I PENDAHULUAN

1.1 Latar Belakang

Semakin tingginya mobilitas penduduk di
suatu negara terutama di kota besar tentulah
memiliki banyak permasalahan, mulai dari
kemacetan yang tak terselesaikan hingga
moda transportasi yang efisien. Salah satu
moda transportasi yang tepat dalam
mengurangi kemacetan adalah kereta api,
karena kereta api memiliki daya angkut yang
besar dibandingkan angkutan kota pada
umumnya.
Jumlah penumpang kereta api yang
meningkat akan membuat frekuensi
keberangkatan kereta semakin padat. Hal ini
tentunya harus ditopang dengan perencanaan
yang baik. Perencanaan yang dimaksud adalah
perencanaan jadwal perjalanan kereta api yang
tepat dan efisien dengan memperhatikan
segala kendala semisal ketersediaan rangkaian
kereta maupun jalur di setiap stasiun. Tentu
tidak mudah ketika telah mendapatkan jadwal
perjalanan kereta api tetapi masih memiliki
delay (keterlambatan) kereta yang besar.
Dalam karya ilmiah ini, akan dibahas
penentuan jadwal kereta api menggunakan
PLI (Pemrograman Linear Integer) yang
meminimumkan delay. Solusi yang didapat
menggunakan bantuan software LINGO 8.0.
Karya ilmiah ini merupakan rekonstruksi dari
sebagian artikel yang berjudul A Heuristic for
the Train Pathing and Timetabling Problem
yang ditulis oleh Yusin Lee dan Chuen-Yih
Chen tahun 2009.
1.2 Tujuan
Tujuan penulisan karya ilmiah ini adalah
mencari penyelesaian masalah penjadwalan
kereta api yang meminimumkan delay
(keterlambatan) menggunakan PLI
(Pemrograman Linear Integer).


II LANDASAN TEORI
Untuk membuat model penjadwalan kereta
api diperlukan pemahaman teori
Pemrograman Linear (PL) atau Linear
Programming (LP), Pemrograman Linear
Integer (PLI) atau Integer Linear
Programming (ILP), dan metode branch-and-
bound.

Definisi 1 (Fungsi linear)
Suatu fungsi f

dalam variabel-variabel
1 2
, ,...,
n
x x x adalah suatu fungsi linear jika
dan hanya jika untuk suatu himpunan
konstanta
1 2
, ,...,
n
c c c , fungsi dapat
dituliskan sebagai
. ... ) ,..., , (
2 2 1 1 2 1 n n n
x c x c x c x x x f
(Winston 2004)

Sebagai contoh,
1 2 1 2
( , ) 2 3 f x x x x
merupakan fungsi linear, sementara
2 2
1 2 1
2
( , ) f x x x x bukan fungsi linear.

Definisi 2 (Pertidaksamaan dan persamaan
linear)
Untuk sembarang fungsi linear
) ,..., , (
2 1 n
x x x f dan sembarang bilangan , b
pertidaksamaan b x x x f
n
) ,..., , (
2 1
dan
b x x x f
n
) ,..., , (
2 1
adalah pertidaksamaan
linear, sedangkan suatu persamaan
b x x x f
n
) ,..., , (
2 1
merupakan persamaan
linear.
(Winston 2004)

2.1 Pemrograman Linear
Pemrograman Linear (PL) adalah suatu
masalah optimisasi yang memenuhi
ketentuan-ketentuan berikut:
a) Tujuan masalah tersebut adalah
memaksimumkan atau meminimumkan
suatu fungsi linear dari sejumlah variabel
keputusan. Fungsi yang akan
dimaksimumkan atau diminimumkan ini
disebut fungsi objektif.
b) Nilai variabel-variabel keputusannya harus
memenuhi suatu himpunan kendala. Setiap
kendala harus berupa persamaan linear
atau pertidaksamaan linear.
c) Ada pembatasan tanda untuk setiap
variabel dalam masalah ini. Untuk
sembarang variabel , pembatasan tanda
menentukan harus tak-negatif ( )
atau tidak dibatasi tandanya (unrestricted
in sign).
(Winston 2004)
2



Suatu PL mempunyai bentuk standar
seperti yang didefinisikan sebagai berikut.

