2

(2)

0

2

5

0

1

13

13/2

Jan 4, 2016

LINEAR PROGRAMMING

70

Range Objective Function
Coefficients (Continued)

suhanan@ugm.ac.id

It follows that the final Simplex tableau is given by
Basic
Variabl Eqt.
e

Coefficient of :
Z

X1

X2

S1

S2

RHS
(sol)

Z

(0)

1

0

6-δ

4

0

96

X1

(1)

0

1

4/5

1/5

0

24/5

(2)
0
0
17/5 -2/5
1
17/5
S2
Hence, the existing basic will remain optimal as long as
6 - δ ≥0  δ≤6.

In other words, the solution will remain optimal as long as c2 ≤ 16.
If c2 >16, then Row(0) coefficient for x2 becomes negative and
x2 would enter the solution and s2 would become nonbasic.
Jan 4, 2016

LINEAR PROGRAMMING

71

Range Objective Function
Coefficients (Continued)

suhanan@ugm.ac.id

Case 2: Basic variable

What happens if the coefficient of a basic objective function,
cj, is changed by an amount of δ?
If c1 = 20+δ, what would happen to the coefficients in the
objective function row?
Row(0) are updated from the initial tableau to :
Basic
Variabl
e

Coefficient of :
Eqt.

Z

X1

X2

S1

S2

RHS
(sol)

Ratio

Z

(0)

1

-20- δ

-10

0

0

0

S1

(1)

0

5

4

1

0

24

24/5

S2

(2)

0

2

5

0

1

13

13/2

Jan 4, 2016

LINEAR PROGRAMMING

72

Range Objective Function
Coefficients (Continued)

suhanan@ugm.ac.id

The second Simplex tableau now becomes
Basic
Variabl
e

Coefficient of :
Eqt.

Z

X1

X2

S1

S2

RHS
(sol)

Z

(0)

1

6

4

0

96

X1

(1)

0

1

4/5

1/5

0

24/5

S2

(2)

0

0

17/5

-2/5

1

17/5

Note that the coefficient in column x1and Row(0) should be eliminated.
This reduces to the following Simplex tableau:

Jan 4, 2016

LINEAR PROGRAMMING

73

Range Objective Function
Coefficients (Continued)

suhanan@ugm.ac.id

The final Simplex tableau now becomes

Coefficient of :
Basic
Variabl
e

Eqt.

Z

X1

X2

S1

S2

RHS
(sol)

Z

(0)

1

0

6+(4/5) δ

4+ δ/5

0

96+(24/5) δ

X1

(1)

0

1

4/5

1/5

0

24/5

S2

(2)
0
0
17/5
-2/5
1
17/5
Hence, in order for the current solution to remain optimal, we need
6+(4/5)δ ≥ 0
4+ δ/5 ≥ 0

It follows that

δ ≥ -7.5
δ ≥ -20
This gives δ ≥ -7.5 or c1 ≥ 12.5.

Jan 4, 2016

LINEAR PROGRAMMING

74

Range RHS Value

suhanan@ugm.ac.id

What happens if bi, is changed by an amount of δ?
If b1 = 24+δ,
Row(0) are updated from the initial tableau to :

Basic
Variabl
e

Coefficient of :
Eqt.

Z

X1

X2

S1

S2

RHS
(sol)

Z

(0)

1

-20

-10

0

0

0

S1

(1)

0

5

4

1

0

24 +δ

S2

(2)

0

2

5

0

1

13

Jan 4, 2016

LINEAR PROGRAMMING

Ratio

(24+ δ )/5
13/2
75

Range RHS Value

suhanan@ugm.ac.id

then the final Simplex tableau now becomes :
Basic
Variabl Eqt.
e

Coefficient of :
Z

X1

X2

S1

S2

RHS
(sol)

Z

(0)

1

0

6

4

0

96+4δ

X1

(1)

0

1

4/5

1/5

0

24/5 + δ/5

(2)
0
17/5by the
-2/5
1 the RHS
17/5column
–(2/5)
δ
S2 is, the
That
RHS column
is0replaced
sum of
and
δ times the s1 column.
Now, in order for the current solution remains optimal, it must be
feasible. That is
24/5 + δ/5 ≥ 0
17/5 – (2/5)δ ≥ 0
Jan 4, 2016

This gives -24 ≤ δ ≤ 8.5 or 0 ≤ b1 ≤ 32.5.
LINEAR PROGRAMMING

76

Range RHS Value

suhanan@ugm.ac.id

Similarly, if b2 = 13 + δ, then the final Simplex tableau now
becomes :

Basic
Variabl
e

Coefficient of :
Eqt.

Z

X1

X2

S1

S2

RHS
(sol)

Z

(0)

1

0

6

4

0

96

X1

(1)

0

1

4/5

1/5

0

24/5

0

17/5

-2/5

1

17/5 + δ

S2

(2)
0
It follows that

δ ≥ -17/5 or b2 ≥ 9.6

Jan 4, 2016

LINEAR PROGRAMMING

77

Homework problems

suhanan@ugm.ac.id

Montana Wood Products manufacturers two-high quality
products, tables and chairs. Its profit is $15 per chair and $21 per table.
Weekly production is constrained by available labor and wood. Each
chair requires 4 labor hours and 8 board feet of wood while each table
requires 3 labor hours and 12 board feet of wood. Available wood is
2400 board feet and available labor is 920 hours. Management also
requires at least 40 tables and at least 4 chairs be produced for every
table produced. To maximize profits, how many chairs and tables
should be produced?