Definisi 3 (Bentuk Standar suatu PL)
Suatu pemrograman linear dalam bentuk
standar didefinisikan sebagai:

max z =
(atau min)
s.t.




(2.1)

Dengan mendefinisikan:
A =
,
Maka kendala pada (2.1) dapat ditulis dengan
sistem persamaan Ax = b (2.2)
(Winston 2004)

2.1.1 Solusi suatu Pemrograman Linear
Suatu masalah PL dapat diselesaikan
dalam berbagai teknik, salah satunya adalah
metode simpleks. Metode ini dapat
menghasilkan suatu solusi optimum bagi
masalah PL dan telah dikembangkan oleh
Dantzig sejak tahun 1947 (Winston 2004), dan
dalam perkembangannya merupakan metode
yang paling umum digunakan untuk
menyelesaikan PL. Metode ini berupa metode
iteratif untuk menyelesaikan PL berbentuk
standar.
Pada masalah PL (2.2), vektor x yang
memenuhi kendala Ax = b disebut sebagai
solusi dari PL (2.2). Misalkan matriks A dapat
dinyatakan sebagai A = (B N), dengan B
adalah matriks taksingular berukuran m m
yang elemennya berupa koefisien variabel
basis dan N merupakan matriks berukuran m
(n m) yang elemennya berupa koefisien
variabel nonbasis pada matriks kendala.
Dalam hal ini matriks B disebut matriks basis
untuk PL (2.2).
Misalkan x dinyatakan sebagai vektor x =
, dengan x
B
adalah vektor variabel basis
dan x
N
adalah vektor variabel nonbasis, maka
Ax = b dapat dinyatakan sebagai:
Ax =
= Bx
B
+ Nx
N
= b

(2.3)
Karena matriks B adalah matriks tak singular,
maka B memiliki invers, sehingga dari (2.3)
x
B
dapat dinyatakan sebagai:

x
B
= B
-1
b - B
-1
Nx
N
(2.4)
Kemudian, fungsi objektifnya berubah
menjadi:
min z =
(Winston 2004)

Definisi 4 (Daerah Fisibel)
Daerah fisibel suatu PL adalah himpunan
semua titik yang memenuhi semua kendala
dan pembatasan tanda pada PL tersebut.
(Winston 2004)

Definisi 5 (Solusi Basis)
Solusi basis adalah solusi pada PL yang
didapatkan dengan mengatur variabel nm
sama dengan nol dan nilai untuk
penyelesaiannya adalah dari sisa variabel m.
Hal ini mengasumsikan bahwa mengatur
variabel nm sama dengan nol sehingga
membuat nilai yang unik untuk sisa variabel m
atau sejenisnya, dan kolom-kolom untuk sisa
dari variabel m adalah bebas linear.
(Winston 2004)

Definisi 6 ( Solusi Fisibel Basis)
Solusi fisibel basis adalah solusi basis
pada PL yang semua variabel-variabelnya tak-
negatif.
(Winston 2004)

Definisi 7 (Solusi Optimum)
Untuk masalah maksimisasi, solusi
optimum suatu PL adalah suatu titik dalam
daerah fisibel dengan nilai fungsi objektif
terbesar. Untuk masalah minimisasi, solusi
optimum suatu PL adalah suatu titik dalam
daerah fisibel dengan nilai fungsi objektif
terkecil.
(Winston 2004)

Ilustrasi untuk solusi basis dan solusi fisibel
basis diberikan dalam Contoh 1 di bawah ini.

Contoh 1
Misalkan diberikan PL berikut:
minimumkan z = -2 - 3
terhadap -x
1
+ 2x
2
+ x
3
= 10
-2x
1
+ x
2
+ x
4
= 2
2x
1
+ x
5
= 3
x
1
, x
2
, x
3
, x
4
, x
5
0 (2.5)

3



Dari PL (2.5) didapatkan:

A = , b =
Misalkan dipilih
=
T
dan =
T

maka matriks basisnya adalah

B = ,

N = .
.
Dengan menggunakan matriks basis
tersebut diperoleh

.
(2.6)
.

Solusi (2.6) merupakan solusi basis,
karena solusi tersebut memenuhi kendala PL
(2.5) dan kolom-kolom pada matriks kendala
yang berpadanan dengan komponen taknol
dari (2.6) yaitu B adalah bebas linear (kolom
yang satu bukan merupakan kelipatan dari
kolom yang lain). Solusi (2.6) juga merupakan
solusi fisibel basis, karena nilai-nilai
variabelnya lebih dari atau sama dengan nol.

2.2 Pemrograman Linear Integer
Pemrograman linear integer (PLI) adalah
suatu model pemrograman linear dengan
variabel yang digunakan berupa bilangan
bulat (integer). Jika semua variabel harus
berupa integer, maka masalah tersebut
dinamakan pure integer programming. Jika
hanya sebagian yang harus berupa integer,
maka disebut mixed integer programming
(MIP). PLI dengan semua variabelnya harus
bernilai 0 atau 1 disebut 0-1 PLI
(Garfinkel & Nemhauser 1972)

Definisi 8 (Relaksasi Pemrograman Linear)
Relaksasi pemrograman linear atau sering
disebut relaksasi-PL merupakan suatu
pemrograman linear yang diperoleh dari suatu
PLI dengan menghilangkan kendala integer
atau kendala 0-1 pada setiap variabelnya.
Untuk masalah maksimisasi, nilai
optimum fungsi objektif relaksasi-PL lebih
besar atau sama dengan nilai optimum fungsi
objektif PLI, sedangkan untuk masalah
minimisasi, nilai optimum fungsi objektif
relaksasi-PL lebih kecil atau sama dengan
nilai optimum fungsi objektif PLI.
(Winston 2004)

2.3 Metode Branch and Bound
Dalam penulisan karya ilmiah ini, untuk
memperoleh solusi optimum dari masalah PLI
digunakan software LINGO 8.0, yaitu sebuah
program yang dirancang untuk menentukan
solusi model linear, nonlinear, dan optimisasi
integer. Software LINGO 8.0 ini
menggunakan metode branch-and-bound
untuk menyelesaikan masalah PLI.
Prinsip dasar metode branch-and-bound
adalah memecah daerah fisibel dari masalah
relaksasi-PL dengan membuat subproblem-
subproblem. Terdapat dua konsep dasar dalam
algoritma branch-and-bound.

1. Branch (Cabang)
Branching (pencabangan) adalah proses
membagi permasalahan menjadi subproblem-
subproblem yang mungkin mengarah ke
solusi.

2. Bound (Batas)
Bounding (pembatasan) adalah suatu
proses untuk mencari atau menghitung batas
atas (dalam masalah minimisasi) dan batas
bawah (dalam masalah maksimisasi) untuk
solusi optimum pada subproblem yang
mengarah ke solusi.

Metode branch-and-bound diawali dari
menyelesaikan relaksasi-PL dari suatu
pemrograman linear integer. Jika semua nilai
variabel keputusan solusi optimum sudah
berupa integer, maka solusi tersebut
merupakan solusi optimum PLI. Jika tidak,
dilakukan pencabangan dan penambahan
batasan pada relaksasi-PLnya kemudian
diselesaikan.
Winston (2004) menyebutkan bahwa
untuk masalah maksimisasi nilai fungsi
objektif optimum untuk PLI lebih kecil atau
sama dengan nilai fungsi objektif optimum
untuk relaksasi-PL, sehingga nilai fungsi
objektif optimum relaksasi-PL merupakan
batas atas bagi nilai fungsi objektif optimum
untuk masalah PLI. Diungkapkan pula oleh
Winston (2004) untuk masalah maksimisasi
bahwa nilai fungsi objektif optimum untuk
suatu kandidat solusi merupakan batas bawah
nilai fungsi objektif optimum untuk masalah
PLI asalnya. Suatu kandidat solusi diperoleh
jika solusi dari suatu subproblem sudah
memenuhi kendala integer pada masalah PLI,
4



artinya fungsi objektif dan semua variabelnya
sudah bernilai integer.
Sebelumnya akan dibahas terlebih dahulu
pengertian subproblem yang terukur. Menurut
Winston (2004), suatu subproblem dikatakan
terukur (fathomed) jika salah satu kondisi
berikut terpenuhi:
a. Subproblem tersebut takfisibel, sehingga
tidak dapat menghasilkan solusi optimum
bagi PLI.
b. Subproblem tersebut menghasilkan suatu
solusi optimum dengan semua variabelnya
bernilai integer. Jika solusi optimum ini
mempunyai nilai fungsi objektif yang
lebih baik daripada solusi fisibel yang
diperoleh sebelumnya, maka solusi ini
menjadi kandidat solusi optimum dan nilai
fungsi objektifnya menjadi batas bawah
(dalam masalah maksimisasi) dan batas
atas (dalam masalah minimisasi) nilai
fungsi objektif optimum bagi masalah PLI
pada saat itu. Bisa jadi subproblem ini
menghasilkan solusi optimum untuk
masalah PLI.
c. Nilai fungsi objektif optimum untuk
subproblem tersebut tidak melebihi batas
bawah saat itu (untuk masalah
maksimisasi). Suatu subproblem dapat
dieliminasi apabila subproblem tersebut
takfisibel dan batas bawah kandidat solusi
lebih kecil (untuk masalah maksimisasi)
dari nilai fungsi objektif optimum untuk
subproblem tersebut.

Berikut ini adalah langkah-langkah
penyelesaian suatu masalah maksimisasi
dengan metode branch-and-bound :
Langkah 0
Didefinisikan z sebagai batas bawah dari
solusi PLI yang optimum. Pada awalnya
tetapkan z = dan i = 0.
Langkah 1
Subproblem PL
(i)
dipilih sebagai bagian
masalah berikutnya untuk diteliti. Subproblem
PL
(i)
diselesaikan dan diukur dengan kondisi
yang sesuai.
a) Jika PL
(i)
terukur, maka batas bawah z
dapat diperbarui. Batas bawah z dapat
diperbaharui jika solusi PLI yang lebih
baik telah ditemukan. Jika tidak, maka
bagian masalah (subproblem) baru i dipilih
dan langkah 1 diulangi. Jika semua
subproblem telah diteliti, maka proses
dihentikan.
b) Jika PL
(i)
tidak terukur, lanjutkan ke
langkah 2 untuk melakukan pencabangan
PL
(i)
.

Langkah 2
Pilih satu variabel x
j
yang nilai optimumnya,
yaitu x
j
*, tidak memenuhi batasan integer
dalam solusi PL
(i)
. Singkirkan bidang [x
j
*]
x
j
[x
j
*]+1 dengan membuat dua bagian
masalah PL yang berkaitan menjadi dua
batasan yang tidak dapat dipenuhi secara
bersamaan yaitu:
x
j
[x
j
*] dan x
j
[x
j
*]+1,
dengan [x
j
*] didefinisikan sebagai integer
terbesar yang kurang dari atau sama dengan
x
j
*. Jika PL
(i)
masih tidak terukur, maka
kembali ke Langkah 1.
(Taha 1996)

Untuk memudahkan pemahaman
mengenai metode branch-and-bound
diberikan contoh sebagai berikut:

Contoh 2
Misalkan diberikan PLI sebagai berikut:
Maksimumkan z = 5 x
1
+ 4 x
2

terhadap x
1
+ x
2
5
10 x
1
+ 6 x
2

x
1
, x
2
0 dan integer (2.7)

Solusi optimal relaksasi-PL dari masalah
PLI (2.7) adalah x
1
=3.75, x
2
=1.25, dan
z =23.75 (lihat Lampiran 1). Jadi batas atas
nilai optimal fungsi objektif masalah PLI (2.7)
adalah z= 23.75. Daerah fisibel relaksasi-PL
masalah (2.7) ditunjukkan pada Gambar 1
(daerah yang diarsir) sedangkan titik-titik
merupakan solusi fisibel masalah PLI (2.7).







Gambar 1 Daerah fisibel PLI (2.7)

Langkah berikutnya adalah memartisi
daerah fisibel relaksasi-PL menjadi dua
bagian berdasarkan variabel yang bernilai
pecahan (non-integer). Karena x
1
=

3.75 dan
x
2
=1.25 variabel bernilai pecahan maka dipilih
x
2

x
1

Daerah
fisibel
x
1
= 3.75
x
2
= 1.25
5



salah satu variabel, misalkan x
1
, sebagai dasar
pencabangan. Jika masalah relaksasi-PL dari
PLI (2.7) diberi nama Subproblem 1 dan
Subproblem 1 dicabangkan atas x
1
, maka
pencabangan tersebut menghasilkan 2
subproblem, yaitu:
Subproblem 2: Subproblem 1 ditambah
kendala x
1
4
Subproblem 3: Subproblem 1 ditambah
kendala x
1
3.

Daerah fisibel untuk kedua subproblem di atas
diilustrasikan secara grafis pada Gambar 2.






Gambar 2 Daerah fisibel untuk Subproblem 2
(x
1
4) dan Subproblem 3 (x
1
3).

Setiap titik (solusi) fisibel dari PLI (2.7)
termuat dalam daerah fisibel Subproblem 2
atau Subproblem 3. Setiap subproblem ini
saling lepas. Sekarang dipilih subproblem
yang belum diselesaikan, misalkan dipilih
Subproblem 2. Solusi optimal untuk
Subproblem 2 ini adalah x
1
= 4, x
2
= 0.8333
dan z = 23.333, (lihat Lampiran 1 bagian
Subproblem 2). Karena solusi optimal yang
dihasilkan Subproblem 2 bukan solusi integer,
maka Subproblem 2 dicabangkan atas x
2

sehingga diperoleh dua subproblem lagi,
yakni:
Subproblem 4: Subproblem 3 ditambah
kendala x
2
1;
Subproblem 5: Subproblem 3 ditambah
kendala x
2
0.

Saat ini subproblem yang belum
diselesaikan adalah Subproblem 3, 4 dan 5.
Salah satu subproblem dipilih, misalnya
dengan aturan LIFO (last in first out). Dengan
aturan ini berarti dipilih Subproblem 4 atau
Subproblem 5. Subproblem 4 takfisibel (lihat
Lampiran 1 bagian Subproblem 4) maka
subproblem ini tidak dapat menghasilkan
solusi optimal, yang tersisa adalah
Subproblem 3 dan Subproblem 5.
Karena aturan LIFO, dipilih Subproblem
5, yang kemudian menghasilkan solusi
optimal x
1
=4.5, x
2
=0 dan z=22.5 (lihat
Lampiran 1 bagian Subproblem 5).

Karena
x
1
=4.5 bukan integer, maka dilakukan kembali
pencabangan atas x
1
, sehingga diperoleh:

Subproblem 6: Subproblem 5 ditambah
kendala x
1
5

;
Subproblem 7: Subproblem 5 ditambah
kendala x
1
4.

Misalkan dipilih Subproblem 6. Ternyata
Subproblem 6 ini juga takfisibel (lihat
Lampiran 1 bagian Subproblem 6), sehingga
tidak dapat menghasilkan solusi optimal.
Dengan demikian subproblem-subproblem
yang belum diselesaikan adalah Subproblem 3
dan Subproblem 7. Karena aturan LIFO,
dipilih Subproblem 7. Subproblem ini
kemudian menghasilkan solusi opimal x
1
=4,
x
2
= 0, dan z= 20 (lihat Lampiran 1 bagian
Subproblem 7). Dapat dilihat bahwa solusi
optimal subproblem ini semuanya berupa
integer, sehingga merupakan kandidat solusi
untuk PLI (2.7). Nilai z pada kandidat solusi
ini merupakan batas bawah bagi nilai optimal
PLI. Penyelesaian Subproblem 3
menghasilkan solusi optimal x
1
= 3, x
2
= 2 dan
z= 23 (lihat Lampiran 1 bagian Subproblem
3). Batas bawah yang ditetapkan dari solusi
optimal Subproblem 7 tidak lebih baik dari
nilai solusi optimal yang dihasilkan
Subproblem 3. Dengan demikian, nilai solusi
optimal Subproblem 3, yakni z = 23 menjadi
batas bawah yang baru. Semua solusi optimal
telah berupa integer dan tidak perlu dilakukan
pencabangan kembali, sehingga solusi optimal
dari Subproblem 3 merupakan solusi optimal
PLI (2.7), yakni x
1
= 3, x
2
= 2 dan z= 23. Pohon
pencabangan yang menunjukkan proses
penyelesaian masalah PLI (2.7) secara
keseluruhan ditunjukkan pada Gambar 3.






x
1

x
2

Subproblem 3
Subproblem 2
6































Gambar 3 Seluruh pencabangan pada metode branch and bound untuk menentukan solusi PLI
(2.7)



III DESKRIPSI DAN PEMODELAN MASALAH
3.1 Deskripsi masalah
Untuk mendeskripsikan masalah
penjadwalan kereta api di setiap stasiun, hal
utama yang harus diketahui adalah banyaknya
rangkaian kereta yang ditugaskan di stasiun
tersebut. Kemudian dari kereta api yang
ditugaskan tadi, seberapa banyak ketersedian
jalur yang dapat dilalui. Banyaknya kereta api
yang beroperasi juga bergantung pada
kebutuhan atau permintaan penumpang.
Dalam memenuhi keinginan penumpang,
tersedia dua jenis kereta api yaitu kereta api
reguler dan kereta api ekspress. Untuk kereta
api regular, waktu tunggu di dalam stasiun
lebih lama dibandingkan jenis yang kedua
yaitu kereta api ekspress. Selain itu kecepatan
kereta api jenis reguler lebih rendah
dibandingkan kereta api jenis ekspress.
Berikut ini adalah gambaran dari suatu
penjadwalan kereta api. Misalkan terdapat n
buah stasiun yang masing-masing stasiun
memiliki dua buah jalur pemberhentian dan
dari keseluruhan stasiun tersebut saling
dihubungkan oleh jalur tunggal. Stasiun ke-1
dan stasiun ke-n adalah stasiun
pemberangkatan, sedangkan stasiun ke-2
hingga stasiun ke(n-1) adalah stasiun
pemberhentian. Andaikan dioperasikan p
kereta api ekspress dan q kereta api reguler.
Kereta api tersebut ada yang diberangkatkan
dari stasiun ke-1 dan juga dari stasiun ke-n.
Pengelola stasiun dihadapkan pada masalah
penjadwalan kereta sedemikian rupa sehingga
dapat meminimumkan delay (keterlambatan),
dengan memperhatikan kebutuhan pengguna
kereta api.

3.2 Formulai masalah
Model penjadwalan kereta api bergantung
pada ketersedian rangkaian kereta api dan
jumlah jalur yang dapat dilalui. Selanjutnya,
penjadwalan kereta api dapat diformulasikan
dalam bentuk PLI.
x
1
=3.75, x
2
=1.25 dan z = 23.75
x
1
=4, x
2
=0.8333 dan z = 23.333 x
1
=3, x
2
=2, dan z = 23 batas
bawah bagi IP (2.7) atau
Solusi Optimal
Solusi tak fisibel x
1
=4.5, x
2
=0 dan z = 22.5
t = 1
t = 2
x
2
1
x
2
0
Solusi tak fisibel x
1
=4, x
2
=0, dan z = 20
Kandidat Solusi Optimal
x
1
4 x
1
5
t = 5 t = 6
t = 7
t = 3 t = 4
Subproblem 1
Subproblem 3 Subproblem 2
Subproblem 4 Subproblem 5
Subproblem 7 Subproblem 6
x
1
3
x
1
4